<div class="key-takeaways"><ul><li>เป็นตอนที่ 8 ของซีรีส์ Automating Playwright with Claude Code เน้นการสร้าง Skill รายงานบั๊ก</li><li>นำปัญหาที่ตรวจจับได้จากตอนที่ 6 มาแปลงเป็นรายงานบั๊กที่มีขั้นตอนการทำซ้ำจากหลักฐานจริง</li><li>ใช้รูปแบบ Guardrails จากตอนที่ 7 ป้องกันการกุข้อมูลและบังคับให้มนุษย์ตรวจสอบก่อนกดส่งจริง</li><li>รายงานประกอบด้วยชื่อหัวข้อ ขั้นตอน ผลลัพธ์ที่คาดหวัง ผลลัพธ์จริง หลักฐาน และระดับความรุนแรง</li></ul></div><p>เดินทางมาถึงตอนที่ 8 แล้วสำหรับซีรีส์ "Automating Playwright with Claude Code" โดยในบทความนี้เป็นการต่อยอดจากตอนที่ 6 ที่ระบบของเราสามารถตรวจจับปัญหาอย่างเทสที่รันไม่ผ่านเป็นครั้งคราวหรือปัญหาเรื่อง Locator ได้แล้ว และตอนที่ 7 ที่ว่าด้วยเรื่องรูปแบบการป้องกันความปลอดภัย (Guardrails) มารวมกันเพื่อสร้างเป็น Skill ตัวใหม่ที่มีชื่อว่า Bug-Reporter</p><p>ที่ผ่านมา Skill ของ Claude มักจะจบลงแค่การแจ้งเตือนว่ามีบางอย่างผิดพลาดเกิดขึ้น แต่ในบทความนี้ได้ปิดช่องว่างดังกล่าวด้วยการสร้าง Skill ที่เปลี่ยนความล้มเหลวที่ Claude เพิ่งค้นพบ ให้กลายเป็นรายงานบั๊กที่พร้อมนำไปใช้งานจริง โดยมีขั้นตอนการทำซ้ำที่อ้างอิงจากหลักฐาน ไม่ใช่การคาดเดา</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_skill_claude_code_ms0mdeg4_inline_1_69ade1fe6c.jpg" alt="software debugging interface trace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ก่อนที่จะลงมือเขียนโค้ดสำหรับ Skill นี้ จำเป็นต้องกำหนดฟิลด์ข้อมูลที่รายงานบั๊กที่ดีควรมี ซึ่งจะกลายเป็นเทมเพลตผลลัพธ์ของ Skill เช่น ชื่อหัวข้อ ขั้นตอนการทำซ้ำ ผลลัพธ์ที่คาดหวัง ผลลัพธ์จริง หลักฐาน และสภาพแวดล้อม พร้อมกับนำกฎ Guardrails จากตอนที่ 7 มาบังคับใช้ทันที เนื่องจากรายงานบั๊กที่ถูกกุขึ้นมาเองจะสร้างความเสียหายและเสียเวลาให้แก่ทีมนักพัฒนาอย่างมาก</p><div class="ai-insight"><p>การนำ AI มาช่วยรายงานบั๊กโดยอัตโนมัติมีความเสี่ยงเรื่อง "การกุข้อมูล" (Hallucination) ที่ AI อาจพยายามเติมเต็มช่องว่างของข้อมูลที่ขาดหายไปเพื่อให้รายงานดูสมบูรณ์ การที่บทความนี้เน้นย้ำเรื่อง Guardrails ห้ามใส่ขั้นตอนที่ไม่ได้ทำจริง และห้ามส่งเข้าเครื่องมือติดตามบั๊กอัตโนมัติทันที จึงเป็นแนวทางปฏิบัติที่ปลอดภัยและช่วยรักษาความน่าเชื่อถือของกระบวนการพัฒนาซอฟต์แวร์</p></div><p>กฎเหล็กของ Guardrails ในระบบนี้ประกอบด้วย:</p><ul><li>ห้ามใส่ขั้นตอนการทำซ้ำใดๆ ที่ไม่ได้ปฏิบัติจริงและสังเกตเห็นด้วยตาตัวเองระหว่างเซสชันนั้น</li><li>หากหลักฐานในฟิลด์ใดขาดหายไป เช่น ไม่มี Log หรือภาพหน้าจอ ให้ระบุลงไปตรงๆ ว่าไม่มี แทนที่จะเว้นว่างหรือคาดเดาเอง</li><li>ห้ามส่งตั๋วปัญหาเข้าสู่ระบบติดตามโดยอัตโนมัติ ต้องแสดงรายงานให้ผู้ใช้ยืนยันก่อนเสมอเพื่อป้องกันตั๋วซ้ำ</li></ul><p>ตัวอย่างการทำงานจริง เมื่อทดสอบหน้าชำระเงินที่พบปัญหาปุ่ม "Place Order" สามารถกดคลิกได้ทันทีโดยที่ยอดรวมในตะกร้าราชายังอัปเดตไม่เสร็จ ระบบ playwright-flaky-test-debugger จากตอนที่ 6 จะทำงานก่อนเพื่อเก็บหลักฐาน Trace จากนั้น playwright-bug-reporter จะสร้างรายงานออกมาในรูปแบบที่กำหนด เช่น ระบุว่าปุ่มยังคงคลิกได้ในช่วงเวลาที่กำลังคำนวณใหม่ และมีหลักฐานจาก Trace ที่แสดงว่า Element มีค่า aria-busy=&quot;true&quot; อยู่ ณ Timestamp 00:04.211</p><blockquote class="pull-quote"><p>&quot;Checkout — &quot;Place Order&quot; clickable before cart total finishes updating&quot;</p><cite>ชื่อรายงานบั๊กตัวอย่างจากบทความ</cite></blockquote><p>เทมเพลตที่สร้างขึ้นนี้ถูกออกแบบมาให้เป็นกลางไม่ผูกติดกับระบบติดตามบั๊กตัวใดตัวหนึ่ง เพื่อให้ทีมงานสามารถนำไปปรับ ใชักับ Jira, GitHub Issues หรือเครื่องมืออื่นๆ ได้ตามต้องการ โดยการปิดวงจรจากการค้นหาปัญหาไปสู่การสร้างประโยชน์นี้ ทำให้ชุดเครื่องมือตั้งแต่ตอนที่ 6 และ 8 สามารถทำงานร่วมกันได้อย่างครบวงจรตั้งσό แต่การตรวจจับ วินิจฉัย ไปจนถึงการเขียนรายงานในรูปแบบที่ตรวจสอบได้</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/aswani25/from-bug-found-to-bug-filed-a-bug-reporter-skill-for-claude-code-5ih" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>This is part 8 of the Automating Playwright with Claude Code series, focusing on building a bug-reporting skill.</li><li>It takes the problems detected in part 6 and converts them into bug reports with step-by-step reproduction based on real evidence.</li><li>It uses the Guardrails pattern from part 7 to prevent data fabrication and force human review before actual submission.</li><li>Reports consist of title, steps, expected results, actual results, evidence, and severity level.</li></ul></div><p>We have reached part 8 of the "Automating Playwright with Claude Code" series. This article builds upon part 6—where our system could already detect issues like occasional test failures or locator problems—and part 7, which covered safety guardrails, combining them to create a new skill named Bug-Reporter.</p><p>Previously, Claude's skills usually ended just with a notification that something went wrong. This article bridges that gap by creating a skill that transforms the failure Claude just discovered into a production-ready bug report, featuring reproduction steps referenced from evidence rather than guesswork.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_skill_claude_code_ms0mdeg4_inline_1_69ade1fe6c.jpg" alt="software debugging interface trace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration purposes only, not from the actual event.</p></div><p>Before writing the code for this skill, it is necessary to define the data fields that a good bug report should have, which will become the skill's output template: title, reproduction steps, expected results, actual results, evidence, and environment. At the same time, the guardrails rules from part 7 are immediately applied, since fabricated bug reports would cause significant damage and waste time for the development team.</p><div class="ai-insight"><p>Using AI to help report bugs automatically carries the risk of "hallucination," where the AI might try to fill in missing information gaps to make the report look complete. This article's emphasis on guardrails—prohibiting steps that were not actually performed and preventing automatic submission to bug-tracking tools—serves as a safe practice that helps maintain the credibility of the software development process.</p></div><p>The ironclad guardrails rules in this system include:</p><ul><li>Prohibiting any reproduction steps that were not actually performed and observed firsthand during that session.</li><li>If evidence for any field is missing, such as no logs or screenshots, explicitly stating that it is missing rather than leaving it blank or guessing.</li><li>Prohibiting automatic ticket submission to tracking systems; reports must always be presented to users for confirmation to prevent duplicate tickets.</li></ul><p>As a working example, when testing a checkout page where an issue is found where the "Place Order" button can be clicked immediately before the cart total finishes updating, the playwright-flaky-test-debugger system from part 6 runs first to collect trace evidence. Then, the playwright-bug-reporter generates a report in the specified format, noting that the button remains clickable during recalculation and featuring trace evidence showing the element has an aria-busy=&quot;true&quot; value at timestamp 00:04.211.</p><blockquote class="pull-quote"><p>&quot;Checkout — &quot;Place Order&quot; clickable before cart total finishes updating&quot;</p><cite>Example bug report title from the article</cite></blockquote><p>The template created here is designed to be neutral and unbound to any specific bug-tracking system, allowing teams to apply it to Jira, GitHub Issues, or other tools as needed. By closing the loop from issue discovery to value generation, the toolsets from parts 6 and 8 work together seamlessly across detection, diagnosis, and verifiable report writing.</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/aswani25/from-bug-found-to-bug-filed-a-bug-reporter-skill-for-claude-code-5ih" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_ai-skill-claude-code-ms0mdeg4.jpg

small_ai-skill-claude-code-ms0mdeg4.jpg

thumbnail_ai-skill-claude-code-ms0mdeg4.jpg

ai-skill-claude-code-ms0mdeg4.jpg

เจาะลึกบทความตอนที่ 8 ของซีรีส์ Automating Playwright กับการสร้าง Skill บน Claude Code ที่แปลงปัญหาที่พบให้เป็นรายงานบั๊กพร้อมส่ง พร้อมระบบ Guardrails ป้องกันข้อมูลเท็จ

An in-depth look at part 8 of the Automating Playwright series on building a Claude Code skill that turns discovered issues into ready-to-send bug reports, complete with guardrails to prevent hallucinations.

