<div class="key-takeaways"><ul><li>RAM ทำหน้าที่เป็นพื้นที่ทำงานชั่วคราวความเร็วสูงสำหรับแอปพลิเคชัน</li><li>หน่วยความจำหลักแบ่งออกเป็น Stack สำหรับข้อมูลด่วน และ Heap สำหรับข้อมูลไดนามิก</li><li>การเก็บขยะ (Garbage Collection) ช่วยคืนหน่วยความจำอัตโนมัติในภาษาเช่น JavaScript และ Python</li><li>ความเข้าใจเรื่องการจัดการหน่วยความจำช่วยป้องกันปัญหา Memory Leak และเพิ่มประสิทธิภาพโค้ด</li></ul></div><p>แอปพลิเคชันทุกตัวตั้งแต่โปรแกรมพื้นฐานอย่าง Hello, World ไปจนถึงแพลตฟอร์มระดับโลกอย่าง Netflix ล้วนพึ่งพาทรัพยากรที่มองไม่เห็นชิ้นเดียวกันนั่นคือหน่วยความจำ โดยทั่วไปนักพัฒนามักเรียนรู้เรื่องตัวแปร ลูป และฟังก์ชันก่อนที่จะคำนึงถึงหน่วยความจำ แต่การเข้าใจกลไกการทำงานเบื้องหลังนี้จะช่วยให้คุณเป็นโปรแกรมเมอร์ที่ดีขึ้น เขียนแอปพลิเคชันได้รวดเร็วขึ้น และหลีกเลี่ยงข้อผิดพลาดที่น่าหงุดหงิด</p><p>หน่วยความจำหรือที่เรียกกันทั่วไปว่า RAM (Random Access Memory) คือพื้นที่ทำงานชั่วคราวของคอมพิวเตอร์ เมื่อแอปพลิเคชันเริ่มต้นทำงาน มันจะร้องขอพื้นที่ส่วนหนึ่งจาก RAM เพื่อจัดเก็บข้อมูลต่างๆ ต่างจากฮาร์ดดิสก์หรือ SSD ตรงที่ RAM ทำงานได้อย่างรวดเร็วเหลือเชื่อแต่ก็เป็นแบบชั่วคราวเช่นกัน เมื่อโปรแกรมสิ้นสุดการทำงาน ระบบปฏิบัติการจะเรียกคืนหน่วยความจำนั้นกลับไปทันที</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/mt6ey4pz_inline_1_74b74ed6ac.jpg" alt="computer processor microchip hardware technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>การทำความเข้าใจความแตกต่างระหว่าง Stack และ Heap ถือเป็นหัวใจสำคัญในการเขียนโปรแกรมเชิงลึก เนื่องจากหน่วยความจำแต่ละประเภทมีต้นทุนด้านประสิทธิภาพ (Performance Cost) ที่แตกต่างกัน การจัดสรรข้อมูลลงใน Stack มีความเร็วสูงมากเพราะทำงานแบบ Last In, First Out (LIFO) ในขณะที่ Heap เหมาะสำหรับข้อมูลที่มีขนาดใหญ่หรือต้องคงอยู่ข้ามขอบเขตของฟังก์ชัน แต่ต้องแลกมาด้วยกระบวนการจัดการที่ซับซ้อนกว่า</p></div><p>หน่วยความจำโดยทั่วไปจะถูกแบ่งออกเป็นสองส่วนหลัก ได้แก่ Stack และ Heap โดย Stack มีความเร็วสูงมากเนื่องจากมีการเพิ่มและลบข้อมูลตามลำดับเข้าก่อนออกทีหลัง (LIFO) อย่างเคร่งครัด ในขณะที่ Heap ทำหน้าที่จัดเก็บข้อมูลที่ถูกจัดสรรแบบไดนามิก ซึ่งข้อมูลใน Heap จะยังคงถูกจัดสรรไว้จนกว่าจะไม่มีความจำเป็นต้องใช้อีกลงไป</p><p>ในส่วนของการจัดการหน่วยความจำอัตโนมัติ ภาษาโปรแกรมอย่าง JavaScript, Python, Java, C#, และ Go จะทำการคืนหน่วยความจำที่ไม่ได้ใช้งานให้โดยอัตโนมัติ ช่วยให้นักพัฒนาไม่ต้องจัดสรรและปลดปล่อยหน่วยความจำด้วยตนเอง วัตถุจะยังคงอยู่ในหน่วยความจำจนกว่าจะไม่มีสิ่งใดอ้างถึงมันอีก จากนั้นเอนจิ้นของภาษาจะทำการลบออกผ่านกระบวนการที่เรียกว่า Garbage Collection</p><p>ปัญหา Memory Leak จะเกิดขึ้นเมื่อหน่วยความจำที่ไม่มีประโยชน์แล้วยังคงถูกจัดสรรไว้อยู่เนื่องจากยังมีบางสิ่งอ้างถึงมัน ตัวอย่างเช่น Closures ที่เก็บตัวแปรให้คงอยู่แม้ว่าฟังก์ชันจะทำงานเสร็จสิ้นไปแล้ว ซึ่งหากไม่ระมัดระวังก็อาจเก็บวัตถุขนาดใหญ่ไว้นานเกินความจำเป็น และหน่วยความจำจะยังไม่สามารถกู้คืนได้จนกว่าจะไม่มีการอ้างอิงใดๆหลงเหลืออยู่</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/mr_elvis/memory-management-explained-for-developers-21l6" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>RAM serves as a high-speed temporary workspace for running applications.</li><li>Memory is divided into the Stack for fast execution and the Heap for dynamic data.</li><li>Garbage collection automatically reclaims unused memory in languages like JavaScript and Python.</li><li>Understanding memory management helps prevent memory leaks and improves application performance.</li></ul></div><p>Every application you build, from a simple Hello, World program to a global platform like Netflix, depends on one invisible resource: memory. Most developers learn variables, loops, and functions before ever thinking about memory. Yet, understanding how memory works can make you a better programmer, help you write faster applications, and save you from frustrating bugs.</p><p>Memory, commonly called RAM (Random Access Memory), is your computer's temporary workspace. Whenever your application starts, it requests a portion of RAM to store data. Unlike a hard drive or SSD, RAM is incredibly fast—but it's also temporary. Once your program ends, the operating system reclaims that memory.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/mt6ey4pz_inline_1_74b74ed6ac.jpg" alt="computer processor microchip hardware technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>Understanding the distinction between the stack and the heap is fundamental for deep software optimization. Stack allocation is extremely fast due to its strict Last In, First Out (LIFO) order, whereas heap memory provides flexibility for dynamic data that must persist beyond a single function scope, though it requires more careful management to avoid overhead.</p></div><p>Memory is generally divided into two major areas: the stack and the heap. The stack is extremely fast because memory is added and removed in a strict Last In, First Out (LIFO) order. Meanwhile, the heap stores dynamically allocated data which remains allocated until it is no longer needed by the application.</p><p>Languages like JavaScript, Python, Java, C#, and Go automatically reclaim unused memory through garbage collection. This saves developers from manually allocating and freeing memory. Objects remain in memory until nothing references them anymore, allowing the engine to safely free the allocated space.</p><p>A memory leak occurs when memory that is no longer useful remains allocated because something still references it. Closures, for instance, keep variables alive even after a function finishes executing. If not handled carefully, closures can unintentionally retain large objects longer than needed until all references are explicitly cleared.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/mr_elvis/memory-management-explained-for-developers-21l6" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_เข้าใจระบบการจัดการหน่วยความจำสำหรับนักพัฒนาซอฟต์แวร์-mt6ey4pz.jpg

small_เข้าใจระบบการจัดการหน่วยความจำสำหรับนักพัฒนาซอฟต์แวร์-mt6ey4pz.jpg

thumbnail_เข้าใจระบบการจัดการหน่วยความจำสำหรับนักพัฒนาซอฟต์แวร์-mt6ey4pz.jpg

เข้าใจระบบการจัดการหน่วยความจำสำหรับนักพัฒนาซอฟต์แวร์-mt6ey4pz.jpg

เจาะลึกการทำงานของ RAM, Stack, Heap และ Garbage Collection เพื่อช่วยให้นักพัฒนาเขียนโค้ดได้เร็วขึ้นและลดข้อผิดพลาดในแอปพลิเคชัน

Explore how RAM, Stack, Heap, and Garbage Collection work to help developers write faster code and prevent memory leaks in applications.

