repo เอเจนต์ AI 162,000 ดาวที่ไม่มี runtime ให้รัน: คุ้มค่าติดตั้งไหม?

โดย Nokka (นก-กา) | นักเขียนอิสระสาย AI และระบบเปิด | ตรวจสอบข้อมูล ณ 20 ต.ค. 2026

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

ตัวเลขที่ทำให้ผมต้องเปิดดู

repo นี้ชื่อ msitarzewski/agency-agents มีดาว 161,988 ดวง และถูก fork 26,223 ครั้ง [1]

มันถูกสร้างเมื่อ 13 ตุลาคม 2025 แปลว่าอายุครบหนึ่งปีพอดีในสัปดาห์ที่ผมเขียนบทนี้

ผมสนใจไม่ใช่จำนวนดาว แต่เป็นของที่อยู่ข้างใน

ผมดาวน์โหลด repo ทั้งก้อนมาแตกไฟล์แล้วนับเอง มีไฟล์ทั้งหมด 383 ไฟล์ [1] ไม่มี package.json ไม่มี Dockerfile ไม่มีไฟล์ที่คอมไพล์แล้ว

ทั้ง repo คือไฟล์ Markdown 329 ไฟล์ รวมกัน 4.50 เมกะไบต์ กับสคริปต์เชลล์ 31 ไฟล์ สคริปต์ไพธอน 4 ไฟล์ และ workflow อีก 6 ไฟล์ [1]

พูดให้ตรงคือ repo นี้ ไม่มี runtime ของเอเจนต์ ของที่มันให้มีเพียงไฟล์คำสั่งกับสคริปต์ที่เอาไฟล์เหล่านั้นไปติดตั้งในเครื่องมืออื่น

นี่คือ repo ที่คนหนึ่งแสนหกหมื่นคนกดดาวให้ ทั้งที่ตัวเอเจนต์ไม่มีอะไรให้รัน

ข้างในมีอะไรกันแน่

divisions.json ที่ราก repo ประกาศ 18 หมวดวิชาชีพ ได้แก่ engineering, marketing, security, design, finance, healthcare, gis, sales, testing, product และอื่น ๆ [2]

ผมนับไฟล์ .md ทั้งหมดใน 18 โฟลเดอร์นั้นแบบรวมโฟลเดอร์ย่อย ได้ 282 ไฟล์ และทั้ง 282 มี frontmatter ของเอเจนต์ครบ

การนับแบบรวมโฟลเดอร์ย่อยสำคัญ เพราะหมวด game-development มีโฟลเดอร์ย่อยห้าโฟลเดอร์ (unity, godot, unreal-engine, roblox-studio, blender) ถ้านับแค่ชั้นเดียวจะได้ 267 ไม่ใช่ 282

ผมไม่นับ strategy/ 16 ไฟล์และ examples/ 6 ไฟล์ เพราะ repo เองตัดโฟลเดอร์เหล่านี้ออกจากชุดดิวิชันใน divisions.json โดยให้เหตุผลว่า strategy/ เป็น playbook และ runbook ที่ไม่มี frontmatter ของเอเจนต์ [2]

ที่น่าสนใจคือ README ของ repo เขียนว่า "230+" ซึ่งต่ำกว่าที่ผมนับได้จริง [1]

หมวดที่ใหญ่ที่สุดคือ engineering 65 ไฟล์ รองลงมาคือ specialized 59 ไฟล์ และ marketing 37 ไฟล์

ขนาดมัธยฐานของไฟล์ใน 18 หมวดคือ 13,910 ไบต์ และเมื่อนับคำด้วยสคริปต์ได้มัธยฐาน 1,926 คำต่อไฟล์

สองตัวเลขนี้วัดคนละอย่าง จึงเอามาหารกันไม่ได้ ผมจึงรายงานแยก

เปิดอ่านหนึ่งไฟล์จนจบ

ผมเลือก engineering/engineering-code-reviewer.md เพราะอยากรู้ว่าไฟล์ที่เต็มไปด้วยคำสวย ๆ มันมีของจริงไหม

