สรุปจากคลิป ดูคลิปต้นฉบับ
Hermes Agent Desktop ใช้ยังไงให้คุ้ม และต่อยอดเป็นรายได้
ปัญหาของคนที่เริ่มใช้ AI agent ไม่ได้อยู่ที่เครื่องมือไม่เก่ง แต่อยู่ที่ใช้แบบปนทุกอย่างไว้ในที่เดียว จนทั้งค่าใช้จ่ายพุ่ง ผลลัพธ์เริ่มมั่ว และสุดท้ายก็รู้สึกว่า AI ไม่ได้ช่วยงานจริงเท่าที่หวังไว้ คลิป Hermes Agent Desktop: Full Setup + Real Use Cases ของช่อง Greg Isenberg ชวน Alex Finn มาแกะให้เห็นว่า ถ้าจัดระบบดีพอ AI agent จะไม่ใช่แค่แชตบอท แต่กลายเป็นผู้ช่วยทำงานที่แบ่งหน้าที่ วางงานซ้ำ และช่วยหาโอกาสธุรกิจได้
สิ่งที่น่าสนใจไม่ใช่แค่ฟีเจอร์ของ Hermes Desktop แต่คือวิธีคิดเบื้องหลังการใช้งาน Alex อธิบายชัดว่า การทำเงินจาก AI ไม่ได้เริ่มจากการสั่งให้มันสร้างอะไรเท่ ๆ แต่เริ่มจากการเอามันไปค้นหา “ปัญหาของคนอื่น” แล้วช่วยเราออกแบบทางแก้ที่ลงมือทำได้จริง มุมนี้สำคัญมากสำหรับเจ้าของธุรกิจไทยและคนทำงานที่อยากเอา AI ไปใช้ให้เกิดผล ไม่ใช่แค่ลองเล่นตามกระแส
สารบัญ
- Step 1: เริ่มจากเข้าใจว่า Hermes Desktop แก้อะไรที่เวอร์ชันเดิมยังไม่ดีพอ
- Step 2: แยก sessions ให้เป็น แล้วค่าใช้จ่ายจะไม่บานปลาย
- Step 3: สร้าง profiles ตาม model ไม่ใช่ตามตำแหน่งงาน
- Step 4: ใช้ Artifacts เป็น second brain ที่ค้นกลับได้จริง
- Step 5: ปิด skills ที่ไม่ใช้ เพื่อลด context และลดค่า model
- Step 6: ตั้ง cron jobs ให้เป็น เพราะงานซ้ำคือที่ที่ AI คืนทุนเร็วที่สุด
- Step 7: ใช้เทคนิค Brain Dump และ Reverse Prompting เพื่อให้ AI ช่วยเขียน prompt ให้เรา
- Step 8: แยกให้ออกระหว่าง Profiles กับ Sub-agents
- Step 9: เอา AI ไปหา “ปัญหาของคนอื่น” แล้วค่อยเปลี่ยนเป็นโอกาสธุรกิจ
- Step 10: มองค่าใช้จ่ายเป็นการลงทุน แต่ต้องพิสูจน์ให้ตัวเองเห็นก่อน
- Step 11: Actionable Insights สำหรับเจ้าของธุรกิจและคนทำงาน
- Step 12: Troubleshooting ปัญหาที่มักเจอเมื่อเริ่มใช้ Hermes Desktop
- Step 13: การต่อยอดที่น่าลองหลังตั้งระบบพื้นฐานได้แล้ว
- Step 14: สรุป Checklist ทั้งหมด
Step 1: เริ่มจากเข้าใจว่า Hermes Desktop แก้อะไรที่เวอร์ชันเดิมยังไม่ดีพอ
จุดขายใหญ่ของ Hermes Desktop คือมันรวบสิ่งที่เคยกระจัดกระจายอยู่ใน Telegram, CLI หรือ workflow ที่ต้องจำเอง มาอยู่ในหน้าจอเดียว ทั้ง sessions, profiles, artifacts, skills และ cron jobs
