🎯 AI Engineering ตอนที่ 6: Fine-tuning AI Models

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน

ผู้เขียน: เหน่ง (นักวิชาการพัฒนาชุมชน)
สังกัด: กรมการพัฒนาชุมชน กระทรวงมหาดไทย
วันที่: 9 เมษายน 2569

📋 สารบัญ

1. Fine-tuning คืออะไร?
2. ต่างจาก Pre-trained อย่างไร?
3. เมื่อไหร่ควร Fine-tuning?
4. ขั้นตอนการทำ Fine-tuning
5. เครื่องมือ/Platform ที่แนะนำ
6. ต้นทุนและเวลา
7. อ่านตอนต่อไป (ตอนที่ 7)

🤖 Fine-tuning คืออะไร?

ภาพ: แนวคิด Fine-tuning - ภาพประกอบจาก Unsplash

ถ้าคุณเคยใช้ ChatGPT หรือ AI อื่นๆ มาก่อน คงสังเกตว่าบางทีมันตอบได้ดีมาก แต่บางเรื่องก็ไม่ตรงใจ หรืออาจจะตอบผิดไปเลย สาเหตุหนึ่งคือโมเดลเหล่านี้ถูกฝึกมาด้วยข้อมูลทั่วไป ไม่ได้เชี่ยวชาญในเรื่องเฉพาะทางของเรา

วันนี้เราจะมาทำความรู้จักกับ Fine-tuning เทคนิคที่จะช่วยให้ AI ของเราฉลาดขึ้นในแบบที่เราต้องการ 😎

ความหมายพื้นฐาน

Fine-tuning คือกระบวนการนำโมเดล AI ที่ถูกฝึกมาแล้ว (เรียกว่า Pre-trained Model) มาฝึกเพิ่มเติมด้วยข้อมูลเฉพาะทางของเราเอง

ลองนึกภาพแบบนี้:

• Pre-trained Model = นักเรียนที่เรียนจบมหาวิทยาลัย มีความรู้กว้างๆ รู้เรื่องทั่วไปได้หลายเรื่อง แต่ไม่ได้เชี่ยวชาญอะไรเป็นพิเศษ
• Fine-tuning = ส่งนักเรียนคนนั้นไปเรียนคอร์สเฉพาะทางเพิ่มเติม เช่น คอร์สกฎหมาย คอร์สแพทย์ หรือคอร์สบัญชี ทำให้เขามีความเชี่ยวชาญในเรื่องนั้นๆ มากขึ้น

ทำไมต้อง Fine-tuning?

โมเดล AI ที่ถูกฝึกมาแล้วอย่าง ChatGPT, Claude, หรือ LLaMA ล้วนถูกฝึกด้วยข้อมูลมหาศาลจากอินเทอร์เน็ต พวกมันรู้เรื่องทั่วไปได้ดี แต่ถ้าคุณต้องการให้มัน:

• ตอบคำถามเกี่ยวกับสินค้าของบริษัทคุณ
• เขียนโค้ดตามสไตล์ที่ทีมใช้
• วิเคราะห์ข้อมูลทางการเงินของคุณ
• ตอบลูกค้าในภาษาที่เป็นธรรมชาติ

…การ Fine-tuning จะช่วยให้โมเดลทำสิ่งเหล่านี้ได้ดีขึ้นมาก

ตัวอย่างในชีวิตจริง

สมมติคุณทำแชทบอทสำหรับร้านกาแฟ:

• Without Fine-tuning: บอทอาจตอบว่า “ผมสามารถช่วยคุณได้” แต่ไม่รู้เมนูกาแฟ ราคา หรือโปรโมชั่นของร้านคุณ
• With Fine-tuning: บอทจะรู้ว่า “ลาเต้มือถือ 45 บาท” “วันนี้มีโปรซื้อ 1 แถม 1” และตอบได้ตรงใจลูกค้ามากขึ้น

💡 อ่านเพิ่มเติม: ตอนที่ 4: RAG - วิธีเชื่อมต่อ AI กับฐานข้อมูล

⚖️ ต่างจาก Pre-trained อย่างไร?

