Note หน้านี้อ่านจาก repo จริงเมื่อ 2026-10-14 ผ่านหน้า GitHub, เอกสารสถาปัตยกรรมใน repo และผลค้นเว็บ ยังไม่ได้ clone หรือรันโค้ด และไม่ได้อ่านเลข commit ข้อความที่อ้างถึงเวอร์ชันจึงอาจล้าหลังกว่า repo ปัจจุบัน
🎯 แก่นของเรื่อง
โปรเจกต์นี้ให้ของสองอย่างที่ใช้โค้ดชุดเดียวกัน คือ Terminal Assistant สำหรับใช้งานทันที และ Python Framework ที่ประกอบ Agent เดียวกันนั้นจากชิ้นส่วนที่เปิด/ปิดได้ด้วยแฟล็ก
| ส่วน | เนื้อหา | ป้ายหลักฐาน |
|---|---|---|
| ความคิดหลัก | Agent ที่ทำงานจริงต้องมีมากกว่าโมเดล | อ่านจาก repo (2026-10-14) |
| ความคิดหลัก (ต่อ) | เครื่องมือไฟล์/เชลล์, แผนงาน, หน่วยความจำ, การจัดการบริบท, Subagents | อ่านจาก repo (2026-10-14) |
| ความคิดหลัก (ต่อ) | create_deep_agent() ประกอบสิ่งเหล่านี้ให้ในการเรียกครั้งเดียว |
อ่านจาก repo (2026-10-14) |
| ทำไมได้ผล | แต่ละความสามารถเป็น Toolset หรือ Capability แยกกัน | อ่านจาก repo + ตีความ |
| ทำไมได้ผล (ต่อ) | เปิด/ปิดด้วยแฟล็ก include_* ไม่ต้องเขียนระบบจัดการ Agent เอง |
อ่านจาก repo + ตีความ |
| ทำไมได้ผล (ต่อ) | เปลี่ยนโมเดลได้โดยแก้สตริงเดียว | อ่านจาก repo + ตีความ |
| 20% ที่สำคัญที่สุด | (1) ติดตั้งและรัน pydantic-deep |
ตีความ |
| 20% ที่สำคัญที่สุด | (2) รู้จักแฟล็ก include_* และ workspace |
ตีความ |
| 20% ที่สำคัญที่สุด | (3) ใช้ Docker Sandbox เมื่อให้ Agent รันคำสั่ง | ตีความ |
| 20% ที่สำคัญที่สุด | (4) ตั้ง cost_budget_usd |
ตีความ |
| รอได้ก่อน | Teams, Checkpoints, ACP adapter, Spec ไฟล์ YAML | ตีความ |
| รอได้ก่อน | Browser toolset, Lifecycle hooks | ตีความ |
ช่วยให้ดีขึ้นอย่างไร
repo ไม่แสดงตัวเลข benchmark ที่อ่านได้ในหน้าที่เปิด ทุกแถวจึงเป็นการตีความหรือยังไม่ทดสอบ ห้ามอ่านเป็นผลที่วัดแล้ว
| สถานการณ์ | ถ้าไม่มี | ถ้ามี | วัดอย่างไร | ป้ายหลักฐาน |
|---|---|---|---|---|
| สร้าง Agent ใหม่ | เขียน loop เรียกเครื่องมือ, แผนงาน และการสรุปบริบทเอง | เรียก create_deep_agent(model=...) บรรทัดเดียว |
จำนวนบรรทัดโค้ดและเวลาถึง Agent ตัวแรกที่ทำงานได้ | ตีความ |
| งานยาวจนบริบทเต็ม | บริบทล้นและ Agent หลงทาง | สรุปอัตโนมัติและตัดผลลัพธ์เครื่องมือที่ใหญ่เกิน 20,000 โทเคน (ค่าเริ่มต้น) | จำนวนงานยาวที่จบโดยไม่ต้องเริ่มใหม่ | ยังไม่ทดสอบ |
| รันคำสั่งที่เสี่ยง | คำสั่งกระทบเครื่องจริง | รันใน Docker โดยเมานต์โปรเจกต์ที่ /workspace |
ไม่มีไฟล์นอกโปรเจกต์ถูกแก้ | ตีความ |
| แก้บั๊กที่มีหลายแนวทาง | ลองทีละแนวทางและเสียเวลา | แตก branch ขนาน ให้ judge หรือคำสั่งทดสอบเลือกผู้ชนะ | อัตราผ่านเทสต์ต่อค่าใช้จ่าย | ยังไม่ทดสอบ |