ทำไมเรื่องนี้ถึงสำคัญ? เพราะคนส่วนใหญ่ไม่ได้ติดที่ AI ใช้ไม่ได้ แต่ติดที่การใช้งานมันรกเกินไป เมื่อทุกอย่างต้องทำผ่านหลายหน้าต่าง หลายคำสั่ง และหลาย thread เรามักเริ่มใช้แบบลวก ๆ สุดท้ายก็เสียทั้งเวลาและค่า model โดยไม่รู้ตัว
ถ้ามองในมุมธุรกิจไทย นี่คือความต่างระหว่าง “มี AI” กับ “มีระบบงานที่ใช้ AI” อย่างแรกทำให้รู้สึกทันสมัย อย่างหลังทำให้ทีมทำงานเร็วขึ้นจริง
Alex เปรียบประสบการณ์ใช้งานของ Hermes ว่าออกแนว polished และเป็นมิตรกับคนทั่วไปมากกว่าเครื่องมือที่เน้นสาย power user นี่เป็นจุดที่เราเห็นด้วยพอสมควร เพราะเจ้าของธุรกิจส่วนใหญ่ไม่ได้อยากเปิด terminal เพื่อเชื่อมระบบเอง แค่ต้องการเครื่องมือที่กดแล้วทำงานได้ ตรวจสอบได้ และจัดการได้
Step 2: แยก sessions ให้เป็น แล้วค่าใช้จ่ายจะไม่บานปลาย
หนึ่งในคำแนะนำที่มีประโยชน์ที่สุดของคลิปคือ อย่าคุยทุกอย่างใน thread เดียว เพราะทุกครั้งที่ส่งข้อความ ระบบจะส่ง context ก่อนหน้ากลับเข้าไปด้วย ถ้า thread ยาวและปนหลายเรื่อง ข้อความที่ส่งจริงจะยาวขึ้นเรื่อย ๆ และค่าใช้งาน model ก็สูงขึ้นตาม
Hermes Desktop ทำให้การแยก session เป็นเรื่องง่ายขึ้นมาก แต่ละเรื่องควรแยกกันชัดเจน เช่น
- session สำหรับวางแผนคอนเทนต์
- session สำหรับรีเสิร์ชคู่แข่ง
- session สำหรับเขียนอีเมลขาย
- session สำหรับวิเคราะห์หุ้นหรือข้อมูลตลาด
นี่ไม่ใช่แค่เรื่องความเป็นระเบียบ แต่เป็นเรื่องต้นทุนตรง ๆ ถ้าเราใช้ model แพงอย่าง Opus กับ context ที่บวมเกินจำเป็น บิลจะพุ่งเร็วมาก
ในโลกการทำงานจริง หลายทีมไทยยังใช้ ChatGPT แบบเปิดหน้าเดียวแล้วถามทุกอย่างตั้งแต่สรุปประชุมไปจนเขียนโพสต์ขายของ ผลคือ AI เริ่มตอบหลุดประเด็น และเราไม่รู้ว่าปัญหาเกิดจาก model ไม่เก่งหรือเราโยนข้อมูลปนกันแน่
ทางออกคือกำหนด session ตาม “งาน” ไม่ใช่ตาม “วัน” ยิ่งแยกชัด เราจะยิ่งควบคุม cost และคุณภาพได้ง่ายขึ้น
Step 3: สร้าง profiles ตาม model ไม่ใช่ตามตำแหน่งงาน
อีกไอเดียที่น่าคิดมากคือ Alex ไม่ได้จัด profile ตามบทบาทแบบ CEO, marketer, designer เต็มไปหมด แต่จัดตาม จุดแข็งของ model แทน
ตัวอย่างที่เขาใช้คือ
- Opus สำหรับคิดเชิงกลยุทธ์ งานวางแผน และงานที่ต้องใช้ reasoning สูง
