[OpenCode] คู่มือใช้ OpenCode ร่วมกับ Ollama: ปลดล็อก AI Coding Agent สาย Local ปลอดภัย 100% ไม่พึ่ง Cloud

หลังจากที่บทความก่อนหน้านี้เราได้วิเคราะห์ประเด็นเรื่อง Privacy ของ OpenCode (opencode.ai) และได้แนะนำวิธีติดตั้งตัวโปรแกรมไปแล้วว่า หากใช้ Cloud LLMs ข้อมูลโค้ดของเราก็ยังถูกส่งออกไปหา Third-party API อยู่ดี

ทางออกเดียวที่จะทำให้การใช้ OpenCode ปลดล็อกความปลอดภัยแบบ 100% Offline & Private คือการรันโมเดลประมวลผลบนเครื่องตัวเอง และเครื่องมือที่ตอบโจทย์และนิยมที่สุดในขณะนี้คือ Ollama วันนี้เราจะมาดูขั้นตอนการตั้งค่าให้ OpenCode เรียกใช้ Local LLMs ผ่าน Ollama แบบจับมือทำกันครับ!

---

1. ทำไมต้องใช้ OpenCode + Ollama?

• End-to-End Privacy 100%: Source Code และ Context ของโปรเจกต์จะไม่ถูกส่งออกนอกเครื่องแม้แต่บิตเดียว เหมาะกับงานความลับขององค์กร
• Zero Cost: ไม่มีค่า Subscription หรือค่า API Token เพิ่มเติม
• Offline Coding: ทำงานได้แม้ไม่มีอินเทอร์เน็ต จะนั่งเขียนโค้ดบนเครื่องบิน หรือที่ที่ไม่มี WiFi ก็ยังใช้งาน AI ช่วยเขียนโค้ดได้ปกติ

---

2. สิ่งที่ต้องเตรียมก่อนเริ่ม (Prerequisites)

1. ติดตั้ง Ollama: Download และติดตั้งจาก ollama.com
2. ติดตั้ง OpenCode: มีตัว App หรือ CLI ในเครื่องเรียบร้อยแล้ว (อ้างอิงวิธีติดตั้งจากบทความที่แล้ว)
3. Hardware Spec ที่แนะนำ: การรัน Local LLM จะเน้นที่ VRAM (GPU Memory) เป็นหลัก สำหรับเครื่องทั่วไปแนะนำ RAM 16GB และ GPU มี VRAM อย่างน้อย 8GB (หากเป็น Mac Apple Silicon จะใช้ Unified Memory ร่วมกันได้เลย)

---

3. ขั้นตอนการตั้งค่าและรันโมเดล (Step-by-Step)

ขั้นตอนที่ 1: Pull โมเดลสาย Coding มาลงใน Ollama

เปิด Terminal แล้วสั่ง Pull โมเดลที่เหมาะกับการเขียนโค้ด เช่น Qwen2.5-Coder:

# Pull โมเดล Qwen2.5-Coder (ขนาด 7B ยอดนิยม)
ollama pull qwen2.5-coder:7b

# เช็กรายการโมเดลทั้งหมดที่มีในเครื่อง
ollama list

ขั้นตอนที่ 2: ตรวจสอบว่า Ollama Service รันอยู่หรือไม่

เปิด Browser แล้วไปที่ http://localhost:11434 หรือรันคำสั่งเช็กใน Terminal:

curl http://localhost:11434

หากได้ข้อความตอบกลับว่า Ollama is running แสดงว่า Service พร้อมใช้งานแล้ว

ขั้นตอนที่ 3: Config ไฟล์ opencode.json

การสลับมาใช้ Local Model ให้ OpenCode อ่าน Config File ซึ่งตั้งอยู่ตาม Path ดังนี้:

• Project Level: อยู่ที่ Root Directory ของโปรเจกต์ เช่น ./opencode.json
• Global Level:
  • macOS / Linux: ~/.config/opencode/opencode.json
  • Windows: %USERPROFILE%\.config\opencode\opencode.json

กรณีที่ยังไม่มี Config File: สามารถสร้างไฟล์ใหม่ขึ้นมาด้วยคำสั่งใน Terminal ได้ทันที

# สร้าง Config File ระดับ Global (macOS/Linux)
mkdir -p ~/.config/opencode
touch ~/.config/opencode/opencode.json

# หรือสร้างไฟล์ในโปรเจกต์ปัจจุบัน
touch opencode.json

จากนั้นใส่ JSON ด้านล่างนี้ลงไปในไฟล์ opencode.json:

{
  "provider": "ollama",
  "model": "qwen2.5-coder:7b",
  "baseURL": "http://localhost:11434"
}

Note: หากใช้งานผ่าน GUI/CLI Interface ของ OpenCode คุณสามารถสลับ Provider เป็น Ollama และเลือก Model ผ่าน UI ได้เช่นกัน

---

4. แนะนำ Open-Source Models น่าใช้สำหรับ Coding ยุคนี้

Model Name	จุดเด่น	VRAM ที่ต้องการ	System RAM แนะนำ
Qwen2.5-Coder (7B)	เก่งเรื่อง Code Generation และแก้อัลกอริทึมมาก เป็นตัวเลือกอันดับ 1 สาย Local ตอนนี้	5 - 6 GB	8 - 16 GB
DeepSeek-Coder-V2 (16B)	ความสามารถใกล้เคียงกับ GPT-3.5/GPT-4 ในงานเขียนโปรแกรม Logic ซับซ้อน	10 - 12 GB	16 - 32 GB
Llama-3.1 (8B)	เก่งเรื่องการอธิบายโค้ดและสนทนาทั่วไป (General Knowledge & Logic)	6 - 7 GB	16 GB

---

5. ข้อจำกัดและสิ่งที่ต้องแลกเมื่อใช้ Local Model

• ความเร็วขึ้นอยู่กับ GPU/VRAM: หาก VRAM ไม่พอจนโมเดลล้นไปรันบน System RAM/CPU ความเร็วในการ Generate โค้ดจะตกอย่างเห็นได้ชัด
• Context Window จำกัดกว่า Cloud: Local Models อาจจดจำไฟล์ขนาดใหญ่ หรือโปรเจกต์ที่มีหลายสิบไฟล์พร้อมกันได้ไม่ดีเท่า Claude 3.5 Sonnet หรือ GPT-4o

---

6. สรุป

การจับคู่ระหว่าง OpenCode + Ollama คือคำตอบที่สมบูรณ์แบบที่สุดสำหรับ Developer ที่ต้องการความเป็นส่วนตัวระดับสูงสุด ได้ใช้ AI Agent คอยช่วย Refactor และเขียนโค้ดในโปรเจกต์โดยไม่ต้องกังวลเรื่อง Data Leaks หรือค่าบริการรายเดือนอีกต่อไปครับ!