Anthropic เปิดตัว Routines feature ใหม่ใน Claude Code ที่เปลี่ยน coding agent จากเครื่องมือที่ต้องรอผู้ใช้พิมพ์ prompt แล้วกด Enter ให้กลายเป็น teammate ที่เริ่มทำงานเองตาม trigger ที่กำหนดไว้ล่วงหน้า ในเซสชัน Code with Claude วันสุดท้าย Maya สมาชิกทีม Applied AI ของ Anthropic นำเสนอกรอบการออกแบบ proactive agent ผ่านสามองค์ประกอบหลัก ได้แก่ trigger ที่บอกว่าเมื่อใดต้องทำงาน context ที่บอกว่ามีข้อมูลและเครื่องมืออะไรให้ใช้ และ steerability ที่บอกว่ามนุษย์จะกำกับและตรวจสอบผลลัพธ์อย่างไร Build a proactive agent workflow with Claude Code
ตามที่ Maya นำเสนอ จำนวน PR รายสัปดาห์ของ Claude Code เพิ่มขึ้นถึง 200 เปอร์เซ็นต์ตั้งแต่ต้นปี เป็นสัญญาณว่า engineering velocity ภายในทีมพุ่งขึ้นมาก แต่ก็สร้างภาระหนักให้ engineer ที่ดูแล documentation ของ Claude Code และ Claude Agent SDK จนเกิดโจทย์จริงในการ automate งาน docs ด้วย Routines ซึ่งเป็น case study หลักของเซสชันนี้ เนื้อหาด้านล่างจึงสรุปสาระสำคัญของคลิปทั้งหมด แล้วจัดเรียงใหม่ในรูปแบบที่นักพัฒนาไทยนำไปใช้ออกแบบ workflow ของทีมตนเองได้ทันที
1. ปัญหาของ proactive agent ก่อนยุค Routines
Maya เริ่มจากคำถามว่าใครเคยรัน Claude Code บน cron แล้วยังสนุกกับการดูแล infra ของ job นั้นอยู่บ้าง ในห้องมีคนยกมือเพียงคนเดียว สะท้อนว่าการสร้าง proactive agent ด้วยมือเองยังเป็นภาระสำหรับทีมส่วนใหญ่ Maya จึงสรุปอุปสรรคหลักสามเรื่องที่ Anthropic เองก็เจอภายใน และกลายเป็นที่มาของการพัฒนา Routines
เรื่องแรกคือการตัดสินใจว่า agent ควรรันที่ไหน เพราะถ้ารันบน local machine แล้วปิดเครื่องหรือเครื่องดับ session ก็จบทันที ทีมจึงต้องจัดการ hosting data persistence และ authentication เอง ซึ่งกลายเป็น boilerplate code จำนวนมากนอกเหนือจาก prompt จริง เรื่องที่สองคือการ trigger agent ตามเวลาที่ต้องการ ผ่าน cron หรือ HTTP endpoint ที่ทีมต้อง spin up เอง ส่วนเรื่องที่สามคือการกำกับ agent ในเชิง human in the loop กับ human out of the loop เพราะ headless session ของ Claude Code มองไม่เห็นว่า agent กำลังทำอะไรอยู่ การ steer หรือ resume session จึงยากในทางปฏิบัติ
ในคลิป Maya ระบุว่า Routines ออกแบบมาเพื่อแก้สามเรื่องนี้พร้อมกัน ผู้ใช้แค่ระบุ prompt repository ที่ต้องการเชื่อม connector ที่ต้องใช้ และ trigger ที่ต้องการ ส่วน Claude Code จะจัดการ infra ที่เหลือให้ทั้งหมด ทีมจึงไม่ต้องเสียเวลากับ plumbing และโฟกัสที่ domain expertise ของตนเองได้เต็มที่
2. หลักการออกแบบของ Routines: always available proactive steerable
ตามที่ Maya อธิบายในคลิป Routines ถูกออกแบบโดยยึดหลักสามข้อที่ตอบสนองอุปสรรคในหัวข้อก่อนหน้าโดยตรง
