สรุปจากคลิป ดูคลิปต้นฉบับ

Claude Agent View + Hermes MCP ใช้ยังไงให้ AI ทำงานแทนเรา

สิ่งที่น่าสนใจกว่า AI รุ่นใหม่ออกอีกตัว คือวิธีที่เครื่องมือหลายตัวเริ่ม “ทำงานร่วมกัน” จนกลายเป็นระบบอัตโนมัติที่ใช้งานได้จริงในงานประจำวัน ไม่ใช่แค่แชตตอบคำถามอีกต่อไป คลิปล่าสุดจากช่อง Julian Goldie SEO พูดถึงจุดนี้ชัดมาก โดยเอา Claude Agent View, Hermes MCP, Codex, คำสั่ง /goal และการทำ second brain มาต่อกันเป็น workflow เดียว

ประเด็นสำคัญไม่ใช่ว่าเครื่องมือไหนเก่งสุด แต่คือ เราออกแบบให้ AI แต่ละตัวรับบทต่างกันได้หรือยัง ตัวหนึ่งคิด ตัวหนึ่งลงมือ ตัวหนึ่งเช็กงาน และอีกตัวหนึ่งคอยเก็บความรู้ระยะยาว ถ้ามองจากมุมเจ้าของธุรกิจหรือคนทำงานไทย นี่คือภาพของ “ทีมงานดิจิทัล” ที่เริ่มใกล้ความจริงมากขึ้นเรื่อยๆ

สารบัญ

• Step 1: เข้าใจก่อนว่า Hermes, Codex และ Claude ต่างกันตรงไหน
• Step 2: เริ่มจากวิธีง่ายสุด คือรัน Hermes ใน Terminal ของ Codex
• Step 3: ถ้าต้องการระบบที่ยืดหยุ่นกว่า ให้ตั้งค่า Hermes เป็น MCP ใน Codex
• Step 4: ใช้ Claude Agent View เพื่อจัดการหลายงานพร้อมกันแบบไม่งง
• Step 5: ใช้คำสั่ง /goal ให้ AI ทำงานต่อเนื่องจนกว่าจะถึงเงื่อนไขที่ต้องการ
• Step 6: นำแนวคิดนี้ไปใช้กับ AI SEO และงานคอนเทนต์แบบเป็นระบบ
• Step 7: ถ้าต้องการ memory ระยะยาว ให้สร้าง second brain ด้วย Obsidian
• Step 8: ทดลองสร้าง automation เล็กๆ ก่อน แทนที่จะหวังระบบสมบูรณ์ตั้งแต่แรก
• Step 9: ระวังข้อจำกัดที่คลิปพูดไว้แบบไม่อ้อมค้อม
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด

Step 1: เข้าใจก่อนว่า Hermes, Codex และ Claude ต่างกันตรงไหน

คลิปนี้วางภาพไว้ค่อนข้างชัดว่าแต่ละเครื่องมือมีบทบาทไม่เหมือนกัน

• Hermes Agent คือเอเยนต์ที่ลงมือทำงานได้จริง เช่น อ่านไฟล์ เขียนโค้ด ส่งข้อความ ใช้เครื่องมือภายนอก หรือทำงานตาม schedule
• Codex คือฝั่ง coding agent ที่เก่งเรื่องอ่าน แก้ และสร้างโค้ด
• Claude เด่นด้านการคิดเป็นระบบ การแตกงาน และควบคุมหลาย session พร้อมกัน
• MCP คือสะพานเชื่อมให้ AI คุยกับเครื่องมืออื่นได้

ถ้าสรุปให้คนไม่ใช่สายเทคนิคเข้าใจง่ายที่สุด เราอาจมองแบบนี้

• Claude เป็น “หัวหน้าทีม”
• Codex เป็น “ช่างเทคนิค”
• Hermes เป็น “พนักงานภาคสนาม” ที่ไปทำงานต่อให้จบ
• MCP เป็น “มือ” หรือ “สะพาน” ที่ทำให้ทุกคนจับเครื่องมือและคุยกันได้

