ถ้าคุณเคยใช้ AI ผู้ช่วยเขียนโค้ดหรือ coding agent อย่าง Claude Code ที่รันผ่าน Terminal บนเครื่องตัวเอง คุณคงคุ้นเคยกับปัญหานี้ดี เวลาสั่งให้ agent ทำงานชิ้นยาวๆ ทิ้งไว้ แล้วต้องพับหน้าจอโน้ตบุ๊กเพื่อออกจากบ้าน ทุกอย่างที่กำลังทำอยู่ก็จะหยุดชะงักลงทันที

ทีมผู้พัฒนาเจอปัญหานี้กับตัวเองตอนที่พยายามสร้างแอปมือถือสำหรับสั่งงาน Claude Code และ Codex ของ OpenAI จากระยะไกล เพราะสุดท้ายตัว agent ก็ยังรันอยู่บนโน้ตบุ๊ก เมื่อปิดเครื่อง งานก็หยุดตามไปด้วย ครั้นจะย้ายไปรันบนพื้นที่ทำงานจำลองอย่าง Sandbox บนคลาวด์ ก็ต้องมาคอยซิงก์โค้ดและสถานะของ agent ข้ามเครื่องด้วยตัวเอง ทีมพัฒนาจึงมองว่าการรีโมตเข้ามาสั่ง agent บนเครื่องส่วนตัวไม่ใช่ทางออกในระยะยาว และตัดสินใจสร้าง Omnara ขึ้นมาตั้งแต่ต้น

README หน้าเอกสารแนะนำโครงการของ Omnara เปิดหัวด้วยประโยคเดียวว่า นี่คือทางเลือกที่ติดตั้งเองได้ แทน Claude Managed Agents ของ Anthropic และ Agents API ของ OpenAI พูดง่ายๆ คือเราตั้งแพลตฟอร์มรัน AI agent ไว้บนเซิร์ฟเวอร์ของตัวเอง แล้วใช้แทนบริการคลาวด์สองตัวนั้นได้

นั่นหมายความว่า เราสามารถสั่งงาน agent ผ่านช่องทางเชื่อมต่อคำสั่งอย่าง API แล้วปล่อยให้มันไปทำงานต่อเองบนเครื่องคอมพิวเตอร์หรือ Sandbox ที่เชื่อมต่อไว้ โดยตัว agent จะมีทั้งเครื่องมือ ระบบจัดการสิทธิ์ และหน่วยความจำมาให้พร้อมในตัว จุดต่างสำคัญคือ Omnara เป็นโอเพนซอร์สภายใต้สัญญาอนุญาต Apache 2.0 และเปิดให้เรานำไปติดตั้งบนเซิร์ฟเวอร์ของตัวเองได้ฟรี

เราสามารถเลือกใช้โมเดล AI ได้อย่างอิสระ รวมถึงโมเดลที่รันในเครื่องตัวเองผ่าน Ollama ในกระทู้เปิดตัวบน Hacker News เว็บบอร์ดเทคโนโลยีชื่อดัง โปรเจกต์นี้ได้รับความสนใจจนได้คะแนนโหวตไปถึง 111 คะแนน แต่ก่อนจะเข้าใจว่า Omnara สร้างขึ้นมาเพื่ออะไร เราต้องเริ่มจากทำความเข้าใจก่อนว่า Managed Agent ต่างจาก agent ทั่วไปที่เราใช้อยู่ทุกวันอย่างไร

เมื่อ Agent ไม่ได้ผูกติดกับเครื่องที่เปิดทิ้งไว้

Coding agent ส่วนใหญ่ที่เราใช้กันอยู่ทุกวันนี้ เช่น Claude Code หรือ Codex ล้วนทำงานในรูปแบบเดียวกัน คือรันลูปการทำงานทั้งหมดอยู่ภายในโปรแกรมตัวเดียวที่เปิดค้างไว้ในเครื่อง แล้วบันทึกทุกอย่างลงไฟล์ในเครื่องนั้น ถ้าเราปิดโปรแกรมหรือปิดเครื่อง ตัว agent ก็จะหยุดทำงานทันที

