How I use LLMs as a staff engineer in 2026 จาก Sean Goedecke, Staff Software Engineer - GitHub
Agents พัฒนาขึ้นอย่างก้าวกระโดดในช่วง 15 เดือนที่ผ่านมา จนกลายเป็นเครื่องมือหลักที่ทำงานร่วมกับวิศวกรในระดับ Staff ได้อย่างมีประสิทธิภาพ
- การสร้าง PRs: ปัจจุบัน Sean ใช้ Agents ในการสร้าง PRs ทั้งหมดในส่วนงานที่เขาคุ้นเคย โดยเปลี่ยนบทบาทจากการเขียนโค้ดเองเป็นการ Skimming และ Evaluating สิ่งที่ Agent เสนอมา ซึ่งบางครั้งอาจต้องทำการ Reject ถึง 5-6 ครั้ง (หรือมากกว่า) จนกว่าจะได้ผลลัพธ์ที่เหมาะสมที่สุด
- บทบาทของ Human Expertise ในการ Bug-hunting: แม้ Agents จะเก่งขึ้นจนสามารถหา Bug เจอได้เอง แต่ Sean เน้นย้ำว่า "ทักษะของมนุษย์" ยังจำเป็นอย่างยิ่งในการบีบขอบเขตของปัญหา (Search space) ให้แคบลง การที่ Agent สามารถแก้ปัญหาได้ใน Session ที่ 14 เป็นผลมาจากการที่มนุษย์ช่วยตัดความเป็นไปได้ที่ไม่ใช่ออกไปก่อน
- การลดภาระงาน Testing และ Setup: งานที่น่าเบื่ออย่างการเตรียม Local setup, การจัดการ Config, หรือการเขียน Test script (เช่น curl commands) ถูกผลักภาระไปให้ Agents ทั้งหมด รวมถึงการให้ Agent เป็นผู้อ่าน Log เพื่อตรวจสอบความถูกต้องของงาน
- คงความเป็นมนุษย์ในจุดที่สำคัญ: เขาเลือกที่จะเขียน PR descriptions ด้วยตัวเองเสมอ เพื่อหลีกเลี่ยงอาการ Over-communicate ของ AI และเพื่อเป็นสัญญาณ (Signal) บอกทีมว่ามี "มนุษย์" ที่ตรวจสอบและกลั่นกรองแนวคิดหลักของงานนี้จริงๆ
Sean มองว่าในขณะนี้คนส่วนใหญ่ยัง Under-utilizing หรือใช้งาน Agents ไม่เต็มประสิทธิภาพ โดยเฉพาะในส่วนของการวิจัย Codebase ขนาดใหญ่และการทำ Testing ในขณะที่บางส่วนก็ Over-utilizing โดยการปล่อยให้ AI เขียนข้อความสื่อสารสาธารณะหรือตัดสินใจในงานที่ต้องการความละเอียดอ่อนสูง
สรุปสั้นๆ: ในปี 2026 นิยามของวิศวกรซอฟต์แวร์ที่เก่ง คือคนที่สามารถโยนงานให้ AI Agents ทำได้มากที่สุดเท่าที่จะทำได้ โดยที่ยังคงรักษาคุณภาพและการควบคุม (Judgement) ในขั้นตอนสุดท้ายเอาไว้