สรุปจากคลิป ดูคลิปต้นฉบับ
วิธีใช้ Claude Subagents ให้คุ้มกว่าเดิม สำหรับงาน AI ในธุรกิจ
หลายทีมเริ่มใช้ AI แล้วเจอปัญหาเหมือนกัน คือยิ่งคุยนาน AI ยิ่งเริ่มสับสน ตอบวกไปวนมา ใช้ token มากขึ้น และสุดท้ายงานที่ควรไวกลับช้าลง คลิปจากช่อง Nate Herk | AI Automation ชิ้นนี้อธิบายประเด็นสำคัญมากว่า ปัญหาไม่ได้อยู่ที่ AI ไม่เก่งพอเสมอไป แต่อยู่ที่เราใช้มันแบบให้ทุกอย่างกองอยู่ในห้องแชตเดียว
หัวใจของคลิปคือการใช้ Claude Subagents ให้เป็นเหมือนทีมงานย่อยที่รับงานเฉพาะทาง ทำงานแยกกัน แล้วส่งรายงานกลับมาที่ตัวหลัก แนวคิดนี้ไม่ได้มีประโยชน์แค่กับสายเขียนโค้ด แต่เจ้าของธุรกิจ คนทำคอนเทนต์ ทีมการตลาด และคนทำงานที่อยากเอา AI ไปใช้จริงก็เอาไปปรับใช้ได้ทันที เพราะมันช่วยทั้งเรื่องคุณภาพงาน ต้นทุน และความเป็นระเบียบของ workflow
สารบัญ
- Step 1: เข้าใจก่อนว่า Subagent คืออะไร และทำไมมันสำคัญ
- Step 2: ใช้ Subagent เพื่อรักษา context ให้สะอาด
- Step 3: แยกให้ออกระหว่าง Built-in Subagents กับ Custom Subagents
- Step 4: เข้าใจโครงสร้างไฟล์ของ Subagent แบบไม่ต้องเป็น developer
- Step 5: เขียน description ให้แม่น เพราะนี่คือจุดที่ทำให้ agent ถูกเรียกใช้งาน
- Step 6: ตั้งสิทธิ์และขอบเขตให้ชัด โดยเฉพาะเรื่องข้อมูล
- Step 7: เลือก model ให้เหมาะ เพื่อประหยัดต้นทุนแบบมีชั้นเชิง
- Step 8: แยกให้ออกระหว่าง Skills กับ Subagents
- Step 9: ตัดสินใจว่าจะเก็บ agent แบบ Project หรือ Global
- Step 10: สร้าง Subagent ตัวแรกจากงานที่ทำซ้ำบ่อยที่สุด
- Step 11: ใช้ Subagents แบบผู้เชี่ยวชาญ ไม่ใช่ผู้ช่วยสารพัดนึก
- Step 12: รู้ให้ชัดว่าเมื่อไหร่ควรใช้ และเมื่อไหร่ไม่ควรใช้
- Step 13: ระวัง Dynamic Workflows เพราะแรงมากแต่เปลืองได้เร็ว
- Step 14: มอง Subagents เป็นระบบงาน ไม่ใช่แค่ฟีเจอร์สนุกๆ
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
Step 1: เข้าใจก่อนว่า Subagent คืออะไร และทำไมมันสำคัญ
Subagent คือเอเจนต์ย่อยที่ถูกสั่งงานโดยเอเจนต์หลักอีกที ตัวหลักทำหน้าที่เหมือนผู้จัดการ รับคำสั่งจากเราแล้วกระจายงานออกไป เช่น ให้ตัวหนึ่งหาข้อมูล ให้ตัวหนึ่งตรวจเอกสาร ให้ตัวหนึ่งวิจารณ์แผนธุรกิจ แล้วค่อยรวบผลกลับมาเป็นคำตอบเดียว
