Local AI Agent กำลังกลายเป็นหมวดสินค้า AI หมวดใหม่ที่หลายคนยังจับทางไม่ถูก ช่อง Tina Huang เล่าว่ารออยู่ "หลายเดือน" กว่าจะทำคลิปนี้ออกมา เพราะอยากมั่นใจ 100% ว่ามันไม่ใช่แค่กระแส ก่อนสรุปว่าในช่วงไม่กี่เดือนที่ผ่านมา Local AI Agent เปลี่ยนวิธีทำงานประจำวันของเธอไปอย่างชัดเจน คำนิยามในคลิปเรียบง่ายแต่สำคัญ: AI Agent คือ AI ที่ลงมือทำงานและทำ task ให้เสร็จได้ด้วยตัวเอง งานแบบนี้มีมากว่า 2 ปีแล้ว แต่คำว่า local ทำให้มันทรงพลังขึ้น เพราะ agent อาศัยและรันอยู่บนเครื่องของผู้ใช้โดยตรง ไม่ใช่บน cloud รวมความแล้ว Local AI Agent คือ AI ที่ลงมือทำงานเองบนเครื่องของผู้ใช้ จึงทำงานอย่างส่งสรุปข่าวเช้าแบบเฉพาะบุคคล ค้นคว้าวิธีพัฒนาธุรกิจแล้วสร้างซอฟต์แวร์ออกมาเอง หรือรับคำสั่งผ่านมือถือจากที่ไหนก็ได้ บทความนี้เรียบเรียงจากคลิป "Local AI Agents In 26 Minutes" ของช่อง Tina Huang โดยจัดเป็นโมเดลความคิดที่จำง่าย นั่นคือการมอง agent หนึ่งตัวเป็นสิ่งมีชีวิตที่ประกอบจาก 7 อวัยวะ

Local AI Agent คือหมวดสินค้า AI หมวดใหม่ ไม่ใช่ของเดิมที่เปลี่ยนชื่อ

ในคลิป Tina Huang ย้ำว่าสิ่งที่ทำให้ Local AI Agent น่าสนใจกว่า AI Agent ทั่วไปคือคำว่า local หมายถึง agent อาศัยและทำงานอยู่บนเครื่องส่วนตัวของผู้ใช้ ไม่ต้องพึ่ง service บน cloud ของใคร จุดนี้เปลี่ยนลักษณะการใช้งานไปมาก เพราะ agent เข้าถึงไฟล์ อีเมล ปฏิทิน และข้อมูลส่วนตัวบนเครื่องได้โดยตรง จึงทำงานที่เป็นส่วนตัวจริงได้ ตัวอย่างที่ Tina Huang ยกมาคือ agent ส่งสรุปข่าวเช้า (morning brief) โดยรวมปฏิทิน อีเมล พอร์ตหุ้นที่สนใจ โน้ต และข่าวเฉพาะเรื่องที่ผู้ใช้ติดตาม นอกจากนี้ agent ของเธอยังค้นคว้าวิธีพัฒนาธุรกิจอยู่ตลอด แล้วเขียนซอฟต์แวร์ออกมาเองโดยอัตโนมัติ เช่น ตัวติดตามการเงินส่วนตัว ซอฟต์แวร์บัญชี และ dashboard ติดตามผลการเรียนของนักเรียนใน boot camp ทั้งหมดนี้ผู้ใช้สั่งงานและติดตามผ่านมือถือจากนอกสถานที่ได้ โดยไม่ต้องนั่งอยู่หน้าเครื่อง

Note: คลิปต้นทางใช้ตัวการ์ตูน agent ชื่อ "Inky" เป็นตัวเดินเรื่อง โดยค่อย ๆ ประกอบอวัยวะให้ทีละชิ้น บทความนี้คงโครงนั้นไว้เพื่อให้จำง่ายและหยิบไปใช้ออกแบบ agent ของตัวเองได้