หลักข้อแรกคือ always available เพราะ Routines รันบน managed infrastructure ของ Claude Code ทำให้ session ไม่ผูกกับเครื่องผู้ใช้ ส่วน hosting state และ connector auth นั้น Claude Code ดูแลให้ทั้งหมด หลักข้อที่สองคือ proactive with customizable triggers รองรับทั้ง time-based schedule และ event-based trigger โดยมี native support สำหรับ GitHub event และ custom event ผ่าน webhook ที่ผู้ใช้ post payload เข้ามาเป็น context หลักข้อที่สามคือ interactive and steerable ซึ่ง Maya เน้นว่าทุก routine ที่รันจริงคือ Claude Code session ปกติ เปิดดู ติดตาม สั่งต่อ และ resume ได้ผ่าน web CLI หรือ desktop เหมือนการรัน Claude Code ใน terminal โดยตรง
Note: จุดที่ Routines แตกต่างจาก cron ทั่วไปคือ session ไม่ได้เป็น fire and forget แต่ยังเป็น live session ที่เข้าไปดูประวัติคำสั่งและ thought process ของ Claude ได้แม้ trigger จบไปแล้ว การ audit และ debug จึงทำได้เหมือน session แบบ interactive
3. กรอบสามองค์ประกอบ Trigger Context Steerability
Maya ระบุในคลิปว่าก่อนสร้าง routine ใดก็ตาม ผู้ออกแบบต้องตอบคำถามสามข้อให้ครบ กรอบนี้ใช้ได้ทั้งกับ use case ของ documentation และ workflow อื่นในองค์กร
3.1 Trigger: เมื่อใดที่ routine ควรเริ่มทำงาน
Maya แบ่ง trigger ออกเป็นสองประเภทหลัก ประเภทแรกคือ schedule-based เหมาะกับงานที่มี cadence ชัดเจน เช่น การ review ความต่างระหว่าง source code กับ documentation ทุกสัปดาห์ ประเภทที่สองคือ event-based ครอบคลุมทั้ง GitHub event แบบ native เช่น release cut หรือ PR label merge และ custom event ผ่าน webhook ที่ทีมส่ง POST request จากระบบของตนเองเข้ามา พร้อม payload เป็น context ของ session
Maya ยกตัวอย่างว่า engineer ที่ deploy feature ใหม่อาจติด label ว่า needs docs บน PR ของตนเอง แล้วให้ routine trigger เฉพาะเมื่อ PR ที่มี label นั้น merge แล้ว วิธีนี้ทำให้ Claude Code session เริ่มงานเฉพาะกรณีที่จำเป็นจริง โดยไม่ต้อง poll ทุกการเปลี่ยนแปลง
3.2 Context: agent ต้องรู้อะไรจึงจะทำงานสำเร็จ
ตามที่ Maya นำเสนอ ขอบเขตของ context คือ ceiling ของผลลัพธ์ที่ Claude จะทำได้ ขั้นตอนนี้จึงสำคัญพอ ๆ กับการเขียน prompt สำหรับ use case documentation Sarah ต้องให้ Claude เข้าถึง repo สอง repo พร้อมกัน ได้แก่ source code ของ Claude Code เพื่อดูการเปลี่ยนแปลงล่าสุด และ documentation repo เพื่อสร้าง PR ปรับปรุงเอกสาร
นอกจาก repo แล้ว Maya อธิบายว่า routine ยังเชื่อม connector อื่นได้ตามความจำเป็น เช่น Google Drive สำหรับเข้าถึง marketing brief เก่า เพื่อให้ Claude ใช้ภาษาและถ้อยคำสอดคล้องกับเอกสารภายนอกของ Anthropic หรือ Slack สำหรับให้ Claude แจ้งเตือนผู้ดูแลทุกครั้งที่สร้าง PR เสร็จ ทั้งหมดนี้คือการประกอบ context จาก building block ทั้ง repo connector และ knowledge base ที่จำเป็นต่องานจริง
3.3 Steerability: รักษาคุณภาพและความถูกต้องของผลลัพธ์
