เปลี่ยน Claude Opus 4.7 ให้เป็น AI Trader 24/7 แบบใช้งานได้จริง

สรุปจากคลิป ดูคลิปต้นฉบับ

สิ่งที่น่าสนใจที่สุดในคลิปนี้ ไม่ใช่แค่การเอา AI ไป “ช่วยเทรดหุ้น” แต่คือการทำให้ AI กลายเป็นระบบที่ตื่นมาทำงานเองเป็นรอบๆ มีความจำ มีวินัย และส่งรายงานกลับมาได้เหมือนพนักงานคนหนึ่งจริงๆ นี่คือหัวใจของคลิปจาก Nate Herk | AI Automation ที่เอา Claude Opus 4.7 มาประกอบเข้ากับ Claude Code Routines จนได้เอเจนต์เทรดหุ้นที่รัน 24/7

มุมที่น่าคิดต่อสำหรับคนทำธุรกิจไทยคือ แนวคิดนี้ไม่ได้จำกัดอยู่แค่การลงทุนเลย ถ้า AI สามารถ “ตื่นตามเวลา อ่านไฟล์ความจำ ทำงาน ตัดสินใจ แล้วเขียนบันทึกต่อ” ได้ เราก็กำลังมองเห็น pattern ของ AI worker ที่เอาไปใช้กับงานขาย การตลาด ซัพพอร์ต หรือสรุปงานประจำวันได้เหมือนกัน คลิปนี้จึงน่าสนใจมากกว่าเรื่องหุ้น เพราะมันสอนวิธีคิดเรื่อง AI agent ที่มี routine และ memory แบบใช้งานจริง

สารบัญ

• Step 1: เริ่มจากเป้าหมายให้ชัดก่อน ว่าเรากำลังสร้าง AI trader แบบไหน
• Step 2: เลือก tech stack ให้ง่ายที่สุด แต่พอสำหรับงานจริง
• Step 3: เข้าใจ mental model ก่อน AI agent ไม่ได้ “จำเอง” ถ้าเราไม่ออกแบบ memory
• Step 4: สร้าง strategy ก่อน อย่าโยน AI ลงสนามโดยไม่มีคู่มือ
• Step 5: Scaffold โปรเจกต์ให้ดี เพราะโครงสร้างไฟล์คือรากฐานของ agent
• Step 6: วาง guardrails ให้แน่น ก่อนเปิดสิทธิ์ให้ AI ตัดสินใจเอง
• Step 7: ออกแบบ routines ให้แต่ละรอบมีหน้าที่ต่างกัน
• Step 8: แยก local กับ remote ให้เข้าใจ เพราะมีผลต่อการใช้งานจริง
• Step 9: ตั้ง environment และ API keys ให้ถูกตั้งแต่แรก
• Step 10: ทดสอบทุก routine แบบ run now ก่อน แล้วค่อยปล่อยใช้งานจริง
• Step 11: มองให้ไกลกว่าเรื่องเทรด นี่คือแม่แบบของ AI worker สำหรับธุรกิจ
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด

Step 1: เริ่มจากเป้าหมายให้ชัดก่อน ว่าเรากำลังสร้าง AI trader แบบไหน

Nate ไม่ได้ตั้งเป้าแบบหวือหวา เขาไม่ได้จะสร้างบอทสาย day trade หรือสายเก็งกำไรหนักๆ แต่ตั้งโจทย์ง่ายและฉลาดกว่า คือ พยายามชนะ S&P ในฐานะการลงทุนระยะยาวกึ่งทดลอง

นี่เป็นจุดที่ชอบมาก เพราะเวลาคนเริ่มใช้ AI กับงานจริง มักตั้งเป้ากว้างเกินไป เช่น “ให้ AI ดูแลการตลาดทั้งหมด” หรือ “ให้ AI เทรดแทนทั้งหมด” ซึ่งสุดท้ายจะพังเพราะไม่มีกรอบชัดเจน แต่ในคลิปนี้โจทย์ชัดมาก คือ

