ผมมี repo อยู่ก้อนนึงที่ AI เขียนให้ผมทั้งหมด — script เป็นสิบไฟล์ ทำงานกันเองทุกวัน — แต่ถ้าคุณเปิดมันขึ้นมาแล้วถามผมว่า “ไฟล์ไหนทำอะไร” ผมตอบไม่ได้
ผมอ่าน code ไม่ออก นั่นคือกติกาของบล็อกนี้ตั้งแต่แรก
แล้ววันนึงผมก็ได้แผนที่ของทั้ง repo มาดู — 130 จุด เชื่อมกัน 185 เส้น จัดเป็น 12 กลุ่ม — โดยที่ผมไม่ต้องอ่าน code สักบรรทัด และที่ตลกคือมันชี้ให้ผมเห็นจุดที่ผมไม่เคยรู้ว่ามีอยู่
ปัญหาที่ผมไม่เคยตั้งชื่อให้มัน
เวลาผมให้ AI ช่วยแก้อะไรใน repo ที่ใหญ่ขึ้นเรื่อยๆ ผมสังเกตว่ามันช้าลง
ไม่ใช่เพราะมันโง่ลง แต่เพราะทุกครั้งที่ผมถาม มันต้องไล่อ่านไฟล์ทีละไฟล์เพื่อ “หาว่าของอยู่ตรงไหน” ก่อนจะลงมือ — เหมือนคนที่เข้าออฟฟิศใหม่แล้วต้องเดินเปิดทุกห้องก่อนตอบคำถามได้
มีคนตั้งชื่อให้ปัญหานี้ว่า orientation cost — ต้นทุนที่ AI จ่ายไปแค่เพื่อ “หาทางในบ้านตัวเอง” ก่อนเริ่มงานจริง ยิ่ง repo ใหญ่ ต้นทุนนี้ยิ่งกินงบ
ดังนั้น ไอเดียของ Graphify เลยตรงไปตรงมา: ถ้าทำ “แผนที่” ไว้ก่อนล่ะ? ให้ AI ดูแผนที่ว่าของอยู่ตรงไหน แล้วค่อยเปิดเฉพาะไฟล์ที่ต้องใช้ — ไม่ต้องเดินเปิดทุกห้องทุกครั้ง
Graphify ทำอะไร — ในภาษาคนไม่ code
Graphify เป็น skill ตัวนึงของ Claude Code (โอเพนซอร์ส) ที่ idea มาจาก Karpathy เหมือนกับเรื่องคลัง ความรู้ที่ AI ดูแลให้ ที่ผมเคยเล่า — แต่คราวนี้ของที่มันจัดระเบียบคือ “code” ไม่ใช่ “ความรู้”
มันกวาดทั้งโฟลเดอร์ แล้วแปลงทุกไฟล์ ทุกฟังก์ชัน ให้กลายเป็น “จุด” (node) บนแผนที่ ส่วนความสัมพันธ์ระหว่างมัน — ไฟล์ไหนเรียกใช้ไฟล์ไหน — กลายเป็น “เส้น” (edge)
ลงครั้งเดียว มันแอบวางกฎไว้ให้ Claude ว่า “ก่อนจะไปเปิดไฟล์หา ให้ดูแผนที่ก่อน” ทุกครั้ง
ตัวเลขที่เขาโฆษณาคือลด token ได้ถึง 70 เท่าในโปรเจกต์ใหญ่ระดับ 500 ไฟล์ขึ้นไป ฟังดูเว่อร์ — ผมเลยลองเองกับของจริง
ผมลองกับ repo ที่ AI สร้างให้ผม
ผมเอามันรันกับ repo ของเว็บนี้เลย — ตัวที่ AI เขียน script ทั้งหมดให้
ผลออกมาภายในไม่กี่วินาที: 14 ไฟล์ กลายเป็น 130 จุด เชื่อมกัน 185 เส้น จัดกลุ่มเป็น 12 ก้อน และบรรทัดที่ผมชอบที่สุดในรายงานคือ — token cost: 0
ใช่ ศูนย์ มันอ่านโครงสร้างด้วยการ parse ตรงๆ ไม่ได้เรียก AI ให้มาเดา เลยไม่เสียเงินสักบาทในขั้นทำแผนที่
แล้วแผนที่มันบอกอะไรผมบ้าง? มันชี้ “god nodes” — จุดที่เชื่อมกับคนอื่นเยอะที่สุด แปลว่าเป็นหัวใจของระบบ อันดับหนึ่งคือ main() ตามด้วย mutate_experiment() กับ iteration() — ซึ่งพอเห็นปุ๊บผมร้องอ๋อ เพราะมันคือหัวใจของ ระบบที่ AI ทดลองปรับตัวเองวนลูป ที่ผมเล่าไปก่อนหน้า มันจับแกนของระบบได้ถูกจริงๆ โดยไม่มีใครบอกมัน
แต่ — ผมไม่ได้ 70 เท่า และนั่นคือบทเรียน
ถ้าผมจบตรงนี้มันจะดูเป็นรีวิวขายของ ซึ่งผมไม่เอา
ความจริงคือ repo ผมมีแค่ 14 ไฟล์ — เล็กเกินกว่าจะเห็น 70 เท่าที่เขาโฆษณา เพราะตัวเลขนั้นมันมาจากโปรเจกต์ 500 ไฟล์ขึ้นไป ของผม token saving แทบไม่ขยับ
แถมในรายงานยังมีบรรทัดที่ซื่อสัตย์มากเขียนว่า “Surprising connections: None detected” — แปลว่าแผนที่ไม่เจอความเชื่อมโยงลับๆ ที่ผมไม่รู้เลย ทุกเส้นอยู่ในกลุ่มที่คาดเดาได้ และบาง community มันก็เตือนเองว่า “เล็กเกินไป อาจเป็น noise”
แต่มันมีจุดนึงที่ผมว่าคุ้มกว่าเรื่อง token — มันบอกผมว่ามี 34 จุดที่ลอยเดี่ยว ไม่ต่อกับใครเลย ชิ้นส่วนที่ผมลืมไปแล้วว่าเคยให้ AI สร้างไว้ หรือของที่ค้างไม่เสร็จ ผมไม่มีทางเห็นมันด้วยตาเปล่า เพราะผมอ่าน code ไม่ออกตั้งแต่แรก
สิ่งที่ผมเอากลับมาคิด
ผมว่า value ของแผนที่แบบนี้มันแปรตามขนาดของสิ่งที่คุณสร้าง
repo ใหญ่ระดับบริษัท — คุณได้ “ประหยัด” เป็นเรื่องหลัก repo เล็กแบบผม — คุณได้ “เห็นภาพรวม + จับของที่หล่นหาย” ซึ่งสำหรับคนที่สร้างของด้วย AI แล้วตามไม่ทันว่าตัวเองมีอะไรบ้าง อย่างหลังนี่แหละมีค่ากว่า
ที่ผมทึ่งจริงๆ ไม่ใช่ตัว tool แต่เป็นความรู้สึกตอนเห็นแผนที่ครั้งแรก — ผมกำลังดูภาพของบางอย่างที่ผมสร้างขึ้นเองโดยที่สร้างมันไม่เป็น
แล้วของที่คุณให้ AI ทำให้เต็มไปหมด — คุณยังรู้อยู่ไหมว่าข้างในมันมีอะไรบ้าง?