คุณเคยรู้สึกไหมว่าคำศัพท์ใหม่ในวงการ AI อัปเดตเร็วกว่าโมเดลโทรศัพท์เสียอีก?
เมื่อวานคุณเพิ่งจะเข้าใจ "Function Calling" วันนี้ก็มี "Skills" โผล่มา เมื่อวานซืนมีคนพูดถึง "MCP" ยังไม่ทันตั้งตัว ก็มีคนอื่นพูดถึง "Agents" ทุกครั้งที่เห็นคำเหล่านี้ ความคิดแรกของคุณคือ: ฉันตกเทรนด์อีกแล้วหรือเปล่า?
ไม่ต้องตกใจ วันนี้เราจะมาไข "Claude Skills" ให้ชัดเจน
และที่สำคัญกว่านั้น ฉันจะเล่าให้คุณฟังว่ามันเกี่ยวข้องกับแนวคิดที่คุณรู้จักอยู่แล้วอย่าง Functions และ Function Calling อย่างไร คุณจะพบว่าสามคำนี้ไม่ได้แยกจากกัน แต่เป็นขั้นตอนที่ต่อยอดกันและกัน เมื่อเข้าใจสามชั้นนี้แล้ว คุณจะสามารถตัดสินได้ว่าคำศัพท์ใหม่ๆ คำไหนอยู่ตรงไหน
จุดเริ่มต้น
มาเริ่มจากสิ่งที่คุ้นเคยกัน: "functions" ในโลกของการเขียนโปรแกรม
คุณสามารถมองฟังก์ชันเป็น "ผู้ช่วยตัวน้อย" คุณบอกให้มันทำอะไร (ให้อินพุต) แล้วมันจะบอกผลลัพธ์หลังจากทำเสร็จ (ให้เอาต์พุต) เหมือนพนักงานเสิร์ฟในร้านอาหาร: คุณสั่งอาหาร มันก็เสิร์ฟ ทำตามขั้นตอนที่ตายตัวทุกครั้ง
ตัวอย่างเช่น โปรแกรมเมอร์เขียนฟังก์ชันชื่อ calculate_tax(income) คุณป้อนตัวเลขรายได้เข้าไป มันก็คำนวณภาษีที่ต้องจ่ายออกมา อยากคำนวณอีกครั้ง? ก็เรียกมันอีกครั้ง ไม่ต้องเขียนตรรกะภาษีใหม่ทุกครั้ง
คุณค่าของฟังก์ชันสรุปได้สามคำ: การห่อหุ้ม การใช้ซ้ำ และการทำให้เป็นมาตรฐาน
มันบรรจุงานหนึ่งๆ ไว้ให้ใครก็ใช้ในแบบเดียวกันทุกครั้ง นี่คือเครื่องมือเพิ่มประสิทธิภาพขั้นพื้นฐานที่สุดสำหรับโปรแกรมเมอร์มาหลายสิบปี
แต่ฟังก์ชันก็มีข้อจำกัด — มันอยู่ในโลกของโค้ดเท่านั้น
โปรแกรมเมอร์เขียน getWeather() ในโค้ด มันก็จะถูกเรียกใช้งาน 100% แต่คนทั่วไปไม่ได้เขียนโค้ด และ AI ก็ไม่ได้ "รัน" โค้ดนี้โดยตรง แล้วเราจะให้ AI ใช้ "ผู้ช่วยตัวน้อย" เหล่านี้ได้อย่างไร?
