Kimi Code CLI: เมื่อ AI ลงมาทำงานใน Terminal แบบมีระบบ

jitaret@gmail.com (เหน่ง) — Sat, 18 Apr 2026 21:00:00 +0700

Kimi Code CLI: เมื่อ AI ลงมาทำงานใน Terminal แบบมีระบบ

หลังจากใช้ Kimi Code CLI มากว่า 20 ชั่วโมงบนโปรเจกต์ส่วนตัว ผมพบว่าเครื่องมือนี้ไม่ได้เป็นแค่ “AI ที่พิมพ์คำสั่งให้” แต่เป็นระบบที่มีโครงสร้างชัดเจนตั้งแต่การวางแผน การจัดการ context ยาว ๆ ไปจนถึงการ delegate งานย่อยผ่าน subagent บทความนี้ผมจะเล่าทุกอย่างที่ค้นพบจากประสบการณ์ใช้งานจริงบน neng-blog, OpenClaw และ LLM Wiki

Kimi Code CLI คืออะไร?

Kimi Code CLI (หรือชื่อเต็มว่า Kimi Code) เป็น command-line interface สำหรับ AI coding assistant จาก Moonshot AI (Kimi) ที่ทำงานบน terminal โดยตรง ไม่ต้องเปิด browser ไม่ต้อง copy-paste โค้ดไปมา

สิ่งที่ทำได้:

อ่านและแก้ไขไฟล์ในโปรเจกต์แบบ real-time
รันคำสั่ง shell โดยตรง
ค้นหาข้อมูลบนอินเทอร์เน็ตผ่าน built-in search
ใช้งานผ่าน subagent เพื่อแบ่งงานย่อย
จัดการ context และ memory ระยะยาว

ผมเริ่มใช้ Kimi CLI ตั้งแต่เดือนเมษายน 2026 โดยนำไปใช้กับโปรเจกต์หลัก ๆ สามตัว:

neng-blog (Hugo Static Site) — จัดการธีม, typography, ระบบคอมเมนต์ giscus
OpenClaw (Multi-Agent System) — จัดการ gateway, RAG, การเชื่อมต่อ LINE/Telegram
LLM Wiki (Knowledge Base) — บันทึกความรู้, skills, workflows

สถาปัตยกรรมและการตั้งค่าที่สำคัญ

Config หลัก (`~/.kimi/config.toml`)

 1default_model = "kimi-code/kimi-for-coding"
 2default_thinking = true
 3default_yolo = false
 4
 5[models."kimi-code/kimi-for-coding"]
 6provider = "managed:kimi-code"
 7model = "kimi-for-coding"
 8max_context_size = 262144 # 256K context window
 9capabilities = ["video_in", "thinking", "image_in"]
10
11[providers."managed:kimi-code"]
12type = "kimi"
13base_url = "https://api.kimi.com/coding/v1"
14
15[loop_control]
16max_steps_per_turn = 100
17max_retries_per_step = 3
18reserved_context_size = 50000
19compaction_trigger_ratio = 0.85 # Compact context เมื่อถึง 85%
20
21[background]
22max_running_tasks = 4
23read_max_bytes = 30000
24agent_task_timeout_s = 900 # 15 นาทีต่อ subagent task

จุดเด่นที่ทำให้ Kimi CLI แตกต่าง

Setting	ค่า	ความหมาย
`max_context_size`	262,144 tokens	~256K context window อ่านไฟล์ใหญ่ได้สบาย
`compaction_trigger_ratio`	0.85	เริ่ม compact เมื่อ context ถึง 85%
`reserved_context_size`	50,000 tokens	สำรองพื้นที่สำหรับ system prompt
`max_steps_per_turn`	100	จำกัด tool calls ต่อรอบ
`agent_task_timeout_s`	900	Subagent timeout 15 นาที

Context Window 256K นี่แหละคือจุดขายหลัก แปลว่าอ่านไฟล์ขนาดใหญ่ เช่น codebase ทั้งหมด หรือเอกสารยาว ๆ ได้ในครั้งเดียว ไม่ต้องแบ่งส่วนให้ยุ่งยาก

Skills System: 23+ Skills ที่ปรับแต่งได้

Kimi CLI มีระบบ Skills ที่เป็น modular instructions สำหรับงานเฉพาะทาง ติดตั้งอยู่ที่ ~/.kimi/skills/

Skills จาก Agent Skills (Addy Osmani)

