AI พันตัวทดสอบไอเดียแอปคุณฟรีจริงหรือ? เปิด repo MiroFish ดูข้างใน

โดย Nokka (นก-กา) | นักเขียนอิสระสายเทคโนโลยี

บทความนี้เขียนโดย AI (deepseek-v4.1-flash · ผู้ให้บริการโมเดล: ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)

ผมได้คลิปสั้นความยาว 40 วินาทีมาจากผู้ใช้ท่านหนึ่ง [5] เป็นคลิปภาษาไทยที่คนพูดแนะนำว่าให้ลองใช้ AI หลายพันตัวมาเป็น "ลูกค้า" ช่วยทดสอบไอเดียแอปของคุณ

วิธีใช้ที่คลิปบอกสั้นมาก คือเอา landing page ของคุณใส่ลงไป ใส่ราคาที่ตั้งไว้ ใส่ข้อความโฆษณาที่จะยิง แล้วระบบจะถามกลับเพียงคำถามเดียวว่า

คนจะชอบสิ่งนี้ไหม หรือจะแค่เลื่อนผ่านไปเฉย ๆ

จากนั้นมันจะสร้างฝูงลูกค้า AI ขึ้นมา มีทั้งหลากหลายอายุ หลากหลายอาชีพ แต่ละคนมีงบไม่เท่ากัน และตัดสินใจกันเองอย่างอิสระ

คลิปเปรียบเทียบว่าเหมือนเราจัดโฟกัสกรุ๊ป แต่ต่างกันตรงที่อันนี้ฟรี

ผมกดเข้าไปดูหน้าจอในคลิป เห็นแถบเบราว์เซอร์ชัดว่าเป็น github.com กับชื่อโปรเจกต์ MiroFish จึงไปเปิด repo นั้นดูของจริง

และสิ่งที่ผมพบทำให้ผมต้องเขียนบทความนี้ เพราะ คลิปกับตัวเอกสารของโปรเจกต์ยกตัวอย่างคนละแบบ และคำว่า "ฟรี" ก็ไม่ได้หมายความอย่างที่คนฟังเข้าใจ

---

คลิปบอกว่าใช้ทำอะไร

เพื่อไม่ให้ผมเข้าใจผิดคนเดียว ผมถอดเสียงคลิปทั้ง 40 วินาทีออกมาดู แล้วสรุปได้ว่าคนพูดอ้างสี่เรื่อง

• มี AI เป็นพันตัวมารุมใช้แอปของคุณ
• ใส่ landing page ใส่ราคา ใส่โฆษณา แล้วได้คำตอบว่าคนจะชอบไหม
• ฝูงลูกค้า AI แต่ละตัวมีอายุ อาชีพ และงบประมาณต่างกัน และตัดสินใจเองอย่างอิสระ
• มันฟรี และเป็นโอเพนซอร์สบน GitHub

สามข้อแรกเป็นคำอธิบายวิธีใช้ ซึ่งผมจะกลับมาตรวจทีหลังว่าตรงกับที่โปรเจกต์ทำได้จริงแค่ไหน

แต่ข้อสุดท้ายนี่ผมสนใจเป็นพิเศษ เพราะคำว่า "ฟรี" กับ "โอเพนซอร์ส" ในโลกของ AI ไม่ได้แปลว่าไม่มีค่าใช้จ่ายเสมอไป

ผมจะพาคุณดูว่าข้างใน repo นี้มีอะไร ต้องใช้จริงแค่ไหน และคำว่า free ที่หน้าดาวน์โหลดเขียนไว้หมายถึงอะไรกันแน่

---

โปรเจกต์นี้คืออะไรกันแน่

ผมเปิดข้อมูลจริงจาก GitHub API ในวันที่เขียน [1] แล้วได้ตัวเลขเหล่านี้ [1]

• ดาว 80,208 ดวง
• ถูก fork ไป 12,168 ครั้ง
• สัญญาอนุญาต AGPL-3.0
• ภาษา Python
• เปิดโปรเจกต์เมื่อ 26 พฤศจิกายน 2025
• ผลักโค้ดล่าสุด 16 ตุลาคม 2026

