Deep Dive: Hermes Agent user stories

Hermes Agent User Stories: เมื่อ AI ไม่ได้อยู่แค่ในแชต แต่เริ่มกลายเป็นพนักงานดิจิทัลที่โตไปกับเรา

AI Agent ที่น่ากลัวที่สุด ไม่ใช่ตัวที่ตอบเก่งที่สุดครับ

แต่คือตัวที่ ทำงานซ้ำ ๆ แล้วเก่งขึ้นเรื่อย ๆ

ผมอ่านหน้า User Stories ของ Hermes Agent แล้วรู้สึกว่า นี่เป็นหนึ่งใน signal ที่ชัดมากว่า AI Agent กำลังออกจากโลก demo เข้าสู่โลกการทำงานจริง

ในหน้านั้น Hermes รวบรวม 99 stories จาก 15 categories และ 10 sources

แหล่งที่มามีทั้ง X, GitHub, Reddit, Hacker News, YouTube, Blog, Podcast, LinkedIn, GitHub Gist และ Product Hunt

พูดง่าย ๆ คือ ไม่ใช่แค่บริษัทเขียน use case มาเล่าเอง

แต่เป็นภาพจากคนใช้จริงว่าเขาเอา Agent ไปฝังในชีวิตและงานอย่างไร

และสิ่งที่น่าสนใจคือ หลายคนไม่ได้ใช้ Hermes เป็น chatbot

เขาใช้มันเหมือน “พนักงานดิจิทัล” ครับ

1) จาก Chatbot สู่ Digital Worker

Chatbot แบบเดิมมีข้อดีมาก

ถามได้ ตอบได้ ช่วยคิดได้ เขียน draft ได้

แต่ปัญหาคือมันมักหยุดอยู่ที่บทสนทนา

พอจบ session มันลืม

พอจะทำงานจริง มันไม่มีมือ

พอเจองานซ้ำ มันไม่ได้สร้าง procedure ของตัวเอง

Hermes พยายามแก้ปัญหานี้ด้วยแนวคิดที่ต่างออกไป

ใน official docs เขาอธิบายว่า Hermes เป็น self-improving AI agent ที่มี learning loop ในตัว

มันมี memory ที่จำสิ่งสำคัญข้าม session

มี skills ที่เป็น procedural memory หรือคู่มือวิธีทำงานที่ agent โหลดมาใช้เมื่อต้องทำงานคล้ายเดิม

มี tools ให้ลงมือกับไฟล์ เว็บ terminal browser image generation cron และระบบอื่น ๆ

และมี messaging gateway ที่ทำให้มันอยู่ใน Telegram, Discord, Slack, WhatsApp, Email และ platform อื่น ๆ ได้

ผมชอบอธิบายแบบนี้ครับ:

chatbot ทั่วไปเหมือน “คนฉลาดที่ความจำสั้นและไม่มีมือ”

Hermes พยายามเป็น “ผู้ช่วยที่มีความจำ มีสมุดคู่มือ มีเครื่องมือ และมีที่ทำงานประจำ”

นี่คือจุดเปลี่ยนใหญ่

เพราะธุรกิจไม่ได้ต้องการ AI ที่คุยสนุกอย่างเดียว

ธุรกิจต้องการ AI ที่ช่วยให้งานเดินจริง

2) User Stories บอกอะไรเรา?

หน้า User Stories ของ Hermes มีตัวอย่างเยอะมาก และหลายเคสน่าสนใจมากครับ

ตัวอย่างเช่น:

• มีคนรัน Hermes 12 instances ทุกวันแบบ parallel เพื่อช่วย build Hermes เอง ตรวจ backend stack ทำ RL environments และจัดการ datasets
• มีคนตั้ง Hermes ตัวเดียวให้ทั้งครอบครัวใช้ผ่าน WhatsApp
• มีคนทำ daily research brief ที่ส่งผลลัพธ์ไป Discord, Slack, Notion, Email, Obsidian และ local markdown
• มีคนใช้ Hermes ทำ client research ก่อน call ช่วยประหยัด 20 ถึง 30 นาทีต่อครั้ง
• มีคนใช้ Hermes ทำ workflow แบบ plan, code, QA, repair, ship
• มีคนทำ Polymarket trading workflow ที่อ่าน order book, on-chain data, news lag และ position changes พร้อมกัน
• มีคนใช้ Hermes เป็น content assistant ที่เรียนรู้ writing style จากงานเก่า
• มีคน self-host บน VPS ราคาถูก หรือแม้แต่ใช้ local model สำหรับงานที่ข้อมูลลูกค้าห้ามออกนอกเครื่อง

