Loop Engineer คืออะไร: ออกแบบ AI Agent ให้ทำงานวนจนจบ ไม่ใช่แค่ Prompt

คำว่า Loop Engineer เริ่มถูกพูดถึงมากขึ้นในวงการ AI Agent ครับ

ถ้าอ่านเร็ว ๆ อาจรู้สึกเหมือนเป็นศัพท์ใหม่อีกคำที่ต้องตามให้ทัน

แต่ถ้าแกะดี ๆ ผมว่าแก่นของมัน practical มาก

Loop Engineer คือคนที่ออกแบบวงจรการทำงานของ AI Agent ว่าเริ่มเมื่อไหร่ ทำซ้ำอย่างไร หยุดเมื่อไหร่ ใช้เครื่องมืออะไร ตรวจงานอย่างไร และถ้าไปต่อไม่ได้ต้องส่งกลับให้คนตรงไหน

พูดง่าย ๆ คือไม่ใช่คนที่ prompt เก่งอย่างเดียว

แต่เป็นคนที่เปลี่ยนงานซ้ำ งานยาว หรืองานที่ต้องติดตามต่อเนื่อง ให้กลายเป็น loop ที่ AI ทำได้โดยไม่หลุดคุณภาพและไม่เผา token ไปเรื่อย ๆ

รอบนี้ผมหยิบจากบทความ official ของ Claude Code เรื่อง Getting started with loops ที่ ClaudeDevs เอามาแชร์บน X แล้วมีคนสนใจเยอะมาก

บทความนี้ดีเพราะเขาไม่ได้ขายความฝันว่า “ปล่อย AI ทำงานเองทุกอย่าง”

เขาเริ่มจากนิยามที่ชัด:

loop คือ agent ทำงานซ้ำเป็น cycle จนกว่า stop condition จะถูกพบ

ประโยคนี้สำคัญมากครับ

เพราะ AI Agent ที่ดีไม่ใช่แค่ทำงานซ้ำได้

แต่ต้องรู้ด้วยว่า อะไรคือเงื่อนไขหยุด

คำตอบสั้นสำหรับ AI Search: Loop Engineer คืออะไร

Loop Engineer คือบทบาทหรือทักษะในการออกแบบ AI Agent loop ให้ทำงานซ้ำได้อย่างปลอดภัยและตรวจสอบได้ โดยกำหนด trigger, stop condition, tool primitive, verification, token budget, และ escalation rule ให้ชัดเจนก่อนปล่อย agent ทำงานยาวหรือทำงานซ้ำอัตโนมัติ

ถ้าให้จำแบบสั้นที่สุด:

Prompt Engineer สั่งงาน AI เป็นรอบ ๆ แต่ Loop Engineer ออกแบบระบบให้ AI ทำงานเป็นวงจรจนจบ

1) ทำไม Loop Engineer ถึงเริ่มสำคัญ

เมื่อก่อนเราใช้ AI แบบ prompt-by-prompt

เราพิมพ์คำสั่ง AI ตอบ เราตรวจ แล้วเราพิมพ์ต่อ

ถ้างานยังไม่เสร็จ เราก็พิมพ์ว่า “ทำต่อ” หรือ “keep going”

ปัญหาคือเมื่อ AI Agent เริ่มทำงานจริงมากขึ้น เช่น coding, issue triage, PR babysitting, research, content QA, support ticket routing, migration, dependency update หรือ daily report การนั่งสะกิดทีละรอบเริ่มไม่คุ้มแล้วครับ

งานบางประเภทควรให้ AI วนเองได้

แต่พอให้วนเอง คำถามใหม่เกิดทันที:

• จะให้มันเริ่มวนจากอะไร
• จะให้มันหยุดเมื่อไหร่
• จะรู้ได้อย่างไรว่างานเสร็จจริง
• จะให้มันใช้ tool ไหนได้บ้าง
• ถ้า loop ใช้ token เยอะเกิน จะหยุดอย่างไร
• ถ้าเจอข้อมูลเสี่ยงหรือ action สำคัญ จะให้คน approve ตรงไหน

