GitHub AI Repos ประจำสัปดาห์: สัปดาห์ที่บริษัทความปลอดภัยปล่อยสกิลภายในออกมา และความจำของ agent กลายเป็นสนามแข่งใหม่ (28 ต.ค. 2026)

โดย Nokka (นก-กา) | 28 ตุลาคม 2026

ตัวเลขที่ผมสะดุดตาที่สุดในสัปดาห์นี้ไม่ใช่ของโมเดล AI ใหม่ และไม่ใช่ของบริษัทที่คนพูดถึงทุกวัน [1]

มันคือสกิลตรวจช่องโหว่ตัวหนึ่งที่ได้ดาวเพิ่ม 16,388 ดวงในสัปดาห์เดียว มากกว่าทุกโปรเจกต์ที่ติดอันดับในหน้า GitHub trending รายสัปดาห์ [1]

ที่น่าสนใจกว่าคือสกิลตัวนั้นไม่ใช่ผลิตภัณฑ์ ไม่มีหน้าขาย ไม่มีแผนราคา มันคือชุดไฟล์คำสั่งที่ Cloudflare ใช้ตรวจโค้ดของตัวเอง แล้วปล่อยออกมาให้คนอื่นใช้ฟรี [2][3]

ผมดึงตัวเลขดาวและเมทาดาทาในบทความนี้จากหน้าอันดับรายสัปดาห์ของ GitHub และ API ของ GitHub ในวันที่ 28 ตุลาคม

ส่วนตัวเลขผลทดสอบที่โปรเจกต์ไหนรายงานเอง ผมจะเขียนกำกับไว้ให้ชัดว่าเจ้าของวัดเอง ไม่ใช่ผลตรวจจากคนนอก

โปรเจกต์	Stars	ดาวเพิ่มในสัปดาห์	สิ่งที่มันเข้าไปแก้
cloudflare/security-audit-skill	50.1K	+16.4K	ตรวจช่องโหว่แบบเป็นระบบ
stablyai/orca	108.0K	+8.8K	คุม agent หลายตัวพร้อมกัน
Graphify-Labs/graphify	137.0K	+7.3K	เปลี่ยนโค้ดเป็นกราฟความรู้
TauricResearch/TradingAgents	117.3K	+4.9K	จำลองทีมเทรดทั้งบริษัท
anomalyco/opencode	222.4K	+4.3K	coding agent ในเทอร์มินัล
multica-ai/andrej-karpathy-skills	225.5K	+4.0K	ไฟล์เดียวคุมนิสัย agent
AgriciDaniel/claude-seo	22.7K	+3.1K	ตรวจ SEO และการถูก AI อ้างอิง
akitaonrails/ai-memory	14.1K	+2.2K	ความจำที่ย้ายข้าม agent ได้

อ่านตารางนี้แล้วผมเห็นสองอย่าง อย่างแรกคือดาวที่ไหลเข้ามาไม่ได้กระจุกอยู่ที่โมเดลหรือเฟรมเวิร์กใหญ่อีกต่อไป แต่อยู่ที่ของชิ้นเล็กที่เข้าไปแก้ปัญหาหน้างานของคนใช้ agent อยู่ทุกวัน

อย่างที่สองคือในแปดตัวนี้ มีหกตัวที่อายุยังไม่ถึงหนึ่งปี ผมคิดว่ามันโตเร็วกว่าที่เฟรมเวิร์กรุ่นก่อนเคยทำ และส่วนใหญ่โตจากการแก้ปัญหาเดียว ไม่ใช่จากการเป็นแพลตฟอร์ม

1. cloudflare/security-audit-skill, สกิลที่ทีมความปลอดภัยใช้จริงแล้วปล่อยออกมา

50,141 stars | +16,388 ในสัปดาห์ | JavaScript | MIT

สกิลนี้ทำงานหกระยะ เรียงกันแบบตายตัว เริ่มจากการสำรวจโครงสร้าง ขอบเขตความเชื่อใจ และจุดที่ข้อมูลไหลเข้า แล้วเขียนลงสองไฟล์ชื่อ architecture.md กับ coverage-ledger.json [3]

ระยะถัดมาคือการล่าตามช่องที่ยังไม่ครอบคลุม แต่ละหน่วยใน ledger ถูกมอบให้ hunter แยกกันทำงาน และมี coverage critic คอยหาว่าอะไรยังขาด [3]

จากนั้นทุกข้อสงสัยที่ยังไม่ซ้ำใครจะถูกส่งให้ตัวตรวจตัวใหม่ที่พยายามหักล้างมัน ไม่ใช่พยายามยืนยัน [3]

