เว็บไซต์คืออะไร?

MikkiPastel

ข้อมูลการติดต่อ, แผนที่และเส้นทาง,แบบฟอร์มการติดต่อ,เวลาเปิดและปิด, การบริการ,การให้คะแนนความพอใจในการบริการ,รูปภาพทั้งหมด,วิดีโอทั้งหมดและข่าวสารจาก MikkiPastel, เว็บไซต์คอมพิวเตอร์และอินเทอร์เน็ต, Bangkok.

เพจของ Android Developer ที่เล่าเรื่องเกี่ยวกับ Software Development และเชื่อว่าทุกคนสามารถเก่งได้หลายด้าน ไม่ว่าจะเป็น hard skill หรือ soft skill จึงอยากให้ทุกคนเก่งขึ้น และ go to the moon ไปพร้อมกัน เพจ programming ของ Android Developer ที่สนใจด้านการเขียนโปรแกรม และเชื่อว่าทุกคนสามารถเก่งได้หลายด้าน ไม่ว่าจะเป็น hard skill หรือ soft skill จึงอยากให้ทุกคนเก่งขึ้น และ go to the moon ไปพร้อมกัน

Website: https://www.mikkipastel.com
other channel: https://bio.mikkipastel.com/

02/09/2026

เป็นสตาฟงาน Google IO Extended 2026 ทำอะไรบ้าง?

ก็ช่วยจัดของชาวคอมมูที่พรีของมา แล้วก็เป็น content creator สรุป session ในงาน

เป็นคลิปที่ดองนาน ตัดนานสุด ๆ กว่าจะได้ดูกันในวันนี้

31/08/2026

คุณคิดว่าแอพนี้ทำงานยังไง?

ลองทำความเข้าใจในการเขียนโปรแกรม ผ่าน Google Opal

ในการเรียนรู้ผ่านหลักการ Input-Process-Output (IPO)
หลาย ๆ คนคงเคยรู้จัก และลองใช้ Google Opal กันมาแล้ว

ทางเราเองก็ได้ลองเล่นไปนิดหน่อย แต่ยังไม่ได้ทำ content สักที ดองนานมากกกก เพราะไม่รู้จะยกตัวอย่างอะไรดีนี่แหละ!

พอดีมีข่าวแอพ Thailand FishAI ที่เป็นมีม เราก็คิดว่า มันคือตัวอย่างที่เหมาะสมในการทำ content นี้แล้ว เพราะมีเรื่อง condition ด้วยล่ะ เย้ ๆ แต่กว่าจะทำเสร็จคนลืมปลาท่องโก๋หมดแล้ววว

28/08/2026

การเดินทางในโลก latent space ยังไม่จบ! เรามาลดปัญหาโค้ดบวมจากการเขียน rule base แบบเดิม ที่เต็มไปด้วย condition และ enum ด้วย Ruliology กัน
สรุปจาก session ของพี่ต๊อบ "Rust Ruliology in Latent Space" จากงาน Solana x AI Builders: The Road to Mainnet #5 (Bangkok) เมื่อวันอาทิตย์ที่ผ่านมา

และแน่นอนเราจะเรียนเกี่ยวกับ AI ขั้นสู๊งงงงงงงง แบบที่คนปกติไม่ค่อยทำกัน ในทุกเดือนจากพี่ต๊อบกันอยู่แล้ว
🟣 Recap EP.5
- Basic Transformer: Token → Embedding → ทำ KV cache → เข้า transformer ปกติ → Softmax → เข้าการ training ปกติ เป็นสิ่งที่เกิดขึ้นในโลกปกติของ LLM ตอน train model มี shadow learning ไม่ต้อง train interaction จนสุด เอากลาง ๆ พอ เหมือนคนที่เอา cheat sheet เข้าห้องสอบ เฉพาะเรื่องที่จะสอบเท่านั้น ส่วน LLM เหมือนคนที่อ่านหนังสือมาจากบ้านแล้ว และจากการเรียนทั้งหมด สามารถเซฟเป็นความรู้ cache ความรู้ในการสอบให้คนถัดไปได้ ทำได้หลักล้าน token เพราะไม่ได้ process อะไร
- ทำไมที่ผ่านมาไม่มีใครทำท่านี้? จะมีฝั่งที่ train model อยู่อย่างเดียว รู้จักแต่ Python ไม่รู้จัก Rust มีฝั่ง symbolic ทำ C กับ C++ มี python บ้าง แต่ยังไม่ train model ใช้ neural และ symbolic, พวก rule base เขียนด้วย Golang หรือ js ก็ยังไม่เขียน Rust แต่เอามารวมตัวกันได้เพราะเขียนด้วย Rust ทั้งหมด
- จากปัจจุบันทำอะไรได้ ทำออกมาก่อน บางที LLM พูดวน พูดเลอะเทอะ จาก rule-base ใช้ RegEx มาเป็นเอามาผสมกัน เป็น shadow listening อยู่ตรงกลางระหว่าง rule base และ properability prob ทั้ง tool calling และ RAG ไม่ต้องทำ harness ทีหลัง เอา harness ไปเป็น rule ก่อนทำ เอาไปหาจุดที่ดีที่สุดได้
- Sudoku ที่ยากที่สุดในโลก ไขได้ด้วย latent space เอาไปทำในนั้น ไม่มีการยิงผ่าน API คุยกับ AI ในนั้นได้เลย
- Quest ในเกมส์ และกฏเกมส์: กฏของภาษาอังกฤษคือ gramma ประกอบร่างด้วย vocab ไม่มีทางผิดอยู่แล้ว และไม่ต้องทำ harness แต่แรก สามารถเชื่อผลได้ 100% อยู่ตรงกลางระหว่าง rule base และ statistic? เหมือน call center จากที่ทำ RAG ไปทำใน latent space และเป็น zero latentcy ทุกอย่างทำในนั้นหมดเลย
- ปกติ transformer ถามทุกตัว แต่ฝั่งเราจะ group เป็นผักและนํ้าสลัด ทำให้คิดน้อยลง
- Topology: การมองวัตถุต่าง ๆ ในโลกของ weight LLM เป็นก้อน manifold แล้วเป็น shape continuous ทำให้คำนวณยาก เลยทำเป็น mesh และ district มีการแบ่งปัญหา หรือ segment ก่อน
🟣 เราจะทำ Ruliology ยังไง?
The Computational Paradigm Shift: ตอนนี้อยู่ในโลกเดิมที่เป็น Traditional Programming เดฟส่วนใหญ่ 99.99% สั่ง AI ในการเขียนโค้ด ปล่อยให้มันเขียนโค้ดตามที่เราสั่ง และเพิ่งค้นพบตัว Explorative Ruliology เลยยังไม่ได้มีคนทำ

