ผมเขียนเกม Tower Defense ด้วย AI และบันทึกกระบวนการทั้งหมดไว้เป็นเอกสาร
(github.com/maciej-trebacz)- แม้จะเป็นนักพัฒนาซอฟต์แวร์ที่มีประสบการณ์ 20 ปี แต่เป็นครั้งแรกที่ใช้เอเจนต์ AI สำหรับเขียนโค้ดจนสร้างเกม Tower Defense บน Phaser.js ชื่อ "Tower of Time" เสร็จสมบูรณ์
- เป้าหมายคือทดลองว่า AI สามารถใช้พัฒนาเกมจริงได้แค่ไหน และได้บันทึกโค้ด พร้อม AI prompts ทั้งหมด และขั้นตอนการทำงานทั้งหมดไว้บน GitHub
- โค้ดมากกว่า 95% ถูกเขียนโดย AI โดยเชื่อมต่อใช้เครื่องมือ AI หลายตัวร่วมกัน เช่น Augment Code, Cursor, Claude Sonnet 4
- เกมมีความสนุกที่โดดเด่นจากกลยุทธ์ด้วย ฟีเจอร์ย้อนเวลา (rewind) รวมถึงทาวเวอร์หลากหลายประเภท ระบบจัดการพลังงาน และศัตรูที่มาเป็นระลอกตามเวฟ
- มีทั้งการสตรีมแบบเรียลไทม์ การใช้แอสเซ็ตภาพและเสียง ตลอดจนบทเรียนและเคล็ดลับภาคปฏิบัติที่ได้จากการพัฒนา จึงเป็นแหล่งเรียนรู้ที่มีประโยชน์ทั้งสำหรับมือใหม่ด้านเกมและ AI
ภาพรวมของ Tower of Time
- โปรเจกต์นี้ทำขึ้นโดยมีเป้าหมายเพื่อ ทดลองว่าเครื่องมือ AI สำหรับเขียนโค้ดสามารถใช้พัฒนาเกมจริงได้หรือไม่
- เริ่มเรียนรู้ เอนจินเกม JavaScript อย่าง Phaser.js เป็นครั้งแรก และเข้าร่วม Beginner's Jam Summer 2025 ก่อนจะสร้าง 'Tower of Time' เสร็จภายใน 25~30 ชั่วโมง
- ได้บันทึกกระบวนการพัฒนาทั้งหมด รวมถึง prompts, โค้ด, เอกสาร และลิงก์สำหรับเล่นเกม ไว้บน GitHub
แนะนำเกม
- Tower of Time คือเกม Tower Defense ธีม การเดินทางข้ามเวลา ที่ผู้เล่นต้องป้องกันศัตรูซึ่งบุกมาเป็นเวฟ และเมื่อเกิดสถานการณ์คับขันก็สามารถ ย้อนเวลาเพื่อออกแบบกลยุทธ์ใหม่ ได้
- มีการผสาน ทาวเวอร์หลายประเภท (พื้นฐาน, สไนเปอร์, ชะลอความเร็ว, สแปลช ฯลฯ) เข้ากับ ระบบพลังงาน (ใช้สำหรับสร้างทาวเวอร์และย้อนเวลา)
- คุณสมบัติหลัก
- ย้อนเวลา: ในจังหวะเสียเปรียบ สามารถกลับไปยังสถานะก่อนหน้าเพื่อจัดระเบียบกลยุทธ์การป้องกันใหม่ได้
- ทาวเวอร์หลากหลาย: วางทาวเวอร์ที่มีคุณสมบัติต่างกันเพื่อสร้างแผนป้องกันได้หลายแบบ
- การจัดการพลังงาน: เป็นองค์ประกอบการบริหารทรัพยากรที่ต้องคิดอย่างรอบคอบว่าจะใช้พลังงานกับอะไร
- วิธีบังคับ
- รองรับ คีย์บอร์ด/เกมแพด (เคลื่อนที่: ปุ่มลูกศร/สติ๊ก, แอ็กชัน: Space/ปุ่มเกมแพด, ย้อนเวลา: Backspace/ทริกเกอร์)
การทดลอง AI สำหรับเขียนโค้ดและกระบวนการพัฒนา