ยกระดับการเขียนบั๊กด้วย AI: พาชม Skill ใหม่ของ Claude Code ในการสร้างรายงานบั๊กจากหลักฐานจริง

Elevating Bug Writing with AI: A Look at Claude Code's New Skill for Generating Bug Reports from Real Evidence

<div class="key-takeaways"><ul><li>SearchValues<T> เปิดตัวใน .NET 8 ช่วยเก็บชุดค่าคงที่สำหรับค้นหาและรันไทม์เลือกกลยุทธ์ที่เร็วที่สุด</li><li>ผลเบนช์มาร์กกรณีเดือมหนาแน่นแทบไม่ต่างจาก IndexOfAny เดิม แต่หากเดือมพบน้อยจะเร็วกว่าประมาณ 1.7 เท่า</li><li>การสร้าง SearchValues ภายในเมธอดต่อการเรียกใช้งานจะช้ากว่าการเก็บไว้ใน static readonly เกือบ 3 เท่า</li></ul></div><p>หลายคนมักมองว่าเครื่องมือใหม่อย่าง <code>SearchValues&lt;T&gt;</code> ที่เพิ่มเข้ามาใน .NET 8 เปรียบเสมือนสูตรโกงที่ช่วยให้การสแกนสตริงเร็วขึ้นถึงห้าเท่า จนชวนให้อยากรีแฟกเตอร์โค้ดเดิมทันที แต่สำหรับนักพัฒนาที่ดูแลระบบจัดการล็อกซึ่งพึ่งพา <code>IndexOfAny</code> เป็นหลัก การทดสอบวัดประสิทธิภาพก่อนลงมือจริงจึงเป็นสิ่งจำเป็นอันดับแรก</p><p>จากการทดสอบเปรียบเทียบในกรณีที่บัฟเฟอร์ล็อกมีตัวคั่นความถี่หนาแน่นทุกๆ 60 ตัวอักษร ผลลัพธ์ที่ได้ค่อนข้างน่าประหลาดใจเนื่องจากแทบไม่ต่างกันมากนักระหว่างวิธีดั้งเดิมและเครื่องมือใหม่:</p><div class="stat-row"><div class="stat-item"><span class="stat-number">9.7 ms</span><span class="stat-label">SearchValues&lt;char&gt;</span></div><div class="stat-item"><span class="stat-number">10.2 ms</span><span class="stat-label">IndexOfAny(char[])</span></div><div class="stat-item"><span class="stat-number">19.4 ms</span><span class="stat-label">manual char loop</span></div></div><p>เหตุผลที่เป็นเช่นนี้เพราะเมธอด <code>IndexOfAny</code> บน .NET ยุคใหม่ที่มีชุดตัวอักษรขนาดเล็กได้รับการปรับแต่งแบบ vectorized มาเป็นอย่างดีอยู่แล้ว ในทางกลับกัน การเขียนลูปวนเช็คด้วยมือแบบดั้งเดิมกลับใช้เวลาช้ากว่าวิธีอื่นถึงสองเท่าตัว ซึ่งสะท้อนให้เห็นว่าปัญหาคอขวดที่แท้จริงมักมาจากโค้ดลูปที่เราเขียนขึ้นเองมากกว่าตัว API มาตรฐาน</p><p>อย่างไรก็ตาม สถานการณ์จะเปลี่ยนไปเมื่อปรับเปลี่ยนรูปแบบข้อมูลให้มีตัวคั่นที่พบน้อยลง หรือเฉลี่ยหนึ่งครั้งทุกๆ 40 กิโลไบต์ ซึ่งเป็นกรณีจำลองสำหรับการสแกนหาความผิดปกติ โดยผลลัพธ์การทดสอบแสดงให้เห็นความแตกต่างอย่างชัดเจน:</p><ul><li><strong>IndexOfAny(char[]):</strong> ใช้เวลา 5.6 มิลลิวินาที (พบการตรงกัน 723 รายการ)</li><li><strong>SearchValues&lt;char&gt;:</strong> ใช้เวลา 3.3 มิลลิวินาที (พบการตรงกัน 723 รายการ)</li></ul><p>ในกรณีที่อัตราการพบเป้าหมายค่อนข้างน้อย <code>SearchValues</code> จะสามารถทำงานได้อย่างเต็มประสิทธิภาพในการกวาดผ่านช่วงข้อมูลยาวๆ ที่ไม่มีอะไรเลยด้วยขั้นตอนแบบ vectorized ที่กว้างขึ้น</p><div class="ai-insight"><p>แนวคิดเบื้องหลัง <code>SearchValues&lt;T&gt;</code> คือการย้ายภาระการเตรียมข้อมูล (Precomputation) ไปไว้ล่วงหน้า เพื่อให้รันไทม์ไม่ต้องคำนวณซ้ำทุกครั้งที่ทำการค้นหา การเข้าใจสถาปัตยกรรมการทำงานเบื้องหลังเช่น Vectorization ช่วยให้นักพัฒนาเลือกใช้ API ได้ตรงตามลักษณะของข้อมูล ไม่ว่าจะเป็นข้อมูลที่มีรูปแบบหนาแน่นหรือกระจัดกระจาย ซึ่งส่งผลต่อประสิทธิภาพโดยรวมของแอปพลิเคชันอย่างมีนัยสำคัญ</p></div><p>อีกหนึ่งจุดสำคัญที่นักพัฒนาต้องระมัดระวังอย่างยิ่งคือต้นทุนในการสร้างออบเจกต์ หากมีการสร้าง <code>SearchValues</code> ขึ้นใหม่ภายในเมธอดทุกครั้งที่มีการเรียกใช้งาน แทนที่จะเก็บไว้ในตัวแปรแบบ <code>static readonly</code> ผลลัพธ์การทดสอบกับขข้อมูลหนึ่งล้านบรรทัดสั้นๆ แสดงให้เห็นภาพที่ชัดเจน:</p><ul><li><strong>Static SearchValues:</strong> ใช้เวลา 25.1 มิลลิวินาที</li><li><strong>SearchValues per call:</strong> ใช้เวลา 70.2 มิลลิวินาที</li></ul><p>การสร้างออบเจกต์ใหม่ต่อการเรียกใช้งานหนึ่งครั้งทำให้ประสิทธิภาพตกลงไปเกือบสามเท่า ซึ่งช้ากว่าการไม่ใช้งานเลยเสียอีก หากไม่ได้ประกาศไว้ในตัวแปรแบบสถิต ก็เท่ากับว่าเรากำลังสร้างโค้ดที่ทำให้ระบบทำงานช้าลงโดยไม่จำเป็น</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/searchvalues_t_net_8_ms0mcxcb_inline_2_cfa411f7e9.jpg" alt="software developer debugging" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</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/ssukhpinder/when-searchvalues-actually-pays-off-310l" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>SearchValues<T> introduced in .NET 8 stores a set of constants for searching and the runtime selects the fastest strategy.</li><li>Benchmark results for dense delimiters show almost no difference from the traditional IndexOfAny, but sparse matches are about 1.7 times faster.</li><li>Creating SearchValues inside a method per call is nearly 3 times slower than storing it in a static readonly.</li></ul></div><p>Many often view the new tool <code>SearchValues&lt;T&gt;</code> added in .NET 8 as a cheat code that makes string scanning up to five times faster, tempting an immediate refactoring of existing code. But for developers maintaining log management systems that primarily rely on <code>IndexOfAny</code>, performance testing before diving in is the first priority.</p><p>From comparative testing in cases where the log buffer has a frequency delimiter densely packed every 60 characters, the results are quite surprising as there is very little difference between the traditional method and the new tool:</p><div class="stat-row"><div class="stat-item"><span class="stat-number">9.7 ms</span><span class="stat-label">SearchValues&lt;char&gt;</span></div><div class="stat-item"><span class="stat-number">10.2 ms</span><span class="stat-label">IndexOfAny(char[])</span></div><div class="stat-item"><span class="stat-number">19.4 ms</span><span class="stat-label">manual char loop</span></div></div><p>The reason for this is that the <code>IndexOfAny</code> method on modern .NET with small character sets is already well-vectorized. On the other hand, writing a manual check loop the traditional way turns out to be twice as slow as other methods, reflecting that the real performance bottleneck usually comes from the custom loops we write ourselves rather than the standard API.</p><p>However, the situation changes when modifying the data pattern to have rarer delimiters, averaging once every 40 kilobytes, which is a simulation case for anomaly scanning. The test results clearly show a difference:</p><ul><li><strong>IndexOfAny(char[]):</strong> Takes 5.6 milliseconds (found 723 matches)</li><li><strong>SearchValues&lt;char&gt;:</strong> Takes 3.3 milliseconds (found 723 matches)</li></ul><p>In cases where the target hit rate is relatively low, <code>SearchValues</code> can perform at its full potential in sweeping across long spans of data with nothing in them using wider vectorized steps.</p><div class="ai-insight"><p>The concept behind <code>SearchValues&lt;T&gt;</code> is to shift the precomputation burden upfront so the runtime doesn't have to recalculate every time a search is performed. Understanding underlying architectural workings like vectorization allows developers to choose APIs that fit the data characteristics, whether dense or sparse patterns, significantly impacting overall application performance.</p></div><p>Another crucial point developers must be extremely careful about is the cost of object creation. If <code>SearchValues</code> is newly created inside a method every time it is called instead of being stored in a <code>static readonly</code> variable, test results with a million short lines of data paint a clear picture:</p><ul><li><strong>Static SearchValues:</strong> Takes 25.1 milliseconds</li><li><strong>SearchValues per call:</strong> Takes 70.2 milliseconds</li></ul><p>Creating a new object per single call drops performance by nearly three times, making it even slower than not using it at all. If not declared as a static variable, we are essentially writing code that slows down the system unnecessarily.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/searchvalues_t_net_8_ms0mcxcb_inline_2_cfa411f7e9.jpg" alt="software developer debugging" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Illustration from stock photo library, not an actual photo from the event</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/ssukhpinder/when-searchvalues-actually-pays-off-310l" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_searchvalues-t-net-8-ms0mcxcb.jpg

