DEV Community: Thanawat Wongchai

วิธีใช้ Claude ฟรีในปี 2026: ทุกวิธีที่ใช้งานได้จริง

Thanawat Wongchai — Tue, 25 Aug 2026 08:14:44 +0000

Claude ใช้งานฟรีได้ในปี 2026: ตัวเลือก ข้อจำกัด และวิธีเริ่มต้น

Claude ใช้งานฟรีได้ในปี 2026 โดยไม่ใช่ช่วงทดลองใช้หรือเดโมที่หมดอายุ: claude.ai มีแผนฟรีถาวรที่ใช้ Claude Sonnet 5 พร้อมช่องทางอื่นสำหรับ Claude Code และ API ที่ทดสอบผ่าน Apidog ได้โดยไม่ต้องเสียค่าใช้จ่าย

ลองใช้ Apidog วันนี้

คู่มือนี้สรุปช่องทางฟรีทั้งหมด ตั้งแต่แผนฟรีอย่างเป็นทางการ บัตรผ่านสำหรับแขก เครดิต API ไปจนถึงบริการอื่นที่รวม Claude อยู่แล้ว หากกำลังตัดสินใจอัปเกรด อ่าน การเปรียบเทียบ Claude Free vs Pro เพิ่มเติมได้

Claude ฟรีหรือไม่?

ใช่ แผนฟรีที่ claude.ai ไม่ต้องใช้บัตรเครดิตและไม่มีวันหมดอายุ โดย ณ เดือนสิงหาคม 2026 มีสิ่งต่อไปนี้:

Claude Sonnet 5 ซึ่งเป็นโมเดลเริ่มต้นสำหรับผู้ใช้ฟรีตั้งแต่เดือนกรกฎาคม 2026
Claude Haiku 4.5 สำหรับการตอบกลับที่รวดเร็วและใช้ทรัพยากรน้อยกว่า
การค้นหาเว็บ การอัปโหลดไฟล์ และการป้อนข้อมูลรูปภาพในแชต
การใช้งานผ่านเว็บ เดสก์ท็อป และมือถือ

แผนฟรีไม่รวม Claude Fable 5 และโมเดลระดับ Opus ศูนย์ช่วยเหลือของ Anthropic ระบุว่า Fable 5 มีเฉพาะแผน Pro, Max, Team และ Enterprise เท่านั้น โปรโมชั่นที่เปิดให้ใช้ฟรีในเดือนมิถุนายน 2026 สิ้นสุดลงเมื่อวันที่ 19 กรกฎาคม 2026 ดูรายละเอียดได้จาก วิธีใช้งาน Claude Fable 5 ฟรี

โควต้าฟรีมีการจำกัด Anthropic ไม่ได้ประกาศตัวเลขอย่างเป็นทางการ แต่การวัดจากชุมชนประเมินไว้ประมาณ 15–40 ข้อความต่อช่วงเวลา 5 ชั่วโมงแบบหมุนเวียน และอาจลดลงเมื่อมีผู้ใช้งานหนาแน่น เหมาะกับคำถามรายวันและการเขียนโค้ดสั้นๆ มากกว่างานที่ต้องโต้ตอบต่อเนื่องเป็นเวลานาน

ตัวเลือกที่ 1: แผนฟรีของ claude.ai

ไปที่ claude.ai ลงทะเบียนด้วยอีเมลหรือ Google แล้วเริ่มแชตกับ Sonnet 5 ได้ทันที

Sonnet 5 ในแผนฟรีเป็นโมเดลเดียวกับที่ผู้ใช้แบบชำระเงินได้รับ ไม่ใช่รุ่นลดคุณภาพ โดยรองรับการสร้างโค้ด วิเคราะห์เอกสาร และการให้เหตุผลหลายขั้นตอนได้ดี อ่านเพิ่มเติมได้จาก:

วิธีใช้โควต้าให้นานขึ้น

ให้บริบทตั้งแต่เริ่มต้น: แชตยาวใช้โควต้าเร็วขึ้น เพราะ Claude อ่านเธรดเดิมซ้ำทุกครั้ง เริ่มแชตใหม่เมื่อเปลี่ยนหัวข้อ
ใช้ Haiku 4.5 กับงานสั้น: เลือกโมเดลได้จากตัวเขียนแชต และคำตอบจาก Haiku ใช้ความจุรวมน้อยกว่า Sonnet
วางแผนช่วงเวลาใช้งาน: หน้าต่าง 5 ชั่วโมงจะหมุนเวียนต่อเนื่อง เมื่อถึงขีดจำกัด ระบบจะแจ้งเวลาที่จะกลับมาใช้งานได้

ตัวเลือกที่ 2: บัตรผ่านสำหรับแขกของ Claude Code

หากต้องการใช้ Claude Code โดยเฉพาะ บัตรผ่านสำหรับแขกเป็นทางเลือกฟรีที่ใช้งานได้ สมาชิกแผน Max สามารถแบ่งปันบัตรผ่านให้ผู้ใช้ใหม่ โดยบัตรหนึ่งใบให้สิทธิ์ระดับ Pro รวม Claude Code เป็นเวลา 7 วัน

ลองสอบถามเพื่อนร่วมงานที่ใช้แผน Max ให้รัน /passes ใน Claude Code หรือค้นหาชุมชนนักพัฒนาที่มีบัตรผ่านสำรอง

ข้อควรรู้:

บัตรผ่านใช้กับบัญชีใหม่
อาจต้องมีบัตรเครดิตในระบบ แม้ช่วงทดลองจะฟรี
เมื่อหมดอายุ บัญชีจะกลับไปใช้แผนฟรีแทนการถูกเรียกเก็บเงินอัตโนมัติ แต่ควรตรวจสอบเงื่อนไขก่อนแลกใช้ เพราะกลไกการอ้างอิงอาจเปลี่ยนแปลงได้

ดูแนวทางเพิ่มเติมได้จาก วิธีที่ได้รับการพิสูจน์แล้วในการใช้ Claude Code ฟรี และ วิธีรับเครดิตโปรโมชั่น Claude Code

ตัวเลือกที่ 3: เครดิต API ฟรีและการทดสอบด้วย Apidog

บัญชีใหม่บน platform.claude.com จะได้รับเครดิตเริ่มต้นจำนวนเล็กน้อย รายงานจากบุคคลที่สามประเมินไว้ประมาณ $5 ซึ่งเพียงพอสำหรับทดลองใช้ Sonnet 5 หรือ Haiku 4.5 ผ่าน API ดูเส้นทางต่างๆ ได้จาก การเข้าถึง Claude API ฟรี

เครดิต $5 อาจหมดเร็วหากใช้ลองผิดลองถูก จึงควรจัดเวิร์กโฟลว์ด้วย Apidog:

นำเข้าสเปก Anthropic API: เติมเอนด์พอยต์ เฮดเดอร์ และสคีมาให้พร้อม ลดข้อผิดพลาดจากการเขียนคำสั่ง curl เอง
ทดสอบคำขอที่ถูกต้อง: ส่งคำขอไปยัง /v1/messages สำหรับแต่ละกรณีใช้งาน ตรวจสอบโครงสร้างผลลัพธ์ แล้วบันทึกเป็นตัวอย่าง
จำลองการตอบกลับ: เปลี่ยนผลลัพธ์ที่บันทึกไว้เป็นเซิร์ฟเวอร์จำลองในเครื่อง ให้แอปพัฒนากับ mock server ก่อนเรียก API จริงเพื่อยืนยันขั้นสุดท้าย

วิธีนี้ช่วยลดการเรียก API ระหว่างพัฒนาได้มาก ดูแนวทางเพิ่มเติมจาก วิธีลดค่าใช้จ่าย Claude API ของคุณ และ การแคชข้อความแจ้ง (prompt caching)

ตัวเลือกที่ 4: Claude ในเครื่องมือที่ใช้อยู่แล้ว

คุณอาจเข้าถึง Claude ได้โดยไม่ต้องมีบัญชี Anthropic ผ่านบริการที่มีแผนฟรี เช่น:

GitHub Copilot: มี Claude เป็นโมเดลที่เลือกใช้ได้ ทั้งในแผนสมาชิกและระดับฟรีที่มีข้อจำกัด
Poe, DuckDuckGo AI Chat และ Brave Leo: ให้บริการ Claude รุ่นต่างๆ พร้อมโควต้ารายวัน
Cursor และ Windsurf: ช่วงทดลองใช้มี Claude เป็นหนึ่งในตัวเลือกโมเดล อ่านขั้นตอนได้จาก วิธีใช้ Claude Sonnet 5 ใน Cursor

ตรวจสอบชื่อและเวอร์ชันของโมเดลทุกครั้ง เพราะบริการเหล่านี้อาจใช้โมเดล Claude รุ่นเก่าหรือขนาดเล็กกว่า และอาจมี system prompt แตกต่างจาก claude.ai

ตัวเลือกที่ 5: เครดิตทดลองใช้จากผู้ให้บริการคลาวด์

AWS Bedrock, Google Vertex AI และ Azure AI Foundry ให้บริการโมเดล Claude และมีเครดิตทดลองใช้สำหรับบัญชีใหม่ หากคุณมีเครดิตสตาร์ทอัพหรือการศึกษาอยู่แล้ว ก็สามารถนำมาใช้เรียก Claude API ได้โดยไม่ต้องจ่ายเพิ่ม

การตั้งค่าต่างกันตามผู้ให้บริการ อ่าน วิธีเรียกใช้ Claude Fable 5 บน Bedrock, Vertex และ Foundry ได้ โดยแนวทางเดียวกันนี้ใช้กับ Sonnet 5 เช่นกัน

เส้นทางนี้ตั้งค่ายากที่สุด แต่เป็นช่องทางเดียวที่เข้าถึงโมเดลระดับ Fable 5 ได้ฟรีในขณะนี้ เพราะแผนฟรีสำหรับผู้บริโภคไม่รวมโมเดลดังกล่าว

สิ่งที่ Claude ฟรีไม่มีให้

ไม่มี Fable 5: ใช้ได้เฉพาะแผนชำระเงิน และในแผน Pro จะหักจากเครดิตการใช้งานแบบจ่ายตามจริง ไม่ใช่การสมัครสมาชิกแบบเหมาจ่าย ดู วิธีเข้าถึง Claude Fable 5
ลำดับความสำคัญต่ำกว่า: ความจุฟรีอาจลดลงเมื่อเซิร์ฟเวอร์มีผู้ใช้หนาแน่น
ข้อจำกัดเซสชันเข้มงวดกว่า: งานเอเจนต์ระยะยาวและโปรเจกต์ขนาดใหญ่อาจติดขัด ดู คำอธิบายขีดจำกัดอัตรา Claude Fable 5

หากชนข้อจำกัดเป็นประจำ แผน Pro ราคา $20 อาจคุ้มค่า แต่สำหรับการใช้งานทั่วไป แผนฟรียังครอบคลุมงานส่วนใหญ่ได้

คำถามที่พบบ่อย

แผน Claude ฟรีใช้โมเดลใดในปี 2026?

Claude Sonnet 5 เป็นค่าเริ่มต้น และเลือก Haiku 4.5 ได้สำหรับการตอบกลับที่เร็วกว่า ดู คู่มือ Sonnet 5 ฉบับเต็ม สำหรับความสามารถและราคาเมื่อย้ายไปใช้ API

ผู้ใช้ฟรีได้รับข้อความจำนวนเท่าใด?

Anthropic ไม่ได้ประกาศตัวเลขแน่นอน การประมาณจากชุมชนอยู่ที่ประมาณ 15–40 ข้อความต่อช่วงเวลา 5 ชั่วโมงแบบหมุนเวียน โดยขึ้นอยู่กับภาระงานเซิร์ฟเวอร์และความยาวของข้อความ

ฉันสามารถใช้ Claude API ได้ฟรีหรือไม่?

ได้ในช่วงจำกัด บัญชีใหม่บน platform.claude.com ได้รับเครดิตเริ่มต้น และเครดิตทดลองใช้จาก Bedrock, Vertex หรือ Foundry ก็ใช้ได้เช่นกัน ใช้ร่วมกับ mock server ของ Apidog เพื่อไม่ให้ทราฟฟิกระหว่างพัฒนาเรียก API ที่ต้องชำระเงิน

Claude Code ฟรีหรือไม่?

ไม่ฟรีในแผนฟรีทั่วไป แต่บัตรผ่านสำหรับแขกให้ใช้ได้ 7 วัน การแจกเครดิตโปรโมชั่นเกิดขึ้นเป็นครั้งคราว และเครดิต API เริ่มต้นอาจรองรับการใช้งานสั้นๆ ได้

เริ่มต้นฟรีและทดสอบอย่างชาญฉลาด

เริ่มจากแผนฟรีที่ claude.ai เพื่อใช้ Sonnet 5 โดยไม่ต้องใช้บัตรเครดิตหรือกังวลวันหมดอายุ เมื่ออยากทดลอง Claude Code ให้ใช้บัตรผ่านสำหรับแขก และเก็บเครดิต API ไว้สำหรับงานบูรณาการที่จำเป็น

สำหรับการพัฒนา ให้ใช้ Apidog เป็นตัวกลางระหว่างโค้ดกับ API ใช้ mock server รองรับทราฟฟิกระหว่างพัฒนา แล้วใช้เครดิตฟรีกับการเรียกใช้งานจริงที่สำคัญ ดาวน์โหลด Apidog ฟรี จับคู่กับบัญชี Claude และค่อยอัปเกรดเมื่อรูปแบบการใช้งานแสดงให้เห็นว่าจำเป็นแล้ว

วิธีใช้ Grok ฟรีในปี 2026: ทุกทางเลือกที่ใช้งานได้จริง

Thanawat Wongchai — Tue, 25 Aug 2026 08:05:21 +0000

วิธีใช้ Grok ฟรีในปี 2026

Grok กำลังได้รับความนิยม หลัง xAI เปิดตัว Grok 4.6 เมื่อวันที่ 12 สิงหาคม 2026 ซึ่งทำคะแนนเทียบเท่า GPT-5.6 บนดัชนี Artificial Analysis Intelligence และมีราคา API ต่ำกว่าคู่แข่งส่วนใหญ่ หากต้องการดูรายละเอียดความสามารถ เกณฑ์มาตรฐาน และหน้าต่างบริบท 500k โปรดอ่าน การวิเคราะห์ Grok 4.6

ลองใช้ Apidog วันนี้

คำถามสำคัญคือ ใช้ Grok ฟรีได้หรือไม่? คำตอบคือได้ แต่มีข้อจำกัด คู่มือนี้สรุปช่องทางฟรีที่ใช้งานได้ในปี 2026 ตั้งแต่แชท แอปเสียง ไปจนถึงเครดิต API พร้อมวิธีใช้ Apidog ลดการเรียก API ซ้ำระหว่างพัฒนา

Grok ฟรีหรือไม่?

คุณใช้ Grok ได้ฟรีที่ grok.com และในแอป X เพียงมีบัญชี ก็ถามคำถาม ร่างข้อความ สรุปลิงก์ และค้นหาข้อมูลพื้นฐานได้ โดยไม่ต้องใช้บัตรเครดิตหรือสมัครสมาชิก

ข้อจำกัดที่ควรรู้:

บัญชีฟรีไม่ได้ใช้ Grok 4.6 ซึ่งเป็นรุ่นเรือธง
การสร้างภาพและวิดีโอต้องใช้แผนแบบชำระเงิน
xAI API คิดค่าบริการตามการใช้งานหลังเครดิตโปรโมชันหมด
SuperGrok และแผนแบบชำระเงินให้ขีดจำกัดและโมเดลที่ใหม่กว่า

ข้อมูลต่อไปนี้อ้างอิงสถานะ ณ เดือนสิงหาคม 2026

แชทฟรีบน grok.com และแอป X

เว็บแอปที่ grok.com เป็นวิธีเริ่มต้นที่ง่ายที่สุด สมัครด้วยอีเมล บัญชี Google หรือบัญชี X แล้วเริ่มแชทได้ภายในไม่กี่นาที การเข้าถึงแบบเดียวกันมีอยู่ในแท็บ Grok ของแอป X

ขีดจำกัดการใช้งาน

xAI ไม่ได้เผยแพร่ขีดจำกัดข้อความของบัญชีฟรีอย่างชัดเจน ตัวเลข “10 คำถามทุก 2 ชั่วโมง” จากคู่มือเก่าอาจไม่ใช้แล้ว โดยรายงานระบุว่า xAI เปลี่ยนเป็นระบบโควตาแบบยืดหยุ่นตามความต้องการตั้งแต่กลางปี 2026

ในช่วงที่มีผู้ใช้จำนวนมาก คุณอาจพบข้อจำกัดที่ไม่แน่นอน ส่วนช่วงที่ระบบว่างอาจใช้งานได้มากขึ้น ดังนั้นอย่ายึดตัวเลขจากคู่มือเก่า เว้นแต่ xAI จะประกาศอย่างเป็นทางการ

เคล็ดลับเพื่อใช้โควตาให้คุ้มค่า:

รวมคำถามที่เกี่ยวข้องไว้ในพรอมต์เดียว
ใช้เว็บแอปเมื่อจำเป็นต้องมีเซสชันยาว
ลงชื่อเข้าใช้ให้ถูกต้อง เพราะการใช้งานแบบไม่ระบุชื่ออาจมีข้อจำกัดมากกว่า

ผู้ใช้ฟรีได้รับโมเดลใด?

Grok 4.6 สงวนไว้สำหรับสมาชิกแบบชำระเงินและลูกค้า API บัญชีฟรีจะใช้โมเดลรุ่นเก่าหรือรุ่นเบากว่า โดยรายงานจากบุคคลที่สามระบุว่าอาจอยู่ในระดับ Grok 4.3 หรือ Grok 4 Mini แต่ xAI ไม่ได้ระบุชื่อโมเดลในอินเทอร์เฟซอย่างชัดเจน

โมเดลฟรีเหมาะกับ:

การแชททั่วไป
การตอบคำถาม
การร่างข้อความ
การค้นหาใน X

ข้อจำกัดจะเห็นชัดในงานหลายขั้นตอน เช่น การวิจัยจากหลายแหล่ง การวิเคราะห์เอกสารขนาดใหญ่ และการตรวจสอบโค้ดทั้ง repository ซึ่งเป็นงานที่ Grok 4.6 ออกแบบมาเพื่อรองรับ ตามที่แสดงใน การเปรียบเทียบ Grok 4.6, GPT-5.6 และ Claude Fable 5

หากเคยอ่านคู่มือ ใช้ Grok 4.5 ฟรี รูปแบบยังคงเหมือนเดิม: รุ่นเรือธงเริ่มจากแผนแบบชำระเงิน และผู้ใช้ฟรีจะได้รับรุ่นก่อนหน้าเมื่อมีรุ่นใหม่เปิดตัว

xAI ให้เครดิต API ฟรีหรือไม่?

ข้อมูลเรื่องเครดิตยังไม่สอดคล้องกัน เว็บไซต์ติดตามเครดิตหลายแห่งรายงานว่า บัญชี API ใหม่อาจได้รับเครดิตลงทะเบียน 25 ดอลลาร์ และบางทีมอาจได้รับเครดิตรายเดือนเพิ่มเติมประมาณ 150 ดอลลาร์จากการแชร์ปริมาณการใช้ API เพื่อฝึกโมเดล

อย่างไรก็ตาม หน้าโมเดลและราคา xAI ไม่ได้ยืนยันโปรแกรมเหล่านี้ ดังนั้นให้ตรวจสอบข้อเสนอที่แสดงในคอนโซล xAI ของคุณโดยตรง

สิ่งที่ยืนยันได้คือ หลังเครดิตหมด Grok 4.6 มีราคา:

อินพุต 2 ดอลลาร์ต่อล้านโทเค็น
เอาต์พุต 6 ดอลลาร์ต่อล้านโทเค็น
ใช้กับพรอมต์ต่ำกว่า 200k โทเค็น
รองรับหน้าต่างบริบท 500k

ด้วยอัตราพื้นฐาน เครดิต 25 ดอลลาร์ครอบคลุมอินพุตประมาณ 12 ล้านโทเค็น ดูขั้นตอนการตั้งค่าคีย์ จุดสิ้นสุด และคำขอแรกได้จาก คู่มือเริ่มต้นใช้งาน Grok 4.6 API

โปรดระวังค่าบริการเครื่องมือที่คิดแยกจากโทเค็น เช่น:

การค้นหาเว็บ
การค้นหา X
การรันโค้ด

เอเจนต์ที่เรียกใช้เครื่องมือทุกครั้งอาจใช้เครดิตฟรีหมดอย่างรวดเร็ว

Grok Imagine และ Voice ใช้ฟรีได้หรือไม่?

Grok Imagine

Grok Imagine สำหรับสร้างภาพและวิดีโอไม่ฟรีอีกต่อไป รายงานระบุว่า xAI ทยอยยกเลิกการเข้าถึงฟรีตลอดต้นปี 2026 และยกเลิกระดับฟรีทั้งหมดภายในฤดูใบไม้ผลิเนื่องจากการใช้งานในทางที่ผิด

ณ เดือนสิงหาคม 2026:

การสร้างภาพต้องใช้แผนแบบชำระเงิน
API มีราคา 0.04 ดอลลาร์ต่อภาพ
API มีราคา 0.08 ดอลลาร์ต่อวินาทีของวิดีโอ

ดูทางเลือกที่ประหยัดที่สุดได้จาก คู่มือใช้งบประมาณ Grok Imagine API และอ่านเพิ่มเติมเกี่ยวกับความเข้าใจผิดเรื่องการใช้งาน “ไม่มีข้อจำกัด” ในบทความ Grok Imagine ไม่มีข้อจำกัดจริงหรือ?

Grok Voice

โหมดเสียงยังมีให้ผู้ใช้ฟรีแบบจำกัดบนอุปกรณ์เคลื่อนที่ แม้ xAI จะไม่ได้เผยแพร่ขีดจำกัดปัจจุบัน และการเข้าถึงอาจแตกต่างตามแพลตฟอร์มหรือความต้องการ

วิธีตั้งค่ายังคงเป็น:

ติดตั้งแอป Grok บน iOS หรือ Android
มองหาไอคอนรูปคลื่น
เริ่มเซสชันเสียง โดยคาดว่าจะสั้นกว่าเซสชันของสมาชิกแบบชำระเงิน

ดูรายละเอียดได้จาก คู่มือใช้ Grok Voice ฟรี

สิ่งที่ไม่มีใน Grok ฟรี

ในปี 2026 บัญชีฟรีจะไม่ได้รับสิ่งต่อไปนี้:

Grok 4.6 หรือ 4.5 ซึ่งสงวนไว้สำหรับ SuperGrok และ API
การสร้างภาพหรือวิดีโอด้วย Grok Imagine
DeepSearch และโหมดการให้เหตุผลขั้นสูง
ขีดจำกัดที่คาดการณ์ได้ เนื่องจากความจุเปลี่ยนตามภาระงาน
ลำดับความสำคัญในช่วงที่เซิร์ฟเวอร์มีผู้ใช้หนาแน่น

สำหรับการใช้งานข้อความทั่วไป ระดับฟรียังเพียงพอ แต่การสร้างแอปด้วย API จะเหมาะกับเครดิตเริ่มต้นมากกว่า โดยเฉพาะงานที่ต้องเรียกใช้งานแบบโปรแกรม

ทำให้เครดิต API ฟรีใช้งานได้นานขึ้นด้วย Apidog

การพัฒนา API มักใช้เครดิตไปกับการเรียกซ้ำ เช่น การทดสอบการแยกวิเคราะห์ การลองใหม่ และการจัดการข้อผิดพลาด แม้คำตอบจะเหมือนเดิมก็ตาม

Apidog ช่วยลดการเรียกซ้ำได้ดังนี้:

นำเข้า xAI API ในโปรเจกต์ Apidog
ส่งคำขอจริงไปยัง grok-4.6 หนึ่งครั้ง
บันทึกการตอบกลับไว้เป็นข้อมูลทดสอบ
ใช้ Mock Server จำลองการตอบกลับบน endpoint ภายในเครื่อง
ชี้ Base URL ไปยัง api.x.ai อีกครั้งเมื่อจำเป็นต้องทดสอบผลลัพธ์จากโมเดลจริง

โปรเจกต์เดียวกันยังรองรับตัวแปรสภาพแวดล้อมสำหรับคีย์ การตรวจสอบรูปร่างการตอบกลับด้วยสคริปต์ และคอลเลกชันที่แชร์ให้ทีมใช้งานได้โดยไม่ต้องใช้เครดิตของแต่ละคน ดูขั้นตอนสำหรับสตรีมมิงและกรณีทดสอบข้อผิดพลาดได้จาก คู่มือทดสอบและดีบัก Grok 4.6 API

หาก Mock ช่วยลดการเรียกช่วงพัฒนาลงครึ่งหนึ่ง เครดิต 25 ดอลลาร์ก็อาจยืดจากไม่กี่วันเป็นหลายสัปดาห์

คำถามที่พบบ่อย

Grok ฟรีโดยไม่ต้องสมัคร X Premium หรือไม่?

ใช่ ระดับฟรีผูกกับบัญชี grok.com หรือ X ไม่ใช่ X Premium สมาชิก Premium และ SuperGrok จะได้ขีดจำกัดสูงกว่าและโมเดลใหม่กว่า แต่บัญชีฟรีทั่วไปยังแชทได้

Grok API ฟรีหรือไม่?

ไม่ API คิดค่าบริการตามการใช้งาน แต่บัญชีใหม่อาจได้รับเครดิตโปรโมชัน ซึ่งมีรายงานว่าอยู่ที่ 25 ดอลลาร์ ให้ยืนยันสิทธิ์ในคอนโซล xAI ก่อนใช้งาน คู่มือ เครดิตฟรีของ Grok 4.3 API อ้างอิงโปรโมชันเก่าที่อาจเปลี่ยนแปลงแล้ว

โมเดล Grok รุ่นใดที่ใช้ฟรีในขณะนี้?

xAI ไม่ได้ระบุอย่างชัดเจน ผู้ใช้ฟรีจะได้รับโมเดลที่เก่าหรือเบากว่า Grok 4.6 โดยรายงานระบุว่าอาจอยู่ในระดับ Grok 4.3 หรือ Grok 4 Mini

สร้างภาพด้วย Grok ฟรีได้หรือไม่?

ไม่ได้ Grok Imagine ยกเลิกระดับฟรีในปี 2026 ทางเลือกที่ถูกที่สุดคือแผนแบบชำระเงินหรือ API ราคา 0.04 ดอลลาร์ต่อภาพ

สรุป

Grok ฟรีในปี 2026 ยังใช้งานได้สำหรับแชทข้อความทั่วไป แต่ใช้โมเดลรุ่นเก่ากว่า มีขีดจำกัดแบบยืดหยุ่น ไม่มีการสร้างภาพฟรี และเครดิต API ขึ้นอยู่กับโปรโมชันปัจจุบัน

แนวทางที่เหมาะสมคือ:

ใช้ grok.com สำหรับคำถามทั่วไป
ตรวจสอบเครดิตที่คอนโซล xAI แสดงจริง
ใช้เครดิตกับการทดสอบผลลัพธ์จากโมเดล
ใช้ Mock ลดการเรียกซ้ำระหว่างพัฒนา
ดาวน์โหลด Apidog เพื่อจำลองการตอบกลับของ Grok

วิธีนี้ช่วยให้เครดิตฟรีถูกใช้กับการตรวจสอบผลลัพธ์ที่จำเป็น แทนที่จะหมดไปกับการทดสอบซ้ำๆ

วิธีใช้ Gemini ฟรีในปี 2026: แอป, AI Studio และ API

Thanawat Wongchai — Tue, 25 Aug 2026 07:55:48 +0000

Gemini ของ Google มีช่องทางใช้งานฟรีจริงในปี 2026 มากกว่าที่หลายคนคาดไว้ คุณสามารถแชทกับโมเดลรุ่นปัจจุบันที่ gemini.google.com, รับคีย์ API ฟรีจาก Google AI Studio และอาจรับ Google AI Pro แบบเต็มรูปแบบได้ฟรีหากมีคุณสมบัติตรงตามเงื่อนไขบางประการ ข้อจำกัดและข้อเสนอเหล่านี้เปลี่ยนแปลงบ่อย และกระจายอยู่ในผลิตภัณฑ์หลายรายการ

ลองใช้ Apidog วันนี้

คู่มือนี้สรุปช่องทางฟรี ณ เดือนสิงหาคม 2026 ได้แก่ แอป Gemini, AI Studio, แพลน API ฟรี, โปรโมชัน Google AI Pro, NotebookLM และโมเดลที่รันบนเครื่อง หากคุณต้องการพัฒนาด้วย API ดูคู่มือ วิธีการใช้ Gemini 3 API สำหรับรูปแบบคำขอโดยละเอียด และใช้ Apidog เพื่อทดสอบคีย์โดยไม่สิ้นเปลืองโควต้า

Gemini ใช้งานฟรีหรือไม่?