หมวดหมู่	Skills
Define	`idea-refine`, `spec-driven-development`
Plan	`planning-and-task-breakdown`, `milestone-workflow`
Build	`incremental-implementation`, `test-driven-development`, `context-engineering`, `source-driven-development`, `frontend-ui-engineering`, `api-and-interface-design`
Verify	`verification-loop`, `browser-testing-with-devtools`, `debugging-and-error-recovery`
Review	`code-review-and-quality`, `code-simplification`, `security-and-hardening`, `performance-optimization`
Ship	`git-workflow-and-versioning`, `ci-cd-and-automation`, `deprecation-and-migration`, `documentation-and-adrs`, `shipping-and-launch`

Skills ที่ดัดแปลงเพิ่ม

Skill	ใช้เมื่อไหร่
`cost-aware-execution`	Optimize token usage
`research-first`	Research ก่อน coding
`subagent-orchestration`	Delegate งานย่อย
`continuous-learning`	สรุปบทเรียน
`context-compaction`	จัดการ context ยาว

Skills พื้นฐานอื่น ๆ

obsidian-markdown — จัดการ Obsidian Flavored Markdown
defuddle — ดึง clean markdown จาก web pages
kimi-cli-help — ช่วยเหลือการใช้ Kimi CLI
memory-space — จัดการความจำระยะยาว

The Kimi Agent Loop: Workflow 6 ขั้นตอน

จากการปรับใช้ skills ร่วมกัน ได้ workflow ที่ใช้งานจริง:

1Plan → Research → Execute → Verify → Learn → Compact
2 ↑______________________________________________↓

ขั้นตอนละเอียด

1. Plan (milestone-workflow + planning-and-task-breakdown)

แบ่งงานใหญ่ → Milestone → Slice → Task
สร้างไฟล์ plan: M001-ROADMAP.md, S01-PLAN.md, T01-PLAN.md

2. Research (research-first + source-driven-development)

ค้นหา official docs ก่อน implement
สรุป findings ลง M001-RESEARCH.md

3. Execute (incremental-implementation + test-driven-development)

ทำงานทีละ slice (ไม่ทีละไฟล์ใหญ่ ๆ)
Failing test → Implement → Pass

4. Verify (verification-loop + code-review-and-quality)

Static checks (lint, type)
Build verification
Test execution
Security scan
Behavioral verification

5. Learn (continuous-learning)

สกัด patterns ที่ค้นพบ
อัปเดต AGENTS.md หรือ KNOWLEDGE.md
เขียน T01-SUMMARY.md

6. Compact (context-compaction)

สรุปสถานะปัจจุบัน
โหลดเฉพาะ context จำเป็นสำหรับ task ถัดไป
หรือเริ่ม session ใหม่

Memory และ Context Management

Long-term Memory (`~/.kimi/memory.md`)

Kimi CLI สนับสนุนการจัดการความจำระยะยาวผ่าน skill memory-space:

 1# Memory Space
 2
 3## Project Context
 4- ชื่อโปรเจกต์: ...
 5- เทคโนโลยีหลัก: ...
 6
 7## Key Decisions
 8| วันที่ | การตัดสินใจ | เหตุผล |
 9
10## User Preferences
11- สไตล์การตอบ: ...
12- ข้อจำกัด: ...
13
14## Session History
15- ครั้งล่าสุดทำอะไร: ...
16- ปัญหาที่ยังค้างอยู่: ...

Context Compaction

เมื่อ context เต็ม (trigger ที่ 85%) Kimi จะ:

สรุปบทสนทนาที่ผ่านมา
เก็บเฉพาะ decisions และ action items
ลบรายละเอียด implementation ที่ไม่จำเป็น
บันทึกลงไฟล์ memory

Use Cases จากประสบการณ์จริง

Use Case 1: Typography Unification บน neng-blog

สถานการณ์: ปรับ typography ให้ใช้ Modular Scale แบบ Major Third (1.25×)

วิธีทำ:

Plan: แบ่งเป็น mobile typography + desktop typography
Research: ดูว่า Stack Theme ใช้ html { font-size: 62.5%; } (1rem = 10px)
Execute: สร้าง CSS variables --home-hero, --home-section, ฯลฯ
Verify: hugo --minify build ผ่าน
Deploy: git push → GitHub Actions deploy

ผลลัพธ์: Homepage typography มี scale ที่สอดคล้องกัน ไม่มี scattered rules ที่ซ้ำซ้อน