• ให้ AI วิจัยตลาด
• วางคำสั่งซื้อขายผ่าน Alpaca API
• จดบันทึกสิ่งที่เกิดขึ้นลงไฟล์
• ส่งสรุปรายวันไปที่ ClickUp
• ทำทั้งหมดตามเวลา เช่น pre-market, market open, midday, close

สำหรับธุรกิจไทย นี่คือบทเรียนสำคัญมาก เราไม่ควรเริ่มจาก “เอา AI มาทำทุกอย่าง” แต่ควรเริ่มจาก routine ที่เกิดซ้ำทุกวัน แล้วแตกมันออกเป็นช่วงเวลาและงานย่อยให้ชัดก่อน เช่น

• 08:00 เช็กยอดขายเมื่อวาน
• 09:00 สรุป lead ใหม่จากทุกช่องทาง
• 13:00 วิเคราะห์คำถามลูกค้าที่เข้ามาช่วงเช้า
• 17:00 สรุปสถานะงานและสิ่งที่ต้องตามต่อพรุ่งนี้

Step 2: เลือก tech stack ให้ง่ายที่สุด แต่พอสำหรับงานจริง

ชุดเครื่องมือในคลิปมีไม่เยอะ แต่ประกอบกันแล้วทรงพลังมาก โดยมีแกนหลักดังนี้

• Claude Code Routines สำหรับตั้งเวลาทำงาน
• Claude Opus 4.7 เป็น model หลักสำหรับ reasoning และงาน agentic
• Alpaca API สำหรับซื้อขายหุ้น
• Perplexity API สำหรับทำ research
• ClickUp สำหรับรับ notification และสรุปผล

ประเด็นที่คนไม่ใช่สาย developer ควรเห็นคือ Nate ไม่ได้ทำระบบแปลกซับซ้อน เขาเลือกเครื่องมือที่แต่ละตัวมีบทบาทชัด แล้วเอามาต่อกันผ่าน API เท่านั้นเอง

ถ้าแปลงเป็นโลกธุรกิจไทย เราก็ใช้ logic เดียวกันได้ เช่น

• Claude Code Routines = ตัวตั้งเวลา
• Model AI = ตัวคิดและตัดสินใจ
• Google Sheets / CRM / ERP = แหล่งข้อมูลหรือปลายทางคำสั่ง
• LINE / Slack / ClickUp = ช่องทางแจ้งเตือน

พูดอีกแบบคือ สิ่งที่สำคัญไม่ใช่ชื่อ tool แต่คือการออกแบบว่าใครทำหน้าที่อะไรใน workflow

Step 3: เข้าใจ mental model ก่อน AI agent ไม่ได้ “จำเอง” ถ้าเราไม่ออกแบบ memory

นี่คือส่วนที่มีค่าที่สุดของทั้งคลิป Nate อธิบายชัดว่าเวลา routine ถูกเรียกขึ้นมา Claude Code จะเหมือนตื่นขึ้นมาแบบเกือบไร้ความจำ มันไม่ได้รู้ทุกอย่างต่อเนื่องเหมือนมนุษย์

เพราะฉะนั้น ถ้าอยากให้ agent มีวินัยและดูเหมือนเรียนรู้ได้ เราต้องทำให้มัน อ่านไฟล์ก่อนทำงาน และเขียนไฟล์หลังทำงาน

แนวคิดนี้ฟังดูง่าย แต่สำคัญมาก เพราะมันทำให้ AI จากแค่ chatbot กลายเป็น worker ที่ทำงานเป็นรอบๆ ได้จริง โดยโครงสร้างจะเป็นประมาณนี้

1. Routine ทำงานตามเวลา
2. AI เปิดอ่านไฟล์ memory และกฎต่างๆ
3. AI ทำ task ของรอบนั้น
4. AI บันทึกสิ่งที่เรียนรู้ ผลลัพธ์ และสถานะล่าสุดกลับลงไฟล์
5. รอบถัดไป AI คนเดิมหรือ session ใหม่ก็มาอ่านต่อได้

