Building Software Like Never Before: พัฒนาซอฟต์แวร์ยุคใหม่ด้วย Agentic AI และ Kiro
บทนำ (Introduction)
ในเซสชัน "Building software like never before with agentic AI" จากงาน AWS Summit Bangkok โดยคุณพงษ์พัฒน์ สายเอี่ยม และคุณอิฐบูลย์ วัชรชนพันธ์ Solutions Architect จาก AWS Thailand ได้พาผู้ฟังซึ่งกว่า 80% เป็น Developer ไปสำรวจว่า Agentic AI กำลังเปลี่ยนวิธีพัฒนาซอฟต์แวร์ไปอย่างไร และ AWS มีเครื่องมือใหม่อย่าง Kiro มาช่วยนักพัฒนาได้อย่างไรบ้าง
ใจความสำคัญคือ Agentic AI ไม่ได้ช่วยแค่ขั้นตอน "เขียนโค้ด" อีกต่อไป แต่เข้ามาเร่งความเร็วได้ตลอดทั้ง Software Development Life Cycle (SDLC) ตั้งแต่ Planning, Requirement definition, Design and prototyping, Rapid software development, Testing and QA, Deployment ไปจนถึง Ops and maintenance
เนื้อหาหลัก (Main Content)
วิวัฒนาการของ AI ในการพัฒนาซอฟต์แวร์
ผู้พูดเริ่มจากการย้อนภาพ 2-3 ปีที่ผ่านมา ในยุคแรก (ราวปี 2023) AI เข้ามาช่วยในรูปแบบ Code completion เราพิมพ์ comment เข้าไป AI ก็ช่วยเติมโค้ดให้ ถัดมาเป็นยุคของ AI Assistant ที่ช่วยตอบคำถามว่าควรเขียนแบบไหน มีช่องโหว่อะไรบ้าง และล่าสุดคือ "ยุคทอง" ของ Agentic AI ที่ AI ทำงานเป็น Agent ได้เองมากขึ้น มีทั้ง Agent ที่เก่งเรื่องเชื่อมต่อระบบผ่าน MCP และ Agent เฉพาะทางด้านต่าง ๆ ที่นำมาประยุกต์ทำงานร่วมกันได้
Agentic AI เร่งความเร็วได้ทั้ง SDLC — และความท้าทายที่ตามมา
แม้ Agentic AI จะทำงานแบบ autonomous ได้มากขึ้น แต่ก็มาพร้อมความท้าทายสำคัญ 3 ข้อที่ Developer ต้องเจอ
- ความถูกต้อง (Correctness): เมื่อปล่อยให้ Agent ทำงานเยอะ ๆ เราจะมั่นใจได้อย่างไรว่าผลลัพธ์ถูกต้อง
- Collaboration: ไม่ใช่แค่ระหว่างคนกับคน แต่รวมถึงระหว่างคนกับ Agent — ทำอย่างไรให้ Agent เข้าใจบริบทและส่งมอบงานตรงตามที่เราต้องการ
- Testing & Quality: จะควบคุมคุณภาพของโค้ดที่ Agent สร้างออกมาได้อย่างไร
ปัญหาที่พบบ่อยคือ Agent มักทำงานแบบ "เริ่มไปเรื่อย ๆ" ไม่มีโครงสร้าง พอได้ผลลัพธ์มาก็ไม่แน่ใจว่าดีหรือถูกต้องหรือไม่ ซึ่งเป็นจุดที่ Kiro เข้ามาช่วยแก้
รู้จัก Kiro: Agentic AI IDE ที่เริ่มจาก Spec
Kiro คือ Agentic AI IDE ที่สร้างบน Amazon Bedrock โดยมีฟีเจอร์หลักคือ Spec-driven Development จุดต่างคือแทนที่จะให้ Agent เขียนโค้ดมั่ว ๆ Kiro จะเริ่มจาก Requirement ก่อนว่าต้องการอะไร แล้วทำ Design ออกมาให้ จากนั้นจึง Implement ตามแผนที่วางไว้อย่างเป็นโครงสร้าง ทำให้ผลลัพธ์มีความ predictable มากขึ้น
ในเดโม ผู้พูดสาธิตด้วยแอปพลิเคชันลงทะเบียน Event ที่มีข้อมูลทั่วไป เช่น Event name, Description, Date, Location เมื่อต้องการเพิ่มฟีเจอร์ "หมวดหมู่/ประเภทของ Event" ก็เพียงพิมพ์สั่ง Kiro ซึ่งจะ
- ย่อย requirement ออกมาเป็น user stories
- แตกเป็น Design
- แตกเป็น Task ของการ implement
- สร้าง test case ต่าง ๆ ได้ในตัว
ทำให้การเพิ่มฟีเจอร์เป็นไปอย่างกลมกลืนและถูกต้องมากขึ้น
📎 Kiro Documentation — AWS · 📎 Kiro — เว็บไซต์ทางการ
Agent Hooks: ทำงานอัตโนมัติเบื้องหลังด้วยภาษาธรรมชาติ
หนึ่งในความท้าทายของการปล่อยให้ Agent รันแบบ autonomous คือพอกลับมา review เรามักไม่รู้ว่ามันทำอะไรไปบ้าง ฟีเจอร์ Agent Hooks ช่วยตรงนี้ได้ โดยเราสร้าง hook ด้วยคำอธิบายภาษาธรรมชาติ (ไทย/อังกฤษ/ภาษาใดก็ได้) เพื่อให้ Kiro ทำงานบางอย่างอัตโนมัติเมื่อเกิด event เช่น save, create หรือ delete ไฟล์