จุดสำคัญคือ subagent แต่ละตัวทำงานใน session ของตัวเอง จึงไม่ไปทำให้ context ของห้องแชตหลักรกเกินจำเป็น ถ้ามองในมุมธุรกิจ นี่คือการแยกงานหลังบ้านออกจากบทสนทนาหลัก ทำให้ AI ที่เราใช้อยู่ยังคิดเป็นระบบ ไม่หลงประเด็นง่าย
ตัวอย่างจากคลิปชัดมาก เขาให้ AI สร้างเอเจนต์ย่อยหลายตัวพร้อมกัน โดยกำหนดบุคลิกต่างกัน เช่น มือใหม่ด้าน AI วิศวกรซอฟต์แวร์ เจ้าของธุรกิจ หรือสายสื่อสิ่งพิมพ์ เพื่อให้แต่ละตัวรีวิวงานจากมุมที่ไม่เหมือนกัน นี่คือแนวคิดที่ธุรกิจไทยเอาไปใช้ได้ดีมาก เช่น ให้ AI 4 ตัวช่วยมองแผนเปิดสินค้าใหม่จากมุมลูกค้า มุมการเงิน มุมปฏิบัติการ และมุมการตลาด
Step 2: ใช้ Subagent เพื่อรักษา context ให้สะอาด
หนึ่งในเหตุผลที่ Nate เน้นมากที่สุดคือ subagent ช่วยให้ context หลักสะอาด ถ้าเราเคยใช้ AI ทำงานยาวๆ จะรู้ว่าพอข้อมูลในห้องแชตเริ่มเยอะ คุณภาพคำตอบมักตกลง เพราะโมเดลต้องแบกสิ่งที่ไม่จำเป็นมากขึ้นเรื่อยๆ
งานที่เหมาะกับการโยนให้ subagent มากที่สุดคือ งานที่กินข้อมูลเยอะ แต่ผลลัพธ์ที่เราอยากได้จริงมีแค่นิดเดียว เช่น
- สรุปรายงานยาว 100 หน้าให้เหลือ 10 ประเด็น
- อ่านรีวิวลูกค้าจำนวนมากแล้วสกัด pain point
- สำรวจคู่แข่งหลายเจ้าแล้วส่งกลับมาเฉพาะ insight สำคัญ
- ตรวจเอกสารหรือบทความหลายชิ้นแบบแยกกัน
ในมุมธุรกิจไทย นี่มีผลกับค่าใช้จ่ายทันที เพราะเราไม่จำเป็นต้องใช้โมเดลแพงทำทุกอย่าง ตัวหลักอาจใช้รุ่นที่ฉลาดกว่าเพื่อคิดเชิงกลยุทธ์ ส่วนงานเก็บข้อมูล อ่านเอกสาร หรือสรุปข้อมูลจำนวนมาก ให้เอเจนต์ย่อยที่ราคาถูกกว่าทำแทน
Step 3: แยกให้ออกระหว่าง Built-in Subagents กับ Custom Subagents
ใน Claude Code มีทั้ง subagent ที่ระบบมีให้เอง และแบบที่เราสร้างขึ้นเอง
Built-in subagents คือเอเจนต์พื้นฐานที่ระบบเรียกใช้ให้อัตโนมัติเมื่อเห็นว่างานนั้นเหมาะ เช่น งานค้นคว้าหรือสำรวจข้อมูล ส่วน custom subagents คือเอเจนต์ที่เรากำหนดบทบาท วิธีทำงาน และข้อจำกัดเองได้
สิ่งที่น่าสนใจคือ ถึงเราจะสั่งให้ AI เล่นบทเป็นคนละ persona ก็ยังอาจเป็นเพียง built-in agent ที่ถูกใส่ prompt เพิ่ม ยังไม่ใช่ custom agent แบบเต็มตัว ความต่างจริงๆ อยู่ที่ custom agent เป็นไฟล์ที่เราเก็บ แก้ ส่งต่อ และใช้ซ้ำได้
