เวลา AI ทำงานได้ไม่ตรงใจ หลายคนอาจคิดว่าต้องสร้าง AI Agent ใหม่แยกสำหรับทุกงาน ทั้งที่บางโจทย์เริ่มได้ง่ายกว่านั้น ด้วยการเก็บวิธีทำงานที่เวิร์กไว้ให้ AI เรียกใช้ซ้ำในรูปแบบที่เรียกว่า “Skill”
แนวคิดนี้มาจาก Talk ชื่อ Don’t Build Agents, Build Skills Instead ของ Barry Zhang และ Mahesh Murag วิศวกร Anthropic และผู้ร่วมสร้าง Agent Skills ซึ่งขึ้นพูดในงาน AI Engineer Code Summit 2025 ที่นครนิวยอร์ก สหรัฐอเมริกา เมื่อปลายปีที่แล้ว
โดยทั้งสองคนเสนอว่า บางครั้งเวลาทำงานด้วย AI เราอาจไม่จำเป็นต้องสร้าง AI Agent หลายๆตัวเพื่อทำงานเฉพาะทางหลายๆรูปแบบเสมอไป เราสามารถสร้าง Agent แค่ตัวเดียวและทำงานหลายๆงานให้เสร็จได้ด้วยการเพิ่มความรู้เรื่องวิธีทำงานให้ผ่าน Skill
บทความนี้เราเรียบเรียงแนวคิดจากวิศวกรทั้งสองท่านออกมาเป็น 5 ขั้นตอนสำหรับคนทำงานเพื่อให้ลงมือทำตามได้ง่ายขึ้น
Agent Skills คืออะไร?
สำหรับ Agent Skills คือโฟลเดอร์ที่เก็บคู่มือ ขั้นตอน ตัวอย่าง และทรัพยากรสำหรับงานหนึ่งเรื่อง โดยมีไฟล์ SKILL.md เป็นแกนหลัก ภายในไฟล์จะระบุชื่อ คำอธิบาย และวิธีทำงานที่ AI ต้องปฏิบัติตาม
แนวคิดของ SKILL.md คือการเปลี่ยนความรู้เรื่อง “วิธีทำงาน” หรือ Procedural Knowledge ให้เป็นไฟล์ที่นำกลับมาใช้ แก้ไข และส่งต่อได้ แทนการอธิบาย Workflow ใหม่ทั้งหมดเวลาเราเริ่ม Chat ใหม่กับ AI ทุกครั้ง
5 ขั้นตอนเปลี่ยนงานซ้ำให้กลายเป็น Skill
1. เลือกงานที่เราทำซ้ำบ่อย
เริ่มจากงานที่เราต้องอธิบายวิธีทำให้ AI ใหม่อยู่เสมอ และมีรูปแบบผลลัพธ์ค่อนข้างชัด เช่น สรุปรายงานให้อยู่ใน Template เดิม ตรวจบทความก่อนเผยแพร่ รวบรวมข้อมูลคู่แข่ง หรือเตรียม Weekly Report
งานที่เราจะใช้สร้าง Skill เราควรมีขอบเขตที่ชัดเจนและสามารถบอกได้ว่าผลลัพธ์ที่ดีหน้าตาเป็นอย่างไร ตัวอย่างเช่น “ตรวจบทความจาก Source ที่ให้มาและแยก Fact, Quote และ Analysis” จะชัดกว่า “ช่วยทำคอนเทนต์ให้ดีขึ้น”
บนเวที Barry Zhang อธิบายว่า Agent ตัวเดียวสามารถรองรับหลาย Use Case ผ่านความรู้ที่เหมาะสมได้ จุดเริ่มต้นจึงอยู่ที่การเลือก Workflow ที่เกิดซ้ำจริงและมีเป้าหมายชัดเจน
2. ทำงานให้สำเร็จหนึ่งรอบ แล้วเก็บวิธีที่เวิร์ก
ลองทำงานจริงกับ AI ให้จบก่อนหนึ่งรอบ ระหว่างทางให้แก้คำสั่ง เพิ่มข้อมูล และชี้จุดผิดจนได้ผลลัพธ์ที่เรายอมรับได้ หลังจากนั้นจึงให้ AI สรุปสิ่งที่เกิดขึ้นเป็นคู่มือ
ข้อมูลที่ควรเก็บประกอบด้วย Input ที่ต้องใช้ ลำดับการทำงาน เกณฑ์ตัดสินใจ รูปแบบ Output และข้อผิดพลาดที่ควรหลีกเลี่ยง Anthropic แนะนำให้เก็บทั้งวิธีที่ประสบความสำเร็จและข้อผิดพลาดที่พบบ่อย เพื่อให้ AI มีบริบทที่จำเป็นสำหรับงานรอบต่อไป
เราสามารถใช้ Prompt สั้น ๆ หลังจากได้ผลลัพธ์ที่พอใจแล้วดังนี้
จากงาน [ใส่ชื่องาน] ที่เราเพิ่งทำสำเร็จ ช่วยสร้าง Skill เพื่อนำ Workflow นี้กลับมาใช้ซ้ำ โดยสรุป Input ขั้นตอน เกณฑ์ตัดสินใจ รูปแบบ Output และข้อผิดพลาดที่ควรหลีกเลี่ยง แล้วสร้าง SKILL.md พร้อม Name และ Description ใช้เฉพาะข้อมูลจากบทสนทนานี้ และถามกลับหากข้อมูลไม่พอ3. ตั้ง Name และ Description ให้ชัด เหมือนติดป้ายหน้าแฟ้ม
ตัวอย่าง Metadata ใน SKILL.md ที่ช่วยให้ AI ตัดสินใจว่าจะเรียกใช้ Skill เมื่อไร จากวิดีโอเวลา 04:34 นาที ภาพจาก AI Engineer Code Summit 2025
ทุก Skill ต้องมี Name และ Description เพื่อบอก AI ว่า Skill นี้ทำอะไร และควรถูกเรียกใช้เมื่อเจอโจทย์แบบไหน
Name ควรสั้นและสื่อถึงงานเฉพาะ เช่น “ตรวจบทความก่อนเผยแพร่” หรือ “สรุป Weekly Report” ส่วน Description ควรบอกทั้งหน้าที่และสถานการณ์ที่ต้องใช้ เช่น “ใช้เมื่อต้องรวบรวมข้อมูลคู่แข่งและข้อมูลยอดขาย เพื่อนำมาสรุปเป็น Weekly Report”
ส่วนนี้สำคัญเพราะ AI จะเห็น Name และ Description ก่อน เมื่อพบว่างานตรงกันจึงค่อยเปิดอ่านคำสั่งฉบับเต็มใน SKILL.md วิธีนี้เรียกว่า Progressive Disclosure หรือการเปิดข้อมูลทีละระดับตามความจำเป็น
4. เมื่อ AI ทำพลาด ให้แก้ Skill จากข้อผิดพลาดจริง
Mahesh Murag อธิบายการพัฒนา Skill ผ่าน Evaluation, Versioning และ Composability จากวิดีโอเวลา 11:32 นาที ภาพจาก AI Engineer Code Summit 2025
Skill เป็นคู่มือที่ปรับปรุงต่อได้ เมื่อ AI ทำงานผิด ให้ระบุว่าผิดตรงไหนและเกิดจากส่วนใดของ Workflow แล้วแก้ให้ตรงจุด
- ถ้า AI เลือกใช้ Skill ผิดงาน ให้ปรับ Name หรือ Description
- ถ้าข้ามขั้นตอนสำคัญ ให้เพิ่มลำดับหรือ Checklist ใน SKILL.md
- ถ้าตีความไม่ตรงกัน ให้เพิ่มตัวอย่างผลลัพธ์ที่ถูกและตัวอย่างที่ควรหลีกเลี่ยง
- ถ้ารูปแบบผลลัพธ์ไม่ตรง ให้เพิ่ม Template หรือตัวอย่าง Output ที่ต้องการ