นี่แหละคือ pattern ที่เจ้าของธุรกิจเอาไปใช้ได้ทันที เช่น ให้ AI ดูแลแชตลูกค้า ถ้ามันอ่านไฟล์ “คู่มือการตอบ”, “คำถามที่เจอบ่อย”, “เคสที่ยังค้าง” ก่อนทุกครั้ง มันก็จะตอบได้มีเส้นมีสายขึ้นมาก

อีกจุดที่ Nate เตือนแล้วถูกต้องมากคือ อย่าคิดว่ามี context window เยอะแล้วจะยัดทุกอย่างเข้าไปได้ token คือค่าใช้จ่าย และ context เยอะเกินไปก็ทำให้งานเละได้เหมือนกัน สั้นๆ คือให้ใช้ไฟล์ความจำแบบตั้งใจ ไม่ใช่โยนข้อมูลมั่วๆ เข้าไป

Step 4: สร้าง strategy ก่อน อย่าโยน AI ลงสนามโดยไม่มีคู่มือ

Nate ใช้อุปมาเรื่องสอนเด็กขี่จักรยาน ซึ่งตรงมาก เราไม่จับเด็กขึ้นจักรยานแล้วปล่อยมือทันที AI ก็เหมือนกัน ถ้าจะให้ไปซื้อขายเงินจริง ต้องเริ่มจากกรอบคิดก่อน

เขาเสนอไว้สองทาง

• ถ้ามีกลยุทธ์เทรดของตัวเองอยู่แล้ว ให้เขียนออกมาเป็นข้อๆ
• ถ้ายังไม่มี ให้ใช้ AI ช่วยค้นคว้าและช่วยสร้าง strategy ตั้งต้น

สิ่งที่น่าสนใจคือ Nate เองเคยให้ OpenClaw agent ไปค้นคว้า strategy มาให้เลย แล้วเอาความรู้ทั้งหมด migrate เข้ามาใน Claude Code project ใหม่ ไม่ได้เริ่มจากศูนย์

นี่เป็นวิธีคิดที่ดีสำหรับงานธุรกิจมาก เราไม่จำเป็นต้องเริ่มใหม่ทุกครั้ง ถ้ามี SOP เดิม มี playbook เดิม มีสคริปต์ขายเดิม หรือมีแนวทางตัดสินใจของทีมอยู่แล้ว เราควรย้ายทั้งหมดเข้าไปเป็น memory ของ agent แทน

อีกประเด็นที่ควรจำคือ benchmark ไม่ได้แปลว่า AI จะเก่งทุกอย่าง Nate ชี้ไว้ชัดว่า benchmark เรื่อง agentic financial analysis ของ Opus 4.7 หมายถึงมันเก่งวิเคราะห์บริษัท เก่งอ่านเอกสาร เก่งสรุป thesis การลงทุน ไม่ได้แปลว่าเก่งเทรดระยะสั้นหรือจับจังหวะกราฟเป๊ะๆ

ตรงนี้เป็นมุมที่ควรระวังมาก เวลาธุรกิจเห็น benchmark ดีๆ แล้วรีบเชื่อว่า model จะเก่งกับ use case ของเราเลย มันไม่จริงเสมอไป เราต้องแยกว่า benchmark นั้นวัดอะไรแน่

Step 5: Scaffold โปรเจกต์ให้ดี เพราะโครงสร้างไฟล์คือรากฐานของ agent

หลังจากได้ strategy แล้ว Nate ก็เริ่มสร้างโฟลเดอร์โปรเจกต์ใหม่ใน VS Code แล้วให้ Claude ช่วย reorganize โครงสร้างไฟล์ เช่น

• ไฟล์คำสั่งหลัก
• memory files
• trade log
• research log
• weekly review
• commands และ scripts ที่เกี่ยวข้อง

