ที่มา: วิดีโอต้นทาง และบทความ VideoToBlog วันที่ 2026-08-13 (วันที่แสดงในบทความต้นทาง ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว) ความสามารถ /learn, shared memory และโครงสร้างไฟล์อ้างตามคลิป Julian Goldie SEO ไม่ใช่ผลทดสอบของบทความ การเปรียบเทียบความขัดแย้งระหว่างหนังสือสองชุดถูกกล่าวถึงเป็นแนวทางอนาคต ไม่ใช่ฟีเจอร์ที่ต้นฉบับยืนยันว่าเปิดแล้ว · วิดีโอต้นทาง
ปัญหาใหญ่ของการใช้ AI ในธุรกิจไม่ใช่การเขียน prompt ไม่เก่ง แต่คือการต้องอธิบายเรื่องเดิมซ้ำทุกครั้ง ตั้งแต่ขั้นตอนรับลูกค้า เงื่อนไขเสนอราคา ไปจนถึงวิธีตอบคำถามหลังการขาย พอจบ chat หนึ่งรอบ ความรู้ก็เหมือนหายไป แล้วทีมต้องเริ่มต้นใหม่อีกครั้ง
คลิปจาก Julian Goldie SEO ชี้ให้เห็นความน่าสนใจของฟีเจอร์ /learn ใน Hermes Agent จาก Nous Research ซึ่งมีแนวคิดให้ AI รับเอกสาร หนังสือ และ PDF ไปจัดระเบียบเป็น knowledge base ที่นำกลับมาใช้เป็นทักษะได้ บทความนี้สรุปหลักการ วิธีเริ่มต้น และข้อควรระวังสำหรับเจ้าของธุรกิจไทยที่อยากให้ AI ทำงานจากความรู้จริงขององค์กร ไม่ใช่ตอบจากการเดา
สารบัญ
- ขั้นตอนที่ 1: เข้าใจก่อนว่า /learn แก้ปัญหาอะไร
- ขั้นตอนที่ 2: เปลี่ยนเอกสารให้เป็นสมององค์กรแบบมีโครงสร้าง
- ขั้นตอนที่ 3: เลือกเอกสารแรกที่สร้างผลลัพธ์ต่อธุรกิจ
- ขั้นตอนที่ 4: ทดสอบความแม่นยำด้วยคำถามที่เรารู้คำตอบอยู่แล้ว
- ขั้นตอนที่ 5: สร้างคลังทักษะแบบสะสม ไม่ใช่โปรเจกต์ครั้งเดียว
- ขั้นตอนที่ 6: เชื่อม skill เข้ากับ workflow ที่ทีมใช้จริง
- ขั้นตอนที่ 7: ใช้ Actionable Insights เพื่อเริ่มภายในสัปดาห์นี้
- ขั้นตอนที่ 8: แก้ปัญหาที่มักเจอระหว่างทำ knowledge base
- ขั้นตอนที่ 9: ต่อยอดจากคู่มือไปสู่ระบบเรียนรู้ของบริษัท
- ขั้นตอนที่ 10: สรุป Checklist การสร้าง skill แรกด้วย Hermes /learn
ขั้นตอนที่ 1: เข้าใจก่อนว่า /learn แก้ปัญหาอะไร
วิธีใช้ AI แบบเดิมมักมีอยู่สองทาง ทางแรกคือวางเนื้อหาใน chat ยาว ๆ แล้วหวังว่า model จะอ่านครบและจำได้ ทางที่สองคือถามคำถามทีละข้อ แต่ทุกครั้งที่เปิดห้องสนทนาใหม่ เราต้องอัปโหลดไฟล์หรืออธิบายข้อมูลเดิมอีกครั้ง
สิ่งที่สูญเสียไม่ได้มีแค่เวลา แต่รวมถึงต้นทุนจากการค้นหาซ้ำและความไม่สม่ำเสมอของคำตอบด้วย คลิปเรียกสิ่งนี้ว่า search tax หรือค่าต้นทุนจากการที่ AI ต้องค้น เปิดส่วนที่ไม่เกี่ยว ย้อนกลับไปอ่านใหม่ แล้วทำวงจรเดิมซ้ำในทุกคำถาม
