เครื่องมือใหม่สำหรับการพัฒนาระบบ Multi-Agent: การวิเคราะห์เชิงลึกของ IDE แบบเห็นภาพ แพลตฟอร์มการทำงานร่วมกัน และแพ็คเกจวินัยทางวิศวกรรม

IDE แบบเห็นภาพสำหรับระบบ Multi-Agent

Rowboat เป็น Integrated Development Environment (IDE) แบบเห็นภาพโอเพนซอร์สสำหรับระบบ Multi-Agent โครงการนี้ได้รับการบ่มเพาะจาก YC และปัจจุบันมีดาวมากกว่า 12,000 ดวง

แกนกลางของมันคือ IDE แบบเห็นภาพสำหรับการสร้างระบบ Multi-Agent และยังรวม Copilot Assistant เพื่อช่วยสร้าง Agent ผู้ใช้ไม่จำเป็นต้องเขียนโค้ด แค่ให้คำอธิบายเป็นภาษาธรรมชาติ Copilot ก็จะช่วยสร้างเวิร์กโฟลว์ Multi-Agent ขึ้นมาได้

หลังจากสร้างเวิร์กโฟลว์เสร็จแล้ว สามารถทดสอบในสถานการณ์จำลอง AI ได้ หลังจากตรวจสอบความถูกต้องแล้วจึงเชื่อมต่อกับเซิร์ฟเวอร์ MCP และเครื่องมือต่างๆ ฐานล่างใช้ OpenAI Agents SDK และรวมบริการที่ใช้บ่อย เช่น Slack, Linear, Jira, GitHub, ElevenLabs, Exa โครงการให้ Python SDK และ HTTP API สองวิธี เพื่อความสะดวกในการรวมเข้ากับผลิตภัณฑ์ของตัวเอง

สำหรับนักพัฒนาที่หวังจะพัฒนา AI Customer Service, การวิจัยอัตโนมัติ หรือเวิร์กโฟลว์ภายใน แต่ไม่อยากศึกษากรอบงาน Multi-Agent ตั้งแต่เริ่มต้น โครงการนี้สามารถเพิ่มประสิทธิภาพการพัฒนาอย่างเห็นได้ชัด

• ที่อยู่โอเพนซอร์ส: https://github.com/rowboatlabs/rowboat

เปลี่ยน Agent โปรแกรมมิ่งให้เป็นเพื่อนร่วมงานที่ร่วมมือกัน

โครงการ Multica เสนอแนวคิดที่น่าสนใจ: รวมเครื่องมือกระดานงาน เช่น Linear กับ AI Agent

ปัจจุบัน เมื่อใช้ Agent โค้ด เช่น Claude Code, Codex โดยทั่วไปต้องคัดลอกและวางพรอมต์ซ้ำๆ ในเทอร์มินัล และคอยดูแลการทำงานของงานตลอดกระบวนการ Multica มุ่งมั่นที่จะเปลี่ยนรูปแบบนี้ โดยออกแบบ Agent ให้เป็นสมาชิกในทีม ผู้ใช้สามารถมอบหมายงานบนกระดานได้เหมือนมอบหมายงานให้เพื่อนร่วมงาน Agent จะทำงานเอง รายงานความคืบหน้า อัพเดทสถานะ และรายงานปัญหาเมื่อพบอุปสรรค

โครงการนี้มีดาว 14,700 ดวง และเพิ่งอัพเดทเมื่อเร็วๆ นี้

ฟังก์ชันหลักของมันรวมถึงการจัดการวงจรชีวิตงานทั้งหมด, สตรีมความคืบหน้าเรียลไทม์บน WebSocket, การแยกอิสระของแต่ละพื้นที่ทำงาน และรองรับการใช้ผสมระหว่าง Daemon โลคัลกับ Runtime บนคลาวด์ มันเข้ากันได้กับ Agent คอมมานด์ไลน์หลายชนิด เช่น Claude Code, Codex, OpenCode, Gemini, Cursor Agent

นอกจากนี้ โซลูชันในโครงการจะถูกสะสมอัตโนมัติเป็นสกิล (skill) ที่นำกลับมาใช้ใหม่ได้ ทำให้ความสามารถโดยรวมของทีมเพิ่มขึ้นตามการใช้งาน สำหรับทีมที่เริ่มใช้ AI Agent ช่วยในการเขียนโปรแกรมแล้ว โครงการนี้ช่วยให้การทำงานร่วมกันเป็นระเบียบมากขึ้น

