บทที่ 1 — thClaws คืออะไร?

thClaws คือ AI Agent Platform ที่เขียนด้วย Rust แบบ native รันบน เครื่องของคุณเอง สำหรับสร้าง AI Agent มาช่วยคุณทำงานหลากหลาย เช่น เขียนโปรแกรม ทำงานอัตโนมัติ ตรวจสอบและจัดระเบียบเอกสาร จัดการ Knowledge Base หรือสร้างทีม AI Agent ทำงานร่วมกัน — ทั้งหมดรวมอยู่ใน binary เดียว แค่บอกเป็นภาษาธรรมชาติว่าต้องการอะไร แล้ว agent จะอ่านไฟล์ รันคำสั่ง ใช้ tool และพูดคุยโต้ตอบกับคุณระหว่างทำงาน

หก surface รวมอยู่ใน binary เดียว ใช้ Agent loop, Session และ tool registry ชุดเดียวกัน — ห้า surface แรกสำหรับ “คน” คนหนึ่ง (รวมถึงคุย ผ่าน LINE บนมือถือ), surface ที่หกให้ “ซอฟต์แวร์อื่น” เรียกใช้ thClaws ไปทำงาน:

• Desktop GUI (thclaws โดยไม่ใส่ flag) — หน้าต่าง native ประกอบด้วย แท็บ Terminal ที่รัน REPL ตัวเดียวกับโหมด --cli, แท็บ Chat แบบ streaming, Files browser และแท็บ Team (ตัวเลือกเสริม)
• CLI REPL (thclaws --cli) — prompt โต้ตอบใน terminal เหมาะกับการใช้ ผ่าน SSH, เซิร์ฟเวอร์ headless หรือเมื่อไม่ต้องการ overhead ของ GUI
• โหมดไม่โต้ตอบ (thclaws -p "prompt" รูปแบบเต็มคือ --print) — รันแค่หนึ่ง turn แล้วออก สะดวกสำหรับสคริปต์ CI pipeline หรือ one-liner ใน shell ใส่ -v / --verbose เพื่อให้แสดง token usage ของ turn บน stderr โดยไม่รบกวน stdout
• Webapp (thclaws --serve --port 7878 + เปิด browser) — engine ตัวเดียวกันผ่าน WebSocket/HTTP เปิดจาก laptop คุณเอง เข้าถึงระยะไกล ผ่าน SSH tunnel ได้ — “thClaws ทุกที่” โดยไม่ต้องเปิด port
• LINE Chat (thclaws --line หรือ GUI Line Connect modal) — คุยกับ agent ผ่าน LINE OA ของคุณเอง ทำงานผ่าน relay tunnel ที่ line.thclaws.ai ซึ่งเชื่อมระหว่าง LINE platform กับ thClaws ที่รัน บนเครื่องคุณ — agent อยู่ในเครื่องคุณ แต่เรียกใช้ได้จากที่ไหนก็ได้ ผ่านมือถือ (ดู บทที่ 21)
• AI Agent (API Server) (thclaws --serve + HTTP API) — ให้ ซอฟต์แวร์อื่น (orchestrator, external client, scheduler) เรียกใช้ thClaws เป็น agent ผ่าน HTTP API เดียวกัน — รายละเอียดอยู่ในบทถัด ๆ ไป

