วิเคราะห์เคสระบบความจำของ Tencent WorkBuddy: ซิงก์ข้ามอุปกรณ์ ไฟล์กฎลับ และเหตุผลที่ Ask/Craft/Plan เริ่มเหมือนการฝึก AI ให้เป็นคู่หูระยะยาว

ถ้าบทความ WorkBuddy ก่อนหน้านี้มักเน้นคำถามอย่าง:

• มันเข้าไปช่วยงานโรงงานได้ไหม
• มันต่อกับเวิร์กโฟลว์ฝั่งเอกสารและระบบได้หรือเปล่า
• มันไปไกลกว่าแชตบอตทั่ว ๆ ไปแค่ไหน

บทความนี้อยากตอบอีกคำถามหนึ่งที่สำคัญขึ้นเรื่อย ๆ:

ทำไมคนที่ใช้ WorkBuddy บางคนยิ่งใช้ยิ่งลื่น เหมือนกำลังฝึกคู่หู AI ที่รู้จังหวะการทำงานของตัวเอง แต่บางคนกลับยังรู้สึกว่ามันเป็นแค่เครื่องมือที่ช่วยเป็นครั้งคราว?

ผมหยิบบทความสาธารณะที่น่าสนใจหลายชิ้นจาก Tencent Cloud Developer Community มาประกอบกันใหม่ โดยดูอยู่ 3 แกนหลัก:

1. การตั้งค่าครั้งแรก
2. ระบบความจำ
3. การซิงก์ข้ามอุปกรณ์

หลังอ่านรวมกันแล้ว ข้อสรุปของผมค่อนข้างตรงไปตรงมา:

สิ่งที่ทำให้ WorkBuddy ดูใกล้กับสภาพแวดล้อมงานจริง ไม่ใช่แค่มันทำงานสำเร็จหรือไม่ แต่คือมันเริ่มมีโครงระยะยาวครบชุด ทั้งโฟลเดอร์ทำงาน ไฟล์ความจำ กฎพฤติกรรม และการซิงก์หลายอุปกรณ์

สรุปสั้นก่อน

• ณ วันที่ 29 มิถุนายน 2026 สัญญาณสาธารณะที่น่าจับตาที่สุดของเส้นทางเวิร์กโฟลว์ขั้นสูงใน WorkBuddy อยู่ที่ 5 เรื่อง:

  1. โฟลเดอร์ทำงานเริ่มต้นและการตั้งค่าพื้นฐาน
  2. ระบบความจำ AI ที่อัปเดตต่อเนื่อง
  3. โหมดงาน 3 แบบคือ Ask Craft และ Plan
  4. ไฟล์กฎลับ IDENTITY.md SOUL.md และ USER.md
  5. การซิงก์ความจำข้ามอุปกรณ์ด้วยคลาวด์ไดรฟ์และสคริปต์อัตโนมัติ

• สิ่งที่ต่างจาก AI สำหรับงานออฟฟิศทั่วไป ไม่ใช่แค่เขียนเก่งกว่า แต่คือ:

  • มันเริ่มจำได้ว่าคุณเป็นใคร
  • มันเริ่มเข้าใจว่าคุณทำงานแบบไหน
  • มันเริ่มพก context เดิมไปต่อบนอีกเครื่องได้

• ถ้างานของคุณเป็นแนวนี้:

  • เวิร์กโฟลว์บนเดสก์ท็อปที่ใช้บ่อย
  • agent task แบบยาวต่อเนื่อง
  • การสลับทำงานหลายอุปกรณ์
  • งานที่ผสมไฟล์ในเครื่องเข้ากับงานอัตโนมัติ

  เคสพวกนี้มีประโยชน์กว่าการไล่ดูตารางจัดอันดับโมเดลทั่ว ๆ ไป

ทำไม "มันจำคุณได้" ถึงสำคัญกว่า "มันตอบคุณได้"

ความผิดพลาดที่เจอบ่อยมากตอนคนเริ่มใช้ WorkBuddy คือ:

• ติดตั้งเสร็จแล้วโยนงานให้ทันที
• กระโดดเข้า Craft เลย
• คิดว่า AI จะเดาเวิร์กโฟลว์ของเราออกเอง