แนวคิดของ /learn คืออ่านเอกสารครั้งแรกเพื่อสร้างโครงสร้างอ้างอิง แทนที่จะยัดทุกหน้าของหนังสือเข้าไปใน prompt ทุกครั้ง เมื่อมีคำถาม Agent จะค้นหาส่วนที่เกี่ยวข้องก่อน แล้วเปิดเฉพาะเนื้อหาที่จำเป็นต่อคำตอบ คล้ายตู้เอกสารที่มีป้ายกำกับชัดเจน แทนกองแฟ้มที่เทรวมกันบนโต๊ะ

จุดสำคัญคืออย่าเข้าใจว่า AI “จำหนังสือทั้งเล่ม” แบบมนุษย์ สิ่งที่เกิดขึ้นคือระบบสร้างไฟล์ความรู้แบบมีโครงสร้างเพื่อให้ Agent หยิบข้อมูลได้เป็นระบบกว่าเดิม ความต่างนี้สำคัญมาก เพราะมันทำให้เราตั้งความคาดหวังได้ถูกต้องและออกแบบการตรวจสอบได้จริง
ขั้นตอนที่ 2: เปลี่ยนเอกสารให้เป็นสมององค์กรแบบมีโครงสร้าง
ตามแนวทางของฟีเจอร์นี้ เมื่อสั่ง /learn กับเอกสาร ระบบจะสร้างองค์ประกอบหลักหลายส่วน เช่น ดัชนีภาพรวม ไฟล์อ้างอิงแยกตามบทหรือหัวข้อ glossary ของคำสำคัญ และ cheat sheet สำหรับกฎหรือข้อสรุปที่ต้องเรียกใช้บ่อย
โครงสร้างแบบนี้ดีกว่าไฟล์ความรู้ก้อนใหญ่ด้วยเหตุผลสองข้อ
- ค้นหาตรงจุดกว่า: เมื่อถามเรื่องคืนสินค้า Agent ควรเปิดหัวข้อคืนสินค้า ไม่ใช่อ่านคู่มือทุกหน้า
- ควบคุมขนาดไฟล์หลัก: ไฟล์หลักทำหน้าที่คล้ายสารบัญ แล้วชี้ไปยังไฟล์ย่อยที่เกี่ยวข้อง จึงไม่กลายเป็นข้อมูลก้อนเดียวที่โหลดช้าและจัดการยาก
สำหรับธุรกิจไทย เอกสารที่เหมาะกับการเริ่มต้นไม่จำเป็นต้องเป็นคู่มือ 300 หน้า เอกสาร 10 ถึง 20 หน้าที่ทีมใช้งานทุกวันมักให้ผลคุ้มค่ากว่า เช่น SOP รับออเดอร์ คู่มือแอดมินขาย กฎอนุมัติส่วนลด แนวทางตอบแชต หรือคู่มือ onboarding พนักงานใหม่
ตัวอย่างเช่น ร้านค้าออนไลน์อาจมีเอกสาร “วิธีตอบลูกค้าเมื่อสินค้าไม่พร้อมส่ง” หากนำเอกสารนี้เข้าสู่ skill แล้วตั้งคำถามว่า “ลูกค้าต้องการเปลี่ยนสีแต่สินค้าหมด ต้องตอบอย่างไร” Agent ควรตอบตามนโยบายของร้าน ไม่ใช่ใช้คำตอบทั่วไปที่อาจขัดกับเงื่อนไขจริง
ขั้นตอนที่ 3: เลือกเอกสารแรกที่สร้างผลลัพธ์ต่อธุรกิจ
ข้อเสนอในคลิปคือเริ่มจากเอกสารเดียวก่อน แนวทางนี้ถูกต้อง เพราะหลายทีมพลาดด้วยการโยนไฟล์ทุกอย่างเข้า AI ตั้งแต่วันแรก แล้วได้ knowledge base ที่ซ้ำกัน ขัดกัน และตรวจสอบไม่ได้
เกณฑ์เลือกเอกสารแรกควรมี 4 ข้อดังนี้
- เป็นเรื่องที่ทีมถามหาบ่อยอย่างน้อยสัปดาห์ละหลายครั้ง
- มีขั้นตอนหรือกฎที่ชัด ไม่ใช่ความเห็นกระจัดกระจาย
- หากทำผิดแล้วส่งผลต่อรายได้ ลูกค้า หรือเวลาแก้งาน
- มีเจ้าของเนื้อหาที่ตรวจความถูกต้องได้
หากเป็นธุรกิจบริการ เริ่มจากคู่มือรับงานและประเมินราคาได้ หากเป็นบริษัท B2B อาจเริ่มจาก FAQ สินค้าและข้อกำหนดการให้บริการ หากเป็นทีมการตลาด อาจใช้ brand guideline พร้อมตัวอย่างข้อความที่ผ่านอนุมัติแล้ว
มุมมองที่ควรย้ำคือ AI ไม่ควรเป็นที่ทิ้งเอกสาร เอกสารที่สับสนจะสร้างคำตอบที่สับสนเหมือนเดิม เพียงแต่เรียกกลับมาได้เร็วขึ้น ก่อนสร้าง skill จึงควรตัดข้อมูลเก่า ระบุวันที่มีผล และแยกข้อยกเว้นที่สำคัญให้ชัดเจน
ขั้นตอนที่ 4: ทดสอบความแม่นยำด้วยคำถามที่เรารู้คำตอบอยู่แล้ว
ความกังวลที่สมเหตุสมผลที่สุดคือ AI จะอ้างอิงเอกสารจริง หรือเพียงแต่งคำตอบให้ฟังน่าเชื่อถือ คลิปเสนอหลักคิดที่ดีว่า Agent ที่ไม่มีแหล่งข้อมูลให้ตรวจมักเติมช่องว่างด้วยการคาดเดา แต่เมื่อมีดัชนีและไฟล์อ้างอิงจากเอกสารจริง ก็มีโอกาสค้นหาคำตอบจากต้นทางมากขึ้น

อย่างไรก็ตาม การมี source ไม่ได้แปลว่าผลลัพธ์ถูกเสมอไป เอกสารอาจล้าสมัย คำถามอาจกำกวม หรือ Agent อาจหยิบหัวข้อผิด ดังนั้นหลังสร้าง skill ควรทดสอบด้วยคำถาม 8 ถึง 15 ข้อที่ทีมรู้คำตอบแน่ชัด
ชุดทดสอบที่ควรมี
- คำถามตรงตัว เช่น “การคืนสินค้าทำได้ภายในกี่วัน”
- คำถามสถานการณ์ เช่น “ลูกค้าเปิดใช้งานสินค้าแล้วแต่ต้องการคืน ต้องทำอย่างไร”
- คำถามข้อยกเว้น เช่น “ส่วนลดพนักงานใช้ร่วมกับโปรโมชันหรือไม่”
- คำถามที่ไม่มีคำตอบในเอกสาร เพื่อดูว่า Agent ยอมบอกว่าไม่พบข้อมูลหรือไม่
ควรกำหนดกติกาให้ชัดว่า เมื่อไม่พบข้อมูล Agent ต้องตอบว่าไม่พบในแหล่งอ้างอิง และส่งต่อให้คนรับผิดชอบ ไม่ควรเดาต่อ นี่คือเส้นแบ่งระหว่าง AI ที่ช่วยลดงาน กับ AI ที่สร้างงานแก้ไขตามมา
ขั้นตอนที่ 5: สร้างคลังทักษะแบบสะสม ไม่ใช่โปรเจกต์ครั้งเดียว
จุดที่น่าสนใจของ /learn คือแนวคิดการเติมเอกสารใหม่เข้า skill เดิมได้ ตัวอย่างเช่น เริ่มจากคู่มือการขายหนึ่งชุด แล้วค่อยเพิ่มคู่มือรับมือข้อโต้แย้ง หรือโน้ตจากการประชุมกับทีมขายเข้าไป ความรู้ของ Agent จึงขยายต่อจากฐานเดิมแทนการเริ่มใหม่ทุกครั้ง
คลิปยังยกทิศทางที่อาจเกิดขึ้นในอนาคต คือการให้ระบบเปรียบเทียบหนังสือหรือเอกสารสองชุด แล้วชี้จุดที่เห็นต่างกัน ฟังก์ชันนี้ยังไม่ถูกระบุว่าเปิดใช้แล้ว จึงไม่ควรวาง workflow โดยพึ่งพาเรื่องนี้ แต่แนวคิดเรื่อง “ค้นหาความขัดแย้ง” ควรเริ่มทำด้วยคนตั้งแต่ตอนนี้
ข้อเสนอสำหรับธุรกิจคือสร้าง Skill Backlog รายชื่อเอกสารที่จะนำเข้าเป็นลำดับ แทนการอัปโหลดแบบตามอารมณ์ ตัวอย่างลำดับที่ใช้งานได้จริงมีดังนี้
- คู่มือที่เกี่ยวกับรายได้และการตอบลูกค้า
- SOP งานปฏิบัติการที่ทำซ้ำ
- นโยบาย ลดความเสี่ยง และข้อกำหนดอนุมัติ
- องค์ความรู้จากหนังสือหรือคอร์สที่นำมาใช้จริง
- บทเรียนจากเคสที่ทีมเคยแก้ปัญหาได้สำเร็จ