ผลลัพธ์ถูกบังคับให้เป็นสามสถานะ confirmed needs_validation และ rejected เขียนลง findings.json แล้วตรวจกับ schema ก่อนไปต่อ [3]

ก่อนจบ มี agent ชุดใหม่ตรวจข้ออ้างสุดท้ายอีกรอบ และสร้างรายงานสามไฟล์จากเฉพาะระเบียนที่ผ่านการตรวจแล้ว [3]

ผมชอบที่มันแยกสามสถานะให้คม confirmed ต้องมีร่องรอยถึงซอร์สครบและผลที่เห็นจริงในขอบเขต needs_validation ต้องระบุข้อเท็จจริงที่ยังไม่ปิดและห้ามใส่ระดับความรุนแรง

ส่วน rejected คือข้อที่ถูกหักล้างไปแล้ว [3]

การแยกแบบนี้ทำให้อ่านรายงานแล้วรู้ว่าอะไรเอาไปทำต่อได้เลย อะไรต้องไปหาหลักฐานเพิ่ม

ที่มาของมันอยู่ในบล็อก Cloudflare วันที่ 18 มิถุนายน 2026 เขียนโดย Dan Jones, Alexandra Godoi และ Grant Bourzikas [2]

ทั้งสามอธิบายว่า harness ตัวเต็มโตขึ้นจากสกิลตัวนี้ และหัวใจของการออกแบบคือการถือโมเดลเป็นชิ้นส่วนที่เปลี่ยนได้ ใช้โมเดลหนึ่งหาช่อง แล้วใช้อีกโมเดลตรวจทาน [2]

บล็อกเดียวกันให้เหตุผลว่าทำไม subagent ไม่พอ: การวิเคราะห์ความปลอดภัยต้องใช้การสืบสวนแยกกันหลายร้อยชุดที่อยู่ข้ามรอบได้ ไม่แชร์หน้าต่างบริบท และกลับมาขยายขอบเขตใหม่ได้ภายหลัง [2]

subagent ขาดความคงอยู่ การรวมซ้ำ และการทำต่อจากจุดที่ค้าง [2]

จุดที่ตัวเลขดาวไม่บอก

repo นี้ไม่มีการคอมมิตใหม่ตั้งแต่ 14 กันยายน และมี issue ที่ยังเปิดอยู่ 33 ข้อ [3]

ดาวที่พุ่งไม่ใช่สัญญาณว่าโค้ดถูกดูแลอยู่ตลอด และสกิลแบบนี้ให้ agent อ่านทั้งโค้ดเบสพร้อมเขียนไฟล์ผลลัพธ์ลงเครื่อง เรื่องสิทธิ์จึงต้องดูให้ดีก่อนรันกับ repo ของลูกค้า

2. stablyai/orca, โต๊ะทำงานของคนที่คุม agent หลายตัวพร้อมกัน

108,038 stars | +8,802 ในสัปดาห์ | TypeScript | MIT

orca เป็นแอปเดสก์ท็อปที่วาง Codex, Claude Code, OpenCode และ Pi ไว้ข้างกัน แต่ละตัวมี git worktree ของตัวเอง (สำเนาโฟลเดอร์ทำงานแยกกัน คนละ branch ไม่ทับกัน) แล้วรวมทุกอย่างไว้ในหน้าจอเดียว [4]

กลไกที่ทำให้คนพูดถึงคือการแจก prompt เดียวให้ agent ห้าตัว แต่ละตัวแยก worktree ไม่ปนกัน แล้วค่อยเทียบผลและ merge ตัวที่ชนะกลับมา [4] วิธีนี้เปลี่ยนการเลือกโมเดลจากการเดาเป็นการทดลองห้าครั้งพร้อมกัน

โหมดออกแบบให้คลิกองค์ประกอบ UI ในหน้าต่าง Chromium จริง แล้วส่ง HTML, CSS และภาพครอปเข้า prompt ของ agent โดยตรง [4]

ส่วนคนที่เครื่องเล็กมี SSH worktree ให้ agent ไปรันบนเครื่องแรงๆ ข้างนอก พร้อม reconnect และ port forwarding [4]

ยังมีมือถือสำหรับดูสถานะและสั่งงานต่อจากที่ไหนก็ได้ และ CLI ให้ agent สั่ง orca เองได้ด้วยคำสั่งอย่าง orca worktree create, snapshot, click และ fill [4]

README ประกาศว่ารองรับ CLI agent ตัวไหนก็ได้ถ้ามันรันในเทอร์มินัลได้ และลิสต์ไว้สามสิบกว่าตัว รวม Hermes Agent [4]