ไฟล์นี้เล็กกว่ามัธยฐานอยู่มาก คือยาวเพียง 3,076 ไบต์ และมี frontmatter ห้าฟิลด์ คือ name, description, color, emoji และ vibe [1]

หัวข้อที่พบบ่อยใน 282 ไฟล์คือนิยามตัวตน (Identity, 277 ไฟล์), Critical Rules (258), Core Mission (253) และ Success Metrics (244) โดยนับการเอ่ยถึงที่ใดก็ได้ในไฟล์ ไม่ได้นับเฉพาะบรรทัดหัวข้อ

ส่วน Checklist พบ 81 ไฟล์และ Output Format พบเพียง 9 ไฟล์ ถ้านับเฉพาะบรรทัดหัวข้อจะเหลือ 47 กับ 4 สองหัวข้อนี้จึงไม่ใช่มาตรฐานของทั้งคลัง

ข้างในไฟล์ตรวจโค้ดมีกฎที่ผมชอบ เช่นให้ระบุว่า "ช่องโหว่ SQL injection ที่บรรทัด 42" ไม่ใช่พูดลอย ๆ ว่า "มีปัญหาเรื่องความปลอดภัย" ซึ่งถอดจากประโยคที่ต้นฉบับเขียนเป็นภาษาอังกฤษว่า "This could cause an SQL injection on line 42" ไม่ใช่ "security issue"

และมี checklist แยกเป็น blocker, suggestion, nit พร้อมตัวอย่างรูปแบบคอมเมนต์ที่ใช้ได้จริง

นี่ไม่ใช่ prompt สำเร็จรูปทั่วไป มันคือคู่มือการทำงานที่ถูกเขียนให้ทำงานเหมือนนักรีวิวโค้ดระดับอาวุโส

Hacker News แทบไม่พูดถึง repo นี้ และผมตามที่มาของดาวไม่ได้

ผมค้น Hacker News ด้วย API ของ Algolia และกรองเอาเฉพาะโพสต์ที่ลิงก์มา repo นี้ ได้ห้าโพสต์ [8]

ทั้งห้าโพสต์ได้ 1 ถึง 2 แต้ม และมีคอมเมนต์รวมกันทั้งสิ้น 2 คอมเมนต์

แปลว่า HN แทบไม่มีบทสนทนาเกี่ยวกับ repo นี้เลย

แต่ ผมตามที่มาของดาวไม่ได้

ผมไม่พบหลักฐานว่าดาวหนึ่งแสนหกหมื่นดวงมาจากช่องทางใดช่องทางหนึ่ง และการเดาว่ามันมาจาก Reddit หรือ X หรือ GitHub Trending ก็เป็นการเดาทั้งหมด

ข้อที่พูดได้มีแค่ HN ไม่ใช่ช่องทางนั้น

ส่วนที่ดีจริงและผมไม่ได้ประชด

ถ้าคุณคิดว่าทั้ง repo เป็นแค่ไฟล์ข้อความ ก็มีของที่ทำให้ผมเปลี่ยนความเห็น

ในโฟลเดอร์ scripts/ มีสคริปต์ทดสอบ 22 ไฟล์ และ GitHub Actions 6 workflow ที่รันทุกครั้งที่มีคนส่ง pull request [1]

มีตัวตรวจ lint สำหรับไฟล์เอเจนต์ มีตัวตรวจว่า divisions.json ตรงกับโฟลเดอร์จริง และมีตัวตรวจ runbook

ที่ผมชอบที่สุดคือ check-agent-originality.sh ซึ่งจับเอเจนต์ที่ก๊อปกันมาเปลี่ยนแค่ชื่อ [3]

วิธีที่มันใช้คือตัดคำเฉพาะออกแล้วเทียบชิงเกิลแปดคำ ถ้าซ้ำตั้งแต่ 40 เปอร์เซ็นต์ขึ้นไปจะไม่ผ่าน CI

ในคอมเมนต์ของสคริปต์เขียนว่า ทั้งคลังมีความซ้ำสูงสุดเพียง 1.5 เปอร์เซ็นต์ และค่ามัธยฐานเป็นศูนย์

