Journal
บทความเรื่องระบบ AI จากงานที่สร้างจริง — วิธีคิด การออกแบบ และสิ่งที่เรียนรู้ระหว่างทาง
บางบทพัฒนาต่อเป็น axiom บางบทเป็นบันทึกความคิด
-
AI ตัดสินใจแทนได้แล้ว แต่ 89% ขององค์กรยังไปไม่ถึง
AI ทำได้ถึงขั้นตัดสินใจและลงมือแล้ว — รัฐบาลญี่ปุ่นเขียนไว้ในแผนชาติตรง ๆ แต่ Gartner รายงานว่า 89% ของโครงการนำร่อง AI agent ไปไม่ถึง production · ตัวขวางไม่ใช่โมเดล แต่คือชั้นที่อยู่เหนือเครื่องมือซึ่งแทบไม่มีใครเขียนออกมา · บทนี้อ่านแผน AI ญี่ปุ่นฉบับ 14 ก.ค. 2026 ซึ่งฉีกของเดิมทิ้งหลังผ่านไปหกเดือน เพื่อดูว่าชั้นที่ขาดหน้าต…
-
ภูมิทัศน์เครื่องมือ RAG
ทุกสัปดาห์มีเครื่องมือ RAG ใหม่ ทำไมถึงมีเป็นร้อย เพราะแต่ละตัวแก้คนละปัญหา · บทนี้ไล่ดูทีละตัวว่าปัญหาคืออะไรแก้ด้วยอะไร — โมเดลไม่รู้จักเอกสารเรา จึงมี RAG · ค้นด้วยความหมายแต่พลาดรหัสแล…
-
เบื้องหลังคำตอบของ AI คือตัวเลข
ก่อนจะเข้าใจ RAG หรือ agent ต้องเข้าใจชิ้นส่วนพื้นฐานก่อน · บทนี้พาเข้าใจคณิตศาสตร์ง่าย ๆ เบื้องหลัง ว่า LLM ทำงานยังไง · embedding เปลี่ยนข้อความเป็นตัวเลขได้ยังไง · index หาของเจ…
-
เปลี่ยนกองเอกสารให้กลายเป็นคำตอบ
ระบบ AI ตอบจากเอกสารจริงได้ ต้องค้น (retrieve) ให้เจอก่อน — และจะค้นได้ต้องมี index ก่อน · บทนี้พาดูฝั่งเขียนของ RAG — เปลี่ยนเอกสารดิบจำนวนมากให้กลายเป็นคลังที่ค้นได้ ผ่าน extrac…
-
เฝ้าความเงียบ
ระบบเฝ้าระวังส่วนใหญ่ทำงานแบบรอสัญญาณ พอมีอะไรเกิดถึงค่อยตอบสนอง แต่ความล้มเหลวอีกแบบไม่ส่งสัญญาณเลย คือสิ่งที่ควรเกิดแล้วไม่เกิด · จะจับมันได้ต้องเลิกรอ event แล้วหันมาไล่ตรวจสถานะตา…
-
ความแน่ใจคือสิ่งที่ทำให้มันเป็นความจำ
ความจำของระบบ AI ไม่ใช่ข้อเท็จจริงถาวร แต่คือความน่าจะจริงที่จางลงตามเวลา — หลักการข้อเดียวนี้ครอบทั้ง 'ระบบจำถูกไหม' และ 'ระบบลืมจริงไหม' · อธิบายผ่านงานวิจัยใหม่ของ Google Rese…
-
Harness: ทุกอย่างที่ไม่ใช่โมเดล
โมเดลเป็นแค่ชิ้นเดียวในระบบ — ทุกอย่างที่ห่อรอบมัน (loop, tool, context, memory, validation, eval) คือ harness · พอโมเดลกลายเป็น commodity งานที่สร้างความต่างจริงก็ย้ายมา…
-
จากคำถามสู่คำตอบ: คำถามแบบไหนกลายเป็น tool-call แบบไหนกลายเป็น vector search
คำถามแต่ละชนิดเข้ากับวิธีดึงข้อมูลคนละแบบ — บทนี้พาเข้าใจว่าคำถามแบบไหนเข้ากับ tool-call/text-to-SQL, vector, hybrid หรือ graph และทำไม ผ่าน retrieval pipeline ทั้งเส้น · เมื่…
-
สถาปัตยกรรม Agent ที่อยู่ได้นาน: แยกชั้นตามอัตราการเปลี่ยน
ระบบ AI ไม่ได้ตายเพราะโค้ดเก่า · มันตายเพราะส่วนที่ควรอยู่นานถูกล่ามไว้กับส่วนที่เปลี่ยนเร็ว · บทนี้มองสถาปัตยกรรม agent จากมุมมหภาค — แยกชั้นตามความเร็วที่มันเปลี่ยน แล้ววางสัญญาที่นิ่งไว้…
-
Data Security ในระบบ LLM: บทเรียนจาก Defender notification หนึ่งครั้ง
Case study จริง — Windows Defender แจ้งว่า transcript ของ Claude Code คือ Trojan:JS/ChatGPTStealer · false positive · แต่เปิดทาง 4 บทเรียนเรื่อง security ของระ…
-
LLM Landscape กลางปี 2026: ราคา คุณภาพ และวิธีเลือก
Reference การตัดสินใจเลือก LLM กลางปี 2026 — ราคาของ frontier vendors (Anthropic, OpenAI, Google), open-weight ที่ราคาถูกกว่า 30 เท่า (DeepSeek V4, Kimi K2.6, …
-
Raw LLM, Workflow, Agent: เลือกระดับของระบบ AI ให้พอดีกับงาน
กรอบเลือกระดับของระบบที่ใช้ LLM ตั้งแต่ raw LLM call จนถึง agent ที่ตัดสินใจ flow เอง สังเคราะห์จาก Building Effective Agents ของ Anthropic, A Practical Guide to Bui…
-
Open Loop, Closed Loop: ทำไมการเอา AI มาใช้ ไม่เท่ากับการเป็นบริษัท AI Native
การใช้ AI ในองค์กรส่วนใหญ่ยังเป็น Open loop — คนยังเป็น middleware ระหว่างระบบ AI Native Transformation จริงๆ คือการปิด loop โดยวางคนไว้เฉพาะจุดที่ judgment สำคัญ บทควา…