กายวิภาคของ Local AI Agent: 7 อวัยวะที่ประกอบกันเป็น agent หนึ่งตัว

จุดที่ Tina Huang ชี้ว่าคนส่วนใหญ่พลาดจนใช้ Local AI Agent ได้ไม่เต็มที่ คือการไม่เข้าใจวิธีออกแบบ agent อย่างถูกต้อง คลิปจึงเสนอวิธีคิดแบบประกอบร่างทีละอวัยวะ ซึ่งเรียบเรียงได้เป็น 7 ส่วนดังนี้

กายวิภาคของ Local AI Agent: 7 อวัยวะที่ประกอบกันเป็น agent หนึ่งตัว (สรุปจากคลิป Tina Huang)

1. ที่อยู่อาศัย: agent ตัวนี้ควรอยู่บนเครื่องอะไร

อวัยวะแรกที่ต้องตัดสินใจคือที่อยู่ของ agent ในคลิป Tina Huang ระบุว่าเครื่องที่รันได้มีหลายแบบ ตั้งแต่แล็ปท็อปประจำตัว แล็ปท็อปเครื่องเก่า Mac mini หรือ Mac Studio เครื่อง PC ไปจนถึง VPS (virtual private server) หรือการเช่าเครื่องของคนอื่นบน cloud การเลือกเครื่องมี 3 ปัจจัยหลัก ปัจจัยแรกคือ agent ต้องรัน 24/7 หรือไม่ ถ้าต้องรันตลอดเวลา แล็ปท็อปที่ถือติดตัวไปไหนมาไหนจะไม่เหมาะ ปัจจัยที่สองคือสเปกเครื่อง โดยเฉพาะ RAM เพราะถ้าต้องการให้ agent ใช้โมเดล open source ขนาดใหญ่ เครื่องต้องมี RAM มากพอจะรันโมเดลเหล่านั้นได้ และเครื่องใช้งานทั่วไปมักไม่พอ ปัจจัยที่สามคือความเป็นส่วนตัวและความปลอดภัย Tina Huang เล่าว่ามีกรณีจริงที่คนติดตั้ง agent บนแล็ปท็อปส่วนตัวโดยไม่ได้วาง guardrail ทำให้ agent เข้าถึงทุกอย่างและถึงขั้นลบอีเมลทิ้งได้ ดังนั้นถ้าเป็นคนที่ระวังเรื่องนี้มาก ทางที่ดีคือใช้เครื่องแยกสำหรับ agent ตัวอย่างจากคลิปคือ Tina Huang เริ่มจากแล็ปท็อป MacBook Pro เครื่องเก่าที่ล้างข้อมูลจนเกลี้ยงและเปิดทิ้งไว้ 24/7 เครื่องนั้นมี RAM 16GB จึงเลือกใช้โมเดล Claude Sonnet และ Claude Opus แทนโมเดล open source ขนาดใหญ่ ก่อนจะขยับมาใช้ Mac mini ที่สเปกดีกว่าเพื่อเริ่มรันโมเดล open source ขนาดใหญ่ได้

2. ปากและหู: ช่องทางสื่อสารกับ agent

อวัยวะถัดมาคือปากและหู หรือ communication channel เป็นช่องทางให้ผู้ใช้พูดคุยกับ agent และให้ agent ตอบกลับ รวมถึงใช้สั่งงานจากมือถือนอกสถานที่ได้ด้วย ตามที่ Tina Huang นำเสนอ ตัวเลือกที่นิยมคือแอปที่หลายคนใช้อยู่แล้ว เช่น Telegram, Discord, WhatsApp, iMessage, Slack และ Dispatch แนวทางที่ง่ายที่สุดสำหรับมือใหม่คือเริ่มจากช่องทางเดียว (single channel) คนส่วนใหญ่เลือก Telegram หรือถ้าใช้ Claude Cowork อาจเลือก Dispatch เมื่อใช้งานมากขึ้นและมีหลายอย่างเกิดขึ้นพร้อมกัน Tina Huang แนะนำให้ขยับไปใช้ Discord ที่มีหลายแชนเนล เพื่อจัดระเบียบงานแต่ละประเภทให้ชัดเจน

