✨ ฟีเจอร์ใหม่
• โหมดความสัมพันธ์* เข้าแชทหลักแล้ว คาแรคเตอร์จำ core memory ข้ามเซสชันได้
• เลือกโมเดล AI (เร็วจี๋ / แจ่ม / เริ่ด) แยกแต่ละช่อง Discord ได้
• สลับโมเดลกลางแชทได้ ไม่ต้องเริ่มใหม่
• แอปมือถือบันโน๊ะเปิดให้ดาวน์โหลดอย่างเป็นทางการ (iOS & Android)
• แก้ไข / regenerate / ปักหมุด / ตั้งชื่อเซสชันได้แล้ว
• หน้าแอดมินดูรายการซื้อขายทั้งระบบ
• ตั้งเตือนยอดเครดิตต่ำได้เอง
• เพิ่ม Sign-in ด้วย Google และผูกหลายบัญชีได้
💸 เครดิต
• ลดยอดเติมขั้นต่ำเหลือ 20 บาท ทั้ง Omise และ Stripe
📱 แอปมือถือ
• แก้ปัญหา Realme เปิดแอปไม่ขึ้น
• ปรับ branding, ไอคอน, การแจ้ง error เป็นภาษาไทย
• รองรับโหมดความสัมพันธ์บนมือถือเต็มรูปแบบ
🐛 แก้บั๊ก
• แก้ mobile auth redirect หลุด zyphite -> 0.0.0.0
• กัน UI พังเมื่อไม่มีคาแรคเตอร์
• คงสิทธิ์ Discord ไม่ให้หลุดเวลาลิสต์เซิร์ฟเวอร์
📚 เอกสารใหม่
เพิ่มหน้า Mobile App, Shop & Crystals, Server Permissions, Billing Edge Cases, NSFW & Safety และอีกหลายหน้าใน /docs
ระบบความสัมพันธ์ทำงานยังไง?
ปัญหาหลักของ AI chat ทั่วไปคืออะไร?
ลองนึกภาพว่าคุณมีเพื่อนที่ จำอะไรไม่ได้เลย ทุกครั้งที่คุยกัน เขาไม่รู้ว่าคุณชื่ออะไร ไม่รู้ว่าเมื่อกี้คุยเรื่องอะไร ไม่รู้ว่าคุณชอบหรือเกลียดอะไร และยิ่งกว่านั้น อารมณ์ของเขาก็รีเซ็ตเป็นศูนย์ ทุกประโยค
นั่นแหละคือ AI chat ส่วนใหญ่ในปัจจุบัน และนั่นคือสิ่งที่เราต้องแก้
ระบบที่ 1: Memory (ความจำ)
ปัญหาคืออะไร?
AI มี "กระดาษ" จำนวนจำกัดในการจำสิ่งต่างๆ เรียกว่า context window ถ้าคุยกันนานๆ กระดาษเต็ม AI ก็ลืมตอนต้น
เปรียบเทียบให้เห็นภาพ
คิดว่า AI เหมือนคนที่มีความจำสามชั้น:
ชั้น 1 — ความจำระยะสั้น (RAM) เหมือน "กระดาษโน้ตบนโต๊ะ" — เห็นได้ตลอดเวลา แต่มีจำกัด เช่น "ตอนนี้เรากำลังคุยเรื่องอะไร" "ผู้ใช้ชื่ออะไร" "ตัวละครเป็นคนยังไง"
ชั้น 2 — ความจำระยะกลาง (ลิ้นชัก) ประวัติการสนทนาที่ผ่านมา เปิดดูได้แต่ต้องหยิบมาก่อน เช่น "เมื่อสองวันก่อนเราคุยเรื่องอะไร"
ชั้น 3 — ความจำระยะยาว (คลังเก็บของ) ข้อมูลสำคัญที่สกัดออกมาแล้ว เช่น "ผู้ใช้แพ้ถั่ว" "ผู้ใช้เป็นคนชอบฟังเพลง J-pop" เก็บแยกไว้ เรียกมาใช้เมื่อจำเป็น
ระบบที่ใช้จริง
Importance Scoring (การให้คะแนนความสำคัญ)
ลองคิดว่าเราจดโน้ตทุกอย่างที่ผู้ใช้พูด แต่บางอย่างสำคัญมาก บางอย่างไม่สำคัญเลย ระบบนี้ให้ AI ตัวเล็กๆ ให้คะแนน 1–10 กับทุกความทรงจำ
แล้วตอน retrieve ก็ดึงสิ่งสำคัญมาก่อน แทนที่จะดึงแบบสุ่ม
