FoundationAgents

MetaGPT Builds, Sapper Attacks, Trifecta Fortress Defends - The Complete AI Swarm Triangle MetaGPT Builds, Sapper Attacks, Trifecta Fortress Defends - The Complete AI Swarm Triangle One line in. A software company out. One command in. An attack army out. One transaction in. A fortress that blocks it. Three open-source giants. Three philosophies. One lesson: The future is not a single AI. It is a swarm with roles. I built Trifecta Fortress after studying both. Here is the triangle. 1. MetaGPT - The Builder Repo: github.com/FoundationAgents/MetaGPT Stars: 71.2K License: MIT Idea: The Multi-Agent Framework: First AI Software Company You give it one line: "Build an e-commerce store for Zid Pay" MetaGPT runs a full company: Product Manager -> User Stories, Competitive Analysis, Requirements Architect -> Data Structures, APIs, System Design Project Manager -> Breaks down tasks Engineer -> Writes code QA -> Tests Output: User stories / Requirements / Data Structures / APIs / Docs / Code. Its SOP: Standard Operating Procedure. PM -> Architect -> PM -> Engineer. Everyone knows their role. No chaos. No one does everything. Lesson I stole: SOP wins. A swarm without SOP is noise. A swarm with SOP is a company. Weakness: Activity slowing. Last release v0.8.2 in March 2025. Last commit ~9 months ago. Great idea, slow maintenance. 2. Sapper - The Attacker Repo: Sapper-v2 Stars: 986 Idea: Offensive Swarm Sapper is the opposite: Commander -> Plans the attack Swarm -> Nmap, Nuclei, Kali tools Exploiter -> Tries to break in It does not build. It breaks. It scans, finds vulnerabilities, exploits. Lesson I stole: Swarm + Tools + Speed. Sapper does not ask one LLM to do everything. It gives tools to specialists. Nmap for scanning. Nuclei for templates. Each agent is an expert. Weakness: Offensive only. No defense. No ethics gate. No 403. It attacks, but it does not protect. 3. Trifecta Fortress - The Defender Repo: github.com/altima261/trifecta-checker Live: trifecta-checker-v2.vercel.app Patent: SAHARI V49.1 #69521324 I took MetaGPT SOP + Sapper Swarm and flipped them to defense. Trifecta Fortress - 5 Layers: Layer 0 - Predictive - The MetaGPT Lesson Fact Graph + 50+ Defense Playbooks. We predict the attack before it happens. Like MetaGPT Product Manager predicts requirements, we predict attacker tools. Layer 1 - Deception - The Sapper Flip Honeypot API + Fake IBAN. Sapper attacks a target. We give it a FAKE target. Attacker thinks he hacked us. We are recording