3. สมอง: LLM ที่ขับเคลื่อน agent

สมองของ agent คือ Large Language Model ที่เป็นตัวขับเคลื่อน ในคลิป Tina Huang ระบุว่าตัวเลือกมีหลายแบบ ทั้งโมเดลของ Claude อย่าง Opus และ Sonnet โมเดลของ OpenAI และโมเดล open source อย่าง Qwen, Kimi, MiniMax และ DeepSeek แต่ละโมเดลมี tradeoff ต่างกัน ทั้งความสามารถ ขนาด ความเร็ว ต้นทุน และความเป็นส่วนตัว จากคลิปจะเห็นว่าตัวเลือกยอดนิยมสำหรับ Local AI Agent คือ Claude Opus หรือ Claude Sonnet ส่วนฝั่ง open source ที่นิยมที่สุดคือ Qwen และ Kimi ตัวอย่างการใช้งานจริงที่ Tina Huang สาธิตคือ agent เขียนโค้ดตัวหนึ่งใช้ Claude Opus สำหรับงานวางแผนและสถาปัตยกรรมที่ซับซ้อน แล้วส่งงานเขียนโค้ดที่เป็นกลไกซ้ำ ๆ ไปให้โมเดล open source อย่าง QwenCoder ซึ่งรันอยู่บนเครื่องและใช้ฟรี เพื่อคุมต้นทุน เพราะการรัน Claude Opus ตลอดเวลามีค่าใช้จ่ายสูง

4. ความจำ: แค่ไฟล์ข้อความธรรมดา

อวัยวะที่หลายคนคิดว่าซับซ้อน แต่จริง ๆ เรียบง่ายกว่าที่คิดมากคือความจำ Tina Huang ชี้ว่า memory ของ agent คือไฟล์ข้อความธรรมดาชุดหนึ่ง ผู้ใช้เขียนบันทึกทุกอย่างที่ต้องการให้ agent รู้ลงไป ทั้งข้อมูลเกี่ยวกับตัว agent เองว่าเป็นใคร มีบุคลิกแบบไหน มีหน้าที่ทำอะไร มี workflow อะไรบ้าง และข้อมูลเกี่ยวกับตัวผู้ใช้ เช่น workflow ของผู้ใช้ บุคลิก สิ่งที่ให้ความสำคัญ ข้อมูลประชากรศาสตร์ และอาชีพ ข้อมูลเหล่านี้ทำให้ agent ปรับตัวเข้ากับผู้ใช้แต่ละคนได้อย่างเฉพาะเจาะจง นอกจากนี้ขณะที่ agent ทำงาน เช่น ค้นคว้าเรื่องหุ้น มันจะจดสิ่งที่ทำลงไปด้วย ครั้งต่อไปที่คุยเรื่องนั้นอีก agent จึงรู้ว่ากำลังพูดถึงอะไร ซอฟต์แวร์และ framework ของ Local AI Agent อย่าง Open Claw และ Cowork มีระบบความจำติดมาให้อยู่แล้ว แต่ผู้ใช้ระดับ power user มักเสริมระบบความจำให้แข็งแรงและเป็นระเบียบขึ้นด้วยเครื่องมืออย่าง Obsidian ซึ่ง Tina Huang ระบุว่ากำลังพัฒนาให้เป็นระบบความจำที่ทำหน้าที่เป็นสมองที่สองของตัวเองด้วย

