ทางเข้าสู่ระบบนิเวศ

การทำงานร่วมกัน

ส่วนนี้สำหรับผู้ที่ต้องการเตรียมตัวเพื่อทำงานร่วมภายในระบบนิเวศ MOONKEY XN โปรแกรมนี้ไม่ได้มองหาคนที่รู้ทุกอย่างอยู่แล้ว แต่มองหา Monkeys ที่สามารถเรียนรู้ได้เร็ว ลงมือทำโดยไม่ติดขัด และสื่อสารโดยไม่มีสิ่งรบกวน

ทัศนคติแบบใดที่เรามองหา

ความรู้ทางเทคนิคฝึกฝนได้ แต่ทัศนคติฝึกไม่ได้ นี่คือสี่สิ่งที่สำคัญ:

ความเป็นอิสระ

คุณไม่รอคำสั่งสำหรับทุกงานย่อย เมื่อคุณมีเป้าหมายที่ชัดเจน คุณก็ลงมือทำ

บริบท

คุณอ่านสิ่งที่มีอยู่ก่อนถามสิ่งที่ถูกเขียนไว้แล้ว บริบทช่วยลดสิ่งรบกวน

การส่งมอบ

เมื่อมีบางอย่างถูกมอบหมาย มันจะปรากฏในสภาพเสร็จสมบูรณ์ ไม่ใช่ครึ่งๆ กลางๆ การส่งมอบคือหน่วยวัดของความไว้วางใจ

วิจารณญาณ

คุณรู้ว่าเมื่อใดควรถามและเมื่อใดควรตัดสินใจ การหยุดนิ่งเมื่อเจอความกำกวมคือต้นทุนที่แท้จริง

ทักษะที่ฝึกฝนกันที่นี่
แบบฝึกหัดที่ต้องทำให้เสร็จ

นี่คือผลงานส่งมอบขั้นต่ำเพื่อแสดงว่าคุณได้ทำกระบวนการ onboarding เสร็จแล้ว:

  1. 01 ทำ Operator Foundations ให้เสร็จ (ระดับ 1 ของ MOONKEY LAB)
  2. 02 สร้าง CLAUDE.md ของคุณเองสำหรับโปรเจกต์ส่วนตัว
  3. 03 อัปโหลด repository ขึ้น GitHub พร้อม commit ที่มีความหมายอย่างน้อย 3 ครั้ง
  4. 04 deploy โปรเจกต์แบบ static บน Cloudflare Pages หรือ Vercel
  5. 05 จัดทำเอกสารกระบวนการที่คุณทำอยู่แล้ว ในรูปแบบ Markdown
  6. 06 ส่ง prompt ที่คุณสร้าง ใช้ และให้ผลลัพธ์จริง
วิธีแสดงความก้าวหน้า

ความก้าวหน้าแสดงด้วยผลงานส่งมอบ ไม่ใช่ด้วยคำสัญญาหรือคำว่า "กำลังทำอยู่"

เมื่อคุณทำแบบฝึกหัดเสร็จ ให้จัดทำเอกสารสามสิ่ง: คุณสร้างอะไร มันแก้ปัญหาอะไร และหลักฐานที่เป็นรูปธรรม (ลิงก์ screenshot หรือไฟล์) มันไม่จำเป็นต้องสมบูรณ์แบบ แต่มันต้องมีอยู่จริง

รูปแบบการส่งมอบ

แบบฝึกหัด: [ชื่อแบบฝึกหัด]
สิ่งที่ฉันสร้าง: [คำอธิบายสั้น]
ปัญหาที่มันแก้: [หนึ่งบรรทัด]
หลักฐาน: [URL / path ของไฟล์ / screenshot]
ข้อผิดพลาดที่ควรหลีกเลี่ยง
การเป็น Operator AI หมายความว่าอย่างไร

Operator AI ไม่ใช่โปรแกรมเมอร์ ไม่ใช่ prompt engineer ไม่ใช่คนที่ใช้ ChatGPT ได้ดี

Operator AI เข้าใจว่าระบบทำงานอย่างไร รู้ว่าจะใช้เครื่องมือใดกับงานใด จัดทำเอกสารสิ่งที่สร้างเพื่อให้คนอื่นใช้งานได้โดยไม่ต้องถาม และส่งมอบผลลัพธ์ ไม่ใช่รายงานความพยายาม

หากคุณเรียนจบหลักสูตรและทำแบบฝึกหัด คุณก็มีพื้นฐานแล้ว ส่วนที่เหลือเรียนรู้ได้จากการลงมือทำ ภายในโปรเจกต์จริง