2 เดือนที่ผ่านมา ผมใช้ Claude Code ทุกวัน
ตั้งแต่ต้นเดือนกุมภาพันธ์ 2026 ผมเริ่มใช้ Claude Code แบบ "จริงจัง" — ไม่ใช่แค่ทดลองเล่น แต่ใช้บริหารงาน agency และร้านอาหารจริงๆ ทุกวัน
ผมไม่ใช่ developer ไม่เขียน code เป็นอาชีพ แต่รันธุรกิจ 2 ประเภทพร้อมกัน: digital marketing agency 6 ลูกค้า และ ร้านอาหาร ที่ต้องดูต้นทุน สต็อค ยอดขาย 3 ช่องทาง
ตัวเลข ณ วันที่เขียนบทความนี้:
- 50+ sessions (เฉลี่ยวันละ 1-2 ชั่วโมง)
- 6 ลูกค้า ที่จัดการผ่านระบบ AI
- 17 Skills ที่สร้างขึ้นเพื่อทำงานซ้ำ
- 14 MCP servers ที่เชื่อมต่อกับเครื่องมือต่างๆ
- CLAUDE.md 670 บรรทัด ที่ AI อ่านทุก session
- Claude Brain 40+ notes ที่เก็บความจำข้าม sessions
บทความนี้ไม่ใช่ review — แต่เป็น 10 บทเรียนที่ไม่มีในคู่มือ ที่ผมเรียนรู้จากการผิดพลาดจริง
บทเรียนที่ 1: CLAUDE.md คือหัวใจ — ไม่มีมันคือเริ่มต้นจากศูนย์ทุกครั้ง
ช่วงแรกที่ใช้ ผมแค่เปิด Claude Code แล้วพิมพ์สิ่งที่อยากได้ ได้ผลลัพธ์กลางๆ บ้างดีบ้างแย่ แล้วก็งงว่าทำไมถึงไม่ consistent
ปัญหาคือทุก session AI เริ่มต้นจากศูนย์ ไม่รู้ว่าผมคือใคร ทำอะไร มีลูกค้าอะไร ใช้ database ไหน มีกฎอะไรที่ต้องทำ
CLAUDE.md คือไฟล์ที่ Claude Code อ่าน ทุก session อัตโนมัติ ก่อนทำอะไรทั้งนั้น
ไฟล์ของผมตอนนี้มี 670 บรรทัด ครอบคลุม 18 sections ตั้งแต่ "workspace คืออะไร" ไปถึง "กฎห้ามส่งงานลูกค้าโดยไม่ cross-check AI ตัวอื่น"
ผลลัพธ์หลังมี CLAUDE.md: เปิด session ใหม่ → AI รู้ context ทันที → เริ่มทำงานได้เลย ไม่ต้องอธิบายซ้ำสักนาทีเดียว
บทเรียนที่ 2: Plan Mode ก่อนลงมือเสมอ — ประหยัดเวลาได้ครึ่ง
ครั้งแรกที่ผมสั่งให้ Claude Code สร้างระบบวิเคราะห์ยอดขายร้านอาหาร ผมสั่งแบบตรงๆ ว่า "ทำเลย" มันลงมือทำเลย — ได้ผลงาน 70% แรกออกมาดี แต่ทิศทางผิด ต้องแก้ใหม่ครึ่งหนึ่ง
พอเปลี่ยนมาเป็น "วางแผนก่อน แล้วค่อยทำ" ผลลัพธ์เปลี่ยนทันที
ตอนนี้ทุกงานที่ซับซ้อน ผมบอกว่า "Plan ก่อน อย่าเพิ่งลงมือ" — Claude จะอธิบายว่าจะทำอะไร ขั้นตอนไหน ก่อน execute จริง
ที่สำคัญ: Plan Mode ให้ผมเห็นก่อนว่า AI เข้าใจ task ถูกหรือเปล่า ถ้าไม่ถูก แก้ที่ plan ง่ายกว่าแก้ที่ผลงานที่ทำเสร็จไปแล้วมาก
บทเรียนที่ 3: กฎเหล็กทุกข้อเกิดจากความผิดพลาดจริง
ผมมีกฎเหล็ก 20 ข้อใน CLAUDE.md ฟังดูเยอะ แต่ทุกข้อมีที่มา
กฎที่โดนด่าหนักสุด: Session 87 — AI ลืม INSERT activity_feed (log งานลง database) เพราะทำจากความจำ ไม่ได้อ่าน checklist จริง ผลคือข้อมูลหายไป 1 session ต้องนั่งปะผุย้อนหลัง
กฎที่เกิดจากผิดพลาดอีกครั้ง: AI ใช้ video component ตัวเก่า (กาก) แทนตัวใหม่ที่มีฟีเจอร์ครบ เพราะไม่ได้อ่าน KB ก่อนทำ
หลังจากนั้นผมเพิ่มกฎ: "ก่อนผลิต video ทุกครั้ง ต้องอ่าน 2 ไฟล์นี้ก่อน ห้ามทำจากความจำ"
กฎเหล็กไม่ใช่กฎที่คิดขึ้นมาล่วงหน้า — มันเกิดหลังจากผิดพลาดแล้ว แต่ละข้อ = ครั้งที่เสียเวลาไปจริงๆ
บทเรียนที่ 4: Batch Approval ดีกว่า Gen ทีเดียว
ช่วงแรกผม gen เนื้อหาทีเดียว 10 caption ในคราวเดียว ผลออกมาบางอันดี บางอันต้องแก้ทั้งหมด เสียเวลาคุมคุณภาพ
