[OpenCode] opencode/big-pickle คือโมเดลอะไร? ความลับของ Stealth Model ที่ Dev ต้องรู้!

ช่วงนี้ผู้ใช้งาน OpenCode หลายคนอาจเริ่มสังเกตเห็นชื่อโมเดลแปลกๆ อย่าง opencode/big-pickle โผล่เข้ามาในระบบ บทความนี้จะสรุปให้ฟังว่าโมเดลนี้คืออะไร ทำไมถึงใช้ชื่อนี้ สิ่งที่มือใหม่ต้องระวัง และควรเลือกใช้โมเดลไหนแทนหากชื่อนี้หายไปครับ

---

1. opencode/big-pickle คืออะไร?

opencode/big-pickle เป็น Alias หรือชื่อเรียกชั่วคราวของโมเดล AI สายเขียนโค้ดและประมวลผลเชิงลึก (Coding & Reasoning Model) บนบริการ OpenCode (OpenCode Zen)

• จุดเด่น: เน้นการวิเคราะห์ แก้โจทย์ซับซ้อนหลายขั้นตอน และรองรับการทำงานร่วมกับ Tool/Agent ในการเขียนโปรแกรม
• สเปก: รองรับ Context Window สูงสุด 200,000 Tokens และจ่าย Output ได้สูงสุด 32,000 Tokens
• สถานะ: เปิดให้ทดลองใช้งานฟรีผ่าน API และบริการ Zen

[OpenCode] คู่มือตั้งค่า MCP Server ใน OpenCode ฉบับเข้าใจง่าย

สำหรับสาย Developer ที่เริ่มย้ายมาใช้ OpenCode (AI Coding Assistant ตัวแรง) แล้วอยากเพิ่มเครื่องมือเสริมผ่าน MCP (Model Context Protocol) อาจจะเคยเจอการสั่งงานล้มเหลวเพราะ Copy ค่า Config มาจากตัวอื่น เช่น Claude Code หรือ Cursor ตรงๆ ไม่ได้

สาเหตุเพราะ OpenCode มีรูปแบบการตั้งค่า MCP เฉพาะตัวที่ต่างจากเจ้าอื่น วันนี้เราจะพามาดูจุดแตกต่าง พร้อมโครงสร้างแบบครบๆ ทั้ง Local และ Remote ครับ!

---

ความแตกต่าง: Standard Format vs OpenCode Format

บอทและ CLI ส่วนใหญ่ (เช่น Claude Code, Cursor) จะใช้ key คำว่า mcpServers และแยกคำสั่งหลักกับ Parameter ออกจากกันใน args:

แบบ Standard (ที่ใช้ใน Cursor / Claude Code):

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": [
        "@playwright/mcp@latest"
      ]
    }
  }
}

แบบ OpenCode (Local MCP Server):

ใน OpenCode จะเปลี่ยน Key หลักเป็น mcp รวมเอาทั้ง command กับ args มาไว้ใน Array เดียวกัน และต้องระบุประเภทเป็น "type": "local":

{
  "mcp": {
    "playwright": {
      "type": "local",
      "command": ["npx", "-y", "@playwright/mcp@latest"],
      "enabled": true
    }
  }
}

[OpenCode] คู่มือตั้งค่า OpenCode: ความแตกต่างระหว่าง Project Config และ Global Config

การจัดโครงสร้างระบบสำหรับ OpenCode ถือเป็นหัวใจสำคัญที่ช่วยให้ AI Agent ทำงานร่วมกันได้อย่างเป็นระบบ ชัดเจน และยืดหยุ่นสูง บทความนี้สรุปโครงสร้างไฟล์ทั้งหมด ทั้งระดับ Global, Project การตั้งค่า MCP รวมถึงเปรียบเทียบการสร้าง Subagent ด้วยไฟล์ Markdown และ JSON

[AI] รวมไฟล์ตั้งค่า AI Agent ควรรู้จัก: วิธีคุมกฎ เพิ่มความจำ และสร้าง Workflow ใน Repo

ในการพัฒนาซอฟต์แวร์ร่วมกับ AI Agent ยุคใหม่ สิ่งสำคัญที่จะช่วยให้ AI เข้าใจโครงสร้างโปรเจกต์ กติกาการเขียนโค้ด และขอบเขตการทำงานได้ตรงใจ คือไฟล์กำหนดบริบท (Context Files) ที่ถูกวางไว้ใน Repository บทความนี้ได้รวบรวมไฟล์สำคัญที่คุณควรรู้จักเพื่อปรับแต่ง AI Agent ให้ทำงานได้อย่างมีประสิทธิภาพสูงสุด

---

1. AGENTS.md (มาตรฐานกลางสำหรับ AI Agents)

ไฟล์มาตรฐานที่กำลังได้รับความนิยมอย่างมากในสายพัฒนา Multi-Agent สรุปกติกาการทำงานของ Agent ทุกตัวในโปรเจกต์

• หน้าที่หลัก: กำหนดโครงสร้างโปรเจกต์ (Project Overview), ข้อตกลงการเขียนโค้ด (Coding Standards), ขั้นตอนการรัน Test/Build และบทบาทของ Subagents แต่ละตัว
• จุดเด่น: ถูกออกแบบให้เป็นคู่มือกลางเพื่อให้ AI Agent ไม่ว่าจะเป็นตัวหลักหรือตัวย่อย อ่านเข้าบริบทของโปรเจกต์ได้ทันทีโดยไม่ต้องถามซ้ำ

[OpenCode] สร้างทีม AI ส่วนตัวด้วย OpenCode Multi-Agent: เขียนโค้ด ไวขึ้น ปลอดภัย และประหยัด Token

ในการพัฒนาระบบซอฟต์แวร์ยุคใหม่ การพึ่งพา AI โมเดลเดียว (Single-Agent) ให้เขียนโค้ด ตรวจ bugs วางโครงสร้าง และทำ Test cases ทั้งหมดพร้อมกัน มักนำไปสู่ปัญหา Context Overload และความผิดพลาดที่สูงขึ้น OpenCode จึงออกแบบสถาปัตยกรรม Multi-Agent Systems ขึ้นมาเพื่อแก้ไขปัญหานี้โดยเฉพาะ

---

ทำไมต้อง Multi-Agent ใน OpenCode? (WHY)

การกระจายงานให้ AI หลายตัวที่มีหน้าที่เฉพาะทาง มีข้อดีเหนือกว่าการใช้ AI ตัวเดียวดังนี้:

• ลด Context Drift & Token Pollution: เอเจนต์ย่อยรับฟังเฉพาะคำสั่งที่เกี่ยวข้อง ทำให้ Context Window ไม่แออัดจนหลงลืมข้อกำหนดหลัก
• ประหยัดต้นทุน (Cost Efficiency): ให้ Primary Agent ตัวหลักวางแผน แล้วส่งงานย่อยให้โมเดลราคาถูก/ความเร็วสูง ทำแทน
• แยกความรับผิดชอบชัดเจน (Separation of Concerns): เอเจนต์สำหรับเขียนโค้ดจะไม่ยุ่งกับการแก้โครงสร้างไฟล์ ขณะที่เอเจนต์ตรวจทาน (Reviewer) จะได้รับสิทธิ์แบบ Read-only เพื่อความปลอดภัย