เรียนรู้ AI Agent Skills
จากง่ายไปยาก

skills/devops/auto-deploy-hostinger/
├── SKILL.md              # คำอธิบาย + ขั้นตอน
├── scripts/
│   ├── build.sh          # สร้าง production build
│   └── deploy.py         # อัปโหลดผ่าน API
└── templates/
    └── nginx.conf        # nginx config template

---
name: auto-deploy-hostinger
description: Use when deploying a website to Hostinger. Builds, zips, uploads, configures DNS, and verifies deployment automatically.
version: 1.0.0
author: Your Name
license: MIT
metadata:
  hermes:
    tags: [deploy, hostinger, automation, mcp]
    related_skills: [mcporter, native-mcp]
---

# Auto Deploy to Hostinger

## Overview
Deploy เว็บไซต์จาก Git repo ไป Hostinger ครบวงจร
- build → zip → upload → DNS → SSL → verify

## When to Use
- เมื่อต้อง deploy static site หรือ JS app
- เมื่อต้องการ deploy อัตโนมัติจาก git push
- Don't use for: WordPress (ใช้ hosting_importWordpressWebsite)

## ขั้นตอน
1. Build: npm run build หรือใช้ script ใน templates/
2. Zip: สร้าง archive จาก dist/ หรือ build/
   zip -r deploy.zip dist/
3. Deploy: เรียก Hostinger MCP
   mcporter call hostinger.hosting_deployStaticWebsite ...
4. DNS: เพิ่ม A record สำหรับ domain
   DNS_updateDNSRecordsV1 domain="..." zone=[...]
5. SSL: ติดตั้ง certbot บน VPS
6. Verify: curl https://domain → ตรวจ HTTP 200

## Pitfalls
1. node_modules อยู่ใน zip → deploy ช้า + ไฟล์ใหญ่
   → แก้: ใช้ .gitignore หรือ exclude ตอน zip
2. DNS ยังไม่ propagate → เข้าเว็บไม่ได้ทันที
   → แก้: รอ 5-10 นาที หรือใช้ --resolve flag
3. Token หมดอายุ → API ตอบ 401
   → แก้: เก็บ token ใน config ไม่ใช่ในโค้ด

## Verification Checklist
- [ ] Build สำเร็จ ไม่มี error
- [ ] Zip ขนาดเหมาะสม (< 100MB)
- [ ] HTTP 200 จาก domain
- [ ] HTTPS ทำงาน (Let's Encrypt)
- [ ] DNS record ถูกต้อง

# scripts/deploy.py
import subprocess, json, os

def deploy(domain, archive_path):
    """Deploy to Hostinger via MCP"""
    result = subprocess.run([
        'node', 'hostinger-api-mcp',
        # MCP will use HOSTINGER_API_TOKEN env var
    ], capture_output=True, text=True,
       env={**os.environ,
            'HOSTINGER_API_TOKEN': read_token()})

    # Call deploy tool
    mcp_call('hosting_deployStaticWebsite', {
        'domain': domain,
        'archivePath': archive_path,
        'removeArchive': True
    })

    # Add DNS
    mcp_call('DNS_updateDNSRecordsV1', {
        'domain': domain,
        'zone': [{'name': '@', 'type': 'A',
                  'records': [{'content': VPS_IP}]}]
    })

# templates/nginx.conf
server {
    listen 80;
    server_name {{DOMAIN}};
    root /var/www/{{DOMAIN}};
    index index.html;
    location / {
        try_files $uri $uri/ =404;
    }
    gzip on;
    gzip_types text/css application/javascript
               text/html application/json;
}

skills/data-science/customer-analysis/
├── SKILL.md                    # main skill file
├── references/
│   ├── airtable-api.md         # Airtable query patterns
│   ├── chart-templates.md      # รูปแบบกราฟที่ใช้บ่อย
│   └── report-format.md        # รูปแบบรายงานมาตรฐาน
├── scripts/
│   ├── fetch_data.py           # ดึงข้อมูลจากหลายแหล่ง
│   ├── analyze.py              # วิเคราะห์ + สร้าง insight
│   └── generate_report.py      # สร้าง HTML report
└── templates/
    ├── report.html             # HTML report template
    └── email-template.html     # อีเมล template

---
name: customer-analysis
description: Use when analyzing customer behavior. Pulls data from Airtable + Sheets, generates charts, summarizes with AI, and emails a report.
version: 1.0.0
metadata:
  hermes:
    tags: [data, analysis, airtable, email]
    related_skills: [airtable, google-workspace, jupyter-live-kernel]
---

# Customer Analysis Pipeline

## Overview
Pipeline วิเคราะห์ลูกค้า 5 ขั้นตอน:
Fetch → Clean → Analyze → Visualize → Report

## When to Use
- วิเคราะห์พฤติกรรมการซื้อ
- สรุปข้อมูลลูกค้ารายเดือน/รายไตรมาส
- สร้าง report อัตโนมัติสำหรับทีมการตลาด

## Pipeline Steps

### Step 1: Fetch Data
อ่านจากหลายแหล่ง — ดู references/airtable-api.md
สำหรับ query patterns เฉพาะ

### Step 2: Clean + Merge
ใช้ pandas รวมข้อมูล, จัดการ missing values

### Step 3: Analyze
ดู references/chart-templates.md สำหรับ
chart types ที่แนะนำตามประเภทข้อมูล

### Step 4: Generate Report
รูปแบบ report อยู่ใน references/report-format.md

### Step 5: Email
ส่งผ่าน himalaya CLI

## Pitfalls
1. API rate limit (Airtable 5 req/sec)
   → แก้: ใช้ batch requests
2. ข้อมูลซ้ำซ้อนระหว่างแหล่ง
   → แก้: deduplicate ก่อน merge
3. Chart ออกมาไม่อ่านง่าย
   → แก้: ใช้ template จาก references/