เข้าใจระบบการจัดการหน่วยความจำสำหรับนักพัฒนาซอฟต์แวร์

Memory Management Explained for Developers

<div class="key-takeaways"><ul><li>สแต็กโอเวอร์ฟลอกเกิดขึ้นเมื่อข้อมูลล้นความจุจนไปทับตำแหน่งแอดเดรสส่งกลับ</li><li>ฟังก์ชันอย่าง strcpy และ memcpy มักเป็นจุดเริ่มต้นของช่องโหว่ความปลอดภัยนี้</li><li>ตัวเลือก -z ของ GCC ควบคุมการส่งผ่านคำสั่งไปยังตัวเชื่อมโยงหรือลิงเกอร์</li><li>NX/DEP ทำหน้าที่ป้องกันไม่ให้ระบบปฏิบัติการรันโค้ดที่อยู่บนสแต็กโดยตรง</li></ul></div><p>บทความนี้ต่อยอดจากการอธิบายตัวเลือก -fstack-protector ของ GCC โดยจะพาทุกท่านไปทำความเข้าใจเชิงลึกเกี่ยวกับวิธีตั้งค่าสแต็กให้ไม่สามารถรันโค้ดได้ (Non-Executable Stack) พร้อมทั้งสำรวจกลไกเบื้องหลังที่โปรแกรมคอมพิวเตอร์แปลงร่างจากซอร์สโค้ดภาษา C ไปเป็นไฟล์ไบนารีบนสถาปัตยกรรม x86_64</p><p>ปัญหาช่องโหว่ประเภท Buffer Overflow มักเกิดขึ้นเมื่อโปรแกรมเขียนข้อมูลลงในบัฟเฟอร์เกินกว่าขนาดที่จัดสรรไว้ ส่งผลให้หน่วยความจำข้างเคียงเกิดความเสียหาย โดยเฉพาะส่วนของ saved return address บนสแต็ก ซึ่งแฮกเกอร์สามารถใช้ฟังก์ชันอย่าง strcpy หรือ memcpy ในการโจมตีเพื่อเปลี่ยนทิศทางกระแสการทำงานของโปรแกรมได้</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/x86_64_gcc_dep_nx_mt6exc0t_inline_1_b3a6d9d11f.jpg" alt="binary code programming abstract background" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในภาษา C ตัวอย่างเช่น การคัดลอกข้อมูลคำขอขนาด 256 ไบต์ ลงในตัวแปรบัฟเฟอร์ที่มีพื้นที่เพียง 64 ไบต์ ด้วยคำสั่ง strcpy(buffer, request); จะทำให้เกิดการทับซ้อนของหน่วยความจำ และเปิดช่องให้ผู้ไม่หวังดีเข้ามาควบคุมการทำงานได้ เนื่องจากตัวแปรดังกล่าวถูกจัดสรรไว้บนสแต็ก จึงเรียกปรากฏการณ์นี้ว่า Stack-based Buffer Overflow</p><div class="ai-insight"><p>การทำความเข้าใจกลไก NX (No-Execute) หรือ DEP (Data Execution Prevention) ถือเป็นรากฐานสำคัญของความปลอดภัยในระบบคอมพิวเตอร์ยุคใหม่ ในอดีตหน่วยความจำทุกส่วนมักถูกอนุญาตให้รันโค้ดได้ทั้งหมด แต่วิธีนี้เปิดช่องให้ผู้โจมตีฝังโค้ดอันตรายลงในหน่วยความจำข้อมูลแล้วสั่งรันได้โดยตรง การบังคับให้สแต็กเก็บได้เฉพาะข้อมูลแต่ห้ามรันคำสั่ง จึงเป็นเกราะป้องกันด่านแรกที่หยุดยั้งการโจมตีลักษณะนี้ได้อย่างชะงัด</p></div><p>สำหรับการใช้งานคอมไพเลอร์ GCC นั้น ตัวเลือก -z จะทำหน้าที่ส่งอาร์กิวเมนต์ต่อไปยังลิงเกอร์ โดยออปชัน execstack จะไปลบกลไกการป้องกันเริ่มต้นที่กำหนดให้โปรแกรมห้ามรันโค้ดจากสแต็ก ซึ่งโดยทั่วไปแล้ว เราจะใช้ตัวเลือกนี้เพื่อวัตถุประสงค์ในการศึกษาและวิเคราะห์กลไกของช่องโหว่เท่านั้น ไม่แนะนำให้เปิดใช้งานจริงในการพัฒนาโปรแกรมทั่วไป</p><p>โครงสร้างไฟล์ ELF (Executable and Linkable Format) ประกอบด้วยองค์ประกอบหลักหลายส่วน เช่น ELF Header ทำหน้าที่เปรียบเสมือนบัตรประจำตัวของไฟล์, Program Header Table ที่จำเป็นสำหรับการรันโปรแกรมเพื่อบอกระบบปฏิบัติการว่าต้องแมปไฟล์ลงในหน่วยความจำอย่างไร รวมถึงส่วนของ Sections ต่างๆ เช่น .text สำหรับโค้ดคำสั่ง, .data และ .bss สำหรับตัวแปรประเภทต่างๆ</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/ddupard/x8664-from-source-code-to-binary-what-does-gcc-actually-do-dep-nx-1be7" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Buffer overflows occur when written data exceeds allocated buffer capacity</li><li>Functions like strcpy and memcpy often contribute to memory corruption risks</li><li>The GCC -z option passes specific configuration parameters to the linker</li><li>NX/DEP security policies prevent the operating system from executing stack code</li></ul></div><p>Following a previous explanation of GCC options such as -fstack-protector, this article explores how to configure a non-executable stack and examines what that security configuration truly means during the compilation process on x86_64 systems.</p><p>A buffer overflow happens when software writes more data into a buffer than its designated size, corrupting neighboring memory regions—most notably the saved return address stored on the stack. Vulnerabilities frequently arise from standard C functions like strcpy and memcpy, affecting buffers allocated either on the stack or the heap.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/x86_64_gcc_dep_nx_mt6exc0t_inline_1_b3a6d9d11f.jpg" alt="binary code programming abstract background" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>For instance, copying a 256-byte request into a 64-byte buffer using the C statement strcpy(buffer, request); overwrites the stack frame. Because the return address is compromised, an attacker can hijack the program execution flow to run arbitrary shellcode, creating a classic stack-based buffer overflow scenario.</p><div class="ai-insight"><p>Understanding the Non-Execute (NX) bit or Data Execution Prevention (DEP) is fundamental to modern binary exploitation defense. Historically, CPU architectures treated all memory as executable, allowing injected shellcode in data segments to run freely. Enforcing memory permission boundaries ensures that data storage areas can never execute instructions, effectively mitigating vast classes of memory corruption attacks.</p></div><p>Within the GCC toolchain, the -z option routes specific flags directly to the linker. Specifically, the execstack option strips away the default linker protection that normally safeguards applications from executing instructions directly out of the stack memory region, a configuration primarily utilized for security research and educational analysis.</p><p>Executable and Linkable Format (ELF) binaries are structured around multiple distinct components. The ELF Header acts as an identification card detailing system architecture and entry points, while the Program Header Table provides essential instructions for the operating system loader to map segments into virtual memory alongside designated permission flags.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/ddupard/x8664-from-source-code-to-binary-what-does-gcc-actually-do-dep-nx-1be7" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

large_article-3900.jpg

medium_article-3900.jpg

small_article-3900.jpg

thumbnail_article-3900.jpg

article-3900.jpg

เจาะลึกกระบวนการทำงานของ GCC ในระบบ x86_64 สำรวจกลไก Buffer Overflow และความสำคัญของการตั้งค่าสแต็กให้ไม่สามารถรันโค้ดได้ (NX/DEP)

Explore how GCC compiles C code on x86_64 architectures, examining buffer overflows and the critical security role of non-executable stacks (NX/DEP).

X86_64 จากซอร์สโค้ดสู่ไบนารี: ทำความเข้าใจ GCC และ DEP/NX

X86_64 From Source Code to Binary: GCC and DEP/NX

<div class="key-takeaways"><ul><li>เริ่มต้นเส้นทาง Data Science และ Analytics ที่ LuxdevHq หลังจากทำงานด้านการเงิน</li><li>Git ทำหน้าที่เป็นเครื่องมือบันทึกเวอร์ชันเปรียบเสมือนกล้องถ่ายภาพโครงการ</li><li>Git Bash ทำหน้าที่เป็นเทอร์มินัลสำหรับพิมพ์คำสั่งจัดการไฟล์และสื่อสารกับ GitHub</li><li>GitHub เป็นพื้นที่จัดเก็บบันทึกข้อมูลออนไลน์เพื่อให้เข้าถึงและทำงานร่วมกันได้จากระยะไกล</li></ul></div><p>ทุกๆ การเดินทางเริ่มต้นด้วยก้าวแรกเสมอ เช่นเดียวกับเส้นทางสาย Data Science และ Analytics ของผู้เขียนที่เพิ่งเริ่มต้นขึ้นเมื่อสองสัปดาห์ก่อน ด้วยพื้นฐานอาชีพเดิมในแวดวงการเงินและการลงทุนที่ต้องคลุกคลีกับตัวเลขและการตีความเพื่อให้ข้อมูลเหล่านั้นมีความหมาย ทำให้ทักษะการนำเสนอและการวิเคราะห์กลายเป็นหัวใจสำคัญ และนี่คือจุดเริ่มต้นที่นำพาให้ตัดสินใจสมัครเข้าศึกษาที่ LuxdevHq</p><p>ในตอนแรกระบบนิเวศของ Git อาจดูเป็นเรื่องซับซ้อน แต่เมื่อได้เรียนรู้แล้วกลับพบว่าเป็นเรื่องที่น่าสนใจและไม่ได้ยากอย่างที่คิด การทำความเข้าใจเครื่องมือเหล่านี้จึงเป็นก้าวสำคัญสำหรับนักวิเคราะห์ข้อมูลทุกคน</p><blockquote class="pull-quote"><p>"Git is a software tool that allows me to make changes, manage and track projects or files that are locally hosted on my computer's hard drive."</p><cite>Ezzy Kinyua</cite></blockquote><p>Git คือซอฟต์แวร์ที่ช่วยให้สามารถจัดการ ติดตาม และเปลี่ยนแปลงโปรเจกต์หรือไฟล์ที่จัดเก็บไว้ในฮาร์ดไดรฟ์ของคอมพิวเตอร์ได้ โดย Git จะเก็บบันทึกเวอร์ชันก่อนหน้าของโปรเจกต์เอาไว้ ทำหน้าที่เปรียบเสมือนกล้องถ่ายภาพที่บันทึกช่วงเวลาสำคัญ เพื่อให้สามารถตรวจสอบการเปลี่ยนแปลงที่เกิดขึ้นในแต่ละช่วงเวลาได้อย่างแม่นยำ</p><div class="ai-insight"><p>การทำความเข้าใจระบบควบคุมเวอร์ชัน (Version Control Systems) เช่น Git ถือเป็นทักษะพื้นฐานที่สำคัญมากสำหรับนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ เนื่องจากช่วยป้องกันการสูญหายของข้อมูลระหว่างการเขียนโค้ดวิเคราะห์ข้อมูล และช่วยให้สามารถย้อนกลับไปดูชุดคำสั่งหรือโมเดลในเวอร์ชันก่อนหน้าได้ทันทีหากเกิดข้อผิดพลาด</p></div><p>สำหรับ Git Bash นั้นเปรียบเสมือนเทอร์มินัลหรือหน้าต่างคำสั่งที่อนุญาตให้ผู้ใช้งานพิมพ์คำสั่งเพื่อจัดการกับไฟล์ โฟลเดอร์ และโปรเจกต์ต่างๆ ภายในเครื่อง รวมถึงใช้เป็นช่องทางในการส่งคำสั่งเพื่อสื่อสารกับ GitHub ต่อไป</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/data_science_git_github_mt625j85_inline_1_78fd554b39.jpg" alt="terminal command line computer interface" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>ในส่วนของ GitHub คือพื้นที่จัดเก็บโปรเจกต์และไฟล์ต่างๆ บนระบบออนไลน์ ช่วยให้สามารถเข้าถึงข้อมูลเหล่านั้นจากระยะไกลได้โดยไม่ต้องพึ่งพาคอมพิวเตอร์ส่วนตัวเพียงอย่างเดียว นอกจากนี้ยังรองรับการแบ่งปันไฟล์และการทำงานร่วมกันกับผู้ใช้งานคนอื่นๆ ที่ทำงานในโปรเจกต์เดียวกันได้อีกด้วย</p><p>ขั้นตอนเริ่มต้นใช้งานจริงเริ่มต้นจากการดาวน์โหลดและติดตั้งโปรแกรมจากเว็บไซต์ git-scm.com โดยมีขั้นตอนสำคัญดังนี้:</p><ul><li>ตรวจสอบการติดตั้งด้วยคำสั่ง git --version</li><li>กำหนดค่าชื่อผู้ใช้งานผ่านคำสั่ง git config --global user.name "My name"</li><li>กำหนดค่าอีเมลด้วยคำสั่ง git config --global user.email "My email"</li></ul><p>ถัดมาคือการตั้งค่า SSH Keys เพื่ออำนวยความสะดวกในการเชื่อมต่อคอมพิวเตอร์เข้ากับ GitHub อย่างปลอดภัย รวมถึงการสร้างโฟลเดอร์หรือ Repo ซึ่งหมายถึงโปรเจกต์หรือโฟลเดอร์ที่ถูกติดตามการเปลี่ยนแปลงโดย Git เมื่อจัดเก็บโปรเจกต์บนเครื่องเรียบร้อยแล้ว ขั้นตอนต่อไปคือการ Push ข้อมูลขึ้นระบบออนไลน์เพื่อให้เข้าถึงและแบ่งปันได้ง่าย</p><p>บทเรียนตลอดสองสัปดาห์ที่ผ่านมาสะท้อนให้เห็นว่านี่คือเส้นทางที่ต้องอาศัยความมุ่งมั่นและความเอา <b>commit</b> เป็นสำคัญ ไม่ใช่แค่การทำความเข้าใจเครื่องมือใหม่ๆ เท่านั้น แต่เป็นการฝึกกระบวนการคิดวิเคราะห์เพื่อรับมือและแก้ไขปัญหา ข้อผิดพลาด ชุดคำสั่ง และความสำเร็จล้วนเป็นส่วนหนึ่งของการเรียนรู้นี้</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/ezzy_kinyua/-my-data-science-analytics-journey-understanding-git-git-bash-github-4c73" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Started Data Science and Analytics at LuxdevHq after a background in finance.</li><li>Git acts as a version-tracking tool working like a camera capturing project moments.</li><li>Git Bash functions as a terminal for managing files and communicating with GitHub.</li><li>GitHub provides online cloud storage for remote access and project collaboration.</li></ul></div><p>Every journey starts with a single first step, including the transition into Data Science and Analytics that began a fortnight ago. Coming from a career in finance and investments focused on numbers and interpretation, proper presentation is key to making data meaningful, which ultimately led to enrolling at LuxdevHq.</p><p>Initially, the Git ecosystem sounded complicated, but surprisingly, it is quite interesting to learn and use. Grasping these foundational tools marks a critical milestone for any aspiring data professional.</p><blockquote class="pull-quote"><p>"Git is a software tool that allows me to make changes, manage and track projects or files that are locally hosted on my computer's hard drive."</p><cite>Ezzy Kinyua</cite></blockquote><p>Git is a software tool that allows changes to be made, managed, and tracked for projects or files locally hosted on a computer's hard drive. It maintains records of previous project versions, acting just like a camera capturing a specific moment to determine changes happening at that exact time.</p><div class="ai-insight"><p>Understanding Version Control Systems like Git is fundamental for data scientists and analysts. It prevents data loss during complex data manipulation scripts and allows teams to revert to previous model versions instantly when errors occur.</p><p>Git Bash serves as a terminal where commands can be written to manage files, folders, and projects, as well as communicate directly with GitHub.</p></div><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/data_science_git_github_mt625j85_inline_1_78fd554b39.jpg" alt="terminal command line computer interface" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>GitHub is simply online storage for projects and files, allowing remote access away from a personal PC. It also facilitates sharing projects and files and collaborating with other users working on the exact same materials.</p><p>The installation process began by downloading from git-scm.com, followed by key configuration steps:</p><ul><li>Verifying installation using the command git --version</li><li>Configuring the username via git config --global user.name "My name"</li><li>Setting up the email address via git config --global user.email "My email"</li></ul><p>Setting up SSH Keys facilitates securely connecting a PC to GitHub. Creating files and folders on the computer forms a repo, which is simply a project or folder tracked by Git. After securely storing projects locally, the next step involves pushing them online so they become shareable and accessible remotely.</p><p>Reflecting on the past two weeks, the journey requires commitment. Beyond learning new tools, it is about interpreting and approaching problems, where errors, commands, and every success form an integral part of the learning curve.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/ezzy_kinyua/-my-data-science-analytics-journey-understanding-git-git-bash-github-4c73" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_article-3880.jpg

small_article-3880.jpg

thumbnail_article-3880.jpg

article-3880.jpg

เรียนรู้การใช้งาน Git, Git Bash และ GitHub ในช่วงสองสัปดาห์แรกของการเปลี่ยนสายอาชีพจากด้านการเงินสู่ Data Science และ Analytics

Discovering Git, Git Bash, and GitHub during the first two weeks of transitioning from a finance career into Data Science and Analytics.

เจาะลึกเส้นทางสาย Data Science: ทำความรู้จัก Git และ GitHub

My Data Science & Analytics Journey: Git and GitHub

<div class="key-takeaways"><ul><li>นักพัฒนาทั่วโลกรายงานปัญหาพฤติกรรมของ Claude เปลี่ยนไปตลอดปี 2026 บนแพลตฟอร์ม GitHub และ Reddit</li><li>Stella Laurenzo ผู้อำนวยการอาวุโสด้าน AI ของ AMD ได้วิเคราะห์เซสชันการใช้งาน Claude Code จำนวน 6,852 เซสชันเพื่อตรวจสอบปัญหา</li><li>Anthropic เผยผลตรวจสอกพบ 3 สาเหตุหลัก ได้แก่ งบประมาณการคิดที่ลดลง บั๊กการตัดแต่งบริบท และคำสั่งจำกัดความยาวระบบ</li><li>การที่โมเดลมีคะแนน Benchmark สูงไม่ได้หมายความว่าจะทำงานจริงได้ดีเสมอไป หากระบบควบคุมการทำงานจำกัดทรัพยากร</li></ul></div><p>คำถามที่ว่า Claude กำลังฉลาดน้อยลงหรือไม่ เกิดขึ้นจากความหงุดหงิดของผู้ใช้งานจริงเมื่อพฤติกรรมของผลิตภัณฑ์เปลี่ยนไป เช่น สั่งให้ตรวจสอบโปรเจกต์แต่กลับแก้ไขก่อนอ่าน หรือหยุดกลางคันเมื่อเจองานยาวๆ รวมถึงการตอบตัวเลขด้วยความมั่นใจโดยยังไม่ได้คำนวณจริง</p><p>ประสบการณ์เหล่านี้มักถูกอธิบายในแง่มุมความเป็นมนุษย์ เช่น ความขี้เกียจ การลังเล หรือการลืม แต่คำว่าฉลาดน้อยลงกลับซ่อนคำถามที่มีประโยชน์มากกว่าว่า ส่วนใดของระบบกันแน่ที่เปลี่ยนแปลงไปตลอดปี 2026 นักพัฒนาได้รายงานปัญหาที่คล้ายคลึงกันผ่าน GitHub, Reddit และ X โดยมีรายละเอียดตั้งแต่การใช้เหตุผลตื้นเขิน การหยุดทำงานก่อนกำหนด ไปจนถึงการให้คำตอบที่ยาวเหยียดแต่ไร้การปฏิบัติจริง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/claude_mt624qd7_inline_1_b8c300df68.jpg" alt="software engineer workspace computer screen programming" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>Stella Laurenzo ผู้อำนวยการอาวุโสด้าน AI ของ AMD ได้ยื่นรายงานปัญหาบน GitHub เมื่อวันที่ 2 เมษายน โดยวิเคราะห์เซสชันการใช้งาน Claude Code จำนวน 6,852 เซสชัน ซึ่งรวมถึงบล็อกการคิดที่มองเห็นได้ 17,871 บล็อก และการเรียกใช้เครื่องมือ 234,760 ครั้ง งานดังกล่าวครอบคลุมถึงระบบการเขียนโปรแกรม ไดรเวอร์ GPU และงานระยะยาวที่เกี่ยวข้องกับหลายไฟล์</p><div class="stat-row"><div class="stat-item"><span class="stat-number">6,852</span><span class="stat-label">เซสชัน Claude Code ที่ถูกวิเคราะห์</span></div><div class="stat-item"><span class="stat-number">17,871</span><span class="stat-label">บล็อกการคิดที่มองเห็นได้</span></div><div class="stat-item"><span class="stat-number">234,760</span><span class="stat-label">การเรียกใช้เครื่องมือ</span></div></div><p>ในวันที่ 23 เมษายน ทางบริษัทได้เผยแพร่รายงานทางเทคนิคเกี่ยวกับปัญหาดังกล่าว โดยพบสาเหตุที่แยกออกจากกัน 3 ประการ ได้แก่ งบประมาณการคิดที่ลดลง บั๊กการตัดแต่งบริบท และคำสั่งจำกัดความยาวของระบบ โดยยืนยันว่าระบบ API และระบบให้บริการโมเดลไม่ได้รับผลกระทบแต่อย่างใด</p><blockquote class="pull-quote"><p>"Which part of the system changed?"</p><cite>Dev.to</cite></blockquote><div class="ai-insight"><p>การวิเคราะห์เพิ่มเติมแสดงให้เห็นว่า ประสบการณ์การใช้งาน AI ไม่ได้ขึ้นอยู่กับความสามารถของโมเดลหลักเพียงอย่างเดียว แต่ยังถูกกำหนดโดยสภาพแวดล้อมการทำงาน เช่น การจำกัดทรัพยากร ความเร็ว และมาตรการความปลอดภัย ซึ่งอาจทำให้โมเดลที่มีประสิทธิภาพสูงแสดงผลลัพธ์ที่ด้อยลงในบางสถานการณ์</p></div><p>แม้ Anthropic จะเปิดตัว Claude Opus 5 พร้อมความสามารถในการเขียนโค้ดและการประมวลผลความรู้ที่ดีขึ้น แต่ผู้ใช้ยังคงต้องเผชิญกับข้อจำกัดจากกฎเกณฑ์การจัดเส้นทางและการจำกัดการใช้ความพยายามที่แตกต่างกันไปในแต่ละเซสชัน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/socialawy/is-claude-getting-dumber-you-may-be-looking-at-the-wrong-part-f6e" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Developers worldwide reported shifting Claude behaviors throughout 2026 across GitHub and Reddit platforms.</li><li>Stella Laurenzo, a senior AI director at AMD, analyzed 6,852 Claude Code sessions to investigate user complaints.</li><li>Anthropic published a postmortem finding three distinct causes: reduced reasoning budgets, context pruning bugs, and brevity instructions.</li><li>A high benchmark score does not guarantee top performance when system wrappers restrict underlying resources.</li></ul></div><p>The question of whether Claude is getting dumber stems from real user frustration when the product alters its habits, such as editing files before reading them or stopping halfway through long tasks with unverified confidence.</p><p>These experiences translate into human terms like laziness or forgetfulness, but the label hides a more useful inquiry into which part of the system actually changed. Throughout 2026, developers on GitHub, Reddit, and X reported shallow reasoning, premature stopping, and lost context, culminating in coverage by Axios and The Register by April.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/claude_mt624qd7_inline_1_b8c300df68.jpg" alt="software engineer workspace computer screen programming" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Stella Laurenzo, a senior AI director at AMD, filed a detailed analysis on April 2 examining 6,852 Claude Code sessions, including 17,871 visible thinking blocks and 234,760 tool calls involving systems programming and GPU drivers.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">6,852</span><span class="stat-label">Analyzed Claude Code sessions</span></div><div class="stat-item"><span class="stat-number">17,871</span><span class="stat-label">Visible thinking blocks</span></div><div class="stat-item"><span class="stat-number">234,760</span><span class="stat-label">Total tool calls</span></div></div><p>On April 23, Anthropic released a technical postmortem identifying three separate causes for the quality reports: a reduced reasoning budget, a context pruning bug, and a system-prompt instruction, while confirming the API remained unaffected.</p><blockquote class="pull-quote"><p>"Which part of the system changed?"</p><cite>Dev.to</cite></blockquote><div class="ai-insight"><p>This analysis highlights that user experience depends heavily on operational conditions rather than core model capability alone. Constraints like effort limits, safety filters, and context management can cause a powerful model to underperform on specific tasks.</p></div><p>Even though Claude Opus 5 launched with advanced coding and reasoning capabilities, variable effort controls and routing fallbacks mean that users still experience different operational limits across distinct sessions.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/socialawy/is-claude-getting-dumber-you-may-be-looking-at-the-wrong-part-f6e" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_article-3879.jpg

small_article-3879.jpg

thumbnail_article-3879.jpg

article-3879.jpg

ผู้ใช้วิจารณ์พฤติกรรม Claude เปลี่ยนไปในปี 2026 ขณะที่ Anthropic เผยสาเหตุจากปัญหาการจัดสรรงบประมาณการคิด วิเคราะห์ และระบบภายใน

Users report changing Claude behaviors in 2026, while Anthropic identifies root causes linked to reasoning budgets and system constraints.