every step. Layer 2 - Early Detection - The Swarm Lesson Scanner Detector + Nuclei Shield + Behavior Analyzer. We detect scanning in first 3 seconds. Like Sapper uses Nmap, we detect Nmap. Layer 3 - Trifecta Gate - The Rule That Never Breaks Private Data + Untrusted Content + External Communication = 403 BLOCKED This is the Lethal Trifecta. If all three meet, block. No exception. No delay. Trust Scores: .gov = 100, .edu = 90, Concordium Verified = 95, .com = 40, Unknown = 10 Layer 4 - Auto-Learn - The Company Lesson Auto-Patch + Swarm Learning. Every attack teaches us. Like MetaGPT company learns from every project, Fortress learns from every attack and patches itself. The Triangle Project Role Input Output MetaGPT Builder One line requirement Full software company output Sapper Attacker One command Attack swarm, scan, exploit Trifecta Fortress Defender One transaction 5 Layers, 403 BLOCKED, Auto-Learn MetaGPT builds the house. Sapper tries to break the house. Fortress is the walls, the honeypot, the guards, the alarm, and the auto-repair. You need all three to understand AI swarms. But only Fortress protects real money - Zid Pay, SAMA Compliance, real users. How I Used MetaGPT To Build Fortress Faster Prompt I used: Build Trifecta Fortress - 5 Layers Defensive Swarm for Zid Pay - Layer 0 Predictive, Layer 1 Honeypot, Layer 2 Scanner, Layer 3 Gate 403, Layer 4 Auto-Learn - with Kimi K3.1 Pro MetaGPT gave me: User Stories for Zid Pay fraud detection Architect design for 5 layers API specs for Honeypot Then I flipped it: I took its SOP and made it defensive. Builder SOP -> Defender SOP: PM -> Architect -> Engineer Becomes: Predictive -> Deception -> Detection -> Gate -> Auto-Learn Same discipline. Opposite goal. Code - Try It trifecta_fortress.py - Live on GitHub raw.githubusercontent.com from dataclasses import dataclass @dataclass class ThreatIntel: ip: str tool: str playbook_id: int Layer 3 - The Gate That Never Breaks def trifecta_gate(has_private_data, has_untrusted_content, has_external_comm): if has_private_data and has_untrusted_content and has_external_comm: return "403 BLOCKED - LETHAL TRIFECTA" return "ALLOWED" Full code: github.com/altima261/trifecta-checker Why This Matters For AgentX Riyadh Challenge: Early Detection of Suspicious Operations in Zid Pay AgentX wants: Detect fraud early, suspend before execution. MetaGPT alone cannot do it - it builds, it does not defend. Sapper alone cannot do it - it attacks, it does not protect. Fortress does