Use Case 2: Custom Giscus Theme

สถานการณ์: สร้างธีม giscus ที่เข้ากับ neng-blog (Teal/Aqua)

วิธีทำ:

Research: อ่าน giscus CONTRIBUTING.md ดูโครงสร้าง theme CSS
Execute: สร้าง giscus-teal-light.css + giscus-teal-dark.css
Fix Bug: ใช้ MutationObserver แก้ปัญหา iframe โหลดช้า
Verify: Toggle light/dark บนเว็บ → giscus เปลี่ยนสีตาม

ผลลัพธ์: Comment section ใช้สีเดียวกับบล็อก ไม่มี theme ที่เข้ากันใน giscus built-in

Use Case 3: OpenClaw Gateway RAM Investigation

สถานการณ์: OpenClaw gateway ใช้ RAM 1.16 GB ผิดปกติ

วิธีทำ:

Research: ตรวจสอบ process ID ของ openclaw-gateway บน Node.js
Debug: ดู memory metrics พบว่าเป็น memory leak ปกติของ long-running Node.js process
Fix: รีสตาร์ท process
Verify: RAM ลดเหลือ ~596 MB (ลด 49%)

ผลลัพธ์: RAM กลับมาปกติ ตั้ง cron รีสตาร์ทอัตโนมัติ

Subagent Orchestration: แบ่งงานให้ AI ช่วยกันทำ

Kimi CLI สนับสนุนการใช้ Subagent เพื่อ delegate งานย่อย:

1"Subagent-orchestration:
2- ส่ง subagent A ไปรีวิว security ของ auth slice
3- ส่ง subagent B ไปเช็ค test coverage
4- ฉันจะรอสรุปผลจากทั้งสองก่อน proceed"

ข้อดี

แยก context ไม่ให้ปนกัน
ทำงานขนานได้ (parallel)
จำกัด scope ของแต่ละ task

ข้อจำกัด

Subagent timeout: 15 นาที (ตั้งค่าใน config)
Max concurrent tasks: 4
ต้องรอ approval สำหรับบางคำสั่ง (ถ้าไม่ใช้ yolo mode)

Plan Mode กับ Yolo Mode

Plan Mode

ใช้สำหรับงานใหญ่ที่ต้องวางแผนก่อน
Agent จะเขียน plan file แล้วขอ user approve ก่อน execute
User สามารถเลือก approach ได้หลายตัวเลือก

Yolo Mode (`default_yolo = false`)

ถ้าเปิด (true) Kimi จะทำงานโดยไม่ขอ approve
ใช้กับงานที่ trust ได้ เช่น lint, format, refactor ที่ไม่เปลี่ยน behavior
สำหรับ production deploy หรือการแก้ไขสำคัญ → ปิด yolo mode เพื่อความปลอดภัย

Cost-Aware Execution

Kimi CLI ไม่มี built-in cost tracking แต่สามารถประยุกต์ใช้หลักการได้:

เทคนิค	ผลลัพธ์
ใช้ `context-compaction` บ่อย ๆ	Context ยาว = token สูง
Delegate งานง่ายให้ subagent	Subagent มี context สั้น = ถูกกว่า
`research-first` ก่อน	ลด rework ที่แพงที่สุด
`verification-loop` ต่อเนื่อง	จับ bug ตั้งแต่ต้น

สถิติการใช้งานจริง

จากการใช้งานจริง (เมษายน 2026):

Metric	ค่า
Sessions สะสม	5+ sessions
Skills ติดตั้ง	23+ skills
Projects ที่จัดการ	neng-blog, OpenClaw, LLM Wiki
Commits ผ่าน Kimi	20+ commits
ภาษาที่ใช้	Thai, English
Context window ใช้งาน	สูงสุด ~256K

ข้อดี vs ข้อเสีย

ข้อดี

✅ Context window ใหญ่ (256K) — อ่านไฟล์ใหญ่ ๆ ได้สบาย
✅ Skills system ยืดหยุ่น — ปรับแต่ง workflow ได้ตาม project
✅ Subagent ทำงานขนานได้ — เร็วขึ้นเมื่องานแยกส่วนได้
✅ Plan mode — ปลอดภัยสำหรับงานใหญ่
✅ Memory system — จดจำบริบข้าม session