• ที่อยู่โอเพนซอร์ส: https://github.com/multica-ai/multica

แพ็คเกจวินัยวิศวกรรมสำหรับ AI โค้ดดิ้ง

โครงการ Agent Skills สร้างโดย Addy Osmani หัวหน้าวิศวกรรมทีม Google Chrome (ผู้เขียนหนังสือ “Learning JavaScript Design Patterns”) โครงการนี้มีเป้าหมายเพื่อห่อหุ้มมาตรฐานการพัฒนาของวิศวกรอาวุโสให้เป็นสกิล (skill) ที่ AI สามารถดำเนินการได้โดยตรง ปัจจุบันมีดาว 16,600 ดวง

แกนกลางของมันคือ 7 สกิลหลักที่ครอบคลุมกระบวนการพัฒนาทั้งหมด: /spec (เขียนความต้องการ), /plan (แบ่งย่อยงาน), /build (ดำเนินการแบบเพิ่มทีละส่วน), /test (ตรวจสอบ), /review (ตรวจสอบคุณภาพ), /code-simplify (ลดความซับซ้อนโค้ด) และ /ship (ดีพลอย) โครงการรวมแพ็คสกิลประมาณ 20 สกิล และแบ่งตามขั้นตอนอย่างชัดเจน ครอบคลุมวงจรชีวิตทั้งหมดตั้งแต่กำหนดความต้องการจนถึงการออนไลน์

AI โค้ดดิ้งมักจะข้ามมาตรฐานและใช้ทางลัด โครงการนี้คือการ “บังคับ” วินัยวิศวกรรมของวิศวกรบริษัทใหญ่ให้กับ Agent

หากคุณใช้ Claude Code หรือเครื่องมือที่คล้ายกันสำหรับการพัฒนาโปรเจกต์จริง ชุดสกิลนี้สามารถเพิ่มคุณภาพการส่งมอบโค้ดได้อย่างมีประสิทธิภาพ

• ที่อยู่โอเพนซอร์ส: https://github.com/addyosmani/agent-skills

สร้างเอ็นจิ้นเวิร์กโฟลว์ AI โปรแกรมมิ่งที่ทำซ้ำได้

Archon เป็นโครงการโอเพนซอร์สโดย coleam00 กำหนดตำแหน่งเป็น “เครื่องมือสร้างทูลเชน” สำหรับ AI โปรแกรมมิ่ง ปัจจุบันมีดาว 18,400 ดวง

มันมุ่งแก้ไขปัญหาทั่วไป: ผลลัพธ์การทำงานของ AI โปรแกรมมิ่ง Agent ในปัจจุบันมักมีความไม่แน่นอน งานเดียวกันอาจข้ามขั้นตอนการวางแผนวันนี้ ลืมเขียนเทสพรุ่งนี้ และวันต่อมาก็ลืมเทมเพลต PR Archon ยึดกระบวนการด้วยไฟล์ YAML ทำให้ AI โค้ดดิ้งมีความแน่นอนและทำซ้ำได้

การออกแบบของมันค่อนข้างมีไอเดีย: ทุกครั้งที่รันเวิร์กโฟลว์จะสร้าง git worktree อิสระ เพื่อให้แน่ใจว่างานหลายงานที่ทำงานขนานกันไม่รบกวนกัน โหนดสามารถประกอบกันได้ รองรับสคริปต์ Bash ที่แน่นอน, การทดสอบ และโหนดการวางแผนและการสร้างโค้ดของ AI มีเทมเพลตเวิร์กโฟลว์เริ่มต้น 17 แบบ ครอบคลุมสถานการณ์ต่างๆ เช่น การพัฒนาฟีเจอร์, การแก้ไขปัญหา, การรีวิว PR, การรีแฟคเตอร์โค้ด

มันไม่ใช่แค่เครื่องมือคอมมานด์ไลน์ แต่ยังรองรับการทริกเกอร์ผ่านหลายวิธี เช่น CLI, Web UI, Slack, Telegram, Discord, GitHub ทีมแค่ต้องส่งไฟล์เวิร์กโฟลว์ YAML ที่กำหนดไว้ไปยังไดเรกทอรี .archon/workflows/ ของ repository ก็สามารถรวมกระบวนการพัฒนาของทุกคนได้