สะพานเชื่อม
ประมาณปี 2023 แนวคิดของ "Function Calling" เริ่มเป็นที่นิยม
คุณสามารถมองมันเป็นการให้ "AI ที่คุยได้อย่างเดียว" มีโทรศัพท์และสมุดรายชื่อติดต่อ
ก่อนหน้านี้ ถ้าคุณถาม AI ว่า "วันนี้อากาศในปักกิ่งเป็นอย่างไร" มันจะเดาจากข้อมูลฝึกสอน หรือไม่ก็ตอบตามตรงว่า "ฉันไม่รู้" เพราะมันไม่มี "มือหรือเท้า" ที่จะไปตรวจสอบจริง
ด้วย Function Calling ทุกอย่างเปลี่ยนไป
นักพัฒนาบอก AI ล่วงหน้า: "นี่คือสมุดรายชื่อ มีฟังก์ชันชื่อ get_weather ให้โทรหาเบอร์นี้ถ้าอยากเช็คสภาพอากาศ" เมื่อ AI ได้รับคำถาม มันจะตัดสิน: "โอ้ ฉันต้องเรียก get_weather เพื่อตอบคำถามนี้"
จากนั้นมันจะสร้าง "บันทึก" มาตรฐาน (เรียกว่า JSON) ที่มีเนื้อหาดังนี้:
{ "function": "get_weather", "arguments": { "city": "ปักกิ่ง" } }
บันทึกนี้ถูกรับ แยกวิเคราะห์ และดำเนินการโดยโปรแกรมภายนอก โปรแกรมภายนอกนี่แหละที่เรียกใช้บริการสถานีอากาศจริงๆ จากนั้นผลลัพธ์จะถูกส่งกลับไปยัง AI ซึ่งจะบอกคุณเป็นภาษาธรรมดา: "วันนี้ปักกิ่งอากาศแจ่มใส อุณหภูมิ 15 องศา"
มีจุดเปลี่ยนสำคัญที่มือใหม่มักมองข้าม
ฟังก์ชันแบบดั้งเดิมเป็น "กำหนดตายตัว" — ถ้าโปรแกรมเมอร์เขียน getWeather() มันก็จะถูกเรียกใช้งาน
แต่ LLM Function Calling เป็น "ความน่าจะเป็น" — AI ต้อง ตัดสินใจเอง ว่าจะเรียกใช้ฟังก์ชันหรือไม่ การตัดสินใจนี้ขึ้นอยู่กับความเข้าใจ ไม่ใช่กฎเกณฑ์ มีโอกาสเล็กน้อยที่มันอาจตีความคำถามผิด
ดังนั้น สาระสำคัญของ Function Calling คือ: ให้ AI "โทรออก" ได้ แต่ AI เป็นคนตัดสินใจว่าจะโทรหรือไม่ และจะโทรหาใคร
นี่คือการก้าวกระโดดครั้งใหญ่ — AI ไม่ใช่แค่ "ฐานความรู้" อีกต่อไป มันกลายเป็น "ผู้ลงมือทำ"
แต่ Function Calling ก็ยังมีปัญหา: มันกระจัดกระจายและใช้ครั้งเดียวแล้วจบ
ถ้างานหนึ่งต้องเรียกใช้ฟังก์ชันห้าหกครั้งต่อเนื่องกัน พร้อมกับการตัดสินใจเชิงตรรกะและการอ้างอิงเอกสาร Function Calling แบบธรรมดาก็ไม่เพียงพอ
การก้าวกระโดด
เมื่อวันที่ 16 ตุลาคม 2025 Anthropic เปิดตัวฟีเจอร์ใหม่: Claude Skills
คุณสามารถมอง Skills เป็นการรวมกันของ "คู่มือพนักงาน" กับ "กล่องเครื่องมือ"
คู่มือบอก AI ว่า: "เมื่อเจองานประเภทนี้ ให้นี่คือวิธีทำทีละขั้นตอน และเครื่องมือที่ต้องใช้ในแต่ละขั้นตอน" ส่วนกล่องเครื่องมือก็มีสคริปต์และเอกสารอ้างอิงที่จำเป็น
โดยเฉพาะ Skill คือโฟลเดอร์ที่ประกอบด้วยสามสิ่ง:
อย่างแรก ไฟล์ SKILL.md นี่คือ "คำแนะนำ" ที่เขียนด้วยภาษาธรรมชาติ มันบอก AI ว่า Skill นี้ใช้ทำอะไร ใช้เมื่อไหร่ และข้อควรระวังต่างๆ
อย่างที่สอง สคริปต์ อาจเป็นโค้ดที่เขียนด้วย Python, JavaScript ฯลฯ เมื่อ AI ต้องการ "ลงมือทำ" มันก็จะเรียกใช้สคริปต์เหล่านี้
อย่างที่สาม ไฟล์ทรัพยากร เช่น เอกสารอ้างอิง เทมเพลต หรือไฟล์กำหนดค่าที่ AI สามารถปรึกษาได้ขณะทำงาน
คุณอาจถามว่า: อะไรคือความแตกต่างพื้นฐานจาก Function Calling?
