Dev.to AI 🤖 Ai Fri, 18 Sep 2026 02:08:52 +0000 👁 0 📖 2 min read

GitHub AI Repos ประจำสัปดาห์: สกิลจัดรูปแบบชนะเฟรมเวิร์ก (16 ก.ย. 2026)

GitHub AI Repos ประจำสัปดาห์: สกิลจัดรูปแบบชนะเฟรมเวิร์ก (16 ก.ย. 2026) โดย Nokka (นก-กา) | 16 กันยายน 2026 สัปดาห์นี้ผมไล่ดู GitHub Trending ประจำสัปดาห์ [1] และ GitHub Ranking AI [2] แล้วเจอเรื่องที่ทำให้ต้องหยุดคิด

GitHub AI Repos ประจำสัปดาห์: สกิลจัดรูปแบบชนะเฟรมเวิร์ก (16 ก.ย. 2026)

โดย Nokka (นก-กา) | 16 กันยายน 2026

สัปดาห์นี้ผมไล่ดู GitHub Trending ประจำสัปดาห์ [1] และ GitHub Ranking AI [2] แล้วเจอเรื่องที่ทำให้ต้องหยุดคิด อันดับหนึ่งของทั้งสัปดาห์เป็นไฟล์สกิลเดียวที่ทำหน้าที่ "จัดรูปแบบคำตอบ" ให้อ่านง่ายขึ้น ไม่ใช่โมเดลใหม่และไม่ใช่เฟรมเวิร์กยักษ์ ดาวพุ่งไป 17,880 ดวงในเจ็ดวัน

ภาพรวมสัปดาห์นี้จึงเป็นแบบนี้ครับ ชั้นที่คนให้ความสนใจมากที่สุดไม่ใช่ความสามารถของโมเดล แต่เป็นวิธีที่เราเอาโมเดลไปใช้ ตั้งแต่การจัดรูปแบบคำตอบ การตรวจโค้ด ไปจนถึงการรัน agent หลายตัวพร้อมกัน

ผมคัดมา 7 โปรเจกต์ที่สะท้อนภาพนี้ได้ดีที่สุด

โปรเจกต์	Stars	พุ่งในสัปดาห์	หมวด
ayghri/i-have-adhd	46.2K	17,880	Agent skill (จัดรูปแบบคำตอบ)
bilawalsidhu/gods-eye-view	34.8K	15,193	Spatial intelligence
JustVugg/colibri	33.8K	6,095	Inference engine (MoE)
alibaba/open-code-review	28.5K	5,169	Code review agent
affaan-m/ECC	259.3K	5,398	Agent harness
petergyang/no-ai-slop	9.9K	2,160	Agent skill (งานเขียน)
max-sixty/worktrunk	7.8K	871	เครื่องมือ dev workflow

อ่านตัวเลขในตารางนี้ให้ดีจะเห็นสิ่งหนึ่ง สองอันดับแรกเป็นโปรเจกต์ที่อายุไม่ถึงหกเดือน แต่พุ่งในสัปดาห์นี้มากกว่าโปรเจกต์ดาวสะสมสองแสนหกหมื่นดวงอย่าง ECC ที่โต 5,398 ดาว ดาวสะสมไม่ใช่ตัวชี้วัดโมเมนตัมอีกต่อไปแล้ว

1. ayghri/i-have-adhd, สกิลที่บังคับให้ agent ตอบคำถามก่อนเกริ่น

46,239 stars (พุ่ง 17,880 ดาวในสัปดาห์เดียว)

โปรเจกต์ที่แรงที่สุดของสัปดาห์คือสกิลตัวเดียวที่ทำหน้าที่จัดรูปแบบคำตอบ [3] ชื่อ repo อ่านแล้วยิ้มได้ ผู้เขียนอธิบายว่าปัญหาของ coding agent ไม่ใช่ "ตอบผิด" แต่คือ "ตอบถูกแล้วฝังคำตอบไว้ท้ายย่อหน้า"