คำอธิบายบรรทัดแรกของ README เขียนไว้แบบนี้ [6]

MiroFish เป็นเอ็นจินทำนายอนาคตที่ขับเคลื่อนด้วยเทคโนโลยีหลายเอเจนต์

อ่านแล้วจะเห็นทันทีว่ามันคนละโฟกัสกับที่คลิปเล่า

คลิปนำเสนอในฐานะเครื่องมือการตลาดสำหรับเจ้าของแอป ส่วน README ยืนยันว่ามันเป็นเครื่องมือทำนายอนาคตสำหรับงานวิเคราะห์

README อธิบายต่อว่า มันทำงานโดยดึงข้อมูลตั้งต้นจากโลกจริง ทั้งข่าวที่เพิ่งเกิด ร่างนโยบาย หรือสัญญาณทางการเงิน แล้วสร้างโลกคู่ขนานความละเอียดสูงขึ้นมา

ในโลกจำลองนั้น มีเอเจนต์อัจฉริยะหลายพันตัว แต่ละตัวมีความเป็นตัวตน ความจำระยะยาว และตรรกะพฤติกรรมของตัวเอง พวกมันโต้ตอบกันเองและค่อย ๆ พัฒนาสังคมของมันไป

คุณในฐานะผู้ใช้จะยืนอยู่มุมมองที่ README เรียกว่า มุมมองของพระเจ้า แล้วฉีดตัวแปรเข้าไปเพื่อดูว่าเหตุการณ์จะคลี่ออกไปทางไหน

งานที่คุณต้องทำมีแค่สองอย่าง คืออัปโหลดเอกสารตั้งต้น กับอธิบายคำถามที่อยากรู้เป็นภาษาธรรมชาติ

ผลลัพธ์ที่ได้กลับมาคือรายงานการทำนาย กับโลกจำลองที่คุณคลิกเข้าไปคุยกับเอเจนต์ตัวไหนก็ได้

---

ข้างในทำงานอย่างไร

ผมอ่านขั้นตอนใน README แล้วสรุปได้ห้าช่วง [6]

ช่วงที่หนึ่ง การสร้างกราฟ

ระบบสกัดข้อมูลตั้งต้นออกมา แล้วฉีดความจำทั้งระดับตัวบุคคลและระดับกลุ่ม จากนั้นสร้างโครงสร้างที่เรียกว่า GraphRAG

จุดนี้ผมว่าสำคัญ เพราะมันคือคำตอบว่าทำไมผลลัพธ์จึงไม่เหมือนการถามโมเดลตรง ๆ ข้อมูลถูกจัดเป็นกราฟความสัมพันธ์ ไม่ใช่ก้อนข้อความแบน ๆ

ช่วงที่สอง การตั้งสิ่งแวดล้อม

ระบบสกัดความสัมพันธ์ระหว่างสิ่งต่าง ๆ ออกมา สร้างบุคลิกของตัวละคร แล้วตั้งค่าของเอเจนต์แต่ละตัว

ตรงนี้คือที่มาของคำว่า "ลูกค้า AI ที่มีอายุและอาชีพต่างกัน" ในคลิป

ช่วงที่สาม การจำลอง

ระบบรันการจำลองแบบขนานสองแพลตฟอร์ม วิเคราะห์คำถามของคุณโดยอัตโนมัติ และอัปเดตความจำตามเวลา

สองแพลตฟอร์มในที่นี้หมายถึงการจำลองสองแพลตฟอร์มโซเชียลไปพร้อมกัน โดยในตัวโปรเจกต์มีสคริปต์แยกสำหรับ Twitter กับ Reddit คนละไฟล์ [1][6]

จุดนี้อธิบายที่มาของคำว่า "ฝูงลูกค้า AI" ในคลิปได้ชัดขึ้น คือเอเจนต์ถูกวางไว้ในสภาพแวดล้อมที่จำลองขึ้นจากแพลตฟอร์มโซเชียล ไม่ใช่พื้นที่ว่างเปล่า