แต่ Managed Agent ทำงานตรงกันข้าม ตัว agent จะทำหน้าที่เป็นบริการที่รันอยู่บนเซิร์ฟเวอร์ โดยไม่ผูกติดกับคอมพิวเตอร์ที่เปิดอยู่ตรงหน้าเรา ใครก็สั่งงานมันได้ผ่าน API ทั้งการสั่งจากแอปพลิเคชันที่เราสร้างขึ้นมา จากบอทใน Slack หรือ Discord เมื่อมีคนเปิด PR บน GitHub หรือแม้กระทั่งตั้งเวลาให้มันตื่นขึ้นมาทำงานโดยอัตโนมัติทุกเช้า

หลายคนอาจสงสัยว่า Omnara เข้ามาแทนที่เครื่องมือตัวอื่นที่เราใช้อยู่หรือไม่ ตาราง "Where Omnara fits" ใน README ได้สรุปตำแหน่งของแต่ละกลุ่มเครื่องมือไว้ดังนี้

ดังนั้น ถ้างานของคุณมีขั้นตอนที่แน่นอนตายตัวและคาดเดาผลได้ทุกครั้ง เครื่องมืออย่าง n8n ย่อมตอบโจทย์มากกว่า แต่ Omnara จะคุ้มค่าทันทีสำหรับงานที่ต้องการให้ agent คิดและตัดสินใจเอง ต้องรันคำสั่งบนเครื่องจริง และต้องรักษาสถานะการทำงานค้างไว้ได้หลายวัน

บันทึกทุกขั้นตอนของ Agent ลงใน Postgres

กลไกสำคัญที่ทำให้ agent ของ Omnara ทำงานต่อได้แม้เครื่องจะดับ อยู่ที่การใช้ฐานข้อมูล PostgreSQL โดยทุกข้อความที่ส่งเข้าไป ทุกคำตอบจากโมเดล และทุกครั้งที่ agent เรียกใช้เครื่องมือ จะบันทึกเป็นแถวข้อมูลใหม่ต่อท้ายเข้าไปเรื่อยๆ โดยไม่เขียนทับ ข้อมูลเหล่านี้จึงทำหน้าที่เป็นสถานะการทำงานทั้งหมดของ agent ตัวนั้น

ส่วนการทำงานจริงจะขับเคลื่อนด้วย Worker ซึ่งเป็นโปรแกรมเบื้องหลังที่ไร้สถานะ Worker แต่ละตัวจะรับงานไปทำทีละรอบ ทั้งการเรียกโมเดลหนึ่งครั้ง หรือรันเครื่องมือตามที่โมเดลสั่งจากรอบก่อนหน้า เมื่อทำเสร็จ Worker จะบันทึกผลลัพธ์ทั้งหมดลง PostgreSQL ในคราวเดียว จากนั้นจะส่งต่องานของรอบถัดไปเข้าคิว เพื่อให้ Worker ตัวใดก็ได้ที่ว่างมารับไปทำต่อ

ลองนึกภาพว่าถ้า Worker ดับไปกลางคัน ผลลัพธ์ของรอบนั้นจะไม่บันทึกลงไปเลยแม้แต่น้อย และเมื่องานนั้นหมดเวลาจอง Worker ตัวอื่นก็จะหยิบงานรอบเดิมกลับไปทำใหม่ ตัว agent จึงไม่ต้องเริ่มนับหนึ่งใหม่ตั้งแต่ต้น เพราะประวัติและผลลัพธ์ของทุกรอบก่อนหน้ายังคงบันทึกอยู่ใน PostgreSQL อย่างสมบูรณ์

ประโยชน์ของการออกแบบนี้คือ ระหว่างที่ agent กำลังรอ เช่น รอผู้ใช้พิมพ์ตอบ รอผลลัพธ์จากเครื่องมือ หรือรอเวลาลองใหม่ ตัว agent จะไม่กินเวลาประมวลผลของ Worker เลยแม้แต่น้อย ผู้พัฒนาระบุว่าในช่วงเวลานั้น มันเป็นเพียงแค่ "แถวข้อมูลใน Postgres ที่ไม่มีอะไรเกิดขึ้น" จึงแทบไม่กินทรัพยากรระบบในตอนที่ไม่ได้ทำงาน ทำให้ Worker เพียงตัวเดียวดูแล agent พร้อมกันได้หลายพันตัว

