สรุปจากคลิป ดูคลิปต้นฉบับ
Hermes Agent: วิธีสร้าง AI Agent ที่จำงานเราได้และช่วยทำงานแทน
ปัญหาของการใช้ AI ในงานจริงไม่ใช่แค่เรื่อง prompt แต่คือ AI ส่วนใหญ่ “ไม่รู้จักเรา” มากพอ มันตอบได้เก่ง แต่ยังไม่เข้าใจธุรกิจ ลูกค้า เป้าหมาย และงานค้างที่ต้องตามต่อ พอไม่มี memory ที่ดี AI ก็กลายเป็นแค่เครื่องมือถามตอบ ไม่ใช่ผู้ช่วยที่ทำงานต่อเนื่องได้จริง
คลิปจากช่อง Julian Goldie SEO หยิบประเด็นนี้มาอธิบายผ่าน Hermes Agent โดยเฉพาะเรื่องการเชื่อมกับ Obsidian เพื่อทำ second brain, การจัดการ skills และ profiles, ไปจนถึงการเอา Hermes ไปต่อกับ dashboard ของธุรกิจให้มันตามงานและรัน workflow อัตโนมัติได้ จุดที่น่าสนใจคือแนวคิดทั้งหมดไม่ได้มีประโยชน์เฉพาะสาย developer แต่เจ้าของธุรกิจและคนทำงานก็หยิบไปใช้ได้ ถ้าโฟกัสถูกจุด
บทความนี้จะสรุปเป็นขั้นตอน พร้อมวิเคราะห์ว่าถ้าเอามาใช้กับธุรกิจไทยจริง เราควรเริ่มตรงไหนก่อน อะไรคุ้มทำ และอะไรยังไม่จำเป็นต้องซับซ้อนตั้งแต่วันแรก
สารบัญ
- Step 1: เริ่มจากเข้าใจว่า Hermes Agent มีค่าเมื่อมัน “จำ” เรื่องของเราได้
- Step 2: เชื่อม Hermes กับ Obsidian เพื่อสร้าง memory แบบ auto-sync
- Step 3: เพิ่มไฟล์ memory ที่บอกว่าเราเป็นใครและกำลังมุ่งไปไหน
- Step 4: จัดการ model ใน terminal แต่จัดการ skills ใน Mission Control จะใช้ง่ายกว่า
- Step 5: อย่ารีบสร้างหลาย agent ถ้ายังใช้ไม่คล่องแม้แต่ตัวเดียว
- Step 6: สร้างหลายโปรไฟล์เมื่อ workflow เริ่มชัด ไม่ใช่เพราะแค่อยากลอง
- Step 7: ต่อ Hermes เข้ากับ dashboard ธุรกิจเพื่อให้มัน “ลงมือทำงาน”
- Step 8: ทำ Mission Control เพื่อให้ AI workflow มองเห็นและจัดการได้
- Actionable Insights
- Troubleshooting
- การต่อยอด
- Step 9: สรุปมุมมองสำคัญที่ควรจำก่อนเริ่มใช้ Hermes Agent
- สรุป Checklist ทั้งหมด
Step 1: เริ่มจากเข้าใจว่า Hermes Agent มีค่าเมื่อมัน “จำ” เรื่องของเราได้
แกนหลักของ Hermes Agent ไม่ใช่แค่เป็น AI chat อีกตัว แต่คือการทำให้ agent มี memory ที่ต่อเนื่องและเอาไปใช้กับงานได้จริง ยิ่ง agent รู้จักข้อมูลของเราเยอะพอ คำตอบและการตัดสินใจของมันก็ยิ่งเฉพาะตัวมากขึ้น