สาระสำคัญไม่ใช่ชื่อไฟล์ แต่คือการแยก “สิ่งที่ agent ต้องรู้อยู่เสมอ” ออกจาก “สิ่งที่เพิ่งเกิดขึ้น” และ “สิ่งที่ต้องทำในรอบนี้” ให้ชัด

ถ้าเอาไปใช้กับธุรกิจไทย เราอาจแยกแบบนี้ได้เลย

• company_rules.md กฎการทำงานและข้อห้าม
• current_status.md สถานะล่าสุดของธุรกิจ
• daily_log.md บันทึกสิ่งที่เกิดขึ้นแต่ละวัน
• customer_notes.md ข้อมูลลูกค้าหรือเคสสำคัญ
• weekly_review.md บทสรุปรายสัปดาห์

ยิ่งแยกชัด AI ยิ่งทำงานนิ่งขึ้น

Step 6: วาง guardrails ให้แน่น ก่อนเปิดสิทธิ์ให้ AI ตัดสินใจเอง

ช่วงนี้เป็นส่วนที่คนมักมองข้าม เพราะพอเห็น AI ทำงานได้ ก็อยากรีบปล่อยอัตโนมัติ แต่ Nate พูดชัดว่า agent เป็นสิ่งที่ “ขยันเกินไป” ถ้าไม่ตั้งกรอบ มันอาจทำเกินหน้าที่ได้

ตัวอย่าง guardrails ที่เขายกมา เช่น

• เริ่มจาก paper trading ก่อน
• จำกัดสัดส่วนต่อ position เช่น ไม่เกิน 5% ของพอร์ต
• ตั้ง daily loss cap
• ห้ามซื้อสินทรัพย์บางประเภท
• จำกัดจำนวนการเปิด position ใหม่ต่อสัปดาห์

ถ้าแปลเป็น use case ธุรกิจ หลักคิดก็เหมือนกันมาก เช่น

• AI เขียนอีเมลได้ แต่ห้ามส่งเองถ้ายังไม่ผ่านเงื่อนไข
• AI ให้ส่วนลดได้ แต่ไม่เกินเพดานที่กำหนด
• AI อนุมัติงานบางประเภทได้ แต่ถ้าเกินวงเงินต้องส่งต่อคน
• AI สรุปรายงานได้ แต่ห้ามลบข้อมูลต้นฉบับ

พูดให้สั้นที่สุดคือ AI ไม่ได้ต้องการแค่ prompt ที่ฉลาด แต่ต้องการข้อห้ามที่ชัด

Step 7: ออกแบบ routines ให้แต่ละรอบมีหน้าที่ต่างกัน

โครงสร้าง routine ในคลิปถือว่าออกแบบมาดีมาก เพราะไม่ได้สั่งให้ agent ทำทุกอย่างทุกครั้ง แต่แบ่งตามช่วงเวลาของตลาด

• Pre-market สำหรับวิจัยข่าว หา catalyst และร่างไอเดียเทรด
• Market open สำหรับ execute คำสั่งที่วางไว้และตั้ง trailing stop
• Midday สำหรับดู position ระหว่างวัน เช่น คัทตัวที่หลุดเงื่อนไข
• Close สำหรับสรุปสิ่งที่เกิดขึ้นในวันนั้น
• Weekly review สำหรับรีวิวผลงานรายสัปดาห์ในวันศุกร์

นี่คือ design pattern ที่เอาไปใช้กับงานสำนักงานได้สบายมาก เช่น agent การตลาด

• เช้า: ดึง performance แคมเปญและข่าวตลาด
• สาย: เสนอ action ที่ควรทำวันนี้
• บ่าย: เช็กว่ามีอะไรผิดปกติหรือไม่
• เย็น: สรุปผลและอัปเดต memory
• ปลายสัปดาห์: รีวิวว่าอะไรเวิร์ก อะไรไม่เวิร์ก

จุดที่ควรเอาไปใช้ทันทีคือ แต่ละ routine ควรมี prompt เฉพาะของตัวเอง และควรย้ำ 3 อย่างทุกครั้ง