Claude ฉลาดน้อยลงจริงไหม? เจาะลึกเบื้องหลังระบบ

Is Claude Getting Dumber? Looking at the System Parts

<div class="key-takeaways"><ul><li>คะแนน INP แย่มักไม่ได้มาจากเซิร์ฟเวอร์ แต่เกิดจากสคริปต์ภายนอก</li><li>โฆษณาและสคริปต์คิดเป็นสัดส่วนใหญ่ของภาระ JavaScript ในเบราว์เซอร์</li><li>การย้ายโฮสติ้งไม่ช่วยแก้ปัญหา INP ตราบใดที่ Main Thread ยังถูกบล็อก</li><li>การปรับแต่งสคริปต์ภายนอกช่วยแก้ปัญหาได้ภายในหนึ่งสปินต์โดยไม่ต้องย้ายเซิร์ฟเวอร์</li></ul></div><p>เมื่อคะแนน Core Web Vitals ตกลงในแถบสีแดง การสนทนาในห้องประชุมมักจบลงที่การเปลี่ยนโฮสติ้ง เพิ่มแรม หรือย้ายไปใช้ VPS แต่หลังจากย้ายระบบเรียบร้อยและค่าใช้จ่ายเพิ่มขึ้น ตัวเลข INP บน Search Console ก็ยังคงแย่เหมือนเดิม ปัญหานี้พบได้บ่อยในโครงการประเภทตกแต่งภายใน งานก่อสร้าง และบริการท้องถิ่น โดยคู่มือการตรวจสอบจาก Search Engine Journal ยืนยันตรงกันว่า ต้นเหตุที่แท้จริงไม่ใช่เซิร์ฟเวอร์ แต่เป็นโค้ดที่รันอยู่ในเบราว์เซอร์ของผู้ใช้งาน</p><p>จากข้อมูลเชิงลึกของ adPerf เผยว่าเนื้อหาจากบุคคลที่สามอย่างโฆษณาคิดเป็นสัดส่วนมากกว่า 15% ของภาระการโหลดหน้าเว็บ และราว 88% ของภาระนั้นหมดไปกับ JavaScript ซึ่ง JavaScript นี่เองที่เป็นตัวการบล็อก Main Thread โดยตรง ซึ่งเป็นจุดที่ใช้คำนวณค่า INP เจ้าของธุรกิจจำนวนมากเสียเงินไปกับโครงสร้างพื้นฐานที่ใช้งานได้ดีอยู่แล้ว ขณะที่แท็กการตลาดฟรีสามตัวกลับสูบงบประมาณการตอบสนองของเว็บไซต์ไปจนหมด</p><p>ข่าวดีคือปัญหาสามารถแก้ไขได้ภายในหนึ่งสปินต์โดยไม่ต้องย้ายข้อมูลแม้แต่ไบต์เดียวไปยังเซิร์ฟเวอร์ใหม่ INP ทำหน้าที่วัดความเร็วในการตอบสนองต่อการโต้ตอบของผู้ใช้งาน ไม่ใช่ความเร็วที่เซิร์ฟเวอร์ส่งไฟล์ HTML ตราบใดที่แท็กแมเนเจอร์ วิดเจ็ตแชท พิกเซลโฆษณา และวิดีโอฝัง ยังคงรบกวน Main Thread การอัปเกรดเซิร์ฟเวอร์จึงเป็นการย้ายคอขวดเท่านั้น</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/core_web_vitals_inp_mt623xu2_inline_1_71599083d1.jpg" alt="analytics performance dashboard graph" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">15%</span><span class="stat-label">ภาระการโหลดหน้าเว็บจากโฆษณา</span></div><div class="stat-item"><span class="stat-number">88%</span><span class="stat-label">ภาระโหลดที่หมดไปกับ JavaScript</span></div></div><p>ความเข้าใจผิดที่พบบ่อยคือการคิดว่าทั้งสามเมตริกของ Core Web Vitals วัดสิ่งเดียวกัน แต่แท้จริงแล้ว LCP และ INP อยู่คนละโลก LCP เกี่ยวข้องกับเครือข่ายและสินทรัพย์ ส่วน INP เกี่ยวข้องกับสถาปัตยกรรม JavaScript เซิร์ฟเวอร์ที่เร็วขึ้นส่ง HTML ได้เร็วขึ้น แต่ไม่ได้หยุดไม่ให้ Main Thread ยุ่งเหยิง นี่คือจุดที่สคริปต์ภายนอกส่งผลกระทบต่อ INP อย่างชัดเจน</p><blockquote class="pull-quote"><p>"สาเหตุไม่ใช่เซิร์ฟเวอร์ แต่คือโค้ดที่ทำงานในเบราว์เซอร์ของผู้เข้าชม"</p><cite>Search Engine Journal</cite></blockquote><p>ขั้นตอนการตรวจสอบเริ่มต้นด้วยข้อมูลจริงจาก Search Console ตรงหัวข้อ Core Web Vitals ไปที่รายงาน INP แล้วคลิกเจาะจงไปยัง URL ที่มีปัญหา เช่น หน้าติดต่อ หน้าแคตตาล็อกที่มีตัวกรอง และหน้าชำระเงิน ซึ่งมักเป็นจุดเกิดเหตุบ่อยครั้ง จากนั้นใช้เครื่องมือ DevTools เพื่อแยกแยะสคริปต์ภายนอกออกจากโค้ดภายในเว็บไซต์</p><div class="ai-insight"><p>การวิเคราะห์เชิงลึกชี้ให้เห็นว่าสคริปต์ภายนอกมักถูกเพิ่มเข้ามาผ่านการประชุมฝ่ายการตลาดโดยไม่มีการตรวจสอบผลกระทบด้านประสิทธิภาพ การทำความเข้าใจความแตกต่างระหว่างข้อมูลจำลองจาก Lighthouse และข้อมูลจริงจาก CrUX ช่วยให้ทีมพัฒนาสามารถมุ่งเป้าไปที่การแก้ไขปัญหาได้อย่างตรงจุด แทนที่จะเสียเวลาไปกับการปรับแต่งโครงสร้างเซิร์ฟเวอร์ที่ไม่ใช่ต้นเหตุ</p></div><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/mightyblue/inp-bukan-masalah-hosting-cara-mengaudit-dan-menjinakkan-script-pihak-ketiga-di-situs-bisnis-5d8e" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Poor INP scores are rarely caused by server issues but rather by third-party scripts.</li><li>Ads and third-party content account for a massive share of browser JavaScript load.</li><li>Migrating hosting does not fix INP as long as the main thread remains blocked.</li><li>Optimizing third-party scripts can be achieved within a single sprint without server migration.</li></ul></div><p>Whenever Core Web Vitals scores turn red, boardroom conversations invariably pivot toward upgrading hosting, increasing RAM, or shifting to a VPS. Yet, after migration is complete and hosting bills double, INP figures in Search Console remain in the red. This pattern repeats across interior design, construction, and local service projects. A step-by-step audit guide published by Search Engine Journal confirms that the culprit is rarely the server, but rather the code executing inside visitors' browsers.</p><p>According to adPerf research dissecting the performance cost of third-party content, ads account for over 15% of page load overhead in browsers, with roughly 88% of that overhead consumed by JavaScript. This metric is crucial because JavaScript is the sole element that actively blocks the main thread where INP is calculated. Many business owners invest heavily in infrastructure that functions adequately, while three complimentary marketing tags quietly consume their entire responsiveness budget.</p><p>The most encouraging aspect is that the issue can be resolved within a single sprint, without moving a single byte to a new server. INP measures how swiftly a page responds to interactions, not how fast the server delivers HTML. As long as tag managers, chat widgets, ad pixels, and video embeds continue to commandeer the main thread, infrastructure upgrades merely relocate the bottleneck rather than eliminating it.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/core_web_vitals_inp_mt623xu2_inline_1_71599083d1.jpg" alt="analytics performance dashboard graph" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">15%</span><span class="stat-label">Page load overhead from ads</span></div><div class="stat-item"><span class="stat-number">88%</span><span class="stat-label">Overhead consumed by JavaScript</span></div></div><p>A common misconception regarding Core Web Vitals is assuming all three metrics measure identical aspects. In reality, LCP and INP exist in different domains. LCP is primarily a network and asset concern, whereas INP is almost entirely an issue of JavaScript architecture. A faster server delivers HTML earlier, but it does not prevent the main thread from remaining busy, which is where third-party script issues become apparent.</p><blockquote class="pull-quote"><p>"The culprit is rarely the server, but rather the code executing inside visitors' browsers."</p><cite>Search Engine Journal</cite></blockquote><p>The auditing process begins with field data from Search Console under Core Web Vitals, navigating to the INP report and drilling down to specific URLs with data, such as contact pages, filtered catalog pages, and checkout pages where interactions frequently occur. Developers can then utilize DevTools to isolate third-party scripts from internal site code.</p><div class="ai-insight"><p>Deeper analysis reveals that third-party scripts are frequently introduced through marketing meetings without performance impact reviews. Understanding the difference between simulated Lighthouse data and real-world CrUX data empowers development teams to target fixes accurately, avoiding wasted time on server adjustments that fail to address the root cause.</p></div><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/mightyblue/inp-bukan-masalah-hosting-cara-mengaudit-dan-menjinakkan-script-pihak-ketiga-di-situs-bisnis-5d8e" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_core-web-vitals-วิธีแกปัญหา-inp-และสคริปต์ภายนอกเว็บ-mt623xu2.jpg

small_core-web-vitals-วิธีแกปัญหา-inp-และสคริปต์ภายนอกเว็บ-mt623xu2.jpg

thumbnail_core-web-vitals-วิธีแกปัญหา-inp-และสคริปต์ภายนอกเว็บ-mt623xu2.jpg

core-web-vitals-วิธีแกปัญหา-inp-และสคริปต์ภายนอกเว็บ-mt623xu2.jpg

เผยวิธีแก้ปัญหา INP ของ Core Web Vitals โดยไม่ต้องเปลี่ยนโฮสติ้ง แต่เน้นการตรวจสอบและจัดการสคริปต์ภายนอกที่ทำให้เว็บช้า

Discover how to fix INP issues in Core Web Vitals by auditing third-party scripts instead of upgrading hosting servers.