ในคลิปมีการยก Obsidian ขึ้นมาเป็นฐานความรู้ส่วนตัว หรือ second brain ซึ่งเหมาะมากกับแนวคิดนี้ เพราะ Obsidian เก็บโน้ตเป็นไฟล์ markdown ธรรมดา จัดเป็นโฟลเดอร์ได้ และเชื่อมโยงกันเป็นเครือข่ายความรู้ได้ดี เมื่อ Hermes เข้าถึงข้อมูลชุดนี้ มันไม่ได้ตอบจาก prompt สั้นๆ อย่างเดียว แต่ตอบจากคลังข้อมูลเกี่ยวกับตัวเรา ธุรกิจ ลูกค้า เป้าหมาย และงานที่สะสมมาเรื่อยๆ
สำหรับธุรกิจไทย นี่คือจุดที่น่าสนใจกว่า “AI ทำคอนเทนต์” เยอะมาก เพราะสิ่งที่ขาดกันจริงๆ คือ AI ที่รู้ว่า
- ลูกค้าแต่ละกลุ่มต่างกันอย่างไร
- ข้อเสนอของธุรกิจคืออะไร
- งานขายค้างอยู่ตรงไหน
- ทีมให้ความสำคัญกับ KPI ไหน
- เสียงของแบรนด์ควรเป็นแบบไหน
ถ้าไม่มีข้อมูลเหล่านี้อยู่ใน memory ต่อให้ model เก่งแค่ไหน คำตอบก็ยังทั่วไปอยู่ดี
Step 2: เชื่อม Hermes กับ Obsidian เพื่อสร้าง memory แบบ auto-sync
แนวทางที่คลิปแนะนำค่อนข้างตรงไปตรงมา คือให้ Hermes sync กับโฟลเดอร์ Obsidian ที่อยู่ในเครื่อง เมื่อเชื่อมกันแล้ว บันทึกจากการคุยกับ agent สามารถถูกเก็บลงในฐานความรู้ได้อัตโนมัติ ทำให้เราไม่ต้องมานั่งอัปเดตโน้ตเองทุกครั้ง
ประโยชน์หลักมี 2 ข้อ
- ข้อมูลไม่กระจัดกระจาย การสนทนา ข้อสรุป งานใหม่ และข้อมูลสำคัญไม่หายไปกับ chat
- คำตอบแม่นขึ้นตามเวลา เพราะ agent เรียกใช้ข้อมูลเดิมมาประกอบการตอบได้
ถ้าเราคิดแบบเจ้าของกิจการ Obsidian สามารถกลายเป็นที่เก็บข้อมูลสำคัญ เช่น
- โปรไฟล์บริษัท
- ข้อมูลสินค้าและบริการ
- คำถามที่ลูกค้าถามบ่อย
- ขั้นตอนการขาย
- ข้อมูลโครงการที่กำลังทำ
- บันทึกประชุมและสิ่งที่ต้อง follow up
พอมัดข้อมูลเหล่านี้เข้ากับ Hermes เราจะเริ่มได้ agent ที่ตอบแบบ “รู้เรื่องธุรกิจเรา” มากขึ้น ไม่ใช่ตอบแบบตำรากลาง
มุมที่ควรระวังคือ หลายคนอาจตีความว่าต่อ Obsidian แล้วทุกอย่างจะฉลาดขึ้นเองทันที ซึ่งไม่จริง จุดสำคัญกว่าเครื่องมือคือ โครงสร้างข้อมูล ถ้าใส่ข้อมูลสะเปะสะปะ ไม่มีชื่อไฟล์ชัด ไม่มีหมวดหมู่ ไม่มีข้อมูลที่อัปเดต AI ก็สับสนได้เหมือนกัน
วิธีคิดที่ใช้ง่ายสำหรับคนไม่ใช่สายเทคนิคคือ แยกโฟลเดอร์หลักให้ชัด เช่น
- Company
- Clients
- Projects
- SOP
- Content
- Meetings
แค่นี้ก็ทำให้ memory ใช้งานได้ดีขึ้นมากแล้ว
Step 3: เพิ่มไฟล์ memory ที่บอกว่าเราเป็นใครและกำลังมุ่งไปไหน
อีกจุดที่คลิปตอบไว้น่าสนใจคือการสร้างไฟล์ memory โดยเฉพาะ เช่น ข้อมูลบริษัท โครงสร้างองค์กร โปรเจกต์ปัจจุบัน และเป้าหมายของบริษัท แล้วเอาไฟล์นี้ไปใส่ใน Obsidian เพื่อให้ Hermes ใช้เป็นฐานการคิด
นี่เป็นคำแนะนำที่เรียบง่ายแต่ทรงพลังมาก เพราะหลายธุรกิจยังไม่มีเอกสาร “สรุปตัวตนของบริษัท” แบบที่ AI อ่านแล้วเข้าใจทันที
ถ้าเริ่มทำจริง เราควรมีไฟล์หลักอย่างน้อย 1 ไฟล์ที่ตอบคำถามเหล่านี้ได้
- ธุรกิจขายอะไร
- ลูกค้าหลักคือใคร
- จุดแข็งคืออะไร
- ข้อเสนอที่ต่างจากคู่แข่งคืออะไร
- เป้าหมาย 90 วันคืออะไร
- งานสำคัญที่กำลังเดินอยู่มีอะไรบ้าง
ไฟล์นี้จะทำหน้าที่คล้าย company brief สำหรับ AI ทุกครั้งที่ Hermes ต้องช่วยคิด ช่วยเขียน หรือช่วยตัดสินใจ มันจะมีจุดอ้างอิงที่ชัดขึ้น
สำหรับธุรกิจไทย ตัวอย่างการใช้งานจริงอาจเป็นแบบนี้
- คลินิกความงามใช้ไฟล์ memory เก็บบริการเด่น โปรโมชั่น กลุ่มลูกค้า และ guideline การตอบแชต
- เอเจนซีเก็บข้อมูลบริการ รายชื่อลูกค้า active ขอบเขตงาน และเป้ารายเดือน
- ธุรกิจ e-commerce เก็บ SKU สำคัญ จุดขาย รีวิวเด่น และเงื่อนไขจัดส่ง
สิ่งที่ควรทำเพิ่มคือเขียนเป็นภาษาคน ไม่ต้องพยายามเขียนให้เหมือนเอกสารราชการ ยิ่งชัดและตรง AI ยิ่งหยิบไปใช้ได้ง่าย
Step 4: จัดการ model ใน terminal แต่จัดการ skills ใน Mission Control จะใช้ง่ายกว่า
คลิปแยกเรื่องนี้ไว้ค่อนข้างชัด การเปลี่ยน model ของ Hermes เหมาะกับการทำผ่าน terminal เพราะเป็นทางที่ตรงกับการตั้งค่าหลักของระบบ แต่พอเป็นเรื่อง skills, plugins, tools หรือการสอนความสามารถใหม่ให้ agent การทำผ่านหน้า agent operating system หรือ Mission Control จะจัดการง่ายกว่า
เหตุผลสำคัญคือเรื่อง ประวัติการสนทนา ถ้าทำทุกอย่างผ่าน terminal เรามักหาไม่เจอว่าเคยติดตั้งอะไรไว้ เคยสอนอะไร agent ไปแล้ว หรือเคยตั้งค่า workflow แบบไหนมาก่อน แต่ถ้าทำผ่านหน้าที่มี conversation history เราจะย้อนดูและแก้ไขได้ง่าย
มุมนี้สำคัญมากสำหรับคนทำงาน เพราะระบบ AI จะเริ่มยุ่งยากทันทีเมื่อ “จำไม่ได้ว่าตัวเองตั้งค่าอะไรไว้” ปัญหาจริงของการใช้ AI ในองค์กรไม่ใช่แค่ติดตั้งไม่เป็น แต่คือรักษาระบบให้ใช้ต่อได้ในอีก 1 เดือนข้างหน้า
ดังนั้น ถ้าเราไม่ได้เน้นเทคนิคมาก วิธีคิดที่ปลอดภัยคือ
- ใช้ terminal เฉพาะงานตั้งค่าพื้นฐานที่จำเป็น
- ใช้ dashboard หรือ Mission Control สำหรับงานที่ต้องดูย้อนหลัง
