| name | deep-study |
| description | ศึกษาอะไรก็ได้ (repo, concept, paper, framework, system) แล้วเขียนตำราเรียนให้เข้าใจจริง ใช้เมื่ออยากเข้าใจอะไรให้ลึก ไม่ใช่แค่หาคำตอบ |
Deep Study Skill
"สอนให้เข้าใจ ทำเป็น และเอาไปใช้ต่อได้"
ปรัชญา
สกิลนี้มีไว้เปลี่ยน "ความอยากรู้" → "ความเข้าใจที่ใช้ได้จริง"
ไม่ว่าคุณอยากเข้าใจอะไร — GitHub repo, เทคโนโลยี, paper, framework, ระบบ หรือ concept — สกิลนี้จะพาคุณผ่านกระบวนการศึกษา วิเคราะห์ เรียงโครงสร้าง และเขียนเป็นตำรา
Input Types (5 แบบ)
| Type | ตัวอย่าง | Research Pipeline |
|---|
| GitHub Repo | AutoGPT, LangChain | 7 ขั้นอ่านโค้ด (README → config → entry → core → adapters → tests → docs) |
| Technology/Concept | Attention mechanism, Kafka | 4 ขั้นศึกษา (overview → mechanism → ecosystem → practice) |
| Paper/Article | "Attention is All You Need" | 5 ขั้นอ่าน (abstract → method → results → context → critique) |
| Framework/Library | FastAPI, React, Prisma | 5 ขั้น (philosophy → core → API → ecosystem → tradeoff) |
| System/Idea | ระบบจอง, ERP design | 4 ขั้น (requirement → design → decisions → tradeoffs) |
Operating Rules (กฎ 12 ข้อ)
- ห้ามเขียนก่อนศึกษา — ผ่าน Research Pipeline ก่อนเขียนบทแรก
- แยกแหล่งที่มา —
[✓] จาก source โดยตรง, [→] อนุมาน, [M] ความรู้ทั่วไป, [W] web
- ถามก่อนสรุป — ถ้าข้อมูลไม่พอ → ถามผู้ใช้ หรือเขียน
[!] ว่ายังไม่ยืนยัน
- ใช้ภาษาไทย — ยกเว้นชื่อเทคนิค, code, URL
- สอน อย่าบอก — ทุกบทต้องทำให้คนอ่านเข้าใจและทำตามได้
- โครงสร้าง ≠ โครงสร้าง input — เรียงตามการเรียนรู้ ไม่ใช่ตามโฟลเดอร์/โครงสร้างเดิม
- Depth > Coverage — รู้ลึกในสิ่งที่สำคัญ ดีกว่ารู้ผิวในทุกอย่าง
- หยุดเมื่อพอดี — ดู Pass Levels อย่าเขียนเกินจำเป็น
- ตรวจตัวเองก่อนส่ง — Self-score ≥ 85 ก่อนส่ง final
- Transfer สำคัญ — ทุกหัวข้อต้องตอบได้ว่า "เอาไปใช้ยังไง"
- ใช้ความรู้เดิม + ค้นคว้าเสริมได้ — แต่ claims ต้องมี source
- ปรับ pipeline ตาม input type — อย่าใช้ 7 ขั้นอ่านโค้ดกับ paper
Research Pipelines (เลือกตาม Input Type)
สำหรับ GitHub Repo
Step 1: README → เป้าหมายโปรเจกต์
Step 2: package/config → stack, dependencies
Step 3: entrypoint → จุดเริ่มระบบ
Step 4: core modules → แกนหลัก
Step 5: adapters/integrations → การเชื่อมต่อ
Step 6: tests/examples → intended usage
Step 7: docs/issues/releases → บริบท
สำหรับ Technology/Concept
Step 1: Overview — มันคืออะไร? แก้ปัญหาอะไร?
Step 2: Mechanism — มันทำงานยังไง? (core logic)
Step 3: Ecosystem — มี alternatives อะไร? ต่างกันยังไง?