# Airtable API Patterns

## Query with filter
GET /v0/{base_id}/{table_name}?filterByFormula={formula}

## ตัวอย่าง: ลูกค้าที่ซื้อเดือนนี้
filterByFormula=AND(
  {Purchase_Date} >= "2025-01-01",
  {Status} = "completed"
)

## Pagination
- offset จาก response ก่อนหน้า
- max 100 records per request
- batch ทีละ 5 requests เพื่อหลีกเลี่ยง rate limit

# scripts/fetch_data.py
import requests, pandas as pd, json

def fetch_airtable(base_id, table, token):
    """ดึงข้อมูลจาก Airtable พร้อม pagination"""
    all_records = []
    offset = None
    while True:
        url = f"https://api.airtable.com/v0/{base_id}/{table}"
        params = {'pageSize': 100}
        if offset:
            params['offset'] = offset
        resp = requests.get(url,
            headers={'Authorization': f'Bearer {token}'},
            params=params)
        data = resp.json()
        all_records.extend(data.get('records', []))
        offset = data.get('offset')
        if not offset:
            break
    return pd.DataFrame([r['fields'] for r in all_records])

def fetch_gsheet(spreadsheet_id, range_name):
    """ดึงข้อมูลจาก Google Sheets"""
    # ใช้ gws CLI
    result = subprocess.run(
        ['gws', 'sheets', 'get', spreadsheet_id, range_name],
        capture_output=True, text=True
    )
    return pd.read_json(result.stdout)

# scripts/analyze.py
import pandas as pd, matplotlib.pyplot as plt
import seaborn as sns

def analyze(df):
    """วิเคราะห์ + สร้าง charts"""
    insights = {}

    # 1. Top customers
    top = df.nlargest(10, 'total_spent')
    insights['top_customers'] = top[['name','email','total_spent']]

    # 2. Purchase frequency
    freq = df.groupby('customer_id').size()
    insights['avg_frequency'] = freq.mean()

    # 3. Monthly trend
    df['month'] = pd.to_datetime(df['date']).dt.to_period('M')
    monthly = df.groupby('month')['amount'].sum()
    fig, ax = plt.subplots(figsize=(10,5))
    monthly.plot(kind='bar', ax=ax, color='#3b82f6')
    ax.set_title('ยอดซื้อรายเดือน')
    fig.savefig('chart_monthly.png', dpi=150, bbox_inches='tight')

    return insights

# ใน execute_code — รัน pipeline ทั้งหมด
from hermes_tools import terminal

# 1. Fetch
terminal('python3 scripts/fetch_data.py > data.json')

# 2. Analyze
terminal('python3 scripts/analyze.py --input data.json')

# 3. Generate report
terminal('python3 scripts/generate_report.py \
  --template templates/report.html \
  --output report.html')

# 4. Send email
terminal('himalaya message send \
  --to "team@company.com" \
  --subject "รายงานวิเคราะห์ลูกค้า" \
  --body "$(cat report.html)"')

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("sales.csv")
print(df.describe())

df.groupby("month")["revenue"].sum().plot(kind="bar")
plt.title("รายได้รายเดือน")
plt.savefig("chart.png")

# ใน execute_code
from hermes_tools import read_file, write_file
data = read_file("sales.csv")
# กรอง + สรุป + เขียนผลลัพธ์
write_file("summary.txt", summary_text)

send_message(
  target="telegram",
  message="🤖 สวัสดี! นี่คือข้อความจาก AI Agent"
)

cronjob(action='create',
  schedule='0 9 * * *',  # ทุกวัน 9โมงเช้า
  prompt="ตรวจสอบราคาหุ้นและส่งสรุปทาง Telegram",
  deliver='telegram'
)

git checkout -b feat/payment-system
git add .
git commit -m "feat: เพิ่มระบบชำระเงิน"

# โหลด skill code review
skill_view(name='github-code-review')
# AI จะตรวจสอบ diff, security, best practices
# และแนะนำแก้ไข

skill_view(name='stable-diffusion-image-generation')

prompt: """
  พระอาทิตย์ตกที่วัดพระแก้ว,
  สไตล์ watercolor, แสงทอง,
  ultra detailed, 4K
"""

skill_view(name='axolotl')        # Fine-tuning
skill_view(name='peft-fine-tuning') # LoRA/QLoRA
skill_view(name='weights-and-biases') # Experiment tracking

# dataset.jsonl
{"instruction": "อธิบาย LoRA", 
 "output": "LoRA เป็นเทคนิคที่..."}

# Axolotl YAML config
base_model: meta-llama/Llama-3-8B
lora_r: 16
lora_alpha: 32
learning_rate: 2e-4
num_epochs: 3
bf16: true

# Quantize to GGUF
skill_view(name='gguf-quantization')

# Serve with vLLM
skill_view(name='serving-llms-vllm')
# หรือ local inference
skill_view(name='llama-cpp')