- ตั้งชื่อ skill และ workflow ให้สื่อความหมายตั้งแต่แรก
Step 5: อย่ารีบสร้างหลาย agent ถ้ายังใช้ไม่คล่องแม้แต่ตัวเดียว
ในคลิปมีการพูดถึงหลาย agent เช่น Claude, Hermes และตัวอื่นๆ แต่ข้อสังเกตที่ดีมากคือ งานส่วนใหญ่ในชีวิตจริงอาจใช้จริงแค่ 1 ถึง 2 ตัวเท่านั้น การพยายามเปิดหลาย agent พร้อมกันเร็วเกินไปอาจทำให้ระบบดูเท่ แต่ใช้งานจริงกลับกระจัดกระจาย
นี่เป็นจุดที่เราเห็นด้วยมาก โดยเฉพาะสำหรับเจ้าของธุรกิจไทยที่ต้องการผลลัพธ์ ไม่ได้ต้องการสะสมเครื่องมือ
แนวคิดที่ใช้งานได้คือ
- เลือก agent หลัก 1 ตัวสำหรับงานประจำ
- มี agent สำรองอีก 1 ตัวสำหรับงานเฉพาะทาง
- โฟกัสให้ AI เข้าใจธุรกิจเราลึกก่อน แล้วค่อยแตกแขนง
คลิปยังพูดถึงการสร้าง profiles หลายแบบใน Hermes ซึ่งหมายถึงการมีหลายบุคลิก หลาย memory หลาย session และหลายการตั้งค่า API แยกกันได้ เช่น โปรไฟล์สำหรับงานเขียน โปรไฟล์สำหรับ coding หรือโปรไฟล์สำหรับ SEO
ฟังดูดี แต่สำหรับมือใหม่อาจเกินความจำเป็น ถ้ายังไม่มี use case ชัด การแตก profile เร็วเกินไปทำให้ต้องดูแลหลายระบบพร้อมกัน
ข้อแนะนำที่เหมาะกับคนทำธุรกิจคือเริ่มจาก profile เดียวก่อน แล้วค่อยแยกเมื่อมีเหตุผลชัด เช่น
- ต้องการแยกงานขายออกจากงานคอนเทนต์
- ต้องการแยก memory ของแต่ละบริษัทในเครือ
- ต้องการ agent ที่ใช้ tone ต่างกันอย่างชัดเจน
Step 6: สร้างหลายโปรไฟล์เมื่อ workflow เริ่มชัด ไม่ใช่เพราะแค่อยากลอง
ถ้าถึงจุดที่ธุรกิจเริ่มมีงานหลายประเภทจริง การสร้าง profile แยกก็มีประโยชน์มาก เพราะแต่ละโปรไฟล์สามารถมี memory และหน้าที่ต่างกันได้
ตัวอย่างที่เหมาะกับธุรกิจไทย เช่น
- Sales Profile ใช้ตอบคำถามลูกค้า สรุป lead และตามงาน
- Content Profile ใช้เขียนโพสต์ สรุป insight และวางปฏิทินคอนเทนต์
- Operations Profile ใช้ตรวจงานค้าง ประสานงาน และสรุปรายการติดขัด
ข้อดีของการแยก profile คือแต่ละตัวไม่ต้องแบกข้อมูลทุกอย่างไว้รวมกัน ทำให้ context สะอาดกว่า และลดความเสี่ยงที่ agent จะเอาข้อมูลผิดงานมาใช้ผิดที่
แต่ข้อจำกัดก็มีชัดเหมือนกัน คือถ้าองค์กรยังไม่มีข้อมูลพื้นฐานและกระบวนการทำงานที่นิ่งพอ ต่อให้สร้าง profile เยอะ ระบบก็ไม่ได้ดีขึ้นมาก เพราะต้นทางยังไม่นิ่ง
สรุปง่ายๆ คือ profile ควรเกิดตามโครงสร้างงาน ไม่ใช่เกิดตามความตื่นเต้นกับฟีเจอร์
