Advanced · AI Systems · Engineers & Graduate students

AI Harness Engineering
วิศวกรรม AI Harness

Language Model คือ "เครื่องยนต์" — สิ่งที่ทำให้มันกลายเป็น AI Agent ที่เชื่อถือได้พอจะใช้งานจริง คือ harness ที่ออกแบบรอบ ๆ มัน คู่มือนี้พาคุณ สร้างผู้ช่วยจัดการแล็บหนึ่งตัว จาก script ธรรมดา จนกลายเป็น agent ระดับ production — แล้วต่อยอดด้วยอีก 4 ระบบจริง เพื่อให้ได้ทั้ง แนวคิด และ ไอเดียที่เอาไปใช้ได้

🧭 ปูพื้นทฤษฎี 3 หน้า 📦 20 บท · 6 ส่วน 🏭 5 ระบบจริง 🧵 spine + portfolio 🤖 Physical AI & Human
AI Harness Engineering — โปสเตอร์สรุปภาพรวมทั้งคอร์ส

📋 โปสเตอร์สรุปทั้งคอร์ส — คลิกเพื่อดูขนาดใหญ่

วิธีเล่าของคู่มือนี้

เราจะไม่ยัดหัวข้อทีละก้อนแบบไม่ปะติดปะต่อ แต่จะ เล่าเป็นเรื่องเดียวที่ค่อย ๆ โต: เริ่มจากสถานการณ์จริงของการดูแลแล็บ → เขียน script ง่าย ๆ → มันไม่พอ → เติมทีละชิ้นจนกลายเป็น harness ที่ครบ ศัพท์ทุกคำจะโผล่มาตอนที่เรื่องราว "ต้องใช้" มันพอดี ไม่ใช่ท่องนิยามลอย ๆ

หลักคิดของคอร์ส — spine + portfolio: ใช้ตัวอย่างเดียว (ผู้ช่วยจัดการแล็บ) เป็นแกนหลักในช่วงปูพื้น เพื่อให้ความรู้ต่อเนื่องลื่นไหล แล้วในหัวข้อขั้นสูงค่อยหยิบ "ระบบจริงที่เหมาะกับเรื่องนั้นที่สุด" มาเป็นกรณีศึกษา — ได้ทั้งแนวคิดและไอเดียจาก 5 ระบบ
อยากเห็น "ภาพทฤษฎี" ก่อนลงมือไหม? — เราเพิ่ม ส่วนปูพื้นทฤษฎี (0·1–0·3) ไว้ข้างหน้า สำหรับคนที่ชอบรู้ นิยามและคำศัพท์ของ "harness" จากบนฟ้าก่อน แล้วค่อยลงไปสร้างจริง · ถ้าคุณชอบเรียนจาก เรื่องเล่ามากกว่า ข้ามไปเริ่มที่ บทที่ 01 ได้เลย แล้วค่อยกลับมาอ่านส่วนนี้เป็นบทสรุป — สองทางไปถึงที่เดียวกัน

เนื้อหาทั้ง 6 ส่วน (+ ปูพื้นทฤษฎี)

🧭 ส่วนที่ 0 — ปูพื้นทฤษฎี · แผนที่ก่อนออกเดินทาง (อ่านก่อนหรือข้ามไปก่อนก็ได้)

ทฤษฎี 0·1
Harness คืออะไร
โมเดล = เครื่องยนต์ · harness = ทุกอย่างที่ออกแบบรอบมัน · นิยามสนามปี 2026 · "ความน่าเชื่อถือออกแบบได้ ไม่ใช่ซื้อมา"
 ทฤษฎี 0·2
กายวิภาค & ลูป
ลูป gather→act→verify→repeat เป็นหัวใจ · ชิ้นส่วนที่ตั้งชื่อได้ (= บท 04–10) · บันไดความซับซ้อน
 ทฤษฎี 0·3
ภูมิทัศน์สนามปี 2026
แผนที่คำศัพท์: context engineering · MCP · Skills · tools · orchestration · eval · security — แต่ละคำคู่กับบทที่ลงลึก

🔹 ส่วนที่ 1 — ปัญหา & คำศัพท์ · แกนหลัก: ผู้ช่วยจัดการแล็บ

บทที่ 01
สถานการณ์
รู้จักผู้ช่วยจัดการแล็บ — คำถามประจำวัน ข้อมูลที่มี เป้าหมาย: เครื่องมือที่ "ไว้ใจให้ใช้งานจริง" ได้ (ยังไม่มี AI)
 บทที่ 02
Script & การเรียกครั้งเดียว
script ที่แข็งทื่อ → เติม LLM call → "prompt-and-pray" ที่เดา ลืม และค้นอะไรไม่ได้
 บทที่ 03
Loop → Agent
gather → act → verify → repeat · จุดที่มันกลายเป็น "agent" จริง ๆ

