สร้าง AI Agent สกัด Flashcards จากโน้ตใน Obsidian: บูสต์พลังการเรียนรู้แบบ Active Recall ด้วย Python + Ollama

สำหรับผู้ที่ใช้งานระบบ Second Brain หรือจดบันทึกความรู้ใน Obsidian เป็นประจำ สิ่งท้าทายที่สุดหลังจากจดโน้ตเสร็จแล้วคือ \"การทบทวนและจดจำ\" ข้อมูลเหล่านั้นเพื่อนำไปใช้งานจริง เทคนิคการเรียนรู้ที่ได้รับการยอมรับในระดับสากลว่ามีประสิทธิภาพสูงสุดคือ Active Recall (การทดสอบดึงความรู้จากสมอง) และ Spaced Repetition (การทบทวนซ้ำตามระยะเวลาที่กำหนด) ซึ่งส่วนใหญ่จะทำผ่านระบบบัตรคำถาม-คำตอบ หรือ Flashcards

อย่างไรก็ตาม การต้องมานั่งอ่านโน้ตของตัวเองทีละหน้า แล้วคิดตั้งคำถามพร้อมคำตอบเพื่อสร้างเป็น Flashcard แผ่นต่อแผ่น เป็นกระบวนการที่ใช้พลังงานสมองสูงมาก (High Cognitive Load) และน่าเบื่อหน่าย จนหลายคนถอดใจและเลิกทำไปในที่สุด

นี่คือหน้าที่สำคัญของ Cognitive Automation หรือการใช้โปรแกรมเข้ามาช่วยคิดและเตรียมงานแทนเรา ในบทความนี้ เราจะมาสร้าง AI Agent สกัด Flashcards ส่วนตัวที่ทำงานออฟไลน์ในเครื่อง 100% ด้วยภาษา Python และ Ollama เพื่อทำหน้าที่แปลงโน้ตดิบของคุณให้กลายเป็นระบบบัตรคำเพื่อใช้ทบทวนใน Obsidian ได้โดยอัตโนมัติ

ทำไมต้องเป็น Local AI ในการสร้าง Flashcards?

แม้ว่าในปัจจุบันจะมี AI บนคลาวด์คอยให้บริการอยู่มากมาย แต่การสกัดบัตรคำจากโน้ตส่วนตัวภายในเครื่องมีข้อดีเหนือกว่าอย่างสิ้นเชิงในด้าน:

1. ความเป็นส่วนตัวสมบูรณ์แบบ (Absolute Privacy): โน้ตของคุณอาจมีความคิดส่วนตัว แผนธุรกิจ หรือเนื้อหาการวิจัยที่เป็นความลับ การประมวลผลผ่าน Ollama ในเครื่องทำให้ข้อมูลทุกอย่างปลอดภัยจากบุคคลภายนอกและไม่เสี่ยงต่อการรั่วไหล
2. ปรับแต่งการตั้งคำถามได้เอง: คุณสามารถแก้ไขสคริปต์เพื่อควบคุมจำนวน ความยากง่าย หรือเน้นประเด็นประเภทใดประเภทหนึ่งในโน้ตตามสไตล์การเรียนรู้ของคุณเอง
3. ลดอุปสรรคและไร้ค่าใช้จ่าย: ทำงานแบบออฟไลน์ได้ทุกที่ ไม่มีข้อจำกัดด้านเครือข่าย และไม่ต้องจ่ายค่าสมาชิก API รายเดือนใดๆ

โครงสร้างการทำงานของ Flashcard Agent

ระบบจะทำงานร่วมกันสามส่วนหลักผ่านการทำงานแบบอัตโนมัติ: 1. การคัดกรองโน้ต: สแกนหาไฟล์โน้ต Markdown ใน Obsidian Vault ที่ติดแท็ก #study หรือ #flashcard และตรวจสอบว่าโน้ตนั้นยังไม่มีหัวข้อ ## Flashcards เพื่อป้องกันการทำงานซ้ำซ้อน 2. การสกัดเนื้อหาด้วย LLM: ส่งเนื้อหาในโน้ตไปยัง Ollama เพื่อให้โมเดลภาษาช่วยวิเคราะห์แนวคิดหลักและตั้งคำถาม-คำตอบในรูปแบบที่เข้ากันได้กับปลั๊กอินยอดนิยมใน Obsidian 3. บันทึกข้อมูลกลับ: เขียนบัตรคำที่สร้างได้ต่อท้ายไฟล์โน้ตเดิมทันทีโดยไม่ต้องผ่านโปรแกรมอื่น

การเตรียมความพร้อมก่อนเริ่มต้น

โปรดตรวจสอบให้แน่ใจว่าคุณติดตั้งสิ่งเหล่านี้ในเครื่องคอมพิวเตอร์ของคุณแล้ว: * Python 3: สำหรับรันสคริปต์ * Ollama: ตัวขับเคลื่อนโมเดลออฟไลน์ (ดาวน์โหลดจาก ollama.com) * Obsidian: แอปจัดการโน้ตพร้อมติดตั้งปลั๊กอิน Obsidian Spaced Repetition (เลือกติดตั้งเพิ่มเติมผ่าน Community Plugins)