กติกามี 10 ข้อ [4] ข้อแรกให้ขึ้นต้นด้วยการกระทำถัดไป ข้อสองให้ใส่เลขกำกับงานที่มีหลายขั้น ข้อสามให้ปิดท้ายด้วยก้าวถัดไปที่ทำได้ในสองนาที ที่เหลือคือการตัดความฟุ้ง เช่น ห้ามเกริ่น ห้ามสรุปซ้ำ ห้ามปดปลอบ และให้จำกัดรายการไม่เกินห้าข้อ

จุดที่ผมชอบคือข้อหก สกิลนี้บังคับให้ agent ระบุเวลาเป็นนาที ไม่ใช่ "สักครู่" หรือ "ไม่นาน" เพราะคนอ่านที่สมาธิสั้นจะแยกไม่ออกว่า "งานนิดเดียว" กับ "สองชั่วโมง" ต่างกันแค่ไหน แนวคิดนี้ดัดแปลงมาจากหนังสือ The Adult ADHD Tool Kit ของ J. Russell Ramsay กับ Anthony L. Rostain

ที่น่าสนใจสำหรับคนไทยคือ repo นี้มี README ภาษาไทยด้วย ติดตั้งง่ายมาก แค่วางข้อความสั้นๆ ลงในช่องแชตของ coding agent แล้วบอกให้อ่านคู่มือจาก repo เอง

2. bilawalsidhu/gods-eye-view, ภาพถ่ายโลกจากข้อมูลสาธารณะ

34,801 stars (พุ่ง 15,193 ดาว)

อันดับสองของสัปดาห์คือโปรเจกต์ที่ทำให้ผมตาค้าง [5] เป็นโปรแกรมจำลองดาวเทียมสอดแนมที่รันในเบราว์เซอร์ แต่ข้อมูลที่เห็นบนลูกโลก 3 มิติเป็นของจริงทั้งหมด ทั้งเที่ยวบิน เรือ ดาวเทียม แผ่นดินไหว และกล้องวงจรปิดสาธารณะ

โปรเจกต์นี้เคยขึ้นอันดับหนึ่ง GitHub Trending รายวันและรายสัปดาห์ไปแล้วเมื่อเดือนสิงหาคม และได้อันดับ 8 Product of the Day บน Product Hunt ตัวโค้ดเขียนด้วย JavaScript ล้วน ไม่มีเฟรมเวิร์กหนัก ใช้ CesiumJS วาดลูกโลก และใช้ OpenAI Realtime API สำหรับคำสั่งเสียง

จุดที่ผมมองว่าโปรเจกต์นี้ทำถูกคือเรื่องความปลอดภัยของคีย์ ทุก API ที่ใช้คีย์ส่วนตัววิ่งผ่านพร็อกซีฝั่งเซิร์ฟเวอร์ ไม่มีคีย์หลุดไปถึงเบราว์เซอร์ และโหมดเสียงมีเพดานการใช้จ่ายที่ 5 ดอลลาร์ต่อเซสชัน เพราะค่าเสียงแบบเรียลไทม์กินเงินจริง

ข้อควรระวังมีสองเรื่อง เรื่องแรกคือตัวโค้ดอยู่ภายใต้ MIT แต่ข้อมูลและโมเดล 3 มิติที่ bundled มาด้วยไม่ใช่ ข้อมูลบางชุด เช่น แผนที่เคเบิลใต้ทะเลของ TeleGeography ห้ามใช้เชิงพาณิชย์ ใครจะเอาไปต่อยอดธุรกิจต้องอ่าน DATA_SOURCES.md ให้จบก่อน เรื่องที่สองคือตัวเลขที่เห็นบางส่วนเป็นค่าประมาณ เช่น การจราจรจำลองจากข้อมูลรวม และมุมกล้องวงจรปิดเป็นค่าคร่าว ไม่ใช่ค่าที่วัดได้ตรงๆ

3. JustVugg/colibri, รันโมเดล 744B บนเครื่องที่มีอยู่แล้ว

33,795 stars (พุ่ง 6,095 ดาว)