- โค้ดทั้งหมด ราว 95% ถูกเขียนด้วย AI (Claude Sonnet 4, OpenAI, Augment Code, Cursor ฯลฯ)
- prompts สำคัญทั้งหมด การลองผิดลองถูก และผลลัพธ์สุดท้าย ถูกบันทึกไว้ในรีโพซิทอรีเป็น PROMPTS.md
- ข้อดีของการสร้างโค้ดอัตโนมัติด้วย AI: ทำต้นแบบได้รวดเร็ว, ทำงานโค้ดที่ซ้ำ ๆ ได้อัตโนมัติ, และจัดทำเอกสารได้ง่าย
- ข้อจำกัดและข้อควรระวัง: AI มีแนวโน้มสร้างโค้ดมากเกินไป, เมื่อเจอปัญหาเฉพาะด้านการ implement อาจต้องออกแบบ prompt ใหม่หรือ rollback, และแนะนำให้ใช้ debug log
บทเรียนที่ได้จากการพัฒนา
- แม้ใช้ AI เขียนโค้ดเป็นหลัก ก็สามารถสร้างเกมที่สนุกได้จริงอย่างเพียงพอ
- คุณภาพของ prompt, การให้บริบทที่ชัดเจน, และกลยุทธ์การดีบัก มีความสำคัญมาก
- ควรตรวจสอบอย่างต่อเนื่องเพื่อไม่ให้ ปริมาณโค้ดเพิ่มขึ้นโดยไม่จำเป็น
เทคโนโลยีที่ใช้
- เอนจิน: Phaser 3 (v3.90.0) + Phaser Editor v4
- ภาษา: TypeScript
- เครื่องมือบิลด์: Vite
- แอสเซ็ตภาพ: itch.io, มีบางส่วนที่ปรับแก้เอง
- เสียง: freesound.org
ลองเล่นบนเบราว์เซอร์ได้ที่: Tower of Time
3 ความคิดเห็น
น่าจะเป็นแหล่งอ้างอิงที่ดีนะครับ
ฉันเองก็กำลังใช้งาน AI อย่างเต็มที่เพื่อสร้างเว็บเกมอยู่เหมือนกัน
ความเห็นจาก Hacker News
สนุกดีที่จะได้ไล่อ่าน พรอมป์ต์ที่ใช้ในการพัฒนา ทีละอัน
บทความเกี่ยวกับ “กรณีความสำเร็จของ vibe coding” หลายชิ้น มักสร้างภาพลวงว่าถ้าแค่มีเอเจนต์หลายตัว การประสานโค้ดที่ซับซ้อน และกฎที่สร้างด้วย LLM ก็สามารถเสกเกมจากพรอมป์ต์บรรทัดเดียวอย่าง “สร้างเกม tower defense ย้อนเวลาโดยไม่มีข้อบกพร่องและไม่มีบั๊ก” ได้ทันที
แต่พรอมป์ต์ที่ใช้ในโปรเจ็กต์จริงกลับสอดคล้องกับวิธีที่ได้ผลที่สุดกับ AI coding
วิธีที่เวิร์กคือแยกไอเดียที่ชัดเจนและละเอียดออกเป็นปัญหาเล็ก ๆ หลายร้อยข้อ และให้แนวทางเชิงสถาปัตยกรรมที่เฉพาะเจาะจงกับส่วนที่สำคัญจริง ๆ
ในฐานะคนที่ทำทั้งบทบาท tech lead และ product owner วิธีนี้ก็เป็นแนวทางมาตรฐานแม้เวลาทำงานกับคนเหมือนกัน
70% ของงานผมคือการแปลงความต้องการนามธรรมแบบผู้บริหารที่ว่า “เกม tower ย้อนเวลา ไม่มีบั๊ก” ให้กลายเป็นชุดพรอมป์ต์ที่มีวิสัยทัศน์ด้านสถาปัตยกรรมชัดเจนอยู่ในบริบท เพื่อให้ทีมทำงานแบบไม่ทับซ้อนกันได้โดยยังรักษาระดับ abstraction สูงไว้
ผมลองทำเกม HTML ง่าย ๆ สำหรับบอร์ดเกม Just One แต่ถึงจะป้อนพรอมป์ต์ให้ LLM ตั้งสี่ตัวต่อเนื่องกันก็ยังแก้บั๊กช่องกรอกข้อความขยับไปมาไม่ได้
