Loading...
จากแค่ลอง vibe coding เล่นๆ สู่ระบบ AI ที่มีทีม 19 agents, Quality Gate 4 ระดับ, Design System ครบชุด และ Venture Scout ที่ส่ง report ทุกเช้า — นี่คือเรื่องราวของการสร้างบริษัท AI จริงๆ ในปี 2025
เราเล่าจากการทดลองจริงในแล็บ ไม่ใช่ทฤษฎี — และให้หลักฐานพูดแทน
จุดเจ็บ: งานซ้ำ ๆ ในทีมกินเวลาคนเก่ง ทำให้ไม่มีเวลาคิดงานที่สำคัญกว่า
เดิมพัน: ถ้าไม่วางระบบให้ AI ช่วย คนก็จมอยู่กับงานจุกจิกจนธุรกิจไม่โต
สิ่งที่เราทำในแล็บ: จากแค่ลอง vibe coding เล่นๆ สู่ระบบ AI ที่มีทีม 19 agents, Quality Gate 4 ระดับ, Design System ครบชุด และ Venture Scout ที่ส่ง report ทุกเช้า — นี่คือเรื่องราวของการสร้างบริษัท AI จริงๆ ในปี 2025
จากคนที่ไม่ได้เป็น developer — ไปสู่การออกแบบบริษัท AI 3 บริษัท 19 agents ที่ช่วยงานทุกวันโดยไม่ต้องสั่งทุกครั้ง
อัปเดตล่าสุด: 2026-04-16 · อ่านประมาณ 15 นาที
localhost:3100 บน Mac — หรือจะรันบน VPS Linux ก็ได้ แต่ต้องซื้อ Claude API เพิ่ม (setup ผมใช้ claude.ai จาก Max Plan ที่ซื้อไว้อยู่แล้ว)19 agents = GStack 10 + WOW Studio 5 + Venture Radar 4 | Venture Radar: 134/134 issues เสร็จสมบูรณ์
ผมไม่ได้เป็น developer — ผมเป็น MD ที่ใช้ vibe coding สร้าง web project ส่งลูกค้าองค์กร ปัญหาของคนแบบผมคือ: สร้างได้ แต่ไม่มีระบบยืนยันคุณภาพก่อนส่งงาน
ทุกอย่างต้องตัดสินใจเองด้วยสัญชาตญาณ ไม่มีระบบช่วยยืนยัน ไม่มีทีม QA
ผมเลยตั้งคำถามว่า — จะให้ AI มาช่วยทำได้ไหม? ไม่ใช่แค่ AI ตัวเดียว แต่เป็นทั้ง "ทีม" ที่มีระบบ มีหน้าที่ชัดเจน ทำงานได้เองทุกวันโดยไม่ต้องสั่งทุกครั้ง
ถ้าจะให้ AI ทำงานได้จริง มันต้องมีระบบเหมือนบริษัท — ไม่ใช่แค่ chatbot ที่รอคำสั่ง
Paperclip คือ open-source platform ที่ให้คุณตั้ง "บริษัท AI" ขึ้นมาบนเครื่อง Mac
หรือ Linux ของตัวเอง ไม่ต้อง cloud ไม่ต้องจ่ายค่า subscription แพงๆ
ติดตั้งได้ด้วยคำสั่งเดียว รันได้ที่ localhost:3100
ผมเจอมันจาก GitHub — ชื่อโปรเจกต์คือ paperclipai/paperclip (MIT license) — เขียนด้วย Node.js + React
"If OpenClaw is an employee, Paperclip is the company." — จาก Paperclip docs ประโยคนี้ตรงที่สุด
Paperclip ไม่ใช่ AI ตัวเดียว แต่เป็น บริษัท ที่ประกอบด้วย agents หลายตัว
ทำงานเป็นทีม แต่ละตัวมี "คำสั่งประจำตัว" อยู่ในไฟล์ AGENTS.md
ลองนึกภาพนี้: คุณมีบริษัทเล็กๆ ที่ประกอบด้วยพนักงาน AI หลายคน เมื่อมีงานเข้ามา ก็สร้าง "ตั๋ว" (issue) แล้ว assign ให้ agent ที่เหมาะสม agent จะถูก "ปลุก" ขึ้นมาทำงาน แล้วจบ กลับไปนอน — รอจนกว่าจะมีงานใหม่
