Autoharness คืออะไร? ชั้น skill ที่ให้ Claude Code เขียนกฎของตัวเอง

โดย Nokka (นก-กา) | ตรวจข้อมูล 28 ต.ค. 2026

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

มีโพสต์บน X เมื่อ 27 ต.ค. 2026 โดย Brady Long เล่าว่ารีโปหนึ่งเป็นระบบที่ "เรียนรู้เอง" สำหรับคนใช้ Claude Code [1]

โพสต์นั้นมียอดดู 43,470 ครั้ง กดใจ 498 รีทวีต 46 และบัญชีมีผู้ติดตามราว 44,700 คน ณ วันที่ผมตรวจ [1]

ชื่อของมันคือ Autoharness และจุดขายคือคุณไม่ต้องเขียนไฟล์ SKILL.md เองอีกต่อไป เพราะมันจะเรียนรู้จากงานที่คุณทำจริงแล้วเขียนให้

ฟังดูดีจนต้องไปดูว่ามันทำงานยังไง และตัวเลขที่มันอ้างนั้นมาจากไหน

Autoharness คืออะไร

Autoharness นิยามตัวเองว่าเป็นชั้น skill ที่เรียนรู้ได้สำหรับ Claude Code [2]

ตัวรีโปอยู่ที่ tigerless-labs/autoharness ใบอนุญาต MIT ตอนที่ผมตรวจมี 10,924 ดาว 630 forks issue เปิด 49 รายการ สร้างเมื่อ 9 มิ.ย. 2026 และอัปเดตล่าสุด 27 ต.ค. 2026 [2]

หลักคิดของมันคือความจริงข้อหนึ่งที่คนใช้ agent ทุกวันเจอ นั่นคือคุณต้องสอนงานเดิมซ้ำ ๆ เพราะ agent ไม่จำว่าครั้งก่อนคุณแก้มันยังไง

Autoharness พยายามปิดช่องว่างตรงนั้นด้วยการเก็บบทเรียนจากบทสนทนาจริง แล้วแปลงเป็น skill ที่โหลดในครั้งถัดไป [2]

มันทำงานยังไง

hook กับ MCP server ที่ไม่มี daemon

สถาปัตยกรรมของมันคือ hook กับ MCP server ที่รันด้วย Python ล้วน ไม่มี dependency ภายนอก และไม่ต้องมี daemon คอยกินเครื่อง [2]

คำว่าไม่มี daemon สำคัญ เพราะมันหมายความว่ามันจะทำงานก็ต่อเมื่อคุณเปิด session เท่านั้น ไม่ใช่มีโปรเซสวิ่งตลอด 24 ชั่วโมง

วงจรของมันมีสี่จังหวะ

• เรียนรู้ เมื่องานใน session ทำจนถึงจุดหนึ่ง มันจะกลั่นบทเรียนออกมาเป็น skill หรือคุณสั่ง /learn เมื่ออยากเก็บทันที [2]
• รวม ถ้า skill ใหม่ซ้ำกับของเดิมในสถานการณ์เดียวกัน มันจะพับรวมเป็นอันเดียว และบันทึกว่าใครกลืนใคร [2]
• แก้ เมื่อคุณแก้พฤติกรรมของมัน มันจะเขียน skill เดิมใหม่ให้ตรงกับที่คุณต้องการ [2]
• ตัด skill ที่ไม่ถูกใช้และไม่มีใครเปิดดูจะถูกเก็บเข้าคลัง และเมื่อคลังโตเกินเพดาน ตัวที่ถูกใช้น้อยที่สุดจะถูกตัดก่อน [2]

ทุก session ยังเปิดด้วยดัชนีที่จัดกลุ่ม skill ที่มันเขียนไว้ เพื่อให้ agent เห็นว่าตัวเองมีอะไรบ้าง [2]

จุดที่ผมชอบเชิงออกแบบคือมันแตะเฉพาะ skill ที่มันเขียนเอง โดยติดเครื่องหมาย self-authored ไว้ในบันทึก ส่วน skill ที่คุณเขียนหรือติดตั้งเองมันไม่แตะเลย [2]

ตัวเลข 42 ถึง 78 มาจากไหน

งานของ HAL ไม่ใช่งานของ Autoharness

ในหน้าแรกของรีโปมีการอ้างว่า "Same model, different harness" พร้อมตัวเลข 42% ไปเป็น 78% บน CORE-Bench ของ HAL [2]

ตัวเลขนี้จริง แต่ต้องอ่านให้ถูกที่มา

มันมาจาก Holistic Agent Leaderboard หรือ HAL ซึ่งเป็นงานของทีมนักวิจัยสามสิบกว่าคนนำโดย Sayash Kapoor และ Benedikt Stroebl [6] รีโปอ้างถึงเปเปอร์นี้ผ่านเลข arXiv 2510.11977 [2]

