ผมสร้างเครื่องมือ AI มาสองอย่าง และอย่างที่สองบอกผมว่าผมควรเรียนรู้ AI อย่างไร
ผมเคยลองเรียน AI ด้วยวิธีแบบเดิมๆ ผมเปิดคอร์สเรียนอย่างเป็นทางการ แต่ก็เลิกเรียนหลังจากผ่านไปไม่กี่บท เนื้อหานั้นดี แต่ไม่มีความกดดันหรือความเสี่ยงอะไรเลย ไม่มีอะไรพัง และไม่มีอะไรที่ทำให้ผมจำได้แม่น
ผมจึงตระหนักได้ว่า ผมเรียนรู้ได้ดีที่สุดเมื่อมีบางอย่างพังลง
การสร้าง TeachSim สอนให้ผมรู้จัก LangGraph เพราะบอทจำเป็นต้องทำงานได้ ส่วนการสร้าง GitHub Digest ก็สอนให้ผมรู้จักกับ silent failures เพราะโค้ดมันพังแบบเงียบๆ ผมเรียนรู้แนวคิดต่างๆ เพราะผมจำเป็นต้องใช้มันเพื่อให้ระบบทำงานได้
ผมต้องการเรียนรู้ด้าน AI engineering ผมไม่ได้อยากแค่ใช้งาน API ไปวันๆ แต่ผมต้องการเข้าใจเครื่องมือที่ผมใช้งานอยู่ทุกวัน
ปัจจุบัน ความรู้ของผมยังอยู่แค่ระดับผิวเผิน ผมใช้ slash commands และ convention ต่างๆ เพื่อให้งานรันได้ แต่ผมยังไม่เข้าใจ MCP, subagents, hooks หรือ checkpoints ผมแค่ใช้เครื่องมืออะไรก็ได้ที่มันใช้งานได้ในวันนั้น
ผมกำลังเปลี่ยนวิธีการเรียนรู้ ผมกำลังสร้างหลักสูตรของตัวเองโดยอิงจากโปรเจกต์จริง ขั้นตอนหนึ่งจะยังไม่ถือว่าเสร็จสิ้นเพียงเพราะผมอ่านเรื่องนั้นจบ แต่มันจะเสร็จสิ้นก็ต่อเมื่อมันสามารถแก้ปัญหาจริงๆ ในโปรเจกต์ของผมได้
นี่คือลำดับการเรียนรู้ใหม่ของผม:
• ระยะที่ 1: MCP (ขยายขอบเขตการเข้าถึงของ agent) • ระยะที่ 2: Skills (ทำให้การใช้เครื่องมือเป็นระบบมากขึ้น) • ระยะที่ 3: Subagents (แบ่งงานไปยัง agent หลายตัว) • ระยะที่ 4: Hooks (เพิ่ม guardrails) • ระยะที่ 5: Plugins (รวมทุกอย่างเข้าด้วยกัน) • ระยะที่ 6: Checkpoints (ย้อนกลับ session ที่ผิดพลาด) • ระยะที่ 7: ผลลัพธ์สุดท้าย
ผมจะนำสิ่งเหล่านี้ไปใช้กับโปรเจกต์ที่ใช้งานจริง ตัวอย่างเช่น ผมจะเชื่อมต่อ GitHub MCP server เข้ากับ GitHub Digest แทนที่จะใช้ REST API
วิธีนี้อาจต้องใช้เวลามากขึ้นในตอนนี้ ผมกำลังแลกความรวดเร็วในระยะสั้นกับความเร็วในระยะยาว ผมต้องการเชี่ยวชาญการใช้เครื่องมือก่อนที่จะไปจัดการกับคณิตศาสตร์ Machine Learning ที่หนักหน่วง เพราะถ้าผมไม่เข้าใจเครื่องมือที่ใช้ ผมจะต้องมานั่งสู้กับมันในขณะที่พยายามเรียนรู้แนวคิดที่ยากๆ
ผมกำลังสร้างมันขึ้นมาทีละขั้นตอน
ชุมชนการเรียนรู้ (ไม่บังคับ): https://t.me/GyaanSetuAi