Archive
Local LLMs, model-hopping, multi-agent systems, MCP, GraphRAG, computational neuroscience — everything I build with AI.
หลังสำรวจ 1,800 ความเห็น ผมกลับมาทบทวนอคติที่มีต่อ Terminal และพบว่าเวิร์กโฟลว์แบบ Hybrid—สั่งงานผ่าน Terminal แล้วรีวิวใน IDE—เหมาะที่สุดสำหรับผมAfter surveying 1,800 comments across X, Hacker News, Reddit, LinkedIn, and tech media, I revisit my terminal bias—and land on a hybrid workflow for coding agents.
ช่วงนี้กระแส local model กำลังมา แต่ไม่ใช่ทุกคนที่มี resource ลอง run เอง สองแอปง่ายๆ บน Mac ที่ให้ลองสัมผัสว่า local model จริงๆ คืออะไร เอาไปทำอะไรได้บ้าง — Handy สำหรับ speech-to-text และ Cotypist สำหรับพิมพ์คำต่อไปด้วย local modelLocal models are trending, but not everyone has the resources to try running one. Two easy Mac apps to get a light-touch feel for what local models actually are and what they're good for: Handy for local speech-to-text, and Cotypist for local-model-powered predictive typing.
สรุปจากวิดีโอ 'L8 Principal's Agentic Engineering Workflow' ของ Kun Chen: คอขวดของการเขียนโค้ดยุคนี้ย้ายจากการผลิตโค้ดไปเป็นการตรวจโค้ดแทน พร้อมพาทัวร์เครื่องมือที่ถูกสร้างขึ้นมารองรับแนวคิดนี้ — Lavish สำหรับวางแผน, No Mistakes เป็น QA pipeline, Good Night Have Fun สำหรับรัน agent แบบ long-run, Treehouse จัดการ worktree, First Mate เป็นตัวออร์เคสเตรต, Axi ประหยัด token และ terminal setup แบบ WezTerm + tmuxNotes from Kun Chen's 'L8 Principal's Agentic Engineering Workflow' video: the bottleneck in AI coding has moved from producing code to verifying it. A tour of the tools built around that idea — Lavish for planning, No Mistakes as a QA pipeline, Good Night Have Fun for long-running agents, Treehouse for worktrees, First Mate as an orchestrator, Axi for token efficiency, and a terminal-first setup with WezTerm + tmux.
Fable เพิ่งกลับมา แต่ตอนนี้เอามาเขียน code ตรงๆ ไม่ได้แล้ว แถมใช้ได้แค่ 50% ของ limit เลยต้องหาวิธีใหม่ ไปเจอวิธีนึงใน X คือให้ Fable เป็น main agent คอยแตกงานแล้วโยน task ต่อให้ Opus, Codex, Sonnet ช่วยกันทำ ลองแล้วเวิร์คดีเลยครับFable just came back, but right now you can't use it to write code directly, and you only get 50% of the usage limit — so you need a workaround. I found one on X: make Fable the main agent that breaks work down and hands tasks off to Opus, Codex, and Sonnet. Tried it, and it works well.
บทความปี 2019 ของ Rich Sutton บอกว่า วิธีที่ scale ด้วย computation ชนะการยัดความรู้ของมนุษย์เสมอ อ่านในปี 2026 แล้วเห็น pattern เดิมเต็มไปหมดในวงการ AI — skill เยอะเกิน, MCP รัวเกิน, agent ซับซ้อนเกิน โจทย์จริงคือ balance ให้เป็นRich Sutton's 2019 essay argues that methods scaling with raw computation always beat cramming in human knowledge. Reading it in 2026, the same pattern is everywhere in AI tooling — too many skills, too much MCP, over-complex agents. The real skill is balance.
Astro 7.0 ออกแล้ว รอบนี้มาสายเร็วของจริง เพราะทีมยกเครื่องส่วนหลักไปเขียนด้วย Rust เลยอยากมาเล่าว่าทำไมถึงตื่นเต้น และกำลังจะทยอยย้ายโปรเจกต์ตามAstro 7.0 just dropped, and this release is all about speed — the team rewrote the core internals in Rust. Here's why I'm excited and planning to migrate my projects.
Cursor โปรแกรมแก้โค้ดด้วย AI ที่ผมใช้ทุกวัน กำลังจะมาบนมือถือ การสั่ง agent จากมือถืออาจเปลี่ยนวิธีและสถานที่ทำงานของผมไปเลยCursor, the AI code editor I live in, is coming to mobile. Driving agents from my phone might change where and how I work.
หลังหมดสิทธิ์ใช้ Fable 5 ผมก็ออกตามหาตัวใหม่มาแทน ไปเจอ OrcaRouter Fusion ตัวที่เอาหลายโมเดลมารวมร่างเป็น panel แทนที่จะพึ่ง model ตัวเดียว ลอง benchmark ดูแล้วการ fuse หลายตัวได้คะแนนสูงกว่าโมเดลเดี่ยวทุกตัวจริงๆAfter losing access to Fable 5, I went hunting for an alternative and found OrcaRouter Fusion — a tool that fuses a panel of LLMs instead of relying on one solo model. I benchmarked it, and fusion scored higher than every single model on its own.
ก่อนจะลองรัน flagship coding model ไว้ใช้เองในเครื่อง ตัวคำนวณ memory บอกตัวเลขจริงให้เรารู้ — และทำให้เห็นว่าทำไม Mixture-of-Experts ถึงทำให้การรันในเครื่องเป็นไปได้จริงขึ้นเยอะBefore you try to run a flagship coding model on your own machine, a memory calculator tells you the real number — and shows why Mixture-of-Experts makes local deployment far more realistic.
เราไม่จำเป็นต้องยึดติดกับ model เดียว ด้วย open gateway อย่าง Pi, thClaws และ OpenCode เราสลับได้อิสระ แถมการวางแผนดีๆ ยังช่วยประหยัด token ได้มากกว่าความแรงของ model ซะอีกYou don't have to lock yourself into one model. With open gateways like Pi, thClaws, and OpenCode you can switch freely — and good planning saves far more tokens than raw model power.