แต่ประสบการณ์ระยะยาวมักไม่ได้ขึ้นกับว่างานแรกสำเร็จไหม มันขึ้นกับเรื่องแบบนี้มากกว่า:

• มันรู้หรือยังว่าโฟลเดอร์ทำงานเริ่มต้นของคุณอยู่ตรงไหน
• มันจำ preference ของคุณได้หรือเปล่า
• มันเข้าใจสไตล์การทำงานประจำของคุณแค่ไหน
• พอเปลี่ยนเครื่องแล้วมันลืมทุกอย่างไหม

พูดอีกแบบคือ ช่องว่างที่แท้จริงไม่ได้เกิดจากบทสนทนาดี ๆ ครั้งเดียว แต่เกิดจากเรื่องนี้:

คุณเปลี่ยนมันจาก "เครื่องมือ" ให้กลายเป็น "คู่หูที่มีความต่อเนื่อง" ได้หรือยัง

เคส 1: ขั้นแรกไม่ใช่สั่งงาน แต่ต้องตั้งค่าโฟลเดอร์ทำงาน ความจำ และโหมดให้ถูกก่อน

บทความสาธารณะที่ชัดที่สุดในเส้นนี้คือ:

WorkBuddy - 设置篇，第一件事不是让它干活（手把手教你基本设置 新手必看）

บทความนี้มีค่าน่าอ่านเพราะไม่ได้พูดกว้าง ๆ แต่ชี้จุดที่มือใหม่พลาดบ่อยได้ตรงมาก

1.1 ตั้งค่าโฟลเดอร์ทำงานเริ่มต้นตั้งแต่แรก และอย่ากองทุกอย่างไว้ที่ไดรฟ์ระบบ

หนึ่งในคำเตือนที่ใช้งานได้จริงที่สุดในบทความคือ:

• ควรกำหนดตำแหน่งเวิร์กสเปซเริ่มต้นให้เร็ว
• ถ้าใช้ Windows อย่าปล่อยให้ทุกอย่างไปกองอยู่ที่ C:

ฟังดูธรรมดา แต่สะท้อนการใช้งานเอเจนต์บนเดสก์ท็อปจริงมาก เพราะพองานเริ่มเยอะ ไฟล์ที่สร้างขึ้น แคช และโปรเจกต์จะสะสมเร็วมาก ถ้าไม่วางโครงโฟลเดอร์ไว้ตั้งแต่ต้น สภาพแวดล้อมจะรกเร็วแบบหลีกเลี่ยงยาก

นี่ไม่ใช่เทคนิคขั้นสูง แต่มันคือ:

สุขอนามัยพื้นฐานของงานปฏิบัติการสำหรับเอเจนต์บนเดสก์ท็อปที่ตั้งใจใช้ระยะยาว

1.2 ระบบความจำไม่ใช่ของประดับ แต่มันถูกออกแบบให้ดีขึ้นเรื่อย ๆ

บทความเดียวกันพูดชัดว่าควรเปิดฟีเจอร์ความจำเอาไว้

คำอธิบายสาธารณะก็ตรงไปตรงมา:

• ความจำจะอัปเดตต่อไปตามบทสนทนาและงานที่ทำ
• agent จะค่อย ๆ เข้าใจคุณมากขึ้น
• คุณกลับมาตรวจ แก้ ลบ หรือเพิ่มรายการความจำได้เป็นระยะ

จุดนี้สำคัญ เพราะมันบอกว่า memory ของ WorkBuddy ไม่ใช่สวิตช์สวย ๆ ในหน้า UI แต่ถูกออกแบบให้เป็นสิ่งที่:

สะสมได้ระยะยาว ตรวจทานได้ และแก้ไขได้

1.3 Ask / Craft / Plan ไม่ใช่ปุ่มย่อยใน UI แต่คือเส้นแบ่งความเสี่ยง

คำอธิบายของ 3 โหมดในบทความนี้ควรเก็บไว้ครบ:

• Ask: อ่านอย่างเดียว ไม่เขียนไฟล์
• Craft: ลงมือแก้หรือสร้างไฟล์โดยตรง
• Plan: สรุปแผนก่อน แล้วค่อยทำหลังยืนยัน