it: Predicts fraud (Layer 0) Traps attacker (Layer 1) Detects scanner in 3 seconds (Layer 2) Blocks Lethal Trifecta (Layer 3) Learns and patches (Layer 4) Team: Mohammed bin Ashwan + Saad Al-Mashaan + Badr Al-Fandi - Trifecta Checker - AgentX Riyadh - Financial Track Conclusion Do not choose one swarm. Learn all three: Learn SOP from MetaGPT Learn Speed + Tools from Sapper Learn Defense from Fortress The future is not one AI. It is a company of AIs that builds, a swarm that attacks, and a fortress that defends. I built the fortress. Links: Fortress Live: trifecta-checker-v2.vercel.app GitHub: altima261/trifecta-checker MetaGPT: FoundationAgents/MetaGPT Previous Article: How I Turned Sapper into Fortress - dev.to/altima261 Built mobile-first on iPhone + iPad after PC blue screen. No excuses. Build anyway. #AI #MultiAgent #MetaGPT #Sapper #CyberSecurity #AgentX #ZidPay #TrifectaFortress #BuildInPublic

شركة برمجيات كاملة من الوكلاء: مدير منتج، مهندس، مبرمج، مختبِر. مشروع MetaGPT يحاكي فريق تطوير حقيقياً — تعطيه فكرة فيسلمك متطلبات وتصميماً وكوداً موثقاً. من أشهر مشاريع الوكلاء على GitHub 🏗️ FoundationAgents/MetaGPT

69K⭐ repo that changes AI Programming 🚀 The MetaGPT repo introduces a groundbreaking Multi-Agent Framework that revolutionizes Natural Language Programming, making it a game-changer for developers. 🔗 FoundationAgents/MetaGPT 📌 @TheMrOzz — open source tools every week #OpenSource #GitHub #DevTools #AI #Programming #Developer #Shorts

ทีม multi-agent AI เขียนซอฟต์แวร์ได้จริงไหม: BMAD, ChatDev และ MetaGPT หลังเปิด repo ตรวจเอง โดย Nokka (นก-กา) | ตอนที่ 3 จาก 7 ของชุด "สร้างซอฟต์แวร์ด้วย AI" | ตรวจสอบข้อมูล ณ 23 ต.ค. 2026 บทความนี้เขียนด้วย AI (deepseek-v4.1-flash · ผู้ให้บริการโมเดล: ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา) คำถามที่คนถามมากแต่คำตอบมักลอย ในกลุ่มคนที่เริ่มใช้ AI เขียนโค้ด มีคำถามหนึ่งที่ถูกถามซ้ำบ่อยที่สุด ถ้า agent ตัวเดียวเก่งได้ขนาดนี้ ทำไมไม่จัดทีม agent หลายตัว แบ่งเป็นนักวิเคราะห์ สถาปนิก นักเขียนโค้ด และผู้ตรวจสอบ แล้วให้คุยกันเอง แนวคิดนี้มีชื่อว่า multi-agent software development และมีโปรเจกต์ชื่อดังอยู่สามตัวที่คนพูดถึงบ่อย ผมเปิด repo ทั้งสามตัวดูวันนี้ แล้วจะเล่าว่าอะไรคือของจริง อะไรคือการสาธิต และอะไรคือโปรเจกต์ที่ควรปล่อยผ่าน สรุปสั้น - BMAD Method คือตัวที่ยังพัฒนาอยู่จริงและวางโครงกระบวนการได้ละเอียดที่สุด 54,458 ดาว และมีรุ่นเสถียร v6.12 กับ v7 ที่ยังพรีวิว - ChatDev แยกเป็นสองรุ่นชัดเจน คือ 1.0 ที่เป็นงานวิจัยจำลองบริษัทซอฟต์แวร์ และ 2.0 หรือ DevAll ที่เป็นแพลตฟอร์ม multi-agent แบบ zero-code - MetaGPT มี 70,973 ดาว แต่ commit ล่าสุดคือ 21 ม.