สิ่งที่น่าสนใจที่สุดในคลิปนี้ ไม่ใช่แค่การเอา AI ไป “ช่วยเทรดหุ้น” แต่คือการทำให้ AI กลายเป็นระบบที่ตื่นมาทำงานเองเป็นรอบๆ มีความจำ มีวินัย และส่งรายงานกลับมาได้เหมือนพนักงานคนหนึ่งจริงๆ นี่คือแก่นแท้จากคลิปของ Nate Herk | AI Automation ที่นำ Claude Opus 4.7 มาประกอบเข้ากับ Claude Code Routines จนได้เอเจนต์เทรดหุ้นที่รันได้ 24/7
มุมที่น่าคิดต่อสำหรับคนทำธุรกิจไทยคือ แนวคิดนี้ไม่ได้จำกัดอยู่แค่การลงทุนเลย ถ้า AI สามารถ “ตื่นตามเวลา อ่านไฟล์ความจำ ทำงาน ตัดสินใจ แล้วเขียนบันทึกต่อ” ได้ เราก็กำลังมองเห็น pattern ของ AI worker ที่เอาไปใช้กับงานขาย การตลาด ซัพพอร์ต หรือสรุปงานประจำวันได้เหมือนกัน คลิปนี้จึงน่าสนใจมากกว่าเรื่องหุ้น เพราะมันสอนวิธีคิดเรื่อง AI agent ที่มี routine และ memory แบบใช้งานจริง
Step 1: เริ่มจากเป้าหมายให้ชัดก่อน ว่าเรากำลังสร้าง AI trader แบบไหน
Nate ไม่ได้ตั้งเป้าแบบหวือหวา เขาไม่ได้จะสร้างบอทสาย day trade หรือสายเก็งกำไรหนักๆ แต่ตั้งโจทย์ง่ายและฉลาดกว่า คือ พยายามชนะ S&P ในฐานะการลงทุนระยะยาวกึ่งทดลอง นี่เป็นจุดที่ชอบมาก เพราะเวลาคนเริ่มใช้ AI กับงานจริง มักตั้งเป้ากว้างเกินไป เช่น “ให้ AI ดูแลการตลาดทั้งหมด” ซึ่งสุดท้ายจะพังเพราะไม่มีกรอบชัดเจน แต่ในคลิปนี้โจทย์ชัดมาก คือ ให้ AI วิจัยตลาด วางคำสั่งซื้อขายผ่าน Alpaca API จดบันทึกสิ่งที่เกิดขึ้นลงไฟล์ ส่งสรุปรายวันไปที่ ClickUp และทำทั้งหมดตามเวลา เช่น pre-market, market open, midday, close สำหรับธุรกิจไทย นี่คือบทเรียนสำคัญมาก เราไม่ควรเริ่มจาก “เอา AI มาทำทุกอย่าง” แต่ควรเริ่มจาก routine ที่เกิดซ้ำทุกวัน แล้วแตกมันออกเป็นช่วงเวลาและงานย่อยให้ชัดก่อน
Step 2: เลือก tech stack ให้ง่ายที่สุด แต่พอสำหรับงานจริง
ชุดเครื่องมือในคลิปมีไม่เยอะ แต่ประกอบกันแล้วทรงพลังมาก โดยมีแกนหลักคือ Claude Code Routines สำหรับตั้งเวลาทำงาน, Claude Opus 4.7 เป็น model หลัก, Alpaca API สำหรับซื้อขายหุ้น, Perplexity API สำหรับทำ research และ ClickUp สำหรับรับ notification ประเด็นที่คนไม่ใช่สาย developer ควรเห็นคือ Nate ไม่ได้ทำระบบแปลกซับซ้อน เขาเลือกเครื่องมือที่แต่ละตัวมีบทบาทชัด แล้วเอามาต่อกันผ่าน API เท่านั้นเอง ถ้าแปลงเป็นโลกธุรกิจไทย เราก็ใช้ logic เดียวกันได้ เช่น ใช้ Claude Code Routines เป็นตัวตั้งเวลา, Model AI เป็นตัวคิด, Google Sheets / CRM เป็นแหล่งข้อมูล และ LINE / Slack เป็นช่องทางแจ้งเตือน
