LINE THAILAND DEVELOPER CONFERENCE 2026 ภายใต้ธีม “Build the Next-Frontier” นำเสนอ 6 เซสชันในแทร็ก Deep Tech ว่าด้วยการพัฒนา AI Agent ให้ทำงานตามข้อกำหนด ตรวจสอบได้ และพร้อมใช้งานจริง ครอบคลุมตั้งแต่การออกแบบกระบวนการเขียนโค้ด การควบคุมการเชื่อมต่อ ไปจนถึงการบริหารโมเดลและเปลี่ยนโค้ดเป็นคลังความรู้ โดยยังให้มนุษย์กำหนดทิศทางและรับผิดชอบผลลัพธ์
สามเซสชันแรกมุ่งที่ Agent Engineering โดยกิตติกร ประเสริฐศักดิ์ จาก BorntoDev แนะนำให้กำหนดมาตรฐานผ่าน AGENTS.md บันทึกเหตุผลการออกแบบด้วย ADR และแยกวงจรเขียนโค้ดกับทดสอบ เพื่อไม่ให้ Agent แก้เทสต์เพื่อให้ผ่านเอง ด้านธนิศร์พนธ์ ปาณิวรรณ จาก Apppi และ Mikelopster เสนอให้โมเดลใหญ่ช่วยออกแบบ Skills และ Hooks แล้วส่งงานที่มีขั้นตอนชัดเจนให้โมเดลเล็กทำต่อ พร้อมกำหนดเกณฑ์รับงานให้ชัด ส่วนโชคชัย ฟ้ารุ่งสาง จาก LINE ประเทศไทย นำเสนอ Harness & Loop Engineering เชื่อมข้อมูลจริงผ่าน MCP และให้ Agent ทดสอบ–แก้ไขซ้ำก่อนส่งงาน โดยยกกรณีพัฒนา 23 Services ภายใน 3 เดือน จากเดิม 6–8 เดือน
ด้านความปลอดภัย นิวตรอน เสามั่น จาก LINE ประเทศไทย เสนอ Egress Proxy ที่ใช้ Envoy เป็นด่านควบคุมการเชื่อมต่อออกภายนอก อนุญาตให้ Agent ติดต่อเฉพาะเว็บไซต์หรือ API ใน Allowlist พร้อมแนวทาง Transparent Proxy เพื่อให้การเชื่อมต่อผ่านระบบควบคุมโดยอัตโนมัติ และบันทึก Audit Log สำหรับตรวจสอบย้อนหลัง ช่วยให้ทีมกำหนดขอบเขตการเข้าถึงและติดตามพฤติกรรมผิดปกติได้ชัดเจนขึ้น
สำหรับองค์กรที่ใช้หลายโมเดล ขจรศักดิ์ พีรพัฒนานนท์ จาก Fastwork เสนอ Centralized Governance, Multiple Experiences ให้ทีมเลือกเครื่องมือได้ภายใต้การกำกับดูแลส่วนกลาง โดยใช้ LiteLLM เชื่อมโมเดลและบริหารสิทธิ์กับงบประมาณ ส่วน Langfuse ติดตามโทเคน ต้นทุน เวลาประมวลผล และเวอร์ชันพรอมต์ พร้อมแนะนำ Sourcebot สำหรับค้นหาโค้ด และ Onyx สำหรับค้นหาข้อมูลจากเครื่องมือทำงาน โดยรักษาสิทธิ์เข้าถึงตามแหล่งต้นทาง
เซสชันสุดท้าย ธัชคม พัฒนพูฒิ จาก LINE ประเทศไทย นำเสนอ Product Second Brain ใช้ LLM Wiki จัดโครงสร้างความรู้จากโค้ดหลาย Repository พร้อมย้อนตรวจหลักฐานและประเมินคำตอบด้วย Golden Set ผลทดสอบที่นำเสนอเมื่อใช้ร่วมกับ Sonnet 5.5 พบว่าลดเวลาค้นหาคำตอบ 38.4% และลดต้นทุน 50.4% เมื่อเทียบกับการให้ AI อ่านโค้ดโดยตรง ซึ่งเป็นผลเฉพาะกรณีทดสอบ นอกจากนี้ยังต่อยอดเป็น Bug Hunt Skill ให้ Agent เสนอข้อผิดพลาดพร้อมหลักฐานและขั้นตอนทำซ้ำ ก่อนส่งให้ QA ตรวจยืนยัน
