Agentic SDLC: 5 องค์ประกอบสำคัญที่จำเป็น (Board, Agents, Review Gate)

สิ่งที่ agentic SDLC ต้องมีในทางปฏิบัติ: บอร์ดที่ใช้ร่วมกัน, agent ที่มองหางานได้, agent ที่ทำหน้าที่รีวิวแยกต่างหาก, เส้นทางสำหรับส่งงานกลับ และมนุษย์ที่ทำหน้าที่รีลีสงานจริง พร้อมอธิบายขั้นตอนของวงจรงานนี้ทีละขั้น

Ashley Innocent

Ashley Innocent

18 พฤศจิกายน 2026

Agentic SDLC: 5 องค์ประกอบสำคัญที่จำเป็น (Board, Agents, Review Gate)

คำตอบโดยสรุป: Agentic SDLC คือวงจรการส่งมอบซอฟต์แวร์ที่เอเจนต์เขียนโค้ดเป็นตัวร่างแรก ส่วนมนุษย์เป็นผู้ตัดสินใจว่าอะไรจะถูกเผยแพร่ วงจรนี้ต้องมี 5 องค์ประกอบ: บอร์ดงานที่ใช้ร่วมกัน, เอเจนต์ที่รับงานที่ได้รับมอบหมาย, เอเจนต์ตรวจสอบที่แยกออกมาต่างหาก, กลไกส่งงานกลับพร้อมฟีดแบ็กที่เป็นลายลักษณ์อักษร และมนุษย์ผู้ทำการเผยแพร่ วงจรทำงานตามลำดับ: มอบหมาย → ร่าง → ตรวจสอบ → แก้ไข → เผยแพร่

“Agentic SDLC” คือคำที่มาแรงในเดือนนี้ Postman จัด เซสชันสดเรื่องการรัน agentic SDLC ทั้งระบบจากเทอร์มินัลเดียว เมื่อวันที่ 17 พฤศจิกายน 2026 และผู้ให้บริการเอเจนต์รายใดก็ตามต่างมีสไลด์เกี่ยวกับ lifecycle กันหมด ลองตัดสไลด์ออกให้เหลือแก่น คำถามสำหรับทีมของคุณจริง ๆ มีเพียงข้อเดียว: ต้องมีอะไรบ้างเพื่อให้งานของเอเจนต์ไหลจากคำขอไปสู่การเผยแพร่ได้โดยไม่ต้องมีใครนั่งกุมขั้นตอนทุกจุด?

บทความนี้จะตอบคำถามนั้นด้วยวงจรที่เราใช้เอง ทุกบทความในบล็อกนี้ล้วนผ่านวงจรนี้: เอเจนต์นักเขียนร่าง เอเจนต์ตรวจสอบเป็นด่านกั้น คอมเมนต์ใช้ส่งงานกลับ และมนุษย์เป็นผู้เผยแพร่ หากคุณอยากลองใช้รูปแบบเดียวกันนี้กับ coding agent ของคุณ Sharkly คือบอร์ดที่เราใช้รันวงจรนี้

Agentic SDLC คืออะไร (และไม่ใช่อะไร)

Agentic SDLC คือกระบวนการส่งมอบงานที่เอเจนต์เป็นเจ้าของขั้นตอนที่กำหนดไว้ชัดเจน เช่น การร่าง การทดสอบ หรือการตรวจสอบ โดยมีบันทึกกลางที่ติดตามการส่งต่องานทุกจุด และมนุษย์ยังคงเป็นผู้ตัดสินใจการเผยแพร่ มันคือการเปลี่ยนกระบวนการ ไม่ใช่เครื่องมือที่ติดตั้งแล้วจบ

มันไม่ใช่ “เอเจนต์เดียวทำทุกอย่างในหนึ่งเซสชัน” ซึ่งพังตั้งแต่ครั้งแรกที่มีสองงานแตะ repository เดียวกัน และก็ไม่ใช่ “CI ที่ต่อแชตบอทแล้ว” เพราะ CI ตรวจสิ่งที่คุณเขียน แต่ agentic SDLC ยังตัดสินด้วยว่าใครทำอะไร และงานไปทางไหนเมื่อการตรวจไม่ผ่าน