5. หนวด: skills และ tools

หนวดของ agent แทน skills และ tools ในคลิป Tina Huang อธิบายว่า agent มีหนวดพื้นฐานติดตัวมาอยู่แล้ว เช่น ค้นหาไฟล์ในเครื่อง รันโค้ดได้ แต่ถ้าต้องการให้ทำงานมากกว่านั้น ก็ต้องเพิ่มความสามารถและเครื่องมือให้มากขึ้น ตัวอย่างที่ยกมาคือ web search การเข้าถึงอีเมล การถ่าย screenshot การแปลงข้อความเป็นเสียง (text-to-speech) และการสร้างรูปภาพ คลิปยังเตือนเรื่องที่มาของ skill ด้วย เพราะมีแหล่งที่คนแชร์ skill กัน เช่น Claude Hub แต่ Tina Huang เลือกไม่ดาวน์โหลด skill จากที่นั่น เว้นแต่จะมาจากผู้พัฒนาที่เชื่อถือได้จริง เนื่องจากเคยมีกรณีความเสี่ยงด้านความปลอดภัยและการหลอกลวงผ่าน Claude Hub มาก่อน

6. หัวใจที่เต้น: งานตามตารางเวลา

อวัยวะที่ Tina Huang เรียกว่าเป็น game-changer คือหัวใจที่เต้น หรือ heartbeat เป็นความสามารถในการตั้งเวลาให้ agent ทำงานเองโดยไม่ต้องสั่ง แบ่งเป็นสองรูปแบบ แบบแรกคือ time-based หรือ cron job เช่น ทุก 7 โมงเช้าส่งสรุปข่าวเช้าให้ ทุก 30 นาทีสแกนอีเมลใหม่ ทุกเดือนนัดหมายหมอ แบบที่สองคือ event-based เช่น ทุกครั้งที่มีไฟล์เข้ามาในโฟลเดอร์บัญชี agent จะรัน workflow บัญชีและลงบันทึกให้อัตโนมัติ ตัวอย่างจริงจากคลิปคือ Tina Huang สั่งให้ agent สร้างอะไรเล็ก ๆ ที่น่าสนใจให้กับ project ที่กำลังทำอยู่ทุกคืน เพื่อให้ตื่นเช้ามาเห็นของใหม่ที่สร้างขึ้นเอง

7. ดวงตา: computer use

อวัยวะสุดท้ายคือดวงตา หรือ computer use ในคลิป Tina Huang อธิบายว่าดวงตาทำให้ agent เห็นสิ่งที่เกิดขึ้นบนหน้าจอจริง และโต้ตอบกับมันได้เหมือนมนุษย์ เช่น ดูว่ามีอะไรอยู่ในโฟลเดอร์ บางกรณี agent ยังเห็นสิ่งที่เกิดบนหน้าจอแล้วขยับเมาส์ทำงานบนเครื่องแทนคนได้ ตัวอย่างที่สาธิตในคลิปคือการสั่งจากมือถือนอกสถานที่ให้ agent ถ่าย screenshot หน้าจอเครื่องที่บ้านแล้วส่งกลับมา ซึ่ง agent เปิดไฟล์และส่ง screenshot กลับมาได้จริง

หลาย agent และทีม agent: มากกว่าผลรวมของแต่ละตัว

หลังประกอบ agent หนึ่งตัวครบทุกอวัยวะแล้ว Tina Huang ชี้ว่าไม่มีเหตุผลที่จะมี agent แค่ตัวเดียว ผู้ใช้สามารถมีหลายตัวทำงานหลาย task พร้อมกัน หรือจัด agent เป็นทีมที่แต่ละตัวมีหน้าที่เฉพาะ เมื่อรวมกันแล้วจึงได้ผลลัพธ์ที่มากกว่าผลรวมของแต่ละตัว ตัวอย่างจากคลิปคือทีมวิจัยที่คอยหาหุ้นที่น่าสนใจ และทีมซอฟต์แวร์ที่ค้นคว้า ตัดสินใจเรื่องผลิตภัณฑ์ และสร้างซอฟต์แวร์ให้บริษัท ในเดโม Open Claw ที่ Tina Huang สาธิต มี agent ชื่อ Inky เป็น chief of staff ใช้โมเดล Claude Sonnet เป็นสมองกลาง มีทีม content pipeline แยกอีกชุด มี agent ชื่อ Linky เป็นตัวเขียนโค้ดที่ใช้ Claude Opus กับ QwenCoder และมี agent ตรวจสุขภาพระบบที่รันวันละสองครั้งด้วยโมเดลขนาดเล็กที่รันฟรีบนเครื่อง ทั้งหมดนี้รันอยู่บนแล็ปท็อป MacBook Pro RAM 16GB เครื่องเดียว และสื่อสารผ่าน Discord ที่แยกแชนเนลตามงานแต่ละประเภท

