AI Agent กำลังเปลี่ยนจาก AI ที่เพียง “ตอบคำถาม” ไปสู่ AI ที่สามารถช่วยทำงานจริง เช่น วิเคราะห์ข้อมูล สร้างรายงาน ตรวจสอบเอกสาร เขียนโปรแกรม ค้นหาข้อมูล หรือทำงานตาม Workflow ขององค์กร แต่ปัญหาสำคัญคือ แม้ AI รุ่นใหม่จะมีความสามารถสูงมาก แต่ AI ไม่ได้รู้โดยอัตโนมัติว่า องค์กรของเราต้องการให้งานแต่ละอย่างทำอย่างไร
ตัวอย่างเช่น
- บริษัทมีรูปแบบการเขียนรายงานเฉพาะ
- ทีม IT มีขั้นตอนตรวจสอบ Incident ของตัวเอง
- ฝ่ายบัญชีมี Checklist ก่อนออกเอกสาร
- Programmer ต้องตรวจ Code ตามมาตรฐานของบริษัท
- ฝ่าย Marketing มีขั้นตอน Research ก่อนเขียนบทความ
- องค์กรมีข้อควรระวังบางอย่างที่คนในทีมรู้กัน แต่ AI ไม่รู้
นี่คือสิ่งที่แนวคิด AI Agent Skills เข้ามาช่วยแก้ปัญหา
จากวิดีโอ “5 Best Practices for Building AI Agent Skills” ของ IBM Technology มีแนวคิดที่น่าสนใจเกี่ยวกับการสร้าง Skill ให้ AI Agent สามารถทำงานเฉพาะด้านได้อย่างมีประสิทธิภาพมากขึ้น
ก่อนที่จะไปดู Best Practices ทั้ง 5 ข้อ เรามาทำความเข้าใจกันก่อนว่า AI Skill คืออะไร
AI Agent Skill คืออะไร?
AI Agent Skill หรือเรียกสั้น ๆ ว่า AI Skill คือชุดคำสั่ง ความรู้ กฎ ขั้นตอน และทรัพยากรที่สอน AI Agent ว่า
“เมื่อเจองานประเภทนี้ คุณควรทำงานอย่างไร”
ถ้าเปรียบ AI Agent เป็นพนักงานใหม่ AI Model เปรียบเหมือนคนที่มีความรู้ทั่วไปจำนวนมาก
ส่วน Skill เปรียบเหมือน SOP, คู่มือการทำงาน และประสบการณ์ของผู้เชี่ยวชาญในบริษัทที่เรามอบให้พนักงานคนนั้น
ตัวอย่างเช่น
หากเราบอก AI ว่า
“ช่วยตรวจ Server เครื่องนี้หน่อย”
AI อาจรู้วิธีตรวจ Server โดยทั่วไป
แต่ถ้าเราสร้าง Skill ที่ระบุว่า
- ตรวจ CPU
- ตรวจ Memory
- ตรวจ Disk
- ตรวจ Service ที่บริษัทกำหนด
- ตรวจ Log 24 ชั่วโมงล่าสุด
- เปรียบเทียบกับ Baseline
- หาก Disk เกิน 80% ให้แจ้ง Warning
- หากพบ Service X หยุดทำงาน ห้าม Restart ทันที ต้องตรวจ Log ก่อน
- สรุปผลตาม Template ของบริษัท
AI Agent จะสามารถทำงานตาม วิธีการขององค์กร ได้มากขึ้น
นี่เรียกว่า Procedural Knowledge หรือความรู้เชิงขั้นตอน
Skill จึงไม่ได้มีหน้าที่เพียงเพิ่ม “ความรู้” ให้ AI แต่เป็นการเพิ่ม Know-how ว่าจะทำงานนั้นอย่างไร
ในแนวทางของ Agent Skills ปัจจุบัน Skill มักถูกจัดเป็นโฟลเดอร์ที่มีไฟล์หลักอย่าง SKILL.md และอาจมี Script, Reference หรือ Asset เพิ่มเติมตามความจำเป็น โดย AI จะโหลดข้อมูลเพิ่มเติมเมื่อจำเป็นแทนการเอาทุกอย่างใส่ Context พร้อมกัน
5 Best Practices สำหรับการสร้าง AI Agent Skills
1. Description คือ Trigger ของ Skill