- ChatGPT สำหรับเขียนโค้ด เพราะใช้งานได้เยอะและคุ้มกว่าในบางงาน
- Qwen แบบรันในเครื่อง สำหรับรีเสิร์ชเร็ว ๆ โดยไม่เสียค่าใช้งานเพิ่ม
มุมนี้สำคัญมาก เพราะหลายคนเริ่มใช้งาน AI แบบสร้าง agent ตามโครงสร้างองค์กรจริง จนมีสิบยี่สิบโปรไฟล์ สุดท้ายจำไม่ไหวว่าอะไรใช้ทำอะไร แล้วกลับไปใช้ตัวเดียวเหมือนเดิม
สำหรับธุรกิจไทย วิธีที่ practical กว่าคือมีไม่กี่ profile แต่ชัดเจน เช่น
- Think สำหรับคิดแผนและตัดสินใจ
- Build สำหรับทำงานออกมาเป็นชิ้น
- Research สำหรับหาข้อมูลและสรุป
ถ้าจะตั้งชื่อแบบนี้ก็ได้ แต่แก่นจริง ๆ คือผูกกับ model ที่เหมาะกับงาน ไม่ใช่ตั้งชื่อให้ดูเหมือนมีทีมใหญ่ ยิ่งโครงสร้างซับซ้อนเกินไป ยิ่งกินทั้ง context และภาระในการตัดสินใจของเราเอง
Step 4: ใช้ Artifacts เป็น second brain ที่ค้นกลับได้จริง
Artifacts คือพื้นที่รวมลิงก์ รูปภาพ ไฟล์ และสื่อที่เราโยนเข้าไปหา agent ไว้ในที่เดียว ค่านี้ดูเหมือนฟีเจอร์เล็ก แต่จริง ๆ ส่งผลมากกับงานที่ต้องสะสมข้อมูลเรื่อย ๆ
ตัวอย่างการใช้งานที่ดีคือ เวลาเจอเว็บน่าสนใจ โพสต์ดี หรือ reference ที่อยากเก็บไว้ เราไม่จำเป็นต้องออกคำสั่งยาว ๆ ทุกครั้งว่าให้จัดหมวดไหน แค่ส่งเข้าไปก่อน แล้วค่อยกลับมาค้นผ่าน Artifacts ภายหลัง
นี่เหมาะมากกับคนที่ต้องทำงานหลายหมวด เช่น เจ้าของแบรนด์ที่ต้องเก็บตัวอย่างโฆษณา หน้าเว็บคู่แข่ง แรงบันดาลใจแพ็กเกจจิ้ง หรือบทความเกี่ยวกับเทรนด์ผู้บริโภค ถ้าปล่อยให้ข้อมูลเหล่านี้กระจายอยู่ใน LINE, bookmark, โน้ต และแชต AI คนละที่ สุดท้ายจะหาไม่เจอ
Artifacts ทำให้ AI ใกล้เคียง second brain มากขึ้น แต่เราควรรู้ข้อจำกัดไว้ด้วย มันช่วย “เก็บ” และ “ค้น” ได้ดีขึ้น แต่ยังไม่ใช่การจัดการความรู้แบบเต็มรูปแบบเท่าเครื่องมืออย่าง Notion หรือ Obsidian ถ้าทีมต้องการฐานความรู้ระยะยาว อาจต้องใช้คู่กัน
Step 5: ปิด skills ที่ไม่ใช้ เพื่อลด context และลดค่า model
อีกจุดที่คนส่วนใหญ่ไม่ค่อยนึกถึงคือ แต่ละ agent มี skills จำนวนมากติดมาด้วยตั้งแต่ต้น ซึ่ง skills เหล่านี้เพิ่ม context ให้ระบบเหมือนกัน ถ้ามีเยอะแต่ไม่ได้ใช้ ก็เท่ากับแบกต้นทุนส่วนเกินตลอดเวลา