นี่เป็นคำถามที่หลายคนสงสัย มาดูความแตกต่างกันแบบเข้าใจง่ายๆ

เปรียบเทียบแบบตาราง

อธิบายเพิ่มเติม

Pre-trained Model เหมือนคนที่เรียนจบปริญญาตรีด้านอะไรก็ได้ รู้เรื่องทั่วไป แต่ถ้าจะให้ทำงานเฉพาะทาง ต้องฝึกเพิ่มอีกเยอะ

Fine-tuned Model เหมือนคนที่เรียนจบแล้วไปฝึกงานหรือเรียนต่อโทในสายที่ต้องการ มีความเชี่ยวชาญในเรื่องนั้นๆ

ข้อดีของ Fine-tuning

1. ประหยัดทรัพยากร - ไม่ต้องฝึกโมเดลจากศูนย์
2. ข้อมูลน้อยก็ได้ - ไม่ต้องมีข้อมูลหลายล้านตัวอย่าง
3. ปรับแต่งได้ - เปลี่ยนพฤติกรรมโมเดลตามต้องการ
4. เร็วกว่า - ฝึกเสร็จในเวลาสั้น

ข้อจำกัด

• ยังต้องมีข้อมูลที่ดีพอสมควร (หลายร้อยถึงหลายพันตัวอย่าง)
• ถ้าข้อมูลไม่ดี โมเดลก็จะไม่ดีตามไปด้วย (Garbage In, Garbage Out)
• ต้องมีความรู้เบื้องต้นเกี่ยวกับการฝึกโมเดล

✅ เมื่อไหร่ควร Fine-tuning?

นี่เป็นคำถามสำคัญมาก เพราะไม่ใช่ทุกกรณีที่ต้อง Fine-tuning

ควร Fine-tuning เมื่อ

1. ต้องการเปลี่ยน “พฤติกรรม” ของโมเดล

ถ้าคุณต้องการให้โมเดล:

• ตอบสนองในแบบที่คุณต้องการ เช่น เป็นทางการ หรือเป็นกันเอง
• หลีกเลี่ยงเนื้อหาบางประเภท
• ทำตามกฎเกณฑ์เฉพาะของคุณ

ตัวอย่าง: บริษัทต้องการ AI ที่ตอบลูกค้าด้วยน้ำเสียงเป็นมิตร ไม่ใช่แบบทางการเกินไป

2. มีข้อมูลเฉพาะโดเมน

ถ้าคุณทำงานในอุตสาหกรรมเฉพาะทาง เช่น:

• การแพทย์ → ศัพท์แพทย์เฉพาะทาง
• กฎหมาย → ข้อกฎหมายไทย
• การเงิน → การวิเคราะห์หุ้น, พอร์ตการลงทุน

โมเดลทั่วไปอาจไม่รู้คำศัพท์เหล่านี้ดีพอ

3. ต้องการความแม่นยำสูงในงานเฉพาะ

ถ้าคุณต้องการให้ AI:

• จำแนกอีเมลว่าเป็นสแปมหรือไม่ (ความแม่นยำสูงมาก)
• วิเคราะห์ความรู้สึกจากรีวิวลูกค้า
• ตรวจจับความผิดปกติในข้อมูล

Fine-tuning จะช่วยเพิ่มความแม่นยำได้มาก

4. มีข้อมูล labeled อย่างน้อย 1,000-5,000 ตัวอย่าง

นี่คือจำนวนขั้นต่ำที่แนะนำสำหรับ Fine-tuning ทั่วไป ยิ่งมากยิ่งดี แต่ถ้ามีน้อยกว่านี้ อาจต้องใช้เทคนิคอื่นช่วย

ไม่ควร Fine-tuning เมื่อ

1. แค่ต้องการให้โมเดลรู้ข้อมูลใหม่

ถ้าคุณแค่อยากให้ AI รู้ข้อมูลบางอย่าง เช่น:

• รายชื่อสินค้าใหม่
• ข้อมูลที่เปลี่ยนแปลงบ่อย
• เอกสารภายในบริษัท

ควรใช้ RAG (Retrieval-Augmented Generation) แทน เพราะ:

• ไม่ต้องฝึกโมเดลใหม่
• อัพเดทข้อมูลได้ง่าย
• ไม่ต้องมีข้อมูล labeled

2. มีข้อมูลน้อยเกินไป (<500 ตัวอย่าง)

ถ้ามีข้อมูลน้อยกว่า 500 ตัวอย่าง:

• ผลลัพธ์อาจไม่ดี
• โมเดลอาจจำข้อมูลแทนที่จะเรียนรู้
• ควรลองใช้ Prompt Engineering ก่อน

3. ต้องการคำตอบที่อัพเดทตลอดเวลา

ถ้าข้อมูลของคุณเปลี่ยนแปลงบ่อยมาก:

• ราคาสินค้า
• ข่าวสาร
• นโยบายบริษัท

การ Fine-tuning ทุกครั้งที่ข้อมูลเปลี่ยนจะยุ่งยากและเสียค่าใช้จ่าย RAG เหมาะกว่า

4. ใช้งานทั่วไปไม่ซับซ้อน

ถ้าคุณแค่ต้องการ:

• สรุปข้อความ
• แปลภาษา
• ตอบคำถามทั่วไป

โมเดล Pre-trained ทั่วไปก็เพียงพอแล้ว ไม่จำเป็นต้อง Fine-tuning

สรุป: ควร vs ไม่ควร

🛠️ ขั้นตอนการทำ Fine-tuning

การทำ Fine-tuning เป็นกระบวนการที่ต้องทำทีละขั้นตอนอย่างเป็นระบบ ไม่ใช่แค่โยนข้อมูลให้โมเดลแล้วจบ มาดูกันว่าแต่ละขั้นตอนทำอะไรบ้าง 🎯

Step 1: เตรียมข้อมูล (Data Preparation) 📚

ข้อมูลคือหัวใจสำคัญของ Fine-tuning โมเดลที่ดีต้องมาจากข้อมูลที่ดี

สิ่งที่ต้องทำ:

• รวบรวมข้อมูล – ขึ้นอยู่กับ use case เช่น ถ้าต้องการให้โมเดลตอบคำถามด้านกฎหมาย ก็ต้องรวบรวมเอกสารกฎหมาย คำถาม-คำตอบ ข้อมูลถาม-ตอบ (Q&A) เป็นต้น
• ทำความสะอาดข้อมูล – ลบข้อมูลที่ซ้ำ ข้อมูลที่ผิดพลาด หรือข้อมูลที่ไม่เกี่ยวข้องออก
• จัดรูปแบบ (Format) – ข้อมูลต้องอยู่ในรูปแบบที่โมเดลเข้าใจได้ เช่น JSON Lines (.jsonl) ที่มี prompt และ response
• แบ่งข้อมูล – แบ่งเป็นชุดฝึก (Training set) 70-80% และชุดตรวจสอบ (Validation set) 20-30%

Step 2: เลือกโมเดลฐาน (Base Model Selection) 🧠

การเลือกโมเดลฐานเหมือนการเลือกวัตถุดิบ ถ้าเลือกวัตถุดิบไม่ดี อาหารก็ออกมาไม่อร่อย

ปัจจัยที่ต้องพิจารณา:

• ขนาดโมเดล – 7B, 13B, 34B, 70B ยิ่งใหญ่ยิ่งมีความสามารถมาก แต่ก็ต้องใช้ทรัพยากรมากขึ้น
• License – บางโมเดลใช้ในเชิงพาณิชย์ได้ บางโมเดลใช้ได้แค่ในงานวิจัย
• ความสามารถเฉพาะทาง – โมเดลบางตัวเก่งเรื่องการเขียนโค้ด บางตัวเก่งเรื่องการตอบคำถาม
• ภาษา – บางโมเดลรองรับภาษาไทยดีอยู่แล้ว บางตัวต้องปรับแต่งเพิ่ม

โมเดลแนะนำสำหรับ Fine-tuning:

Step 3: เลือกเทคนิค Fine-tuning ⚙️

ต่อไปนี้คือเทคนิคหลักๆ ที่นิยมใช้กัน

Full Fine-tuning

• หลักการ: ปรับแต่งทุก Parameter ของโมเดล
• ข้อดี: ได้ผลลัพธ์ดีที่สุด โมเดลเรียนรู้ได้เต็มที่
• ข้อเสีย: ต้องใช้ GPU ทรัพยากรสูงมาก (ต้องมี VRAM เยอะ)
• เหมาะกับ: โมเดลขนาดเล็ก (7B พารามิเตอร์) ที่มี GPU แรงๆ

LoRA (Low-Rank Adaptation)