ถ้ามองรวม ๆ จะเห็น pattern หนึ่งชัดมาก

คนไม่ได้เอา Hermes ไปแทน “คำตอบ”

เขาเอาไปแทน “แรงเสียดทานของงาน”

งานที่ต้องเปิดหลายเว็บ

งานที่ต้องอ่าน context ซ้ำ ๆ

งานที่ต้องสรุปเป็นประจำ

งานที่ต้องเตรียมก่อน meeting

งานที่ต้อง monitor เงียบ ๆ

งานที่ต้องเขียนใน voice เดิม

งานที่ต้องใช้หลาย tool ต่อกัน

นี่คือพื้นที่ที่ Agent เริ่มมีมูลค่าจริง

3) ทำไม Memory ถึงสำคัญกว่าที่คิด?

AI ที่ไม่มี memory จะเหมือนพนักงานเก่งที่เพิ่งเข้าบริษัททุกเช้า

เก่งนะครับ แต่ต้อง brief ใหม่ทุกวัน

Hermes แยก memory เป็นสองส่วนหลัก:

• MEMORY.md สำหรับ notes ของ agent เช่น environment, project conventions, lessons learned
• USER.md สำหรับ user profile เช่น preference, style, timezone, communication pattern

ฟังดูเหมือนรายละเอียดเล็ก ๆ

แต่ในงานจริงนี่ใหญ่มาก

เพราะงานจำนวนมากไม่ได้ยากตรงความรู้ทั่วไป

มันยากตรง “context เฉพาะของเรา”

เช่น:

• repo นี้ใช้ command อะไร run test
• user ชอบตอบแบบสั้นหรือยาว
• project นี้ห้ามแตะไฟล์ไหน
• brand voice ต้องเขียนแบบไหน
• deployment มี pitfall อะไร
• ถ้าส่งผ่าน Telegram ควร format อย่างไร

ถ้า agent จำเรื่องพวกนี้ได้ มันจะลด friction มาก

จากเดิมที่ทุก task ต้องเริ่มด้วยการบอก context ยาว ๆ

กลายเป็น agent รู้ baseline อยู่แล้ว และถามเฉพาะส่วนที่ยังไม่รู้

นี่แหละครับ productivity ที่เกิดจาก memory

ไม่ใช่ memory แบบจำทุกอย่างมั่ว ๆ

แต่เป็น memory แบบ curated จำเฉพาะสิ่งที่ช่วยให้งานครั้งหน้าดีขึ้น

4) Skills คือหัวใจของ Agent ที่เก่งขึ้นเอง

ผมว่า skills เป็น concept ที่คนทำธุรกิจควรเข้าใจมาก

เพราะมันคล้าย SOP ขององค์กร

แต่เป็น SOP ที่ agent อ่านแล้วทำงานได้

ใน Hermes docs อธิบายว่า skills คือ on-demand knowledge documents ที่ agent โหลดเมื่อต้องใช้

มันมี progressive disclosure เพื่อไม่ยัดทุกอย่างเข้า context ตลอดเวลา

แปลเป็นภาษาธุรกิจคือ:

agent ไม่ต้องจำคู่มือทุกเล่มไว้ในหัวพร้อมกัน

แต่เมื่อเจองานแบบ “ทำ PR”, “เขียน Deep Dive”, “ตรวจ SEO”, “deploy Cloud Run” หรือ “สรุป YouTube” มันรู้ว่าควรหยิบ skill ไหนมาใช้

ตรงนี้ต่างจาก prompt template ธรรมดา

เพราะ skill ไม่ใช่แค่คำสั่ง

มันเป็น workflow memory:

• เมื่อไรควรใช้
• ขั้นตอนที่เคยเวิร์ก
• pitfall ที่เคยเจอ
• command ที่ถูกต้อง
• verification checklist
• reference files หรือ templates ที่เกี่ยวข้อง

ที่น่าสนใจกว่านั้นคือ Hermes สามารถสร้างหรือ update skills จากประสบการณ์ได้

ถ้า agent ทำ task ยากแล้วเจอวิธีที่เวิร์ก มันสามารถ save procedure ไว้ใช้ครั้งหน้า

นี่คือ learning loop ที่สำคัญ

AI ไม่ได้แค่ตอบดีในครั้งนี้

แต่ควรทำให้ครั้งหน้าทำงานได้ดีขึ้นด้วย

5) Cron และ Gateway ทำให้ Agent ไม่ต้องรอมนุษย์ถาม

หลายบริษัทใช้ AI แบบ passive

คือคนต้องนึกก่อนว่าจะถามอะไร แล้วค่อยถาม AI

แต่ผู้ช่วยที่ดีควรมีบางงานที่ proactive ได้

Hermes มี scheduled tasks หรือ cron ในตัว

ตั้งได้ทั้ง one-shot และ recurring jobs

ส่งผลลัพธ์กลับไปที่ origin chat, local files หรือ platform ต่าง ๆ ได้

ตัวอย่างง่าย ๆ:

• ทุกเช้า 9 โมง สรุปข่าว AI แล้วส่ง Telegram
• ทุก 2 ชั่วโมง ตรวจ server health
• ทุกวันศุกร์ สรุป open PRs และ CI status
• ทุกเช้า อ่าน inbox แล้วบอกเฉพาะ email ที่ควรตอบก่อน

พอรวมกับ messaging gateway ภาพจะชัดขึ้นครับ

Agent ไม่ได้อยู่ใน terminal อย่างเดียว

มันอยู่ใน Telegram, Discord, Slack, WhatsApp, Email หรือ Microsoft Teams ได้

ตรงนี้สำคัญมาก เพราะ software ที่ดีควรอยู่ใน workflow เดิมของทีม

ถ้าทีมทำงานใน Slack แล้ว AI อยู่ในเว็บแยกอีกอัน adoption จะช้า

แต่ถ้า AI ส่ง brief, alert, draft, reminder หรือ result เข้าช่องทางที่ทีมใช้อยู่แล้ว friction จะลดลงทันที

6) Multi-agent ไม่ใช่เรื่องเท่ แต่เป็นเรื่องแบ่งงานให้ถูก

หนึ่งใน user stories ที่ผมชอบคือ workflow แบบ plan, code, QA, repair, ship

main agent วางแผน

coder agent implement

QA agent test

ถ้า fail ก็ repair แล้วค่อย ship

นี่คือภาพที่ใกล้กับทีมงานจริงมากกว่า chatbot ตัวเดียวทำทุกอย่าง

ในโลกธุรกิจ งานจำนวนมากควรถูกแบ่งเป็น role ชัด ๆ:

• Research Agent หาข้อมูลและตรวจ source
• Analyst Agent หา insight
• Writer Agent เขียน draft
• Editor Agent ตรวจ voice และ anti-slop
• QA Agent ตรวจ fact, link, format
• Publisher Agent จัดคิวโพสต์
• Chief of Staff Agent สรุปสถานะและเตือนเฉพาะเรื่องสำคัญ

ความน่าสนใจไม่ใช่การมี agent เยอะเพื่อให้ดูอลังการ

แต่คือการออกแบบ workflow ให้ agent แต่ละตัวมีหน้าที่ชัด มี input output ชัด และมี verification gate ชัด

ถ้าไม่มีสิ่งนี้ multi-agent จะกลายเป็นความวุ่นวายราคาแพงครับ 555+

7) บทเรียนสำหรับเจ้าของธุรกิจและผู้บริหาร

ถ้าดู Hermes User Stories ในมุมผู้บริหาร ผมคิดว่ามี 5 บทเรียนใหญ่

1. อย่าเริ่มจาก tool เริ่มจากงานที่มีแรงเสียดทานสูง

ถามก่อนว่างานไหนเสียเวลาเยอะที่สุด

งานไหนต้องทำซ้ำทุกวัน

งานไหนต้องเปิดหลายระบบ

งานไหนต้องใช้ context เดิมซ้ำ ๆ

งานไหนถ้า AI ทำได้ 70% แล้วคน review 30% จะคุ้มมาก

AI Agent ควรเริ่มตรงนั้น

2. Memory สำคัญเท่ากับ model

โมเดลเก่งแค่ไหน ถ้าไม่รู้ context ของบริษัท ก็ยังต้อง brief ใหม่ทุกครั้ง

ธุรกิจควรเริ่มคิดว่าอะไรคือ memory ที่ควรให้ agent รู้

แต่ต้องระวังไม่ให้ memory กลายเป็นกองขยะ

จำเฉพาะสิ่งที่ช่วยให้งานครั้งหน้าดีขึ้นพอ

3. Skills คือ SOP เวอร์ชัน AI-native

ถ้าองค์กรมี SOP อยู่แล้ว นี่คือ asset ชั้นดีสำหรับทำ agent workflow

แต่ SOP ของมนุษย์กับ skill ของ agent อาจไม่เหมือนกัน 100%

Skill สำหรับ agent ต้องบอก trigger, steps, pitfalls และ verification ให้ชัด

ยิ่งตรวจผลได้ชัด agent ยิ่งทำงานได้ดี

4. Gateway สำคัญต่อ adoption

AI ที่อยู่ผิดที่ จะถูกใช้น้อย

ถ้าทีมอยู่ใน Telegram, Slack, LINE, Discord หรือ Email ให้คิดว่า agent จะเข้าไปอยู่ตรงนั้นอย่างปลอดภัยได้อย่างไร