เครื่องที่ Agent ใช้งาน ไม่ใช่เครื่องที่ตัวมันอยู่

กลไกสำคัญอีกส่วนหนึ่งคือการแยกเครื่องที่ใช้ทำงานออกจากตัวประมวลผล ฝั่ง Worker จะคิดและวางแผนอยู่บนเซิร์ฟเวอร์ ส่วนเครื่องที่ agent ใช้รันคำสั่งหรือแก้ไขไฟล์จะเป็นอีกเครื่องหนึ่ง จะเป็นโน้ตบุ๊ก macOS, Linux, เครื่อง Virtual Machine หรือคอนเทนเนอร์ก็ได้ ขอเพียงแค่รัน omnarad ซึ่งเป็นโปรแกรมเบื้องหลังขนาดเล็กเอาไว้ โดยโปรแกรมนี้จะเชื่อมต่อไปยังเซิร์ฟเวอร์ของ Omnara เอง คุณจึงไม่ต้องเปิดพอร์ตรับการเชื่อมต่อจากภายนอก และไม่ต้องแจกจ่าย SSH Key ให้เสี่ยง

Agent แต่ละตัวสามารถเชื่อมต่อเข้ากับเครื่องทำงานกี่เครื่องก็ได้ หรือจะไม่เชื่อมต่อเลยสักเครื่องก็ยังทำได้ ตัวอย่างที่ Kartik จากทีม Omnara เล่าไว้ในกระทู้ช่วยให้เห็นภาพชัดเจนมาก คือเขาเชื่อมต่อทั้งโน้ตบุ๊กและ Sandbox บนคลาวด์เข้ากับ agent ตัวเดียวกัน ระหว่างที่โน้ตบุ๊กเปิดอยู่ agent จะเขียนโค้ดลงบนโน้ตบุ๊ก โดยเขาสามารถคุยกับมันและตั้งให้มันส่งงานขึ้น GitHub เป็นระยะ แต่ทันทีที่พับหน้าจอโน้ตบุ๊ก พอ agent ตรวจพบว่าเครื่องหลุดการเชื่อมต่อ ก็จะดึงโค้ดล่าสุดลงมาที่ Sandbox บนคลาวด์แล้วทำงานต่อจากตรงนั้นทันที

สิ่งที่ใช้ส่งต่องานข้ามเครื่องในกรณีนี้คือ Git ซึ่งเป็นระบบบันทึกประวัติโค้ด ส่วนสิ่งที่ทำให้ agent ไม่ลืมว่ากำลังทำอะไรค้างไว้คือ PostgreSQL ทั้งสองอย่างนี้ทำหน้าที่แยกจากกันอย่างชัดเจน และเหตุผลที่ agent ยังคงทำงานต่อได้ไม่ใช่เพราะโน้ตบุ๊กยังเปิดอยู่ แต่เป็นเพราะตัวมันไม่ได้อยู่บนโน้ตบุ๊กมาตั้งแต่แรก

ในกระทู้เดียวกันก็มีคนตั้งข้อสังเกตว่า การที่ agent ทำงานต่อได้หลังการสะดุดไม่ใช่เรื่องแปลกใหม่ เพราะหน้าแชตบนเว็บทุกวันนี้ก็โหลดประวัติกลับมาคุยต่อได้อยู่แล้ว และการบันทึกลงไฟล์กับการเก็บลงฐานข้อมูลก็แทบไม่ต่างกัน ส่วนผู้พัฒนาเองเขียนไว้ในอีกความเห็นหนึ่งว่า ตัวรัน agent ทุกตัวต้องทนต่อการหยุดชะงักได้ตั้งแต่โครงสร้างหลัก และไม่เชื่อเรื่องการนำความทนทานมาเสริมทีหลัง แนวทางไหนจะดีกว่า คงต้องดูกันที่การใช้งานจริง

เปรียบเทียบ Omnara กับ Claude Managed Agents และ OpenAI Agents API

ทางทีมผู้พัฒนาสรุปข้อแตกต่างระหว่าง Omnara กับบริการที่ค่ายใหญ่โฮสต์ให้ไว้ใน README ดังนี้

README แนะนำไว้อย่างตรงไปตรงมาว่า ถ้าคุณใช้โมเดลของค่ายใดค่ายหนึ่งเป็นหลัก และต้องการให้ผู้ให้บริการคอยดูแลโครงสร้างพื้นฐานทั้งหมดให้ Claude Managed Agents หรือ Agents API ย่อมตอบโจทย์กว่า แต่ถ้าคุณต้องการอิสระในการเลือกโมเดลและเครื่องทำงาน ต้องการติดตั้งระบบเอง หรือต้องการเก็บข้อมูลทั้งหมดของ agent ไว้ในฐานข้อมูลของตัวเอง Omnara จะเป็นตัวเลือกที่เหมาะสมกว่า