1. อ่านไฟล์ก่อน
2. ทำงานตามหน้าที่ของรอบนั้น
3. อัปเดตไฟล์ memory ตอนจบ

Step 8: แยก local กับ remote ให้เข้าใจ เพราะมีผลต่อการใช้งานจริง

อีกจุดที่คลิปอธิบายได้ดีคือ Claude Code Routines มีทั้งแบบ local และ remote

Local คือรันบนเครื่องเรา ถ้าปิดแอปหรือปิดเครื่อง routine ก็ไม่ทำงาน

Remote คือรันบน cloud โดยอิงจาก GitHub repository ของโปรเจกต์นั้น ทำให้เครื่องปิดอยู่ก็ยังทำงานได้

สำหรับงานจริง ถ้าอยากให้ AI ทำงาน 24/7 เราแทบต้องไปทาง remote อยู่แล้ว แต่พอเป็น remote ก็มีเรื่องสำคัญเพิ่มมาอีกข้อ คือไฟล์ memory ที่ถูกแก้ระหว่างรัน ต้องถูก push กลับเข้า repo ด้วย ไม่งั้นรอบต่อไปจะไม่เห็นความเปลี่ยนแปลง

นี่เป็น detail ที่เล็กแต่สำคัญมาก เพราะมันคือความต่างระหว่าง “เดโมที่ดูเหมือนทำได้” กับ “ระบบที่ทำงานต่อเนื่องจริง”

Step 9: ตั้ง environment และ API keys ให้ถูกตั้งแต่แรก

ในคลิปมีปัญหาจริงเกิดขึ้นตอนทดสอบ routine แล้วหา Alpaca API key ไม่เจอ เพราะตัว prompt อ้างชื่อ environment variable ไม่ตรงกับที่ตั้งไว้

นี่เป็นตัวอย่างที่ดีว่าปัญหาส่วนใหญ่ของ AI automation ไม่ได้มาจาก model ไม่ฉลาด แต่เกิดจากงานระบบพื้นฐาน เช่น

• ตั้งชื่อ key ไม่ตรง
• เก็บ secret ไว้ผิดที่
• ใส่ key ลง repo ตรงๆ ซึ่งเสี่ยงมาก
• routine ไม่มีสิทธิ์ push กลับ branch หลัก

Nate ย้ำชัดว่าไม่ควรเก็บ API key ในไฟล์ที่ถูก push ขึ้น GitHub แต่ควรเก็บไว้ใน environment ของ Claude Desktop / cloud environment แทน

สำหรับธุรกิจ นี่คือเรื่อง governance เล็กๆ ที่ต้องจริงจัง เพราะถ้า AI จะเริ่มแตะระบบจริง เราต้องคิดเรื่อง secret, permission และ audit trail ตั้งแต่วันแรก

Step 10: ทดสอบทุก routine แบบ run now ก่อน แล้วค่อยปล่อยใช้งานจริง

ขั้นตอนสุดท้ายในคลิปคือทดสอบแต่ละ routine แบบสั่งรันทันที แล้วดูการทำงานจริงว่ามันอ่านไฟล์ครบไหม ดึงข้อมูลจาก Alpaca ได้ไหม ส่งสรุปไป ClickUp ได้หรือไม่ และ push การเปลี่ยนแปลงกลับ repo สำเร็จหรือเปล่า

ตรงนี้เป็นนิสัยที่ควรมีมาก ถ้าจะเอา AI ไปทำงานสำคัญ อย่าคิดว่า prompt ผ่านแล้วคือจบ แต่ต้องดู execution จริงทุกครั้ง โดยเฉพาะช่วงแรก

ในคลิป หลังแก้ชื่อ environment variable ให้ตรงแล้ว ระบบก็เริ่มทำงานได้ครบทั้งดึงยอดพอร์ต ส่ง weekly review และ commit การเปลี่ยนแปลงกลับ GitHub สำเร็จ