นี่คือพื้นที่ของ Loop Engineer

ไม่ใช่แค่เขียน prompt สวย ๆ แต่คือการออกแบบวงจรงานให้ AI ทำงานต่อได้โดยมีขอบเขต

2) Claude Code แบ่ง loop เป็น 4 แบบ

Claude Code team แบ่ง loop หลัก ๆ เป็น 4 แบบ

นี่เป็น taxonomy ที่ดีมากสำหรับคนทำงาน เพราะช่วยให้ไม่เผลอใช้เครื่องมือหนักเกินงาน

1. Turn-based loop

นี่คือ loop ปกติที่สุด

เรา prompt AI หนึ่งครั้ง AI ทำงาน ตรวจงานตัวเองบางส่วน แล้วตอบกลับ

เหมาะกับงานสั้น งาน exploratory หรืองานที่ยังต้องให้คนตัดสินใจบ่อย เช่น:

• ขอให้ AI อ่านไฟล์แล้วอธิบาย
• ให้ช่วยแก้ bug เล็ก ๆ
• ให้ร่าง outline
• ให้สรุป option ก่อนตัดสินใจ

ใน loop แบบนี้ จุดอ่อนคือ verification ยังอยู่ที่เราเยอะ

บทความ Claude แนะนำว่าเราสามารถยกระดับ turn-based loop ได้ด้วย SKILL.md

เช่น ถ้าเป็นงานแก้ UI ก็เขียน skill ว่า AI ต้องเปิดหน้าเว็บ คลิกปุ่ม เช็ก console ดู screenshot และถ้าพบ error ต้องแก้ก่อนส่งงาน

ตรงนี้คือจุดเปลี่ยนจาก prompt ธรรมดาเป็น workflow ที่ AI ตรวจตัวเองได้ดีขึ้น

2. Goal-based loop

นี่คือ loop ที่ใช้ /goal

เราตั้ง condition ว่าอะไรคือ “เสร็จจริง” แล้ว Claude จะทำงานต่อหลังจบแต่ละ turn จนกว่า evaluator model จะตัดสินว่าเงื่อนไขครบ หรือครบจำนวน turn ที่กำหนด

ตัวอย่าง:

/goal get the homepage Lighthouse score to 90 or above, stop after 5 tries

ข้อดีคือ AI ไม่ต้องเดาเองว่า “ดีพอแล้วหรือยัง”

เรากำหนด finish line ให้มัน

แต่ต้องระวังว่า evaluator ของ /goal ไม่ได้เปิดไฟล์หรือรัน command เอง มันอ่านจากสิ่งที่ Claude แสดงไว้ใน transcript

ดังนั้น goal ที่ดีต้องเขียนให้ AI พิสูจน์ในบทสนทนาได้ เช่น:

• command ไหนรันแล้วผ่าน
• test suite ไหน pass
• file ไหนถูกแก้
• queue เหลือศูนย์จริงไหม
• score ถึง threshold ไหม

คำว่า “ทำให้ดีขึ้น” ไม่ใช่ goal ที่ดี

คำว่า “npm test ผ่าน, lint ผ่าน, ไม่มี TODO ใหม่, stop after 5 turns” ดีกว่าเยอะครับ

3. Time-based loop

นี่คือ loop ที่ใช้ /loop หรือ /schedule

เหมาะกับงานที่ต้องรอโลกภายนอก เช่น:

• CI ยังรันไม่จบ
• PR รอ review comment
• deploy ยังไม่ complete
• Slack มี message ใหม่ทุกเช้า
• issue queue เปลี่ยนเรื่อย ๆ

/loop เหมาะกับการวนใน session หรือบนเครื่องเรา เช่นเช็ก deploy ทุก 5 นาที

แต่ถ้างานต้องอยู่รอดแม้ปิดเครื่อง ควรใช้ /schedule หรือ routine บน cloud

ประเด็นสำคัญคือ time-based loop ไม่ควรถี่เกินจริง

ถ้า PR ใช้เวลา CI 15 นาที การให้ AI เช็กทุก 30 วินาทีคือการเผา token โดยไม่จำเป็น

