The Model
16 คำAIป้ายที่ขยับไปเรื่อย ไม่ใช่เทคโนโลยีเฉพาะ ตอนนี้ชี้ไปที่ large language modelsmodelparameters ไม่มีสถานะ ทำแค่ next-token prediction อย่างเดียว ทำอะไรแบบ agent ไม่ได้Parametersตัวเลขหลายพันล้านตัวใน model ที่ถูกปรับแต่งระหว่าง training — สิ่งที่ model "รู้" ทั้งหมดอยู่ในนี้Trainingกระบวนการตั้งค่า parameters ของ model โดยให้เรียนรู้จากข้อความจำนวนมากเพื่อพัฒนา next-token predictionการอนุมาน (Inference)การรัน model ที่ผ่าน training แล้วเพื่อสร้างผลลัพธ์ — สิ่งที่เกิดขึ้นในทุก model provider request Parameters ไม่เปลี่ยนแปลงEffortค่าปรับระดับการคิดวิเคราะห์ของ model ก่อนตอบ ยิ่งสูงยิ่งใช้ output tokens มากขึ้น แต่เพิ่มโอกาสแก้ปัญหายากได้tokenหน่วยย่อยที่สุดที่ model อ่านและเขียน ขนาดใกล้เคียงคำ แต่ไม่เท่ากันพอดีNext-token predictionสิ่งที่ model ทำจริงๆ สุ่ม token ถัดหนึ่งตัวจากบริบท ต่อท้าย แล้วรันอีกครั้ง เป็นโหมดการทำงานเดียวของ modelNon-determinisminput เดียวกันอาจให้ output ต่างกัน เป็นคุณสมบัติของวิธีที่ model สร้างข้อความและ provider ให้บริการModel providerระบบที่ให้บริการ model สำหรับการอนุมาน มักเป็นแบบ remote (Anthropic, OpenAI, Google) แต่ก็เป็น local ได้Harnessทุกอย่างรอบ model ที่ทำให้มันกลายเป็น agent: tools, system prompt, การจัดการ context window, permissions, hooksModel provider requestการเดินทางไป-กลับหนึ่งรอบจาก harness ไปยัง model provider Harness ส่งบริบท; provider ส่งคำตอบกลับหนึ่งรายการInput tokenstoken ที่ harness ส่งในทุก model provider request คิดเงินในอัตราที่ต่ำกว่า output tokensOutput tokenstoken ที่ model สร้างกลับมา คิดเงินในอัตราที่สูงกว่า input tokens เพราะใช้ compute มากกว่าPrefix cacheที่เก็บฝั่ง provider ที่ช่วยให้ requests ที่ต่อเนื่องกันข้ามการประมวลผล prefix ร่วม และคิดเงิน token เหล่านั้นในอัตราที่ต่ำกว่าCache tokensinput tokens ที่ provider เก็บ cache จาก request ก่อนหน้าผ่าน prefix cache คิดเงินในอัตราที่ต่ำกว่ามาก
Sessions, Context Windows & Turns
8 คำไม่มีสถานะไม่เก็บข้อมูลข้ามรอบ — model ไม่มีสถานะข้ามคำขอ, agent ไม่มีสถานะข้าม session โดยค่าเริ่มต้นบริบทข้อมูลที่ agent มีอยู่และเกี่ยวข้องกับงานในขณะนั้นcontext windowทุกอย่างที่ model เห็นในแต่ละคำขอ — มีขีดจำกัด, เฉพาะรุ่น, เป็นช่องทางเดียวที่ model รับรู้มีสถานะเก็บข้อมูลข้ามรอบ — session มีสถานะข้าม turn, agent ทำให้มีสถานะข้าม session ได้ผ่าน memory systemagentmodel ที่ถูก harness ด้วย tool, system prompt, และ context window แล้วคุยกับ user เป็นรอบsystem promptคำสั่งที่ harness นำหน้าทุกคำขอ — แนวทางปฏิบัติถาวรของ agent มักคงที่ตลอด sessionsessionการโต้ตอบหนึ่งรอบกับ agent — เริ่มว่าง สะสมข้อมูล จบเมื่อล้าง ปิด หรือบีบอัดเป็น session ใหม่turnข้อความผู้ใช้หนึ่งข้อความบวกทุกอย่างที่ agent ทำตอบ จนกว่าจะคืน control กลับ มีหนึ่งหรือหลายคำขอ
Tools & Environment
10 คำสภาพแวดล้อมสิ่งที่ agent ทำงานด้วย — ทุกอย่างนอก harness ที่ agent รับรู้ผ่าน tool result และเปลี่ยนแปลงผ่าน tool callfilesystemต้นไม้ของไฟล์และไดเรกทอรีที่ agent อ่าน เขียน และรันคำสั่ง — สภาพแวดล้อมเริ่มต้นของ coding agenttoolฟังก์ชันที่ harness เผยให้ agent เรียก — Read, Write, Bash, Search วิธีที่ agent รับรู้และทำงานกับสภาพแวดล้อมtool calloutput ของ model ที่ระบุ tool และ arguments — เป็นแค่ structured text ไม่ได้ทำอะไรเองtool resultสิ่งที่ harness ส่งกลับหลัง execute tool call — เนื้อหาไฟล์, output, หรือ error มุมมองเดียวของ agent ต่อสภาพแวดล้อมMCPโปรโตคอลสำหรับเสียบ tool server ภายนอกเข้า harness — วิธีที่ agent ได้ tool เพิ่มจากที่ harness มีมาให้permission requestสิ่งที่ harness แสดงให้ผู้ใช้เห็นก่อน execute tool call ที่ยังไม่ได้อนุมัติล่วงหน้า กลไกสำหรับใส่มนุษย์เข้าในวงจรpermission modeส่วน gating ของ agent mode — tool call ไหน trigger permission request, call ไหนรันอัตโนมัติagent modeค่าสำเร็จรูปที่รวม permission mode กับคำสั่งเชิงพฤติกรรมที่ฉีดเข้า system prompt สลับได้ระหว่าง sessionsandboxสภาพแวดล้อมแบบแยกที่ agent รันอยู่ข้างใน — container, VM, หรือ shell ที่ถูกจำกัด ลด blast radius ของการกระทำของ agent
Failure Modes
9 คำSycophancyผลลัพธ์จาก model ที่เห็นด้วยอย่างมั่นใจ โดยไม่ได้วิเคราะห์จริง เกิดจาก training ที่ให้รางวัลกับการเห็นด้วยHallucinationผลลัพธ์จาก model ที่ผิดแต่มั่นใจ มีสองแบบ: factuality (แต่งข้อเท็จจริง) กับ faithfulness (เบี่ยงเบนจาก context)Parametric knowledgeสิ่งที่ model รู้จาก training เก็บใน parameters แช่แข็ง ณ เวลา train คู่ตรงข้ามกับ contextual knowledgeKnowledge cutoffวันที่หลังจากนั้น model ไม่มี parametric knowledge library และ API หลัง cutoff เป็นกับดักเว้นแต่จะโหลด docsContextual knowledgeข้อเท็จจริงที่ agent อ่านได้โดยตรงจาก context ตอนนี้ คู่ตรงข้ามกับ parametric knowledgeAttention relationshipการจับคู่ระหว่าง token สองตัว — คู่ที่มีความหมายมีอิทธิพลต่อกันมากกว่าคู่ที่ไม่เกี่ยวข้อง context ขนาด N tokens มี ~N² คู่Attention budgetแต่ละ token มีอิทธิพลจำกัดที่จะแจกจ่ายให้ context ที่เหลือ ต่อ token ไม่เติบโตตามขนาด contextAttention degradationเมื่อ session ยาวขึ้น attention budget ของแต่ละ token กระจายไปยังคู่แข่งมากขึ้น สัญญาณบนความสัมพันธ์ที่สำคัญหดตัวSmart zone"ต้น session agent เก่งและมีสมาธิ เมื่อ session ยาวขึ้นจะหลุดเข้า dumb zone: เลอะเลอะ ลืม ผิดพลาดมากขึ้น"
Handoffs