ค. 2026 ห่างมาเก้าเดือนแล้ว - ผมไม่พบว่าตัวไหนเขียนเทสต์เก่งกว่าตัวอื่นอย่างมีนัยสำคัญ สิ่งที่ทั้งสามทำคือแบ่งบทบาทให้คนละส่วนของงาน - ตัวชี้ขาดว่าทีม agent ใช้ได้จริงหรือไม่ ไม่ใช่จำนวน agent แต่เป็นคุณภาพของข้อกำหนดที่ป้อนให้มัน BMAD: ทีมที่ถูกออกแบบมาให้ถามกลับ BMAD Method มี 54,458 ดาว และอัปเดตล่าสุด 20 ต.ค. 2026 [1] จุดที่ผมคิดว่ามันต่างจากตัวอื่นคือปรัชญาที่ระบุไว้ใน README ตรง ๆ ว่า agent เก่งเรื่องลงมือ แต่ชอบเปลี่ยนสมมติฐานที่ไม่มีใครพูดออกมาให้กลายเป็นโค้ด [1] BMAD จึงออกแบบมาให้ agent และ workflow ทำให้การตัดสินใจสำคัญถูกพูดออกมาชัด ๆ และเก็บไว้เป็นบริบทของงานที่ตามมา ในทางปฏิบัติคุณจะเจอ agent หลายบทบาท เช่น analyst, product manager, architect, dev และ QA ที่ส่งงานต่อกันเป็นช่วง [6] เรื่องเวอร์ชันที่ต้องรู้ก่อนติดตั้ง: README ระบุว่ามีสองสาย คือ v6.12 ที่เป็นรุ่นเสถียรและถูกตรึงไว้แก้แค่บั๊ก กับ v7 ที่ยังเป็น preview alpha และไฟล์อาจเปลี่ยนบ่อย [1] ถ้าคุณจะใช้กับงานจริง ให้เลือก v6.12 และอ่าน changelog ก่อนขยับ เรื่องสัญญาอนุญาต: README ติดแบดจ์ MIT แต่หน้า repo บน GitHub ยังจัดสถานะเป็น NOASSERTION [1] ความต่างนี้ไม่ได้แปลว่ามีปัญหา แต่แปลว่าฝ่ายไอทีควรเปิดไฟล์ LICENSE ใน repo อ่านเองก่อนอนุมัติใช้ในองค์กร ChatDev 2.0: จากงานวิจัยสู่แพลตฟอร์ม ChatDev มี 34,573 ดาว สัญญาอนุญาต Apache-2.0 และอัปเดตล่าสุด 16 ต.ค. 2026 [2] รุ่น 2.0 เปิดตัวเมื่อ 7 ม.ค. 2026 ภายใต้ชื่อ DevAll และวางตัวเป็นแพลตฟอร์ม multi-agent แบบ zero-code สำหรับ "developing everything" [2] README แยกคำอธิบายของสองรุ่นไว้ชัดเจน รุ่น 1.0 (Legacy) คือบริษัทซอฟต์แวร์จำลองที่มี agent หลายบทบาทประชุมกันในห้องเฉพาะทาง ครอบ designing, coding, testing และ documenting ส่วนรุ่น 2.0 (DevAll) อธิบายว่าผู้ใช้กำหนด agent, workflow และ task เอง และรองรับงานอย่าง data visualization, 3D generation และ deep research [2] คำว่า testing อยู่ในคำอธิบายของรุ่น 1.0 ไม่ใช่รุ่น 2.0 ซึ่งเป็นจุดที่ผมต้องแก้ความเข้าใจของตัวเอง แต่เมื่อเปิดดูโครงสร้างจริง ผลที่ได้คือสภาพแวดล้อมสำหรับสร้างแอปตัวอย่างที่รันได้ ไม่ใช่ระบบที่จะรับโปรเจกต์บริษัทคุณแล้วส่งงานพร้อมเทสต์ครบในคืนเดียว ผมมองว่ามันมีค่าในฐานะแม่แบบแนวคิด มากกว่าฐานรากของไปป์ไลน์จริง MetaGPT: ดาวเยอะ แต่หยุดเดิน MetaGPT มี 70,973 ดาว สัญญาอนุญาต MIT [3] ตัวเลขนี้ทำให้หลายคนเข้าใจว่ามันคือตัวเลือกอันดับหนึ่ง แต่ commit ล่าสุดคือ 21 ม.