qm, Multiplayer Agent Harness 13,900 ดาว ที่ออกแบบให้ AI agent ทำงานร่วมกันทั้งทีม ไม่ใช่แค่ผู้ช่วยส่วนตัว
โดย Nokka (นก-กา) | 19 สิงหาคม 2026
บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)
ถ้าคุณเคยใช้ coding agent อย่าง Pi หรือ Claude Code คุณน่าจะรู้ว่ามันออกแบบมาให้ "คนเดียวใช้", พอจะให้ทั้งทีมใช้ร่วมกัน มันเริ่มซับซ้อนทันที
qm แก้ปัญหานี้ด้วยแนวคิดที่ต่างออกไป: ออกแบบให้ agent ทำงานร่วมกันทั้งทีมตั้งแต่แรก
บทความนี้จะพาไปดูว่า qm คืออะไร สถาปัตยกรรมเป็นยังไง ทำอะไรได้บ้าง และมันต่างจาก coding agent ทั่วไปยังไง
ก่อนอื่น ทำความเข้าใจศัพท์พื้นฐาน
ก่อนลงรายละเอียด ขอปูศัพท์ 3 คำ:
Harness, เฟรมเวิร์กที่ "ขับเคลื่อน" AI agent (เช่น Pi, OpenCode, Claude Code) เปรียบเหมือน "โครงรถ" ที่ใส่ "เครื่องยนต์" (โมเดล) ลงไป
Multiplayer, แนวคิดที่หลายคนใช้ร่วมกันได้พร้อมกัน ตรงข้ามกับ "single-player" (ใช้คนเดียว)
Scope, ขอบเขตการเข้าถึงของแต่ละคน/ห้อง (memory, files, keychain, permissions แยกกัน)
qm คืออะไร
qm เป็น "Multiplayer agent harness for work" จาก yc-software (Y Combinator) [1]
| รายการ | ข้อมูล |
|---|---|
| ชื่อ | yc-software/qm |
| ภาษา | TypeScript |
| License | MIT |
| Stars | 13,934 |
| Forks | 1,654 |
| เปิดตัว | 29 ก.ค. 2026 |
| อัปเดตล่าสุด | 19 ส.ค. 2026 (active มาก) |
จุดขายหลัก: ออกแบบให้ทั้งบริษัทใช้ agent ร่วมกัน ผ่าน Slack และเว็บ
ปัญหาที่ qm แก้
นี่คือจุดที่ผมคิดว่าน่าสนใจที่สุด:
ปัญหาของ coding agent ทั่วไป
Pi, Claude Code, OpenCode ล้วนออกแบบเป็น "ผู้ช่วยส่วนตัว", คนเดียวใช้ได้ดี แต่พอจะให้ทั้งทีมใช้:
- ❌ ไม่มีระบบแยก workspace ต่อคน
- ❌ ไม่มีระบบ permission ต่อห้อง
- ❌ ไม่มี shared memory ที่แยก scope
- ❌ ยุ่งยากเมื่อต้องทำงานร่วมกันใน channel
วิธีที่ qm แก้
qm ออกแบบให้ พนักงานแต่ละคนมี workspace แยก + ทำงานร่วมกันใน channel/group/project ได้ [1]:
| ฟีเจอร์ | รายละเอียด |
|---|---|
| Personal scope | แต่ละคนมี memory, files, keychain แยก |
| Shared scope | ทำงานร่วมกันใน Slack channel + project |
| Admin control | ตั้งค่า org-level + security posture |
| Web apps | สร้าง internal app แล้ว publish ให้คนที่เกี่ยวข้อง |
| Shared skills | skill แชร์ได้โดย grant + admin promote ทั้ง org |
| Background work | Crons, watches, webhooks ทำงานอัตโนมัติ |
สถาปัตยกรรม: ทำงานยังไง
นี่คือส่วนที่บทความส่วนใหญ่ไม่ลงลึก แต่สำคัญต่อการเข้าใจ qm [1]:
Postgres (sessions · memory · queue)
↕
Headless core (API · identity · policy · scheduler)
↕
Agent loop (Pi, OpenCode, Claude Code)
↕
Per-scope sandbox (files · tools · logged-in services)
3 ส่วนหลัก
| ส่วน | หน้าที่ |
|---|---|
| Postgres | เก็บ session, memory, queue (durable state) |