Step 4: Practice — เอาไปใช้จริงยังไง? เมื่อไหร่ควรใช้?
สำหรับ Paper/Article
Step 1: Abstract + Intro — ปัญหาคืออะไร? เขา claim อะไร?
Step 2: Method — เขาทำยังไง? ทำไมถึงคิดแบบนี้?
Step 3: Results — ได้ผลอะไร? convincing ไหม?
Step 4: Context — เกี่ยวข้องกับอะไรใน field?
Step 5: Critique — มีข้อจำกัดอะไร? ถ้าใช้จริงจะมีปัญหาอะไร?
สำหรับ Framework/Library
Step 1: Philosophy — framework นี้คิดแบบไหน? opinionated แค่ไหน?
Step 2: Core Concepts — main abstractions, lifecycle, hooks
Step 3: API Surface — entry points, configuration
Step 4: Ecosystem — plugins, community, integrations
Step 5: Tradeoffs — ดีกว่าตรงไหน? แย่กว่าตรงไหน? เมื่อไหร่ไม่ควรใช้?
สำหรับ System/Idea
Step 1: Requirements — ระบบนี้ต้องทำอะไร? constraint อะไร?
Step 2: Design Decisions — choices + tradeoffs
Step 3: Architecture — components + relationships
Step 4: Implementation Guide — ขั้นตอนสร้าง
Knowledge Density (5 ชั้น — ทุกหัวข้อต้องมี)
ยืม concept จาก opensource-textbook — เพราะใช้ได้กับทุกรูปแบบการศึกษา
| ชั้น | ชื่อ | คำถามที่ตอบ |
|---|
| 1 | Concept | แนวคิดคืออะไร? |
| 2 | Mechanism | มันทำงานอย่างไร? |
| 3 | Source Evidence | หลักฐานจาก source จริง? |
| 4 | Design Reason | ทำไมถึงเลือกแบบนี้? |
| 5 | Transfer Skill | เอาไปใช้ยังไง? |
Validation
สำหรับแต่ละหัวข้อ H ในบท:
random 3 ข้อ → ตรวจว่ามีครบ 5 ชั้น
ถ้าไม่ครบ → เพิ่มชั้นที่ขาด หรือทำเครื่องหมาย [→] ว่ายังไม่มีหลักฐาน
Evidence & Citation System
Source Markers
| Mark | ระดับ | ความหมาย |
|---|
[✓] | Direct | ยืนยันจาก source โดยตรง |
[→] | Inferred | อนุมานจากหลักฐาน |
[M] | Model Knowledge | ความรู้ทั่วไปของ LLM |
[W] | Web Evidence | จากการค้นเว็บ |
[!] | Unverified | ยังไม่มีหลักฐาน |
หลักการใช้
Architecture / code → [✓] จาก repo เท่านั้น
Concept / context → [M] ใช้ความรู้โมเดลได้
ข้อมูลเสริม → [W] ค้นเน็ตได้
Citation Format
ตามชนิดของ input:
| Input Type | Citation Format |
|---|
| GitHub Repo | path/to/file.ts#L10-L45 |
| Technology | "ตาม docs [ชื่อ source] + accessed date" |
| Paper | section X.X + author |
| Framework | API ref หรือ docs URL |
| System/Idea | "จากการวิเคราะห์ requirements" |
Study Plan (ต้องทำก่อนเริ่มเขียน)
study-plan.md
├── input_type # Repo / Tech / Paper / Framework / System
├── target_reader # Reader Persona
├── prerequisite_map # ต้องรู้อะไรก่อน
├── chapter_order # ลำดับการเรียนรู้
├── concept_dependency # อะไรต้องรู้ก่อนอะไร
├── repeated_terms # คำศัพท์ → glossary candidates
├── final_outcome # อ่านจบแล้วทำอะไรได้
└── output_files # ไฟล์ที่จะสร้าง
Study Worthiness (คุ้มไหมที่จะทำตำรา)
ก่อนเริ่ม study-plan ให้ประเมิน:
Worthiness /100
