เชื่อม MCP สำเร็จแล้ว แต่ Workflow ยังไม่เกิดขึ้นเอง
การเชื่อม AI Agent เข้ากับ Tool ที่ใช้งานได้จริงช่วยแก้ปัญหาด้านความสามารถ Agent สามารถนับ Token, ทำความสะอาด CSV, สร้าง RAG Chunk, รวม Source File หรือสร้าง QR Code ได้ แต่การมี Tool ยังไม่ได้หมายความว่า Agent รู้ขั้นตอนที่เหมาะสมเสมอไป Agent ยังต้องตัดสินใจว่าอะไรควรทำก่อน Transformation ใดอันตราย สิ่งใดต้องเก็บไว้ และหลักฐานอะไรยืนยันว่างานสำเร็จ
AI Agent Skill มีหน้าที่เติมช่องว่างนี้ Tool ทำงานเฉพาะหนึ่งอย่าง ส่วน Skill กำหนดขั้นตอนที่ใช้ซ้ำได้รอบ Tool หนึ่งตัวหรือหลายตัว
ชุด Skill สองภาษาที่เผยแพร่พร้อม DJAI Tools MCP เปลี่ยนงาน Local ที่เกิดซ้ำ 4 แบบให้เป็น Playbook ชัดเจน ได้แก่ เตรียมข้อความที่ Extract แล้วสำหรับ RAG, สร้าง Context ให้ Coding Agent, ทำความสะอาดข้อมูล CSV/JSON และใช้กฎ Privacy-first กับงานไฟล์ที่รองรับ
บทความนี้อธิบายวิธีคิดเกี่ยวกับ Skill, วิธีติดตั้งใน Codex, วิธีเลือก Skill ให้ตรงงาน, วิธีเขียนคำสั่งที่ดี, วิธีรวม Workflow โดยไม่เสียการควบคุม และวิธีตรวจ Completion Report เนื้อหาเป็นบทความใหม่ที่พัฒนาจากข้อมูลจริงใน คู่มือ Skill ภาษาไทย ไม่ใช่การคัดลอกคู่มือนั้นมาวางใหม่
Mental Model ที่เข้าใจง่าย: Toolbox กับ Playbook
ลองนึกถึง Workshop MCP Server คือการเชื่อมต่อกับพื้นที่ทำงานอย่างปลอดภัย MCP Tools คืออุปกรณ์แต่ละชิ้น เช่นไม้บรรทัด เครื่องทำความสะอาด เครื่องตัด หรือเครื่องรวมไฟล์ ส่วน Skill คือ Playbook ที่วางข้างโต๊ะ อธิบายว่าควรใช้อุปกรณ์ใด ตามลำดับไหน ต้องตรวจอะไร และผลลัพธ์ที่เสร็จแล้วควรมีข้อมูลใด
Prompt ของผู้ใช้ระบุผลลัพธ์ Skill แปลงผลลัพธ์นั้นเป็น Procedure MCP Tools ลงมือทำ Operation แต่ละขั้นตอน และ Local Filesystem เก็บ Input ที่ได้รับอนุญาตพร้อมรับ Output ใหม่
การแยกชั้นเหล่านี้สำคัญ เพราะการเข้าถึง Tool ไม่เท่ากับการตัดสินใจที่ดี Agent อาจเรียก Context Optimizer ได้ แต่ Workflow ควรหยุดไม่ให้ทำความสะอาด Source Code แบบ Prose Agent อาจลบแถว CSV ซ้ำได้ แต่ Workflow ต้องอธิบายว่า Exact Duplicate Removal ไม่ใช่ Fuzzy Customer Matching Agent อาจสร้าง JSONL Chunk ได้ แต่ไม่ควรอ้างว่า Chunk เหล่านั้นคือ Vector Index ที่ค้นหาได้แล้ว
Skill ทำให้ความแตกต่างเหล่านี้กลายเป็นพฤติกรรมที่ใช้ซ้ำได้
Codex ค้นพบ Skill โดยไม่โหลดทุกอย่างพร้อมกันอย่างไร
เอกสาร Codex Customization อย่างเป็นทางการ อธิบายว่า Skill เป็น Reusable Workflow ซึ่งมี SKILL.md เป็นไฟล์หลัก และอาจมี Scripts, References หรือ Assets เพิ่มเติม Codex ใช้ Progressive Disclosure โดยเริ่มจาก Metadata เพื่อค้นพบ Skill โหลด SKILL.md เมื่อเลือก Skill แล้ว และอ่าน Resource เพิ่มเติมเมื่อ Workflow ต้องใช้เท่านั้น
แนวทางนี้มีประโยชน์กับ Agent Setup ที่มีหลาย Workflow ผู้ใช้สามารถเตรียม Skill หลายรายการไว้โดยไม่ต้องใส่ Instruction ทุกบรรทัดลงในทุก Prompt ชื่อและ Description ที่ชัดช่วยให้ Codex เลือก Skill อัตโนมัติ ส่วนการระบุชื่อโดยตรงช่วยเมื่อผู้ใช้ต้องการความแน่นอน