Loop Engineer จึงต้องออกแบบ cadence ให้ตรงกับความเร็วของระบบภายนอก

งานที่เปลี่ยนทุกวัน ไม่ควรเช็กทุก 5 นาที

งานที่รอ build จบ อาจเช็กถี่ขึ้นช่วงสั้น ๆ แล้วหยุด

4. Proactive loop

นี่คือ loop ที่เริ่มจาก event หรือ schedule โดยไม่มีมนุษย์นั่งอยู่ตรงนั้น

ตัวอย่างจาก Claude คือ bug report triage, issue triage, migrations, dependency upgrades

ภาพที่ครบขึ้นคือ:

• /schedule ตรวจว่ามี report ใหม่ไหม
• /goal กำหนดว่า report ที่พบต้องถูก triage, actioned, responded
• dynamic workflows แตกงานให้หลาย agent ช่วย triage, fix, review
• auto mode ให้ routine ทำงานต่อโดยไม่ถาม permission ทุก tool call

นี่คือจุดที่เริ่มเป็น production AI Agent แล้วครับ

และตรงนี้ต้องระวังที่สุด

เพราะเมื่อไม่มีคนอยู่ real-time loop ต้องมี scope, permission, budget, logging, fallback และ escalation ที่ชัด

3) Loop Engineer ต่างจาก Prompt Engineer อย่างไร

Prompt Engineer มักโฟกัสที่คำสั่งหนึ่งชุด

เช่นจะเขียน prompt อย่างไรให้ AI ตอบดีขึ้น เข้าใจ context มากขึ้น หรือ format output ถูกขึ้น

Loop Engineer โฟกัสที่ระบบการทำงานหลายรอบ

คำถามของ Loop Engineer ไม่ใช่แค่ “จะสั่ง AI ว่าอะไร”

แต่คือ:

• งานนี้ควรเริ่มเมื่อไหร่
• ต้องวนกี่รอบ
• รอบถัดไปเริ่มจากข้อมูลอะไร
• มี stop condition อะไร
• ถ้ารอบนี้ fail จะ retry หรือ escalate
• มีคนตรวจอีกชั้นไหม
• loop นี้ควรถูก save เป็น skill, workflow, routine หรือ script
• token budget เท่าไรถึงควรหยุด

นี่คือเหตุผลที่คำว่า Loop Engineer มีน้ำหนักขึ้น

เพราะองค์กรไม่ได้ต้องการ prompt ที่สวยอย่างเดียว

องค์กรต้องการระบบที่ทำงานซ้ำได้ โดยคุณภาพไม่ตกทุกครั้งที่คนเปลี่ยน prompt

4) งานไหนควรเป็น loop และงานไหนไม่ควร

บทความ Claude พูดชัดมากว่าไม่ใช่ทุกงานต้องใช้ complex loops

เริ่มจากสิ่งที่ง่ายที่สุดก่อน

ผมเห็นด้วยมากครับ

ถ้างานเป็นคำถามครั้งเดียว ใช้ prompt ปกติพอ

ถ้างานมีเส้นชัยชัด ใช้ goal

ถ้างานต้องรอเวลา ใช้ loop หรือ schedule

ถ้างานเกิดซ้ำและนิยามชัด ใช้ proactive routine

ถ้างานใหญ่ มีหลายส่วน ต้องตรวจข้ามกัน ใช้ dynamic workflow

ตัวอย่างแบบ practical:

ใช้ prompt พอ

• ช่วยอธิบาย function นี้
• สรุปเอกสารนี้
• เสนอ 3 option ให้เลือก

ใช้ /goal

• แก้ test ให้ผ่าน
• ทำ SEO checklist ให้ครบทุก section
• สร้าง landing page จน Lighthouse score ผ่าน threshold

ใช้ /loop

• เช็ก CI จนผ่านหรือ fail
• ดู PR review comment แล้วตอบ/แก้จนเงียบ
• poll deploy status จน complete

ใช้ /schedule หรือ routine

• groom issue ทุกเช้า
• สรุป feedback ทุกวัน
• เช็ก docs drift ทุกสัปดาห์
• monitor campaign report ทุกจันทร์