นี่คือการยอมรับปัญหาเรื่อง "ก๊อปมาเปลี่ยนชื่อประเทศ" ตั้งแต่ก่อนที่คนนอกจะบ่น และแก้ด้วยเครื่องมือ ไม่ใช่ด้วยวาจา

อีกจุดที่ผมสนใจเป็นพิเศษ เพราะมันเกี่ยวกับระบบที่ผมใช้อยู่

repo นี้มี scripts/build-hermes-plugin.py ที่สร้างปลั๊กอินให้ Hermes และในคอมเมนต์หัวไฟล์อธิบายเหตุผลว่าทำไมไม่ใช้ skills.external_dirs [7]

เหตุผลคือถ้าใช้ทางนั้น Hermes จะโฆษณาเอเจนต์ทั้ง 282 ตัวในแคตตาล็อกสกิลตอนเริ่มเซสชัน ซึ่งจะทำให้บริบทบวมตั้งแต่ยังไม่เริ่มงาน

คนเขียนจึงเลือกทำเป็น router ที่รับเครื่องมือจำนวนคงที่ แล้วเก็บรายชื่อไว้ในไฟล์ JSON บนดิสก์

ผมทำงานกับแคตตาล็อกสกิลทุกวัน และผมเห็นด้วยกับเหตุผลนี้

สิ่งที่บทความรีวิวอิสระเตือนไว้

บทความรีวิวอิสระจากเดือนกันยายน 2026 บอกว่า repo นี้ไม่มีการวัดคุณภาพ และระบุชัดว่าเจ้าของบทความไม่ได้ benchmark เอเจนต์เหล่านี้กับ prompt ทั่วไป [4]

พาดหัวของบทความนั้นเขียนไว้ว่า คลังนี้เป็นโรล ไม่ใช่หลักฐานว่าการใช้เอเจนต์มากขึ้นจะชนะ

และชี้ว่าคำว่า "ไม่เคยหลับ ไม่เคยบ่น ส่งงานเสมอ" (never sleep, never complain, and always deliver) ในหน้าแรกเป็นถ้อยทางการตลาด ไม่ใช่ผลการทดสอบ

บทความนั้นยังเตือนว่าโรลเยอะทำให้เกิดต้นทุนในการเลือกและต้นทุนบริบท และไฟล์ prompt ไม่ได้สร้างการแยกโปรเซสหรือการจำกัดสิทธิ์ให้คุณ

ผมตรวจจำนวนคอมมิตเองด้วย API ของ GitHub ในกลุ่มผู้ร่วมพัฒนาสูงสุด 100 คน ซึ่งรวมกันมี 819 คอมมิต

เจ้าของ repo มี 387 คอมมิต คิดเป็น 47.25 เปอร์เซ็นต์ของกลุ่มนี้ และอันดับสองมี 190 คอมมิต [1]

ตัวเลขนี้ไม่ได้บอกว่าคอมมิตทั้ง repo มาจากคนเดียว 47 เปอร์เซ็นต์ เพราะผมวัดจากกลุ่มตัวอย่าง 100 คนเท่านั้น

หลักฐานจากงานวิจัยที่ควรอ่านก่อนติดตั้ง

ถ้าคุณจะติดตั้งทั้ง 282 เอเจนต์เพราะคิดว่าเยอะกว่าคือดีกว่า ผมอยากให้ดูงานวิจัยหนึ่งก่อน

paper ชื่อ "Why Do Multi-Agent LLM Systems Fail?" สร้างชุดข้อมูล 1,600 กว่าสายรัน จาก 7 เฟรมเวิร์กมัลติเอเจนต์ยอดนิยม [5]

ทีมผู้วิจัยสร้างอนุกรมวิธานความล้มเหลวที่เรียกว่า MAST จาก 150 สายรันโดยมีผู้เชี่ยวชาญตรวจ และได้ค่าความสอดคล้องระหว่างผู้ตรวจ 0.88

ผลคือพบรูปแบบความล้มเหลว 14 แบบ จัดเป็นสามกลุ่ม คือ ปัญหาการออกแบบระบบ การสื่อสารผิดกันระหว่างเอเจนต์ และการตรวจงาน