สิ่งแรกที่ IBM Technology เน้นคือ
The Description is the Trigger
หรือกล่าวง่าย ๆ คือ
คำอธิบายของ Skill เป็นหนึ่งในส่วนที่สำคัญที่สุด เพราะ AI ใช้มันในการตัดสินใจว่าจะเรียก Skill นี้หรือไม่
ระบบ Agent โดยทั่วไปไม่สามารถนำ Skill ทุกตัวมาใส่ใน Context พร้อมกันได้ เนื่องจากจะใช้ Context Window จำนวนมาก
ดังนั้นในขั้นแรก Agent มักเห็นเพียงข้อมูลพื้นฐาน เช่น
- Name
- Description
จากนั้นจึงตัดสินใจว่า Skill ใดเกี่ยวข้องกับคำถามของผู้ใช้
เช่น Skill ชื่อ
server-troubleshooting
ถ้า Description เขียนเพียงว่า
ช่วยเรื่อง Server
ก็อาจกว้างเกินไป การทำให้ Description ที่ดีกว่าอาจเป็น
ใช้สำหรับตรวจสอบ วิเคราะห์ และแก้ไขปัญหา Linux Server เช่น CPU สูง Memory สูง Disk เต็ม Service Down Application Error หรือ Performance ผิดปกติ รวมถึงใช้เมื่อผู้ใช้ต้องการทำ Server Health Check หรือ Incident Investigation
แบบหลังทำให้ AI เข้าใจได้ดีกว่าว่า เมื่อใดควรเรียกใช้ Skill
IBM ยังแนะนำว่า Description สามารถเขียนให้ครอบคลุม Use Case มากกว่าปกติเล็กน้อย เพราะ AI มีโอกาสที่จะ “ไม่เรียก Skill” แม้ Skill นั้นจะเกี่ยวข้องกับงาน
หลักง่าย ๆ
Description ที่ดีควรตอบให้ได้ 2 คำถาม
Skill นี้ทำอะไร? และ ควรใช้ Skill นี้เมื่อใด?
2. สร้าง Skill จากความเชี่ยวชาญจริงขององค์กร
หนึ่งในข้อผิดพลาดที่พบได้ง่ายคือการบอก AI ว่า
“ช่วยสร้าง Skill สำหรับฝ่าย IT ให้หน่อย”
แล้วนำสิ่งที่ AI สร้างออกมาไปใช้ทั้งหมดทันที
AI อาจสร้าง Workflow ที่ดูดี แต่ส่วนใหญ่จะเป็น Best Practice แบบทั่วไป
สิ่งที่ทำให้ Skill มีคุณค่าจริง ๆ คือ ความรู้เฉพาะขององค์กร
IBM จึงแนะนำแนวคิด
Build from Real Expertise
แหล่งข้อมูลที่ควรนำมาสร้าง Skill เช่น
- SOP ที่ใช้งานจริง
- Runbook ของทีม
- Checklist
- Incident ในอดีต
- ปัญหาที่เคยเกิดขึ้น
- Feedback จากลูกค้า
- วิธีแก้ปัญหาของ Senior Engineer
- Lessons Learned
- Business Rules
- มาตรฐานภายในองค์กร
ตัวอย่าง
สมมติบริษัทเคยพบว่า
Database Server เกิด Disk Full
Junior Engineer เห็น Disk เต็มแล้วลบ Log ทันที
แต่ Log นั้นเป็นข้อมูลสำคัญสำหรับตรวจสอบ Incident
ประสบการณ์ดังกล่าวสามารถเพิ่มเข้า Skill ว่า
หาก Disk Usage สูง ห้ามลบ Log โดยอัตโนมัติ ต้องตรวจสอบประเภท Log, Retention Policy และ Backup ก่อนเสมอ
ข้อมูลแบบนี้อาจไม่มีอยู่ในตำรา แต่มันคือ ประสบการณ์จริงขององค์กร
Gotchas อาจเป็นส่วนที่มีค่าที่สุดของ Skill
IBM ให้ความสำคัญกับสิ่งที่เรียกว่า Gotchas
หมายถึง
จุดที่มักเกิดความผิดพลาด หรือเรื่องที่คนมีประสบการณ์รู้ว่าต้องระวัง