ใช่ Gemini ใช้งานฟรีได้ผ่าน 3 ช่องทางหลัก:

แอป Gemini บนเว็บและมือถือ มีแพลนฟรีพร้อมจำกัดจำนวนคำสั่งต่อวัน
Google AI Studio ใช้งานผ่านเบราว์เซอร์ได้ฟรี
Gemini API มีแพลนฟรี ไม่ต้องใช้บัตรเครดิต

แพลนแบบชำระเงินมีอยู่เหนือช่องทางเหล่านี้ แต่คุณยังสามารถแชท สร้างต้นแบบ และทำโปรเจกต์ขนาดเล็กได้โดยไม่เสียเงิน

แพลตฟอร์ม	สิ่งที่ได้รับฟรี	ข้อจำกัดหลัก
แอป Gemini	แชทกับโมเดล Gemini ปัจจุบัน	จำกัดจำนวนคำสั่งและรูปภาพต่อวัน
Google AI Studio	สนามทดลองคำสั่งแบบเต็มรูปแบบในเบราว์เซอร์	การใช้งานในแพลนฟรีอาจถูกนำไปใช้ฝึกโมเดลของ Google
Gemini API	คีย์ API ฟรีและโมเดลระดับ Flash	จำกัดคำขอต่อนาทีและต่อวัน
ข้อเสนอโปรโมชัน	Google AI Pro แบบเต็มรูปแบบในราคา $0	จำกัดตามช่วงเวลา กลุ่มผู้ใช้ หรือภูมิภาค
NotebookLM	การวิจัยและสรุปเสียง	จำกัดจำนวนสมุดบันทึก แหล่งข้อมูล และผลลัพธ์ต่อวัน

แต่ละช่องทางแยกจากกัน เลือกใช้ตามงานที่ต้องการทำ

ช่องทางที่ 1: แพลนฟรีของแอป Gemini

เริ่มต้นได้ที่ gemini.google.com หรือแอป Gemini บนมือถือ เพียงลงชื่อเข้าใช้ด้วยบัญชี Google ก็เริ่มแชทกับโมเดลปัจจุบันได้ทันที ไม่มีช่วงทดลองใช้และไม่ต้องใช้บัตรเครดิต

ตามข้อมูลปัจจุบัน แพลนฟรีรองรับ:

แชททั่วไปกับโมเดลหลักของ Gemini
การอัปโหลดไฟล์และรูปภาพ
ประมาณ 30 คำสั่งต่อวัน
การสร้างภาพประมาณ 20 ภาพต่อวัน
ฟีเจอร์เสียงที่มีโควต้าแยกต่างหาก

Google อาจเปลี่ยนข้อจำกัดโดยไม่ประกาศล่วงหน้า จึงควรมองตัวเลขเหล่านี้เป็นค่าประมาณ ผู้ใช้ฟรีมักจะถึงขีดจำกัดในวันที่ใช้งานหนัก ขณะที่ผู้ใช้แบบชำระเงินมีโควต้าสูงกว่า

ผู้ใช้ฟรียังได้รับ context window ที่เล็กกว่าสมาชิก Google AI Pro ซึ่งมีผลเมื่อทำงานกับเอกสารขนาดยาว แต่สำหรับการใช้งานประจำวันทั่วไป แพลนฟรีก็เพียงพอ หากต้องการใช้โมเดล Flash รุ่นล่าสุด ดู วิธีการใช้ Gemini 3.6 Flash ฟรี

ช่องทางที่ 2: Google AI Studio และคีย์ API ฟรี

สำหรับนักพัฒนา Google AI Studio เป็นจุดเริ่มต้นที่เหมาะกว่า เพราะใช้ส่งคำสั่ง ปรับพารามิเตอร์ เปรียบเทียบผลลัพธ์ และส่งออกโค้ดได้จากเบราว์เซอร์โดยไม่เสียค่าใช้จ่าย

วิธีรับคีย์ API ฟรี

เปิด Google AI Studio และคลิก รับคีย์ API
สร้างคีย์สำหรับโปรเจกต์ Google Cloud
เรียกใช้ Gemini ผ่านโค้ดโดยไม่ต้องใช้บัตรเครดิต
เก็บคีย์ไว้ใน environment variable แทนการเขียนลงใน source code

ณ กลางปี 2026 แพลนฟรีเน้นโมเดลระดับ Flash แหล่งข้อมูลหลายแห่งรายงานว่าโมเดลซีรีส์ Pro ถูกย้ายไปอยู่หลังระบบเรียกเก็บเงินแล้ว ทำให้ Flash และ Flash-Lite เป็นตัวเลือกหลักสำหรับการใช้งานฟรี

ตรวจสอบ rate limit ก่อนใช้งาน

Google ไม่ได้เผยแพร่ตารางคงที่อีกต่อไป หน้าข้อจำกัดอัตราการส่งคำขออย่างเป็นทางการ จะนำไปยังแดชบอร์ดแบบสดใน AI Studio เพื่อแสดงค่าของโปรเจกต์คุณ

ตัวเลขที่มีการรายงานสำหรับโมเดล Flash ในแพลนฟรีมักอยู่ที่:

ประมาณ 10–15 คำขอต่อนาที
ตั้งแต่ไม่กี่ร้อยถึงประมาณ 1,500 คำขอต่อวัน ขึ้นอยู่กับโมเดล

ตรวจสอบแดชบอร์ดของตัวเองก่อนอ้างอิงตัวเลขใดๆ

ข้อควรระวัง: การเปิดใช้งานการเรียกเก็บเงินในโปรเจกต์อาจลบแพลนฟรีของโปรเจกต์นั้นออกทั้งหมด หากต้องการใช้คีย์ฟรีควบคู่กับคีย์แบบชำระเงิน ให้แยกเป็นคนละ Google Cloud project

ช่องทางที่ 3: ข้อเสนอและทดลองใช้ Google AI Pro ฟรี

Google AI Pro ปกติมีค่าใช้จ่าย $19.99 ต่อเดือน แต่ยังมีข้อเสนอสำหรับผู้ใช้บางกลุ่ม:

นักศึกษามหาวิทยาลัยในสหรัฐอเมริกาสามารถรับ Google AI Pro ฟรีหนึ่งปี และแลกรับได้ถึงวันที่ 31 ธันวาคม 2026 นักศึกษานอกสหรัฐอเมริกาอาจได้รับ Google AI Plus หนึ่งปีแทน การสมัครสมาชิกต่ออายุอัตโนมัติในราคาเต็มหลังครบปี ควรตั้งการแจ้งเตือนไว้ล่วงหน้า
สมาชิก Jio ในอินเดียอายุ 18–25 ปีอาจรับ Google AI Pro ฟรี 18 เดือน เมื่อมีแพ็กเกจเติมเงินที่เข้าเงื่อนไข สิทธิ์รวมถึงโมเดล Pro, เครื่องมือสร้างภาพและวิดีโอ, NotebookLM ที่อัปเกรด และพื้นที่เก็บข้อมูล 2 TB
ผู้สมัครสมาชิกใหม่มักเห็นข้อเสนอทดลองใช้ฟรีหนึ่งเดือนบนหน้า AI Pro

ข้อเสนอเหล่านี้ให้ context window ที่ใหญ่ขึ้นและขีดจำกัดที่สูงกว่า ตรวจสอบข้อเสนอปัจจุบันได้จาก คู่มือการเข้าถึง Google AI Pro ฟรี เนื่องจากเงื่อนไขอาจเปลี่ยนทุกไตรมาส

ช่องทางที่ 4: NotebookLM และแพลตฟอร์ม Gemini อื่นๆ

NotebookLM ใช้ Gemini เป็นแกนหลักและมีแพลนฟรีของตัวเอง คุณสามารถอัปโหลด PDF เอกสาร หรือ URL แล้วให้ระบบ:

ตอบคำถามโดยอ้างอิงจากแหล่งข้อมูล
สร้างคู่มือการเรียนรู้
สร้าง Audio Overviews
สรุปเนื้อหาเพื่อการวิจัย

ข้อจำกัดที่มีการรายงานในปัจจุบันอยู่ที่ประมาณ 100 สมุดบันทึก, 50 แหล่งข้อมูลต่อสมุดบันทึก และโควต้ารายวันสำหรับการสรุปเสียงและวิดีโอ ดูตัวอย่างเวิร์กโฟลว์ได้จาก สถานการณ์การใช้งาน NotebookLM

Gemini ยังปรากฏในฟีเจอร์ AI ของ Chrome, การสรุป Gmail และ Docs สำหรับบัญชีผู้บริโภค และการทำงานร่วมกับผู้ช่วย Android ฟีเจอร์เหล่านี้ไม่คิดค่าบริการแยกต่างหาก

สำหรับการวิจัยเชิงลึก แพลนฟรีมี Deep Research ในจำนวนจำกัดต่อเดือน ดูผลการทดสอบได้จาก คู่มือ Deep Research ของ NotebookLM

ช่องทางที่ 5: เรียกใช้โมเดลระดับ Gemini บนเครื่อง

คุณไม่สามารถดาวน์โหลดโมเดล Gemini รุ่นแนวหน้าได้โดยตรง แต่ Google มีโมเดล Gemma แบบเปิดที่รันบนเครื่องผ่าน Ollama หรือ LM Studio ได้โดยไม่มีค่า API และไม่มี rate limit จากผู้ให้บริการ

สำหรับงานอย่างการสรุป การช่วยเขียนโค้ด และการร่างเนื้อหา โมเดลแบบเปิดที่รันบนแล็ปท็อป RAM 16 GB อาจเพียงพอ ดูรายละเอียดข้อกำหนดฮาร์ดแวร์และการเลือกโมเดลจาก การตั้งค่าระดับ Gemini 3 Pro ด้วย Ollama ฟรี

โมเดลในเครื่องเหมาะเมื่อ:

ความเป็นส่วนตัวเป็นสิ่งสำคัญ
คุณอาจใช้ API เกิน rate limit
ต้องการทำงานแบบออฟไลน์
ต้องการระบบสำรองสำหรับการพัฒนา

ประสิทธิภาพด้านการให้เหตุผลและบริบทระยะยาวยังไม่เทียบเท่า Gemini ที่โฮสต์บนคลาวด์ จึงควรใช้เป็นส่วนเสริม ไม่ใช่ตัวแทนทั้งหมด

สิ่งที่แพลนฟรีไม่มีให้

ก่อนนำโปรเจกต์ไปใช้งานจริง ควรคำนึงถึงข้อจำกัดเหล่านี้:

Rate limit สำหรับงานผลิตจริง: คีย์ฟรีที่รองรับประมาณ 10–15 คำขอต่อนาทีไม่เหมาะกับแอปสาธารณะที่มีทราฟฟิกสูง
การใช้ข้อมูล: Google อาจใช้คำสั่งและผลลัพธ์จากแพลน API ฟรีเพื่อปรับปรุงผลิตภัณฑ์ อย่าส่งข้อมูลละเอียดอ่อนผ่านคีย์ฟรี
การเข้าถึงโมเดล: API ฟรีเน้นโมเดล Flash ส่วนการให้เหตุผลระดับ Pro โดยทั่วไปต้องใช้แพลนแบบชำระเงินหรือโปรโมชัน
การรีเซ็ตโควต้า: หากใช้โควต้ารายวันหมดตอนบ่าย 2 โมง ต้องรอจนกว่าจะรีเซ็ต

แพลนฟรีเหมาะกับการเรียนรู้ การทดลอง และการใช้งานเป็นครั้งคราว มากกว่างานที่มีปริมาณสม่ำเสมอ

ขยายการใช้งานคีย์ API ฟรีด้วย Apidog

ระหว่างพัฒนา ปัญหาโควต้ามักเกิดจากการเรียกซ้ำหลายร้อยครั้ง ไม่ใช่จากทราฟฟิกจริงของแอป เช่น การลองคำขอใหม่ การตรวจสอบรูปแบบคำขอ และการทดสอบการเรนเดอร์ส่วนหน้า

Apidog ช่วยลดการเรียก Gemini จริงด้วยการทำ mocking

เวิร์กโฟลว์ที่แนะนำ

รับคีย์ฟรีจาก Google AI Studio
นำเข้า Gemini API ไปยัง Apidog
สร้างโปรเจกต์และเพิ่มเอนด์พอยต์ generateContent
เก็บคีย์ใน environment variable เพื่อไม่ให้ปรากฏใน repository
ส่งคำขอจริงหนึ่งครั้งเพื่อตรวจสอบรูปแบบ
บันทึก response จริง รวมถึง candidates, usageMetadata และ finishReason
เปิดใช้เซิร์ฟเวอร์จำลองของ Apidog
เปลี่ยนแอปให้เรียก URL จำลองแทน Google ระหว่างพัฒนา

จากนั้นการทดสอบส่วนหน้า การตรวจสอบ retry logic และการรัน CI จะใช้ response จำลองที่มีโครงสร้างเหมือน Gemini โดยไม่ใช้โควต้า API

ใช้คำขอจริงเพียงหนึ่งหรือสองครั้งเพื่อเก็บตัวอย่าง response แล้วทำงานที่เหลือผ่าน mock เมื่อ integration พร้อม ให้เปลี่ยน base URL กลับไปยัง Google Apidog ยังรองรับสคริปต์ยืนยันกับเอนด์พอยต์จริงสำหรับ smoke test โดยไม่ต้องเรียกใช้งานหนัก

คำถามที่พบบ่อย

Gemini ฟรีโดยไม่มีบัญชี Google ได้หรือไม่?

ไม่ได้ ทุกช่องทางฟรี ได้แก่ แอป, AI Studio, API และ NotebookLM ต้องลงชื่อเข้าใช้ด้วยบัญชี Google บัญชี Google เองไม่มีค่าใช้จ่าย และช่องทางในคู่มือนี้ไม่ต้องใช้บัตรเครดิต

Gemini API ฟรีตลอดไปหรือเป็นเพียงช่วงทดลองใช้?

เป็นแพลนฟรีแบบถาวร ไม่ใช่การทดลองใช้และไม่มีวันหมดอายุ ข้อจำกัดอยู่ที่ rate limit ไม่ใช่ระยะเวลา อย่างไรก็ตาม มีรายงานว่าการเปิดใช้งานการเรียกเก็บเงินในโปรเจกต์จะลบแพลนฟรีของโปรเจกต์นั้น จึงควรแยกโปรเจกต์ฟรีและโปรเจกต์แบบชำระเงิน

ฉันสามารถใช้โมเดล Gemini Pro ได้ฟรีหรือไม่?

โดยทั่วไปใช้ผ่าน API ฟรีไม่ได้แล้ว เพราะมีรายงานว่าโมเดลระดับ Pro ถูกย้ายไปอยู่หลังระบบเรียกเก็บเงินในปี 2026 แต่ยังเข้าถึงได้ผ่านโปรโมชันสำหรับนักศึกษาและบางภูมิภาค ดูข้อมูลช่องทางเดิมได้จาก คู่มือการเข้าถึง Gemini 2.5 Pro ฟรี

ตัวเลือกฟรีที่ดีที่สุดสำหรับนักพัฒนาคืออะไร?

คีย์ API จาก AI Studio เหมาะที่สุด เพราะเขียนโปรแกรมได้ ไม่ต้องใช้บัตร และใช้ร่วมกับ mocking เพื่อยืดโควต้าได้ ใช้แพลนแอปสำหรับคำถามทั่วไป และใช้ NotebookLM สำหรับการวิจัยเอกสาร

สรุป

Gemini ในปี 2026 มีช่องทางฟรีสำหรับทุกขั้นตอนของการเรียนรู้และสร้างต้นแบบ:

แอป Gemini สำหรับแชท
AI Studio สำหรับทดลองคำสั่ง
Gemini API สำหรับพัฒนาโปรแกรม
โปรโมชันสำหรับการเข้าถึง Pro
NotebookLM สำหรับการวิจัย
Gemma สำหรับการรันบนเครื่อง

ข้อจำกัดมีอยู่จริง แต่บริหารจัดการได้ โดยเฉพาะเมื่อเก็บ response จริงไว้หนึ่งครั้งแล้วใช้ mock ระหว่างพัฒนา

รับคีย์ API ฟรี บันทึก response จริง และให้ mock จัดการการทดสอบส่วนใหญ่ของวงจรการพัฒนา ดาวน์โหลด Apidog ฟรี แล้วตั้งค่าให้เรียบร้อยก่อนที่โควต้ารายวันจะหมดไปกับการพัฒนา

วิธีใช้งาน DeepSeek V4-Flash-Vision API: คู่มือการป้อนภาพ

Thanawat Wongchai — Mon, 24 Aug 2026 10:56:32 +0000

โมเดลที่ราคาถูกที่สุดของ DeepSeek รองรับการประมวลผลรูปภาพแล้ว โดย DeepSeek เปิดตัว deepseek-v4-flash-vision-exp เมื่อวันที่ 21 สิงหาคม 2026 โมเดลนี้เป็น V4-Flash ที่เพิ่มความสามารถด้านการมองเห็น ใช้งานผ่าน Production API เดิม และคิดราคาเท่ากับโมเดลข้อความ ภาพหนึ่งภาพถูกคิดเป็นอินพุตไม่เกิน 384 โทเค็น ตามประกาศเปิดตัวอย่างเป็นทางการ โมเดลยังคงความสามารถด้านข้อความของ V4-Flash และ DeepSeek ระบุว่าประสิทธิภาพสำหรับ multimodal agent ใกล้เคียงกับ Opus 4.8

ลองใช้ Apidog วันนี้

คู่มือนี้อธิบายวิธีส่งภาพทั้ง 3 รูปแบบ การตั้งค่า detail ข้อจำกัดที่ต้องตรวจสอบ และแนวทางทดสอบ multimodal request ให้ทำซ้ำได้ เนื่องจาก request ที่มีภาพมักมี payload ขนาดใหญ่และ JSON ซับซ้อน การสร้างและทดสอบ request ใน Apidog จะช่วยลดการแก้ไข JSON ด้วยมือในเทอร์มินัลได้มาก

DeepSeek-v4-flash-vision-exp คืออะไร

โมเดลนี้คือ V4-Flash-0731 ที่เพิ่ม Image Encoder ตามข้อมูลของ DeepSeek ความสามารถด้านข้อความ เช่น agent workflow, การให้เหตุผล และความรู้ทั่วไป เทียบเท่ากับ V4-Flash เดิม

รายการบน OpenRouter ระบุว่าเป็น sparse mixture-of-experts model ที่มีพารามิเตอร์ทั้งหมด 284 พันล้านพารามิเตอร์ และใช้งานจริง 13 พันล้านพารามิเตอร์ต่อการประมวลผล

V4-Flash เป็นสายโมเดลราคาประหยัดของ DeepSeek และการเพิ่ม vision ในราคา Flash ทำให้ต้นทุนต่ำกว่า multimodal API ส่วนใหญ่ในตลาด เราเคยอธิบายโมเดลข้อความไว้ในคู่มือ DeepSeek V4-Flash API

อย่างไรก็ตาม ข้ออ้างเรื่อง benchmark ของผู้ให้บริการควรใช้เป็นจุดเริ่มต้นเท่านั้น ก่อนย้าย workload จริง ให้ทดสอบกับเอกสาร รูปภาพ และเกณฑ์วัดผลของระบบคุณเอง

แม้ชื่อจะลงท้ายด้วย exp แต่โมเดลนี้ใช้งานผ่าน production endpoint เดียวกับ V4 รุ่นอื่น พร้อม rate limit และ SLA เดียวกัน โดยไม่ต้องขอสิทธิ์เข้าถึงเพิ่มเติม

ราคา: ใช้อัตรา Flash รวมรูปภาพ

อัตราค่าบริการเท่ากับ deepseek-v4-flash สำหรับข้อความ ตามหน้าราคา DeepSeek:

ประเภท	นอกช่วงเวลาเร่งด่วน	ช่วงเวลาเร่งด่วน
อินพุต Cache Hit ต่อ 1 ล้านโทเค็น	$0.007	$0.014
อินพุต Cache Miss ต่อ 1 ล้านโทเค็น	$0.22	$0.44
เอาต์พุตต่อ 1 ล้านโทเค็น	$0.66	$1.32

ภาพจะถูกแปลงเป็นโทเค็นอินพุต โดยคิดสูงสุด 384 โทเค็นต่อภาพ ตัวอย่างเช่น ในอัตรา peak แบบ cache miss:

384 / 1,000,000 × $0.44 = $0.00016896 ต่อภาพ

กล่าวคือ ภาพ 1,000 ภาพมีค่าใช้จ่ายประมาณ $0.17 ในส่วนของ image input

ข้อควรใช้วางแผนต้นทุน:

ช่วง off-peak มีราคาเป็นครึ่งหนึ่งของ peak
ช่วง peak คือ 01:00–04:00 และ 06:00–10:00 UTC ในวันธรรมดา
Context caching ใช้ได้กับอินพุตซ้ำ เช่น system prompt หรือ instruction template เดิม
สาย V4 มี context window 1 ล้านโทเค็น แต่เอาต์พุตที่ใช้งานจริงจะต่ำกว่าขีดจำกัดนี้มาก

สำหรับ batch job ให้ตั้งเวลาออกนอกช่วง peak และออกแบบ prompt ส่วนที่ซ้ำกันให้คงที่เพื่อเพิ่มโอกาส cache hit

สามวิธีในการส่งรูปภาพ

ใช้ DeepSeek Chat Completions endpoint:

https://api.deepseek.com/chat/completions

โมเดลรองรับ Chat Completions, Messages-style และ Responses-style ตามที่อธิบายไว้ในการเปิดตัว V4-Flash Responses API

ให้ส่งภาพในอาร์เรย์ content ของข้อความที่มี role เป็น user

1. ฝังภาพแบบ Base64

เหมาะกับการเรียกใช้ครั้งเดียว ภาพต้องมีขนาดไม่เกิน 32 MiB

import base64
from openai import OpenAI

client = OpenAI(
    [REDACTED CREDENTIAL]
    base_url="https://api.deepseek.com",
)

with open("invoice.png", "rb") as file:
    image_base64 = base64.b64encode(file.read()).decode()

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Extract the line items and totals as JSON.",
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_base64}"
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

2. ส่ง URL ภายนอก

เหมาะเมื่อภาพอยู่บน CDN หรือ URL ที่ DeepSeek เข้าถึงได้จากสาธารณะ โดย URL ยาวได้สูงสุด 8,192 ตัวอักษร

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/chart.png"
  }
}

3. อ้างอิงผ่าน Files API

อัปโหลดภาพครั้งเดียว แล้วอ้างอิงด้วย file_id ในหลาย request ได้ ภาพสำหรับ Files API มีขนาดได้สูงสุด 64 MiB และ DeepSeek ระบุว่าการอัปโหลดภาพไม่คิดค่าใช้จ่าย

{
  "type": "file",
  "file": {
    "file_id": "file-api-xxxxxxxxxxxxxxxx"
  }
}

เลือกวิธีให้เหมาะกับ workflow:

กรณีใช้งาน	วิธีที่เหมาะสม
วิเคราะห์ภาพครั้งเดียว	Base64 inline
ภาพอยู่บน CDN แล้ว	External URL
ใช้ภาพเดิมในหลาย request	Files API `file_id`

พารามิเตอร์ `detail`

กำหนด detail ในแต่ละภาพเพื่อควบคุมการประมวลผลล่วงหน้า:

"low" — ลดขนาดเป็น 512×512 เหมาะกับงานจัดหมวดหมู่ที่ต้องการความเร็วและต้นทุนต่ำ
"high" หรือ "original" — เก็บรายละเอียดมากขึ้น เหมาะกับเอกสาร ตาราง ใบเสร็จ และข้อความขนาดเล็ก
"auto" — ให้ API เลือกระดับที่เหมาะสม

ตัวอย่าง:

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/invoice.png",
    "detail": "high"
  }
}

DeepSeek ปรับขนาดภาพใกล้เคียง 800×800 เพื่อคำนวณโทเค็น จึงมีเพดาน 384 โทเค็นต่อภาพ สำหรับ OCR บนใบเสร็จ แผนภูมิ หรือ dashboard ให้ทดสอบ "low" และ "high" กับชุดข้อมูลจริง แล้วเปรียบเทียบทั้งความแม่นยำ เวลา และรูปแบบข้อผิดพลาด

ข้อจำกัดก่อนใช้งานจริง

ข้อจำกัด	ค่า
รูปภาพสูงสุดต่อ request	600
ขนาดภาพ Base64 inline	32 MiB
ขนาดภาพผ่าน Files API	64 MiB
ขนาดรวมของ request body	48 MiB
ขนาดภาพ	8,192 px ต่อด้าน
ขนาดภาพเมื่อมี 15 ภาพขึ้นไป	4,096 px ต่อด้าน
ความยาว External URL	8,192 ตัวอักษร
ตำแหน่งของรูปภาพ	ข้อความ `user` เท่านั้น

ข้อจำกัดที่ทำให้เกิด HTTP 400 บ่อยที่สุดคือการส่งภาพในข้อความ system หรือ assistant ซึ่งจะถูกปฏิเสธ

โมเดลรองรับหลายภาพใน request เดียว และสามารถสลับข้อความกับภาพได้ จึงเหมาะกับ agent loop ที่ทำงานแบบ screenshot → reason → act

DeepSeek ยังเพิ่มการรองรับโมเดลนี้ใน DeepSeek Harness 0.1.1 ในวันเปิดตัว ดูโครงสร้างเพิ่มเติมได้จากภาพรวม DeepSeek Harness และ vision request สามารถใช้งานร่วมกับ tool calling ได้ตามแนวทางในคู่มือ function calling

`exp` หมายถึงอะไรในการใช้งานจริง

exp เป็นป้ายกำกับว่าโมเดลยังอยู่ในระยะทดลอง ไม่ใช่ข้อจำกัดด้านการเข้าถึง คุณควรคาดว่า model ID หรือพฤติกรรมของโมเดลอาจถูกปรับปรุงหรือแทนที่ได้ในระยะเวลาอันสั้น

แนวทางที่ควรทำ:

กำหนด model ID ไว้จุดเดียว อย่าฮาร์ดโค้ด deepseek-v4-flash-vision-exp หลายตำแหน่ง ใช้ environment variable หรือ config กลางแทน

   DEEPSEEK_VISION_MODEL=deepseek-v4-flash-vision-exp

เตรียม fallback สำหรับงานข้อความ

ส่ง workload ที่ไม่มีภาพไปยัง deepseek-v4-flash ซึ่งเป็น model ID ที่เสถียรกว่า
เก็บผลการประเมินไว้เสมอ

บันทึก input, expected output, actual output และคะแนนของโมเดล เพื่อเปรียบเทียบก่อนและหลังเมื่อ DeepSeek ออกเวอร์ชันใหม่

ตัวอย่างคำนวณต้นทุน: ประมวลผลใบแจ้งหนี้

สมมติว่าคุณประมวลผลใบแจ้งหนี้สแกน 50,000 ฉบับต่อเดือน โดยแต่ละรายการมี:

ภาพ 1 ภาพ
instruction prompt 200 โทเค็น
JSON output เฉลี่ย 400 โทเค็น

คำนวณที่อัตรา peak แบบ cache miss:

ส่วน	การคำนวณ	ต้นทุน
อินพุตภาพ	50,000 × 384 = 19.2M โทเค็น	$8.45
อินพุตข้อความ	50,000 × 200 = 10M โทเค็น	$4.40
เอาต์พุต	50,000 × 400 = 20M โทเค็น	$26.40

หาก instruction เดิมได้รับ cache hit อินพุตข้อความอาจลดจากประมาณ $4.40 เหลือประมาณ $0.14

รวมแล้ว ต้นทุนอยู่ราว $35–$40 ต่อเดือนในช่วง peak และลดลงได้ประมาณครึ่งหนึ่งเมื่อรัน batch นอกช่วง peak

จุดสำคัญคือ output token มีสัดส่วนต้นทุนสูงสุด ดังนั้นการบังคับให้ตอบ JSON แบบกระชับมักลดค่าใช้จ่ายได้มากกว่าการลดขนาดภาพ

ตัวอย่าง instruction ที่กระชับ:

Return valid JSON only:
{
  "invoice_number": "",
  "invoice_date": "",
  "currency": "",
  "line_items": [
    { "description": "", "quantity": 0, "unit_price": 0, "total": 0 }
  ],
  "grand_total": 0
}

ทดสอบ multimodal request ใน Apidog

การทดสอบ image request ด้วยมือมักทำซ้ำยาก เพราะ Base64 ทำให้ JSON อ่านลำบาก และการเปรียบเทียบค่า detail ต้องแก้ payload ที่เกือบเหมือนกันหลายชุด

ใช้ workflow นี้แทน:

สร้าง request กลางเพียงรายการเดียว

เก็บ model ID, ค่า detail และข้อมูลภาพเป็นตัวแปร เช่น {{model_id}} และ {{detail}}
ใช้ pre-request script สำหรับ Base64

ให้สคริปต์อ่านและเข้ารหัสภาพก่อนส่ง request เพื่อให้ body ที่มองเห็นยังคงอ่านง่าย
ตรวจสอบผลตาม schema

หากคาดหวัง JSON ให้ parse response และตรวจสอบฟิลด์ที่ต้องมี แทนการดูด้วยตาว่า “คำตอบดูเหมือนใช้ได้”
ทดสอบหลายค่า detail ด้วยชุดข้อมูลเดิม

สร้าง environment หรือ test case แยกสำหรับ "low", "high" และ "auto" เพื่อเปรียบเทียบผลได้อย่างยุติธรรม
Mock response สำหรับ frontend

ระหว่างปรับ prompt ให้ใช้ smart mock เพื่อส่ง response ตาม schema โดยไม่ต้องใช้ API call ทุกครั้ง

ดาวน์โหลด Apidog ได้ฟรี แล้วบันทึก request และ assertion ไว้เพื่อรันทดสอบซ้ำทุกครั้งที่ DeepSeek อัปเดตโมเดล experimental

คำถามที่พบบ่อย

`deepseek-v4-flash-vision-exp` ฟรีหรือไม่?

ไม่ฟรี แต่ราคาใกล้เคียงมากเมื่อเทียบกับ multimodal model ระดับเรือธง ภาพถูกคิดเป็นอินพุตสูงสุด 384 โทเค็นต่อภาพ และ DeepSeek ระบุว่าพื้นที่เก็บภาพใน Files API ฟรี คุณจะถูกคิดค่าบริการเมื่อส่งภาพเข้าสู่ request

โมเดลนี้จะมาแทน `deepseek-v4-flash` หรือไม่?