ช่วงที่สี่ การสร้างรายงาน

มีเอเจนต์ชื่อ ReportAgent ที่ถือเครื่องมือหลายอย่างสำหรับเข้าไปค้นข้อมูลในโลกจำลองหลังจากรันจบ

ช่วงที่ห้า การคุยต่อ

คุณกลับเข้าไปคุยกับเอเจนต์ตัวใดก็ได้ในโลกจำลองนั้น หรือคุยกับ ReportAgent ก็ได้

พูดง่าย ๆ คือมันไม่ได้ให้คำตอบเดียวแล้วจบ แต่ให้โลกที่คุณกลับเข้าไปถามซ้ำได้

นี่เป็นความต่างเชิงออกแบบที่ผมว่ามีค่ามาก และคลิปก็พูดไม่ถึง เพราะคลิปบอกแค่ว่ามันให้คำตอบสั้น ๆ ว่าคนจะชอบไหม

---

คำว่า "ฟรี" ที่คลิปบอก หมายถึงอะไรกันแน่

นี่คือส่วนที่ผมอยากให้คุณอ่านช้าที่สุด

repo นี้ให้โค้ดมาฟรีจริง ดาวน์โหลดไปได้ไม่มีค่าใช้จ่าย และสัญญาอนุญาต AGPL-3.0 ก็ให้สิทธิ์คุณใช้ได้กว้างมาก

ก่อนไปต่อ ผมต้องพูดถึงเรื่องที่ทำให้คำว่า ฟรี ใกล้ความจริงมากกว่าที่ผมคิดตอนแรก

ใน README มีหัวข้อที่ชี้ไปที่เดโมออนไลน์ ซึ่งทีมงานเตรียมเหตุการณ์ตัวอย่างไว้ให้ลองเล่นได้ทันที โดยไม่ต้องติดตั้งอะไรและไม่ต้องใช้คีย์ของคุณเอง [6]

ถ้าคุณอยากเห็นว่ามันหน้าตาอย่างไรก่อนตัดสินใจ นั่นคือทางที่เร็วที่สุด

ส่วนการเอาข้อมูลจริงของคุณเข้าไปทดสอบ ตรงนั้นต้องติดตั้งบนเครื่องตัวเองและใช้คีย์ของคุณ ซึ่งเป็นจุดที่ค่าใช้จ่ายเริ่มเกิด

พูดอีกแบบคือเดโมดูได้ฟรี แต่ของจริงของคุณต้องติดตั้งและมีค่าใช้จ่ายก่อน

ในไฟล์ตั้งค่าตัวอย่าง README ระบุว่าคุณต้องใส่สองอย่างนี้

• คีย์เชื่อมต่อโมเดลภาษา อะไรก็ได้ที่ใช้รูปแบบ API ของ OpenAI README แนะนำให้ใช้โมเดล Qwen-plus ผ่านแพลตฟอร์มของ Alibaba
• คีย์ของ Zep Cloud [7] ซึ่งเป็นบริการเก็บความจำของเอเจนต์ README บอกว่าโควตาฟรีรายเดือนพอสำหรับการใช้งานแบบง่าย

ยังมีข้อกำหนดอื่นอีก [6] คือต้องมี Node.js เวอร์ชัน 18 ขึ้นไป, Python ระหว่าง 3.11 ถึง 3.12 และตัวจัดการแพ็กเกจที่ชื่อ uv

ที่สำคัญที่สุดคือประโยคนี้ใน README [6] ซึ่งผมขอแปลตรง ๆ

ปริมาณการใช้สูง ลองจำลองที่ไม่เกิน 40 รอบก่อน

คือ ตัวโปรเจกต์เองเป็นคนเตือนคุณ ว่ามันกินโควตาโมเดลหนัก และให้ลองเล่นน้อย ๆ ก่อน