| ค่าใช้จ่ายบาน | รู้ตอนบิลมา | cost_tracking และ cost_budget_usd |
ยอดจริงเทียบงบ | ตีความ |
Trade-off ที่ควรรู้: Forking ใช้โทเคนคูณจำนวน branch ส่วน Sandbox เพิ่มขั้นตอนตั้งค่าและต้องมี Docker
แนวคิดหลัก
โครงสร้างสามชั้น
เอกสารสถาปัตยกรรมอธิบายการประกอบเป็นลำดับ Toolsets → Capabilities → Processors → Agent Factory
| ชั้น | หน้าที่ | ตัวอย่างที่อ่านได้ |
|---|---|---|
| Toolsets | เครื่องมือที่โมเดลเรียกได้ | Todo, Console, SubAgent, Skills, Context, Memory, Checkpoint, Team |
| Capabilities | พฤติกรรมที่ห่อรอบ Agent | Hooks, ContextManager, CostTracking, Thinking, Eviction, Plan, Skills, Team |
| Processors | ซ่อมและตัดแต่งข้อความ | eviction.py ตัดผลลัพธ์ใหญ่ |
| Processors | ซ่อมและตัดแต่งข้อความ | history_archive.py ค้นประวัติ |
| Processors | ซ่อมและตัดแต่งข้อความ | patch.py ซ่อม tool call ที่ค้าง |
| Factory | ประกอบทั้งหมดเป็น pydantic-ai Agent |
create_deep_agent() ในไฟล์ agent.py |
โปรเจกต์สร้างบน Pydantic AI และแยกความสามารถเป็นแพ็กเกจย่อย ได้แก่ pydantic-ai-todo (แผนงาน), pydantic-ai-backend (workspace และเครื่องมือคอนโซล), summarization-pydantic-ai, subagents-pydantic-ai และ pydantic-ai-shields (ติดตามค่าใช้จ่าย)
เครื่องมือที่ Agent ใช้ได้
| กลุ่ม | เครื่องมือ |
|---|---|
| ไฟล์และเชลล์ | ls, read_file, write_file, edit_file, glob, grep, execute |
| เว็บ | ค้นหา (DuckDuckGo, Tavily, Brave) และดึงหน้าเว็บ |
| เบราว์เซอร์ | Playwright: navigate, click, type_text, screenshot, execute_js |
Planning, Memory และ Context
- Planning: เปิดด้วย
include_todoและinclude_plan(ค่าเริ่มต้น True ทั้งคู่) - Memory: เก็บข้ามเซสชันในไฟล์
MEMORY.md(include_memoryค่าเริ่มต้น True) - Context files: ค้นหาและฉีด
AGENTS.mdและSOUL.mdอัตโนมัติ - Summarization: สรุปด้วย LLM หรือใช้ sliding window ที่ไม่เสียโทเคน (
context_managerค่าเริ่มต้น True) - Skills: โหลดจากไฟล์
SKILL.mdมี skill pack ที่มากับระบบ 10 ชุด
Subagents
Agent หลักมอบงานให้ Subagent ที่กำหนดชื่อ คำอธิบาย และคำสั่ง รองรับการมอบแบบ sync/async, งานเบื้องหลัง และการยกเลิกแบบนุ่มนวลหรือเด็ดขาด
task(description="Review auth.py", subagent_type="code-reviewer")
Sandbox
pydantic-deep tui --sandbox docker
pydantic-deep tui --workspace ml-env