small_searchvalues-t-net-8-ms0mcxcb.jpg

thumbnail_searchvalues-t-net-8-ms0mcxcb.jpg

searchvalues-t-net-8-ms0mcxcb.jpg

นักพัฒนาแชร์ผลทดสอบจริงหลังใช้งาน SearchValues<T> เผยตัวเลขประสิทธิภาพที่ต่างกันลิบลับระหว่างการตั้งค่าแบบ Static และการสร้างใหม่ทุกครั้งที่เรียกใช้งาน

Developer shares real benchmark results after using SearchValues<T>, revealing stark performance differences between Static setup and recreation on every call.

เจาะลึก SearchValues<T> ใน .NET 8 เมื่อไหร่ควรใช้และเมื่อไหร่ควรหลีกเลี่ยง

Deep Dive into SearchValues<T> in .NET 8: When to Use and When to Avoid

<div class="key-takeaways"><ul><li>นักพัฒนาหน้าบ้านที่เซินเจิ้นสร้าง Froging AI ด้วย Next.js</li><li>ระบบเลือกผู้ให้บริการ AI อัตโนมัติเพื่อความคุ้มค่าและรวดเร็ว</li><li>ได้รับเงินรายได้แรกมูลค่า 4.99 ดอลลาร์สหรัฐผ่านแพลตฟอร์ม Creem</li></ul></div><p>นักพัฒนาซอฟต์แวร์ฝั่งหน้าบ้านรายหนึ่งซึ่งทำงานประจำอยู่ที่ธนาคารในเมืองเซินเจิ้น ได้ใช้เวลาว่างยามค่ำคืนในการพัฒนาโปรเจกต์ที่มีชื่อว่า Froging AI ซึ่งเป็นเครื่องมือสร้างวิดีโอด้วยปัญญาประดิษฐ์ที่สามารถแปรรูปภาพถ่ายและข้อความให้กลายเป็นคลิปวิดีโอได้ภายในเวลาไม่กี่นาที หลังจากใช้เวลาเริ่มต้นเรียนรู้เกี่ยวกับ API ของวิดีโอ AI และลงมือสร้างระบบ ในที่สุดเขาก็สามารถปิดการขายลูกค้ารายแรกได้สำเร็จภายในระยะเวลาเพียงสามเดือน</p><p>สำหรับเทคโนโลยีเบื้องหลังที่เลือกใช้ในการพัฒนา เจ้าของโปรเจกต์ตัดสินใจเลือกใช้ Next.js API routes เนื่องจากมีความคุ้นเคยกับภาษา JavaScript และไม่ต้องการยุ่งยากกับการเรียนรู้ระบบการปรับใช้งานใหม่ โดยฟีเจอร์หลักของระบบแบ่งออกเป็นการแปลงภาพเป็นวิดีโอที่ผู้ใช้สามารถอัปโหลดภาพพร้อมใส่ข้อความสั่งการเพื่อสร้างคลิปสั้น และการแปลงข้อความบรรยายฉากให้กลายเป็นวิดีโอโดยไม่ต้องพึ่งพากล้องหรือโปรแกรมตัดต่อ</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_3_ms0mcgqw_inline_1_7e00b76d42.jpg" alt="nextjs code editor screen" 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">$4.99</span><span class="stat-label">ยอดเงินจากลูกค้ารายแรกแพ็กเกจ Starter</span></div><div class="stat-item"><span class="stat-number">3</span><span class="stat-label">ระยะเวลาเป็นเดือนก่อนได้ลูกค้ารายแรก</span></div></div><p>ระบบภายในของ Froging AI จะทำการกระจายคำขอไปยังผู้ให้บริการหลายรายโดยอัตโนมัติขึ้นอยู่กับความพร้อมและต้นทุนของโมเดลนั้นๆ เช่น การใช้โมเดลโอเพนซอร์สอย่าง Wan-2.1 ผ่าน Replicate สำหรับการทดลองต้นทุนต่ำ ไปจนถึงการใช้งาน Minimax และ 海螺AI สำหรับผลลัพธ์คุณภาพสูง โดยผู้ใช้งานไม่ต้องเป็นผู้เลือกโมเดลด้วยตนเอง ระบบจะทำการปรับแต่งเพื่อความเร็วและคุณภาพให้โดยอัตโนมัติ</p><div class="ai-insight"><p>การตัดสินใจใช้ Next.js แทนที่จะเป็น Python แสดงให้เห็นถึงแนวคิดการเลือกใช้เครื่องมือที่ตนเองถนัดเพื่อลดเวลาเรียนรู้และส่งมอบผลิตภัณฑ์ให้รวดเร็วที่สุด (Ship Fast) ซึ่งเป็นกลยุทธ์สำคัญสำหรับนักพัฒนาคนเดียว (Indie Hacker) ที่มีเวลาจำกัด นอกจากนี้ การทำระบบชำระเงินให้เสร็จเร็วตั้งแต่ช่วงแรกยังช่วยเปลี่ยนผ่านมุมมองจากการทำเล่นๆ ให้กลายเป็นโมเดลธุรกิจจริงจังได้ทันที</p></div><p>จุดเปลี่ยนสำคัญเกิดขึ้นในวันที่ 13 กรกฎาคม เมื่อเขาได้รับอีเมลแจ้งเตือนการชำระเงินจำนวน 4.99 ดอลลาร์สหรัฐจากแพลตฟอร์ม Creem สำหรับการซื้อแพ็กเกจ Starter โดยผู้ใช้รายนี้เดินทางมาจากการค้นหาแบบธรรมชาติผ่านการเขียนบล็อกและการส่งลิงก์ไปยังไดเรกทอรี AI ต่างๆ โดยไม่มีการยิงโฆษณาเสียเงินแต่อย่างใด หลังจากเผชิญปัญหาการเผาผลาญงบประมาณไปกับ Google Ads ที่ไม่มีการแปลงคำสั่งซื้อ เขาจึงหันมาเน้นการทำ SEO ระยะยาวแทน</p><blockquote class="pull-quote"><p>"Before that, I was optimizing SEO, tweaking landing page colors, and watching Google Analytics like a hawk. After that, I realized: the only metric that matters is whether someone is willing to pay."</p><cite>Jaspersmith</cite></blockquote><p>บทเรียนสำคัญจากการพัฒนาโปรเจกต์นี้คือการลดทอนขอบเขตของผลิตภัณฑ์ จากเดิมที่วางแผนสร้างชุดเครื่องมือสร้างสรรค์ AI ครบวงจร ทั้งการสร้างภาพ สร้างวิดีโอ และเครื่องมือตัดต่อ เขาตัดสินใจตัดทอนเหลือเพียงฟังก์ชันวิดีโออย่างเดียว เพื่อให้สามารถปล่อยผลิตภัณฑ์ออกสู่ตลาดได้เร็วยิ่งขึ้น แทนที่จะต้องรอให้วิสัยทัศน์ทั้งหมดสมบูรณ์แบบซึ่งอาจทำให้ต้องใช้เวลาเขียนโค้ดยาวนานกว่าเดิม</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/jaspersmith/i-built-an-ai-video-generator-with-nextjs-and-got-my-first-paid-user-in-3-months-23kd" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Shenzhen-based front-end developer builds Froging AI using Next.js</li><li>Automated routing system selects AI providers for cost-efficiency and speed</li><li>Earns first revenue of $4.99 USD through the Creem platform</li></ul></div><p>A front-end software developer working full-time at a bank in Shenzhen spent his quiet nights developing a project called Froging AI, an artificial intelligence video generation tool that transforms photos and text into video clips in just a matter of minutes. After spending his initial time learning about AI video APIs and building the system, he finally managed to close his first customer within a span of just three months.</p><p>As for the underlying technology chosen for development, the project owner decided to use Next.js API routes due to his familiarity with JavaScript and a desire to avoid the hassle of learning a new deployment system. The system's main features are divided into image-to-video, where users can upload an image along with a prompt to generate a short clip, and scene description text-to-video, eliminating the need for cameras or editing software.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_3_ms0mcgqw_inline_1_7e00b76d42.jpg" alt="nextjs code editor screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Illustration image from stock photo library, not from actual events</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">$4.99</span><span class="stat-label">Revenue from the first Starter package customer</span></div><div class="stat-item"><span class="stat-number">3</span><span class="stat-label">Duration in months before securing the first customer</span></div></div><p>Froging AI's internal system automatically routes requests to multiple providers based on the readiness and cost of each model, such as using open-source models like Wan-2.1 via Replicate for low-cost experimentation, up to utilizing Minimax and 海螺AI for high-quality results. Users do not need to choose the model themselves; the system automatically adjusts for speed and quality.</p><div class="ai-insight"><p>The decision to use Next.js instead of Python demonstrates the mindset of choosing familiar tools to minimize learning curves and ship products as fast as possible, which is a crucial strategy for solo developers (indie hackers) with limited time. Furthermore, implementing the payment system early on quickly shifted the perspective from a casual side project into a serious business model.</p></div><p>A major turning point occurred on July 13 when he received a payment notification email for $4.99 USD from the Creem platform for the purchase of a Starter package. This user came from organic search traffic through blog writing and submitting links to various AI directories, without any paid advertising. After facing the issue of burning budget on Google Ads with no conversions, he pivoted to focusing on long-term SEO instead.</p><blockquote class="pull-quote"><p>"Before that, I was optimizing SEO, tweaking landing page colors, and watching Google Analytics like a hawk. After that, I realized: the only metric that matters is whether someone is willing to pay."</p><cite>Jaspersmith</cite></blockquote><p>A key lesson from developing this project was narrowing the product scope. Instead of his original plan to build an all-in-one suite of AI creative tools—including image generation, video creation, and editing tools—he decided to trim it down to just the video function. This allowed him to release the product to market much faster rather than waiting for the entire vision to be perfect, which would have taken a much longer coding 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/jaspersmith/i-built-an-ai-video-generator-with-nextjs-and-got-my-first-paid-user-in-3-months-23kd" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_ai-3-ms0mcgqw.jpg