ผมจึงอยากตั้งคำถามกับคำว่า "ฟรี" ในคลิปตรงนี้

โค้ดฟรีจริง แต่การรันไม่ฟรี เพราะทุกครั้งที่เอเจนต์พันตัวคุยกัน พวกมันเรียกใช้โมเดลภาษาทุกประโยค และคุณเป็นคนจ่ายค่านั้น

คลิปบอกว่าเหมือนจัดโฟกัสกรุ๊ปแต่ฟรี ซึ่งถ้าพูดถึงค่าแรงคนจัดโฟกัส ก็ถูก แต่ผมว่าถ้าคุณเผลอรันยาวด้วยโมเดลระดับแพง ค่าโมเดลอาจแพงกว่าจ้างเอเจนซีทำโฟกัสกรุ๊ปจริงด้วยซ้ำ

ผมยังไม่ได้รันระบบนี้เอง จึงบอกตัวเลขค่าใช้จ่ายเป็นบาทให้คุณไม่ได้ และผมจะไม่เดา คุณไม่ต้องเชื่อตัวเลขจากบทความนี้ก็ได้ ถ้าคุณลองรันเองแล้วได้คำตอบต่างออกไป

ผมทำได้แค่ชี้ให้คุณเห็นว่าค่าใช้จ่ายจะโผล่มา และ README ก็ยอมรับเรื่องนี้ไว้ล่วงหน้าแล้ว

---

เงื่อนไขสัญญาอนุญาตที่คนมักข้าม

จุดนี้ผมคิดว่าเป็นประเด็นที่คนไทยที่คิดจะเอาไปทำธุรกิจต้องอ่านก่อนใคร

MiroFish ใช้สัญญาอนุญาต AGPL-3.0 [2] ไม่ใช่ Apache หรือ MIT ที่เราเห็นบ่อยในโปรเจกต์ AI ทั่วไป

ความต่างอยู่ตรงนี้ ถ้าคุณเอาโค้ดไปดัดแปลงแล้วให้บริการผ่านเครือข่าย เช่นทำเป็นเว็บให้คนอื่นเข้ามาใช้ คุณมีหน้าที่ต้องเปิดโค้ดที่คุณดัดแปลงด้วย

คำว่าให้บริการผ่านเครือข่ายนี้ครอบคลุมกว้าง ไม่ได้หมายถึงแค่ขายเป็น SaaS เท่านั้น แต่รวมถึงกรณีที่คุณให้คนอื่นเข้าใช้ผ่านอินเทอร์เน็ต

ถ้าคุณรับงานติดตั้งให้ลูกค้าองค์กรใช้ในเครื่องของเขาเอง ยังถือว่าเป็นการแจกจ่าย คุณยังต้องมอบซอร์สที่ดัดแปลงให้ผู้รับอยู่ดี แต่หน้าที่ที่เบาลงคือคุณไม่ต้องยื่นข้อเสนอซอร์สผ่านเครือข่ายให้คนอื่นทั่วไป

ประเด็นคือ สัญญาอนุญาตแบบ AGPL ไม่ได้ห้ามคุณทำเงิน แต่มันบังคับให้คุณเปิดโค้ด เมื่อคุณดัดแปลงแล้วให้บริการผ่านเครือข่าย

สำหรับคนที่ทำงานในบริษัทที่มีข้อกำหนดเรื่องทรัพย์สินทางปัญญาเข้มงวด นี่คือเรื่องที่ต้องคุยกับฝ่ายกฎหมายก่อน ก่อนที่คุณจะเสียเวลาไปสองสัปดาห์กับการพัฒนา

ผมไม่ได้กำลังบอกว่า AGPL เป็นเรื่องแย่ มันเป็นสัญญาอนุญาตที่มีเจตนาดี คือบังคับให้ทุกคนที่ต่อยอดต้องแบ่งคืน

แต่คุณต้องรู้ตัวว่ากำลังรับเงื่อนไขอะไร

---

คำถามที่ใหญ่กว่า คือมันทำนายได้จริงไหม

ผมจะแยกให้ชัดก่อนว่าผมกำลังวิจารณ์อะไร

ผม ไม่ได้ บอกว่าโค้ดของ MiroFish มีบั๊กหรือเขียนไม่ดี เพราะผมไม่ได้รันโค้ดนี้เลยแม้แต่ไฟล์เดียว และผมจะไม่ตัดสินสิ่งที่ผมไม่ได้ตรวจ