Step 3: เข้าใจ mental model ก่อน AI agent ไม่ได้ “จำเอง” ถ้าเราไม่ออกแบบ memory
นี่คือส่วนที่มีค่าที่สุดของทั้งคลิป Nate อธิบายชัดว่าเวลา routine ถูกเรียกขึ้นมา Claude Code จะเหมือนตื่นขึ้นมาแบบเกือบไร้ความจำ มันไม่ได้รู้ทุกอย่างต่อเนื่องเหมือนมนุษย์ เพราะฉะนั้น ถ้าอยากให้ agent มีวินัยและดูเหมือนเรียนรู้ได้ เราต้องทำให้มัน อ่านไฟล์ก่อนทำงาน และเขียนไฟล์หลังทำงาน แนวคิดนี้ฟังดูง่าย แต่สำคัญมาก เพราะมันทำให้ AI จากแค่ chatbot กลายเป็น worker ที่ทำงานเป็นรอบๆ ได้จริง โดยโครงสร้างจะเป็นประมาณนี้: Routine ทำงานตามเวลา, AI เปิดอ่านไฟล์ memory และกฎต่างๆ, AI ทำ task ของรอบนั้น, AI บันทึกสิ่งที่เรียนรู้กลับลงไฟล์ นี่แหละคือ pattern ที่เจ้าของธุรกิจเอาไปใช้ได้ทันที
Step 4: สร้าง strategy ก่อน อย่าโยน AI ลงสนามโดยไม่มีคู่มือ
Nate ใช้อุปมาเรื่องสอนเด็กขี่จักรยาน ซึ่งตรงมาก เราไม่จับเด็กขึ้นจักรยานแล้วปล่อยมือทันที AI ก็เหมือนกัน ถ้าจะให้ไปซื้อขายเงินจริง ต้องเริ่มจากกรอบคิดก่อน เขาเสนอไว้สองทาง: ถ้ามีกลยุทธ์เทรดของตัวเองอยู่แล้ว ให้เขียนออกมาเป็นข้อๆ หรือถ้ายังไม่มี ให้ใช้ AI ช่วยค้นคว้าและช่วยสร้าง strategy ตั้งต้น สิ่งที่น่าสนใจคือ Nate เองเคยให้ OpenClaw agent ไปค้นคว้า strategy มาให้เลย แล้วเอาความรู้ทั้งหมด migrate เข้ามาใน Claude Code project ใหม่ ไม่ได้เริ่มจากศูนย์ นี่เป็นวิธีคิดที่ดีสำหรับงานธุรกิจมาก เราไม่จำเป็นต้องเริ่มใหม่ทุกครั้ง
Step 5: Scaffold โปรเจกต์ให้ดี เพราะโครงสร้างไฟล์คือรากฐานของ agent
หลังจากได้ strategy แล้ว Nate ก็เริ่มสร้างโฟลเดอร์โปรเจกต์ใหม่ใน VS Code แล้วให้ Claude ช่วย reorganize โครงสร้างไฟล์ เช่น ไฟล์คำสั่งหลัก, memory files, trade log, research log, weekly review, commands และ scripts ที่เกี่ยวข้อง สาระสำคัญไม่ใช่ชื่อไฟล์ แต่คือการแยก “สิ่งที่ agent ต้องรู้อยู่เสมอ” ออกจาก “สิ่งที่เพิ่งเกิดขึ้น” และ “สิ่งที่ต้องทำในรอบนี้” ให้ชัด ถ้าเอาไปใช้กับธุรกิจไทย เราอาจแยกเป็น policy, daily log, customer case files, และ task queue ให้เรียบร้อย
อ่านต้นฉบับ:
