FIELD NOTES

บันทึกการสร้าง fintech product ด้วย AI

ทุกชิ้นมาจากงานจริงตอนสร้าง Boom Leverage Terminal — เครื่องมือที่ใช้ ระบบหลังบ้าน และความรู้ตลาดทุนที่ต้องมี · ตัวเลขทุกตัวมีที่มา

AI Coding & Productivity

Harness คืออะไร — ทำไมความเก่งของ AI agent ส่วนใหญ่อยู่นอกตัวโมเดล (อธิบายผ่านการสร้าง Terminal)

Harness คือทุกอย่างที่หุ้มโมเดลให้กลายเป็น agent ที่ทำงานจริงได้: เครื่องมือ บริบท สิทธิ์ hook และวงจรทำงาน หลักฐานปี 2026 ชี้ว่าโมเดลเดิมแต่เปลี่ยน harness คะแนนขยับ 13.7 จุด และ loop engineering ที่มาแรงเป็นแค่ 1 ใน 5 ชิ้น นี่คือแผนที่ทั้งก้อน พร้อมตัวอย่างจากระบบที่สร้าง Boom Leverage Terminal

ให้ AI โจมตีแผนตัวเองก่อนลงมือ: บันทึก 293 รอบของ adversarial gate ที่ใช้สร้าง Terminal

AI เห็นด้วยกับเราเก่งเกินไป ผมเลยให้โมเดลอีกตัวรับบท 'ฝ่ายค้าน' ตรวจทุกแผนสำคัญก่อนลงมือ บันทึกจริง 293 รอบ: ใน 200 รอบที่มีคำตัดสิน 191 รอบจบด้วยการแก้แผน พร้อมตัวอย่างจริงวันนี้ที่คำวิจารณ์เดียวเปลี่ยนวิธีตั้ง URL ของทั้งเว็บ

CLAUDE.md ที่ใช้ได้จริงตอนสร้าง Terminal — และจุดที่มันเอาไม่อยู่ ต้องใช้ hook แทน

CLAUDE.md คือกฎที่ AI agent อ่านทุก session แต่เอกสารทางการเองก็บอกว่ามันเป็น 'context ไม่ใช่ config ที่บังคับได้' นี่คือวิธีวางกฎที่ใช้จริงใน repo ของ Boom Leverage: ไฟล์กฎที่ถูก generate และล็อกไม่ให้แก้มือ, ไฟล์ความจำที่มีงบ byte ตายตัว และด่านที่ย้ายจากคำขอร้องไปเป็น hook

Context Budget: ทำให้ Claude Code ไม่ลืมงานกลางทาง — ตัวเลขจริงจากการเขียนบทความชุดนี้ด้วย agent 4 ตัวพร้อมกัน

context window คืองบประมาณ ไม่ใช่พื้นที่ว่าง ทุกไฟล์ที่อ่าน ทุก output ที่พิมพ์ออกมา กินงบก้อนเดียวกัน นี่คือ 6 วิธีที่ใช้จริงตอนสร้าง Terminal พร้อมตัวเลขจริง: subagent 4 ตัวใช้รวมกว่า 1.3 ล้าน token แต่ session หลักรับกลับแค่รายงานสั้นๆ

ทดลองก่อนแก้: กฎที่ทำให้ AI agent ปรับระบบ Terminal โดยไม่ต้องเดา (และไม่เผาเงิน)

ตอนสร้าง Boom Leverage Terminal ผมห้ามทั้งตัวเองและ AI agent แก้ระบบจริงตามความรู้สึก ทุกการเปลี่ยนแปลงต้องผ่านการทดลองที่ทำซ้ำได้ก่อน นี่คือโปรโตคอล 5 ส่วนที่ใช้จริง ตัวเลขจาก lab log และ 2 เคสที่การทดลองพลิกความเชื่อตั้งต้น

เริ่มใช้ Claude Code แบบคนการเงินที่อยากสร้าง product เอง — จากวันแรกถึง Terminal ที่มีลูกค้าใช้จริง

Claude Code คืออะไร ต่างจากแชต AI ยังไง และคนสายการเงินที่ไม่ใช่โปรแกรมเมอร์ควรเริ่มตรงไหนถ้าเป้าหมายคือสร้างเครื่องมือของตัวเอง — เล่าจากเส้นทางจริง: session แรก 30 เม.ย. 2026 ถึงวันเริ่มสร้างแอป Terminal ในเวลาไม่ถึง 3 เดือน

ด่านอนุมัติ + hook: ให้ AI agent ทำงานเองได้ โดยไม่พังระบบจริงของ Terminal

agent ที่ต้องถามทุกคำสั่งทำงานยาวไม่ได้ agent ที่ไม่ถามอะไรเลยก็อันตราย ทางออกที่ผมใช้ตอนสร้าง Terminal คือด่าน 3 ชั้น: กฎสิทธิ์ · PreToolUse hook ที่บล็อกก่อนรัน · Stop hook ที่เก็บกวาดตอนจบ — พร้อม hook จริง 10 คำสั่งที่ลงทะเบียนใน 5 จังหวะของ session

คุมค่า LLM ตอนรัน product: เลือกรุ่นให้ถูกงาน วาง router และปล่อยให้ cache ทำงาน

ค่า LLM ไม่ได้บานเพราะโมเดลแพง แต่บานเพราะส่งทุกงานเข้าโมเดลแพงสุด นี่คือวิธีที่ใช้จริงตอนสร้าง Boom Leverage Terminal: ราคาต่อรุ่นที่ตรวจวันนี้, router ที่ส่งงานตามความลับและขนาด, บันได fallback ที่เดินครั้งเดียว และตัวเลข cache 98% ที่เปลี่ยนต้นทุนทั้งสมการ

QC ผลงานของ AI ก่อนขึ้น production: 4 ชั้นที่ใช้ตรวจงานตอนสร้าง Terminal

AI agent ทำงานเร็ว แต่ความเร็วไม่มีความหมายถ้าไม่มีใครตรวจ นี่คือด่าน QC 4 ชั้นที่ใช้จริงตอนสร้าง Boom Leverage Terminal — จากสคริปต์จับความคิดรั่ว ไปจนถึงด่านก่อนเผยแพร่ที่ห้ามตัวเลขไม่มีที่มา — พร้อมเคสที่ด่านเองก็พลาด และสถิติว่า 96% ของแผนถูกตีกลับให้แก้

ห้าม rm — ย้ายเข้า .archive แทน: กฎบรรทัดเดียวที่ทำให้ AI agent ลบพลาดแล้วกู้ได้

agent ที่รันเองลบไฟล์จริงได้ ผมเลยไม่ให้มันลบ ให้ย้ายเข้าโฟลเดอร์ .archive ตามวันที่แทน ผลจริงใน repo ที่ใช้สร้าง Terminal: ไฟล์ในถังพักรวมกว่า 1.3 แสนไฟล์ แต่ลบจริงถาวรที่ต้องลงบันทึกมีแค่ 4 ครั้ง — พร้อมขั้นตอนเต็มและ hook ตัวอย่าง

ใช้ AI agent หลายตัวพร้อมกันเมื่อไหร่ถึงคุ้ม — บันทึกจริงจากการให้ 4 agent เขียนบทความขนานกัน

agent หลายตัวไม่ได้แปลว่าฉลาดขึ้น แต่ถ้างานแตกเป็นชิ้นอิสระได้จริง มันเร็วขึ้นมาก ตัวเลขจริงจากเว็บนี้: 4 agent เขียน 4 บทความขนานกันจบใน 259 วินาที แทนที่จะเป็น 876 วินาทีถ้าทำทีละชิ้น — แลกกับ token รวมราว 1.32 ล้าน และกติกาเดียวที่กันไม่ให้มันชนกัน

Claude Code vs Codex vs Cursor vs Copilot: เลือกเครื่องมือ AI coding ยังไงเมื่อเป้าหมายคือสร้าง product

