Clean-Room Rewrites และ Parity Audits สำหรับทีม AI Agent
Rewrite ส่วนใหญ่ล้มเหลวก่อน code จะล้มเหลว มันล้มเหลวตั้งแต่ planning
ทีมอยากแทนที่ stack เก่า เปลี่ยนภาษา หรือ rebuild รอบ model provider ใหม่ แล้วจึงพบว่าตัวเองไม่มีวิธีอธิบายอย่างมีวินัยว่าระบบเก่าทำอะไรจริง
นั่นคือเหตุผลที่ parity mindset ใน Claw Code repo น่าสนใจมาก
แผนที่ซีรีส์
- Claw Code บอกอะไรเกี่ยวกับสถาปัตยกรรม AI Coding Agent
- ทำไม AI Coding Agent ใช้ Rust และ Python ร่วมกัน
- Tools, Permissions และ MCP: Coding Agent กลายเป็นของจริงได้อย่างไร
- Hooks, Plugins และ Sessions ใน AI Coding Agents
- Clean-Room Rewrites และ Parity Audits สำหรับทีม AI Agent
ทำไม rewrites drift
ปัญหา rewrite แบบคลาสสิกคือ semantic drift ระบบใหม่เริ่มด้วยสัญญาว่าเร็วกว่า ปลอดภัยกว่า สะอาดกว่า ทันสมัยกว่า แล้ว behavior เก่าค่อย ๆ หายไปโดยไม่มีใครเห็น command บางตัวหาย tool บางตัวเปลี่ยน behavior session resume พัง หรือ edge case หายเพราะไม่มีใครจดไว้
เมื่อถึงจุดนั้น rewrite จะไม่ใช่ migration ที่ควบคุมได้ แต่เป็นผลิตภัณฑ์ที่ fidelity ไม่แน่นอน
Parity audit ทำให้ migration นับได้
Parity audit เปลี่ยน migration จาก storytelling เป็น accounting แทนที่จะบอกว่าเกือบ feature-complete ทีมถามได้ว่า mirror commands ไปกี่ตัว tools ไหนยังขาด subsystem ไหนครอบคลุมแล้ว gap ไหนตั้งใจและ gap ไหนเป็นอุบัติเหตุ
Progress จึงกลายเป็นสิ่งที่ถกกันได้แบบ concrete
Clean-room ไม่ใช่การ copy แบบตาบอด
Clean-room rewrite ไม่ใช่การคัดลอกทีละบรรทัด แต่คือการนิยาม behavior surface แล้วสร้างใหม่ใน architecture ที่ดีกว่า ทีมจึงเปลี่ยนภาษา runtime และโครงสร้างภายในได้โดยไม่ทำลาย behavior ที่ผู้ใช้พึ่งพาโดยไม่ตั้งใจ
สำหรับ AI agents เรื่องนี้สำคัญมาก เพราะ commands, tools, permissions, sessions, plugins, MCP และ prompt flows เชื่อมกันแน่น
สรุป
ก่อน rebuild agent system ให้ถามว่าพื้นผิวจริงของระบบคืออะไร capability ไหนต้องอยู่ capability ไหนควรเปลี่ยน และจะทำให้ gaps มองเห็นได้อย่างไร
Manifests, inventories และ gap reports ไม่ใช่งานเอกสารไร้ค่า แต่เป็น guardrails ของ migration ที่จริงจัง