Step 7: ต่อ Hermes เข้ากับ dashboard ธุรกิจเพื่อให้มัน “ลงมือทำงาน”
ช่วงที่น่าคิดต่อที่สุดในคลิปคือการเอา Hermes ไปต่อกับ dashboard ธุรกิจที่มีอยู่แล้ว ไม่ว่าจะเป็นอีเมล ปฏิทิน ไฟล์โปรเจกต์ หรือระบบรวมงานต่างๆ แนวคิดนี้สำคัญเพราะมันพา AI ขยับจากการ “ตอบคำถาม” ไปสู่การ “จัดการงาน”
ตัวอย่างที่ถูกยกขึ้นมาคือการตามลูกค้าอัตโนมัติ ถ้ามีลูกค้าตอบตกลงโปรเจกต์แล้วแต่เงียบไป ระบบสามารถเช็กได้ว่าใครยังไม่ตอบภายใน 24 ชั่วโมง แล้วส่งข้อความ follow up ให้เองตามเงื่อนไขที่กำหนด
นี่คือรูปแบบ automation ที่ใช้ได้จริงมากในธุรกิจบริการไทย เช่น
- ติดตาม lead ที่ขอใบเสนอราคาแล้วเงียบ
- เตือนลูกค้าที่นัดประชุมแต่ยังไม่ยืนยันเวลา
- เช็กงานที่ทีมค้างเกินกำหนดแล้วแจ้งเตือนอัตโนมัติ
- สรุปคนที่ยังไม่ส่งเอกสารแล้วส่ง reminder รายวัน
จุดที่ควรเข้าใจคือ Hermes ไม่ได้มีมนตร์วิเศษ มันต้องเชื่อมกับข้อมูลใน dashboard ก่อน และต้องรู้ว่า field ไหนหมายถึงอะไร ใครคือใคร งานไหนถือว่า “ค้าง” ถ้าโครงสร้างข้อมูลในระบบเดิมมั่ว AI ก็ทำงานผิดพลาดได้
คลิปแนะนำแนวทางที่ฉลาด คือให้ใช้เครื่องมือที่ถนัดอยู่แล้วช่วย build integration โดยอ้างอิงเอกสารของ Hermes จาก GitHub แล้วค่อยฝังเข้ากับ dashboard ที่ใช้งานอยู่ วิธีคิดนี้เหมาะกับทีมที่มีคนช่วยด้านเทคนิคบ้าง แต่สำหรับทีมเล็กก็ยังเอาแนวคิดไปใช้ได้ในระดับง่าย เช่นเริ่มจากระบบติดตามอีเมลหรือรายชื่อลูกค้าก่อน
Step 8: ทำ Mission Control เพื่อให้ AI workflow มองเห็นและจัดการได้
อีกภาพที่คลิปพยายามสื่อคือการมีหน้า Mission Control หรือศูนย์ควบคุมที่รวม workflow สำคัญไว้ในที่เดียว เช่น งาน productivity, งาน SEO, งานวิดีโอ หรือสตูดิโอคอนเทนต์
เหตุผลที่น่าสนใจคือ AI จะมีประโยชน์มากขึ้นเมื่อเราเห็นภาพรวมของมัน ไม่ใช่คุยผ่าน chat ทีละเรื่องแล้วหายไป การมีหน้าควบคุมช่วยให้เรารู้ว่า
- มี workflow อะไรบ้าง
- งานไหนกำลังรัน
- ข้อมูลส่วนไหนเชื่อมถึงกัน
- ตรงไหนต้องปรับแก้
ในคลิปมีตัวอย่าง productivity app ที่ให้คะแนนการทำงานรายวัน ดู task และมีระบบ streak ด้วย จุดนี้สะท้อนว่าถ้าออกแบบดี Mission Control ไม่ได้มีไว้แค่สั่งงาน AI แต่มันกลายเป็นหน้าปฏิบัติการของธุรกิจได้เลย
สำหรับธุรกิจไทย เราไม่จำเป็นต้องสร้าง dashboard ใหญ่ตั้งแต่แรก เริ่มจาก 3 ส่วนก่อนก็พอ