Core Web Vitals: วิธีแกปัญหา INP และสคริปต์ภายนอกเว็บ

Core Web Vitals: How to Audit and Tame Third-Party Scripts

<div class="key-takeaways"><ul><li>นักพัฒนาสร้าง Tensorless จากความต้องการลดความยุ่งยากในการตั้งค่าเทรน AI</li><li>เวอร์ชันแรกใช้ PyTorch เป็นเบื้องหลัง ก่อนพัฒนาเป็นระบบนิวรัลของตัวเอง</li><li>ควบคุมขนาดแพ็กเกจให้เล็กกว่า 30-40 MB ต่างจากกองซ้อนขนาดใหญ่กว่า 500 MB</li><li>ออกแบบให้ใช้งานง่ายสำหรับมือใหม่และปรับแต่งได้ลึกสำหรับโปรแกรมเมอร์ขั้นสูง</li></ul></div><p>จุดเริ่มต้นของโปรเจกต์นี้ไม่ได้ยิ่งใหญ่ตั้งแต่แรก โดยผู้พัฒนาต้องการทำความเข้าใจการทำงานของโครงข่ายประสาทเทียมและการฝึกโมเดลอย่างถ่องแท้ จึงเริ่มต้นด้วยการสร้างโมเดล AI สองตัวด้วย PyTorch การลงมือทำจริงช่วยให้เข้าใจกระบวนการพื้นฐานได้ดีกว่าการอ่านบทเรียนเพียงอย่างเดียว</p><p>อย่างไรก็ตาม หลังจากผ่านกระบวนการเหล่านั้นซ้ำๆ นักพัฒนาก็เริ่มตั้งคำถามว่าทำไมการฝึกโมเดลแต่ละครั้งจึงต้องมีการตั้งค่ามากมาย ทำไมผู้ใช้ที่มีข้อมูลสำหรับฝึกอยู่แล้วจึงไม่สามารถป้อนข้อมูลให้ระบบจัดการส่วนที่น่าเบื่อโดยอัตโนมัติได้ เป้าหมายในตอนนั้นจึงไม่ใช่การสร้างเฟรมเวิร์กขนาดมหึมา แต่ต้องการระบบที่เรียบง่ายตามขั้นตอนนี้:</p><ul><li>ป้อนข้อมูลฝึกให้ Tensorless</li><li>ระบบคำนวณการตั้งค่าให้อัตโนมัติ</li><li>เริ่มกระบวนการฝึก</li><li>รับโมเดลพร้อมใช้งาน</li></ul><p>ในระยะเริ่มต้น Tensorless เวอร์ชันแรกเลือกใช้ PyTorch เป็นรากฐานเบื้องหลังเพื่อมุ่งเน้นไปที่การอัตโนมัติกระบวนการฝึกโดยใช้เงื่อนไขคงที่ในโค้ดตัดสินใจพารามิเตอร์แทนการกำหนดด้วยมือทั้งหมด ซึ่งผลลัพธ์ที่ได้ก็นับว่าน่าพอใจสำหรับความต้องการในตอนนั้น</p><blockquote class="pull-quote"><p>"I'm trying to make training simpler and lightweight, but I'm bringing in a huge stack just to do it."</p><cite>Puneet Kumar</cite></blockquote><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pytorch_tensorless_ai_mt5p60ox_inline_1_38597058d2.jpg" alt="software development laptop computer screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><br>ปัญหาสำคัญที่ทำให้เกิดการเปลี่ยนผ่านทางสถาปัตยกรรมคือขนาดของชุดพึ่งพาอาศัยกัน (dependencies) ในเวิร์กโฟลว์ของ PyTorch ที่บางครั้งพุ่งสูงเกิน 500 MB ซึ่งขัดกับความตั้งใจที่ต้องการความเรียบง่ายและน้ำหนักเบา นักพัฒนาจึงตัดสินใจสร้างชิ้นส่วนระบบด้วยตัวเองแทนที่จะใช้ PyTorch ห่อหุ้มไว้ตลอดไป</p><div class="ai-insight"><p>การเปลี่ยนผ่านจากเครื่องมือสำเร็จรูปมาสู่การสร้างเฟรมเวิร์กพื้นฐานด้วยตนเอง ถือเป็นกระบวนการเรียนรู้ที่มีประสิทธิภาพสูงในวงการวิศวกรรมปัญญาประดิษฐ์ การจัดการส่วนประกอบระดับล่าง เช่น ระบบจัดการข้อมูล โทเค็นไนเซชัน (Tokenization) รวมถึงการปรับแต่ง CUDA และ TPU ช่วยให้นักพัฒนาเข้าใจข้อจำกัดและประสิทธิภาพที่แท้จริงของฮาร์ดแวร์ ซึ่งหาไม่ได้จากการใช้งานไลบรารีระดับสูงเพียงอย่างเดียว</p></div><p>การพัฒนาขยายขอบเขตไปสู่การสร้างระบบนิวรัลและการฝึกของตัวเอง ซึ่งครอบคลุมองค์ประกอบหลายด้าน เช่น โครงสร้างโครงข่ายประสาทเทียม, ระบบการฝึก, การปรับแต่ง CUDA และ TPU, การกำหนดค่าอัตโนมัติ, โทเค็นไนเซชันแบบ BPE รวมถึงระบบบันทึกและโหลดโมเดล ทำให้ Tensorless กลายเป็นระบบฝึกน้ำหนักเบาที่ออกแบบมาเพื่อเวิร์กโฟลว์เฉพาะตัว</p><p>เพื่อให้เห็นภาพการทำงานจริง จึงมีการนำโมเดลไปทดสอบฝึกบนซีพียูและทดลองให้สนทนากับแมว แม้โมเดลจะเริ่มเข้าใจภาษาและให้ผลลัพธ์ที่น่าสนใจ แต่ก็สะท้อนให้เห็นว่าการทำให้ระบบฝึกทำงานได้นั้นเป็นคนละเรื่องกับการทำให้โมเดลเรียนรู้การแทนค่าภาษาที่มีประโยชน์ ซึ่งเป็นจุดเปลี่ยนสำคัญที่ทำให้ผู้พัฒนาเข้าใจความแตกต่างระหว่างระบบเบื้องหลังกับการเรียนรู้ของภาษา</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/puneetkumar2010/i-was-learning-pytorch-then-i-accidentally-started-building-my-own-ai-training-framework-55a9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Developer built Tensorless to eliminate repetitive setup during AI model training.</li><li>The first version utilized PyTorch underneath before evolving into a custom neural system.</li><li>Maintained an overall package size under 30-40 MB instead of heavy 500+ MB stacks.</li><li>Designed for single-function beginner ease and deep configuration for advanced users.</li></ul></div><p>The origin of this project was modest. The creator wanted to genuinely understand how neural networks and model training operate, leading to the creation of two AI models using PyTorch. Building projects from scratch provided practical insights far beyond simply reading tutorials.</p><p>However, after repeating the process, the developer began questioning why model training required extensive setup every single time. With training data already prepared, the goal shifted toward letting a framework handle the tedious parts automatically. The initial vision was straightforward:</p><ul><li>Provide training data to Tensorless</li><li>Tensorless figures out the setup automatically</li><li>Execute the training process</li><li>Obtain the trained model</li></ul><p>Initially, the first version of Tensorless relied on PyTorch underneath, focusing on automating the training workflow through fixed conditions in the code to handle parameter decisions instead of manual configuration, which yielded surprisingly good results.</p><blockquote class="pull-quote"><p>"I'm trying to make training simpler and lightweight, but I'm bringing in a huge stack just to do it."</p><cite>Puneet Kumar</cite></blockquote><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pytorch_tensorless_ai_mt5p60ox_inline_1_38597058d2.jpg" alt="software development laptop computer screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><br>A major turning point for the architecture was the sheer scale of dependencies in PyTorch-based workflows, which could exceed 500 MB. Contradicting the goal of maintaining a lightweight approach, the developer decided to construct components independently rather than relying indefinitely on a PyTorch wrapper.</p><div class="ai-insight"><p>Transitioning from established libraries to building foundational frameworks independently is a classic and rigorous learning path in artificial engineering. Managing low-level components such as data pipelines, tokenization, CUDA optimization, and TPU support offers deep insights into hardware efficiency and execution limits that high-level abstractions often conceal.</p><p>The expansion covered numerous infrastructural elements including neural network components, training routines, CUDA and TPU optimization, automatic configuration, BPE tokenization, and model persistence, transforming Tensorless into a customized lightweight training ecosystem.</p><p>To test its capabilities, the model was trained on a CPU using cat conversation datasets. While the preliminary responses demonstrated recognizable meanings, it highlighted a crucial distinction: running a training loop successfully is fundamentally different from ensuring a model acquires useful language representations.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/puneetkumar2010/i-was-learning-pytorch-then-i-accidentally-started-building-my-own-ai-training-framework-55a9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_เรียน-pytorch-เผลอสร้าง-tensorless-เฟรมเวิร์ก-ai-ตัวเอง-mt5p60ox.png

small_เรียน-pytorch-เผลอสร้าง-tensorless-เฟรมเวิร์ก-ai-ตัวเอง-mt5p60ox.png

thumbnail_เรียน-pytorch-เผลอสร้าง-tensorless-เฟรมเวิร์ก-ai-ตัวเอง-mt5p60ox.png

เรียน-pytorch-เผลอสร้าง-tensorless-เฟรมเวิร์ก-ai-ตัวเอง-mt5p60ox.png

โปรเจกต์เรียนรู้ PyTorch บานปลายกลายเป็นการพัฒนา Tensorless เฟรมเวิร์กฝึกโมเดล AI น้ำหนักเบาขนาดไม่ถึง 40 MB ที่เน้นใช้งานง่าย

A PyTorch learning project evolved into Tensorless, a lightweight custom AI training framework under 40 MB focused on simplicity.