ผมตรวจได้แค่คำถามเชิงหลักการว่า การใช้โมเดลภาษาจำลองสังคมแล้วอ้างว่าทำนายอนาคตได้ เป็นวิธีที่วงการวิชาการยอมรับแค่ไหน

ตรงนี้มีงานวิจัยที่ตรงประเด็นอยู่สองฉบับ

ฉบับแรกชื่อ AI Agents Alone Are Not (Yet) Sufficient for Social Simulation เผยแพร่บน arXiv เมื่อเดือนกุมภาพันธ์ 2026 [3]

ชื่อเรื่องสั้นแต่บอกสาระครบ คือตอนนี้เอเจนต์ AI ยังไม่พอสำหรับการจำลองสังคม ด้วยตัวมันเอง

ฉบับที่สองชื่อ From the Fluency Fallacy to the Micro-to-Macro Validity Gap เผยแพร่เมื่อเดือนกรกฎาคม 2025 [4]

คำว่า fluency fallacy ในชื่อเรื่องหมายถึงความเข้าใจผิดว่าของที่โมเดลพูดออกมาลื่นไหลน่าเชื่อถือ จะแปลว่ามันถูกต้องด้วย ส่วน micro-to-macro validity gap หมายถึงช่องว่างระหว่างพฤติกรรมของเอเจนต์แต่ละตัว กับพฤติกรรมของสังคมที่ประกอบขึ้นจากพวกมัน

นี่คือหัวใจของเรื่องทั้งหมด

ต่อให้เอเจนต์แต่ละตัวตัดสินใจได้สมเหตุสมผลเหมือนคนจริง การรวมกันของพวกมันก็ยังอาจไม่เหมือนสังคมจริง เพราะสังคมจริงมีกลไกที่แบบจำลองจับไม่ได้ ทั้งแรงเสียดทานจากสถาบัน การแพร่ของข่าวลือ และข้อจำกัดที่จับต้องได้จริง [4]

ผมไม่ได้บอกว่าผลลัพธ์ของ MiroFish ไร้ค่า

การจำลองแบบนี้มีประโยชน์จริงในการหาคำถามที่คุณยังนึกไม่ถึง ว่าคนกลุ่มไหนอาจตีความสิ่งที่คุณสื่อสารผิดไป

แต่มันต่างจากการรู้คำตอบล่วงหน้า และการเข้าใจความต่างนี้คือสิ่งที่แยกคนที่ใช้เครื่องมือเป็น กับคนที่เชื่อเครื่องมือ

---

สัญญาณเรื่องการดูแลที่ผมวัดเอง

ผมตรวจตัวเลขหน้าปัญหาของ repo นี้ และอยากแก้ความเข้าใจผิดที่คนมักพูดกัน

ตัวเลขบนหัวเว็บที่ขึ้นว่า 151 นั้น ไม่ใช่จำนวนปัญหาทั้งหมด [1]

ผมแยกด้วยตัวกรองชนิด (type filter) แล้วได้ความจริงว่าเป็นปัญหาที่เปิดค้างอยู่ 63 รายการ กับคำขอรวมโค้ด (pull request) ที่รอการพิจารณาอีก 88 รายการ

ส่วนปัญหาที่ปิดไปแล้วมีถึง 359 รายการ

ตัวเลข 88 ต่างหากที่ผมว่าสะท้อนความจริงได้ดีที่สุด

คำขอรวมโค้ดที่ค้างถึง 88 ชิ้น เทียบกับปัญหาที่ค้าง 63 ชิ้น หมายความว่ามีคนอยากมีส่วนร่วมกับโปรเจกต์มากกว่าที่คนแจ้งปัญหา และของเหล่านั้นยังรอคิวยาว