small_ai-3-ms0mcgqw.jpg

thumbnail_ai-3-ms0mcgqw.jpg

ai-3-ms0mcgqw.jpg

เบื้องหลังการสร้าง Froging AI ด้วย Next.js และการเปลี่ยนผ่านจากงานอดิเรกสู่ธุรกิจซอฟต์แวร์แบบบริการ

The story behind building Froging AI with Next.js and transitioning from a hobby to a SaaS business

นักพัฒนาหน้าบ้านสร้างเครื่องมือวิดีโอ AI คว้าลูกค้ารายแรกใน 3 เดือน

Front-End Developer Builds AI Video Tool, Lands First Customer in 3 Months

<div class="key-takeaways"><ul><li>DeepDoc เป็นเครื่องมือสกัดข้อความจากเอกสารรองรับ 13 รูปแบบ เป็นไฟล์ไบนารีเดี่ยวด้วยภาษา Rust</li><li>ทำงานแบบออฟไลน์ 100% ไม่ส่งข้อมูลขึ้นคลาวด์ ไม่ต้องใช้ JVM และไม่มีการดาวน์โหลดโมเดล ML</li><li>แปลงเอกสารตระกูล docx, pptx, xlsx, pdf และอื่นๆ ให้กลายเป็น Markdown ได้อย่างแม่นยำ</li><li>เน้นการรักษาโครงสร้างหัวข้อ (Heading path) และการแบ่งส่วนข้อมูล (Chunking) เพื่อระบบ RAG</li></ul></div><p>การสร้างระบบ RAG (Retrieval-Augmented Generation) หรือฟีเจอร์ค้นหาข้อมูลในเอกสาร มักจะเริ่มต้นด้วยปัญหาเดิมๆ คือการแปลงไฟล์ตระกูล docx, pdf และ pptx ให้กลายเป็นข้อความที่สะอาด โดยมีข้อจำกัดที่เข้มงวดในองค์กรหลายแห่งคือ เอกสารห้ามออกนอกเครื่องคอมพิวเตอร์เด็ดขาด</p><p>หากสำรวจเครื่องมือที่มีอยู่เดิมในตลาด จะพบข้อจำกัดที่แตกต่างกันออกไป:</p><ul><li><strong>Apache Tika:</strong> มาตรฐานดั้งเดิมที่ใช้งานได้ดี แต่อยู่บนพื้นฐานของ JVM ทำให้ต้องแบกภาระเรื่องการจัดการหน่วยความจำและเพิ่มขนาดในคอนเทนเนอร์</li><li><strong>Python Stacks (เช่น Unstructured, Docling, MarkItDown):</strong> นิยมใช้ในบทสอน RAG แต่ต้องติดตั้งผ่าน pip มีการดาวน์โหลดโมเดล ML และทำงานช้าสำหรับการประมวลผลไฟล์ดิจิทัลปกติ</li><li><strong>Cloud Parsers (เช่น LlamaParse):</strong> สะดวกในการเริ่มต้น แต่ต้องอัปโหลดข้อมูลส่วนตัวขึ้นเซิร์ฟเวอร์ภายนอกและคิดค่าใช้จ่ายตามจำนวนหน้า ซึ่งไม่ตอบโจทย์องค์กรประเภทธนาคาร โรงพยาบาล หรือบริษัทกฎหมายที่มีสภาพแวดล้อมแบบ air-gapped</li></ul><p>แนวทางของ DeepDoc จึงถูกพัฒนาขึ้นมาเพื่อแก้ปัญหานี้โดยเฉพาะ ด้วยการเป็นไฟล์ไบนารี Rust แบบสแตติกไฟล์เดียว ไม่มี JVM ไม่มี Python ไม่ต้องดาวน์โหลดโมเดล และไม่มีการเชื่อมต่อเครือข่าย ให้ผลลัพธ์ที่เหมือนเดิมทุกครั้งเมื่อป้อนข้อมูลชุดเดิม</p><div class="ai-insight"><p>ระบบ RAG ในปัจจุบันมักประสบปัญหาความซับซ้อนในการติดตั้งไลบรารีขนาดใหญ่และการจัดการความปลอดภัยของข้อมูล เครื่องมือที่พัฒนาด้วยภาษา Rust จึงกลายเป็นทางเลือกที่น่าสนใจสำหรับนักพัฒนาที่ต้องการความเร็ว ประสิทธิภาพสูง และควบคุมความปลอดภัยของข้อมูลได้แบบเบ็ดเสร็จบนเครื่องโลคัล</p></div><p>ในเวอร์ชัน v0.1 รองรับการแปลงเอกสาร born-digital ทั้งหมด 13 รูปแบบ ได้แก่ <code>docx</code>, <code>pptx</code>, <code>xlsx</code>, <code>odt</code>, <code>ods</code>, <code>odp</code>, <code>epub</code>, <code>html</code>, <code>rtf</code>, <code>csv</code>, <code>md</code>, <code>txt</code> และ text-based <code>pdf</code> โดยสามารถสั่งงานผ่าน CLI เพื่อสแกนโฟลเดอร์แบบเรกูร์ซีฟได้ทันที</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/deepdoc_rag_air_gapped_rust_ms09du36_inline_1_c03dd78a48.jpg" alt="command line terminal interface data processing" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในแง่ของการทำ RAG การแบ่งส่วนข้อมูล (Chunking) ทั่วไปมักจะตัดตามจำนวนตัวอักษรและทำให้สูญเสียบริบท แต่ DeepDoc จะทำการวิเคราะห์โครงสร้างก่อน แล้วจึงแบ่งตามขอบเขตบล็อกพร้อมกับเก็บเส้นทางหัวข้อ (Heading path) และช่วงไบต์ (Byte range) ของแต่ละส่วนไว้ด้วย</p><p>อย่างไรก็ตาม ผู้พัฒนาได้ระบุอย่างชัดเจนว่า DeepDoc v0.1 ยังไม่ใช่เครื่องมือ OCR สำหรับแปลงไฟล์ PDF ที่เป็นรูปภาพสแกน หากพบไฟล์ที่เป็นภาพล้วน ระบบจะแจ้งเตือนด้วยโค้ด 4 ทันทีเพื่อป้องกันการส่งข้อมูลขยะเข้าสู่ดัชนี RAG โดยฟีเจอร์ OCR ถูกวางแผนไว้เป็นตัวเลือกเสริมในอนาคต</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/alexpua/parsing-documents-for-air-gapped-rag-no-cloud-no-jvm-no-python-3a13" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>DeepDoc is a single-binary document text extraction tool supporting 13 formats, built with Rust.</li><li>It operates 100% offline with zero cloud data uploads, no JVM required, and no ML model downloads.</li><li>It accurately converts docx, pptx, xlsx, pdf, and other document families into Markdown.</li><li>It focuses on preserving heading paths and data chunking optimized for RAG systems.</li></ul></div><p>Building a RAG (Retrieval-Augmented Generation) system or document search feature often starts with the same old problem: converting docx, pdf, and pptx files into clean text, all under a strict constraint common in many organizations where documents must never leave the local machine.</p><p>Reviewing existing tools in the market reveals various distinct limitations:</p><ul><li><strong>Apache Tika:</strong> A traditional standard that works well, but runs on the JVM, introducing memory management overhead and larger container image sizes.</li><li><strong>Python Stacks (e.g., Unstructured, Docling, MarkItDown):</strong> Popular in RAG tutorials, but require pip installation, download ML models, and run slowly for standard digital file processing.</li><li><strong>Cloud Parsers (e.g., LlamaParse):</strong> Convenient for getting started, but require uploading private data to external servers and charge per page, which fails to meet the needs of organizations like banks, hospitals, or law firms operating in air-gapped environments.</li></ul><p>DeepDoc's approach was specifically developed to solve this problem by offering a single static Rust binary with no JVM, no Python, no model downloads, and zero network connections, delivering deterministic results every time the same dataset is inputted.</p><div class="ai-insight"><p>Modern RAG systems frequently struggle with the complexity of installing massive libraries and managing data security. Tools developed in Rust are emerging as an appealing choice for developers seeking speed, high performance, and complete control over data security directly on local machines.</p><p>In version v0.1, it supports the conversion of 13 born-digital document formats, including <code>docx</code>, <code>pptx</code>, <code>xlsx</code>, <code>odt</code>, <code>ods</code>, <code>odp</code>, <code>epub</code>, <code>html</code>, <code>rtf</code>, <code>csv</code>, <code>md</code>, <code>txt</code>, and text-based <code>pdf</code>, with CLI commands available to instantly scan folders recursively.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/deepdoc_rag_air_gapped_rust_ms09du36_inline_1_c03dd78a48.jpg" alt="command line terminal interface data processing" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock illustration, not from an actual event</p></div><p>Regarding RAG implementation, standard chunking typically splits text by character count and causes a loss of context, but DeepDoc analyzes the document structure first and then splits it along block boundaries while retaining the heading path and byte range for each segment.</p><p>However, the developer clearly notes that DeepDoc v0.1 is not yet an OCR tool for parsing scanned image-based PDFs. If pure image files are encountered, the system will immediately return error code 4 to prevent garbage data from entering the RAG index, with OCR features planned as an optional add-on in the future.</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/alexpua/parsing-documents-for-air-gapped-rag-no-cloud-no-jvm-no-python-3a13" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_deepdoc-rag-air-gapped-rust-ms09du36.jpg

small_deepdoc-rag-air-gapped-rust-ms09du36.jpg

thumbnail_deepdoc-rag-air-gapped-rust-ms09du36.jpg

deepdoc-rag-air-gapped-rust-ms09du36.jpg

เปิดตัว DeepDoc เครื่องมือสกัดข้อความจากเอกสาร 13 รูปแบบในไฟล์ไบนารีเดียวด้วยภาษา Rust ออกแบบมาเพื่อระบบ RAG แบบออฟไลน์โดยไม่ต้องพึ่งพา Cloud หรือ Python

