จะก้าวข้ามคนส่วนใหญ่ในยุค AI ได้อย่างไร ?

วิธีเอาชนะคนส่วนใหญ่รอบตัวคุณในยุค AI

บางคนอาจบอกว่ามันง่าย แค่ติดตั้งสกิลเพิ่ม เปลี่ยนไปใช้เครื่องมือมากขึ้น และเปิดสมาชิกเพิ่ม

แต่ผลลัพธ์คืออะไร?

คุณติดตั้งเครื่องมือไปเป็นตั้ง บิลค่า token รายเดือนของคุณน่ากลัวกว่าเงินเดือนอีก และเจ้านายก็ยังไม่ได้เลื่อนขั้นหรือขึ้นเงินเดือนให้คุณ

ทำไมล่ะ?

เพราะเมื่อทุกคนใช้เครื่องมือเดียวกัน เครื่องมือเหล่านั้นก็กลายเป็นพื้นฐานใหม่ ถ้าคุณใช้ได้ คนอื่นก็ใช้ได้เช่นกัน แค่รู้วิธีใช้เครื่องมือ ก็ทำให้คุณอยู่บนเส้นเริ่มต้นเดียวกันกับคนอื่นเท่านั้น ยังไม่มีใครเอาชนะใครได้

สิ่งที่ทำให้คุณเอาชนะคนรอบตัวได้จริงๆ ไม่ใช่เครื่องมือที่คุณใช้ แต่คือความสามารถในการปรับปรุงวิธีการใช้เครื่องมือเหล่านั้นอย่างต่อเนื่อง

วิธีนี้เรียกว่า PDCA และมีประวัติศาสตร์ยาวนานหลายสิบปี ตอนนี้มันยังคงใช้ได้ดีในยุค AI

ทำไมต้อง PDCA?

วิธีการ PDCA ช่วยให้การผลิตของญี่ปุ่นเอาชนะสหรัฐอเมริกาได้ และวิธีเดียวกันนี้สามารถช่วยให้คุณเอาชนะคู่แข่งในที่ทำงานหรือการแข่งขันทางธุรกิจได้

แต่คำถามคือ ทำไมวิธีการที่ใช้ได้ผลในภาคการผลิต ถึงยังช่วยเพิ่มประสิทธิภาพในการใช้ AI ได้ด้วย?

เพราะ PDCA โดยพื้นฐานแล้วเป็นวิธีการหลักในการปรับปรุงกระบวนการใดๆ ก็ตาม

งานบนสายการผลิตของโตโยต้าและงานที่คุณทำกับ AI ทุกวัน ล้วนเป็นกระบวนการที่ทำซ้ำได้ ดังนั้นทั้งสองอย่างจึงสามารถปรับปรุงให้ดีขึ้นได้

วิธีนี้ถูกนำมาที่ญี่ปุ่นเมื่อกว่าห้าสิบปีก่อนโดยผู้เชี่ยวชาญด้านการจัดการคุณภาพชาวอเมริกันชื่อ Deming ซึ่งต่อมาทำให้การผลิตของญี่ปุ่นสามารถเอาชนะสหรัฐอเมริกาได้

มันมีสี่ขั้นตอน:

1. Plan: วางแผน
2. Do: ลงมือทำตามแผน
3. Check: บันทึกสิ่งที่คุณทำและวิเคราะห์สิ่งที่ไม่ได้ผล
4. Act: ปรับปรุงซ้ำ ทำให้ครั้งต่อไปดีขึ้นกว่าครั้งก่อน

วิธีนี้ก่อให้เกิดแนวคิดมากมาย เช่น Lean Manufacturing และ Lean Startup!!

นี่คืออดีตและปัจจุบันของ PDCA แต่มีคำถามที่ใหญ่กว่านั้น: คุณจะนำ PDCA ไปใช้ในยุค AI ได้อย่างไร?