เรื่องนี้สำคัญมาก เพราะผู้ใช้ใหม่จำนวนไม่น้อยจะพุ่งเข้า Craft ทันที แต่คำแนะนำสาธารณะของเขาจัดลำดับไว้ชัดเจนว่า:

• ถ้าเพิ่งเริ่ม ให้เริ่มจาก Ask
• ถ้างานซับซ้อน ให้ใช้ Plan ก่อน
• ค่อยใช้ Craft เมื่อเริ่มรู้ขอบเขตและผลกระทบแล้ว

จริง ๆ แล้วนี่คือการเปลี่ยนความเสี่ยงจากการใช้ AI ให้กลายเป็นเวิร์กโฟลว์บนเดสก์ท็อปที่ควบคุมได้ง่ายขึ้น

เคส 2: จุดที่เริ่มเหมือน "ฝึกเพื่อนร่วมงาน" จริง ๆ คือการเขียนไฟล์ identity, soul และ user

ส่วนที่น่าสนใจที่สุดของบทความตั้งค่าเดียวกัน คือโฟลเดอร์ซ่อน .workbuddy

พาธที่บทความสาธารณะระบุไว้คือ:

• ~/.workbuddy/ บน Mac และ Linux
• C:\\Users\\your-name\\.workbuddy\\ บน Windows

และในโฟลเดอร์นี้ ไฟล์สำคัญที่สุดมี 3 ไฟล์:

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md: มันคือใคร

บทความอธิบายไฟล์นี้ค่อนข้างชัด ว่าใช้ระบุเรื่องอย่าง:

• ชื่อ
• บทบาท
• โฟกัสหลัก
• ขอบเขตความสามารถ

นั่นแปลว่าบุคลิกของ WorkBuddy ไม่ได้ขึ้นกับคำสั่งชั่วคราวอย่างเดียว แต่นิยามและเก็บไว้แบบถาวรได้

2.2 SOUL.md: มันควรพูดและทำงานแบบไหน

ไฟล์นี้ใกล้เคียงกับชั้นกฎพฤติกรรมมากกว่า ตัวอย่างที่บทความยกมามีเช่น:

• เน้นความกระชับ
• สรุปข้อสรุปก่อน
• ถ้าเป็นงานเสี่ยงต้องยืนยันก่อนเสมอ
• ถ้าพลาดให้บอกปัญหาตรง ๆ ไม่ต้องขอโทษยืดยาว

เมื่อถึงจุดนี้ มันไม่ใช่แค่การตั้งค่าแชตอีกต่อไป แต่มันกำลังกำหนดว่า:

คุณอยากให้ agent ตัวนี้ทำตัวเหมือนเพื่อนร่วมงานแบบไหนในทุกวัน

2.3 USER.md: แล้วคุณคือใคร

ไฟล์นี้คือส่วนที่ใช้บอก AI เรื่องอย่าง:

• พื้นหลังของคุณ
• วิธีทำงานของคุณ
• ความชอบและข้อกำหนดส่วนตัว

เพราะแบบนี้เอง ผมจึงมองว่าจุดที่ WorkBuddy ดูใกล้กับการตั้งค่างานระดับใช้งานจริงมากที่สุด ไม่ใช่แค่ตัวเลือกโมเดล แต่คือ:

ความสัมพันธ์ระหว่างคนกับ agent ถูกเขียนลงไฟล์อย่างเป็นระบบ

มันเสถียรกว่าการพิมพ์ในแชตว่า "ครั้งต่อไปช่วยทำแบบนี้เสมอ" มาก

เคส 3: หลังใช้ไป 40 วัน สิ่งที่ทำให้มันเปลี่ยนจากเครื่องมือเป็นคู่หู ไม่ใช่แค่โมเดลเก่งขึ้น แต่คือ memory และ rules เริ่มทำงาน

อีกบทความสาธารณะที่ควรดึงเข้ามาอยู่ในภาพเดียวกันคือ:

当 AI 开始记住你是谁——我与 WorkBuddy 共处 40 天的真实体感

คุณค่าของบทความนี้อยู่ตรงที่มันไม่ใช่คู่มือ แต่เป็นข้อสังเกตจากการใช้งานจริงระยะยาว