2 หลักการที่ห้ามข้าม: ความปลอดภัยมาเป็นอันดับ 1 และวิศวกรรมที่ดี

ก่อนเข้าเดโม Tina Huang ย้ำสองหลักการที่สำคัญมากในการสร้างและใช้ Local AI Agent หลักการแรกคือความปลอดภัย เรื่องนี้ต้องมาเป็นอันดับ 1 เพราะการใช้ Local AI Agent คือการให้ agent ที่ฉลาดมากเข้าถึงเครื่องของผู้ใช้ จึงต้องป้องกันไม่ให้มันทำให้ชีวิตพัง ในคลิปยกกรณีจริงว่ามี Local AI Agent ที่ลบอีเมลของคนทิ้ง หรือมีไวรัสติดมาเพราะการแชร์ skill กัน วิธีรับมือที่ Tina Huang ใช้คือแยก agent ออกให้มากที่สุด ไม่รัน agent บนเครื่องหลักที่มีข้อมูลสำคัญ แต่รันบนเครื่องเฉพาะที่ไม่มีข้อมูลอ่อนไหว ระวังเรื่องสิทธิ์การเข้าถึง เช่น ให้ agent เข้าถึงเฉพาะอีเมลที่ต้องการให้คัดกรอง ไม่ให้เข้าถึงอีเมลส่วนตัวที่มีข้อมูลอ่อนไหว และไม่เชื่อ workflow หรือ skill ของคนอื่น เพราะอาจมีสิ่งที่เป็นอันตรายฝังมา ถ้าจะใช้ skill ที่คนอื่นทำ Tina Huang จะให้ Claude สแกน skill นั้น แล้วเขียนใหม่ด้วยตัวมันเองก่อน ค่อยส่งต่อให้ agent นอกจากนี้ยังใช้ความสามารถ heartbeat ของ agent รัน security audit ทุกชั่วโมง หรืออย่างน้อยทุกวัน โดยมีหลักคิดสั้น ๆ ว่าให้ "paranoid ไว้ก่อน" ให้มากที่สุด

Warning: กรณีจริงที่อ้างถึงในคลิปคือ Local AI Agent ที่ลบอีเมลของผู้ใช้ทิ้ง และไวรัสที่ติดมากับ skill ที่แชร์กัน นี่คือเหตุผลที่คลิปจัดความปลอดภัยเป็นหลักการอันดับ 1 ไม่ใช่ข้อแนะนำเสริม

หลักการที่สองคือวิศวกรรมที่ดี Tina Huang ระบุว่าต้องสั่งงานให้ชัดเจนที่สุดว่าต้องการให้ agent ทำหรือสร้างอะไร และเพิ่มทีละ 1 feature หรือ 1 workflow เท่านั้น เพื่อให้ติดตามและตรวจสอบได้ง่าย อย่าสั่งให้สร้างห้าอย่างพร้อมกัน เพราะถ้ามีอะไรผิดพลาด จะไล่ไม่ถูกว่าปัญหาอยู่ตรงไหน