คล้ายกับบทบาทของ n8n ในด้านออโตเมชันทั่วไป Archon หวังจะทำให้กระบวนการเป็นมาตรฐานและอัตโนมัติในด้าน AI โค้ดดิ้ง

• ที่อยู่โอเพนซอร์ส: https://github.com/coleam00/Archon

ผู้ช่วยการเรียนรู้ AI โอเพนซอร์สจากมหาวิทยาลัยฮ่องกง

DeepTutor เป็นผู้ช่วยการเรียนรู้ AI โอเพนซอร์สจาก Data Intelligence Lab มหาวิทยาลัยฮ่องกง ปัจจุบันมีดาว 18,800 ดวง

มันให้โหมดการเรียนรู้ 5 โหมด:
1. แชทเสริมด้วยเครื่องมือ (รวม RAG, การค้นหาออนไลน์ และการรันโค้ด)
2. Deep Solve: ใช้ Multi-Agent แยกแยะปัญหาที่ซับซ้อน
3. Quiz Generation: สร้างคำถามอัตโนมัติจากฐานความรู้
4. Deep Research: ใช้ Agent ขนานกันเพื่อวิจัยเชิงลึก
5. Math Animator: มุ่งเน้นการแสดงภาพทางคณิตศาสตร์

ในนั้น การออกแบบ TutorBot ค่อนข้างใหม่ TutorBot แต่ละตัวมีพื้นที่ทำงานอิสระและบุคลิกเฉพาะ สามารถทำงานเองได้ ซึ่งก้าวหน้ากว่าแชทบอทธรรมดา นอกจากนี้ Co-Writer Markdown Editor รวม AI Assistant อย่างลึกซึ้ง และฟังก์ชัน Persistent Memory ทำให้โปรไฟล์ของผู้เรียนรู้ถูกแชร์ระหว่างฟังก์ชันทั้งหมด

• ที่อยู่โอเพนซอร์ส: https://github.com/HKUDS/DeepTutor

เพิ่มคุณภาพโค้ดของ Claude Code ด้วย CLAUDE.md

แกนกลางของโครงการ andrej-karpathy-skills คือไฟล์ CLAUDE.md แรงบันดาลใจมาจาก Andrej Karpathy ที่ชี้ให้เห็นปัญหาทั่วไปหลายประการของการเขียนโค้ดด้วยโมเดลใหญ่ในปัจจุบันบนโซเชียลมีเดีย โครงการนี้มีดาว 50,000 ดวง

ปัญหาที่ Karpathy ชี้ให้เห็นรวมถึง: โมเดลเขียนโค้ดต่อโดยอ้างอิงสมมติฐานที่ผิดโดยไม่ชี้แจง; ออกแบบโค้ดและ API มากเกินไป นำเอา abstraction ที่ไม่จำเป็นเข้ามา; แก้ไขโค้ดที่ตัวเองไม่เข้าใจอย่างสมบูรณ์โดยไม่ลังเล; เมื่อสับสนก็ไม่ถาม แต่แกล้งทำเป็นเข้าใจและดำเนินการต่อ

โครงการนี้เปลี่ยนข้อสังเกตเหล่านี้เป็นหลักการหลักสี่ข้อ:
1. คิดก่อนเขียน: ชี้แจงสมมติฐาน ให้คำถามเมื่อจำเป็น
2. ความเรียบง่ายมาก่อน: เขียนโค้ดเฉพาะที่จำเป็น หลีกเลี่ยงฟีเจอร์ที่คาดเดา
3. การแก้ไขแบบศัลยกรรม: แก้ไขเฉพาะส่วนที่จำเป็น และให้ตรงกับสไตล์โค้ดที่มีอยู่
4. การดำเนินการที่ขับเคลื่อนด้วยเป้าหมาย: กำหนดมาตรฐานการตรวจสอบก่อน แล้วจึงรันโค้ด

มีสองวิธีติดตั้ง แนะนำให้ติดตั้งผ่านตลาดปลั๊กอิน:
/plugin marketplace add forrestchang/andrej-karpathy-skills
/plugin install andrej-karpathy-skills@karpathy-skills
หรือดาวน์โหลดไฟล์ CLAUDE.md ไปยังไดเรกทอรีรูทของโปรเจกต์เพื่อใช้โดยตรง

หากคุณรู้สึกว่าโค้ดที่ Claude Code เขียนบางครั้ง “ตัดสินใจเอง” มากเกินไป การลองใช้ไฟล์นี้อาจทำให้พฤติกรรมของมันตรงกับความคาดหวังมากขึ้น