เปลี่ยนมาเป็น: gen ชุดแรก 3 ชิ้น → approve/reject → AI เรียนรู้ pattern จาก feedback → gen ชุดสอง 3 ชิ้น → วนซ้ำ
ทำไมได้ผลดีกว่า: AI ได้ feedback จริงระหว่างทาง ไม่ใช่แค่ spec ตอนเริ่ม output ชุดท้ายมักดีกว่าชุดแรกอย่างเห็นได้ชัด เพราะ AI ปรับ direction ตาม feedback ที่ได้
ใช้กับ: caption, ad copy, video script, blog post — ทุกงาน creative
บทเรียนที่ 5: Skills ประหยัดเวลามหาศาล
Skills คือคำสั่ง preset ที่บันทึกไว้ — พิมพ์ /short-video-script แล้วได้ script structure ทันที ไม่ต้องพิมพ์ prompt ยาวๆ ซ้ำทุกครั้ง
ผมสร้าง Skills มา 17 ตัว ตัวอย่างที่ใช้บ่อย:
/short-video-script— สร้าง TikTok/Reels script พร้อม hook + CTA/plan-content— วางแผน content calendar/write-captions— เขียน caption พร้อม hashtag/client-report— สร้าง performance report
เวลาที่ประหยัดได้: งานที่เคยต้องพิมพ์ prompt 5-10 นาที ตอนนี้พิมพ์คำเดียว สำหรับงาน content ที่ทำซ้ำทุกสัปดาห์ Skills คือ multiplier ที่ compound ทุกครั้งที่ใช้
บทเรียนที่ 6: Brain/Memory = ความจำข้าม Session ที่เปลี่ยนเกม
ปัญหาที่น่าหงุดหน่ายที่สุดของ AI คือ "ลืมทุกอย่างพอปิด session"
ผมแก้ด้วย Claude Brain — โฟลเดอร์ brain/ ใน git repo ที่เก็บความรู้ถาวรแบ่งเป็น 4 ประเภท:
- Episodic — เหตุการณ์สำคัญที่เกิดขึ้น (เช่น ตัดสินใจเปลี่ยน tech stack วันไหน)
- Semantic — ความรู้เกี่ยวกับลูกค้า, เครื่องมือ, ระบบ
- Procedural — วิธีทำงาน, patterns ที่ได้ผล
- Meta — บทเรียนเกี่ยวกับ AI เอง
ตอนนี้มี 40+ notes ทุก session สกัดความรู้ใหม่เข้า brain/ ก่อนปิด
ผลจริง: Session ที่ 50 AI รู้ background ของทุกลูกค้า รู้ว่าเราเคยลองอะไรแล้วไม่ work รู้ว่า client คนนี้ชอบ/ไม่ชอบอะไร — เหมือนทำงานกับคนที่อยู่มา 2 เดือนและจำทุกอย่าง
บทเรียนที่ 7: CLI-First ดีกว่า MCP ในหลายงาน
MCP (Model Context Protocol) คือ integration ที่ให้ AI เชื่อมต่อกับ tools ต่างๆ ผมมี 14 ตัว ฟังดูเยอะ แต่สิ่งที่เรียนรู้คือ MCP ไม่ใช่คำตอบเสมอ
หลายงาน CLI เร็วกว่าและทำได้มากกว่า:
| งาน | MCP (ช้า/ทำไม่ได้) | CLI (เร็ว) |
|---|---|---|
| Mark Gmail read | Gmail MCP ทำไม่ได้ | gws gmail users messages modify |
| Sync ไฟล์ขึ้น Drive | Google Drive MCP ทีละไฟล์ | rclone sync folder/ gdrive:folder/ |
| ค้นหาใน brain/ | Read ทีละไฟล์ + เดา path | rag "keyword" ค้นครบทุก collection |
กฎที่ผมใช้ตอนนี้: ถ้ามี CLI สำหรับงานนี้ → ใช้ CLI ก่อนเสมอ
ทำให้ token ถูกลง เร็วขึ้น และหลายอย่าง MCP ทำไม่ได้แต่ CLI ทำได้
บทเรียนที่ 8: Cross-check AI ก่อนส่งงานลูกค้า — กฎเหล็กที่เพิ่มทีหลัง
ผมเคยส่งงานลูกค้าโดยไม่ cross-check เพราะคิดว่า Claude ดีพอแล้ว
แต่ปัญหาที่พบ: AI มี blind spot ในงานเฉพาะทาง บางทีใช้ข้อมูลเก่าหรือมอง angle ซ้ำๆ
ตอนนี้ทุกงานที่จะส่งลูกค้า ผมบังคับให้ cross-check ด้วย AI ตัวอื่น:
งานส่งลูกค้า → cat งาน.md | aichat "review มีอะไรตกหล่น?"