เทียบ 4 เครื่องมือ AI coding ที่คนพูดถึงมากที่สุดในปี 2026 จากมุมคนที่ใช้ AI agent สร้าง fintech product จริง — ต่างกันที่ 'จุดศูนย์ถ่วง' ว่าใครลงมือ ใครตรวจ และงานไปจบที่ไหน ไม่ใช่รายการฟีเจอร์ที่เปลี่ยนทุกเดือน

ทำไมผมสร้าง Terminal ด้วย Claude Code — ไม่ใช่เพราะโมเดลเก่งสุด แต่เพราะ harness

5 เดือน 1,469 commits ใน 5 repo — สิ่งที่ทำให้ AI agent สร้าง fintech product ได้จริงไม่ใช่คะแนนของโมเดล แต่คือ harness รอบตัวมัน: กฎที่มันต้องอ่าน ด่านที่มันผ่านไม่ได้ และวงจรที่มันต้องตรวจงานตัวเอง นี่คือเหตุผลและของจริงที่ผมใช้

Build in Public · Infrastructure

รับเงินด้วย Stripe ทั้งบัตรและ PromptPay: ระบบจ่ายเงินจริงของ Boom Field Lab ตั้งแต่กดซื้อจนได้สิทธิ์

เบื้องหลังระบบรับเงินของเว็บ workshop นี้แบบ build in public — ทำไมเคยจงใจปิด PromptPay ใน Stripe แล้วกลับมาเปิด, ทำไมราคาต้องคิดฝั่ง server และล็อกไว้ 60 นาที, webhook ตัวเดียวเปิดสิทธิ์ยังไง และค่าธรรมเนียมจริงต่อการขาย 1 ครั้ง

MCP คืออะไร — ต่อ AI agent เข้ากับ Supabase, Vercel, Stripe ยังไงให้ไม่เปิดประตูทิ้งไว้

MCP ทำให้ Claude Code หยิบข้อมูลและสั่งงานระบบจริงได้เอง ซึ่งแปลว่าความสะดวกมาพร้อมความเสี่ยง บทความนี้สรุปสิ่งที่ Supabase, Vercel และ Stripe เขียนไว้เองเรื่องการต่อ MCP อย่างปลอดภัย (ตรวจ ก.ย. 2026) และกติกาที่ผมใช้กับระบบที่แตะเงินจริง

Runner 24/7: ให้ Claude Code ทำงานเองตอนตีสาม — คิวงาน ด่านเสร็จ และสิ่งที่เจอจาก 91 รอบจริง

โครง runner ที่หยิบงานจากคิวมาให้ Claude Code ทำทีละชิ้นโดยไม่มีคนเฝ้า ตั้งแต่ single-instance สองชั้น ไฟล์ด่าน 'เสร็จจริง' ต่อชิ้นงาน ไปจนถึงตัวเลขจริงจาก log: 91 รอบ เสร็จ 51 ติด 40 — และเหตุผลที่สุดท้ายเราปิดโรงงานคอนเทนต์ของมันเอง

รื้อ Terminal จาก V1 เป็น V2: เปลี่ยนหน่วยของคำตอบจาก 'ชิ้นข้อความ' เป็น 'ข้อค้นพบที่พิสูจน์ที่มาได้'

บันทึกการรื้อเครื่องมือค้น 56-1 / MD&A ทั้งตลาดของ Boom Leverage Terminal — ทำไม 'ค้นเจอ' กับ 'ตอบได้' ไม่ใช่เรื่องเดียวกัน, หน้าตาของข้อค้นพบแบบมีโครงสร้าง, และด่าน citation ที่ซ่อนทุกบรรทัดที่พิสูจน์ไม่ได้ว่าอยู่ใน PDF จริง (ผ่าน 98.95% ณ 27 ก.ย. 2026)

Mux vs Bunny Stream: ทำไม Boom Field Lab ย้ายมาใช้ Bunny ทั้งที่ Mux ถูกกว่าต่อวิว