• หลักการ: เพิ่ม “Weight” ที่เรียกว่า LoRA adapters แทนที่จะแก้ไขโมเดลต้นฉบับ
• ข้อดี: ประหยัด VRAM มาก เร็วกว่า ใช้ GPU ระดับ consumer ได้
• ข้อเสีย: คุณภาพอาจด้อยกว่า Full fine-tuning เล็กน้อย
• เหมาะกับ: คนทั่วไปที่มี GPU ระดับ gaming card

QLoRA (Quantized LoRA)

• หลักการ: รวม Quantization (การบีบอัดโมเดล) เข้ากับ LoRA ทำให้สามารถ fine-tune โมเดลขนาดใหญ่มากๆ ได้ใน GPU ที่มี VRAM น้อย
• ข้อดี: ฝึกโมเดล 70B ได้ใน GPU 24GB VRAM!
• ข้อเสีย: ซับซ้อนกว่า ต้องตั้งค่าเยอะ
• เหมาะกับ: คนที่อยากลองโมเดลใหญ่แต่มี GPU จำกัด

สรุปเปรียบเทียบ:

Step 4: ฝึกโมเดล (Training) 🏋️

เมื่อเตรียมข้อมูล เลือกโมเดล และเลือกเทคนิคพร้อมแล้ว ก็ถึงขั้นตอนการฝึกโมเดล

สิ่งที่ต้องตั้งค่า:

• Learning Rate – ความเร็วในการเรียนรู้ ถ้าเร็วเกินโมเดลจะไม่ converge (ไม่ลู่เข้า) ถ้าช้าเกินใช้เวลานาน ค่าแนะนำ: 1e-4 ถึง 3e-4
• Epochs – จำนวนรอบที่โมเดลเรียนรู้จากข้อมูลทั้งหมด มากเกินไปจะ overfit (จำข้อมูลฝึกไปทั้งหมด)
• Batch Size – จำนวนข้อมูลที่ป้อนให้โมเดลทีละครั้ง ขึ้นกับ VRAM
• Warmup Steps – จำนวน steps แรกที่ learning rate ค่อยๆ เพิ่มขึ้น

Step 5: ประเมินผล (Evaluation) 📊

โมเดลฝึกเสร็จแล้ว ต้องวัดผลว่าดีจริงหรือไม่

วิธีการประเมินที่นิยม:

• Automatic Metrics:

  • BLEU, ROUGE – วัดความเหมือนกับคำตอบแบบ reference
  • Perplexity – วัดความแม่นยำของโมเดลในการทำนายคำถัดไป
  • Exact Match – ว่าตอบตรงกับคำตอบมากแค่ไหน

• Human Evaluation:

  • ให้คนตรวจสอบคุณภาพคำตอบ
  • ให้คะแนนความถูกต้อง ความเป็นธรรมชาติ

Step 6: Deploy และ Monitor 🚀

ขั้นตอนสุดท้ายคือนำโมเดลไปใช้งานจริง

การ Deploy:

• Local/On-premise – ใช้ vLLM, Text Generation Inference (TGI) สำหรับรันบนเครื่องตัวเอง
• Cloud API – ใช้ Hugging Face Inference Endpoints, Together AI, RunPod
• Edge Deployment – ใช้ llama.cpp, Ollama สำหรับรันบนเครื่องทั่วไป

🧰 เครื่องมือ/Platform ที่แนะนำ

มีเครื่องมือและบริการ Cloud หลายตัวที่ช่วยให้การ Fine-tuning ง่ายขึ้น แบ่งเป็น 2 กลุ่มหลัก

เครื่องมือ Open Source 📦

🆕 เทรนด์ 2026: Local AI และ Reasoning Models

Local AI - รันบนเครื่องตัวเอง

ทำไม Local AI ถึงมาแรง?