Introducing DeepDoc, a text extraction tool for 13 document formats packed into a single binary using Rust, designed for offline RAG systems without cloud or Python dependencies.

DeepDoc เครื่องมือแปลงไฟล์เอกสารสำหรับ RAG แบบ Air-gapped ด้วย Rust

DeepDoc: A Document Parsing Tool for Air-gapped RAG Built with Rust

<div class="key-takeaways"><ul><li>การส่งฟีเจอร์ LLM แบบรวม PR แล้วตรวจทานแบบผิวเผินทำให้ระบบไร้เกณฑ์ควบคุม</li><li>APRF (AI Production Readiness Framework) ไม่ใช่คะแนนประเมิน 0-100 แต่เป็นระบบผ่าน/ไม่ผ่านเด็ดขาด</li><li>เวอร์ชัน v0.10 มาพร้อม 8 โดเมน 27 เสาหลัก และเกณฑ์ 40 ข้อสำหรับ Core Profile</li><li>รองรับการทำ CI ด้วยไฟล์ YAML และนโยบายที่ตรวจสอบได้แบบอัตโนมัติ</li></ul></div><p>การนำฟีเจอร์ AI หรือ Large Language Model ออกสู่ระบบจริง มักถูกปฏิบัติราวกับการปล่อยหน้าเว็บเพจธรรมดา เพียงแค่รวม Pull Request ดูการเดโม แล้วก็ฉลองกัน แต่ในความเป็นจริง ความล้มเหลวของระบบไม่ได้เกิดจากตัวโมเดลไม่ฉลาดพอ หากแต่เกิดจากการที่ระบบโปรดักชันไม่มีเกณฑ์ควบคุมที่รัดกุมเพียงพอในการใช้งานจริง</p><p>มาตรฐานที่มีอยู่เดิมอย่าง NIST AI RMF, ISO/IEC 42001 หรือ SOC 2 อาจมีประโยชน์และจำเป็นในแง่ของการประเมินความเสี่ยงและการจัดการระบบ แต่มันยังคงไม่เพียงพอสำหรับวิศวกรที่ต้องดูแลระบบหน้างาน คำถามสำคัญที่แท้จริงคือแอปพลิเคชัน AI นี้จะสามารถทำงานในโปรดักชันได้อย่างปลอดภัยหรือไม่</p><div class="ai-insight"><p>ในมุมมองของการพัฒนาซอฟต์แวร์สมัยใหม่ การปฏิบัติต่อ AI เหมือนซอฟต์แวร์ทั่วไปเป็นอันตรายเนื่องจากพฤติกรรมของโมเดลมีความไม่แน่นอนสูง (Non-deterministic) เฟรมเวิร์กเช่น APRF จึงเข้ามาช่วยอุดช่องว่างด้วยการบังคับใช้กฎแบบ Hard Gate ในกระบวนการ CI/CD แทนที่จะใช้การประเมินด้วยความรู้สึกหรือเกณฑ์เฉลี่ยที่มักถูกมองข้าม</p></div><p>นี่จึงเป็นที่มาของ AI Production Readiness Framework หรือ APRF ซึ่งจัดทำโดย StackRail ในฐานะร่างมาตรฐานที่เป็นกลางทางผู้ให้บริการ โดยตัวเฟรมเวิร์กนี้ไม่ใช่การรับรองมาตรฐาน ไม่ใช่เครือข่ายพันธมิตร และไม่ใช่คะแนนความพร้อมตั้งแต่ 0 ถึง 100 ที่นำไปใส่ไว้ในรายงานบอร์ดบริหาร แต่มันคือวิธีการที่มีเกณฑ์กั้นแบบเด็ดขาด</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_aprf_llm_ms09den9_inline_1_0cabe46271.jpg" alt="ai workflow pipeline diagram architecture" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>หลักการทำงานของ APRF จะไม่มีการใช้คะแนนเฉลี่ยเพื่อกลบเกลื่อนจุดบกพร่อง โดยคะแนนความสามารถจะคิดจากค่าต่ำสุดของทุกเสาหลัก (Weakest pillar wins) และหากการตรวจสอบแบบบังคับ (Mandatory checks) มีข้อใดข้อหนึ่งไม่ผ่าน ระบบจะบล็อกการเผยแพรทันที โดยในเวอร์ชัน v0.10 มีรายละเอียดโครงสร้างประกอบด้วย:</p><ul><li>8 โดเมนหลัก ได้แก่ ความปลอดภัย ความปลอดภัยทั่วไป ข้อมูล วงจรชีวิตโมเดล เอเจนต์ ความน่าเชื่อถือ ต้นทุน และธรรมาภิบาล</li><li>27 เสาหลัก ควบคุมเฉพาะจุดในแต่ละโดเมน</li><li>Core Profile จำนวน 40 เกณฑ์ สำหรับระบบ AI ที่ลูกค่้าใช้งานระดับ Tier-2</li><li>Regulated Profile จำนวน 61 เกณฑ์ สำหรับระบบควบคุมพิเศษหรือ Tier-3</li></ul><p>สำหรับการใช้งานจริงในสัปดาห์นี้ นักพัฒนาสามารถจำกัดสิทธิ์เครื่องมือของเอเจนต์และผสานนโยบายผ่านไฟล์ YAML เช่นการกำหนดขอบเขตฟังก์ชันความเสี่ยงสูงอย่าง <code>update_crm_contact</code>, <code>refund_order</code> หรือ <code>shell_exec</code> ให้ต้องผ่านกระบวนการอนุมัติก่อนเสมอ รวมถึงการใช้งานร่วมกับ GitHub Actions เพื่อสั่งล้มเลิกการปล่อยระบบ (Fail the release) ทันทีหากไม่ผ่านเกณฑ์การตรวจสอบของ APRF เวอร์ชัน 0.10.0</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/prasoonanand/your-ai-is-in-production-that-doesnt-mean-its-production-ready-3ka" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Deploying LLM features via merged PRs and casual reviews leaves systems without proper controls.</li><li>The APRF (AI Production Readiness Framework) is not a 0-100 scoring system, but a strict pass/fail gate.</li><li>Version v0.10 comes with 8 domains, 27 pillars, and 40 criteria for the Core Profile.</li><li>Supports CI integration via YAML files and automated policy checks.</li></ul></div><p>Bringing AI or Large Language Model features into production is often treated just like releasing a regular web page—simply merging a Pull Request, watching a demo, and celebrating. In reality, system failures do not stem from the model not being smart enough, but from production systems lacking sufficiently strict controls for real-world usage.</p><p>Existing standards like NIST AI RMF, ISO/IEC 42001, or SOC 2 may be useful and necessary for risk assessment and system management, but they still fall short for engineers operating systems on the front lines. The real critical question is whether this AI application can run safely in production.</p><div class="ai-insight"><p>From the perspective of modern software development, treating AI like traditional software is dangerous due to the high non-determinism of model behavior. Frameworks like APRF bridge this gap by enforcing hard gates within the CI/CD pipeline, rather than relying on subjective assessments or averaged criteria that are often overlooked.</p></div><p>This is the origin of the AI Production Readiness Framework (APRF), created by StackRail as a vendor-neutral draft standard. This framework is not a certification standard, not an alliance network, and not a readiness score from 0 to 100 to put in an executive board report. Instead, it is a methodology featuring strict blocking criteria.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_aprf_llm_ms09den9_inline_1_0cabe46271.jpg" alt="ai workflow pipeline diagram architecture" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo illustration, not from an actual event</p></div></p><p>The working principle of APRF does not use average scores to gloss over flaws. Capability scores are determined by the lowest value across all pillars (weakest pillar wins), and if any mandatory check fails, the system immediately blocks the release. Version v0.10 includes the following structural details:</p><ul><li>8 core domains: Security, Safety, Data, Model Lifecycle, Agents, Reliability, Cost, and Governance.</li><li>27 pillars controlling specific points within each domain.</li><li>40 Core Profile criteria for Tier-2 customer-facing AI systems.</li><li>61 Regulated Profile criteria for special control or Tier-3 systems.</li></ul><p>For practical implementation this week, developers can restrict agent tools and integrate policies via YAML files—such as defining boundaries for high-risk functions like <code>update_crm_contact</code>, <code>refund_order</code>, or <code>shell_exec</code> to always require an approval process—as well as combining this with GitHub Actions to immediately fail the release if it does not pass the checks of APRF version 0.10.0.</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/prasoonanand/your-ai-is-in-production-that-doesnt-mean-its-production-ready-3ka" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_ai-aprf-llm-ms09den9.jpg

small_ai-aprf-llm-ms09den9.jpg

thumbnail_ai-aprf-llm-ms09den9.jpg

ai-aprf-llm-ms09den9.jpg

หลายทีมยังส่งฟีเจอร์ LLM ขึ้นโปรดักชันด้วยวิธีเดียวกับหน้าเว็บแลนดิ้งเพจ พร้อมแนะนำ AI Production Readiness Framework (APRF) ทางออกที่จะทำให้วิศวกรนอนหลับได้สนิทขึ้น

Many teams still push LLM features to production the exact same way as a landing page. Introducing the AI Production Readiness Framework (APRF), the solution to help engineers sleep better at night.