โฟลเดอร์โปรเจกต์ถูกเมานต์ที่ /workspace ส่วน workspace ที่ตั้งชื่อจะเก็บแพ็กเกจที่ติดตั้งไว้ข้ามเซสชัน ค่าเริ่มต้นของ workspace ในโค้ดคือ StateWorkspace() ซึ่งไม่เปิด execute เป็นค่าเริ่มต้น
Run Forking
Forking แตกการรันเดียวเป็นหลาย branch ขนาน แต่ละ branch มี filesystem overlay แบบ copy-on-write และงบของตัวเอง แล้วใช้ judge หรือคำสั่งทดสอบเลือกผู้ชนะ
from pydantic_deep import create_deep_agent, LiveForkCapability
agent = create_deep_agent(
forking=LiveForkCapability(test_command="pytest -q", test_timeout_s=120),
)
| โหมด merge | ความหมาย (ตีความจากชื่อ) |
|---|---|
manual |
คนเลือกเอง |
auto |
ระบบเลือกตามเกณฑ์ |
auto_with_fallback |
ค่าเริ่มต้น: เลือกอัตโนมัติ และมีทางสำรองเมื่อเลือกไม่ได้ |
vote |
ให้ผลโหวตตัดสิน |
คำสั่งใน TUI: /fork, /merge, /fork-config เอกสารที่อ่านไม่อธิบายกลไกภายในของ judge และ vote ละเอียด รายละเอียดข้อนี้ยังไม่ยืนยัน
โมเดลที่รองรับ
| ผู้ให้บริการ | ตัวอย่างสตริง |
|---|---|
| Anthropic | anthropic:claude-sonnet-4-6 |
| OpenAI | openai:gpt-5.4 |
| OpenRouter | openrouter:anthropic/claude-opus-4-6 |
| Google Gemini | google-gla:gemini-2.5-pro |
| Ollama (ในเครื่อง) | ollama:qwen3 |
โมเดลใดก็ได้ที่รองรับ tool-calling ใช้ได้ และ endpoint ที่เข้ากับ OpenAI ใช้ได้ผ่าน base URL ที่กำหนดเอง
วิธีใช้งาน
ติดตั้ง
# macOS / Linux (สคริปต์ติดตั้ง uv ให้)
curl -fsSL https://raw.githubusercontent.com/vstorm-co/pydantic-deepagents/main/install.sh | bash
pydantic-deep
# Windows หรือติดตั้งเอง
pip install "pydantic-deep[cli]"
# เฉพาะ framework
pip install pydantic-deep
Warning คำสั่ง
curl ... | bashรันสคริปต์จากเน็ตทันที ควรเปิดอ่านinstall.shก่อน หรือใช้pipใน virtual environment แทน หน้านี้ไม่ได้รันสคริปต์ดังกล่าว
คำสั่ง CLI
pydantic-deep tui --model openrouter:anthropic/claude-opus-4-6
pydantic-deep run "Fix the failing test in test_auth.py"
pydantic-deep run --task-file task.md --json
pydantic-deep tui --browser
pydantic-deep config set model anthropic:claude-sonnet-4-6
pydantic-deep skills list
pydantic-deep update
Slash command ใน TUI: /fork, /merge, /fork-config, /mcp, /improve, /model, /compact
สร้าง Agent ด้วย Python
from pydantic_deep import create_deep_agent
agent = create_deep_agent(model="anthropic:claude-sonnet-4-6")
result = await agent.run("Build a REST API for auth")
พารามิเตอร์สำคัญ (มีมากกว่า 70 ตัว และมี 3 overloads ตาม output_type)