เช่น คำขอเตรียม Markdown Handbook สำหรับ RAG ควรตรงกับ document-to-rag หากต้องการบังคับใช้ Procedure นี้ สามารถใส่ $document-to-rag ในคำสั่งได้โดยตรง
4 Skills สำหรับ 4 การตัดสินใจ
ชุดนี้ตั้งใจมีจำนวนไม่มาก Skill แต่ละตัวรับผิดชอบคำถามที่ชัดเจน แทนการสร้าง Prompt Automation ขนาดใหญ่ที่พยายามทำทุกอย่าง
- document-to-rag ตอบว่า Text ในเครื่องควรกลายเป็น Ingestion Record ที่สะอาดและแบ่งตาม Token อย่างไร
- agent-context-preparation ตอบว่า AI หรือ Coding Agent ควรได้รับไฟล์ใด และรักษาขอบเขต Source ให้ตรวจสอบได้อย่างไร
- batch-data-cleanup ตอบว่า CSV หรือ Flat JSON ควรถูกทำความสะอาดหรือแปลงอย่างไรโดยไม่เดาความหมายเงียบๆ
- private-document-processing ตอบว่ากฎ Privacy, Permission, Source Preservation และ Reporting ใดควรควบคุม Local Operation
การเลือกจากผลลัพธ์ที่ต้องการเชื่อถือได้มากกว่าการเลือกจากชื่อ Tool ผู้ใช้ไม่จำเป็นต้องจำ djai_ai_chunk_for_rag ก่อนสั่งเตรียม Local RAG Workflow เพราะ Skill จะเชื่อมเป้าหมายไปยัง Tool และ Quality Check ที่เหมาะสม
ขอบเขตที่ Skill Bundle รองรับในปัจจุบัน
Skill v0.1 ทำงานกับ UTF-8 Text, Markdown, CSV, Flat JSON และการสร้าง SVG QR Code ในเครื่อง โดยจัดลำดับ 8 Tools ที่ทำงานได้ใน MCP Release ปัจจุบัน
Native PDF Conversion, DOCX, OCR, PNG/JPG/WebP, XLSX, Embedding และ Vector Database Indexing ยังไม่ได้ถูกเพิ่มผ่าน Skill เหล่านี้ Skill ไม่สามารถสร้าง Tool ที่ยังไม่มีได้ หากผู้ใช้ส่ง Scanned PDF ให้ document-to-rag พฤติกรรมที่ถูกต้องคือหยุดและอธิบายว่าต้อง Extract Text ก่อนด้วยวิธีที่ผู้ใช้ออกสิทธิ์
ขอบเขตนี้คือจุดแข็ง Agent Automation ที่เชื่อถือได้ต้องบอกว่าตัวเองหยุดตรงไหน แทนการเปลี่ยนไปใช้ Remote Service ที่ไม่ได้รับอนุญาต หรืออ้างว่า Output หนึ่งขั้นตอนคือ Pipeline ขั้นถัดไปที่เสร็จแล้ว
สำหรับการติดตั้ง MCP, Profiles และ Current Tools อ่าน คู่มือ DJAI Tools MCP ฉบับสมบูรณ์
เตรียม MCP ให้พร้อมก่อนติดตั้ง Skill
Skill จัดลำดับ Capability แต่ไม่ได้สร้าง MCP Connection ก่อนคัดลอก Skill Folder ควรตรวจดังนี้:
- Clone และ Build DJAI Tools MCP
- เชื่อม Local stdio server ที่ Build แล้วกับ Codex หรือ Agent ที่รองรับ
- กำหนด Absolute Path ของ --allow-read และ --allow-write ให้แคบ
- เลือก MCP Profile ที่เล็กที่สุดแต่มี Tool ครบ
- ตรวจว่า Client มองเห็น djai_* Tool ที่คาดไว้
- ทดสอบ Operation ที่ไม่มีความเสี่ยงด้วย Synthetic Data
หาก Codex เห็น Skill แต่ไม่เห็น Tool ที่ Skill ต้องใช้ Workflow จะทำไม่สำเร็จ ควรแก้ MCP Configuration หรือ Profile ไม่ควรแก้ Skill เพื่อหลบ Restriction
ติดตั้ง Skill แบบ Global หรือเฉพาะ Repository