คนอื่นบอกว่าทำเกมได้ทั้งเกมในครั้งเดียว แต่ผมกลับแก้แม้แต่การขยับของ textbox ไม่ได้ เลยรู้สึกแปลกดี
ต่อจากพรอมป์ต์ “ไม่มีช่องโหว่ความปลอดภัย ไม่มีบั๊ก” ก็ควรมี “ไม่มี hallucination” ด้วย
นี่เป็นเงื่อนไขพื้นฐานสำหรับมือใหม่ AI
วิธีที่ผมใช้แล้วได้ผลกับ AI coding คือให้ AI สร้างฟังก์ชันพื้นฐานหรือโครงเกมเพลย์แบบ ‘one-shot’ ก่อน แล้วค่อยต่อยอดทับลงไปแบบวนซ้ำหลายรอบ
ถ้าผลจาก one-shot ยังไม่ดูน่าประทับใจ ก็รีบใช้พรอมป์ต์อื่นมาช่วยเสริมแล้วลองใหม่จนได้ฐานที่พอใช้ได้
เห็นด้วยกับวิธีนี้เต็มที่
จริง ๆ แล้ว โพสต์ล่าสุดของผม ก็อิงแนวคิดนี้เหมือนกัน
ถ้าให้ AI เขียนสเปกก่อนลงมือโค้ด ภาระที่คนต้องเขียนสเปกเองตั้งแต่ต้นจะลดลง ทำให้มีโอกาสที่สเปกจะถูกเขียนขึ้นจริงสูงกว่ามาก
ผมอยู่ในวงการซอฟต์แวร์มาเกิน 20 ปี และรู้สึกว่าเพื่อนร่วมงานส่วนใหญ่ยังค่อนข้างสงสัยกับ AI coding
ช่วงหลังผมลองพัฒนาแอปขนาดใหญ่ราว 34,000 บรรทัดโดยพึ่ง AI เป็นหลัก แล้วพบว่าประสิทธิภาพจะเพิ่มขึ้นแบบทวีคูณตามคุณภาพของคำสั่งที่ผมให้ โครงสร้างของการโต้ตอบ และความใส่ใจต่อผลลัพธ์ที่ออกมา รวมถึงการปรับแก้ระหว่างทาง
จนทำให้นึกว่า “สุดท้ายก็เหมือนเครื่องมืออื่นทุกอย่าง!”
แต่เครื่องมือนี้มีแรงทดที่มากกว่า “เครื่องมือ 10x” ไหน ๆ ที่ผมเคยเจออย่างแท้จริง
สิ่งที่คนสายสงสัยส่วนใหญ่มองข้ามคือ เราไม่ควรมองเครื่องมือพวกนี้เป็นสิ่งภายนอกอย่างสมบูรณ์
ถ้าพยายามอธิบายเป้าหมายแบบคลุมเครือแล้วโยนงานให้ มักจะพัง
สักวัน AI อาจอ่านความคิดเราได้ตรง ๆ แต่ตอนนี้ยังไม่ใช่
ตอนนี้คุณค่าที่แท้จริงของมันอยู่ที่การช่วยจัดความคิดให้ชัด การเรียนรู้สิ่งใหม่ และจัดการงานน่าเบื่อให้เร็วขึ้น
ถ้าอยากได้ leverage สูงสุด ก็ต้องหลอมเครื่องมือนี้เข้าไปในกระบวนการคิดของตัวเองให้ดี
ผมเขียนโปรแกรมมานาน แต่เรื่องเกมนี่แทบไม่มีประสบการณ์นอกจากเคยเล่น Hunt the Wumpus ตอนมัธยม แล้วช่วงนี้ก็เริ่มทำเกมใหม่โดยอาศัย AI ช่วย
AI มีบทบาทหลักอยู่สามอย่าง
(1) เครื่องมือเรียนรู้ - สำคัญที่สุด เพราะถึงผมจะไม่รู้ศัพท์ มันก็ยังเข้าใจเจตนาของคำถามและช่วยหาจุดเริ่มต้นให้ แถมยังบอก “สิ่งที่ผมไม่รู้ว่าตัวเองไม่รู้” ได้ด้วย
(2) จัดการงานซ้ำ ๆ หรือน่าเบื่อ - อย่างคอมเมนต์โค้ดหรือไฟล์คอนฟิก ผมทำเองก็ได้ แต่สิ่งเหล่านี้มักทำให้ช้าลง และ AI ก็จัดการได้ดีพอใช้