AI adoption ไม่ได้ขึ้นอยู่กับความฉลาดอย่างเดียว

มันขึ้นอยู่กับ convenience ด้วย

5. Agent ต้องมี governance ตั้งแต่วันแรก

ยิ่ง agent มีมือมาก ยิ่งต้องมี guardrails

ต้องคิดเรื่อง permission, approval, audit log, secret handling, data boundary และ human review

โดยเฉพาะถ้า agent แตะ production system, customer data หรือ public posting

AI Agent ที่ไม่มี governance คือ intern ที่ได้ admin access ครับ

เก่งแค่ไหนก็เสี่ยง

8) ความหมายต่อ 1 Human + 100 AI Agents

สำหรับผม Hermes User Stories ทำให้แนวคิด 1 Human + 100 AI Agents ดูจับต้องได้ขึ้น

เพราะมันไม่ใช่ภาพไซไฟที่มี robot 100 ตัวมานั่งรอบโต๊ะ

แต่มันคือการแตกงานจริงในชีวิตและธุรกิจออกเป็น workflow เล็ก ๆ ที่ agent ทำได้

บาง agent ทำงานตาม schedule

บาง agent monitor เงียบ ๆ

บาง agent ช่วยเขียน

บาง agent ตรวจคุณภาพ

บาง agent สรุปข้อมูล

บาง agent ทำ research

บาง agent คุม deployment

มนุษย์ไม่จำเป็นต้องทำทุก step เอง

แต่มนุษย์ยังต้องถือภาพใหญ่:

• เลือกว่าจะ automate อะไร
• กำหนด quality bar
• ตรวจงานสำคัญ
• ตัดสินใจเรื่อง trade-off
• ปกป้อง brand, customer และทีม

AI ช่วย outsource execution ได้

แต่เรา outsource judgment ทั้งหมดไม่ได้

มุมมองของผม: Agent ที่ดีต้องโตเป็น ไม่ใช่แค่ตอบเป็น

💡 ในความเห็นของผม สิ่งที่ทำให้ Hermes น่าสนใจไม่ใช่แค่ feature list

แต่คือปรัชญาว่า agent ควรสะสมความสามารถจากงานจริง

วันนี้ทำงานหนึ่งอย่าง

พรุ่งนี้ควรรู้มากขึ้นนิดหนึ่ง

อาทิตย์หน้าควรมี skill ใหม่

เดือนหน้าควรเข้าใจเราและระบบของเราดีกว่าเดิม

ถ้า agent ไม่โตไปกับเรา มันก็เป็นแค่ chatbot ที่เปลี่ยนหน้ากาก

แต่ถ้ามันโตไปกับเราได้ มันจะเริ่มเป็น digital teammate จริง ๆ

และตรงนี้เองที่ธุรกิจควรสนใจ

ไม่ใช่เพราะทุกคนต้องใช้ Hermes

แต่เพราะ Hermes ชี้ให้เห็นว่า AI Agent ที่ใช้งานจริงควรมีองค์ประกอบอะไรบ้าง:

• memory ที่ curated
• skills ที่ reuse ได้
• tools ที่ลงมือทำงานจริง
• gateway ที่อยู่ใน workflow เดิม
• cron ที่ proactive ได้
• verification ที่เชื่อถือได้
• governance ที่ปลอดภัย

#สรุป

Hermes Agent User Stories บอกเราว่า AI Agent เริ่มข้ามจาก “ถามตอบ” ไปสู่ “ทำงานต่อเนื่อง” แล้ว

จุดที่ควรมองไม่ใช่แค่ว่า agent ฉลาดแค่ไหน

แต่คือมันเรียนรู้จากงานเดิมได้ไหม

มี skill สะสมไหม

ทำงานในช่องทางจริงของทีมไหม

schedule งานเองได้ไหม

และทำงานภายใต้ governance ที่เราวางไว้ได้หรือเปล่า

สำหรับเจ้าของธุรกิจ นี่คือ mindset ที่ควรเริ่มคิด:

AI ไม่ใช่แค่เครื่องมือใน SaaS stack อีกตัว

AI กำลังเริ่มเป็นกำลังการผลิตใหม่

แต่กำลังการผลิตนี้จะมีค่าจริง ก็ต่อเมื่อเราสร้างระบบให้มันทำงานซ้ำ เรียนรู้ ตรวจสอบได้ และไม่ทำให้บริษัทไฟไหม้

ดื่มหนึ่งช็อตความรู้ ย่อยง่าย ใช้ได้เลย ☕