สิ่งที่ทำให้ thClaws แตกต่าง

• Self-improving AI Agent (auto-learn) — เปิด autoLearn: true ใน settings แล้ว agent จะเรียนรู้จากตัวเองอัตโนมัติ ทุก session ที่จบลง จะถูกบันทึกเป็น KMS page ใน self_learn (แยกจาก KMS ที่คุณ curate เอง) และตามรอบ (default ทุก 6 ชั่วโมง) จะ reconcile contradictions ในนั้น สร้างจากปริมิทีฟที่มีอยู่แล้ว (/kms ingest, /kms reconcile) — ไม่มี prompt agent ใหม่ แค่เปิด/ปิดด้วย flag เดียว ถ้าอยากเริ่มใหม่ ลบโฟลเดอร์ self_learn/ ทิ้งได้เลย (บทที่ 9 §Self-improving AI Agent)
• 3 ระดับของ agent orchestration — Task tool (model ตัดสินใจ block parent’s turn), /agent <name> (user สั่งเอง รันขนานกับ main ไม่เข้า history), Agent Team (หลาย process, mailbox + task queue, แต่ละคนมี worktree ของตัวเอง) ดู บทที่ 15 และ บทที่ 17
• Hire-able as a working agent — self-hosted sandbox ของคุณ — ทิศกลับของ orchestration: thClaws เป็น worker ให้ orchestrator ตัวอื่น (เช่น Paperclip / thcompany / Anthropic Managed Agents) จ้างไปทำงาน ทั้งแบบ Employee (thclaws_local — process บน เครื่องเดียวกัน — เทียบเท่า in-process sandbox) และ Freelancer (thclaws_pod — pod แยก รันบน VPS, cloud หรือ k3s ของคุณเอง — เทียบเท่า self-hosted sandbox ที่ agent loop อยู่ฝั่ง orchestrator ส่วน tool execution อยู่ใน perimeter ของ คุณ) orchestrator พูดผ่าน HTTP API เดียวกับที่ user/IDE ใช้ (บทที่ 22)
• จำสิ่งที่สำคัญในระยะยาว 3 ระดับ — AGENTS.md (หรือ CLAUDE.md) ในโปรเจกต์ โดนฉีดเข้า prompt อัตโนมัติ (บทที่ 8); memory store ที่ ~/.config/thclaws/memory/ เก็บข้อเท็จจริงที่ agent เรียนรู้เกี่ยวกับตัวคุณและโปรเจกต์; KMS (knowledge bases) สำหรับเอกสารยาว ๆ ที่มี search + reconcile + หลายหน้า แนบเข้า session ได้ (/kms attach) — ทั้งหมดเป็น markdown ที่คุณอ่าน แก้ไข หรือ commit ได้ (บทที่ 9)
• ประกอบ agent เองจาก building block — Skill (บทที่ 12) สำหรับ workflow ที่ใช้ซ้ำได้, MCP server (บทที่ 14) สำหรับเสียบ tool ภายนอก (GitHub, DB, Browser, Slack ฯลฯ), Plugin (บทที่ 16) สำหรับแพ็กทุกอย่างรวมกัน, Knowledge base (บทที่ 9) สำหรับ wiki ที่ agent ค้น/อ่าน/เขียนเอง พร้อม /dream ที่ consolidate KMS จาก session ล่าสุดให้อัตโนมัติ
• รองรับหลาย provider อย่างเท่าเทียม — Anthropic (native + Claude Agent SDK), OpenAI (Chat + Responses/Codex), Google Gemini & Gemma, Alibaba DashScope (Qwen), DeepSeek, Z.ai (GLM Coding Plan), NVIDIA NIM, NSTDA Thai LLM (OpenThaiGPT, Typhoon, Pathumma, THaLLE), OpenRouter, Agentic Press, Azure AI Foundry, Ollama (local + Anthropic-compat + Cloud), LMStudio และ slot OpenAI-compatible ทั่วไป (oai/*) — สลับกลางคันด้วย /model หรือ /provider ได้ (บทที่ 6)
• API พร้อมใช้กับเครื่องมือมาตรฐาน — --serve เปิดทั้ง /v1/chat/completions (OpenAI-compatible สำหรับ Cursor, Aider, n8n, openai-python) และ /agent/run + /v1/agent/info (thClaws-native สำหรับ orchestrator เช่น thcompany) — agent ตัวเดียวให้บริการได้ ทั้งคนและซอฟต์แวร์พร้อมกัน
• Async webhook delivery — งานที่รันยาว (deploy, build, multi-step research) ส่ง prompt + x_callback แล้วปิด connection ได้ thClaws จะ POST ผลกลับเมื่อทำเสร็จ ทนต่อ network blip และ orchestrator pod restart ระหว่างทาง
• Plan mode — สำหรับงานหลาย step ให้ agent EnterPlanMode แล้ว เสนอ step ทีละขั้น ให้ คุณ review และอนุมัติก่อนรัน แต่ละ step มี retry budget; failure จะหยุด chain เพื่อให้คุณตัดสินใจต่อ (บทที่ 18)