จากนั้นเปิด Terminal แล้วเรียกใช้โมเดลภาษาที่จะมาวิเคราะห์สรุปข้อมูล ในที่นี้ขอแนะนำ gemma2 (ขนาด 9B) ซึ่งฉลาดและเข้าใจบริบทภาษาไทยได้ดีเยี่ยม:

ollama pull gemma2

สคริปต์ Python สำหรับ AI Flashcard Agent

ให้สร้างไฟล์ชื่อ flashcard_generator.py ไว้ในคอมพิวเตอร์ของคุณและคัดลอกโค้ดด้านล่างนี้ไปใช้งาน สคริปต์นี้เขียนขึ้นโดยอ้างอิงจากไลบรารีมาตรฐานของ Python ทั้งหมด ทำให้คุณรันได้ทันทีโดยไม่ต้องพิมพ์ pip install เพิ่มเติม:

import urllib.request
import json
import os
import glob

# กำหนดโฟลเดอร์คลังโน้ต Obsidian ของคุณ (กรุณาปรับปรุงพาธให้ตรงกับเครื่องของคุณ)
OBSIDIAN_VAULT_PATH = "/home/linn/notes"
LLM_MODEL = "gemma2"  # สามารถปรับเปลี่ยนเป็น llama3 หรือรุ่นที่เหมาะสมได้

def get_target_notes(vault_path):
    """ค้นหาไฟล์โน้ต Markdown ทั้งหมดในคลังที่ติดแท็กและยังไม่มี Flashcards"""
    search_pattern = os.path.join(vault_path, "**", "*.md")
    all_files = glob.glob(search_pattern, recursive=True)
    target_files = []

    for filepath in all_files:
        if os.path.basename(filepath).startswith("."):
            continue
        try:
            with open(filepath, "r", encoding="utf-8") as f:
                content = f.read()
                # ตรวจสอบหาแท็กทริกเกอร์การทบทวน
                if "#study" in content or "#flashcard" in content:
                    # ตรวจสอบป้องกันการสร้างซ้ำซ้อน
                    if "## Flashcards" not in content:
                        target_files.append(filepath)
        except Exception as e:
            print(f"ไม่สามารถอ่านไฟล์ {filepath} ได้: {e}")

    return target_files

def generate_flashcards(note_content):
    """ส่งเนื้อหาโน้ตให้ Ollama วิเคราะห์และจัดทำบัตรคำ"""
    prompt = f"""
คุณคือ AI Agent ผู้เชี่ยวชาญด้านการเรียนรู้และเทคนิคการจำอัจฉริยะ (Active Recall & Spaced Repetition)
หน้าที่ของคุณคือการอ่านเนื้อหาในโน้ตด้านล่างนี้ และสร้างบัตรคำถาม-คำตอบ (Flashcards) คุณภาพสูงเพื่อใช้ในการทบทวนความรู้

เนื้อหาโน้ต:
{note_content}

---
คำสั่งและเงื่อนไขการทำงาน:
1. สร้างบัตรคำถาม-คำตอบ (Flashcards) จำนวน 3-7 ใบตามระดับปริมาณและความสำคัญของข้อมูลในโน้ต
2. คำถามต้องมุ่งเน้นไปที่นิยามสำคัญ แนวคิดหลัก เหตุและผล หรือสมมติฐานสำคัญ ไม่ควรถามเรื่องทั่วไปที่ง่ายเกินไป
3. ตอบกลับในรูปแบบของปลั๊กอิน Obsidian Spaced Repetition โดยใช้เครื่องหมายโคลอนสองตัว (::) คั่นระหว่างคำถามและคำตอบเท่านั้น เช่น:
   คำถามเกี่ยวกับแนวคิด? :: คำตอบของแนวคิดนั้น
   คำนิยามของหัวข้อ? :: คำอธิบายคำนิยามสั้นๆ
4. ตอบกลับเฉพาะคู่บัตรคำถาม-คำตอบเท่านั้น ห้ามเขียนเกริ่นนำ ห้ามพูดทักทาย หรือเขียนข้อความอธิบายขั้นตอนการทำงานเด็ดขาด
5. เขียนเป็นภาษาไทย
"""

    url = "http://localhost:11434/api/generate"
    payload = {
        "model": LLM_MODEL,
        "prompt": prompt,
        "stream": False,
        "options": {
            "temperature": 0.3  # ใช้ค่าความสร้างสรรค์ต่ำ เพื่อรักษาความถูกต้องของข้อมูลความรู้
        }
    }