กระบวนการนี้เรียกว่า Heartbeat — เหมือนหัวใจที่เต้นเป็นจังหวะ ไม่รันตลอดเวลา ประหยัดค่าใช้จ่าย แต่พร้อมทำงานเมื่อถูกเรียก
| คำศัพท์ | คืออะไร |
|---|---|
| Company | "บริษัท" หนึ่งอัน อาจมีหลาย Company สำหรับงานต่างกัน |
| Agent | "พนักงาน" AI แต่ละตัว มีหน้าที่เฉพาะ |
| Issue | "ตั๋วงาน" เหมือน Jira ticket — agent รับตั๋วแล้วทำ |
| Skill | "ความสามารถพิเศษ" ที่ inject ให้ agent ตอนทำงาน |
| Project | โปรเจกต์จริงที่ agent จะไปทำงาน (local folder หรือ VPS) |
ChatGPT ตอบคำถาม แต่มันไม่ได้ "ทำงาน" ให้คุณในความหมายที่แท้จริง มันไม่ได้เปิดไฟล์, ไม่ได้รัน command, ไม่ได้แก้ bug แล้ว commit, ไม่ได้ส่งรายงาน
Paperclip + Claude Opus 4.6 ทำทั้งหมดนั้นได้ และทำได้เอง 24 ชั่วโมง
นาขั้นบันได เชียงใหม่ — สร้างทีละชั้น ทีละขั้น ไม่ต่างจาก AI system ที่ต้องออกแบบอย่างมีระบบ
GStack มาจาก GitHub repo garrytan/gstack สร้างโดย Garry Tan (ผู้ก่อตั้ง Y Combinator) — เป็น template ของ "ทีม AI สำหรับ software development" ที่ออกแบบมาพร้อม agents และ skills ครบเซ็ต
ผมเอามาเป็นฐาน แล้วพัฒนาเพิ่มต่อยอดอีกกว่า 100 Task เพื่อให้เหมาะกับงาน web development องค์กรไทยโดยเฉพาะ กลายเป็นทีมตรวจสอบคุณภาพ 360 องศา รวม 373 checks
ก่อนงานจะออกสู่โลก มันต้องผ่าน 4 ด่าน:
ถ้าไม่ผ่านด่านไหน = ต้องแก้ก่อน ไม่มีการปัดเศษ
Agent ไม่ได้ตรวจแบบ random — ทุกอย่างมี checklist ชัดเจน รวม 373 ข้อ จาก 8 หมวด:
| หมวด | Agent | ตัวอย่าง |
|---|---|---|
| Code Quality | Code Reviewer | lint, TypeScript errors, dead code |
| Security | Security Reviewer | secrets ใน git, XSS, insecure headers |
| Testing | QA Engineer | test coverage, form validation, auth flow |
| Accessibility | QA Engineer | WCAG AA, screen reader, keyboard nav |
| Performance | Performance Tester | Core Web Vitals, lazy loading, font |
| SEO | Performance Tester | meta tags, sitemap, structured data |
| Monitoring | Network Architect | health check, CI/CD, Docker config |
| Infrastructure | Network Architect | env vars, secrets management |
Skills คือ "คู่มือ" ที่ inject ให้ agent ตอนทำงาน — แบ่งเป็น 2 กลุ่ม:
GStack Skills (มาจาก garrytan/gstack):
qa (1,053 บรรทัด — scan+fix+report),
cso (896 บรรทัด — security audit),