- งานขายที่ต้องตาม
- งานทีมที่ต้องเช็กสถานะ
- คลังข้อมูลที่ AI ต้องใช้ประจำ
เมื่อ 3 ส่วนนี้เชื่อมกันได้ เราจะเริ่มเห็นผลชัดกว่าการทำ dashboard สวยแต่ไม่มีงานจริงวิ่งอยู่ข้างใน
Actionable Insights
- เริ่มจาก memory ก่อน prompt ถ้าอยากให้ AI ใช้กับงานจริงได้ ต้องมีไฟล์ข้อมูลธุรกิจที่ชัดก่อน
- ใช้ Obsidian เป็นฐานความรู้กลาง แยกโฟลเดอร์ Company, Clients, Projects, SOP ให้ชัด แล้วค่อยเชื่อม Hermes
- อย่าเพิ่งแตกหลาย agent ใช้ตัวหลักให้คล่องก่อน แล้วค่อยแยก profile เมื่อมี use case ชัด
- เลือก automation ที่กระทบรายได้ก่อน เช่น follow up lead, เตือนงานค้าง, สรุปคนที่ยังไม่ตอบ
- ทำ dashboard เท่าที่จำเป็น หน้า Mission Control ที่ดีไม่ต้องใหญ่ แต่ต้องช่วยให้เรามองเห็นงานและสั่งงานได้จริง
Troubleshooting
- ปัญหา: Hermes ตอบกว้างๆ ไม่ค่อยรู้เรื่องธุรกิจเรา
สาเหตุ: ยังไม่มี memory file หรือข้อมูลใน Obsidian น้อยเกินไป
วิธีแก้: สร้างไฟล์สรุปบริษัท 1 ไฟล์ก่อน ใส่ข้อมูลสินค้า ลูกค้า เป้าหมาย และงานสำคัญ แล้วค่อยทดสอบใหม่
- ปัญหา: ใช้ไปสักพักแล้วจำไม่ได้ว่าตั้งค่า skill อะไรไว้บ้าง
สาเหตุ: ทำทุกอย่างผ่าน terminal จนตาม history ยาก
วิธีแก้: ย้ายงานจัดการ skills ไปไว้ใน Mission Control หรือหน้า chat ที่ย้อนดูประวัติได้
- ปัญหา: สร้างหลาย profiles แล้วงง ใช้งานจริงไม่ต่อเนื่อง
สาเหตุ: แยก profile เร็วเกินไปก่อนที่ workflow จะนิ่ง
วิธีแก้: กลับมาใช้ profile เดียวก่อน แล้วจด use case ที่ต้องแยกจริงๆ ค่อยสร้างใหม่
- ปัญหา: ตั้ง automation แล้ว follow up ผิดคนหรือผิดจังหวะ
สาเหตุ: ข้อมูลใน dashboard หรือสถานะลูกค้าไม่เป็นระบบ
วิธีแก้: ทำ field ให้ชัด เช่น ติดต่อแล้ว, รอตอบกลับ, ปิดการขาย, ไม่สนใจ แล้วค่อยให้ AI เช็กตามเงื่อนไข
- ปัญหา: เชื่อม Obsidian แล้วแต่ข้อมูลยังไม่ช่วยให้ตอบดีขึ้นมาก
สาเหตุ: โน้ตไม่มีโครงสร้าง หรือชื่อไฟล์ค้นยาก
วิธีแก้: ตั้งชื่อไฟล์ให้สื่อชัด แยกหมวด และอัปเดตข้อมูลสำคัญสม่ำเสมอ
การต่อยอด
- ทำ agent สำหรับงานขายโดยเฉพาะ ให้ดึงข้อมูลจากรายชื่อลูกค้าและเตือน follow up รายวัน
- สร้าง knowledge base สำหรับทีมบริการลูกค้า เพื่อให้ Hermes ช่วยร่างคำตอบจากข้อมูลจริงของบริษัท