| กลุ่ม | พารามิเตอร์ | ค่าเริ่มต้น |
|---|---|---|
| หลัก | model |
anthropic:claude-opus-4-6 |
| หลัก | retries |
3 |
| เปิด/ปิด | include_todo, include_filesystem, include_subagents, include_plan |
True |
| เปิด/ปิด | include_skills, include_memory, include_history_archive |
True |
| เปิด/ปิด | include_checkpoints, include_teams |
False |
| บริบท | eviction_token_limit |
20,000 |
| บริบท | context_manager |
True |
| ควบคุม | cost_tracking, cost_budget_usd, hooks, interrupt_on, fallback_model |
ตั้งเอง |
เมื่อกำหนด output_type Agent จะคืนผลเป็นโมเดล Pydantic นั้น ไม่ใช่สตริง
กำหนด Agent ด้วยไฟล์ Spec
DeepAgentSpec เป็นโมเดล Pydantic ที่ห้ามฟิลด์เกิน (extra="forbid") ฟิลด์ที่สะกดผิดจึงเกิด error ทันที คลาส DeepAgent มี from_file(path), from_spec(data) และ to_file(path) โดย from_file กับ from_spec คืนค่า (agent, deps)
ตัวอย่างประกอบ
ลองใช้
ตัวเลขด้านล่างเป็น ตัวอย่างประกอบ ของเรา ไม่ใช่ตัวเลขจาก repo
สถานการณ์: แก้เทสต์ที่ล้มด้วย Forking 3 branch งบ branch ละ 0.50 USD ผ่าน cost_budget_usd และมี judge หนึ่งรอบประมาณ 0.10 USD
| รายการ | สูตร | ค่า |
|---|---|---|
| ค่าใช้จ่ายสูงสุดของ branch | 3 × 0.50 | 1.50 USD |
| รวม judge | 1.50 + 0.10 | 1.60 USD |
| ถ้าแก้ทีละแนวทางแบบเดิม 3 รอบ ในกรณีเลวร้าย | 3 × 0.50 | 1.50 USD |
ข้อสังเกต: Forking ไม่ได้ประหยัดเงิน มันประหยัดเวลาจริงที่ต้องรอ (เมื่อรันขนาน) โดยแลกกับงบที่แตะเพดานได้พร้อมกัน
ใช้เมื่อไร
| เงื่อนไข | ใช้ | ไม่ใช้ |
|---|---|---|
| ต้องการผู้ช่วยใน Terminal ที่วางแผน แก้ไฟล์ รันคำสั่ง | ใช่ | |
| สร้างเครื่องมือ Agent เฉพาะทางด้วย Python | ใช่ | |
| งานแก้บั๊กมีหลายแนวทางและมีคำสั่งทดสอบตัดสินได้ | Forking | |
| งานเล็กบรรทัดเดียว | ใช้ผู้ช่วยธรรมดา | |
| ต้องการเครื่องมือเสถียรนิ่งที่ API ไม่เปลี่ยน | ระวัง เวอร์ชันยังอยู่ 0.3.x | |
| ให้ Agent รันคำสั่งบนเครื่องที่มีข้อมูลสำคัญ | ต้องมี Sandbox ก่อน |
ข้อกำหนดเบื้องต้น: Python 3.10 ขึ้นไป, API key ของผู้ให้บริการโมเดล (หรือ Ollama ในเครื่อง), Docker ถ้าใช้ Sandbox
ก้าวแรกที่เล็กที่สุด
- สร้าง virtual environment แล้ว
pip install "pydantic-deep[cli]" - ตั้งโมเดล:
pydantic-deep config set model anthropic:claude-sonnet-4-6 - ในโฟลเดอร์ทดลอง รัน
pydantic-deep run "อธิบายโครงสร้างโฟลเดอร์นี้"แล้วดูว่า Agent เรียกเครื่องมืออะไร - ลองงานที่แก้ไฟล์ โดยใช้
--sandbox docker
ทดสอบว่าช่วยได้จริง
| รายการ | ค่า |
|---|---|