(ถ้าต้องการทำความเข้าใจการทำงานฝั่ง Anthropic ก่อนตัดสินใจ เราเคยอธิบายกลไกไว้ในบทความ Claude Managed Agents แยกสมองออกจากมือ)

Omnara รองรับ API Key ของโมเดลทั้งจาก OpenAI, Anthropic, OpenRouter, Amazon Bedrock, LiteLLM และ Ollama หรือระบบใดก็ตามที่เปิด API ในรูปแบบเดียวกับ OpenAI และ Anthropic รวมถึงโมเดล AI ที่เราโฮสต์ใช้งานเองด้วย

ตัวอย่างงานจริงที่นำ Agent มาช่วยทำได้ทุกวัน

ในโฟลเดอร์ examples ของโปรเจกต์ มีตัวอย่าง agent สำเร็จรูปเตรียมไว้ให้ใช้งาน โดยแต่ละตัวจะมาเป็นไฟล์คู่กัน คือ agent.yaml สำหรับกำหนดโมเดลและเครื่องที่ใช้งาน กับไฟล์ SKILL.md ที่สั่งให้ coding agent ติดตั้งตามได้ทันทีด้วยคำสั่งเดียว ส่วนตัวอย่างที่เห็นภาพการทำงานจริงได้ชัดเจนที่สุด มี 4 ตัว ได้แก่:

• บอทช่วยเขียนโค้ดใน Slack: เมื่อมีคนแจ้งปัญหาเข้ามาใน Slack, Discord หรือใน Pull Request บน GitHub ตัวบอทจะเข้าไปแก้ไขโค้ดและเปิด PR ส่งกลับมาให้
• Agent สำหรับรีวิว PR: อ่านและตรวจโค้ดที่เปลี่ยนไปเทียบกับโปรเจกต์จริง พร้อมเขียนความเห็นแนะนำลงไปทีละบรรทัด
• Agent สรุปโพสต์จาก Reddit, X และ LinkedIn: รวบรวมและสรุปประเด็นสำคัญที่มีคนโพสต์ในรอบ 24 ชั่วโมงตามหัวข้อที่เราสนใจ ผู้พัฒนาบอกในกระทู้ว่าตัวนี้ใกล้เคียงกับสิ่งที่ทีมใช้เองอยู่ ซึ่งไล่ดูโซเชียลรายวันตามคำค้นแล้วส่งข้อความสรุปให้ทีม
• Agent อ่านและวิเคราะห์ข้อมูลจากระบบสถิติอย่าง PostHog: ดึงข้อมูลการใช้งานแอปของเมื่อวานมาเทียบกับค่าเฉลี่ย 7 วันย้อนหลัง แล้วสรุปรายงานให้เห็นว่ามีตัวเลขส่วนไหนที่เปลี่ยนแปลงไปบ้าง

สำหรับการใช้งานใน Slack และ Discord เพียงแค่แท็กเรียกบอท ระบบจะเปิด agent ขึ้นมาทำงานในเธรดนั้นทันที ตัวบอทตอบคำถาม ถามข้อมูลเพิ่มเติม และขออนุมัติการทำงานจบในเธรดเดิมได้ทันที ส่วนบน GitHub ตัว agent เริ่มทำงานอัตโนมัติได้เมื่อมีคนเปิด PR ใหม่ หรือแท็กเรียกมัน

ขั้นตอนการขออนุมัตินี้ออกแบบมาเพื่อความปลอดภัยในการใช้งานจริง โดยเครื่องมือทุกชิ้นที่ agent เรียกใช้สามารถกำหนดสิทธิ์ได้ 3 ระดับ ได้แก่: รันคำสั่งทันที, ต้องถามคนก่อนรัน หรือห้ามใช้โดยเด็ดขาด ในการสั่งให้บอทเข้าไปแก้โค้ดในระบบจริง คุณจึงเป็นคนเลือกระดับความปลอดภัยได้เอง ถ้ากำหนดให้ถามทุกครั้งก็จะปลอดภัยที่สุดแต่ต้องคอยกดอนุมัติบ่อย หรือถ้าตั้งให้รันทันทีทั้งหมดก็จะได้ความสะดวกรวดเร็ว แต่ก็ต้องมั่นใจในตัว agent อย่างเต็มที่เช่นกัน