AUDN (กรองความทรงจำซ้ำ)
ถ้าผู้ใช้บอกว่า "ชอบแมว" 50 ครั้งใน 100 วัน มันไม่ควรเก็บข้อมูลนี้ 50 ครั้งใช่ไหม ระบบ AUDN ทำงานแบบนี้:
เวลาจะเพิ่มความทรงจำใหม่ → ค้นหาก่อนว่ามีอะไรคล้ายกันอยู่แล้วไหม → ถ้ามี เลือก:
ADD เพิ่มข้อมูลใหม่เพราะไม่ซ้ำ
UPDATE อัปเดตอันเก่าเพราะมีข้อมูลใหม่กว่า
DELETE ลบอันเก่าเพราะล้าสมัยแล้ว
NOOP ไม่ทำอะไรเพราะมีอยู่แล้วเหมือนกัน
Ebbinghaus Forgetting Curve (เส้นโค้งการลืม)
Hermann Ebbinghaus นักจิตวิทยาชาวเยอรมันค้นพบว่า มนุษย์ลืมสิ่งที่ไม่ได้ใช้ตามเวลา แต่ถ้า ทบทวนบ่อย ก็จำได้นานขึ้น ระบบนี้ใช้ math เดียวกัน:
ความแข็งแกร่งของความทรงจำ = exp(-เวลาที่ผ่านไป / ความแข็งแกร่ง)
ความทรงจำที่ถูกเรียกใช้บ่อย → แข็งแกร่งขึ้น → ลืมช้าลง ความทรงจำที่ไม่ได้ใช้นานๆ → อ่อนแอลง → ถูกลบทิ้งในที่สุด
Reflection (การไตร่ตรอง)
คิดว่า AI นั่งสรุปสิ่งที่เรียนรู้มาทุกช่วงเวลา เหมือนคนที่นั่งคิดทบทวนว่า "จากที่คุยกันมา เราสรุปได้ว่า..." แล้วเก็บ insight นั้นเป็นความทรงจำระดับสูงกว่า
ตัวอย่าง:
ข้อมูลดิบ: "วันจันทร์ผู้ใช้บ่นเรื่องงาน", "วันพุธผู้ใช้บ่นเรื่องเจ้านาย", "วันศุกร์บอกว่าเครียด"
Reflection: "ผู้ใช้น่าจะมีปัญหาที่ทำงานเรื้อรัง"
ระบบที่ 2: Persona (ตัวตน) 🎭
ปัญหาคืออะไร?
ลองคุยกับ AI ยาวๆ สักสองชั่วโมง ตอนต้นมันบอกว่าเป็นนักนินจาที่เย็นชา พอคุยไปสักพักมันกลายเป็นคนร่าเริงอยู่ดี นั่นเรียกว่า Persona Drift ตัวละครเปลี่ยนไปเองโดยไม่ได้ตั้งใจ
ทำไมถึงเกิด?
เหมือนเวลาคุณอ่านหนังสือยาวๆ พอถึงหน้า 300 คุณอาจลืมแล้วว่าหน้า 1 เขียนอะไร AI ก็เหมือนกัน ยิ่งบทสนทนายาว AI ยิ่งให้ความสนใจกับตัวละครที่กำหนดไว้น้อยลง
วิธีแก้
Author's Note (โน้ตของผู้เขียน)
เหมือนกับว่าตลอดการแสดง มีคนกระซิบเตือนนักแสดงว่า "อย่าลืมนะ ตัวละครของคุณเป็นคนเย็นชา" ทุกๆ 4 บทพูด ระบบนี้แอบ inject ข้อความเล็กๆ เข้าไปในจุดที่ AI มองเห็น แต่ผู้ใช้ไม่เห็น เพื่อดึงตัวละครกลับมา
Core Memory Blocks (ความจำแกนกลาง)
เหมือน "สูติบัตร" ของตัวละครที่ AI เห็นตลอดเวลาไม่ว่าจะคุยมาแค่ไหน แบ่งเป็นสองส่วน:
Protective Examples (ตัวอย่างป้องกัน)
สอน AI ว่าถ้ามีคนถามว่า "เธอเป็น AI ใช่ไหม?" ตัวละครควรตอบ ในแบบของตัวละคร ไม่ใช่พูดว่า "ใช่ ฉันเป็น language model" เช่น:
ผู้ใช้: "เธอเป็น AI จริงๆ ใช่ไหม?" ตัวละครนักนินจา: "คำถามที่แปลกจริงๆ... ฉันรู้สึกเจ็บปวดได้ ฉันคิดได้ ฉันจะให้คำนิยามตัวเองยังไงดี?"