จามกฏของ Ruliology เขาจำลอง หรือ symbolic ด้วย agent 1 กับ agent 2 ทำอะไรบางอย่าง เช่น เล่นเกมส์ ชนะเป็นสีเขียว แพ้เป็นสีแดง แล้วมีกฏกติกาของตัวเอง บางตาก็จะเสมอกันได้ แล้วเอามา plot graph ว่าเก็บ score ยังไง plot ตามจำนวน interation คล้าย ๆ train model แต่เร็วขึ้นกว่าปกติเพราะมี step ชัดเจน ไม่ต้องเดา

อีกทั้งมีการปรับ weight ปรับ reward แล้วมันแอบรู้ step หาเส้นที่เหมาะที่สุดมาให้ หาใน finite state machine ได้เกือบทั้งหมด

ดังนั้นกราฟนี้ต้องเป็น finite state machine ทั้งสองแกน เพราะมันเป็น each machine เหมือนกัน ให้หาค่า mean ที่โดดเด้งที่สุดอันนั้นมา แล้วหยิบตัว winner ที่ดีที่สุดมา
🟣 Case 1: Strategy Selection
ปกติเราเขียนแบบเก่า จะเป็น rule base ธรรมดา จะ define enum ว่ามี strategy อะไรบ้าง แล้วใส่ condition หรือ rule base ให้ตรงกับ strategy ที่ match กัน พอมีอันใหม่มาต้องเพิ่มไปเรื่อย ๆ

จะดีกว่าไหมถ้า strategy มี reward ในตัวเองระหว่างที่ทำได้ด้วย ได้ output ที่เราต้องการ และคะแนนบวกลบเมื่อกี้ รอบแรกอาจจะ process นานหน่อย ถ้าได้อันที่ถูกต้อง และฉลาดพอที่จะเลือก strategy นั้น ๆ สามารถรันทิ้งแล้วเลือก matching ทีหลัง เราก็เลือกจากคะแนนที่ดีที่สุด เหมือนวิธีคิดของ MoE (Mixture-of-Experts) ใน LLM ที่เลือก expert แต่ละสาขา แล้วไปทำตอน run time ได้เลย คล้าย ๆ test time ของ LLM

TitForTat: เป็นหนึ่งใน game theory ทำอะไรมาแล้วสะท้อนไปแบบนั้น น่าจะเป็นใครดีมาเราดีตอบ ใครร้ายมาเราร้ายตอบ เป็น strategy ที่ง่ายมาก ค่อนข้าง win เพราะอันอื่นฟีลนางเอก เป็นคนดีเสมอ ถึงแม้จะโดนรังแกก็ตาม ซึ่งแพ้เน้อ