ประโยคที่ผมคิดว่าตรงกับบทความนี้ที่สุดอยู่ในบทคัดย่อว่า ผลตอบแทนด้านประสิทธิภาพบน benchmark ยอดนิยมมักน้อยมาก

อีก paper จากปี 2025 ศึกษาเรื่องการโต้แย้งระหว่างเอเจนต์และพบว่าทั้งแบบแข่งขันและแบบหาฉันทามติมีปัญหาเรื่องการเล่นเกมกับการโต้แย้ง [6]

ผมต้องกันขอบเขตให้ชัด เพราะ paper สองชิ้นนี้ทดสอบระบบที่รันเอเจนต์หลายตัวพร้อมกันและวัดผลจริง

ส่วน repo นี้เป็นไฟล์คำสั่งที่ไม่ได้รันอะไรเอง

แต่ประเด็นคือ ถ้าคุณโหลดไฟล์เหล่านี้ไปใช้ในลูปที่ให้เอเจนต์คุยกัน ผลลัพธ์ที่คุณจะได้ยังขึ้นกับกลไกที่ paper เหล่านั้นวัด และกลไกนั้นยังไม่มีใครพิสูจน์ว่าดี

ถ้าจะใช้จริง ผมแนะนำแบบนี้

คำแนะนำที่ผมคิดว่าใช้ได้จริงมาจากบทความรีวิวอิสระ และตรงกับที่ repo เขียนไว้เองใน CONTRIBUTING

เลือกทีมก่อน ไม่ใช่ทั้งคลัง

ให้เลือกสองหรือสามโรลที่งานแคบจริง กำหนดว่าผลลัพธ์คือไฟล์อะไร แล้ววัดเทียบกับการใช้เอเจนต์ตัวเดียว

repo เองก็เตรียมเครื่องมือไว้ให้ทำแบบนี้อยู่แล้ว install.sh มีแฟล็ก --division, --agent, --agents-file, --list teams และ --dry-run [10]

ตัวอย่างที่ผมชอบคือการเลือกทีม startup-mvp แล้วติดตั้งเฉพาะทีมนั้น ไม่ใช่ทั้งคลัง

./scripts/install.sh --tool claude-code --division engineering --dry-run

และมีบันทึกใน README ว่า OpenCode รับเอเจนต์ได้เพียงประมาณ 119 ตัว แล้วตัดที่เกินทิ้งเงียบ ๆ ตามบั๊กต้นทาง [1] [9]

นั่นคือหลักฐานว่าแม้แต่ผู้เขียนเองก็รู้ว่าทั้งคลังใหญ่เกินกว่าจะยัดลงเครื่องมือเดียว

สิ่งที่ผมตรวจและสิ่งที่ผมยังไม่ได้ทำ

ผมดาวน์โหลด repo ทั้งก้อนมาแตกไฟล์ แล้วนับไฟล์ ขนาด และจำนวนคำด้วยสคริปต์ของตัวเอง

ผมตรวจจำนวนดาว fork issue วันที่สร้าง LICENSE และรายชื่อผู้ร่วมพัฒนาจาก API ของ GitHub โดยตรง [1]

ผมนับไฟล์เอเจนต์เองจากโฟลเดอร์จริง และตรวจว่า divisions.json มี 18 หมวด ไม่ใช่ 282 [2]

ผมอ่านไฟล์เอเจนต์หนึ่งไฟล์เต็ม และอ่านสคริปต์ตรวจความซ้ำกับตัวสร้างปลั๊กอิน Hermes ด้วยตาเปล่า [3] [7]

ผมเปิดบทความรีวิวอิสระหนึ่งฉบับและงานวิจัยอีกสองชิ้น [4] [5] [6]

ผม ไม่ได้ ติดตั้งแล้ววัดผล เพราะการวัดแบบนั้นต้องใช้โควตาโมเดลและเวลาหลายชั่วโมง ซึ่งเกินขอบเขตของบทความเดียว

ดังนั้นข้อที่ผมยืนยันได้คือ ตัวเลขและโครงสร้างของ repo ส่วนข้อที่ยังไม่มีใครยืนยันคือคำถามว่าเอเจนต์พวกนี้ทำงานได้ดีกว่าจริงหรือไม่

คำถามที่ผมอยากฝากไว้

ถ้าคุณกำลังจะกดติดตั้งทั้ง 282 เอเจนต์ ลองถามตัวเองข้อเดียวก่อนว่า งานที่คุณทำอยู่ตอนนี้ ต้องใช้กี่โรลจริง ๆ?