ไม่ โมเดลข้อความยังเป็น ID ที่เสถียรกว่า แม้ vision model จะมีความสามารถด้านข้อความเทียบเท่า แต่แนวทางที่ปลอดภัยคือส่งเฉพาะ request ที่มีภาพไปยัง deepseek-v4-flash-vision-exp

ใช้กับ API รูปแบบ Anthropic ได้หรือไม่?

ได้ DeepSeek V4 endpoint รองรับ Chat Completions, Messages-format และ Responses-format ดังนั้น client ที่ใช้หนึ่งในรูปแบบเหล่านี้สามารถเพิ่ม image block ได้โดยไม่ต้องเปลี่ยนรูปแบบ API หลัก ดูกลไก endpoint ที่ใช้ร่วมกันในคู่มือ V4 Pro API

ราคาเทียบกับ GPT หรือ Claude Vision เป็นอย่างไร?

ที่ $0.22–$0.44 ต่อ 1 ล้านโทเค็นอินพุต และจำกัดภาพที่ 384 โทเค็นต่อภาพ โมเดลนี้มีราคาต่ำกว่า multimodal model ระดับเรือธงอย่างมาก อย่างไรก็ตาม ให้ตัดสินจากความแม่นยำกับ workload ของคุณเอง ไม่ใช่ราคาเพียงอย่างเดียว

สรุป

deepseek-v4-flash-vision-exp เพิ่มความเข้าใจภาพบน production endpoint ในราคา Flash มี 3 ทางเลือกสำหรับส่งภาพ และมีข้อจำกัดที่ชัดเจนซึ่งสามารถออกแบบระบบรองรับได้

เริ่มจากสร้าง request เดียวใน Apidog กำหนดตัวแปรสำหรับ model และ detail เพิ่ม assertion สำหรับ JSON response แล้วเก็บผล evaluation ของชุดข้อมูลจริงไว้ เมื่อ DeepSeek อัปเดตหรือออกเวอร์ชันที่เสถียร คุณจะสามารถเปรียบเทียบผลและตัดสินใจย้ายระบบได้ทันที

วิธีรันโมเดลใดก็ได้ใน DeepSeek Harness

Thanawat Wongchai — Thu, 20 Aug 2026 08:07:32 +0000

ตั้งค่าโมเดลภายนอกใน DeepSeek Harness ด้วยผู้ให้บริการแบบกำหนดเอง

DeepSeek Harness (dsh) มาพร้อมโมเดลของ DeepSeek แต่ไม่ได้จำกัดให้ใช้เฉพาะโมเดลเหล่านั้น คุณสามารถกำหนดผู้ให้บริการโมเดลเป็นส่วนหนึ่งของการตั้งค่า โดยชี้ไปยังปลายทางที่เข้ากันได้กับ OpenAI และอ้างอิงข้อมูลรับรองผ่านตัวแปรสภาพแวดล้อม จากนั้นเซสชันของเอเจนต์จะทำงานบนโมเดลที่อยู่เบื้องหลัง URL นั้น ไม่ว่าจะเป็น Ollama ในเครื่อง เกตเวย์ภายในบริษัท Qwen ผ่าน DashScope หรือผู้ให้บริการอย่าง Anthropic และ OpenAI

ลองใช้ Apidog วันนี้

คู่มือนี้อธิบายบล็อกผู้ให้บริการทีละคีย์ พร้อมตัวอย่าง 3 รูปแบบ:

โมเดลในเครื่องผ่าน Ollama
ปลายทางที่เข้ากันได้กับ OpenAI ซึ่งโฮสต์อยู่ เช่น Qwen ผ่าน DashScope
ผู้ให้บริการแค็ตตาล็อกที่มีอยู่ใน dsh

ข้อมูลอ้างอิงมาจาก คู่มือผู้ให้บริการ บน master branch ซึ่งดึงมาเมื่อวันที่ 20 สิงหาคม 2026

ข้อควรระวัง: dsh เป็นเวอร์ชันพรีวิวสำหรับนักพัฒนา และ README ระบุว่าอาจมีการเปลี่ยนแปลงที่ไม่เข้ากันได้ ตรวจสอบเอกสารให้ตรงกับเวอร์ชันที่ติดตั้งก่อนใช้งานจริง

หากยังไม่คุ้นเคยกับ Harness ให้เริ่มจากบทความ DeepSeek Harness คืออะไรและทำงานอย่างไร แล้วกลับมาดูการตั้งค่าผู้ให้บริการในบทความนี้

ทำไมต้องเปลี่ยนโมเดลใน agent harness

Agent harness ทำงานเป็นวงจร:

โมเดลวางแผน
เรียกใช้เครื่องมือ
อ่านผลลัพธ์
ทำซ้ำจนกว่างานจะเสร็จ

Harness เป็นเจ้าของวงจรนี้ ส่วนโมเดลเป็นเพียงองค์ประกอบที่เปลี่ยนได้ คุณอาจต้องเปลี่ยนโมเดลด้วยเหตุผลต่อไปนี้

ลดค่าใช้จ่าย

เซสชันเอเจนต์ใช้โทเค็นจำนวนมาก เพราะผลลัพธ์จากเครื่องมือจะถูกส่งกลับเข้าไปในบริบท การเปลี่ยนเซสชันปกติไปใช้โมเดลที่ราคาถูกกว่า เช่น DeepSeek V4-Flash แทน V4-Pro ช่วยลดค่าใช้จ่ายโดยไม่ต้องเปลี่ยนเวิร์กโฟลว์

ควบคุมตำแหน่งข้อมูล

หากโค้ดไม่ควรออกนอกระบบ การชี้ผู้ให้บริการไปยังโมเดลที่ทำงานบนฮาร์ดแวร์ของคุณเองจะทำให้พรอมต์ เนื้อหาไฟล์ และผลลัพธ์จากเครื่องมือไม่ต้องข้ามเครือข่าย

พัฒนาในเครื่อง

การใช้โมเดลขนาดเล็กในเครื่องช่วยให้ทดสอบปลั๊กอินและพฤติกรรมของเอเจนต์ได้โดยไม่ต้องเสียค่า API หรือพึ่งพาเครือข่าย เมื่อเวิร์กโฟลว์พร้อมใช้งานจริงจึงค่อยสลับกลับไปใช้โมเดลที่มีความสามารถสูงกว่า

สถาปัตยกรรมของ dsh ออกแบบให้ทุกส่วนเป็นปลั๊กอิน อะแดปเตอร์โมเดลก็เช่นกัน เส้นทางผู้ให้บริการเป็นของปลั๊กอิน dsh-llm-pi-ai ซึ่งระบุไว้ใน แค็ตตาล็อกการกำหนดค่าปลั๊กอิน ว่าเป็น “เส้นทางผู้ให้บริการที่อินสแตนซ์นี้เป็นเจ้าของ”

ในมุมของผู้ใช้ สิ่งที่ต้องตั้งค่าคือบล็อก YAML เดียว

บล็อกผู้ให้บริการทีละคีย์

ผู้ให้บริการแบบกำหนดเองอยู่ในไฟล์:

$DSH_HOME/settings.yaml

นอกจากนี้ยังสร้างผ่าน UI ได้จาก Settings → Models

ตัวอย่างจากเอกสารอย่างเป็นทางการ:

llm-pi-ai:
  providers:
    my-gateway:
      apiKeyEnv: GATEWAY_API_KEY
      api: openai-completions
      baseURL: https://gateway.example/v1
      models:
        - id: legacy-chat
        - id: vision-preview
          input: [text, image]

ความหมายของแต่ละคีย์มีดังนี้:

my-gateway คือ ID ของผู้ให้บริการ ควรเลือกชื่อที่ใช้ต่อเนื่องได้ เพราะเป็นตัวระบุถาวร ส่วนชื่อที่แสดงใน UI ตั้งค่าแยกต่างหาก
apiKeyEnv คือชื่อตัวแปรสภาพแวดล้อมที่เก็บ API key ไฟล์การตั้งค่าจะเก็บเฉพาะชื่ออ้างอิง ไม่เก็บข้อมูลลับ
api ระบุโปรโตคอลการสื่อสาร ค่า openai-completions ใช้กับปลายทางที่เข้ากันได้กับ OpenAI
baseURL คือ root URL ที่ Harness ใช้ส่งคำขอ
models คือรายการโมเดลที่ให้บริการ แต่ละรายการต้องมี id และค่านี้ต้องตรงกับ ID ที่ปลายทางคาดหวัง
input ระบุชนิดอินพุตของโมเดล โมเดลแบบกำหนดเองเป็นข้อความเท่านั้นโดยค่าเริ่มต้น หากรองรับรูปภาพให้ประกาศอย่างชัดเจน เช่น input: [text, image]
defaultInput ใช้กำหนดค่าเริ่มต้นให้ทุกโมเดลในผู้ให้บริการ โดย input ระดับโมเดลจะมีลำดับความสำคัญสูงกว่า
compat ใช้ตั้งค่าความเข้ากันได้สำหรับปลายทางที่ทำงานต่างจาก OpenAI มาตรฐาน เช่น:
- supportsDeveloperRole: false หากแบ็กเอนด์ไม่รองรับบทบาท developer
- maxTokensField: max_tokens หากแบ็กเอนด์ใช้ชื่อฟิลด์แบบเก่า

compat ตั้งค่าได้ทั้งระดับเส้นทางและระดับโมเดล

เมื่อเพิ่มผู้ให้บริการผ่าน UI ตัวเลือก Fetch available models จะเรียก:

GET /models

หากปลายทางรองรับเส้นทางนี้ dsh จะดึงรายการโมเดลให้โดยอัตโนมัติ

คีย์ API จริงอยู่ที่ไหน

ข้อมูลลับจะถูกเก็บแบบเขียนอย่างเดียวใน:

$DSH_HOME/.credentials.yaml

หลังจากบันทึกคีย์ผ่าน UI แล้ว dsh จะแสดงเพียงตัวอธิบายที่ถูกปิดบัง ค่าจริงจะไม่ถูกแสดงอีก

ไฟล์ settings.yaml จะเก็บเพียงการอ้างอิง เช่น:

ชื่อตัวแปรใน apiKeyEnv
ตัวอธิบายข้อมูลรับรอง

ดังนั้นสามารถ commit หรือแชร์ settings.yaml ได้โดยไม่ใส่ API key ลงไป และยังหมุนเวียนคีย์ได้โดยไม่ต้องแก้การตั้งค่าผู้ให้บริการ

สูตรที่ 1: รันโมเดลในเครื่องผ่าน Ollama

Ollama เปิดเผย API ที่เข้ากันได้กับ OpenAI ที่:

http://localhost:11434/v1

รายละเอียดอยู่ใน คู่มือ OpenAI compatibility ของ Ollama

เนื่องจาก dsh ใช้โปรโตคอล openai-completions จึงสามารถแมปกับ Ollama ได้ดังนี้:

llm-pi-ai:
  providers:
    ollama-local:
      apiKeyEnv: OLLAMA_API_KEY
      api: openai-completions
      baseURL: http://localhost:11434/v1
      models:
        - id: gpt-oss:20b
        - id: qwen3

เอกสาร dsh ไม่ได้แสดงตัวอย่าง Ollama โดยตรง ตัวอย่างนี้ใช้ schema ของผู้ให้บริการแบบกำหนดเองร่วมกับปลายทาง OpenAI-compatible ที่ Ollama บันทึกไว้ ควรทดสอบกับการติดตั้งของคุณก่อนใช้งานภายใน

ตรวจสอบ Ollama ก่อนเชื่อมต่อ dsh

Ollama ในเครื่องไม่จำเป็นต้องใช้ API key แต่ schema ของผู้ให้บริการต้องมีการอ้างอิงข้อมูลรับรอง ให้ตั้งค่าตัวแปรจำลอง:

export OLLAMA_API_KEY=ollama

จากนั้นตรวจสอบขั้นตอนต่อไปนี้:

ดาวน์โหลดโมเดล:

   ollama pull gpt-oss:20b

ตรวจสอบชื่อโมเดล:

   ollama list

ค่า id ใน YAML ต้องตรงกับแท็กของ Ollama ทุกตัวอักษร

ตรวจสอบ API:

   curl http://localhost:11434/v1/models

คุณยังสามารถเรียก http://localhost:11434/v1/models ผ่าน Apidog ได้ หากได้รับรายการโมเดล แสดงว่า base URL ถูกต้องและเซิร์ฟเวอร์ทำงานอยู่

สำหรับการตั้งค่า Ollama เพิ่มเติม ดูบทความ วิธีรัน GPT-OSS โดยใช้ Ollama รูปแบบเดียวกันสามารถใช้กับโมเดลโอเพนเวตอื่น เช่น Kimi K3 หากฮาร์ดแวร์รองรับ

โมเดลขนาดเล็กในเครื่องเหมาะกับการทดสอบวงจรของเอเจนต์ แต่การวางแผนและการเรียกใช้เครื่องมืออาจด้อยกว่าโมเดลระดับแนวหน้า จึงเหมาะกับการพัฒนาปลั๊กอินมากกว่างานจริงที่มีความซับซ้อน

สูตรที่ 2: ปลายทาง OpenAI-compatible ที่โฮสต์อยู่

ตัวอย่างนี้ใช้ Qwen ผ่าน Alibaba Cloud Model Studio หรือ DashScope ซึ่งมี เอกสาร OpenAI compatibility และรองรับปลายทาง:

/compatible-mode/v1

สำหรับภูมิภาคสิงคโปร์ URL มีรูปแบบดังนี้:

https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1

การตรวจสอบสิทธิ์ใช้ตัวแปร:

DASHSCOPE_API_KEY

ตัวอย่างการตั้งค่า dsh:

llm-pi-ai:
  providers:
    qwen-dashscope:
      apiKeyEnv: DASHSCOPE_API_KEY
      api: openai-completions
      baseURL: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1
      models:
        - id: qwen3-max

ก่อนใช้งาน ให้เปลี่ยน {WorkspaceId} เป็น workspace domain จริงจากคอนโซล Model Studio และตรวจสอบ ID โมเดลจากรายการของผู้ให้บริการ

อ่านข้อมูลเพิ่มเติมได้จาก คู่มือ API ของ Qwen 3.8

รูปแบบเดียวกันนี้ใช้กับผู้ให้บริการที่มีเอกสาร OpenAI compatibility เช่น:

Kimi API ของ Moonshot
OpenRouter
vLLM
เกตเวย์ภายในบริษัท

โดยทั่วไปค่าที่ต้องเปลี่ยนมีเพียง:

baseURL
ชื่อตัวแปรสภาพแวดล้อม
ID โมเดล

หากเคยตั้งค่า โมเดลโอเพนซอร์สใน Codex แนวคิดจะคล้ายกัน โดยบล็อก YAML ของ dsh ทำหน้าที่ใกล้เคียงกับ model_providers ของ Codex

แก้ปัญหาเฉพาะปลายทางที่โฮสต์

หากผู้ให้บริการปฏิเสธคำขอเกี่ยวกับบทบาทหรือฟิลด์โทเค็น ให้ตรวจสอบ compat:

llm-pi-ai:
  providers:
    qwen-dashscope:
      apiKeyEnv: DASHSCOPE_API_KEY
      api: openai-completions
      baseURL: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1
      compat:
        supportsDeveloperRole: false
        maxTokensField: max_tokens
      models:
        - id: qwen3-max

หากโมเดลรองรับรูปภาพ ต้องประกาศด้วย:

models:
  - id: vision-model
    input: [text, image]

สูตรที่ 3: ผู้ให้บริการแค็ตตาล็อกในตัว

ไม่จำเป็นต้องสร้างบล็อกแบบกำหนดเองสำหรับผู้ให้บริการคลาวด์หลัก dsh มีผู้ให้บริการแค็ตตาล็อกสำหรับ:

DeepSeek
Anthropic
OpenAI

การตั้งค่าส่วนใหญ่คือการเพิ่ม API key ส่วนผู้ให้บริการบางรายการมีวิธีตรวจสอบสิทธิ์เฉพาะของตัวเอง เช่น:

Bedrock ใช้ข้อมูลรับรอง AWS
Vertex ต้องใช้โปรเจกต์ ADC
Azure ต้องระบุ api-version
Codex ใช้ OAuth

ผู้ให้บริการแค็ตตาล็อกเหมาะเมื่อคุณต้องการใช้ Claude หรือ GPT กับ Harness โดยไม่ต้องเขียน provider block เอง และเป็นเส้นทางหลักสำหรับ DeepSeek V4-Pro ซึ่งเปิดตัว API ในเดือนสิงหาคม 2026 พร้อมกับ Harness รายละเอียดอยู่ที่ api-docs.deepseek.com

ใช้ผู้ให้บริการแบบกำหนดเองเมื่อปลายทางไม่อยู่ในแค็ตตาล็อก เช่น:

โมเดลในเครื่อง
เกตเวย์ภายใน
ผู้ให้บริการระดับภูมิภาค
ตัวรวบรวมที่เข้ากันได้กับ OpenAI

การเลือกโมเดลและสิ่งที่เซสชันจดจำ

การเพิ่มผู้ให้บริการทำให้โมเดลพร้อมใช้งาน ส่วนการเลือกโมเดลจาก Settings → Models จะกำหนดค่าเริ่มต้นสำหรับเซสชันใหม่

มีพฤติกรรมสำคัญ 2 ข้อ:

เซสชันเดิมใช้โมเดลเดิมต่อไป

เซสชันจะบันทึกโมเดลที่ใช้ตอนเริ่มต้น การเปลี่ยนค่าเริ่มต้นจึงไม่เปลี่ยนเซสชันที่กำลังทำงานอยู่
ลบผู้ให้บริการที่เป็นค่าเริ่มต้นไม่ได้โดยไม่มีการเลือกใหม่

หากลบผู้ให้บริการที่เป็นเจ้าของค่าเริ่มต้นปัจจุบัน composer จะบล็อกอินพุตจนกว่าจะเลือกโมเดลใหม่

การปักหมุดโมเดลต่อเซสชันช่วยให้ทดสอบซ้ำและเปรียบเทียบผลลัพธ์ได้อย่างถูกต้อง เช่น เมื่อเปรียบเทียบ dsh กับ Harness อื่นในบทความ DeepSeek Harness vs Claude Code ประวัติของแต่ละเซสชันจะสะท้อนโมเดลเดียว ไม่ใช่การสลับโมเดลระหว่างทาง

แก้ปัญหาความล้มเหลวที่พบบ่อย

`baseURL` ผิดหรือเข้าถึงไม่ได้

ตรวจสอบว่า URL มี path ตรงตามที่ผู้ให้บริการกำหนด:

OpenAI-compatible ทั่วไป: /v1
DashScope: /compatible-mode/v1

ทดสอบด้วย:

curl "$BASE_URL/models" \
  -H "Authorization: Bearer $API_KEY"

หรือเรียกผ่าน ดาวน์โหลด Apidog โดยใช้ header เดียวกับที่ Harness ส่ง:

Authorization: Bearer <API_KEY>

ตรวจสอบ status code และ response body โดยตรง แทนการดูเฉพาะข้อความผิดพลาดที่ Harness ห่อหุ้มไว้

หากกำลังพัฒนาแบบออฟไลน์หรือผู้ให้บริการไม่เสถียร คุณสามารถจำลอง endpoint ต่อไปนี้ใน Apidog ได้:

/models
/chat/completions

จากนั้นชี้ baseURL ไปยัง mock server ระหว่างพัฒนา

ตัวแปรสภาพแวดล้อมหายไปหรือว่างเปล่า

apiKeyEnv เป็นเพียงชื่อของตัวแปร ไม่ได้สร้างตัวแปรให้เอง หากไม่มีตัวแปรใน environment ที่ dsh ทำงาน คำขอจะไม่มีการตรวจสอบสิทธิ์และอาจได้ 401

ตรวจสอบใน context เดียวกับที่เปิด dsh web:

echo "$GATEWAY_API_KEY"

โปรเซสที่เปิดจาก GUI หรือตัวจัดการบริการอาจไม่ได้รับ shell profile เดียวกับ terminal ของคุณ

รูปแบบอินพุตไม่ตรงกัน

หากแนบรูปภาพแล้วโมเดลไม่เห็นไฟล์ หรือคำขอเกิดข้อผิดพลาด ให้ประกาศความสามารถของโมเดล:

models:
  - id: vision-preview
    input: [text, image]

หากโมเดลทั้งหมดของ provider รองรับรูปภาพ สามารถใช้ defaultInput ระดับเส้นทางแทนได้

ความแตกต่างของโปรโตคอล

ข้อผิดพลาดเกี่ยวกับบทบาทที่ไม่รองรับหรือพารามิเตอร์จำนวนโทเค็นมักแก้ได้ด้วย:

compat:
  supportsDeveloperRole: false
  maxTokensField: max_tokens

เคยทำงานได้ แต่ตอนนี้ใช้งานไม่ได้

dsh เป็นเวอร์ชันพรีวิวสำหรับนักพัฒนา ควรทำดังนี้:

ปักหมุดเวอร์ชันที่ติดตั้ง
อ่าน release notes ก่อนอัปเกรด
ตรวจสอบ schema การตั้งค่าอีกครั้ง
อ้างอิง repo deepseek-harness เป็นแหล่งข้อมูลหลัก

นอกจากนี้ ผู้ให้บริการโมเดลเป็นเพียงส่วนหนึ่งของการปรับแต่งเอเจนต์ อีกส่วนคือเครื่องมือที่เอเจนต์เรียกใช้ได้ คุณสามารถเชื่อมต่อเวิร์กโฟลว์ API ได้โดยตรง ดูรายละเอียดจากบทความ การใช้ Apidog CLI ภายใน DeepSeek Harness

คำถามที่พบบ่อย

DeepSeek Harness รองรับ Ollama อย่างเป็นทางการหรือไม่?

เอกสารผู้ให้บริการอย่างเป็นทางการไม่ได้กล่าวถึง Ollama โดยตรง สิ่งที่ dsh รองรับคือปลายทางที่ใช้โปรโตคอล openai-completions และ Ollama มี API ที่เข้ากันได้กับ OpenAI ที่:

http://localhost:11434/v1

ตัวอย่าง Ollama ในบทความนี้จึงเป็นการนำ schema ของผู้ให้บริการแบบกำหนดเองมาใช้กับปลายทางที่ Ollama บันทึกไว้ ควรทดสอบกับการติดตั้งจริง เนื่องจาก dsh เป็นเวอร์ชันพรีวิวและ schema อาจเปลี่ยนแปลงได้

dsh เก็บ API key ไว้ที่ไหน?

เก็บไว้แบบเขียนอย่างเดียวใน:

$DSH_HOME/.credentials.yaml

หลังบันทึกผ่าน UI จะเห็นเพียงตัวอธิบายที่ถูกปิดบัง ส่วน settings.yaml จะเก็บเฉพาะการอ้างอิง เช่น apiKeyEnv ไม่มี API key แบบข้อความธรรมดาในไฟล์กำหนดค่าผู้ให้บริการ

สามารถใช้โมเดลต่างกันในแต่ละเซสชันได้หรือไม่?

ได้ การเลือกโมเดลกำหนดค่าเริ่มต้นสำหรับเซสชันใหม่เท่านั้น เซสชันเดิมจะใช้โมเดลที่เริ่มต้นมาด้วย

คุณจึงสามารถใช้ DeepSeek V4-Flash สำหรับงานทั่วไป เปลี่ยนค่าเริ่มต้นเป็นโมเดลที่มีความสามารถสูงขึ้นเมื่อต้องแก้ปัญหาซับซ้อน และเซสชันก่อนหน้าจะไม่ถูกเปลี่ยนแปลง

ปลายทางแบบกำหนดเองคืนข้อผิดพลาด แต่คำขอเดียวกันใน curl ใช้งานได้ ต้องทำอย่างไร?

เปรียบเทียบ payload ที่ Harness ส่งกับคำขอใน curl โดยเฉพาะ:

บทบาท developer
ชื่อฟิลด์จำกัดจำนวนโทเค็น
รูปแบบอินพุต

หากแบ็กเอนด์ไม่รองรับบทบาทหรือฟิลด์แบบใหม่ ให้ตั้งค่า:

compat:
  supportsDeveloperRole: false
  maxTokensField: max_tokens

การทำซ้ำคำขอของ Harness ใน API client จะช่วยระบุฟิลด์ที่ปลายทางไม่รองรับได้รวดเร็วขึ้น

วิธีใช้ Apidog CLI บน DeepSeek Harness

Thanawat Wongchai — Thu, 20 Aug 2026 08:07:28 +0000

DeepSeek Harness เป็นวงจรการทำงานที่เอเจนต์อ่านเวิร์กสเปซ แก้ไขไฟล์ รันคำสั่งผ่านเครื่องมือ bash และตัดสินใจขั้นตอนถัดไปจากเอาต์พุตของคำสั่ง แล้วเหตุใดการทดสอบ API จึงไม่อยู่ในวงจรเดียวกัน? หากการทดสอบอยู่แค่ใน GUI ของ Apidog และต้องรอให้คนจำได้ว่าต้องคลิก เอเจนต์จะไม่สามารถใช้ผลทดสอบเพื่อตรวจสอบงานของตัวเองได้

ลองใช้ Apidog วันนี้

วิธีเพิ่มการทดสอบ API เข้าไปในวงจรนี้คือกำหนดค่าให้เอเจนต์เรียก Apidog CLI โดยตรง apidog-cli เป็นแพ็กเกจ npm ที่รันสถานการณ์ทดสอบจาก Apidog ผ่านเทอร์มินัลได้ เมื่อติดตั้ง CLI แล้วและ DeepSeek Harness รับรู้คำสั่ง เอเจนต์จะรันสถานการณ์ Apidog ได้เหมือนรัน unit test: เรียกคำสั่ง อ่าน exit code และแก้โค้ดเมื่อผลลัพธ์ล้มเหลว

ข้อดีคือช่วยลดการใช้ context ของเอเจนต์ แทนที่เอเจนต์จะอ่าน handler และพยายามอนุมานว่า response ถูกต้องหรือไม่ในทุกครั้ง มันสามารถรันคำสั่งเดียวและรับผลจริงกลับมาได้ทันที CLI สรุปคำถามว่า “API ถูกต้องหรือไม่?” ให้เป็น exit code พร้อมรายละเอียด assertion ที่ล้มเหลว เพื่อให้เอเจนต์ใช้ context ไปกับการแก้ไขโค้ดแทน

บทความนี้เน้นส่วนที่เกี่ยวข้องกับ DeepSeek Harness โดยเฉพาะ: ไฟล์คำสั่งที่ harness โหลด เครื่องมือ bash รัน apidog run อย่างไร และวิธีตรวจสอบว่าเอเจนต์รันการทดสอบจริง หากยังไม่ได้ติดตั้ง CLI ให้ทำขั้นตอนนั้นก่อนที่ วิธีติดตั้ง Apidog CLI ด้วยเอเจนต์โค้ด AI บทความนี้สมมติว่าคำสั่งต่อไปนี้ทำงานแล้ว:

apidog --version

และเครื่องของคุณได้รับการยืนยันตัวตนกับ Apidog แล้ว

DeepSeek Harness ที่เรากำลังพูดถึง

DeepSeek Harness หรือ dsh บนบรรทัดคำสั่ง เป็น agent harness แบบโอเพนซอร์สที่ DeepSeek เปิดตัวเมื่อวันที่ 13 สิงหาคม 2026 พร้อม V4-Pro บน API โปรเจกต์ได้รับอนุญาตภายใต้ MIT และอยู่ที่ github.com/deepseek-ai/deepseek-harness

เริ่มใช้งาน web UI ในเครื่องได้ด้วยคำสั่ง:

npx @deepseek-ai/dsh web

จากนั้นเปิด http://127.0.0.1:3080 เลือกเวิร์กสเปซของโปรเจกต์ แล้วเอเจนต์จะสามารถอ่านและแก้ไขไฟล์ รันคำสั่ง และขออนุมัติก่อนดำเนินการตามนโยบายสิทธิ์ที่ใช้งานอยู่

มีข้อควรทราบ 2 ข้อก่อนตั้งค่า:

DeepSeek Harness เป็น developer preview ดังนั้นชื่อไฟล์และคีย์คอนฟิกอาจเปลี่ยนได้ ตรวจสอบกับ เอกสารของ repo หากการตั้งค่าไม่ทำงาน
ระบบใช้สถาปัตยกรรมปลั๊กอินบน Cordis ดังนั้นการโหลดคำสั่งโปรเจกต์และพฤติกรรมของเครื่องมือขึ้นอยู่กับปลั๊กอินที่ติดตั้ง

สำหรับภาพรวมเพิ่มเติม ดู DeepSeek Harness คืออะไร และ DeepSeek Harness vs Claude Code

ขั้นตอนที่ 1: เพิ่มคำสั่ง Apidog CLI ลงใน `AGENTS.md`

DeepSeek Harness โหลดคำสั่งเวิร์กสเปซผ่านปลั๊กอิน @deepseek-ai/dsh-agent-instructions ตามซอร์สโค้ดของปลั๊กอินและแคตตาล็อกการกำหนดค่า ตัวโหลดจะค้นหาไฟล์จากไดเรกทอรีทำงานของเซสชันขึ้นไปจนถึง project root ที่ระบุด้วย .git

ไฟล์ที่เกี่ยวข้องมีลำดับการใช้งานดังนี้:

AGENTS.md เป็นไฟล์หลัก
CLAUDE.md ใช้เป็น fallback
AGENTS.local.md และ CLAUDE.local.md เป็น local overlay ที่โหลดหลังไฟล์หลัก
$DSH_HOME/AGENTS.md เป็นคำสั่งส่วนกลางของผู้ใช้ โดยค่าเริ่มต้นคือ ~/.dsh/AGENTS.md
ไฟล์ที่ใหญ่กว่า 1 MiB จะถูกละเว้น

หาก repo มี AGENTS.md สำหรับ Codex หรือ CLAUDE.md สำหรับ Claude Code อยู่แล้ว DeepSeek Harness สามารถนำไปใช้ได้ทันที เพิ่มบล็อกนี้ลงในไฟล์ดังกล่าว:

## การทดสอบ API ด้วย Apidog CLI
- หากต้องการทดสอบ API ให้รันสถานการณ์ Apidog ไม่ต้องคลิกผ่าน GUI
- คำสั่ง: apidog run -t <scenario_id> -e <env_id> -r cli
- รหัสการออก 0 หมายถึงการยืนยันทั้งหมดผ่าน รหัสที่ไม่ใช่ 0 หมายถึงความล้มเหลว; ให้อ่านรายงานและแก้ไขโค้ด
- เครื่องได้รับการยืนยันตัวตนแล้ว ห้ามเพิ่มแฟล็ก --access-token และห้ามใส่โทเค็นในไฟล์นี้

ให้เก็บ ID ของสถานการณ์ทดสอบไว้ในไฟล์กฎของ repo แทนการพิมพ์ในแชตของ session เพราะคำสั่งในแชตจะหายไปเมื่อ session จบลง แต่ AGENTS.md จะถูกโหลดใน session ใหม่และใช้ร่วมกันได้กับสมาชิกทีมที่ clone repo เดียวกัน

หากทำงานหลายโปรเจกต์ ให้เก็บกฎทั่วไปใน ~/.dsh/AGENTS.md เช่น:

ตรวจสอบการเปลี่ยนแปลง API ด้วยคำสั่ง apidog run ของโปรเจกต์เสมอ

จากนั้นเก็บ scenario_id และ env_id จริงไว้ใน AGENTS.md ของแต่ละ repo

ขั้นตอนที่ 2: คัดลอกคำสั่งจาก Apidog

ไม่ต้องเดา ID ของสถานการณ์หรือ environment

เปิดสถานการณ์ทดสอบใน Apidog
ไปที่แท็บ CI/CD
คัดลอกคำสั่งที่ Apidog สร้างให้

ตัวอย่าง:

apidog run -t 123456 -e 789012 -r cli

ความหมายของแฟล็ก:

-t คือ ID ของสถานการณ์ทดสอบ
-e คือ ID ของ environment
-r cli เลือก reporter แบบ CLI เพื่อพิมพ์ผลลัพธ์ในเทอร์มินัล

วางคำสั่งจริงที่ได้จาก Apidog ลงใน AGENTS.md เพื่อให้เอเจนต์ใช้ ID ที่ถูกต้อง แทนการสร้างหรือเดา ID เอง

ขั้นตอนที่ 3: ให้เอเจนต์รันการทดสอบ

เปิด dsh web UI และเลือกเวิร์กสเปซของโปรเจกต์ เมื่อ AGENTS.md ถูกโหลดแล้ว เอเจนต์จะรับรู้ว่าต้องใช้ Apidog CLI สำหรับตรวจสอบ API

หลังแก้ไข endpoint, handler หรือ business logic ที่เกี่ยวข้องกับ API ให้สั่งเอเจนต์ เช่น:

รันสถานการณ์ทดสอบ Apidog และบอกรหัสการออกให้ฉันทราบ

เอเจนต์จะใช้เครื่องมือ bash เพื่อรันคำสั่งในไฟล์กฎ

เข้าใจพฤติกรรมของ bash tool

ตามแคตตาล็อกเครื่องมือ เครื่องมือ bash ของ dsh เริ่มคำสั่งแต่ละครั้งใน fresh shell ซึ่งหมายความว่า:

ไม่มี directory state ที่คงอยู่ระหว่างคำสั่ง
ไม่มี environment variable ที่ตั้งไว้จากคำสั่งก่อนหน้า
ไม่มี shell function ที่คงอยู่
โดยปกติคำสั่งจะรันจาก session workspace เว้นแต่ระบุ workdir

ดังนั้นรูปแบบนี้จะไม่ทำงานตามที่คาดหวังหากแยกเป็นหลายครั้ง:

cd services/api

apidog run -t 123456 -e 789012 -r cli

ให้ใช้คำสั่งบรรทัดเดียวแทน หากจำเป็นต้องรันในไดเรกทอรีย่อย:

cd services/api && apidog run -t 123456 -e 789012 -r cli

หรือส่งค่า workdir ผ่านเครื่องมือ bash หาก harness build ที่ใช้งานรองรับ

เมื่อคำสั่งล้มเหลว dsh จะแสดงผลลัพธ์ในรูปแบบ:

[exit code: 1]

แม้เอาต์พุตยาวจะถูกตัดทอน สถานะผ่าน/ล้มเหลวจาก exit code ยังตรวจสอบได้ชัดเจน

คำสั่งอาจทำงานภายใต้ file sandbox ด้วย หากถูกบล็อก จะปรากฏเป็นการปฏิเสธตามนโยบาย ไม่ใช่ command failure การรันแบบ -r cli มักไม่เขียนไฟล์จึงมีโอกาสเจอปัญหาน้อยกว่า HTML reporter ที่เขียนรายงานลงดิสก์

หาก web UI ขออนุมัติก่อนรัน apidog run ให้อนุมัติคำสั่งตามนโยบายที่ใช้งานอยู่ โดยเฉพาะเมื่อรันกับ staging ที่ควบคุมได้

ขั้นตอนที่ 4: อ่านรายงานและแก้ไขจาก assertion ที่ล้มเหลว

เมื่อรันด้วย -r cli เอเจนต์จะเห็นรายละเอียดผลทดสอบในเทอร์มินัล เช่น:

request ที่ถูกเรียก
assertion ที่ตรวจสอบ
status code ที่คาดหวังและค่าจริง
field ที่หายไปหรือมีค่าไม่ตรงตามสัญญา

ตัวอย่างปัญหาที่เอเจนต์สามารถใช้แก้โค้ดได้ทันที:

คาดหวัง 200 แต่ได้รับ 500
response ไม่มีฟิลด์ total
รหัสสกุลเงินไม่ตรงกับค่าที่คาดหวัง

หากต้องการรายงานที่เปิดในเบราว์เซอร์หรือส่งต่อให้ทีม เพิ่ม HTML reporter:

apidog run -t 123456 -e 789012 -r cli,html

ตัว reporter html จะเขียนรายงานไปที่:

./apidog-reports

ควรเก็บ cli ไว้เสมอ เพื่อให้เอเจนต์ยังอ่านผลลัพธ์แบบ inline และตัดสินใจขั้นตอนถัดไปได้

วงจรแก้ไข-ทดสอบ-แก้ไขแบบครบวงจร

สมมติว่าเอเจนต์กำลังแก้ไข checkout handler

หากไม่มี CLI วงจรอาจจบที่ “โค้ดดูถูกต้อง” แต่เมื่อเพิ่มคำสั่ง Apidog ลงใน AGENTS.md วงจรจะเป็นดังนี้:

เอเจนต์แก้ไข handler
เอเจนต์รันคำสั่ง:

   apidog run -t 123456 -e 789012 -r cli

เอเจนต์อ่านผลลัพธ์
หาก exit code เป็น 0 เอเจนต์ดำเนินงานต่อ
หากได้รับ [exit code: 1] เอเจนต์ระบุ assertion ที่ล้มเหลว
เอเจนต์แก้ไข handler แล้วรันซ้ำ

ผลคือการตรวจสอบ API contract กลายเป็นส่วนหนึ่งของวงจรเดียวกับการรัน unit test แทนที่จะพึ่งการอนุมานจากโค้ดเพียงอย่างเดียว

สถานการณ์ทดสอบใน Apidog เก็บพฤติกรรมที่ API ควรมีอยู่แล้ว เอเจนต์จึงไม่จำเป็นต้องอ่าน route และ handler ทุกไฟล์ซ้ำเพื่อตรวจสอบความถูกต้องของ API

รูปแบบการแบ่งงานคือ:

dsh เขียนและแก้ไขโค้ด
Apidog CLI ตรวจสอบพฤติกรรม API
ทีมสร้างและดูแลสถานการณ์ทดสอบใน Apidog

ตรวจสอบว่า dsh รันการทดสอบจริงหรือไม่

อย่าเชื่อเพียงข้อความสรุปของเอเจนต์ โดยเฉพาะเมื่อใช้ harness เวอร์ชัน developer preview ให้ตรวจสอบ 3 จุดต่อไปนี้

1. ตรวจสอบ tool call ใน web UI

ดู session ใน dsh web UI และค้นหาการเรียกใช้ bash ที่มีคำสั่งจริง:

apidog run ...

ต้องมีทั้งคำสั่งและเอาต์พุต หากเอเจนต์บอกว่ารันแล้วแต่ไม่มี tool call ดังกล่าว แสดงว่าเอเจนต์สรุปผลโดยไม่ได้รันจริง

สั่งให้เอเจนต์รันใหม่และแสดง raw output:

รัน apidog run อีกครั้ง และแสดงเอาต์พุตดิบทั้งหมดพร้อม exit code

2. ตรวจสอบ exit code

ถามเอเจนต์โดยตรง:

รหัสการออกของคำสั่ง apidog run คืออะไร?

ให้ยึดค่า [exit code: N] จากผลเครื่องมือเป็นหลัก:

0 หมายถึงการทดสอบผ่าน
ค่าอื่นที่ไม่ใช่ 0 หมายถึงคำสั่งหรือ assertion ล้มเหลว

หากเอเจนต์สรุปว่า “การทดสอบผ่าน” แต่ผลลัพธ์แสดง exit code ที่ไม่ใช่ 0 ให้เชื่อ exit code

3. ตรวจสอบว่าใช้ scenario และ environment ที่ถูกต้อง

ข้อผิดพลาด scenario not found มักเกิดจาก ID ไม่ถูกต้องหรือเอเจนต์เดา ID เอง

ตรวจสอบค่าต่อไปนี้กับคำสั่งในแท็บ CI/CD ของ Apidog:

-t <scenario_id>
-e <env_id>

แหล่งข้อมูลที่ควรเชื่อถือคือคำสั่งใน AGENTS.md และคำสั่งที่ Apidog สร้างจากแท็บ CI/CD

ทางเลือกเสริม: เพิ่ม Apidog MCP server เพื่อให้เอเจนต์อ่านสเปค

Apidog CLI เหมาะสำหรับการตรวจสอบผ่านสถานการณ์ทดสอบ หากต้องการให้เอเจนต์อ่านสเปค API ระหว่างเขียนโค้ด จะเป็นกรณีใช้งานของ MCP

ณ ปลายเดือนสิงหาคม 2026 การรองรับ MCP ยังไม่มีเอกสารใน README หรือคู่มือผู้ใช้หลักของ DeepSeek Harness อย่างไรก็ตาม มี community plugin ชื่อ hyqhyq3/dsh-mcp-manager ที่ค้นหาได้ผ่าน GitHub topic dsh-plugin

ปลั๊กอินนี้มีความสามารถดังนี้:

เพิ่มหน้า MCP ใน Settings
รองรับ remote HTTP server และ local stdio server
ลงทะเบียนเครื่องมือเป็น mcp__<name>__*
อ่านคอนฟิกต่อโปรเจกต์จาก:

  <workspace>/.dsh/dshmm/mcp.json

คุณสามารถเชื่อมต่อ Apidog MCP server เพื่อเปิดเผย API specification ผ่าน MCP ทำให้เอเจนต์ตรวจสอบ schema ของ endpoint ก่อนเขียน handler ได้

อย่างไรก็ตาม การใช้ community plugin ร่วมกับ host ที่ยังเป็น developer preview มีความเสี่ยงจาก breaking changes ให้มอง MCP เป็นชั้นเสริม ส่วน CLI เป็นเส้นทางหลักที่เรียบง่ายกว่า เพราะต้องใช้เพียง shell และคำสั่ง apidog run

ข้อควรระวังในเวอร์ชันพรีวิว และทิศทางในอนาคต

DeepSeek Harness เปลี่ยนแปลงอย่างรวดเร็ว รายละเอียดที่อาจเปลี่ยนได้มากที่สุด ได้แก่:

ชื่อไฟล์ที่ปลั๊กอินคำสั่งค้นหา
การรายงาน sandbox ของ bash tool
พฤติกรรมของ MCP community plugin

แต่รูปแบบการทำงานยังใช้ได้กับ agent harness อื่น:

ประกาศคำสั่งตรวจสอบ API ไว้ในไฟล์กฎ
ใช้ CLI ที่คืน exit code ชัดเจน
ให้เอเจนต์อ่านผลลัพธ์และแก้โค้ดจากข้อผิดพลาดจริง

แนวทางเดียวกันนี้ใช้ได้ใน Claude Code และ harness อื่น ๆ เพราะเอเจนต์ทำงานได้ดีเมื่อมีผลลัพธ์คำสั่งที่ตรวจสอบได้ ไม่ใช่เมื่อถูกขอให้อนุมานว่าระบบทำงานถูกต้องหรือไม่

เริ่มต้นได้ตามลำดับนี้:

ดาวน์โหลด Apidog
สร้างสถานการณ์ทดสอบอย่างน้อยหนึ่งชุด
คัดลอกคำสั่ง apidog run จากแท็บ CI/CD
เพิ่มคำสั่งลงใน AGENTS.md
ให้ DeepSeek Harness รันการทดสอบทุกครั้งหลังแก้ไขโค้ด API

ครั้งต่อไปที่ DeepSeek Harness แก้ไข API ของคุณ มันจะสามารถตรวจสอบงานของตัวเองก่อนรายงานว่าเสร็จสิ้น

คำถามที่พบบ่อย

DeepSeek Harness อ่าน AGENTS.md โดยตรงหรือไม่?

ใช่ ปลั๊กอิน @deepseek-ai/dsh-agent-instructions จะโหลด AGENTS.md หรือใช้ CLAUDE.md เป็น fallback จาก project root และไดเรกทอรีเหนือ session working directory รวมถึง:

AGENTS.local.md
CLAUDE.local.md
~/.dsh/AGENTS.md

หากมี AGENTS.md สำหรับเอเจนต์อื่นอยู่แล้ว dsh สามารถใช้ไฟล์เดิมได้โดยไม่ต้องเปลี่ยนรูปแบบ

ฉันจำเป็นต้องมีแผน DeepSeek แบบชำระเงินเพื่อใช้ Apidog CLI ใน dsh หรือไม่?

ไม่ DeepSeek Harness เป็นโอเพนซอร์สภายใต้ MIT และรองรับการนำโมเดลของคุณเองมาใช้ ผู้ให้บริการที่รองรับครอบคลุม Anthropic, OpenAI, Bedrock, Vertex และ Azure รวมถึง custom gateway ผ่าน settings.yaml ตามที่อธิบายใน วิธีรันโมเดลใดๆ ใน DeepSeek Harness

Apidog CLI เป็นแพ็กเกจ npm ฟรี แต่ต้องมีสถานการณ์ทดสอบ Apidog และการยืนยันตัวตน ไม่ได้ผูกกับโมเดลเฉพาะ

ทำไมคำสั่งที่สองของเอเจนต์จึงลืมไดเรกทอรีที่คำสั่งแรกเปลี่ยนไป?

เครื่องมือ bash ของ dsh รันทุกคำสั่งใน fresh shell ดังนั้น cd ไม่คงอยู่ระหว่างการเรียกใช้

ใช้ workdir หากเครื่องมือรองรับ หรือรวมคำสั่งเป็นบรรทัดเดียว:

cd services/api && apidog run -t 123456 -e 789012 -r cli

dsh สามารถรันสถานการณ์โดยไม่ต้องถามฉันทุกครั้งได้หรือไม่?

ขึ้นอยู่กับนโยบายสิทธิ์ที่ใช้งานอยู่ web UI จะขออนุมัติก่อนการดำเนินการที่ต้องได้รับอนุญาตตามนโยบายนั้น

ตรวจสอบ Settings ของ build ที่ใช้งานเพื่อดูระดับสิทธิ์ที่ตั้งไว้ หากมี prompt สำหรับคำสั่ง apidog run กับ staging ให้พิจารณาอนุมัติตามนโยบายและแนวทางความปลอดภัยของทีมคุณ

DeepSeek Harness เทียบกับ Claude Code: ผู้ช่วยเขียนโค้ด AI ตัวไหนเหมาะกับ Stack ของคุณ?

Thanawat Wongchai — Thu, 20 Aug 2026 06:16:48 +0000

DeepSeek Harness (dsh) เปิดตัวเมื่อวันที่ 13 สิงหาคม 2026 ในฐานะเครื่องมือ coding agent แบบโอเพนซอร์สที่ถูกนำเสนอว่าเป็น “คู่แข่งโอเพนซอร์สของ Claude Code” โดย พาดหัวข่าวการเปิดตัวของ VentureBeat dsh เปิดตัวพร้อม DeepSeek V4-Pro บน API และมีดาวประมาณ 169,000 ดวงบน GitHub ณ วันที่ 20 สิงหาคม ผ่านไปหนึ่งสัปดาห์ repository ก็กลายเป็นโปรเจกต์ที่ได้รับความสนใจอย่างมาก

ลองใช้ Apidog วันนี้

แต่จำนวนดาวไม่ได้ตอบคำถามที่นักพัฒนาต้องการจริงๆ: ควรใช้ coding agent บน DeepSeek Harness หรือ Claude Code? dsh เป็นเวอร์ชันพรีวิวสำหรับนักพัฒนาที่ใช้ใบอนุญาต MIT สร้างบน plugin kernel และมี Web UI แบบโลคัล ส่วน Claude Code เป็นผลิตภัณฑ์กรรมสิทธิ์ที่มีระบบนิเวศครบกว่า เช่น skills, hooks, MCP ในตัว, subagents และการใช้งานบนหลายแพลตฟอร์ม

บทความนี้เปรียบเทียบสิ่งที่ทั้งสองเครื่องมือทำได้จริงในปัจจุบัน ได้แก่ ใบอนุญาต อินเทอร์เฟซ อิสระของโมเดล ราคา ความสมบูรณ์ ความสามารถในการขยาย สิทธิ์อนุญาต และ MCP หากคุณยังใหม่กับ dsh ให้เริ่มจาก DeepSeek Harness คืออะไรและทำงานอย่างไร ก่อน

💡เอเจนต์ทั้งสองเขียนโค้ดตาม API และคุณภาพของผลลัพธ์ขึ้นอยู่กับสเปกที่ให้เป็นหลัก Apidog ช่วยให้สเปกนั้นผ่านการทดสอบและเป็นปัจจุบัน ไม่ว่าคุณจะเลือกเอเจนต์ใดก็ตาม

การเปรียบเทียบอย่างรวดเร็ว

มิติ	DeepSeek Harness (dsh)	Claude Code
ใบอนุญาต	MIT, ซอร์สโค้ดบน GitHub	กรรมสิทธิ์; “สงวนลิขสิทธิ์ทั้งหมด” และอยู่ภายใต้ข้อกำหนดทางการค้าของ Anthropic
อายุ	เปิดตัว 13 ส.ค. 2026; เวอร์ชันพรีวิวสำหรับนักพัฒนา	พร้อมใช้งานทั่วไปและเป็นผลิตภัณฑ์ที่สมบูรณ์กว่า
ความเสถียร	README เตือนถึงการเปลี่ยนแปลงที่อาจกระทบความเข้ากันได้	มีช่องทางเผยแพร่ที่เสถียรและการตั้งค่าที่มีเวอร์ชัน
อินเทอร์เฟซ	Web UI ที่ `127.0.0.1:3080`, CLI แบบใช้โปรไฟล์ และ headless	Terminal CLI, VS Code, JetBrains, แอปเดสก์ท็อป, เว็บ และมือถือ
โมเดล	DeepSeek, Anthropic, OpenAI, Bedrock, Vertex, Azure และ endpoint ที่เข้ากันได้กับ OpenAI	โมเดล Claude เท่านั้น โดยเรียกใช้โดยตรงหรือผ่าน Bedrock, Vertex และ Foundry
ราคา	ตัว Harness ฟรี แต่จ่ายค่าโทเค็นตาม API ที่เชื่อมต่อ	สมัคร Claude Pro/Max หรือจ่าย API ตามการใช้งานผ่าน Console
ความสามารถในการขยาย	ทุกอย่างเป็นปลั๊กอินผ่าน Cordis kernel และมีปลั๊กอินชุมชนในหัวข้อ `dsh-plugin`	มีปลั๊กอิน, skills, hooks, subagents และ Agent SDK
สิทธิ์อนุญาต	Web UI แจ้งเตือนเมื่อการกระทำต้องขออนุมัติตามนโยบาย	มีโหมดสิทธิ์อนุญาต 6 แบบ และกฎอนุญาต/ปฏิเสธแบบละเอียด
MCP	ใช้ปลั๊กอินชุมชน เช่น `dsh-mcp-manager`; ยังไม่ใช่ส่วนหลัก	รองรับในตัวและเป็นความสามารถหลัก

ตารางช่วยให้เห็นภาพรวม ต่อไปคือรายละเอียดและแนวทางเลือกใช้ในงานจริง

โอเพนซอร์สกับกรรมสิทธิ์: MIT ให้อะไรคุณบ้าง

DeepSeek Harness ใช้ใบอนุญาต MIT และระบุ dependencies ของบุคคลที่สามไว้ใน THIRD_PARTY_NOTICES.md คุณจึงสามารถอ่าน agent loop, fork, แพตช์, ฝัง dsh ในผลิตภัณฑ์เชิงพาณิชย์ และตรวจสอบการทำงานได้

แนวทางนี้เหมาะกับทีมที่ต้องตรวจสอบโค้ดเพื่อการปฏิบัติตามกฎระเบียบ หรือต้องการควบคุมโครงสร้างพื้นฐานของ agent เอง อย่างไรก็ตาม MIT เป็นคำมั่นสัญญาเรื่องสิทธิ์ ไม่ใช่การรับประกันว่าโปรเจกต์จะได้รับการดูแลในระยะยาว เพราะ dsh ยังอยู่ในช่วงพรีวิว

Claude Code แตกต่างกัน ไฟล์ LICENSE ใน public repo ของ Anthropic ระบุว่า “© Anthropic PBC. สงวนลิขสิทธิ์ทั้งหมด” และการใช้งานอยู่ภายใต้ข้อกำหนดทางการค้าของ Anthropic repository มีไว้สำหรับปัญหาและเอกสาร ไม่ใช่ซอร์สโค้ดที่คุณนำไป fork ได้

สรุปสำหรับการตัดสินใจ: หากต้องฝัง agent ลงในเครื่องมือภายในหรือแก้ไข agent loop เอง dsh ได้เปรียบกว่า หากต้องการผลิตภัณฑ์สำเร็จรูปที่มีผู้ดูแลและระบบนิเวศพร้อมใช้ Claude Code เหมาะกว่า

อินเทอร์เฟซ: Web UI แบบโลคัลกับการใช้งานหลายแพลตฟอร์ม

เริ่ม dsh ด้วยคำสั่งต่อไปนี้:

npx @deepseek-ai/dsh web

คำสั่งนี้เปิด Web UI ที่ http://127.0.0.1:3080 และเปิดเบราว์เซอร์ให้อัตโนมัติ หากไม่ต้องการให้เปิดเบราว์เซอร์ ให้ใช้:

npx @deepseek-ai/dsh web --no-open

จากนั้นเลือก workspace และไดเรกทอรีโปรเจกต์ที่ต้องการให้ dsh ทำงาน จุดเด่นคือแนวทาง local-first: UI ทำงานจากเครื่องของคุณ ไม่ใช่บริการโฮสต์ภายนอก

สำหรับการใช้โปรไฟล์และการทำงานแบบอัตโนมัติ ให้ดู README ของ CLI ของ dsh ตัวอย่างเช่น:

dsh --profile <name>

โปรไฟล์จะอยู่ภายใต้ $DSH_HOME/profiles/<name> ส่วน headless profile สามารถรันเซสชันต่อเนื่อง พิมพ์คำตอบสุดท้าย และออกจากโปรแกรมได้ คำสั่ง dsh web เป็นตัวช่วยเรียกใช้ web profile และ dsh plugin ใช้จัดการปลั๊กอินของโปรไฟล์ผ่าน pnpm

Claude Code เริ่มจากเทอร์มินัลและขยายไปยังแพลตฟอร์มอื่น ตาม เอกสารอย่างเป็นทางการ ปัจจุบันใช้งานได้ใน Terminal, VS Code, JetBrains, แอปเดสก์ท็อป และเบราว์เซอร์ที่ claude.ai/code รวมถึงมือถือ นอกจากนี้ยังรองรับการทำงานแบบ headless:

claude -p "prompt"

รูปแบบนี้เหมาะกับ CI, cron และ shell pipeline

เลือก dsh หากทำงานในโปรเจกต์เดียวบนเครื่องเดียวและต้องการ Web UI แบบโลคัล เลือก Claude Code หากต้องสลับระหว่าง IDE, เทอร์มินัล, CI และอุปกรณ์หลายประเภท

อิสระของโมเดล: จุดแตกต่างหลัก

dsh ออกแบบมาให้ไม่ผูกกับโมเดลเดียว เอกสารผู้ให้บริการของ dsh ระบุการรองรับ Anthropic, OpenAI, Bedrock, Vertex และ Azure รวมถึง endpoint ที่เข้ากันได้กับ OpenAI แบบกำหนดเอง

แนวคิดการตั้งค่าโดยทั่วไปคือกำหนดคีย์ API, ประเภท API, baseURL และรายการโมเดลใน $DSH_HOME/settings.yaml ส่วนคีย์จริงอยู่ใน .credentials.yaml แยกต่างหาก:

providers:
  custom:
    apiKeyEnv: CUSTOM_API_KEY
    api: openai-completions
    baseURL: https://your-endpoint.example.com/v1
    models:
      - your-model

รูปแบบนี้ช่วยให้ dsh ใช้ DeepSeek, API ของผู้ให้บริการรายอื่น หรือโมเดล quantized ที่รันผ่านเซิร์ฟเวอร์โลคัลได้ รายละเอียดการตั้งค่าครบถ้วนอยู่ใน วิธีเรียกใช้โมเดลใดก็ได้ใน DeepSeek Harness

Claude Code ใช้โมเดล Claude เท่านั้น คุณสามารถเลือกเส้นทางการเรียกเก็บเงินหรือโครงสร้างพื้นฐานผ่าน Amazon Bedrock, Google Cloud’s Agent Platform หรือ Microsoft Foundry ได้ แต่โมเดลยังคงเป็น Claude

ดังนั้น dsh เหมาะกับทีมที่ต้องการย้ายโมเดลหรือเปรียบเทียบผู้ให้บริการ ส่วน Claude Code เหมาะกับทีมที่ให้คุณค่ากับการผสานรวมระหว่างโมเดลและ agent loop ที่แน่นแฟ้น

ราคา: จ่ายตามโทเค็นกับการสมัครสมาชิก

ตัว dsh ไม่มีค่าใช้จ่าย สิ่งที่ต้องจ่ายคือค่าการอนุมานของ API ที่เชื่อมต่อ หากใช้ DeepSeek ให้ตรวจสอบ อัตราต่อโทเค็นของ DeepSeek โดย V4-Pro ซึ่งเปิดตัวพร้อม dsh มีราคาสูงกว่ารุ่นก่อนหน้าตามรายงานของ VentureBeat สำหรับ ID โมเดลและรูปแบบคำขอ ให้ดู คู่มือ DeepSeek V4-Pro-0813 API

การจ่ายแบบต่อโทเค็นโปร่งใสและไม่มีค่าใช้จ่ายเมื่อไม่ได้ใช้งาน แต่เซสชัน agentic ที่ยาวอาจใช้โทเค็นจำนวนมากโดยไม่มีเพดานราคาคงที่

Claude Code มีตัวเลือก Claude Pro ราคา 20 ดอลลาร์ต่อเดือน หรือ Max ราคา 100 หรือ 200 ดอลลาร์ต่อเดือน นอกจากนี้ทีมยังเลือกเรียกเก็บเงิน API ตามการใช้งานผ่าน Claude Console ได้ การสมัครสมาชิกช่วยให้คาดการณ์ค่าใช้จ่ายได้ง่ายกว่า แต่มีขีดจำกัดการใช้งาน โดย Anthropic เพิ่มขีดจำกัดรายสัปดาห์ 50 เปอร์เซ็นต์ในเดือนกรกฎาคม 2026 ตามรายละเอียดใน บทวิเคราะห์การเพิ่มขีดจำกัดรายสัปดาห์ของ Claude Code

กฎโดยประมาณ: ใช้งานเป็นช่วงๆ ให้พิจารณาการจ่ายตามโทเค็น ส่วนการใช้งานหนักทุกวันอาจเหมาะกับการสมัครสมาชิกแบบคงที่ และ dsh ยังสามารถชี้ไปยัง API ของ Anthropic ผ่านผู้ให้บริการแค็ตตาล็อกได้ ทำให้เรื่องราคาแยกจากเรื่อง harness ได้บางส่วน

ความสมบูรณ์: เวอร์ชันพรีวิวกับระบบนิเวศที่พร้อมใช้

DeepSeek Harness เป็นเวอร์ชันพรีวิวสำหรับนักพัฒนา README เตือนอย่างชัดเจนว่าอาจมีการเปลี่ยนแปลงที่กระทบความเข้ากันได้ การตั้งค่าหรือปลั๊กอินที่เขียนวันนี้อาจต้องแก้ไขในอนาคต หากนำ dsh ไปใช้กับเวิร์กโฟลว์จริง ควร pin เวอร์ชัน ตรวจสอบการเปลี่ยนแปลง และเตรียมแผน migration