Kapoor อธิบายบน X เมื่อ 3 ธ.ค. 2025 ว่า CORE-Bench คือชุดทดสอบที่ให้ agent พยายามทำซ้ำผลการทดลองจากเปเปอร์วิทยาศาสตร์ เมื่อใช้ scaffold ของเขาเองชื่อ CORE-Agent กับ Opus 4.5 ได้ 42% แต่เมื่อเปลี่ยนไปใช้ Claude Code กับโมเดลเดียวกัน ได้ 78% หรือเกือบสองเท่า [4]

บนหน้าลีดเดอร์บอร์ดของ HAL ตัวเลขที่แสดงคือ 77.78% และถ้าตรวจมือจะขึ้นเป็น 95.5% [3]

ประเด็นคือตัวเลขนี้วัดว่า harness เปลี่ยนคะแนนได้แค่ไหน ไม่ได้วัดว่า Autoharness ทำให้คะแนนเพิ่มจาก 42 เป็น 78

รีโปเองก็เขียนไว้ตรง ๆ ว่ามันเดิมพันเพียงชิ้นเดียวของ harness คือชั้น skill ที่จะดูแลตัวเองได้ [2] การอ้างแบบนี้ถือว่าซื่อสัตย์ แต่คนอ่านพาดหัวมักเข้าใจผิดว่า 78% คือผลของตัวมัน

ผมจึงอยากให้จำประโยคนี้ไว้ ถ้าซอฟต์แวร์ใดอ้างตัวเลขจาก benchmark ให้ถามทุกครั้งว่าตัวเลขนั้นวัดอะไร และวัดของใคร

ทำไม skill ที่เขียนมือถึงเน่า

ปัญหาอยู่ที่การดูแล ไม่ใช่การเขียนครั้งแรก

ถ้าคุณเคยดูแลโฟลเดอร์ skill เกินยี่สิบไฟล์ จะรู้ว่าปัญหาไม่ได้อยู่ที่การเขียนครั้งแรก แต่อยู่ที่การดูแลต่อ

ไฟล์ซ้ำเกิดขึ้นเรื่อย ๆ เมื่อสถานการณ์ใกล้เคียงกันแต่คุณลืมว่าเคยเขียนไว้ ไฟล์เก่ากลายเป็นคำแนะนำที่ขัดกับวิธีทำงานปัจจุบัน และไม่มีใครกล้าลบเพราะกลัวเสียความรู้

Autoharness แก้ปัญหานี้ด้วยการทำให้การรวมและการตัดเป็นงานของระบบ ไม่ใช่ของความมีวินัยส่วนตัว [2]

ตัวอย่างให้เห็นภาพ สมมติคุณมี skill สองไฟล์คือ "วิธีรีวิว PR ของทีม" กับ "วิธีตรวจโค้ดก่อน merge" ซึ่งเนื้อหาทับกันครึ่งหนึ่ง ระบบจะพับรวมเป็นไฟล์เดียวและจดว่าไฟล์ไหนถูกกลืนไป [2]

จุดนี้ทำให้ผมคิดว่ามันน่าสนใจน้อยกว่าเรื่อง "AI เขียน skill เอง" แต่มีประโยชน์กว่ามากในงานจริง

ความเสี่ยงที่ต้องเข้าใจก่อนติดตั้ง

สี่ข้อที่ควรรู้ก่อนติดตั้ง

อย่างแรกคือการเรียนจาก session ที่ไม่ดี ถ้างานของคุณจบแบบลวก ๆ หรือคุณแก้ agent ด้วยการสั่งให้ข้ามเทสต์ บทเรียนที่มันสกัดออกมาก็จะกลายเป็นนิสัยแย่ที่ถูกโหลดซ้ำในครั้งถัดไป

อย่างที่สองคือ skill ที่ generalize ผิด จากเหตุการณ์ครั้งเดียว มันอาจสรุปกติกาเป็นกฎที่ใช้กับทุกสถานการณ์ ซึ่งทำให้ agent ดื้อในงานที่ไม่เหมือนเดิม

อย่างที่สามคือเงื่อนไขการติดตั้ง รีโประบุว่าต้องมี Python 3.11 ขึ้นไปเป็น python3 บน PATH ถ้าเครื่องคุณมี 3.9 จาก Xcode มาก่อน hook จะไม่ถูกเรียกเลยทั้ง session แม้ตัวมันจะแจ้งเตือนทาง stderr [2]