ผมเคยเลือก Mux ส่งวิดีโอ แล้วย้ายมา Bunny Stream ตอนสร้าง Boom Field Lab — ไม่ใช่เพราะราคาต่อวิว (ที่ 1,000 วิว/เดือน Mux ถูกกว่า) แต่เพราะโครงสร้าง: จำนวนไฟล์ที่เก็บได้ฟรี กับเพดานค่าใช้จ่ายที่ล็อกได้จริง นี่คือตัวเลขที่ตรวจจากหน้าราคาทางการ พร้อมสมมติฐานทุกข้อ

RAG กับเอกสาร 56-1: สร้างระบบค้นที่ทุกคำตอบชี้กลับหน้าต้นฉบับได้ — และซ่อนทุกบรรทัดที่พิสูจน์ไม่ได้

ถาม AI ตรงๆ กับงบหรือแบบ 56-1 เสี่ยงได้ตัวเลขที่ฟังดูใช่แต่ผิด นี่คือวิธีที่ Boom Leverage Terminal ถูกสร้างให้ค้นเอกสารทั้งตลาดแล้วชี้กลับหน้าได้ทุกบรรทัด: ค้นตามความหมาย, floor คะแนน, และด่าน citation ที่เปิด PDF พิสูจน์ทีละประโยค พร้อมผลทดสอบกับ 'เอกสารผิด' ก่อนจะเชื่อ

ทำไมต้องรัน AI Agent ใน Sandbox — ออกแบบ 'วงความเสียหาย' แบบที่ใช้จริงตอนสร้าง Terminal

คำถามไม่ใช่ 'agent จะพลาดไหม' แต่คือ 'ถ้าพลาด ความเสียหายกว้างแค่ไหน และกู้คืนเร็วแค่ไหน' นี่คือ 4 ชั้นที่ผมใช้กั้น AI agent ตอนสร้าง fintech product — กล่อง container, ด่านคำสั่งก่อนรัน, ข้อมูลอ่อนไหวที่ห้ามออกนอกเครื่อง และงานสาธารณะที่ต้องให้คนสั่งเท่านั้น

Domain Knowledge · ตลาดทุนไทย

ทำไม Terminal ต้องชี้เลขหน้าทุกบรรทัด — เมื่อ FINRA นับ AI hallucination เป็นความเสี่ยงที่มีชื่อ

รายงานกำกับดูแลปี 2026 ของ FINRA นิยาม hallucination ไว้ชัดและขอให้บริษัทเก็บ log ตรวจย้อนได้ นี่คือเหตุผลที่ Boom Leverage Terminal ออกแบบให้ทุกผลลัพธ์เป็นข้อความต้นฉบับพร้อมลิงก์ — และตัวเลขจริงว่าตอนนี้ทำได้ครบแค่ไหน (และตรงไหนยังไม่ครบ)

สร้าง data pipeline หุ้นไทยด้วย AI agent — จากกอง PDF 56-1 สู่ข้อมูลเกือบล้านบรรทัด (FY2021–2026) ที่กดดูต้นฉบับได้

เบื้องหลัง pipeline ของ Boom Leverage Terminal: ดึงเอกสารที่บริษัทยื่นต่อ ก.ล.ต. แยกข้อความพร้อมเลขหน้า ให้ AI สกัดประเด็นโดยบังคับให้มีถ้อยคำต้นฉบับ แล้วทำ index ค้นได้ทั้งตลาด ตัวเลขจริงจาก index (ช่วงหลัก FY2021–2026: 988,998 บรรทัด · คลังย้อนหลัง FY2016–2020 แยกอีก 381,072 · 19 หมวด) และกับดักที่ต้องรู้ก่อนอ่านตัวเลขรายปี

Data Science สาย Credit Risk: จากสมมติฐานสู่โมเดลที่ใช้ได้จริง — และวินัยเดียวกันที่ใช้สร้าง Terminal