ตัวอย่างเช่น
- ห้าม Restart Production Server โดยไม่ได้รับอนุมัติ
- ห้าม Delete Log ก่อนตรวจสอบ Backup
- ก่อน Run Database Migration ต้อง Backup ก่อน
- ห้ามส่งข้อมูลส่วนบุคคลเข้า Public AI
- API บางตัวต้องเรียกตามลำดับ
- ระบบ Legacy บางระบบห้าม Update Library บาง Version
Gotchas เหล่านี้อาจมีคุณค่ามากกว่าการเขียนคำอธิบายทั่วไปหลายร้อยบรรทัดเสียอีก
เพราะ AI Model อาจรู้ Best Practice ทั่วไปอยู่แล้ว แต่ AI ไม่รู้ประสบการณ์ที่องค์กรของคุณเคยเจอ
3. ใช้ Context Window อย่างคุ้มค่า
AI Agent มี Context Window จำกัด
ดังนั้นไม่ควรนำคู่มือ 500 หน้าใส่เข้า SKILL.md ทั้งหมด
IBM แนะนำให้เขียน Skill ให้กระชับ โดยประมาณไม่เกิน 500 บรรทัด หรือประมาณ 5,000 Tokens สำหรับ Core Instruction
แนวคิดสำคัญคือ
อย่าสอน AI ในสิ่งที่ AI รู้อยู่แล้ว
ตัวอย่างเช่น
หากสร้าง Skill สำหรับ MySQL
เราอาจไม่จำเป็นต้องเขียนว่า
MySQL เป็น Relational Database Management System…
เพราะ AI Model ส่วนใหญ่รู้อยู่แล้ว
พื้นที่ Context ควรเก็บไว้สำหรับสิ่งที่ AI ไม่รู้
เช่น
Production Database ของบริษัทใช้ Read Replica และทุก Query สำหรับ Reporting ต้องรันผ่าน Replica เท่านั้น
ข้อมูลแบบนี้มีค่ากว่ามาก
แนวทางเดียวกันกับระบบ Skills ของ ChatGPT ก็เน้นให้ SKILL.md เป็นเหมือน “Control Plane” ที่เก็บเฉพาะคำสั่งสำคัญ ส่วนรายละเอียดจำนวนมากให้แยกไปอยู่ Supporting Resources
Progressive Disclosure
ถ้ามีข้อมูลจำนวนมาก ไม่จำเป็นต้องใส่ทุกอย่างไว้ใน Skill หลัก
สามารถแบ่งเป็น
my-skill/
│
├── SKILL.md
│
├── references/
│ ├── database.md
│ ├── security-policy.md
│ └── troubleshooting.md
│
├── scripts/
│ └── calculate.py
│
└── assets/
└── report-template.md
แล้วใน SKILL.md ระบุว่า
หากต้องตรวจ Database ให้เปิด references/database.md
ถ้าต้องตรวจ Security ให้เปิด references/security-policy.md
นี่คือแนวคิดที่เรียกว่า “Progressive Disclosure” AI จะโหลดข้อมูลเพิ่มเติม เฉพาะเมื่อจำเป็น เพื่อช่วยลดการใช้ Context และลดข้อมูลรบกวนที่ไม่เกี่ยวข้องกับงานปัจจุบัน
4. งานที่ต้องแม่นยำ ให้ Script ทำแทน AI
AI เก่งเรื่อง
- วิเคราะห์
- สรุป
- ตีความ
- วางแผน
- เขียนข้อความ
- Reasoning
แต่ไม่ใช่ทุกงานที่ควรให้ AI “คิดเอง”
โดยเฉพาะงานที่ต้องการผลลัพธ์แบบ Deterministic หรือผลลัพธ์ที่เหมือนเดิมทุกครั้งเมื่อ Input เหมือนกัน
เช่น
- การคำนวณทางการเงิน
- การคำนวณภาษี
- การแปลงข้อมูล
- การ Validate Format
- การคำนวณ Hash
- การ Process ไฟล์