    data = json.dumps(payload).encode("utf-8")
    req = urllib.request.Request(
        url, 
        data=data, 
        headers={"Content-Type": "application/json"},
        method="POST"
    )

    try:
        with urllib.request.urlopen(req) as response:
            res_body = response.read().decode("utf-8")
            res_json = json.loads(res_body)
            return res_json.get("response", "").strip()
    except Exception as e:
        print(f"ล้มเหลวในการเชื่อมต่อกับ Ollama: {e}")
        return None

def write_flashcards_to_note(filepath, flashcards):
    """เขียน Flashcards ต่อท้ายโน้ตเดิม"""
    if not flashcards:
        return False
    try:
        with open(filepath, "a", encoding="utf-8") as f:
            f.write("\n\n---\n## Flashcards\n\n")
            f.write(flashcards)
            f.write("\n")
        return True
    except Exception as e:
        print(f"ล้มเหลวในการเขียนไฟล์ {filepath}: {e}")
        return False

def main():
    print("เริ่มระบบ Cognitive Automation สำหรับสกัด Flashcards...")
    target_notes = get_target_notes(OBSIDIAN_VAULT_PATH)

    if not target_notes:
        print("ไม่พบโน้ตที่มีแท็ก #study หรือ #flashcard และยังไม่ได้ประมวลผลเพิ่ม")
        return

    print(f"พบโน้ตเป้าหมายทั้งหมด {len(target_notes)} โน้ต")

    for filepath in target_notes:
        note_name = os.path.basename(filepath)
        print(f"\nกำลังเริ่มทำงานกับโน้ต: {note_name}")

        with open(filepath, "r", encoding="utf-8") as f:
            content = f.read()

        print("กำลังส่งประมวลผลผ่านโมเดล LLM...")
        flashcards = generate_flashcards(content)

        if flashcards:
            print("สร้างคู่บัตรคำสำเร็จ! กำลังเขียนข้อมูลกลับเข้าโน้ต...")
            if write_flashcards_to_note(filepath, flashcards):
                print(f"อัปเดตโน้ต {note_name} เรียบร้อยแล้ว")
            else:
                print(f"ไม่สามารถบันทึกบัตรคำลงในโน้ต {note_name} ได้")
        else:
            print(f"ข้ามการทำงานกับ {note_name} เนื่องจากข้อผิดพลาดในการประมวลผล")

if __name__ == "__main__":
    main()

วิธีการนำไปใช้งานในชีวิตประจำวัน

1. การจดบันทึกปรกติ: เมื่อคุณเขียนโน้ตสรุปหรือเรียนรู้เรื่องใหม่ๆ ใน Obsidian (เช่น โน้ตวิชาคอมพิวเตอร์เน็ตเวิร์ก หรือสรุปคู่มือการใช้ Docker) ให้หยอดแท็ก #study หรือ #flashcard ไว้ที่ส่วนใดส่วนหนึ่งของหน้าโน้ต
2. รันสคริปต์อัตโนมัติ: เมื่อจดโน้ตเสร็จเรียบร้อยในแต่ละวัน ให้รันคำสั่งใน Terminal: bash python flashcard_generator.py
3. ผลลัพธ์ในหน้าโน้ต: สคริปต์จะเติมข้อมูลท้ายโน้ตให้คุณโดยอัตโนมัติ เช่น: markdown ## Flashcards TCP คืออะไร? :: โปรโตคอลการรับส่งข้อมูลที่รับประกันความถูกต้องของข้อมูล (Connection-oriented) IP Address ทำหน้าที่อะไร? :: ระบุตำแหน่งของอุปกรณ์ที่เชื่อมต่อภายในระบบเครือข่าย
4. เปิดเล่นใน Obsidian: เมื่อคุณเปิดโปรแกรม Obsidian ขึ้นมา ปลั๊กอิน Spaced Repetition จะดึงบัตรคำเหล่านี้ไปทบทวนในโหมดทดสอบความจำ (Flashcard Review) อัตโนมัติ โดยสัญลักษณ์ :: จะทำหน้าที่แบ่งด้านคำถามและด้านคำตอบให้พร้อมใช้งานทันที

บทสรุป

การสร้างสมองส่วนที่สอง (Second Brain) ไม่ใช่แค่การสะสมข้อมูลให้เยอะขึ้นเรื่อยๆ แต่คือการเปลี่ยนข้อมูลเหล่านั้นให้กลายเป็น \"ปัญญาความรู้\" ที่เราจดจำและเรียกใช้งานได้จริง การใช้ระบบ Cognitive Automation มาช่วยสกัด Flashcards อัตโนมัติช่วยลดภาระที่น่าเบื่อหน่ายในการคิดคำถาม-คำตอบลงไปได้มากกว่า 80% ปลดปล่อยให้สมองของคุณมีสมาธิอยู่กับสิ่งที่มีค่าที่สุด นั่นคือการคิด วิเคราะห์ และทำความเข้าใจข้อมูลครับ