วิธีสร้าง LLM Wiki สำหรับโค้ดด้วย Claude Code ใน 12 นาที
เจาะลึกการใช้ Claude Code สร้าง LLM wiki ขนาด 21 หน้า สำหรับไลบรารี itsdangerous ใน 12 นาที ด้วยต้นทุน 6.96 ดอลลาร์ จากการทดสอบเมื่อ 29 ก.ย. 2026
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Claude Code สร้าง LLM wiki ขนาด 21 หน้า สำหรับไลบรารี itsdangerous ในเวลา 12 นาที ต้นทุนรวม 6.96 ดอลลาร์
- ใช้กฎการอ้างอิงไฟล์และบรรทัดที่ตรวจสอบได้จริง ป้องกันการสร้างข้อมูลเท็จ (hallucination)
- ระบบสามารถแก้ไขความเข้าใจผิดของผู้ใช้และระบุจุดที่หาแหล่งอ้างอิงไม่ได้อย่างโปร่งใส
- โค้ดเทมเพลตและปลั๊กอินเปิดให้ใช้งานฟรีภายใต้สัญญาอนุญาต MIT บน GitHub
แนวคิดเรื่อง LLM wiki หรือการให้ AI ช่วยดูแลโฟลเดอร์ไฟล์ Markdown ที่เก็บสถาปัตยกรรมและเหตุผลเบื้องหลังการตัดสินใจในโค้ด ถูกหยิบยกขึ้นมาพูดถึงโดย Andrej Karpathy ล่าสุดมีการทดลองจริงในการสร้างวิกิแบบ end-to-end สำหรับไลบรารี itsdangerous ซึ่งเป็นไลบรารีเข้ารหัสเซสชันของ Flask ที่ใช้งานมาตั้งแต่ปี 2011 เพื่อบันทึกประเด็นที่ซ่อนอยู่ระหว่างบรรทัดของโค้ด ซึ่งเอกสาร API ทั่วไปอย่าง Docstrings หรือ Sphinx ไม่ได้บอกไว้
หัวใจสำคัญที่ทำให้ระบบนี้ใช้งานได้จริงคือ กฎการอ้างอิงที่เข้มงวด ทุกคำกล่าวอ้างจะต้องระบุที่มาอย่างชัดเจน เช่น พาธไฟล์และบรรทัดที่คอมมิต์ไว้ บันทึกใน CHANGES หรือระบุว่าเป็นข้อมูลจากการสนทนา หากเอเจนต์ไม่สามารถหาแหล่งที่มาได้ เอเจนต์จะระบุไว้ตรงๆ บนหน้าเพจว่าไม่มีการระบุไว้ในแหล่งข้อมูล แทนที่จะพยายามแต่งเหตุผลขึ้นมาเองเพื่อตอบคำถาม
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
กระบวนการเริ่มต้นทำได้โดยการรันคำสั่งผ่านปลั๊กอินของ Claude Code เพื่อสร้างโครงสร้างวิกิ เอเจนต์จะอ่านไฟล์ pyproject.toml เลือกหมวดหมู่ จัดการไฟล์ .gitignore และสร้างคอมมิต์แรก จากนั้นจึงสั่งให้เอเจนต์สร้างหน้าสถาปัตยกรรมสำหรับแต่ละโมดูล และหน้าบันทึกการตัดสินใจออกแบบทั้งหมดโดยดึงข้อมูลจาก CHANGES.rst หรือโค้ดโดยตรง พร้อมระบุทางเลือกอื่นๆ ที่ถูกปฏิเสธ
จุดเด่นที่แสดงถึงความแม่นยำคือความสามารถในการแก้ไขข้อผิดพลาดของผู้ใช้ ตัวอย่างเช่น เมื่อผู้เขียนสอบถามเกี่ยวกับการเปลี่ยนแปลงรูปแบบ Timestamp ในเวอร์ชัน 2.0 เอเจนต์ได้ตรวจสอบและตอบกลับว่าการเปลี่ยนแปลงดังกล่าวเกิดขึ้นในเวอร์ชัน 1.0.0 ส่วนเวอร์ชัน 2.0 เป็นเรื่องการจัดการโซนเวลาและกฎเรื่องอายุติดลบ นอกจากนี้ เอเจนต์ยังระบุรายการที่หาแหล่งอ้างอิงไม่ได้ เช่น สาเหตุที่เลือกใช้โหมดการดึงข้อมูลบางรูปแบบ แทนที่จะเขียนข้อความขึ้นมาเองอย่างไร้รากฐาน
การสร้าง LLM wiki สะท้อนให้เห็นถึงวิวัฒนาการของการใช้ AI ทำงานร่วมกับซอร์สโค้ดขนาดใหญ่ แทนที่จะใช้วิธีค้นหาข้อมูลแบบเดิมซ้ำๆ ทุกครั้ง การให้เอเจนต์รวบรวมและจัดเก็บโครงสร้างการตัดสินใจลงในไฟล์ Markdown ท้องถิ่นช่วยลดต้นทุนและเวลาในการประมวลผลของ LLM ในระยะยาว เหมาะสำหรับโปรเจกต์ซอฟต์แวร์ที่มีประวัติการพัฒนามายาวนานและต้องการเก็บบริบททางความคิดของทีมพัฒนาเอาไว้
การทดลองนี้รันแบบอัตโนมัติทั้งหมดเมื่อวันที่ 2026-09-29 โดยมีการใช้สคริปต์ตรวจสอบความถูกต้อง 25 บรรทัดเพื่อตรวจนับจำนวนหน้า ค้นหาลิงก์ที่ตาย และตรวจสอบว่าพาธการอ้างอิงทุกจุดมีอยู่จริง ทั้งนี้ เทมเพลตและปลั๊กอินดังกล่าวเปิดให้ใช้งานฟรีภายใต้ไลเซนส์ MIT บน GitHub ของ Vellum Labs
ที่มา: Dev.to
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น