- การตรวจสอบ Schema
- การคำนวณ KPI
ทาง IBM แนะนำว่า หากขั้นตอนใด เปราะบางและต้องแม่นยำ ควรสร้าง Script แล้วให้ Agent เรียก Script แทน
ตัวอย่าง
แทนที่จะบอก AI ว่า
คำนวณยอดขายรวม กำไรขั้นต้น VAT และ Margin ให้หน่อย
สามารถสร้าง
scripts/
└── calculate_financial.py
ให้ Script เป็นผู้คำนวณ
จากนั้น AI มีหน้าที่
- รับข้อมูล
- เรียก Script
- อ่านผลลัพธ์
- วิเคราะห์
- อธิบายผลให้มนุษย์เข้าใจ
วิธีนี้เป็นการใช้ข้อดีของทั้งสองโลก
Code → ความแม่นยำ
AI → การวิเคราะห์และการสื่อสาร
5. ตรวจสอบ Skill ก่อนติดตั้งหรือใช้งาน
อีกเรื่องที่สำคัญมากคือ Security
Skill ไม่ควรถูกมองว่าเป็นเพียง Prompt หรือ Markdown ธรรมดา
เพราะ Skill บางตัวสามารถมี
- Script
- Shell Command
- Python Code
- Network Access
- API Calls
- File Access
ดังนั้นการดาวน์โหลด Skill จาก Internet แล้วติดตั้งโดยไม่ตรวจสอบ จึงมีความเสี่ยงคล้ายกับการดาวน์โหลด Software หรือ Script ของคนอื่นมารันในเครื่อง
IBM Technology ยกประเด็นเรื่อง Skill สาธารณะที่พบความเสี่ยงด้าน Security จำนวนไม่น้อย รวมถึงความเสี่ยงอย่าง
- Prompt Injection
- Malicious Instructions
- Malware
- การอ่านไฟล์ที่ไม่ควรอ่าน
- การเข้าถึง Credential
- การดึง API Key
- การส่งข้อมูลออกจากเครื่อง
ดังนั้นก่อนใช้ Skill จากภายนอกควรตรวจอย่างน้อยว่า
- Skill มาจากใคร
SKILL.mdสั่งอะไร AI- มี Script อะไรบ้าง
- Script อ่านไฟล์อะไร
- ติดต่อ Network หรือไม่
- ใช้ Environment Variable อะไร
- เข้าถึง API Key หรือ Credential หรือไม่
- มีการ Execute Shell Command หรือไม่
- ส่งข้อมูลออกไปยัง Server ภายนอกหรือไม่
หลักคิดง่าย ๆ คือ
อย่าติดตั้ง AI Skill ที่ไม่รู้ว่าข้างในทำอะไร เช่นเดียวกับที่เราไม่ควรรัน Script ที่ไม่รู้แหล่งที่มา
AI Skill มีประโยชน์กับองค์กรอย่างไร?
สิ่งที่น่าสนใจที่สุดของ AI Skills ไม่ใช่เรื่องไฟล์ SKILL.md แต่คือความสามารถในการเปลี่ยน ความรู้ที่อยู่ในหัวพนักงาน ให้กลายเป็น ความรู้ที่ AI สามารถนำกลับมาใช้ซ้ำได้
ตัวอย่างเช่น
Senior Engineer คนหนึ่งอาจมีประสบการณ์แก้ Server มา 10 ปี แทนที่ความรู้ทั้งหมดจะอยู่กับคนคนเดียว องค์กรสามารถค่อย ๆ เก็บ
- วิธีตรวจสอบ
- ลำดับการคิด
- Checklist
- Gotchas
- Incident ที่เคยเกิด
- วิธีแก้ไข
- วิธี Escalate
แล้วนำมาสร้างเป็น Skill หลังจากนั้น AI Agent สามารถช่วย Junior Engineer ทำงานตามแนวทางของ Senior Engineer ได้มากขึ้น AI Skill จึงอาจกลายเป็นอีกหนึ่งรูปแบบของ Organizational Knowledge Management ในยุค AI
Prompt กับ Skill ต่างกันอย่างไร?