ความแตกต่างคือ: Function Calling คือ "เครื่องมือเดี่ยว" ในขณะที่ Skills คือ "โซลูชันที่สมบูรณ์"
Function Calling ก็เหมือนการให้ค้อนและไขควงกับคุณ คุณต้องรู้ว่าควรใช้อันไหนเมื่อไหร่ Skills ก็เหมือนการให้คู่มือประกอบเฟอร์นิเจอร์ IKEA ที่มีทุกขั้นตอน เครื่องมือ และชิ้นส่วน
นอกจากนี้ยังมีกลไกสำคัญที่เรียกว่า "การเปิดเผยแบบค่อยเป็นค่อยไป"
"หน่วยความจำทำงาน" (หน้าต่างบริบท) ของ AI มีจำกัด ถ้าคุณยัด Skills ทั้งหมดเข้าไปทีเดียว AI จะสับสน Skills ช่วยให้ AI รู้ว่ามีคู่มืออยู่ และจะ "เปิดหน้านั้น" ก็ต่อเมื่อจำเป็นจริงๆ
ตอนนี้ มาดูสามชั้นนี้พร้อมกัน:
จากล่างขึ้นบน ระดับนามธรรมเพิ่มขึ้น Functions อยู่ในระดับโค้ด Function Calling อยู่ในระดับอินเทอร์เฟส และ Skills อยู่ในระดับเวิร์กโฟลว์
Skills สามารถมี Function Call ได้ แต่ Function Calling เป็นเพียงส่วนหนึ่งของ Skills เท่านั้น
การประยุกต์ใช้จริง
Skills ทำอะไรได้จริงบ้าง? มาดูตัวอย่างจริงกัน
อย่างแรก โปรเจกต์ของฉัน: x-article-publisher-skill
ถ้าคุณเขียนใน Markdown และต้องการเผยแพร่ไปยัง X (Twitter) Articles คุณจะพบว่าการคัดลอกวางทำให้ฟอร์แมตหายไปทั้งหมด คุณต้องแก้ไขหัวข้อ ตัวหนา และลิงก์ด้วยตนเอง ซึ่งใช้เวลา 15-20 นาทีต่อบทความ
รูปภาพแย่ยิ่งกว่า คุณต้องอัปโหลดด้วยตนเองแล้วลากไปยังตำแหน่งที่ถูกต้อง Skill นี้แก้ปัญหานี้
มันแยกวิเคราะห์ Markdown ของคุณ ดึงชื่อเรื่องและภาพปกออกมา แล้วคำนวณ "ดัชนีบล็อก" สำหรับทุกภาพ จากนั้นแปลง Markdown เป็น HTML Rich Text เพื่อวางได้อย่างสมบูรณ์ และใช้ระบบอัตโนมัติของเบราว์เซอร์ (Playwright) เพื่อแทรกทุกภาพลงในตำแหน่งที่ถูกต้องโดยอัตโนมัติ
สิ่งที่เคยใช้เวลา 30 นาทีด้วยตนเอง ตอนนี้ใช้เวลาไม่กี่นาที อย่างอัตโนมัติเต็มรูปแบบ สำหรับคนขี้เกียจ การไม่ต้องขยับนิ้วเลยคือคุณค่าที่แท้จริง
คุณอาจพูดว่า: นี่มันแค่สคริปต์อัตโนมัติไม่ใช่เหรอ?