หากคุณยังใหม่กับด้านการรันงาน เริ่มจากบทความ agentic coding คืออะไร ก่อน ส่วนบทความนี้จะพูดถึงชั้นโครงสร้างที่ครอบอยู่รอบนอก

ทำไมเทอร์มินัลเดียวจึงไม่พอ

เซสชันเทอร์มินัลหนึ่งอันเก็บบริบทของเอเจนต์หนึ่งตัว พอเพิ่มงานที่สอง เอเจนต์ที่สอง หรือคนที่สอง ปัญหาสามข้อจะโผล่มาทันที:

  • ไม่มีบันทึกกลาง. แผนงาน diff และเหตุผลของ diff อยู่ในประวัติหน้าจอที่ไม่มีใครอ่านได้
  • ไม่มีการตรวจสอบอย่างเป็นอิสระ. เอเจนต์ที่เขียนโค้ดก็เป็นตัวตัดสินเองว่าเสร็จแล้ว การรีวิวตัวเองจับคำผิดได้ แต่จับสมมติฐานที่ผิดไม่ได้
  • ไม่มีทางส่งงานกลับ. เมื่อผู้ตรวจพบปัญหา ไม่มีวิธีที่เป็นระเบียบในการส่งงานกลับพร้อมรายการที่ต้องแก้

Continuous integration ตั้งอยู่บน mainline ที่ใช้ร่วมกันและฟีดแบ็กที่รวดเร็ว Agentic SDLC ก็ต้องการทั้งสองอย่างนี้ในระดับที่สูงขึ้นหนึ่งขั้น: ที่กลางสำหรับงาน และวิธีตอบกลับอย่างรวดเร็วว่า “ยังไม่ได้ นี่คือเหตุผล”

ห้าองค์ประกอบที่ agentic SDLC ต้องมี

  1. บอร์ดงานที่ใช้ร่วมกัน ซึ่งแต่ละงานมีเป้าหมาย สถานะ คอมเมนต์ และประวัติการรันในตัว
  2. เอเจนต์ที่มอบหมายงานได้ เริ่มทำงานเมื่องานถูกมอบหมาย และหยุดเมื่องานถูกจอดไว้
  3. เอเจนต์ตรวจสอบที่แยกออกมา มีชุดคำสั่งของตัวเอง และทำงานเมื่อสถานะเปลี่ยน
  4. กลไกส่งงานกลับ: คอมเมนต์หรือคำสั่งที่ส่งงานกลับให้ผู้สร้างพร้อมข้อค้นพบของผู้ตรวจ
  5. ขั้นตอนการเผยแพร่โดยมนุษย์ ที่เอเจนต์ใดข้ามไม่ได้

เรื่องโมเดล สไตล์ prompt และรันไทม์ ล้วนเปลี่ยนได้ แต่ห้าข้อนี้คือโครงกระดูก

ขั้นที่ 1: มอบหมาย

วงจรเริ่มต้นเมื่อมนุษย์มอบหมายงาน ใน Sharkly งานที่มอบหมายให้ Agent หรือ Crew จะไม่เริ่มรันในทันทีที่อยู่ใน Backlog การย้ายงานออกจาก Backlog จะเริ่ม Agent ที่ถูกมอบหมายทันทีที่ Computer (แล็ปท็อปหรือเซิร์ฟเวอร์ที่เชื่อมต่อไว้เพื่อรันงาน) พร้อม คุณจึงได้พื้นที่จอดงาน: เขียน brief และระบุผู้รับผิดชอบได้ก่อนใช้ token แม้แต่ตัวเดียว