วิธีเริ่มต้นใช้งาน: แบบเร็วผ่าน Cloud หรือติดตั้งเอง

ทางที่ 1: เริ่มต้นอย่างรวดเร็วผ่าน Omnara Cloud

เริ่มต้นด้วยการเข้าสู่ระบบที่ Omnara Cloud ในโปรเจกต์แรก ระบบจะเตรียมผู้ให้บริการโมเดล (omnara-openrouter) และกลุ่ม Sandbox เริ่มต้น (default-pool) ไว้ให้พร้อมใช้งาน จากนั้นให้บันทึกไฟล์คอนฟิกนี้ในชื่อ agent.yaml:

version: v1
instruction: |
  You are an engineering assistant. Use your machine to run commands.
model:
  provider_config: omnara-openrouter
  name: anthropic/claude-fable-5.1
machine_sources:
  - machine_pool_name: default-pool

จากนั้นสั่งรัน agent ผ่าน CLI ซึ่งเป็นเครื่องมือสั่งงานด้วยข้อความ ตามคำสั่งด้านล่าง (ต้องใช้ Node.js เวอร์ชัน 22 ขึ้นไป) ถ้าคุณยังไม่ได้เข้าสู่ระบบ คำสั่งนี้จะเปิดหน้าต่างเบราว์เซอร์ขึ้นมาให้ล็อกอินก่อน:

npx omnara agents launch --file agent.yaml --name "Machine assistant" --message "Report this machine's operating system and free disk space."

ตัว agent จะรายงานระบบปฏิบัติการและพื้นที่ว่างบนดิสก์ของเครื่องที่มันใช้งาน ถ้าต้องการพิมพ์คุยโต้ตอบต่อใน Terminal สามารถใช้คำสั่ง npx omnara agents chat <agent-id> หรือจะเปิดดูบนหน้า Dashboard เพื่อตรวจสอบว่ามันเรียกใช้เครื่องมืออะไรไปบ้างก็ได้เช่นกัน

ถ้าไม่อยากทำตามทีละขั้นตอนด้วยตัวเอง คุณสามารถส่ง Prompt ด้านล่างนี้ให้ coding agent ที่คุณใช้อยู่ เพื่อให้มันตั้งค่าตามคู่มือแบบอัตโนมัติ:

Help me set up Omnara by following https://www.omnara.com/SKILL.md

ทางที่ 2: ติดตั้งบนเครื่องตัวเองด้วย Docker Compose

สำหรับวิธีนี้ คุณจะต้องมี Docker และ Docker Compose ติดตั้งอยู่ในเครื่องก่อน จากนั้นให้รันคำสั่ง 3 บรรทัดนี้:

git clone https://github.com/omnara-ai/omnara.git
cd omnara
docker compose -f compose.yaml --profile app up -d

เมื่อรันเสร็จแล้ว ให้เปิดเบราว์เซอร์ไปที่ http://localhost:8000 แล้วสมัครบัญชีผู้ใช้ ลิงก์ยืนยันตัวตนจะแสดงขึ้นมาในคอนโซล ซึ่งคุณเปิดดูได้ด้วยคำสั่ง docker compose logs api โดยไม่ต้องเสียเวลาตั้งค่าระบบส่งอีเมล

จุดที่หลายคนมักพลาดคือ ระบบที่เพิ่งติดตั้งใหม่จะยังไม่มีทั้งโมเดลและเครื่องที่เชื่อมต่อไว้ คุณต้องเข้าไปที่หน้าคอนโซลเพื่อเพิ่มผู้ให้บริการโมเดล และเลือกโมเดลที่ต้องการใช้งานก่อน จากนั้นไปที่เมนู Machines เพื่อเชื่อมต่อเครื่องนี้เข้ากับระบบ แล้วแชร์ทั้งสองอย่างให้กับโปรเจกต์ของคุณ ก่อนจะตั้งค่าให้ CLI ชี้มายังเครื่องนี้แล้วล็อกอิน:

npx omnara config --api-url http://localhost:8000/api/v1 --issuer-url http://localhost:8000
npx omnara login

หลังจากนั้น ในไฟล์ agent.yaml ให้ระบุชื่อผู้ให้บริการและโมเดลของคุณเอง พร้อมทั้งเปลี่ยนบรรทัด machine_pool_name เป็น machine_name: <ชื่อเครื่องของคุณ> แล้วสั่งรันด้วยคำสั่ง launch เดิมได้ทันที