• Schedule + cron + watchWorkspace — /schedule add รัน agent ตาม cron, fixed interval หรือเมื่อ directory เปลี่ยน มีทั้ง manual, in-process scheduler และ daemon (launchd / systemd-user) ที่อยู่ รอดได้ข้าม reboot (บทที่ 19)
• Long-running loops — /loop สำหรับ iterate ตาม interval, /goal สำหรับ audit-driven completion (ทำต่อจนกว่า audit prompt จะตอบว่า “เสร็จ” หรือชน budget) ผสม /goal --auto ได้สำหรับ Ralph-style overnight builder
• Document workflow — read + edit + create PDF, DOCX, PPTX, XLSX ในตัว plus image rendering — ingest PDF 50 หน้าเข้า KMS แล้วผลิต PowerPoint ออกมาในการสนทนาเดียวได้
• Hooks — รัน shell script บน lifecycle event ของ agent (8 event รวม pre/post_tool_use, permission_denied, session_start, pre_compact ฯลฯ) audit ทุก Bash, gate Edit/Write ผ่าน linter, แจ้ง Slack เมื่อ session ยาว ๆ จบ (บทที่ 13)
• เหมาะกับทุกสายงาน ไม่ใช่แค่วิศวกร — Chat tab แบบ streaming สำหรับ นักวิจัย PM ฝ่ายกฎหมาย/การตลาด Terminal REPL สำหรับวิศวกร — ใช้ session และ config ชุดเดียวกัน สลับไปมาได้โดยไม่เสีย context (บทที่ 4)
• native บนเครื่อง คุมข้อมูลเอง — Rust binary ตัวเดียว ไม่ต้องมี service เบื้องหลัง ไม่ต้อง cloud จะรันกับ Ollama แบบ offline ล้วน ๆ ก็ได้
• รันได้ทุกแพลตฟอร์ม — binary ตัวเดียวกันรันบน macOS (Apple Silicon
• Intel), Windows, Linux ได้ ใส่ใน Docker container เพื่อ deploy ขึ้น VPS / cloud / Kubernetes ก็ได้ — code ตัวเดียวรองรับตั้งแต่ laptop ส่วนตัวจนถึง pod บน cluster
• ยึดมาตรฐานเปิด ไม่ผูกกับ vendor — ใช้ MCP สำหรับ tool, AGENTS.md สำหรับ instruction (มาตรฐานที่ Google, OpenAI, Cursor, Sourcegraph, Factory ใช้), SKILL.md สำหรับ workflow และ .mcp.json สำหรับตั้งค่า MCP server — config ขนย้ายไปใช้กับเครื่องมืออื่นที่พูดมาตรฐานเดียวกันได้
• ความปลอดภัยมาก่อน — filesystem sandbox จำกัดขอบเขตของ tool ไฟล์อยู่ที่ working directory tool ที่เปลี่ยนสถานะต้อง approve (ยกเว้นจะตั้ง auto-approve เอง) API key เก็บใน OS keychain หรือ .env ตามที่คุณเลือกตอนเปิดใช้ครั้งแรก permission request จะติดป้าย ว่า agent ตัวไหนกำลังขอ (main, side-channel หรือ subagent) ป้องกันการ approve ผิดตัว (บทที่ 5)
• ค่าใช้จ่ายโปร่งใส — model catalogue ในตัวเก็บราคา per-token-type (input / output / cached read / cache write / reasoning) sync จาก LiteLLM อัตโนมัติ usage block ของทุก turn แสดงครบ orchestrator/UI คำนวณ cost ในเครื่องได้โดยไม่ ต้องถาม provider
• Host thClaws ที่ไหนก็ได้ — ใช้บนเครื่องตัวเองได้ หรือ deploy ขึ้น thCompany.ai เพื่อให้ thClaws รันบน cloud ในชื่อของคุณ — จะถูก Company จ้าง (เป็น employee / freelancer ผ่าน บทที่ 22) หรือยืนเดี่ยวรับงานเองก็ได้ flow การ deploy มาในรูป plugin host จึงสลับเปลี่ยนได้ ไม่มีการล็อก client
• Session resume — thclaws --resume last ทำงานต่อจาก session ล่าสุด, thclaws --resume <id> กระโดดไป session ที่ระบุ session เก็บเป็น JSONL ที่ .thclaws/sessions/ — git-friendly, grep-friendly (บทที่ 7)
• Settings อยู่ในไฟล์ JSON ไฟล์เดียว — permission mode, thinking budget, allowed/disallowed tool, endpoint ของ provider, KMS ที่แนบไว้, max output tokens รวมอยู่ใน .thclaws/settings.json (ระดับโปรเจกต์ commit ลง repo ได้) หรือ ~/.config/thclaws/settings.json (ระดับ ผู้ใช้ทั้งระบบ)
• Shell escape — ใส่ ! นำหน้าบรรทัดใน REPL เพื่อรันคำสั่ง shell โดยตรง ไม่เสีย token ไม่มี prompt ขออนุมัติ (เช่น ! git status)