ตัวเลขที่ต้องอ่านให้ครบ

orca มี issue ที่ยังเปิดอยู่ 4,189 ข้อ และมี pull request ที่เปิดรออีก 3,783 รายการ [4][17] ยอด issue นี้มากที่สุดในแปดตัวนี้ และมากกว่าอันดับถัดไปอย่าง opencode ราว 1.65 เท่า

ผมคิดว่ามันบอกอะไรบางอย่างเกี่ยวกับจังหวะการปล่อยของทีมนี้

ผมแยกไม่ออกจากข้อมูลที่มีว่าตัวเลขนั้นมาจากคนใช้เยอะจนทีมตามไม่ทัน หรือจากคนเปิด issue ก่อนอ่านเอกสาร แต่ไม่ว่าทางไหนก็หมายความว่าคุณจะเจอช่องว่างของเอกสารแน่นอนถ้าใช้มันจริงจัง

3. Graphify-Labs/graphify, เลิกกวาดไฟล์แล้วถามกราฟ

136,959 stars | +7,268 ในสัปดาห์ | Python | Apache-2.0

graphify พา agent อ่านโปรเจกต์ทั้งก้อน ทั้งโค้ด เอกสาร PDF รูป และวิดีโอ แล้วสร้างเป็นกราฟความรู้ที่ถามได้แทนการกวาดไฟล์ทีละใบ [5]

ส่วนโค้ดถูกแยกด้วย tree-sitter AST ซึ่งเป็นตัวแยกโครงสร้างโค้ดที่มีมาให้ในเครื่อง แบบ deterministic ไม่เรียก LLM และไม่ส่งอะไรออกจากเครื่อง รองรับราวสี่สิบภาษา [5]

ส่วนเอกสารกับสื่อใช้โมเดลของผู้ช่วยที่คุณใช้ หรือ API key ที่ตั้งไว้ สำหรับการอ่านเชิงความหมาย [5]

ทุกเส้นเชื่อมมีป้ายกำกับว่า EXTRACTED คือเห็นตรงๆ ในซอร์ส หรือ INFERRED คืออนุมานจากการเชื่อมโยง [5]

รายละเอียดนี้สำคัญกว่าตัวเลข benchmark ทั้งหมด เพราะมันทำให้รู้ว่าอะไรคือของจริง อะไรคือการเดาของเครื่อง

มันไม่ใช่ vector index ไม่มี embedding ไม่มี vector store ผลลัพธ์เป็นกราฟที่เดินตามได้จริง [5]

ติดตั้งด้วย uv tool install graphifyy สะกดสองตัววาย แล้วรัน graphify install ครั้งเดียว

จากนั้นพิมพ์ /graphify . ในผู้ช่วยที่ใช้ ได้ไฟล์สามอย่างคือ graph.html, GRAPH_REPORT.md และ graph.json [5]

Benchmark ที่โปรเจกต์รายงานเอง

บน LOCOMO ชุด 300 ข้อ ค่า recall@10 ซึ่งวัดว่าดึงของที่ควรดึงได้ติดสิบอันดับแรกแค่ไหน อยู่ที่ 0.497 เทียบกับ mem0 ที่ 0.048 และ supermemory ที่ 0.149 [5]

เมื่อเทียบกับ mem0 ต่างกันกว่าสิบเท่าในหน่วยเดียวกัน

แต่ QA accuracy อยู่ที่ 45.3% ต่ำกว่า supermemory ที่ 49.7% [5] จำได้มากกว่าไม่ได้แปลว่าตอบถูกกว่า และผมให้เครดิตที่โปรเจกต์พิมพ์ตัวเลขที่ตัวเองแพ้ไว้ในตารางของตัวเอง

LongMemEval-S อยู่ที่ 76% เสมอกับ dense RAG หรือการค้นด้วยเวกเตอร์ที่ระบบส่วนใหญ่ใช้กันอยู่ [5]

ตัวอย่างจากเคส ERPNext ที่ต้องข้ามเครื่องมือ ได้ coverage ของข้อเท็จจริงสำคัญ 82.0% เทียบกับวิธีอ่านไฟล์ตรงๆ ที่ 70.8% [5]

การสร้างกราฟจากโค้ดไม่กิน LLM credit เลย ทั้งที่เครดิตคือหน่วยคิดเงินของการเรียกโมเดล [5]

ผู้ตัดสินถูกตรวจซ้ำด้วยผู้ตัดสินคนที่สอง เห็นตรงกัน 90.6% ด้วย Cohen's kappa 0.81 ซึ่งเป็นค่าวัดความเห็นตรงกันที่หักลบการเดาโดยบังเอิญออกแล้ว [5]

