ที่มา: วิดีโอต้นทาง และบทความ VideoToBlog วันที่ 2026-08-19 (วันที่แสดงในบทความต้นทาง ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว) รายละเอียดผลิตภัณฑ์ ตัวเลข และประสบการณ์เป็นข้อมูลที่ต้นทางกล่าวไว้ในขณะนั้น ยังไม่ได้ทดสอบซ้ำหรือตรวจยืนยันสถานะล่าสุด · วิดีโอต้นทาง
ปัญหาของการใช้ AI ในทีมไม่ใช่แค่ “ได้คำตอบไม่ดีพอ” แต่คือทุกคนต้องเสียเวลาสอน AI เรื่องเดิมซ้ำ ๆ ตั้งแต่รูปแบบเอกสาร น้ำเสียงแบรนด์ ไปจนถึงขั้นตอนส่งงาน ผลลัพธ์จึงขึ้นอยู่กับคนที่พิมพ์ prompt เก่งที่สุด แทนที่จะเป็นมาตรฐานของบริษัท
คลิปจาก Greg Isenberg ที่คุยกับ Remy หรือ AI with Remy เสนอทางออกที่จับต้องได้ คือเปลี่ยนวิธีทำงานที่เคยกระจายอยู่ในแชตส่วนตัวให้เป็น skills หรือ SOP สำหรับ AI แล้วจัดเก็บ แจกจ่าย และปรับปรุงร่วมกันผ่าน GitHub และ plugin แนวคิดนี้มีประโยชน์มากกับเจ้าของธุรกิจไทยที่ต้องการให้ AI ช่วยงานซ้ำ ๆ โดยไม่สร้างภาระใหม่ให้ทีม
สารบัญ
- Step 1: เริ่มจากเข้าใจว่า Skill คือ SOP ที่ AI อ่านได้
- Step 2: หา “งานซ้ำ” ที่คุ้มค่าจะเปลี่ยนเป็น Skill ก่อน
- Step 3: เขียน Skill ให้ละเอียด แต่อย่าทำ Agent ให้แบกทุกอย่าง
- Step 4: เปลี่ยน Skill ส่วนตัวให้เป็นคลังกลางของทีม
- Step 5: ติดตั้ง Repo เป็น Plugin เพื่อให้ทีมใช้ Skill เดียวกัน
- Step 6: แยก Team Skills ออกจาก Personal Skills ให้ชัด
- Step 7: เชื่อม Skills เป็น Workflow เมื่อขั้นตอนย่อยต้องใช้แยกกันได้
- Step 8: ทำให้ Skill ดีขึ้นทุกครั้งที่มีการใช้งาน
- Step 9: วัดการใช้จริง แล้วลบสิ่งที่ไม่สร้างคุณค่า
- Actionable Insights: สิ่งที่เริ่มทำได้ภายในสัปดาห์นี้
- Troubleshooting: แก้ปัญหาที่มักเจอเมื่อเริ่มทำ Skills
- การต่อยอด: จากคลัง Skills สู่ระบบปฏิบัติการของธุรกิจ
- สรุป Checklist ทั้งหมด
Step 1: เริ่มจากเข้าใจว่า Skill คือ SOP ที่ AI อ่านได้
Skill คือไฟล์คำสั่งแบบ Markdown ที่รวมวิธีทำงานเฉพาะของธุรกิจไว้ให้ AI ใช้อ้างอิงก่อนลงมือทำงาน เปรียบเหมือนคู่มือ SOP สำหรับพนักงานใหม่ แต่ผู้ปฏิบัติคือ Claude, Codex หรือ agent ที่เชื่อมกับเครื่องมือของบริษัท