มุมที่น่าสนใจคือ Julian ไม่ได้พยายามบอกให้เลือกตัวใดตัวหนึ่ง แต่เสนอให้ใช้ร่วมกัน เพราะแต่ละตัวมีข้อจำกัดต่างกัน เช่น Codex อาจติดเรื่อง usage limit หรือ UI บางคนอาจชอบ Claude มากกว่าในงานคิดและจัดการงานหลายชุดพร้อมกัน ส่วน Hermes ได้เปรียบตรงรันเบื้องหลังได้ยาวกว่า

Step 2: เริ่มจากวิธีง่ายสุด คือรัน Hermes ใน Terminal ของ Codex

วิธีที่ง่ายที่สุดในคลิปคือ เปิด terminal ภายใน Codex แล้วเรียก Hermes ขึ้นมาทำงานใน project เดียวกันเลย วิธีนี้แทบไม่ต้องตั้งค่าอะไรซับซ้อน ขอแค่ติดตั้ง Hermes ไว้ก่อน

ข้อดีของวิธีนี้คือ Hermes จะเข้าถึง directory เดียวกับที่ Codex กำลังทำงานอยู่ ทำให้ workflow ต่อกันได้ทันที เช่น

• ให้ Codex สร้างหน้าเว็บ
• ให้ Hermes ช่วย deploy เว็บขึ้น Netlify
• ให้ Hermes ใช้ skill ที่เตรียมไว้ เช่น AI SEO หรือ content publishing

มีตัวอย่างในคลิปที่ชัดมาก คือการเอา project ที่ Codex สร้างไว้ ไป deploy เป็น subdomain บน Netlify ผ่าน Hermes แบบแทบไม่ต้องย้ายไฟล์เอง

สำหรับธุรกิจไทย ภาพการใช้งานจริงอาจเป็นแบบนี้

• ทีมการตลาดให้ Codex สร้าง landing page โปรโมชัน
• ให้ Hermes ดันขึ้นเว็บ staging อัตโนมัติ
• จากนั้นใช้ skill เดิมของ Hermes โพสต์บทความ SEO หรืออัปเดตเนื้อหาตาม schedule

จุดที่น่าชอบคือมันลด “งานประสาน” ระหว่างเครื่องมือ ถ้าเดิมเราต้องคอยคัดลอกไฟล์ สลับหน้า หรือสั่งทีละตัว วิธีนี้ทำให้งานไหลต่อเนื่องขึ้นมาก

Step 3: ถ้าต้องการระบบที่ยืดหยุ่นกว่า ให้ตั้งค่า Hermes เป็น MCP ใน Codex

อีกวิธีที่ลึกขึ้นคือเอา Hermes ไปลงทะเบียนเป็น MCP server ใน Codex วิธีนี้ยากกว่านิดหน่อย แต่ให้ผลลัพธ์แรงกว่า เพราะ Codex จะเข้าถึงเครื่องมือและความสามารถที่ Hermes มีอยู่แล้วได้โดยตรง

ภาพง่ายๆ คือจากเดิมที่เรา “เปิด Hermes ข้างๆ Codex” วิธีนี้คือ “ฝัง Hermes เข้าไปในระบบของ Codex”

ขั้นตอนในคลิปมีแกนหลักดังนี้

1. สร้าง project ใหม่ใน Codex
2. เอาเอกสาร MCP ของ Hermes และเอกสารจาก GitHub ของ Hermes มาให้ Codex อ่าน
3. สั่งให้ Codex ตั้งค่า Hermes MCP แบบ local server
4. ทดสอบว่ามองเห็น tools และ conversation ของ Hermes ได้จริง

เมื่อทำเสร็จ Codex จะเรียกใช้ความสามารถของ Hermes ได้ตรงขึ้น เช่น ดึงรายการ conversation, ใช้ gateway หรือเรียกเครื่องมือภายนอกที่ผูกไว้กับ Hermes

มุมวิเคราะห์คือ วิธีนี้เหมาะกับคนที่เริ่มมี “stack” ของตัวเองแล้ว เช่น มี skill ใน Hermes อยู่แล้วหลายอัน ไม่ว่าจะเป็น SEO, deploy, outreach หรือเชื่อม API เฉพาะทาง ถ้าเชื่อมผ่าน MCP ได้ เราจะไม่ต้องตั้งค่าซ้ำหลายรอบในหลายเครื่องมือ