เริ่มวันนี้อย่างไร: Claude Cowork สำหรับมือใหม่ เทียบกับ Open Claw

ในคลิป Tina Huang สาธิตทั้งฝั่ง code และ no-code ฝั่ง code คือ Open Claw ซึ่งปรับแต่งได้มากและทรงพลัง แต่ผู้ใช้ต้องระวังเรื่องความปลอดภัยเอง ส่วนฝั่ง no-code คือ Claude Cowork ซึ่งเป็น Local AI Agent เวอร์ชันของ Anthropic ที่ปลอดภัยกว่าและใช้ง่ายกว่ามาก Tina Huang แนะนำ Claude Cowork อย่างชัดเจนสำหรับคนที่ไม่ถนัดเขียนโค้ดเลยหรือเพิ่งเริ่มต้น เพราะมาพร้อมฟังก์ชันความปลอดภัยจำนวนมาก (pre-baked) จึงไม่ต้องกังวลเท่าเดิม ข้อแลกเปลี่ยนคือผู้ใช้จะอยู่ในระบบของ Anthropic แบบ lock-in และปรับแต่งได้น้อยกว่า ในเดโม Cloud Cowork ที่ Tina Huang แสดงให้เห็น ตัว Cowork อยู่บน Claude Desktop เป็นศูนย์กลาง ผูกกับโฟลเดอร์บนเครื่อง มีไฟล์ความจำคือ claw.md และ memory.md แยกโฟลเดอร์ตาม project มี scheduled task เช่น ทุกวัน 2 ทุ่มให้ทำสรุปการลงทุนประจำวัน และคุยผ่านมือถือได้ด้วย Dispatch รวมถึงสาธิต computer use จากมือถือให้ agent ถ่าย screenshot บนเครื่องที่บ้านส่งกลับมา ข้อสรุปจากคลิปสำหรับมือใหม่จึงค่อนข้างชัดเจนว่าควรเริ่มที่ Claude Cowork ก่อน เพราะปลอดภัยและไม่ต้องเขียนโค้ด แล้วค่อยขยับไป Open Claw เมื่อต้องการการปรับแต่งและพลังที่มากขึ้น

เทียบ Claude Cowork กับ Open Claw แบบ 2 คอลัมน์ มือใหม่ควรเริ่มที่ Cowork (สรุปจากคลิป Tina Huang)

โอกาสข้างหน้า: "What's your Open Claw strategy?"

ในช่วงท้ายคลิป Tina Huang พูดถึงโอกาสของหมวดสินค้านี้ว่ามหาศาล และอ้างคลิปของ Jensen Huang จาก Nvidia ที่ตั้งคำถามกับซีอีโอบริษัทเทคทุกแห่งว่า "What's your Open Claw strategy?" โดยมองว่าทุกบริษัทจำเป็นต้องมีกลยุทธ์เรื่อง Local AI Agent ส่วนตัว คำแนะนำที่ Tina Huang ให้กับคนที่อยากคว้าโอกาสนี้คือ อย่าแค่ลองเล่น Open Claw และตั้ง Local AI Agent ขึ้นมา แต่ให้เรียนสร้าง AI Agent ของตัวเองด้วย เพราะการเข้าใจวิธีสร้าง agent เองทรงพลังกว่ามาก โดยเฉพาะเมื่อรวมกับทักษะ AI coding ที่ใช้เสริม agent เหล่านี้ได้ ทักษะสามอย่างนี้ ได้แก่ ใช้ Local AI Agent เป็น สร้าง agent เองเป็น และทำ AI coding เป็น คือชุดทักษะที่ Tina Huang ระบุว่าทรงพลังอย่างยิ่ง

Tip: สำหรับมือใหม่ชาวไทยที่ยังไม่เคยรัน agent เลย เส้นทางที่คลิปแนะนำคือเริ่มจาก Claude Cowork (no-code ปลอดภัย) ออกแบบ agent ตามกายวิภาค 7 อวัยวะข้างต้นทีละชิ้น และยึดหลัก paranoid ไว้ก่อนกับเพิ่มทีละ 1 feature ตั้งแต่วันแรก

ที่มา: Tina Huang: Local AI Agents In 26 Minutes (YouTube, 15 เม.ย. 2026)