Codex รองรับ Global Skill ที่ ~/.agents/skills และ Repo-specific Skill ที่ .agents/skills การติดตั้งแบบ Global เหมาะเมื่อใช้ Workflow เดียวกันหลายโปรเจกต์ ส่วน Repo-specific เหมาะเมื่อทีมต้องการ Version Workflow ไปพร้อม Codebase
ควรคัดลอกทั้ง Directory ของ Skill ไม่ใช่เฉพาะ SKILL.md เพราะในอนาคต Skill อาจมี Reference, Script, Template หรือ Asset ที่เป็นส่วนหนึ่งของ Workflow
สำหรับ Global Installation ให้สร้าง ~/.agents/skills แล้วคัดลอก Directory ที่ต้องการจาก MCP Repository เช่น:
- cp -R skills/document-to-rag ~/.agents/skills/
- cp -R skills/agent-context-preparation ~/.agents/skills/
- cp -R skills/batch-data-cleanup ~/.agents/skills/
- cp -R skills/private-document-processing ~/.agents/skills/
สำหรับโปรเจกต์เดียว ให้สร้าง .agents/skills ในโปรเจกต์นั้น และคัดลอกเฉพาะ Workflow ที่ต้องใช้ RAG Prototype อาจติดตั้ง document-to-rag กับ private-document-processing โดยไม่ต้องเพิ่ม Data Conversion Skill
เปิด Codex Session ใหม่หลังติดตั้ง ใช้ Skill Browser หากมี หรือถาม Codex ว่าค้นพบ Skill ใดบ้าง การติดตั้งแบบแคบช่วยให้ Review ได้ง่ายว่า Procedure ใดมีผลต่องาน
Skill 1: document-to-rag คือสัญญาการเตรียมข้อมูล
คำสำคัญคือการเตรียม document-to-rag สร้าง JSONL Record แบบ Deterministic จาก UTF-8 Text หรือ Markdown ที่ Extract แล้ว ไม่ได้สร้าง Embedding ไม่ได้เปิด Vector Database และไม่ได้วัด Retrieval Quality
Workflow เริ่มจากตรวจ Source Type และ Path วัด Token Size ตัดสินว่าควร Clean Prose หรือไม่ สร้าง Chunk และรายงาน Setting กับ Warning ค่าเริ่มต้นที่ใช้ทดลองได้คือ 700 Token และ Overlap 100 Token แต่เป็น Baseline สำหรับตรวจ ไม่ใช่กฎตายตัวสำหรับทุกเอกสาร
เหมาะเมื่อ:
- Extract Text เป็น .txt หรือ Markdown แล้ว
- ต้องการ Chunk Boundary ที่ทำซ้ำได้สำหรับ Ingestion ขั้นต่อไป
- ต้องการบันทึก Token และ Chunk Statistics พร้อม Output
- ให้ความสำคัญกับ Source Preservation และ Local Processing
ไม่เหมาะเมื่อ:
- Source ยังเป็น PDF, Image หรือ DOCX ที่ต้อง Extract
- ต้องรักษา Exact Formatting หรือ Line Structure
- คาดหวัง Embedding, Semantic Retrieval หรือ Chatbot ที่เสร็จแล้ว
- ต้องใช้ Remote Conversion โดยผู้ใช้ยังไม่ได้อนุญาต
ตัวอย่างคำสั่งที่กำหนดทั้ง Target และ Proof:
$document-to-rag เตรียม handbook.md เป็น Local JSONL ด้วย Chunk 700 Token และ Overlap 100 Token เก็บต้นฉบับ ข้าม Cleanup หาก Formatting มีความหมาย และรายงาน Output Path, Token ต้นฉบับ, จำนวน Chunk, Setting และ Warning
หลังเสร็จควรตรวจ Record ช่วงต้น กลาง และท้าย จำนวน Chunk เพียงอย่างเดียวไม่ยืนยันว่า Retrieval Boundary มีคุณภาพ
Skill 2: agent-context-preparation สำหรับ Handoff ที่กระชับ