ใช่และไม่ใช่ สคริปต์ทำให้คุณต้องจำวิธีรันมัน Skill รวมคำแนะนำเหล่านั้นไว้ด้วย คุณแค่บอก AI ว่า "เผยแพร่บทความนี้ไปที่ X" แล้ว AI ก็รู้ว่าจะใช้ Skill ไหนและ操作方法อย่างไร
นี่คือคุณค่าของ "การเข้ารหัสความรู้" — การเปลี่ยนจาก "ฉันรู้วิธีทำ" เป็น "AI ก็รู้วิธีทำด้วย"
สถานการณ์อื่นๆ ได้แก่:
การจัดการประชุม: Skill ที่ดึงสรุปและรายการดำเนินการจากบันทึกการประชุม และร่างอีเมลติดตามผล
การวิเคราะห์ข้อมูล: โยนไฟล์ CSV เข้าไป มันจะระบุเมตริกสำคัญและสร้างรายงานพร้อมแผนภูมิ
การสนับสนุนลูกค้า: มันดึงคำตอบจากฐานความรู้และจัดเรียงเป็นคำตอบที่เหมือนมนุษย์ตอบ
สุดท้าย เครื่องมือสำหรับนักพัฒนา
มี Skill ที่ชื่อว่า skill-creator — Skill สำหรับสร้าง Skills คุณอธิบายเวิร์กโฟลว์ แล้วมันจะสร้างโครงร่างโปรเจกต์ให้คุณ
เริ่มต้นใช้งาน
ในการใช้ Skills ที่มีอยู่ วิธีที่ง่ายที่สุดคือผ่านตลาดปลั๊กอินของ Claude Code
คุณสามารถเพิ่มตลาดอื่นๆ ได้ด้วยคำสั่ง /plugin marketplace add anthropics/claude-code
เมื่อติดตั้งแล้ว คุณสามารถจัดการได้ด้วยคำสั่ง /plugin
ในการสร้างของคุณเอง ให้ใช้เมต้า Skill ที่ชื่อ skill-creator คุณสามารถสร้าง Skill ที่วิเคราะห์เนื้อหาและวาดแผนภาพได้ เช่น แผนภาพความสัมพันธ์ตัวละครใน ความฝันในหอแดง นี้:
หรือปฏิสัมพันธ์ของเจ็ดรัฐรบ:
คุณยังสามารถเชื่อมต่อ Claude Skills กับเครื่องมือภายนอกอย่าง NotebookLM เพื่อรวมพลังการค้นหาที่ทรงพลังเข้ากับความคิดสร้างสรรค์ของคุณเอง
ลองดู awesome-claude-skills บน GitHub สำหรับรายการ Skills ที่ยอดเยี่ยมจากชุมชน
ฉันขอแนะนำ ตลาด 42plugin โดยทีมของ Yang Zhiping ซึ่งมีระบบคะแนนเพื่อช่วยให้คุณหลีกเลี่ยงปลั๊กอินคุณภาพต่ำ
จุดที่สำคัญที่สุด: การสร้าง Skill ไม่จำเป็นต้องเขียนโค้ดเสมอไป
คำแนะนำใน SKILL.md เป็นภาษาธรรมชาติ ถ้าเวิร์กโฟลว์ของคุณไม่ต้องการสคริปต์ที่ซับซ้อน ภาษาธรรมชาติเพียงอย่างเดียวก็สามารถทำอะไรได้มากมาย
สรุป
- Functions เป็นรากฐาน (ระดับโค้ด)
- Function Calling เป็นสะพานเชื่อม (ระดับอินเทอร์เฟส)
- Claude Skills เป็นพิมพ์เขียว (ระดับเวิร์กโฟลว์)
ตามที่นักวิเคราะห์ของ Gartner กล่าว จุดสนใจกำลังเปลี่ยนจาก "การอัปเดตโมเดล" ไปเป็น "การนำไปใช้ในกรณีการใช้งานจริง" Skills เปลี่ยน AI จาก "ผู้ตอบคำถาม" ไปเป็น "ผู้ร่วมงาน"
ครั้งหน้าที่คุณได้ยินคำศัพท์ AI ใหม่ ให้ถามตัวเองว่า: มันอยู่ในชั้นไหน? การคิดแบบนี้ทำให้คำศัพท์ใหม่ๆ ดูน่ากลัวน้อยลงมาก
คุณลองใช้ Claude Skills หรือยัง? แบ่งปันเวิร์กโฟลว์ของคุณในคอมเมนต์ได้เลย!