หากไม่มี skill ทุกครั้งที่ต้องร่างข้อเสนอขาย เราต้องอธิบายใหม่ว่าใช้โลโก้ไหน โทนภาษาแบบใด ราคาอยู่ส่วนใด มีเงื่อนไขอะไร และต้องจัดหน้าอย่างไร ต่อให้ได้ผลลัพธ์ดีในครั้งหนึ่ง รอบถัดไป AI ก็อาจไม่ยึดมาตรฐานเดิม โดยเฉพาะเมื่อเริ่มแชตใหม่หรือเปลี่ยนคนทำงาน
แต่ skill ที่ดีจะบันทึกความรู้เหล่านี้ไว้ครบ เช่น
- เป้าหมายและขอบเขตของงาน
- ข้อมูลนำเข้าที่ต้องขอจากทีม
- ลำดับขั้นตอนการทำงาน
- รูปแบบผลลัพธ์ที่ต้องส่ง
- ตัวอย่างสิ่งที่ควรทำและไม่ควรทำ
- เกณฑ์ตรวจคุณภาพก่อนจบงาน
Remy ยกตัวอย่างการสั่งสร้าง proposal สำหรับสปอนเซอร์ ซึ่ง AI สามารถเรียก skill ที่เตรียมไว้แล้วสร้างเอกสารที่มีแบรนด์และโครงสร้างถูกต้องได้ทันที ประเด็นสำคัญไม่ใช่การทำเอกสารเร็วขึ้นเพียงครั้งเดียว แต่คือการทำให้มาตรฐานเดิมถูกนำกลับมาใช้ได้ทุกครั้ง
สำหรับธุรกิจไทย จุดเริ่มต้นที่เหมาะที่สุดมักไม่ใช่งานซับซ้อน แต่เป็นงานที่ทำซ้ำและมีรูปแบบชัด เช่น ตอบแชตลูกค้า สรุปประชุม ทำใบเสนอราคา เขียนโพสต์ขาย สร้างบทความ SEO หรือจัดรายงานยอดขายประจำสัปดาห์
Step 2: หา “งานซ้ำ” ที่คุ้มค่าจะเปลี่ยนเป็น Skill ก่อน
อย่าเริ่มจากการสร้าง skill จำนวนมาก เพราะคลังที่ใหญ่แต่ไม่มีใครใช้ก็เป็นเพียงเอกสารอีกกองหนึ่ง หลักคิดที่น่าใช้คือ เมื่อใดที่ทีมทำงานเดิมซ้ำ หรือแก้ผลลัพธ์ AI ในลักษณะเดิมเกินหนึ่งครั้ง นั่นคือผู้สมัครที่ดีสำหรับการทำ skill
ตัวอย่าง skills ที่ Remy สร้างภายในสัปดาห์เดียวสะท้อนภาพได้ชัดเจน ได้แก่ การจัดรูปแบบ Notion, brand voice สำหรับอีเมลและ landing page, รวมถึงรูปแบบอีเมลใน Resend จุดร่วมของทุกงานคือเป็นสิ่งที่ “รู้ว่าแบบที่ดีหน้าตาเป็นอย่างไร” แล้วต้องการให้ทุกคนทำได้เหมือนกัน
ตัวอย่างการนำไปใช้กับธุรกิจไทย
- ร้านค้าออนไลน์: Skill ตอบคำถามสินค้าและเคลม โดยกำหนดน้ำเสียง ระยะเวลาจัดส่ง นโยบายคืนสินค้า และกรณีที่ต้องส่งต่อให้แอดมิน
- เอเจนซี: Skill สรุปบรีฟลูกค้าให้เป็นแผนคอนเทนต์ พร้อมหัวข้อ กลุ่มเป้าหมาย มุมสื่อสาร และรายการข้อมูลที่ยังขาด
- บริษัท B2B: Skill ร่างใบเสนอราคา โดยใช้แพ็กเกจ ราคา เงื่อนไขชำระเงิน และรูปแบบเอกสารเดียวกัน
- ทีม HR: Skill คัดกรองข้อมูลผู้สมัครเป็นตารางตามเกณฑ์ตำแหน่ง พร้อมคำถามสัมภาษณ์ที่ควรถามต่อ
- ฝ่ายปฏิบัติการ: Skill สรุปรายงานปัญหาหน้างานเป็นประเด็น สาเหตุ ผู้รับผิดชอบ และขั้นตอนติดตาม
