เมื่อใช้ AI หลายเครื่องมือ งานอาจกระจายอยู่ในหลายแชตและโฟลเดอร์ คลิปนี้นำเสนอการรวมคำสั่ง ข้อมูล และชิ้นงานไว้ใน dashboard ของผู้สร้าง
คลิปช่อง Julian Goldie SEO นำเสนอ Agent OS ที่ผู้บรรยายใช้รวม agent, workspace, memory และ Goal Mode บทความนี้สรุปสิ่งที่เขาอธิบาย พร้อมตัวอย่างสมมติสำหรับธุรกิจไทย ยังไม่มีหลักฐานการติดตั้งหรือทดสอบระบบนี้บันทึกไว้ให้ตรวจซ้ำ
GPT 5.6, Sol, Terra และ Luna เป็นชื่อที่ผู้บรรยายใช้ในคลิป หลักฐานชุดนี้ไม่มีเอกสาร OpenAI ยืนยันชื่อ รุ่น ความสามารถ หรือสิทธิ์ใช้งาน จึงรายงานเฉพาะการนำเสนอของผู้สร้าง
วิดีโอต้นทางเผยแพร่วันที่ 14 กรกฎาคม 2026 เวลา 12:00:14 น. ตามเวลาไทย ดูวิดีโอต้นทาง
จัดงานที่กระจายให้มีจุดรวม
ตัวอย่างสมมติคือทีมร่างข้อความในแชตหนึ่ง สรุปเอกสารในอีกเครื่องมือ แล้วนำผลไปเก็บในเอกสารกลาง หากไม่ระบุที่เก็บงานและเวอร์ชันที่อนุมัติ การส่งต่องานอาจสับสนได้
ผู้บรรยายเรียก dashboard ที่รวม model และ agent หลายตัวว่า Agent OS และอธิบายว่าข้อมูลกับงานถูกเก็บไว้ใน workspace และ memory ร่วมกัน ข้อความดังกล่าวเป็นคำอธิบายระบบของเขา ไม่ใช่การยืนยันว่าทุกข้อมูลถูกเก็บครบหรือเรียกคืนได้เสมอ
ตัวอย่างสมมติสำหรับทีมร้านค้าออนไลน์คือสร้าง project ของแคมเปญหนึ่ง แล้วเก็บ brief กลุ่มลูกค้า โทนภาษา ข้อเสนอสินค้า และร่างงานไว้ในที่เดียว
เป้าหมายของการจัดงานแบบนี้คือให้ตามข้อมูลและชิ้นงานได้ ก่อนประเมินกับงานจริงว่า workflow ช่วยทีมได้เพียงใด
สร้าง workspace เดียวให้ทุกงานย้อนกลับมาตรวจได้
ผู้บรรยายอธิบายว่าในระบบของเขา งานที่สร้างจะบันทึกเข้า workspace และเปิด preview ได้ ประเด็นที่นำมาทดลองต่อคือการย้อนตรวจชิ้นงานกับข้อมูลตั้งต้น
เขายกตัวอย่างให้ระบบวาง onboarding ของสมาชิกชุมชน ตั้งแต่ข้อความต้อนรับ การเตรียมคอล ไปจนถึงทรัพยากรที่ควรอ่าน ในการประยุกต์กับธุรกิจบริการ อาจใช้เป็นโจทย์ร่างขั้นตอนต้อนรับลูกค้าแล้วให้ทีมตรวจรายละเอียด
ตัวอย่างโครงสร้าง workspace สำหรับทีม
- โครงการ: แยกตามแคมเปญ ลูกค้า หรือหน่วยธุรกิจ ไม่แยกตามชื่อ AI
- ข้อมูลตั้งต้น: เก็บ brand voice, FAQ, ราคา, ข้อจำกัด และกลุ่มลูกค้าในเอกสารเดียว
- ชิ้นงาน: เก็บ prompt, ร่างแรก, ฉบับแก้ และฉบับอนุมัติไว้ด้วยกัน
- ผู้รับผิดชอบ: ระบุว่าใครเป็นคนอนุมัติ ไม่ให้ AI ส่งงานออกสู่ลูกค้าเอง
- สถานะ: ใช้ป้าย เช่น ร่าง, รอตรวจ, อนุมัติ, เผยแพร่ เพื่อหยุดความสับสนเรื่องเวอร์ชัน
คำว่า “memory” ในระบบ AI ฟังดูน่าสนใจ แต่เจ้าของธุรกิจควรถามให้ชัดว่า memory เก็บอะไร เก็บนานเท่าไร ใครเข้าถึงได้ และลบได้หรือไม่ โดยเฉพาะเมื่อมีข้อมูลลูกค้า ยอดขาย สัญญา หรือข้อมูลส่วนบุคคลอยู่ในระบบ
เลือก model ตามลักษณะงาน
ในคลิป ผู้บรรยายแบ่งชื่อ Sol สำหรับงานซับซ้อน Terra สำหรับงานทั่วไป และ Luna สำหรับงานเร็วหรือปริมาณมาก นี่เป็นการจัดกลุ่มที่เขานำเสนอ ยังไม่มีผลเปรียบเทียบ model หรือข้อมูลผู้ให้บริการในหลักฐานชุดนี้
ในการทดลอง เจ้าของงานอาจแบ่งโจทย์ตามความซับซ้อนและความเสี่ยง แล้วตรวจคุณภาพ เวลา และต้นทุนของแต่ละทางเลือก
- งานเร็วและทำซ้ำ: จัดหมวดหมู่คอมเมนต์ สรุปรีวิวสินค้า ทำรายการหัวข้อ หรือร่างแคปชันหลายแบบ
- งานทั่วไป: สรุปรายงานประชุม ทำ outline บทความ ร่างอีเมลลูกค้า และปรับข้อความให้เข้ากับแต่ละกลุ่ม
- งานซับซ้อน: วางแผนคอนเทนต์ทั้งเดือน สร้างคู่มือ onboarding วิเคราะห์ข้อเสนอ หรือออกแบบ workflow หลายขั้น
ตัวอย่าง brief ที่ชัดควรระบุเป้าหมาย กลุ่มลูกค้า ข้อจำกัด รูปแบบผลลัพธ์ และเกณฑ์ตรวจงาน รายการงานข้างต้นเป็นตัวอย่างการแบ่งโจทย์สำหรับทีม
ผู้บรรยายกล่าวถึง router และ model สำรองเมื่อโควตาใกล้หมด แต่ไม่มีข้อมูลบริการ ราคา หรือผลทดสอบบันทึกไว้ จึงไม่สรุปว่าทางเลือกดังกล่าวฟรีหรือทำให้งานต่อเนื่องได้ทุกกรณี
ตรวจขอบเขตการเชื่อมบัญชีก่อนนำไปใช้
ผู้บรรยายกล่าวว่าใช้ Sign in with ChatGPT และแพ็กเกจเดิมโดยไม่สร้าง API key แยก บทความนี้ไม่มีหลักฐานสิทธิ์ใช้งานหรือการเชื่อมต่อที่ตรวจซ้ำได้ จึงไม่ใช้คำกล่าวนี้เป็นคู่มือติดตั้ง
ตัวอย่างคำถามที่เจ้าของระบบต้องตอบก่อนเชื่อมบัญชีมีดังนี้:
- เป็นขั้นตอนล็อกอินทางการของผู้ให้บริการหรือไม่
- ระบบจะขอสิทธิ์เข้าถึงข้อมูลใดบ้าง
- แพ็กเกจที่มีอยู่รองรับการใช้งานแบบนั้นจริงหรือไม่
- ทีมสามารถถอนสิทธิ์ เปลี่ยนรหัสผ่าน และลบข้อมูลได้อย่างไร
- ใครเป็นเจ้าของบัญชีหลัก หากพนักงานลาออก
ใช้ Goal Mode กับงานที่ขอบเขตชัดและตรวจผลได้
ในคำอธิบาย Goal Mode ผู้บรรยายตั้ง title และ task เลือก auto-approve แล้วให้ระบบวนทำงานเบื้องหลัง ผลที่เสร็จจะเข้า workspace เขาเรียกพื้นที่ทำงานว่า sandbox แต่ไม่มีหลักฐานตรวจขอบเขตการแยกหรือการหยุดงาน จึงไม่ถือเป็นคำรับรองความปลอดภัย
ตัวอย่างสมมติของโจทย์ที่มีขอบเขตคือสรุป FAQ จากรีวิวที่กำหนด หรือร่างปฏิทินคอนเทนต์ 30 วัน โดยกำหนดผลส่งมอบและผู้ตรวจไว้ก่อน
ตัวอย่างองค์ประกอบของเป้าหมาย
เป้าหมาย + ข้อมูลตั้งต้น + ขอบเขตห้ามทำ + รูปแบบผลลัพธ์ + จุดตรวจของมนุษย์
ตัวอย่างสมมติสำหรับร้านค้า: “จากรีวิวในไฟล์นี้ สรุปคำถามที่พบบ่อย 20 ข้อ แบ่งตามช่วงก่อนซื้อ ระหว่างใช้ และหลังซื้อ ส่งเป็นตารางพร้อมคำตอบร่าง ให้ทีมตรวจข้อมูลก่อนนำไปตอบลูกค้า”
โจทย์ตัวอย่างนี้กำหนดข้อมูลเข้า ผลลัพธ์ และจุดตรวจของคน โดยยังต้องทดลองพฤติกรรมของ workflow จริง
เริ่มจาก workflow เดียวก่อน แล้วค่อยขยาย
ช่วงท้าย ผู้บรรยายเสนอให้เริ่มตั้งค่าหรือทดลองเพียงส่วนเดียวก่อน เช่น workspace หรือ Goal Mode
ในการประยุกต์ ทีมอาจเลือกงานซ้ำหนึ่งงาน บันทึกเวลา ต้นทุน และรอบแก้ เพื่อประเมินผลก่อนขยาย workflow