ตรงนี้สำคัญกับธุรกิจมาก เพราะพอ workflow เริ่มนิ่ง เราไม่ควรเริ่มใหม่ทุกครั้ง ตัวอย่างเช่น
- เอเจนต์ตรวจโพสต์ขาย ว่าแรงเกินไปหรือยังไม่ชัด
- เอเจนต์สรุปประชุมให้อยู่ในรูปแบบมาตรฐานบริษัท
- เอเจนต์วิเคราะห์คู่แข่งในตลาดไทยตามหมวดที่ทีมใช้ประจำ
- เอเจนต์ตรวจแผนธุรกิจแบบคนไม่เชื่ออะไรง่ายๆ
ถ้าทีมทำงานลักษณะเดิมซ้ำบ่อย การสร้าง custom subagent จะคุ้มกว่าการพิมพ์ prompt ยาวทุกครั้ง
Step 4: เข้าใจโครงสร้างไฟล์ของ Subagent แบบไม่ต้องเป็น developer
แม้คลิปจะอยู่บน Claude Code แต่แนวคิดนี้ไม่ใช่เรื่องเฉพาะสายเทคนิค แกนของ custom subagent คือไฟล์ markdown ไฟล์เดียว ด้านบนมีส่วนตั้งค่า และด้านล่างเป็นคำสั่งว่าเอเจนต์นี้ควรทำอะไร
ส่วนบนที่สำคัญมากคือข้อมูลกำกับ เช่น ชื่อ คำอธิบาย โมเดลที่ใช้ สี และสิทธิ์การเข้าถึง ตรงนี้เปรียบได้กับใบกำกับงานว่า “คนนี้คือใคร ทำหน้าที่อะไร และแตะข้อมูลอะไรได้บ้าง”
ประเด็นที่เจ้าของธุรกิจควรจับให้ได้คือ เราไม่จำเป็นต้องเขียนมันเองทุกบรรทัด แค่เข้าใจว่าของพวกนี้มีอยู่ และใช้ AI ช่วยสร้างจากคำอธิบายของเราได้ จากนั้นค่อยแก้ให้เข้ากับงานจริง
Step 5: เขียน description ให้แม่น เพราะนี่คือจุดที่ทำให้ agent ถูกเรียกใช้งาน
ส่วนที่ Nate ให้ความสำคัญมากคือ description หรือคำอธิบายของ subagent เพราะนี่คือสิ่งที่ระบบอ่านก่อนเพื่อจะตัดสินใจว่า ควรเรียกเอเจนต์นี้มาทำงานหรือไม่
ถ้า description กว้างเกินไป ระบบอาจเรียกผิดตัว ถ้าแคบเกินไป มันอาจไม่เรียกเลย ปัญหานี้ในคลิปเรียกว่า misfire ซึ่งเป็นเรื่องปกติมากในช่วงเริ่มต้น
ตัวอย่างแนวคิดที่ใช้ได้ดีคืออธิบายให้ชัดว่า
- เอเจนต์นี้ใช้เมื่อไหร่
- เหมาะกับงานแบบไหน
- มีคำไหนที่มักเป็น trigger
- ไม่ควรถูกใช้กับงานแบบไหน
เช่น ถ้าเราทำเอเจนต์ “วิจารณ์แผน” description ที่ดีอาจไม่ใช่แค่ “ช่วยรีวิวแผนงาน” แต่ควรใกล้กับ “ใช้เมื่อเราต้องการคำวิจารณ์เชิงโต้แย้งกับแผน กลยุทธ์ หรือไอเดียธุรกิจ โดยมองหาความเสี่ยง จุดอ่อน และสิ่งที่มองข้าม” แบบนี้ระบบจะจับงานได้แม่นขึ้น
มุมที่น่าสนใจคือ Nate ไม่ได้ขายฝันว่ามันจะเป๊ะตั้งแต่ครั้งแรก เขาแนะนำให้ใช้จริง แล้วคอยย้อนดูว่าทำไม agent นี้ถึงไม่ถูกเรียก หรือทำไมถึงถูกเรียกผิด จากนั้นค่อยปรับ description ต่อ นี่เป็นวิธีคิดที่คนทำธุรกิจควรเอาไปใช้กับ AI ทั้งระบบ คืออย่าหวัง prompt สมบูรณ์ตั้งแต่วันแรก แต่ให้คิดแบบปรับปรุงต่อเนื่อง
Step 6: ตั้งสิทธิ์และขอบเขตให้ชัด โดยเฉพาะเรื่องข้อมูล
อีกจุดที่คลิปนี้ให้มุมคิดดีมากคือเรื่อง permission ถ้า AI มีสิทธิ์แตะข้อมูล เราควรสมมติไว้ก่อนว่ามันสามารถแตะได้จริง ไม่ใช่หวังพึ่งแค่คำสั่งแนว “อย่าเปิดไฟล์นี้” เพราะนั่นไม่ใช่การควบคุมที่แข็งแรงพอ
Subagent สามารถกำหนดได้ว่าใช้เครื่องมืออะไรได้บ้าง หรือห้ามใช้อะไรบ้าง เช่น ตั้งให้เป็น read-only เพื่ออ่านอย่างเดียว ห้ามแก้ไขไฟล์ ห้ามส่งข้อมูลออก หรือจำกัดให้ใช้เฉพาะแหล่งข้อมูลบางชุด
สำหรับธุรกิจไทยที่เริ่มใช้ AI กับข้อมูลภายในบริษัท เรื่องนี้ไม่ใช่รายละเอียดเล็กๆ แต่เป็นของจำเป็น โดยเฉพาะงานที่เกี่ยวกับ
- ข้อมูลลูกค้า
- เอกสารการเงิน
- แผนการตลาดที่ยังไม่เปิดเผย
- ข้อมูลพนักงานหรือการประเมินผล
ถ้าเริ่มจากเอเจนต์ read-only ก่อน จะปลอดภัยกว่าเสมอ และค่อยขยายสิทธิ์เมื่อ workflow ชัดจริง
Step 7: เลือก model ให้เหมาะ เพื่อประหยัดต้นทุนแบบมีชั้นเชิง
หนึ่งในประโยชน์ที่จับต้องได้ที่สุดของ Claude Subagents คือการใช้ model ต่างกันตามประเภทงาน ตัวหลักอาจใช้โมเดลที่เก่งกว่าเพื่อประเมินภาพรวม ส่วนเอเจนต์ย่อยใช้งานรุ่นเบากว่าเพื่อไปอ่าน ค้น หรือคัดข้อมูล
นี่คือแนวคิด “หัวหน้าฉลาดหนึ่งคน กับผู้ช่วยต้นทุนต่ำหลายคน” ซึ่งเหมาะกับธุรกิจมากกว่าการเอารุ่นแพงสุดไปทำทุกงาน
ตัวอย่างการใช้งานจริง
- ให้เอเจนต์ย่อยอ่านรีวิวสินค้า 500 ข้อความแล้วสรุปประเด็นหลัก
- ให้เอเจนต์ย่อยแยกวิเคราะห์คอมเมนต์จาก Facebook, LINE OA, Shopee
- ให้ตัวหลักเอาผลทั้งหมดมาสรุปเป็นข้อเสนอเชิงกลยุทธ์
แบบนี้เราได้ทั้งความเร็วและประหยัดกว่าเดิมมาก
Step 8: แยกให้ออกระหว่าง Skills กับ Subagents
คลิปนี้อธิบายไว้ดีว่า skills กับ subagents คล้ายกันมาก เพราะทั้งคู่คือชุดคำสั่งที่ใช้ซ้ำได้ แต่ความต่างหลักคือ subagent มี context แยกของตัวเอง และสามารถทำงานขนานกันหลายตัวได้