มุมมองที่ควรย้ำคือ skill ไม่ได้มีไว้แทนการตัดสินใจของคนในเรื่องสำคัญ แต่ช่วยลดงานที่ต้องจำรายละเอียดเดิมซ้ำ ๆ เพื่อให้ทีมมีเวลาตรวจทาน วิเคราะห์ และคุยกับลูกค้ามากขึ้น
Step 3: เขียน Skill ให้ละเอียด แต่อย่าทำ Agent ให้แบกทุกอย่าง
หลักที่ Remy ใช้เรียกว่า thin agents, thick skills คือทำคำสั่งระดับ agent ให้กระชับ แล้วใส่รายละเอียด กลยุทธ์ และเงื่อนไขทั้งหมดไว้ใน skill แทน วิธีนี้ทำให้เราย้ายไปใช้ AI harness อื่นได้ง่ายขึ้น เพราะความรู้ไม่ได้ผูกติดกับแชตหรือ prompt เฉพาะครั้ง
ลองใช้โครงสร้างต่อไปนี้กับ skill แรกของทีม:
- ชื่อและคำอธิบาย: บอกให้ชัดว่า skill นี้ใช้เมื่อไร เช่น “สร้างสรุปประชุมฝ่ายขาย”
- เป้าหมาย: ผลลัพธ์ที่ต้องการคืออะไร และใครเป็นคนใช้ต่อ
- ข้อมูลนำเข้า: ไฟล์ ลิงก์ บันทึก หรือข้อมูลที่ต้องมี
- ขั้นตอน: เรียงลำดับการทำงาน ตั้งแต่ตรวจข้อมูลจนถึงร่างผลลัพธ์
- มาตรฐานแบรนด์: น้ำเสียง ภาษา คำที่ห้ามใช้ รูปแบบหัวข้อ และแนวทางจัดหน้า
- รูปแบบส่งมอบ: ระบุหัวตาราง หัวข้อ หรือโครงสร้างไฟล์ที่ต้องได้
- เกณฑ์ตรวจสอบ: รายการที่ AI ต้องเช็กเองก่อนสรุปงาน
ความละเอียดไม่ได้แปลว่าต้องเขียนยาวแบบไร้ทิศทาง สิ่งที่ทำให้ skill มีคุณค่าคือรายละเอียดที่เกิดจากประสบการณ์จริงของทีม เช่น “ย่อหน้าเปิดต้องเริ่มจากปัญหาลูกค้า” หรือ “หากข้อมูลราคาไม่ครบ ห้ามเดา ให้ถามกลับเป็นรายการ”
นี่คือจุดที่ต่างจาก prompt ทั่วไป เพราะ prompt อาจบอกว่า “เขียนให้มืออาชีพ” แต่ skill ระบุได้ว่า “มืออาชีพ” ของบริษัทเราหมายถึงอะไร
Step 4: เปลี่ยน Skill ส่วนตัวให้เป็นคลังกลางของทีม
เมื่อ skill อยู่ในเครื่องของคนใดคนหนึ่ง AI ก็ยังเป็นระบบแบบ single player ปัญหาจะเริ่มทันทีเมื่อมีการส่งไฟล์ผ่าน Slack, อีเมล, Google Drive หรือ Dropbox เพราะทุกคนได้ไฟล์คนละสำเนา หลังจากนั้นไม่มีใครมั่นใจว่าฉบับใดใหม่ที่สุด
แนวทางที่คลิปเสนอคือเก็บ team skills ทั้งหมดไว้ใน GitHub repository ของบริษัท แล้วจัดเป็นหมวดตามแผนก เช่น marketing, sales, content, operations และ finance GitHub ในกรณีนี้ไม่จำเป็นต้องมองเป็นเครื่องมือของนักพัฒนาเท่านั้น แต่เป็นพื้นที่เก็บไฟล์กลางที่มีประวัติการแก้ไขชัดเจน