แนวคิด “ความรู้ที่ไม่ถูกเก็บย่อมรั่วไหล” ใช้กับธุรกิจขนาดเล็กได้ชัดมาก เมื่อเจ้าของธุรกิจจำวิธีขายหรือแก้ปัญหาไว้คนเดียว ความรู้นั้นไม่เคยกลายเป็นทรัพย์สินของทีม การแปลงมันเป็นเอกสารที่ชัดก่อน แล้วให้ AI ช่วยเรียกใช้ จึงมีค่ากว่าการปล่อยให้ AI เขียนคอนเทนต์ทั่วไปหลายชิ้น
ขั้นตอนที่ 6: เชื่อม skill เข้ากับ workflow ที่ทีมใช้จริง
คลิปนำเสนอ Agent Operating System ที่รวบรวม Agent หลายตัวไว้ในพื้นที่เดียว และให้ทำงานจาก shared memory ร่วมกัน หลักคิดนี้มีประโยชน์ แม้ธุรกิจจะยังไม่ได้ใช้ระบบขนาดใหญ่ เพราะปัญหาของหลายทีมคือแต่ละคนใช้คนละ chat คนละไฟล์ และได้คำตอบคนละมาตรฐาน

แต่สำหรับทีมเล็ก ไม่จำเป็นต้องเริ่มจากระบบหลาย Agent การเชื่อม workflow ที่ดีอาจเริ่มจากคำสั่งใช้งานเพียง 3 รูปแบบ
- Agent ฝ่ายขาย: ใช้ skill คู่มือสินค้าและการรับมือข้อโต้แย้ง เพื่อร่างคำตอบก่อนส่ง
- Agent ฝ่ายบริการ: ใช้ skill นโยบายจัดส่ง คืนสินค้า และเคสผิดปกติ เพื่อคัดกรองแชต
- Agent สำหรับผู้จัดการ: ใช้ skill SOP เพื่อช่วยตรวจว่าแผนงานหรือเอกสารของทีมสอดคล้องกับกติกาที่ตั้งไว้หรือไม่
หัวใจคือกำหนดว่า Agent ตัวไหนอ่าน skill ชุดใด และงานใดต้องมีคนอนุมัติก่อนใช้งานจริง อย่าให้ทุก Agent เข้าถึงทุกเอกสารโดยไม่มีขอบเขต โดยเฉพาะเอกสารลูกค้า ราคา ต้นทุน หรือข้อมูลภายในที่ละเอียดอ่อน
ขั้นตอนที่ 7: ใช้ Actionable Insights เพื่อเริ่มภายในสัปดาห์นี้
- เลือก pain point เดียว: หาเรื่องที่ทีมต้องถามเจ้าของธุรกิจซ้ำมากที่สุด แล้วเริ่มจากเอกสารเรื่องนั้น
- จัดเอกสารก่อนป้อน: ระบุเวอร์ชัน วันที่มีผล ผู้รับผิดชอบ และข้อยกเว้นให้ครบ
- ตั้งชุดคำถามทดสอบ: ใช้คำถามที่รู้คำตอบแล้วอย่างน้อย 10 ข้อก่อนนำไปใช้กับลูกค้า
- บังคับให้ยอมรับเมื่อไม่รู้: ตั้ง rule ว่าไม่พบข้อมูลต้องแจ้ง ไม่แต่งคำตอบ
- เพิ่มสัปดาห์ละหนึ่ง skill: ค่อย ๆ สะสมความรู้ที่มีมูลค่าต่อการทำงาน แทนการนำเข้าทุกไฟล์พร้อมกัน
ขั้นตอนที่ 8: แก้ปัญหาที่มักเจอระหว่างทำ knowledge base
- ปัญหา: คำตอบขัดกับนโยบายล่าสุด
สาเหตุ: ใช้เอกสารเก่าหรือมีหลายเวอร์ชันอยู่ใน skill เดียว
วิธีแก้: เก็บเฉพาะไฟล์ที่มีผลใช้งาน ระบุวันที่อัปเดตบนเอกสาร และลบหรือปิดไฟล์ที่เลิกใช้ก่อนสร้าง skill ใหม่ - ปัญหา: Agent ตอบมั่นใจแม้ในเอกสารไม่มีข้อมูล
สาเหตุ: ไม่มี rule ให้ระบุข้อจำกัดของแหล่งอ้างอิง
วิธีแก้: เพิ่มคำสั่งว่าให้ตอบเฉพาะข้อมูลที่พบใน skill หากไม่พบให้ระบุช่องว่างและส่งต่อเจ้าหน้าที่ - ปัญหา: คำตอบยาวแต่ใช้ทำงานต่อไม่ได้