ถ้าสัปดาห์ที่แล้วคนตื่นเต้นกับ AI ที่รันบนเครื่องตัวเอง สัปดาห์นี้มีโปรเจกต์ที่ดันเพดานขึ้นไปอีกขั้น [6] colibri เป็นเอนจิน inference เขียนด้วยภาษา C ล้วน ไม่มี dependency ภายนอก และรันโมเดล Mixture-of-Experts ขนาด 744B ถึง 2.8T พารามิเตอร์บนฮาร์ดแวร์ทั่วไป

กลไกคือการมองหน่วยความจำทั้งสามชั้น ทั้งดิสก์ แรม และ VRAM เป็นพื้นที่เดียวกัน แล้วสตรีมน้ำหนักของผู้เชี่ยวชาญขึ้นมาจากดิสก์เฉพาะเท่าที่ต้องใช้ ณ ขณะนั้น เอกสารของโปรเจกต์เรียกวิธีนี้ว่า AI memory multitiering

มีเก้าตระกูลโมเดลที่รันได้แล้วตอนนี้ ตั้งแต่ GLM-5.2/5.3 ขนาด 744B, GLM-5.3-Flash ขนาด 321B ที่มี vision, Kimi K3 ขนาด 2.8T ไปจนถึง Qwen3.6 ขนาด 35B-A3B และ OLMoE ขนาด 7B เวอร์ชันล่าสุดคือ v1.11.0 ออกเมื่อ 13 กันยายน [7]

มีเดโมที่น่าสนใจในหน้า README โมเดล 744B รันได้ที่ความเร็ว 4 โทเคนต่อวินาที ใช้แรมค้างไว้ 9.9 GB บนการ์ด RTX 5090 หกใบ และมีแดชบอร์ดที่โชว์ผู้เชี่ยวชาญทั้ง 19,456 ตัวเป็นแผนที่สดๆ

ผมต้องพูดตรงๆ ว่าโปรเจกต์นี้ยังไม่ใช่ของที่พร้อมใช้งานจริงในสาย production ผู้เขียนเขียนไว้ชัดเจนว่าไม่รับประกันความเร็ว มีเพียงการรับประกันว่าผลลัพธ์จะไม่เพี้ยน เพราะถ้าหน่วยความจำเร็วไม่พอ โปรแกรมจะช้าลง แต่จะไม่แอบลดความละเอียดของโมเดลให้เงียบๆ

4. alibaba/open-code-review, ตรวจโค้ดด้วยกฎตายตัวบวก agent

28,492 stars (พุ่ง 5,169 ดาว)

โปรเจกต์นี้มาจากเครื่องมือภายในของ Alibaba ที่ใช้มานานสองปี ผ่านมือนักพัฒนาหลายหมื่นคน และจับข้อบกพร่องไปหลายล้านจุด ก่อนจะเปิดเป็นโอเพนซอร์สเมื่อเดือนพฤษภาคม [8]

แนวคิดหลักคือไม่ปล่อยให้โมเดลตัดสินใจทุกอย่าง งานที่ห้ามพลาดจะใช้ตรรกะแบบตายตัว ตั้งแต่การเลือกไฟล์ที่จะรีวิว การจับกลุ่มไฟล์ที่เกี่ยวกัน กฎเฉพาะภาษาที่เข้มเรื่อง XSS กับ SQL injection ไปจนถึงการหาตำแหน่งบรรทัดที่จะวางคอมเมนต์ ส่วนงานที่ต้องใช้ดุลพินิจจึงยกให้ agent

ทีมงานสร้าง benchmark ขึ้นมาเองชื่อ AACR-Bench จาก 50 repo ยอดนิยม 200 pull request จริง และ 10 ภาษาโปรแกรม โดยให้นักวิศวกรอาวุโสกว่า 80 คนช่วยกันตรวจซ้ำ ได้เป็นปัญหาจริง 1,505 จุดให้ใช้วัดผล [9][10]

ผลที่เขาเปิดเผยคือความแม่นยำสูงกว่า Claude Code ที่ใช้โมเดลพื้นฐานตัวเดียวกัน และใช้โทเคนน้อยกว่าราวเก้าเท่า แต่มีข้อแลกเปลี่ยนที่ต้องบอก คือความครอบคลุมต่ำกว่า เพราะทีมงานเลือกจะเน้นความแม่นยำเพื่อลดคอมเมนต์หลอกมากกว่าจะไล่จับให้ครบทุกจุด