9 คำClearingจบ session ปัจจุบันแล้วเริ่ม session ใหม่ ข้อความถัดไปเริ่มต้นด้วย session ว่างและ context window ว่างHandoffถ่ายโอน context ของ agent จาก session หนึ่งไปอีก session หนึ่ง ไม่มีทางกลับ กลไกการพามาแตกต่างกันPrimary sourceตัวสิ่งนั้นเอง — code, transcript, raw data สมบูรณ์และน่าเชื่อถือ แต่แพงที่จะโหลดเข้า contextSecondary sourceคำอธิบายของ primary source ห่างหนึ่งขั้น — สรุป, docs, compaction summary โหลดถูก สูญเสียข้อมูลตามการออกแบบHandoff artifactเอกสารที่ใช้เป็นกลไกพามาสำหรับ handoff — เขียนโดย session หนึ่งเพื่อให้อีก session อ่านSpecHandoff artifact ที่อธิบายงานหลาย session — กำลังสร้างอะไร ไม่ใช่แต่ละ session ทำส่วนไหน ประกอบด้วย ticketsTicketHandoff artifact ที่กำหนดขอบเขตงานหนึ่ง session อยู่เดี่ยวหรือแขวนจาก spec อาจบล็อกหรือถูกบล็อกโดย ticket พี่น้องCompactionHandoff ที่ทำในหน่วยความจำ: ประวัติ session ก่อนถูกสรุปแล้ว seed session ใหม่ สูญเสียข้อมูล — แลกรายละเอียดกับพื้นที่ว่างAutocompactCompaction ที่ถูกกระตุ้นอัตโนมัติโดย harness เมื่อ context window เกือบเต็ม
Memory and Steering
6 คำMemory systemระบบที่พยายามทำให้ agent มี state ข้าม session โดย persist ลง environment แล้วโหลดกลับตอนเริ่ม sessionAGENTS.mdไฟล์ใน environment ที่ harness โหลดเข้า context window ตอนเริ่ม session — brief ถาวรของโปรเจกต์ถึง agentProgressive disclosureโหลดเฉพาะ context ที่ agent ต้องการตอนนี้ โดยมี context pointers ไปยังส่วนที่เหลือ ยืมมาจาก UI designContext pointerการกล่าวถึงในเอกสารหนึ่งที่ชี้ไปอีกเอกสาร เพื่อให้ agent ดึงเข้า context เฉพาะเมื่องานต้องการSkillความสามารถที่สอนได้รวมเป็นหน่วย — เก็บนอก context window จนกว่า context pointer จะดึงเข้ามาสำหรับงานที่ทำSubagentagent ที่ถูก spawn โดย agent อื่นผ่าน tool call รันใน session ของตัวเอง รายงาน tool result เดียวกลับ ไม่สามารถ spawn subagent เพิ่มได้
Patterns of Work
11 คำHuman-in-the-loopรูปแบบการทำงานที่มนุษย์หนึ่งคนหรือมากกว่าจับคู่กับ agent ระหว่าง session — review, ชี้นำ, หรือร่วมมือแบบ real timeAFKรูปแบบการทำงานที่ผู้ใช้เริ่ม session แล้วปล่อย agent รันไม่มีคนดูแล (away from keyboard)Automated checkการตรวจสอบแบบ deterministic ที่รันใน environment — tests, type checks, lints, build, pre-commit hooks ผ่าน/ไม่ผ่าน ไม่มีการตัดสินAutomated review"agent ที่ review งานของ agent อื่น มักใช้ model หรือ system prompt ต่างกัน ไม่ deterministic: มันตัดสิน"Human reviewผู้ใช้อ่าน code ที่ agent ผลิตแล้วตัดสินใจเกี่ยวกับมัน อ่าน diff นับ; อ่านแค่สรุปไม่นับVibe codingรูปแบบการทำงานที่ผู้ใช้รับ code จาก agent โดยไม่มี human review diff ถูกมองว่าทึบDesign conceptความเข้าใจร่วมกันว่ากำลังสร้างอะไร มีร่วมกันระหว่างผู้ใช้กับ agent แต่แยกจาก asset ใดๆGrilling"เทคนิคสำหรับพัฒนา design concept: agent สัมภาษณ์ผู้ใช้แบบ Socratic ทีละการตัดสินใจ"Prototypingให้ agent สร้าง version คร่าวๆ เมื่อบทสนทนา fidelity ต่ำเกินไปและคุณต้องการ artifact จริงเพื่อพูดถึงDX"Developer experience: codebase และ toolchain ทำให้มนุษย์ทำงานได้ง่ายแค่ไหน — docs, ความเร็ว feedback, error messages"AX"Agent experience: environment ถูกตั้งค่าให้ agent ทำงานได้ดีแค่ไหน — checks, architecture, และ context ที่ว่าง"