Pareto: พอเราทำ tournament ของ strategy เราจะเลือกได้ว่าจะเอา accuracy หรือความเร็ว ตาม strategy ทำให้ไม่มีปัญหาเรื่อง bottomneck มีการเลือก winner ของ strategy ก่อนแล้วค่อยทำจริง มีการให้คะแนนทุกการกระทำ บางทีไม่ได้ทำเพราะเลือกอีก strategy เป็นวิธีคิดของ Ruliology ซึ่งเป็น rule base ที่โดนวัดผล มีคะแนนบวกลบ
🟣 Case 2: Cross-Paradigm Arena
ถ้าวิธีคิดแบบเก่า เป็น MCTS (Monte Carlo tree search) หาวิธีที่เป็นไปได้ทั้งหมด และหา win rate แล้ว execute ซึ่งแยกกันไปทำ แต่ Ruliology มีการทำ payoff matric คือทำ arena ในแต่ละ strategy เทียบกันว่าอันไหนดีสุด เลือกอันนั้นมา และ execute อันนั้น
🟣 ELO Ranking
เวลาปกติที่ Cellular Automation กับ BanditPlayer แข่งกัน BanditPlayer จะแอบดีกว่า เพราะเป็น statistical ส่วน cellcular คิดเหมือน cell ธรรมดา 0-1 ไปเรื่อย ๆ

ตัว Elo Arena แนวคิดตรงกันกับ Ruliology เพราะการทำแต่ละอย่างจะถูกวัดผลเสมอ ไอเดียเดียวกับคิดคะแนนจิตพิสัย บวกลบคะแนนทุกการเคลื่อนไหว ทุกการกระทำ มีการเฉลี่ยคะแนน ดูว่าคนนี้ดีในแต่ละเรื่องหรือเปล่า ไม่ใช่ดูผลรวมปลายปี
🟣 Player
- FSMPlayer (Finite State Machine): คนทำเกมส์ หรือคนที่ทำ agent หลายตัว จะต้องรู้จักตัวนี้ ได้เปรียบตอนแยก task งาน ให้งานไม่ตีกันได้ วัดผลได้แบบ deteriministic ทุกการกระทำแบ่ง state ให้ชัดเจน ที่นับจำนวนได้ มีที่สิ้นสุด การคำนวณขึ้นกับ energy ในการทำในแต่ละรอบ มี state ที่จำกัด define state ทำ task นี้ให้เสร็จก่อนทำอันต่อไป
- StrategyPlayer: เป็น cellular automaton เหมือนวิธีคิดในหัวของเรา โหวตแล้วเลือกมาอันนึง แพ้คนอื่น ถ้าเงื่อนไขไม่เยอะตัวนี้ก็ยังดีอยู่
- HIPlayer (Heuristic Learning): เป็น key idea ของ KatGPT จาก high-order ทำได้ 1 dimension สามารถเพิ่มได้ แล้ว mapping และ listening state อีก 3 ตัวได้
- BanditPlayer: เหมือนมีตู้สล็อตแล้วดูว่าตู้ไหนให้ reward สูงสุดก็ไปตู้นั้น แต่ก็ไปเล่นทุกตู้เพื่อดูแหละ
- MctsPlayer (Monte Carlo Tree Search): ทำงานค่อนข้างดี มีตัว visits คิดทุก path ทุกทาง ที่มองเห็นได้ ทำเป็น tree

Paradigm ladder: 🏅MctsPlayer → 🥈BanditPlayer → 🥉 HIPlayer → StrategyPlayer → FSMPlayer → Random
🐇 กระต่ายเห็นได้เท่าที่เราอยากให้เห็น พอเห็น trap ก็จะหนี เจอบอสก็หนีด้วย โยกคันโยกทุกอันตามลำดับให้ถูกเพื่อเปิดสะพาน เก็บกุญแจเพื่อหากล่องสมบัติให้ถูก

🥈 BanditPlayer
- UCB1 (Upper Confidence Bound) วิธีคิดคือหาค่า mean จากตัว reward แต่จะมีหลาย arm เพิ่มขึ้นมา เป็น multi-arm bandit มีหลาย ๆ แขน
- UCB ใช้วิธีเดียวกับ bandit อันไหนดี เอาทางนั้น

🏅MctsPlayer
- UCT (Upper Confidence bounds) ทำแบบ UCB แต่ทำเป็น tree ทำแล้ว explore หาค่า mean ไปเรื่อย ๆ แล้วหาว่าตัวไหนให้ signal และ reward มากที่สุด ให้เลือกอันนั้น
🟣 Case 3: Fix Candidate Selection
โลกเดิมตอนเขียน rule base มี condition และการจูนด้วยมือ กะเอาว่าน่าจะสำคัญนะ ใส่เป็น magic number ตาม stat ที่เราเคยเห็นมาก่อน หรือความที่น่าจะสำคัญ หรือ weight เอง ทำให้เกิด retrieval noise หลอน RAG top 1 ตามกันมา, ไม่มี reason เบื้องหลัง, แล้วตอนเสมอกันจะทำยังไง ใครตัดสิน

ส่วนแบบ Ruliology จะเป็น pareto-front จะหาเอาเองว่า ตัวที่เราต้องการใน pareto ที่ effective มากที่สุด หรือที่เรียกว่า optimal ให้เราเลือกเอาตามต้องการ โดย Ruliology เลือกคำตอบที่ดีที่สุด และคำตอบที่เราคิดไม่ถึงมาด้วย