Coding Agent มักได้รับ Context มากเกินไป เช่น Generated Folder, Note เก่า, Secret, Binary, Requirement ซ้ำ และไฟล์ที่ไม่เกี่ยวกับ Bug ปัจจุบัน agent-context-preparation ทำให้ Source Selection เป็นขั้นตอนที่ตั้งใจ
Skill สร้าง Artifact หนึ่งไฟล์จาก Requirement, Code, Note หรือ Documentation แบบ UTF-8 ที่เลือกแล้ว สามารถนับ Source ขนาดใหญ่ ทำความสะอาด Prose เมื่อปลอดภัย Package ด้วย Markdown หรือ XML Boundary และนับ Final Package
Markdown Boundary ตรวจโดยคนได้ง่าย ส่วน XML Boundary เหมาะเมื่อการแยก Source แบบ Machine-readable สำคัญ ทั้งสองแบบควรรักษาชื่อ Source เพื่อให้ Audit ได้
เหมาะกับ:
- Coding-agent Handoff
- Implementation Brief
- Bug Investigation Packet
- Architecture Review
- Requirement พร้อม Code Reference ที่เลือกแล้ว
- ลด Token ก่อน Agent Session ขนาดใหญ่
คำสั่งที่ดีระบุทั้งสิ่งที่รวมและไม่รวม:
$agent-context-preparation สร้าง XML-bounded Context Artifact สำหรับ Authentication Bug จาก REQUIREMENTS.md, src/auth.ts และ docs/session-notes.md ไม่รวม Secret, Generated Output และไฟล์ที่ไม่เกี่ยวข้อง ห้าม Clean Code หรือสร้าง Requirement เพิ่ม รายงาน Source ที่รวม Output Path และ Final Token Count
Completion Report ต้องทำให้สิ่งที่ขาดมองเห็นได้ ไม่ควรเรียก Package ว่าครบหาก Source ที่ผู้ใช้ระบุอ่านไม่ได้หรือถูกตัดออกโดยไม่อธิบาย
Skill 3: batch-data-cleanup สำหรับ Data Transformation ที่ชัดเจน
งาน CSV ขนาดเล็กอธิบายคลุมเครือได้ง่ายและผิดแบบเงียบๆ ได้ง่ายเช่นกัน “Clean Customer File” อาจหมายถึง Trim Whitespace, ลบแถวว่าง, รวมคนชื่อใกล้กัน, Normalize เบอร์โทร หรือเดาวันที่ Skill ปัจจุบันตั้งใจรองรับเฉพาะ Transformation ที่ Tool รายงานได้ชัด
ทำได้คือ Trim Header และ Value, ลบแถวว่าง, ลบ Exact Duplicate, แปลง Header-based CSV เป็น JSON Array และแปลง Top-level Array ของ Flat JSON Object เป็น CSV ค่า CSV ยังคงเป็น String และไม่ Flatten Nested JSON อัตโนมัติ
ก่อน Clean Workflow ควรถามว่า Whitespace หรือแถวซ้ำมีความหมายหรือไม่ Transaction สองแถวที่ตรงกันอาจเป็น Event จริงสองครั้ง การลบโดยไม่ถามอาจทำลายข้อมูล
ตัวอย่างคำสั่ง:
$batch-data-cleanup ตรวจ orders.csv เก็บต้นฉบับ Trim Header และ Value ลบแถวว่าง แต่ถามก่อนลบ Exact Duplicate เขียน CSV ใหม่ แล้วแปลงผลเป็น JSON พร้อมรายงาน Row, Column, Removed Record, Parser Warning และ Output Path ทั้งสอง
ห้ามอธิบาย Exact-match Removal ว่าเป็น Entity Resolution, Fuzzy Deduplication หรือ Record Linkage เพราะเป็นคนละปัญหาและต้องใช้ Identifier, Matching Rule รวมถึง Human Review
Skill 4: private-document-processing คือ Oversight Layer
private-document-processing ต่างจาก Workflow เฉพาะทางสามรายการ เพราะเป็นกฎด้าน Safety และ Reporting สำหรับ Operation ที่ v0.1 รองรับและมี Privacy เป็นข้อกำหนดหลัก