Maya ระบุในคลิปว่ามีหลายวิธีในการกำกับ Claude ให้อยู่ในกรอบที่ต้องการ วิธีแรกที่ Maya มองว่าน่าสนใจคือ agent on agent review ซึ่งยืมรูปแบบ generator critique จากการออกแบบ multi-agent system โดยตั้ง routine หนึ่งให้สร้าง docs PR และตั้ง routine อีกชุดให้ trigger เมื่อ PR นั้นสร้างเสร็จ เพื่อเข้าไป comment ตรวจสอบก่อนที่มนุษย์จะเข้ามาดู
วิธีที่สองคือการ monitor session แบบ real time ผ่านหน้าเว็บ Claude Code โดยเปิดดู thought process ของ session ได้สด และ inject คำสั่งระหว่างทางเพื่อ steer Claude ไปคนละทิศได้ทันที วิธีที่สามคือการ resume past session เพื่อต่อยอดจาก routine เก่าโดยไม่ต้องเริ่มใหม่ วิธีสุดท้ายคือการ verify ผลลัพธ์อย่างเป็นรูปธรรม เช่น สำหรับ docs Sarah จะ render หน้า documentation ที่ Claude แก้ออกมาดูเสมอ เพื่อตรวจสอบว่าผลลัพธ์ตรงกับที่คาดหวัง
4. Case study: Sarah กับการ automate งาน documentation
Maya เดโมการสร้าง routine แรกของ Sarah ผ่านคำสั่ง /schedule ใน Claude Code terminal prompt ที่ใช้คือคำขอให้ Claude review การเปลี่ยนแปลงที่ merge เข้า main ของ source repo เทียบกับ documentation repo สัปดาห์ละหนึ่งครั้ง แล้วเปิด PR อัปเดต documentation ถ้า Claude พบความต่าง
หลังจาก paste prompt ลง terminal ตามที่ Maya สาธิต Claude จะถามคำถามต่อเพื่อ refine routine เช่น เวลาที่ต้องการให้ trigger ทุกสัปดาห์ และวิธีที่ต้องการให้ Claude แจ้งเตือนเมื่อสร้าง PR แล้ว คำตอบเหล่านี้จะกลายเป็น instructions ที่ใช้เป็น prompt ตั้งต้นในทุก session ของ routine ดังกล่าว
เมื่อเปิด Claude Code web ที่ claude.ai Maya แสดง routine จริงของ Sarah ที่เชื่อมกับ repo ทั้งสองตัว ตั้ง trigger ทุกวันจันทร์ 10 AM และเชื่อมกับ GitHub กับ Slack ส่วนหน้า detail ของ routine แสดง instructions ที่ Claude generate จาก prompt ตั้งต้นและคำตอบของ Maya เมื่อ trigger รัน Claude จะอ่าน instructions เปรียบเทียบ change log กับ documentation repo แล้วเปิด PR กลับมา พร้อมประวัติของ session ที่เปิดดูได้ทั้งหมด
นอกจาก routine ตาม schedule แล้ว Maya สาธิต routine ที่สองซึ่งใช้ GitHub event trigger ในรูปแบบ issue opens เมื่อมีคนเปิด issue บน docs repo routine จะรันทันที พร้อม payload ของ issue เป็น context ให้ Claude วิเคราะห์ว่า issue นี้เป็น documentation gap หรือไม่ ถ้าใช่ก็เปิด PR แก้ไขและ ping ผู้ดูแลผ่าน Slack ระหว่างเดโม Maya จงใจ steer session ให้หยุดกลางทาง เพราะรู้ว่ามี PR อื่นปิด issue เดียวกันอยู่แล้ว จึงสาธิต live steerability ของ Routines ได้อย่างชัดเจน
5. รูปแบบขั้นสูง: deploy verifier on-call investigator PM triager
Maya ปิดท้ายด้วย pattern ของ routine ที่นักพัฒนานำไปประยุกต์กับงานอื่นนอกเหนือจาก documentation และใช้กรอบสามองค์ประกอบเดิมเป็น checklist สำหรับออกแบบทุก use case
