<div class="key-takeaways"><ul><li>ใช้สคริปต์ Python สำหรับงานที่มีรูปแบบแน่นอนและ AI สำหรับงานที่ต้องอาศัยการตัดสินใจ</li><li>การคัดกรองไฟล์ล่วงหน้าด้วย AI ช่วยป้องกันความผิดพลาดเมื่อเจอข้อมูลที่ไม่สมบูรณ์</li><li>เครื่องมือ prompt_runner.py ช่วยจัดการการเรียก API การจัดการข้อผิดพลาดและการทำงานแบบแบตช์</li><li>ช่วยลดเวลาในการคัดกรองคำขอรีวิว PR จากเดิม 20-30 นาทีเหลือเพียง 2-3 นาทีต่อวัน</li></ul></div><p>บทความซีรีส์ Python Automation Cookbook ในภาคที่สองนี้ เจาะลึกถึงวิธีการเชื่อมโยงสคริปต์เข้าด้วยกันเมื่อระบบควบคุมต้องเผชิญกับการตัดสินใจ แทนที่จะใช้การรันสคริปต์แบบเรียงลำดับตรงไปตรงมาเหมือนในภาคแรก ซึ่งมักจะมีปัญหาเมื่อข้อมูลไม่เป็นไปตามรูปแบบที่กำหนด เช่น ไฟล์เสียหาย สคีมาเปลี่ยน หรือไฟล์ว่างเปล่า</p><p>ในอดีตนักพัฒนาใช้เงื่อนไข if/elif เพื่อจัดการเรื่องเหล่านี้ แต่วิธีนี้มักล้มเหลวเมื่อต้องเจอกับข้อมูลที่มีความกำกวมหรือไม่เข้ากับหมวดหมู่ที่ตายตัว ทางออกที่ผู้เขียนแนะนำคือการผสมผสานระหว่างสคริปต์สำหรับงานที่เป็นระบบแน่นอน และใช้ AI prompt ขนาดเล็กสำหรับงานที่ต้องอาศัยการประเมินตัดสินใจ</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_python_msdhgory_inline_1_6ec988d940.jpg" alt="data workflow diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ตัวอย่างการใช้งานจริงคือการสร้างไปป์ไลน์คัดกรองไฟล์คุณภาพก่อนนำไปแปลงเป็น CSV โดยให้ AI ช่วยจำแนกไฟล์ออกเป็น 3 สถานะ ได้แก่ PROCESS สำหรับไฟล์ที่สมบูรณ์, REVIEW สำหรับไฟล์ที่มีโครงสร้างผิดปกติ และ SKIP สำหรับไฟล์ว่างหรือไฟล์ซ้ำ โดยคำสั่ง prompt_runner.py จะทำหน้าที่จัดการการเรียก API การจัดสรรโทเค็นและการลองใหม่โดยอัตโนมัติ</p><div class="stat-row"><div class="stat-item"><span class="stat-number">95%</span><span class="stat-label">ความแม่นยำของการจำแนกแบบ AUTO</span></div><div class="stat-item"><span class="stat-number">4</span><span class="stat-label">จำนวน Workers เริ่มต้นในโหมด Batch</span></div></div><p>อีกหนึ่งตัวอย่างการใช้งานที่มีประโยชน์มากคือระบบอัตโนมัติสำหรับคัดกรองคำขอรีวิว Pull Request บน GitHub ที่มีจำนวนมากถึง 15-30 รายการต่อวัน โดยระบบจะแบ่งกลุ่มเป็น AUTO สำหรับงานเอกสารหรือแก้คำผิดที่อนุมัติอัตโนมัติ, REVIEW สำหรับเข้าคิวรีวิว และ URGENT สำหรับแจ้งเตือนทีมงานทันที</p><blockquote class="pull-quote"><p>"Reduce manual triage from 20-30 minutes per day to 2-3 minutes. AUTO classifications are almost always right (&gt;95%). URGENT classifications have had 0 false negatives in 6 months — it's conservative on purpose."</p><cite>Peyton Green</cite></blockquote><div class="ai-insight"><p>การนำ AI เข้ามาเป็นส่วนหนึ่งของไปป์ไลน์อัตโนมัติ (AI-in-the-loop) ช่วยแก้ปัญหาความจุกจิกในการเขียนชุดคำสั่ง if/elif เพื่อดักจับเคสประหลาดๆ ที่มักเพิ่มขึ้นเรื่อยๆ ตามกาลเวลา จุดคุ้มทุนที่พบคือหากคุณต้องเสียเวลาเขียนโค้ดเพื่อจัดการ Edge Case นานเกิน 10 นาที การเรียกใช้งาน API ผ่าน Prompt มักจะเป็นทางเลือกที่คุ้มค่ากว่าในแง่ของการดูแลรักษาโค้ดในระยะยาว</p></div><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/peytongreen_dev/python-automation-cookbook-part-2-using-ai-to-make-decisions-in-your-automation-pipelines-1hn9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Use Python scripts for deterministic tasks and AI for judgment calls in pipelines.</li><li>AI file triage prevents silent failures when processing malformed or unexpected data schemas.