งาน credit risk ไม่ใช่การไล่ accuracy แต่คือวงจร ตั้งคำถาม → สร้าง → พิสูจน์ → เฝ้าดู ที่ต้องตรวจย้อนได้ทุกขั้น บทความนี้เล่าวงจรนั้นจากงาน validation ในแบงก์ และตัวเลขจริงจาก Terminal ว่าหลัง TFRS 9 บริษัทไทยเขียนถึง expected credit loss ใน MD&A เพิ่มจาก 2 เป็น 163 บริษัท

อ่านงบการเงิน 3 มุม (แนวตั้ง–แนวนอน–อัตราส่วน) แบบคนทำ credit risk — และทำไมมุมที่ 4 คือคำของฝ่ายจัดการ

วิธีอ่านงบแบบที่ใช้จริงในงานประเมินเครดิตธนาคาร: งบ 3 ตัวที่ต้องอ่านคู่กัน, common-size, trend, อัตราส่วน 4 กลุ่ม และกับดักที่ทำให้ตัวเลขหลอกตา พร้อมตัวอย่างจริงจาก MD&A ที่กำไรขั้นต้นโต 31.31% แต่อัตรากำไรกลับลด — และความรู้นี้กลายเป็นฟีเจอร์ของ Terminal ได้ยังไง

Model risk ที่ต้องออกแบบไว้ตั้งแต่วันแรกของ fintech — ยุคที่ AI agent เขียนโค้ดและสรุปเอกสารให้

model risk ไม่ได้หายไปเมื่อใช้ AI มันแค่เปลี่ยนรูป: โมเดลผิดเอง หรือถูกใช้ผิดบริบท ยุค AI agent เพิ่มกล่องดำ ดริฟต์ และการพึ่งเกิน สรุปหลักจาก SR 11-7 และแนวนโยบาย ธปท. ปี 2568 เรื่องการบริหารความเสี่ยง AI แล้วแปลงเป็น 4 control ที่ใส่ใน product ได้จริง พร้อมตัวเลขจากระบบที่ใช้สร้าง Terminal

Greeks ของออปชัน SET50: Delta / Gamma / Theta / Vega — อ่าน 'ความไว' ก่อนอ่านกำไร

Greeks คือเครื่องวัดว่าราคาออปชันไวต่ออะไรแค่ไหน ไม่ใช่คำทำนายทิศทาง บทความนี้อธิบายทั้ง 4 ตัวแบบคนทำ model validation พร้อมตัวอย่างคำนวณ (สมมติ) ที่เห็นชัดว่าทำไม Theta เร่งตัวใกล้หมดอายุ และทำไมเครื่องมือออปชันที่ดีต้องโชว์ความไว ไม่ใช่แค่กำไร

ข้อมูลตลาดทุนไทยมาจากไหน — SETSMART, เอกสาร 56-1 และเส้นลิขสิทธิ์ที่คนสร้าง fintech ต้องรู้ก่อนเขียนโค้ด

ก่อนสร้าง product การเงินสักตัว คำถามแรกไม่ใช่ใช้โมเดลอะไร แต่คือข้อมูลมาจากไหนและเรามีสิทธิ์ทำอะไรกับมัน สรุปแหล่งทางการของตลาดทุนไทย (SETSMART · 56-1 One Report · Settrade Open API) ราคาจริง ณ วันที่ตรวจ และเงื่อนไข Personal Use ที่ทำให้ข้อมูลดิบเอาไปขายต่อไม่ได้

Settrade Open API: ย้ายจาก Amibroker/VBA มา Python — และทำไมโค้ดที่ส่งคำสั่งซื้อขายต้องเริ่มใน sandbox เสมอ

API ทางการของฝั่งซื้อขายหุ้นและ TFEX ในไทย: SDK รองรับ Python, Amibroker และ Excel · SDK v2 บน PyPI ออกรุ่นล่าสุด 2.2.1 (2 ต.ค. 2025) · มี sandbox ให้ทดลองส่งคำสั่งโดยไม่ใช้เงินจริง สรุปจากซอร์สโค้ด SDK จริง และเช็กลิสต์ model risk ก่อนปล่อยโค้ดที่แตะบัญชีซื้อขาย