วิธีนำ PDCA ไปใช้ในยุค AI

วงจร PDCA ในยุค AI ต้องมีความเป็น AI มากขึ้น การปรับปรุงแบบเดิมๆ ไม่เร็วพออีกต่อไป มันต้องเป็นอัตโนมัติและรวดเร็วมาก

คุณจะทำอย่างไร?

มาวิเคราะห์กันก่อนว่าคนส่วนใหญ่ติดขัดตรงไหนกับ PDCA

คนคิดว่าพวกเขาติดขัดที่การวิเคราะห์และการปรับปรุง แท้จริงแล้วคอขวดอยู่ก่อนหน้านั้น คือขั้นตอนแรก: การบันทึก

ลองคิดดู: ในที่สุดคุณก็คุยกับ AI เพื่อสร้าง workflow ที่มีประโยชน์ แต่แล้วคุณก็ลืมมัน หรือขี้เกียจบันทึก

ถ้าไม่มีการบันทึก คุณจะวิเคราะห์อะไร? คุณจะปรับปรุงอะไร?

ดังนั้น PDCA จึงพังตั้งแต่ขั้นตอนการบันทึก

ในยุคเก่า การบันทึกอาศัยคนเขียนเอกสารและจดบันทึก แต่คนเราขี้เกียจและยุ่ง พวกเขา simply ติดตามมันไม่ได้

ดังนั้น ในยุค AI การบันทึกควรมอบให้เครื่องมือที่เป็น AI โดยเฉพาะทำโดยอัตโนมัติ

เครื่องมือนี้คือ flowtrace!!

flowtrace สามารถเปลี่ยน workflow ทั้งหมดของคุณกับ AI ให้เป็นบันทึกที่นำกลับมาใช้ใหม่ได้โดยอัตโนมัติ ซึ่งเรียกว่า "trace"

การติดตั้งไม่ยาก โคลนโปรเจกต์จาก GitHub และรันคำสั่งติดตั้ง:

git clone https://github.com/AIScientists-Dev/flowtrace.git

cd flowtrace

./scripts/install.sh

จากนั้นคัดลอก skill make-trace ของมันไปยังโฟลเดอร์ skills ของ AI ของคุณ แล้วพิมพ์ /make-trace เพื่อเริ่มต้น

แล้วมันทำอะไรได้บ้าง?

เว็บไซต์ทางการแสดงฟีเจอร์หลายอย่าง:

• โปร่งใส: ผลลัพธ์ของทุกขั้นตอนเป็นไฟล์ที่เปิดได้ กระบวนการมองเห็นได้ ไม่ถูกฝังในข้อความ
• มีเอกสาร: ทุกข้อสรุปสามารถชี้กลับไปยังไฟล์ต้นทางได้ คุณตรวจสอบ ไม่ใช่เชื่ออย่างสุ่มสี่สุ่มห้า
• แทรกแซงได้: เปลี่ยนขั้นตอนเดียว เฉพาะขั้นตอนที่พึ่งพามันเท่านั้นที่จะรันใหม่ ที่เหลือคงเดิม
• ติดตามได้: การรันทั้งหมดประกอบด้วยไฟล์และ git หยุดและเริ่มใหม่เมื่อไหร่ก็ได้ และดูประวัติทั้งหมดได้
• นำกลับมาใช้ใหม่ได้: เมื่อทำงานเสร็จ มันจะกลายเป็น trace เปลี่ยน input แล้วรันอีกครั้ง
• พัฒนาได้: ยิ่งรันมากเท่าไหร่ ก็ยิ่งสมบูรณ์มากขึ้นเท่านั้น ถ้าขั้นตอนใดไม่ได้มาตรฐาน เวอร์ชันถัดไปจะแทนที่ด้วยวิธีการที่ได้มาตรฐาน

เห็นไหม? ฟีเจอร์เหล่านี้เป็นเครื่องมือที่ออกแบบมาเฉพาะสำหรับแต่ละขั้นตอนของ PDCA:

• การบันทึก: อาศัยความโปร่งใส (ทุกขั้นตอนกลายเป็นไฟล์) และมีเอกสาร (ข้อสรุปชี้ไปยังแหล่งที่มา)
• การวิเคราะห์: อาศัยการติดตามได้ (ดูประวัติทุกขั้นตอนเหมือน git)
• การปรับปรุง: อาศัยการแทรกแซงได้ (เปลี่ยนแค่ขั้นตอนเดียว เฉพาะขั้นตอนที่พึ่งพามันเท่านั้นที่รันใหม่)
• วงจรที่ดีขึ้น: อาศัยการนำกลับมาใช้ใหม่ (รันอีกครั้งด้วย input ต่างกัน) และการพัฒนา (ยิ่งรันมากยิ่งดี)

มันมีทุกสิ่งที่จำเป็นสำหรับทุกขั้นตอนของ PDCA

วิธีใช้งาน

โดยพื้นฐานแล้ว เรียกใช้ skill นี้และสั่งมันตามฟังก์ชันเหล่านี้

ถ้าคุณยังไม่รู้วิธีใช้! เว็บไซต์ยังมีเคสพร้อมใช้มากมายในหลากหลายสาขา:

1. การเขียนเรซูเม่
2. การเลือกหุ้น
3. การตรวจสอบสถานะก่อนการซื้อกิจการ SaaS
4. การสแกนความปลอดภัย
5. การเขียนรายงานอุตสาหกรรม
6. การแก้ไขบั๊ก
7. การปรับปรุงตำแหน่งโฆษณา
8. การกลั่นกรองความคิดของบุคคลให้เป็น skill
9. การเปลี่ยนสคริปต์พูดเป็นสไลด์สไตล์นิตยสาร

คุณอาจยังสับสนอยู่ งั้นให้ผมแสดงตัวอย่างจริงให้ดู!!

การปรับปรุงกระบวนการประเมินโปรเจกต์โอเพนซอร์ส

เมื่อเร็วๆ นี้ผมมีงานต้องประเมินโปรเจกต์โอเพนซอร์สหลายตัว เลยใช้มันเป็นตัวอย่าง

ขั้นตอนที่ 1: รันและบันทึก

ก่อนหน้านี้ผมใช้ Claude Code เพื่อค้นคว้าโปรเจกต์โอเพนซอร์สตัวหนึ่ง คุยไปคุยมาพอสมควร ได้ประวัติการแชทยาว

ตอนนี้ใน Claude Code ผมพิมพ์: /make-trace record this open-source project research workflow

มันเริ่มรันเอง เดาสิว่ามันทำอะไรเบื้องหลัง?

มันแยกขั้นตอนการค้นคว้าของผมทีละขั้นตอน: โคลนโปรเจกต์ก่อน จากนั้นอ่าน README เพื่อเข้าใจโครงสร้าง จากนั้นแยกเป็นหลายเส้นทาง—อ่านเอกสารหลัก ดูตัวอย่าง ตรวจสอบคู่แข่ง—และสุดท้ายสรุปเป็นบันทึกการค้นคว้า

หลังจากแยกย่อยแล้ว มันขอให้ผมเริ่มเซิร์ฟเวอร์ท้องถิ่น เมื่อผมเปิดเบราว์เซอร์ แผนผังกระบวนการทั้งหมดก็ปรากฏขึ้น ทีละโหนด แสดงให้เห็นอย่างชัดเจนว่าอะไรเชื่อมต่อกับอะไร

การค้นคว้าของผมตอนนี้ถูกทำให้เป็น trace ที่นำกลับมาใช้ใหม่ได้แล้ว นี่คือการบันทึก

ขั้นตอนที่ 2: การวิเคราะห์

การบันทึกเป็นแค่จุดเริ่มต้น ความสามารถในการรันอีกครั้งคือคุณค่าที่แท้จริง

ผมเปลี่ยนไปใช้โปรเจกต์ที่สอง วางที่อยู่ลงไป และบอกให้ AI รันใหม่ตาม trace นี้

มันรันยังไง?

