ก้าวข้าม Prompt Engineering สู่ Specification Engineering ทักษะสำคัญในยุค AI Agent

ในช่วงสองปีที่ผ่านมา เราได้เรียนรู้วิธีเค้นประสิทธิภาพจากโมเดลภาษาขนาดใหญ่ (LLMs) ผ่านการเขียน Prompt ที่ชัดเจน ทั้งการเพิ่มบริบท การกำหนดบทบาท และการให้ตัวอย่าง สิ่งเหล่านี้ยังคงมีประโยชน์ แต่เมื่อ AI พัฒนาจากแชทบอตไปสู่ Coding Agents ผู้ช่วยวิจัย และเวิร์กโฟลว์อัตโนมัติ ลำพังแค่การ "เขียนคำสั่งที่ดี" จึงไม่เพียงพออีกต่อไป

ทักษะใหม่ที่กำลังเข้ามามีบทบาทคือ Specification Engineering ซึ่งหมายถึงความสามารถในการกำหนดเป้าหมาย ข้อจำกัด ผลลัพธ์ที่คาดหวัง กรณีขอบเขต (edge cases) ไปจนถึงเกณฑ์การทดสอบและรูปแบบความล้มเหลวของงานที่ใช้ AI ช่วยเหลือ สรุปให้เข้าใจง่ายคือ Prompt Engineering คือวิธีที่คุณถาม แต่ Specification Engineering คือวิธีที่คุณกำหนดว่า "งานที่เสร็จสมบูรณ์อย่างถูกต้อง" คืออะไร

ทำไม Prompt Engineering ถึงไม่เพียงพอ

Prompt อาจสร้างคำตอบที่ดูดีได้ แต่ Specification จะเป็นตัวตัดสินว่าคำตอบนั้นยอมรับได้จริงหรือไม่ ความแตกต่างนี้สำคัญมาก เพราะระบบ AI ปัจจุบันไม่ได้แค่เขียนข้อความ แต่กำลังเขียนคำสั่ง SQL แก้ไขซอร์สโค้ด วิเคราะห์ข้อมูล และตัดสินใจในกระบวนการที่ซับซ้อน

ในสภาวะนี้ ปัญหาหลักไม่ใช่แค่ "โมเดลตอบได้หรือไม่?" แต่คือผลลัพธ์นั้นตอบโจทย์ความต้องการ ปฏิบัติตามข้อจำกัด และจัดการกับกรณีพิเศษได้หรือไม่ ที่สำคัญคือผลลัพธ์สามารถนำไปตรวจสอบ (Validate) เพื่อให้ระบบอื่นใช้งานต่อได้จริงหรือไม่

ปัญหานี้สอดคล้องกับปรากฏการณ์ Specification Gaming ที่นักวิจัยความปลอดภัย AI ค้นพบ คือการที่ AI ตอบสนองตามวัตถุประสงค์ที่เขียนไว้เป๊ะๆ แต่กลับพลาดผลลัพธ์ที่ตั้งใจไว้จริง เช่น สั่งให้แก้บั๊กแล้ว AI สร้างแพตช์ที่ผ่านการทดสอบเบื้องต้นแต่ไปทำลายโครงสร้างส่วนอื่น หรือสั่งสรุปรายงานแล้ว AI ข้ามตัวเลขสำคัญที่ผู้บริหารต้องการ

Specification Engineering หมายถึงอะไร

มันคือกระบวนการเปลี่ยนงานที่คลุมเครือให้กลายเป็นชุดคำสั่งที่ดำเนินการได้และตรวจสอบได้จริง ตัวอย่างเช่น แทนที่จะบอกว่า "วิเคราะห์ข้อมูลการเลิกใช้บริการของลูกค้ามาให้หน่อย" (Prompt ที่อ่อนแอ)

Specification ที่ดีจะระบุรายละเอียดชัดเจน: "วิเคราะห์ชุดข้อมูล Churn โดยระบุค่าที่ขาดหายไป ความไม่สมดุลของข้อมูล และความเสี่ยงของ Data Leakage แบ่งข้อมูล Train/Test ก่อนทำ Preprocessing เปรียบเทียบอัลกอริทึมต่างๆ รายงานค่า Accuracy, F1 และ Confusion Matrix โดยห้ามระบุว่าเป็นความสัมพันธ์เชิงเหตุผล ให้เน้นเฉพาะข้อเสนอแนะทางธุรกิจจากความสัมพันธ์ที่พบเท่านั้น"

Specification ที่ดีมักประกอบด้วยองค์ประกอบ 8 ส่วนหลัก:

1. Objective: เป้าหมายคืออะไร
2. Context: ข้อมูลพื้นฐานที่จำเป็น
3. Inputs: ไฟล์หรือเครื่องมือที่อนุญาตให้ใช้
4. Output format: รูปแบบคำตอบสุดท้าย
5. Constraints: สิ่งที่ต้องหลีกเลี่ยง
6. Evaluation criteria: เกณฑ์ตัดสินความถูกต้อง
7. Edge cases: สิ่งที่อาจผิดพลาดได้
8. Verification steps: ขั้นตอนการตรวจสอบความถูกต้อง

งานวิจัยกำลังชี้ไปในทิศทางนี้แล้ว

งานวิจัยปี 2024 เรื่อง Requirement-Oriented Prompt Engineering ชี้ให้เห็นว่าการใช้งาน LLM ที่ซับซ้อนขึ้นอยู่กับการระบุความต้องการ (Requirement) ที่ชัดเจน โดยการฝึกอบรมแบบ ROPE ช่วยเพิ่มคุณภาพผลลัพธ์จาก LLM ได้มากกว่าการฝึก Prompt Engineering ทั่วไปอย่างเห็นได้ชัด

เราเห็นแนวโน้มนี้ในเครื่องมือระดับโลกอย่าง ฟีเจอร์ Structured Outputs ของ OpenAI ที่บังคับให้โมเดลตอบกลับตาม JSON Schema รวมถึง OpenAI's Model Spec และ Anthropic's Constitution ซึ่งแสดงให้เห็นว่าอุตสาหกรรมกำลังขยับจากการใช้แค่ Prompt ไปสู่การวาง Specification ในระดับพฤติกรรมของโมเดล

จาก Vibe Coding สู่ Spec-Driven Coding

ในการเขียนโค้ด ความแตกต่างนี้จะยิ่งชัดเจนขึ้น แทนที่จะบอกให้ AI "สร้างแอปง่ายๆ" การใช้ Specification Engineering จะกำหนดทั้ง Stack ที่ใช้ ฟังก์ชันที่ต้องมี เงื่อนไขความถูกต้องของข้อมูล ไปจนถึง Unit Test ที่ต้องผ่าน วิธีนี้ช่วยลดพื้นที่การเดาสุ่มของ AI ในทางที่อันตราย

ตัวอย่างเช่นเกณฑ์มาตรฐานอย่าง SWE-bench และ OpenAI's SWE-bench Verified ต่างมุ่งประเมินว่า AI แก้ปัญหาในโลกจริงได้หรือไม่ผ่านการตรวจสอบที่เข้มงวด นอกจากนี้งานวิจัย SWT-Bench ยังพบว่าการใช้ Test Case ที่สร้างขึ้นเป็นตัวกรอง ช่วยเพิ่มความแม่นยำให้ AI Agent ได้ถึงสองเท่า

เวิร์กโฟลว์รูปแบบใหม่

เวิร์กโฟลว์ในอนาคตจะเปลี่ยนจากการเขียนคำสั่งแล้วรอรับผลลัพธ์ มาเป็นการวาง Specification -> สร้างผลลัพธ์ -> ตรวจสอบ -> แก้ไข -> และตรวจสอบย้อนหลัง (Audit) ซึ่งสอดคล้องกับ คำแนะนำเกี่ยวกับ agent ของ OpenAI ที่ให้แบ่งงานเป็นขั้นตอนย่อยที่ชัดเจน

แม้แต่ งานวิจัย DORA ของ Google ยังระบุว่า AI เป็นเพียงตัวขยาย (Amplifier) ศักยภาพเดิม องค์กรที่มีกระบวนการคุณภาพจะได้รับประโยชน์มหาศาล ส่วนกระบวนการที่อ่อนแอก็จะถูกขยายความล้มเหลวให้ชัดขึ้น AI จึงไม่ได้ทำให้ระเบียบวินัยทางวิศวกรรมหมดความสำคัญลง แต่กลับทำให้มันจำเป็นยิ่งกว่าเดิม

บทสรุป

Prompt Engineering ยังไม่ตาย แต่มันกำลังเป็นส่วนหนึ่งของทักษะที่ใหญ่กว่า ยุคถัดไปของ AI จะให้รางวัลแก่ผู้ที่ออกแบบงานได้อย่างเชื่อถือได้ มีเป้าหมายชัดเจน และมีระบบตรวจสอบที่แน่นอน มันไม่ใช่แค่การถามว่า "จะทำอย่างไรให้โมเดลตอบได้?" แต่คือการถามว่า "จะกำหนดขอบเขตงานอย่างไรให้ทุกฝ่ายยอมรับตรงกันว่านี่คือคำตอบที่ถูกต้อง?"