รูปแบบแรกคือ deploy verifier ซึ่ง Maya เสนอให้ใช้ webhook จาก CD pipeline เป็น trigger ส่วน context ประกอบด้วย source code ของ service ที่เพิ่ง deploy เครื่องมือ monitoring เช่น Datadog หรือ Grafana และ connector แจ้งเตือนผ่าน Slack อีเมล หรือ Twilio สำหรับ steerability ให้เริ่มจาก Claude ออก go หรือ no-go decision ก่อน แล้วค่อยเปิดให้ Claude rollback อัตโนมัติเมื่อ trust ในการตัดสินใจมากขึ้นในระยะยาว
รูปแบบที่สองคือ on-call investigator ใช้ alert webhook เป็น trigger พร้อม runbook กับ log connector เป็น context และให้มนุษย์ review ก่อนทุกครั้งในช่วงแรก รูปแบบที่สามคือ PM triager สำหรับ product manager ที่ต้องอ่าน backlog จำนวนมากในแต่ละสัปดาห์ โดยตั้ง routine แบบ schedule-based เชื่อม GitHub Slack หรือแหล่ง issue อื่น ๆ แล้วให้ Claude จัดลำดับความสำคัญ พร้อมเปิด PR สำหรับ issue ที่สำคัญที่สุดให้
ทุกรูปแบบที่ Maya ยกตัวอย่างยึดสูตรเดียวกัน คือเริ่มจาก trigger ที่บอกได้ชัดว่าเมื่อใดควรรัน ตามด้วย context ที่ครอบคลุมข้อมูลและเครื่องมือที่ Claude จะใช้ตัดสินใจ แล้วปิดด้วย steerability ที่ทำให้มนุษย์ยังมีจุดเข้ามาแก้ทางได้ ทั้งสามส่วนเสริมกันเป็น loop ของ proactive agent ที่ปลอดภัยพอจะปล่อยทำงานได้จริง
6. ข้อสรุปจาก Maya: proactive beats reactive
Maya สรุปสามประเด็นในช่วงท้ายของคลิป ประเด็นแรกคือ proactive agent มีพลังเหนือ reactive agent เพราะ teammate ที่สังเกตเห็นปัญหาและลงมือแก้เองย่อมมีประโยชน์มากกว่าเครื่องมือที่รอผู้ใช้พิมพ์ prompt ทุกครั้ง ประเด็นที่สองคือ Routines ออกแบบมาเพื่อให้นักพัฒนาไม่ต้องเสียเวลา maintain infra แต่ทุ่มเวลาให้กับ domain และ process expertise ของตนเองได้เต็มที่ ส่วนประเด็นที่สามคือทุกคนเริ่มใช้ Routines ได้ผ่านคำสั่ง /schedule ใน Claude Code
สิ่งที่ Maya ไม่ได้พูดออกมาตรง ๆ แต่ปรากฏชัดในทุก case study คือกรอบ trigger context steerability ไม่ได้เป็นเพียง spec ของ Routines เท่านั้น แต่เป็น mental model สำหรับออกแบบ proactive agent ได้บนทุก stack ไม่ว่าจะเป็น Claude Code หรือ stack อื่น ผู้ที่อยากเริ่มสร้าง agent ในทีมตนเองจึงควรเริ่มจากการตอบสามคำถามนี้ให้ครบก่อน แล้วค่อยตัดสินใจว่าจะใช้ Routines หรือสร้าง orchestration ของตนเอง
Tip: ก่อนเขียน routine แรกของทีม ผู้ออกแบบควรเขียนคำตอบของสามคำถามเป็น checklist สั้น ๆ ก่อนเปิด
/scheduleได้แก่ trigger ใดที่บอกได้ชัดว่าเมื่อใดต้องรัน context ใดบ้างที่ Claude ต้องเข้าถึงจึงจะตอบโจทย์ และจุดใดที่ทีมจะ steer หรือ verify ผลลัพธ์ก่อน merge
บทความนี้เรียบเรียงจากคลิป Build a proactive agent workflow with Claude Code บรรยายโดย Maya สมาชิกทีม Applied AI ของ Anthropic ในงาน Code with Claude เซสชันสุดท้ายของวันแรก ความยาวรวม 22 นาที ผู้ที่สนใจรายละเอียดและภาษากายของการสาธิต รวมถึง Q and A ที่ไม่ได้รวมในบทความนี้ สามารถชมคลิปต้นทางได้ที่ช่อง Claude บน YouTube
ที่มา: Build a proactive agent workflow with Claude Code · Claude (Anthropic)
ความคิดเห็น
ยังไม่มีความคิดเห็น เป็นคนแรกที่แสดงความเห็น!