Mahesh Murag เสนอว่า Skill ที่ซับซ้อนควรมีการประเมินผลและ Versioning เพื่อให้ทีมตรวจได้ว่า Skill ถูกเรียกใช้ในงานที่เหมาะสมหรือไม่ ผลลัพธ์มีคุณภาพตามที่ต้องการหรือไม่ และพฤติกรรมเปลี่ยนไปอย่างไรหลังแก้ไข
5. แชร์และพัฒนา Skill ให้เป็นคลังความรู้เรื่องวิธีทำงานของทีม
Mahesh Murag อธิบายวิสัยทัศน์ของ Skill ที่คนและ AI หลายคนช่วยกันพัฒนาเป็นคลังความรู้ร่วม จากวิดีโอเวลา 12:04 นาที ภาพจาก AI Engineer Code Summit 2025
เมื่อ Workflow เปลี่ยนหรือทีมค้นพบวิธีที่ดีกว่าเดิม เราสามารถอัปเดต Skill แล้วให้คนในทีมและ AI ในรอบถัดไปใช้วิธีเดียวกันได้ ความรู้เรื่องวิธีทำงานจึงไม่ติดอยู่ในบทสนทนาใดบทสนทนาหนึ่ง
วิศวกร Anthropic มองว่า Skill สามารถพัฒนาเป็นชั้นความรู้ที่คนและ AI ช่วยกันสร้าง แก้ไข และส่งต่อได้ ตัวอย่างเช่น ทีม Content สามารถเก็บขั้นตอน Fact-check รูปแบบบทความ และข้อผิดพลาดที่พบบ่อยไว้ใน Skill กลาง เมื่อมีคนใหม่หรือเริ่มบทสนทนาใหม่ ก็เรียกใช้ Workflow เดิมต่อได้
อย่างไรก็ตาม Skill เก็บ Procedural Knowledge หรือความรู้เรื่องวิธีทำงานสำหรับภารกิจเฉพาะ จึงไม่ได้ทำหน้าที่แทน Memory ทุกประเภท และไม่ได้เปลี่ยนน้ำหนักของโมเดล AI
แนวคิด Skill ใช้ได้เฉพาะ Claude หรือเปล่า?
แนวคิดพื้นฐานของ Skill นำไปใช้กับ Claude รวมถึง ChatGPT และ Codex ของ OpenAI ได้ เอกสาร OpenAI อธิบายว่า Skills เป็นโฟลเดอร์คำสั่งและทรัพยากรที่ช่วยสอน Workflow ที่ทำซ้ำได้ให้ ChatGPT และ Codex โดยแต่ละ Skill มีไฟล์ SKILL.md เป็นแกนหลักเช่นกัน
รายละเอียดการติดตั้ง ตำแหน่งโฟลเดอร์ Metadata เครื่องมือ และสิทธิ์ในการทำงานอาจต่างกันในแต่ละแพลตฟอร์ม เราจึงควรตรวจวิธีติดตั้งและปรับ Skill ให้ตรงกับระบบที่จะใช้งานจริง
เริ่มจากงานเดียว แล้วค่อยทำให้ Skill เก่งขึ้น
จุดเริ่มต้นที่ง่ายที่สุดคือเลือกงานซ้ำเพียงหนึ่งงาน ทำให้สำเร็จหนึ่งรอบ แล้วเปลี่ยนวิธีที่เวิร์กให้เป็น Skill จากนั้นค่อยปรับคู่มือจากข้อผิดพลาดที่พบจริง
แนวทางนี้ช่วยให้เราเริ่มใช้ AI กับ Workflow ที่มีอยู่ได้โดยไม่ต้องออกแบบ Agent ใหม่ทุกครั้ง และยังทำให้ความรู้เรื่องวิธีทำงานถูกเก็บในรูปแบบที่ทีมตรวจ แก้ไข และนำกลับมาใช้ต่อได้
ที่มา: AI Engineer, Anthropic, OpenAI Developers