Step 4: ใช้ Claude Agent View เพื่อจัดการหลายงานพร้อมกันแบบไม่งง

อีกส่วนที่น่าสนใจมากคือ Claude Agent View ซึ่งแก้ปัญหาเก่าของสายใช้งานเอเยนต์ได้ตรงจุด เดิมถ้าจะรันหลายงานพร้อมกัน เรามักต้องเปิดหลาย terminal จนเริ่มไม่รู้ว่าแท็บไหนทำอะไรอยู่

Agent View เปลี่ยนสิ่งนี้ให้เป็นหน้ารวม session เดียว เราสามารถ

• สั่งหลายงานพร้อมกัน
• ดูว่างานไหนกำลังรัน
• กดเข้าไปเช็กแต่ละ task ได้
• ย้อนกลับมาดูภาพรวมได้ง่าย

ตัวอย่างที่สาธิตมีทั้งทำ keyword research, สร้าง landing page HTML และทำ AI SEO calculator พร้อมกันในหน้าต่างเดียว

ในโลกการทำงานจริง นี่มีประโยชน์มากสำหรับคนที่ต้องจัดการงานหลายสายพร้อมกัน เช่น

• เจ้าของธุรกิจสั่ง agent หนึ่งทำ research คู่แข่ง
• อีก agent เขียน draft หน้า sales page
• อีก agent ตรวจ FAQ หรือสรุป customer pain points

ข้อดีที่แท้จริงไม่ใช่แค่ “ทำหลายอย่างพร้อมกัน” แต่คือ ลดภาระการคุมงานเอง ซึ่งมักเป็นคอขวดของคนใช้ AI ระดับกลางถึงสูง

Step 5: ใช้คำสั่ง /goal ให้ AI ทำงานต่อเนื่องจนกว่าจะถึงเงื่อนไขที่ต้องการ

ส่วนนี้ถือว่าใช้งานได้จริงมากสำหรับคนทำคอนเทนต์ การตลาด และงานเอกสาร คำสั่ง /goal ใน Claude ช่วยให้ AI ไม่หยุดแค่ตอบหนึ่งรอบ แต่จะทำต่อไปเรื่อยๆ จนกว่าเงื่อนไขที่เราตั้งไว้จะสำเร็จ

ตัวอย่างจากคลิปคือการสั่งให้สร้างเว็บไซต์ SEO แบบครบชุด มี homepage, landing pages, blog structure, internal links, schema markup, meta title และ meta description ครบทุกหน้า โดยกำชับว่าอย่าหยุดจนกว่าทุกอย่างจะเสร็จ

เบื้องหลังจะมี evaluator model คอยตรวจว่าเงื่อนไขครบหรือยัง ถ้ายังไม่ครบก็ให้ Claude ทำต่อ

สิ่งที่ควรเอาไปใช้กับธุรกิจไทยทันทีคือการเปลี่ยน prompt ธรรมดาให้เป็น “เงื่อนไขที่วัดผลได้” เช่น

• เขียนบทความ 10 ชิ้น พร้อม FAQ และ internal links ครบ
• สร้างหน้าแนะนำสินค้า 5 หน้า พร้อม meta tag ไม่เกินจำนวนอักขระที่กำหนด
• สรุปรีวิวลูกค้า 100 รายการ แล้วแยก pain points ออกมา 10 กลุ่ม

ตรงนี้เป็นมุมที่หลายคนพลาด เวลาบอกว่า AI ยังทำงานแทนคนไม่ได้ จริงๆ ปัญหามักไม่ใช่ AI แต่เป็นเพราะ เราให้โจทย์แบบกว้างเกินไป วัดผลไม่ได้ และไม่มีเกณฑ์หยุดงานที่ชัด