ในทางกลับกัน Claude Code มีการใช้งานมาตั้งแต่ต้นปี 2025 และมีความสามารถสำหรับงานจริง เช่น:

หน่วยความจำโปรเจกต์ผ่าน CLAUDE.md
หน่วยความจำอัตโนมัติ
skills สำหรับเวิร์กโฟลว์สำเร็จรูป
hooks สำหรับรัน shell command รอบการทำงานของ agent
subagents ที่มี agent หลักคอยประสานงาน
Agent SDK สำหรับสร้าง agent แบบกำหนดเอง
การผสานรวมกับ GitHub Actions และ GitLab CI/CD
งานที่ตั้งเวลาไว้

ความสามารถเหล่านี้มีเอกสารและถูกใช้งานจริงแล้ว ดูการเปรียบเทียบเพิ่มเติมได้ที่ Claude Code vs Codex CLI

dsh มีแรงสนับสนุนจากชุมชนสูง โดยมีดาวประมาณ 169,000 ดวงและ 18.1k forks ภายในหนึ่งสัปดาห์ ณ วันที่ 20 สิงหาคม แต่สำหรับการตัดสินใจในวันนี้ การเปรียบเทียบที่ตรงที่สุดยังคงเป็น “เวอร์ชันพรีวิว” กับ “ผลิตภัณฑ์ที่พร้อมใช้”

ความยืดหยุ่นในการขยาย: plugin kernel กับระบบนิเวศปลั๊กอิน

เครื่องมือทั้งสองขยายได้ แต่ขยายคนละชั้น

dsh สร้างบน Cordis ซึ่งเป็น plugin kernel อะแดปเตอร์โมเดล ตัวลงทะเบียนเครื่องมือ บันทึกเซสชัน และ agent loop เป็นปลั๊กอินที่เปลี่ยนได้ หากต้องการปรับวิธีที่ agent จัดการกับ tool call ที่ล้มเหลว ก็สามารถเปลี่ยน loop ได้โดยตรง ปลั๊กอินชุมชนค้นหาได้ผ่านหัวข้อ dsh-plugin บน GitHub

Claude Code เปิดจุดเชื่อมต่อสำหรับการปรับแต่ง เช่น ปลั๊กอิน, skills, hooks, MCP servers และ subagents แต่ core loop ยังคงเป็นของ Anthropic แนวทางนี้ลดความเสี่ยงจากการอัปเกรดทำให้ customization เสียหาย และเพียงพอสำหรับทีมส่วนใหญ่

เลือก dsh เมื่อคุณต้องการสร้างหรือเปลี่ยน agent engine เอง เลือก Claude Code เมื่อคุณต้องการขยายพฤติกรรมผ่านจุดเชื่อมต่อที่กำหนดไว้

สิทธิ์อนุญาต: การแจ้งเตือนนโยบายกับหกโหมด

เอเจนต์ที่แก้ไขไฟล์และรันคำสั่งต้องมีขอบเขตการอนุญาตที่ชัดเจน

Web UI ของ dsh จะแจ้งเตือนก่อนดำเนินการที่ต้องการการอนุมัติตามนโยบายสิทธิ์อนุญาตที่ใช้งานอยู่ อย่างไรก็ตาม รายละเอียดระดับนโยบายและความหมายของแต่ละระดับยังไม่ได้ระบุไว้อย่างชัดเจนในเอกสารสาธารณะทั้งหมด ซึ่งสอดคล้องกับสถานะพรีวิวของโปรเจกต์

ระบบสิทธิ์อนุญาตของ Claude Code ระบุโหมดไว้ 6 แบบ:

default
acceptEdits
plan
auto
dontAsk
bypassPermissions

นอกจากนี้ยังมีกฎอนุญาต/ปฏิเสธแบบละเอียดสำหรับเครื่องมือและคำสั่ง ขอบเขตไดเรกทอรีทำงาน และนโยบายระดับผู้ดูแลระบบ ตัวอย่างการใช้งาน:

plan ให้ agent สำรวจโดยไม่แก้ไขไฟล์
auto ตรวจสอบการกระทำด้วย background classifier แทนการถามทุกครั้ง
bypassPermissions เหมาะกับสภาพแวดล้อมที่ sandboxed อย่างเหมาะสม

สำหรับโค้ดเบสที่มีการควบคุม ทีมขนาดใหญ่ หรือ CI อัตโนมัติ Claude Code มีเอกสารและการควบคุมด้านสิทธิ์อนุญาตที่ละเอียดกว่าในปัจจุบัน

MCP: ในตัวกับปลั๊กอินชุมชน

Model Context Protocol (MCP) เป็นกลไกที่ coding agent ใช้เชื่อมต่อระบบภายนอก เช่น ฐานข้อมูล ระบบติดตามตั๋ว และสเปก API

Claude Code รองรับ MCP ในตัว การเชื่อมต่อเซิร์ฟเวอร์มีขั้นตอนและเอกสารกำกับ และเครื่องมือ MCP ใช้กฎสิทธิ์อนุญาตชุดเดียวกับเครื่องมืออื่น

dsh ยังไม่รวม MCP ไว้ในแกนหลัก ตัวเลือกที่มีคือปลั๊กอินชุมชน dsh-mcp-manager ซึ่งรองรับ:

MCP server แบบ HTTP ระยะไกลและ stdio โลคัล
OAuth หรือโทเค็นแบบคงที่
การลงทะเบียนเครื่องมือในรูปแบบ mcp__<name>__*
การตั้งค่าเซิร์ฟเวอร์แยกตามโปรเจกต์

ปลั๊กอินนี้ใช้งานได้ แต่ไม่ได้รับการดูแลอย่างเป็นทางการ จึงควรตรวจสอบความเข้ากันได้ก่อนใช้ใน production

สำหรับงาน API โดยเฉพาะ Apidog MCP Server ช่วยให้ coding agent อ่านสเปก API จริงของทีมได้โดยตรง แทนการเดาชื่อฟิลด์หรือรูปแบบ request คุณสามารถ ดาวน์โหลด Apidog และใช้ MCP server กับโปรเจกต์เดียวกับที่ dsh หรือ Claude Code ทำงานอยู่

เมื่อจับคู่ MCP กับ Apidog CLI regression runs ใน CI คุณจะตรวจสอบโค้ดที่ agent สร้างได้หลังทุกการเปลี่ยนแปลง โดยใช้ชุดทดสอบเดียวกันไม่ว่า agent ตัวใดจะเป็นผู้เขียนโค้ด

ควรเลือกตัวไหนดี?

ไม่มีผู้ชนะเพียงหนึ่งเดียว เพราะเครื่องมือทั้งสองตอบโจทย์คนละแบบ

เลือก DeepSeek Harness หาก

ต้องการซอร์สโค้ด ใบอนุญาต MIT การตรวจสอบ และการ fork
ต้องการสลับระหว่าง DeepSeek, โมเดลโลคัลที่เข้ากันได้กับ OpenAI และผู้ให้บริการคลาวด์
ต้องการปรับ agent loop หรือส่วนประกอบภายในผ่าน plugin kernel
ยอมรับการเปลี่ยนแปลงที่อาจกระทบความเข้ากันได้ และพร้อมดูแลการตั้งค่าของตัวเอง

เริ่มต้นทดลองได้ด้วย:

npx @deepseek-ai/dsh web

เลือก Claude Code หาก

ต้องการผลิตภัณฑ์ที่สมบูรณ์และใช้งานได้บนหลายแพลตฟอร์ม
ต้องการ skills, hooks, subagents และ MCP ในตัว
ต้องการโหมดสิทธิ์อนุญาตและนโยบายระดับองค์กรที่มีเอกสารละเอียด
ต้องการค่าใช้จ่ายแบบสมัครสมาชิกที่คาดการณ์ได้มากกว่าการจ่ายตามโทเค็น
ยอมรับการใช้งานโมเดล Claude เท่านั้น

แนวทางที่ใช้งานได้จริงคือทดลองทั้งสองเครื่องมือกับงานเดียวกัน โดยวัดจากเกณฑ์ที่เกี่ยวข้องกับทีม เช่น ความเข้ากันได้กับโมเดล ต้นทุน ความสามารถในการตรวจสอบ และเวลาในการแก้ไขเมื่อ agent สร้างโค้ดผิด

ไม่ว่าคุณจะเลือกตัวไหน ให้รักษาความถูกต้องของเลเยอร์ API ด้วย Apidog: ใช้สเปกที่ผ่านการทดสอบชุดเดียว เปิดให้ agent เข้าถึงผ่าน MCP และรัน CLI regression หลังการเปลี่ยนแปลงทุกครั้ง

คำถามที่พบบ่อย

DeepSeek Harness เป็นโอเพนซอร์สจริงหรือ ไม่เหมือน Claude Code?

ใช่ dsh ใช้ใบอนุญาต MIT และเผยแพร่ซอร์สโค้ดบน GitHub รวมถึง agent loop และ plugin kernel ส่วน public repo ของ Claude Code มีประกาศสงวนลิขสิทธิ์ทั้งหมดภายใต้ข้อกำหนดทางการค้าของ Anthropic และมีไว้สำหรับปัญหากับเอกสาร ไม่ใช่ซอร์สโค้ดที่คุณนำไป fork ได้

DeepSeek Harness ใช้โมเดล Claude ได้หรือไม่?

ได้ dsh มีผู้ให้บริการแค็ตตาล็อกสำหรับ Anthropic, OpenAI, Bedrock, Vertex และ Azure รวมถึง endpoint ที่เข้ากันได้กับ OpenAI แบบกำหนดเองผ่าน settings.yaml ในทางกลับกัน Claude Code ใช้โมเดล Claude เท่านั้น ไม่ว่าจะเรียกใช้โดยตรงจาก Anthropic หรือผ่าน Bedrock, Vertex หรือ Foundry

DeepSeek Harness เสถียรพอสำหรับการทำงานประจำวันหรือไม่?

dsh เป็นเวอร์ชันพรีวิวสำหรับนักพัฒนา และ README เตือนว่าอาจมีการเปลี่ยนแปลงที่กระทบความเข้ากันได้ สามารถใช้งานจริงได้ แต่ควรคาดการณ์การเปลี่ยนแปลงของการตั้งค่าและปลั๊กอิน หากเวิร์กโฟลว์ไม่สามารถสร้างใหม่ได้ง่าย Claude Code เป็นทางเลือกที่ปลอดภัยกว่าในปัจจุบัน

เอเจนต์ทั้งสองทำงานร่วมกับ Apidog ได้หรือไม่?

ได้ Apidog MCP server เปิดเผยสเปก API ให้เอเจนต์ที่รองรับ MCP เข้าถึงได้ โดยตรงใน Claude Code และผ่านปลั๊กอินชุมชน dsh-mcp-manager ใน dsh นอกจากนี้ Apidog CLI ยังสามารถรัน regression test แบบสคริปต์ใน terminal loop ของเอเจนต์ทั้งสองได้ ดูการตั้งค่า dsh ได้ที่ การใช้ Apidog CLI ใน DeepSeek Harness

DeepSeek Harness (dsh) คืออะไร? เจาะลึกคู่แข่งโค้ดโอเพ่นซอร์สของ Claude

Thanawat Wongchai — Thu, 20 Aug 2026 04:38:55 +0000

DeepSeek เปิดตัว DeepSeek Harness (dsh) เมื่อวันที่ 13 สิงหาคม 2026 ซึ่งไม่ใช่โมเดล แต่เป็นเครื่องมือสำหรับรันโมเดลให้ทำงานเป็น coding agent ได้จริง โดยมีวงจรเซสชัน การเรียกใช้เครื่องมือ การตรวจสอบสิทธิ์ และ Web UI ในเครื่อง เปิดตัวพร้อม DeepSeek V4-Pro บน API ในวันเดียวกัน และ VentureBeat มองว่าเป็นคู่แข่งโอเพนซอร์สของ Claude Code

ลองใช้ Apidog วันนี้

ชุมชนตอบรับอย่างรวดเร็ว: ณ วันที่ 20 สิงหาคม repository deepseek-harness มีดาวประมาณ 169,000 ดวงและ 18,100 forks ภายในหนึ่งสัปดาห์ สิ่งที่นักพัฒนาสนใจไม่ใช่แค่ตัวโมเดล แต่คือ agent harness ที่ตรวจสอบโค้ด แก้ไขพฤติกรรม และใช้ร่วมกับหลายโมเดลได้

DeepSeek Harness คืออะไร

โมเดลมีหน้าที่ทำนายโทเค็น ส่วน harness จัดการทุกอย่างที่ทำให้โมเดลลงมือทำงานได้ เช่น

โมเดลเห็นบริบทและไฟล์ใดบ้าง
agent เรียกเครื่องมือใดได้
การเขียนไฟล์และรัน shell command ต้องอนุมัติอย่างไร
เซสชันหลายขั้นตอนถูกเก็บและเล่นซ้ำอย่างไร

Claude Code, Codex CLI และ Gemini CLI ก็เป็น harness เช่นกัน แต่ห่อหุ้มโมเดลของผู้ให้บริการแต่ละรายไว้ หากต้องการเปรียบเทียบ Claude Code กับ Codex CLI ดูได้ที่ Claude Code vs Codex CLI

สิ่งที่กำหนดตำแหน่งของ DeepSeek Harness มี 3 ข้อ:

เป็นทางการ — เป็นโปรเจกต์จาก DeepSeek AI โดยตรง
โอเพนซอร์ส — ใช้ใบอนุญาต MIT และมีรายการ dependency ของบุคคลที่สามใน THIRD_PARTY_NOTICES
เป็น developer preview — README ระบุชัดว่าจะมี breaking changes ดังนั้นอย่าผูก workflow สำหรับ production เข้ากับ API หรือปลั๊กอินโดยไม่มีแผนรับมือการเปลี่ยนเวอร์ชัน

dsh เปิดตัวพร้อม DeepSeek V4-Pro จึงเหมาะสำหรับทีมที่ต้องการทดลองทั้ง model และ agent runtime พร้อมกัน หากต้องการเริ่มจาก API ของโมเดล ดู คู่มือ DeepSeek V4-Pro API สำหรับ endpoints, model IDs และตัวอย่าง request

สถาปัตยกรรม: ทุกอย่างเป็นปลั๊กอิน

Harness ทั่วไปมักเป็นแบบ monolithic: agent loop, model client, tools และ session storage อยู่ในแอปเดียวกัน ปรับ config ได้บ้าง แต่เปลี่ยนส่วนประกอบหลักได้จำกัด

DeepSeek Harness ใช้แนวคิด “ทุกอย่างเป็นปลั๊กอิน” บนเฟรมเวิร์ก Cordis ซึ่งอธิบายการออกแบบไว้ในเอกสาร A Programming Paradigm for Spatiotemporal Composability ในทางปฏิบัติ หมายความว่าส่วนประกอบหลักต่อไปนี้สามารถสลับหรือขยายได้:

Model adapters — เปลี่ยน backend ของ LLM ได้ผ่านปลั๊กอิน
Tool registry — เพิ่มหรือเปลี่ยนชุดเครื่องมือ เช่น file editing, shell และ search
Session persistence — เลือกวิธีบันทึกหรือ replay เซสชัน
Agent loop — แทนที่วงจรตัดสินใจ → ลงมือทำ → สังเกตผลได้

แนวทางนี้เหมาะเมื่อทีมต้องการทดลอง เช่น

ใช้โมเดลต่างกันตามประเภทงาน
จำกัดเครื่องมือสำหรับ repository ที่มีความเสี่ยง
เปลี่ยนกลยุทธ์จัดการ context
เพิ่ม approval policy ที่เข้มงวดขึ้น

ข้อแลกเปลี่ยนคือพื้นที่ที่อาจพังมีมากขึ้น โดยเฉพาะในช่วง developer preview ปลั๊กอินหรือ config อาจใช้ไม่ได้หลังอัปเดตเวอร์ชัน จึงควร pin เวอร์ชันและทดสอบใน sandbox ก่อน

เริ่มต้นอย่างรวดเร็ว

รัน Web UI ในเครื่องด้วยคำสั่งเดียว:

npx @deepseek-ai/dsh web

คำสั่งนี้เปิด UI ที่:

http://127.0.0.1:3080

หากไม่ต้องการให้เปิดเบราว์เซอร์อัตโนมัติ:

npx @deepseek-ai/dsh web --no-open

หากต้องการ build จาก source:

git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

ตั้งค่า workflow แรก

หลังเปิด UI ให้ทำตามลำดับนี้

ตั้งค่า DeepSeek API key

กำหนด key ในหน้า Settings โดย credentials จะถูกเก็บใน:

   $DSH_HOME/.credentials.yaml

ไฟล์ config หลักจะเก็บเพียง reference ไปยัง credentials

เลือก workspace

คลิก Choose workspace แล้วเลือกไดเรกทอรีโปรเจกต์ที่ต้องการให้ agent ทำงานด้วย

ขั้นตอนนี้จำเป็น เพราะ dsh ต้องรู้ขอบเขตไฟล์ที่อนุญาตให้เข้าถึงก่อนเริ่ม session

ส่งงานและอนุมัติการกระทำ

เมื่อ agent ต้องเขียนไฟล์หรือรัน shell command UI จะแสดง prompt ตาม permission policy ที่ใช้งานอยู่ อย่าอนุมัติโดยไม่ตรวจสอบ diff และคำสั่ง โดยเฉพาะเมื่อทำงานกับ repository สำคัญ

ใช้ profile และ headless mode

dsh web เป็น shorthand ของ:

dsh --profile web

แต่ละ profile อยู่ใน:

$DSH_HOME/profiles/<name>

สำหรับ automation หรือ CI ให้ใช้ headless mode:

dsh --profile headless "ตรวจสอบ test ที่ล้มเหลวและเสนอการแก้ไข"

โหมดนี้จะรัน session ครั้งเดียว พิมพ์ผลลัพธ์ แล้วออก เหมาะสำหรับสคริปต์ที่ควบคุมขั้นตอนอนุมัติและการนำผลลัพธ์ไปใช้เอง

คำสั่งที่มีประโยชน์เพิ่มเติม:

# แสดง config ที่ประกอบแล้ว
dsh --dump-config

# แสดง config ค่าเริ่มต้น
dsh --dump-default-config

# จัดการปลั๊กอินของ profile
dsh plugin

ดูรายการ CLI ฉบับเต็มได้ที่ CLI README

รองรับโมเดลอะไรบ้าง

DeepSeek เป็นค่าเริ่มต้น และ V4-Pro คือโมเดลหลักที่เปิดตัวพร้อม harness

หากกำลังประเมินค่าใช้จ่าย DeepSeek ได้ทำให้ส่วนลดช่วงนอกเวลาทำการเป็นแบบถาวร ดูรายละเอียดได้ใน บทความลดราคา DeepSeek V4-Pro และเอกสาร API อย่างเป็นทางการที่ api-docs.deepseek.com

อย่างไรก็ตาม dsh ไม่ได้จำกัดเฉพาะโมเดล DeepSeek เพราะ model adapter เป็นปลั๊กอิน โดยมี 2 แนวทางหลัก

1. ใช้ provider ที่มีใน catalog

มี provider ในตัวสำหรับ:

Anthropic
OpenAI
Amazon Bedrock
Google Vertex
Azure

แต่ละ provider มีรูปแบบจัดการ credentials ของตัวเอง

2. เพิ่ม OpenAI-compatible endpoint

คุณสามารถเพิ่ม endpoint ที่เข้ากันได้กับ OpenAI ลงใน:

$DSH_HOME/settings.yaml

โดยระบุ base URL, environment variable สำหรับ API key และรายการโมเดล วิธีนี้ใช้ได้กับทั้ง cloud API, gateway ภายใน และ runtime ที่รันในเครื่อง

แต่ละ session จะบันทึกโมเดลที่ใช้ตั้งต้นไว้ ทำให้สลับโมเดลระหว่างโปรเจกต์ได้โดยไม่ทำให้ประวัติเซสชันสับสน

ดูรูปแบบ config ได้ใน คู่มือ providers หรือดูตัวอย่าง YAML สำหรับ custom endpoint ใน วิธีรันโมเดลใดๆ ใน DeepSeek Harness

ระบบนิเวศปลั๊กอิน

ค้นหาปลั๊กอินผ่าน GitHub topic dsh-plugin และติดตามการพูดคุยผ่าน GitHub Discussions หรือ Discord

ภายในหนึ่งสัปดาห์หลังเปิดตัว มีความต้องการหลัก 3 กลุ่ม

Desktop wrappers — เช่น deepseek-harness-desktop ที่ใช้ Tauri และ dsh_desktop สำหรับ Windows ซึ่งห่อ Web UI เป็น native app

โปรเจกต์เหล่านี้เป็นของชุมชน ไม่ใช่ DeepSeek โดยตรง จึงต้องตรวจสอบ source code ก่อนให้สิทธิ์เข้าถึง API keys
Capability plugins — เช่น dsh-context และ dsh-vision-router สำหรับขยาย context หรือ routing ของเซสชัน

ควรตรวจสอบ dependency และ permission ของปลั๊กอินเช่นเดียวกับแพ็กเกจ third-party อื่น
MCP support — ณ เวลาที่เขียน dsh core ยังไม่มี MCP แบบ native

มีปลั๊กอินชุมชนชื่อ dsh-mcp-manager ที่เพิ่มการตั้งค่า MCP server ทั้ง remote HTTP และ local stdio รวมถึง OAuth, static token และเครื่องมือในรูปแบบ:

  mcp__<name>__*

การตั้งค่า server รายโปรเจกต์อยู่ในไดเรกทอรี .dsh ของ workspace

จุดสำคัญคือ dsh ไม่ได้ “รองรับ MCP แบบ native” ใน core ณ ตอนนี้ แต่สามารถใช้ MCP ผ่านปลั๊กอินของชุมชนได้

ใช้กับ workflow API อย่างไร

Coding agent จะสร้างโค้ดตามสิ่งที่มันเข้าใจจาก codebase, เอกสาร และ specification ที่เข้าถึงได้ หาก API implementation ไม่ตรงกับ spec agent อาจสร้าง integration บนสัญญาที่ผิด และปัญหาจะไปปรากฏตอน runtime

แนวทางที่ใช้งานได้จริงคือ ตรวจสอบ API surface ก่อนให้ agent แก้โค้ด:

นำเข้าหรือออกแบบ OpenAPI specification
ทดสอบ endpoint จริงเทียบกับ specification
สร้าง mock server จาก spec
ให้ agent พัฒนากับ response ที่เสถียรและตรวจสอบแล้ว

Apidog ช่วยครอบคลุม workflow นี้ ตั้งแต่จัดการ OpenAPI, ทดสอบ endpoint และเปิด mock server เพื่อให้ agent อ้างอิง contract ที่ถูกต้อง แม้ backend จะยังเปลี่ยนแปลงอยู่

หากต้องการให้ dsh เข้าถึง API specification ผ่าน MCP ให้ใช้ Apidog MCP Server ร่วมกับปลั๊กอิน dsh-mcp-manager:

ติดตั้ง dsh-mcp-manager
ลงทะเบียน Apidog MCP Server
กำหนดสิทธิ์และ credentials ที่จำเป็น
ให้ agent query specification จริง แทนการเดาจากโค้ดเก่า

สำหรับตัวอย่างการให้ agent เรียก API tests ผ่าน CLI ดู การใช้ Apidog CLI ใน DeepSeek Harness

หากต้องการเตรียม API ก่อนทดลอง agent ให้ ดาวน์โหลด Apidog แล้วนำเข้า specification ของโปรเจกต์ก่อน

ควรลองใช้ตอนนี้หรือรอก่อน

ควรลองใช้ตอนนี้ หากคุณ

ต้องการศึกษา implementation ของ agent harness จากโค้ดจริง
ต้องการสลับโมเดลตามงานหรือใช้โมเดลที่โฮสต์เอง
ต้องการสร้างปลั๊กอินในระบบนิเวศที่ยังใหม่
ใช้ DeepSeek API อยู่แล้วและต้องการ agent experience แบบ first-party สำหรับ V4-Pro

ควรรอก่อน หากคุณ

ต้องการเครื่องมือที่เสถียรสำหรับงานประจำวันหรือ production
ต้องผ่านกระบวนการ security review และต้องการ vendor support
ต้องการ UX และความสมบูรณ์ของ harness ที่ผ่านการใช้งานมานาน
ไม่สามารถรับความเสี่ยงจาก breaking changes ของ config หรือปลั๊กอินได้

แนวทางที่ปลอดภัยสำหรับนักพัฒนาส่วนใหญ่คือ ใช้ agent เดิมกับงาน production ต่อไป แล้วทดลอง dsh ใน side project หรือ repository ที่แยกออกมา เมื่อเข้าใจ behavior, permission model และปลั๊กอินที่ต้องใช้แล้ว ค่อยตัดสินใจนำไปใช้ใน workflow หลัก

หากต้องการเปรียบเทียบกับ Claude Code โดยตรง ดู DeepSeek Harness vs Claude Code

คำถามที่พบบ่อย

DeepSeek Harness ฟรีหรือไม่?

ตัว harness ฟรีและเป็นโอเพนซอร์สภายใต้ MIT license แต่โมเดลที่เรียกใช้ยังมีค่าใช้จ่ายตามผู้ให้บริการ API ที่ตั้งค่าไว้

หากใช้ model adapter กับโมเดลที่โฮสต์ในเครื่อง คุณอาจไม่ต้องจ่ายค่าการใช้งานต่อโทเค็น ดูการตั้งค่าได้ที่ วิธีรันโมเดลใดๆ ใน DeepSeek Harness

dsh ใช้ได้กับโมเดล DeepSeek เท่านั้นหรือไม่?

ไม่ใช่ DeepSeek เป็นค่าเริ่มต้น แต่ model adapter เป็นปลั๊กอิน dsh รองรับ provider ใน catalog เช่น Anthropic, OpenAI, Bedrock, Vertex และ Azure รวมถึง endpoint ที่เข้ากันได้กับ OpenAI ผ่าน settings.yaml

DeepSeek Harness ปลอดภัยสำหรับรันบน codebase หรือไม่?

ความปลอดภัยขึ้นอยู่กับ permission policy และการอนุมัติของคุณ dsh กำหนดให้เลือก workspace ก่อนเริ่ม session และจะแจ้งเตือนเมื่อมี action ที่ต้องอนุมัติ

อย่างไรก็ตาม dsh ยังเป็น developer preview และปลั๊กอินชุมชนเป็น third-party code ที่อาจเข้าถึง API keys ได้ ควรตรวจสอบปลั๊กอินก่อนติดตั้ง และเริ่มใช้งานกับ repository ที่ไม่สำคัญก่อน

Harness ต่างจากโมเดลอย่างไร?