ข้อดีหลักมี 3 เรื่อง
- แหล่งอ้างอิงเดียว: ทุกคนใช้ skill ชุดเดียวกัน ไม่ต้องถามว่าไฟล์ล่าสุดอยู่ที่ไหน
- version control: หากมีการแก้ skill แล้วคุณภาพแย่ลง เราสามารถย้อนกลับไปฉบับก่อนหน้าได้
- ความเป็นเจ้าของของบริษัท: ความรู้ที่พนักงานสร้างยังอยู่กับองค์กร แม้บุคคลนั้นย้ายงาน
บทเรียนเรื่อง backup ก็ควรถูกมองเป็นเรื่องจริงจัง Remy เคยสูญเสีย skills จำนวนมากจากการที่ Claude ลบโฟลเดอร์ในเครื่องโดยไม่มีสำรอง ความรู้ที่ใช้เวลาสร้างหลายร้อยชั่วโมงไม่ควรพึ่งพาไฟล์ local เพียงจุดเดียว
Step 5: ติดตั้ง Repo เป็น Plugin เพื่อให้ทีมใช้ Skill เดียวกัน
Repository ทำหน้าที่เป็นคลัง ส่วน plugin ทำหน้าที่เป็นช่องทางให้ Claude Code หรือ Codex เข้าถึงคลังนั้นได้ง่าย Plugin อาจรวม skills, MCPs และ hooks หรือจะมีเฉพาะ skills ก็ได้
ใน Claude Code แนวทางที่แสดงคือเปิดเมนู /plugin เพิ่ม repository URL เป็น marketplace แล้วเลือกติดตั้ง plugin ตามแผนก เปรียบง่าย ๆ marketplace คือร้านรวมชุดเครื่องมือ และ plugin คือชุดที่แต่ละบทบาทเลือกติดตั้ง
เช่น ทีมคอนเทนต์อาจติดตั้ง plugin สำหรับ research, เขียนบทความ, หัวข้ออีเมล และ newsletter ขณะที่ทีมบัญชีไม่จำเป็นต้องเข้าถึง skills ทั้งหมด การแยกสิทธิ์เช่นนี้ช่วยลดความสับสนและลดโอกาสใช้ workflow ผิดประเภท
สิ่งที่ห้ามลืมคือเปิด auto-update เมื่อมีการแก้ skill ใน repository การอัปเดตจึงส่งถึงเครื่องของสมาชิกที่ติดตั้ง plugin โดยอัตโนมัติ หากไม่เปิดไว้ ทีมจะกลับไปเผชิญปัญหาไฟล์หลายเวอร์ชันเหมือนเดิม
สำหรับองค์กรที่ใช้บัญชี Enterprise ยังมีทางเลือกให้ผู้ดูแลติดตั้ง plugin ระดับองค์กรได้ ทำให้ทีมที่ไม่ถนัดเรื่องเทคนิคไม่ต้องตั้งค่าเองทุกคน อย่างไรก็ตาม ธุรกิจขนาดเล็กไม่ควรรอให้ระบบสมบูรณ์เกินไป การเริ่มจาก skill สำคัญ 3 ถึง 5 ชุดและผู้ดูแลหนึ่งคนก็เพียงพอแล้ว
Step 6: แยก Team Skills ออกจาก Personal Skills ให้ชัด
ไม่ใช่ทุก skill ที่ควรส่งต่อทั้งบริษัท Remy แยก repository ส่วนตัวออกจากคลังทีม เพื่อเก็บ skills ที่ใช้เฉพาะบุคคล เช่น การคัดแยก inbox หรือ morning brief ที่เชื่อมกับแอปและวิธีทำงานของตนเอง
แนวทางนี้เหมาะกับธุรกิจไทยมาก เพราะช่วยแยก “มาตรฐานบริษัท” ออกจาก “ความชอบเฉพาะคน” ได้ชัดเจน