| เมตริก | อัตราผ่านเทสต์ในรอบเดียว และค่าใช้จ่ายต่องาน |
| Baseline | รันงานแก้บั๊กชุดเดียวกัน 10 งาน โดยไม่เปิด Forking |
| ทดลอง | รันชุดเดิมด้วย LiveForkCapability(test_command="pytest -q") |
| เกณฑ์ผ่าน (ตั้งก่อนรัน) | อัตราผ่านเพิ่มอย่างน้อย 20 จุดเปอร์เซ็นต์ |
| เกณฑ์ผ่าน (ตั้งก่อนรัน) | ค่าใช้จ่ายต่องานที่สำเร็จไม่เกิน 2 เท่าของ baseline |
Checklist ก่อนปล่อยให้ Agent ทำงานจริง
| ข้อ | รายการ | สถานะ |
|---|---|---|
| 1 | เปิดอ่านสคริปต์ติดตั้งก่อนรัน | ⚪ |
| 2 | ใช้ --sandbox docker เมื่อ Agent รันคำสั่ง |
⚪ |
| 3 | ตั้ง cost_budget_usd |
⚪ |
| 4 | เปิด cost_tracking และดูยอดหลังงานแรก |
⚪ |
| 5 | ตั้ง interrupt_on กับเครื่องมือเสี่ยง (ชื่ออ่านจาก repo, พฤติกรรมยังไม่ทดสอบ) |
⚪ |
| 6 | commit งานด้วย git ก่อนให้ Agent แก้ไฟล์ | ⚪ |
| 7 | ตรวจ diff ทุกครั้งก่อนรับผล | ⚪ |
ข้อเท็จจริง ความเห็น และสิ่งที่ยังไม่พิสูจน์
| ประเภท | ข้อความ | ที่มา |
|---|---|---|
| ข้อเท็จจริง | ใบอนุญาต MIT, Python 3.10+, สร้างบน Pydantic AI | อ่านจาก repo (2026-10-14) |
| ข้อเท็จจริง | มี create_deep_agent(), CLI, Docker Sandbox, Forking, Subagents |
อ่านจาก repo |
| ข้อเท็จจริง | รองรับ Anthropic, OpenAI, Gemini, Ollama, OpenRouter | อ่านจาก repo |
| ความเห็น | "ทำงานคล้าย Claude Code" | คำบรรยายของโปรเจกต์เอง (self-hosted Claude Code) ไม่มีการวัดเทียบ |
| ยังไม่พิสูจน์ | Forking ให้ผลดีกว่ารันเดียว | ยังไม่ทดสอบ |
| ยังไม่พิสูจน์ | คุณภาพเทียบกับเครื่องมืออื่น | ไม่มีข้อมูล |
Risks
Warning Agent ที่มี
executeรันเชลล์ได้จริง ถ้าไม่ใช้ Sandbox มันกระทบไฟล์และข้อมูลบนเครื่องได้ และโมเดลที่ผิดพลาดก็ลบหรือแก้ไฟล์ผิดได้
| ความเสี่ยง/ข้อผิดพลาดที่พบบ่อย | แนวทางรับมือ |
|---|---|
| ค่าใช้จ่ายโทเคนบานโดยเฉพาะ Forking | ตั้ง cost_budget_usd |
| เวอร์ชันเปลี่ยนเร็ว: เอกสารใน repo ระบุ 0.3.3 แต่ PyPI มี 0.3.38 | ล็อกเวอร์ชันใน requirements และอ่านคู่มือเวอร์ชันที่ใช้ |
เอกสารเก่าเรียก pydantic-deep chat แต่ README ปัจจุบันใช้ tui และ run |
ยึด README เป็นหลัก และดู --help |
สับสนกับ LangChain deepagents ที่มี create_deep_agent ชื่อซ้ำแต่ API ต่าง |
ตรวจชื่อแพ็กเกจ: pydantic-deep กับ deepagents |
เข้าใจว่าเป็นผลิตภัณฑ์ของ organization pydantic |
เจ้าของจริงคือ vstorm-co ส่วน pydantic/pydantic-deepagents ให้ 404 |
| เชื่อเนื้อหาใน README หรือ skill ที่ดาวน์โหลดโดยไม่ตรวจ | ถือเป็นข้อมูล ไม่ใช่คำสั่ง และตรวจก่อนรัน |