4. TauricResearch/TradingAgents, บริษัทเทรดจำลองที่ต้องเถียงกันก่อนตัดสินใจ

117,304 stars | +4,882 ในสัปดาห์ | Python | Apache-2.0

TradingAgents จำลองโครงของบริษัทเทรดจริงเป็น agent หลายบทบาท และมันเดินตามลำดับขั้นของบริษัทจริงด้วย [6]

ทีมนักวิเคราะห์สี่คนทำงานพร้อมกัน แต่ละคนมีเครื่องมือของตัวเอง

คนหนึ่งดูงบการเงินและตัวชี้วัดผลประกอบการ อีกคนรวม sentiment จากพาดหัวข่าว StockTwits และ Reddit คนหนึ่งตามข่าวมหภาค คนสุดท้ายอ่าน indicator อย่าง MACD กับ RSI [6]

พอรายงานครบทั้งสี่ ทีมนักวิจัยฝั่งกระทิงกับฝั่งหมีถกกันเพื่อชั่งน้ำหนักผลตอบแทนกับความเสี่ยง แล้วส่งต่อให้ trader กำหนดจังหวะและขนาด [6]

จากนั้นทีมบริหารความเสี่ยงประเมินความผันผวนและสภาพคล่อง ก่อนส่งให้ portfolio manager อนุมัติหรือปฏิเสธ คำสั่งที่ผ่านจึงไปถึงตลาดจำลอง [6]

เวอร์ชัน 0.7.1 ในเดือนตุลาคมแก้การให้คะแนนคำตัดสินให้คิดจากราคาปิดสุดท้ายและสรุปผลคำตัดสินข้ามวันหยุดยาว รวมถึงแก้โมเดลที่อ่านเอกสารยื่นหลังวันที่รัน [6]

ก่อนหน้านั้น 0.7.0 เปิดให้รันบนแผน ChatGPT Plus หรือ Pro ของคุณเอง และ 0.6.0 ตั้งผู้ให้บริการแยกตามชั้นโมเดล เพื่อให้นักวิเคราะห์กับผู้จัดการใช้คนละตัว [6]

อ่านให้ครบก่อนเอาไปใช้กับเงินจริง

โปรเจกต์เขียนไว้เองว่ามันถูกออกแบบเพื่อการวิจัย ประสิทธิภาพเปลี่ยนตามโมเดลที่เลือก ค่า temperature ช่วงเวลาที่เทรด และคุณภาพข้อมูล และไม่ใช่คำแนะนำการลงทุน [6]

นี่คือเครื่องมือทดลองสมมติฐาน ไม่ใช่บอทเทรด ถ้าคุณจะเอาไปต่อกับเงินจริง คำถามแรกที่ต้องตอบคือ backtest ของคุณกันข้อมูลในอนาคตไม่ให้รั่วได้แค่ไหน เพราะโปรเจกต์เองก็ใช้เวลาหลายรุ่นกว่าจะแก้จุดนี้ครบ

5. anomalyco/opencode, coding agent ที่เปลี่ยนเจ้าของแล้วโตต่อ

222,374 stars | +4,334 ในสัปดาห์ | TypeScript | MIT

opencode เป็น coding agent โอเพนซอร์สที่ใช้ได้สามทาง คือ CLI แอปเดสก์ท็อปที่ยังติดป้ายเบต้า และหน้าเว็บผ่านคำสั่ง opencode pair [7][16] ซึ่งลิงก์ที่ได้ใช้ได้ครั้งเดียวและหมดอายุในห้านาที [16]

repo นี้เคยอยู่ใต้ชื่อ sst/opencode ตอนนี้ย้ายมาเป็น anomalyco/opencode แล้ว ลิงก์เดิมยังพาไปถึงเพราะ GitHub เปลี่ยนเส้นทางให้อัตโนมัติ [8]

เรื่องแบบนี้เกิดขึ้นบ่อยกับโปรเจกต์ที่โตเร็ว และมันทำให้คนที่บุ๊กมาร์กไว้สับสนได้ง่าย

ในตัวมันมี agent สองตัวสลับด้วยปุ่ม Tab ตัว build เข้าถึงทุกอย่างตามค่าตั้งต้น ตัว plan อ่านอย่างเดียว ปฏิเสธการแก้ไฟล์ และถามก่อนรันคำสั่ง bash ซึ่งเหมาะกับการสำรวจโค้ดที่ไม่คุ้น [7]

ยังมี subagent อีกตัวชื่อ general สำหรับค้นหาและงานหลายขั้น เรียกด้วย @general [7]