Skill กำหนดให้ Agent ระบุ Source กับ Destination, ยืนยัน Allowed Roots, เลือก Tool ที่แคบที่สุด, เก็บต้นฉบับ, ตรวจ Structured Result และรายงานทุกไฟล์ที่สร้าง โดยไม่แสดงข้อมูลลับเพียงเพื่อพิสูจน์ว่างานสำเร็จ
เหมาะเมื่อ:
- Input มีข้อมูลธุรกิจหรือข้อมูลส่วนตัว
- ต้องการยืนยัน Read/Write Boundary อย่างชัดเจน
- ต้องป้องกัน Silent Overwrite
- Completion ต้องมี Path, Size, Warning และ modifiedInput
- Specialized Skill อื่นต้องการ Privacy Instruction ที่เข้มขึ้น
ตัวอย่างคำสั่ง:
ใช้ $private-document-processing ร่วมกับ $agent-context-preparation ทำงานเฉพาะ Local Folder ที่ตั้งค่า รวม policy.md กับ private-notes.md เก็บ Input ทั้งสอง ห้าม Quote เนื้อหา และรายงาน Artifact Path, Source Count, Warning และ modifiedInput
Skill ไม่สามารถทำให้ User Account ปลอดภัยกว่าสิทธิ์ของ Operating System ได้ Narrow MCP Roots, Least-privilege Account และการ Review ของผู้ใช้ยังจำเป็น
รวมสอง Skills อย่างไรไม่ให้สับสน
การรวม Skill มีประโยชน์เมื่อ Skill หนึ่งรับผิดชอบ Transformation หลัก และอีก Skill เป็น Oversight document-to-rag กับ private-document-processing เป็นคู่ที่เหมาะสม ตัวแรกดูแล Chunk Preparation ตัวหลังย้ำ Local Boundary, Source Preservation และ Completion Reporting
ไม่ควรรวมทุก Skill ในคำสั่งเดียว agent-context-preparation กับ document-to-rag สร้าง Artifact คนละแบบเพื่อ Downstream Use คนละอย่าง หากต้องการทั้งสอง ให้สั่งแยก Output และอธิบายเหตุผลของแต่ละไฟล์
Combined Request ที่ชัดมี 4 ส่วน:
- Outcome: สุดท้ายต้องมี Artifact อะไร
- Sources: ไฟล์ใดอยู่ใน Scope
- Constraints: สิ่งใดต้องอยู่ Local, ห้ามเปลี่ยน หรือไม่รวม
- Evidence: ต้องรายงาน Count, Path และ Warning ใด
โครงสร้างนี้ลดการ Improvisation และทำให้ตรวจ Completion Message ง่ายขึ้น
Completion Report เป็นส่วนหนึ่งของ Product
Agent Automation ไม่ควรจบด้วยคำว่า “เสร็จแล้ว” สำหรับ Local File Work รายงานคือวิธีที่ผู้ใช้ตรวจ Scope และหาความผิดพลาด
ตาม Workflow ควรคาดหวังข้อมูลเหล่านี้:
- Skill และ MCP Profile ที่เลือก
- Source Path หรือ Source Name
- Output Path ทุกไฟล์ที่สร้าง
- Token, Chunk, Row, Column หรือ File Count
- Chunk Size, Overlap หรือ Package Boundary
- Parser และ Processing Warning
- การยืนยันว่าเก็บ Input ต้นฉบับไว้
- modifiedInput หาก Tool มี Field นี้
- คำอธิบายขั้นตอนที่ข้ามหรือไม่รองรับ
ไม่จำเป็นต้อง Paste เนื้อหาลับลงในคำตอบเพื่อพิสูจน์ว่า Count หรือ Transformation สำเร็จ Metadata และ Path มักเพียงพอ
ปัญหาที่พบบ่อยและสิ่งที่ปัญหาบอกเรา
Codex เห็น Skill แต่เรียก djai_* Tool ไม่ได้
ติดตั้ง Procedure แล้ว แต่ Capability Layer หายหรือ MCP Profile แคบเกินไป ตรวจ Local Server Connection และ Tool List
Codex เห็น Tool แต่ไม่เลือก Skill
เปิด Session ใหม่หลังติดตั้ง และเรียก Workflow ด้วย $skill-name โดยตรง Description ของ Task ที่แม่นยำช่วยให้ Implicit Matching ดีขึ้น
