บทความโดยละเอียดเกี่ยวกับการใช้ GitHub Copilot Agent Mode ร่วมกับ Model Context Protocol (MCP) ได้จุดประกายการถกเถียงอย่างเข้มข้นในหมู่นักพัฒนาเกี่ยวกับคุณค่าและความเสี่ยงที่แท้จริงของเครื่องมือพัฒนาซอฟต์แวร์ที่ขับเคลื่อนด้วย AI ในขณะที่ผู้เขียนแสดงให้เห็นเวิร์กโฟลว์ที่ซับซ้อนซึ่งผสมผสาน AI agent หลายตัวและเครื่องมือภายนอก แต่การตอบสนองจากชุมชนกลับเผยให้เห็นความแตกแยกอย่างลึกซึ้งเกี่ยวกับว่าแนวทางดังกล่าวช่วยปรับปรุงการพัฒนาซอฟต์แวร์จริงหรือไม่
ช่องว่างระหว่างการตั้งค่ากับความเป็นจริง
บทความต้นฉบับได้ร่างกระบวนการพัฒนาแบบสามขั้นตอนที่ซับซ้อน โดยใช้โหมดแชท AI เฉพาะทางสำหรับการวิจัย การวางแผน และการนำไปใช้ ซึ่งเกี่ยวข้องกับการกำหนดค่า MCP server หลายตัว prompt ที่กำหนดเอง และเครื่องมือภายนอกต่างๆ เช่น การค้นหาเว็บ การทำงานอัตโนมัติของเบราว์เซอร์ และการรวมเข้ากับ GitHub อย่างไรก็ตาม นักพัฒนาหลายคนตั้งคำถามว่าการตั้งค่าที่ซับซ้อนนี้ให้ประโยชน์ที่คุ้มค่าหรือไม่
นักวิจารณ์โต้แย้งว่าความซับซ้อนของเวิร์กโฟลว์ขัดแย้งกับหลักการพื้นฐานของวิศวกรรมซอฟต์แวร์ ตัวอย่างที่ให้มา - การเพิ่มความคิดเห็นให้กับบล็อก - ดูเรียบง่ายเกินไปที่จะสมเหตุสมผลกับ toolchain ที่ซับซ้อน ความไม่สอดคล้องระหว่างความซับซ้อนของการตั้งค่าและการสาธิตในทางปฏิบัตินี้ทำให้หลายคนไม่เชื่อมั่นในคุณค่าในโลกแห่งความเป็นจริงของแนวทางนี้
ขั้นตอนของเวิร์กโฟลว์การพัฒนา:
- ขั้นตอนการวิจัย - ใช้โหมดแชทแบบกำหนดเองพร้อมเครื่องมือค้นหาเว็บและเครื่องมือการคิดแบบลำดับ
- ขั้นตอนการวางแผน - สร้างไฟล์พร้อมต์โดยละเอียดโดยใช้โมเดล Gemini-2.5-img
- ขั้นตอนการดำเนินการ - ปฏิบัติตามแผนโดยใช้ Claude Sonnet 4 พร้อมพร้อมต์ที่สร้างขึ้น
- ขั้นตอนการตรวจสอบ - ทดสอบการทำงานโดยใช้เครื่องมือระบบอัตโนมัติของเบราว์เซอร์
ภาวะที่กลืนไม่เข้าคายไม่ออกระหว่างความเร็วกับคุณภาพ
ความตึงเครียดหลักเกิดขึ้นเกี่ยวกับว่าการสร้างโค้ดที่เร็วขึ้นช่วยปรับปรุงผลลัพธ์การพัฒนาจริงหรือไม่ ผู้สนับสนุนแบ่งปันเรื่องราวความสำเร็จของเครื่องมือ AI ที่ช่วยให้พวกเขาสร้างต้นแบบโซลูชันสำหรับปัญหาเร่งด่วนได้อย่างรวดเร็ว เช่น การรวมฮาร์ดแวร์กล้องใหม่สำหรับการพำนักของศิลปิน หรือการเขียน API integration ที่ซับซ้อนในเวลาไม่กี่นาทีแทนที่จะใช้เวลาหลายชั่วโมง
อย่างไรก็ตาม นักพัฒนาที่มีประสบการณ์เตือนเกี่ยวกับต้นทุนที่ซ่อนอยู่ พวกเขาชี้ให้เห็นว่าโค้ดที่สร้างโดย AI มักจะจัดการกับ 80% แรกของปัญหาได้ดี แต่งานที่เหลือในการทำให้โค้ดพร้อมสำหรับการใช้งานจริง สามารถบำรุงรักษาได้ และปราศจากข้อบกพร่องยังคงต้องใช้ความเชี่ยวชาญของมนุษย์อย่างมาก บางคนอธิบายว่า AI เป็นการเร่งการสร้างหนี้ทางเทคนิคมากกว่าการเพิ่มผลิตภาพที่แท้จริง
ปัจจัยด้านประสบการณ์