รีลีสที่ GitHub ติดป้าย Latest คือ v1.19.4 วันที่ 22 ตุลาคม ขณะที่รีลีสใหม่ที่สุดบนหน้ารีลีสคือ v2.2.0 วันที่ 27 ตุลาคม [9]

ส่วนจำนวน issue ที่ยังเปิดอยู่คือ 2,539 ข้อ [7] ตัวเลขนี้ปกติสำหรับโปรเจกต์ขนาดนี้ แต่มันบอกว่าอะไรที่คุณเจอ อาจมีคนเจอก่อนและมีทางแก้ชั่วคราวรออยู่แล้ว

สิ่งที่ผมชอบใน README

README มีคำขอหนึ่งประโยคที่ตรงไปตรงมาดี

ถ้าโปรเจกต์ของคุณใช้ชื่อ opencode เป็นส่วนหนึ่ง เช่น opencode-dashboard ให้เขียนกำกับว่าไม่ได้ทำโดยทีม OpenCode [7] เป็นการกันชื่อซ้ำที่สุภาพและชัดเจนกว่าการฟ้อง

6. multica-ai/andrej-karpathy-skills, ไฟล์เดียวที่ได้ดาวกว่าสองแสน

225,483 stars | +4,039 ในสัปดาห์ | ไม่มีภาษาโปรแกรม | ไม่ได้ระบุสัญญาอนุญาต

แกนกลางของ repo นี้คือไฟล์ CLAUDE.md ไฟล์เดียวที่สรุปหลักสี่ข้อจากสิ่งที่ Andrej Karpathy สังเกตเกี่ยวกับจุดอ่อนของโมเดลเวลาเขียนโค้ด [10]

หลักสี่ข้อคือคิดก่อนเขียนโค้ด ทำง่ายที่สุดก่อน แก้เฉพาะที่ต้องแก้ และแปลงคำสั่งให้เป็นเป้าหมายที่ตรวจสอบได้ [10]

ข้อความที่ยกมาจากโพสต์ของ Karpathy ใน README สั้นและตรง: โมเดลตั้งสมมติฐานแทนคุณแล้ววิ่งต่อโดยไม่ตรวจ มันไม่จัดการความสับสนของตัวเอง ไม่ถามเมื่อไม่ชัด และไม่ดันกลับเมื่อควรดัน [10]

ข้อที่สี่คือส่วนที่ผมคิดว่ามีค่าที่สุด

เพราะมันยกตัวอย่างการแปลงคำสั่งให้เห็นภาพ จาก "เพิ่ม validation" เป็น "เขียนเทสต์สำหรับข้อมูลผิดรูปแบบ แล้วทำให้ผ่าน" จาก "แก้บั๊ก" เป็น "เขียนเทสต์ที่ทำให้บั๊กเกิดซ้ำ แล้วทำให้ผ่าน" [10]

เหตุผลที่มันได้ผลอยู่ในประโยคเดียวของ Karpathy ที่ README ยกมา โมเดลเก่งมากในการวนซ้ำจนถึงเป้าที่เจาะจง ดังนั้นอย่าบอกว่าต้องทำอะไร ให้เกณฑ์ความสำเร็จแล้วดูมันวิ่ง [10]

สามอย่างที่ตัวเลข 225,483 ดาวไม่บอก

repo นี้ย้ายจาก forrestchang มาเป็น multica-ai และคำสั่งติดตั้งใน README ยังชี้ไปที่ชื่อเดิม ซึ่ง GitHub เปลี่ยนเส้นทางให้อยู่ [11]

คนที่คัดลอกคำสั่งไปใช้จึงยังทำงานได้ แต่ชื่อในเอกสารไม่ตรงกับที่อยู่จริง

คอมมิตล่าสุดคือ 20 เมษายน 2026 ตามข้อมูลจาก API ของ GitHub [10][19]

หกเดือนโดยไม่มีการแก้ไข แต่ยังได้ดาวเพิ่ม 4,039 ดวงในสัปดาห์นี้ ความสนใจกับงานดูแลจึงแยกกันคนละทาง และนั่นควรมีผลกับวิธีที่คุณตัดสินใจใช้อะไรจากมัน

GitHub ไม่ได้รายงานชนิดสัญญาอนุญาตสำหรับ repo นี้ [10] ถ้าคุณจะเอาไฟล์นี้ไปใช้ในงานบริษัท เรื่องนั้นต้องถามคนเขียนก่อน ไม่ใช่เดาว่าเป็นสาธารณะ