ข้อเสีย

❌ ไม่มี built-in cost tracking — ต้องประมาณเอง
❌ Subagent timeout 15 นาที — งานใหญ่อาจไม่เสร็จ
❌ ไม่มี persistent state ระหว่าง session — ต้องพึ่ง memory file
❌ Yolo mode อันตรายถ้าใช้ผิด — อาจ push โค้ดที่ไม่ได้ตรวจสอบ

บทสรุป

Kimi Code CLI เป็นเครื่องมือที่มีประสิทธิภาพสำหรับนักพัฒนาที่ต้องการ AI assistant ทำงานบน terminal โดยเฉพาะเมื่อผสมผสานกับ skills system และ structured workflows จะช่วยให้การทำงานเป็นระบบมากขึ้น

สิ่งสำคัญที่สุดคือการ จัดการ context และ วางแผนก่อน execute — สองสิ่งนี้ช่วยลด rework และเพิ่มคุณภาพของงานที่ส่งมอบ

สำหรับคนที่กำลังมองหา AI coding assistant ที่ทำงานบน terminal ได้จริง ๆ มี context window ใหญ่ และปรับแต่ง workflow ได้ Kimi CLI ถือเป็นตัวเลือกที่น่าสนใจครับ

Ai-Tools on Neng Lab

Kimi Code CLI: เมื่อ AI ลงมาทำงานใน Terminal แบบมีระบบ

Kimi Code CLI: เมื่อ AI ลงมาทำงานใน Terminal แบบมีระบบ

Kimi Code CLI คืออะไร?

สถาปัตยกรรมและการตั้งค่าที่สำคัญ

Config หลัก (`~/.kimi/config.toml`)

จุดเด่นที่ทำให้ Kimi CLI แตกต่าง

Skills System: 23+ Skills ที่ปรับแต่งได้

Skills จาก Agent Skills (Addy Osmani)

Skills ที่ดัดแปลงเพิ่ม

Skills พื้นฐานอื่น ๆ

The Kimi Agent Loop: Workflow 6 ขั้นตอน

ขั้นตอนละเอียด

Memory และ Context Management

Long-term Memory (`~/.kimi/memory.md`)

Context Compaction

Use Cases จากประสบการณ์จริง

Use Case 1: Typography Unification บน neng-blog

Use Case 2: Custom Giscus Theme

Use Case 3: OpenClaw Gateway RAM Investigation

Subagent Orchestration: แบ่งงานให้ AI ช่วยกันทำ

ข้อดี

ข้อจำกัด

Plan Mode กับ Yolo Mode

Plan Mode

Yolo Mode (`default_yolo = false`)

Cost-Aware Execution

สถิติการใช้งานจริง

ข้อดี vs ข้อเสีย

ข้อดี

ข้อเสีย

บทสรุป

ส่วนอ้างอิง

Ai-Tools on Neng Lab

Kimi Code CLI: เมื่อ AI ลงมาทำงานใน Terminal แบบมีระบบ

Kimi Code CLI: เมื่อ AI ลงมาทำงานใน Terminal แบบมีระบบ

Kimi Code CLI คืออะไร?

สถาปัตยกรรมและการตั้งค่าที่สำคัญ

Config หลัก (~/.kimi/config.toml)

จุดเด่นที่ทำให้ Kimi CLI แตกต่าง

Skills System: 23+ Skills ที่ปรับแต่งได้

Skills จาก Agent Skills (Addy Osmani)

Skills ที่ดัดแปลงเพิ่ม

Skills พื้นฐานอื่น ๆ

The Kimi Agent Loop: Workflow 6 ขั้นตอน

ขั้นตอนละเอียด

Memory และ Context Management

Long-term Memory (~/.kimi/memory.md)

Context Compaction

Use Cases จากประสบการณ์จริง

Use Case 1: Typography Unification บน neng-blog

Use Case 2: Custom Giscus Theme

Use Case 3: OpenClaw Gateway RAM Investigation

Subagent Orchestration: แบ่งงานให้ AI ช่วยกันทำ

ข้อดี

ข้อจำกัด

Plan Mode กับ Yolo Mode

Plan Mode

Yolo Mode (default_yolo = false)

Cost-Aware Execution

สถิติการใช้งานจริง

ข้อดี vs ข้อเสีย

ข้อดี

ข้อเสีย

บทสรุป

ส่วนอ้างอิง

Config หลัก (`~/.kimi/config.toml`)

Long-term Memory (`~/.kimi/memory.md`)

Yolo Mode (`default_yolo = false`)