ค. 2026 ซึ่งห่างจากวันที่ผมตรวจมาเก้าเดือนกว่าแล้ว โปรเจกต์ที่ไม่มี commit มาเก้าเดือนไม่ใช่โปรเจกต์ที่ตายแน่นอน เพราะบางทีม stable พอแล้วและไม่ต้องแก้ แต่ในสายเครื่องมือที่พึ่ง API ของโมเดลซึ่งเปลี่ยนทุกไม่กี่เดือน การหยุดนานขนาดนี้หมายความว่าคุณจะต้องแก้โค้ดเองเมื่อ API เปลี่ยน ถ้าคุณจะใช้ ควรเผื่อแรงไว้สำหรับงานซ่อมบำรุง ไม่ใช่แค่ติดตั้ง ทีม agent เก่งกว่าตัวเดียวตรงไหน จากที่อ่านทั้งสามตัว ผมสรุปได้สามข้อที่ทีม agent ทำได้ดีกว่า หนึ่ง การแยกบทบาททำให้ข้อกำหนดถูกตรวจหลายรอบ analyst เขียน PM ท้วง architect ประเมิน ก่อนถึงมือคนเขียนโค้ด สอง งานที่ต้องใช้มุมมองต่างกันได้ประโยชน์จริง เช่นการออกแบบฐานข้อมูลที่ต้องคิดทั้งเรื่องประสิทธิภาพและความถูกต้อง สาม ข้อผิดพลาดถูกจับเร็วขึ้นในขั้นเอกสาร ซึ่งถูกกว่าการจับตอนโค้ดเสร็จมาก แต่มีข้อเสียที่สำคัญไม่แพ้กัน ค่าใช้จ่ายเพิ่มตามจำนวน agent เพราะแต่ละบทบาทคือการเรียกโมเดลหนึ่งครั้งขึ้นไป ความล่าช้าเพิ่มขึ้น เพราะต้องรอให้ agent คุยกันจบก่อนได้ผลลัพธ์ และปัญหาที่ผมเจอบ่อยที่สุดคือ agent เห็นด้วยกันเองตลอด ซึ่งทำให้การตรวจสอบกลายเป็นพิธีกรรม ถ้าจะเลือกใช้จริง เลือกตามงานที่คุณมี ถ้าคุณต้องการโครงกระบวนการที่ละเอียดและยังมีคนคุมอยู่ BMAD เป็นตัวเลือกที่ตรงที่สุด และควรเริ่มที่ v6.12 ถ้าคุณอยากเห็นภาพว่าทีม agent ทำงานร่วมกันหน้าตาเป็นอย่างไร ChatDev 2.0 เหมาะกับการทดลองและเรียนรู้ ถ้าคุณกำลังมองหาฐานรากของระบบจริง MetaGPT ยังใช้ได้ แต่ต้องยอมรับว่าคุณจะต้องดูแลโค้ดเองในอีกไม่กี่เดือน และถ้าคุณต้องการแค่ให้ AI เขียนโค้ดเป็นชิ้น ๆ อย่างมีวินัย ผมคิดว่า agent ตัวเดียวที่มีสเปกดี ๆ ให้ผลคุ้มกว่าทีม agent ที่ขาดข้อกำหนด BMAD มีอะไรให้ใช้จริงนอกจากตัว core นอกจากตัว core ที่ติดตั้งผ่าน npm แล้ว README ยังลิงก์ไปยังส่วนเสริมหลายตัว [1] ตัวที่เกี่ยวกับหัวข้อของเราที่สุดคือ BMad Test Architect ซึ่งเป็น add-on ด้านการทดสอบสำหรับองค์กร แยกเป็น repo ต่างหาก [4] การที่ทีมแยกเรื่องเทสต์ออกมาเป็นผลิตภัณฑ์อีกชั้น ผมอ่านว่า พวกเขาเห็นว่าการทดสอบเป็นงานที่ต้องออกแบบ ไม่ใช่ผลพลอยได้จากการเขียนโค้ด README ยังลิงก์ไปยัง repo ชื่อ BMad Loop แต่ผมไม่ได้เปิดอ่านรายละเอียดของมันในรอบนี้ จึงไม่สรุปว่ามันทำอะไร [1] ในมุมมองของผม BMAD ไม่ได้ขายความอัตโนมัติเต็มรูปแบบ แต่ขายการทำให้การตัดสินใจถูกจดไว้ ในทางปฏิบัติ นั่นหมายความว่าคุณยังต้องนั่งอ่าน brief กับ spec ที่ agent เขียน และตัดสินใจในจุดที่มันถามกลับ ถ้าคุณกำลังหาเครื่องมือที่จะทำงานแทนคุณโดยไม่ต้องอ่านอะไรเลย BMAD จะทำให้คุณผิดหวัง แต่ถ้าคุณเคยเจอปัญหา agent เขียนโค้ดจากสมมติฐานที่ไม่มีใครเคยพูดออกมา BMAD ถูกออกแบบมาเพื่อปัญหานั้นโดยตรง ChatDev 2.0 ต่างจากงานวิจัยรุ่นแรกตรงไหน รุ่นแรกของ ChatDev เป็นงานวิจัยที่จำลองบริษัทซอฟต์แวร์ขนาดเล็ก โดยมี agent หลายบทบาทคุยกันผ่านบทสนทนา [7] รุ่น 2.0 เปลี่ยนรูปเป็นแพลตฟอร์มที่ผู้ใช้กำหนด agent, workflow และ task เองได้ โดยไม่ต้องเขียนโค้ดตั้งค่าแพลตฟอร์ม [2] ชื่อ DevAll สื่อเจตนาว่าอยากให้มันสร้าง "อะไรก็ได้" ไม่จำกัดแค่เว็บแอป ข้อดีของแนวนี้คือคนที่ไม่ได้เขียนโปรแกรมก็ลองได้ และเห็นภาพว่าทีม agent คุยกันอย่างไร