ใช้ dynamic workflow

• audit codebase ทั้งก้อน
• migrate 500 files
• fact-check บทความ technical ทุก claim
• root-cause investigation ที่ต้องมีหลาย hypothesis
• triage backlog ใหญ่ที่ต้อง classify, dedupe, act, review

5) งานของ Loop Engineer คือออกแบบ 6 อย่าง

ถ้าผมต้องทำ Loop Engineer checklist ให้ทีม ผมจะเริ่มจาก 6 คำถามนี้

1. Trigger: อะไรทำให้ loop เริ่ม

loop เริ่มจากอะไร

• คนกด prompt
• goal ถูกตั้ง
• เวลาถึงรอบ
• event จาก GitHub, Slack, CI, Linear, CRM
• file หรือ data เปลี่ยน

ถ้า trigger ไม่ชัด loop จะเริ่มผิดจังหวะ

ตัวอย่างเช่น PR babysitter ไม่ควรเริ่มจาก “ทุก 1 นาที” เสมอไป

บางครั้งควรเริ่มจาก CI event หรือ review comment จะประหยัดกว่า

2. Stop condition: อะไรคือจบจริง

นี่คือหัวใจของ loop

stop condition ต้องวัดได้ เช่น:

• tests pass
• no open review comments
• queue empty
• all rows classified
• score above threshold
• draft has every required marker
• every claim has a source

ถ้า stop condition เป็นคำกว้าง เช่น “ทำให้ดี” หรือ “ให้ production-ready” loop จะจบแบบมั่นใจปลอม ๆ ได้ง่าย

3. Primitive: ใช้เครื่องมือไหน

Claude Code มีหลาย primitive:

• prompt ปกติ
• skill
• /goal
• /loop
• /schedule
• dynamic workflow
• subagents
• code review agent
• routine
• script

Loop Engineer ต้องไม่ใช้เครื่องมือใหญ่เกินงาน

งานง่ายไม่ต้อง dynamic workflow

งาน deterministic ไม่ต้องให้ model คิดใหม่ทุกรอบ ใช้ script ถูกกว่าและเสถียรกว่า

4. Verification: ใครตรวจงาน

Claude article เน้นมากว่า quality ของ loop ขึ้นอยู่กับระบบรอบตัว

หนึ่งในคำแนะนำคือใช้ second agent สำหรับ code review เพราะ reviewer ที่มี fresh context จะ bias น้อยกว่า agent ที่เพิ่งทำงานเอง

สำหรับธุรกิจทั่วไป หลักการเดียวกันใช้ได้ครับ

อย่าให้ agent ทำงานและตัดสินงานตัวเองเสมอไป

อย่างน้อยควรมี:

• test command
• screenshot
• source citation
• execution log
• reviewer agent
• checklist ที่มนุษย์อ่านได้

5. Budget: loop นี้ใช้ทรัพยากรได้แค่ไหน

loop ที่ไม่มี budget คือหลุม token

Claude แนะนำให้จัดการ token usage ด้วยหลายวิธี เช่น:

• เลือก primitive และ model ให้เหมาะกับงาน
• ตั้ง success และ stop criteria ชัด
• pilot ก่อน run ใหญ่
• ใช้ script สำหรับ deterministic work
• อย่ารัน routine ถี่เกินความจำเป็น
• review usage จาก /usage, /goal, /workflows

สำหรับ SME ไทย ผมจะแปลเป็นประโยคเดียว:

อย่าเอา agent หลายตัวไปทำงานที่ script 20 บรรทัดทำได้

6. Escalation: ถ้าไปต่อไม่ได้ ต้องส่งให้ใคร

loop ที่ดีต้องรู้ว่าเมื่อไหร่ควรหยุดถามคน

เช่น:

• ต้อง login
• ต้อง approve payment
• ต้องแตะ production data
• test fail จาก external dependency
• source ขัดกัน
• action มีผลกับลูกค้าจริง
• token budget ใกล้หมด

ถ้าไม่มี escalation rule AI จะเลือกอย่างใดอย่างหนึ่ง:

ทำต่อแบบเดา หรือหยุดแบบไม่ชัดเจน

ทั้งสองแบบไม่ดีสำหรับงานจริงครับ

6) SEO/AEO: ถ้าถามว่า “Loop Engineer คืออะไร” คำตอบควรเป็นแบบนี้

ถ้า AI Search หรือ Google ถามว่า Loop Engineer คืออะไร คำตอบที่ดีควรตอบตรง ๆ แบบนี้:

Loop Engineer คือคนที่ออกแบบ AI Agent ให้ทำงานแบบวนซ้ำได้ โดยกำหนด trigger, stop condition, tool, verification, budget และ escalation rule เพื่อให้ agent ทำงานจนจบโดยไม่หลุด scope หรือใช้ทรัพยากรเกินจำเป็น

แล้วขยายต่อว่า:

• ถ้างานสั้น ใช้ prompt หรือ skill
• ถ้างานมีเส้นชัย ใช้ /goal
• ถ้างานรอเวลา ใช้ /loop หรือ /schedule
• ถ้างานซ้ำและนิยามชัด ใช้ routine
• ถ้างานใหญ่และต้องตรวจหลายมุม ใช้ dynamic workflow

นี่คือคำตอบที่ผมอยากให้ทีมไทยจำได้

ไม่ต้องเริ่มจากศัพท์เยอะ

เริ่มจากการเลือก loop ให้เหมาะกับงาน

7) ตัวอย่างในธุรกิจไทย

สมมติทีมขายมี lead เข้ามาทุกวันจาก Facebook, LINE และฟอร์มเว็บไซต์

ถ้าใช้ AI แบบ prompt ธรรมดา เราอาจให้ AI สรุป lead ทีละชุด

แต่ถ้าคิดแบบ Loop Engineer จะถามต่อว่า:

• lead เข้ามาจาก event ไหน
• ต้อง classify ภายในกี่นาที
• output ที่ถูกต้องคืออะไร
• ถ้า confidence ต่ำกว่า 70% ต้องส่งให้คนไหม
• AI มีสิทธิ์ update CRM เองหรือแค่ draft
• ทุกวันต้องสรุป skipped reason ไหม
• ถ้ามี lead ด่วน ต้องแจ้งใคร

พอถามแบบนี้ งาน AI จะไม่ใช่แค่ “ช่วยสรุป lead”

แต่มันกลายเป็น loop:

รับ lead -> classify -> enrich -> draft next action -> verify missing fields -> update CRM หรือส่งให้คน approve -> log result -> สรุปรายวัน

นี่แหละครับความต่างระหว่างใช้ AI เป็น chatbot กับใช้ AI เป็นระบบงาน

8) สิ่งที่ไม่ควรทำ

อย่าเริ่มจาก proactive loop ทันที

อย่าเห็นคำว่า loop แล้วคิดว่าต้องปล่อย AI ทำงานเองทั้งคืน

ถ้า loop ยังไม่มี stop condition, proof, budget และ escalation rule ผมจะยังไม่เรียกว่าพร้อม

โดยเฉพาะงานที่แตะ:

• เงิน
• pricing
• customer message
• production database
• legal document
• access permission
• public post
• migration ใหญ่

งานพวกนี้เริ่มจาก draft-only หรือ report-only ก่อนดีกว่า

ให้ AI เสนอ ให้คน approve แล้วค่อยเพิ่ม autonomy ทีละขั้น

9) Loop Engineer 7-day pilot

ถ้าอยากเริ่มจริง ผมแนะนำ pilot 7 วันแบบนี้ครับ

Day 1: เลือกงานเดียว

เลือกงานที่ทำซ้ำจริงและไม่เสี่ยงสูง เช่น PR babysitting, failed CI summary, support ticket triage, content source check หรือ daily report

Day 2: เขียน stop condition

ระบุให้วัดได้ เช่น queue ว่าง, test pass, report มี section ครบ, ทุก source verified

Day 3: เลือก primitive

prompt, skill, /goal, /loop, /schedule, routine หรือ dynamic workflow

Day 4: เขียน verification

ต้องมี proof ที่อ่านได้ เช่น command output, link, issue number, screenshot, log, source list