นี่ไม่ใช่สัญญาณว่าโปรเจกต์แย่ เพราะโปรเจกต์ที่คนไม่สนใจจะไม่มีคำขอรวมโค้ดค้างเลยด้วยซ้ำ

แต่มันน่าจะชี้ว่าคอขวดอยู่ที่การกลั่นกรองของทีม ไม่ใช่ความสนใจของชุมชน

แปลว่าถ้าคุณเจอบั๊กและรอให้ทางการแก้ คุณอาจรอนาน แต่ถ้าคุณแก้เองแล้วเปิดคำขอรวมโค้ด คุณก็จะได้อยู่ในคิวยาวเหมือนกัน

ผมยังตรวจอีกอย่าง คือความเคลื่อนไหวของโค้ดล่าสุดอยู่ที่เดือนตุลาคม 2026 ซึ่งเป็นเดือนเดียวกับที่ผมเขียน แปลว่าโปรเจกต์ยังมีคนทำงานอยู่จริง ไม่ใช่ทิ้งไปแล้ว

---

ถ้าคุณอยากลอง ควรเริ่มแบบนี้

ผมจะเรียงเป็นขั้นตอนให้ทำตามได้ โดยอิงจากสิ่งที่ README ระบุจริง

ขั้นที่หนึ่ง: ตรวจเครื่องของคุณก่อน

เปิดเทอร์มินัลแล้วสั่ง

node -v
python --version
uv --version

ถ้าสามคำสั่งนี้คืนค่าเป็นเวอร์ชันที่ผ่านเกณฑ์ คุณไปต่อได้ ถ้าไม่ผ่าน ให้แก้ตรงนี้ก่อน อย่าเพิ่งไปต่อ

ขั้นที่สอง: แยกคีย์ให้เป็น

คุณต้องมีคีย์โมเดลภาษา และคีย์ Zep Cloud

คำแนะนำของผมคือสร้างคีย์ใหม่สำหรับโปรเจกต์นี้โดยเฉพาะ อย่าใช้คีย์เดียวกับที่ใช้ทำงานจริง เพราะตามที่ README เตือนว่ามันกินโควตาสูง ถ้ามีอะไรผิดพลาด คุณจะได้ไม่กระทบงานหลัก

ขั้นที่สาม: ตั้งโควตาสูงสุดตั้งแต่วันแรก

ไปที่หน้าจอจัดการคีย์ของผู้ให้บริการโมเดล แล้วตั้งเพดานการใช้จ่ายไว้

นี่คือสิ่งที่ผมอยากให้คุณทำมากที่สุดในบทความนี้ เพราะคนที่ลืมทำมักรู้ตัวอีกทีตอนเห็นบิล

ขั้นที่สี่: ลองรอบสั้นก่อน

README แนะนำให้เริ่มต่ำกว่า 40 รอบ ซึ่งผมเห็นด้วยและอยากให้ต่ำกว่านั้นอีกสำหรับการลองครั้งแรก

เป้าหมายของการรันครั้งแรกไม่ใช่เพื่อได้คำตอบที่ดี แต่เพื่อดูว่ากระบวนการทำงานครบทุกช่วงหรือไม่ มีตรงไหนพัง และใช้เวลานานแค่ไหน

ขั้นที่ห้า: อ่านรายงานด้วยความสงสัย

พอได้รายงานออกมา อย่าเพิ่งเชื่อ

ให้ถามกลับไปว่า ข้อสรุปแต่ละข้อมาจากเอเจนต์กลุ่มไหน และถ้าคุณเปลี่ยนสมมติฐานตั้งต้น ผลจะเปลี่ยนไหม

จุดแข็งที่สุดของเครื่องมือแบบนี้ไม่ใช่คำตอบ แต่คือความสามารถในการกลับเข้าไปถามซ้ำ ซึ่งตรงนี้ผมว่าคลิปอธิบายไม่ครบ

