PAIDEIA — ปลั๊กอิน Claude Code สำหรับอ่านหนังสือสอบที่สร้างโดยนักศึกษาควบสาขาฟิสิกส์และคณิตศาสตร์ที่ KAIST

PAIDEIA – ปลั๊กอิน Claude Code แบบ local-first สำหรับสร้างฐานความรู้เตรียมสอบจากเอกสารการเรียนของฉัน

ผมกำลังเรียนควบสาขาฟิสิกส์และคณิตศาสตร์ประยุกต์ที่ KAIST ระหว่างที่อ่านหนังสือสอบแล้วเห็นเพื่อนๆ เอา PDF ทั้งก้อนไปยัดใส่ GPT ผมก็เริ่มคิดถึงวิธีที่มีประสิทธิภาพกว่านั้น เลยลงมือทำปลั๊กอินขึ้นมาเองและเปิดซอร์สให้ใช้งานกันครับ!

นักศึกษาส่วนใหญ่มักจะเอาเอกสารประกอบการสอน การบ้าน เฉลย และข้อสอบเก่าทั้งหมดใส่เข้าไปใน LLM พร้อมสั่งว่า “อธิบายให้หน่อย”, “สรุปให้หน่อย”, “ช่วยออกข้อสอบที่น่าจะเจอให้หน่อย” แต่สำหรับการเตรียมสอบจริง สิ่งสำคัญไม่ใช่แค่การสรุปเนื้อหา แต่คือการติดตามอย่างต่อเนื่องว่า ในวิชานั้นมีรูปแบบการแก้โจทย์อะไรที่วนซ้ำอยู่ สไตล์การออกการบ้านของอาจารย์เป็นแบบไหน ฉันพลาดตรงไหนบ่อย และส่วนไหนมีโอกาสออกสอบสูง นั่นจึงเป็นเหตุผลที่ผมสร้าง PAIDEIA ขึ้นมา

PAIDEIA ถูกออกแบบให้เป็น Local-first สำหรับ Claude Code เมื่อใส่ PDF ของเอกสารการสอน การบ้าน และเฉลยไว้ในโฟลเดอร์ของรายวิชา มันจะสร้างฐานความรู้สำหรับการเตรียมสอบที่ออกแบบมาเฉพาะสำหรับวิชานั้น

ฟีเจอร์

• แปลง PDF ของเอกสารการสอน/HW/เฉลยเป็น Markdown
• ดึงรูปแบบการแก้โจทย์ที่ปรากฏซ้ำจากเฉลย
• ระบุหัวข้อที่มีโอกาสออกสอบสูงโดยอิงจาก coverage ของการบ้าน
• สร้าง pattern card, แผนที่จุดอ่อน และชีตสรุปหนึ่งหน้า
• สร้าง twin variant ของโจทย์เดิม
• สร้างข้อสอบจำลอง
• อ่าน PDF คำตอบที่เขียนด้วยมือผ่าน OCR แล้วเทียบกับ reference solution เพื่อให้คะแนน
• สะสมรูปแบบความผิดพลาดเพื่อนำไปสะท้อนในแบบฝึกหัดรอบถัดไปและชีตสรุป
• บันทึกผลลัพธ์ทั้งหมดเป็น plain Markdown

ที่มา

สิ่งที่นักศึกษามหาวิทยาลัยต้องการ ไม่ใช่ “AI ติวเตอร์ที่ใจดียิ่งขึ้น” แต่คือระบบการเรียนรู้รายวิชาที่สะสมทั้งเอกสารการสอนของฉันและความผิดพลาดของฉันอย่างต่อเนื่อง

การสอบมักผูกติดกับสไตล์ของอาจารย์แต่ละคนและการกระจายตัวของโจทย์การบ้าน มากกว่าความรู้ทั่วไปเสียอีก แม้จะเป็นแนวคิดเดียวกัน แต่สิ่งสำคัญคือมันถูกออกข้อสอบในรูปแบบไหน มีรูปแบบการแก้โจทย์แบบใดที่ถูกใช้ซ้ำ และฉันมักติดขัดตรงไหน ด้วยเหตุนี้ PAIDEIA จึงใกล้เคียงกับกราฟการเรียนรู้ที่แก้ไขได้ มากกว่าจะเป็นแชตบอตแบบโต้ตอบ เมื่อทำโจทย์ผิดหนึ่งครั้ง ความผิดพลาดนั้นจะถูกบันทึกไว้ในแผนที่จุดอ่อน และสะท้อนกลับไปยังแบบฝึกหัดและชีตสรุปในครั้งถัดไป

Local-First

ผลลัพธ์ไม่ได้ถูกขังอยู่ในแอปใดแอปหนึ่ง มันจะถูกเก็บเป็นไฟล์ Markdown ภายในโฟลเดอร์ของแต่ละวิชา และสามารถเปิดต่อได้ทันทีในเครื่องมืออย่าง Obsidian สำหรับ OCR นั้น โดยพื้นฐานสามารถใช้ vision workflow ของ Claude/Codex ได้ และยังเปิดให้ต่อกับ Qwen3-VL หรือ Tesseract แบบเลือกใช้ได้ด้วย

ผมอยากแชร์โปรเจกต์นี้ เพราะอยากให้ผู้เรียนสายวิศวกรรมจำนวนมากได้ลองใช้และช่วยยืนยันความสามารถของฟีเจอร์ต่างๆ ครับ!