มีการให้คะแนนบวกลบอย่าง reward และ penalty จากการกระทำที่เราจะต้อง search tree อะไรบางอย่าง หาจากล้านวิธีเอาอันเดียว เลือกตามเส้น pareto นั้นแทน ถือว่าดีในแต่ละ context
🟣 จะใช้เมื่อไหร่?
- quest_grammar: ของพี่ต๊อบใช้กับ quest grammar ในเกมส์ ซึ่งมันตรงไปตรงมา ถาม AI ดูว่าอันนี้เหมาะกับทำ arena ไหมกับการให้ quest กับ player? สามารถทำได้ แต่ไม่ได้ผลอะไรที่ดีขึ้น มีเส้นใน pareto ที่ไม่จำเป็นต้องทำก็ได้

ถ้าจะทำ ไปทำ multiple candidates compete per turn เพื่อหา top-k quests → scoring → validation → routing แล้วเข้า Ruliology เพื่อเป็นคำตอบให้ user ว่าควรจะทำอันนี้ ถ้าเกมส์ใหญ่ขึ้น หรือ personalize มากขึ้นก็อาจจะมี

- riir-clippy: ถ้าคนเขียน Rust จะรู้จักตัวนี้ คอยแก้คำที่พิมพ์ถูกพิมพ์ผิดให้เรา จากการสังเกตของพี่ต๊อบพบว่า token ประมาณ 50% สารวนอยู่กับการแก้ follow check กับแก้พิมพ์ผิด แล้วก็ warning และ error ของ clippy ซึ่งมันมีกฏ linter และ error รู้เยอะแต่ไม่แก้ให้

เลยเขียน strategy ให้มันแก้ให้เลยโดยไม่ต้องเรียก LLM โดยใช้ Ruliology ในการ capture แยกว่าเรื่องอะไร และ learn จาก Github repo เอามาเติม ทำให้ coverage เพิ่มขึ้นเรื่อย ๆ และ cover ได้ถึง 93% สุดท้ายลด token ได้ประมาณ 50% จากตัวนี้!

แต่ตัวนี้ยังไม่ open source ยังไม่ complete กลัวคนใช้แล้วพัง
💡 วันนี้ต้องจำอะไรให้ได้บ้าง?
- วิธีแบบเดิมเลือกคำตอบที่ดีที่สุดจากที่คุณคิด ติดที่ความรู้ของเรา คิดอะไรได้ก็ยัดใส่เข้าไป ส่วนแบบ Ruliology เลือกคำตอบที่ดีที่สุดจากทั้งหมดที่มี รวมถึงอันที่คาดไม่ถึงด้วย
- ELO เป็นการมี reward +1 -1 และการมี tournament แข่งกัน
- แนวคิด Ruliology + ELO Score เป็นการมี if-else ที่เรามีคะแนนตามความถูกผิด ทำทุกอย่างเป็น strategy ที่โดน weight คะแนนเสมอ แล้วค่อยเลือกมา จะได้ pareto เลือกตามเส้น ตาม performance ได้คำตอบที่ดีที่สุดออกมา
- ให้เลือกตามเส้น Pareto อาจจะบนสุดตรง frontier หรือตรงกลาง optimal ตามแต่ใจ อย่าไปเลือกพื้นที่ใต้เส้นก็พอ
- เลือกวิธีไหนก็ได้ จะ complex แค่ไหนก็ได้ ไม่มีถูกผิด
- Payoff: เวลาที่เรา process บางอย่าง ใส่แล้วเห็น signal บางอันที่เราไม่เคยให้ความสำคัญมาก่อน พอเราให้ความสำคัญกับทุกการกระทำ มีการให้คะแนน ตัดเกรด ทำให้เรา rank ในแต่ละ strategy ได้ และรอบต่อไปเราจะรู้ล่ะว่าควรเลือก strategy ไหนดี ซึ่งสามารถ cache ไว้ได้ รอบต่อไปจะถูกขึ้น มากขึ้น

26/08/2026

พอดีเราได้เป็นหนึ่งใน panel speaker ที่งาน Women Made: Girl in STEM 2026 เมื่อวันศุกร์ที่ 21 สิงหาคมที่ผ่านมา ที่บ้านวิทยาศาสตร์สิรินธร สวทช ก็เลยเอามาแชร์ในเพจ เผื่อคุณครู และน้อง ๆ มัธยมที่ไม่ได้มางานนี้ได้อ่านกัน
ในงานจะมีคำถามให้ panel speaker ตอบอยู่แล้ว และเราก็เตรียมคำตอบมาประมาณนึง แต่ด้วยเวลาจำกัดอาจจะตอบได้ไม่หมดเนอะ