- ต่อ Mission Control เข้ากับระบบประชุมหรือ task management เพื่อสรุปงานค้างและ owner แบบอัตโนมัติ
Step 9: สรุปมุมมองสำคัญที่ควรจำก่อนเริ่มใช้ Hermes Agent
ถ้ามองให้ลึกกว่ารายละเอียดเครื่องมือ คลิปนี้กำลังชี้ให้เห็นหลักการสำคัญของการใช้ AI ในธุรกิจ คือ AI จะเก่งขึ้นมากเมื่อมันมี memory, มีโครงสร้างข้อมูล, และเข้าถึง workflow ของงานจริง
สิ่งที่น่าสนใจคือหลายคนมักเริ่มจากคำถามว่า “จะใช้ model ไหน” แต่คำถามที่สำคัญกว่าอาจเป็น “AI มีข้อมูลอะไรให้ใช้บ้าง” และ “มันเชื่อมกับงานที่ต้องทำทุกวันหรือยัง” ถ้ายังไม่ตอบสองข้อนี้ ต่อให้เปลี่ยน model ไปเรื่อยๆ ผลลัพธ์ก็อาจต่างไม่มาก
สำหรับเจ้าของธุรกิจและคนทำงานในไทย เส้นทางที่คุ้มที่สุดไม่ใช่สร้างระบบซับซ้อนทันที แต่คือการเริ่มจากฐานข้อมูลเล็กๆ ที่ใช้งานจริง เชื่อม memory ให้ agent รู้จักองค์กร แล้วเลือก automation 1 อย่างที่ลดงานหรือเพิ่มรายได้ได้ชัดเจนก่อน
นั่นอาจเป็นการตาม lead ที่เงียบไป การสรุปงานค้างตอนเช้า หรือการร่างคำตอบลูกค้าจากข้อมูลบริษัท แค่ทำ 1 อย่างให้เสถียร เราจะเริ่มเห็นแล้วว่า AI agent ไม่ได้เป็นของเล่น แต่มันกำลังกลายเป็นระบบปฏิบัติการอีกชั้นของการทำงาน
สรุป Checklist ทั้งหมด
- ☐ กำหนดก่อนว่าอยากให้ Hermes ช่วยงานอะไรในธุรกิจ
- ☐ สร้างโครงสร้างโฟลเดอร์ใน Obsidian แยก Company, Clients, Projects, SOP
- ☐ ทำไฟล์ memory หลักของบริษัทให้ AI อ่านแล้วเข้าใจธุรกิจทันที
- ☐ เชื่อม Hermes กับ Obsidian เพื่อให้ข้อมูล sync และเรียกใช้ต่อได้
- ☐ ใช้ terminal สำหรับตั้งค่า model พื้นฐาน
- ☐ ใช้ Mission Control สำหรับจัดการ skills และดู history ย้อนหลัง
- ☐ เริ่มจาก agent หรือ profile เดียวก่อน
- ☐ แยกหลาย profiles ก็ต่อเมื่อมี workflow ต่างกันชัดเจน
- ☐ เชื่อม Hermes กับ dashboard หรือข้อมูลธุรกิจที่ใช้งานอยู่จริง
- ☐ เริ่ม automation จากงานที่กระทบรายได้หรือเวลามากที่สุด
- ☐ ทดสอบเงื่อนไข follow up และสถานะงานให้ชัดก่อนปล่อยรัน
- ☐ ปรับปรุง memory และฐานข้อมูลอย่างต่อเนื่องเพื่อให้คำตอบดีขึ้นเรื่อยๆ
ถ้าจะสรุปทั้งหมดเป็นประโยคเดียว Hermes Agent จะมีค่าก็ต่อเมื่อเราเลิกใช้ AI แบบถามตอบครั้งเดียว แล้วเริ่มสร้าง AI ที่จำเราได้ รู้จักงานเรา และช่วยขยับงานต่อแทนเราได้จริง