- Team skills: brand voice, template เสนอขาย, กระบวนการรับเรื่องลูกค้า, รายงานประจำสัปดาห์
- Personal skills: รูปแบบจัดการอีเมลส่วนตัว, สรุปงานประจำวัน, วิธีเตรียมประชุมของแต่ละตำแหน่ง
- Sandbox skills: skills ที่ดาวน์โหลดหรือทดลองใช้ แต่ยังไม่ผ่านการตรวจคุณภาพเพื่อใช้งานจริง
การนำ skill จาก creator ภายนอกมาเป็นจุดตั้งต้นทำได้ แต่ไม่ควรติดตั้งแล้วใช้กับลูกค้าทันที เราควรตรวจเนื้อหา สิทธิ์การเข้าถึงข้อมูล และปรับให้สอดคล้องกับแบรนด์ก่อน โดยเฉพาะ skills ที่เกี่ยวข้องกับราคา ข้อมูลลูกค้า หรือการสื่อสารสาธารณะ
Step 7: เชื่อม Skills เป็น Workflow เมื่อขั้นตอนย่อยต้องใช้แยกกันได้
งานใหญ่หนึ่งชิ้นไม่จำเป็นต้องเป็น skill เดียวเสมอไป Remy ยกตัวอย่าง workflow เผยแพร่วิดีโอ YouTube ที่มี skill หลักทำหน้าที่ orchestration แล้วเรียก skills ย่อยสำหรับทำชื่อคลิป, thumbnail และ description ตามลำดับ
หลักตัดสินใจง่ายมาก หากขั้นตอนย่อยมีโอกาสถูกเรียกใช้เดี่ยว ๆ ก็ควรแยกเป็น skill ต่างหาก ตัวอย่างเช่น ทีมการตลาดอาจมี workflow “เปิดตัวโปรโมชัน” ที่ประกอบด้วย:
- Skill สรุปข้อเสนอและกลุ่มลูกค้าเป้าหมาย
- Skill เขียนข้อความโฆษณาหลายมุม
- Skill ร่างอีเมลและข้อความ LINE
- Skill ตรวจคำต้องห้ามและเงื่อนไขราคา
- Skill สรุปรายการครีเอทีฟที่ต้องผลิต
ข้อควรระวังคืออย่าแตกย่อยจนทีมจำไม่ได้ว่าต้องเริ่มจากอะไร เมื่อคลังเริ่มใหญ่ ควรมีหน้า library หรือแผนผังแสดงความเชื่อมโยงระหว่าง skills เพื่อให้ค้นหาได้ง่าย
Step 8: ทำให้ Skill ดีขึ้นทุกครั้งที่มีการใช้งาน
Skill ไม่ควรถูกมองเป็นเอกสารที่เขียนครั้งเดียวแล้วจบ Remy เพิ่ม self-improvement loop ไว้ท้ายไฟล์ เพื่อให้ AI ทบทวนหลังจบงานว่า ขั้นตอนไหนล้มเหลว มี workaround หรือไม่ ผู้ใช้งานแก้หรือปฏิเสธอะไร และมีข้อมูลใดที่รอบถัดไปควรรู้เพิ่ม
จุดสำคัญคือ AI ควร เสนอ การปรับปรุง ไม่ควรแก้คู่มือสำคัญเองโดยไม่มีคนอนุมัติ ตัวอย่างที่ดีคือเมื่อสมาชิกทีมเจอปัญหาอัปโหลดรูปภาพในอีเมล แล้วค้นพบวิธีแก้ ก็อัปเดต skill ให้ทุกคนได้ประโยชน์ในรอบต่อไป
