หนังสือแนะนำ

คู่มือเริ่มต้น Local AI สำหรับใช้งานส่วนตัวและองค์กร

เริ่ม Local AI จากเครื่องที่มีอยู่ รู้ว่าแรมเท่านี้รันโมเดลขนาดไหนไหว แล้วใช้กับเอกสารและงานโค้ดจริง โดยข้อมูลไม่ออกไปไหน

รู้ว่าเครื่องที่คุณมีรันโมเดลขนาดไหนไหว จากตารางเทียบแรม/VRAM กับขนาดโมเดล ตั้งแต่ 4 GB ถึง 64 GB ขึ้นไป
ตอบได้ว่างานไหนควรอยู่บนคลาวด์ต่อ งานไหนย้ายมารันเองคุ้มกว่า พร้อมต้นทุนจริงที่ต้องนับให้ครบ
ทำตาม workshop ท้ายบท 8 ชุด ตั้งแต่ติดตั้ง Ollama ครั้งแรก ไปจนถึงระบบถามตอบจากโฟลเดอร์เอกสารของคุณเอง
มีแผน 30 วันสำหรับเริ่ม pilot ในทีม พร้อมมุม Privacy, PDPA และ Governance ที่องค์กรจะถาม

PDF 182 หน้า อ่านตัวอย่างฟรี 20 หน้า อ่านได้ทุกอุปกรณ์

เหมาะกับใคร

คนสาย Tech ที่อยากรัน AI บนเครื่องตัวเองโดยไม่ส่งข้อมูลขึ้น Cloud
ทีมหรือองค์กรที่ต้องดูแลความเป็นส่วนตัวของข้อมูลและ PDPA
นักพัฒนาที่อยากต่อยอด Local LLM สู่ Document AI, Coding Assistant และ Agent

เครื่องแบบไหนรันโมเดลขนาดไหนไหว

ตัวอย่างของจริงจากบทที่ 4 ในเล่ม ดูจากหน่วยความจำที่เครื่องมี (VRAM ถ้ามีการ์ดจอแยก หรือ RAM ถ้าไม่มี)

หน่วยความจำที่มี	ขนาดโมเดลสูงสุดที่ Q4_K_M	หมายเหตุ
4 GB	~3B	จำกัดมาก เริ่มทดลองได้
6 GB	~7B	7B Q4 พอดี
8 GB	~7B–8B	จุดเริ่มต้นหลัก
12 GB	~13B	7B คุณภาพสูงได้
16 GB	~13B–14B	งานจริงได้สบายขึ้น
24 GB	~30B	โมเดลกลางได้
32 GB	~40B	โมเดลใหญ่ขึ้น
64 GB+	~70B	Mac unified / multi-GPU

ตัวเลขเป็นค่าประมาณ และเป็นเพดานที่หน่วยความจำก้อนนั้นใส่โมเดลได้ ยังไม่หักส่วนที่ระบบปฏิบัติการใช้อยู่ เครื่องที่ไม่มีการ์ดจอแยกควรเริ่มต่ำกว่าเพดานนี้ ในเล่มจึงมีทั้งสูตรคำนวณ คอลัมน์ Q5_K_M กับ Q8_0 และกล่อง Minimum Viable Setup ที่บอกจุดเริ่มที่ปลอดภัยของแต่ละเครื่องไว้ให้ครบ

บทที่ 4 — Hardware, Model และต้นทุนที่ต้องเข้าใจก่อนเริ่ม

เกี่ยวกับหนังสือเล่มนี้

หนังสือเล่มนี้พาคุณเข้าใจ Local AI แบบเน้นลงมือทำ เริ่มจากคำถามที่สำคัญที่สุดก่อน คือ Cloud, Local หรือ Hybrid เหมาะกับงานของคุณแบบไหน แล้วค่อยลงลึกเรื่องฮาร์ดแวร์ ขนาดโมเดล quantization และต้นทุนจริงที่หลายคนมองข้าม

ต่อยอดสู่การลงมือทำผ่าน Tool Stack ยอดนิยม (Ollama, LM Studio, Open WebUI, llama.cpp) สร้าง Local Chat, เรียกใช้ผ่าน Python API, ทำ Document Q&A ด้วย RAG, ใช้เป็น Coding Assistant และประกอบ Local AI Agent เบื้องต้นที่เข้าใจ Tools และ MCP

ปิดท้ายด้วยมุมองค์กร ทั้ง Privacy, PDPA, Security, License โมเดล และ Governance สำหรับทีมเล็ก พร้อมแผน 30 วันสำหรับเริ่ม Local AI Pilot และภาคผนวกลงมือทำ 3 โปรเจกต์ (Gradio UI, Document Q&A web app และ Code Helper CLI)

อ่านจบแล้วทำอะไรได้บ้าง

หนังสือเล่มนี้มี workshop หลังอธิบายทฤษฎีเสมอ โดยเป็น Mini Project ท้ายบทที่ทำตามได้จริงรวม 8 ชุด เริ่มตั้งแต่ยังไม่เคยติดตั้งอะไรมาก่อน ไปจนถึง agent ที่เรียก API ภายในได้

บทที่ 6 ติดตั้ง Ollama แล้วคุยกับ AI ตัวแรกบนเครื่องตัวเอง
บทที่ 7 เรียกโมเดลผ่าน Python เพื่อให้โปรแกรมอื่นใช้งานต่อได้
บทที่ 8 ให้ AI สรุปไฟล์บันทึกประชุมให้อัตโนมัติ

ดู workshop ที่เหลืออีก 8 ชุด

บทที่ 8 ทำระบบถามตอบจากโฟลเดอร์เอกสารของคุณเอง (RAG)
บทที่ 9 ให้ AI อธิบาย error ที่เจอ และช่วย refactor โค้ดเดิม
บทที่ 10 สร้าง agent ที่อ่านไฟล์ได้เฉพาะโฟลเดอร์ที่คุณอนุญาต
บทที่ 10 ต่อ agent เข้ากับ API ภายใน ให้เรียกใช้งานเองได้
บทที่ 12 วางแผน pilot ของทีมตัวเอง (ชุดเดียวที่ไม่ต้องเขียนโค้ด)

ภาคผนวก: ประกอบออกมาเป็นของใช้จริง 3 ชิ้น

สองชิ้นแรกเขียนไว้ให้คนที่ไม่ได้เขียนโค้ดอ่านเฉพาะส่วนแนวคิดได้ด้วย

ภาคผนวก ก หน้าเว็บแชตส่วนตัวหน้าตาคล้าย ChatGPT ทำด้วย Gradio
ภาคผนวก ข เว็บถามตอบเอกสาร ที่ตอบพร้อมบอกว่าคำตอบมาจากไฟล์ไหน
ภาคผนวก ค Code Helper CLI สั่ง explain / fixerr / refactor / test แบบอ่านอย่างเดียว ไม่แก้ไฟล์ให้เอง