(3) การค้นหา - คล้ายกับข้อ (1) ตรงที่ AI ช่วยตีความว่าจริง ๆ แล้วผมต้องการอะไร แล้วรับหน้าที่คัดกรองหรือแนะนำให้
จะให้ AI “คิด” แทนก็ได้ แต่ไม่จำเป็น
มันไม่ได้ฉลาดกว่ามนุษย์ แค่เร็วกว่าและรู้มากกว่า เหมือน FPU ชนิดหนึ่ง
ถ้าวัดตามมาตรฐานของ HN ผมคงถือว่าค่อนข้างสายสงสัย แต่ในโลกจริงผมก็ยังผลักดันให้บริษัทนำ AI มาใช้ต่อเนื่อง และตอนนี้ก็กำลังให้ Claude ทำอะไรบางอย่างอยู่ระหว่างเขียนความเห็นนี้
เหตุผลของความสงสัยคือช่องว่างระหว่าง “ภาพที่ AI solution ถูกขาย” กับ “สิ่งที่มันทำได้จริง”
AI solution ทุกตัว โดยเฉพาะเอเจนต์ จะให้ผลลัพธ์ที่ไร้ประโยชน์หากไม่มีการกำกับจากคนที่ชำนาญ
องค์ประกอบที่ “อัตโนมัติจริง” แทบไม่มีเลย
แม้แต่คนที่บัญญัติคำว่า ‘vibe coding’ ก็ยังบอกว่าอุตสาหกรรมนี้กำลังทำลำดับกลับด้าน
การไม่พูดว่าเครื่องมือพวกนี้ยอดเยี่ยมก็จริงแต่ต้องควบคุมอย่างเข้มมาก ถือว่าแทบเป็นการหลอกลวง
ช่วงไม่กี่เดือนที่ผ่านมา ความคิดของผมก็มาลงที่ข้อสรุปคล้ายกัน
เมื่อก่อนผมเคยเขียนคอมเมนต์วิจารณ์ AI แต่เครื่องมือรุ่นใหม่ ๆ ดีขึ้นอย่างชัดเจนจริง ๆ
งานที่เคยกินเวลาหลายสัปดาห์ ตอนนี้ทำได้ภายในไม่กี่ชั่วโมง
แต่ก็ต้องคิดพรอมป์ต์ให้ดี แยกเป็นขั้นย่อยละเอียด และผสานกับ IDE ให้เหมาะ
จุดที่ปฏิวัติที่สุดคือเวลาเจอไลบรารีหรือเฟรมเวิร์กใหม่แบบที่ไม่เคยแตะมาก่อน
เมื่อก่อนผมต้องค้นวิธีใช้แล้วเอาโค้ดตัวอย่างมาดัดแปลง แต่ AI ช่วยอธิบายวิธีที่เป็นธรรมชาติกว่าและหลากหลายกว่า จนหลายครั้งทำให้ทึ่ง
สำหรับคนที่ยังสงสัย ตอนนี้น่าจะถึงเวลาลองใหม่อีกครั้งแล้ว
ถ้าจะยกตัวอย่าง leverage แบบ 10x ภาษาโปรแกรมก็เป็นตัวอย่างได้
เมื่อก่อนคนชอบบอกว่า Lisp และภาษาแนวนี้ช่วยให้ทำงานได้มากขึ้นและเร็วขึ้น แต่ตอนนี้เราสามารถลดปริมาณโค้ดที่ต้องเขียนเอง ขณะเดียวกันก็สร้างผลลัพธ์เป็นภาษาที่เร็วและประสิทธิภาพสูงได้จริง
เพียงแต่มี ‘กับดัก’ ว่าต้องตรวจทานส่วนของโค้ดที่ตรวจสอบได้ยากให้มากพอ
เหมือนที่ภาษาแสดงออกได้สูงเคยเปิดทางให้คนที่ไม่มีแผนล่วงหน้าสร้าง codebase เละเทะ AI tools ก็มีโอกาสทำซ้ำประวัติศาสตร์แบบเดียวกัน
แต่ส่วนที่ช่วยผมประหยัดเวลาได้จริง ไม่ใช่การเขียนโค้ดใหม่ทั้งหมด แต่เป็นการรวมโค้ดเก่ากับโค้ดใหม่หรือปรับปรุงของเดิม
มันทำให้การดีบักก้าวกระโดด
