Thoughtworks

28/08/2026

เวลาสร้าง enterprise AI agent ปัญหาที่เจอบ่อยคือ LLM มักจะ flatten ความหมายของศัพท์เวลามันต้องดึงข้อมูลข้าม domain จนเกิด semantic failure เช่น latency ในมุม SRE มองแค่ target 300ms แต่ในมุม infrastructure มี overhead จาก external API ติดมาแล้ว 250ms ถ้าใช้ RAG ทั่วไป agent ก็จะตั้ง alert ผิดพลาด จนทำให้เจอ false alarm ถล่มทีม on-call

การแก้ prompt หรืออัพไซส์โมเดลไม่ได้ช่วยแก้เรื่องนี้ ทางออกคือการทำ harness engineering ผ่านวงจร closed-loop ระหว่าง guide ที่ช่วยสกัด tacit knowledge ของ engineers มาเป็น ontology เพื่อป้อน context ข้าม domain ก่อนตอบ และ sensor ที่คอยทำ contract test ดักจับความผิดพลาดหลังตอบ แล้วส่ง feedback กลับไปอัปเดตระบบให้แม่นยำขึ้นเรื่อยๆ

อ่านเพิ่มเติมได้ที่ 👇👇

Zichuan Xiong proposes a harness with a learning loop enterprise systems need around LLMs.

25/08/2026

สร้าง agent บน Databricks แล้วเคยเจอไหมว่า ถามยอด revenue ไป แต่ agent ไม่รู้ว่าต้องดึงจากตารางไหนใน 47 ตารางที่มี แล้วสรุปมันคือยอด booked, billed หรือ recognized

Data access น่ะพร้อมแล้วผ่าน unity catalog แต่สิ่งที่ขาดคือ business context ทำให้หลายทีมแป๊กหลังจบ demo

Databricks เลยออก 3 ตัวช่วยมาเสริม meaning layer เพื่อให้เราตกลงนิยาม metric บังคับ agent ชี้ source evidence และทำ regression test ฝั่ง meaning ควบคู่กับ code

อ่านเพิ่มเติมได้ที่ 👇👇

Take a seemingly simple scenario, like asking an AI agent for last quarter's revenue. Before it can answer, it has to decide whether ‘revenue’ means booked, billed or recognized? Your estate has 47 tables with revenue in the name, so which one is the trusted source? Does the definition your fina...

19/08/2026

AI agent รัน query ผ่าน คำนวณเลขออกมาดูสมเหตุสมผล... แต่คำตอบอาจจะผิดยกแผงโดยที่ระบบไม่แจ้ง error เลยแม้แต่จุดเดียว

การทำระบบ enterprise AI agent แค่ end-to-end evaluation นั้นไม่เพียงพอ เพราะ failure ในระบบจริงหลบซ่อนอยู่ตาม layer ต่างๆ ตั้งแต่ terminology, routing ไปจนถึง semantic context

Agent reliability จึงไม่ใช่แค่เรื่องของการทำ model eval แต่คือ systems engineering problem ที่ต้องสร้าง guardrails คุมความถูกต้องในทุก layer

อ่านเพิ่มเติมได้ที่ 👇👇

AI agent reliability is critical for enterprise adoption. This piece outlines a framework that makes that possible.

14/08/2026

สรุปผลการทดสอบ NVIDIA Nemotron 3.5 Lightning ในฐานะ early access partner

ทีมของเราทำ post-training ด้วย low-rank adapters สำหรับงาน legal และ healthcare โดยใช้ H100 80GB จำนวน 8 ตัว (1 Node) จบ process ได้ในไม่กี่ชั่วโมง และ keep data ไว้ใน environment ทั้งหมด ผลคือแม่นยำขึ้นชัดเจน (CaseHOLD accuracy พุ่งจาก 35% เป็น 77%)

นอกจากนี้เรายังลง antislop framework เพื่อคลีน overused patterns ของ LLM ออกได้ 66.4% โดยที่คะแนน -bench, MMLU-Pro และ HumanEval+ ไม่ดร็อปเลย ส่วนเรื่อง latency/cost ตัว native speculative decoding บน vLLM ช่วยลดต้นทุน inference จาก $0.477 เหลือ $0.250 ต่อ 1M tokens ได้ทันทีโดยไม่ต้องเทรน draft model แยก

อ่านเพิ่มเติมได้ที่ 👇👇

Thoughtworks tested NVIDIA's Nemotron 3.5 Lightning model using a number of different techniques designed to optimize performance. Find out more here.

12/08/2026

ไม่ว่าจะเป็นก้าวเล็กๆ ในการทำงาน วันที่ต้องลุยกับโจทย์ยากๆ หรือวันที่ต้องการใครสักคนคอยรับฟัง... เบื้องหลังพลังใจที่ทำให้เราไปต่อได้เสมอ ก็คือความรักและความอบอุ่นจากครอบครัวที่คอยเป็น safe zone ให้เรา

วันแม่ปีนี้ พวกเรา Thoughtworkers ขอส่งความรัก ความหวังดี และคำขอบคุณไปยังคุณแม่ทุกคน ขอให้มีความสุข สุขภาพแข็งแรง และมีรอยยิ้มสดใสในทุกๆ วันค่ะ

Happy Mother's Day!

