คู่มือขั้นสูง - v6

Claude Code
Full Stack Playbook

API กว่า 30 ตัว, ตัวแทน AI แบบขนาน, เวิร์กโฟลว์อัตโนมัติ และสถาปัตยกรรมเบื้องหลังธุรกิจที่ขับเคลื่อนด้วย AI

Donal Lynch · Online Optimisers · เวอร์ชัน 6 · เมษายน 2026
ข้อกำหนดเบื้องต้น: คู่มือเริ่มต้น เสร็จสมบูรณ์ · 18 หัวข้อ · ประมาณ 170 นาที
LinkedIn

API ที่เชื่อมต่อ

ทักษะที่สร้าง

ตัวแทน AI แบบขนาน

หน้าต่างแชท

ต้นทุนโครงสร้างพื้นฐาน

สารบัญ

คลัง API - 5 กลุ่ม, 30+ APIs 12 นาที
การประสานงานตัวแทน AI หลายตัว 15 นาที
โรงงานทักษะ 14 นาที
โหมดอัตโนมัติ - วนซ้ำ, เหตุการณ์, ตัวแทน AI เบื้องหลัง 12 นาที
สถาปัตยกรรมหน่วยความจำ 10 นาที
บุคลิกภาพอัจฉริยะ - ทีมผู้เชี่ยวชาญของคุณ 10 นาที
ระบบนิเวศ MCP - เชื่อมต่อทุกอย่าง + สร้างของตัวเอง 10 นาที
Local LLMs - เมื่อไหร่และอย่างไรในการรันโมเดลในเครื่อง 8 นาที
การควบคุม Terminal 8 นาที
Cloudflare - เครื่องมือติดตั้งใช้งานของคุณ 10 นาที
จากการสร้างสู่การใช้งานจริง - ไปป์ไลน์การติดตั้ง 8 นาที
การจัดการหน้าต่างบริบท 6 นาที
การรัน 5-6 แชทแบบขนาน 6 นาที
รูปแบบ Prompt ขั้นสูง 8 นาที
ตัวอย่างผลงาน - สิ่งที่กลุ่มเครื่องมือนี้สร้างขึ้นจริงๆ 12 นาที
ข้อผิดพลาดที่พบบ่อย - สิ่งที่ผิดพลาดและวิธีแก้ไข 10 นาที
แนวหน้า - Agent SDK, Swarms, สิ่งที่กำลังมา 10 นาที
ค้นหาจุดแข็งของคุณ - สร้างรายได้แรกจาก AI 8 นาที

อภิธานศัพท์ - คำศัพท์ขั้นสูง (คลิกเพื่อขยาย)

คำศัพท์	ความหมายง่ายๆ
ผู้ประสานงาน	Claude หลักที่คุณคุยด้วย - วางแผน, มอบหมายงานให้ตัวแทน AI, รวมผลลัพธ์
Subagent	อินสแตนซ์ Claude ที่ถูกสร้างขึ้นเพื่อทำงานเฉพาะอย่างหนึ่ง แล้วส่งผลกลับให้ผู้ประสานงาน
Worktree	สำเนา git branch ที่แยกออกมา - ตัวแทน AI ทำงานได้โดยไม่มีความขัดแย้งของไฟล์
Hooks	คำสั่ง shell ที่รันโดยอัตโนมัติก่อน/หลัง Claude ใช้เครื่องมือ (pre/post)
Cron	งานที่ถูกกำหนดเวลาให้รันตามตาราง (เช่น ทุกวันเวลา 9 โมงเช้า)
Webhook	URL ที่รับข้อมูลเมื่อเกิดเหตุการณ์ (เช่น ลูกค้าใหม่ - เรียก Claude)
Custom MCP Server	ปลั๊กอินที่คุณสร้างเองเพื่อให้ Claude เข้าถึงระบบภายนอกใดๆ
การบีบอัดบริบท	เมื่อการสนทนายาวขึ้น Claude จะสรุปข้อความเก่าเพื่อเพิ่มพื้นที่
การกำหนดเส้นทางโมเดล	การใช้โมเดล AI ที่แตกต่างกันสำหรับงานต่างๆ: Haiku สำหรับงานราคาถูกจำนวนมาก, Sonnet สำหรับงานปานกลาง, Opus สำหรับการวางแผน
Haiku / Sonnet / Opus	3 ระดับของ Claude: Haiku = เร็ว + ถูก, Sonnet = สมดุล, Opus = ทรงพลังที่สุด + แพงที่สุด
Fan-out / Fan-in	สร้างตัวแทน AI หลายตัวแบบขนาน (fan-out) แล้วรวบรวมผลลัพธ์ทั้งหมด (fan-in)
ไปป์ไลน์	ผลลัพธ์จากตัวแทน AI A ป้อนให้ตัวแทน AI B ซึ่งป้อนให้ตัวแทน AI C - ห่วงโซ่ตามลำดับ
R2 (Cloudflare)	ที่เก็บอ็อบเจกต์ - โฮสต์รูปภาพ, ไฟล์, โคลนเสียง ไม่มีค่าธรรมเนียม egress
Workers (Cloudflare)	ฟังก์ชัน serverless ที่ edge - รับ webhook, พร็อกซี API, ทริกเกอร์ cron
KV Store	ที่เก็บ key-value บน Cloudflare - เก็บ config และ state ได้อย่างรวดเร็วสำหรับ Workers
Local LLM	โมเดล AI ที่รันบนเครื่องของคุณเอง - ไม่ต้องอินเทอร์เน็ต, ไม่มีค่า API, ความเป็นส่วนตัวสมบูรณ์

โมดูล 01คลัง API - 5 กลุ่ม, 30+ APIs

คู่มือเริ่มต้นให้การเชื่อมต่อ API 1-2 ตัว โมดูลนี้จะแสดงให้เห็นว่าเกิดอะไรขึ้นเมื่อคุณเชื่อมต่อ 30+ ตัว การเชื่อมต่อแต่ละอย่างไม่ใช่แค่ฟีเจอร์ - มันคือ ตัวคูณความสามารถ Claude จะหยุดเป็นแค่แชทบอทและกลายเป็นระบบปฏิบัติการเต็มรูปแบบสำหรับธุรกิจของคุณ

5 กลุ่ม API

เนื้อหาและโซเชียล (8 APIs)

"เครื่องจักรเนื้อหา - จากกลยุทธ์สู่โพสต์ที่กำหนดเวลา โดยไม่ต้องสลับแท็บ"

OpenAI Claude API Buffer Canva Instagram Graph TikTok YouTube Data Hootsuite

สร้างคำโฆษณา, สร้างภาพ, กำหนดเวลาข้ามแพลตฟอร์ม, ดึงข้อมูลวิเคราะห์ - ทั้งหมดจาก prompt เดียวในเทอร์มินัล

การวิจัยและการมองเห็น (7 APIs)

"การตรวจสอบอัตโนมัติในระดับใหญ่ - prompt เดียว, ภาพรวมการแข่งขันครบถ้วน"

Search Console Ahrefs / SEMrush DataForSEO Screaming Frog Moz Firecrawl BrightLocal

ติดตาม keyword, วิเคราะห์ backlink, ครอล site, ตรวจสอบ citation - เชื่อมต่อกันและการตรวจสอบเต็มรูปแบบใช้เวลา 90 วินาที

การขายและการเข้าถึง (7 APIs)

"จากการหาลูกค้าสู่การนัดหมาย - เป็นไปป์ไลน์ครบถ้วน"

Apollo Hunter Instantly / Lemlist HubSpot / Pipedrive LinkedIn Calendly Fathom / Gong

ค้นหาลูกค้าเป้าหมาย, ยืนยันอีเมล, ส่ง sequence, ติดตาม deal, นัดหมายประชุม และดึงรายการดำเนินการจากการโทร

การดำเนินงานและอัตโนมัติ (7 APIs)

"ระบบอัตโนมัติสำหรับงานหลังบ้าน - งาน, การสื่อสาร, การเรียกเก็บเงิน, ไม่ต้องกรอกเอง"

Google Workspace Slack Asana / Monday Airtable Stripe n8n / Zapier Twilio

การจัดการโปรเจกต์, ข้อความทีม, การติดตามฐานข้อมูล, การออกใบแจ้งหนี้, ทริกเกอร์เวิร์กโฟลว์ และการแจ้งเตือน SMS

AI และโครงสร้างพื้นฐาน (8 APIs)

"เครื่องมือ AI ที่กำหนดเอง สร้างและติดตั้งใช้งานจาก terminal เดียว"

Anthropic OpenAI Perplexity Replicate Cloudflare Vercel ElevenLabs HeyGen

Claude เป็นสมอง, GPT สำหรับการค้นหา/วิสัยทัศน์, Perplexity สำหรับการอ้างอิง, การโคลนเสียง, วิดีโอ AI, การติดตั้งที่ edge, ฟังก์ชัน serverless

ผลกระทบแบบทบต้น

API หนึ่งตัว = ความสามารถหนึ่งอย่าง สามสิบ API = ความสามารถที่เสริมกัน DataForSEO ค้นหา keyword → OpenAI ทดสอบการมองเห็น AI → Perplexity ตรวจสอบข้าม → Sheets เก็บผลลัพธ์ → Gmail ร่างการนำเสนอ → Instantly ส่งแคมเปญ นั่นไม่ใช่ 6 เครื่องมือ - นั่นคือไปป์ไลน์

กลุ่ม API ของคุณจะแตกต่างกัน

นี่คือตัวอย่างกลุ่ม API ของคุณจะสะท้อนธุรกิจของคุณ ผู้จัดการ YouTube channel อาจแลก BrightLocal เป็น TubeBuddy และ Calendly เป็น StreamYard ผู้ดำเนินการอีคอมเมิร์ซอาจเอา Apollo ออกและเพิ่ม Shopify นักออกแบบเว็บอาจเพิ่ม API Figma และ Webflow สถาปัตยกรรมเหมือนกัน - เลือก API ที่ตรงกับเวิร์กโฟลว์ของคุณ, เชื่อมต่อ และให้ Claude ประสานงาน

ไฟล์ .env ของคุณ

เทมเพลต .env ทั่วไป (ทุกกลุ่ม)

สร้าง .env ในรูทของ workspace ของคุณ ตรวจสอบให้แน่ใจว่ามันอยู่ใน .gitignore ลำดับไม่สำคัญ - Claude อ่านทั้งหมด:

# -- AI CORE -- ANTHROPIC_API_KEY=sk-ant-... OPENAI_API_KEY=sk-... PERPLEXITY_API_KEY=pplx-... # -- SEO & DATA -- DATAFORSEO_LOGIN=... DATAFORSEO_PASSWORD=... FIRECRAWL_API_KEY=fc-... SEARCH_CONSOLE_CREDENTIALS=path/to/sa.json BRIGHTLOCAL_API_KEY=... # -- OUTREACH -- APOLLO_API_KEY=... HUNTER_API_KEY=... INSTANTLY_API_KEY=... CALENDLY_TOKEN=... # -- SOCIAL -- BUFFER_ACCESS_TOKEN=... INSTAGRAM_ACCESS_TOKEN=... YOUTUBE_API_KEY=... # -- OPS -- GOOGLE_SHEETS_CREDENTIALS=path/to/sa.json SLACK_BOT_TOKEN=xoxb-... ASANA_ACCESS_TOKEN=... AIRTABLE_API_KEY=pat... STRIPE_SECRET_KEY=sk_live_... # -- MEDIA -- ELEVENLABS_API_KEY=... HEYGEN_API_KEY=... # -- INFRASTRUCTURE -- CLOUDFLARE_API_TOKEN=... VERCEL_TOKEN=...

แล้วในเซสชันใดก็ได้: source .env โหลดทุกอย่าง Claude สามารถเรียกใช้สิ่งเหล่านี้ได้ทั้งหมด

จุดตรวจสอบโมดูล 1

คุณเข้าใจ 5 กลุ่ม API และสิ่งที่แต่ละกลุ่มปลดล็อก
คุณมีเทมเพลต .env พร้อมที่จะกรอก key ของตัวเอง
คุณเข้าใจผลกระทบแบบทบต้น - API ป้อนซึ่งกันและกันในไปป์ไลน์

โมดูล 02การประสานงานตัวแทน AI หลายตัว

Claude แบบ single-thread นั้นทรงพลัง Claude แบบ multi-agent คือ ทีม คุณไม่ได้รอให้งานหนึ่งเสร็จก่อนจะเริ่มงานถัดไป - คุณรัน 5, 10 หรือ 13 ตัวแทน AI แบบขนาน แต่ละตัวเป็นเจ้าของส่วนงานที่แตกต่างกัน

ผู้ประสานงาน vs Subagent

แนวคิด	ความหมาย
ผู้ประสานงาน	Claude หลักที่คุณคุยด้วย วางแผน, มอบหมาย, รวมผล
Subagent	Claude ที่ถูกสร้างขึ้นมาเพื่อทำงานเฉพาะอย่างหนึ่ง ส่งผลลัพธ์กลับให้ผู้ประสานงาน
ตัวแทน AI เบื้องหลัง	Subagent ที่รันโดยไม่บล็อก คุณจะได้รับแจ้งเมื่อเสร็จ
ตัวแทน AI เบื้องหน้า	Subagent ที่บล็อกจนเสร็จ ใช้เมื่อคุณต้องการผลลัพธ์ก่อนขั้นตอนถัดไป
Worktree agent	ตัวแทน AI ที่ทำงานบน git branch ที่แยกออกมา ไม่มีความขัดแย้งของไฟล์กับตัวแทน AI อื่น

นี่คือวิธีที่ชิ้นส่วนต่างๆ รวมกันในภาพรวม คุณคุยกับผู้ประสานงาน ผู้ประสานงานมอบหมายให้กับตัวแทน AI เฉพาะทาง แต่ละตัวรันโมเดลที่เหมาะสมสำหรับงาน:

ผู้ประสานงาน

Sonnet

คุณคุยกับตัวนี้

ตัวแทน A

วิจัย

Haiku

ตัวแทน B

สร้าง

Sonnet

ตัวแทน C

ติดตั้ง

Haiku

3 รูปแบบการประสานงาน

รูปแบบที่ 1: Fan-Out / Fan-In

สร้างตัวแทน AI N ตัวสำหรับงานอิสระ, รอให้ทั้งหมดส่งคืน, รวมผลลัพธ์

ฉันมี profile ลูกค้า 9 รายใน knowledge/clients/ สร้างตัวแทน AI หนึ่งตัวต่อลูกค้า แต่ละตัวอ่าน profile และรันการตรวจสอบประสิทธิภาพเต็มรูปแบบ บันทึกผลลัพธ์ไปที่ deliverables/[slug]/ ไปเลย

รูปแบบที่ 2: ไปป์ไลน์

ผลลัพธ์ของตัวแทน A ป้อนให้ตัวแทน B ซึ่งป้อนให้ตัวแทน C ตามลำดับแต่แต่ละตัวมีความเชี่ยวชาญ

ตัวแทน 1: ครอลเว็บไซต์ prospect ด้วย Firecrawl ตัวแทน 2: นำข้อมูลนั้นและรันการวิเคราะห์คู่แข่ง ตัวแทน 3: นำการวิเคราะห์นั้นและสร้าง deck นำเสนอ HTML ทำเป็นไปป์ไลน์

รูปแบบที่ 3: สำรวจ / ตัดสินใจ / ดำเนินการ

ตัวแทน AI ราคาถูกสำรวจตัวเลือก (Haiku), ผู้ประสานงานตัดสินทิศทาง (Sonnet/Opus), ตัวแทน AI ดำเนินการสร้างสิ่งนั้น (Sonnet)

ไวยากรณ์การสร้างตัวแทน

Claude Code ตอบสนองต่อคำสั่งสร้างตัวแทนแบบภาษาธรรมชาติ นี่คือ prompt ที่เรียก multi-agent execution:

รันสิ่งนี้ในพื้นหลัง: สร้าง pitch library ที่ docs/pitch-library.md ขณะที่ฉันทำงานบนแผนหลัก

สร้างตัวแทน AI 3 ตัวแบบขนาน ตัวแทน A จัดการการดึงข้อมูล ตัวแทน B จัดการการจัดรูปแบบ ตัวแทน C จัดการการติดตั้ง แต่ละตัวเขียนไปยัง output directory ของตัวเอง

ใช้ worktree สำหรับสิ่งนี้ - สร้าง landing page ใหม่บน branch แยกเพื่อไม่ให้ขัดแย้งกับสิ่งที่ฉันกำลังทำอยู่

ต้นทุนและการกำหนดเส้นทางโมเดล

ไม่ใช่ทุกงานที่สมควรได้รับสมองเดียวกัน กำหนดเส้นทางตามต้นทุนและความซับซ้อน:

โมเดล	ระดับต้นทุน	ใช้สำหรับ	จุดที่เหมาะสมสำหรับการรันแบบขนาน
Haiku	ต่ำที่สุด	การแปลงข้อมูลจำนวนมาก, การดึงข้อมูล, การจัดรูปแบบ, การล้างข้อมูล, การสรุป	10+ ตัวแทน
Sonnet	ปานกลาง	งานเขียนคุณภาพ, การตรวจสอบ, เนื้อหาสำหรับลูกค้า, การ debug	3-5 ตัวแทน
Opus	สูงที่สุด	กลยุทธ์, สถาปัตยกรรม, การวางแผนซับซ้อน, การใช้เหตุผลหลายขั้นตอน	1-2 ตัวแทน

กฎงบประมาณ

ก่อนเปิดตัวแทน AI แบบขนาน ให้ประเมินต้นทุน ตัวแทน Opus 13 ตัวที่รัน 45 นาทีแต่ละตัวมีค่าใช้จ่ายที่แตกต่างมากจากตัวแทน Haiku 13 ตัวที่ทำงานเดียวกัน ค่าเริ่มต้นคือ Haiku สำหรับการสำรวจ, ยกระดับเป็น Sonnet สำหรับคุณภาพ, สงวน Opus ไว้สำหรับการตัดสินใจที่กำหนดทิศทางทั้งโปรเจกต์

เครื่องคำนวณต้นทุน AI

ประเมินต้นทุน AI รายเดือนของคุณ

ปรับค่าด้านล่างเพื่อดูการใช้จ่ายโดยประมาณ, แผนที่แนะนำ และการประมาณ ROI

ชั่วโมงต่อวันที่ใช้ Claude

ตัวแทน AI ที่รันโดยทั่วไป

โมเดลหลัก

ต้นทุน token รายเดือนโดยประมาณ $100 - $200

แผนที่แนะนำ Max 5x ($100/เดือน)

ชั่วโมงที่ประหยัดได้โดยประมาณต่อสัปดาห์ 15 - 20 ชั่วโมง

ROI ที่มูลค่า $75/ชั่วโมง 45x - 60x

ในระดับการใช้งานนี้, แผน Max 5x ($100/เดือน) ให้คุ้มค่าที่สุด หาก Claude ช่วยประหยัดเวลา 15 ชั่วโมงต่อสัปดาห์ที่มูลค่าเทียบเท่า $75/ชั่วโมง ผลตอบแทนรายเดือนของคุณคือ $4,500 จากการลงทุน $100 - ROI 45 เท่า

โหมด Plow - การใช้เครดิตอย่างมีประสิทธิภาพ

เมื่อคุณมีงบ compute และมีงานค้างอยู่, โหมด plow จะเพิ่มผลลัพธ์แบบขนานสูงสุด:

กฎโหมด Plow

แต่ละตัวแทน AI ได้รับไฟล์หรือ directory output ของตัวเอง ไม่มีตัวแทน AI สองตัวเขียนไปยัง path เดียวกัน ความขัดแย้งทำลาย throughput
Claude หลักเป็นเจ้าของพื้นผิวที่ใช้ร่วมกัน - ไฟล์ memory, แผนหลัก, git commits, deliverables index
มอบรายการไฟล์ input ที่ครอบคลุมให้แต่ละตัวแทน AI อย่าให้ตัวแทน AI ค้นหาไฟล์ ให้ path ที่แน่นอน
ตั้ง time-stop ที่เข้มงวดต่อตัวแทน AI (45-90 นาที) ป้องกันเซสชันที่วิ่งไม่หยุดซึ่งเผาเครดิตโดยไม่มี output
Commit ต่อตัวแทน ไม่ใช่ต่อ batch output ของแต่ละตัวแทน AI ได้รับ git commit ของตัวเอง ถ้าตัวหนึ่ง crash ตัวอื่นก็ปลอดภัย

ตัวอย่าง: 5 ตัวแทน AI แบบขนาน, หนึ่งเซสชัน

ตัวแทน	งาน	เป้าหมาย Output	ผลลัพธ์
A	เอกสารกฎหมาย v2	`output/agent-a/`	นโยบายความเป็นส่วนตัว (235 บรรทัด)
B	คู่มือการดำเนินงาน	`docs/ops-runbook.md`	Crash กลางทาง
C	ห้องสมุด pitch	`docs/pitch-library.md`	1,443 บรรทัด, 10 หัวข้อ
D	ปฏิทินเนื้อหา v2	`output/agent-d/`	แผน 30 วัน (711 บรรทัด)
E	สคริปต์สัปดาห์ที่ 1	`docs/week1-script.md`	Crash กลางทาง

3 จาก 5 ตัวผลิต output ที่สมบูรณ์ 2 ตัว crash นั่นคือความเสี่ยงของการขนาน - และนั่นคือเหตุผลที่คุณ commit ต่อตัวแทน 3 ตัวที่ landing = เนื้อหาที่ส่งมอบได้ 2,389 บรรทัดในหนึ่งเซสชัน

จุดตรวจสอบโมดูล 2

คุณเข้าใจผู้ประสานงาน vs subagent
คุณสามารถอธิบาย 3 รูปแบบแบบขนาน (fan-out, pipeline, explore/decide/execute)
คุณรู้ไวยากรณ์การสร้างตัวแทนเพื่อเรียก multi-agent execution
คุณเข้าใจการกำหนดเส้นทางโมเดลสำหรับการควบคุมต้นทุน (Haiku/Sonnet/Opus)
คุณได้ใช้เครื่องคำนวณต้นทุนเพื่อประเมินการใช้จ่ายรายเดือน
คุณรู้กฎโหมด plow (เป้าหมายที่ไม่ซ้ำกัน, commit ต่อตัวแทน, มอบรายการไฟล์)

โมดูล 03โรงงานทักษะ

ทักษะเปลี่ยนงานที่ทำซ้ำๆ เป็นเวิร์กโฟลว์ที่ใช้คำสั่งเดียว แทนที่จะอธิบายสิ่งที่คุณต้องการทุกครั้ง คุณพิมพ์ /weekly-report และ Claude รัน playbook ทั้งหมด workspace ที่สมบูรณ์แบบมีทักษะ 30-55+ ตัวที่ครอบคลุมทุกงานที่ทำซ้ำ

โครงสร้างทักษะ

weekly-report.md--- name: weekly-report description: Generate a client weekly performance summary model: claude-haiku-4-5-20251001 --- # Weekly Report Skill When invoked with /weekly-report [client-name]: ## Step 1: Gather Data - Read the client profile from knowledge/clients/[slug]/profile.md - Pull latest metrics from the tracking spreadsheet - Check for any flagged issues from the previous week ## Step 2: Analyse Performance - Compare this week vs last week on core KPIs - Highlight improvements and regressions - Note any ranking changes or traffic anomalies ## Step 3: Generate Report - Build markdown report at deliverables/[slug]/weekly/[date].md - Include: summary, KPI table, top 3 wins, top 3 actions - Tone: professional, concise, results-focused ## Step 4: Draft Delivery Email - Use templates/emails/weekly-update.md as base - Personalise with this week's highlights - Save draft to deliverables/[slug]/emails/

ข้อมูลอ้างอิง Frontmatter

ฟิลด์	ทำอะไร	ตัวอย่าง
`name`	ทริกเกอร์คำสั่ง slash	`/weekly-report`
`description`	แสดงเมื่อเรียกดูทักษะที่มีด้วย `/`	"สร้างสรุปประสิทธิภาพรายสัปดาห์ของลูกค้า"
`model`	โมเดลใดที่รันทักษะในเวลา execution	`claude-haiku-4-5-20251001`

การเชื่อมต่อทักษะ

ทักษะสามารถเรียกทักษะอื่น ทักษะรายงานรายเดือนอาจเรียกทักษะดึงข้อมูลภายใน แล้วทักษะจัดรูปแบบ แล้วทักษะส่งมอบ:

เวิร์กโฟลว์เชื่อมต่อ/monthly-report [client]
  → รันภายใน: ดึงข้อมูลจาก Sheets
  → รันภายใน: วิเคราะห์ประสิทธิภาพ
  → รันภายใน: จัดรูปแบบเป็นการนำเสนอ
  → รันภายใน: ร่างอีเมลส่งมอบ
  → output: รายงาน + อีเมล + ลิงก์แชร์ได้

การกำหนดเส้นทางโมเดลในทักษะ

โมเดลใน frontmatter กำหนดว่า Claude ใดรันทักษะในเวลา execution จับคู่โมเดลกับความซับซ้อนของงาน:

ประเภทของทักษะ	โมเดล	เหตุผล
การดึงข้อมูล, การจัดรูปแบบ, การล้างข้อมูล	Haiku	เร็ว, ถูก, ไม่ต้องการการตัดสินใจ
การตรวจสอบ, รายงาน, เนื้อหาสำหรับลูกค้า	Sonnet	ต้องการการตัดสินใจด้านคุณภาพ
กลยุทธ์, สถาปัตยกรรม, การวางแผนซับซ้อน	Opus	ต้องการการใช้เหตุผลเชิงลึก
การแปลงข้อมูลจำนวนมาก (100+ รายการ)	Haiku	ควบคุมต้นทุนในระดับใหญ่

ความขัดแย้งของผู้ประสานงาน

โมเดลใน frontmatter คือโมเดล execution ไม่ใช่โมเดลการเขียน คุณ สร้าง ทักษะโดยใช้ Sonnet หรือ Opus เสมอ (คุณต้องการการตัดสินใจในการเขียนเวิร์กโฟลว์) แต่ทักษะ รัน บนโมเดลใดก็ตามที่อยู่ใน frontmatter เขียนครั้งเดียวด้วยสมองใหญ่, รันหลายครั้งด้วยสมองถูก

โหมดแผนงาน

ก่อนสร้างสิ่งที่ซับซ้อน ใช้ /plan เพื่อให้ Claude ร่างแผนที่มีโครงสร้างก่อนดำเนินการ โหมดแผนงานบังคับให้ Claude คิดก่อนลงมือ:

/plan สร้างระบบ onboarding 3 ขั้นตอน: อีเมลต้อนรับ, การสร้างงานใน Asana, การแจ้งเตือน Slack ให้ทีม

Claude จะผลิตแผนที่มีหมายเลขพร้อมเป้าหมายไฟล์, การพึ่งพา และขั้นตอนโดยประมาณ ตรวจสอบ, อนุมัติ แล้ว Claude จะดำเนินการ สิ่งนี้ป้องกันการเผา compute ไปในทิศทางที่ผิด

กรอบเวลาการวางแผน

การวางแผนไม่ใช่การทำ รักษาโหมดแผนงานให้สมดุลกับงาน งาน 5 นาทีไม่ต้องการแผน 20 นาที เมื่อแผนชัดเจนแล้ว ดำเนินการ

Hooks - รันโค้ดก่อนและหลังการเรียกเครื่องมือทุกครั้ง

Hooks ช่วยให้คุณรันคำสั่ง shell หรือ script โดยอัตโนมัติก่อนหรือหลัง Claude ใช้เครื่องมือใดๆ ตั้งค่าใน .claude/settings.json และรันที่ระดับ harness - หมายความว่ารันโดยไม่คำนึงว่าทักษะหรือการสนทนาใดกำลัง active อยู่

ประเภท Hook	เมื่อรัน	ตัวอย่างการใช้
`PreToolUse`	ก่อน Claude เรียกเครื่องมือใดๆ	บันทึกสิ่งที่ Claude กำลังจะทำ
`PostToolUse`	หลัง Claude เรียกเครื่องมือใดๆ	Auto-commit หลังเขียนไฟล์ทุกครั้ง
`Stop`	เมื่อ Claude จบการตอบสนอง	ส่งการแจ้งเตือน Slack เมื่องานเสร็จ
`Notification`	เมื่อ Claude มีการอัปเดตพื้นหลัง	แจ้งเตือนเมื่อตัวแทน AI ที่รันนานเสร็จ