Server ปฏิเสธ Path
มองการปฏิเสธเป็น Protection ไม่ใช่ความไม่สะดวก ย้ายไฟล์เข้า Authorized Folder หรือ Restart ด้วย Root เพิ่มเติมที่แคบ ห้ามหลบผ่าน Symlink, Shell Copy หรือ Service อื่น
Workflow หยุดเมื่อเจอ PDF หรือ Image
เป็นพฤติกรรมที่ถูกต้องของ v0.1 Skill ทำงานกับ Extracted UTF-8 Text ไม่ใช่ Native PDF, OCR หรือ Image Input สามารถใช้ DJAI Browser Document Tools เมื่อเหมาะสม แล้วตรวจข้อความที่ Extract ก่อนเข้า Local Skill Workflow
สร้าง RAG JSONL แล้วแต่ Search ไม่ได้
Chunking เป็นขั้นเตรียมข้อมูล การค้นหาต้องเลือกระบบ Embedding, Index, Retrieval และ Evaluation แยกต่างหาก Skill ไม่ควรอ้างว่าขั้นเหล่านั้นเกิดขึ้นแล้ว
คำถามที่ผู้อ่านมักถาม
ต้องติดตั้ง Skill จึงใช้ DJAI Tools MCP ได้หรือไม่
ไม่จำเป็น MCP Tool เรียกใช้โดยตรงได้ Skill มีคุณค่าเมื่องานเกิดซ้ำ ใช้หลาย Operation หรือต้องการ Safety และ Reporting ที่สม่ำเสมอ
ควรติดตั้งทั้ง 4 Skills แบบ Global หรือไม่
ติดตั้งเฉพาะเมื่อคาดว่าจะใช้หลายโปรเจกต์ Repo-specific Installation มี Scope ชัดสำหรับ Team Workflow และช่วย Version Instruction ที่โปรเจกต์พึ่งพา
Agent อื่นใช้ Workflow เหล่านี้ได้หรือไม่
Procedure สามารถนำไปปรับใช้ แต่ Skill Format และ Discovery Location ของแต่ละ Agent ต่างกัน ควรรักษา MCP Connection และปรับ Workflow ตาม Official Documentation ของ Agent นั้น ไม่ควรสมมติว่า Codex Directory ใช้ได้ทุกที่
Skill ทำให้ Feature ที่ MCP ยังไม่รองรับใช้งานได้หรือไม่
ไม่ได้ Skill จัดลำดับ Capability ที่มีอยู่ ควรหยุดเมื่อเจอ Format หรือ Pipeline Stage ที่ไม่รองรับและอธิบาย Requirement ที่ขาด
Skill ใช้ในงาน Commercial ได้หรือไม่
โปรเจกต์และ Skill เผยแพร่ภายใต้ MIT License อนุญาตให้ใช้ แก้ไข และแจกจ่ายเชิงพาณิชย์ตามเงื่อนไข รวมถึงการเก็บ Copyright และ Permission Notice ที่กำหนด
สร้างนิสัย Agent ที่ดี ไม่ใช่แค่เพิ่ม Tool List
สารสำคัญของ Skill Collection นี้คือ Agent ที่มีประโยชน์ต้องการมากกว่าสิทธิ์เข้าถึง มันต้องมี Procedure ที่มีขอบเขต ข้อจำกัดที่ตรงไปตรงมา การเก็บ Input และ Completion Report ที่มีหลักฐาน
เริ่มจากติดตั้งหนึ่ง Skill สำหรับงานที่เกิดซ้ำหนึ่งประเภท ใช้ Synthetic Material, ตรวจ Tool Call และยืนยัน Output เมื่อ Procedure ทำงานคาดเดาได้ จึงนำไปใช้เป็น Project หรือ User-level Setup ตาม Scope จริง
อ่าน คู่มือ Skill ภาษาไทยบน GitHub, สำรวจ DJAI Tools MCP Repository และตรวจ เอกสาร Codex Skills ปัจจุบัน ก่อนติดตั้ง
Skills ฟรี เป็น Local-first และ Open Source ภายใต้ MIT License การกด Star, แจ้ง Issue ที่ทำซ้ำได้, เพิ่ม Safe Example, ปรับเอกสารไทยและอังกฤษ, เพิ่ม Test และส่ง Contribution ที่มีขอบเขต ช่วยสร้างระบบ Agent Tooling ที่มีประโยชน์ให้ชุมชน DJAI และ Vibe Coder คนอื่นต่อไป