• 🔒 Privacy - ข้อมูลอ่อนไหวไม่ต้องส่งไป Cloud
• 💰 ประหยัด - จ่ายครั้งเดียว ใช้ชั่วลันนาน
• ⚡ เร็ว - ไม่ต้องรอ API response

Reasoning Models - o1, o3

คืออะไร? โมเดลที่ฉลาดในการคิดวิเคราะห์ ทำงานซับซ้อนได้ดี

เมื่อไหร่ควรใช้:

• ✅ งานวิเคราะห์ซับซ้อน
• ✅ การคำนวณทางคณิตศาสตร์
• ✅ เขียนโปรแกรมขั้นสูง
• ❌ งานทั่วไป (ใช้โมเดลถูกกว่า)

Cloud Platforms ☁️

ตารางเปรียบเทียบ Platform:

💰 ต้นทุนและเวลา

คำถามสำคัญคือ “มันแพงไหม?” คำตอบคือ “ขึ้นอยู่กับ”

ต้นทุนโดยประมาณ

ปัจจัยที่ส่งผลต่อราคา:

• ขนาดโมเดล (7B vs 13B vs 70B)
• เทคนิคที่ใช้ (Full FT vs LoRA vs QLoRA)
• จำนวนข้อมูล
• Cloud Provider ที่เลือก

ตารางค่าใช้จ่ายโดยประมาณ:

วิธีประหยัด 💡

1. เริ่มจากโมเดลเล็ก

เริ่มที่ 7B ก่อน ถ้าได้ผลลัพธ์ที่ต้องการแล้ว ไม่จำเป็นต้องไปโมเดลใหญ่

2. ใช้ QLoRA

ประหยัด VRAM ลดค่าใช้จ่ายได้มหาศาล ในขณะที่คุณภาพลดลงไม่มาก

3. ใช้ Cloud ที่ราคาถูก

• RunPod, Lambda Labs ราคาถูกกว่า AWS, GCP
• Reserved instances ถูลงกว่า on-demand

4. ลดขนาดข้อมูล

ข้อมูล 1,000-5,000 examples เพียงพอสำหรับหลายๆ use cases ไม่จำเป็นต้องล้าน records

5. ใช้ Prompt Engineering ก่อน

บางครั้งการปรับ Prompt ให้ดีกว่าใช้ Fine-tuning ก็ได้ผลลัพธ์ที่ดีพอ ลองก่อน!

🚀 อ่านตอนต่อไป (ตอนที่ 7)

ภาพ: สรุปซีรีส์ AI Engineering - ภาพประกอบจาก Unsplash

ยินดีด้วยครับ! คุณอ่านมาถึงตอนที่ 6 ของซีรีส์ AI Engineering สำหรับนักพัฒนาชุมชน แล้ว! 🎉

เหลืออีก 1 ตอนเท่านั้น! ตอนต่อไปจะเป็นสรุปซีรีส์พร้อม Roadmap เริ่มต้นใช้งานจริง

ย้อนรอย 6 ตอนที่ผ่านมา:

AI Engineering Stack (จากง่ายไปยาก):

1┌─────────────────────────────────────────────────┐
2│  AI Engineering Stack (จากง่ายไปยาก)            │
3├─────────────────────────────────────────────────┤
4│  1. Prompt Engineering → เร็ว, ฟรี, เริ่มได้เลย  │
5│  2. RAG → เมื่อต้องการความถูกต้อง มีแหล่งอ้างอิง │
6│  3. Fine-tuning → เมื่อต้องการความสม่ำเสมอ      │
7│  4. Train From Scratch → เมื่อไม่มีโมเดลที่ตรง  │
8└─────────────────────────────────────────────────┘

คำแนะนำสำหรับมือใหม่:

1💡 เริ่มจาก 1 → 2 → 3 ตามความจำเป็น
2   อย่าข้ามขั้นโดยไม่จำเป็น (ประหยัดเวลาและเงิน)

สิ่งที่ได้เรียนรู้ทั้งซีรีส์:

ตอนที่ 1: บทนำ

• AI Engineering คืออะไร
• ต่างจาก Data Science และ ML Engineering อย่างไร
• ทักษะที่จำเป็น

ตอนที่ 2: Prompt Engineering

• เทคนิคการเขียน Prompt
• Few-shot, Chain-of-Thought
• Best Practices

💡 อ่านเพิ่มเติม: ตอนที่ 2: Prompt Engineering

ตอนที่ 3: RAG

• RAG ทำงานอย่างไร
• Vector Database
• เมื่อไหร่ควรใช้ RAG

💡 อ่านเพิ่มเติม: ตอนที่ 3: RAG

ตอนที่ 4: วางแผน AI App

• 5 ขั้นตอนวางแผน AI App
• วิธีระบุปัญหาให้ชัดเจน
• การเลือก Use Case ที่เหมาะสม

💡 อ่านเพิ่มเติม: ตอนที่ 4: วางแผน AI App

ตอนที่ 5: Agentic AI

• AI Agents คืออะไร
• การสร้าง Autonomous Agents
• Use Cases จริง

💡 อ่านเพิ่มเติม: ตอนที่ 5: Agentic AI

ตอนที่ 6: Fine-tuning (ตอนนี้)