จากสารบัญสาธารณะและสรุปที่ค้นหาได้ โครงหลักของบทความนี้มีประมาณนี้:

• ตั้งกติกาก่อน
• สร้างระบบความจำ
• ตั้งค่างานอัตโนมัติ
• ทำงานข้ามอุปกรณ์
• สรุปสิ่งที่พลาดและสิ่งที่ต้องระวัง

ผมเห็นด้วยกับข้อสรุปหลักของบทความนี้มาก:

AI จะไปได้ไกลแค่ไหน ไม่ได้ขึ้นกับความเก่งของโมเดลอย่างเดียว แต่ขึ้นกับว่าคุณยอมใช้เวลาฝึกมันมากแค่ไหน

ประโยคนี้ใช้กับ WorkBuddy ได้พอดี เพราะคนจำนวนมากยังมอง agent เป็นเครื่องมือใช้แล้วจบ แต่บทความนี้เสนอวิธีใช้คนละแบบ:

• ไม่เริ่มจากศูนย์ใหม่ทุกครั้ง
• แต่ค่อย ๆ ปรับคาลิเบรตมันต่อเนื่อง

มุมนี้ทำให้มันเหมือนการฝึกผู้ร่วมงานระยะยาว มากกว่าการเรียกใช้ interface ชั่วคราว

เคส 4: การซิงก์ความจำข้ามอุปกรณ์ คือจุดที่ context เริ่มกลายเป็นทรัพย์สิน

ถ้าสองบทความแรกเน้นการใช้งานบนเครื่องเดียว บทความที่สามดัน WorkBuddy ไปสู่เวิร์กโฟลว์แบบหลายอุปกรณ์ชัดขึ้น:

把 WorkBuddy 的记忆带上每一台设备——跨设备记忆同步完整教程 #WorkBuddy

รายละเอียดสาธารณะที่น่าสนใจในบทความนี้มีหลายข้อ:

• เป้าหมายคือแก้ปัญหา ความจำไม่ตรงกันระหว่างอุปกรณ์
• วิธีคือใช้ คลาวด์ไดรฟ์ + สคริปต์อัตโนมัติ
• ในบทความระบุชื่อคลาวด์ยอดนิยมอย่าง OneDrive ชัดเจน
• เคลมว่าสามารถตั้งค่าเสร็จได้ใน 15 นาที
• สิ่งที่ซิงก์หลัก ๆ มี:
  • บันทึกงาน
  • ค่าที่ผู้ใช้ตั้งไว้
  • ข้อมูลพื้นหลังของโปรเจกต์

นั่นทำให้ประเด็นไม่ใช่แค่ "จะทำให้มันเข้าใจเราดีขึ้นบนเครื่องเดียวได้ยังไง" อีกต่อไป แต่กลายเป็น:

ถ้าเปลี่ยนไปอีกเครื่อง มันจะทำงานต่อเหมือนไม่เคยหลุด context ได้หรือเปล่า

4.1 สิ่งที่เหมือนสภาพแวดล้อมงานจริงที่สุด ไม่ใช่ตัวสคริปต์ แต่คือสิ่งที่เลือกจะซิงก์

เวลาคนได้ยินคำว่า sync script มักโฟกัสที่วิธีทำก่อน แต่ในมุมปฏิบัติการ คำถามสำคัญกว่าคือระบบเลือกซิงก์อะไร

จากบทความสาธารณะ สิ่งที่ถูกซิงก์ไม่ใช่แค่การตั้งค่าเล็ก ๆ น้อย ๆ แต่มันคือ:

• บันทึกงาน
• ค่าที่ผู้ใช้ตั้งไว้
• ข้อมูลพื้นหลังของโปรเจกต์

เมื่อของ 3 อย่างนี้ย้ายตามคุณไปได้ ผลลัพธ์ที่เปลี่ยนทันทีคือ:

• เครื่องที่สองไม่ต้องสอนใหม่ทั้งหมด
• บริบทของงานไม่ขาดตอนทุกครั้งที่เปลี่ยนอุปกรณ์
• ต้นทุนการสลับโปรเจกต์ต่ำลงมาก