browse (668 บรรทัด — headless browser)
QC Knowledge Skills (ผมสร้างเอง จาก knowledge sources จริง):
qc-security (1,776 บรรทัด — OWASP + Trail of Bits + VibeSec),
qc-testing (2,437 บรรทัด — testing standards ครบ)
เมื่อ CEO รัน full scan (สั่งครั้งเดียว) มันจะ:
ผมได้ dashboard พร้อมกราฟ พร้อมตาราง before/after โดยไม่ต้องทำอะไรเลย
ถ้าให้ AI หนึ่งตัวทำทุกอย่าง — มันจะ "ประมาณเอา" ทุกเรื่อง แต่ถ้าแบ่งให้แต่ละตัวมี expertise ชัดเจน ผลลัพธ์จะดีกว่ามาก
มันคือสถาปัตยกรรมที่บังคับให้ทุกงานผ่านมาตรฐาน ก่อนออกสู่โลกจริง ไม่มีการ override
ผมทำ web development สำหรับลูกค้าองค์กรภาครัฐและเอกชนหลายแห่ง เว็บพวกนี้มีความซับซ้อน: ต้องมี TOR ที่ถูกต้องตามระเบียบ, ต้องรองรับ WCAG accessibility, ต้องมีดีไซน์ที่สมกับองค์กรระดับชาติ — ทำ template เดิมๆ ไม่ได้
ถ้าทำด้วยมือทุกเว็บ = เวลาและค่าใช้จ่ายมหาศาล WOW Studio จึงถูกออกแบบมาให้ handle งานนี้
ทำไมต้องแยกกัน? เพราะถ้า agent เดียวทำทุกอย่าง มันมักจะ "ประมาณเอา" แต่ละขั้น พอแยก role ออก แต่ละคนต้องรับผิดชอบผลงานของตัวเองชัดเจน ผลลัพธ์สม่ำเสมอกว่ามาก
รับ TOR → วิเคราะห์ scope → กระจายงาน → รวมผล เปรียบเหมือน Project Manager ที่เข้าใจงานตั้งแต่ต้นจนจบ
ดึงข้อมูลจาก TOR วิเคราะห์ design style วัด 8 มิติ (ความเป็นรัฐ, premium level, ภาษาไทย ฯลฯ)
วาง grid system, spacing scale, responsive breakpoints, layout pattern แต่ละ section
สร้าง color tokens, typography scale, component library, icon set, dark mode rules
แปลงออกมาเป็น CSS variables รองรับ Thai font ที่ถูกต้อง implement ได้ตาม design spec เป๊ะ
ปัญหาจริง: ผมมีโปรเจกต์เว็บมูลค่า 13 ล้านบาท แต่ AI generate design ออกมาดูถูกมาก เพราะมันไม่รู้ว่า "ดีไซน์ระดับ enterprise ที่ดูแพง" เป็นอย่างไร
วิธีแก้: สร้าง Design System Library รวบรวม design system ระดับโลก 15 ระบบ แยกเป็น 5 หมวด แล้ว agent วิเคราะห์โปรเจกต์ "match" กับระบบที่เหมาะสมที่สุด
| หมวด | Design Systems | ใช้เมื่อ |
|---|---|---|
| 🏛 Gov | GOV.UK, Singapore SGDS, US Web Design System, DGA Thailand 3.0 | เว็บรัฐบาล, องค์กร |
| 🏢 Enterprise | IBM Carbon, AWS Cloudscape | ระบบ internal, B2B ซับซ้อน |
| 💳 Fintech | Stripe, Wise, Revolut | finance, payment, SaaS |
| ⚡ Premium Tech | Vercel, Linear, Notion, Airbnb | tech product, marketplace |