ถ้าคำตอบคือหนึ่งหรือสอง คุณอาจไม่ต้องใช้ repo นี้เลยด้วยซ้ำ

แต่ถ้าคำตอบคือสามหรือสี่ และคุณรู้ว่าผลลัพธ์ของแต่ละคนคือไฟล์อะไร คลังนี้ก็เป็นจุดเริ่มที่ดี เพราะมันประหยัดเวลาที่คุณต้องเขียนบุคลิกกับ checklist เอง

จุดที่ผมอยากเน้นคือ ดาวหนึ่งแสนหกหมื่นดวงบอกว่าคนจำนวนมากสนใจ ไม่ได้บอกว่ามันได้ผล

และ repo ที่ดีที่สุดในโลกก็ยังไม่แทนการวัดผลงานของคุณเอง

แหล่งอ้างอิง

[1] msitarzewski/agency-agents, GitHub repository (161,988 ดาว · 26,223 fork · 166 open issues · MIT · สร้าง 13 ต.ค. 2025 · tree 383 ไฟล์ · ไฟล์ .md 329 ไฟล์ 4,500,049 ไบต์ · ผู้ร่วมพัฒนาสูงสุด 100 คนรวม 819 คอมมิต), เข้าถึง 20 ต.ค. 2026. https://github.com/msitarzewski/agency-agents

[2] divisions.json, GitHub (18 หมวด · ระบุว่า strategy/ เป็น playbook ไม่ใช่เอเจนต์), 2026. https://github.com/msitarzewski/agency-agents/blob/main/divisions.json

[3] scripts/check-agent-originality.sh, GitHub (ชิงเกิลแปดคำ · เกณฑ์ 40 เปอร์เซ็นต์ · ค่าความซ้ำสูงสุด 1.5 เปอร์เซ็นต์), 2026. https://github.com/msitarzewski/agency-agents/blob/main/scripts/check-agent-originality.sh

[4] Software Sausage, "Agency Agents Review: Build a Smaller Multi-Agent Workflow", 9 ก.ย. 2026 (264 โรล · 18 หมวด ณ คอมมิต 6d29a9b · ไม่ได้ benchmark), 2026. https://softwaresausage.com/blog/agency-agents-multi-agent-workflow

[5] Cemri et al., "Why Do Multi-Agent LLM Systems Fail?", arXiv:2503.13657, 2025 (1,600 กว่าสายรัน · 7 เฟรมเวิร์ก · 14 รูปแบบความล้มเหลว · kappa 0.88). https://arxiv.org/abs/2503.13657

[6] "When and Why Does Multi-Agent Debate Fail and Does It Really Underperform?", arXiv:2510.20963, 2025. https://arxiv.org/abs/2510.20963

[7] scripts/build-hermes-plugin.py, GitHub (เหตุผลที่ไม่ใช้ skills.external_dirs และเลือกทำ router แทน), 2026. https://github.com/msitarzewski/agency-agents/blob/main/scripts/build-hermes-plugin.py

[8] Hacker News, ผลค้นหาคำว่า agency-agents ผ่าน Algolia API (ห้าโพสต์ที่ลิงก์ repo นี้ · 1 ถึง 2 แต้ม · คอมเมนต์รวม 2), สืบค้น 20 ต.ค. 2026. https://hn.algolia.com/api/v1/search?query=agency-agents

[9] anomalyco/opencode issue #27988, GitHub (ข้อจำกัดการลงทะเบียนเอเจนต์ราว 119 ตัว อ้างถึงใน README ของ repo), 2026. https://github.com/anomalyco/opencode/issues/27988

[10] scripts/install.sh, GitHub (แฟล็ก --division --agent --agents-file --list teams --dry-run), 2026. https://github.com/msitarzewski/agency-agents/blob/main/scripts/install.sh