บริหารทีม dev 4 คนร่วมกับ AI agent: กติกากลาง งานของ AI และ review flow

บริหารทีม dev เล็กร่วมกับ AI agent ให้ได้ผล: ตั้งกติกากลางร่วมกัน แบ่งงานระหว่าง AI กับคน และออกแบบ review flow ที่ทำให้โค้ดจาก AI ไม่หลุดขึ้น production

Kasidit Wansudonอ่าน 3 นาที
aiclaude-codeteam-managementcode-review

ตอนเป็น Technical Lead ผมดูแลทีมห้าคน ฝั่งที่ทำงานกับโค้ดโดยตรงมีสี่คนรวมผม (2 programmer, 1 QA และผม) ที่เหลือดูแล helpdesk กับ infra แต่ระบบที่ต้องดูแลมีมากกว่า 6 ระบบ คำถามที่ผมต้องตอบทุกวันคือ จะบริหารทีม dev เล็กร่วมกับ AI agent อย่างไรให้ได้งานเยอะขึ้นโดยคุณภาพไม่ตก บทความนี้สรุปสิ่งที่ผมใช้จริง: กติกากลาง การแบ่งงาน และ review flow

ปัญหาของการปล่อยให้แต่ละคนใช้ AI ตามใจ

ช่วงแรกทุกคนใช้ AI กันเอง ผลที่ได้คือ:

  • โค้ดสไตล์ไม่เหมือนกัน เพราะแต่ละคนสั่ง AI ต่างกัน
  • AI แก้ไฟล์เกินขอบเขตที่ขอ แล้วไม่มีใครสังเกต
  • บางคนเชื่อ AI ทั้งหมด บางคนไม่ใช้เลย ผลงานต่างกันมาก
  • bug แปลก ๆ ที่ AI แต่งขึ้นเอง หรือ AI วนแก้ปัญหาที่ไม่มีอยู่จริง

ปัญหาไม่ได้อยู่ที่ AI แต่อยู่ที่ไม่มีกติกาเดียวกัน

กติกากลางที่ทุกคนใช้ร่วมกัน

ผมเขียนกติกาไว้ในไฟล์เดียวที่อยู่ใน repo ทุกตัว (สำหรับ Claude Code คือ CLAUDE.md) ทั้งคนและ AI อ่านไฟล์เดียวกัน ตัวอย่างโครงสร้าง:

# Team rules (ใช้กับทั้งคนและ AI)

## Scope
- แก้เฉพาะสิ่งที่ ticket ขอ ห้าม refactor นอก scope
- ถ้า scope ไม่ชัด ให้ถามก่อน อย่าเดา

## Code
- PHP: PSR-12, Laravel conventions, ห้าม raw SQL ที่ต่อ string จาก input
- Vue: Composition API, ข้อความทุกอันผ่าน i18n
- Comment และชื่อตัวแปรเป็นภาษาอังกฤษ

## Safety
- ห้าม commit secret / .env
- migration ต้อง reversible และมี down()
- ห้ามรันคำสั่งที่ลบข้อมูลโดยไม่ยืนยัน

## Output
- ทุกคำตอบของ AI ต้องระบุ confidence: verified / likely / guess
- ระบุไฟล์ที่แก้ทั้งหมดท้ายคำตอบ

กติกาเรื่อง confidence label ช่วยได้มาก เพราะทำให้คนรีวิวรู้ทันทีว่าส่วนไหน AI รันทดสอบแล้ว ส่วนไหนแค่เดา แนวคิดทั้งหมดนี้ผมรวบรวมเป็น open-source framework ชื่อ Kasidit ที่ https://kasi.kasion.dev

AI ทำอะไร คนทำอะไร

ผมแบ่งงานตามความเสี่ยงและความต้องการบริบททางธุรกิจ:

ให้ AI ทำเป็นหลัก

  • scaffold CRUD, form, validation ตาม pattern ที่มีอยู่แล้ว
  • เขียน test จากโค้ดที่มีอยู่
  • แปลข้อความ i18n รอบแรก (คนตรวจทีหลัง)
  • อ่าน log หรือ stack trace แล้วเสนอสาเหตุที่เป็นไปได้
  • เขียนร่างเอกสาร เช่น deploy-list หรือ handover

ให้คนทำเป็นหลัก

  • คุยกับผู้ใช้และแปลง requirement เป็น scope
  • ออกแบบ schema และ data flow ข้ามระบบ
  • ตัดสินใจเรื่อง trade-off เช่น จะตัดฟีเจอร์ไหนออก
  • deploy และ rollback บน production
  • ทุกอย่างที่เกี่ยวกับสิทธิ์ การเงิน และข้อมูลส่วนบุคคล

หลักง่าย ๆ คือ AI เก่งเรื่อง "ทำให้เร็ว" คนต้องรับผิดชอบเรื่อง "ทำสิ่งที่ถูก"

Review flow ที่ใช้จริง

โค้ดจาก AI ต้องผ่าน flow เดียวกับโค้ดที่คนเขียน ไม่มีข้อยกเว้น:

  1. Developer รีวิวตัวเองก่อน อ่าน diff ทุกบรรทัดที่ AI สร้าง ถ้าอธิบายไม่ได้ว่าโค้ดบรรทัดนั้นทำอะไร ห้ามเปิด merge request
  2. AI review ด้วย checklist ให้ AI ตัวที่สองรีวิว diff ตาม checklist ที่ตายตัว (security, database, state) ไม่ใช่สั่งว่า "ช่วยรีวิวหน่อย" ดูตัวอย่าง checklist ใน AI code review checklists
  3. Peer review โดยคน อย่างน้อยหนึ่งคน โฟกัสที่ logic ทางธุรกิจและผลกระทบต่อระบบอื่น
  4. QA ทดสอบบน staging ตาม test case ที่เขียนจาก ticket ไม่ใช่จากโค้ด
  5. Deploy ด้วย deploy-list โดยคนเท่านั้น

ขั้นที่ 1 สำคัญที่สุดและถูกข้ามบ่อยที่สุด ผมจึงถามในการรีวิวเสมอว่า "บรรทัดนี้ทำไมต้องมี" ถ้าตอบว่า "AI ใส่มา" แปลว่ายังไม่พร้อม

วัดผลอย่างไร

ผมไม่วัดจากจำนวนบรรทัดหรือจำนวน commit เพราะ AI ทำให้ตัวเลขพวกนี้พองได้ง่าย สิ่งที่ผมดูคือ:

  • ticket ปิดได้ต่อสัปดาห์ และเวลาตั้งแต่เปิดจนขึ้น production
  • จำนวน rollback และ hotfix หลัง deploy
  • จำนวนรอบที่ MR ต้องแก้หลัง review

ถ้า ticket ปิดเร็วขึ้นแต่ rollback เพิ่ม แปลว่ากติกาหรือ review flow มีช่องโหว่ ต้องกลับไปแก้ที่กติกา ไม่ใช่โทษคน

สรุป

การบริหารทีม dev เล็กร่วมกับ AI agent ให้ได้ผลขึ้นกับสามอย่าง: กติกากลางที่ทั้งคนและ AI อ่านไฟล์เดียวกัน การแบ่งงานที่ให้ AI ทำงานซ้ำและให้คนตัดสินใจ และ review flow ที่โค้ดจาก AI ไม่ได้รับข้อยกเว้น ทีมสี่คนจะทำงานได้เหมือนทีมใหญ่กว่า ถ้ามีวินัยร่วมกัน

มีคำถามหรืออยากแลกเปลี่ยน?

ฝากข้อความไว้ที่ guestbook หรือทักมาทาง X ได้เลยครับ