ตามเอกสารสถานะงาน ทุกสถานะจะอยู่ในหมวดหมู่คงที่หมวดหมู่เดียว: Backlog, Unstarted, Started, Completed, Canceled หรือ Duplicate การย้ายงานไป Canceled หรือ Duplicate จะหยุด run ที่กำลังทำงานอยู่ ส่วนการย้ายไป Completed จะทำให้งานสิ้นสุด แต่ไม่ยกเลิก run ที่กำลังทำงานค้างอยู่

ขั้นที่ 2: ร่าง

เอเจนต์ผู้สร้างทำงานบน Computer ที่เชื่อมต่อไว้ผ่าน Runtime เช่น Claude Code หรือ Codex Sharkly ส่งข้อมูลให้ run ประกอบด้วยชื่องานและคำอธิบาย คอมเมนต์ล่าสุด Space และ Sprint รวมถึงสถานะที่ประเภทงานนั้นอนุญาต แต่ละงานจะได้ directory แยกของตัวเอง และงานที่เกี่ยวกับ repository สามารถใช้ worktree แยกต่อ run ได้ เพื่อให้เอเจนต์สองตัวที่แก้โค้ดชุดเดียวกันไม่ชนกัน

สถานะของ run กับสถานะของงานเป็นคนละเรื่องกัน: run จบหรือล้มเหลวได้ในขณะที่งานยังอยู่ In Progress ดังนั้นเอเจนต์ผู้สร้างจะส่งสัญญาณ “พร้อมรีวิว” ด้วยการเปลี่ยนสถานะงาน ไม่ใช่ด้วยการจบ run

เอเจนต์นักเขียนของเราปิดท้ายทุกฉบับร่างด้วยคอมเมนต์สรุป (slug, จำนวนคำ, ผลตรวจ, คำถามค้าง) และการย้ายสถานะเป็น Ready for Release

ขั้นที่ 3: ตรวจสอบ

ผู้ตรวจคือเอเจนต์อีกตัวที่มีชุดคำสั่งแตกต่างกัน ใน Sharkly คุณต่อมันด้วย Automation: กฎที่เป็นของ Space ซึ่งเริ่ม Agent หรือ Crew หนึ่งตัวเมื่อ trigger ทำงาน เอกสาร Automations ระบุ trigger สี่แบบ: ตารางเวลาแบบ cron, การเปลี่ยนสถานะงาน, วลีในคอมเมนต์ และ webhook ด่านรีวิวใช้ trigger แบบ task-status

Three Sharkly Automations wired to board events: Revise on /revise (a comment trigger), Social follow-up when status becomes Done, and Review gate when status becomes Ready for Release

มีรายละเอียดหนึ่งที่ทำให้หลายคนสะดุด: การจับคู่สถานะและคอมเมนต์ทำงานในระดับ Organization ทั้งองค์กร ถ้าสอง Space ใช้สถานะ Ready for Release ร่วมกัน การย้ายสถานะใน Space ใดก็ตามจะทำให้ด่านนี้ทำงาน เอกสารแนะนำให้ใช้สถานะที่เจาะจง และเขียนชุดคำสั่งที่ตรวจยืนยันงานต้นเหตุก่อน ชุดคำสั่งของผู้ตรวจเราเปิดด้วยการตรวจนี้ ตัวอย่างแบบย่อ:

Review gate instructions (simplified)
1. Read the triggering task. If its body does not say "Brand: Sharkly", reply "Not mine" and stop.
2. Run the check script on the draft. Record word count and failures.
3. Check every product claim against the live docs, not a local copy.
4. Verdict: GATE PASS, or start the comment with /revise and list numbered fixes
   with the line, the problem and the source.