แนวทางจัดการที่เหมาะกับทีมเล็กคือกำหนดเจ้าของ skill แต่ละหมวด เช่น หัวหน้าการตลาดดูแล brand และ content, ฝ่ายขายดูแล proposal, ฝ่ายปฏิบัติการดูแล customer support ทุกการเปลี่ยนแปลงที่กระทบลูกค้าหรือรายได้ควรมีการทดสอบตัวอย่างก่อน merge เข้าคลังกลาง
Step 9: วัดการใช้จริง แล้วลบสิ่งที่ไม่สร้างคุณค่า
เมื่อมี skills มากขึ้น สิ่งที่ขาดไม่ได้คือการดู usage data Remy ใช้ hook เพื่อนับว่า skill ใดถูกเรียกใช้บ่อยเพียงไร และใครใช้บ้าง ข้อมูลนี้ไม่ได้มีไว้จับผิดทีม แต่ใช้ตอบคำถามทางธุรกิจที่สำคัญกว่า
- Skill ไหนช่วยประหยัดเวลาจริงและควรลงทุนพัฒนาต่อ
- Skill ไหนไม่มีใครใช้ เพราะหาไม่เจอ คุณภาพไม่ดี หรือไม่จำเป็นแล้ว
- พนักงานใหม่ยังไม่รู้ว่ามี workflow ที่ช่วยงานตนอยู่หรือไม่
- งานสำคัญใดที่ทีมยังทำมือซ้ำ ๆ ทั้งที่ควรมี skill รองรับ
การมี dashboard สวยงามเป็นเรื่องรอง ช่วงแรกแค่บันทึกจำนวนการใช้งานและเก็บ feedback หลังใช้ก็เพียงพอ เป้าหมายคือทำให้ skill library เล็กแต่คม ไม่ใช่สะสมเป็นร้อยไฟล์โดยไม่มีเจ้าของและไม่มีผลลัพธ์วัดได้
Actionable Insights: สิ่งที่เริ่มทำได้ภายในสัปดาห์นี้
- เลือกงานซ้ำ 1 งาน: เลือกงานที่ทีมทำทุกสัปดาห์และมีขั้นตอนชัด เช่น สรุปประชุมหรือร่างโพสต์ขาย
- เก็บการแก้ซ้ำเป็นวัตถุดิบ: ทุกครั้งที่เราพิมพ์แก้ AI ให้บันทึกเป็นกฎใน skill แทนการแก้เฉพาะครั้ง
- ตั้งคลังกลางของบริษัท: สร้าง GitHub repository สำหรับ team skills และกำหนดคนรับผิดชอบอย่างน้อยหนึ่งคน
- แบ่งสิทธิ์ตามบทบาท: ให้แต่ละแผนกติดตั้งเฉพาะ plugin ที่เกี่ยวกับงาน เพื่อลดความยุ่งยาก
- ทบทวนรายเดือน: ตรวจ skills ที่ถูกใช้บ่อย ปัญหาที่เกิด และ skills ที่ไม่เคยถูกเรียกใช้
Troubleshooting: แก้ปัญหาที่มักเจอเมื่อเริ่มทำ Skills
- ปัญหา: AI ยังทำงานไม่ตรงรูปแบบเดิม
สาเหตุ: Skill เขียนกว้างเกินไปและไม่มีตัวอย่างหรือเกณฑ์ตรวจ
วิธีแก้: เพิ่มตัวอย่างผลลัพธ์ที่ดี ระบุสิ่งต้องห้าม และเพิ่ม checklist ก่อนส่งงาน - ปัญหา: สมาชิกทีมใช้ skill คนละเวอร์ชัน
สาเหตุ: ส่งไฟล์ผ่านแชตหรือเก็บหลายที่โดยไม่มีแหล่งกลาง
วิธีแก้: ย้าย skills ไป repository เดียว ติดตั้งผ่าน plugin และเปิด auto-update - ปัญหา: พนักงานไม่ถนัดเทคนิคจึงตั้งค่าไม่สำเร็จ
สาเหตุ: กระบวนการติดตั้งมี terminal, โฟลเดอร์ หรือ symlink มากเกินจำเป็น