ตัวอย่างที่สาธิตคือสร้าง hook ให้ "อัปเดต CHANGELOG.md ทุกครั้งที่มีการเปลี่ยนแปลงไฟล์ .py หรือ .ts/.js" ใช้เวลาตั้งค่าไม่เกิน 1 นาที อีก use case ที่ทรงพลังคือ บังคับให้ทุกครั้งที่เขียนโค้ดเกี่ยวกับ AWS SDK ให้ไป web search หรือเชื่อมต่อ MCP Server เพื่อดึงข้อมูลที่ up-to-date ที่สุด ลดปัญหาโค้ดล้าสมัยจาก SDK ที่อัปเดตบ่อย
📎 Model Context Protocol (MCP) — What is MCP? (AWS Prescriptive Guidance)
Steering Files: ให้ Kiro เข้าใจบริบทและมาตรฐานขององค์กร
อีกฟีเจอร์คือ Steering files เพียงกดปุ่ม generate Kiro จะอ่าน workspace ทั้งหมดเพื่อทำความเข้าใจภาพรวมระบบ แล้วสร้างไฟล์ออกมา 3 ไฟล์หลัก
- product.md — อธิบายภาพรวมในมุมธุรกิจว่าแอปพลิเคชันนี้เกี่ยวกับอะไร
- structure.md — โครงสร้างโปรเจกต์ ว่า frontend/backend อยู่โฟลเดอร์ไหน แบ่ง microservice อย่างไร
- tech.md — tech stack และ testing standard ต่าง ๆ
นอกจากนี้ยังเพิ่ม custom steering file ของเราเองได้ เช่นใส่ coding convention มาตรฐานขององค์กร เพื่อให้แอปพลิเคชัน A และ B ที่สร้างด้วย Kiro ในอนาคต ใช้ library และภาษาที่เป็นมาตรฐานเดียวกัน ทีมจึงดูแลและแก้ปัญหาได้ง่ายตอนทำ Day-2 Operations
Property-based Testing: ครอบคลุม edge case มากขึ้น
นอกจาก unit test ทั่วไป Kiro มีฟีเจอร์ Property-based testing ที่อ่านและทำความเข้าใจ requirement กับ design ก่อนเริ่ม implement เพื่อสร้าง test scenario ในมุมมองธุรกิจ ไม่ใช่แค่มุม technical แบบเดิม ทำให้ test ครอบคลุม edge case กว้างขึ้นและลดโอกาสเกิด error
Kiro Powers: เชื่อมต่อ Partner ผ่าน MCP
Kiro Powers คือชุดคอนเนกเตอร์ (อิงมาตรฐาน MCP) ที่เสริมความรู้จากภายนอกให้ Kiro โดยจับมือกับ Software Partner หลากหลายตามขั้นตอนการพัฒนา
- UI Development: Figma — เชื่อมต่อ design system เพื่อให้ frontend ที่ generate ออกมาตรงกับ brand identity และ user journey ที่ทีมออกแบบไว้
- Backend / Full-stack / API: Supabase, Stripe, Postman
- Agent Development: Strands Agents
- Databases: NEON
- Deployment: Netlify, HashiCorp, Amazon Bedrock AgentCore
- Observability: Datadog, Dynatrace
📎 Strands Agents — Open Source AI Agents SDK (AWS Open Source Blog) · 📎 Amazon Bedrock AgentCore
ฟีเจอร์เสริมสำหรับสาย Production และ DevOps
Kiro ยังรองรับการทำงานหลายรูปแบบเพื่อให้แทรกเข้ากับ workflow จริงได้
- CLI mode: รัน Kiro บนหน้าจอไหนก็ได้ ทั้ง VS Code, IDE หรือ Terminal รองรับทั้ง Mac และ Windows โดยไม่ต้องติดตั้งซอฟต์แวร์เพิ่ม
- Custom Agents & Multi-agent: สร้าง Agent เฉพาะทางสำหรับงานแต่ละแบบ และรันหลาย Agent พร้อมกันได้
- Headless mode (ใหม่ล่าสุด): สร้าง credential แล้วฝัง Kiro เข้าไปใน CI/CD pipeline เช่น ใช้ทำ security scanning อีกชั้นก่อน push ขึ้น production
สรุป (Conclusion)
Kiro สะท้อนแนวคิดของ AWS ที่ว่าการพัฒนาซอฟต์แวร์ในยุค Agentic AI ควรมี "วินัยทางวิศวกรรม" กำกับ ไม่ใช่ปล่อยให้ AI เขียนโค้ดไปเรื่อย ๆ ด้วย Spec-driven development ที่เริ่มจาก requirement และ design ก่อน บวกกับ Agent Hooks, Steering files, Property-based testing และ Kiro Powers ทำให้ทีมได้ทั้งความเร็วและคุณภาพไปพร้อมกัน ครอบคลุมตั้งแต่ prototype จนถึง production
สำหรับใครที่อยากลอง Kiro มี free tier ให้ใช้งาน สามารถดาวน์โหลดและติดตั้งบน Mac หรือ Windows ได้ที่ Kiro.dev