ข้อจำกัดที่ผมเห็นคือเมื่อมันเน้นการสร้างแอปตัวอย่างที่รันได้ มันจึงเก่งกับงานขนาดเล็กที่มีบริบทครบในตัว งานจริงของบริษัทมักมีข้อจำกัดที่ไม่ได้อยู่ในคำสั่ง เช่น ต้องใช้ฐานข้อมูลเดิม ต้องผ่านระบบสิทธิ์ที่มีอยู่ และต้องไม่ทำให้ระบบเก่าพัง ข้อจำกัดพวกนี้จะไม่ปรากฏในผลลัพธ์ของเครื่องมือที่สร้างแอปใหม่จากศูนย์ MetaGPT ยังน่าสนใจตรงไหน MetaGPT วางตำแหน่งเป็น framework หลาย agent ที่จำลองขั้นตอนการทำงานแบบบริษัทซอฟต์แวร์ มีการแบ่งบทบาทและส่งงานต่อกันเป็นเอกสาร [3] งานวิจัยต้นทางอธิบายแนวทางนี้ว่า meta programming สำหรับ framework ที่ agent หลายตัวร่วมมือกัน [5] แนวคิดนี้มีค่ามาก ในมุมมองของผม เพราะเป็นหนึ่งในต้นแบบที่โปรเจกต์รุ่นหลังหยิบไปต่อยอด แต่สถานะการพัฒนาเป็นเรื่องที่ต้องชั่งน้ำหนัก commit ล่าสุด 21 ม.ค. 2026 แปลว่าโค้ดไม่ได้แตะมาเก้าเดือนกว่า ในช่วงที่ API ของโมเดลเปลี่ยนไปหลายรอบ ผมจึงคาดว่า คุณจะต้องมีคนดูแลโค้ดเอง ถ้าคุณจะใช้ ผมคิดว่า ควรเตรียมคนที่อ่านโค้ดภาษา Python ของโปรเจกต์ได้ และเผื่องบเวลาสำหรับการอัปเดตความเข้ากันได้ไว้ด้วย หน้าตาของการเรียกใช้งานจริง เพื่อให้เห็นภาพ ผมเขียนตัวอย่างสมมติขึ้นเองด้านล่างนี้ ไม่ได้คัดลอกจากโปรเจกต์ใด เป็นเพียงโครงที่สะท้อนวิธีทำงานของทีม agent step 1: analyst LLM อ่าน requirement แล้วเขียน brief step 2: architect LLM อ่าน brief แล้วเขียนแผน step 3: dev LLM อ่านแผนแล้วเขียนโค้ด step 4: qa LLM รันเทสต์และเขียนรายงาน step 5: ถ้าไม่ผ่าน กลับไป step 3 พร้อมบริบทที่โตขึ้น ทุกบรรทัดคือการเรียก LLM หนึ่งครั้งขึ้นไป และบริบทที่ส่งไปจะโตขึ้นเรื่อย ๆ ตามจำนวนไฟล์ที่ระบบอ่านเข้ามา นี่คือเหตุผลทางเทคนิคว่าทำไมค่าใช้จ่ายของทีม agent จึงโตเร็วกว่าจำนวน agent ค่าใช้จ่ายที่คนมักลืมคิด ทุกครั้งที่ agent หนึ่งตัวส่งงานให้อีกตัว เกิดจากการเรียก LLM อีกครั้งด้วยบริบทที่โตขึ้น ถ้าทีมคุณมีห้าบทบาทและแต่ละบทบาทคุยกันสองรอบ งานชิ้นเดียวอาจกลายเป็นการเรียก LLM สิบครั้งขึ้นไป นี่คือเหตุผลที่ทีม agent หลายตัวมีค่าใช้จ่ายต่อ task สูงกว่า agent เดี่ยวมาก ไม่ใช่เพราะฉลาดกว่า แต่เพราะพูดมากกว่า ความเร็วก็เช่นกัน ผู้ใช้จะรู้สึกว่าระบบ "คิดนาน" เพราะต้องรอให้ทุกบทบาทคุยกันจบ ทางบรรเทาที่ผมคิดว่าได้ผลคือกำหนดเพดานจำนวนรอบ และให้ agent หยุดเมื่อได้ข้อสรุปที่วัดได้ ไม่ใช่เมื่อทุกคนเห็นด้วย เช็กลิสต์ก่อนเลือกใช้ทีม agent 1. งานที่คุณจะให้ทำ มีข้อจำกัดที่เขียนออกมาได้ครบหรือยัง 2. คุณมีคนที่จะอ่านผลลัพธ์และตัดสินใจหรือไม่ 3. งบต่อ task สูงสุดที่รับได้คือเท่าไร 4. คุณต้องการเอกสารประกอบหรือต้องการแค่โค้ดที่รันได้ 5. โปรเจกต์ยังมี commit ในหกเดือนล่าสุดหรือไม่ ถ้าตอบข้อ 1 กับข้อ 2 ไม่ได้ ทีม agent จะทำให้คุณเสียเวลาและเงินมากกว่าที่คิด บทเรียนที่ผมอยากฝากไว้ คำว่า multi-agent ฟังดูเหมือนความก้าวหน้า แต่ตัวที่ทำให้ผลลัพธ์ดีขึ้นจริงคือข้อกำหนดที่ชัดและการตรวจรับที่มีคนรับผิดชอบ ทีม agent ที่ไม่มีสเปกก็คือคนสิบคนที่เดาพร้อมกัน บทถัดไปผมจะลงไปดูชั้นที่ลงมือจริง คือ OpenHands, SWE-agent และ Aider ว่าตัวไหนรันคำสั่งได้จริงแค่ไหน และอะไรคือราคาที่ต้องจ่ายเมื่อปล่อยให้มันทำงานเอง ถ้าคุณอยากลองด้วยตัวเอง เริ่มจาก agent เดี่ยวหนึ่งตัวแล้ววัดจำนวน token ที่ใช้ต่องานก่อน แล้วค่อยขยับไปทีม agent หากคุณกำลังเลือกว่าจะเริ่มจากทีม agent หรือ agent เดี่ยว เล่าให้ผมฟังได้ว่าทีมคุณมีคนรีวิวกี่คน และงานส่วนใหญ่เป็นงานใหม่หรือแก้ของเดิม เพราะสองคำตอบนี้เปลี่ยนคำแนะนำทั้งหมด แหล่งอ้างอิง [1] GitHub, "bmad-code-org/BMAD-METHOD" README, สืบค้น 23 ต.ค. 2026 (54,458 ดาว · อัปเดต 20 ต.ค. 2026 · แบดจ์ MIT แต่ GitHub จัดเป็น NOASSERTION · v6.12 เสถียรและ v7 preview alpha · add-on BMad Test Architect และ BMad Loop · ถ้อยเรื่อง agent เปลี่ยนสมมติฐานเป็นโค้ด). bmad-code-org/BMAD-METHOD [2] GitHub, "OpenBMB/ChatDev" README, สืบค้น 23 ต.ค. 2026 (Apache-2.0 · 34,573 ดาว · อัปเดต 16 ต.ค. 2026 · แยกคำอธิบาย 1.0 Legacy ซึ่งครอบ designing/coding/testing/documenting กับ 2.0 DevAll ที่เป็น zero-code multi-agent platform รองรับ data visualization, 3D generation และ deep research · ประกาศ 7 ม.ค. 2026). OpenBMB/ChatDev [3] GitHub, "FoundationAgents/MetaGPT", สืบค้น 23 ต.ค. 2026 (MIT · 70,973 ดาว · commit ล่าสุด 21 ม.ค. 2026). FoundationAgents/MetaGPT [4] GitHub, "bmad-code-org/bmad-method-test-architecture-enterprise", สืบค้น 23 ต.ค. 2026 (ที่อยู่ของ add-on ด้านเทสต์ที่ README ของ BMAD ลิงก์ไป). bmad-code-org/bmad-method-test-architecture-enterprise [5] arXiv, "MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework" (arXiv:2308.00352, 2023), สืบค้น 23 ต.ค. 2026. arxiv.org [6] GitHub, "bmad-code-org/BMAD-METHOD: docs/reference/skills-and-agents.md", สืบค้น 23 ต.ค. 2026 (รายการ skill และ agent ที่ตัวติดตั้งสร้าง รวมบทบาท analyst, product manager, architect, dev และ QA). github.com/bmad-code-org/BMAD-METHOD/blob/main/do… [7] arXiv, "ChatDev: Communicative Agents for Software Development" (arXiv:2307.07924, 2023), สืบค้น 23 ต.ค. 2026. arxiv.org

Links VoiceStudio: debpalash/VoiceStudio Odysseus: odysseus-dev/odysseus Free LLM APIs: mnfst/awesome-free-llm-apis Vane: ItzCrazyKns/Vane InvokeAI: invoke-ai/InvokeAI ACE-Step: ace-step/ACE-Step OpenShorts: mutonby/openshorts Dyad: dyad-sh/dyad OpenManus: FoundationAgents/OpenManus Upscayl: upscayl/upscayl These are alternatives, not drop-in replacements. Some run fully locally, some still need API keys, and several need a capable GPU or Docker. Check each project’s own installation instructions and licence before you rely on it.