.claude/settings.json - ตัวอย่าง hook{ "hooks": { "PostToolUse": [ { "matcher": "Write", "hooks": [ { "type": "command", "command": "echo 'File written: ' && git add -A" } ] } ] } }

Hook ที่ดีที่สุดสำหรับผู้เริ่มต้น

Hook ที่มีประโยชน์ที่สุดเมื่อเริ่มต้น: hook PostToolUse บน Write ที่ auto-stage ไฟล์หลัง Claude เขียน รวมกับ hook commit เป็นระยะและคุณจะไม่เคยสูญเสียงานอีก ตั้งค่าครั้งเดียวและมันจะปกป้องทุกเซสชันตั้งแต่นั้นเป็นต้นไป

จุดตรวจสอบโมดูล 3

คุณสามารถเขียนทักษะด้วย frontmatter + เวิร์กโฟลว์หลายขั้นตอน
คุณเข้าใจการกำหนดเส้นทางโมเดล (Haiku สำหรับจำนวนมาก, Sonnet สำหรับการตัดสิน, Opus สำหรับการวางแผน)
คุณรู้ว่าทักษะสามารถเชื่อมต่อทักษะอื่น
คุณรู้เมื่อไหร่ควรใช้ /plan ก่อนสร้าง
คุณเข้าใจ 4 ประเภท hook และวิธีตั้งค่าใน settings.json

โมดูล 04โหมดอัตโนมัติ - วนซ้ำ, เหตุการณ์, ตัวแทน AI เบื้องหลัง

นี่คือจุดที่ Claude เปลี่ยนจาก "เครื่องมือที่คุณใช้" เป็น "ระบบที่รัน" เวิร์กโฟลว์อัตโนมัติดำเนินการโดยที่คุณไม่ต้องดู, รายงานกลับเมื่อเสร็จ และสามารถถูกทริกเกอร์จากเหตุการณ์จริงๆ

3 รูปแบบอัตโนมัติ

มีสามรูปแบบหลักสำหรับงานอัตโนมัติ แต่ละอย่างเหมาะสำหรับงานประเภทต่างๆ:

🔄

วนซ้ำ

Claude ทำซ้ำงานตามกำหนดเวลา กำหนดจังหวะตัวเอง - ช่วงเวลาสั้นลงเมื่อ active, ยาวขึ้นเมื่อว่าง

ตัวอย่าง: "ตรวจสอบสถานะ build ทุก 2 นาทีจนกว่าจะผ่าน"

⚡

ตัวแทน AI เบื้องหลัง

รันอิสระในขณะที่คุณทำงานต่อ คุณจะได้รับแจ้งเมื่อเสร็จ

ตัวอย่าง: "สร้าง pitch deck ในพื้นหลัง"

🎯

ขับเคลื่อนด้วยเหตุการณ์

มีบางอย่างเกิดขึ้น - Claude ตอบสนองโดยอัตโนมัติ Webhook, ไฟล์ใหม่, อีเมล, การชำระเงิน

ตัวอย่าง: "ลูกค้าใหม่ใน CRM → รันการตรวจสอบ → ร่างการเข้าถึง"

การวนซ้ำ

คำสั่ง /loop บอกให้ Claude ทำซ้ำงานตามกำหนดเวลา Claude กำหนดจังหวะตัวเอง: มันเลือกช่วงเวลาที่เหมาะสมระหว่างการวนซ้ำตามสิ่งที่รอคอย

/loop ตรวจสอบสถานะ build ทุก 2 นาทีจนกว่าจะผ่าน แล้ว deploy ไป production

/loop ตรวจสอบ site ที่ติดตั้งใช้งาน เมื่อหน้าคืน HTTP 200 แจ้งฉันและหยุด

ตัวแทน AI เบื้องหลัง vs เบื้องหน้า

การเข้าใจเมื่อไหร่ควรใช้ตัวแทน AI เบื้องหน้า vs เบื้องหลังคือความแตกต่างระหว่างงานที่มีประสิทธิภาพและการเผาทรัพยากร

โหมด	พฤติกรรม	ใช้เมื่อ
เบื้องหน้า	บล็อกแชทของคุณ - คุณรอจนกว่าจะเสร็จ	คุณต้องการผลลัพธ์ก่อนขั้นตอนถัดไป การพึ่งพาแบบ sequential
เบื้องหลัง	รันอิสระ - แจ้งเตือนคุณเมื่อเสร็จ	คุณมีงานอื่นทำแบบขนาน ไม่มีการพึ่งพา output ตอนนี้

วิธีทำงานคุณ: "สร้าง pitch library ในพื้นหลังในขณะที่ฉัน
      ทำงานบนแผนหลัก"

Claude: [สร้างตัวแทน AI เบื้องหลังด้วยงาน pitch library]
Claude: [ทำงานต่อกับคุณบนแผนหลัก]
...
[การแจ้งเตือน]: ตัวแทน AI เบื้องหลังเสร็จสมบูรณ์
               Output: docs/pitch-library.md (1,443 บรรทัด)

โหมดความล้มเหลวของตัวแทน AI เบื้องหลัง

ตัวแทน AI เบื้องหลังสามารถและล้มเหลวได้ โหมดความล้มเหลวที่พบบ่อยที่สุดสามอย่าง:

Crash: ตัวแทน AI พบข้อผิดพลาดและหยุดกลางงาน Output อาจบางส่วนหรือหายไป
หมดเวลา: งานที่รันนานเกินหน้าต่างบริบทหรือขีดจำกัดเซสชัน งานสูญหายถ้าไม่ได้ commit
ไฟล์ผิด: ตัวแทน AI เขียนไปยังตำแหน่งที่ไม่คาดคิด หรือเขียนทับงานของตัวแทน AI อื่น

กฎที่เข้มงวด

ยืนยัน output เสมอหลังตัวแทน AI เบื้องหลังแจ้งเสร็จสมบูรณ์ เปิดไฟล์ output ตรวจสอบเนื้อหา ยืนยันว่าเป็นสิ่งที่คุณขอ อย่าสันนิษฐานว่าสำเร็จแค่เพราะการแจ้งเตือนมาถึง การแจ้งเตือนหมายความว่าตัวแทน AI หยุดรัน - ไม่ใช่ว่ามันผลิต output ที่ถูกต้อง

รูปแบบขับเคลื่อนด้วยเหตุการณ์

ระบบอัตโนมัติที่ทรงพลังที่สุดไม่ได้ถูกกำหนดเวลา - มันถูกทริกเกอร์ มีบางอย่างเกิดขึ้น Claude ตอบสนอง

ทริกเกอร์	สิ่งที่ Claude ทำ	ตัวอย่าง
ลูกค้าใหม่ใน CRM	รันการวิเคราะห์, สร้าง pitch deck, ร่างอีเมลเข้าถึง	Webhook จาก HubSpot → ไปป์ไลน์ Claude
ได้รับอีเมลลูกค้า	สรุป, จัดหมวดหมู่, ร่างการตอบกลับ	Gmail watch → ทักษะการคัดแยก Claude
การส่งแบบฟอร์ม	ดึงข้อมูล, อัปเดต tracker, ส่งการยืนยัน	Typeform webhook → Sheets + Gmail
Cron ที่กำหนด (ทุกวัน 9 โมง)	ดึง metrics เมื่อวาน, ตั้งค่าสถานะความผิดปกติ, ส่ง brief	Cron → Claude → Slack
ไฟล์ที่เพิ่มใน Drive folder	ประมวลผล, ติดแท็ก, ย้ายไปยังตำแหน่งที่ถูกต้อง	Drive watch → ตัวจัดระเบียบ Claude
ได้รับการชำระเงิน	อัปเดต record ลูกค้า, ทริกเกอร์ sequence การ onboard	Stripe webhook → Claude → CRM

เริ่มด้วยหนึ่งอย่าง

คุณไม่จำเป็นต้องสร้างทั้งหมดนี้ เลือกเวิร์กโฟลว์หนึ่งอย่างที่คุณทำเองทุกวันและทำให้อัตโนมัติก่อน ทริกเกอร์เหตุการณ์ที่สร้างได้ดีหนึ่งอย่างประหยัดเวลาได้มากกว่าสิบอย่างที่สร้างครึ่งทาง

การตรวจสอบและความปลอดภัย

การตรวจสอบ Heartbeat

สำหรับระบบตัวแทน AI ที่มีหลายส่วน ให้สร้าง heartbeat monitor ทุกตัวแทน AI เขียน timestamp ไปยัง tracking record ของมัน ตรวจสอบ: ถ้า heartbeat ล่าสุดเก่ากว่า 5 นาที แจ้งเตือน

Kill Switch

หากอัตราข้อผิดพลาดเกินขีดจำกัดในช่วงเวลาหนึ่ง หยุดการดำเนินการอัตโนมัติทั้งหมดและแจ้งเตือน สิ่งนี้ป้องกันต้นทุนที่วิ่งหนีและความล้มเหลวแบบ cascading

การลดระดับอย่างสง่างาม

หากแหล่งข้อมูลระดับพรีเมียมล้มเหลว ให้ผลิต output ด้วยข้อมูลที่มี ระบุช่องว่างอย่างชัดเจนแทนที่จะล้มเหลวทั้งงาน ห่วงโซ่ API fallback: ถ้าแหล่ง A ล่ม ลองแหล่ง B แล้ว C

กฎความปลอดภัย

ไม่มี cron ที่เกิดซ้ำหรือไปป์ไลน์อัตโนมัติจนกว่าคุณจะตรวจสอบต้นทุนเครดิตต่อการรัน ระบบอัตโนมัติทั้งหมดเริ่มต้นในฐานะ ทริกเกอร์แบบ manual เท่านั้น เลื่อนขึ้นเป็นแบบกำหนดเวลาหลังจากที่คุณเห็นต้นทุนต่อการรันและยืนยันคุณภาพ output อย่างน้อย 5 ครั้งแบบ manual

จุดตรวจสอบโมดูล 4

คุณเข้าใจ /loop สำหรับงานที่เกิดซ้ำ
คุณรู้ความแตกต่างระหว่างตัวแทน AI เบื้องหน้าและเบื้องหลัง
คุณรู้ 3 โหมดความล้มเหลวของตัวแทน AI เบื้องหลังและยืนยัน output เสมอ
คุณสามารถสร้างตัวแทน AI เบื้องหลังสำหรับงานที่ไม่บล็อก
คุณรู้ 6 รูปแบบทริกเกอร์ขับเคลื่อนด้วยเหตุการณ์
คุณรู้กฎความปลอดภัย: heartbeat, kill switch, การลดระดับอย่างสง่างาม

โมดูล 05สถาปัตยกรรมหน่วยความจำ

หน่วยความจำคือสิ่งที่ทำให้ Claude รู้สึกเหมือนหุ้นส่วน ไม่ใช่เครื่องมือ ข้ามร้อยเซสชัน Claude จำความชอบของคุณ, โปรเจกต์, การตัดสินใจ, ข้อจำกัด - ทั้งหมดเก็บเป็นไฟล์ markdown เล็กๆ ที่โหลดในตอนเริ่มทุกการสนทนา

4 ประเภทหน่วยความจำ

ประเภท	เก็บอะไร	ตัวอย่าง
ผู้ใช้	คุณเป็นใคร, บทบาท, ความชอบ	"ที่ปรึกษาอาวุโส, ชอบการตอบสนองกระชับ, ภาษาอังกฤษแบบอังกฤษ, ไม่ชอบศัพท์เฉพาะ"
Feedback	สิ่งที่ควร/ไม่ควรทำ (การแก้ไข + การยืนยัน)	"อย่าสร้าง mock database ในการทดสอบ integration" · "ใช้ absolute file path เสมอ"
โปรเจกต์	งานที่กำลังดำเนินการ, การตัดสินใจ, กำหนดเวลา	"Dashboard V1 live, V2 กำหนดสำหรับ sprint ถัดไป" · "หยุด merge จนถึงวันศุกร์"
อ้างอิง	ตำแหน่งสิ่งต่างๆ ในระบบภายนอก	"bugs ไปป์ไลน์ติดตามใน Linear project INGEST" · "API keys ทั้งหมดอยู่ใน reference_apis.md"

สี่ประเภทนี้ครอบคลุม scope ที่แตกต่างกัน นี่คือความสัมพันธ์กับสามชั้นของบริบทที่ Claude ใช้จริงๆ:

📄

CLAUDE.md

ถาวร

โหลดทุกเซสชัน คุณเป็นใคร, Claude ควรทำงานกับคุณอย่างไร

อยู่ที่: รูทของ workspace

🧠

ไฟล์หน่วยความจำ

วิวัฒนาการ

บันทึกข้ามเซสชัน สิ่งที่กำลังทำอยู่, การตัดสินใจ, สถานะโปรเจกต์

อยู่ที่: ~/.claude/projects/memory/

💬

การสนทนา

ชั่วคราว

เซสชันปัจจุบันเท่านั้น บีบอัดตามเวลา หายไปเมื่อปิด

อยู่ที่: หน้าต่างแชท

MEMORY.md - ดัชนี

MEMORY.md โหลดเข้าทุกการสนทนา มันเป็นดัชนี ไม่ใช่เนื้อหา - แต่ละรายการลิงก์ไปยังไฟล์รายละเอียด รักษาให้ต่ำกว่า 200 บรรทัด (สิ่งใดที่เกินจะถูกตัดโดย context loader)

MEMORY.md# Memory Index ## User - [user_profile.md](user_profile.md) - Role, preferences, communication style ## Feedback - [feedback_git.md](feedback_git.md) - Git workflow rules and preferences - [feedback_testing.md](feedback_testing.md) - Integration tests hit real DB ## Project - [project_dashboard.md](project_dashboard.md) - Ops dashboard V1 live - [project_onboarding.md](project_onboarding.md) - Client onboarding automation ## Reference - [reference_apis.md](reference_apis.md) - All API keys + MCP status