</li><li>The prompt_runner.py utility handles API initialization, error handling, and batch execution.</li><li>Reduced manual PR review triage from 20-30 minutes down to 2-3 minutes per day.</li></ul></div><p>Part 2 of the Python Automation Cookbook series focuses on the challenge of chaining automation scripts together when control flow involves decision-making. While pure script-chaining works well for straightforward tasks, real-world pipelines inevitably hit decision points where data schemas change, files are empty, or responses are malformed.</p><p>Historically, developers relied on complex if/elif trees to handle these scenarios, but this approach breaks down when parsing ambiguous outputs or edge cases. The author's proven pattern combines deterministic scripts for predictable tasks like HTTP calls and file I/O, utilizing a small AI prompt specifically for judgment calls.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_python_msdhgory_inline_1_6ec988d940.jpg" alt="data workflow diagram" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>A practical implementation of this pattern involves an AI triage step that classifies raw files before conversion. Using a lightweight prompt, the AI categorizes files as PROCESS, REVIEW, or SKIP. The built-in prompt_runner.py tool manages API boilerplate, token budgeting, and automatic backoff on rate limit errors during batch execution.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">95%</span><span class="stat-label">Accuracy for AUTO classifications</span></div><div class="stat-item"><span class="stat-number">4</span><span class="stat-label">Default workers in batch mode</span></div></div><p>Another powerful use case is automating GitHub pull request triage for codebases receiving 15-30 PRs daily. The router script categorizes incoming requests into AUTO for documentation updates and typo fixes, REVIEW for standard queue placement, and URGENT for immediate on-call notifications.</p><blockquote class="pull-quote"><p>"Reduce manual triage from 20-30 minutes per day to 2-3 minutes. AUTO classifications are almost always right (&gt;95%). URGENT classifications have had 0 false negatives in 6 months — it's conservative on purpose."</p><cite>Peyton Green</cite></blockquote><div class="ai-insight"><p>Integrating AI into automation pipelines shifts the burden of maintaining endless if/elif condition trees to a flexible prompt-based classifier. The general break-even rule is simple: if writing code to handle a specific edge case takes longer than 10 minutes, making an API call is often more cost-effective and sustainable for long-term pipeline maintenance.</p></div><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/peytongreen_dev/python-automation-cookbook-part-2-using-ai-to-make-decisions-in-your-automation-pipelines-1hn9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_ai-python-msdhgory.jpg

small_ai-python-msdhgory.jpg

thumbnail_ai-python-msdhgory.jpg

Inewgen

Inewgen

#GitHub PR

Python Automation Cookbook, Part 2: Using AI to Make Decisions

Inewgen