นี่จึงเป็นเหตุผลว่าทำไมผมมองว่า "การซิงก์ความจำข้ามอุปกรณ์" สำคัญกว่าที่เห็นผิวเผิน

มันคือการเปลี่ยนจาก:

ประสบการณ์ที่เคยติดอยู่ในบทสนทนา

ให้กลายเป็น:

สินทรัพย์การทำงานที่พกพาและย้ายเครื่องได้

เคส 5: ความเสี่ยงที่อันตรายที่สุดไม่ใช่ AI ตอบผิด แต่คือความล้มเหลวแบบเงียบและไฟล์ความจำที่พองตัว

บทความประสบการณ์ 40 วันยังชี้จุดพลาดที่ดูเหมือนสภาพแวดล้อมงานจริงมากอีกหลายข้อ:

• การ push หรือ sync ที่ล้มเหลวแบบไม่มีสัญญาณเตือนคือสิ่งที่อันตรายที่สุด
• ไฟล์ความจำไม่ควรปล่อยให้โตอย่างเดียวโดยไม่เก็บกวาด
• งานอัตโนมัติต้องคิดเรื่องเวลาและสถานะของเครื่องด้วย

ทั้งหมดนี้ให้กลิ่นของระบบงานจริงชัดมาก เพราะปัญหาไม่ได้อยู่ที่ "โมเดลไม่ฉลาดพอ" แต่คือ:

• งานอัตโนมัติไม่ได้รันจริงตามที่คิด
• memory สะสมข้อมูลรบกวนจนเริ่มสกปรก
• เงื่อนไขด้านตารางเวลาและสถานะอุปกรณ์ถูกมองข้าม

พูดอีกแบบคือ พอ WorkBuddy เริ่มรับงานระยะยาวจริง ลักษณะการดูแลมันก็เริ่มเหมือนระบบจริงมากขึ้น:

• มีสถานะสะสม
• มีการตั้งเวลา
• ต้องมีการกู้คืนเมื่อพลาด
• มีความเสี่ยงเรื่องบริบทปนเปื้อน

และนี่แหละคือเหตุผลว่าทำไมเคสลักษณะนี้ควรถูกหยิบมาวิเคราะห์แยก

พอประกอบทุกเคสเข้าด้วยกัน เวิร์กโฟลว์ขั้นสูงของ WorkBuddy หน้าตาเป็นอย่างไร

ถ้าเอาบทความตั้งค่า บทความประสบการณ์ 40 วัน และบทความสอนซิงก์ข้ามอุปกรณ์มาวางรวมกัน เราจะเห็นโครงของเวิร์กโฟลว์ขั้นสูงที่ค่อนข้างชัด:

• มีโฟลเดอร์ทำงานเริ่มต้น
• มีเส้นแบ่งความเสี่ยง 3 ชั้นคืออ่านอย่างเดียว แก้ตรง และวางแผนก่อน
• มีระบบความจำที่เติบโตต่อเนื่อง
• มีไฟล์กฎที่ตรึงตัวตน โทนการสื่อสาร และ preference ของผู้ใช้
• มีการซิงก์ข้ามอุปกรณ์ที่พา memory จากเครื่องเดียวไปหลายเครื่อง
• มีงานอัตโนมัติพร้อมรูปแบบความล้มเหลวที่ต้องดูแล

นี่ต่างจาก AI tool ทั่วไปมาก

มันไม่ได้เป็นแค่:

• คุณถามหนึ่งคำถาม แล้วมันตอบหนึ่งคำถาม

แต่มันเริ่มใกล้กับภาพแบบนี้มากขึ้น:

• คุณมีระบบการทำงานครบชุดอยู่หนึ่งระบบ
• AI เป็นหนึ่งในองค์ประกอบที่ตั้งค่าได้ ย้ายเครื่องได้ ดูแลได้ และนำกลับมาใช้ซ้ำได้