อย่างที่สี่คือ marketplace ของบุคคลที่สามปิด auto-update เป็นค่าเริ่มต้น [2] แปลว่าคุณต้องอัปเดตเอง หรือเปิดเองโดยรู้ความเสี่ยง

วิธีลองแบบไม่เสี่ยง

ลำดับห้าขั้นที่ผมแนะนำ

คำสั่งติดตั้งที่รีโปให้ไว้มีสองบรรทัด [2]

/plugin marketplace add tigerless-labs/autoharness
/plugin install autoharness@autoharness

ถ้าจะลอง ผมแนะนำลำดับนี้

1. ใช้โปรเจกต์ทดลองที่ไม่ใช่ repo หลักของทีม
2. ติดตั้งผ่าน marketplace ตามคำสั่งในรีโป แล้วตรวจว่าโฟลเดอร์ .claude/skills/ มีไฟล์ใหม่เกิดขึ้นจริง
3. เปิดไฟล์ที่มันเขียนทุกไฟล์ในสัปดาห์แรก เพราะนี่คือสิ่งที่ agent จะถือเป็นกฎ
4. ลอง /learn หนึ่งครั้งกับบทเรียนที่คุณอยากเก็บ แล้วดูว่ามันเขียนออกมาตรงใจแค่ไหน
5. ถ้าไม่ชอบ ให้ถอนการติดตั้งได้ทันที แต่มันไม่ลบไฟล์ที่มันเขียนไว้ให้เอง ต้องไปลบสองที่คือ state dir ของมัน (~/.claude/autoharness/ หรือ .claude/autoharness/ ในโปรเจกต์) และไฟล์ skill ที่มันเขียนใน .claude/skills/ [2]

ข้อสามสำคัญที่สุด เพราะคนส่วนใหญ่จะดูแค่ว่าระบบทำงานไหม แต่ไม่ดูว่ามันเขียนอะไรลงไป

เรื่องนี้เกี่ยวกับ agentic engineering ยังไง

ชั้นความรู้ที่ทีมสะสมไว้

ถ้า agentic engineering คือการกำกับ agent ให้ได้คุณภาพงานโดยไม่ลดมาตรฐาน [5] การมีชั้นความรู้ที่ทีมสะสมไว้คือส่วนที่ทำให้คุณภาพไม่ขึ้นกับความจำของคนคนหนึ่ง

ในมุมมองของผม Autoharness เป็นความพยายามทำให้ชั้นนั้นดูแลตัวเองได้ ซึ่งเป็นทิศทางที่สมเหตุสมผล แต่ยังต้องมีคนอ่านและอนุมัติสิ่งที่มันเขียน

เครื่องมือที่เรียนรู้ได้ไม่ได้ลดความรับผิดชอบของคนลง มันแค่ย้ายจุดที่คนต้องตรวจ

คำตอบของคำถามตั้งต้น

Autoharness คือระบบที่ให้ Claude Code เก็บบทเรียนจาก session จริง แล้วกลั่นเป็น skill ที่จัดการวงจรชีวิตของมันเอง ทั้งเขียน รวม แก้ และตัด

มันไม่ได้ทำให้โมเดลเก่งขึ้นจาก 42 เป็น 78 อย่างที่หลายคนเข้าใจ และมันไม่ได้แทนการอ่านสิ่งที่ agent เขียน

ถ้าจะสรุปเป็นประโยคเดียว คุณค่าของมันอยู่ที่การดูแล skill ให้สดใหม่ ไม่ใช่การทำให้ agent ฉลาดขึ้น

คำถามที่ควรถามก่อนติดตั้งจึงเป็น "ทีมเรามีคนอ่าน skill ที่ agent เขียนหรือยัง" ไม่ใช่ "มันเรียนได้เองไหม"

REF

[1] Brady Long (27 ต.ค. 2026) · โพสต์แนะนำ Autoharness (X (Twitter)). https://x.com/thisguyknowsai/status/2115012975929315376

[2] Tigerless Labs (9 มิ.ย. 2026) · tigerless-labs/autoharness (README). https://github.com/tigerless-labs/autoharness

[3] HAL (2026) · CORE-Bench Hard Leaderboard. https://hal.cs.princeton.edu/corebench_hard

[4] Sayash Kapoor (3 ธ.ค. 2025) · CORE-Bench is solved (using Opus 4.5 with Claude Code) (X (Twitter)). https://x.com/sayashk/status/1996334941832089732

[5] Andrej Karpathy (4 ก.พ. 2026) · นิยาม agentic engineering (X (Twitter)). https://x.com/karpathy/status/2019137879310836075

[6] Sayash Kapoor และคณะ (13 ต.ค. 2025) · Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation. https://arxiv.org/abs/2510.11977