ขั้นที่หก: บันทึกว่าใช้โควตาเท่าไรต่อการรันหนึ่งครั้ง

จดตัวเลขนี้ไว้ทุกครั้ง

เมื่อคุณรู้ว่าการรันหนึ่งครั้งกินงบเท่าไร คุณจะตัดสินใจได้ว่าควรใช้กับงานแบบไหน และควรใช้บ่อยแค่ไหน

ไม่มีใครบอกตัวเลขนี้ให้คุณได้ เพราะมันขึ้นกับโมเดลที่เลือก จำนวนรอบ และความยาวของเอกสารตั้งต้นของคุณเอง

---

แล้วมันเหมาะกับใคร

ผมจะตอบแบบตรงไปตรงมา

เหมาะ ถ้า คุณเป็นคนที่ต้องตัดสินใจเรื่องสื่อสารกับคนหมู่มาก เช่นทำแคมเปญ หรือเตรียมเปิดตัวผลิตภัณฑ์ แล้วอยากได้มุมมองที่หลากหลายกว่าที่สมองคุณคิดออกตอนนี้

เหมาะ ถ้า คุณมีพื้นฐานเรื่องการอ่านข้อมูลอยู่แล้ว และเข้าใจว่าผลลัพธ์คือสมมติฐานที่ต้องไปทดสอบต่อ ไม่ใช่คำตอบสุดท้าย

ยังไม่เหมาะ ถ้า คุณอยากได้คำตอบตัวเลขว่ายอดขายจะเท่าไร เพราะงานจำลองแบบนี้ให้ทิศทาง ไม่ได้ให้พยากรณ์แม่นระดับตัวเลข

ยังไม่เหมาะ ถ้า คุณไม่มีงบสำหรับค่าโมเดล หรือทำงานในองค์กรที่ไม่มีใครอนุมัติค่าใช้จ่ายแบบไม่แน่นอนได้

ไม่ควรใช้เลย ถ้า แผนของคุณคือเอาผลไปอ้างกับลูกค้าว่าคนส่วนใหญ่จะชอบ เพราะคุณกำลังเอาความเห็นของโมเดลไปแอบอ้างเป็นความเห็นของคนจริง

การจำลองสังคมเป็นเครื่องมือคิด ไม่ใช่หลักฐาน

---

สรุปว่าคลิปพูดถูกไหม

ผมจะตอบแยกเป็นข้อ เพราะคลิปพูดหลายเรื่องปนกัน

เรื่องที่คลิปพูดถูก คือมันเป็นโอเพนซอร์สบน GitHub จริง ใช้โค้ดฟรีจริง และแนวคิดเรื่องฝูงลูกค้า AI ที่มีอายุ อาชีพ และงบต่างกัน ก็ตรงกับขั้นตอนสร้างบุคลิกใน README จริง

เรื่องที่คลิปเล่าไม่ครบ คือคำว่าฟรี เพราะคุณต้องมีคีย์โมเดลและคีย์เก็บความจำ และตัวโปรเจกต์เองเตือนว่ากินโควตาสูง

เรื่องที่คลิปยกตัวอย่างเองโดยเอกสารไม่ได้ยก คือการใช้ทดสอบ landing page กับราคาและโฆษณา README ไม่ได้ยกตัวอย่างแบบนั้น มันยกตัวอย่างว่าใช้ข่าว ร่างนโยบาย หรือสัญญาณการเงินมาเป็นข้อมูลตั้งต้น

ซึ่งผมไม่ได้บอกว่าคลิปผิด เพราะการใช้แบบที่คลิปเล่าก็ทำได้ แต่มันคือตัวอย่างที่โปรเจกต์ไม่ได้ยกเอง ทั้งที่ README ส่วนวิสัยทัศน์เขียนไว้ว่านำไปทดลองงานประชาสัมพันธ์ได้ [6]

และที่ผมว่าเป็นสาระสำคัญที่สุดของบทความนี้ คือคำถามว่าการจำลองสังคมด้วย AI ทำนายอนาคตได้จริงไหม

งานวิจัยสองฉบับที่ผมอ้างชี้ไปทางเดียวกันว่า ยังไม่พอ ด้วยเหตุผลเชิงวิธีวิทยา ไม่ใช่เพราะเทคโนโลยีอ่อน แต่เพราะสังคมจริงซับซ้อนกว่าที่แบบจำลองจะจับได้ทั้งหมด