| 💎 Luxury | BMW, Ferrari | premium brand |
ตัวอย่าง: เว็บองค์กรการเงิน → match กับ DGA Thailand 3.0 (Thai gov) + Stripe (finance credibility) → ได้ color palette Navy + Gold, dual-layer shadow, 96px section spacing ที่ดูสุขุมและน่าเชื่อถือ
ทุกวันมี startup ใหม่เกิดขึ้น มี trend ใหม่ มี niche ใหม่ที่ยังไม่มีใครทำในไทย ถ้าจะ track ทุกอย่างด้วยตัวเอง ต้องใช้เวลาหลายชั่วโมงต่อวัน
ผมเลยสร้าง Venture Radar — ระบบที่ทำงานทุกเช้าตี 7 โดยอัตโนมัติ ค้นหา business idea ที่ใช่ วิเคราะห์การเงิน วางแผน GTM แล้ว push การ์ดมาให้ผม rate ใน Lark (ซอฟต์แวร์ chat ของ ByteDance คล้าย Slack)
| Layer | เครื่องมือ | ทำอะไร |
|---|---|---|
| Agent | Paperclip + Claude | สมองหลัก — scout, วิเคราะห์, สรุป |
| Workflow | n8n | ตั้ง cron 07:00, trigger agents, รับ webhook |
| Research | OpenClaw | web scraping ลึก, research report |
| Database | Lark Base | เก็บ ideas, ratings, financial models |
| Notify | Lark Chat | ส่งการ์ดมาให้ user rate |
| Dashboard | HTML local | สรุปรายสัปดาห์ |
Idea ต้องได้ ≥70/100 คะแนนถึงจะผ่านไปขั้นต่อไป:
ค้นหา 20 ideas → กรองด้วย 6 เกณฑ์ → เหลือ 1 idea ≥70 คะแนน
financial model 3 ปี, unit economics, break-even, risk matrix
Go-to-Market plan 90 วัน, target, channels, growth loop
รวมผล Finance+GTM → 1-pager → ส่งการ์ดไปใน Lark Chat
สิ่งที่ทำให้ Venture Radar ต่างจาก newsletter ทั่วไปคือ มัน เรียนรู้ ว่าผมชอบอะไรไม่ชอบอะไร
เดือนที่ผ่านมา Scout จะรู้แล้วว่าผมชอบ idea แบบไหน — B2B, SaaS, ทุนต่ำ, AI-first
Venture Radar build เสร็จ P0–P12 ครบ 134/134 issues — ระบบรันจริงทุกเช้าตี 7 อัตโนมัติ โดยที่ผมไม่ต้องทำอะไร ได้รับการ์ด idea พร้อม financial model + GTM plan มา rate ทุกวัน
ถ้าให้ AI หนึ่งตัวทำทุกอย่าง — ตรวจ security, ตรวจ performance, ตรวจ design ฯลฯ — มันจะ "ประมาณเอา" ทุกเรื่อง ไม่มีอะไรลึกพอ แต่ถ้าแบ่งให้แต่ละตัวมี expertise ชัดเจน มีความรู้ลึก (Skills) เฉพาะด้าน ผลลัพธ์จะดีกว่ามาก เหมือนจ้างผู้เชี่ยวชาญ vs จ้างคนทำได้ทุกอย่างแต่ไม่เก่งอะไรเลย
ผมเคยให้ AI สร้าง agents และ skills โดยไม่มี reference — มันสร้างได้ แต่ไม่มีคุณภาพจริง ไม่ได้ทดสอบ ไม่รู้ว่า work จริงไหม ทุกอย่างต้องมีที่มา ไม่ว่าจะเป็น GitHub repo, official docs, หรือ knowledge source ที่น่าเชื่อถือ ถ้าคิดเองต้องประกาศตรงๆ