เลิกมอง AI เหมือนหน้าเว็บ! เจาะลึก APRF เฟรมเวิร์กบล็อกการปล่อยระบบ LLM ที่ยังไม่พร้อม

Stop treating AI like a webpage! A deep dive into APRF, the gatekeeping framework for unready LLM deployments

<div class="key-takeaways"><ul><li>นักพัฒนาสร้าง Hero Section แบบ 2.5D บนเว็บไซต์ด้วย Three.js</li><li>ตัวละครในฉากตอบสนองเมื่อผู้ใช้โฮเวอร์ปุ่ม CTA และเดินไปยังจุดต่างๆ</li><li>วางแผนเพิ่มพฤติกรรมตัวละครตามช่วงเวลา เช่น การนั่งผิงไฟในตอนเย็น</li><li>ปรับแต่งประสิทธิภาพอย่างเข้มงวดจนรักษาคะแนน Lighthouse และ Core Web Vitals ไว้ได้ดี</li></ul></div><p>หลังจากที่นักพัฒนาซอฟต์แวร์รายหนึ่งได้ปล่อยพอร์ตโฟลิโอแบบอินเทอร์แอกทีฟออกมา เขาก็ต้องการต่อยอดแนวคิดในการผสมผสานแนวคิดจากการพัฒนาเกมเข้ากับเว็บไซต์แบบดั้งเดิม เป้าหมายหลักไม่ใช่การยัดเยียดเกมเข้าไปในเว็บ แต่เป็นการสร้างประสบการณ์ลูกผสมที่ทำให้เว็บไซต์รู้สึกมีชีวิตชีวาและน่าจดจำยิ่งขึ้น</p><p>สำหรับเว็บไซต์มืออาชีพของเขา เขาได้ถอดส่วนฮีโร่แบบเดิมที่เป็นภาพนิ่งออก แล้วแทนที่ด้วยฉาก 2.5D แบบอินเทอร์แอกทีฟที่ขับเคลื่อนด้วย Three.js ซึ่งได้รับแรงบันดาลใจมาจากเกมยุคเรโทร ตัวละครภายในฉากไม่ได้ถูกออกแบบมาให้ผู้เล่นบังคับควบคุมได้โดยตรง แต่เป็นเสมือนสภาพแวดล้อมอัตโนมัติขนาดเล็กที่อาศัยอยู่บนเว็บไซต์</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/hero_section_2_5d_three_js_ms09cxy5_inline_1_1840f6e236.jpg" alt="interactive 2.5d web scene" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>อวตารตัวนี้มีความพิเศษตรงที่มันสามารถตอบสนองต่อการกระทำของผู้ใช้งานได้ ตัวอย่างเช่น เมื่อผู้ใช้งานเลื่อนเมาส์ไปโฮเวอร์บนปุ่ม Call to Action (CTA) ตัวละครจะได้รับอินพุตและเดินไปยังตำแหน่งเฉพาะเจาะจงในฉาก เช่น การเดินไปหาหีบสมบัติที่วางไว้ภายในสภาพแวดล้อมนั้น ความตั้งใจคือการสร้างชิ้นงานที่ไม่เป็นเพียงแค่ภาพเคลื่อนไหวประดับตกแต่ง แต่เป็นส่วนหนึ่งที่ทำงานร่วมกับประสบการณ์ของผู้ใช้งานจริง</p><div class="ai-insight"><p>การนำ Three.js และแนวคิด Game Design มาใช้บนเว็บสะท้อนให้เห็นถึงเทรนด์การสร้างประสบการณ์แบบ Immersive ในยุคปัจจุบัน ซึ่งช่วยเพิ่มระยะเวลาที่ผู้ใช้งานอยู่บนหน้าเว็บไซต์ (Time on Site) ได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม ความท้าทายสำคัญคือการบริหารจัดการทรัพยากรการเรนเดอร์ 3 มิติไม่ให้ส่งผลกระทบต่อ Core Web Vitals ซึ่งส่งผลโดยตรงต่อ SEO และความพึงพอใจของผู้เข้าชม</p></div><p>แนวคิดเบื้องหลังการทดลองนี้คือการก้าวออกไปจากกรอบของหน้าแลนดิ้งเพจแบบเดิมๆ แทนที่จะทำให้หน้าเว็บแสดงผลหน้าตาเหมือนเดิมทุกครั้งที่มีคนเข้ามา เยี่ยมชม เขากำลังสร้างสภาพแวดล้อมดิจิทัลขนาดเล็กที่สามารถเปลี่ยนแปลงไปตามกาลเวลาได้</p><p>แผนงานในอนาคตยังรวมถึงการเพิ่มพฤติกรรมและเหตุการณ์ใหม่ๆ เช่น:</p><ul><li>การเข้าชมเว็บไซต์ในช่วงเวลาค่ำคืนอาจกระตุ้นพฤติกรรมการแสดงผลที่แตกต่างจากตอนกลางวันอย่างสิ้นเชิง</li><li>อวตารอาจไปนั่งอยู่ใกล้กองไฟหรือเล่นวิดีโอเกมขึ้นอยู่กับสถานะปัจจุบันของโลกจำลอง</li></ul><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/hero_section_2_5d_three_js_ms09cxy5_inline_2_63bd779a8e.jpg" alt="retro gaming website avatar" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>หนึ่งในความท้าทายที่ใหญ่ที่สุดคือการรักษาประสิทธิภาพของเว็บไซต์ การเพิ่มการเรนเดอร์แบบเรียลไทม์ ภาพเคลื่อนไหว และพฤติกรรมอัตโนมัติสามารถส่งผลกระทบต่อเวลาในการโหลดและประสบการณ์การใช้งานได้ง่าย โดยเฉพาะบนอุปกรณ์มือถือ แต่ฉากดังกล่าวได้รับการปรับแต่งจนสามารถรักษาคะแนน Core Web Vitals และ Lighthouse ไว้ได้ โดยสูญเสียคะแนนไปเพียงเล็กน้อยเท่านั้นเทียบกับเวอร์ชันก่อนหน้าที่มีความซับซ้อนน้อยกว่า</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/matteosant_dev/bringing-game-design-concepts-to-the-web-with-threejs-1c06" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Developer creates a 2.5D Hero Section on a website using Three.js</li><li>Characters in the scene react when users hover over CTA buttons and walk to various locations</li><li>Plans to add time-based character behaviors, such as sitting by a campfire in the evening</li><li>Strict performance optimization maintained good Lighthouse and Core Web Vitals scores</li></ul></div><p>After releasing an interactive software developer portfolio, he wanted to further the concept of blending game development ideas into traditional websites. The primary goal was not to forcefully cram a game into the web, but rather to create a hybrid experience that makes the website feel much more alive and memorable.</p><p>For his professional website, he removed the traditional static hero section and replaced it with an interactive 2.5D scene powered by Three.js, inspired by retro games. The characters within the scene are not designed for direct player control; instead, they act as a small autonomous environment living on the website.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/hero_section_2_5d_three_js_ms09cxy5_inline_1_1840f6e236.jpg" alt="interactive 2.5d web scene" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration purposes, not from actual events</p></div><p>This avatar has the special ability to respond to user actions. For example, when a user hovers their mouse over a Call to Action (CTA) button, the character receives input and walks to a specific location in the scene, such as walking toward a treasure chest placed within that environment. The intention is to create a piece that is not merely decorative animation, but a part that truly works alongside the user's experience.</p><div class="ai-insight"><p>Applying Three.js and Game Design concepts to the web reflects the modern trend of creating immersive experiences, which effectively increases Time on Site. However, the main challenge is managing 3D rendering resources so they do not impact Core Web Vitals, which directly affects SEO and visitor satisfaction.</p></div><p>The concept behind this experiment is to step outside the box of traditional landing pages. Instead of having the web page display the exact same appearance every single time someone visits, he is building a small digital environment that can change over time.</p><p>Future plans also include adding new behaviors and events, such as:</p><ul><li>Visiting the website during nighttime hours may trigger completely different display behaviors compared to daytime.</li><li>The avatar might sit near a campfire or play a video game depending on the current state of the simulated world.</li></ul><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/hero_section_2_5d_three_js_ms09cxy5_inline_2_63bd779a8e.jpg" alt="retro gaming website avatar" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration purposes, not from actual events</p></div><p>One of the biggest challenges was maintaining website performance. Adding real-time rendering, animations, and automated behaviors can easily impact loading times and user experience, especially on mobile devices. However, the scene was optimized well enough to maintain Core Web Vitals and Lighthouse scores, losing only a minimal amount compared to the previous, less complex version.</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/matteosant_dev/bringing-game-design-concepts-to-the-web-with-threejs-1c06" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_hero-section-2-5d-three-js-ms09cxy5.jpg

small_hero-section-2-5d-three-js-ms09cxy5.jpg

thumbnail_hero-section-2-5d-three-js-ms09cxy5.jpg

hero-section-2-5d-three-js-ms09cxy5.jpg

ยกระดับเว็บไซต์พอร์ตโฟลิโอแบบเดิมๆ ให้มีชีวิตชีวาด้วยฉาก 2.5D เคลื่อนไหวได้ และตัวละครอิสระที่ตอบสนองต่อผู้ใช้งาน

Elevate traditional portfolio websites with life, featuring a movable 2.5D scene and independent characters that respond to users.