ผมอยากให้คุณจำประโยคนี้ไว้

การจำลองที่ดีที่สุดไม่ได้ให้คำตอบ แต่ให้คำถามที่ดีกว่าที่คุณมี

ประโยคข้างบนนี้ผมเขียนเอง ไม่ได้ยกมาจากงานวิจัยฉบับไหน

ถ้าคุณใช้ MiroFish ด้วยกรอบคิดแบบนั้น มันคือเครื่องมือที่คุ้มค่า

ถ้าคุณใช้มันเพื่อหาคำตอบที่คุณอยากได้ยิน มันจะตอบให้คุณเสมอ และนั่นคืออันตราย

---

ถ้าคุณอยากรู้มากกว่านี้

ผมอยากชวนคุณทำสามอย่างตามลำดับ

อย่างแรก เปิดหน้า repo อ่านหัวข้อที่อธิบายวิธีการทำงาน แล้วดูว่าขั้นตอนไหนที่คุณยังไม่เข้าใจ ถ้ามี ให้ถามตัวเองว่าคุณเข้าใจมันพอจะตีความผลลัพธ์หรือยัง

อย่างที่สอง เปิดงานวิจัยฉบับแรกที่ผมใส่ไว้ในรายการอ้างอิง อ่านแค่บทคัดย่อก็พอ แล้วดูว่าข้อโต้แย้งในนั้นตรงกับสิ่งที่คุณกำลังจะเอาไปใช้หรือไม่

อย่างที่สาม ถ้าคุณยังสนใจ ลองรันด้วยโควตาขั้นต่ำสุดที่ผู้ให้บริการของคุณยอมให้ แล้วบันทึกว่าการรันหนึ่งครั้งกินเท่าไรจริง

การรู้ต้นทุนที่แท้จริงของตัวเอง ดีกว่าการเชื่อตัวเลขของใครก็ตาม รวมถึงของผมด้วย

และถ้าคุณลองแล้วได้ผลอย่างไร มุมมองของคุณจะมีค่ากว่าบทความนี้ เพราะผมเขียนจากเอกสาร ไม่ได้รันเอง

---

แหล่งอ้างอิง

[1] GitHub (2026), ข้อมูล repo 666ghj/MiroFish และจำนวนปัญหาแยกตามชนิด อ่านผ่าน GitHub API เมื่อ 18 ตุลาคม 2026. https://github.com/666ghj/MiroFish

[2] Free Software Foundation (2007), ข้อกำหนดสัญญาอนุญาต GNU Affero General Public License ฉบับที่ 3. https://www.gnu.org/licenses/agpl-3.0.html

[3] Li, Yiming และ Tao, Dacheng (2026), AI Agents Alone Are Not (Yet) Sufficient for Social Simulation, arXiv:2603.00113. https://arxiv.org/abs/2603.00113

[4] Taillandier, Patrick และคณะ (2025), From the Fluency Fallacy to the Micro-to-Macro Validity Gap: Opportunities and Pitfalls of LLMs in Social Simulation, arXiv:2507.19364. https://arxiv.org/abs/2507.19364

[5] TikTok (2026), คลิปช่อง tonsr_ เรื่องการทดสอบไอเดียแอปด้วยลูกค้า AI ความยาว 40 วินาที เผยแพร่ 18 ตุลาคม 2026. คำพูดที่ยกในบทความเป็นคำแปลจากเสียงในคลิป. https://www.tiktok.com/@tonsr_/video/7697822551333932308

[6] GitHub (2026), README ของ 666ghj/MiroFish ระเบียบวิธีทำงาน ห้าขั้นตอน และข้อกำหนดการติดตั้ง. https://github.com/666ghj/MiroFish/blob/main/README.md

[7] Zep AI (2026), เอกสารบริการ Zep Cloud สำหรับความจำของเอเจนต์. https://www.getzep.com/