แทนที่จะพิมพ์แต่ print แบบเมื่อก่อน ตอนนี้แค่คัดลอกโค้ดไปวางแล้วถาม AI ว่า “ทำไมเอาต์พุตถึงเป็นแบบนี้แทนที่จะเป็นแบบนั้น?” ก็ได้สาเหตุและทางเลือกกลับมาอย่างรวดเร็ว
โดยเฉพาะงานอย่าง SQL, IaC, build script ที่ผูกดีบักเกอร์ได้ยาก วิธีนี้มีประโยชน์มหาศาล
อีกเรื่องคือเส้นโค้งการเรียนรู้และเพดานความยากสูงกว่าที่คิดมาก
ผลลัพธ์ต่างกันมากระหว่างการใช้ Claude Opus เป็นเฟรมเวิร์กอัตโนมัติที่ซับซ้อน กับการแค่คัดลอก/วางใส่ GPT-4o ในเบราว์เซอร์
ผมชอบที่เปิดเผยกระบวนการพัฒนาอย่างโปร่งใสและแชร์พรอมป์ต์ด้วย เลยกด star ให้บน GitHub
ทั้งโค้ดและผลงานดูสวยงามมาก
เห็นได้ชัดว่าน่าจะไม่ได้ใช้ AI อย่างเดียว แต่มีส่วนที่ลงมือทำเองเยอะเหมือนกัน
ผมหยุดเขียนโค้ดไปนาน แล้วเพิ่งลองทำโค้ดง่าย ๆ โดยใช้ AI ตามคำชวนของเพื่อน
สิ่งที่ทำเสร็จมีประมาณเกมกดแตก Bubble Wrap กับตัวปิดเสียงปุ่มกดแล้วไม่มีเสียงเท่านั้น
Bubble Popper
Silencer
เลยอยากรู้ว่ามีแผนรับ PR ไหม
ดูเหมือนว่าเกมอินดี้นี่แหละจะเป็น use case ที่ยอดเยี่ยมสำหรับ AI ด้านการเขียนโค้ด
ความเสี่ยงต่ำและเน้นความสนุก เข้ากันพอดี
ในคอมมิตแรกมีโค้ดจำนวนมากอยู่แล้ว แต่ยังไม่มี
PROMPTS.mdตัวอย่างเช่น EnergySystem.ts มีอยู่ตั้งแต่คอมมิตแรก แต่ใน
PROMPTS.mdกลับทำให้ดูเหมือนว่า AI สร้างมันขึ้นใหม่ตั้งแต่ต้นในภายหลังอยากรู้ว่าจะช่วยอธิบายส่วนนี้ในประวัติของ repository ให้ละเอียดขึ้นได้ไหม
ลิงก์คอมมิตแรก
ส่วนพรอมป์ต์ก็ไม่ได้จดทันที แต่กลับไปไล่ดูประวัติในเครื่องมือแชตหลังทำเกมเสร็จแล้วค่อยคัดลอกมาใส่ไฟล์
PROMPTS.mdถ้าอยากเห็นกระบวนการสร้างโปรเจ็กต์ การอ่านไฟล์พรอมป์ต์ตั้งแต่ต้นจนจบน่าจะเป็นวิธีที่ดีที่สุด
ยกตัวอย่างเช่นไฟล์ EnergySystem.ts นั้น AI สร้างขึ้นใหม่ทั้งหมดจากพรอมป์ต์ว่า “อยาก implement energy subsystem” หลังจากทำระบบหาเส้นทางศัตรู การ spawn และการยิงของป้อมเสร็จแล้ว
ผมเพิ่งเคยได้ยินชื่อเครื่องมือ Augment Code
อยากรู้ว่ามันทำอะไร ทำไมถึงเลือกใช้ ต่างจากคู่แข่งยังไง และจากประสบการณ์ใช้งานจริงแนะนำไหม
อยากรู้ด้วยว่าจ่ายเงินให้ทั้งสองตัวไหม
การจดบันทึกพรอมป์ต์เป็นเรื่องที่น่าประทับใจและสร้างแรงบันดาลใจ
จากประสบการณ์ของผม ‘vibe coding’ บางทีก็พาไปได้เร็วมาก บางทีก็ช้ามากแบบไร้ขีดจำกัด
ถ้ามีคำสั่งที่กระชับและชัด รีวิวโค้ดเร็ว และเข้าใจสถาปัตยกรรมได้ดี มันช่วยเร่งความเร็วการพัฒนาได้จริง