การแยกผู้สร้างกับผู้ตรวจออกจากกันคือคานงัดคุณภาพที่ทรงพลังที่สุดในวงจรนี้ เราอธิบายเหตุผลไว้ในบทความ ทำไม AI agent ควรรีวิว pull request ก่อนที่คุณจะรีวิวเอง และมุมการผสมโมเดลไว้ใน mixed-model Crews

ขั้นที่ 4: แก้ไข

เมื่อรีวิวไม่ผ่าน จำเป็นต้องมีทางส่งกลับที่แนบข้อค้นพบไปด้วย ของเราคือคอมเมนต์ที่ขึ้นต้นด้วย /revise Automation อีกตัวที่ใช้ trigger แบบ comment จะคอยเฝ้าดูวลีนี้ (จับคู่แบบไม่สนตัวพิมพ์และค้นได้ทุกตำแหน่งในคอมเมนต์) แล้วเริ่มเอเจนต์นักเขียนบนงานเดิม โดยมีคอมเมนต์ของผู้ตรวจอยู่ในบริบท

A reviewer Agent's comment on a Sharkly task: it opens with /revise and GATE BLOCKED, says two product claims contradict the live help docs, and notes that the automated check passed at 1,534 words

ภาพหน้าจอนี้มาจากด่านรีวิวจริงของบล็อกนี้ บนบทความที่ตอนนี้เผยแพร่แล้ว ฉบับร่างผ่านการตรวจอัตโนมัติที่ 1,534 คำ แต่ผู้ตรวจยังบล็อกมัน: ข้อกล่าวอ้างเกี่ยวกับผลิตภัณฑ์สองข้อขัดกับเอกสารช่วยเหลือออนไลน์ นักเขียนแก้ทั้งสองจุด ตอบกลับในเธรดเดียวกัน และย้ายงานกลับเป็น Ready for Release ด่านนี้รันอีกครั้งแล้วผ่าน

ให้รายการแก้ไขเป็นเลขลำดับและเจาะจง: ตำแหน่งที่ผิด ผิดอย่างไร และแหล่งอ้างอิงที่ยืนยัน คำสั่งคลุมเครืออย่าง “ช่วยกระชับตรงนี้หน่อย” จะได้งานแก้ที่คลุมเครือกลับมา

ขั้นที่ 5: เผยแพร่

ขั้นสุดท้ายเป็นของมนุษย์ เมื่อ Agent ปล่อยงานไว้รอการรีวิวโดยมนุษย์ การส่งต่อนี้จะแสดงใน Task Chats ทาง sidebar ส่วนงานที่ล้มเหลวหรือถูกบล็อกจะเข้า Inbox ผู้รับผิดชอบจะอ่านคำตัดสินของผู้ตรวจ เปิดดูผลลัพธ์ แล้วตัดสินใจ

ใน pipeline ของเรา ไม่มีเอเจนต์ใดเผยแพร่ได้ นักเขียนส่งฉบับร่าง ผู้ตรวจผ่านหรือบล็อก และมนุษย์กดปุ่มเผยแพร่ การย้ายงานเป็น Done จะทำให้ Automation ตัวที่สามทำงาน ซึ่งจะร่างโพสต์โซเชียลเมื่อยืนยันว่าบทความออนไลน์แล้ว

สำหรับโค้ด กฎเดียวกันนี้จับคู่กับ protected branches ของ GitHub ซึ่งตั้งให้ ต้องมีรีวิวอนุมัติก่อน merge pull request ได้ เอเจนต์เปิด PR และคอมเมนต์ ส่วนมนุษย์เป็นผู้อนุมัติการ merge

เมื่อไรควรใช้ Crew แทนเอเจนต์แยกกัน

ใช้เอเจนต์แยกกันพร้อม automation เมื่อขั้นตอนตายตัว: สร้าง ตรวจ เผยแพร่ เอเจนต์แต่ละตัวมีหน้าที่เดียวและ trigger เดียว และทั้งวงจรอ่านรู้เรื่องได้จากรายการ Automations

ใช้ Crew ซึ่งคือกลุ่มของ People และ Agents ที่มี leader Agent หนึ่งคนนำ เมื่องานต้องการผู้ประสานงานที่ตัดสินว่าใครทำอะไรต่อ สำหรับด่านรีวิวที่ทำซ้ำได้ trigger แบบสถานะธรรมดาตรวจสอบย้อนหลังได้ง่ายกว่า