Sales content → aichat "hook อะไรได้บ้าง? angle ไหนน่าสนใจ?"
ตัดสินใจใหญ่ → gemini ถาม second opinion
ผลที่ได้: ครั้งหนึ่ง aichat ชี้ให้เห็นว่า proposal ขาด competitive analysis ไปทั้งหมด — ถ้าส่งไปแบบนั้น คงเสียหน้ากับลูกค้า
บทเรียนที่ 9: ธุรกิจร้านอาหารก็ใช้ได้ — ไม่ใช่แค่งาน tech
คนส่วนใหญ่คิดว่า Claude Code = สำหรับ developer เท่านั้น
ผมใช้กับร้านอาหาร เนื้อในตำนาน จริงๆ:
- ดึงยอดขาย 3 ช่องทาง (GrabFood, LINE MAN, POS) เข้า SQLite อัตโนมัติ
- วิเคราะห์ต้นทุนเมนู 54 รายการ หา GP อัตโนมัติ
- เช็ค variance วัตถุดิบ — ควรใช้ 68 กก. ใช้จริง 175 กก. = ตามหาได้ว่าหายไปไหน
- สร้าง inventory system สำหรับน้องในร้าน
ไม่มีตรงไหนเลยที่ต้องเขียน code เอง แค่บอกสิ่งที่อยากได้เป็นภาษาคน Claude จัดการส่วนที่เป็น technical ให้ทั้งหมด
บทเรียนที่ 10: มันไม่ได้แทนคน แต่ทำให้คนทำได้มากกว่า
นี่คือบทเรียนที่สำคัญที่สุด
ก่อนใช้ Claude Code: ผมทำงานได้ 1x หลังใช้ Claude Code: ผมทำงานได้ 3-4x
แต่คำว่า "แทนคน" ไม่ใช่สิ่งที่เกิดขึ้น เพราะ AI ยังต้องการผมทุกขั้นตอน:
- บอก direction ว่าต้องการอะไร
- Approve สิ่งที่ AI ทำก่อนใช้งานจริง
- แก้ไข เมื่อผิดทิศ
- เพิ่มกฎ เมื่อเจอปัญหาใหม่
สิ่งที่เปลี่ยนคือ งาน execution ที่เคยใช้เวลาหลายชั่วโมง ตอนนี้ใช้เวลาไม่กี่นาที ทำให้เวลาที่เหลือไปอยู่กับ งานที่ต้องการการตัดสินใจของคน — strategy, relationship, creativity
ผมคนเดียวบริหาร agency 6 ลูกค้าพร้อมกัน + ร้านอาหาร ก่อนหน้านี้ทำแบบนี้ได้ยากมาก
สรุป: 100 ชั่วโมงสอนอะไร?
ถ้าสรุปทั้ง 10 บทเรียนในประโยคเดียว:
Claude Code ไม่ใช่ AI ที่ฉลาดที่สุด แต่เป็น AI ที่ทำตามกฎได้ดีที่สุด — และกฎดีๆ ที่เกิดจากประสบการณ์จริงคือสิ่งที่ทำให้มันทรงพลัง
ถ้าคุณเพิ่งเริ่มใช้ ขอแนะนำ 3 สิ่งแรก:
- เริ่มเขียน
CLAUDE.md— แค่ 50 บรรทัดก็ดีกว่าไม่มี - ใช้ Plan Mode สำหรับทุกงานที่ซับซ้อน
- หลังใช้เสร็จ 1 สัปดาห์ — เพิ่มกฎจากสิ่งที่ผิดพลาด
ยิ่งใช้นาน ระบบยิ่งฉลาดขึ้น เพราะคุณเป็นคนทำให้มันฉลาด ไม่ใช่ AI ทำเอง
บทความนี้เป็นส่วนหนึ่งของ Behind the System Series — โชว์ระบบจริงที่ DopeLab ใช้บริหาร agency + ธุรกิจอาหาร ด้วย Claude Code ทุกวัน