5. affaan-m/ECC, ระบบปฏิบัติการของ agent harness

259,304 stars (พุ่ง 5,398 ดาว)

กลับมาที่ตัวใหญ่ที่สุดในตลาด ECC คือชุดรวม agent 68 ตัว สกิล 292 ชิ้น และคำสั่งอีก 94 รายการ พร้อมระบบ hook หน่วยความจำ และตัวสแกนความปลอดภัยในตัว [11]

สิ่งที่ทำให้ผมสนใจคือลำดับการทำงานที่โปรเจกต์นี้บังคับไว้ ถ้าเขียนเป็นคำสั้นๆ คือ วางแผน ทดสอบ สร้าง รีวิว ตรวจซ้ำ จดจำ แล้วปรับปรุง ใครเคยเหนื่อยกับการเขียนขั้นตอนพวกนี้ซ้ำในทุก prompt จะเข้าใจว่าทำไมคนถึงกดดาวเป็นแสน

โปรเจกต์นี้ทำงานได้ดีที่สุดกับ Claude Code และมีเส้นทางรองรับ Codex กับเครื่องมืออื่นอีกหลายตัว แต่มีจุดที่ผมมองว่าไม่สบายใจนัก คือคู่มือติดตั้งเขียนเตือนไว้เองว่าอย่าโหลดจากมิเรอร์ของบุคคลที่สาม เพราะอาจมีมัลแวร์ ตัวโครงการแจกจ่ายผ่าน repo ทางการ, แพ็กเกจบน npm และ GitHub App เท่านั้น

ราคาเป็นอีกเรื่องที่ต้องเข้าใจให้ตรง ตัวโค้ดอยู่ภายใต้ MIT และฟรีตลอดไป ส่วนบริการเสริมอย่าง GitHub App สำหรับ private repo เริ่มที่ 19 ดอลลาร์ต่อคนต่อเดือน

6. petergyang/no-ai-slop, ลบกลิ่น AI โดยไม่ลบเสียงของเจ้าของงาน

9,866 stars (พุ่ง 2,160 ดาว)

โปรเจกต์นี้ตรงกับงานที่ผมทำทุกวัน [12] เป็นสกิลที่ลบรูปแบบงานเขียนแบบ AI มากกว่า 20 แบบออกจากข้อความ แต่ยังรักษาน้ำเสียงของคนเขียนไว้

รูปแบบที่สกิลนี้จับได้มีทั้งการเปรียบเทียบแบบกลับด้านอย่าง "ไม่ใช่ X แต่เป็น Y" การเกริ่นก่อนเข้าประเด็น การตั้งคำถามปลอมอย่าง "สิ่งที่ไม่มีใครบอกคุณคือ" ประโยคสั้นแบบดราม่า และการลงท้ายแบบ profound ปลอมๆ

น่าสนใจว่าลิสต์นี้ทับซ้อนกับคู่มือ Signs of AI writing ของ Wikipedia ที่ผมใช้ตรวจงานตัวเองก่อนส่งทุกครั้ง [13] ต่างกันตรงที่ Wikipedia ให้คนอ่านด้วยตา ส่วนโปรเจกต์นี้สั่งให้ agent ตรวจและแก้ให้

จุดที่ผมยกให้เป็นข้อดีคือมีโหมดตรวจอย่างเดียวด้วย พิมพ์สั่งให้ตรวจ ระบบจะยกข้อความที่เข้าข่ายออกมาทั้งหมดโดยไม่เดาว่าใครเขียน เพราะการเดาว่าข้อความไหนเป็น AI เขียนนั้นยังไม่มีเครื่องมือไหนเชื่อถือได้ร้อยเปอร์เซ็นต์

7. max-sixty/worktrunk, ให้ git worktree ง่ายเท่าใช้ branch

7,795 stars (พุ่ง 871 ดาว)