เรียน PyTorch เผลอสร้าง Tensorless เฟรมเวิร์ก AI ตัวเอง

Learning PyTorch Led to Building Custom AI Framework

<div class="key-takeaways"><ul><li>Huebloom เติบโตจนมีหน้าเว็บไซต์ถึง 4,184 หน้าโดยไม่ได้วางแผนไว้ตั้งแต่ต้น</li><li>ผู้สร้างซึ่งไม่ใช่โปรแกรมมิ่งโดยกำเนิดใช้ AI ช่วยสร้างโค้ดและเนื้อหาเกือบทั้งหมด</li><li>บทบาทเปลี่ยนจากการสั่งงานทีละชิ้นสู่การสร้างระบบวงจร (Loops) และตัดสินใจเรื่องรสนิยม</li><li>AI ช่วยให้ก้าวข้ามขีดจำกัดเดิม แต่วิสัยทัศน์และทิศทางยังคงต้องมาจากมนุษย์</li></ul></div><p>การสร้างเว็บไซต์ขนาดใหญ่ระดับพันหน้ามักเป็นงานของทีมงานมืออาชีพหรือโปรแกรมเมอร์ผู้เชี่ยวชาญ แต่สำหรับ Huebloom เว็บไซต์ที่เติบโตขึ้นทีละน้อยจนมีชุดข้อมูลหน้าเว็บถึง 4,184 หน้า กลับเริ่มต้นจากจุดเล็กๆ โดยที่ผู้สร้างไม่ได้มีพื้นฐานด้านการเขียนโค้ดมาตั้งแต่แรก การเติบโตเกิดขึ้นทีละสเต็ป จากคอลเลกชันหนึ่งนำไปสู่อีกคอลเลกชันหนึ่ง จนเกิดเป็นเครื่องมือชิ้นเล็กๆ ที่ช่วยให้สร้างส่วนถัดไปได้ง่ายขึ้น</p><p>ในระยะแรก ผู้สร้างใช้ AI เพื่อทำสิ่งต่างๆ ตามความต้องการแบบตรงไปตรงมา เช่น การสร้างหน้าเว็บ รูปภาพ เนื้อหา หรือฟีเจอร์ชิ้นเล็ก ซึ่งวิธีนี้ได้ผลดีในช่วงที่เว็บไซต์ยังมีขนาดไม่ใหญ่มากนัก แต่เมื่อเว็บไซต์ขยายตัวขึ้น การผลิตเนื้อหาด้วย AI กลับไม่ใช่เรื่องยากอีกต่อไป ปัญหาที่ท้าทายกว่าคือผลลัพธ์เหล่านั้นควรค่าแก่การนำมาลงบนเว็บไซต์หรือไม่</p><div class="stat-row"><div class="stat-item"><span class="stat-number">4,184</span><span class="stat-label">จำนวนหน้าเว็บที่ไม่ซ้ำกันบน Huebloom</span></div></div><p>ความเปลี่ยนแปลงนี้ทำให้วิธีการทำงานต้องปรับตาม โดยเปลี่ยนจากการค้นหาคำสั่ง (Prompt) ที่สมบูรณ์แบบ มาเป็นการทำความเข้าใจว่าหน้าเว็บนั้นมีไว้ทำอะไร ควรเข้ากับส่วนอื่นๆ อย่างไร และคำว่า "ดีพอที่จะเผยแพร่" หมายถึงอะไร AI จึงจะมีประโยชน์อย่างแท้จริงเมื่อผู้สร้างเลิกคาดหวังให้มันเป็นผู้ตัดสินใจแทนในทุกเรื่อง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/4_000_ai_huebloom_mt5p54t8_inline_1_e924b13a1a.jpg" alt="minimalist paper texture design craft" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><blockquote class="pull-quote"><p>"I did not start Huebloom with a plan to build a 4,000-page website. It grew slowly."</p><cite>ผู้สร้าง Huebloom</cite></blockquote><p>นอกจากนี้ ในแง่ของการออกแบบหน้าแรกเพื่อให้ได้คุณภาพแบบวัสดุกระดาษทางกายภาพ (Paper Effect) ผู้สร้างได้เลือกใช้ Three.js โดยให้ AI ช่วยเขียนโค้ด แต่โค้ดที่ใช้งานได้ทางเทคนิคไม่ได้แปลว่าจะให้ความรู้สึกที่ถูกต้องเสมอไป บางเวอร์ชันดูดราม่าเกินไป ขณะที่บางเวอร์ชันไร้ชีวิตชีวา การปรับแต่งโค้ดทำได้อย่างรวดเร็ว แต่การตัดสินใจว่าสิ่งใดที่ให้ความรู้สึกว่าเป็น Huebloom นั้นยังคงต้องมาจากตัวผู้สร้างเอง</p><div class="ai-insight"><p>การใช้งาน AI ในลักษณะนี้สะท้อนให้เห็นว่า ปัญญาประดิษฐ์ไม่ได้เข้ามาแทนที่ความคิดสร้างสรรค์ แต่ทำหน้าที่เป็นเครื่องมือขยายขีดจำกัด (Amplifier) ทักษะของมนุษย์ บทเรียนสำคัญคือ เมื่อต้นทุนในการผลิตเนื้อหาและโค้ดลดลงจนเกือบเป็นศูนย์ "รสนิยมและการคัดกรอง" (Taste and Curation) จึงกลายเป็นทักษะที่มีมูลค่าสูงที่สุดสำหรับนักสร้างสรรค์ยุคใหม่</p></div><p>จากเดิมที่มอง AI เป็นเหมือนคนทำงานรวดเร็วที่ทำตามรายการงานที่มอบหมาย ซึ่งมักสร้างงานเพิ่มขึ้นจากการต้องคอยตรวจทานและแก้ปัญหาเดิมๆ ผู้สร้างจึงค่อยๆ เปลี่ยนมาทำงานในรูปแบบวงจร (Loops) ที่รวมเอาการตรวจสอบ ความผิดพลาด และบทเรียนที่ได้เข้าไปในกระบวนการถาวร ทำให้สามารถตรวจสอบและพัฒนาเว็บไซต์ให้ดีขึ้นได้เรื่อยๆ แม้จะยังมีความไม่สมบูรณ์อยู่บ้างก็ตาม</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/_4131c5ac4bbd76f422b8c6/-i-didnt-plan-to-build-a-4000-page-site-3nd9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Huebloom grew organically to 4,184 pages without an initial grand plan.</li><li>A non-developer utilized AI to assist with coding and content generation across the site.</li><li>The workflow shifted from executing isolated tasks to establishing continuous feedback loops.</li><li>AI expanded technical boundaries, but human taste and vision remained essential.</li></ul></div><p>Building a massive multi-thousand-page website is typically reserved for experienced engineering teams. However, Huebloom grew organically over time, eventually reaching a dataset of 4,184 unique page records. The project started small, with one collection inspiring the next, leading to small tools that paved the way for subsequent sections without any grand initial blueprint.</p><p>In the early stages, the creator relied on AI for direct requests—generating a page, an image, copy, or a minor feature. This approach worked smoothly while the site remained compact. Yet, as the project scaled, generating output ceased to be the primary bottleneck. The harder challenge was determining whether that output genuinely belonged on the platform.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">4,184</span><span class="stat-label">Unique page records on Huebloom</span></div></div><p>This realization fundamentally transformed the workflow. Instead of endlessly hunting for the perfect prompt, the focus shifted toward defining the exact purpose of each page, how it integrated into the broader site structure, and establishing clear benchmarks for publication readiness. AI proved vastly more effective once it stopped being used as a substitute for human decision-making.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/4_000_ai_huebloom_mt5p54t8_inline_1_e924b13a1a.jpg" alt="minimalist paper texture design craft" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><blockquote class="pull-quote"><p>"I did not start Huebloom with a plan to build a 4,000-page website. It grew slowly."</p><cite>Huebloom Creator</cite></div><p>When designing the homepage to achieve a tactile, physical paper quality, the project incorporated Three.js. While AI assisted in navigating the code, technical functionality did not automatically equate to the correct aesthetic feel. Some iterations felt overly dramatic while others lacked life. Code adjustments happened rapidly, but defining the authentic identity of Huebloom remained a purely human choice.</p><div class="ai-insight"><p>This development style highlights that artificial intelligence functions best as a capability amplifier rather than an autonomous director. As the marginal cost of generating code and assets approaches zero, human taste, curation, and structural vision emerge as the most critical differentiators in modern digital creation.</p></div><p>Moving away from treating AI as a fast task-completer—which often created more review work and repetitive fixes—the creator transitioned toward workflow loops. By incorporating reviews, handling failures, and baking lessons directly into ongoing processes, inspecting and improving the expansive site became significantly more manageable over time.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/_4131c5ac4bbd76f422b8c6/-i-didnt-plan-to-build-a-4000-page-site-3nd9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_สร้างเว็บ-4-000-หน้าด้วย-ai-บทเรียนจากผู้สร้าง-huebloom-mt5p54t8.jpg

small_สร้างเว็บ-4-000-หน้าด้วย-ai-บทเรียนจากผู้สร้าง-huebloom-mt5p54t8.jpg

thumbnail_สร้างเว็บ-4-000-หน้าด้วย-ai-บทเรียนจากผู้สร้าง-huebloom-mt5p54t8.jpg

สร้างเว็บ-4-000-หน้าด้วย-ai-บทเรียนจากผู้สร้าง-huebloom-mt5p54t8.jpg

เจาะลึกเบื้องหลัง Huebloom เว็บไซต์กระดาษพิมพ์ได้ที่มี 4,184 หน้า ซึ่งสร้างขึ้นโดยผู้ไม่ใช่โปรแกรมมาอาชีพ พร้อมมุมมองการใช้งาน AI

Discover how a non-developer built Huebloom, a printable paper website featuring 4,184 unique pages, using AI as a collaborator.