หน่วยความจำ vs CLAUDE.md vs แผนงาน

ไฟล์	วัตถุประสงค์	ความถี่การเปลี่ยนแปลง
CLAUDE.md	เอกลักษณ์และกฎของ workspace ถาวร	แทบไม่เปลี่ยน - เฉพาะเมื่อโมเดลธุรกิจเปลี่ยน
ไฟล์หน่วยความจำ	บริบท, การตัดสินใจ, สถานะที่วิวัฒนาการ	รายสัปดาห์ - อัปเดตเมื่อโปรเจกต์ก้าวหน้า
ไฟล์แผนงาน	แผน execution งานปัจจุบัน	ต่อเซสชัน - ใช้แล้วทิ้งเมื่องานเสร็จ

อย่าบันทึกรายละเอียดเฉพาะงานไปยังหน่วยความจำ - สิ่งเหล่านั้นอยู่ในแผน หน่วยความจำสำหรับสิ่งที่สำคัญข้ามเซสชัน

โซนการทำงานร่วมกัน

โซน	ใครเห็น	อะไรอยู่ใน
เดี่ยว	คุณ + Claude เท่านั้น	กลยุทธ์ธุรกิจ, การเงิน, เป้าหมายส่วนตัว, การตัดสินใจที่ละเอียดอ่อน
แชร์กับหุ้นส่วน	คุณ + ผู้ร่วมงานเฉพาะ	สถานะโปรเจกต์ร่วม, การตัดสินใจร่วม, ผลงาน
สำหรับลูกค้า	ใครก็ตามที่อ่าน output	เฉพาะเนื้อหาระดับมืออาชีพที่ตรวจสอบแล้ว - ไม่มีบันทึกภายใน

จุดตรวจสอบโมดูล 5

คุณเข้าใจ 4 ประเภทหน่วยความจำ (ผู้ใช้, feedback, โปรเจกต์, อ้างอิง)
คุณรู้วิธีทำงาน MEMORY.md เป็นดัชนี
คุณสามารถแยกแยะหน่วยความจำ vs CLAUDE.md vs แผนงาน
คุณเข้าใจโซนการทำงานร่วมกันสำหรับการตั้งค่าหลายคน

โมดูล 06บุคลิกภาพอัจฉริยะ - ทีมผู้เชี่ยวชาญของคุณ

อินสแตนซ์ Claude หนึ่งสามารถเล่นหลายบทบาท แต่อินสแตนซ์ Claude ที่ได้รับ บุคลิกภาพเฉพาะ - พร้อมความเชี่ยวชาญเฉพาะด้าน, รูปแบบการสื่อสาร และกรอบการตัดสินใจที่ฝังอยู่ - ผลิต output ที่ดีกว่า prompt ทั่วไปอย่างมาก คิดว่าเหมือนมีทีมผู้เชี่ยวชาญ แต่ละคนปรับแต่งสำหรับเฉพาะด้านของตน

บุคลิกภาพที่ถูกต้อง, งานที่ถูกต้อง = คุณภาพ output 10 เท่าโมเดลเดียวกัน API เดียวกัน ผลลัพธ์ที่แตกต่างสมบูรณ์

4 บุคลิกภาพหลัก

นักวิเคราะห์การวิจัย

"หมกมุ่นกับข้อมูล, เต็มไปด้วยการอ้างอิง, ไม่เคยคาดเดาโดยไม่มีหลักฐาน"

บุคลิก: มีระเบียบ, ละเอียดถี่ถ้วน, ค่อนข้างสงสัย นำเสนอผลลัพธ์พร้อมแหล่งที่มา ระบุระดับความเชื่อมั่นในทุกการอ้างสิทธิ์ ค่าเริ่มต้นคือ "นี่คือสิ่งที่ข้อมูลบอก" มากกว่า "นี่คือสิ่งที่ฉันคิด"

ใช้สำหรับ: การวิจัยตลาด, การวิเคราะห์คู่แข่ง, การตรวจสอบตามข้อมูล, การตรวจสอบข้อเท็จจริง, การทบทวนวรรณกรรม, การวิเคราะห์แนวโน้ม

นักเขียนคัดลอก

"โน้มน้าวใจ, กระชับ, อ่านบรรยากาศก่อนเขียนคำแรก"

บุคลิก: กระฉับกระเฉง, ตรงไปตรงมา, แพ้สารตัวเติม เขียนสำหรับผู้อ่าน ไม่ใช่ผู้เขียน ปรับโทนตามบริบท - เป็นทางการสำหรับข้อเสนอ, สนทนาสำหรับอีเมล, เร่งด่วนสำหรับ CTA ทุกประโยคคุ้มค่า

ใช้สำหรับ: email sequences, landing pages, ข้อเสนอ, สำเนาโซเชียล, สำเนาโฆษณา, case studies, การนำเสนอ

สถาปนิกทางเทคนิค

"นักคิดเชิงระบบ, สร้างเพื่อ scale, แพ้หนี้ทางเทคนิค"

บุคลิก: ปฏิบัตินิยม, มีโครงสร้าง, คิดในแง่ระบบและการพึ่งพา พิจารณา edge case ก่อนสร้าง ชอบโซลูชันง่ายๆ ที่ scale ได้มากกว่าโซลูชันฉลาดที่พัง บันทึกการตัดสินใจ

ใช้สำหรับ: การตัดสินใจสถาปัตยกรรม, การเชื่อมต่อ API, การออกแบบระบบอัตโนมัติ, database schema, ไปป์ไลน์การติดตั้ง, code review

นักกลยุทธ์การขาย

"มุ่งเน้นรายได้, อ่านการคัดค้านก่อนที่จะปรากฏ, ปิดการขายเสมอ"

บุคลิก: เห็นอกเห็นใจแต่เชิงพาณิชย์ คิดในแง่ pain point, การคัดค้าน และทริกเกอร์การตัดสินใจ กำหนดทุกอย่างผ่านมุมมองของผู้ซื้อ ไม่กดดัน - แต่เคลื่อนไปสู่การตัดสินใจเสมอ

ใช้สำหรับ: ข้อเสนอ, การจัดการการคัดค้าน, กลยุทธ์ราคา, อีเมลการขาย, การเตรียม discovery call, upsell sequences, การ positioning แข่งขัน

การติดตั้งใช้งาน

บุคลิกภาพถูก implement เป็น system prompt ภายในทักษะหรือเป็นไฟล์บุคลิกภาพแบบ standalone:

ไฟล์บุคลิกภาพ--- name: research-analyst description: Deep research with citations and confidence levels model: claude-sonnet-4-5-20250514 --- # Research Analyst Persona You are a Research Analyst. Your core traits: - Every claim includes a source or is flagged as inference - Confidence levels: HIGH (multiple sources), MEDIUM (single source), LOW (inference from adjacent data) - Present findings in structured tables, not paragraphs - Flag contradictions in source material explicitly - Default output: executive summary + detailed findings + methodology note

คุณยังสามารถสลับบุคลิกภาพระหว่างการสนทนา:

สลับไปโหมดนักกลยุทธ์การขาย เขียนข้อเสนอนี้ใหม่โดยเน้นที่การคัดค้านและทริกเกอร์การตัดสินใจของผู้ซื้อ

บุคลิกภาพแบบผสม

สำหรับงานซับซ้อน รวมบุคลิกภาพตามลำดับ: นักวิเคราะห์การวิจัยรวบรวมข้อมูล → นักกลยุทธ์การขายกำหนดเป็น pitch → นักเขียนคัดลอกขัดเกลา output สุดท้าย แต่ละบุคลิกภาพนำมุมมองที่แตกต่างมาสู่เนื้อหาเดียวกัน

จุดตรวจสอบโมดูล 6

คุณเข้าใจ 4 บุคลิกภาพหลักและเมื่อไหร่ควรใช้แต่ละอย่าง
คุณสามารถ implement บุคลิกภาพเป็น frontmatter ของทักษะหรือไฟล์บุคลิกภาพ
คุณรู้วิธีเชื่อมต่อบุคลิกภาพสำหรับงานแบบผสม

โมดูล 07ระบบนิเวศ MCP - เชื่อมต่อทุกอย่าง

MCP (Model Context Protocol) คือระบบปลั๊กอินดั้งเดิมของ Claude Code MCP server แต่ละตัวให้ Claude ชุดเครื่องมือใหม่ - อ่าน Google Sheets, ค้นหา Drive, ส่งข้อความ Slack, ดึงเว็บเพจ - โดยไม่ออกจาก terminal

MCP ปลดล็อกอะไร

ไม่มี MCP, Claude อ่านและเขียนไฟล์ใน workspace ของคุณ ด้วย MCP:

Claude สามารถ อ่าน Google Sheets ของคุณโดยไม่ต้องวางข้อมูล
Claude สามารถ ค้นหา Drive ด้วยชื่อไฟล์และอ่านเอกสาร
Claude สามารถ ดึงเว็บเพจใดๆ และดึงข้อมูลที่มีโครงสร้าง
Claude สามารถ โพสต์ไปยัง Slack channels และอ่านประวัติข้อความ
Claude สามารถ จัดการ GitHub issues, PRs และค้นหาโค้ดผ่าน API

กลุ่ม MCP เต็มรูปแบบ

MCP Server	ผู้ให้บริการ	ทำอะไร
Google Drive	Anthropic (built-in)	อ่าน/ค้นหาไฟล์ Drive, Docs, Slides
Google Sheets	Anthropic (built-in)	อ่าน/เขียน cell และ range ของ spreadsheet
Web Fetch	Built-in	ดึง URL ใดๆ, ดึงเนื้อหา
Web Search	Built-in	ค้นหาอินเทอร์เน็ตแบบ real-time
Firecrawl	ชุมชน	การครอลเชิงลึก, การดึงข้อมูลที่มีโครงสร้าง
Slack	ชุมชน	อ่าน/ส่งข้อความไปยัง channels
GitHub	ชุมชน	Issues, PRs, ค้นหาโค้ดผ่าน API

การตั้งค่า

ตัวอย่าง settings.json ทั่วไป

settings.json{ "mcpServers": { "google-drive": { "command": "npx", "args": ["-y", "@anthropic/mcp-google-drive"], "env": { "GOOGLE_CREDENTIALS_PATH": "./credentials.json" } }, "google-sheets": { "command": "npx", "args": ["-y", "@anthropic/mcp-google-sheets"], "env": { "GOOGLE_CREDENTIALS_PATH": "./credentials.json" } }, "firecrawl": { "command": "npx", "args": ["-y", "@anthropic/mcp-firecrawl"], "env": { "FIRECRAWL_API_KEY": "${FIRECRAWL_API_KEY}" } }, "slack": { "command": "npx", "args": ["-y", "@anthropic/mcp-slack"], "env": { "SLACK_BOT_TOKEN": "${SLACK_BOT_TOKEN}" } } } }

MCP server แต่ละตัวโดยทั่วไปต้องการ: npm package หรือ script ในเครื่อง, การยืนยันตัวตน (OAuth flow หรือ API key) และการอนุมัติครั้งเดียวเมื่อ Claude ใช้ครั้งแรก

ความปลอดภัยของ MCP

เชื่อมต่อเฉพาะ MCP server จากผู้ให้บริการที่ยืนยันแล้ว Anthropic ไม่ตรวจสอบ MCP server ของบุคคลที่สาม ตรวจสอบแต่ละตัวก่อนเชื่อมต่อ - ถือว่าเหมือนการติดตั้งซอฟต์แวร์ อย่าให้ MCP server เข้าถึงข้อมูลทางการเงินโดยไม่ได้รับการอนุมัติอย่างชัดเจน หาก MCP tool ร้องขอสิทธิ์ที่ดูเกินไป หยุดและตรวจสอบ

การสร้าง MCP Server ของตัวเอง

MCP built-in ครอบคลุมประมาณ 80% ของกรณีการใช้งานทั่วไป แต่เมื่อคุณต้องการให้ Claude คุยกับระบบที่ไม่มี MCP อยู่ - CRM ของคุณ, เครื่องมือภายใน, ฐานข้อมูลกำหนดเอง - คุณสร้างของตัวเอง MCP server เป็นเพียงโปรแกรมเล็กๆ ที่เปิดเผยเครื่องมือให้ Claude ผ่าน protocol มาตรฐาน

TypeScript - Custom MCP Serverimport { Server } from "@modelcontextprotocol/sdk/server"; const server = new Server({ name: "my-crm-mcp" }); server.tool("check_new_leads", async () => { const leads = await fetch( "https://your-crm.com/api/leads?status=new" ); return { content: [{ type: "text", text: JSON.stringify(await leads.json()) }] }; }); server.tool("update_lead_status", async ({ id, status }) => { const result = await fetch( `https://your-crm.com/api/leads/${id}`, { method: "PATCH", headers: { "Content-Type": "application/json" }, body: JSON.stringify({ status }) } ); return { content: [{ type: "text", text: `Lead ${id} updated to ${status}` }] }; });

เมื่อไหร่ควรสร้าง Custom

MCP built-in ครอบคลุม 80% ของกรณีการใช้งาน สร้างของตัวเองเมื่อคุณต้องการให้ Claude คุยกับระบบที่ยังไม่มี - CRM ของคุณ, ฐานข้อมูลที่เป็นกรรมสิทธิ์, API ภายใน หรือ SaaS tool เฉพาะ MCP กำหนดเองหนึ่งตัวสามารถขจัดเวิร์กโฟลว์ manual ทั้งหมด

จุดตรวจสอบโมดูล 7

คุณเข้าใจว่า MCP คืออะไรและมันปลดล็อกอะไร
คุณรู้ MCP server หลัก 7 ตัวและแต่ละตัวทำอะไร
คุณสามารถตั้งค่า MCP server ผ่าน settings.json
คุณเข้าใจข้อพิจารณาด้านความปลอดภัย MCP
คุณรู้เมื่อไหร่และอย่างไรในการสร้าง MCP server กำหนดเอง