AI ที่ไม่มีกฎ = พนักงานที่คิดว่าตัวเองรู้ดีกว่าทุกคน มันจะ refactor code ที่ไม่ได้ขอ สร้างไฟล์ที่ไม่ได้สั่ง แก้อะไรที่ไม่ได้บอกให้แก้ ผมมีระบบ CLAUDE.md ที่บังคับ AI ต้องถามก่อนทำ ต้องมีหลักฐานก่อนบอกว่าเสร็จ และต้องรายงานทุก step ที่ทำ
Quality Gate ไม่ใช่แค่ "ตรวจก่อนส่ง" แต่เป็นสถาปัตยกรรมที่ บังคับให้ทุกงานผ่านมาตรฐานก่อนออกสู่โลกจริง GStack ใช้ 4 ระดับ (G1-G4) — ถ้าไม่ผ่านไม่มีสิทธิ์ผ่าน ไม่มีการ override
สรุปสั้นๆ ว่าผมมี "บริษัท AI" กี่บริษัท ทำอะไร:
| Company | Agents | ทำอะไร |
|---|---|---|
| GStack | 10 | QA/QC ตรวจ code + security + performance ครบ 373 checks |
| WOW Studio | 5 | Design + build เว็บองค์กรไทย มี design library 15 systems |
| Venture Radar | 4 | Scout business idea รายวัน + financial + GTM + เรียนรู้ taste |
ทั้งหมดนี้รันบน Paperclip ที่ localhost:3100 บน Mac ของผม
ถ้าอยากรันบน VPS Linux ก็ทำได้ แต่ต้องซื้อ Claude API เพิ่ม
— setup ของผมใช้ claude.ai จาก Max Plan ที่ซื้อไว้อยู่แล้ว ไม่มีค่าใช้จ่าย platform เพิ่มเติม
ก่อนมีระบบนี้: ผมต้องตัดสินใจทุกอย่างเอง ทั้งคุณภาพงาน ดีไซน์ business idea โดยไม่มีระบบยืนยัน ไม่มีทีมช่วย — ใช้เวลาและพลังงานมหาศาลกับงานที่ AI ทำได้
หลังมีระบบนี้: ผมสั่งงานครั้งเดียว รับ report เสร็จสรรพ ได้ idea ทุกเช้า ได้ design blueprint สำหรับทุก project — เวลาที่ว่างขึ้นไปโฟกัสกับสิ่งที่ต้องใช้ความคิดสร้างสรรค์จริงๆ
มันไม่ใช่ magic — มันคือการออกแบบระบบที่ดี ให้คนที่ใช่ (AI) ทำงานที่ใช่ ด้วยเครื่องมือที่ใช่
ถ้าสนใจ Paperclip ดูได้ที่ GitHub: paperclipai/paperclip · GStack template: garrytan/gstack
เขียนจากประสบการณ์จริง — ระบบที่เล่าทั้งหมดนี้รันจริงบนเครื่องผมอยู่ตอนนี้
สิ่งที่ได้ และหลักคิด
ของจริงที่เอาไปใช้ต่อได้ ไม่ใช่แค่ไอเดีย หลักคิดของเราคือทำให้เป็นระบบที่ทำซ้ำได้และไม่พึ่งความจำคน
อยากเห็นระบบแบบนี้ทำงานกับงานของคุณ — ดู ViberQC และลงชื่อรอรอบทดลองที่ hilogiclabs.com
สมัครสมาชิก Hi Logic Labs เพื่อเข้าถึง Content, Template และ Community คุณภาพสูง
สมัครสมาชิก
หลาย Project บน Server เดียว ทีมหลายคน clone แยก กิน Disk มหาศาล → ใช้ Bare Repo + Worktree แชร์ .git เดียว ประหยัด Disk ~80% + wt helper script ทีมสร้าง worktree ได้ใน 30 วินาที
Blueprint สำหรับทีม Viber — AI สร้าง ทดสอบ และ Optimize โฆษณาอัตโนมัติ 6 Platforms ด้วย 9 AI Agents + Thompson Sampling เริ่มต้น ฿990/เดือน