สร้างเว็บ 4,000 หน้าด้วย AI: บทเรียนจากผู้สร้าง Huebloom

Building a 4,000-Page Site with AI: Huebloom Story

<div class="key-takeaways"><ul><li>Pi v0.84.2 เปิดตัวเมื่อ 14 สิงหาคม 2026 ภายใต้การดูแลของ Earendil Works</li><li>มาพร้อมเครื่องมือพื้นฐาน 4 อย่าง ได้แก่ read, write, edit และ bash</li><li>รองรับหลากหลายผู้ให้บริการโมเดล เช่น OpenAI, Anthropic, Google และ DeepSeek</li><li>ขาดระบบ Sandbox ในตัว ผู้ใช้จึงต้องรับผิดชอบความปลอดภัยเอง</li></ul></div><p>ในขณะที่เครื่องมือช่วยเขียนโค้ดด้วย AI ส่วนใหญ่พยายามเพิ่มฟีเจอร์ให้ซับซ้อนขึ้น เช่น โหมดวางแผน, ระบบย่อย, ชั้นความปลอดภัย และการบูรณาการกับ IDE ทาง <strong>Pi Coding Agent</strong> กลับเลือกแนวทางตรงกันข้ามโดยสิ้นเชิง ด้วยการเป็นเทอร์มินัลโค้ดดิ้งแบบมินิมอลที่เปิดกว้างและเน้นความสามารถในการปรับแต่งผ่านส่วนขยายและเวิร์กโฟลว์ของผู้ใช้เอง</p><p>บทความรีวิวนี้อ้างอิงจาก Pi เวอร์ชัน 0.84.2 ซึ่งปล่อยออกมาเมื่อวันที่ 14 สิงหาคม 2026 โดยโครงการนี้เริ่มต้นโดย Mario Zechner ก่อนจะย้ายไปอยู่ภายใต้ Earendil Works ในเดือนพฤษภาคม 2026 ส่งผลให้แพ็กเกจปัจจุบันต้องใช้สโคป <code>@earendil-works</code> แทนชื่อเดิมอย่าง <code>@mariozechner</code> เนื่องจากตัวเครื่องมือมีการพัฒนาอย่างรวดเร็ว นักพัฒนาจึงควรตรวจสอบเวอร์ชันให้แน่ใจก่อนนำไปใช้งานในระดับทีม</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pi_coding_agent_v0_84_2_cli_mt5p49by_inline_1_72fadacf17.jpg" alt="developer programming code laptop screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>หัวใจสำคัญของ Pi คือการเป็นชุดเครื่องมือควบคุมเอเจนต์ (Agent Harness) มากกว่าจะเป็นสภาพแวดล้อมการเขียนโค้ดสำเร็จรูป โมเดลทั่วไปทำหน้าที่ตอบคำถาม แต่ชุดควบคุมนี้จะจัดการบริบท สิทธิ์การใช้เครื่องมือ การคงอยู่ของเซสชัน และขั้นตอนการทำงานทั้งหมด ทำให้ Pi เหมาะอย่างยิ่งสำหรับนักพัฒนาระดับอาวุโสและทีมเครื่องมือ AI ที่ต้องการความยืดหยุ่นระดับลึก</p><div class="stat-row"><div class="stat-item"><span class="stat-number">4</span><span class="stat-label">เครื่องมือเริ่มต้น</span></div><div class="stat-item"><span class="stat-number">v0.84.2</span><span class="stat-label">เวอร์ชันรีวิวปัจจุบัน</span></div></div><p>ชุดเครื่องมือพื้นฐานเริ่มต้นที่ผูกติดกับโมเดลมีเพียง 4 ตัวคือ <code>read</code>, <code>write</code>, <code>edit</code> และ <code>bash</code> พร้อมด้วยเครื่องมืออ่านอย่างเดียวเพิ่มเติม เช่น <code>grep</code>, <code>find</code> และ <code>ls</code> การเริ่มต้นด้วยชุดคำสั่งขนาดเล็กช่วยลดภาระการตัดสินใจของโมเดลและลดขนาดของ System Prompt ให้กระชับขึ้น</p><blockquote class="pull-quote"><p>"Pi gives you considerably more control than many coding agents, and correspondingly more responsibility."</p><cite>บทวิเคราะห์ Pi Coding Agent</cite></blockquote><div class="ai-insight"><p>การที่ Pi ไม่มีระบบ Sandbox หรือระบบจัดการสิทธิ์ในตัวเหมือนเครื่องมืออย่าง Claude Code ถือเป็นจุดที่นักพัฒนาต้องระมัดระวัง แม้จะมอบอิสระในการปรับแต่งขั้นสูงสุดผ่าน Extension และ Script ต่างๆ แต่ความรับผิดชอบในการรักษาความปลอดภัยของสภาพแวดล้อมการทำงานจึงตกเป็นของผู้ใช้งานโดยตรง</p></div><p>สำหรับการติดตั้ง สามารถใช้คำสั่ง <code>npm install -g --ignore-scripts @earendil-works/pi-coding-agent</code> โดยพารามิเตอร์ <code>--ignore-scripts</code> ช่วยลดความเสี่ยงด้าน Supply Chain ส่วนการตรวจสอบเวอร์ชันให้ใช้คำสั่ง <code>pi --version</code> และรันในสภาพแวดล้อมที่รองรับ Bash เช่น WSL หรือ Git Bash บนระบบปฏิบัติการ Windows</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/rosgluk/pi-coding-agent-review-minimal-hackable-ai-coding-cli-4ge8" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Pi v0.84.2 was released on August 14, 2026, under Earendil Works management.</li><li>It starts with four default tools: read, write, edit, and bash.</li><li>Supports diverse model providers including OpenAI, Anthropic, Google, and DeepSeek.</li><li>Lacks a built-in security sandbox, placing responsibility on the developer.</li></ul></div><p>While most AI coding agents are evolving into heavyweight products featuring planning modes, subagents, and complex orchestration, <strong>Pi Coding Agent</strong> takes the opposite route. It serves as a minimal, open-source terminal coding harness that delegates most behavior to extensions, skills, and custom developer workflows.</p><p>This review aligns with Pi version 0.84.2, released on August 14, 2026. Created originally by Mario Zechner, the project transitioned to Earendil Works in May 2026. Consequently, current packages utilize the <code>@earendil-works</code> scope rather than the legacy <code>@mariozechner</code> naming convention, making version checks crucial before team-wide adoption.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pi_coding_agent_v0_84_2_cli_mt5p49by_inline_1_72fadacf17.jpg" alt="developer programming code laptop screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Pi functions primarily as an agent harness rather than an opinionated, batteries-included coding environment. While a coding model responds to prompts, an agent harness governs context visibility, tool execution, session persistence, and turn management. This architecture makes Pi exceptionally attractive to senior engineers and platform teams seeking deep customization.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">4</span><span class="stat-label">Default Tools</span></div><div class="stat-item"><span class="stat-number">v0.84.2</span><span class="stat-label">Reviewed Version</span></div></div><p>The default tool set facing the model is intentionally sparse, limited to <code>read</code>, <code>write</code>, <code>edit</code>, and <code>bash</code>, with supplemental read-only tools like <code>grep</code>, <code>find</code>, and <code>ls</code>. Keeping the initial primitive set small minimizes model decision fatigue and reduces system prompt bloat.</p><blockquote class="pull-quote"><p>"Pi gives you considerably more control than many coding agents, and correspondingly more responsibility."</p><cite>Pi Coding Agent Review</cite></blockquote><div class="ai-insight"><p>The absence of a built-in security sandbox or rigid permission layers means users inherit total responsibility for execution safety. Although this lack of restriction unlocks powerful hackability and extension capabilities, developers accustomed to guarded environments like Claude Code must configure their own safety guardrails.</p></div><p>Installation is executed via <code>npm install -g --ignore-scripts @earendil-works/pi-coding-agent</code>, where <code>--ignore-scripts</code> helps mitigate common supply-chain risks. Developers can verify installation using <code>pi --version</code> within a bash-compatible environment, utilizing WSL or Git Bash when operating on Windows systems.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/rosgluk/pi-coding-agent-review-minimal-hackable-ai-coding-cli-4ge8" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_pi-coding-agent-v0-84-2-รีวิว-cli-สายมินิมอล-ปรับแต่งได้-mt5p49by.jpg

small_pi-coding-agent-v0-84-2-รีวิว-cli-สายมินิมอล-ปรับแต่งได้-mt5p49by.jpg

thumbnail_pi-coding-agent-v0-84-2-รีวิว-cli-สายมินิมอล-ปรับแต่งได้-mt5p49by.jpg

pi-coding-agent-v0-84-2-รีวิว-cli-สายมินิมอล-ปรับแต่งได้-mt5p49by.jpg

เจาะลึก Pi Coding Agent v0.84.2 เครื่องมือ AI โค้ดดิ้งสายมินิมอลที่สร้างโดย Mario Zechner และย้ายสู่ Earendil Works เมื่อพฤษภาคม 2026

A deep dive into Pi Coding Agent v0.84.2, created by Mario Zechner and moved to Earendil Works in May 2026, offering ultimate developer control.

Pi Coding Agent v0.84.2 รีวิว CLI สายมินิมอล ปรับแต่งได้

Pi Coding Agent v0.84.2 Review: Minimal & Hackable CLI

<p>ข่าวสารสำหรับนักพัฒนา เทคนิคการเขียนโปรแกรม และเทรนด์ในวงการซอฟต์แวร์</p>

Inewgen

Inewgen

Developer

Memory Management Explained for Developers

Inewgen

X86_64 From Source Code to Binary: GCC and DEP/NX

Inewgen

My Data Science & Analytics Journey: Git and GitHub

Inewgen

Is Claude Getting Dumber? Looking at the System Parts

Inewgen

Core Web Vitals: How to Audit and Tame Third-Party Scripts

Inewgen

Learning PyTorch Led to Building Custom AI Framework

Inewgen

Building a 4,000-Page Site with AI: Huebloom Story

Inewgen

Pi Coding Agent v0.84.2 Review: Minimal & Hackable CLI

Inewgen

Popular Category