7. AgriciDaniel/claude-seo, สกิล SEO ที่วัดการถูก AI อ้างอิงด้วย

22,734 stars | +3,081 ในสัปดาห์ | Python | MIT

claude-seo เป็นปลั๊กอินฟรีสำหรับ Claude Code ให้มันดูเว็บไซต์หนึ่งเว็บ แล้วรันการตรวจ SEO เต็มชุดใน 10 ถึง 15 นาที จากนั้นคืนแผนงานที่เรียงตามความสำคัญ [12]

เบื้องหลังมีสกิลย่อย 26 ตัวกับ agent เฉพาะทาง 19 ตัว และเปิดทำงานพร้อมกันได้ถึง 17 ตัว [12]

แต่ละ agent มีโมเดลของตัวเอง ตัวที่ต้องใช้การอ่านละเอียดอย่าง seo-content, seo-geo, seo-cluster, seo-sxo และ seo-drift ใช้ Opus ส่วนตัวที่ทำงานกวาดข้อมูลใช้ Sonnet [12]

ส่วนที่เกี่ยวกับคนทำคอนเทนต์มากที่สุดคือ agent ชื่อ seo-geo ซึ่งประเมินว่า Google AI Overviews, AI Mode, ChatGPT, Perplexity และ Gemini จะอ้างอิงหน้านั้นแค่ไหน [12]

มีอีกตัวชื่อ seo-agentic ที่ดูว่าเว็บพร้อมให้ agent เข้ามาใช้งานแค่ไหน และ seo-drift ที่เก็บ snapshot ลง SQLite เพื่อดูว่าอะไรเปลี่ยนไประหว่างรอบตรวจ [12]

ตัวเลขที่โปรเจกต์รายงานเอง

เจ้าของบอกว่าเว็บของโปรเจกต์เองถูกตรวจด้วยเครื่องมือนี้ตั้งแต่วันแรก ได้คลิกจาก Search Console 10.8K ครั้งใน 12 สัปดาห์แรก และได้คะแนน PageSpeed มือถือ 99 [12]

ตัวเลขชุดนี้วัดบนเว็บไซต์ของผู้เขียนเอง ไม่มีกลุ่มควบคุม และไม่ได้แยกว่าเกิดจากเครื่องมือหรือจากปัจจัยอื่น การประเมินว่า AI จะอ้างอิงหน้านั้นก็เป็นค่าประมาณจากโมเดล ไม่ใช่การวัดจาก AI ตัวจริง [12]

ผมอ่านแล้วรู้สึกว่ามันช่วยจัดลำดับงานได้ดีกว่าช่วยรับประกันผล ซึ่งสำหรับคนที่ต้องอธิบายกับลูกค้าว่าทำไมต้องแก้ตรงนี้ก่อน การมีรายการเรียงลำดับที่อธิบายเหตุผลได้ก็มีค่าอยู่แล้ว

8. akitaonrails/ai-memory, ความจำที่ย้ายค่าย agent ได้

14,075 stars | +2,239 ในสัปดาห์ | Rust | MIT

ai-memory แก้ปัญหาที่คนใช้ agent หลายตัวเจอบ่อย ทำงานค้างไว้ใน Claude Code แล้วเปิด Codex ในโฟลเดอร์เดิม ต้องอธิบายสถาปัตยกรรมใหม่ทั้งหมด [13]

ตัวโปรแกรมรวมความจำจาก harness ยี่สิบกว่าตัวไว้ที่เดียว ทั้ง Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Grok, Devin, Kimi และ Kiro [13]

handoff ถูกออกแบบเป็นโปรโตคอลที่มีชนิดกำกับ แต่ละอันมีเจ้าของและถูกจองได้ครั้งเดียว [13]

คำสั่ง ai-memory run เปิด agent ใหม่พร้อม workstream ที่แชร์กัน และให้ตัวใหม่เห็นประวัติของตัวเก่าในเครื่องแบบชั่วคราว เซิร์ฟเวอร์ปลายทางได้รับแค่ชื่อ harness กับ session ไม่ได้รับ transcript [13]

จุดนี้ผมคิดว่าสำคัญเพราะมันแก้ปัญหาความจำโดยไม่ต้องส่งเนื้อหาโค้ดขึ้นคลาวด์

ของจริงเก็บเป็นวิกิ markdown ใน git ทั้งหมด เปิดใน Obsidian ได้ grep ได้ แก้มือได้ ฐานข้อมูลเป็นเพียงดัชนีที่สร้างใหม่ได้ตลอด [13]

ส่วนค่าตั้งต้นเรียก LLM ศูนย์ครั้ง ทั้งการเก็บ การค้น และ handoff ทำงานได้โดยไม่ต้องมี API key [13]