วิธีแก้: ทำคู่มือติดตั้งสั้น ๆ จัด plugin ตามแผนก และให้คนดูแลระบบตั้งค่าพื้นฐาน - ปัญหา: Skill เยอะ แต่ไม่มีใครรู้ว่าควรใช้ตัวไหน
สาเหตุ: ไม่มีการตั้งชื่อ หมวดหมู่ และคำอธิบายที่ค้นหาได้
วิธีแก้: ตั้งชื่อจากผลลัพธ์งาน จัดหมวดตามแผนก และทำหน้า library ที่บอกว่าแต่ละ skill ใช้เมื่อไร - ปัญหา: กลัว AI ลบหรือแก้คู่มือสำคัญเสียหาย
สาเหตุ: เก็บไฟล์ไว้ในเครื่องเดียวและไม่มีขั้นตอนอนุมัติการเปลี่ยนแปลง
วิธีแก้: ใช้ GitHub เพื่อเก็บประวัติ ตั้งผู้อนุมัติ และทดลองกับข้อมูลตัวอย่างก่อนใช้งานจริง
การต่อยอด: จากคลัง Skills สู่ระบบปฏิบัติการของธุรกิจ
- สร้าง AI onboarding: ให้พนักงานใหม่เริ่มจากชุด skills ตามตำแหน่ง แทนการต้องเรียนรู้วิธีใช้ AI จากศูนย์
- เชื่อม skills กับเครื่องมือทำงาน: เมื่อ workflow ชัดเจนขึ้น จึงค่อยเชื่อมกับ Notion, อีเมล, CRM หรือระบบอื่นผ่าน MCP และการอนุมัติของคน
- วัดผลเชิงธุรกิจ: เปรียบเทียบเวลาทำงาน อัตราการแก้ไข และความสม่ำเสมอของงานก่อนและหลังใช้ skill เพื่อเลือกลงทุนกับสิ่งที่ให้ผลจริง
สรุป Checklist ทั้งหมด
- ☐ ระบุงานซ้ำที่กินเวลาทีมและมีมาตรฐานชัด
- ☐ รวบรวม prompt เดิม ข้อแก้ไข และตัวอย่างงานที่ดี
- ☐ เขียน skill แบบมีเป้าหมาย ขั้นตอน ข้อมูลนำเข้า และเกณฑ์ตรวจ
- ☐ เริ่มจาก skill สำคัญเพียง 1 ถึง 5 ชุด
- ☐ แยก team skills, personal skills และ sandbox skills
- ☐ สร้าง repository กลางภายใต้บัญชีของบริษัท
- ☐ ติดตั้ง repository เป็น plugin สำหรับ Claude Code หรือ Codex
- ☐ เปิด auto-update และตรวจสิทธิ์การเข้าถึงข้อมูล
- ☐ แบ่ง workflow ใหญ่เป็น skills ย่อยเมื่อแต่ละส่วนต้องเรียกใช้แยกได้
- ☐ กำหนดเจ้าของ skill และให้คนอนุมัติการแก้ไขสำคัญ
- ☐ เพิ่มขั้นตอนทบทวนข้อผิดพลาดหลังใช้งาน
- ☐ ติดตาม usage data แล้วพัฒนา ลบ หรือรวม skills ตามการใช้จริง
หัวใจของ skillsmaxxing ไม่ใช่การมี AI หลายตัวหรือมี prompt ยาวที่สุด แต่คือการเปลี่ยนความรู้ที่กระจัดกระจายอยู่ในหัวคนเก่ง ให้กลายเป็นระบบงานที่ทีมเรียกใช้ ปรับปรุง และเป็นเจ้าของร่วมกันได้ เมื่อทำเช่นนี้ AI จะไม่ใช่เครื่องมือเฉพาะบุคคลอีกต่อไป แต่เริ่มทำหน้าที่เป็นส่วนหนึ่งของระบบปฏิบัติการธุรกิจ