🔹 ส่วนที่ 2 — ประกอบ Harness ทีละชิ้น · แต่ละชิ้นแก้ failure ที่เพิ่งเห็น

บทที่ 04
Tools — มือ
มันต้อง "ดึง" ข้อมูลจริง ไม่ใช่เดา
 บทที่ 05
Context — สิ่งที่ต้องรู้
กติกาแล็บ คาบเรียน วันหยุด ช่วงซ่อมบำรุง
 บทที่ 06
Memory & State
"แล้วพรุ่งนี้ล่ะ?" ต้องจำเรื่องก่อนหน้าได้
 บทที่ 07
Grounding & Verify
มันสร้างห้องที่ไม่มีจริง · ตอบจากข้อมูลจริงเท่านั้น ตรวจจากสภาพแวดล้อม
 บทที่ 08
Permissions & Safety
ถามว่า "ว่างไหม" แต่มันไปจองให้ · อ่าน vs ทำ · gate สิ่งที่ย้อนไม่ได้
 บทที่ 09
ควบคุม & มองเห็น
query ค้าง (เพดานเวลา/รอบ) · ตอบผิดแล้วดูไม่ออกว่าทำไม (trace)
 บทที่ 10
นี่แหละ Harness
ตั้งชื่อทุกชิ้นรวมกัน = harness · เริ่ม Harness Scorecard

🔸 ส่วนที่ 3 — เชื่อมกับโลกภายนอก

บทที่ 11
MCP — โปรโตคอลการเข้าถึง
host/client/server · tools / resources / prompts
ตัวอย่าง: OBE/หลักสูตร
 บทที่ 12
Skills & Tool Surface
แพ็กวิธีทำซ้ำ (progressive disclosure) · กัน tool ออกจาก context

🔸 ส่วนที่ 4 — Context · ความน่าเชื่อถือ · สเกล

บทที่ 13
Context Engineering
งบ attention ที่จำกัด · lost-in-the-middle · ดึงเมื่อต้องใช้
ตัวอย่าง: ที่ปรึกษานักศึกษา
 บทที่ 14
Security
ข้อความจากผู้ใช้ = untrusted · lethal trifecta · container ไม่ใช่กำแพง
 บทที่ 15
Orchestration & บันไดความซับซ้อน
single call → workflow → agent → multi-agent · เมื่อไหร่ "ไม่ควร" ใช้ AI
 บทที่ 16
Evaluation
มันถูกจริงไหม · 3 ระดับ · ชุดทดสอบจากงานจริง
ตัวอย่าง: assignment feedback

🔸 ส่วนที่ 5 — มุมมองมืออาชีพ

บทที่ 17
Cockpit & Fleet
ผู้ช่วยจัดการแล็บเป็น 1 ในหลายระบบบน harness ร่วมกัน + แผงควบคุมที่ไม่ใช้ AI เลย · "ดี = เลือก tradeoff ถูก ไม่ใช่ทำครบทุกมิติ"
ตัวอย่าง: ทั้ง 5 ระบบ

🔸 ส่วนที่ 6 — พรมแดนถัดไป

บทที่ 18
Physical AI
harness เดียวกันเมื่อ "มือ" คือหุ่นยนต์จริง · perceive→policy→act · safety envelope · teleop fallback
 บทที่ 19
Human Integration
in-the-loop vs on-the-loop · shared autonomy · การปรับความเชื่อใจให้พอดี
 บทที่ 20
Capstone — ออกแบบ Harness ของคุณเอง
ใช้ checklist ทั้งคอร์ส ออกแบบ harness ให้สถานการณ์ที่คุณเลือก — ปกป้องได้ต่อหน้าวิศวกรอาวุโส

🗂️ สรุปรวม — Fleet Gallery · payoff ท้ายคอร์ส: 5 ระบบเทียบกันทีละมิติ

สรุปรวม
🗂️ Fleet Gallery
สเก็ตช์ harness ของทั้ง 5 ระบบ + Harness Scorecard 5 ระบบ × 6 มิติ วางเรียงกัน — เห็นด้วยตาว่า “ดี = เลือก tradeoff ถูก ไม่ใช่ max ทุกมิติ”
ตัวอย่าง: ทั้ง 5 ระบบ
บทเรียนที่ติดตัวกลับไปแน่ ๆ ~70% ของสิ่งที่คนเรียกว่า "งานของ AI agent" จริง ๆ แล้วคือ SQL view หรือ dashboard — AI คุ้มค่าเฉพาะตอนที่ต้องใช้ การสังเคราะห์ ภาษา และการตัดสินใจ และมืออาชีพจะ "พิสูจน์ขั้นที่ง่ายกว่าก่อนเสมอ"
สถานะ ครบทั้ง 20 บท (6 ส่วน) + ปูพื้นทฤษฎี 3 หน้า — ทุกหน้ามีกิจกรรมโต้ตอบของตัวเอง คลิกการ์ดไหนก็เริ่มได้เลย · อยากเห็นภาพทฤษฎีก่อนเริ่มที่ 0·1 · อยากลงมือเลยเริ่มที่ บทที่ 01