Hermes Desktop เปิดให้เราเห็น skills ชัดขึ้น และเปิดปิดได้ง่ายขึ้น นี่คือหนึ่งในงาน housekeeping ที่คุ้มมาก แต่คนมักไม่ทำ เพราะก่อนหน้านี้มันอยู่ในระดับที่เทคนิคเกินไป
ถ้ามองแบบธุรกิจ นี่ไม่ต่างจากการลบ process ที่ไม่จำเป็นในองค์กร ยิ่งแบกของไม่ใช้ไว้เยอะ ระบบยิ่งช้า แพง และควบคุมยาก
ข้อเสนอแนะของเราคือรีวิว skills อย่างน้อยเดือนละครั้ง แล้วถามง่าย ๆ ว่า
- skill นี้ยังจำเป็นไหม
- เกี่ยวกับงานหลักของเราหรือไม่
- เปิดไว้แล้วช่วย output ดีขึ้นจริงหรือแค่เผื่อไว้ก่อน
Step 6: ตั้ง cron jobs ให้เป็น เพราะงานซ้ำคือที่ที่ AI คืนทุนเร็วที่สุด
cron jobs คือการตั้งงานให้ agent ทำซ้ำตามเวลา เช่น สรุปข่าวทุกเช้า เช็กอีเมลค้างเมื่อคืน หรือดึงข้อมูลตลาดทุกวัน Alex ชี้ว่าฟีเจอร์นี้สำคัญมาก เพราะงานประจำคือจุดที่ AI สร้าง leverage ได้ชัดที่สุด
ก่อนมีหน้าจอ cron ที่ดูได้ชัด คนจำนวนมากไม่มั่นใจว่างานถูกตั้งจริงหรือยัง แต่ Hermes Desktop แก้ปัญหานี้ด้วยการทำให้เราเห็นรายการงานที่ตั้งไว้ และสร้างงานแบบ manual ได้เลย
ถ้าเอามาใช้กับงานไทย ตัวอย่างที่น่าสนใจมากคือ
- สรุปยอดขายและคำถามลูกค้าทุกเช้า
- รวบรวมรีวิวใหม่จาก marketplace หรือโซเชียล
- เช็กข่าวอุตสาหกรรมเฉพาะทางวันละ 1 รอบ
- สรุป lead ที่เข้ามาจากหลายช่องทางทุกเย็น
งานพวกนี้ไม่หวือหวา แต่ช่วยลดงานจุกจิกที่กินเวลาทีมได้เยอะมาก และนี่มักเป็นจุดเริ่มต้นที่ดีกว่าการสั่งให้ AI “คิดไอเดียธุรกิจใหม่” เสียอีก
Step 7: ใช้เทคนิค Brain Dump และ Reverse Prompting เพื่อให้ AI ช่วยเขียน prompt ให้เรา
นี่คือเทคนิคที่เอาไปใช้ได้ทันที และน่าจะเป็นส่วนที่คุ้มที่สุดในคลิป
หลักการคือ แทนที่จะสั่งงานสั้น ๆ แบบ “ช่วยทำ morning brief ทุกวัน 9 โมง” ให้เริ่มจาก brain dump ข้อมูลของเราเข้าไปก่อน เช่น ความสนใจ เป้าหมาย สไตล์งาน สิ่งที่อยากติดตาม แล้วค่อยถามต่อว่า จากข้อมูลพวกนี้ prompt แบบไหนถึงจะดีที่สุด
ผลลัพธ์ที่ได้จะต่างจาก prompt สั้น ๆ มาก เพราะ agent จะช่วยระบุให้เองว่า
- ต้องดึงข้อมูลช่วงเวลาไหน
- ใช้เว็บค้นหาข้อมูลสด ไม่ใช่ความจำเดิมของ model
- สรุปประเด็นไหนก่อนหลัง
- ควรจัดรูปแบบผลลัพธ์อย่างไรให้อ่านง่าย
นี่คือวิธีคิดที่คนทำงานนอกสายเทคนิคควรใช้มาก เพราะไม่ได้ต้องเก่ง prompt ตั้งแต่ต้น แค่ต้องรู้จักอธิบายตัวเองและเป้าหมายให้พอ จากนั้นให้ AI ช่วยออกแบบคำสั่งที่เหมาะกว่า