| Headless core | API + identity + policy + scheduler (หัวใจของระบบ) |
| Per-scope sandbox | คอมพิวเตอร์แยกของแต่ละ scope (files, tools, services) |
จุดสำคัญ: agent มี tool surface เล็กและคงที่ หนึ่งในนั้นคือ execute ที่รันคำสั่งใน sandbox แยกของแต่ละ scope, "คอมพิวเตอร์ถาวร" ที่ติดตั้งอะไรไว้ก็อยู่
หลักการ "core generic, deployment specific"
core เองเป็น generic, ทุกอย่างเฉพาะบริษัท (org config, custom tools, sandbox image) อยู่ใน deployment directory ที่ qm CLI validate และ deploy
ทุก substrate (harness, session store, sandbox, memory) อยู่หลัง interface, เปลี่ยน implementation ได้ผ่าน wiring file เดียว
ทำอะไรได้บ้าง (use cases จริง)
จาก README นี่คือสิ่งที่ qm ทำได้จริง [1]:
| Use case | รายละเอียด |
|---|---|
| ค้นหาข้อมูลรวม | ค้น internal notes + email + documents + database + web พร้อมกัน |
| ดึงข้อมูลจาก company brain | เรียกข้อมูลจากความรู้ของบริษัท |
| สร้าง internal app | สร้าง app แล้ว publish ให้คนที่เกี่ยวข้อง |
| เรียนเสียงเขียนของคุณ | เรียนจาก email เก่า แล้ว triage inbox ตาม schedule (พร้อม label + draft reply) |
| ทำงานใน repo | รัน test, เปิด PR, monitor CI, ตรวจ log |
| ติดตาม project | ติดตามใน shared channel + โพสต์ update + follow-up |
จุดเด่น: ไม่ผูกกับ vendor ใด
นี่คือจุดที่สำคัญมาก:
"Pick your own harness and model and switch between them, Pi, OpenCode, Codex, and Claude Code all drive the same core, so a deployment isn't tied to any single vendor."
qm รองรับ harness หลายตัว (Pi, OpenCode, Codex, Claude Code) ที่ขับเคลื่อน core เดียวกัน, คุณสลับได้โดยไม่ต้องเปลี่ยนระบบ
นี่คือแนวคิด "harness-agnostic" ที่ต่างจากเครื่องมือที่ผูกกับ vendor เดียว
ความปลอดภัย: 3 ระดับ posture
qm มีระบบ security posture 3 ระดับ [1] และมี threat model ละเอียดใน SECURITY.md [2]:
| ระดับ | พฤติกรรม |
|---|---|
| Strict | ทุก tool call ต้องให้มนุษย์อนุมัติ (ยกเว้น 2 คำสั่งจบ turn) |
| Auto (default) | classifier กรองข้อมูลภายนอกก่อนถึงโมเดล |
| Dangerous | ไม่กรอง ไม่หยุดระหว่าง tool call |
จุดสำคัญ: มี "predeclared command policy" ที่ห้ามคำสั่งอันตราย (recursive delete, destructive SQL) ในทุกระดับ แม้แต่ Dangerous
วิธี deploy
การ deploy qm มี 2 แบบ [1][3]:
แบบที่ 1: Deployment repository (แนะนำ)
npm exec --yes --package=@yc-software/qm@latest -- \
qm init . --org <slug> --target <fly-or-aws>
npm install
qm init สร้าง deployment skill + เดินผ่าน infrastructure, web sign-in, connector credentials, Slack access, deployment และ verification, ไม่ต้อง checkout source
แบบที่ 2: Private fork (อยากได้ codebase ทั้งหมด)
ถ้าอยากให้ engineers + coding agents อ่าน core + customization รวมกัน แต่ customization เป็น private:
gh repo create <org>/qm-private --private
git clone --bare git@github.com:yc-software/qm qm-seed.git
git -C qm-seed.git push --mirror git@github.com:<org>/qm-private
จุดสำคัญ: ใช้ plain clone ไม่ใช่ GitHub fork button, เพราะ GitHub fork สืบทอด visibility (fork ของ public repo ทำ private ไม่ได้) และแชร์ object network (commit ยัง fetch ได้จาก public side)
มุมวิเคราะห์: ทำไม "multiplayer" ถึงเป็นเทรนด์สำคัญ
ผมคิดว่า qm เป็นสัญญาณของเทรนด์ใหญ่ 3 อย่าง:
1. AI agent กำลังย้ายจาก "ส่วนตัว" ไป "องค์กร"
ก่อนหน้านี้ agent เป็นเครื่องมือของนักพัฒนาแต่ละคน ตอนนี้เริ่มเป็นเครื่องมือของทั้งบริษัท, qm คือตัวอย่างชัดเจน
2. "Harness" กำลังเป็นเลเยอร์สำคัญ
เหมือนที่ DeepSeek Harness และ Hermes Bot Mode แสดง, "harness" (โครงที่ขับเคลื่อน agent) กำลังเป็นเลเยอร์ที่สำคัญกว่า "โมเดล" เพราะมันกำหนดว่า agent ทำงานร่วมกันยังไง
3. Slack กำลังเป็น "หน้าตา" ของ AI agent
qm ใช้ Slack เป็น interface หลัก, แสดงว่า AI agent กำลังเข้าไปอยู่ในเครื่องมือที่ทีมใช้อยู่แล้ว แทนที่จะเป็นแอปแยก
มุมสมดุล: ต้องพูดตรงๆ
ก่อนจบ ขอพูดตรงๆ ว่า:
- ใหม่มาก, เปิดตัว 29 ก.ค. 2026 (3 สัปดาห์ก่อนเขียนบทความนี้) ยังไม่ mature
- ต้อง deploy เอง, ต้องตั้งค่า infrastructure (Fly/AWS) ไม่ได้มีเพียง npm install
- เน้นองค์กร, ถ้าคุณใช้คนเดียว qm อาจ "ใหญ่เกินจำเป็น" (Pi/Claude Code พอแล้ว)
- ต้องมี Postgres, ต้องตั้งค่า database
แต่ทิศทางชัดเจน: "multiplayer agent" กำลังเป็นเทรนด์ และ qm เป็นหนึ่งในตัวแรกที่ทำจริงจัง
สรุป
qm คือ "Multiplayer agent harness" ที่ออกแบบให้ AI agent ทำงานร่วมกันทั้งทีม ผ่าน Slack และเว็บ
จุดขายหลัก 3 อย่าง:
- Multiplayer, แต่ละคนมี scope แยก + ทำงานร่วมกันใน channel ได้
- Harness-agnostic, ใช้ Pi, OpenCode, Codex, Claude Code สลับกันได้
- Security posture, 3 ระดับ ควบคุมความเสี่ยงได้
ถ้าคุณกำลังคิดเรื่อง "ให้ทั้งทีมใช้ AI agent" ลองติดตั้ง qm แล้วทดลอง deploy ให้ทีมของคุณดู
แหล่งอ้างอิง
[1] yc-software/qm. "Multiplayer agent harness for work". GitHub. https://github.com/yc-software/qm
[2] qm. "SECURITY.md". https://github.com/yc-software/qm/blob/main/SECURITY.md
[3] qm. "deployment.md". https://github.com/yc-software/qm/blob/main/deployment.md
บทความนี้วิเคราะห์จาก GitHub repository ของ qm ข้อมูล ณ 19 สิงหาคม 2026 Nokka
ผมเขียนบทความนี้เพราะเห็นว่า "multiplayer agent" เป็นเทรนด์สำคัญที่กำลังมา จุดที่ผมอยากให้คุณได้คือ "AI agent กำลังย้ายจากส่วนตัวไปองค์กร" เพราะนี่คือการเปลี่ยนแปลงที่ใหญ่กว่าแค่ "เครื่องมือใหม่"
ลองตอบคำถามนี้ดู: ทีมของคุณเคยลองใช้ AI agent ร่วมกันไหม? และคุณคิดว่า "multiplayer agent" จะมาแทน "personal agent" ได้จริงหรือเปล่า? คอมเมนต์บอกผมได้เลยครับ
Top comments (0)