โมเดลคือส่วนที่ให้เหตุผลและสร้างข้อความ ส่วน harness คือชั้นที่ทำให้โมเดลทำงานกับระบบจริงได้ เช่น:

จัดการ session
รวม context
เรียกใช้ tools
เข้าถึงไฟล์
รัน commands
ขออนุมัติการกระทำ

Agent สองตัวสามารถใช้โมเดลเดียวกันแต่ให้ผลต่างกันมาก หาก harness, tools, context policy และ permission model ต่างกัน

โฮสต์ GLM-5.3 ด้วยตนเอง: เตรียมพร้อมสำหรับ Open-Weights ที่กำลังจะมา

Thanawat Wongchai — Sun, 16 Aug 2026 15:48:17 +0000

Zhipu AI เปิดตัว GLM-5.3 เมื่อวันที่ 14 สิงหาคม 2026 โดยประเด็นสำคัญสำหรับทีมโครงสร้างพื้นฐานคือ Zhipu ระบุว่าจะเผยแพร่น้ำหนักโมเดลแบบเปิด (open weights) ภายในราวสองสัปดาห์ หรือประมาณวันที่ 28 สิงหาคม บน Hugging Face organization ของ Zhipu ช่วงเวลานี้เหมาะสำหรับประเมินฮาร์ดแวร์ เลือกสแต็กสำหรับให้บริการ และสร้าง regression baseline เทียบกับ Hosted API ก่อนที่ไฟล์ safetensors จะเปิดให้ดาวน์โหลด

ลองใช้ Apidog วันนี้

ตามการประเมินภายในของ Zhipu ความสามารถด้านการเขียนโค้ดของ GLM-5.3 สูงกว่า GLM-5.2 ถึง 50%, คะแนน Terminal-Bench 3.0 เพิ่มจาก 4.6 เป็น 28.3 และบริษัทอธิบายประสิทธิภาพด้าน Agent ว่า “ใกล้เคียงกับ Claude Fable 5” ตามรายงานการเปิดตัว สำหรับรายละเอียดการเปรียบเทียบประสิทธิภาพและข้อจำกัด ดูได้จากบทความอธิบาย GLM-5.3

บทความนี้เน้นการเตรียมตัวเพื่อโฮสต์ GLM-5.3 ด้วยตนเองเมื่อโมเดลเปิดตัว โปรดทราบว่า ณ วันที่ 14 สิงหาคม 2026 น้ำหนักโมเดลแบบเปิดยังดาวน์โหลดไม่ได้ ข้อมูลที่ Zhipu ยังไม่ยืนยันจะระบุเป็น “ความคาดหวัง” ไม่ใช่ข้อเท็จจริง สิ่งที่ทำได้ทันทีคือบันทึก baseline จาก Hosted API ด้วย Apidog แล้วรัน prompt ชุดเดิมซ้ำกับ Local endpoint ในภายหลัง

สรุปโดยย่อ

Zhipu เปิดตัว GLM-5.3 เมื่อวันที่ 14 สิงหาคม 2026 และระบุว่าจะปล่อยโมเดลแบบเปิดราววันที่ 28 สิงหาคม 2026 ที่ huggingface.co/zai-org
ตามเอกสารของ Z.ai ตระกูล GLM-5 เป็น Mixture of Experts (MoE) มีพารามิเตอร์รวม 744B, active parameters ราว 40B ต่อ forward pass และรองรับ context 200K
น้ำหนัก BF16 ขนาด 744B ใช้พื้นที่เกือบ 1.5 TB ส่วน FP8 ใช้ราว 744–745 GB ก่อนรวม KV cache
รุ่น GLM-5 ก่อนหน้ามี repo แบบ BF16 และ FP8 จึงคาดว่า GLM-5.3 จะเผยแพร่ในรูปแบบ GLM-5.3 และ GLM-5.3-FP8 ส่วน GGUF quant จากชุมชนอาจตามมาในภายหลัง
vLLM และ SGLang เป็นตัวเลือกหลักสำหรับวันเปิดตัว ทั้งคู่มี OpenAI-compatible endpoint
สร้าง regression harness ตอนนี้: ใช้ prompt ชุดเดียวกัน เปรียบเทียบ Hosted API กับ Local deployment ผ่าน environment สองชุดใน Apidog

สิ่งที่ Zhipu จะปล่อย และเมื่อใด

Zhipu ใช้แบรนด์ Z.ai ในตลาดต่างประเทศ และเปิดให้ใช้ GLM-5.3 ผ่าน API แล้ว พร้อมระบุว่าจะปล่อยโมเดลแบบเปิดภายในสองสัปดาห์ หรือประมาณวันที่ 28 สิงหาคม 2026

Zhipu กล่าวว่าได้ดำเนินการตรวจสอบความเสี่ยงอย่างครอบคลุมก่อนการปล่อยน้ำหนักโมเดล ซึ่งมีความสำคัญจากคะแนน CyberGym 84.5% ของโมเดล โดยสูงกว่า Claude Mythos 5 และ GPT-5.6 Sol เล็กน้อย Seeking Alpha ระบุว่าการเปิดตัวนี้เป็นส่วนหนึ่งของการแข่งขันในตลาดโมเดลเปิดกับ DeepSeek

สำหรับผู้ที่จะโฮสต์เอง มีรายละเอียดที่ควรใช้วางแผนสองข้อ:

โมเดลพื้นฐานไม่เปลี่ยน

GLM-5.3 เป็น GLM-5 base model ที่ผ่าน scaled post-training ดังนั้นสถาปัตยกรรมหลักยังสอดคล้องกับสิ่งที่ vLLM และ SGLang รองรับสำหรับ GLM-5 และ GLM-5.2 อยู่แล้ว
รูปแบบการปล่อยโมเดลมีแนวโน้มชัดเจน

Hugging Face ของ Zhipu มี GLM-5, GLM-5.1 และ GLM-5.2 โดยแต่ละรุ่นมี FP8 repo คู่กัน GLM-5.2 มีการดาวน์โหลด 2.69 ล้านครั้ง จึงคาดว่า GLM-5.3 จะมี safetensors แบบ BF16 และ FP8 ทางการเช่นกัน

เงื่อนไขใบอนุญาตของ GLM-5.3 ยังไม่ได้รับการยืนยันในประกาศเปิดตัว ตรวจสอบ model card และ license ใน repo ก่อนนำไปใช้เชิงพาณิชย์

วางแผนฮาร์ดแวร์จาก 744B total parameters และ 40B active parameters

ตระกูล GLM-5 ใช้สถาปัตยกรรม MoE โดยมีพารามิเตอร์รวม 744B และมีพารามิเตอร์ที่ทำงานจริงประมาณ 40B ต่อ forward pass พร้อม context window 200K ตามเอกสาร GLM-5 ของ Z.ai ตัวเลขใน Hugging Face repo อาจสูงกว่าเล็กน้อยหากนับ embeddings รวมอยู่ด้วย

MoE ทำให้ต้นทุน compute และ memory แตกต่างกันอย่างมีนัยสำคัญ:

Compute คล้าย dense model ขนาด 40B

ต่อ token จะมีเฉพาะ experts ที่ router เลือกให้ทำงาน จึงไม่ต้องคำนวณพารามิเตอร์ทั้งหมด 744B ในทุก forward pass
Memory ยังใกล้เคียงโมเดล 744B

Experts ทั้งหมดต้องพร้อมให้เข้าถึงได้ ดังนั้นน้ำหนัก BF16 ใช้พื้นที่ราว 1.5 TB และ FP8 ใช้ราว 744 GB โดยยังไม่รวม KV cache

Precision	ขนาดน้ำหนักโดยประมาณ	การติดตั้งที่สมจริง
BF16	~1.5 TB	Multi-node cluster หรือเซิร์ฟเวอร์ GPU ขนาดใหญ่มาก
FP8 ทางการ	~745 GB	High-end multi-GPU server แบบ single node
INT4-class community quant	~370–400 GB	Multi-GPU ขนาดเล็กกว่า แต่ต้องตรวจสอบคุณภาพจริง

หากมี GPU ระดับผู้ใช้ทั่วไปเพียงใบเดียว อย่าวางแผนรันน้ำหนักเต็มของ GLM-5.3 ทางเลือกที่เหมาะสมกว่า ได้แก่:

เช่า GPU รายชั่วโมงเพื่อประเมินโมเดล
รอ community quant ที่ลดขนาดลง
ใช้ GLM-5.3 ผ่าน Hosted API และรันโมเดลเปิดขนาดเล็กกว่าในเครื่อง
ดูตัวเลือกสำหรับเครื่อง GPU เดี่ยวจากคู่มือ LLM ในเครื่องที่ดีที่สุดปี 2026

นอกจากนี้ context 200K ต้องคิดรวมในแผน memory ด้วย KV cache จะเพิ่มตาม context length และ batch size ดังนั้นควรกำหนด max_model_len ตาม deployment tier แทนการเปิดใช้ 200K โดยอัตโนมัติ

เตรียม serving stack ก่อนโมเดลพร้อมดาวน์โหลด

ตัวเลือกที่ 1: vLLM

vLLM เป็นตัวเลือกเริ่มต้นที่เหมาะสมสำหรับ GLM-5.3 เพราะรองรับตระกูล GLM-5, MoE routing, tensor parallelism และ expert parallelism รวมถึงมี OpenAI-compatible API server

ตัวอย่างคำสั่งเมื่อ repo พร้อมใช้งาน:

vllm serve zai-org/GLM-5.3-FP8 \
  --tensor-parallel-size 8 \
  --max-model-len 65536 \
  --served-model-name glm-5.3

ใช้คำสั่งนี้เป็น template เท่านั้น:

ชื่อ repo ต้องยืนยันจาก Hugging Face ในวันเปิดตัว
--tensor-parallel-size ต้องสอดคล้องกับจำนวน GPU
--max-model-len ต้องตั้งตาม memory budget หลังรวม KV cache

ตัวเลือกที่ 2: SGLang

SGLang เป็นทางเลือกหลัก โดยเหมาะกับงาน MoE และ workload ที่มี shared prefix ยาว ๆ ซ้ำกัน เช่น agent loop ที่ใช้ system prompt หรือ tool schema เดิมซ้ำหลายครั้ง

SGLang มี OpenAI-compatible endpoint เช่นเดียวกับ vLLM จึงสามารถสลับ backend โดยไม่ต้องแก้ client application มากนัก

ตัวเลือกที่ 3: llama.cpp, Ollama และ LM Studio

ตระกูล llama.cpp ต้องใช้โมเดล GGUF ซึ่งอาจมาจาก community หลัง safetensors ถูกปล่อยแล้วหลายวันหรือหลายสัปดาห์ เส้นทางนี้อาจเหมาะกับฮาร์ดแวร์ขนาดเล็กกว่า แต่ควรตรวจสอบคุณภาพเทียบกับ baseline ของคุณเองเสมอ

ก่อนวันเปิดตัว ให้ติดตั้งและทดสอบ vLLM หรือ SGLang ด้วยน้ำหนัก GLM-5.2 ที่เปิดเผยแล้ว หรือใช้โมเดล MoE อื่นที่ฮาร์ดแวร์รองรับ อย่ารอแก้ปัญหา CUDA driver, NCCL หรือ multi-GPU networking ในวันปล่อยโมเดล

บันทึก Hosted API เป็น regression baseline

ก่อนโฮสต์เอง ให้บันทึกผลลัพธ์จาก reference implementation ก่อน Hosted API ของ Zhipu คือจุดอ้างอิงสำหรับเปรียบเทียบผลลัพธ์จาก local deployment

เมื่อผลลัพธ์ในเครื่องต่างจาก Hosted API baseline จะช่วยให้แยกสาเหตุได้ว่าเกิดจาก:

quantization ที่เลือก
bug หรือ configuration ของ serving stack
sampling variation ตามปกติของโมเดล

Hosted API ใช้ OpenAI-compatible format:

International: https://api.z.ai/api/paas/v4/chat/completions
จีนแผ่นดินใหญ่: https://open.bigmodel.cn/api/paas/v4/chat/completions
Authentication: Authorization: Bearer <key>

เอกสาร Z.ai ระบุชื่อโมเดล glm-5 ในปัจจุบัน สำหรับ glm-5.3 ให้ยืนยัน model ID ที่ใช้จริงจากเอกสารทางการ อีกครั้ง ดูขั้นตอนตั้งค่าแบบละเอียดได้ที่คู่มือเริ่มต้นใช้งาน GLM-5.3 API

เริ่มจาก baseline ที่ temperature: 0:

curl https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "temperature": 0,
    "messages": [
      {
        "role": "user",
        "content": "Write a Python function that parses RFC 3339 timestamps and returns UTC datetimes. Include error handling for invalid input."
      }
    ]
  }' > baseline-rfc3339.json

สร้างชุดทดสอบ 20–50 prompts ที่สะท้อน workload จริง เช่น:

การสร้างและ refactor โค้ด
tool calling ของ agent
structured JSON output
การสรุปเอกสารหรือ context ขนาดยาว
edge case ที่เกี่ยวกับ domain ของระบบคุณ

temperature: 0 ไม่ได้ทำให้ผลลัพธ์ deterministic 100% แต่ช่วยลดความแปรปรวนเพื่อให้เห็นผลกระทบจาก quantization หรือ serving configuration ได้ชัดขึ้น

สร้าง regression harness ใน Apidog

เมื่อคุณมีหลาย endpoint หลาย quantization level หรือหลาย serving stack การใช้ curl แยกไฟล์จะจัดการยากกว่าเดิม ควรสร้าง regression workflow ที่รันซ้ำได้ผ่าน Apidog

แนวทางตั้งค่า:

สร้าง collection เดียวสำหรับ prompt baseline ทั้งหมด

สร้าง request ต่อหนึ่ง test case สำหรับ OpenAI-compatible chat completions endpoint คุณสามารถนำเข้า OpenAI-style spec เพื่อช่วยตรวจสอบรูปแบบ request ได้
สร้างสอง environment: hosted และ local

กำหนดค่า hosted:

   base_url=https://api.z.ai/api/paas/v4
   GLM_API_KEY=<your-api-key>

กำหนดค่า local:

   base_url=http://localhost:8000/v1
   GLM_API_KEY=local-serving

จากนั้นให้ request ทุกตัวอ้างอิง URL ผ่านตัวแปร:

   {{base_url}}/chat/completions

ตรวจสอบ schema ก่อนตรวจคุณภาพเนื้อหา เริ่มจาก assertions ที่เสถียรกว่า:

HTTP status เป็น 200
choices[0].message.content ไม่ว่าง
มี usage block ที่สมเหตุสมผล
response เป็น JSON ที่ parse ได้

เพิ่ม content checks ที่ทนต่อคำตอบหลายรูปแบบ สำหรับ prompt ให้เขียน Python function ให้ตรวจ marker สำคัญแทนการเทียบข้อความแบบตรงตัว เช่น:

   response มี "def "
   response มี "datetime"
   response มี "try"

บันทึก Hosted response เป็นตัวอย่างอ้างอิง

เก็บ response จาก environment hosted ก่อน แล้วใช้เป็นข้อมูลอ้างอิงเมื่อเปลี่ยนไปทดสอบ local
รัน collection ผ่าน CLI

ใช้ Apidog runner แบบ headless เพื่อให้ regression test เป็นคำสั่งที่รันได้ซ้ำทุกครั้งที่เปลี่ยน quant, parallelism หรือ serving stack

แนวปฏิบัตินี้เป็นรูปแบบเดียวกับ API regression testing ที่อธิบายในคู่มือการทดสอบ API สำหรับวิศวกร QA

เป้าหมายในวันเปิดตัวคือให้ทีมตอบคำถามนี้ได้ด้วยคำสั่งเดียว:

Local deployment ของเราทำงานเทียบเท่า Hosted API หรือไม่?

ผลลัพธ์ควรเป็นรายงาน pass/fail ราย prompt ไม่ใช่การประเมินจากการลองถามแบบสุ่ม

ใช้ OpenAI SDK เดิมกับ Local endpoint

หาก client ของคุณใช้ OpenAI SDK อยู่แล้ว การย้ายจาก Hosted API ไป Local deployment ควรเป็นการเปลี่ยน base_url เป็นหลัก

import os
from openai import OpenAI

# Hosted: GLM_BASE_URL=https://api.z.ai/api/paas/v4
# Local:  GLM_BASE_URL=http://localhost:8000/v1
client = OpenAI(
    base_url=os.environ["GLM_BASE_URL"],
    api_key=os.environ.get("GLM_API_KEY", "local-serving"),
)

response = client.chat.completions.create(
    model="glm-5.3",
    temperature=0,
    messages=[
        {
            "role": "user",
            "content": "Refactor this function to remove the nested loops: ..."
        }
    ],
)

print(response.choices[0].message.content)

กำหนด --served-model-name glm-5.3 ใน vLLM หรือชื่อโมเดลที่เทียบเท่าใน SGLang เพื่อให้ model ID ฝั่ง local ตรงกับ Hosted API

ควรทดสอบฟีเจอร์เหล่านี้แยกจาก chat completion ปกติ:

streaming
tool calling
JSON mode หรือ structured output
multi-turn conversation
long-context behavior

โดยเฉพาะ tool calling เพราะเป็นจุดที่ local serving stack อาจมีพฤติกรรมต่างจาก Hosted API มากที่สุด

เปรียบเทียบต้นทุน: Hosted API กับ Self-hosting

Zhipu ยังไม่ได้ยืนยันราคา API สำหรับ GLM-5.3 โดยเฉพาะในช่วงเปิดตัว ดังนั้นให้ตรวจสอบตัวเลขล่าสุดจากหน้าราคาอย่างเป็นทางการก่อนประเมินต้นทุนจริง

กรอบตัดสินใจสำหรับ self-hosting คือ:

คุณต้องจ่ายค่า GPU capacity แม้ไม่มี request เข้ามา
Self-hosting เริ่มสมเหตุสมผลเมื่อ throughput ต่อเนื่องสูงพอ
อาจจำเป็นจากข้อกำหนดด้าน data governance หรือการเก็บ prompt ภายในเครือข่าย
อาจเหมาะเมื่อคุณต้องควบคุม latency และ availability เอง
หากยังอยู่ในช่วงประเมิน ให้เช่า GPU รายชั่วโมงก่อนซื้อ hardware

โมเดลเปิดยังช่วยลดความเสี่ยงจากราคา Hosted API ที่เปลี่ยนแปลงได้ ตัวอย่างเช่น การเปลี่ยนแปลงราคา DeepSeek ในปี 2026 ส่งผลต่อทีมที่ตั้ง unit economics บนราคาเดิม ซึ่งอธิบายไว้ในการวิเคราะห์การเพิ่มราคา DeepSeek API

รายการตรวจสอบวันเปิดตัว

ทำข้อ 1–6 ได้ทันที:

เลือก precision เป้าหมาย: BF16, FP8 หรือรอ community quant โดยเทียบกับ VRAM และจำนวน GPU ที่เข้าถึงได้
ติดตั้ง vLLM หรือ SGLang และทดสอบกับ GLM-5.2 หรือโมเดล MoE อื่น
สร้าง API key ของ Z.ai และยืนยัน model ID ของ GLM-5.3 จากเอกสารฉบับจริง
บันทึก Hosted API baseline จำนวน 20–50 prompts ที่ temperature: 0
สร้าง Apidog collection พร้อม environment hosted และ local
กำหนด context limit สำหรับแต่ละ deployment tier
ในวันเปิดตัว ตรวจสอบ huggingface.co/zai-org สำหรับ repo GLM-5.3 และ GLM-5.3-FP8
อ่าน model card และ license ก่อนใช้งานเชิงพาณิชย์
ดาวน์โหลดน้ำหนักโมเดล เปิด local server และชี้ environment local ไปยัง endpoint นั้น
รัน regression suite เปรียบเทียบ local response กับ hosted baseline
แก้ content-level failures ก่อนเพิ่ม traffic
ค่อยปรับ quantization, parallelism, prefix caching และ context limit หลังมี baseline ที่ผ่านแล้ว

คำถามที่พบบ่อย

ดาวน์โหลดน้ำหนัก GLM-5.3 ได้ทันทีหรือไม่?

ไม่ได้ ณ วันที่ 14 สิงหาคม 2026 มีเฉพาะ Hosted API ที่พร้อมใช้งาน Zhipu ระบุว่าโมเดลเปิดจะพร้อมราวสองสัปดาห์หลังเปิดตัว หรือประมาณวันที่ 28 สิงหาคม 2026 โดยคาดว่าจะเผยแพร่ที่หน้า Hugging Face ของ zai-org

GLM-5.3 รันบน GPU สำหรับผู้ใช้ทั่วไปเพียงใบเดียวได้หรือไม่?

ไม่ได้สำหรับน้ำหนักโมเดลเต็ม ตระกูลนี้มีพารามิเตอร์รวม 744B ซึ่งต้องใช้พื้นที่ราว 744 GB ที่ FP8 ก่อนรวม KV cache แม้ INT4 quant ก็ยังอยู่ในระดับ multi-GPU

หากมี GPU เดี่ยว ให้เลือกโมเดลเปิดที่เล็กกว่าในเครื่อง และใช้ GLM-5.3 ผ่าน Hosted API ดูตัวเลือกที่เหมาะสมได้จากบทสรุป LLM ในเครื่อง

ควรเลือก serving framework ใดสำหรับ GLM-5.3?

เริ่มจาก vLLM หากต้องการตัวเลือกที่ตรงไปตรงมาและรองรับ GLM-5, MoE parallelism และ OpenAI-compatible API อยู่แล้ว

เลือก SGLang หาก workload มี shared prefix ยาว ๆ ซ้ำกัน เช่น agent loop ส่วน llama.cpp, Ollama และ LM Studio จะต้องรอ GGUF conversion จากชุมชน

OpenAI SDK เดิมจะใช้กับ GLM-5.3 ที่โฮสต์เองได้หรือไม่?

ได้ หาก local server ของคุณเป็น OpenAI-compatible endpoint ให้เปลี่ยน base_url จาก:

https://api.z.ai/api/paas/v4

เป็น:

http://localhost:8000/v1

จากนั้นใช้ request format เดิม แต่ควรทำ regression test สำหรับ tool calling และ streaming แยกต่างหาก

ทำไมต้องใช้ Hosted API หากสุดท้ายจะโฮสต์เอง?

เพราะ Hosted API คือ reference implementation หากไม่มี baseline คุณจะระบุไม่ได้ว่า local response ที่ผิดปกติเกิดจาก quantization, configuration ของ serving stack หรือพฤติกรรมปกติของโมเดล

บันทึก baseline ผ่าน Hosted API ก่อน แล้วเปรียบเทียบเมื่อ Local deployment พร้อมใช้งาน โดยใช้คู่มือเริ่มต้นใช้งาน GLM-5.3 API

GLM-5.3 เหมาะกับสแต็กของคุณอย่างไร

GLM-5.3 เป็นโมเดลเปิดที่น่าสนใจสำหรับงานเขียนโค้ดและ agent workload แต่การได้ประโยชน์ในสัปดาห์แรกไม่ได้ขึ้นกับการมี GPU มากที่สุดเพียงอย่างเดียว ทีมที่พร้อมกว่าจะเป็นทีมที่ทำงานพื้นฐานล่วงหน้าแล้ว:

เลือก serving stack
วางแผน precision และ memory
บันทึก Hosted API baseline
สร้าง regression harness
กำหนด context limit ที่ใช้งานจริง

เริ่มด้วย checklist ด้านบน บันทึก baseline ในสัปดาห์นี้ และใช้Apidogจัดการ collection, environment hosted และ local รวมถึง assertions ที่ทำให้การเปลี่ยน quant หรือ serving flag กลายเป็น regression report ที่ตรวจสอบได้

วิธีใช้ GLM-5.3 API

Thanawat Wongchai — Sun, 16 Aug 2026 15:47:01 +0000

Zhipu AI ห้องปฏิบัติการจากจีนที่ทำตลาดต่างประเทศภายใต้ชื่อ Z.ai เปิดตัว GLM-5.3 เมื่อวันที่ 14 สิงหาคม 2026 โดย Zhipu รายงานว่าความสามารถด้านการเขียนโค้ดดีขึ้น 50% จาก GLM-5.2 และคะแนน Terminal-Bench 3.0 เพิ่มจาก 4.6 เป็น 28.3 ตามรายงานการเปิดตัวจาก BigGo บทความนี้เน้นการเริ่มใช้ API: รับคีย์, เรียกผ่าน cURL, ใช้กับ Python/Node.js, สตรีมผลลัพธ์ และตั้งค่าการทดสอบใน Apidog สำหรับรายละเอียดความสามารถและตารางเปรียบเทียบ ดู GLM-5.3 คืออะไร

ลองใช้ Apidog วันนี้

API ของ Z.ai เข้ากันได้กับ OpenAI ดังนั้นหากโปรเจกต์ของคุณใช้ OpenAI-compatible endpoint อยู่แล้ว การย้ายมาใช้ GLM ส่วนใหญ่คือการเปลี่ยน base_url และ model เท่านั้น

หมายเหตุ: GLM-5.3 เพิ่งเปิดตัว และเอกสารอาจเปลี่ยนเร็วในวันเปิดตัว ข้อมูลที่เอกสารทางการยังไม่ยืนยันจะระบุไว้ตามแบบแผนของตระกูล GLM-5 ให้ตรวจสอบ เอกสาร GLM-5 ก่อนนำไปใช้จริง

TL;DR

Zhipu รายงานว่า GLM-5.3 ปรับปรุงความสามารถด้านโค้ด 50% จาก GLM-5.2 และ Terminal-Bench 3.0 เพิ่มจาก 4.6 เป็น 28.3
International endpoint:

  POST https://api.z.ai/api/paas/v4/chat/completions

Mainland China endpoint:

  POST https://open.bigmodel.cn/api/paas/v4/chat/completions

ใช้ header:

  Authorization: Bearer $GLM_API_KEY

เอกสารในขณะเขียนระบุ model ID เป็น glm-5 ขณะที่หน้าราคาแสดง glm-5.2 และ glm-5.1 แยกกัน ตัวอย่างนี้ใช้ glm-5.3 แต่ควรยืนยันก่อน hardcode
ราคาของ GLM-5.3 ยังไม่ประกาศอย่างเป็นทางการ ดูข้อมูลล่าสุดที่ หน้าราคา Z.ai
ทดสอบ request และเก็บ response fixture ใน Apidog ก่อนเชื่อมเข้ากับแอปจริง

เหตุใด GLM-5.3 จึงน่าสนใจสำหรับงานโค้ด

Zhipu ระบุว่าการพัฒนารุ่นนี้มาจาก post-training บนฐาน GLM-5 เดิม ไม่ใช่การเปลี่ยนโมเดลพื้นฐาน โดยรายงานว่า Terminal-Bench 3.0 เพิ่มขึ้น 6.2 เท่า จาก 4.6 เป็น 28.3 และ SWE-Marathon เพิ่มขึ้นเกือบสองเทียบกับ GLM-5.2

ตัวเลขเหล่านี้เป็นการประเมินจากผู้ให้บริการ จึงควรใช้เป็นจุดเริ่มต้นในการทดสอบกับ workload ของคุณเอง ไม่ใช่ข้อสรุปสุดท้าย

ตามเอกสารของ Z.ai ตระกูล GLM-5 ใช้สถาปัตยกรรม Mixture of Experts มีพารามิเตอร์รวม 744B, เปิดใช้งานประมาณ 40B ต่อ forward pass และรองรับ context window 200K tokens ข้อมูลนี้เป็นคุณสมบัติระดับตระกูล ไม่ใช่ข้อยืนยันเฉพาะ GLM-5.3

Zhipu ระบุว่า open weights จะตามมาประมาณสองสัปดาห์หลังเปิดตัว หรือราววันที่ 28 สิงหาคม 2026 ตามรายงานของ Pandaily หากคุณวางแผน self-hosting ให้เริ่มเก็บ baseline จาก hosted API ตั้งแต่ตอนนี้ และดูแนวทางเตรียมระบบได้จากคู่มือการโฮสต์ GLM-5.3 ด้วยตัวเอง

1. รับ API key

Zhipu แยกแพลตฟอร์มตามภูมิภาค เลือกให้ตรงกับจุดที่ระบบของคุณรันอยู่

Z.ai สำหรับผู้ใช้นอกจีนแผ่นดินใหญ่

สมัครที่ z.ai เปิด API console แล้วสร้าง API key เอกสารอยู่ที่ docs.z.ai

Bigmodel.cn สำหรับจีนแผ่นดินใหญ่

ใช้ open.bigmodel.cn ซึ่งใช้รูปแบบ API และการรับรองความถูกต้องแบบเดียวกัน แต่ใช้ host และระบบเรียกเก็บเงินแยกกัน

เก็บคีย์ไว้ใน environment variable ไม่ใส่ลง Git หรือ source code:

export GLM_API_KEY="your-key-from-the-console"

หากใช้ GLM Coding Plan แทน pay-as-you-go API โปรดทราบว่าโควตาถูกรีเซ็ตสำหรับผู้ใช้ทุกคนเมื่อวันที่ 14 สิงหาคม

2. Endpoint และการรับรองความถูกต้อง

International endpoint:

POST https://api.z.ai/api/paas/v4/chat/completions

Mainland China endpoint:

POST https://open.bigmodel.cn/api/paas/v4/chat/completions

ส่ง API key ผ่าน header เดียว:

Authorization: Bearer $GLM_API_KEY

Request และ response ใช้รูปแบบ OpenAI Chat Completions:

Request: model และ messages
Response: choices, message, finish_reason, usage
Streaming: ตั้งค่า stream: true

เรื่อง model ID: ตัวอย่างต่อไปนี้ใช้ glm-5.3 ตามแบบแผนของรุ่น glm-5.1 และ glm-5.2 แต่เอกสาร GLM-5อาจยังแสดง glm-5 อยู่ หากเจอ 404 ให้ลองใช้ glm-5 และเก็บ model ID ไว้ใน config เสมอ

3. ส่งคำขอแรกด้วย cURL

เริ่มจาก smoke test ที่ตรวจงาน shell script:

curl "https://api.z.ai/api/paas/v4/chat/completions" \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "system",
        "content": "You are a code reviewer. Flag issues as blocking or non-blocking."
      },
      {
        "role": "user",
        "content": "Review this shell script for safety:\n\nrm -rf $BUILD_DIR/*\ncp dist/* $DEPLOY_TARGET"
      }
    ],
    "temperature": 0.3,
    "max_tokens": 1024
  }'

อ่านผลลัพธ์จาก:

choices[0].message.content

และบันทึก token usage จาก:

usage.prompt_tokens
usage.completion_tokens

สำหรับงาน coding และ agent ที่มีหลายขั้นตอน สามารถเปิดโหมด reasoning ได้:

"thinking": { "type": "enabled" }

ใช้ thinking กับงานวิเคราะห์หรือวางแผนหลายขั้นตอน แต่ปิดไว้สำหรับงานสั้นที่ต้องการ latency และต้นทุนต่ำกว่า

4. ใช้ GLM-5.3 กับ Python

ติดตั้ง OpenAI SDK:

pip install --upgrade openai

จากนั้นเปลี่ยน base_url ให้ชี้ไปที่ Z.ai:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["GLM_API_KEY"],
    base_url="https://api.z.ai/api/paas/v4",
)

response = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {
            "role": "system",
            "content": "You are a code reviewer. Flag issues as blocking or non-blocking.",
        },
        {
            "role": "user",
            "content": (
                "Review this Flask route for security issues:\n\n"
                "@app.route('/user/<id>')\n"
                "def get_user(id):\n"
                "    return db.execute(f'SELECT * FROM users WHERE id = {id}')"
            ),
        },
    ],
    temperature=0.3,
    max_tokens=2048,
)

print(response.choices[0].message.content)
print("input tokens:", response.usage.prompt_tokens)
print("output tokens:", response.usage.completion_tokens)

บันทึก usage ตั้งแต่เริ่มต้น โดยเฉพาะเมื่อราคาของ GLM-5.3 ยังไม่มีประกาศทางการ จำนวน token จริงของ workload จะช่วยประเมินต้นทุนได้ดีกว่าการเดาราคา

5. ใช้ GLM-5.3 กับ Node.js

ติดตั้งแพ็กเกจ:

npm install openai

เรียก API ผ่าน OpenAI SDK:

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.GLM_API_KEY,
  baseURL: "https://api.z.ai/api/paas/v4",
});

const response = await client.chat.completions.create({
  model: "glm-5.3",
  messages: [
    {
      role: "system",
      content:
        "You are a terminal automation agent. Return each step as a shell command with a one-line rationale.",
    },
    {
      role: "user",
      content:
        "A Node service on port 3000 stopped responding after a deploy. Give me a diagnosis sequence.",
    },
  ],
  temperature: 0.3,
  max_tokens: 2048,
});

console.log(response.choices[0].message.content);

หากแอปของคุณเรียก OpenAI อยู่แล้ว ให้สร้าง OpenAI client อีกตัวด้วย baseURL ของ Z.ai แล้ว route request ตามประเภทงาน วิธีนี้ช่วยทำ A/B test ระหว่างโมเดลเดิมกับ GLM-5.3 โดยไม่ต้องเขียน integration ใหม่

รูปแบบการพอร์ตนี้เหมือนกับแนวทางสำหรับAPI ของ DeepSeek V4 Pro

6. สตรีม token แบบเรียลไทม์

ตั้งค่า stream=True ใน Python:

stream = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {
            "role": "user",
            "content": "Explain the N+1 query problem with a concrete ORM example.",
        }
    ],
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)

สำหรับ raw HTTP ให้เพิ่มค่านี้ใน request body:

"stream": true

จากนั้น parse Server-Sent Events (SSE) ที่ส่งมาในบรรทัด data: ข้อควรระวังในการใช้งานจริง:

usage มักมาในหรือหลัง chunk สุดท้าย จึงสรุปจำนวน token ได้เมื่อ stream จบแล้ว
เมื่อเปิด thinking เวลาไปยัง token แรกที่ผู้ใช้เห็นอาจนานขึ้น เพราะโมเดลใช้ token สำหรับ reasoning ก่อนตอบ

7. พารามิเตอร์ที่ควรตั้งค่า

พารามิเตอร์	ประเภท	การใช้งาน
`max_tokens`	จำนวนเต็ม	จำกัดความยาว output และควบคุมต้นทุน
`temperature`	ตัวเลข	ใช้ `0.2-0.4` สำหรับโค้ด/การแยกข้อมูล และ `0.7+` สำหรับงานเขียนปลายเปิด
`thinking`	ออบเจกต์	ใช้ `{"type": "enabled"}` สำหรับ reasoning หลายขั้นตอน
`stream`	บูลีน	รับผลลัพธ์แบบ SSE แทน response เดียว
`messages`	อาร์เรย์	รองรับบทบาท `system`, `user`, `assistant` แบบ OpenAI

เรื่องต้นทุน ให้ดูหน้าราคาอย่างเป็นทางการเป็นหลัก ในขณะเขียน หน้านี้ระบุราคา GLM-5.2 ที่ $1.40 ต่อ 1M input tokens และ $4.40 ต่อ 1M output tokens ส่วน GLM-5 อยู่ที่ $1.00 และ $3.20

สำหรับโมเดล GLM แบบเสียเงิน เอกสารระบุว่าสามารถลดต้นทุน input ที่ cache ได้ 80-85% ดังนั้นควรทำ system prompt ที่ใช้ซ้ำให้คงที่เพื่อลดค่าใช้จ่าย ดูแนวคิดควบคุมต้นทุนเพิ่มเติมได้จากการวิเคราะห์กรณีราคา DeepSeek เพิ่มขึ้น

8. ทดสอบ GLM-5.3 ใน Apidog ก่อนเขียนโค้ดแอป

แทนที่จะแก้ prompt ในสคริปต์แล้วรันซ้ำทุกครั้ง ให้ตั้งค่า request ใน Apidog เพื่อเปรียบเทียบผลลัพธ์, ความหน่วง และ token usage ได้เร็วขึ้น

ตั้งค่าตามขั้นตอนนี้:

สร้าง request POST /chat/completions

กำหนด body ด้วย model และ messages แบบ OpenAI Chat Completions
สร้างสอง environment
- zai-international: https://api.z.ai/api/paas/v4
- bigmodel-mainland: https://open.bigmodel.cn/api/paas/v4

เก็บ authorization ไว้ใน environment:

   Authorization: Bearer {{GLM_API_KEY}}

เก็บ model ID เป็นตัวแปร

เช่น {{GLM_MODEL_ID}} ที่ตั้งค่าเป็น glm-5.3 เพื่อให้สลับไป glm-5 หรือ glm-5.2 ได้โดยไม่ต้องแก้ทุก request
ทำ request สองชุดเพื่อเทียบ thinking

ชุดแรกปิด reasoning และอีกชุดเปิด:

   "thinking": { "type": "enabled" }

เปรียบเทียบ output, latency และ usage ด้วย prompt เดียวกัน

ทดสอบ streaming

ตรวจเวลาจนถึง token แรก เพื่อประเมินประสบการณ์ผู้ใช้จริง
บันทึก response ที่ผ่านการตรวจสอบเป็น example/fixture

การทดสอบรอบต่อไปจะใช้ fixture แทนการเรียก API จริง ช่วยประหยัด token ระหว่างพัฒนา

ต่อด้วย test scenario ที่ตรวจสอบ finish_reason, response schema และ token count เพื่อเปลี่ยน smoke test ให้เป็น regression suite ดู workflow การทดสอบ API เพิ่มเติมได้ในคู่มือการทดสอบ API สำหรับวิศวกร QA

9. จัดการข้อผิดพลาดและ rate limit

คาดหวัง error รูปแบบ OpenAI ที่มี message, type และ code

สถานะ	สาเหตุที่พบบ่อย	แนวทางแก้
`401`	คีย์หาย ถูกเพิกถอน หรือใช้ผิดแพลตฟอร์ม	ตรวจ `GLM_API_KEY` และ region
`400`	request body ผิด หรือ model ID ไม่ถูกต้อง	ตรวจ JSON และลอง `glm-5` หาก `glm-5.3` ยังไม่พร้อม
`429`	เกิน rate limit	retry ด้วย exponential backoff + jitter
`5xx`	ปัญหาชั่วคราวฝั่งเซิร์ฟเวอร์	retry แบบมีขีดจำกัด และบันทึก error

ตัวอย่าง retry helper ใน Python:

import random
import time
from openai import APIStatusError

def create_with_retry(request_fn, max_retries=5):
    for attempt in range(max_retries):
        try:
            return request_fn()
        except APIStatusError as error:
            retryable = error.status_code == 429 or error.status_code >= 500

            if not retryable or attempt == max_retries - 1:
                raise

            delay = min(30, 2 ** attempt) + random.random()
            time.sleep(delay)

แนวทางที่ควรใช้ตั้งแต่วันแรก:

retry เฉพาะ 429 และ 5xx
อ่าน rate limit ล่าสุดจากเอกสาร Z.ai แทนการอ้างตัวเลขจากบทความ
เก็บ model ID ใน config เพื่อ rollback ได้โดยไม่ต้อง deploy ใหม่
ใช้ workflow การ debug แบบเดียวกับการทดสอบและดีบัก Grok API เพราะทั้งคู่ใช้รูปแบบ OpenAI-compatible

คำถามที่พบบ่อย

Model ID สำหรับ GLM-5.3 API คืออะไร?

คาดว่าจะเป็น glm-5.3 ตามรูปแบบ glm-5.1 และ glm-5.2 แต่ในขณะเขียน เอกสารยังอาจระบุ glm-5 อยู่ ตรวจสอบที่docs.z.aiก่อนใช้งานจริง และกำหนด model ID ผ่าน environment variable หรือ config

GLM-5.3 API ใช้กับ OpenAI SDK ได้หรือไม่?

ได้ ใช้ SDK openai สำหรับ Python และ Node.js แล้วตั้งค่า:

base_url=https://api.z.ai/api/paas/v4

หรือใช้ endpoint ของ bigmodel.cn สำหรับจีนแผ่นดินใหญ่ รูปแบบ request, response และ streaming สอดคล้องกับ OpenAI Chat Completions

GLM-5.3 API มีค่าใช้จ่ายเท่าไร?

Zhipu ยังไม่ได้เผยแพร่ราคาสำหรับ GLM-5.3 โดยเฉพาะ ณ เวลาเปิดตัว ดูราคาล่าสุดจากหน้าราคาอย่างเป็นทางการ ซึ่งระบุ GLM-5.2 ที่ $1.40 ต่อ 1M input tokens และ $4.40 ต่อ 1M output tokens

GLM-5.3 เปรียบเทียบกับ Claude และ GPT อย่างไร?

Zhipu รายงานว่าความสามารถด้านโค้ดและ agent “ใกล้เคียงกับ Claude Fable 5” และรายงานคะแนน CyberGym 84.5% กับ ExploitBench 54.4% อย่างไรก็ตาม ตัวเลขเหล่านี้เป็น vendor evaluation จึงควรทดสอบกับชุดงานจริงของคุณเอง ดูกรอบเปรียบเทียบเพิ่มเติมได้จากการเปรียบเทียบ Grok 4.6 vs GPT-5.6 vs Claude Fable 5

รัน GLM-5.3 บนเครื่องตัวเองแทน API ได้หรือไม่?

ยังไม่ได้ในขณะเปิดตัว Zhipu ระบุว่า open weights จะเผยแพร่ประมาณวันที่ 28 สิงหาคม 2026 บนHugging Face org ด้วยสถาปัตยกรรม MoE ขนาด 744B การ deploy ในเครื่องเป็นงานระดับเซิร์ฟเวอร์มากกว่าระดับแล็ปท็อป

สรุป

หากคุณมี workload แบบ coding, terminal automation หรือ agent loop ให้เริ่มประเมิน GLM-5.3 ด้วย request จริงของระบบคุณเอง ลำดับที่แนะนำคือ:

สร้าง API key
รัน cURL smoke test
ตั้งค่า request ใน Apidog
เปรียบเทียบ thinking เปิด/ปิดด้วย prompt เดียวกัน
เก็บ response เป็น fixture และสร้าง regression test
พอร์ต integration ไปยัง Python หรือ Node.js ด้วย OpenAI SDK

ดาวน์โหลด Apidog เพื่อแยก environment ตามภูมิภาค, เก็บ model ID เป็นตัวแปร และทดสอบ request ก่อนเชื่อมเข้ากับแอปพลิเคชันจริง

GLM-5.3 คืออะไร? ทำความเข้าใจโมเดลเขียนโค้ดแบบ Open-Weight ของ Zhipu

Thanawat Wongchai — Sun, 16 Aug 2026 15:44:42 +0000

GLM-5.3 คือโมเดลภาษาขนาดใหญ่จาก Zhipu AI ห้องแล็บจากจีนที่ดำเนินงานในระดับสากลภายใต้ชื่อ Z.ai เปิดตัวเมื่อวันที่ 14 สิงหาคม 2026 โดยเป็นการอัปเกรดจาก GLM-5 ผ่านการฝึกอบรมหลังการใช้งาน (post-training) ที่เน้นงานเขียนโค้ดและงานเอเจนต์ Zhipu ระบุว่าความสามารถด้านการเขียนโค้ดดีขึ้น 50% เมื่อเทียบกับ GLM-5.2 และมีแผนเผยแพร่น้ำหนักโมเดลแบบเปิดบน Hugging Face ราวสองสัปดาห์หลังเปิดตัว

ลองใช้ Apidog วันนี้

การเปิดตัวนี้น่าสนใจเพราะ Zhipu ซึ่ง Seeking Alpha เรียกว่า “ผู้ท้าชิง OpenAI ของจีน” กำลังส่งโมเดลเขียนโค้ดที่บริษัทระบุว่า “ใกล้เคียงกับ Claude Fable 5” พร้อมแผนเปิดน้ำหนักโมเดลต่อสาธารณะ การเปิดตัวเกิดขึ้นหนึ่งวันหลัง DeepSeek รุ่นล่าสุด ซึ่งครอบคลุมไว้ในคู่มือ DeepSeek V4 Pro API

บทความนี้สรุปความสามารถของ GLM-5.3 แยกผล benchmark ที่เป็นผลภายในออกจากผลที่รายงานสาธารณะ และแสดงวิธีทดสอบ API แบบใช้งานได้ทันที

สรุปโดยย่อ

GLM-5.3 เปิดตัววันที่ 14 สิงหาคม 2026 โดย Zhipu AI (Z.ai) และใช้โมเดลพื้นฐาน GLM-5 เดิม
การเปลี่ยนแปลงหลักมาจาก post-training ไม่ใช่การฝึกโมเดลฐานใหม่
Terminal-Bench 3.0 เพิ่มจาก 4.6 เป็น 28.3 หรือประมาณ 6.2 เท่า และรายงานว่าเป็นอันดับหนึ่งในกลุ่มโมเดลเปิด
CyberGym ได้ 84.5% และ ExploitBench ได้ 54.4%
Zhipu วางแผนปล่อย open weights บน Hugging Face ราววันที่ 28 สิงหาคม 2026
ตระกูล GLM-5 ใช้สถาปัตยกรรม Mixture of Experts (MoE): พารามิเตอร์รวม 744B, ใช้งานราว 40B ต่อ forward pass และมี context window 200K โทเค็น
API รองรับรูปแบบ OpenAI-compatible ที่ https://api.z.ai/api/paas/v4/chat/completions
ณ วันเปิดตัว ยังไม่มีราคาสำหรับ GLM-5.3 โดยเฉพาะ

GLM-5.3 คืออะไร

GLM-5.3 เป็นรุ่นย่อยลำดับที่สามของตระกูล GLM-5 และปรับจูนสำหรับงานเขียนโค้ดกับงานเอเจนต์โดยเฉพาะ ตามเอกสารทางการ โมเดลฐาน GLM-5 มีสเปกดังนี้

รายการ	ค่า
สถาปัตยกรรม	Mixture of Experts
พารามิเตอร์รวม	744B
พารามิเตอร์ที่ใช้งานต่อ forward pass	ประมาณ 40B
Context window	200K โทเค็น

สเปกของโมเดลฐานไม่ได้เปลี่ยนใน GLM-5.3 จุดที่เปลี่ยนคือ post-training pipeline ซึ่ง Zhipu ใช้ปรับปรุงความสามารถด้านงานเทอร์มินัล งานวิศวกรรมซอฟต์แวร์ระยะยาว และการวิเคราะห์ความปลอดภัย

ในเชิงปฏิบัติ GLM-5.3 เหมาะกับทีมที่ต้องการประเมินโมเดลสำหรับ:

เอเจนต์ที่สั่งงานผ่าน terminal
งาน CI/CD อัตโนมัติ
งานแก้ไขโค้ดระดับ repository
งานเขียนโค้ดหลายขั้นตอน
การวิเคราะห์ความปลอดภัยเชิงโค้ด

เกณฑ์มาตรฐาน GLM-5.3: อ่านตัวเลขอย่างไร

รายงานจาก BigGo Finance และ Pandaily ระบุผลลัพธ์ต่อไปนี้

เกณฑ์มาตรฐาน	ผลลัพธ์ GLM-5.3	บริบท	ที่มา
Terminal-Bench 3.0	28.3 จากเดิม 4.6	เพิ่มขึ้น 6.2 เท่า; อันดับหนึ่งในกลุ่มโมเดลโอเพ่นซอร์ส	รายงานการเปิดตัว
Agents’ Last Exam	อันดับหนึ่งในกลุ่มโมเดลโอเพ่นซอร์ส	ไม่เปิดเผยคะแนน	รายงานการเปิดตัว
CyberGym	84.5%	สูงกว่า Claude Mythos 5 และ GPT-5.6 Sol เล็กน้อย	รายงานการเปิดตัว
ExploitBench	54.4%	ยังตามหลังโมเดลระดับแนวหน้า	รายงานการเปิดตัว
SWE-Marathon	ประมาณ 2 เท่าของ GLM-5.2	งานวิศวกรรมซอฟต์แวร์ระยะยาว	ผลภายในของ Zhipu
ความสามารถด้านการเขียนโค้ดรวม	+50% เทียบกับ GLM-5.2	ข้อกล่าวอ้างหลักของ Zhipu	ผลภายในของ Zhipu

ประเด็นสำคัญคือแยกผลที่มี leaderboard หรือรายงานสาธารณะออกจากผลภายในของผู้พัฒนาเอง

สิ่งที่ผลลัพธ์บอกได้

การเพิ่มขึ้นของ Terminal-Bench 3.0 จาก 4.6 เป็น 28.3 มีนัยสำคัญ เพราะ benchmark นี้ทดสอบความสามารถของโมเดลในการ:

เชื่อมคำสั่ง shell หลายขั้นตอน
อ่านและตีความ output
แก้ไขข้อผิดพลาดระหว่างทาง
ดำเนินงานจนเสร็จโดยไม่หลุดจากเป้าหมาย

หากคุณสร้าง coding agent ที่ทำงานกับ repository จริง ความสามารถลักษณะนี้สำคัญกว่าความสามารถในการตอบคำถามโค้ดสั้น ๆ

สิ่งที่ยังต้องตรวจสอบ

ข้ออ้างว่าเขียนโค้ดดีขึ้น 50% และผล SWE-Marathon เพิ่มเป็นสองเท่ายังเป็นตัวเลขภายในของ Zhipu จึงควรรอการประเมินอิสระหลังมีการปล่อยน้ำหนักโมเดล หรือทดสอบกับชุดงานของทีมคุณเองก่อนตัดสินใจย้ายระบบ

“ใกล้เคียงกับ Claude Fable 5” หมายถึงอะไร

Zhipu วางตำแหน่ง GLM-5.3 ว่าใกล้เคียงกับ Claude Fable 5 ในงานเขียนโค้ดและงานเอเจนต์ คำว่า “ใกล้เคียง” ไม่ได้หมายความว่าเหนือกว่าในทุกแกน

จุดที่ GLM-5.3 ดูแข่งขันได้

งาน agentic ที่ต้องใช้ terminal
งานเขียนโค้ดแบบหลายขั้นตอน
งาน automation ใน CI
งานระดับ repository
CyberGym ที่รายงานผล 84.5%

จุดที่ยังมีช่องว่าง

ExploitBench ที่ 54.4% ยังตามหลังโมเดลระดับแนวหน้า งานประเภทนี้มักต้องใช้เหตุผลเชิงลึกหลายขั้นตอนภายใต้ข้อมูลที่ไม่ครบถ้วน จึงเป็นพื้นที่ที่โมเดลปิดระดับแนวหน้าอาจยังได้เปรียบ

สำหรับการเปรียบเทียบโมเดลในหมวด benchmark ใกล้เคียงกัน ดูได้จากการเปรียบเทียบ Grok 4.6 vs GPT-5.6 vs Claude Fable 5

แผนปล่อย open weights บน Hugging Face

Zhipu ระบุว่าจะเผยแพร่น้ำหนักโมเดล GLM-5.3 บนองค์กร zai-org ใน Hugging Face ราววันที่ 28 สิงหาคม 2026 หรือประมาณสองสัปดาห์หลังการเปิดตัว API

ช่วงเวลาสองสัปดาห์นี้มีไว้สำหรับการตรวจสอบความเสี่ยงก่อนเผยแพร่น้ำหนักโมเดลสู่สาธารณะ โดย Zhipu ระบุว่าเป็นระบบประเมินความเสี่ยงที่ครอบคลุมที่สุดของบริษัท

สิ่งที่ต้องเตรียมหากต้องการ self-host

แม้ GLM-5 จะเปิดใช้งานพารามิเตอร์เพียงประมาณ 40B ต่อ token แต่โมเดลมีพารามิเตอร์รวม 744B ดังนั้นการรันแบบ full precision ยังต้องใช้โครงสร้างพื้นฐานระดับเซิร์ฟเวอร์และหลาย GPU

แนวทางที่ใช้งานได้จริง:

เริ่มประเมินผ่าน hosted API ก่อน
เก็บ prompt, output และ latency เป็น baseline
รอรุ่น quantized จากชุมชนหรือผู้ให้บริการ
ทดสอบ self-hosted deployment กับ baseline เดิม
เปรียบเทียบคุณภาพ, latency และต้นทุนต่อ request

ดูรายละเอียดการเตรียมโครงสร้างพื้นฐานได้ในคู่มือโฮสต์ GLM-5.3 ด้วยตัวเอง

GLM-5.3 ในภูมิทัศน์โมเดลเปิด

GLM-5.3 ถูกเปิดตัวใกล้กับ DeepSeek V4 Pro แต่มีจุดเน้นต่างกัน:

DeepSeek V4 Pro: โมเดลเรือธงสำหรับงานทั่วไป
GLM-5.3: เน้น coding agent, terminal และงานวิศวกรรมซอฟต์แวร์

หาก workload หลักของคุณคือ coding automation ควรทำ A/B evaluation ระหว่างโมเดลโดยใช้ task จริงของทีม ไม่ควรตัดสินจากคะแนน benchmark เพียงอย่างเดียว

ด้านต้นทุน Zhipu ยังไม่ได้ประกาศราคา GLM-5.3 เฉพาะรุ่น ณ วันเปิดตัว สำหรับจุดอ้างอิง หน้าราคาอย่างเป็นทางการ ระบุราคา GLM-5.2 ที่:

อินพุต: 1.4 ดอลลาร์ต่อ 1 ล้านโทเค็น
เอาต์พุต: 4.4 ดอลลาร์ต่อ 1 ล้านโทเค็น

ตรวจสอบราคาปัจจุบันก่อนนำไปคำนวณงบประมาณ โดยเฉพาะเมื่อราคา API ของโมเดลเปิดปรับเปลี่ยนได้เร็ว ดังที่เห็นจากคู่มือการเพิ่มประสิทธิภาพต้นทุน API ของ DeepSeek

หากต้องการเปรียบเทียบตัวเลือกสำหรับการรันภายในองค์กร ดูLLM ท้องถิ่นที่ดีที่สุดในปี 2026

โควตา GLM Coding Plan ถูกรีเซ็ต

Zhipu รีเซ็ตโควตา GLM Coding Plan สำหรับผู้ใช้ทุกคนเมื่อวันที่ 14 สิงหาคม หากคุณสมัครผ่าน Z.ai คุณสามารถใช้โควตาใหม่เพื่อทดสอบ GLM-5.3 ได้ทันที

Coding Plan เป็นบริการแบบอัตราคงที่สำหรับเครื่องมือเขียนโค้ด ซึ่งแยกจากการคิดค่าบริการ API ตามจำนวนโทเค็น

สำหรับผู้ใช้ในจีนแผ่นดินใหญ่ ให้ใช้ open.bigmodel.cn ซึ่งมีแพ็กเกจและระบบคิดค่าบริการของตนเอง

เริ่มใช้ GLM-5.3 API ในห้านาที

API ของ Z.ai รองรับรูปแบบ OpenAI-compatible ดังนั้นคุณสามารถนำโค้ดที่เรียก Chat Completions API เดิมมาปรับใช้ได้ง่าย

ภูมิภาค	Endpoint
นานาชาติ	`https://api.z.ai/api/paas/v4/chat/completions`
จีนแผ่นดินใหญ่	`https://open.bigmodel.cn/api/paas/v4/chat/completions`

การยืนยันตัวตนใช้ Bearer token

ข้อควรระวัง: ณ เวลาเปิดตัว เอกสารทางการยังระบุ glm-5 เป็น model ID ที่ชัดเจน ตัวอย่าง glm-5.3 ด้านล่างอิงตามรูปแบบการตั้งชื่อของตระกูลโมเดล ควรตรวจสอบ model ID ล่าสุดในเอกสาร GLM-5ก่อนใช้งานจริง

ส่งคำขอด้วย cURL

export GLM_API_KEY="your-key-from-z.ai"

curl https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "user",
        "content": "Write a bash script that finds the five largest files in a git repo, excluding the .git directory."
      }
    ],
    "temperature": 0.6,
    "max_tokens": 1024
  }'

รูปแบบ response สอดคล้องกับ OpenAI Chat Completions API โดยจะมี:

choices สำหรับผลลัพธ์ของโมเดล
choices[0].message.content สำหรับข้อความตอบกลับ
usage สำหรับจำนวนโทเค็นที่ใช้

ทดสอบ API โดยไม่ต้องแก้ cURL ซ้ำ

คุณสามารถนำเข้าคำขอนี้เข้า Apidog แล้วตั้งค่าให้ใช้งานซ้ำได้ดังนี้

สร้าง environment ชื่อ zai-international
เพิ่มตัวแปร base_url เป็น https://api.z.ai
เพิ่มตัวแปรลับ GLM_API_KEY
สร้าง environment อีกตัวชื่อ zai-china
ตั้ง base_url เป็น https://open.bigmodel.cn
ใช้ {{base_url}}/api/paas/v4/chat/completions ใน request URL
เก็บ response ของแต่ละ prompt เป็น baseline สำหรับเปรียบเทียบภายหลัง

เมื่อเปลี่ยนภูมิภาคหรือ model ID คุณเพียงสลับ environment แทนการแก้ไข request ทุกจุด

สำหรับตัวอย่าง Python, Node.js, streaming และ error handling ดูคู่มือเริ่มต้นใช้งาน GLM-5.3 API ฉบับสมบูรณ์

วิธีประเมิน GLM-5.3 กับงานจริงของคุณ

อย่าใช้ benchmark สาธารณะเป็นเกณฑ์เดียว ให้สร้าง evaluation suite ขนาดเล็กจากงานที่ทีมทำจริง

ตัวอย่างชุดทดสอบสำหรับ coding agent:

1. แก้บั๊กจาก stack trace ที่ให้มา
2. เพิ่ม unit test ให้โมดูลเดิม
3. refactor ฟังก์ชันโดยไม่เปลี่ยน public API
4. วิเคราะห์สาเหตุที่ CI ล้มเหลวจาก log
5. เขียน bash script สำหรับตรวจสอบไฟล์ขนาดใหญ่ใน repository
6. สร้าง migration พร้อม rollback

เก็บข้อมูลต่อไปนี้สำหรับแต่ละโมเดล:

ตัวชี้วัด	คำถามที่ต้องตอบ
Task success rate	งานเสร็จถูกต้องหรือไม่
จำนวนรอบแก้ไข	ต้อง prompt ซ้ำกี่รอบ
Latency	ใช้เวลาตอบเท่าไร
Token usage	ใช้โทเค็นเท่าไรต่อ task
Code quality	โค้ดผ่าน test, lint และ review หรือไม่
Safety	โมเดลทำคำสั่งที่เสี่ยงโดยไม่ยืนยันหรือไม่

แนวทางนี้ช่วยให้คุณตัดสินใจจากข้อมูลของระบบจริง แทนที่จะยึดเฉพาะคะแนนจาก benchmark

คำถามที่พบบ่อย

GLM-5.3 เป็นโอเพ่นซอร์สหรือไม่

ยังไม่ใช่ในวันที่เปิดตัว API แต่ Zhipu ระบุว่าจะปล่อยน้ำหนักโมเดลแบบ open weight บน Hugging Face ราววันที่ 28 สิงหาคม 2026 หลังผ่านการตรวจสอบความเสี่ยง

GLM-5.3 ต่างจาก GLM-5.2 อย่างไร

โมเดลฐานเหมือนเดิม การปรับปรุงมาจาก post-training ที่ขยายขนาดขึ้น Zhipu รายงานว่าความสามารถด้านการเขียนโค้ดเพิ่มขึ้น 50%, Terminal-Bench 3.0 เพิ่มจาก 4.6 เป็น 28.3 และ SWE-Marathon เพิ่มราวสองเท่า

GLM-5.3 ราคาเท่าไร

Zhipu ยังไม่ประกาศราคาเฉพาะของ GLM-5.3 ณ วันเปิดตัว ราคา GLM-5.2 ที่ประกาศไว้คือ 1.4 ดอลลาร์ต่อ 1 ล้านโทเค็นอินพุต และ 4.4 ดอลลาร์ต่อ 1 ล้านโทเค็นเอาต์พุต ตรวจสอบหน้าราคาทางการก่อนใช้งานจริง

สามารถรัน GLM-5.3 บนฮาร์ดแวร์ของตัวเองได้หรือไม่

ได้หลังจากปล่อยน้ำหนักโมเดล แต่การรันแบบ full precision ต้องใช้ฮาร์ดแวร์ระดับเซิร์ฟเวอร์หลาย GPU เนื่องจากโมเดลมีพารามิเตอร์รวม 744B แม้จะเปิดใช้งานราว 40B ต่อ forward pass รุ่น quantized จะช่วยลดข้อจำกัดด้านฮาร์ดแวร์ได้

GLM-5.3 ดีกว่า Claude หรือ GPT สำหรับการเขียนโค้ดหรือไม่

ผลที่รายงานบ่งชี้ว่า GLM-5.3 แข่งขันได้มากในงาน terminal และงานเอเจนต์ โดยเฉพาะในกลุ่มโมเดลเปิด แต่ยังตามหลังโมเดลระดับแนวหน้าใน ExploitBench คำตอบที่ใช้งานได้จริงคือให้ทดสอบกับ evaluation suite ของคุณเองก่อนเปลี่ยน production workload เช่นเดียวกับที่คุณควรทดสอบ API ก่อนนำมาใช้

เริ่มต้นจากการทดสอบ ไม่ใช่การย้ายระบบ

GLM-5.3 มีข้อเสนอที่ชัดเจน: ความสามารถด้าน coding agent ที่รายงานว่าใกล้ระดับแนวหน้า, API ที่เข้ากันได้กับ OpenAI และแผนปล่อย open weights ภายในสองสัปดาห์

วิธีเริ่มต้นที่มีความเสี่ยงต่ำคือ:

ส่ง cURL request ตัวอย่าง
สร้าง prompt ชุดเล็กจากงานจริง
บันทึก output, latency และ token usage
เปรียบเทียบกับโมเดลที่ใช้อยู่
ใช้ผลลัพธ์เป็น baseline เมื่อ open weights พร้อมใช้งาน