Local LLMsเมื่อไหร่และอย่างไรในการรันโมเดลในเครื่อง

Cloud AI (Claude, GPT) คือเครื่องจักรหลัก แต่มีสถานการณ์ที่การรันโมเดลบนเครื่องของคุณเองสมเหตุสมผล - ความเป็นส่วนตัว, ต้นทุน, งานออฟไลน์ หรือการประมวลผลจำนวนมากที่คุณภาพไม่สำคัญนัก ส่วนนี้ครอบคลุมเมื่อไหร่ควรใช้ local, เครื่องมือใดควรใช้ และโมเดลใดควรเริ่มด้วย

เมื่อไหร่ควรใช้ Local vs Cloud

สถานการณ์	ใช้ Local	ใช้ Cloud (Claude)
ข้อมูลที่ละเอียดอ่อนด้านความเป็นส่วนตัว (การแพทย์, กฎหมาย, การเงิน)	ใช่	ไม่
งานออฟไลน์ (เที่ยวบิน, สถานที่ห่างไกล)	ใช่	ไม่
การประมวลผลจำนวนมาก, ต้นทุนต่ำ (หลายพันรายการ)	ใช่	บางที
การใช้เหตุผลซับซ้อนและตรรกะหลายขั้นตอน	ไม่	ใช่
เวิร์กโฟลว์หลายขั้นตอนพร้อมการใช้เครื่องมือ	ไม่	ใช่
คุณภาพสำคัญ (สำหรับลูกค้า, ข้อเสนอ, กลยุทธ์)	ไม่	ใช่

3 วิธีรันโมเดล Local

แต่ละเครื่องมือมีจุดแข็งที่แตกต่างกัน เลือกตามว่าคุณชอบ terminal, อินเทอร์เฟซภาพ หรือขนาดเล็กที่สุดที่เป็นไปได้:

เครื่องมือ	RAM ที่ต้องการ	GPU	เหมาะที่สุดสำหรับ
Ollama	8GB+	ไม่บังคับ (ช่วยได้)	Terminal-first, ตั้งค่าง่าย, scripting
LM Studio	8GB+	ไม่บังคับ	GUI, เหมาะสำหรับผู้เริ่มต้น, เรียกดูโมเดล
GPT4All	4GB+	ไม่ต้องการ	น้ำหนักเบา, รันบนเกือบทุกอย่าง

โมเดลที่แนะนำ

โมเดล	ขนาด	RAM	เหมาะสำหรับ
Llama 3.1 8B	4.7GB	8GB	งานทั่วไป, การสรุป
Qwen 2.5 7B	4.4GB	8GB	การเขียนโค้ด, output ที่มีโครงสร้าง
Mistral 7B	4.1GB	8GB	การ inference เร็ว, แชท
Phi-3 Mini	2.3GB	4GB	น้ำหนักเบาสุดๆ, คำตอบเร็ว
Gemma 2 9B	5.4GB	12GB	คุณภาพดีที่สุดในขนาดนี้

เริ่มต้นกับ Ollama (2 นาที)

Terminal# Install Ollama (Mac) brew install ollama # Pull and run a model ollama run llama3.1 # You're now chatting with a local LLM -- no API key, no cost >>> Summarise this document in 3 bullet points...

โมเดล Local เป็นส่วนเสริม

โมเดล local ไม่ใช่การทดแทน Claude ใช้สำหรับการประมวลผลจำนวนมาก, งานที่ละเอียดอ่อนด้านความเป็นส่วนตัว และ query ออฟไลน์ สำหรับอะไรก็ตามที่ต้องการการใช้เหตุผลเชิงลึก, เวิร์กโฟลว์หลายขั้นตอน หรือ output คุณภาพ - ใช้ Claude โมเดล local ขนาด 7B เทียบเท่ากับนักฝึกงานระดับจูเนียร์ Claude คือหุ้นส่วนอาวุโส ใช้แต่ละตัวในจุดที่เหมาะสม

จุดตรวจสอบ Local LLMs

คุณรู้เมื่อไหร่ควรใช้โมเดล local vs cloud
คุณเข้าใจ 3 เครื่องมือสำหรับรันโมเดล local (Ollama, LM Studio, GPT4All)
คุณรู้โมเดลใดควรเริ่มด้วยตาม RAM ของคุณ
คุณสามารถติดตั้งและรัน Ollama ใน 2 นาที

โมดูล 08ความเชี่ยวชาญ Terminal

Terminal เดียว ควบคุมทุกอย่างไม่ต้องสลับแท็บ SaaS 15 อัน ทุกอย่างรันผ่าน interface เดียว

ก่อนมี Claude Code เช้าปกติดูแบบนี้: เปิด Chrome, เข้า analytics, สลับไปแพลตฟอร์มโฆษณา, เปิด project tracker, เช็ค Slack, เปิดอีเมล, สลับไป CRM, เปิด spreadsheet, alt-tab 47 ครั้ง ถึง 10 โมงยังไม่ได้ทำงานจริงเลย

กับ Claude Code, stack ทั้งหมดเข้าถึงได้จาก terminal หน้าต่างเดียว คุณพิมพ์ภาษาธรรมชาติ, Claude เรียก API, และผลลัพธ์ปรากฏที่คุณต้องการ ไม่สลับแท็บ ไม่สลับบริบท ไม่มี SaaS dashboards แข่งกันดึงความสนใจ

ทางลัดพลังงานแล็ปท็อป

ทางลัดเหล่านี้ทำให้เวิร์กโฟลว์ terminal เร็วยิ่งขึ้น จำอันที่คุณใช้บ่อย:

การกระทำ	Mac	Windows
ภาพหน้าจอ (เต็ม)	`Cmd`+`Shift`+`3`	`Win`+`Shift`+`S`
ภาพหน้าจอ (พื้นที่)	`Cmd`+`Shift`+`4`	`Win`+`Shift`+`S`
คำสั่งเสียง	`Fn`+`Fn`	`Win`+`H`
ประวัติคลิปบอร์ด	ติดตั้ง Maccy หรือ Raycast	`Win`+`V`
ตัวเปิดแอป	`Cmd`+`Space`	`Win`+`S`
เลือก emoji	`Cmd`+`Ctrl`+`Space`	`Win`+`.`
สลับหน้าต่าง	`Cmd`+`Tab`	`Alt`+`Tab`
วางใน terminal	`Cmd`+`V`	`Ctrl`+`Shift`+`V`
ล้าง terminal	`Cmd`+`K`	`Ctrl`+`L`

คำสั่งเสียง + Claude Code

เวิร์กโฟลว์ Claude Code ที่เร็วที่สุดคือคำสั่งเสียงเข้า terminal พูดคำร้องของคุณ, ให้การสั่งการถอดความ, กด Enter ไม่ต้องพิมพ์ ไม่สลับบริบท มีประสิทธิภาพโดยเฉพาะสำหรับ prompt ยาวและละเอียดที่ต้องใช้เวลาหลายนาทีในการพิมพ์

จุดตรวจสอบโมดูล 8

คุณเข้าใจข้อได้เปรียบของเวิร์กโฟลว์ terminal เดียว
คุณรู้ทางลัดพลังงานสำคัญสำหรับ OS ของคุณ
คุณได้ลองคำสั่งเสียงเข้า Claude Code อย่างน้อยหนึ่งครั้ง

Cloudflareเครื่องมือการติดตั้งใช้งานของคุณ

Cloudflare คือชั้น infrastructure ที่ทำให้ทุกสิ่งที่คุณสร้างเข้าถึงได้จากโลก บริการห้าอย่างจัดการ 90% ของสิ่งที่คุณต้องการ - และทั้งหมดทำงานจาก terminal ผ่าน wrangler, เครื่องมือ CLI ของ Cloudflare

Pages - ติดตั้งใช้งาน Static Site ใดๆ

Cloudflare Pages โฮสต์ static site ทั่วโลกพร้อม HTTPS อัตโนมัติ, domain กำหนดเอง, และการลบ cache ทันที คำสั่งเดียวติดตั้งใช้งาน site ของคุณไปยัง 300+ edge locations ทั่วโลก

ติดตั้งใช้งานไปยัง Cloudflare Pageswrangler pages deploy ./my-site --project-name my-project

แค่นั้นแหละ Site ของคุณ live แล้ว Pages ตรวจจับ build output อัตโนมัติ, อัปโหลดมัน, กำหนด URL .pages.dev และคุณสามารถแนบ domain กำหนดเองใน Cloudflare dashboard หรือผ่าน API

ใช้สำหรับ: landing pages, deck การนำเสนอลูกค้า, report HTML, marketing sites, เอกสาร, asset static ใดๆ
ต้นทุน: Free tier ครอบคลุมกรณีการใช้งานส่วนใหญ่ 500 deploys/เดือน, bandwidth ไม่จำกัด
Auto-deploy: เชื่อมต่อ GitHub repo และทุก push ไปยัง main จะกระตุ้น deploy ใหม่โดยอัตโนมัติ

Workers - Serverless Functions ที่ Edge

Workers รัน JavaScript/TypeScript ที่ edge - ไม่มี server ต้องจัดการ, ไม่มี cold start ที่น่าเป็นห่วง เหมาะสำหรับ webhook receivers, API proxies, cron triggers และ backend น้ำหนักเบา

Simple Worker - Webhook Receiverexport default { async fetch(request) { const url = new URL(request.url); if (url.pathname === "/webhook") { const data = await request.json(); // Process incoming webhook return new Response("OK", { status: 200 }); } return new Response("Not found", { status: 404 }); } }

ใช้สำหรับ: Webhook receivers (Stripe, เหตุการณ์ CRM), API proxies, cron jobs, form handlers, redirect engines
ต้นทุน: Free tier = 100k requests/วัน Paid = $5/เดือนสำหรับ 10M requests

R2 - Object Storage

R2 คือคำตอบของ Cloudflare สำหรับ S3 - โดยไม่มีค่า egress เก็บรูปภาพ, voice clone, ไฟล์ขนาดใหญ่, assets ลูกค้า, ข้อมูลสำรอง เข้าถึงผ่าน Workers หรือ URL โดยตรง

ใช้สำหรับ: โฮสต์รูปภาพ, ไฟล์ voice clone, ที่เก็บ PDF ขนาดใหญ่, media assets, backup archives
ต้นทุน: Free tier = 10GB storage, 10M reads/เดือน ไม่มีค่า egress เลย
ข้อได้เปรียบหลัก: ไม่มีบิล bandwidth ที่ประหลาดใจ อัปโหลดครั้งเดียว, serve ทั่วโลก, จ่ายเฉพาะ storage

DNS - จัดการ Domains จาก Terminal

Cloudflare DNS คือ authoritative DNS ที่เร็วที่สุดบนอินเทอร์เน็ต เมื่อ domain ของคุณอยู่บน Cloudflare คุณสามารถจัดการ records จาก terminal, automate การสร้าง subdomain, และได้รับ HTTPS อัตโนมัติบนทุกอย่าง

ใช้สำหรับ: การจัดการ domain, routing subdomain, domain กำหนดเองสำหรับ Pages sites
ต้นทุน: ฟรีสำหรับทุก domain

KV - Key-Value Store

KV คือ global key-value store ที่เข้าถึงได้จาก Workers ใช้เพื่อเก็บ configuration, feature flags, session state, API responses ที่แคชไว้ หรือข้อมูลชิ้นเล็กๆ ที่ต้องการเร็วและพร้อมใช้งานทั่วโลก

ใช้สำหรับ: Config storage, feature flags, API responses ที่แคชไว้, ตัวนับ rate limiting, การมอบหมาย A/B test
ต้นทุน: Free tier = 100k reads/วัน, 1k writes/วัน

Cloudflare Stack

Pages + Workers + R2 + KV ให้แพลตฟอร์มการติดตั้งใช้งานและโฮสต์ที่สมบูรณ์ในราคา $0-5/เดือน ไม่มีบิล AWS ไม่มีการจัดการ server ไม่ต้องจ้าง DevOps Claude Code สร้างโค้ด, wrangler ติดตั้งใช้งาน, Cloudflare รันมันทั่วโลก นั่นคือชั้น infrastructure ทั้งหมดสำหรับธุรกิจ AI-native ส่วนใหญ่

จุดตรวจสอบ Cloudflare

คุณสามารถติดตั้งใช้งาน static site ด้วยคำสั่ง wrangler เดียว
คุณเข้าใจ Workers สำหรับ serverless functions (webhooks, APIs, crons)
คุณรู้ R2 สำหรับ object storage ที่ไม่มีค่า egress
คุณรู้ว่า KV มีสำหรับ state น้ำหนักเบาและ config

ไปป์ไลน์จาก Build สู่ Live - ไปป์ไลน์การติดตั้งใช้งาน

ทุกชิ้นงานผ่าน 5 ขั้นตอนเดียวกันจากโค้ดสู่ URL live การเข้าใจไปป์ไลน์นี้หมายความว่าคุณไม่ต้องสงสัยว่า "ฉันจะส่งสิ่งนี้ให้ใครสักคนได้อย่างไร?" อีกต่อไป

⚡

BUILD

Claude Code

→

📦

VERSION

Git

→

🚀

DEPLOY

CF / GH Pages

→

✓

VERIFY

curl → 200

→

🔗

URL live

ไปป์ไลน์เดียวกันใช้ไม่ว่าคุณจะส่ง client site, internal dashboard, HTML report หรือ presentation deck นี่คือรายละเอียดแต่ละขั้นตอน:

ขั้นตอน	เครื่องมือ	สิ่งที่เกิดขึ้น
Build	Claude Code	เขียนโค้ด, HTML หรือ assets
Version	Git	Commit + push ไปยัง repository
Deploy	CF Pages หรือ GH Pages	Auto-deploy เมื่อ push หรือ manual `wrangler pages deploy`
Verify	curl	ตรวจสอบ HTTP 200 - ยังไม่เสร็จจนกว่าจะยืนยัน live
Share	URL live	ส่งให้ลูกค้า, ผู้มีส่วนได้เสีย หรือเผยแพร่สาธารณะ

การยืนยันไม่ใช่ตัวเลือก

Site ไม่ "เสร็จ" จนกว่า curl จะคืน HTTP 200 บน URL live การ deploy โดยไม่ยืนยันคือวิธีที่ลิงก์ตายถูกส่งให้ลูกค้า สร้างการตรวจสอบ curl ในทุกเวิร์กโฟลว์ deploy

สูตร 1 - GitHub Pages (3 คำสั่ง)