• Fine-tuning คืออะไร
• ต่างจาก Pre-trained อย่างไร
• เมื่อไหร่ควร Fine-tuning
• ขั้นตอนการทำ
• เครื่องมือและ Platform
• ต้นทุนและเวลา

Key Takeaway ทั้งซีรีส์:

1✅ เริ่มจาก Prompt Engineering ก่อน (ฟรี เร็ว)
2✅ เพิ่ม RAG เมื่อต้องการความถูกต้อง
3✅ ใช้ Fine-tuning เมื่อต้องการความสม่ำเสมอ
4✅ Train From Scratch เมื่อไม่มีโมเดลที่ตรง

🙌 ขอบคุณที่ติดตามครับ!

🚀 อ่านตอนต่อไป (ตอนสุดท้ายของซีรีส์)

ซีรีส์ยังไม่จบ! อ่านตอนที่ 7 ต่อได้เลยครับ:

ตอนที่ 7: สรุปซีรีส์ - เริ่มต้นใช้งาน AI Engineering สำหรับงานชุมชน

สิ่งที่คุณจะได้เรียนรู้:

• 10 หลักการ AI Engineering (2026)
• Roadmap เริ่มต้นสำหรับนักพัฒนาชุมชน
• Checklist: 30 วันแรก
• แหล่งเรียนรู้ต่อ
• สรุปและส่งท้ายซีรีส์

ซีรีส์ AI Engineering เกือบจบแล้ว แต่การเรียนรู้ไม่มีวันจบ!

สิ่งที่ควรทำต่อ:

1. ลงมือทำ - เลือก 1 เทคนิคที่สนใจ เริ่มทดลองเลย
2. ติดตามข่าวสาร - วงการ AI เปลี่ยนแปลงเร็วมาก
3. เข้าร่วมชุมชน - เรียนรู้จากคนอื่น
4. แชร์ความรู้ - สอนคนอื่นคือวิธีเรียนที่ดีที่สุด

📬 ติดต่อได้ที่

• Telegram: https://t.me/Jitaret
• Email: jitaret@gmail.com

📚 ซีรีส์อ้างอิง

บทความชุดนี้เขียนโดยอ้างอิงจากหนังสือ “AI Engineering” โดย Chip Huyen

• 📖 หนังสือ: AI Engineering
• 🐙 GitHub: chiphuyen/aie-book
• 👩‍💻 ผู้เขียน: Chip Huyen

หมายเหตุ: บทความชุดนี้ปรับเนื้อหาให้เหมาะกับบริบทของนักพัฒนาชุมชนไทย โดยเพิ่มตัวอย่าง Use Cases ในภาครัฐและชุมชน

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน
ตอนที่ 6/7: Fine-tuning AI Models
โดย เหน่ง - นักวิชาการพัฒนาชุมชน
กรมการพัฒนาชุมชน กระทรวงมหาดไทย

📚 อ่านบทความอื่นในซีรีส์

🚀 อ่านตอนต่อไป (ตอนที่ 7 - ตอนสุดท้ายของซีรีส์)

ซีรีส์ยังไม่จบ! อ่านตอนที่ 7 ต่อได้เลยครับ:

ตอนที่ 7: สรุปซีรีส์ - เริ่มต้นใช้งาน AI Engineering สำหรับงานชุมชน

สิ่งที่คุณจะได้เรียนรู้:

• 10 หลักการ AI Engineering (2026)
• Roadmap เริ่มต้นสำหรับนักพัฒนาชุมชน
• Checklist: 30 วันแรก
• แหล่งเรียนรู้ต่อ
• สรุปและส่งท้ายซีรีส์

🎉 เกือบจบซีรีส์แล้ว!

ขอบคุณที่ติดตามครับ! 🙏

อ่านตอนที่ 7 ต่อเลยครับ! 🚀