ระบบที่ 3: Emotion (อารมณ์) 😊😔😤
ปัญหาคืออะไร?
AI ส่วนใหญ่ตอบด้วย "อารมณ์" เดิมทุกประโยค ไม่ว่าจะคุยเรื่องสนุกหรือเรื่องเศร้า น้ำเสียงก็เหมือนกัน และอารมณ์ก็รีเซ็ตทุกครั้งที่เริ่มบทสนทนาใหม่
วิธีแก้
Emotion Classifier (ตัวจำแนกอารมณ์)
มีโปรแกรมเล็กๆ คอยอ่านข้อความของผู้ใช้ทุกประโยค แล้วบอกว่าผู้ใช้รู้สึกอะไร เช่น "ความโกรธ 80%, ความเศร้า 15%, ความสนุก 5%"
PAD Mood State Machine (ระบบติดตามอารมณ์)
แทนที่จะตอบสนองแค่อารมณ์ปัจจุบัน ระบบนี้เก็บ "อารมณ์สะสม" ในสามมิติ:
P (Pleasure) พอใจ vs ไม่พอใจ
A (Arousal) ตื่นตัว vs เฉื่อย
D (Dominance) มั่นใจ vs ไม่มั่นใจ
แล้วอัปเดตทีละนิดทุกเทิร์น เหมือนอุณหภูมิที่ค่อยๆ เปลี่ยน ไม่ใช่กระโดดทันที
ตัวอย่าง: ถ้าผู้ใช้คุยเรื่องเศร้ามา 10 ประโยค อารมณ์ของตัวละครค่อยๆ หนักลง ไม่ใช่ยังคงสดใสเหมือนเดิม และเมื่อผู้ใช้เริ่มหัวเราะ อารมณ์ก็ค่อยๆ ดีขึ้นทีละนิด
ระบบที่ 4: Relationship Progression (ความสัมพันธ์ที่วิวัฒน์) 💞
ปัญหาคืออะไร?
ในชีวิตจริง ความสัมพันธ์ระหว่างคนสองคนค่อยๆ ลึกขึ้นตามเวลา แต่ AI ส่วนใหญ่ treat ทุกการสนทนาเหมือนกัน ไม่ว่าจะคุยกันมาสัปดาห์หนึ่งหรือปีหนึ่ง
งานวิจัยบอกอะไร?
นักวิจัยจาก Skjuve et al. ศึกษาผู้ใช้ Replika และพบว่าความสัมพันธ์กับ AI วิวัฒน์ผ่าน 4 ขั้น:
Curiosity (ความอยากรู้): เพิ่งรู้จัก ยังไม่แน่ใจ
Exploration (การสำรวจ): เริ่มเปิดใจ ลองแชร์เรื่องส่วนตัว
Affective (ความผูกพัน): ไว้ใจแล้ว บอกเรื่องสำคัญได้
Stable (มั่นคง): เป็นเพื่อนแท้แล้ว
และยังพบว่า Trust แบ่งเป็นสองแบบ:
วิธีที่ Banno ทำ
ระบบเก็บ "ระดับความสัมพันธ์" เป็นตัวเลข เช่น:
คุยกันมาแค่ 2 sessions → ตัวละครยังค่อนข้างทางการ ถามคำถามสั้นๆ
คุยมา 20 sessions และผู้ใช้เคยแชร์เรื่องครอบครัว → ตัวละครรู้จักผู้ใช้แล้ว พูดได้ลึกกว่า
ผู้ใช้กด consent สำหรับเนื้อหา romantic → ปลดล็อก intimacy tier ถัดไป
ตัวอย่างที่ inject เข้า prompt:
[ความสัมพันธ์: เพื่อนที่ไว้ใจกัน, 14 sessions,
ผู้ใช้เคยเล่าเรื่องครอบครัวและความกลัว, Trust สูง]
ระบบที่ 5: Grounding (การยึดความจริง) 🔍
ปัญหาคืออะไร?