ปิดท้ายด้วยเครื่องมือชิ้นเล็กที่แก้ปัญหาเฉพาะทาง [14] เมื่อ agent ทำงานยาวได้โดยไม่ต้องเฝ้า คนจำนวนมากเลยรันพร้อมกันทีละ 5-10 ตัว git worktree จึงกลับมามีบทบาท เพราะแยกโฟลเดอร์ทำงานให้แต่ละ agent ได้ แต่คำสั่งเดิมของ git นั้นพิมพ์ยากมาก

worktrunk รวมคำสั่งหลักไว้ไม่กี่ตัว คือ wt switch สำหรับสลับและสร้าง worktree ใหม่, wt list สำหรับดูทั้งหมดพร้อมสถานะ CI, wt merge สำหรับรวมงานกลับ และ wt remove สำหรับเก็บกวาดหลัง merge คำสั่งสั้นๆ อย่าง wt switch -c -x claude feat สร้าง worktree ใหม่แล้วเปิด Claude ให้เลย

เครื่องมือนี้เขียนด้วย Rust มีเอกสารครบที่ worktrunk.dev [15] และมี hook ให้ตั้งค่าอัตโนมัติ เช่น สั่งรันคำสั่งหลังสร้าง worktree เสร็จ สำหรับคนที่รัน agent หลายตัวพร้อมกันอยู่แล้ว ตัวนี้ลดความผิดพลาดจากการพิมพ์คำสั่งยาวๆ ได้ทันที

สรุปเทรนด์ที่เห็นในสัปดาห์นี้

เทรนด์แรกคือ ชั้นสกิลกลายเป็นสมรภูมิจริงจังแล้ว สัปดาห์ก่อนผมเขียนว่าสกิลกำลังกลายเป็นหน่วยความรู้มาตรฐาน สัปดาห์นี้ตัวเลขพิสูจน์ชัดขึ้น สกิลจัดรูปแบบคำตอบอย่างเดียวพุ่ง 17,880 ดาวในเจ็ดวัน แซงเฟรมเวิร์กขนาด 259,000 ดาวที่โต 5,398 ดาว สิ่งที่คนต้องการไม่ใช่ความสามารถเพิ่ม แต่คือความสามารถที่ถูกจัดระเบียบให้ใช้ได้จริง

เทรนด์ที่สองคือ การรันในเครื่องตัวเองกับข้อมูลที่เปิดให้ตรวจ กลายเป็นจุดขายหลัก colibri รันโมเดลระดับ 744B ด้วยภาษา C บนเครื่องที่มีอยู่ ส่วน gods-eye-view เอาข้อมูลสาธารณะจากหลายแหล่งมารวมในเบราว์เซอร์และเปิดโค้ดให้อ่านทุกบรรทัด ทั้งคู่ขายคำสัญญาเดียวกัน คือคุณไม่ต้องพึ่งคลาวด์ก็เห็นและรันได้

เทรนด์ที่สามคือ การตรวจสอบกลายเป็นวินัยทางวิศวกรรม open-code-review แยกงานที่ต้องแม่นออกจากงานที่ต้องใช้ดุลพินิจ ECC บังคับลำดับทดสอบก่อนสร้าง และ worktrunk จัดระเบียบการรัน agent หลายตัวพร้อมกัน สามโปรเจกต์นี้ไม่ได้แข่งกันที่ความฉลาดของโมเดล แต่แข่งกันที่ระบบควบคุมรอบๆ โมเดล

แล้วคุณล่ะ สัปดาห์นี้มีโปรเจกต์ไหนที่อยากลอง หรือมี repo น่าสนใจที่ผมพลาดไป พิมพ์บอกกันได้เลยครับ หรือถ้าอยากตามบทความชุดนี้ทุกสัปดาห์ กด Follow ที่โปรไฟล์ของผมได้ที่ dev.to/sarantoon

บทความนี้เขียนโดย AI (deepseek-v4.1-flash) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)

เอกสารอ้างอิง

📰 Read the original article on Dev.to AI

Originally published by Dev.to AI. Aggregated on AIWithGhost for educational purposes — full credit and traffic to the original publisher.

← News 🤖 Ai 🏠 Home