ถ้าเป็นงานที่ต้องเกิดในห้องแชตหลักตลอด เช่น format ข้อความ เปลี่ยนโทน หรือทำขั้นตอนย่อยสั้นๆ skill อาจพอแล้ว แต่ถ้างานนั้นจะพ่นข้อมูลมหาศาลออกมา หรือทำซ้ำแบบแยกจากกันหลายงาน subagent จะเหมาะกว่า
ในทางปฏิบัติ ทั้งสองอย่างควรทำงานร่วมกัน ไม่ใช่เลือกอย่างใดอย่างหนึ่ง เช่น เราอาจมี skill สำหรับ “เตรียมโพสต์ LinkedIn” แต่ให้ subagent ฝั่ง research ไปเก็บข้อมูลก่อน แล้วค่อยส่งผลกลับมาให้ skill ปั้นเป็นโพสต์สุดท้าย
สำหรับคนทำธุรกิจ วิธีจำง่ายๆ คือ
- Skill เหมือนแม่แบบงาน
- Subagent เหมือนผู้เชี่ยวชาญที่ถูกส่งไปทำงานเฉพาะจุด
Step 9: ตัดสินใจว่าจะเก็บ agent แบบ Project หรือ Global
Subagent สามารถอยู่ได้สองระดับหลักๆ คือระดับโปรเจกต์ และระดับส่วนตัวหรือ global
Project level เหมาะกับเอเจนต์ที่ผูกกับงานหรือทีมเฉพาะ เช่น โครงการรีแบรนด์ สินค้าตัวหนึ่ง หรือ repo ใด repo หนึ่ง ส่วน global level เหมาะกับเอเจนต์ที่เราใช้ข้ามทุกงาน เช่น ผู้ช่วยสรุปประชุม ผู้ช่วยวิจารณ์แผน หรือผู้ช่วยตรวจคุณภาพเอกสาร
ถ้ามองในมุมองค์กร การวางตรงนี้ดีตั้งแต่ต้นจะช่วยเรื่องการแชร์ workflow มาก เช่น
- ทีมการตลาดมี subagent เฉพาะโปรเจกต์เปิดตัวสินค้า
- ผู้บริหารมี subagent ส่วนตัวสำหรับสรุปประชุมและท้าทายสมมติฐาน
- ทั้งบริษัทใช้ global agent สำหรับจัดรูปแบบรายงานมาตรฐานเดียวกัน
Step 10: สร้าง Subagent ตัวแรกจากงานที่ทำซ้ำบ่อยที่สุด
ในคลิปมีการสร้าง agent ตัวหนึ่งขึ้นมาสดๆ ให้ทำหน้าที่วิจารณ์แผนแบบไม่เออออตามเรา ซึ่งเป็นไอเดียที่ดีมาก เพราะ AI มักมีแนวโน้มตอบเอาใจ ถ้าเราไม่มีระบบให้มันค้านบ้าง เราอาจได้คำตอบที่ดูดีแต่ไม่แข็งแรง
มุมนี้น่าสนใจมากสำหรับเจ้าของธุรกิจไทย เพราะหลายครั้งปัญหาไม่ใช่เราขาดไอเดีย แต่ขาดคู่คิดที่ช่วยเจาะรูรั่วของแผนก่อนลงมือจริง ลองนึกภาพว่าเรามี “AI Devil’s Advocate” ที่พร้อมถามกลับเสมอว่า
- ราคานี้แพงเกินไปหรือไม่
- สมมติฐานเรื่องลูกค้าถูกหรือยัง
- ต้นทุนแฝงถูกคิดครบหรือยัง
- มีความเสี่ยงด้านปฏิบัติการอะไรที่มองไม่เห็น
นี่คือ use case ที่มีค่ามากกว่าการให้ AI ช่วยเขียนโพสต์อีก เพราะมันแตะการตัดสินใจระดับธุรกิจโดยตรง