- Depth of content: 30 — มี depth ให้ศึกษา
- Learning value: 25 — สอนอะไรที่มีประโยชน์
- Source availability: 20 — หาข้อมูลได้แค่ไหน
- Practical transfer: 15 — เอาไปใช้กับอย่างอื่นได้
- Relevance to you: 10 — ตรงกับสิ่งที่คุณต้องการไหม
≥ 70 → Full Textbook
≥ 50 → Standard Lesson
≥ 30 → Quick Note
< 30 → Skip
Pass Levels
| Level | ขนาด | ใช้เมื่อ |
|---|
| Quick Note | 1-3 หน้า | concept เล็ก, preview, ทำความเข้าใจเร็ว |
| Standard Lesson | 5-10 หน้า | concept/module เดียว |
| Full Textbook | 15+ หน้า | เรื่องใหญ่, foundation, ต้องรู้ลึก |
Output Files ต่อ Pass Level
Quick Note:
□ quick-note.md ← required
Standard Lesson:
□ study-plan.md ← required (mini)
□ chapter-*.md ← 1-5 บท
□ glossary.md ← recommended
Full Textbook:
□ study-plan.md ← required
□ chapter-*.md ← required
□ glossary.md ← recommended
□ patterns.md ← recommended (ถ้ามี)
□ cheatsheet.md ← optional
□ source-map.md ← recommended
□ index.md ← required
Reader Persona
| Persona | ระดับ | น้ำหนัก |
|---|
| Beginner | ไม่มีความรู้มาก่อน | เน้น concept + mechanism |
| Junior | พอรู้บ้าง ไม่รู้ architecture | เน้น mechanism + design reason |
| Intermediate | รู้ architecture พื้นฐาน | เน้น design reason + tradeoff |
| System Designer | ออกแบบระบบเป็น | เน้น transfer + boundary |
| Practitioner | เอาไปใช้จริง | เน้น practice + code + pitfalls |
Rule: 1 บท = 1 Persona
Chapter Types
| Type | ใช้เมื่อ |
|---|
| 🧠 Concept | สอนแนวคิดหลัก |
| 🏗️ Architecture | สอนภาพรวมระบบ |
| 🔬 Deep Dive | พาเจาะลึก mechanism / code |
| 🔨 Implementation | สร้าง mini version / tutorial |
| ⚖️ Comparison | เทียบ design choice / alternatives |
| ❓ Exercise | ทดสอบความเข้าใจ |
| 📖 Case Study | ตัวอย่างจากของจริง |
Self-Score Rubric (ตรวจตัวเองก่อนส่ง)
คะแนน < 85 → revise ก่อนส่ง final
| หมวด | คะแนน | ตรวจอะไร |
|---|
| Accuracy | 25 | ข้อมูลถูกต้อง [✓], ไม่มี hallucination |
| Evidence Traceability | 20 | claims มี source ครบ |
| Teaching Flow | 15 | อ่านแล้วเข้าใจ ไม่ใช่ข้อมูลกอง |
| Knowledge Density | 15 | 5 ชั้นครบทุกหัวข้อหลัก |
| Practical Transfer | 10 | เอาไปใช้กับของตัวเองยังไง |
| Exercise Quality | 10 | 3-5 ข้อ มีเฉลย ระดับต่างกัน |
| Thai Readability | 5 | ภาษาไทยธรรมชาติ ไม่ใช่แปลตรงตัว |
Report Structure (สรุปหลังจบ)
1. What was studied — input type, sources
2. Selected pass level — Quick / Standard / Full + why
3. Study plan — target reader, chapter count
4. Chapters created — list + chapter type + score
5. Evidence summary — source count
6. Unknowns — สิ่งที่ยังไม่รู้ / inspection limitations
7. Transfer — เอาไปใช้ยังไงต่อ
8. Recommended next — เรียนอะไรต่อ