ใครบ้างที่ควรลองแนวนี้ก่อน

กลุ่มที่เหมาะจะเริ่มเลย

• คนที่มีเวิร์กโฟลว์บนเดสก์ท็อประยะยาว
• ผู้ใช้ที่สลับอุปกรณ์บ่อย
• คนที่ใช้ agent เป็นเครื่องมือประจำวัน ไม่ใช่ถามเป็นครั้งคราว
• คนที่มีโครงไฟล์ บริบทของโปรเจกต์ และ preference ส่วนตัวสะสมอยู่แล้ว
• คนที่ยอมดูแลไฟล์กฎ โฟลเดอร์ทำงาน และสคริปต์งานอัตโนมัติ

กลุ่มที่อาจรอดูไปก่อนได้

• คนที่แค่อยากถามเป็นครั้งคราวและไม่ต้องการ memory ระยะยาว
• ผู้ใช้ที่แทบไม่เปลี่ยนเครื่องและไม่ต้องการ context ข้ามอุปกรณ์
• คนที่ไม่อยากดูแลไฟล์ตั้งค่าหรืองานอัตโนมัติเลย
• ผู้ใช้ที่ยังไม่คุ้นกับโครงโฟลเดอร์ในเครื่องและเส้นแบ่งสิทธิ์ของ agent

ถ้าคุณอยากต่อเวิร์กโฟลว์ระยะยาวแบบ WorkBuddy เข้ากับโมเดลที่เลือกเอง มูลค่าทางจัดซื้ออยู่ตรงไหน

ในมุมธุรกิจ คำถามจริงมักไม่ใช่ "มันตอบได้ไหม" แต่จะเป็นคำถามลักษณะนี้มากกว่า:

• ควรแยกเส้นทางโมเดลสำหรับ memory ระยะยาวไหม
• หลังซิงก์ข้ามอุปกรณ์แล้วต้นทุน context ยังควบคุมได้หรือเปล่า
• งานอัตโนมัติและสายงานไฟล์จะวิ่งผ่านเกตเวย์เดียวได้ไหม
• สถานะ กฎ และค่าใช้จ่ายของหลาย agent จะรวมศูนย์จัดการได้หรือไม่

ดังนั้นถ้าคุณกำลังทำ เอเจนต์บนเดสก์ท็อประยะยาว ระบบความจำ หรือเวิร์กโฟลว์งานอัตโนมัติ การมี model gateway ที่รวมศูนย์มักใช้งานได้จริงกว่าการเดิมพันกับโมเดลเดียว

คุณไปต่อได้จากลิงก์เหล่านี้:

• Pricing
• Buy API key
• Tutorials

ข้อสรุปสุดท้ายของผม

ถ้าต้องสรุปมุมมองต่อเส้นทาง WorkBuddy ด้านระบบความจำ การซิงก์ข้ามอุปกรณ์ และไฟล์กฎลับในประโยคเดียว ผมจะสรุปแบบนี้:

สิ่งที่น่าจับตาที่สุดไม่ใช่แค่มันทำงานได้ แต่คือมันเริ่มมีโครงสร้างที่เปลี่ยน AI จากเครื่องมือชั่วคราวให้กลายเป็นคู่หูระยะยาว

โครงสร้างนั้นอย่างน้อยประกอบด้วย 5 ส่วน:

1. โฟลเดอร์ทำงาน
2. ระบบความจำ
3. ไฟล์กฎพฤติกรรม
4. โหมดแบ่งขอบเขตความเสี่ยง
5. การซิงก์หลายอุปกรณ์

และนั่นก็แปลว่าจุดที่ WorkBuddy ดูใกล้กับสภาพแวดล้อมงานจริงที่สุด ไม่ใช่เดโมงานชิ้นเดียวที่หวือหวา แต่คือเรื่องนี้:

มันเริ่มทำตัวเหมือนระบบงานบนเดสก์ท็อปที่ต้องถูกตั้งค่า ดูแล ย้าย และนำกลับมาใช้ซ้ำได้

แหล่งอ้างอิง

• 当 AI 开始记住你是谁——我与 WorkBuddy 共处 40 天的真实体感
• 把 WorkBuddy 的记忆带上每一台设备——跨设备记忆同步完整教程 #WorkBuddy
• WorkBuddy - 设置篇，第一件事不是让它干活（手把手教你基本设置 新手必看）