อย่างไรก็ตาม คลิปก็ชี้ข้อจำกัดตรงๆ ว่า ต่อให้เราสร้าง agent แล้ว มันอาจยังไม่ถูกเรียกใช้ถ้า description ยังไม่ดี หรือมี skill อื่นชนกันอยู่ จุดนี้เป็นบทเรียนสำคัญว่า การมี agent ไม่พอ ต้องออกแบบระบบเรียกใช้งานให้ชัดด้วย
Step 11: ใช้ Subagents แบบผู้เชี่ยวชาญ ไม่ใช่ผู้ช่วยสารพัดนึก
หนึ่งในประโยคหลักของคลิปคือ AI ที่ดีที่สุดไม่จำเป็นต้องเป็นตัวเดียวที่ทำทุกอย่าง แต่ควรเป็นชุดของผู้เชี่ยวชาญเฉพาะทาง นี่เป็นแนวคิดที่ธุรกิจนำไปใช้ได้ตรงมาก
แทนที่จะมี AI ตัวเดียวที่ทำบัญชี การตลาด ขาย และบริการลูกค้า เราควรคิดเป็นชุดบทบาท เช่น
- ตัวหนึ่งเก่งสรุป feedback ลูกค้า
- ตัวหนึ่งเก่งจับ pain point จากคอมเมนต์
- ตัวหนึ่งเก่งตรวจตรรกะของแผนราคา
- ตัวหนึ่งเก่งแปลงข้อมูลเป็นคอนเทนต์
โครงสร้างแบบนี้จะให้ผลดีกว่า เพราะแต่ละตัวถูกออกแบบมาเพื่อเป้าหมายเฉพาะ และวัดผลได้ง่ายกว่า ถ้าตัวไหนทำงานไม่ดี เราก็แก้แค่ตัวนั้น ไม่ต้องรื้อทั้งระบบ
Step 12: รู้ให้ชัดว่าเมื่อไหร่ควรใช้ และเมื่อไหร่ไม่ควรใช้
จุดที่คลิปสมดุลดีมากคือไม่ได้บอกให้ใช้ subagent กับทุกเรื่อง ถ้างานเป็นงานเล็ก แก้ข้อความสั้นๆ หรือเป็นขั้นตอนที่ต้องอาศัยความต่อเนื่องในบทสนทนา การใช้ subagent อาจเกินจำเป็น
คำถามที่ใช้ตัดสินใจได้ดีมากคือ งานนี้กำลังจะยัดข้อมูลก้อนใหญ่เข้าห้องแชตหลัก ทั้งที่เราอาจไม่กลับมาอ่านอีกหรือไม่ ถ้าคำตอบคือใช่ ให้ส่งไป subagent
สัญญาณที่ควรใช้ subagent ได้แก่
- ต้องอ่านไฟล์หรือข้อมูลจำนวนมาก
- ผลลัพธ์จะเป็นข้อมูลยาวมาก
- เป็นงานที่ทำซ้ำบ่อย
- สามารถแยกทำพร้อมกันได้หลายชิ้น
- ต้องการความเห็นใหม่แบบไม่ปน context เดิม
ส่วนกรณีที่ไม่ควรใช้ เช่น
- งานเล็กและจบเร็ว
- ขั้นตอนต้องต่อกันทีละลำดับ
- งานที่ agent ต้องถามเรากลับระหว่างทางบ่อย
- งานที่ต้องอาศัยความเข้าใจทั้งบทสนทนาเดิม
Step 13: ระวัง Dynamic Workflows เพราะแรงมากแต่เปลืองได้เร็ว
คลิปยังพูดถึง dynamic workflows ซึ่งเป็นระบบที่ตัวหลักสามารถแตกงานออกเป็น subagents จำนวนมากแบบอัตโนมัติ บางครั้งอาจหลักสิบหรือมากกว่านั้น
ข้อดีคือเหมาะกับงานใหญ่และขนานได้เยอะมาก แต่ข้อเสียก็คือกิน session และต้นทุนเร็ว ถ้าใช้แบบไม่ตั้งใจอาจรู้ตัวอีกทีคือโควต้าไหลไปกับงานที่เราไม่จำเป็นต้องแตกละเอียดขนาดนั้น