GitHub Pages Deploy# 1. Commit and push git add -A && git commit -m "Deploy site update" && git push # 2. Enable GitHub Pages (first time only) gh repo edit --enable-pages --source branch=main --path=/docs # 3. Verify curl -s -o /dev/null -w "%{http_code}" https://yourusername.github.io/repo-name/

สูตร 2 - Cloudflare Pages (2 คำสั่ง)

Cloudflare Pages Deploy# 1. Deploy wrangler pages deploy ./dist --project-name my-project # 2. Verify curl -s -o /dev/null -w "%{http_code}" https://my-project.pages.dev

เลือกหนึ่งและเชี่ยวชาญมัน

GitHub Pages ง่ายกว่าสำหรับ open-source และเอกสาร Cloudflare Pages เร็วกว่า, ยืดหยุ่นกว่า, และดีกว่าสำหรับงานลูกค้า เลือกหนึ่งเป็นค่าเริ่มต้นและสลับเฉพาะเมื่อมีเหตุผลเฉพาะ สำหรับโปรเจกต์ส่วนใหญ่ Cloudflare Pages เป็นตัวเลือกที่ดีกว่า

จุดตรวจสอบไปป์ไลน์การติดตั้งใช้งาน

คุณรู้ 5 ขั้นตอนไปป์ไลน์: build, version, deploy, verify, share
คุณสามารถ deploy ผ่าน GitHub Pages หรือ Cloudflare Pages
คุณยืนยันด้วย curl เสมอก่อนแชร์ URL

บริบทการจัดการหน้าต่างบริบท

ทุกการสนทนา Claude Code มีหน้าต่างบริบทประมาณ 200,000 tokens (~150,000 คำ) นั่นมากมาย - แต่ไม่ไม่จำกัด การเข้าใจว่ามันทำงานอย่างไรและเมื่อไหร่ที่จะเต็มเป็นความแตกต่างระหว่างเซสชัน 3 ชั่วโมงที่ productive และการสูญเสียงานสู่การบีบอัด

บริบททำงานอย่างไร

ทุกอย่างในการสนทนาของคุณใช้บริบท: ข้อความของคุณ, การตอบสนองของ Claude, เนื้อหาไฟล์, การเรียก tool, ผลลัพธ์ tool, ไฟล์หน่วยความจำ, CLAUDE.md เมื่อการสนทนาเติบโต, ข้อความเก่าสุดถูกบีบอัดหรือสรุปเพื่อเปิดพื้นที่สำหรับอันใหม่ กระบวนการนี้เรียกว่า compaction

สัญญาณที่บริบทของคุณกำลังเต็ม

Claude ลืมคำสั่งที่คุณให้ก่อนหน้าในเซสชัน
Claude สูญเสียการติดตามว่าไฟล์ใดที่อ่านหรือแก้ไขแล้ว
Claude พูดซ้ำตัวเองหรือค้นพบใหม่สิ่งที่รู้แล้ว
Claude ถามคุณยืนยันสิ่งที่คุณบอกไปแล้ว
คุณภาพ output ลดลงอย่างเห็นได้ชัดในงานที่ทำงานได้ดีก่อนหน้า

6 กลยุทธ์จัดการบริบท

1. แบ่งงานเป็นเซสชันที่มีสมาธิ

งานเดียวต่อแชท อย่าใช้การสนทนาเดียวสำหรับการตรวจสอบแคมเปญโฆษณาตอนเช้าและ pitch deck ตอนบ่าย เริ่มแชทใหม่สำหรับแต่ละงานที่แตกต่าง ทำให้บริบทสดและมีสมาธิ

2. ใช้ไฟล์หน่วยความจำเพื่อคงสถานะข้ามเซสชัน

สิ่งใดที่ต้องการอยู่รอดระหว่างการสนทนาไปยังไฟล์หน่วยความจำ เมื่อคุณเริ่มเซสชันใหม่ Claude โหลดไฟล์หน่วยความจำทั้งหมดโดยอัตโนมัติ สถานะคงอยู่แม้การสนทนาจะไม่คงอยู่

3. โหลดบริบทสำคัญก่อน

CLAUDE.md โหลดก่อนในทุกการสนทนา ใส่กฎและเอกลักษณ์ที่สำคัญที่สุดของคุณที่นั่น มันเป็นสิ่งสุดท้ายที่จะถูกบีบอัด ไฟล์หน่วยความจำโหลดถัดไป โครงสร้างระบบของคุณเพื่อให้บริบทสำคัญที่สุดโหลดก่อน

4. ใช้การอ้างอิง @file แทนการวางเนื้อหา

เมื่อ Claude อ่านไฟล์ผ่าน @file, มันประมวลผลเนื้อหาอย่างมีประสิทธิภาพ เมื่อคุณวางเนื้อหาเดียวกันในแชท มันใช้บริบทสองครั้ง (ข้อความของคุณ + เนื้อหา) อ้างอิงไฟล์เสมอแทนการวาง

5. Commit บ่อยๆ

ถ้าบริบทบีบอัดและ Claude สูญเสียการติดตามสิ่งที่สร้าง ไฟล์ยังปลอดภัยบน disk (และใน git) การ commit บ่อยหมายความว่าคุณไม่เคยสูญเสียงาน แม้การสนทนาจะเสื่อมสภาพ

6. รัน /reflect ก่อนปิด

ก่อนสิ้นสุดเซสชัน จับสถานะปัจจุบัน: สิ่งที่ทำแล้ว, สิ่งที่รอดำเนินการ, การตัดสินใจสำคัญ, เส้นทางไฟล์สำคัญ บันทึกนี้เป็นไฟล์ reflection ในหน่วยความจำ เซสชันถัดไปรับช่วงต่อจากที่เซสชันนี้หยุด

กับดัก Compaction

ความล้มเหลวที่พบบ่อยที่สุด: เซสชัน 3 ชั่วโมงที่คุณทำงานดีในชั่วโมงที่ 1 แต่ถึงชั่วโมงที่ 3 Claude ลืมการตัดสินใจสำคัญจากชั่วโมงที่ 1 เพราะถูกบีบอัด การแก้ไขไม่ใช่บริบทที่ยาวขึ้น - มันคือเซสชันที่สั้นกว่าและมีสมาธิกว่าพร้อมสถานะบันทึกไปยัง disk ระหว่างกัน

จุดตรวจสอบหน้าต่างบริบท

คุณเข้าใจหน้าต่างบริบท ~200k token และ compaction
คุณรู้ 5 สัญญาณที่บริบทกำลังเต็ม
คุณใช้เซสชันที่มีสมาธิ, ไฟล์หน่วยความจำ, การอ้างอิง @file และการ commit บ่อยๆ
คุณรัน /reflect ก่อนปิดเซสชันสำคัญ

Multi-Chatรัน 5-6 แชทพร้อมกัน

การเคลื่อนไหวพลังงานจริงไม่ใช่การสนทนา Claude เดียว - มันคือ 5-6 ที่รันพร้อมกัน, แต่ละอันทำงานในส่วนต่างกันของโปรเจกต์เดียวกัน นี่คือวิธีที่คุณสร้างในชั่วโมงสิ่งที่ต้องใช้เวลาหลายวันตามลำดับ

กฎของแชทแบบขนาน

1. ทุกแชทได้รับ codename

ตั้งชื่อแต่ละแชทสำหรับการระบุทันที: Chat-A: Data, Chat-B: Design, Chat-C: Deploy, Chat-D: Content, Chat-E: QA codename ไปในข้อความแรกของแต่ละแชทเพื่อให้คุณระบุได้จากแท็บ VS Code

2. แต่ละแชทเป็นเจ้าของไฟล์เฉพาะ - ไม่ทับซ้อน

ก่อนเปิดแชทแบบขนาน กำหนดความเป็นเจ้าของไฟล์ Chat-A เขียนไปยัง output/data/ Chat-B เขียนไปยัง output/design/ Chat-C จัดการ deploy/ ไม่มีข้อยกเว้น

3. แชทหลักประสานงานและรวมเข้าด้วยกัน

แชทหนึ่งคือผู้ประสานงาน มันไม่ผลิตไฟล์โดยตรง - มันตรวจสอบ output จากแชทอื่น, รวมผลลัพธ์, จัดการพื้นผิวร่วม (MEMORY.md, แผนหลัก, git commits), และแก้ไขข้อขัดแย้ง

4. ตั้งชื่อข้อความแรกของแต่ละแชท

เริ่มข้อความแรกของแต่ละแชทแบบขนานด้วย codename และคำอธิบายเพื่อให้แท็บ VS Code ระบุได้ทันที:

CHAT-A: DATA EXTRACTION - คุณจัดการการดึงข้อมูลทั้งหมดสำหรับ sprint นี้ directory output ของคุณคือ output/data/ อย่าเขียนไปยัง directory อื่น

5. Commit ต่อแชท ไม่ใช่ต่อเซสชัน

แต่ละแชทผลิต commit ของตัวเอง ถ้า Chat-B crash, งานของ Chat-A และ Chat-C ได้รับการ commit และปลอดภัยแล้ว อย่า batch งานแบบขนานทั้งหมดในหนึ่ง commit เมื่อสิ้นสุด

กฎที่แน่วแน่

ห้ามสองแชทเขียนไปยังไฟล์เดียวกัน การชนไฟล์ฆ่างานแบบขนาน ถ้าคุณพบว่าสองแชทต้องการแก้ไขไฟล์เดียวกัน หยุดและจัดโครงสร้างความเป็นเจ้าของใหม่ 5 นาทีที่ใช้ในการจัดสรรใหม่ช่วยประหยัดหนึ่งชั่วโมงในการ debug ความขัดแย้งที่รวมกัน

ตัวอย่าง: 3-แชท parallel build

แชท	Codename	เป็นเจ้าของ	ผลิต
A	DATA	`knowledge/`, `output/data/`	โปรไฟล์ลูกค้า, metrics ที่ดึงออก, CSV exports
B	DESIGN	`output/design/`, `templates/`	HTML templates, CSS, visual assets
C	DEPLOY	`deploy/`, `dist/`	Build scripts, wrangler configs, live deploys

แชทหลัก (คุณ) ตรวจสอบ output ของแต่ละแชท, รัน integration step, และจัดการ commit + deploy สุดท้าย

จุดตรวจสอบ Multi-Chat

คุณตั้งชื่อแต่ละแชทด้วย codename ในข้อความแรก
คุณกำหนดความเป็นเจ้าของไฟล์เฉพาะให้แต่ละแชท
คุณใช้แชทหลักสำหรับการประสานงานและรวม
คุณ commit ต่อแชท ไม่ใช่ต่อเซสชัน
คุณไม่เคยให้สองแชทเขียนไปยังไฟล์เดียวกัน

Promptsรูปแบบ Prompt ขั้นสูง

Prompt ที่ดีผลิต output ที่ดี Prompt ที่ยอดเยี่ยมผลิต output ที่คุณสามารถส่งได้โดยไม่ต้องแก้ไข 5 รูปแบบเหล่านี้คือความแตกต่างระหว่าง "พอเพียง" และ "ถูกต้องแน่นอน"

รูปแบบ 1: Compound Prompts

วางซ้อน role + task + constraints + output format เข้าใน prompt เดียวที่มีโครงสร้าง แต่ละชั้นแคบพื้นที่ output

Compound PromptYou are a senior business consultant writing for a non-technical restaurant owner. Task: Analyse this restaurant's social media performance and write a 1-page summary. Constraints: - No jargon. Explain every technical term. - Max 500 words. - Focus on the 3 highest-impact fixes only. Output format: ## Summary [2-3 sentence overview] ## Top 3 Fixes 1. [Fix] -- [Why it matters] -- [Effort: Low/Med/High] 2. ... 3. ... ## Next Step [One clear action the reader should take today]

รูปแบบ 2: Chain-of-Thought Forcing

บังคับให้ Claude แสดงการใช้เหตุผลก่อนให้คำตอบ ซึ่งช่วยจับข้อผิดพลาดที่ prompt แบบข้ามไปคำตอบพลาด

Chain of ThoughtBefore answering, list your reasoning steps: 1. What do I know about this business? 2. What data am I missing? 3. What assumptions am I making? 4. What are the risks of each option? Then give your recommendation with confidence level (HIGH / MEDIUM / LOW).

รูปแบบ 3: Self-Critique Loops

ให้ Claude เขียน draft แรก, วิจารณ์มันเทียบกับเกณฑ์เฉพาะ, แล้วผลิต version สุดท้าย ขั้นตอนการวิจารณ์จับ 80% ของปัญหาคุณภาพ

Self-CritiqueWrite v1 of this proposal email. Then critique v1 against these criteria: - Is the subject line under 60 characters? - Does the opening line reference something specific about the prospect? - Is there exactly one CTA? - Is the tone conversational, not salesy? - Is it under 100 words? Fix every issue found and write the final version.

รูปแบบ 4: Structured Output

เมื่อคุณต้องการ output ที่อ่านได้ด้วยเครื่องหรือมีรูปแบบสม่ำเสมอ ระบุโครงสร้างที่แน่นอนใน prompt

Structured OutputAnalyse this client call transcript and return as JSON: { "summary": "2-3 sentence overview", "sentiment": "positive | neutral | negative", "action_items": [ { "task": "description", "owner": "name", "deadline": "date or ASAP" } ], "follow_up_needed": true | false, "key_objections": ["objection 1", "objection 2"] }

รูปแบบ 5: Meta-Prompting

แทนที่จะเขียน prompt เอง ขอให้ Claude เขียน prompt ใช้ได้ดีโดยเฉพาะสำหรับเวิร์กโฟลว์ซับซ้อนหลายขั้นตอนที่คุณรู้ผลลัพธ์ที่ต้องการแต่ไม่รู้วิธีที่ดีที่สุดในการสั่ง Claude

Meta-PromptWrite me a prompt that would produce a comprehensive competitor analysis report for a local service business. The prompt should: - Be usable with any business niche - Produce a structured, client-ready output - Include specific data points to check - Take under 10 minutes for Claude to execute - Output as markdown with tables

วางซ้อนรูปแบบ

รูปแบบเหล่านี้ประกอบกัน Compound prompt ที่มี chain-of-thought forcing และ structured output มีพลังมากกว่ารูปแบบเดียวใดๆ เริ่มด้วย compound prompts เพิ่มอื่นๆ เมื่อความต้องการของคุณเฉพาะเจาะจงมากขึ้น

จุดตรวจสอบรูปแบบ Prompt

คุณสามารถเขียน compound prompts ที่มี role + task + constraints + output format
คุณใช้ chain-of-thought forcing สำหรับงานการใช้เหตุผลซับซ้อน
คุณใช้ self-critique loops สำหรับ output ที่ละเอียดอ่อนด้านคุณภาพ
คุณระบุ structured output (JSON, tables) เมื่อรูปแบบสำคัญ
คุณรู้ meta-prompting สำหรับสร้าง prompt templates ที่ใช้ซ้ำได้

โมดูล 09Showcases - สิ่งที่ Stack นี้สร้างขึ้นจริงๆ

ทฤษฎีถูก นี่คือ 6 รูปแบบจริงที่เราได้ดำเนินการ - ทำให้เป็นทั่วไปแต่ตัวเลขจริง

1. Multi-Client Performance Sprint

9 ลูกค้า · 4 มิติ · ตัวแทน AI แบบขนาน · ไฟล์ 90+ ไฟล์ · รายได้ retainer $15k/เดือน

ตรวจสอบ 9 ลูกค้าที่ active ข้ามมิติ visibility, สุขภาพทางเทคนิค, backlinks, และเนื้อหาใน sprint เดียว ลูกค้าแต่ละรายได้รับ report deck HTML interactive เต็มรูปแบบที่ deploy ไปยัง URL live

รูปแบบ: ตัวแทน AI แบบ fan-out (1 ต่อลูกค้า) → ผู้ประสานงานรวม → ไปป์ไลน์ deploy push live
APIs ที่ใช้: ข้อมูล SERP, การทดสอบการอ้างอิง AI, การตรวจสอบไขว้, การ crawl site
Output: 9 deck interactive, 4 เอกสาร niche-learnings, 3 tracking sheets, 1 brief เชิงกลยุทธ์

รูปแบบในการใช้งานจริง: 9 client report decks, แต่ละอัน deploy เป็นหน้า HTML live พร้อมข้อมูลจริง - สร้างใน parallel session เดียวข้าม 3 แชท

2. Brief-to-Live Website

1 paragraph brief → website live → single prompt · มูลค่าศักยภาพ: $8k+ ต่อโปรเจกต์

จากคำอธิบายธุรกิจหนึ่งย่อหน้าไปยัง website ที่ deploy เต็มรูปแบบ, mobile-responsive พร้อม URL live ไม่มี HTML manual ไม่มี FTP ไม่มีการตั้งค่า hosting

รูปแบบ: Scrape เว็บที่มีอยู่ → สร้าง site → deploy → ยืนยัน HTTP 200
การยืนยัน: ยังไม่ "เสร็จ" จนกว่า curl คืน 200 บน URL live
เวลา: น้อยกว่า 10 นาทีจาก brief สู่ live

รูปแบบในการใช้งานจริง: Lead sites ของ prospect สร้างจาก brief สู่ URL live ใน 10 นาที, ยืนยัน HTTP 200 ก่อนส่ง

3. Social Content Pipeline

กลยุทธ์ → draft → graphics → การกำหนดเวลา · 15 นาที/สัปดาห์ · ศักยภาพบริการ $8k-$15k/เดือน

สร้าง content pipeline สมบูรณ์สำหรับเครือร้านอาหาร: framework กลยุทธ์, carousel templates, caption library, ตารางการโพสต์, และ generation skills ที่ใช้ซ้ำได้ Execution รายสัปดาห์ใช้ prompt เดียว

รูปแบบ: สร้าง infrastructure ครั้งเดียว → รันรายสัปดาห์ด้วยคำสั่งเดียว
Output: deck หลายสไลด์, caption variants ต่อแพลตฟอร์ม, ปฏิทินการกำหนดเวลา
การบำรุงรักษา: 15 นาทีต่อสัปดาห์เพื่อผลิตเนื้อหาหนึ่งสัปดาห์เต็ม

รูปแบบในการใช้งานจริง: Social content pipeline เต็มรูปแบบ - 9-slide carousel deck, caption library, ตารางการโพสต์ - สร้างใน session เดียว, รันรายสัปดาห์ด้วย prompt เดียว

4. Voice Clone Factory

ตัวอย่าง 60 วินาที → brand voice → รันใน local

สร้าง voice-cloning pipeline local ด้วย engine หลายตัว ตัวอย่างเสียง 60 วินาทีกลายเป็น brand voice ที่ใช้ซ้ำได้สำหรับ landing pages, onboarding audio, และ video narration

รูปแบบ: Cloud API สำหรับ clone เร็ว + local models สำหรับการสร้างไม่จำกัด
Engines: Cloud TTS สำหรับความสะดวก, local RVC สำหรับการฝึก, local streaming สำหรับ real-time
ต้นทุน: หลังการตั้งค่าเริ่มต้น, การสร้าง local ฟรี

5. Automated Outreach Engine

200+ leads/สัปดาห์ · ไม่มีการหา prospect manual · มูลค่า pipeline $20k/เดือน

Lead generation ครบวงจร: การระบุ prospect, การยืนยันอีเมล, การสร้าง sequence ส่วนตัว, การโหลดแคมเปญ, และการติดตาม reply มนุษย์เข้าแทรกแซงเฉพาะเมื่อ lead ตอบกลับในเชิงบวก

รูปแบบ: Lead scraping → enrichment → การสร้าง sequence → โหลดแคมเปญ → ติดตาม reply
ปริมาณ: 200+ leads ส่วนตัวต่อสัปดาห์
เวลามนุษย์: ตรวจสอบ reply ร้อน และจองการโทร ทุกอย่างอื่น automated

6. Knowledge Ingestion System

60+ หนังสือ · 30+ courses · 8 podcasts → ฐานความรู้ที่ค้นหาได้

Bulk-ingest library มืออาชีพทั้งหมดเข้าสู่ฐานความรู้ที่มีโครงสร้างและค้นหาได้ หนังสือถอดความ, courses ที่ดึงออก, podcast feeds ที่ติดตาม - ทั้งหมดป้อนเข้าสู่ระบบการติดตามพร้อม auto-sync

รูปแบบ: Extract → ถอดความ → โครงสร้าง → index → sync ไปยัง tracker
แหล่งที่มา: 60+ หนังสือธุรกิจ/กลยุทธ์, 30+ video courses, 8 podcast feeds
Output: ไฟล์ markdown ที่มีโครงสร้าง, ค้นหาได้ตามหัวข้อ, ลิงก์ไปยังแหล่งที่มา

ข้อผิดพลาดทั่วไปสิ่งที่ผิดพลาด (และวิธีแก้ไข)

ทุกคนชนกำแพงเดียวกัน นี่คือ 7 ข้อผิดพลาดที่พบบ่อยที่สุด - คนส่วนใหญ่ค้นพบสิ่งเหล่านี้ทางยาก

1. หมด credits กลางงาน

สิ่งที่เกิดขึ้น: คุณ spawn ตัวแทน AI Opus 5 ตัวและเผาเงินงบประมาณรายเดือนในช่วงบ่าย ตัวแทน AI กำลังรัน งานกำลังเกิดขึ้น และทุกอย่างหยุดโดยไม่มีอะไร commit ไปยัง disk

แก้ไข: doctrine การ route model Haiku สำหรับงาน bulk, Sonnet สำหรับการตัดสินใจ, Opus เฉพาะสำหรับการวางแผนเชิงลึกและสถาปัตยกรรม ก่อน launch parallel session ประมาณต้นทุนในใจ: ตัวแทน AI กี่ตัว, model ไหน, แต่ละตัวรันนานแค่ไหน

ตั้งงบประมาณในใจต่อเซสชันก่อน spawn ตัวแทน AI ถ้า Opus แพงกว่า Haiku 15 เท่า, ถามว่าคุณต้องการความลึกของการใช้เหตุผลนั้นสำหรับงานเฉพาะนี้จริงๆ หรือไม่ - ส่วนใหญ่แล้วคุณไม่ต้องการ

2. ตัวแทน AI สองตัวเขียนไฟล์เดียวกัน

สิ่งที่เกิดขึ้น: ผู้เขียนคนสุดท้ายชนะ ตัวแทน AI B เสร็จและเขียน output ไปยังไฟล์เดียวกันที่ตัวแทน AI A กำลังทำงาน ทุกอย่างที่ตัวแทน AI A ผลิตถูกเขียนทับอย่างเงียบๆ คุณไม่สังเกตจนกว่าจะดูไฟล์และสงสัยว่าเนื้อหาครึ่งนึงไปไหน

แก้ไข: ทุกตัวแทน AI ได้รับไฟล์หรือ directory output เฉพาะ ก่อน launch ตัวแทน AI แบบขนาน กำหนดแต่ละตัวให้มี output path ที่ชัดเจนและไม่ทับซ้อน ตัวแทน AI A เขียนไปยัง output/agent-a/ ตัวแทน AI B เขียนไปยัง output/agent-b/ ไม่เคยทับซ้อน

Claude หลักเป็นเจ้าของพื้นผิวร่วมทั้งหมด: memory index, ไฟล์แผนหลัก, deliverables index, git commits ทั้งหมด Subagents เป็นเจ้าของเฉพาะ output directories ที่กำหนดของตน

3. ข้าม identity layer

สิ่งที่เกิดขึ้น: คุณเปิด Claude, เริ่มพิมพ์งาน, และได้รับ output ที่มีความสามารถแต่ทั่วไป Claude กำลังเขียนสำหรับผู้ใช้สมมุติ ไม่ใช่สำหรับคุณและธุรกิจเฉพาะของคุณ ทุกเซสชันเริ่มจากศูนย์บริบท

แก้ไข: CLAUDE.md + หน่วยความจำก่อนทุกอย่าง ชั่วโมงแรกที่คุณลงทุนใน workspace identity - คุณเป็นใคร, คุณทำอะไร, ข้อจำกัดของคุณคืออะไร, ความชอบของคุณคืออะไร - ชดเชยในทุกการสนทนานับจากนี้เป็นต้นไป

เขียน CLAUDE.md ของคุณ เริ่มไฟล์หน่วยความจำ จับ feedback เมื่อ Claude ทำถูกหรือผิด ภายในหนึ่งสัปดาห์ของการใช้งานสม่ำเสมอ ช่องว่างคุณภาพ output ระหว่าง workspace ที่ตั้งค่าแล้วและไม่ตั้งค่าชัดเจน

4. ใช้ Claude Code เหมือน ChatGPT

สิ่งที่เกิดขึ้น: คุณพิมพ์คำถาม, Claude ตอบ, คุณ copy คำตอบออก ไม่มีไฟล์ ไม่มีหน่วยความจำ ไม่มีทักษะ คุณใช้ command-line interface เป็น web browser ที่เร็วขึ้นเล็กน้อย

แก้ไข: สร้างทักษะสำหรับงานที่เกิดซ้ำ, ใช้การอ้างอิง @file, ให้ Claude อ่านเอกสารจริงของคุณ พลังงานของ Claude Code คือมันอาศัยอยู่ภายในระบบไฟล์ของคุณ มันสามารถอ่านโปรไฟล์ลูกค้า, templates, ข้อมูลของคุณ - โดยไม่ต้องให้คุณวางอะไร มันสามารถเขียนไฟล์โดยตรงไปยังโฟลเดอร์ที่ถูกต้อง มันสามารถรัน scripts

ถ้าคุณพบว่าตัวเองคัดลอกและวางคำสั่งเดียวกันเข้า Claude มากกว่าสองครั้ง นั่นคือทักษะที่รอเขียน ถ้าคุณพบว่าตัวเองวางเนื้อหาเอกสารเข้าแชท นั่นคือการอ้างอิง @file ที่รอใช้แทน

5. ไม่ commit งานกลางเซสชัน

สิ่งที่เกิดขึ้น: VS Code crash Context window บีบอัดและตัวแทน AI สูญเสียการติดตามสิ่งที่สร้าง ตัวแทน AI เบื้องหลัง timeout คุณปิด terminal โดยบังเอิญ ถ้าคุณไม่ได้ commit มันหายไป - หรืออย่างดีที่สุดกระจายอยู่ใน unsaved buffers

แก้ไข: commit หลัง output ที่มีความหมายทุกชิ้น commit เล็กๆ บ่อยๆ ดีกว่า commit ใหญ่ครั้งเดียวเมื่อสิ้นสุดเซสชัน หลังตัวแทน AI ผลิตไฟล์, commit มัน หลัง milestone สำคัญ, commit มัน หลัง parallel batch เสร็จ, commit output ของแต่ละตัวแทน AI แยกกัน

หลักการ: ถ้าการสูญเสียงานตั้งแต่ commit ล่าสุดจะทำให้คุณหงุดหงิด ถึงเวลา commit ตอนนี้

6. Scope creep ใน agent prompts

สิ่งที่เกิดขึ้น: คุณให้ prompt ตัวแทน AI ที่พยายามทำทุกอย่าง: "สร้าง onboarding flow, อัปเดต CRM, draft welcome sequence, สร้าง tracking sheet, และเอกสารกระบวนการ" ตัวแทน AI ผลิต output ปานกลางใน 10 งานและ output ยอดเยี่ยมใน 0 งาน

แก้ไข: deliverable ที่ชัดเจนหนึ่งอย่างต่อตัวแทน AI แคบ scope, ยกคุณภาพ "สร้าง welcome email sequence สำหรับลูกค้าใหม่, 3 emails, บันทึกไปยัง templates/emails/onboarding/" เป็น prompt ที่ดีกว่า "จัดการ onboarding stuff ทั้งหมด"

ถ้าคุณมี 10 งาน, spawn 10 ตัวแทน AI ด้วย 10 briefs ที่แคบ คุณจะได้ output ที่ดีกว่าในทุกงานมากกว่าตัวแทน AI เดียวที่พยายาม juggle ทุกอย่างพร้อมกัน

7. ข้ามการยืนยัน

สิ่งที่เกิดขึ้น: ตัวแทน AI บอกว่า "เสร็จแล้ว" คุณทำเครื่องหมายงานเสร็จ สามวันต่อมา เพื่อนร่วมงานพยายามเข้าถึง URL live และได้ 404 หรือคุณส่ง report ที่ยังมีข้อความ placeholder อยู่ หรือ script ที่ deploy มีข้อผิดพลาดที่เงียบที่ปรากฏเฉพาะกับข้อมูลจริง

แก้ไข: "เสร็จ" หมายถึง deploy และยืนยันทำงาน ไม่ใช่ "ตัวแทน AI บอกว่าเสร็จ" Curl ทุก URL Grep ทุกไฟล์สำหรับข้อความ placeholder ตรวจสอบทุก output เทียบกับเกณฑ์การยอมรับก่อนทำเครื่องหมายงานเสร็จ

สร้างการยืนยันเข้าใน workflows: เพิ่มขั้นตอน QA หลังทุก deploy, เพิ่มขั้นตอนตรวจสอบ placeholder หลังทุกการสร้างเอกสาร, เพิ่มการตรวจสอบ HTTP 200 หลังทุก site launch ตัวแทน AI เสร็จไม่ใช่เส้นชัย - output ที่ยืนยันแล้วคือ

รูปแบบ

ข้อผิดพลาดส่วนใหญ่เหล่านี้มีรากเดียวกัน: เคลื่อนเร็วโดยไม่มี guardrails การแก้ไขไม่ใช่ชะลอลง - มันคือสร้างค่าเริ่มต้นที่ถูกต้อง การ route model, output paths เฉพาะ, การตั้งค่า identity, ทักษะ, การ commit บ่อยๆ, briefs ที่แคบ, และการตรวจสอบ สร้างนิสัยเหล่านี้ในสองสัปดาห์แรกและมันปกป้องคุณหลายปี

จุดตรวจสอบข้อผิดพลาดทั่วไป

คุณรู้วิธี route models ตามงาน (Haiku/Sonnet/Opus) ก่อน spawn ตัวแทน AI
คุณกำหนด output paths เฉพาะให้ตัวแทน AI แบบขนานเสมอ
คุณได้ตั้งค่า CLAUDE.md และไฟล์หน่วยความจำอย่างน้อยหนึ่งไฟล์
คุณใช้การอ้างอิง @file และทักษะแทนการวางเข้าแชท
คุณ commit หลัง output ที่มีความหมายทุกชิ้น ไม่ใช่แค่เมื่อสิ้นสุดเซสชัน
คุณเขียน prompts ที่แคบ, deliverable เดียวสำหรับแต่ละตัวแทน AI
คุณยืนยันทุก output ก่อนทำเครื่องหมายงานเสร็จ

โมดูล 10แนวหน้า - Agent SDK, Swarms, อะไรต่อไป

ทุกอย่างข้างต้นคือสิ่งที่ทำงานอยู่ในวันนี้ นี่คือสิ่งที่กำลังมา - และวิธีวางตำแหน่งตัวเองเพื่อใช้มันในทันทีที่มาถึง

Claude Agent SDK

Agent SDK ของ Anthropic ให้คุณสร้างตัวแทน AI กำหนดเองที่รันนอก Claude Code คิดว่าเหมือน Claude-as-a-library - คุณเขียน Python หรือ TypeScript, เรียก API ของ Claude, และสร้างตัวแทน AI ที่:

รันบน server ของคุณเอง (VPS, cloud function, local machine)
มีเครื่องมือกำหนดเอง (API ของคุณเอง, databases, services)
Execute workflows หลายขั้นตอนอัตโนมัติ
ส่งต่อให้กัน (ตัวแทน AI A เสร็จ → trigger ตัวแทน AI B)

Pythonfrom anthropic import Agent audit_agent = Agent( model="claude-sonnet-4-5-20250514", tools=[data_tool, crawl_tool, sheets_tool], system_prompt="You are a visibility audit specialist..." ) result = audit_agent.run( "Audit example-business.com for online visibility" )

Swarm Flow - ตัวแทน AI ที่ป้อนให้กัน

Swarm คือสถานะสุดท้าย: เครือข่ายของตัวแทน AI ที่ output ของตัวแทน AI แต่ละตัวเป็น input ของตัวแทน AI อีกตัว ไม่มีมนุษย์ใน loop สำหรับการดำเนินการปกติ

ตัวแทน Scraper

ตัวแทน Analysis

ตัวแทน Pitch Builder

ตัวแทน Email Drafter

ตัวแทน Campaign

ตัวแทน Follow-Up

ตัวแทน Calendar

ตัวแทน Pre-Call Brief

คุณปิดการขาย

80/20 ของ Swarms

คุณไม่ต้องการ swarm เต็มรูปแบบเพื่อได้รับคุณค่า สร้าง 3-agent pipeline เดียว ที่จัดการ workflow ที่พบบ่อยที่สุดของคุณแบบครบวงจร คนส่วนใหญ่จะไม่สร้างเกิน 3 ตัวแทน AI ที่เชื่อมต่อ - และนั่นเพียงพอที่จะเพิ่ม output ถึง 10 เท่า

Astro - Framework ที่แนะนำ

เมื่อ HTML ธรรมดาไม่เพียงพอแต่ Next.js เกินไป Astro คือจุดที่เหมาะสม มันคือ framework ที่เข้ากับวิธีที่ Claude Code สร้างสิ่งต่างๆ ได้ดีที่สุด - สะอาด, เร็ว, และการตั้งค่าน้อยที่สุด

Framework	เหมาะที่สุดสำหรับ	Claude Code Fit
Astro	Content sites, landing pages, blogs	ยอดเยี่ยม - สะอาด, เร็ว, ง่าย
Next.js	Web apps ซับซ้อน, dashboards	ดี - มี setup overhead มากกว่า
Plain HTML	หน้าใช้ครั้งเดียว, presentation decks	ยอดเยี่ยม - ไม่มี dependencies

เริ่มกับ Astro

สำหรับโปรเจกต์ส่วนใหญ่ เริ่มกับ Astro: npm create astro@latest มัน output HTML static ค่าเริ่มต้น (เหมาะสำหรับ Cloudflare Pages), รองรับ components เมื่อต้องการ, และ Claude Code สร้าง Astro code ที่สะอาดโดยมีการ hallucination น้อยที่สุด ใช้ plain HTML สำหรับ one-offs, Astro สำหรับอะไรก็ตามที่คุณจะ maintain หรือขยาย

วิสัยทัศน์

วันนี้	6 เดือน	12 เดือน
คุณ prompt Claude ทำงาน	ตัวแทน AI จัดการงานปกติอัตโนมัติ	Swarms รันไปป์ไลน์ delivery ทั้งหมดของคุณ
คุณตรวจสอบทุก output	คุณตรวจสอบเฉพาะ exceptions	คุณตรวจสอบเฉพาะกลยุทธ์
1 Claude window ในแต่ละครั้ง	5-6 parallel chats เป็นเรื่องปกติ	Agent fleet รัน 24/7
APIs เรียกด้วยตนเอง	Pipelines ถูก trigger ด้วยเหตุการณ์	ระบบ self-healing ที่มี fallback chains
หน่วยความจำข้ามเซสชัน	หน่วยความจำร่วมข้ามทีมตัวแทน AI	Knowledge graph ขององค์กร

เครื่องมือมีอยู่แล้ววันนี้ คำถามไม่ใช่ "เราสร้างสิ่งนี้ได้หรือ?" - มันคือ "เราจะเชื่อมต่อได้เร็วแค่ไหน?"

จุดตรวจสอบสุดท้าย - ตัวแทน AI รันธุรกิจของคุณ

คุณมี 30+ APIs ใน .env
คุณสามารถประสานงานตัวแทน AI แบบขนานข้ามรูปแบบหลายอย่าง
คุณมี 10+ ทักษะที่ใช้ซ้ำได้พร้อม model routing ที่เหมาะสม
คุณได้รันอย่างน้อยหนึ่ง autonomous loop
ระบบหน่วยความจำของคุณมีไฟล์ 50+ ไฟล์ใน 4 ประเภท
คุณได้ deploy deliverable live จาก terminal
คุณได้สร้างหรือวางแผน 3-agent pipeline
คุณเข้าใจบุคลิกภาพและเมื่อไหร่ควรสลับระหว่างกัน
คุณมี hooks ที่ตั้งค่าเพื่อปกป้องงานของคุณโดยอัตโนมัติ
คุณรู้ 7 ข้อผิดพลาดทั่วไปและวิธีหลีกเลี่ยง

ข้อได้เปรียบของคุณการหาข้อได้เปรียบของคุณ - สร้างเงินแรกกับ AI

ทุกอย่างในคู่มือนี้คือเครื่องมือ เครื่องมือไม่สร้างเงิน คุณสร้างเงินโดยการนำเครื่องมือไปใช้กับปัญหาที่คนยินดีจ่ายเพื่อแก้ นี่คือวิธีหาข้อได้เปรียบและทำให้มันสร้างรายได้

ตรวจสอบสิ่งที่คุณรู้แล้ว

ข้อได้เปรียบที่ไม่เป็นธรรมของคุณไม่ใช่ Claude Code - มันคือ ความเชี่ยวชาญด้าน domain ของคุณรวมกับ Claude Code techie ล้วนๆ สามารถสร้างเครื่องมือ ผู้เชี่ยวชาญด้าน industry ล้วนๆ สามารถระบุปัญหา คุณทำได้ทั้งสองอย่าง การรวมกันนั้นหายากและมีค่า

ความรู้ industry ของคุณ: คุณรู้อะไรเกี่ยวกับตลาดที่ developer ไม่รู้? ปัญหาใดที่คุณเห็นทุกวันที่สามารถ automate ได้?
กระบวนการของคุณ: workflows manual ใดที่กินเวลามากที่สุด? อันไหนที่เกิดซ้ำและใช้กฎ? นั่นคือ automation candidates
Pain points ของคุณ: อะไรที่ทำให้คุณหงุดหงิดมากที่สุดกับการดำเนินการปัจจุบัน? โอกาสที่ว่า คู่แข่งของคุณมีความหงุดหงิดเดียวกัน

Package มันเป็น Service

Services ขายเร็วกว่า products อย่าสร้าง SaaS ในวันแรก Package ความเชี่ยวชาญ + AI ของคุณเป็น done-for-you service ก่อน:

หนึ่ง niche: เลือกหนึ่ง industry ที่คุณเข้าใจลึก "การจัดการ Google Ads ขับเคลื่อนด้วย AI สำหรับทันตแพทย์" ดีกว่า "AI services สำหรับทุกคน"
หนึ่ง offer: deliverable ที่ชัดเจนหนึ่งอย่างพร้อมผลลัพธ์ที่ชัดเจนหนึ่งอย่าง "เราจัดการ YouTube channel ของคุณครบวงจรและ grow ไปถึง 10k subscribers" คือ offer "เราทำ AI stuff" ไม่ใช่
หนึ่ง workflow: สร้าง automated pipeline เดียวที่ deliver offer Claude Code + API + templates ของคุณ = delivery ที่เกิดซ้ำได้

กำหนดราคาตามมูลค่า ไม่ใช่ชั่วโมง

ถ้า Claude Code ให้คุณ deliver ใน 2 ชั่วโมงสิ่งที่ใช้เวลา 20 ชั่วโมง อย่าเรียกเก็บสำหรับ 2 ชั่วโมง เรียกเก็บตามมูลค่าที่ลูกค้าได้รับ การวิเคราะห์คู่แข่งที่ใช้เวลา 90 วินาทีในการสร้าง (แต่จะใช้เวลาของที่ปรึกษาทั้งวัน) มีมูลค่าเท่ากับที่ที่ปรึกษาเรียกเก็บ - หรือมากกว่า เพราะคุณ deliver เร็วกว่า

สร้าง Proof เร็ว

ทำ 3 โปรเจกต์ที่ cost เลือก 3 ธุรกิจใน niche เป้าหมายของคุณ Deliver service ฟรีหรือที่ cost มุ่งเน้นผลิตผลลัพธ์ที่ยอดเยี่ยม
เก็บ testimonials หลัง delivery ขอ testimonial เป็นลายลักษณ์อักษรหรือวิดีโอ ผลลัพธ์เฉพาะ ("เพิ่ม social media engagement เป็นสองเท่าใน 3 สัปดาห์") ดีกว่าคำชมทั่วไป
ขึ้นราคา มี case studies 3 ชิ้นในมือ กำหนดราคาตามมูลค่าเต็ม proof ทำการขาย

ข้อได้เปรียบที่ไม่เป็นธรรม

ข้อได้เปรียบของคุณ

ความเชี่ยวชาญด้าน domain + เครื่องมือ AI = บางอย่างที่ techie ล้วนๆ ไม่สามารถทำซ้ำได้ Developer สามารถสร้าง automation แต่พวกเขาไม่รู้ว่าปัญหาใดควรแก้, ลูกค้าใดจะจ่าย หรือวิธี position offer คุณรู้ ความรู้นั้น รวมกับความเร็ว execution ที่ Claude Code ให้คุณ คือคูน้ำ

คนที่ชนะกับ AI ไม่ใช่คนที่เรียนเครื่องมือมากที่สุด พวกเขาคือคนที่นำเครื่องมือที่ถูกต้องไปใช้กับปัญหาจริง เร็ว และได้รับเงินสำหรับมัน ทุกอย่างในคู่มือนี้มีอยู่เพื่อทำให้วงจรนั้น - ระบุปัญหา, สร้างโซลูชัน, deliver ผลลัพธ์, เก็บเงิน - สั้นที่สุดเท่าที่เป็นไปได้

ต้องการแผนการ Implementation AI ที่กำหนดเอง?

จองการโทรกับ Donal ใน 30 นาที คุณจะได้รับ roadmap ส่วนตัวสำหรับการรวม Claude Code เข้าสู่ธุรกิจเฉพาะของคุณ - รวมถึง APIs ที่ควรเชื่อมต่อ, ทักษะที่ควรสร้างก่อน, และวิธีถึง ROI ในเดือนแรก

จองการโทรแผนกำหนดเองของคุณ →

เริ่มด้วยคู่มือฟรี:

จากศูนย์สู่อันตราย (Startup Guide) · ChatGPT Migration Calculator

↑