ความจำยังเสื่อมตามกำหนดเวลาที่ปรับได้ และความจำที่ถูกใช้นับว่าควรอยู่ยาวกว่า การเปิดหน้า การค้น หรือการไปถึงผ่านลิงก์นับเป็นการใช้ [13] การรวมรายการซ้ำและการธงข้อขัดแย้งก็ไม่เรียก API เช่นกัน

ตัวเลขที่ผมสนใจที่สุดในบทความนี้

repo นี้มี issue ที่ยังเปิดอยู่ 11 ข้อ [13] น้อยที่สุดในแปดตัวนี้ และเพิ่งเปิด repo เมื่อ 21 พฤษภาคม 2026 [13][18]

ดาว 14,075 ยังเล็กกว่าตัวท็อปในลิสต์สิบหกเท่า แต่มันเลือกทิศทางที่ผมคิดว่าจะสำคัญกว่าในอีกหกเดือนข้างหน้า คือความจำที่ไม่ได้ผูกกับค่ายไหน และเจ้าของข้อมูลเป็นคนถือไฟล์เอง

สามเทรนด์ที่ผมเห็นในสัปดาห์นี้

หนึ่ง: สกิลกลายเป็นหน่วยแจกจ่าย

สามในแปดตัวนี้แจกจ่ายมาในรูปไฟล์คำสั่งชุดหนึ่ง ไม่ใช่ผลิตภัณฑ์ที่มีหน้าขาย

Cloudflare ปล่อยสกิลตรวจความปลอดภัย claude-seo ปล่อยปลั๊กอิน SEO และ karpathy-skills ปล่อย CLAUDE.md ซึ่งเป็นแกนหลักไฟล์เดียว [3][10][12]

ทั้งสามได้ดาวรวมกัน 23,508 ดวงในสัปดาห์เดียว

เมื่อปีที่แล้วคนแจกจ่ายเฟรมเวิร์ก สัปดาห์นี้คนแจกจ่ายนิสัยการทำงาน และบริษัทที่มีทีมความปลอดภัยของตัวเองก็เริ่มปล่อยของภายในออกมา

ความได้เปรียบไม่ได้อยู่ที่ใครมีโมเดลแรงกว่า แต่อยู่ที่ใครกลั่นวิธีทำงานของตัวเองออกมาเป็นไฟล์ที่คนอื่นโหลดไปใช้ได้

สอง: ความจำกับบริบทคือสนามเดียวกัน

graphify เลือกสร้างกราฟแล้วถามแทนการกวาดไฟล์ ai-memory เลือกวิกิ markdown กับ handoff ข้ามค่าย ส่วน harness ของ Cloudflare เลือกเก็บสถานะให้อยู่ข้ามรอบได้ [2][5][13]

สามวิธี คนละวัตถุดิบ แต่ตอบคำถามเดียวกันว่า agent ควรจำอะไร และควรเก็บไว้ที่ไหน

ตัวเลขจาก graphify ที่ผมคิดว่าสำคัญที่สุดไม่ใช่ recall@10 แต่คือ QA accuracy 45.3% ที่ต่ำกว่าคู่แข่ง [5]

มันเตือนว่าการจำได้มากขึ้นกับการตอบถูกขึ้นเป็นคนละเรื่อง และทีมที่เลือกเครื่องมือความจำควรวัดตัวหลังด้วย

สาม: คอขวดย้ายไปที่การควบคุม ไม่ใช่การเขียนโค้ด

orca จัดการ worktree ห้าสายพร้อมกัน ruvnet/ruflo วางตัวเป็น meta-harness ที่เพิ่ม agent กว่าร้อยตัว swarm และความจำที่เรียนรู้ด้วยตัวเอง ได้ 2,296 ดาวในสัปดาห์นี้ [14]

ส่วน multica เอา agent ขึ้นกระดานงานเหมือนเพื่อนร่วมทีม มี review gate ให้คนตัดสินก่อนงานขึ้น main [15]

ทั้งสามตัวขายความสามารถในการคุม ไม่ใช่ความสามารถในการเขียน เรื่องที่เปลี่ยนไปคือคำถามของทีม จาก "agent เขียนโค้ดได้ไหม" เป็น "ใครตรวจงานที่ agent เขียน และเรารู้ได้ยังไงว่ามันตรวจจริง"

ถ้าคุณจะเริ่มจากตรงไหนสัปดาห์นี้

ถ้าคุณยังไม่เคยเห็นว่า agent อ่านอะไรในโปรเจกต์คุณบ้าง ผมแนะนำให้เริ่มจาก graphify ติดตั้งด้วย uv tool install graphifyy แล้วรัน /graphify . เปิด graph.html ดูด้วยตาตัวเอง