บทเรียนสำคัญคือ AI agent ที่ดีไม่ได้เกิดจาก prompt เดียว แต่เกิดจากการทดสอบ ปรับ memory ปรับกฎ และดู log ซ้ำไปเรื่อยๆ

Step 11: มองให้ไกลกว่าเรื่องเทรด นี่คือแม่แบบของ AI worker สำหรับธุรกิจ

ถึงคลิปจะเล่าเรื่อง AI trader แต่สิ่งที่เอาไปใช้ได้กว้างกว่านั้นมาก เพราะสิ่งที่ Nate สร้างจริงๆ คือระบบที่มีคุณสมบัติ 5 อย่าง

• มีตารางเวลาทำงาน
• มีหน่วยความจำผ่านไฟล์
• มีเครื่องมือภายนอกผ่าน API
• มีข้อห้ามและ guardrails
• มีรายงานสรุปให้มนุษย์ตรวจ

ถ้าเอา logic นี้ไปใช้กับธุรกิจไทย เราสามารถสร้าง AI worker ได้หลายแบบ เช่น

• AI ผู้ช่วยฝ่ายขาย ที่คอยสรุป lead และเตรียม follow-up ทุกวัน
• AI operations assistant ที่เช็กสต๊อก งานค้าง และแจ้งเตือนทีม
• AI marketing analyst ที่สรุป performance แคมเปญและเสนอ action ประจำวัน
• AI executive brief agent ที่สรุปสถานะธุรกิจให้ผู้บริหารตอนเช้าและเย็น

มุมที่อยากเสริมคือ สำหรับเจ้าของธุรกิจส่วนใหญ่ การเริ่มจากงานเทรดอาจไม่ใช่ use case แรกที่ควรทำ เพราะมันเสี่ยงและแตะเงินโดยตรง แต่ pattern เดียวกันนี้เหมาะมากกับงานที่มีผลตอบแทนชัดและความเสี่ยงต่ำกว่า

Actionable Insights

• เริ่มจาก routine ที่เกิดทุกวัน ไม่ต้องเริ่มจากงานซับซ้อน เลือกงานที่ทีมทำซ้ำๆ ก่อน
• ทำ memory file ให้ชัด แยกกฎงาน สถานะล่าสุด และบันทึกประจำวันออกจากกัน
• ใส่ guardrails ก่อนปล่อยอัตโนมัติ กำหนดเพดาน สิทธิ์ และเงื่อนไขที่ต้องส่งต่อให้คน
• ทดสอบแบบ run now ทุก routine ดูการทำงานจริง อย่าเชื่อแค่ว่า prompt ดูดี
• ใช้ AI เป็น worker ไม่ใช่เวทมนตร์ ยิ่งนิยามงาน ช่วงเวลา และผลลัพธ์ชัด AI ยิ่งนิ่ง

Troubleshooting

• ปัญหา: routine รันแล้วหา API key ไม่เจอ
  สาเหตุ: ชื่อ environment variable ไม่ตรงกับที่ prompt หรือ script เรียกใช้
  วิธีแก้: ตรวจชื่อ key ให้ตรงทุกตัวอักษร, เก็บ key ใน cloud environment, แล้วทดสอบ run now ใหม่
• ปัญหา: AI ทำงานได้ แต่รอบถัดไปเหมือนลืมทุกอย่าง
  สาเหตุ: memory file ไม่ถูกอัปเดต หรือ remote routine ไม่ได้ push กลับ repo
  วิธีแก้: เพิ่มคำสั่งให้อัปเดตไฟล์ตอนจบทุกครั้ง และเปิดสิทธิ์ให้ routine push กลับ branch หลัก
• ปัญหา: AI ตัดสินใจหลุดกรอบหรือทำงานเกินหน้าที่
  สาเหตุ: ไม่มี guardrails ที่ชัด เช่น ข้อห้าม เพดาน หรือเงื่อนไข escalation
  วิธีแก้: เขียนกฎห้ามและกติกาการอนุมัติให้ชัดในไฟล์หลัก แล้วบังคับให้อ่านก่อนทุก run
• ปัญหา: ใช้ token เยอะเกินไปจนเปลืองหรือเริ่มมั่ว
  สาเหตุ: โยนไฟล์เยอะเกินจำเป็นเข้า context ทุกครั้ง
  วิธีแก้: คัดเฉพาะไฟล์ที่จำเป็นต่อรอบนั้น และสรุปไฟล์ยาวๆ ให้สั้นลงเป็น memory ที่อ่านง่าย
• ปัญหา: routine remote ไม่ทำงานต่อเนื่องตามที่คิด
  สาเหตุ: สับสนระหว่าง local กับ remote หรือ repo ยังไม่พร้อม
  วิธีแก้: ใช้ GitHub repo สำหรับงาน remote, ตรวจ environment ให้ครบ, และเช็ก cron แต่ละตัวก่อนปล่อยจริง

การต่อยอด

• เพิ่ม routine วันอาทิตย์ตอนกลางคืน เพื่อให้ AI เตรียมแผนรายสัปดาห์ล่วงหน้า
• ทำ dashboard สรุปผลรายวันจากไฟล์ memory และ log เพื่อให้ผู้บริหารอ่านได้ในหน้าเดียว
• แตก agent ออกเป็นหลายบทบาท เช่น researcher, reviewer, executor แล้วให้ทำงานประสานกัน

สรุป Checklist ทั้งหมด

• ☐ กำหนดเป้าหมายของ AI agent ให้ชัดว่าจะทำอะไรและไม่ทำอะไร
• ☐ เลือก tool หลักสำหรับ scheduling, model, data source และ notification
• ☐ สร้าง strategy หรือ SOP ตั้งต้นให้ AI อ่านได้
• ☐ ออกแบบ memory files ให้แยกกฎ สถานะ และ log อย่างชัดเจน
• ☐ ย้ายความรู้เดิมจาก workflow เก่าหรือทีมเดิมเข้าโปรเจกต์ใหม่
• ☐ ตั้ง guardrails เช่น ข้อห้าม เพดาน และเงื่อนไขส่งต่อให้คน
• ☐ ออกแบบ routines ตามช่วงเวลาและหน้าที่ของแต่ละรอบ
• ☐ เขียน prompt ของแต่ละ routine ให้สั่งอ่านไฟล์ก่อนและอัปเดตไฟล์หลังทำงาน
• ☐ ตั้งค่า GitHub repo สำหรับ remote routines
• ☐ ตั้ง cloud environment และเก็บ API keys ให้ปลอดภัย
• ☐ เปิดสิทธิ์ที่จำเป็นให้ routine push การเปลี่ยนแปลงกลับ repo ได้
• ☐ ทดสอบแบบ run now ทุก routine จนแน่ใจว่าทำงานครบ
• ☐ ตรวจ log และสรุปรายงานทุกวันในช่วงแรกเพื่อปรับปรุงระบบ
• ☐ ค่อยๆ เพิ่ม automation เมื่อ memory และกฎเริ่มนิ่งแล้ว

สรุปให้สั้นที่สุด คลิปนี้ไม่ได้สอนแค่การทำ AI trader ด้วย Claude Opus 4.7 แต่มันสอนวิธีสร้าง AI worker ที่มีตารางงาน มีความจำ และมีวินัย ซึ่งเป็น pattern ที่ใช้ได้จริงกับธุรกิจมากกว่าการไล่ตามคำว่า agent แบบลอยๆ

ถ้าเราจับแก่นนี้ได้ งานถัดไปที่ควรลองอาจไม่ใช่การปล่อย AI ไปเทรดหุ้น แต่เป็นการปล่อย AI ไปดูแลงานประจำที่กินเวลาทีมทุกวัน แล้วค่อยขยับไปสู่งานที่มีอำนาจตัดสินใจมากขึ้นทีละขั้น แบบเดียวกับที่ Nate บอกไว้ตั้งแต่ต้นว่า อย่าจับเด็กขึ้นจักรยานแล้วปล่อยมือทันที