ผสานโลกเกมมิ่งเข้ากับเว็บไซต์: นักพัฒนาทดลองสร้าง Hero Section แบบ 2.5D ด้วย Three.js

Merging Gaming Worlds into Websites: Developer Experiments with 2.5D Hero Section Using Three.js

<div class="key-takeaways"><ul><li>การเรียกใช้งาน AI API มีค่าใช้จ่ายสะสม แต่การจดบันทึกด้วยมือมักถูกละเลยและทำให้ข้อมูลไม่ครบถ้วน</li><li>เวอร์ชัน v0.1.2 เพิ่มฟังก์ชัน track() สำหรับครอบตัวรับส่งข้อมูลของ OpenAI และ Anthropic เพื่อบันทึกอัตโนมัติ</li><li>ระบบดึงข้อมูลจากช่อง usage และเรียกฟังก์ชัน logUsage() ทันทีโดยไม่มีอาการหน่วงเวลาเพิ่ม</li><li>รองรับการแยกแท็กตามโปรเจกต์ เช่น { project: 'myapp' } เพื่อแบ่งหมวดหมู่การใช้งานได้อย่างชัดเจน</li></ul></div><p>การเรียกใช้งาน AI API ทุกครั้งย่อมมีค่าใช้จ่ายเกิดขึ้นเสมอ แต่หากนักพัฒนาไม่ได้คอยเปิดหน้าแดชบอร์ดตรวจสอบหลังจบเซสชัน ก็แทบจะไม่รู้เลยว่าโปรเจกต์ไหนหรือโมเดลตัวใดกันแน่ที่เป็นตัวการทำให้บิลค่าใช้จ่ายพุ่งสูงขึ้น แม้ว่าเครื่องมืออย่าง AICostTracker จะเคยเปิดให้ใช้งานคำสั่งอย่าง aicost log myapp gpt-4o 1500 800 เพื่อบันทึกข้อมูลการเรียกใช้งาน แต่ในความเป็นจริงไม่มีนักพัฒนาคนไหนทำเช่นนั้นอย่างสม่ำเสมอ เนื่องจากมักจะลืมหรือกำลังเพลิดเพลินอยู่กับขั้นตอนการเขียนโค้ดและคิดว่าจะค่อยมาทำทีหลัง ส่งผลให้ข้อมูลบันทึกขาดๆ หายๆ และภาพรวมสรุปที่ได้กลายเป็นข้อมูลที่ใช้งานจริงไม่ได้</p><p>เพื่อแก้ปัญหานี้ ในเวอร์ชัน v0.1.2 จึงได้มีการเพิ่มฟังก์ชัน track() ขึ้นมา ซึ่งทำหน้าที่ห่อหุ้ม client ของทั้ง OpenAI และ Anthropic เพื่อช่วยอำนวยความสะดวกให้นักพัฒนาสามารถติดตามต้นทุนได้ทันทีโดยไม่ต้องพึ่งพาวิธีเดิมๆ</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_api_auto_logging_mrzwkk56_inline_1_a4a9def2b2.png" alt="code editor programming python typescript" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>การทำ Automatic Logging หรือการบันทึกข้อมูลการใช้งานแบบอัตโนมัติถือเป็นแนวปฏิบัติสำคัญในการพัฒนาแอปพลิเคชันยุค AI-driven เนื่องจากต้นทุนการเรียกโทเค็น (Token) จากโมเดลอย่าง GPT-4o หรือ Claude 3.5 Sonnet สามารถเพิ่มขึ้นได้อย่างรวดเร็ว การมีระบบที่คอยดึงข้อมูลจากฟิลด์ usage เบื้องหลังโดยไม่รบกวนกระบวนการทำงานหลัก (Synchronous wrapper ที่ยอมกลืนข้อผิดพลาดเงียบๆ หากระบบล็อกล้มเหลว) ช่วยให้มั่นใจได้ว่าแอปพลิเคชันจะไม่สะดุดขณะที่นักพัฒนาสามารถควบคุมงบประมาณได้พร้อมกัน</p></div><p>เมื่อเรียกใช้งานคำสั่งสรุปผล ระบบจะแสดงหน้าจอรายงานยอดค่าใช้จ่ายทั้งหมด จำนวนโทเค็นขาเข้าและขาออก พร้อมทั้งจำแนกรายละเอียดตามโปรเจกต์และโมเดลที่ใช้งานอย่างชัดเจน ตัวอย่างเช่น ยอดรวมค่าใช้จ่าย 1.2847 ดอลลาร์สหรัฐ แบ่งเป็นอินพุตโทเค็น 124,000 โทเค็น และเอาต์พุตโทเค็น 67,500 โทเค็น โดยแยกตามโปรเจกต์ myapp มูลค่า 0.9102 ดอลลาร์สหรัฐ จากการเรียกใช้งาน 31 ครั้ง และโปรเจกต์ summarizer มูลค่า 0.3745 ดอลลาร์สหรัฐ จากการเรียกใช้งาน 12 ครั้ง รวมถึงจำแนกตามโมเดล gpt-4o และ claude-3-5-sonnet</p><p>สำหรับหลักการทำงานของฟังก์ชัน track() นั้น จะทำการแพตช์ฟังก์ชัน client.chat.completions.create สำหรับ OpenAI และ client.messages.create สำหรับ Anthropic เพื่อทำการดักจับการตอบกลับ ดึงข้อมูลการใช้งานจากช่อง usage และสั่งทำงาน logUsage() ก่อนที่จะส่งผลลัพธ์กลับไป โดยกระบวนการนี้เป็นตัวห่อหุ้มแบบซิงโครนัสที่มีความบางเบาและไม่มีความหน่วงเวลาเพิ่มขึ้นแต่อย่างใด นอกจากนี้ หากเกิดข้อผิดพลาดใดๆ ขึ้นในกระบวนการบันทึก ระบบจะทำการกลืนข้อผิดพลาดนั้นไว้อย่างเงียบๆ เพื่อให้การเรียก API ของคุณได้รับคำตอบกลับมาเสมอไม่มีสะดุด</p><p>ยิ่งไปกว่านั้น อプション { project: 'myapp' } ยังเปิดโอกาสให้คุณสามารถแท็กชื่อโปรเจกต์ลงในการเรียกใช้งานแต่ละครั้งได้ หากคุณกำลังรันเอเจนต์หรือเครื่องมือหลายตัวภายในโค้ดเบสเดียวกัน คุณก็สามารถกำหนดป้ายกำกับโปรเจกต์ให้แต่ละตัวได้อย่างอิสระ สามารถดูรายละเอียดเพิ่มเติมและซอร์สโค้ดได้ที่ GitHub ของโปรเจกต์ aicost-tracker</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/pawfromoz/stop-manually-logging-your-ai-api-calls-one-line-auto-logging-for-openai-and-anthropic-1b5m" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Using AI APIs always accumulates costs, but manual logging is often neglected and leads to incomplete data.</li><li>Version v0.1.2 adds the track() function to wrap OpenAI and Anthropic request-response handlers for automated logging.</li><li>The system pulls data from the usage field and immediately triggers the logUsage() function without adding latency.</li><li>It supports project-based tagging, such as { project: 'myapp' }, to clearly categorize usage by category.</li></ul></div><p>Every time you call an AI API, costs are inevitably incurred. However, if developers do not continuously check the dashboard after a session ends, they have almost no way of knowing which project or model is actually the culprit behind soaring bills. Even though tools like AICostTracker used to offer commands like aicost log myapp gpt-4o 1500 800 to record usage data, in reality, no developer does this consistently because they either forget or get caught up in coding and plan to do it later. As a result, the recorded data ends up patchy, and the final summary becomes useless.</p><p>To solve this issue, version v0.1.2 introduces the track() function, which acts as a wrapper for both OpenAI and Anthropic clients, making it easy for developers to track costs immediately without relying on old methods.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_api_auto_logging_mrzwkk56_inline_1_a4a9def2b2.png" alt="code editor programming python typescript" loading=

medium_ai-api-auto-logging-mrzwkk56.jpg

small_ai-api-auto-logging-mrzwkk56.jpg

thumbnail_ai-api-auto-logging-mrzwkk56.jpg

ai-api-auto-logging-mrzwkk56.jpg

นักพัฒนาแนะนำวิธีแก้ปัญหาลืมบันทึกต้นทุนการเรียกใช้ OpenAI และ Anthropic ด้วยฟังก์ชัน track() ที่ทำงานอัตโนมัติไร้รอยต่อ

Developers share a solution to forget-me-not costs of OpenAI and Anthropic API calls with a seamless, automated track() function