สำหรับงานในไทย เทคนิคนี้ใช้ได้ดีมากกับ
- สรุปข่าวเฉพาะอุตสาหกรรม
- ทำรายงานเช้าสำหรับผู้บริหาร
- ตั้ง workflow ตอบลูกค้าเบื้องต้น
- ทำสรุปประชุมในรูปแบบที่แต่ละทีมอ่านแล้วเอาไปทำต่อได้
Step 8: แยกให้ออกระหว่าง Profiles กับ Sub-agents
คลิปอธิบายจุดนี้ชัดมาก และเป็นเรื่องที่คนใช้ agent ชอบสับสน
Sub-agents คือสำเนาของ agent หลักที่มี skill ชุดเดียวกัน เหมาะกับงานที่ต้องแตกออกไปทำหลายอย่างพร้อมกัน เช่น สร้างฟีเจอร์หลายส่วนของ micro SaaS ในเวลาเดียวกัน
Profiles คือ agent คนละตัวกัน มี memory, personality และชุด skill ของตัวเอง เหมาะกับงานที่แต่ละช่วงต้องใช้ความถนัดคนละแบบ เช่น รีเสิร์ชก่อน เขียนสคริปต์ทีหลัง แล้วค่อยทำภาพปก
สรุปแบบง่ายที่สุดคือ
- ถ้างานเดียวกัน แต่ต้องทำหลายส่วนพร้อมกัน ใช้ sub-agents
- ถ้างานมีหลายขั้น และแต่ละขั้นต้องใช้ model หรือความสามารถต่างกัน ใช้ profiles
สำหรับคนทำธุรกิจ นี่ช่วยให้จัด workflow ชัดขึ้น เช่น แบรนด์ที่ต้องทำแคมเปญใหม่ อาจใช้ profile หนึ่งรีเสิร์ช insight, อีก profile เขียน copy, และอีก profile ทำภาพ ส่วนถ้าเป็นงานเขียนหน้าเว็บหลายหน้าในโทนเดียวกัน อาจใช้ sub-agents ช่วยแตกทำพร้อมกัน
Step 9: เอา AI ไปหา “ปัญหาของคนอื่น” แล้วค่อยเปลี่ยนเป็นโอกาสธุรกิจ
ช่วงท้ายของคลิปคือส่วนที่มีน้ำหนักที่สุด Alex โชว์ use case ที่เขาตั้ง cron job ให้ agent เข้าไปสแกน Reddit และ X เป็นรอบ ๆ เพื่อค้นหาปัญหาของคนจริง จากนั้นให้ระบบสรุปว่า ปัญหานั้นคืออะไร มีแหล่งอ้างอิงจากโพสต์ไหน และทำไมเขาถึงเป็นคนที่มีโอกาสแก้ปัญหานั้นได้
น่าสนใจกว่านั้นคือบางครั้งระบบยังต่อยอดไปถึงขั้นสร้าง prototype คร่าว ๆ ของไอเดียนั้นให้เลยด้วย
นี่คือจุดที่ AI agent เริ่มมีความหมายเชิงธุรกิจจริง เพราะมันไม่ได้แค่ตอบคำถาม แต่ช่วยเราสร้างระบบค้นหาโอกาสแบบต่อเนื่อง
ถ้าเอามาปรับใช้กับธุรกิจไทย แนวทางอาจเป็นแบบนี้
- ร้านค้าออนไลน์ให้ AI ไล่อ่านคอมเมนต์และรีวิวหาจุดเจ็บซ้ำ ๆ ของลูกค้า
- เอเจนซีให้ AI สแกนโพสต์ในกลุ่มธุรกิจเพื่อหาปัญหาที่ทีมมีความเชี่ยวชาญช่วยได้
- ทีมผลิตภัณฑ์ให้ AI รวบรวม pain points จากฟอรัม รีวิวแอป และโซเชียล เพื่อใช้เลือก backlog