ทั้งสองทางเลือกนี้ขึ้นอยู่กับว่าใครเป็นผู้ดูแลระบบ ถ้าใช้ Cloud คุณจะเริ่มต้นได้เร็วกว่ามาก แต่ข้อมูลประวัติของ agent จะเก็บไว้ที่ Omnara ส่วนการติดตั้งเอง คุณจะต้องเป็นผู้ดูแลเซิร์ฟเวอร์ด้วยตัวเอง แลกกับการที่ข้อมูลประวัติทุกขั้นตอนจะเก็บอยู่ใน PostgreSQL ของคุณเอง ซึ่งสะดวกต่อการนำไปวิเคราะห์ ทำสถิติ หรือทดสอบพัฒนา agent ต่อในอนาคต

วิธีเชื่อมต่อ Omnara เข้ากับ Claude Code หรือ Codex

Omnara มีบริการ MCP Server อยู่ที่ app.omnara.com ซึ่งเป็นช่องทางมาตรฐานที่ช่วยให้ AI เรียกใช้เครื่องมือภายนอก ทำให้คุณเชื่อมต่อไปยัง coding agent ได้ง่ายๆ ด้วยคำสั่งเพียงบรรทัดเดียว:

claude mcp add --transport http omnara https://app.omnara.com/mcp

codex mcp add omnara --url https://app.omnara.com/mcp

จากนั้นพิมพ์ /mcp ใน Claude Code หรือรันคำสั่ง codex mcp login omnara ใน Codex เพื่อเข้าสู่ระบบ ส่วนโปรแกรมเขียนโค้ดอย่าง Cursor หรือเครื่องมืออื่นๆ ที่รองรับ MCP ผ่านระบบยืนยันตัวตนอย่าง OAuth ก็สามารถเชื่อมต่อได้เช่นเดียวกัน

ใครที่เหมาะจะเริ่มใช้งาน และใครที่ยังไม่ต้องรีบ

ประโยคที่สรุปเรื่องนี้ได้ตรงประเด็นที่สุด มาจากคำพูดของผู้พัฒนาเองในกระทู้ว่า "ถ้าไม่ได้จะสั่งงาน agent ผ่าน API ก็อาจยังไม่จำเป็นต้องใช้ Omnara"

เพราะ Omnara คือโครงสร้างพื้นฐานสำหรับสร้างและนำ AI agent ไปฝังไว้ในระบบงานหรือผลิตภัณฑ์ของคุณเอง ไม่ใช่แอปสำหรับเปิดคุยทั่วไป หน้า Dashboard มีไว้สำหรับตรวจสอบระบบเท่านั้น ส่วนหน้าจอที่ผู้ใช้งานจริงจะเห็น คุณจะต้องเป็นคนสร้างขึ้นมาเอง

คนที่ควรเริ่มต้นลองใช้งานในวันนี้ จึงเป็นทีมที่ต้องการให้ agent คอยรับงานจากแอปพลิเคชัน จาก Slack หรือทำงานตามตารางเวลาที่กำหนด ตลอดจนทีมที่ต้องการอิสระในการเลือกใช้โมเดล หรือต้องการเก็บข้อมูลทั้งหมดของ agent ไว้ในฐานข้อมูลของตัวเอง แต่ถ้าทุกวันนี้คุณเปิดคุยกับ Claude Code บนหน้าจอแล้วงานเดินหน้าไปด้วยดีอยู่แล้ว ก็ยังไม่จำเป็นต้องเปลี่ยนมาใช้ระบบนี้

เรื่องค่าใช้จ่ายก็ต้องแยกแยะให้ชัดเจน ตัวแพลตฟอร์มเปิดให้ติดตั้งเองได้ฟรี ส่วนบนคลาวด์ก็ไม่มีค่าธรรมเนียมแพลตฟอร์มถ้าคุณนำ API Key และเครื่องคอมพิวเตอร์มาใช้เอง แต่ค่าใช้งานโมเดล AI คุณยังคงต้องจ่ายเองตามจริงในอัตราของผู้ให้บริการ API เจ้านั้นๆ

เมื่อเปลี่ยนมาใช้ Omnara คำถามจึงเปลี่ยนไป จากเดิมที่สงสัยว่า "ตัว agent กำลังรันอยู่บนเครื่องไหน" กลายเป็น "วันนี้เรามีเครื่องไหนเตรียมไว้ให้มันหยิบไปใช้งานได้บ้าง"

ที่มา:

• โปรเจกต์ Omnara บน GitHub
• บทความ Show HN: Omnara – Open-source alternative to Claude Managed Agents จาก Hacker News