• ที่อยู่โอเพนซอร์ส: https://github.com/forrestchang/andrej-karpathy-skills

07 claude-mem: ให้ความจำระยะยาวแก่ Claude Code

โครงการ claude-mem มุ่งแก้ไขปัญหาที่ Claude Code สูญเสียคอนเท็กซ์ทุกครั้งที่เริ่มเซสชันใหม่ ปัจจุบันมีดาวมากกว่า 60,000 ดวง

วิธีการทำงานของมันตรงและมีประสิทธิภาพ: ขณะที่เซสชันกำลังดำเนินอยู่ จะจับการกระทำทั้งหมดของ Claude อัตโนมัติ ใช้ agent-sdk ของ Claude เพื่อบีบอัดความหมายด้วย AI เมื่อผู้ใช้เริ่มเซสชันใหม่ เครื่องมือจะฉีดคอนเท็กซ์ประวัติที่เกี่ยวข้องเข้าไปโดยอัตโนมัติ

กระบวนการทั้งหมดไม่ต้องบันทึกหรือเรียกคืนด้วยตนเอง ทำให้เป็นอัตโนมัติสมบูรณ์

เครื่องมือนี้มีฟังก์ชันค่อนข้างครอบคลุม:
* กลไกการค้นคืน: ใช้การค้นหาภาษาธรรมชาติตามสกิล (skill-based) และออกแบบฟังก์ชันการเปิดเผยแบบค่อยเป็นค่อยไป ชี้แจงต้นทุน Token ของการเรียกความจำแต่ละชั้นอย่างชัดเจน เพื่อหลีกเลี่ยงค่าใช้จ่าย API ที่ถูกใช้ไปโดยไม่รู้ตัว
* ตัวดูโลคัล: มี Web Viewer โลคัลที่รันบน localhost:37777 ผู้ใช้สามารถดูประวัติทั้งหมดผ่านเบราว์เซอร์ได้โดยตรง
* การควบคุมความเป็นส่วนตัว: ผู้ใช้สามารถใช้แท็ก <private> ห่อหุ้มเนื้อหาที่ไม่ต้องการให้บันทึก
* โซลูชันการจัดเก็บ: ฐานล่างใช้ SQLite ร่วมกับฐานข้อมูลเวกเตอร์ Chroma ข้อมูลทั้งหมดจัดเก็บในเครื่อง
* การสนับสนุนเพิ่มเติม: เครื่องมือนี้ยังเข้ากันได้กับ Gemini CLI

การติดตั้งใช้แค่คำสั่งเดียว:
bash
npx claude-mem install
สำหรับนักพัฒนาที่ใช้ Claude Code บ่อยในชีวิตประจำวัน เครื่องมือนี้เกือบจะเป็นสิ่งจำเป็น หลังจากติดตั้งแล้ว ประสบการณ์ที่สามารถทำงานต่อจากความคืบหน้าครั้งก่อนได้อย่างราบรื่นนั้นลื่นไหลมาก

08 ChinaTextbook: ชุดรวม PDF หนังสือเรียนทุกระดับชั้นของจีน โอเพนซอร์ส

โครงการ ChinaTextbook รวบรวมชุด PDF หนังสือเรียนระดับประถม มัธยมต้น มัธยมปลาย และมหาวิทยาลัยอย่างเป็นระบบ ปัจจุบันมีดาว 69,700 ดวง

แรงจูงใจของผู้เขียนโครงการชัดเจน: มุ่งส่งเสริมการเข้าถึงทรัพยากรการศึกษาภาคบังคับอย่างเท่าเทียม ให้ครอบครัวที่มีทรัพยากรจำกัดก็สามารถเข้าถึงหนังสือเรียนลิขสิทธิ์แท้ได้ และยังให้ความสะดวกแก่ครอบครัวชาวจีนโพ้นทะเลในการเข้าถึงทรัพยากรการศึกษาภาษาจีน

เนื้อหาครอบคลุมหลักสูตรหลายแบบ เช่น รุ่น People’s Education Press, ระบบ 5-4 เป็นต้น ในนั้นหนังสือเรียนคณิตศาสตร์ครอบคลุมตั้งแต่ชั้น

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง

☕ สนับสนุนค่ากาแฟทีมงาน

หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay

SCAN TO PAY WITH ANY BANK