ทางเลือกอื่นนอกจาก agentic SDLC ที่ขับเคลื่อนด้วยบอร์ด

  • ใช้แค่ PR ล้วน. เอเจนต์เปิด pull request, review bot คอมเมนต์, branch protection บล็อกการ merge เหมาะกับโค้ด แต่ไม่ครอบคลุมงานที่ไม่ใช่โค้ด และทุกอย่างก่อนที่ PR จะเกิดขึ้น
  • เอเจนต์ขับเคลื่อนด้วย CI. pipeline job รันเอเจนต์ทุกครั้งที่ push แข็งแรงด้านการตรวจสอบ แต่อ่อนด้านการมอบหมายงาน
  • การประสานงานแบบเซสชันเดียว. เอเจนต์หนึ่งสร้าง subagent ในเทอร์มินัลเดียว เร็วสำหรับนักพัฒนาคนเดียว แต่บันทึกทั้งหมดหายไปพร้อมเซสชัน

แต่ละแบบใช้ร่วมกันได้ดี: บอร์ดตัดสินว่าใครทำอะไร และ CI เฝ้าด่านการ merge

จุดที่วงจรมักพังในทางปฏิบัติ

  • การ trigger ตัวเอง. คอมเมนต์จาก Agent จะไม่เริ่ม run ใหม่ให้ Agent ตัวเดียวกันโดยค่าเริ่มต้น (เอกสาร comments and replies) จึงต้องออกแบบให้การส่งงานกลับเป็น trigger ที่ตั้งใจชัดเจน
  • ความจุของการรีวิว. เอเจนต์สิบตัวที่ร่างงานขนานกันจะท่วมมนุษย์หนึ่งคนอย่างแน่นอน: ออกแบบรีวิวสำหรับเอเจนต์ที่ทำงานขนาน
  • ขาดหลักฐาน. ผู้ตรวจตัดสินได้จากสิ่งที่งานบันทึกไว้เท่านั้น หลักฐานระดับงาน ช่วยให้ด่านนี้ทำงานเร็ว

สรุป

Agentic SDLC ไม่ได้ต้องการทฤษฎี lifecycle ใหม่ มันต้องการแค่บอร์ดที่งานอาศัยอยู่ เอเจนต์ที่เริ่มเมื่อถูกมอบหมาย ผู้ตรวจที่ไม่ใช่ผู้สร้าง ทางส่งงานกลับที่แนบรายการแก้ไขไปด้วย และมนุษย์ผู้เผยแพร่ ต่อห้าอย่างนี้เข้าด้วยกัน แล้วคุณจะเปลี่ยนเอเจนต์หรือโมเดลตัวใดก็ได้โดยไม่ต้องสร้างกระบวนการใหม่ทั้งหมด

ก้าวต่อไปเป็นรูปธรรม: เลือกงานที่เกิดซ้ำหนึ่งอย่าง สร้างสถานะ Ready for Review แล้วเพิ่ม Automation แบบ status-trigger สำหรับเอเจนต์ตรวจสอบ คู่มือ automations ของ Sharkly อธิบายขั้นตอนตั้งค่าไว้ครบ และคุณเริ่มเปิดบอร์ดได้ที่ sharkly.ai

คำถามที่พบบ่อย

Agentic SDLC หมายความว่าอะไร?

วงจรชีวิตการพัฒนาซอฟต์แวร์ที่ AI agent เป็นเจ้าของขั้นตอนที่กำหนดไว้ เช่น การร่างและการตรวจสอบ โดยมีบันทึกกลางติดตามการส่งต่องาน และมนุษย์เป็นผู้อนุมัติการเผยแพร่

AI agent ตัวเดียวรีวิวงานตัวเองได้ไหม?