Step 6: นำแนวคิดนี้ไปใช้กับ AI SEO และงานคอนเทนต์แบบเป็นระบบ

Julian ใช้ตัวอย่างสาย SEO ค่อนข้างเยอะ และมีเหตุผล เพราะ SEO เป็นงานที่มีรูปแบบซ้ำสูงมาก จึงเหมาะกับการให้ agent ทำเป็นรอบๆ

กรอบคิดที่น่าเอาไปใช้คือ

1. กำหนดเป้าหมายที่ตรวจสอบได้ เช่น จำนวนบทความ โครงสร้าง คะแนน readability หรือความครบของ meta tags
2. ให้ AI วิ่งตาม SOP ของเราเอง ไม่ใช่ปล่อยคิดสดทุกครั้ง
3. ให้ระบบตรวจตัวเองว่าครบหรือยัง

คลิปย้ำหลายครั้งว่า AI SEO ไม่ใช่แค่เขียนบทความเร็วขึ้น แต่คือการย่อเวลาทั้งสายการผลิต ตั้งแต่ keyword research, outline, content drafting, internal linking ไปจนถึง quality control

ถ้าเอามาใช้กับธุรกิจไทย เราอาจไม่ต้องเริ่มจากเว็บไซต์ใหญ่เลย แค่เริ่มจาก 3 use case ก็พอ

• ทำบทความตอบคำถามลูกค้าที่ถามซ้ำบ่อย
• ทำหน้า location pages สำหรับธุรกิจหลายสาขา
• ทำคลัสเตอร์คอนเทนต์สำหรับสินค้าหรือบริการหลัก

อย่างไรก็ตาม ต้องพูดตรงๆ ว่าแม้แนวทางนี้จะทรงพลัง แต่ไม่ได้แปลว่า “โพสต์อะไรก็อันดับขึ้น” เพราะสิ่งที่ยังต้องใช้ judgment ของคนอยู่คือการเลือก keyword, ความน่าเชื่อถือของแบรนด์, คุณภาพหน้าเว็บ และการเชื่อมกับ conversion จริง

Step 7: ถ้าต้องการ memory ระยะยาว ให้สร้าง second brain ด้วย Obsidian

อีกช่วงที่มีประโยชน์มากคือการทำ Claude second brain โดยใช้ Obsidian เป็นแหล่งเก็บความรู้ และใช้ Omi ช่วยบันทึกสิ่งที่เกิดขึ้นระหว่างวัน

แนวคิดนี้สำคัญเพราะ AI ส่วนใหญ่เก่งตอน “อยู่ใน session เดียว” แต่พอข้ามวันข้ามงาน มักเริ่มลืม ถ้าเราไม่มีระบบเก็บความรู้ AI ก็ต้องเริ่มใหม่เรื่อยๆ

ในคลิปมีสองวิธีหลัก

• เชื่อม Obsidian ผ่าน MCP
• หรือเปิด vault ของ Obsidian เป็นโฟลเดอร์ให้ Claude เข้าถึงโดยตรง

จากนั้นให้ Claude ช่วยทั้งอ่าน notes และจัดระเบียบ vault ใหม่ เช่น แบ่งเป็น Projects, Areas, Resources, Memories และ Archive พร้อมทำ dashboard และแผนที่การเชื่อมโยงไฟล์

สำหรับเจ้าของธุรกิจ นี่มีประโยชน์มากในงานประเภท

• เก็บ SOP ของทีม
• บันทึกไอเดียคอนเทนต์
• เก็บข้อสรุปจากประชุม
• เก็บบทเรียนจากแคมเปญที่เคยทำ

ข้อดีคือครั้งต่อไปที่เราให้ AI ช่วยคิดแผนขาย แผนคอนเทนต์ หรือ workflow ใหม่ มันจะไม่เริ่มจากศูนย์

Step 8: ทดลองสร้าง automation เล็กๆ ก่อน แทนที่จะหวังระบบสมบูรณ์ตั้งแต่แรก

ช่วงท้ายของคลิปมีตัวอย่างน่าสนใจมาก คือการใช้ Hermes สร้าง travel agent แบบง่าย เพื่อช่วยวางแผนทริปและดึงข้อมูลผ่าน API ภายนอก

