ผู้ช่วยสร้าง CI ด้วย GitHub Actions

ข้อมูลที่ต้องเตรียม

หัวข้อ “Inputs to request” ระบุไว้ว่าจะขออะไรจากคุณ ถ้ายังไม่มี AI จะถามกลับก่อน

ระดับความพร้อม: ต้องเตรียมข้อมูลก่อน

ต้องมีข้อมูลจริงมาด้วย — ตัวเลข ร่างงาน หรือสถานการณ์ของคุณ รันโดยไม่ใส่บริบทจะได้คำตอบกลาง ๆ

เครื่องมือและภาษา

ใช้ได้กับผู้ช่วย AI ทุกตัวที่รับข้อความยาว Skill.md ได้ผลเต็มที่กับผู้ช่วยที่โหลดไฟล์ทักษะได้ ไฟล์เป็นภาษาอังกฤษอย่างเดียว คุยต่อเป็นไทยได้ แต่อย่าแปลตัวไฟล์

ใครควรใช้

System Admin, DevOps นอกกลุ่มนี้ควรใช้ผลเป็นจุดตั้งต้น ไม่ใช่คำตอบสุดท้าย

กรอบงานที่วางไว้ให้ AI

ไม่ประกาศบทบาท แต่วางกรอบงานทันทีในบริบทของโครงสร้างระบบและ DevOps เหมาะกับงานที่โจทย์ชัดอยู่แล้ว

โครงสร้างของคำสั่ง ทีละส่วน

แต่ละหัวข้อวางไว้แก้คนละจุด

• Inputs to request — เก็บข้อมูลที่ AI ไม่มีทางเดาเองได้
• Best practices you apply — เพิ่มรายละเอียดเฉพาะของงานนี้ (5 ข้อย่อย)
• Anti-hallucination rules — บังคับให้ AI ยอมรับเมื่อไม่รู้ แทนที่จะเดา
• Output format — ล็อกหน้าตาของผลลัพธ์ (แบ่งเป็น 4 ขั้น)

ทำไมถึงได้ผลนิ่งกว่าการพิมพ์ถามเอง

ยาวไม่ได้แปลว่าดี สิ่งที่ทำให้ผลนิ่งคือไม่เหลือช่องให้ AI เดา

• มีส่วน “ข้อมูลที่ต้องขอ” ระบุไว้ชัด AI จึงถามกลับแทนที่จะเดา
• กำหนดรูปแบบผลลัพธ์ไว้ล่วงหน้า นำไปใช้ต่อได้เลย ไม่ต้องจัดรูปแบบใหม่
• มีกติกาห้ามกุข้อมูลเขียนไว้ตรง ๆ ลดการแต่งตัวเลขและแหล่งอ้างอิง
• ตัวแปร 5 จุด ปรับไปใช้กับงานของคุณได้โดยไม่ต้องเขียนใหม่

Guardrails มาตรฐานที่ติดมาด้วย

ท้ายไฟล์มีบล็อก Guardrails มาตรฐาน — กรอกตัวแปรให้ครบ บอกตรง ๆ เมื่อข้อมูลไม่พอ และคุมโทนให้อยู่ในกรอบ

ขั้นที่ 1 — เปิดไฟล์และเลือกเครื่องมือ

วางไฟล์ในโฟลเดอร์ skills ของผู้ช่วยที่คุณใช้ — โหลดเป็นทักษะถาวร ไม่ใช่วางในแชทครั้งเดียว ใช้ได้ทั้ง ChatGPT, Claude และ Gemini

ขั้นที่ 2 — แทนค่าในวงเล็บทั้ง 5 จุด

มีช่องในวงเล็บ 5 จุด แต่ละจุดคือข้อมูลที่ AI เดาแทนคุณไม่ได้ ปล่อยไว้ตามเดิมจะได้คำตอบกลาง ๆ

ขั้นที่ 3 — รันและอ่านผล

AI จะรับบทเป็น DevOps Engineer / System Architect แล้วทำงานตามกรอบที่ไฟล์วางไว้ ถ้าข้อมูลไม่ครบ AI จะถามกลับก่อน — นั่นคือคำสั่งทำงานถูกต้อง ไม่ใช่ข้อผิดพลาด