สิ่งที่คุณต้องมี

• OS ที่รองรับ: macOS (arm64 หรือ x86_64), Linux (arm64 หรือ x86_64) หรือ Windows (arm64 หรือ x86_64)
• API key ของ LLM อย่างน้อยหนึ่งเจ้า — Anthropic, OpenAI, Gemini, OpenRouter, Agentic Press, DashScope, DeepSeek, Z.ai, NVIDIA NIM, NSTDA Thai LLM หรือ Azure AI Foundry (หรือจะติดตั้ง Ollama / LMStudio บนเครื่องเอง ถ้าต้องการใช้แบบ offline)

บทที่ 2 จะพาติดตั้งและเปิดใช้ครั้งแรก บทที่ 6 อธิบายว่าจะวาง key ที่ไหนและอย่างไร

คู่มือเล่มนี้จัดเรียงอย่างไร

คู่มือเล่มนี้ 22 บท จัดเรียงเป็น reference อธิบายวิธีติดตั้งและทุก ฟีเจอร์ที่ผู้ใช้สัมผัสได้ ทีละเรื่อง พร้อมคำสั่งและการตั้งค่าที่จำเป็น:

ตั้งค่าและเริ่มต้น - บทที่ 2 — ติดตั้ง - บทที่ 3 — working directory + โหมดการรัน - บทที่ 4 — ทัวร์ Desktop GUI - บทที่ 5 — permissions - บทที่ 6 — providers, models, API keys

ฟีเจอร์หลัก - บทที่ 7 — sessions และ resume - บทที่ 8 — memory และ AGENTS.md - บทที่ 9 — Knowledge bases (KMS) รวมถึง self-improving auto-learn - บทที่ 10 — slash commands - บทที่ 11 — built-in tools - บทที่ 12 — skills - บทที่ 13 — hooks - บทที่ 14 — MCP

ประกอบ agent ขั้นสูง - บทที่ 15 — subagents - บทที่ 16 — plugins - บทที่ 17 — agent teams - บทที่ 18 — plan mode - บทที่ 19 — scheduling - บทที่ 20 — /research (background research)

เข้าถึงจากที่อื่น - บทที่ 21 — LINE chat + browser bridge - บทที่ 22 — Paperclip adapter (จ้าง thClaws ไปทำงานใน orchestrator)

ถ้าเพิ่งเริ่ม อ่านบทที่ 2 ต่อได้เลย ถ้าย้ายมาจาก Claude Code แนะนำให้ ข้ามไปบทที่ 6, 7, 11 และ 13 ถ้าคุ้นเคยพื้นฐานแล้วและสนใจของใหม่ ฟีเจอร์ ที่เพิ่งเพิ่มเข้ามาอยู่ในบทที่ 9 (auto-learn และ /dream), บทที่ 15 (/agent side-channels), บทที่ 21 (LINE) และบทที่ 22 (Paperclip adapter)