มุมของเราเห็นด้วยกับคำเตือนนี้มาก สำหรับธุรกิจที่เริ่มใช้ AI อย่าเพิ่งรีบใช้ orchestration ใหญ่ๆ ตั้งแต่แรก เริ่มจาก subagent 2 ถึง 5 ตัวในงานที่ชัดก่อน แล้ววัดผลเรื่องเวลา คุณภาพ และค่าใช้จ่าย ถ้าคุ้มจริงค่อยขยาย
Step 14: มอง Subagents เป็นระบบงาน ไม่ใช่แค่ฟีเจอร์สนุกๆ
สารที่สำคัญที่สุดของคลิปนี้คือ Subagents ไม่ใช่ลูกเล่น แต่เป็นวิธีคิดเรื่องการแบ่งงานให้ AI ถ้าเราเอาแนวคิดนี้ไปใช้กับธุรกิจจริง เราจะเริ่มออกแบบ AI workflow ได้ดีขึ้นทันที
ตัวอย่างภาพในธุรกิจไทยอาจเป็นแบบนี้
- ร้านอาหาร ใช้เอเจนต์ย่อยสรุปรีวิวจากหลาย platform แล้วให้ตัวหลักสรุปแผนปรับเมนู
- เอเจนซี ใช้เอเจนต์แยกวิเคราะห์คู่แข่งลูกค้าแต่ละรายพร้อมกัน
- ทีม HR ใช้เอเจนต์สรุปแบบฟอร์ม feedback หลายชุด แล้วส่งให้ตัวหลักจัดเป็นประเด็นเชิงบริหาร
- ผู้บริหาร ใช้เอเจนต์วิจารณ์แผนก่อนประชุม เพื่อหา blind spot ล่วงหน้า
ทั้งหมดนี้ทำได้โดยไม่ต้องคิดเรื่อง AI แบบนักพัฒนา แต่คิดแบบคนออกแบบงานให้ชัด
Actionable Insights
- เริ่มจากงานซ้ำ 1 งานที่ทีมทำทุกสัปดาห์ แล้วสร้าง subagent ตัวแรกจากงานนั้น
- ใช้โมเดลแพงเฉพาะงานคิดเชิงกลยุทธ์ ส่วนงานอ่านและสรุปให้โยนไปตัวที่เบากว่า
- เขียน description ให้มีทั้งหน้าที่ งานที่เหมาะ และคำ trigger ที่ชัด
- ตั้งสิทธิ์แบบ read-only ก่อนเสมอถ้างานแตะข้อมูลภายใน
- ทำ AI ตัวหนึ่งให้คอยค้านเราโดยเฉพาะ เพื่อลดคำตอบแบบเอออตาม
Troubleshooting
- ปัญหา: สั่งงานแล้ว subagent ไม่ถูกเรียกใช้
สาเหตุ: description กว้างหรือแคบเกินไป หรือมี agent อื่นชนกัน
วิธีแก้: ย้อนดูคำสั่งที่ใช้จริง ปรับ description ให้เฉพาะขึ้น และระบุ trigger phrase ที่ชัด - ปัญหา: AI เรียก agent ผิดตัว
สาเหตุ: หน้าที่ของหลาย agent ซ้อนกันเกินไป
วิธีแก้: แยกขอบเขตแต่ละ agent ให้ชัด และลดคำอธิบายที่ทับกัน - ปัญหา: ค่าใช้งานสูงเกินคาด
สาเหตุ: ใช้โมเดลแรงกับทุกงาน หรือแตก workflow มากเกินจำเป็น
วิธีแก้: แบ่งงานอ่าน สรุป และเก็บข้อมูลให้รุ่นเล็กทำ แล้วให้ตัวหลักสรุปภาพรวม - ปัญหา: AI แตะข้อมูลที่ไม่อยากให้แตะ