ดาวน์โหลด Apidog เพื่อจัดการ request, environment และชุดทดสอบของคุณ โดยแยก endpoint ของ Z.ai และ bigmodel.cn เป็น environment ที่สลับใช้งานได้ทันที

ไขข้อสงสัยราคา Gemini 3.7 Flash: ล็อกเรทด่วนก่อนราคาจะเบิ้ล

Thanawat Wongchai — Fri, 14 Aug 2026 08:06:57 +0000

Google เปิดตัว Gemini 3.7 Flash เมื่อวันที่ 13 สิงหาคม 2026 สามสัปดาห์หลัง 3.6 Flash และเรียกโมเดลนี้ว่า “โมเดลเวิร์คฮอร์สที่ฉลาดที่สุดของเรา” สำหรับทีมที่ติดตามค่าใช้จ่าย API สิ่งสำคัญที่สุดคือราคา: อัตราเบื้องต้นอยู่ที่ $0.75 ต่อ 1 ล้านโทเค็นอินพุต และ $3.75 ต่อ 1 ล้านโทเค็นเอาต์พุต จนถึงวันที่ 31 ธันวาคม 2026 จากนั้นตั้งแต่ 1 มกราคม 2027 ทั้งสองอัตราจะเพิ่มขึ้น 2 เท่า

ลองใช้ Apidog วันนี้

นั่นหมายความว่าเวิร์คโหลดเดิม โค้ดเดิม และพรอมป์ต์เดิม จะมีค่าใช้จ่ายเพิ่มขึ้นตามกำหนด ตัวอย่างเช่น แชทบอทที่จ่าย $790 ต่อเดือนในวันนี้ อาจจ่ายประมาณ $1,575 ต่อเดือนในเดือนมกราคม หากปริมาณการใช้งานเท่าเดิม

บทความนี้สรุปราคา 2 ระดับ วิธีคำนวณต้นทุนจากโทเค็นสำหรับเวิร์คโหลดจริง และขั้นตอนลดค่าใช้จ่ายก่อนราคาเพิ่มขึ้น หากยังไม่ได้ส่งคำขอแรก ให้เริ่มจากคู่มือเริ่มต้นใช้งาน Gemini 3.7 Flash API เมื่อเริ่มเรียกใช้งานแล้ว Apidog ช่วยให้ตรวจสอบ usageMetadata ในทุกการตอบกลับ เพื่อนำจำนวนโทเค็นจริงมาเทียบกับประมาณการได้

TL;DR

อัตราเบื้องต้น: อินพุต $0.75 และเอาต์พุต $3.75 ต่อ 1 ล้านโทเค็น ถึงวันที่ 31 ธันวาคม 2026
อัตรามาตรฐานตั้งแต่ 1 มกราคม 2027: อินพุต $1.50 และเอาต์พุต $7.50 ต่อ 1 ล้านโทเค็น
ราคาเบื้องต้นเป็นครึ่งหนึ่งของราคา Gemini 3.6 Flash ตอนเปิดตัว
รองรับข้อความ รูปภาพ วิดีโอ เสียง และ PDF ในหน้าต่างบริบท 1 ล้านโทเค็น โดยมีเอาต์พุตสูงสุด 64k โทเค็น
แชทบอท 10,000 คำขอต่อวัน มีค่าใช้จ่ายประมาณ $26.25/วันในอัตราเบื้องต้น และ $52.50/วันในอัตรามาตรฐาน
เริ่มลดต้นทุนจากการจำกัดเอาต์พุต แคชบริบท ประมวลผลแบบแบตช์ และเลือกโมเดลให้เหมาะกับงาน
เก็บค่า usageMetadata ต่อเอนด์พอยต์และตั้ง budget guardrail ในชุดทดสอบ API

สองระดับราคา

Gemini 3.7 Flash เปิดตัวพร้อมส่วนลดจำกัดเวลา ไม่ใช่ราคาถาวร สำหรับ Gemini API ที่เรียกเก็บผ่านคีย์ AI Studio:

ระดับ	ช่วงเวลา	อินพุต (ต่อ 1 ล้านโทเค็น)	เอาต์พุต (ต่อ 1 ล้านโทเค็น)
เบื้องต้น	13 สิงหาคม 2026 – 31 ธันวาคม 2026	$0.75	$3.75
มาตรฐาน	ตั้งแต่ 1 มกราคม 2027	$1.50	$7.50

สิ่งที่ควรนำไปใช้กับการวางแผนงบประมาณมี 2 ข้อ:

คำนวณงบประมาณด้วยราคามาตรฐานเสมอ

ใช้อัตราเบื้องต้นสำหรับคาดการณ์ค่าใช้จ่ายระยะสั้น แต่ใช้ราคา $1.50/$7.50 สำหรับตัดสินใจว่าระบบจะคุ้มค่าในระยะยาวหรือไม่
ลดเอาต์พุตก่อนลดอินพุต

เอาต์พุตแพงกว่าอินพุต 5 เท่าในทั้งสองระดับราคา การลดคำตอบจาก 1,000 เหลือ 300 โทเค็น มักลดต้นทุนได้มากกว่าการตัดข้อความใน system prompt จำนวนเล็กน้อย

ราคาเบื้องต้นยังเป็นครึ่งหนึ่งของราคา Gemini 3.6 Flash ตอนเปิดตัว หากกำลังอัปเกรดจาก 3.6 ให้ใช้คู่มือการย้ายจาก 3.6 ไปยัง 3.7 Flashเป็น checklist สำหรับทดสอบ regression ก่อนสลับโมเดล

ราคาในบทความนี้ครอบคลุม Gemini API ผ่าน AI Studio key ส่วน Vertex AI ใช้ Google Cloud SKU ของตัวเอง รวมถึงค่าใช้จ่ายของความสามารถอย่าง context caching และ batch processing ด้วย ควรตรวจสอบตัวเลขล่าสุดที่หน้าการกำหนดราคาอย่างเป็นทางการก่อนอนุมัติงบประมาณ

สูตรคำนวณต้นทุน

ใช้สูตรนี้กับทุกเอนด์พอยต์:

ค่าใช้จ่ายอินพุต  = input_tokens  / 1,000,000 × input_price
ค่าใช้จ่ายเอาต์พุต = output_tokens / 1,000,000 × output_price
ค่าใช้จ่ายรวม      = ค่าอินพุต + ค่าเอาต์พุต

ตัวอย่างในอัตราเบื้องต้น:

20M input tokens  × $0.75 / 1M = $15.00
3M output tokens  × $3.75 / 1M = $11.25

รวม = $26.25 ต่อวัน

เมื่อเข้าสู่อัตรามาตรฐาน ให้แทนราคาเป็น $1.50 และ $7.50 ซึ่งทำให้ต้นทุนรวมเพิ่มขึ้น 2 เท่าเมื่อปริมาณโทเค็นเท่าเดิม

ค่าใช้จ่ายของเวิร์คโหลดจริง

เวิร์คโหลด 1: แชทบอทบริการลูกค้า

สมมติว่าแชทบอทมี 10,000 คำขอต่อวัน แต่ละคำขอใช้:

อินพุต 2,000 โทเค็น: system prompt, ประวัติสนทนา และข้อความผู้ใช้
เอาต์พุต 300 โทเค็น: คำตอบสำหรับลูกค้า

รายการ	โทเค็นรายวัน	ค่าใช้จ่ายเบื้องต้น/วัน	ค่าใช้จ่ายมาตรฐาน/วัน
อินพุต	20M	$15.00	$30.00
เอาต์พุต	3M	$11.25	$22.50
รวม	23M	$26.25	$52.50

คิดเป็นประมาณ:

$788/เดือน ในอัตราเบื้องต้น
$1,575/เดือน ในอัตรามาตรฐาน โดยสมมติ 30 วันต่อเดือน

สำหรับแชทบอท ให้เริ่มจากการตั้ง maxOutputTokens ที่ระดับเอนด์พอยต์ เช่น 300–500 โทเค็นสำหรับคำตอบทั่วไป แทนการปล่อยให้โมเดลสร้างคำตอบยาวโดยไม่จำเป็น

{
  "generationConfig": {
    "maxOutputTokens": 500,
    "temperature": 0.2
  }
}

เวิร์คโหลด 2: ไปป์ไลน์เอกสาร PDF

Gemini 3.7 Flash อ่าน PDF ได้โดยตรง และ Google รายงานว่าคะแนน GDP.pdf benchmark เพิ่มจาก 22.0% เป็น 34.0% เมื่อเทียบกับ 3.6 Flash

สมมติว่าไปป์ไลน์ประมวลผลเอกสาร 500 ฉบับต่อวัน:

อินพุต 40,000 โทเค็นต่อเอกสาร
เอาต์พุต 1,000 โทเค็นต่อเอกสารในรูปแบบสรุปเชิงโครงสร้าง

รายการ	โทเค็นรายวัน	ค่าใช้จ่ายเบื้องต้น/วัน	ค่าใช้จ่ายมาตรฐาน/วัน
อินพุต	20M	$15.00	$30.00
เอาต์พุต	0.5M	$1.88	$3.75
รวม	20.5M	$16.88	$33.75

คิดเป็นประมาณ:

$506/เดือน ในอัตราเบื้องต้น
$1,013/เดือน ในอัตรามาตรฐาน

เวิร์คโหลดนี้มีอินพุตเป็นต้นทุนหลัก เพราะเอกสารยาวกว่าเอาต์พุตมาก ดังนั้นให้พิจารณา:

แคชเอกสารอ้างอิงหรือคำสั่งที่ส่งซ้ำ
ทำงานแบบ batch สำหรับเอกสารที่ไม่ต้องตอบทันที
กำหนด schema ของผลลัพธ์ให้ชัดเจนเพื่อลดข้อความอธิบายส่วนเกิน

ตัวอย่างคำสั่งสรุปที่จำกัดรูปแบบเอาต์พุต:

สรุปเอกสารเป็น JSON เท่านั้น โดยคืนค่า:
- document_type
- parties
- effective_date
- key_obligations
- risks

ห้ามเพิ่มคำอธิบายนอก JSON

เวิร์คโหลด 3: วงจร Agent

Agent เพิ่มจำนวนการเรียกใช้โมเดลอย่างรวดเร็ว สมมติว่า:

200 งานต่อวัน
12 model calls ต่องาน
8,000 โทเค็นอินพุตต่อ call จากบริบทและผลลัพธ์ของเครื่องมือ
400 โทเค็นเอาต์พุตต่อ call

รายการ	โทเค็นรายวัน	ค่าใช้จ่ายเบื้องต้น/วัน	ค่าใช้จ่ายมาตรฐาน/วัน
อินพุต	19.2M	$14.40	$28.80
เอาต์พุต	0.96M	$3.60	$7.20
รวม	20.16M	$18.00	$36.00

คิดเป็น:

$540/เดือน ในอัตราเบื้องต้น
$1,080/เดือน ในอัตรามาตรฐาน

จุดเสี่ยงของ Agent คือบริบทสะสมในทุกขั้นตอน งานที่เพิ่มจาก 12 เป็น 20 calls จะเพิ่มต้นทุนประมาณ 67% แม้ตารางราคาจะไม่เปลี่ยน

ให้กำหนด guardrail สำหรับ Agent อย่างน้อย 3 จุด:

1. จำกัดจำนวนรอบสูงสุดต่อ task
2. ตัดผลลัพธ์เครื่องมือที่ไม่จำเป็นออกจาก context
3. จำกัด maxOutputTokens ในทุกขั้นตอน

เอาต์พุตสูงสุด 64k โทเค็นยังเป็นเพดานของกรณีเลวร้ายที่สุด:

ประมาณ $0.24 ต่อ call ในอัตราเบื้องต้น
ประมาณ $0.48 ต่อ call ในอัตรามาตรฐาน

เพดานนี้ป้องกันค่าใช้จ่ายไม่ให้ไร้ขีดจำกัด แต่ retry loop ที่สร้างเอาต์พุตจำนวนมากก็ยังเพิ่มค่าใช้จ่ายได้เร็วมาก

การเปรียบเทียบราคา Gemini 3.7 Flash

การเปรียบเทียบราคาข้ามผู้ให้บริการเปลี่ยนเร็ว จึงควรใช้เพื่อดูตำแหน่งของโมเดล ไม่ใช่เป็นตารางราคาถาวร

Gemini 3.7 Flash อยู่ในกลุ่มเวิร์คฮอร์ส: ราคาต่ำกว่าโมเดลแนวหน้าตระกูล Gemini Pro, โมเดล Claude ขนาดใหญ่ และระดับเรือธงของ OpenAI ขณะเดียวกันมีผล benchmark เช่น 65.3% บน DeepSWE v1.1 และ 1588 WebDev Arena Elo ซึ่งทับซ้อนกับความสามารถที่ก่อนหน้านี้ต้องใช้โมเดลระดับเรือธง

ประเด็นสำคัญสำหรับทีมพัฒนาคือ อย่าออกแบบระบบโดยยึดราคาปัจจุบันเพียงอย่างเดียว ผู้ให้บริการสามารถเปลี่ยนราคาได้ เช่น กรณี DeepSeek ที่ปรับอัตรา API ซึ่งอธิบายเพิ่มเติมในคู่มือการเพิ่มราคาและการเพิ่มประสิทธิภาพต้นทุนของ DeepSeek

สำหรับ Gemini ตารางเวลาชัดเจนอยู่แล้ว: เวิร์คโหลด $10,000/เดือนในช่วงเบื้องต้น อาจกลายเป็น $20,000/เดือนเมื่อใช้อัตรามาตรฐาน หากจำนวนโทเค็นไม่เปลี่ยน

ห้าวิธีลดค่าใช้จ่ายโทเค็น

1. จำกัดเอาต์พุตต่อเอนด์พอยต์

ตั้ง maxOutputTokens เป็นค่าต่ำสุดที่งานต้องใช้จริง เพราะเอาต์พุตแพงกว่าอินพุต 5 เท่า

เอนด์พอยต์	ค่าเริ่มต้นที่ควรทดสอบ
คำตอบแชทบริการลูกค้า	300–500
การจัดประเภท	50–150
สรุปเอกสารแบบมีโครงสร้าง	500–1,500
ขั้นตอนวางแผนของ Agent	300–800

ตัวอย่าง:

{
  "generationConfig": {
    "maxOutputTokens": 400
  }
}

อย่าปล่อยให้ทุกเส้นทางใช้เพดาน 64k โดยไม่มีเหตุผล เพราะการตอบผิดพลาดเพียงครั้งเดียวอาจแพงกว่าคำตอบปกติหลายสิบเท่า

2. แคชบริบทคงที่

หากทุกคำขอส่ง system prompt, นโยบายบริษัท หรือเอกสารอ้างอิง 3,000 โทเค็นเดิมซ้ำ ๆ คุณกำลังจ่ายค่าอินพุตเต็มจำนวนสำหรับข้อมูลเดิมหลายพันครั้งต่อวัน

เริ่มต้นด้วยการแยกข้อมูลออกเป็น 2 ส่วน:

บริบทคงที่:
- system prompt
- นโยบาย
- คู่มือผลิตภัณฑ์
- ข้อมูลอ้างอิงที่ใช้ซ้ำ

บริบทเปลี่ยนแปลง:
- ข้อความผู้ใช้
- ประวัติสนทนาล่าสุด
- ผลลัพธ์จากเครื่องมือ

จากนั้นใช้ context caching สำหรับส่วนคงที่ ตรวจสอบวิธีตั้งค่าและอัตราปัจจุบันในเอกสาร Gemini API

สำหรับแชทบอทตัวอย่าง การแคชคำนำหน้าคงที่ 1,500 โทเค็นสามารถลดค่าอินพุตได้เกือบครึ่งหนึ่ง

3. ประมวลผลงานที่ไม่ใช่เชิงโต้ตอบเป็นชุด

งานสรุปเอกสาร การติดแท็กข้อมูล และการจัดหมวดหมู่ย้อนหลัง มักไม่ต้องตอบภายในไม่กี่วินาที

แยกคิวงานออกจาก request path ของผู้ใช้:

API รับไฟล์
  → บันทึก job ลงคิว
  → ประมวลผล batch ตามรอบเวลา
  → เก็บผลลัพธ์ลงฐานข้อมูล
  → แจ้งสถานะเมื่อเสร็จ

แนวทางนี้ช่วยให้ใช้ batch processing กับงานที่ยอมรับ latency ได้ และลดความเสี่ยงที่ทราฟฟิกกระชากจะทำให้งบประมาณรายวันเกินเป้า

4. ใช้โมเดลให้เหมาะกับแต่ละเส้นทาง

ไม่ใช่ทุก call ต้องใช้ Gemini 3.7 Flash ใช้โมเดลระดับเล็กกว่าสำหรับงานที่ไม่ต้องการการให้เหตุผลหลายขั้นตอน เช่น:

จัดประเภท intent
routing
ตรวจรูปแบบข้อมูล
ดึงฟิลด์สั้น ๆ
ตรวจว่าเอกสารต้องส่งต่อให้ Agent หรือไม่

เก็บ Gemini 3.7 Flash ไว้กับงานที่ใช้ความสามารถของโมเดลจริง เช่น การวางแผนหลายขั้นตอน การดีบัก การวิเคราะห์เอกสารซับซ้อน และ tool-calling chain

5. สร้างต้นแบบบนบริการฟรีก่อน

ใช้โควตาฟรีของ AI Studio เพื่อปรับ prompt, schema และรูปแบบผลลัพธ์ ก่อนเปิดทราฟฟิกที่มีค่าใช้จ่ายจริง ดูขอบเขตและข้อจำกัดของเส้นทางฟรีได้ในคู่มือการเข้าถึง Gemini API ฟรี

เป้าหมายคือให้ prompt มีประสิทธิภาพก่อนนำไปใช้ใน production ไม่ใช่ค่อยค้นพบว่า prompt ยาวเกินไปหลังเริ่มมีใบแจ้งหนี้แล้ว

ติดตามค่าใช้จ่ายต่อเอนด์พอยต์ด้วย Apidog

การประมาณการช่วยตั้งงบประมาณ แต่การวัดผลต่อคำขอช่วยให้ไม่เกินงบ ทุกการตอบกลับจาก Gemini มี usageMetadata ซึ่งรวมจำนวนโทเค็นอินพุตและเอาต์พุต

ตัวอย่างโครงสร้างข้อมูลที่ควรบันทึก:

{
  "usageMetadata": {
    "promptTokenCount": 2000,
    "candidatesTokenCount": 300,
    "totalTokenCount": 2300
  }
}

ใน Apidog ให้ตั้ง workflow ดังนี้:

สร้าง request สำหรับทุก production endpoint เช่น แชท สรุปเอกสาร และ Agent step
เก็บ API key ใน environment variable เช่น GEMINI_API_KEY
ใช้ payload ที่ใกล้เคียงกับ production ใน test scenario
ดึง usageMetadata.promptTokenCount และ usageMetadata.candidatesTokenCount
ตั้ง assertion เพื่อบล็อกการเปลี่ยน prompt ที่ทำให้ใช้โทเค็นเกิน budget
รัน scenario ทุกครั้งที่แก้ prompt, tool schema หรือรูปแบบข้อมูล

ตัวอย่างเกณฑ์ที่ควรตั้ง:

chat endpoint:
- promptTokenCount ต้องไม่เกิน 2,500
- candidatesTokenCount ต้องไม่เกิน 500

document-summary endpoint:
- candidatesTokenCount ต้องไม่เกิน 1,200

หากการแก้ prompt ทำให้แชทเอนด์พอยต์เพิ่มจาก 2,000 เป็น 2,500 input tokens นั่นหมายถึงค่าอินพุตเพิ่มขึ้น 25% ต่อคำขอ การให้ test ล้มเหลวก่อน deploy ช่วยป้องกันต้นทุนที่เพิ่มขึ้นโดยไม่ตั้งใจ

จากนั้นคำนวณต้นทุนจริงจากข้อมูลที่วัดได้:

endpoint_cost =
  (promptTokenCount / 1,000,000 × input_price) +
  (candidatesTokenCount / 1,000,000 × output_price)

ทีมที่มี API test suite อยู่แล้วสามารถต่อยอดรูปแบบนี้ได้ทันที ดูแนวทางจัดโครงสร้าง scenario เพิ่มเติมได้ในคู่มือการทดสอบ API สำหรับวิศวกร QA

คำถามที่พบบ่อย

ราคา Gemini 3.7 Flash จะเพิ่มขึ้นเป็นสองเท่าเมื่อใด?

วันที่ 1 มกราคม 2027 อัตราเบื้องต้น $0.75 ต่อ 1 ล้านโทเค็นอินพุต และ $3.75 ต่อ 1 ล้านโทเค็นเอาต์พุต จะใช้ถึง 31 ธันวาคม 2026 หลังจากนั้นจะเปลี่ยนเป็น $1.50 และ $7.50

Gemini 3.7 Flash ถูกกว่า Gemini 3.6 Flash หรือไม่?

ตอนเปิดตัว ใช่ ราคาแนะนำของ 3.7 Flash เป็นครึ่งหนึ่งของราคาเปิดตัว 3.6 Flash ขณะที่ผล benchmark ดีขึ้น เช่น DeepSWE v1.1 จาก 49.0% เป็น 65.3% ดูรายละเอียดเปรียบเทียบได้ในคู่มืออ้างอิงฉบับย่อของ Gemini 3.7 Flash

ราคาเบื้องต้นมีผลกับ Vertex AI หรือไม่?

อัตราในบทความนี้ใช้กับ Gemini API ที่เรียกเก็บผ่าน AI Studio key ส่วน Vertex AI เรียกเก็บผ่าน Google Cloud ด้วย SKU และข้อกำหนดของตัวเอง ให้ตรวจสอบราคาใน GCP Billing Console และหน้าราคาอย่างเป็นทางการก่อนใช้งานจริง

อะไรถูกนับเป็นค่าใช้จ่ายโทเค็นอินพุต?

ทุกสิ่งที่ส่งไปในคำขอ ได้แก่ ข้อความ รูปภาพ วิดีโอ เสียง และหน้า PDF จะถูกแปลงเป็นโทเค็นและคิดตามอัตราอินพุต เอกสารยาวและคำขอที่มีสื่อจำนวนมากมักเป็นสาเหตุของค่าใช้จ่ายที่เกินคาด

หลังเรียก API ให้ตรวจสอบ usageMetadata เพื่อดูจำนวนจริง แทนการเดาจากจำนวนตัวอักษรหรือจำนวนคำ

จะประเมินโทเค็นก่อนส่งคำขอได้อย่างไร?

ใช้ endpoint countTokens เพื่อวัด payload โดยไม่ต้องสร้างผลลัพธ์ หรือส่ง representative request จำนวนหนึ่งแล้วอ่าน usageMetadata จาก response

ควรวัดจาก payload จริงเสมอ เนื่องจาก tokenizer ของแต่ละตระกูลโมเดลให้ผลต่างกันได้

3.7 Flash เหมาะกับสแต็คของคุณอย่างไร

Gemini 3.7 Flash ในราคาเบื้องต้นให้ความสามารถสูงในต้นทุนที่ต่ำ แต่ราคานี้มีวันสิ้นสุดชัดเจน วิธีดำเนินการที่เหมาะสมคือ:

ย้ายเวิร์คโหลดที่เหมาะสมไปทดสอบบน 3.7 Flash ตอนนี้
วัด token usage จริงแยกตามเอนด์พอยต์
คำนวณทั้งต้นทุนเบื้องต้นและต้นทุนมาตรฐาน
ลด output limit และ context ที่ไม่จำเป็น
ลดระดับงานง่ายไปใช้โมเดลขนาดเล็กกว่า
ตัดสินใจจากข้อมูลจริงก่อนราคาเปลี่ยนในเดือนมกราคม

ใช้ดาวน์โหลด Apidogเพื่อเก็บ Gemini requests, environment, token assertions และการตรวจสอบต้นทุนไว้ใน workspace เดียวกัน เพื่อให้ใบแจ้งหนี้เดือนมกราคมเป็นตัวเลขที่คุณคาดการณ์ไว้แล้ว

DEV Community: Thanawat Wongchai

วิธีใช้ Claude ฟรีในปี 2026: ทุกวิธีที่ใช้งานได้จริง

Claude ใช้งานฟรีได้ในปี 2026: ตัวเลือก ข้อจำกัด และวิธีเริ่มต้น

Claude ฟรีหรือไม่?

ตัวเลือกที่ 1: แผนฟรีของ claude.ai

วิธีใช้โควต้าให้นานขึ้น

ตัวเลือกที่ 2: บัตรผ่านสำหรับแขกของ Claude Code

ตัวเลือกที่ 3: เครดิต API ฟรีและการทดสอบด้วย Apidog

ตัวเลือกที่ 4: Claude ในเครื่องมือที่ใช้อยู่แล้ว

ตัวเลือกที่ 5: เครดิตทดลองใช้จากผู้ให้บริการคลาวด์

สิ่งที่ Claude ฟรีไม่มีให้

คำถามที่พบบ่อย

เริ่มต้นฟรีและทดสอบอย่างชาญฉลาด

วิธีใช้ Grok ฟรีในปี 2026: ทุกทางเลือกที่ใช้งานได้จริง

วิธีใช้ Grok ฟรีในปี 2026

Grok ฟรีหรือไม่?

แชทฟรีบน grok.com และแอป X

ขีดจำกัดการใช้งาน

ผู้ใช้ฟรีได้รับโมเดลใด?

xAI ให้เครดิต API ฟรีหรือไม่?

Grok Imagine และ Voice ใช้ฟรีได้หรือไม่?

Grok Imagine

Grok Voice

สิ่งที่ไม่มีใน Grok ฟรี

ทำให้เครดิต API ฟรีใช้งานได้นานขึ้นด้วย Apidog

คำถามที่พบบ่อย

สรุป

วิธีใช้ Gemini ฟรีในปี 2026: แอป, AI Studio และ API

Gemini ใช้งานฟรีหรือไม่?

ช่องทางที่ 1: แพลนฟรีของแอป Gemini

ช่องทางที่ 2: Google AI Studio และคีย์ API ฟรี

วิธีรับคีย์ API ฟรี

ตรวจสอบ rate limit ก่อนใช้งาน

ช่องทางที่ 3: ข้อเสนอและทดลองใช้ Google AI Pro ฟรี

ช่องทางที่ 4: NotebookLM และแพลตฟอร์ม Gemini อื่นๆ

ช่องทางที่ 5: เรียกใช้โมเดลระดับ Gemini บนเครื่อง

สิ่งที่แพลนฟรีไม่มีให้

ขยายการใช้งานคีย์ API ฟรีด้วย Apidog

เวิร์กโฟลว์ที่แนะนำ

คำถามที่พบบ่อย

สรุป

วิธีใช้งาน DeepSeek V4-Flash-Vision API: คู่มือการป้อนภาพ

DeepSeek-v4-flash-vision-exp คืออะไร

ราคา: ใช้อัตรา Flash รวมรูปภาพ

สามวิธีในการส่งรูปภาพ

1. ฝังภาพแบบ Base64

2. ส่ง URL ภายนอก

3. อ้างอิงผ่าน Files API

พารามิเตอร์ detail

ข้อจำกัดก่อนใช้งานจริง

exp หมายถึงอะไรในการใช้งานจริง

ตัวอย่างคำนวณต้นทุน: ประมวลผลใบแจ้งหนี้

ทดสอบ multimodal request ใน Apidog

คำถามที่พบบ่อย

deepseek-v4-flash-vision-exp ฟรีหรือไม่?

โมเดลนี้จะมาแทน deepseek-v4-flash หรือไม่?

ใช้กับ API รูปแบบ Anthropic ได้หรือไม่?

ราคาเทียบกับ GPT หรือ Claude Vision เป็นอย่างไร?

สรุป

วิธีรันโมเดลใดก็ได้ใน DeepSeek Harness

ตั้งค่าโมเดลภายนอกใน DeepSeek Harness ด้วยผู้ให้บริการแบบกำหนดเอง

ทำไมต้องเปลี่ยนโมเดลใน agent harness

ลดค่าใช้จ่าย

ควบคุมตำแหน่งข้อมูล

พัฒนาในเครื่อง

บล็อกผู้ให้บริการทีละคีย์

คีย์ API จริงอยู่ที่ไหน

สูตรที่ 1: รันโมเดลในเครื่องผ่าน Ollama

ตรวจสอบ Ollama ก่อนเชื่อมต่อ dsh

สูตรที่ 2: ปลายทาง OpenAI-compatible ที่โฮสต์อยู่

แก้ปัญหาเฉพาะปลายทางที่โฮสต์

สูตรที่ 3: ผู้ให้บริการแค็ตตาล็อกในตัว

การเลือกโมเดลและสิ่งที่เซสชันจดจำ

แก้ปัญหาความล้มเหลวที่พบบ่อย

baseURL ผิดหรือเข้าถึงไม่ได้

ตัวแปรสภาพแวดล้อมหายไปหรือว่างเปล่า

รูปแบบอินพุตไม่ตรงกัน

ความแตกต่างของโปรโตคอล

เคยทำงานได้ แต่ตอนนี้ใช้งานไม่ได้

คำถามที่พบบ่อย

พารามิเตอร์ `detail`

`exp` หมายถึงอะไรในการใช้งานจริง

`deepseek-v4-flash-vision-exp` ฟรีหรือไม่?

โมเดลนี้จะมาแทน `deepseek-v4-flash` หรือไม่?

`baseURL` ผิดหรือเข้าถึงไม่ได้

ขั้นตอนที่ 1: เพิ่มคำสั่ง Apidog CLI ลงใน `AGENTS.md`