จุดสำคัญไม่ใช่เรื่องท่องเที่ยว แต่คือวิธีคิดในการสร้าง agent

1. หา task ที่กินเวลามากที่สุด
2. กำหนดบทบาทให้ agent ชัดเจน
3. ใส่ goal และ tools ที่ต้องใช้
4. ทดสอบกับงานจริง
5. ดูช่องโหว่แล้วค่อยปรับ

นี่เป็นมุมที่เห็นด้วยมาก เพราะคนจำนวนมากติดกับดัก “รอให้พร้อม” แต่ระบบอัตโนมัติที่ใช้งานได้จริงมักเริ่มจาก prototype ที่ยังไม่สวยก่อนเสมอ

ในธุรกิจไทย เราอาจเริ่มจาก automation ง่ายๆ เช่น

• ผู้ช่วยตอบคำถามสินค้าซ้ำๆ
• ตัวช่วยสรุปใบเสนอราคา
• ตัวช่วยติดตาม lead จากหลายช่องทาง
• ตัวช่วยสร้างโพสต์โปรโมชันรายสัปดาห์

Step 9: ระวังข้อจำกัดที่คลิปพูดไว้แบบไม่อ้อมค้อม

แม้ภาพรวมจะทรงพลัง แต่ก็มีข้อจำกัดที่ควรรู้ก่อนลงมือ

• เรื่อง token และเครดิต งานแบบ agentic ใช้ทรัพยากรเยอะ โดยเฉพาะเมื่อมีหลาย session หรือใช้ /goal ยาวๆ
• บาง UI ยังมีอาการ bug โดยเฉพาะเครื่องมือเสริมบางตัวของ Hermes
• computer use ยังไม่ลื่นมาก ใช้ได้ แต่ยังไม่ถึงขั้นแทนงานทุกอย่างได้เนียน
• local model ต้องใช้เครื่องแรง ถ้าเครื่องไม่พร้อม API บน cloud อาจคุ้มกว่า

มุมที่ควรพูดเพิ่มคือ คนทำธุรกิจไม่จำเป็นต้องวิ่งเข้าหา setup ที่ซับซ้อนที่สุดก่อน บางครั้งแค่เอา Claude หรือ Codex มาทำงานเป็น session ชัดๆ และใช้ Obsidian เก็บความรู้ ก็ได้ผลลัพธ์ที่คุ้มมากแล้ว

Actionable Insights

• เริ่มจาก 1 workflow ที่กินเวลาซ้ำๆ เช่น สรุปประชุม เขียน FAQ หรือทำ draft บทความ แล้วค่อยขยาย
• เปลี่ยน prompt ให้เป็นเงื่อนไขวัดผลได้ งานจะอัตโนมัติมากขึ้นทันทีเมื่อ AI รู้ว่า “เสร็จ” หมายถึงอะไร
• แยกบทบาท AI ให้ชัด ตัวหนึ่งคิด ตัวหนึ่งทำ ตัวหนึ่งเช็ก จะดีกว่าโยนทุกอย่างให้ตัวเดียว
• สร้างคลังความรู้กลาง เช่น Obsidian เพื่อให้ AI จำ SOP, ไอเดีย และงานเก่าได้ต่อเนื่อง
• ยอมรับเวอร์ชันแรกที่ยังไม่สวย prototype ที่ใช้งานได้จริง มีค่ากว่าระบบในฝันที่ยังไม่ได้เริ่ม

Troubleshooting

• ปัญหา: รัน Hermes ใน Codex แล้วเหมือนไม่ทำงาน

สาเหตุ: ยังไม่ได้ติดตั้ง Hermes หรืออยู่ผิด directory

วิธีแก้: ตรวจการติดตั้ง Hermes ก่อน จากนั้นเช็กว่า terminal อยู่ในโฟลเดอร์ project ที่ต้องการจริง

• ปัญหา: ใช้ /goal แล้วงานหยุดกลางทาง

สาเหตุ: เงื่อนไขไม่ชัด หรือเงื่อนไขตรวจสอบไม่ได้

วิธีแก้: เขียน goal ใหม่ให้วัดผลได้ เช่น จำนวนหน้า จำนวนบทความ ความยาว meta tag และรายการสิ่งที่ต้องมี