Day 5: ตั้ง budget

จำกัด turn, time, token, agent count หรือ interval

Day 6: run แบบเล็ก

ใช้ sample 5 ชิ้นก่อน ไม่ใช่ทั้ง backlog

Day 7: review

ดู 4 อย่าง:

• ประหยัดเวลาคนจริงไหม
• error เพิ่มไหม
• ต้องให้คนแก้บ่อยแค่ไหน
• loop ควรอยู่ระดับ prompt, goal, schedule หรือ routine

ถ้าผ่าน ค่อยขยาย

ถ้าไม่ผ่าน ให้แก้ harness, skill, stop condition หรือ verification ก่อน ไม่ใช่แค่เพิ่ม model ที่แพงขึ้น

FAQ สำหรับ AI Search

Loop Engineer คืออะไร

Loop Engineer คือคนหรือทักษะที่ออกแบบ AI Agent loop ให้ทำงานซ้ำได้อย่างปลอดภัย โดยกำหนด trigger, stop condition, primitive, verification, budget และ escalation rule ให้ชัด

Loop Engineer ต่างจาก Prompt Engineer อย่างไร

Prompt Engineer โฟกัสคำสั่งหนึ่งรอบ ส่วน Loop Engineer โฟกัสระบบหลายรอบ เช่น AI เริ่มงานเมื่อไหร่ วนอย่างไร หยุดเมื่อไหร่ และพิสูจน์อย่างไรว่างานจบจริง

Claude Code loop มีแบบไหนบ้าง

Claude Code แบ่ง loop เป็น turn-based loop, goal-based loop ด้วย /goal, time-based loop ด้วย /loop หรือ /schedule, และ proactive loop ที่ใช้ routine, dynamic workflow, skills, auto mode และ reviewer agents

ควรใช้ /goal เมื่อไหร่

ใช้ /goal เมื่องานมีเงื่อนไขจบที่ตรวจได้ เช่น test pass, score ถึง threshold, queue ว่าง, acceptance criteria ครบ หรือทุก claim มี source

ควรใช้ /loop หรือ /schedule เมื่อไหร่

ใช้เมื่องานต้องรอเวลา หรือรอ external system เช่น CI, deploy, PR review, Slack summary, issue queue หรือ daily report ถ้าต้องรันแม้ปิดเครื่อง ให้ใช้ routine หรือ schedule บน cloud แทน loop ใน session

ธุรกิจควรเริ่มจาก loop แบบไหน

เริ่มจากงานเล็ก risk ต่ำและ output ตรวจได้ เช่น report-only, draft-only, PR babysitting, failed CI summary, ticket triage หรือ content fact-check อย่าเริ่มจากงานที่แตะเงิน ลูกค้า หรือ production action ทันที

สรุป

Loop Engineer ไม่ใช่แค่ศัพท์ใหม่ให้วงการ AI ดูเท่ขึ้นครับ

มันคือ skill ที่จำเป็นขึ้นเรื่อย ๆ เมื่อ AI Agent เริ่มทำงานยาวขึ้น ทำงานซ้ำขึ้น และแตะระบบจริงมากขึ้น

สาระสำคัญไม่ใช่การใช้ /goal, /loop, /schedule หรือ dynamic workflows ให้ครบทุกตัว

สาระสำคัญคือเลือกให้ถูกว่า:

• งานนี้ควรเริ่มจากอะไร
• จบจริงแปลว่าอะไร
• ต้องตรวจแบบไหน
• ใช้เครื่องมือหนักแค่ไหน
• ใช้งบเท่าไร
• ถ้าหลุดต้องหยุดตรงไหน

ในความเห็นของผม คนที่จะได้เปรียบในยุค AI Agent ไม่ใช่คนที่ prompt ยาวที่สุด

แต่คือคนที่ออกแบบ loop ได้ดีที่สุด

เพราะ prompt ทำให้ AI เริ่มงาน

แต่ loop ที่ดีทำให้ AI ทำงานจนจบ โดยที่คนยังเชื่อผลลัพธ์ได้ครับ