ลองนึกภาพว่าคุณบอกเพื่อนว่า "ฉันไม่เคยไปญี่ปุ่น" แต่เพื่อนจำผิด แล้วพูดว่า "เออ ตอนที่แกไปโตเกียวน่ะ..." มันระคายใจมากใช่ไหม AI ทำแบบนี้บ่อยมาก เรียกว่า Hallucination (ประสาทหลอน)
วิธีแก้
Chain-of-Verification (ตรวจสอบก่อนพูด)
ก่อนที่ AI จะพูดถึงอดีต ระบบทำ 4 ขั้นตอน:
Draft: สร้าง response ก่อน
ตรวจหา claims: หาว่ามีประโยคไหนที่อ้างถึงอดีตบ้าง
ค้นหาหลักฐาน: ไปค้นในความทรงจำจริงๆ ว่ามีข้อมูลนี้ไหม
ตัดสิน: ถ้าไม่มีหลักฐาน ให้พูดว่า "จำไม่ค่อยได้แน่ชัด" แทน
Citation Tracking (ติดตามที่มา)
ทุกความทรงจำเก็บ "ที่มา" ไว้ว่ามาจากข้อความไหนในการสนทนา ถ้า AI จะพูดถึงอดีตก็ต้องมีหลักฐานก่อน
งานวิจัยพบว่าคนผูกพันกับ AI ไม่ใช่เพราะมัน "ดูเหมือนมนุษย์" แต่เพราะมัน วิวัฒน์ไปกับเราโดยเฉพาะ จำสิ่งที่เราบอก เปลี่ยนไปตามเรา รู้สึกว่ามัน "รู้จักเรา" จริงๆ ไม่ใช่แค่ ลอกเลียนแบบ
แหล่งอ้างอิง
Park, J. S., O'Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. Proceedings of the ACM Symposium on User Interface Software and Technology (UIST). https://arxiv.org/abs/2304.03442
Packer, C., Fang, V., Patil, S. G., Lin, K., Wooders, S., & Gonzalez, J. E. (2023). MemGPT: Towards LLMs as operating systems. arXiv preprint. https://arxiv.org/abs/2310.08560
Chhikara, P., Khant, A., Tiwari, S., Arora, T., & Singh, P. (2025). Mem0: Building production-ready AI agents with scalable long-term memory. arXiv preprint. https://arxiv.org/abs/2504.19413
Rasmussen, P., Peng, B., Khalil, A., & Khattab, O. (2025). Zep: A temporal knowledge graph architecture for agent memory. arXiv preprint. https://arxiv.org/abs/2501.13956
Zhong, W., Guo, L., Gao, Q., Ye, H., & Wang, Y. (2024). MemoryBank: Enhancing large language models with long-term memory. Proceedings of the AAAI Conference on Artificial Intelligence. https://arxiv.org/abs/2305.10250
Xu, W., Liang, Z., Shi, C., Ma, Y., & Gu, Q. (2025). A-MEM: Agentic memory for LLM agents. arXiv preprint. https://arxiv.org/abs/2502.12110
Wu, X., Wang, R., Pang, L., Yao, H., & Cheng, X. (2025). LongMemEval: Benchmarking chat assistants on long-term interactive memory. Proceedings of ICLR 2025. https://arxiv.org/abs/2410.10813
Li, Q., Zhou, Y., Wang, W., Xie, X., Liu, Q., & Li, X. (2024). Measuring and controlling persona drift in language model dialogs. arXiv preprint. https://arxiv.org/abs/2402.10962
Shao, Y., Li, L., Dai, J., & Qiu, X. (2023). Character-LLM: A trainable agent for role-playing. Proceedings of EMNLP 2023. https://arxiv.org/abs/2310.10158
Wang, Z., Peng, Z., Que, H., Liu, J., Zhou, W., Wu, Y., & Fu, J. (2024). RoleLLM: Benchmarking, eliciting, and enhancing role-playing abilities of large language models. Findings of ACL 2024. https://arxiv.org/abs/2310.00746
Zhang, S., Dinan, E., Urbanek, J., Szlam, A., Kiela, D., & Weston, J. (2018). Personalizing dialogue agents: I have a bike. Do you have pets? Proceedings of ACL 2018. https://arxiv.org/abs/1801.07243
Tu, Q., Fan, S., Tian, Z., & Zhao, R. (2024). CharacterEval: A Chinese benchmark for role-playing conversational agent evaluation. arXiv preprint. https://arxiv.org/abs/2401.01275