• ปัญหา: Claude Agent View มีหลาย session จนเริ่มงง

สาเหตุ: ตั้งชื่องานไม่ชัด และเปิดหลาย task ใกล้เคียงกันเกินไป

วิธีแก้: แยกงานตามวัตถุประสงค์ เช่น Research, Draft, QA และเช็กสถานะแต่ละ session เป็นช่วงๆ

• ปัญหา: Obsidian รก อ่านยาก ใช้เป็น second brain ไม่ได้

สาเหตุ: เก็บทุกอย่างไว้ไฟล์เดียว ไม่มีโครงสร้าง

วิธีแก้: ให้ Claude ช่วยจัด vault ใหม่เป็น Projects, Areas, Resources, Archive แล้วสร้าง dashboard กลาง

• ปัญหา: local model ช้า หรือค้างบ่อย

สาเหตุ: เครื่องไม่แรงพอสำหรับ model ที่ใช้

วิธีแก้: ลดขนาด model หรือสลับไปใช้ API บน cloud ก่อน แล้วค่อยกลับมาทำ local setup ภายหลัง

การต่อยอด

• ต่อ Hermes เข้ากับเครื่องมือธุรกิจจริง เช่น อีเมล, Telegram, CRM หรือระบบจัดการคอนเทนต์ เพื่อให้ workflow วิ่งข้ามแอปได้
• สร้าง “ทีม agent” ตามแผนก เช่น agent สำหรับขาย, คอนเทนต์, วิจัยตลาด และงานหลังบ้าน โดยใช้ MCP เป็นตัวเชื่อม
• เอา second brain มารวมกับ SOP ขององค์กร เพื่อสร้างฐานความรู้ที่ AI ใช้งานต่อได้ตลอด ไม่ต้องเริ่มสอนใหม่ทุกครั้ง

สรุป Checklist ทั้งหมด

• ☐ เข้าใจบทบาทของ Claude, Codex, Hermes และ MCP ก่อนเริ่ม
• ☐ ติดตั้ง Hermes ให้พร้อมใช้งาน
• ☐ ทดลองรัน Hermes ใน terminal ของ Codex เพื่อใช้งานแบบง่ายที่สุด
• ☐ หากต้องการเชื่อมลึกขึ้น ให้ตั้งค่า Hermes เป็น MCP server ใน Codex
• ☐ ใช้ Claude Agent View เพื่อจัดการหลายงานพร้อมกันในหน้าจอเดียว
• ☐ เขียน /goal เป็นเงื่อนไขที่ตรวจสอบได้ ไม่ใช่คำสั่งกว้างๆ
• ☐ วาง SOP สำหรับงานซ้ำ เช่น SEO, คอนเทนต์, รีเสิร์ช หรือรายงาน
• ☐ ทำ second brain ด้วย Obsidian เพื่อเก็บความรู้ระยะยาว
• ☐ เริ่มจาก automation เล็กๆ ที่ช่วยงานจริงก่อน
• ☐ เฝ้าดูข้อจำกัดเรื่อง token, UI bug และความพร้อมของเครื่อง

ถ้าสรุปให้สั้นที่สุด คลิปนี้ไม่ได้แค่โชว์ฟีเจอร์ใหม่ของ AI แต่กำลังชี้ให้เห็นว่า ระยะถัดไปของการทำงานไม่ใช่ใช้ AI ตัวเดียวเก่งๆ แต่คือจัดทีม AI หลายตัวให้ทำงานร่วมกัน สำหรับเจ้าของธุรกิจและคนทำงาน นี่คือจุดเริ่มต้นของระบบที่ช่วยลดงานจุกจิก ขยายงานที่เคยติดคน และทำให้เราใช้เวลาไปกับการตัดสินใจมากกว่าการไล่ตามงานซ้ำๆ

ข้อมูลอ้างอิงเพิ่มเติมเกี่ยวกับเครื่องมือที่พูดถึงสามารถดูได้จาก Obsidian, Netlify และ Ollama สำหรับคนที่อยากต่อยอดเรื่อง local model และ knowledge management