การถกเถียงเผยให้เห็นความแตกแยกที่ชัดเจนตามระดับประสบการณ์ของนักพัฒนา ผู้ที่มีความรู้เชิงลึกในโดเมนรายงานความสำเร็จในการใช้เครื่องมือ AI เป็นระบบ autocomplete ที่ซับซ้อน ซึ่งพวกเขาสามารถตรวจจับและแก้ไขข้อผิดพลาดที่สร้างโดย AI ได้อย่างรวดเร็ว พวกเขาใช้ AI เพื่อจัดการงาน refactoring ที่น่าเบื่อหรือสร้าง boilerplate code ขณะที่ยังคงควบคุมการตัดสินใจด้านสถาปัตยกรรม
ในทางตรงกันข้าม นักพัฒนาที่มีประสบการณ์น้อยกว่าอาจประสบปัญหากับโค้ดที่สร้างโดย AI ที่พวกเขาไม่เข้าใจอย่างถ่องแท้ สิ่งนี้สร้างพลวัตที่น่ากังวลที่เครื่องมือ AI อาจช่วยให้นักพัฒนาที่มีประสบการณ์มีผลิตภาพมากขึ้น ขณะที่อาจขัดขวางการเติบโตของนักพัฒนาระดับจูเนียร์ที่จำเป็นต้องเข้าใจพื้นฐานของโค้ด
คำถามเรื่องความน่าเชื่อถือ
ความกังวลพื้นฐานมุ่งเน้นไปที่ลักษณะที่ไม่สามารถกำหนดได้ของเครื่องมือ AI เครื่องมือพัฒนาแบบดั้งเดิมให้ผลลัพธ์ที่สม่ำเสมอและคาดเดาได้ - คอมไพเลอร์จะทำงานหรือล้มเหลวพร้อมข้อความแสดงข้อผิดพลาดที่ชัดเจน อย่างไรก็ตาม เครื่องมือ AI สามารถสร้างผลลัพธ์ที่แตกต่างกันสำหรับ input ที่เหมือนกัน ทำให้การ debug และการบำรุงรักษาเป็นเรื่องท้าทาย
ภาพลวงตาของการเร็วขึ้นคือเราละทิ้งการตัดสินใจ แต่เราหวังว่า agent จะตัดสินใจที่ถูกต้องตามทิศทางทั่วไป โดยลืมไปว่าการเบี่ยงเบนหนึ่งนิ้วสามารถกลายเป็นข้อผิดพลาดหนึ่งไมล์ได้อย่างง่ายดาย
ความไม่คาดเดาได้นี้กลายเป็นปัญหาโดยเฉพาะในสภาพแวดล้อมของทีมที่นักพัฒนาหลายคนต้องเข้าใจและบำรุงรักษาโค้ดที่สร้างโดย AI เป็นเวลานาน
เซิร์ฟเวอร์ MCP หลักที่กล่าวถึง:
- Sequential Thinking - การแก้ปัญหาแบบไดนามิกผ่านลำดับ AI
- SearxNG - การรวม API สำหรับการค้นหาเว็บ
- Playwright - ระบบอัตโนมัติของเบราว์เซอร์สำหรับการทดสอบ
- GitHub - การจัดการ Repository และการรวม API
- Time - การเข้าถึงข้อมูลเวลา/วันที่จากภายนอก
- Fetch - การดึงและคัดสรรเนื้อหาเว็บ
มองไปข้างหน้า
แม้จะมีการถกเถียงอย่างเข้มข้น แต่นักพัฒนาส่วนใหญ่ยอมรับว่าเครื่องมือเขียนโค้ด AI จะอยู่ต่อไปและจะยังคงพัฒนาต่อไป คำถามสำคัญไม่ใช่ว่าจะใช้หรือไม่ แต่เป็นวิธีการใช้อย่างมีประสิทธิภาพขณะที่หลีกเลี่ยงข้อผิดพลาดที่อาจเกิดขึ้น
การอภิปรายชี้ให้เห็นว่าการพัฒนาที่ได้รับความช่วยเหลือจาก AI ที่ประสบความสำเร็จต้องการการปฏิบัติต่อเครื่องมือเหล่านี้เป็นผู้ช่วยที่ทรงพลังมากกว่าการทดแทนการตัดสินใจของมนุษย์ แนวทางที่มีประสิทธิภาพมากที่สุดดูเหมือนจะเกี่ยวข้องกับนักพัฒนาที่มีประสบการณ์ที่ใช้ AI สำหรับงานเฉพาะที่กำหนดไว้อย่างชัดเจน ขณะที่ยังคงควบคุมการตัดสินใจด้านสถาปัตยกรรมและมาตรฐานคุณภาพโค้ด
เมื่อเครื่องมือ AI กลายเป็นที่ซับซ้อนมากขึ้น ชุมชนนักพัฒนาจะต้องสร้างแนวปฏิบัติที่ดีที่สุดที่ใช้ประโยชน์จากข้อดีของมันขณะที่รักษาการคิดเชิงวิพากษ์และทักษะการแก้ปัญหาที่กำหนดวิศวกรรมซอฟต์แวร์ที่ดี