เรามองว่านี่เป็นมุมที่ถูกต้องกว่าการถาม AI ตรง ๆ ว่า “ช่วยคิดไอเดีย startup” เพราะไอเดียที่ดีไม่ได้เริ่มจากจินตนาการล้วน ๆ แต่มาจากปัญหาที่มีอยู่จริงในตลาด
ถ้าอยากเสริมการหา pain points แบบเป็นระบบ เครื่องมืออย่าง IdeaBrowser ที่ถูกพูดถึงในคำอธิบายคลิปก็เป็นอีกทางเลือกที่น่าสนใจสำหรับคนที่อยากจับเทรนด์และปัญหาจากโลกออนไลน์เร็วขึ้น
Step 10: มองค่าใช้จ่ายเป็นการลงทุน แต่ต้องพิสูจน์ให้ตัวเองเห็นก่อน
ช่วงที่พูดถึง local models และฮาร์ดแวร์อย่าง Mac Studio หรือ DGX Spark มีประเด็นที่น่าจำมาก คืออย่ารีบซื้อของแพงเพราะกลัวตกขบวน
Alex มองว่าการมีเครื่องสำหรับรัน model เองช่วยทั้งเรื่องต้นทุนระยะยาว การเรียนรู้ และการทดลองงานแบบถี่ ๆ โดยไม่จ่ายเพิ่มทุกครั้ง ส่วน Greg เสริมมุมที่ดีว่า ก่อนซื้อของระดับหลายพันดอลลาร์ เราควรพิสูจน์ก่อนว่าเอาไปใช้ในงานประจำได้จริง
มุมนี้ใช้ได้กับทุกธุรกิจ ไม่เฉพาะฮาร์ดแวร์ ถ้าเรายังใช้ AI ไม่เป็นระบบ ต่อให้จ่ายค่าสมาชิกแพงขึ้น หรือซื้อเครื่องแรงขึ้น ก็ไม่ได้ทำให้เกิดผลตอบแทนเองอัตโนมัติ
ลำดับที่ควรเป็นคือ
- เริ่มจาก workflow ที่ชัด
- วัดว่าช่วยประหยัดเวลา หรือสร้างรายได้เพิ่มได้ไหม
- ค่อยขยับต้นทุนตามมูลค่าที่เห็นจริง
Step 11: Actionable Insights สำหรับเจ้าของธุรกิจและคนทำงาน
- แยก session ตามงานทันที อย่าคุยทุกเรื่องในแชตเดียว เพราะจะเสียทั้งเงินและคุณภาพคำตอบ
- มี profile เท่าที่จำเป็น ตั้งตาม model และหน้าที่หลักพอ ไม่ต้องสร้างโครงสร้างองค์กรปลอมให้ซับซ้อน
- เลือกงานซ้ำมาทำก่อน morning brief, สรุปอีเมล, รวบรวมรีวิว คือจุดที่ AI คืนเวลาได้เร็ว
- ใช้ reverse prompting ทุกครั้งที่งานยังไม่คม อย่าเดา prompt เองตลอด ให้ AI ช่วยเขียน prompt ที่ดีกว่า
- ใช้ AI หา pain points จากตลาด แทนที่จะขอไอเดียลอย ๆ ให้มันเริ่มจากปัญหาจริงที่คนกำลังบ่นอยู่
Step 12: Troubleshooting ปัญหาที่มักเจอเมื่อเริ่มใช้ Hermes Desktop
ปัญหา: ใช้ไปสักพักแล้วค่า model สูงเกินคาด
สาเหตุ: คุยหลายเรื่องใน session เดียว และเปิดใช้ model แพงกับงานง่ายเกินไป
วิธีแก้: แยก session ตามงาน, ใช้ model เบากับงานทั่ว ๆ ไป, ปิด skills ที่ไม่จำเป็น
ปัญหา: ตั้ง cron job แล้วไม่แน่ใจว่ารันจริงหรือไม่
สาเหตุ: สั่งผ่านข้อความแต่ไม่ได้ตรวจในหน้าจอ cron