มันทำตามแผนผัง ทีละโหนด ในแต่ละขั้นตอน มันอ่านคำแนะนำ ทำงาน สร้างไฟล์ออกมา แล้วไปยังขั้นตอนถัดไป ทีละชั้น มันรันไปจนจบเอง

ขณะที่รัน ปัญหาก็เกิดขึ้น trace ของผมเน้นแค่เอกสารและคู่แข่ง แต่มันพลาดส่วนสำคัญไป: มันไม่ได้ตรวจสอบสุขภาพของโปรเจกต์เลย—มีดาวกี่ดวง มีคนจัดการ issues หรือไม่ อัปเดตล่าสุดเมื่อไหร่

เห็นไหม เมื่อนำกลับมาใช้ใหม่ คุณสามารถเห็นว่าวิธีการล้มเหลวตรงไหนผ่านภาพ ทำให้เหมาะสำหรับการวิเคราะห์โปรเจกต์

ขั้นตอนที่ 3: การปรับปรุง

ผมบอกมันโดยตรงใน command line ให้เพิ่มขั้นตอนใน trace นี้โดยเฉพาะสำหรับตรวจสอบสุขภาพโปรเจกต์ มันเพิ่มให้ทันที และโหนดใหม่ก็ปรากฏขึ้นในแผนผันทันที

หลังจากเพิ่มโหนดแล้ว ผมใช้มันเพื่อรันโปรเจกต์ที่สาม ผลลัพธ์แสดงความแตกต่างอย่างชัดเจนทันที: โปรเจกต์นี้มี 34,800 ดาว เป็นดาวเยอะ แต่พอเปิด issues มีค้างอยู่กว่า 800 รายการ และไม่มีโค้ดบรรทัดไหนถูกแก้ไขในช่วงสามเดือนที่ผ่านมา

ในกระบวนการทั้งหมดนี้ ผมไม่ได้คิดค้นอะไรใหม่ ผมแค่บันทึกงานที่ทำในแต่ละครั้ง พบข้อบกพร่องในครั้งถัดไปที่ใช้งาน และแก้ไขไปเรื่อยๆ

ผ่านกระบวนการนี้ คุณจะเห็นว่าโปรเจกต์นี้ implement PDCA สำหรับ workflow ได้อย่างไร

สุดท้ายนี้

สิ่งที่สร้างความแตกต่างในยุค AI ไม่ใช่จำนวนเครื่องมือที่คุณติดตั้ง แต่คือการที่คุณมีวิธีการทำให้เครื่องมือทำงานได้ดีขึ้นยิ่งใช้มากขึ้น

PDCA ให้วิธีการนี้แก่คุณ และ flowtrace ช่วยคุณ implement มัน

ทุกคนมีเครื่องมือ เฉพาะผู้ที่สามารถปรับปรุงกระบวนการเท่านั้นที่จะชนะในการแข่งขัน

ถ้าคุณอยากให้ AI ของคุณมีประโยชน์มากขึ้น ให้ไปติดตั้ง flowtrace ก่อน เลือกงานที่คุณทำซ้ำบ่อยที่สุด แล้วรันมันหนึ่งครั้ง: บันทึก วิเคราะห์ ปรับปรุง

อีกอย่างหนึ่ง flowtrace เป็นโปรเจกต์โอเพนซอร์สที่ผู้เขียนเผยแพร่ให้ใช้ฟรี ถ้าคุณเห็นว่ามันมีประโยชน์ ให้ดาวมัน ที่อยู่ด้านล่างนี้:

https://github.com/AIScientists-Dev/Flowtrace

สิ่งดีๆ สมควรให้คนอื่นได้เห็น!!!