เลิกจดค่าใช้จ่าย AI API แบบแมนนวล ด้วยเครื่องมือ auto-logging บรรทัดเดียวจบ

Stop Manually Logging Your AI API Calls with One-Line Auto-Logging

<div class="key-takeaways"><ul><li>ฟังก์ชันแบบ async ใน trait ของ Rust ไม่สามารถทำ object safety ได้ ส่งผลให้เกิด error E0038 เมื่อนำไปเก็บใน Vec สมชาย</li><li>สาเหตุหลักมาจากโครงสร้างการแปลง async fn ให้เป็น State Machine ที่มีขนาดแตกต่างกันในแต่ละผู้ใช้งาน (implementor) ซึ่งไม่ตรงกับข้อกำหนดของ vtable</li><li>ทีมนักพัฒนาคอมไพล์ปะวะยืนยันว่าปัญหานี้จะไม่ได้รับการแก้ไขในเร็วๆ นี้ นักพัฒนาจึงต้องอาศัยทางเลือกอื่น</li><li>มีแนวทางแก้ไขหลัก 3 รูปแบบ ขึ้นอยู่กับความเหมาะสมของชุดโค้ดและไลบรารีที่คุณกำลังพัฒนาอยู่</li></ul></div><p>นักพัฒนาภาษา Rust หลายคนอาจเคยเจอประสบการณ์ชวนหงุดหงิด เมื่อเขียน trait ที่มีเมธอดแบบ asynchronous นำไปใช้งานกับประเภทข้อมูลที่หลากหลาย แล้วพยายามนำพวกมันไปใส่รวมกันไว้ใน dynamic dispatch collection อย่าง <code>Vec&lt;Box&lt;dyn Notifier&gt;&gt;</code> สิ่งที่ปรากฏบนหน้าจอคอมไพล์คือข้อความแสดงข้อผิดพลาดว่า error[E0038]: the trait Notifier cannot be made into an object ซึ่งสร้างความประหลาดใจไม่น้อย เพราะรูปแบบโค้ดที่หน้าตาคล้ายคลึงกันนี้กลับใช้งานกับ synchronous trait ได้อย่างไร้ปัญหา แต่ทันทีที่เติมคำว่า async เข้าไปเพียงหนึ่งเมธอด คุณสมบัติ object safety ก็พังทลายลงทันที</p><p>สาเหตุเบื้องหลังของข้อจำกัดนี้ไม่ได้เกิดจากการขาดฟีเจอร์ใดฟีเจอร์หนึ่ง แต่เป็นปัญหาเชิงโครงสร้างที่ฝังราลึก ตัวคอมไพล์เลอร์จะทำการแปลง <code>async fn</code> ให้กลายเป็น State Machine ที่ทำงานสอดคล้องกับเทรท <code>Future</code> ซึ่งประเภทข้อมูลแท้จริง (concrete type) ของ State Machine เหล่านี้จะเป็นแบบไร้ชื่อ (anonymous) และมีขนาดพื้นที่หน่วยความจำแตกต่างกันออกไปตามแต่ละผู้พัฒนาที่นำไปอิมพลีเมนต์ ในขณะที่ระบบ vtable ของไดนามิกดิสแพทช์จำเป็นต้องอาศัยขนาดของช่องข้อมูลในเมธอดที่ตายตัวและเท่ากันเสมอในทุกๆ ผู้ใช้งาน ข้อเท็จจริงทางสถาปัตยกรรมสองประการนี้จึงไม่สามารถนำมาประสานเข้าด้วยกันได้ และทีมงานผู้พัฒนาคอมไพล์เลอร์ Rust ก็เคยออกมาชี้ชัดเจนแล้วว่า ปัญหานี้ยังไม่มีแผนที่จะถูกปรับแก้ในอนาคตอันใกล้นี้</p><div class="ai-insight"><p>ในเชิงสถาปัตยกรรมคอมไพล์เลอร์ การทำ Dynamic Dispatch ในภาษาแบบ Static-typed อย่าง Rust จำเป็นต้องอาศัย vtable (Virtual Method Table) เพื่อชี้ไปยังตำแหน่งฟังก์ชันที่ถูกต้องในขณะรันไทม์ ซึ่ง vtable จำเป็นต้องทราบขนาดและประเภทข้อมูลล่วงหน้าอย่างแม่นยำ ทว่า Future จากฟังก์ชันอะซิงโครนัสกลับมีขนาดไม่คงที่ ขึ้นอยู่กับสถานะภายในและตัวแปรที่ถูกจับไว้ (captures) ในบล็อกโค้ดนั้นๆ ความขัดแย้งระหว่างความยืดหยุ่นของ Future กับความตายตัวของ vtable จึงเป็นโจทย์ยากที่ภาษาโปรแกรมมิ่งสมัยใหม่หลายภาษาต้องเผชิญ</p></div><p>เมื่อข้อจำกัดทางสถาปัตยกรรมทำให้ไม่สามารถใช้งานตามปกติได้ คำถามสำคัญคือเหล่านักพัฒนาควรรับมือกับปัญหานี้อย่างไร? แนวทางแก้ไขที่ใช้ได้ผลจริงในปัจจุบันถูกแบ่งออกเป็น 3 รูปแบบหลัก โดยการเลือกแนวทางที่เหมาะสมที่สุดจะขึ้นอยู่กับบริบทของชุดข้อมูล เช่น ตัวผู้ใช้งานเป็นเซ็ตปิดที่คุณเป็นผู้ควบคุมทั้งหมด เป็นเซ็ตเปิดจากโค้ดภายนอกของบุคคลที่สาม หรือคุณกำลังพัฒนาไลบรารีที่ต้นทุนเรื่องการใช้ <code>Box</code> อาจส่งผลกระทบต่อผู้ใช้งานปลายทาง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/async_traits_rust_object_safe_mrzwk3w4_inline_1_6ff4785a92.jpg" alt="rust code editor terminal" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</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/dev_encyclopedia/async-traits-in-rust-still-arent-object-safe-heres-what-actually-works-ild" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Async functions in Rust traits cannot achieve object safety, resulting in error E0038 when stored in a Vec by Somchai.</li><li>The primary cause stems from the structural translation of async fn into State Machines with varying sizes for each implementor, which violates vtable requirements.</li><li>The compiler development team has confirmed that this issue will not be resolved anytime soon, requiring developers to rely on alternative approaches.</li><li>There are 3 main patterns for workarounds, depending on the suitability of your codebase and the library you are developing.</li></ul></div><p>Many Rust developers may have experienced the frustrating situation of writing a trait with asynchronous methods, applying it to various data types, and attempting to bundle them together into a dynamic dispatch collection like <code>Vec&lt;Box&lt;dyn Notifier&gt;&gt;</code>. What appears on the compiler screen is the error message <code>error[E0038]: the trait Notifier cannot be made into an object</code>, which comes as quite a surprise because a similar-looking code pattern works seamlessly with synchronous traits. However, the moment a single <code>async</code> keyword is added to a method, object safety completely breaks down.</p><p>The underlying cause of this limitation is not the lack of any single feature, but rather a deeply embedded structural issue. The compiler translates <code>async fn</code> into a State Machine compatible with the <code>Future</code> trait, where the concrete type of these State Machines is anonymous and has varying memory sizes depending on each developer implementing it. Meanwhile, the vtable system of dynamic dispatch relies on method slot sizes that are strictly fixed and uniform across all implementors. These two architectural facts cannot be reconciled, and the Rust compiler development team has previously clarified that there are no plans to adjust or resolve this issue in the near future.</p><div class="ai-insight"><p>From a compiler architecture perspective, performing Dynamic Dispatch in a statically typed language like Rust requires a vtable (Virtual Method Table) to point to the correct function location at runtime, which in turn requires the exact size and data type to be known in advance. However, Futures from asynchronous functions have variable sizes depending on internal states and captured variables within that code block. The conflict between the flexibility of Futures and the rigidity of vtables remains a difficult challenge faced by many modern programming languages.</p></div><p>When architectural limitations prevent normal usage, the crucial question is how developers should handle this problem. The currently effective workarounds are divided into 3 main patterns, where choosing the most appropriate approach depends on the context of the dataset—such as whether users form a closed set entirely under your control, an open set from third-party external code, or whether you are developing a library where the overhead of using <code>Box</code> could impact end-users.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/async_traits_rust_object_safe_mrzwk3w4_inline_1_6ff4785a92.jpg" alt="rust code editor terminal" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo illustration, not an actual photo from the event</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/dev_encyclopedia/async-traits-in-rust-still-arent-object-safe-heres-what-actually-works-ild" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_async-traits-rust-object-safe-mrzwk3w4.jpg

small_async-traits-rust-object-safe-mrzwk3w4.jpg

thumbnail_async-traits-rust-object-safe-mrzwk3w4.jpg

async-traits-rust-object-safe-mrzwk3w4.jpg

พบปัญหา error E0038 เมื่อใช้งาน async ใน trait ของภาษา Rust หรือไม่? บทความนี้พาไปดูสาเหตุเชิงโครงสร้างและ 3 วิธีแก้ปัญหาที่ใช้งานได้จริง

Encountering error E0038 when using async in Rust traits? This article explores the structural causes and 3 practical workarounds.

เจาะลึกปัญหา Async Traits ใน Rust ทำไมยังไม่รองรับ Object-Safe พร้อมทางแก้ที่ใช้งานได้จริง

Deep Dive into Async Traits in Rust: Why They Still Aren't Object-Safe and Practical Workarounds

<p>ข่าวสารสำหรับนักพัฒนา เทคนิคการเขียนโปรแกรม และเทรนด์ในวงการซอฟต์แวร์</p>

Inewgen

Inewgen

Developer

Elevating Bug Writing with AI: A Look at Claude Code's New Skill for Generating Bug Reports from Real Evidence

Inewgen

Deep Dive into SearchValues<T> in .NET 8: When to Use and When to Avoid

Inewgen

Front-End Developer Builds AI Video Tool, Lands First Customer in 3 Months

Inewgen

DeepDoc: A Document Parsing Tool for Air-gapped RAG Built with Rust

Inewgen

Stop treating AI like a webpage! A deep dive into APRF, the gatekeeping framework for unready LLM deployments

Inewgen

Merging Gaming Worlds into Websites: Developer Experiments with 2.5D Hero Section Using Three.js

Inewgen

Stop Manually Logging Your AI API Calls with One-Line Auto-Logging

Inewgen

Deep Dive into Async Traits in Rust: Why They Still Aren't Object-Safe and Practical Workarounds

Inewgen

Popular Category