ขอบคุณทาง Inskru -พื้นที่แบ่งปันไอเดียการสอน ที่ชวนมางานนี้ เป็นครั้งแรกที่เราเป็น speaker panel list แล้วเป็นกลุ่มผู้ฟังที่ไม่เคยสัมผัสมาก่อน ต้องพยายามพูดให้น้อง ๆ เข้าใจง่ายที่สุด
เราเป็น Android Developer ซึ่งหลาย ๆ คนอาจจะยังไม่เคยรู้จักอาชีพนี้ เรียกยาว ๆ คือ นักพัฒนาแอพพลิเคชั่นบนระบบปฎิบัติการ Android เรียกแบบสั้น ๆ คือ คนทำแอพบนมือถือ Android

การทำงานคร่าว ๆ ก็มีเชื่อมต่อข้อมูลกับหลังบ้าน นำสิ่งที่ designer ออกแบบมาประกอบเป็นหน้าตาแอพจริง รวมถึงคุยกับคนสั่งงานด้วยว่าเราจะทำอะไร เป็นประมาณไหน
ส่วนเส้นทางจะเป็นยังไง? แล้วต้องมี skill อะไรบ้าง? มาอ่านกัน

24/08/2026

ได้เวลาแชร์ Notion setting ที่เราใช้ทำ content ของเราแล้ว บอกเลยเราก็ใช้อันนี้ตอนเปิดช่องใหม่ด้วย ผ่านการลองปรับโน้นนี่นิดหน่อยมาร่วมสองสามปีแล้วมั้ง

พยายามทำให้เข้าใจง่ายที่สุด เผื่อเพื่อน ๆ content creator อยากเอาไปใช้งานกัน

ถ้าอยากให้สอนแบบจับมือทำ หรือสงสัยอะไร พิมพ์ในเม้นได้เลย

depa Thailand

22/08/2026

แกะกล่องบอร์ดเกมส์แรกในชีวิตที่ซื้อมาของหนู กับ Age of Bitcoin กัน ของ BitToon และ Four Comma Game
เราซื้อตอนเปิด kickstarter ของแถมแน่นมากจนจำไม่ได้แล้วว่าอันไหนแถม ที่แน่ ๆ มี Bitcoin wallpaper ที่ฝากล่อง กับการ์ดตัวละครซาโตชิ
ตอนนี้แค่ unbox เองน้า ยังไม่ได้ประกอบเครื่องขุด แกะดูการ์ดต่าง ๆ ปีะกอบร่างเพื่อเล่นคนเดียว เพราะของแน่นมากกกกกก
ปล. เริ่มมีแอบตั้งตี้เล่นแล้ว

19/08/2026

เครื่องเราใกล้จะค้างหรือยัง ใช้ RunCat ช่วยบอกสิ!

ถ้าน้องเคลื่อนไหวแรง ๆ วิ่งขาเหลว ๆ นี่ใช่เลย
หลาย ๆ ครั้งที่เราทำงานอยู่ สักพักเครื่องเริ่มค้างล่ะ

พี่ในทีมมีตัวช่วยสุดน่ารักอยู่ ชื่อว่า RunCat

เป็นน้องแมวที่อยู่บน menu bar บน Mac

ถ้าน้องวิ่งเร็วมากแสดงว่าเครื่องเราทำงานหนักไปแล้วนะ

ซึ่งพี่ในทีมเราเจอบ่อยมาก น้องแมววิ่งจนขาเหลวหมดแล้ว

และแน่นอน 1 คนป้ายยา 10 คนใช้ ใช้กันทั้งทีมเลยแหละ

ปล. อยากให้อ่านให้จบโพส เพราะตอนจะโพสลงดันมีอัพเดตใหม่ล่ะสิ
🏃‍♀️ แล้วมันทำอะไรได้บ้าง?
- CPU usage: ดูว่า CPU เราถูกไปใช้ไปเท่าไหร่
- Memory performance: เครื่องใช้ memory ไปเท่าไหร่
- Storage capacity: เครื่องของเราพื้นที่จัดเก็บเป็นยังไง
- Battery state: ดูว่ามีแบตเท่าไหร่ แบตเต็มหรือยัง cycle เป็นยังไง อุณหภูมิร้อนหรือยัง เอาไปทอดไข่กินได้ยัง อ่ะไม่ใช่
- Network connection: ตอนนี้ต่อเน็ตกับอะไรอยู่ ความเร็วในการ upload download เป็นยังไง
🐱 ความน่ารักอีกหนึ่งสิ่ง คือ สามารถเปลี่ยน Runners ได้
อันที่ใช้ฟรีมีเยอะมากกกก นอกจากแมวที่เป็น default แล้ว และยังแมวอีกหลาย ๆ แบบ รวมถึงแมวรุ้งอย่าง nyan cat ด้วย แล้วยังมีมีนกแก้ว คนทำท่าทางต่าง ๆ อย่าง sit-up วิดพื้น ก้มกราบแบบญี่ปุ่นก็มา และอื่น ๆ เช่น เป็ดยาง แกะวิ่งข้ามรั้วยังมี

แล้วตัว Runner บางอัน สามารถซื้อได้ที่ Store ราคาไม่แรงมาก เริ่มต้นที่ 29 บาท

และถ้าอยากทำ runner เองก็ทำได้นะ ต้องไปซื้อ Self-Made Runner ที่ Store ก่อนนะ ราคา 29 บาท

จากนั้น ไปที่ Self-Made Runner เตรียมไฟล์ png ความสูง 36px ความกว้าง 10 - 100 px และ max frame ที่ 50
😺 ถ้าเบื่อ ๆ ก็มีเกมส์ให้เล่นด้วยนะ ไปที่ More → Play Endless Game
⚠️ แต่ตัว Runcat อันนี้ที่ใช้อยู่ จะ support ถึงสิ้นปีนี้น้า โดยให้ไปใช้ RunCat Neo แทน ตัวนี้จะ modern กว่า รองรับ macOS 26 ขึ้นไป โดยไป download ได้ที่ Mac App Store นะ

ตัวนี้ feature เหมือนของเดิม เพิ่มเติมเรื่อง Custom Metric เราสามารถเลือกการ์ดที่เราต้องการแสดงได้ สามารถใส่ตัว Claude Code statusLine ที่ทุกคนชอบใส่กัน แล้วก็ราคา Bitcoin ก็มานะ หรือเราจะทำเป็นตัวอันอื่น ๆ ก็ได้ เดี๋ยวมารีวิวเต็มอีกทีนึง

❓แล้วควรใช้อันไหนดีถ้ามาเจอโพสนี้? ถ้าตัว macOS 26 ขึ้นไป แนะนำให้ไป RunCat Neo เลย ตัว Runner ถึงดูจะน้อยกว่า แต่สามารถเข้าไป download แล้วเพิ่ม Custom Runners ได้ที่ Settings ได้โดยไม่เสียเงินน้า
สำหรับชาว Windows ไม่ต้องน้อยใจ เขามี RunCat 365 ที่เอาน้องแมวไว้วิ่งบน windows taskbar นะ เดี๋ยวลิ้งแปะไว้ด้านล่าง

17/08/2026

วิธีสนับสนุนค่าชาเขียว ให้กับ content creator ตัวน้อย ๆ แบบเรา 🍵✨

เนื่องจากเพจเราเองไม่ค่อยมีงานจากแบรนด์มากนัก และอยากจะปิดตัว ads บนเว็บ แต่รายได้ยังไม่เพียงพอ เลยอยากจะรบกวนทุกคนสนับสนุนเรา มี 2 วิธีหลัก ๆ คือ
1️⃣ แบบไม่ต้องเสียเงิน
- ช่วยดัน Engagement: ไม่ว่าจะ like, comment, share เราจะได้รายได้จาก platform ซึ่งในตอนนี้ได้น้อยลงจากเดิม คิดว่าน่าจะมีจำนวน creator ที่ได้ส่วนนี้เพิ่มขึ้น ถ้าอยากให้เพจเรามีงานเยอะขึ้นก็ช่วยกัน engage เยอะ ๆ น้า เพจเราให้ความรู้ฟรี แต่ยังไม่มีรายได้เลย ฮืออ
- เข้าอ่านเว็บเรา: ทนดู ads หน่อย เพราะทางเพจยังไม่มีรายได้ กว่าจะได้ $100 คือหลายปีเลย แต่ถ้าเพจเริ่มมีรายได้มากพอก็ตั้งใจจะเอาออกแน่นอน
- กดลิ้ง Shopee Affilate ใต้โพส: คือคุณซื้อของตามปกติใช่ป่ะ เสียเงินเท่าเดิม แต่เราได้ค่าคอมเป็นค่าขนม แล้ว ใคร ๆ เขาก็ทำกันนนน ขอบคุณงาน SPIN9ARM offline # 1 ที่ทำให้เราปลดล็อกตรงนี้ อ่ะลองแปะลิ้งดู ก็มีคนมากดซื้อด้วย ขอบคุณมาก ๆ เลยค้าบ ในตอนนี้สามารถไปจิ้มที่เว็บ Picks ได้เลย เดี๋ยวทยอยเอามารีวิวอีก

อีกทั้งสามารถสนับสนุนผ่านช่องทางติดตามอื่น ๆ เช่น TikTok, YouTube น้า
2️⃣ แบบเสียเงิน
- Donate: ผ่านช่องทางต่าง ๆ Ko-fi, Buy Me a Coffee หรือ GitHub Supporters สามารถเลือกเป็นรายครั้ง และรายเดือนได้เลย
- Facebook subscription: เดือนละ 35 บาท
- Send Stars / Gifts: ส่งดาวหรือของขวัญในโพสต์ต่าง ๆ
- LINE Sticker: ตอนนี้มี 3 อัน คือ Pastel Crypto Boy, Pastel: Work to Earn และ Everyday with Mikki
- คอร์สออนไลน์บน Skillane “Software Developer Starter: ก้าวแรกสู่สายงาน Software Developer” เหมาะกับคนที่อยากเข้าสู่สายงานนี้ ว่าเขาต้องทำอะไรยังไงบ้างในการทำงานจริง
- Merchaindise: อนาคตจะมีสินค้าของเพจออกมาให้อุดหนุนกันน้า
⭐ สำหรับแบรนด์ที่สนใจเปิดโอกาสหรือสนับสนุน content creator ตัวน้อย ๆ คนนี้

สามารถสนับสนุนได้หลาย ๆ อย่างเลย ไม่ว่าจะเป็นอุปกรณ์การทำงานต่าง ๆ gadget คอร์สเรียน รวมถึงอาหารก็เข้าได้เช่นกัน คอนซิลเลอร์ปิดใต้ตาดำก็มาก็ได้นะไม่ติดเลย

อีกทั้งยังสามารถรับงาน speaker ได้ด้วยนะ เผื่อทางท่านจะพิจารณา สามารถทักมาทาง inbox page เพื่อถาม rate card ได้เลย

ปล. ด้วยความที่เราเป็น part-time content creator และ full-time developer งานวันธรรมดาอาจจะต้องใช้วันลาพักร้อนเอานะ ดังนั้นรบกวนแจ้งก่อนอย่างน้อย 1 เดือนนะ เพราะงานเยอะมาก
สุดท้ายขอบคุณทุกคนในการสนับสนุน content ของเรามาโดยตลอด

14/08/2026

Github Copilot คิดราคาแบบใหม่ บางคนใช้ไม่กี่วัน AI Credit หมดแล้ว
แล้วจะใช้งานยังไง? ให้ AI Credit อยู่ถึงสิ้นเดือน

เราสรุป key takeaway ที่เราได้ฟังจากทาง Microsoft เมื่อวานนี้กัน
หลังจากที่ Github Copilot จากเดิมที่หักตาม request-based โดยคนนึงได้โควต้า 3000 request มาใช้ เปลี่ยนเป็นคิดตามจำนวน token ที่เราใช้แทน แล้วในตอนนี้ก็ใกล้หมดโปร extra credit 3 เดือนแรกในเดือนกันยายนนี้แล้ว
💡 Token 3 ประเภท ที่เราต้องรู้ก่อน
- Input: อะไรที่เราส่งขึ้นไป สามารถแบ่งไป process ได้ เช่น code, prompt, history, Jira ticket → cost มาจากตรงนี้เป็นส่วนใหญ่ เป็น token หลักล้าน แต่ output ออกเป็นหลักหมื่นหลักแสน
- Cached: เอา input ไป reuse ได้ เช่น instruction file คิดเป็น cached rate คิดเป็น 10% ของ rate ปกติ
- Output: สิ่งที่ AI generate ให้เราเห็น ทั้งที่เรามองเห็น เช่น โค้ด และที่มองไม่เห็น คือ listener loop ไปอ่านไฟล์ไหนบ้าง เกิดขึ้นหลายรอบเป็น reasoning token
⭐ cost ส่วนใหญ่มาจาก input + cached ถึง 70% เลยทีเดียว
🛠️ Agent Debug Logging
ถ้าเราอยากเห็น session การใช้งาน Github Copilot ของเรา เป็น log หรือ flowchart ว่าการสั่งงานแต่ละรอบ agent ทำอะไรบ้าง

ให้ไป “Enable Agent Debug File Logging” แล้ว restart editor ที่ใช้ จากนั้นก็ใช้งานได้เลย จะออกมาเป็น log หรือ flowchart ว่าการสั่งงานแต่ละรอบ agent ทำอะไรบ้าง รวมถึงปริมาณ token ที่ใช้ในแต่ละรอบด้วย
💬 ทำไมเรา prompt ไปนิดเดียว ถึงเป็นแสน token ได้?
นอกจาก prompt ของเรา ยังมีสิ่งที่เราแก้ไขไม่ได้ เช่น
- System prompt: เหมือน harness - default ใช้ 20k token
- Repo instructions: ต้องอ่าน instruction file ทุกรอบ - Microsoft หาทางลด cost ตรงนี้ให้ user
- File context: อ่านทุก source code แล้ว generate กลับมา สามารถ scope context ให้ AI อ่านได้เช่นกัน
- Conversation history: ต้องการทำงานต่อ บางงานที่แตกต่างกัน การ start session ใหม่ลด reuse context ได้นะ
- Tool schema: MCP server - ไม่เสีย cost ในมุมนี้ Microsoft optimize ให้
💰 10 เคล็ดลับ คุม cost ของ Github Copilot ไม่ให้หมดไว

1️⃣ คุม context โดยการใส่ไฟล์ที่จำเป็นจริง ๆ อาจจะเลือกไฟล์ตรง ๆ เลือกจาก line of code คลุมไป หรือทั้ง folder ก็ได้เช่นกัน เพื่อลด cost

