Harness คืออะไร — ทำไมความเก่งของ AI agent ส่วนใหญ่อยู่นอกตัวโมเดล

เวลาคนถามผมว่า "ใช้ AI ตัวไหนดี" ผมมักตอบกลับว่าคำถามนั้นถามไม่ครบ เพราะความเก่งที่คุณเห็นเวลา agent ทำงานจริง ๆ ส่วนใหญ่ไม่ได้มาจากตัวโมเดลล้วน ๆ แต่มาจากสิ่งที่เรียกว่า harness — ชั้นซอฟต์แวร์ที่หุ้มโมเดลไว้แล้วทำให้มันลงมือทำงานเป็นเรื่องเป็นราวได้ ใครเข้าใจ harness ก่อน จะเลือกเครื่องมือเป็น คุมมันเป็น และเห็นว่าทำไมเครื่องมือสองตัวที่ใช้โมเดลเดียวกันถึงให้ผลคนละเรื่อง บทความนี้ผมจะอธิบาย harness แบบเป็นชิ้น ๆ ให้เห็นภาพ

harness คืออะไร (กันงงก่อน)

ถ้าให้เปรียบง่าย ๆ โมเดล (LLM) คือสมอง ส่วน harness คือร่างกายและกฎที่ทำให้สมองนั้นลงมือทำงานในโลกจริงได้ สมองเปล่า ๆ ทำได้แค่คิดและพูดออกมาเป็นข้อความ แต่มันเปิดไฟล์เองไม่ได้ รันคำสั่งเองไม่ได้ จำสิ่งที่ทำไปเมื่อกี้เองไม่ได้ถ้าไม่มีใครป้อนกลับให้ harness คือส่วนที่เติมทุกอย่างนี้เข้าไป

พูดให้เป็นรูปธรรม เวลาคุณพิมพ์สั่ง Claude Code ว่า "อ่านไฟล์งบการเงินนี้แล้วสรุปให้หน่อย" สิ่งที่เกิดขึ้นเบื้องหลังคือ harness รับคำสั่ง แปลงเป็นบริบทที่ป้อนให้โมเดล รับคำตอบที่โมเดลอยากเรียกเครื่องมือ "อ่านไฟล์" แล้ว harness เป็นคนไปอ่านไฟล์จริง ส่งผลกลับเข้าโมเดล วนแบบนี้จนงานเสร็จ ตัวโมเดลแค่ "ตัดสินใจ" แต่ harness เป็นคน "ลงมือ" และ "คุมกติกา" ทั้งหมด

โมเดลคือเพดาน harness คือสิ่งที่กำหนดว่าคุณเข้าใกล้เพดานแค่ไหน

ประโยคที่ผมชอบใช้สรุปคือ "โมเดลตั้งเพดาน harness กำหนดว่าคุณเข้าใกล้เพดานนั้นได้แค่ไหน" โมเดลที่ฉลาดมากแต่อยู่ใน harness ห่วย ๆ จะทำงานออกมาได้ไม่เต็มศักยภาพ ในขณะที่โมเดลระดับกลางใน harness ที่ออกแบบดีอาจทำงานจริงได้ดีกว่าด้วยซ้ำ

นี่ไม่ใช่แค่ทฤษฎี ปี 2026 มีทั้งงานวิจัยและเคสจริงที่ยืนยันเรื่องนี้ — บางทีมเปลี่ยนแค่ harness โดยไม่แตะตัวโมเดลเลย แล้วคะแนนบนสนามทดสอบกระโดดขึ้นอย่างมีนัยสำคัญ ผมรวบรวมหลักฐานพร้อมตัวเลขไว้แยกต่างหากใน Agent Harness สำคัญพอ ๆ กับตัวโมเดล: หลักฐานปี 2026 ใครอยากเห็น "ของจริง" แนะนำให้อ่านคู่กับบทนี้ และถ้าอยากรู้ว่าหลักการนี้ทำให้ผมตัดสินใจเลือกเครื่องมือยังไงในทางปฏิบัติ ผมเล่าไว้ใน ทำไมผมเลือก Claude Code ไม่ใช่เพราะโมเดลเก่งสุด แต่เพราะ harness

ทำไมมันสำคัญกับเรา: ถ้าคุณเคยรู้สึกว่า AI ตัวหนึ่ง "ไม่เก่ง" ลองถามก่อนว่าเป็นที่โมเดลหรือที่ harness เพราะบ่อยครั้งปัญหาไม่ได้อยู่ที่สมอง แต่อยู่ที่ร่างกายและกฎที่หุ้มมันอยู่

harness ประกอบด้วยอะไรบ้าง — 5 ชิ้นที่ต้องรู้จัก

เวลาผมมอง harness ตัวหนึ่ง ผมจะแยกมันเป็น 5 ชิ้น เพื่อให้รู้ว่าจะปรับตรงไหนได้บ้าง:

• เครื่องมือ (tools): สิ่งที่ harness ยื่นให้โมเดลเรียกใช้ เช่น อ่าน/เขียนไฟล์ รันคำสั่ง ค้นเว็บ ต่อฐานข้อมูล โมเดลจะทำได้แค่เท่าที่เครื่องมือเปิดให้ ยิ่งเครื่องมือคมและตรงงาน agent ยิ่งทำงานจริงได้ดี เรื่องการต่อ agent เข้ากับข้อมูลจริงผมเขียนไว้ใน MCP: ต่อ Claude เข้ากับข้อมูลของคุณ
• การจัดบริบท (context): harness เป็นคนตัดสินใจว่าจะป้อนอะไรเข้าสมองในแต่ละก้าว — ไฟล์ไหน ความจำก้อนไหน ผลลัพธ์ก่อนหน้าอันไหน จัดบริบทดี = โมเดลโฟกัสถูกจุด จัดมั่ว = โมเดลหลง
• สิทธิ์และโหมดการอนุมัติ (permission): harness คุมว่าโมเดลทำอะไรได้เองเลย อะไรต้องขออนุมัติก่อน นี่คือที่อยู่ของ "เบรก" ที่สำคัญที่สุดในงานที่มีความเสี่ยง
• hook และ middleware: จุดแทรกกลางทาง เช่น บังคับให้ agent เช็กงานตัวเองก่อนจบ จับลูปไม่ให้วนแก้ของเดิมไม่เลิก หรือยิงเตือนเมื่อเจอเงื่อนไขบางอย่าง กลไกนี้คือสิ่งเดียวกับที่ผมใช้ใน session ritual และ hook ของ Claude Code
• วงจรการทำงาน (the loop): หัวใจที่ทำให้มันเป็น "agent" ไม่ใช่แค่แชท — harness วนรอบ คิด → เรียกเครื่องมือ → เห็นผล → คิดต่อ จนกว่างานจะเสร็จ การออกแบบว่าเมื่อไรควรวนต่อ เมื่อไรควรหยุด คือศิลปะของ harness

ทำไมมันสำคัญกับเรา: พอแยกเป็น 5 ชิ้นแบบนี้ คุณจะ "ปรับจูน" ได้เป็นจุด ๆ แทนที่จะโทษโมเดลทั้งก้อน งานที่ผลออกมาไม่ดี ลองไล่ทีละชิ้นว่าเครื่องมือพอไหม บริบทถูกไหม สิทธิ์เปิดถูกไหม มักเจอว่าแก้ที่ harness แล้วดีขึ้นทันที

ทำไมเรื่องนี้สำคัญเป็นพิเศษกับงานการเงินและ risk

ในงานที่ผมทำ ความเก่งไม่ใช่ทุกอย่าง สิ่งที่สำคัญพอ ๆ กันคือ ความตรวจสอบได้และการคุมความเสี่ยง และข่าวดีคือสองเรื่องนี้อยู่ที่ harness ทั้งคู่ คำถามที่ผู้ตรวจหรือหัวหน้าทีม risk ชอบถาม — "ระบบเข้าถึงข้อมูลแค่ไหน ใครอนุมัติก่อนลงมือ กดปิดได้ไหม มี log ไหม" — แทบทุกข้อตอบได้ที่ชั้น harness ไม่ใช่ที่ตัวโมเดล

แปลว่าถ้าคุณออกแบบ harness เป็น คุณจะสร้าง AI agent ที่ทั้งทำงานได้จริงและคุมได้จริงไปพร้อมกัน — จำกัดสิทธิ์ให้แตะเฉพาะข้อมูลที่ควรแตะ ใส่ human approval gate ในจุดเสี่ยง และเก็บ audit trail ทุกก้าว นี่คือเหตุผลที่ผมเชียร์ให้คนสายการเงินเรียนรู้เรื่องนี้ ไม่ใช่เพื่อเป็นโปรแกรมเมอร์ แต่เพื่อใช้ AI ทำงานได้โดยไม่ต้องฝากความเสี่ยงไว้กับความเชื่อใจอย่างเดียว

ทำไมมันสำคัญกับเรา: ทักษะออกแบบและตรวจ harness กำลังกลายเป็นทักษะหลักของคนทำ data/risk ไม่ใช่เรื่องเทคนิคปลีกย่อย เพราะมันคือจุดที่ทั้งประสิทธิภาพและการกำกับมาบรรจบกัน

เริ่มคิดแบบ harness ยังไง

ถ้าให้เริ่มวันนี้โดยไม่ต้องเขียนโค้ดอะไรซับซ้อน ผมแนะนำให้ฝึกมองงานทุกชิ้นผ่านเลนส์ harness สามคำถาม: (1) งานนี้ agent ต้องใช้ เครื่องมือ อะไรบ้าง และผมเปิดให้แค่ที่จำเป็นหรือยัง (2) ผมป้อน บริบท ที่ตรงและพอดีให้มันแล้วหรือเปล่า ไม่มากไม่น้อยเกินไป (3) จุดไหนที่ผม ต้องเป็นคนเคาะ ก่อนมันลงมือ พอคุณเริ่มถามสามข้อนี้เป็นนิสัย คุณจะออกแบบงานให้ agent ได้ดีขึ้นทันทีโดยที่ยังไม่ต้องแตะเรื่องเทคนิคลึก ๆ เลย

เรื่องการแตกงานใหญ่ให้ agent ทำขนานกันก็เป็นการออกแบบ harness อีกแบบหนึ่ง ผมเขียนแยกไว้ใน ให้ Claude Code แตกงานเป็นทีม subagent ลองอ่านต่อได้

ส่วนการประกอบ harness เต็มรูปแบบ — ตั้งค่าเครื่องมือจริง เขียน hook ที่ใช้ได้ วาง permission ให้ปลอดภัย และเทมเพลตที่ผมก็อปไปใช้เองทุกวันในงาน data/risk — ตรงนั้นมีรายละเอียดเยอะเกินกว่าจะใส่ในบทความเดียว ผมเก็บของจริงทั้งชุดพร้อม workspace ที่ก็อปไปใช้ได้เลยไว้ใน คอร์ส Claude Code ใครอยากข้ามขั้นลองผิดลองถูกแล้วเริ่มจากโครงที่ใช้งานได้จริง เข้าไปดูได้