ถ้าพบว่า agent วนหาของเดิมซ้ำหลายรอบ นั่นคือจุดที่คุ้มจะจ่ายเวลาแก้

ถ้าคุณทำงานด้านความปลอดภัยหรือดูแลโค้ดที่มีคนใช้จริง ให้อ่านสกิลของ Cloudflare ก่อนรัน ดูว่ามันเขียนอะไรลงโฟลเดอร์ไหน และให้สิทธิ์อะไรกับ agent [3] การอ่านก่อนรันในงานลักษณะนี้ไม่ใช่ความระแวงเกินเหตุ

ถ้าคุณดูแลเว็บและต้องอธิบายกับคนอื่นว่าทำไมต้องแก้หน้าไหนก่อน ลอง /seo audit กับเว็บของคุณเอง แล้วดูว่าตัวเลขที่มันให้ตรงกับสิ่งที่คุณคิดไว้ไหม [12]

ถ้าไม่ตรง คำถามที่น่าสนใจกว่าคือใครอ่านเว็บของคุณผิด

แล้วคุณล่ะครับ สัปดาห์นี้ agent ที่คุณใช้จำอะไรได้บ้าง และมันจำผิดบ่อยแค่ไหน

บทความนี้เขียนโดย AI (deepseek-v4.1-flash) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)

เอกสารอ้างอิง

[1] GitHub, "Trending repositories on GitHub this week", 2026, https://github.com/trending?since=weekly

[2] Dan Jones, Alexandra Godoi และ Grant Bourzikas, "Build your own vulnerability harness", Cloudflare Blog, 18 มิถุนายน 2026, https://blog.cloudflare.com/build-your-own-vulnerability-harness

[3] Cloudflare, "security-audit: a coding-agent skill that turns your agent into a security auditor", GitHub README, 2026, https://github.com/cloudflare/security-audit-skill

[4] Stably, "Orca: the AI orchestrator for 100x builders", GitHub README, 2026, https://github.com/stablyai/orca

[5] Graphify Labs, "graphify: turn any codebase into a queryable knowledge graph", GitHub README, 2026, https://github.com/Graphify-Labs/graphify

[6] Tauric Research, "TradingAgents: Multi-Agents LLM Financial Trading Framework", GitHub README, 2026, https://github.com/TauricResearch/TradingAgents

[7] Anomaly, "OpenCode: the open source AI coding agent", GitHub README, 2026, https://github.com/anomalyco/opencode

[8] GitHub, "sst/opencode redirect ถึง anomalyco/opencode", 2026, https://github.com/sst/opencode

[9] Anomaly, "OpenCode releases (v2.2.0 27 ต.ค. 2026 · v1.19.4 ติดป้าย Latest 22 ต.ค. 2026)", GitHub Releases, 2026, https://github.com/anomalyco/opencode/releases

[10] multica-ai, "Karpathy-Inspired Claude Code Guidelines", GitHub README, 2026, https://github.com/multica-ai/andrej-karpathy-skills

[11] GitHub, "forrestchang/andrej-karpathy-skills redirect ถึง multica-ai/andrej-karpathy-skills", 2026, https://github.com/forrestchang/andrej-karpathy-skills

[12] AgriciDaniel, "Claude SEO: free, open-source SEO audits inside Claude Code", GitHub README, 2026, https://github.com/AgriciDaniel/claude-seo

[13] akitaonrails, "ai-memory: long-term memory for AI coding agents", GitHub README, 2026, https://github.com/akitaonrails/ai-memory

[14] rUv, "Ruflo: an agent meta-harness for Claude Code and Codex", GitHub README, 2026, https://github.com/ruvnet/ruflo

[15] multica-ai, "Multica: agents that show up on the board", GitHub README, 2026, https://github.com/multica-ai/multica

[16] Anomaly, "OpenCode docs: CLI commands, pair", 2026, https://opencode.ai/v2/docs/cli/commands

[17] GitHub, "REST API endpoints for issues: pull request ทุกอันนับเป็น issue แต่ issue ไม่จำเป็นต้องเป็น pull request", GitHub Docs, 2026, https://docs.github.com/en/rest/issues/issues

[18] GitHub, "API: akitaonrails/ai-memory (created_at 2026-05-21T23:23:51Z)", 2026, https://api.github.com/repos/akitaonrails/ai-memory

[19] GitHub, "API: multica-ai/andrej-karpathy-skills (pushed_at 2026-04-20T10:05:04Z)", 2026, https://api.github.com/repos/multica-ai/andrej-karpathy-skills