GitHub เพิ่ม Agent Automation Controls ให้ Issues — ใส่ชั้นอนุมัติ คะแนนความมั่นใจ และ audit trail ก่อนปล่อยให้ AI agent แก้งานเอง
เมื่อ AI agent เริ่มลงมือแก้งานบน GitHub Issues จริง — ติดป้าย เปลี่ยนฟิลด์ ปิด issue มอบหมายผู้รับผิดชอบ — คำถามที่ตามมาทันทีคือ “แล้วใครคุมว่ามันทำอะไรได้บ้าง และตรวจย้อนหลังยังไง” วันที่ 23 ก.ค. 2026 GitHub ตอบด้วยการเปิด public preview ของ agent automation controls สำหรับ Issues — ชั้นกำกับดูแล (governance) ที่ให้ทีมตัดสินใจได้ว่า agent จะทำงานอัตโนมัติเต็มที่ หรือต้องให้คนอนุมัติก่อน
สามตัวควบคุมหลัก
- Approvals (การอนุมัติ): สั่งให้ automation เสนอ การเปลี่ยนแปลงแทนที่จะ ลงมือแก้เลย — การเปลี่ยนแปลงจะไปรอในแผงบน issue ยังไม่มีผลจนกว่าคนจะรีวิว
- Confidence ratings (คะแนนความมั่นใจ): agent ให้คะแนนแต่ละการกระทำเป็น สูง / กลาง / ต่ำ โดยการเปลี่ยนแปลงที่ มั่นใจสูงจะถูก apply อัตโนมัติ ส่วนที่ต่ำกว่าให้รอรีวิว — เป็นการแบ่งงานให้คนโฟกัสเฉพาะจุดที่ AI ไม่มั่นใจ
- Rationale / audit trail (เหตุผลและร่องรอยตรวจสอบ): ทุกการกระทำที่รองรับจะ บันทึกเหตุผลไว้ ไม่ว่าจะ apply อัตโนมัติหรือรอรีวิว ทำให้ตรวจย้อนหลังได้ว่าอะไรถูกเปลี่ยนและทำไม
การควบคุมนี้ครอบคลุมการกระทำกับ labels, fields, type, close และ assignees และมีฟิลเตอร์ค้นหา has:suggestions ให้หา issue ที่มีการเปลี่ยนแปลงรออนุมัติได้ทันที
ทำงานกับอะไรได้บ้าง
ตัวควบคุมนี้ผูกกับระบบ agent ของ GitHub เอง — ทำงานร่วมกับ GitHub Agentic Workflows และ Copilot cloud agent automations และเปิดให้เข้าถึงผ่านทั้ง REST และ GraphQL API จึงตั้งค่าเป็นนโยบายระดับรีโปหรือเชื่อมเข้ากับ pipeline ของตัวเองได้ ไม่ต้องกดผ่าน UI อย่างเดียว
มุมมอง AI Curator
ข่าวนี้เล็กกว่าการเปิดตัวโมเดล แต่สะท้อนเทรนด์ที่โตเงียบ ๆ และสำคัญมาก: สนามรบรอบต่อไปของ AI agent ไม่ใช่ “ทำงานได้ไหม” แต่คือ “จะให้มันทำเองแค่ไหนอย่างปลอดภัย” ปีที่ผ่านมาเราเห็น agent ที่เขียนโค้ด เปิด PR จัดการ issue ได้จริง แต่ของที่ยังขาดคือ คันเร่งและเบรก ให้ทีมปรับระดับความอิสระของ agent ได้ทีละสถานการณ์ การออกแบบของ GitHub — เสนอก่อนแก้ + คะแนนความมั่นใจ + บันทึกเหตุผล — คือแพตเทิร์นเดียวกับที่เราเริ่มเห็นทั่วอุตสาหกรรม (เทียบกับปลั๊กอิน Claude Security ที่ยืนกรานว่าไม่ apply แพตช์อัตโนมัติเช่นกัน) นั่นคือ “human-in-the-loop แบบปรับระดับได้” กำลังกลายเป็นดีฟอลต์ของเครื่องมือ agent ที่โตเต็มวัย
สำหรับทีมไทย/อาเซียนที่กำลังทดลองเอา agent เข้ามาช่วยจัดการ backlog บทเรียนคือ เริ่มจากโหมด “เสนอก่อน” เสมอ อย่าเพิ่งเปิด auto-apply จนกว่าจะเห็นสถิติความแม่นของ agent บนงานจริงของทีมเอง — confidence rating มีประโยชน์ก็ต่อเมื่อคุณ calibrate มันกับ workflow ตัวเองแล้ว และ audit trail จะกลายเป็นของมีค่ามหาศาลในวันที่ต้องตอบคำถามว่า “ทำไม issue นี้ถูกปิด” ในองค์กรที่มี compliance เข้ามาเกี่ยวข้อง
แหล่งข่าว:
อ่านเพิ่มในหมวด เครื่องมือนักพัฒนา
Betelgeuse รัน Qwen3.8 Flash Next ขนาด 68GB บน RTX 3060 กับแรม 16GB ส่วน Basalt วัดให้เห็นว่าเอนจินที่เร่งด้วยแฟล็กลัดทำให้โมเดลลืมของ
Betelgeuse ฟอร์ก llama.cpp ที่เปิดเมื่อ 31 ต.ค. ดึง expert จาก NVMe เข้า VRAM ตามต้องการ อ้าง 22 tok/s แบบไม่ทิ้ง expert แต่ README เตือนเองว่ายังทดลองและตัวเลขมาจากคนละรอบ วันเดียวกันผู้พัฒนา Basalt เผยผลวัดว่าแฟล็กเร่งความเร็วทำคุณภาพ Q8 ตกไปใกล้ Q2
กฎห้ามโคลนเกมของ Claude Code เริ่มกระทบงานจริง บริษัทรับทำเกมกระดานร้องงานลูกค้าหยุด แต่รายงานหลายชิ้นปนกับตัวกรองไซเบอร์คนละเรื่อง
ต่อจากที่เราพบกฎนี้ในไบนารี Claude Code ผู้ใช้เริ่มรายงานว่างานเชิงพาณิชย์ถูกปฏิเสธ และ Tom's Hardware กับ Mashable หยิบไปรายงาน แต่เมื่อไล่ issue ที่อ้างถึง พบว่าหลายรายการเกิดก่อนกฎจะมา จึงน่าจะเป็นตัวกรองด้านไซเบอร์ ส่วน Anthropic ยังไม่ชี้แจง
Claude Code ส่ง transcript ของ background agent ให้โมเดลทุก ~30 วินาทีเพื่อเขียนสถานะ 3–5 คำ ผู้วัดรายงานกินราว 16% และยังปิดแบบทางการไม่ได้
รายงานอิสระพบว่าฟีเจอร์ agent_summary ของ Claude Code ส่ง transcript เต็มของ background agent ไปถามสถานะทุก ~30 วินาที คิดเป็น 16.4% ของค่าใช้จ่ายในระบบของผู้วัด Issue เปิดมาตั้งแต่ ส.ค. ยังไม่มีสวิตช์ปิดที่รองรับ เราตรวจพบโค้ดนี้ใน 2.1.314 และพบกฎใหม่เรื่องเกมที่ไม่อยู่ใน changelog