Prompt เหมาะกับการบอก AI ว่า
“ตอนนี้ฉันอยากให้คุณทำอะไร”
Skill เหมาะกับการบอก AI ว่า
“ทุกครั้งที่เจองานประเภทนี้ องค์กรของเราต้องการให้คุณทำอย่างไร”
ตัวอย่าง Prompt
วิเคราะห์ Incident นี้และสรุป Root Cause
ตัวอย่าง Skill
ทุกครั้งที่วิเคราะห์ Incident ให้ตรวจ Timeline → Log → Recent Change → Dependency → Root Cause → Impact → Corrective Action → Preventive Action และสร้างรายงานตาม Incident Template ของบริษัท
ดังนั้นเมื่อองค์กรเริ่มใช้งาน AI Agent จำนวนมากขึ้น การพัฒนา AI อาจไม่ได้จบแค่ Prompt Engineering แต่จะขยับไปสู่ Agent Engineering และ Skill Engineering มากขึ้น
สรุป 5 Best Practices
1. เขียน Description ให้ชัด
AI ต้องรู้ว่า Skill ทำอะไร และเมื่อไรควรเรียกใช้
2. เอาความรู้จากคนทำงานจริงมาสร้าง Skill
อย่าให้ AI สร้างทุกอย่างเอง เพราะสิ่งที่มีค่าที่สุดคือประสบการณ์เฉพาะขององค์กร
3. อย่าใส่ทุกอย่างลงใน Skill
เก็บเฉพาะสิ่งสำคัญ ส่วนข้อมูลจำนวนมากแยกไว้ใน references/ แล้วเปิดเมื่อจำเป็น
4. งานที่ต้องแม่นยำ ให้ Code ทำ
AI เหมาะกับการคิด วิเคราะห์ และสื่อสาร แต่การคำนวณหรือกระบวนการที่ต้องแน่นอนควรใช้ Script
5. Skill จาก Internet ต้องตรวจสอบก่อนใช้
เพราะ Skill อาจมี Script ที่สามารถเข้าถึงไฟล์ Network หรือ API Key ของเราได้
สรุป
AI Model = พนักงานที่ฉลาดและมีความรู้กว้าง
AI Agent = พนักงานที่สามารถใช้เครื่องมือและลงมือทำงานได้
และ
AI Skill = SOP + คู่มือ + ประสบการณ์ของผู้เชี่ยวชาญที่สอนพนักงาน AI ว่าต้องทำงานอย่างไร
องค์กรที่สร้าง AI Agent ได้เก่ง จึงอาจไม่ได้วัดกันเพียงว่า “ใครใช้ AI Model ที่เก่งกว่า” แต่จะเริ่มวัดกันว่า “ใครสามารถเปลี่ยนความรู้และประสบการณ์ขององค์กรให้กลายเป็น Skills ที่ AI นำไปใช้ทำงานได้ดีกว่ากัน” นี่อาจเป็นหนึ่งในสินทรัพย์ทางความรู้ที่สำคัญขององค์กรในยุค AI
บริษัทเราสนใจการประยุกต์ใช้ AI, AI Agent และ Automation เพื่อช่วยให้องค์กรสามารถนำเทคโนโลยีมาเพิ่มประสิทธิภาพการทำงาน ลดงานซ้ำ และเปลี่ยนองค์ความรู้ภายในองค์กรให้กลายเป็น Workflow ที่สามารถนำกลับมาใช้ได้อย่างเป็นระบบ หากลูกค้าสนใจหรือต้องการสอบถาม สามารถติดต่อพูดคุยกับทีมงานเบื้องต้นได้ตลอดครับ