วิธีแก้: เข้าไปเช็กรายการงานที่ถูกตั้งไว้เสมอ และทดสอบกับงานง่าย ๆ ก่อนใช้จริง
ปัญหา: AI ตอบไม่ตรงใจ แม้จะสั่งงานเหมือนเดิมทุกวัน
สาเหตุ: prompt กว้างเกินไปและไม่มีข้อมูลเฉพาะตัวของเรา
วิธีแก้: ทำ brain dump เรื่องเป้าหมาย ความสนใจ และรูปแบบ output ที่ต้องการ แล้วให้ AI ช่วยเขียน prompt ใหม่
ปัญหา: สับสนว่าจะใช้ profile ไหนกับงานไหน
สาเหตุ: สร้าง profile เยอะเกิน และตั้งตามบทบาทจนจำยาก
วิธีแก้: ลดเหลือ 3 ถึง 5 โปรไฟล์หลัก แล้วผูกกับ model และชนิดงานให้ชัด
ปัญหา: เก็บลิงก์กับไฟล์ไว้เยอะ แต่หาย้อนกลับไม่เจอ
สาเหตุ: ส่งข้อมูลเข้า agent แบบไม่มีระบบ และไม่ได้ใช้ Artifacts เป็นศูนย์กลาง
วิธีแก้: กำหนดกติกาว่าทุก reference ต้องผ่าน profile เดียวกัน และค้นย้อนหลังจาก Artifacts เป็นหลัก
Step 13: การต่อยอดที่น่าลองหลังตั้งระบบพื้นฐานได้แล้ว
- ทำ dashboard สรุป pain points จากรีวิวลูกค้า แล้วส่งเข้า Slack หรืออีเมลทุกวัน
- สร้าง workflow สำหรับคิดและร่างข้อเสนอขายจากโพสต์หางานหรือโพสต์หาผู้ให้บริการในโซเชียล
- ต่อระบบให้ profile แต่ละตัวทำงานต่อกันเป็นสาย เช่น รีเสิร์ช แล้วส่งต่อให้เขียน แล้วส่งต่อให้ทำภาพ
Step 14: สรุป Checklist ทั้งหมด
- ☐ เข้าใจเป้าหมายก่อนว่าเราจะใช้ Hermes กับงานอะไร
- ☐ แยก sessions ตามประเภทงานให้ชัด
- ☐ ตั้ง profiles ตามจุดแข็งของ model ไม่ใช่ตามตำแหน่งงานจำนวนมาก
- ☐ ใช้ Artifacts เป็นที่เก็บลิงก์ ไฟล์ และ reference กลาง
- ☐ ปิด skills ที่ไม่เกี่ยวข้องกับงานหลัก
- ☐ ตั้ง cron jobs สำหรับงานซ้ำที่กินเวลา
- ☐ ใช้ brain dump และ reverse prompting เพื่อสร้าง prompt ที่ดีขึ้น
- ☐ แยกให้ออกว่าเมื่อไรควรใช้ profiles และเมื่อไรควรใช้ sub-agents
- ☐ ตั้งระบบให้ AI สแกน pain points จากตลาดหรือจากลูกค้าจริง
- ☐ วัดผลก่อนค่อยเพิ่มต้นทุนเรื่อง model หรือฮาร์ดแวร์
ถ้าสรุปให้สั้นที่สุด คลิปนี้ไม่ได้บอกแค่ว่า Hermes Desktop มีฟีเจอร์อะไรบ้าง แต่กำลังชี้ให้เห็นหลักการใช้ AI agent ที่เจ้าของธุรกิจควรยึดไว้ คือ จัด context ให้สะอาด ใช้ model ให้ตรงงาน และเอา AI ไปแก้ปัญหาจริงของตลาด เมื่อทำสามข้อนี้ได้ AI จะไม่ใช่ของเล่นราคาแพง แต่กลายเป็นระบบช่วยคิด ช่วยหาโอกาส และช่วยลงแรงแทนเราในส่วนที่ซ้ำและกินเวลา