แก้ตรงไหนเมื่อผลลัพธ์ไม่ตรงใจ

แต่ละหัวข้อคุมพฤติกรรมคนละอย่าง แก้ทีละหัวข้อแล้วรันใหม่ ถ้ารื้อพร้อมกันหลายจุด จะไม่รู้ว่าอะไรได้ผล

ตัวแปรที่ต้องกรอกก่อนใช้งาน

แทนช่องในวงเล็บด้วยข้อมูลของคุณ ยิ่งเจาะจงยิ่งใช้ได้จริง

• [Language/stack + version]
• [what the pipeline should do: lint/test/build/deploy]
• [triggers: push/PR/tag/schedule]
• [deploy target, if any]
• [secrets needed]

ปรับความเข้มของข้อกำหนด

ข้อกำหนดคือคันบังคับถัดไป แก้ครั้งละจุดแล้วเทียบผล

• แก้หัวข้อ “Output format” เพื่อเปลี่ยนหน้าตาผลลัพธ์ เช่น เปลี่ยนเป็นตาราง หรือกำหนดความยาว
• ระบุกลุ่มผู้อ่านให้แคบลง เช่น จาก “ลูกค้าทั่วไป” เป็น “เจ้าของร้านอายุ 30–45 ปีที่ไม่ถนัดศัพท์เทคนิค”
• เติมบรรทัดกำหนดโทนเอง เช่น “เขียนแบบเป็นกันเอง ไม่ใช้ศัพท์เทคนิค” — ไฟล์นี้ยังไม่ล็อกโทนไว้

คำสั่งนี้ต้องเตรียมข้อมูลก่อน

กรอกทุกวงเล็บให้ครบก่อนส่ง ส่งทั้งที่ยังว่างจะได้ผลกลาง ๆ ที่ต้องมาแก้อยู่ดี

ต่อเป็น Workflow หลายขั้น

เอาผลจากคำสั่งนี้ไปเป็นข้อมูลตั้งต้นของคำสั่งถัดไปในหมวดโครงสร้างระบบและ DevOps ร่างก่อนแล้วค่อยส่งต่อให้ตรวจ ได้ผลดีกว่าสั่งทุกอย่างรอบเดียว

ข้อควรรู้เฉพาะไฟล์ Skill.md

ไฟล์นี้เป็น Skill.md ซึ่งตัวเนื้อหาเป็นภาษาอังกฤษโดยตั้งใจ เพราะเป็นไฟล์ที่ AI Agent อ่านเพื่อโหลดความสามารถ ไม่ใช่ข้อความที่คนอ่าน ถ้าจะแก้ ให้คงส่วน frontmatter ด้านบน (บรรทัด name และ description) ไว้ตามเดิม เพราะระบบใช้สองบรรทัดนี้ในการค้นหาและเรียกใช้สกิล ส่วนเนื้อหาด้านล่างแก้ได้อิสระ

หน้าตาของคำตอบ

หัวข้อ “Output format” ล็อกรูปแบบไว้ ผลจึงมีโครงเดิมทุกครั้ง

• คืน Workflow ที่มีแคช action ที่ pin + โน้ต secrets

สิ่งที่คำสั่งนี้จะไม่ทำ

ข้อจำกัดเหล่านี้ตั้งใจใส่ไว้ — คำตอบที่ยอมบอกว่าไม่รู้ มีประโยชน์กว่าคำตอบที่มั่นใจแต่ผิด

• “Anti-hallucination rules” บังคับให้ AI ยอมรับเมื่อข้อมูลไม่พอ แทนที่จะแต่งขึ้นเอง
• ท้ายไฟล์มีกติกามาตรฐาน — ไม่กุข้อมูล ไม่แทนผู้เชี่ยวชาญ และบอกขอบเขตของตัวเอง

วิธีดูว่ารอบนี้ได้ผลดีหรือยัง

สัญญาณของรอบที่ดี คือคำตอบอ้างอิงข้อมูลที่คุณให้จริง ไม่ใช่ตัวอย่างสมมติ ถ้า AI ถามกลับ แปลว่าคำสั่งทำงานถูกต้อง คำตอบที่กว้างจนใช้กับใครก็ได้ มักเกิดจากวงเล็บที่ยังไม่ได้แทนค่า