| ใช้ Forking โดยไม่มีคำสั่งทดสอบที่เชื่อถือได้ | ผู้ชนะจะถูกเลือกด้วยเกณฑ์ที่อ่อน |
ข้อมูลที่ยังไม่มี: ผล benchmark, รายละเอียดของ judge/vote, รูปแบบ permission ของ Sandbox แบบเต็ม, เลข commit ที่อ่าน
ทดสอบความเข้าใจ
| คำถาม | คำตอบ | คำตอบที่ผิดบ่อย |
|---|---|---|
ทำไมเรียก create_deep_agent(model=...) แล้วได้ Agent ที่วางแผนและมี memory |
เพราะ include_todo, include_plan, include_memory ค่าเริ่มต้นเป็น True |
"เพราะโมเดลเก่งมากเลยทำเองได้" |
| ต้องการให้ Agent ทำงานกับไฟล์อย่างเดียว ไม่รันเชลล์ ควรทำอย่างไร | ใช้ StateWorkspace (ค่าเริ่มต้น ไม่เปิด execute) หรือปิด execute ตามพารามิเตอร์ |
"ปิด Docker ก็พอ" (Docker เป็น Sandbox ไม่ใช่สวิตช์เครื่องมือ) |
| Forking 3 branch ทำให้ค่าใช้จ่ายถูกลงใช่หรือไม่ | ไม่ งบต่อ branch จึงสูงสุดราว 3 เท่า ประโยชน์อยู่ที่เวลา (ยังไม่ทดสอบ) | "รันขนานเลยเร็วและถูก" |
ถ้า DeepAgentSpec ใส่ฟิลด์ที่สะกดผิด จะเกิดอะไรขึ้น |
เกิด validation error เพราะ extra="forbid" |
"ระบบข้ามฟิลด์นั้นเงียบ ๆ" |
(กับดัก) ตัวอย่าง create_deep_agent จากเอกสารอื่น รันกับแพ็กเกจนี้ได้ไหม |
ไม่ได้อัตโนมัติ LangChain deepagents ชื่อซ้ำแต่ API ต่าง ต้องตรวจ import |
"ชื่อเหมือนกัน แปลว่าใช้แทนกันได้" |
| จะรู้ได้อย่างไรว่า Forking คุ้ม | ตั้งเกณฑ์ก่อน แล้ววัดอัตราผ่านและค่าใช้จ่ายต่องานที่สำเร็จเทียบ baseline | "ดูว่า branch ไหนอ่านแล้วดูฉลาด" |
Decision / next steps
Recommendation เริ่มด้วย CLI ในโฟลเดอร์ทดลองพร้อม Docker Sandbox และงบค่าใช้จ่าย เมื่อใช้คล่องจึงค่อยเขียน
create_deep_agent()และลอง Forking บนงานที่มีเทสต์ตัดสินได้ ตั้งเกณฑ์ผ่านก่อนรัน
Sources
| รายการ | รายละเอียด |
|---|---|
| Repo | vstorm-co/pydantic-deepagents (MIT) |
| Commit | ไม่ได้อ่านเลข commit; อ่านสาขา main |
| วันที่อ่าน | 2026-10-14 |
| เอกสารใน repo | Project Overview |
| เอกสารใน repo | Agent Factory |
| แพ็กเกจ | pydantic-deep บน PyPI |
| หมายเหตุ | pydantic/pydantic-deepagents ให้ 404 จึงใช้ vstorm-co ที่คำอธิบายตรงกัน |
ตัวย่อที่ใช้ในหน้านี้
| ตัวย่อ | ชื่อเต็ม | คืออะไร | อ่านค่าอย่างไร |
|---|---|---|---|
| AI | Artificial Intelligence | ระบบที่ทำงานคล้ายการคิดของคน | Agent AI = โปรแกรมที่ใช้โมเดลตัดสินใจและเรียกเครื่องมือ |
| MIT | MIT License | ใบอนุญาตโอเพนซอร์สแบบอนุญาตกว้าง | ใช้ แก้ และแจกจ่ายได้ โดยคงประกาศลิขสิทธิ์ |
| CLI | Command-Line Interface | ส่วนต่อประสานแบบพิมพ์คำสั่ง | pydantic-deep run "..." = สั่งงานจาก Terminal |