สาเหตุ: พึ่ง prompt ห้ามอย่างเดียว แต่ไม่ได้จำกัดสิทธิ์จริง
วิธีแก้: ตั้ง tool restriction และใช้ read-only กับงานเสี่ยง - ปัญหา: ผลลัพธ์ดีบ้างแย่บ้างไม่สม่ำเสมอ
สาเหตุ: body instruction ยังไม่ชัด และยังไม่ผ่านการปรับหลายรอบ
วิธีแก้: เก็บตัวอย่างงานดีและงานพลาด แล้วอัปเดตคำสั่งใน agent ต่อเนื่อง
การต่อยอด
- ทำชุด subagents สำหรับทีมการตลาดไทยโดยเฉพาะ เช่น ตัวจับ insight คู่แข่ง ตัวสกัดคำโฆษณา และตัวตรวจความน่าเชื่อถือของข้อเสนอ
- สร้าง agent library กลางขององค์กร แยกระหว่าง global agent และ project agent ให้ทุกทีมใช้ร่วมกัน
- ต่อยอดเป็น workflow ที่แตกงานอัตโนมัติจากเอกสารประชุม รายงานขาย หรือ feedback ลูกค้าแบบรายสัปดาห์
สรุป Checklist ทั้งหมด
- ☐ เข้าใจก่อนว่า subagent คือเอเจนต์ย่อยที่ทำงานแยกจากห้องแชตหลัก
- ☐ เลือกใช้ subagent กับงานที่ข้อมูลเยอะและไม่อยากให้ context หลักรก
- ☐ แยก built-in กับ custom ให้ชัด
- ☐ สร้าง custom subagent จากงานที่ทำซ้ำบ่อย
- ☐ เขียน description ให้ระบุหน้าที่และ trigger ชัดเจน
- ☐ ทดสอบจริง แล้วแก้ misfire จากพฤติกรรมที่เกิดขึ้น
- ☐ จำกัดสิทธิ์การเข้าถึงข้อมูลให้เหมาะ โดยเริ่มจาก read-only
- ☐ เลือก model ตามประเภทงาน ไม่ใช้รุ่นแพงกับทุกอย่าง
- ☐ ตัดสินใจว่า agent ไหนควรอยู่ระดับ project และ agent ไหนควรเป็น global
- ☐ ใช้ subagent แบบผู้เชี่ยวชาญเฉพาะทาง ไม่ใช่ผู้ช่วยสารพัดนึก
- ☐ หลีกเลี่ยงการใช้กับงานเล็กหรือขั้นตอนที่ต้องต่อกันยาว
- ☐ ระวัง dynamic workflows เพราะแม้จะแรง แต่กินต้นทุนเร็ว
- ☐ คิดเรื่อง AI เป็นระบบงาน ไม่ใช่แค่ prompt รายครั้ง
ถ้าจะสรุปบทเรียนจากคลิป How to Build Claude Subagents Better Than 99% of People ให้สั้นที่สุด มันคือการเลิกใช้ AI แบบโยนทุกอย่างใส่ตัวเดียว แล้วเริ่มจัดทีม AI ให้เหมือนทีมทำงานจริง คนที่ได้ประโยชน์มากที่สุดไม่ใช่คนที่เขียนระบบซับซ้อนที่สุด แต่คือคนที่แบ่งงานเป็น และรู้ว่าควรให้ AI ตัวไหนทำอะไร
สำหรับคนทำธุรกิจ นี่คือมุมที่ควรเก็บไปใช้ทันที เพราะเมื่อเราออกแบบ Claude Subagents ดีขึ้น เราไม่ได้แค่ประหยัด token แต่กำลังสร้าง workflow ที่คุมคุณภาพ คุมต้นทุน และขยายต่อได้จริง