2️⃣ เลือก model ให้เหมาะสมกับงาน ฟังดูยาก ให้ไปส่อง benchmark ตามเว็บต่าง ๆ
〰️ DeepSWE: เทียบ cost กับ performance ให้ดูตรงแกนขวาอยู่บน เหมาะกับการใช้งานเขียนโค้ดมากที่สุด หรือดูตรง tier 50% ซึ่ง gpt-5.6-luna จะดีสุดในตอนนี้
〰️ ProgramBench: มีจัดตารางให้ดูง่าย ตัวกราฟจะกลับหัว
〰️ Artificial Analysis: ให้ดูตรง cost หรือ Terminal-Bench v2.1 Benchmark Leaderboard

3️⃣ นอกจาก monitoring ตาม model source แล้วก็ดูเรื่อง reasoning level ด้วย แต่ละเจ้ามี low, medium, high, max นอกจาก pricing แล้ว token consuming เยอะขึ้น และ cost per task ค่อนข้างแย่ performance ไม่ได้ดีขึ้น

4️⃣ ถ้าเราไม่มั่นใจว่าใช้ model ตัวไหนดี ลองใช้ auto model ดูได้ เขาจะ route model ว่าอันนี้เหมาะกับ model อะไร และมีส่วนลด 10% กับ AI credit ที่เกิดขึ้น ส่วนวิธีการเป็น internal มีปรับอยู่เรื่อย ๆ แต่ ๆๆๆๆ ถ้า manual ได้ cost จะถูกกว่า auto นะ

5️⃣ Instruction file เป็น cost ที่ AI ต้องอ่านทุกรอบ ดังนั้นเรา reuse ของพวกนี้ และ customize ได้ ถึงจะลด cost ตรงนี้ได้

6️⃣ เลือกเปิดใช้งาน MCP เท่าที่จำเป็น เพราะมันมี cost อยู่ เป็น schema ที่ AI ต้องรู้ก่อนทำงาน มันจะได้วิ่งไปดูของเท่าที่จำเป็นเท่านั้นน้า

🗒️ แต่ถ้าให้เรามันรันคำสั่ง command เพิ่มเติม อันนี้เป็น hook ไม่เสียค่าใช้จ่าย จึงลด cost ตรงนี้ได้

7️⃣ เปลี่ยนจาก one-shot from pattern ที่สั่งแล้วได้ของเลย เปลี่ยนเป็น 3 step คือ plan → implement → review ทำให้ใช้ token เหลือ 1 ใน 4 เท่าจากเดิมได้!
〰️ Plan: ใช้ model ระดับสูงใน step แรกของการทำงาน ในที่นี้ใช้ Claude Opus
〰️ Implement: พอได้แผนมาแล้วเปลี่ยน model เพราะ plan mode ไม่ได้ generate output ไม่ต้องทำ listening loop ทำให้ลด cost พอสมควร สามารถเลือกใช้ Claude Haiku หรือตัวที่ดีกว่าอย่าง GPT-5.6 Luna ก็ได้
〰️ Review: ใช้ Claude Sonnet

8️⃣ จาก context sequential เปลี่ยนมาใช้ subagents แทน โดยให้ separate context ของ agent แต่ละตัว แล้วให้ subagent ของ Github copilot orchestrate agent ที่ hold context แล้วมี step ในการทำงานอะไรบ้าง ทำให้ agent แต่ละตัว อ่าน context เท่าที่จำเป็น

🗒️ ข้อดี subagent context ใช้น้อยกว่า ถูกกว่า แต่แก้ไขกลางทางไม่ได้ เพราะมีการทำงานที่เป็นชั้นตอน ต้องทำให้ชัดเจนตั้งแต่แรก

9️⃣ ให้ clean context เรื่อย ๆ เพื่อช่วยลด cost ได้ เพราะมีของ section และ history ก่อนหน้า เราสามารถ restore checkpoint ไปก่อนหน้า มันจะ summarize context ก่อนหน้าได้ หรือ สร้าง session ใหม่ หรือ fork ออกมาก็ได้เหมือนกัน

🔟 สามารถใช้ open source library ในการคุม cost ได้ มีหลายตัวเลย เช่น rtk-ai/rtk, zdk/lowfat, JuliusBrussee/caveman, headroomlabs-ai/headroom

ถ้าของ Microsoft เองจะมีตัว AI Engineer Coach เป็น dashboard ที่สามารถ review usage ของ session ของเราได้ ถ้าจะลงต้อง manual นิดนึง การ install จะไม่ได้ลงแบบ plug-in ปกติ ให้ไปดูใน readme เขาได้เลย

ตัวอย่าง ใช้ `/chronicle cost-tips` แล้วไปที่ Sessions แล้ว summarize ดูว่าตรงไหนในการ optimization ได้
ทั้งหมดก็จะประมาณนี้เนอะ ใครมีเคล็ดลับอะไรเพิ่มเติมมาแชร์กันได้เลย 👇