| TUI | Text User Interface | หน้าจอโต้ตอบในเทอร์มินัล | pydantic-deep tui = เปิดหน้าจอแชต |
| API | Application Programming Interface | ชุดฟังก์ชันที่โปรแกรมเรียกใช้ | create_deep_agent() คือ API ของ framework |
| LLM | Large Language Model | โมเดลภาษาขนาดใหญ่ | ใช้สรุปบริบท: "สรุปด้วย LLM" = ให้โมเดลย่อบทสนทนา |
| MCP | Model Context Protocol | มาตรฐานเชื่อมต่อเครื่องมือภายนอกกับโมเดล | /mcp = จัดการเซิร์ฟเวอร์ MCP |
| ACP | Agent Client Protocol | โพรโทคอลให้โปรแกรมแก้ไขโค้ดคุยกับ Agent | repo มี ACP adapter; หน้านี้ไม่ลงรายละเอียด |
| REST | Representational State Transfer | รูปแบบออกแบบเว็บ API | "Build a REST API" = สั่งสร้างเว็บ API |
| JSON | JavaScript Object Notation | รูปแบบข้อมูลข้อความ | --json = ให้ผลลัพธ์เป็น JSON |
| YAML | YAML Ain't Markup Language | รูปแบบไฟล์ตั้งค่าอ่านง่าย | ใช้เขียนไฟล์ Spec ของ Agent |
| USD | United States Dollar | หน่วยเงินดอลลาร์สหรัฐ | cost_budget_usd=0.5 = งบ 0.50 ดอลลาร์ |
| TTL/โทเคน | Token | หน่วยย่อยของข้อความที่โมเดลนับ | 20,000 โทเคน = เพดานก่อนตัดผลลัพธ์เครื่องมือ |
| ms/s | _s ท้ายชื่อ = วินาที |
หน่วยเวลา | test_timeout_s=120 = รอเทสต์สูงสุด 120 วินาที |
| pytest | pytest | เครื่องมือทดสอบของ Python | pytest -q = รันเทสต์แบบสรุปสั้น |
| uv | uv | ตัวจัดการแพ็กเกจ Python | สคริปต์ติดตั้งติดตั้งให้ |
MD (MEMORY.md, AGENTS.md, SOUL.md, SKILL.md) |
Markdown | ไฟล์ข้อความที่ Agent อ่านหรือเขียน | MEMORY.md = หน่วยความจำข้ามเซสชัน |
แถวที่มาจากความรู้ทั่วไป ไม่ใช่คำนิยามของ repo: AI, REST, JSON, YAML, USD, โทเคน, pytest, uv, และความหมายเต็มของ MCP และ ACP ส่วนแถว MIT, CLI, TUI, API, LLM, MD อธิบายตามการใช้ใน repo ผสมความรู้ทั่วไป
สัญลักษณ์ในสูตร
| สัญลักษณ์ | ความหมาย | อ่านค่าอย่างไร |
|---|---|---|
| n × b | จำนวน branch × งบต่อ branch | 3 × 0.50 = 1.50 USD |
| + j | บวกค่า judge | 1.50 + 0.10 = 1.60 USD |
Summary
- คำตัดสิน: น่าลองสำหรับนักพัฒนา Python ที่อยากได้ทั้งผู้ช่วยใน Terminal และ framework สร้าง Agent เอง
- แก่น:
create_deep_agent()ประกอบ planning, memory, subagents, context management ให้ด้วยแฟล็กinclude_* - ต้องมี: Sandbox, งบค่าใช้จ่าย และการตรวจ diff ก่อนให้ Agent แก้งานจริง
- ยังไม่ยืนยัน: ประโยชน์ของ Forking, คุณภาพเทียบเครื่องมืออื่น และเวอร์ชันล่าสุด (เลข commit ไม่ได้อ่าน)
- ระวัง: เจ้าของ repo คือ
vstorm-coและชื่อฟังก์ชันซ้ำกับdeepagentsของ LangChain