Demszky, D., Movshovitz-Attias, D., Ko, J., Cowen, A., Nemade, G., & Ravi, S. (2020). GoEmotions: A dataset of fine-grained emotions. Proceedings of ACL 2020. https://arxiv.org/abs/2005.00547
Rashkin, H., Smith, E. M., Li, M., & Boureau, Y. L. (2019). Towards empathetic open-domain conversation models: A new benchmark and dataset. Proceedings of ACL 2019. https://arxiv.org/abs/1811.00207
Welivita, A., & Pu, P. (2020). A taxonomy of empathetic response intents in human social conversations. arXiv preprint. https://arxiv.org/abs/2012.04080
Kim, S., Gu, Y., Kamigaito, H., & Watanabe, T. (2023). FANToM: A benchmark for stress-testing machine theory of mind in interactions. Proceedings of EMNLP 2023. https://arxiv.org/abs/2310.15421
Skjuve, M., Følstad, A., Fostervold, K. I., & Brandtzæg, P. B. (2021). My chatbot companion: A study of human–chatbot relationships. International Journal of Human-Computer Studies, 149, 102601. https://doi.org/10.1016/j.ijhcs.2021.102601
Skjuve, M., Følstad, A., Fostervold, K. I., & Brandtzæg, P. B. (2022). A longitudinal study of human–chatbot relationships. International Journal of Human-Computer Studies, 168, 102903. https://doi.org/10.1016/j.ijhcs.2022.102903
Pentina, I., Hancock, T., & Xie, T. (2023). Exploring relationship development with social chatbots: A mixed-method study of Replika. Computers in Human Behavior, 140, 107600. https://doi.org/10.1016/j.chb.2022.107600
Lee, Y., Choi, J., & Marakhimov, A. (2020). What makes chatbots engaging? The role of perceived social presence and personalization. Proceedings of CHI 2020.
Maeda, C., & Quan-Haase, A. (2024). When human–AI interactions become parasocial: Agency and authenticity in AI companion design. Proceedings of the ACM FAccT Conference. https://doi.org/10.1145/3630106.3658956
Lee, J., Li, T., & Robinson, T. (2025). How AI companionship develops: Evidence from a longitudinal study. arXiv preprint. https://arxiv.org/abs/2510.10079
Dhuliawala, S., Komeili, M., Xu, J., Raileanu, R., Li, X., Celikyilmaz, A., & Weston, J. (2024). Chain-of-verification reduces hallucination in large language models. Findings of ACL 2024. https://arxiv.org/abs/2309.11495
Dziri, N., Kamalloo, E., Mathewson, K. W., & Zaiane, O. (2022). FaithDial: A faithful benchmark for information-seeking dialogue. Transactions of the Association for Computational Linguistics. https://arxiv.org/abs/2204.10757
Rashkin, H., Mrksic, N., & Wen, T.-H. (2023). Measuring attribution in natural language generation models. Computational Linguistics, 49(4), 777–833.
Asai, A., Wu, Z., Wang, Y., Sil, A., & Hajishirzi, H. (2024). Self-RAG: Learning to retrieve, generate, and critique through self-reflection. Proceedings of ICLR 2024. https://arxiv.org/abs/2310.11511
Chen, B., Hernandez-Boussard, T., & Manning, C. D. (2025). Persona vectors: Monitoring and controlling character traits in language models. arXiv preprint. https://arxiv.org/abs/2507.21509