สาเหตุ: คำถามไม่บอกผลลัพธ์ที่ต้องการ
วิธีแก้: ระบุ format เช่น “สรุปเป็น 3 ขั้นตอน พร้อมข้อความตอบลูกค้า 1 ฉบับ” - ปัญหา: ทีมไม่เชื่อใจ AI และกลับไปถามคนเดิม
สาเหตุ: ยังไม่มีการทดสอบที่พิสูจน์ได้และไม่มีเจ้าของ skill
วิธีแก้: ให้เจ้าของกระบวนการตรวจชุดคำถามทดสอบ แล้วบันทึกตัวอย่างคำตอบที่ผ่านเป็นมาตรฐาน - ปัญหา: ข้อมูลสำคัญถูกนำเข้าแบบไม่ควรเข้าถึง
สาเหตุ: ไม่มีการแบ่งระดับสิทธิ์และประเภทข้อมูล
วิธีแก้: แยก skill สาธารณะภายใน ทีมจำกัดสิทธิ์ และข้อมูลอ่อนไหว พร้อมกำหนดผู้มีสิทธิ์ใช้งานแต่ละชุด
ขั้นตอนที่ 9: ต่อยอดจากคู่มือไปสู่ระบบเรียนรู้ของบริษัท
เมื่อ skill แรกผ่านการทดสอบแล้ว มีแนวทางต่อยอดที่น่าทำ 3 แบบ
- สร้าง Sales Playbook แบบมีชีวิต: รวมคู่มือสินค้า คำถามยอดนิยม และเคสปิดการขายที่ทีมอนุมัติ แล้วทบทวนเป็นรอบทุกเดือน
- ทำ onboarding assistant: ให้พนักงานใหม่ถามขั้นตอนงานจาก SOP ได้ พร้อมลิงก์กลับไปยังหัวข้อที่เกี่ยวข้องเพื่อให้ตรวจสอบเอง
- เก็บบทเรียนหลังจบงาน: ทุกครั้งที่เกิดปัญหาสำคัญ ให้สรุปสาเหตุ วิธีแก้ และสิ่งที่ห้ามทำซ้ำ ก่อนเพิ่มเข้า knowledge base หลังผ่านการตรวจจากเจ้าของงาน
การลงทุนที่ควรทำก่อนคือคุณภาพของความรู้ ไม่ใช่จำนวน Agent หรือหน้าตา dashboard เพราะ AI ที่เชื่อมกับคู่มือผิดย่อมทำงานผิดได้เร็วขึ้นเช่นกัน
ขั้นตอนที่ 10: สรุป Checklist การสร้าง skill แรกด้วย Hermes /learn
- ☐ ระบุงานที่ทีมต้องอธิบายหรือค้นหาข้อมูลซ้ำมากที่สุด
- ☐ เลือกเอกสารเดียวที่มีขั้นตอนชัดและมีเจ้าของเนื้อหา
- ☐ ตรวจเวอร์ชัน ตัดข้อมูลซ้ำ และใส่ข้อยกเว้นที่จำเป็น
- ☐ นำเอกสารเข้า Hermes Agent ผ่านคำสั่ง /learn
- ☐ ตรวจว่าระบบสร้างดัชนี หัวข้อย่อย และคำสำคัญครบตามเนื้อหา
- ☐ ทดสอบด้วยคำถามที่รู้คำตอบอย่างน้อย 10 ข้อ
- ☐ ทดสอบคำถามที่ไม่มีข้อมูล และตรวจว่า Agent ไม่เดา
- ☐ กำหนดงานที่ใช้ skill นี้ พร้อมจุดที่ต้องให้คนอนุมัติ
- ☐ ตั้งเจ้าของ skill และรอบอัปเดตเอกสาร
- ☐ เพิ่ม skill ใหม่ทีละชุดตาม Skill Backlog ของธุรกิจ
Hermes AgentOS /learn ให้ภาพของการใช้ AI ที่น่าสนใจกว่าการถามตอบเป็นครั้งคราว นั่นคือการเปลี่ยนคู่มือ ประสบการณ์ และหลักคิดที่กระจัดกระจาย ให้กลายเป็นสินทรัพย์ความรู้ที่ Agent นำไปใช้งานได้ซ้ำ จุดเริ่มต้นที่เหมาะที่สุดจึงไม่ใช่หนังสือเล่มใหญ่ที่สุด แต่คือเอกสารหนึ่งฉบับที่ถ้า AI เข้าใจได้ถูกต้อง จะช่วยให้ทีมทำงานได้ตรงมาตรฐานขึ้นตั้งแต่พรุ่งนี้