ผมเองก็เคยทำเกม tower defense มาก่อน และช่วงหลังคิดจะลองใช้ AI กับการสร้างเวฟใหม่และการจูนบาลานซ์ด้วย
ถ้าจะให้ AI “รู้สึก” กับเกมได้จริง น่าจะต้องมีโปรโตคอลสำหรับเข้ารหัสสถานะของเกมที่มองเห็นบนหน้าจอให้เป็นโทเคน
ทั้งภูมิประเทศ ตำแหน่งของเอนทิตีในเกม และคุณสมบัติอื่น ๆ ที่ผู้เล่นมองเห็นได้
การยัดทุกอย่างเข้าออโตเอนโค้ดเดอร์คงไม่ดีนัก แต่ถ้าแปลงเป็นโทเคนแบบรายการตามองค์ประกอบของเกมก็น่าจะพอมีทาง
ถ้า game engine ส่งภาพหน้าจอมาให้ แล้วคลี่โทเคนให้ AI โดยตรง AI ก็น่าจะเข้าใจความคืบหน้าของเกมจริงได้ลึกขึ้น
ยังไม่แน่ใจว่าจะต้องใช้ชุดข้อมูลฝึกมากแค่ไหนถึงจะใช้โทเคนแบบนี้ได้ดี แต่ก็เป็นไปได้ว่าพื้นที่ embedding ปัจจุบันอาจแทนสิ่งเหล่านี้ได้ในโทเคนเพียงไม่กี่ตัว
ถ้ามีชุดฝึกจากล็อกเกมและคะแนนความสนุกของผู้ใช้ ก็น่าจะได้ข้อมูลที่น่าสนใจมาก
การหา cluster ของรสนิยมผู้เล่นเพื่อนำไปสร้างเกมหลายรูปแบบตามประเภทต่าง ๆ ก็น่าจะเป็นไปได้เช่นกัน
ขอบคุณที่แชร์ workflow แบบนี้
ผมเองก็กำลังคิดเรื่องการเพิ่ม traceability กับ transparency ให้กับ workflow การใช้ LLM
ถ้าแชร์พรอมป์ต์และเก็บเป็นประวัติไว้ ข้อดีใหญ่คือเราจะเห็นได้ในครั้งเดียวทั้งปัญหาแก่นแท้ที่นักพัฒนาพยายามแก้ตั้งแต่แรก และการที่มันค่อย ๆ เปลี่ยนรูปไปพร้อมกับเกิดประเด็นใหม่ตามมา
เป็นโปรเจ็กต์ที่เจ๋งมาก
โพสต์เกี่ยวกับการใช้ LLM อย่างมีความรับผิดชอบ
ผมอยู่ฝั่งเทคมาเกิน 20 ปีแล้ว และช่วงนี้กำลังทดลองหลายอย่างด้วยการใช้ Gemini-cli ทำเครื่องมือ integration test สำหรับแอประดับองค์กรให้มีความเป็นเกมมากขึ้น
พอลองใช้ร่วมกับ MCP server ก็พบว่าผลลัพธ์ดีที่สุดเมื่อแยกปัญหาออกเป็นขั้น ๆ และทำให้พรอมป์ต์ชัดเจนขึ้น
AI อาจพลาดหรือวนลูปได้เหมือนกัน โดยเฉพาะตรงอย่าง app routing ซึ่งในกรณีแบบนี้การเข้าไปทำงานร่วมกันแบบ ‘pair programming’ อย่างจริงจังจะมีประโยชน์มาก
อีกอย่างที่ผมสังเกตคือ หลักการอย่างการไม่ให้มีโค้ดซ้ำ กลับรักษาได้ง่ายกว่าสมัยก่อนมาก
ไม่อย่างนั้น AI มักจะแก้แค่จุดเดียวแล้วลืมไฟล์ที่เกี่ยวข้อง
นี่เป็นความจริงที่ใช้ได้ไม่ใช่แค่กับ logic ของโปรแกรม แต่กับ UX และพฤติกรรมของแอปด้วย
ถ้าทำงานร่วมกับ AI งานที่เมื่อก่อนเคยใช้เวลาหลายสัปดาห์ ตอนนี้อาจจบอย่างสนุกได้ในไม่กี่ชั่วโมง
การที่กำหนดบุคลิกให้ Gemini ได้ และนำไฟล์ GEMINI.md ไปใช้ข้ามหลายอุปกรณ์พร้อมการจูนต่อได้ เป็นข้อดีใหญ่มาก