06/08/2026

Sakana AI ออก Fugu ระบบ model routing ที่ชูจุดเด่นเรื่องการทำ benchmark ได้น่าประทับใจ แถมเน้น quality มากกว่า cost แต่คำถามสำคัญคือ routing ควรไปอยู่นอก application จริงหรือ? เพราะการย้าย routing ไปไว้บน platform นอกเหนือการควบคุม ทำให้ทีมพัฒนาเสีย domain context และไม่สามารถกำหนดเงื่อนไขที่เหมาะสมกับ task จริงๆ ได้

Fugu ถูกออกแบบไม่ให้เห็นว่าใช้ model ไหนประมวลผล การซ้อน layer ที่เป็น black box ลงบน non-deterministic system เดิม จะทำให้การ debug ปัญหาบน production แทบเป็นไปไม่ได้เลย Fugu อาจพอใช้ได้ในช่วงเริ่มต้นทดลอง แต่ถ้าต้องสร้างระบบจริงจัง การทำ evals บน workload ตัวเอง และควบคุม orchestration layer เอง ยังคงเป็นทางเลือกที่ตอบโจทย์กว่า

อ่านเพิ่มเติมได้ที่ 👇👇

Sakana AI's multi-agent model routing system Fugu looks interesting and appears to perform against many benchmarks. But is it the right place for model routing?

04/08/2026

AI can write code fast. That was never really the hard part.

The hard part is making it enterprise-ready, governed, secure and grounded in how your business actually works.

That's what the new release of AI/works™ is built for.

Know more here: https://tinyurl.com/y3np5h54

31/07/2026

เมื่อ spec-driven development และ AI agents เริ่มเปลี่ยนให้โค้ดกลายเป็นแค่ implementation detail คำถามคือ clean code และ good design ยังจำเป็นอยู่อีกไหม ในวันที่คนอ่านและคนเขียนโค้ดไม่ใช่มนุษย์อีกต่อไป?

จากประสบการณ์ทำงานจริงบน production ร่วมกับ AI บอกได้เลยว่า ดีไซน์ที่ดียังจำเป็นมาก เพราะโค้ดที่พันกันยุ่งเหยิงไม่ได้สร้างปัญหาให้แค่คน แต่ยังทำให้ AI สับสน จับต้นชนปลายไม่ถูก และหลุดโฟกัสได้ง่ายขึ้น ผลคือมันต้องกินทรัพยากรคำนวณมหาศาลเพื่อไล่จับบริบท ซึ่งกลายเป็นหนี้ทางเทคนิค ที่จ่ายออกเป็นค่า API token แบบเห็นๆ แถมหากปล่อยให้ AI ลุยเองโดยไม่มี developers คอยรีวิว โครงสร้างระบบจะยิ่งพังเร็วขึ้นอีก

สุดท้าย good design จึงไม่ได้หายไปไหน เพียงแต่ขอบเขตของมันขยายออก จากเดิมที่ทำเพื่อคน มาสู่การออกแบบเพื่อให้ทั้งคนและ AI ทำงานร่วมกันได้อย่างยั่งยืน

อ่านเพิ่มเติมได้ที่ 👇👇

If AI is writing code, do we still need to design code for humans? Valentina Servile argues that we do and that we shouldn't give full autonomy to agents.

23/07/2026

ยุค agentic กำลังแฉมายาคติของฟรี ของ open source software เมื่อ maintainers ต้องแบก burnout rate จากการคอย review slop PRs ที่ปั๊มมาจาก AI ขณะที่ฝั่ง enterprise ดึง dependency ไปสร้างรายได้มหาศาลโดยไม่ได้จ่ายให้พวกเขาแม้แต่เซนต์เดียว

การยึดติดกับ GitHub stars ไม่สามารถใช้เป็นตัวแทนของ trust อีกต่อไป และ supply chain risk พุ่งสูงขึ้น engineering teams จึงต้องเลิก consumption แบบไม่คิด แล้วหันมา audit dependency ให้เข้มงวด รับผิดชอบ code ที่ดึงมาใช้ และผลักดันงบ patronage ให้ maintainer จริงจัง ก่อนที่ ecosystem ที่เราใช้อยู่ทุกวันจะพังลงมา

อ่านเพิ่มเติมได้ที่ 👇👇

Open source software is the foundation of much of our digital infrastructure. However, is AI undermining the incentive structure? What needs to change?

21/07/2026

ทำไมทำ microservices หรือ DDD แค่ไหน enterprise codebase ก็ยังวนลูปกลับไปเป็น big ball of mud? ปัญหาอาจไม่ใช่เรื่องเครื่องมือ แต่เกิดจากขาด long-term ownership จนเกิดภาวะ swamp guide

นักพัฒนาที่คุ้นเคยกับความซับซ้อนของระบบเดิมอาจช่วยแก้ปัญหาเฉพาะหน้าได้เร็ว แต่ก็สะสม technical debt โดยไม่รู้ตัว แถมในยุค AI code gen หากไม่มี boundary ที่ชัดเจน AI ก็พร้อมจะหาทางลัดจนโค้ดผูกติดและซับซ้อนยุ่งเหยิง

อ่านเพิ่มเติมได้ที่ 👇👇

Modularity is something that gets talked about a lot; actually doing it, though, is difficult. Do software engineers need to think about it differently?