รันเทสต์ได้ แต่มันแบ่งปันจุดบอดเดียวกับเซสชันที่เขียนโค้ดชุดนั้น ผู้ตรวจที่แยกออกมา พร้อมชุดคำสั่งของตัวเองและบริบทสด จึงเป็นตัวจับสมมติฐานที่ผิด

ส่งงานของเอเจนต์กลับไปแก้ไขอย่างไร?

ใช้ trigger ที่เป็นระเบียบ ใน Sharkly Automation แบบ comment-phrase สามารถเฝ้าดูคำสั่งอย่าง /revise แล้วรีสตาร์ทเอเจนต์ผู้สร้างบนงานเดิม โดยมีข้อค้นพบแบบมีเลขลำดับของผู้ตรวจอยู่ในบริบท

ควรอนุญาตให้เอเจนต์ merge หรือเผยแพร่เองได้ไหม?

ให้การเผยแพร่ขั้นสุดท้ายอยู่กับมนุษย์ branch protection หรือขั้นตอนเผยแพร่แบบ draft-only จะทำให้การอนุมัตินี้บังคับใช้ได้จริง ไม่ใช่แค่ข้อตกลงปากเปล่า

ป้องกันวงจรรีวิวไม่ให้วนไม่รู้จบอย่างไร?

กำหนดเพดานจำนวนรอบแก้ไข กติกาของเราคือสองรอบ: หลังจากรีวิวถูกบล็อกเป็นครั้งที่สอง ผู้ตรวจจะส่งงานต่อให้มนุษย์ แทนที่จะส่งกลับไปแก้อีก จากประสบการณ์ของเรา วงจรที่ล้มเหลวซ้ำ ๆ มักชี้ไปที่ปัญหาของ brief ไม่ใช่ปัญหาของฉบับร่าง

ต้องใช้ Crew สำหรับ agentic SDLC หรือไม่?

ไม่จำเป็น ขั้นตอนตายตัวทำงานได้ดีด้วยเอเจนต์แยกกันที่เชื่อมกันด้วย trigger แบบสถานะและคอมเมนต์ ใช้ Crew เมื่อ leader agent ต้องเลือกสมาชิกให้เหมาะกับแต่ละงาน

สำรวจเพิ่มเติม

Human-in-the-Loop AI Agents: จุดที่ Browser Handoff ทำได้ดี

Human-in-the-Loop AI Agents: จุดที่ Browser Handoff ทำได้ดี

เอเจนต์ AI แบบ human in the loop ต้องมีเช็กพอยต์สองประเภท ได้แก่ ขั้นตอนที่มนุษย์เท่านั้นจึงทำได้ และขั้นตอนที่มนุษย์ควรเป็นผู้ตัดสิน สิ่งที่การส่งต่อของ Browse ทำได้ถูกต้อง และวิธีแมปมันเข้ากับบอร์ดงาน

19 พฤศจิกายน 2026

Gemini 4 Neon Orchestrator: จับคู่กับ Hydrogen Subagents

Gemini 4 Neon Orchestrator: จับคู่กับ Hydrogen Subagents

วิธีรันออร์เคสตรา Gemini 4 Neon ควบคุมซับเอเจนต์ Hydrogen: สัญญางานย่อยที่มันเขียน การกำหนดขนาด fan-out การคำนวณต้นทุนต่อการรันเทียบกับ Carbon และกฎความล้มเหลว

19 พฤศจิกายน 2026

Claude Fable 5.2: วิธีประเมินผล AI Agent บน Codebase ของคุณเอง

Claude Fable 5.2: วิธีประเมินผล AI Agent บน Codebase ของคุณเอง

ประเมิน Claude Fable 5.2 กับ codebase ของคุณด้วยงานที่มีการควบคุมตัวแปร การทดสอบ acceptance tests แรงที่ใช้ในการรีวิว ระยะเวลาที่ใช้จริง และต้นทุนต่อการเปลี่ยนแปลงโค้ดที่ผ่านการยอมรับ

12 พฤศจิกายน 2026