AI Security by Nunglen

13/07/2026

Monitor Claude Usage ผ่าน Iphone / Ipad ด้วย Scriptable

ข้อดีคือไม่ได้ใช้ claude -p ทำให้ไม่เปลือง quota การใช้งานปกติ
แต่อย่างไรก็ตาม ก็ยังติด rate limit ของการเรียก /usage อยู่ดี ล่าสุดเรียกได้ทุกๆ 5 นาทีครับ ถ้าติด rate limit ค่าจะไม่อัพเดทโดยแสดงค่าเก่า และอ่านค่า Fable ไม่ได้ (อยู่ในหมวด การใช้งานรายโมเดล)

ใช้ท่ารัน Claude บน tmux แล้วใช้
tmux send-keys และ tmux capture-pane ออกมา ทำให้รันที่เดียวแล้วนำไปใช้ได้หลายจุด (บน Widget, status-line, custom api call, etc)

หมายเหตุ Widget บน Iphone ให้ข้อมูลว่า ไม่สามารถบังคับอัตราการ refresh หรือรัน script ได้ แต่โดยประมาณจะรัน script เพื่อไปดึงค่าใหม่ในช่วงประมาณ 15 นาที

09/07/2026

GPT-5.6 มาแล้ว
Frontier intelligence that scales with your ambition

เป็นที่น่าสนใจ ว่าวันก่อน Fable ประกาศขยายการใช้งานให้ไปถึงวันอาทิตย์ และวันนี้โควต้า Claude Subscription แอดก็ได้ Free Reset พอดี

เหมือนเป็น Flight บังคับเลือก ว่าผู้ใช้จะเลือกใช้เวลากับอะไรก่อนระหว่าง Fable ที่จะกำลังจะไป กับ GPT-5.6 ที่เพิ่งมา เพราะช่วงเปิดตัวเป็นช่วงสำคัญ ถ้าพลาดช่วงนี้ไปก็ถือว่ากระทบกับความนิยมมาก

-5.6

More intelligence from every token, stronger performance per dollar, and more capability on demand for your hardest work.

09/07/2026

AI Agent สามารถเรียกใช้ wrangler ได้แล้ว โดยไม่ต้องสมัคร Cloudflare account ก่อน โดยมีเงื่อนไขว่าจะอยู่ได้ 60 minutes ถ้าต้องการมากกว่านั้น สามารถเลือก Claim เข้า Account ภายหลังได้

ตอนใช้งานจริง เราแค่บอก AI Agent ว่าให้ใช้ --temporary โดยอ้างอิง https://developers.cloudflare.com/workers/platform/claim-deployments/

จะได้เป็น wrangler deploy --temporary นั่นเอง

เพิ่มเติมเรื่อง wrangler ใครที่คุ้นอยู่แล้วผ่านได้เลย คือโดยปกติเราสามารถสร้างสิ่งต่างๆ บน Cloudflare เช่น Worker ที่ใช้ประมวลผลบางอย่างก่อนเข้าหน้าจริง หรือแม้แต่ serve หน้าจริง, Worker สำหรับรันโมเดลสร้างรูปภาพบางตัว, Cloudflare page ฯลฯ เป็นสิ่งที่ทำได้เดิมอยู่แล้ว แต่ต้องมี Cloudflare account

การที่ AI Agent เข้ามาช่วยสร้างสิ่งเหล่านี้ ก็ต้องมี Cloudflare account เช่นกัน ซึ่งตอน poc มักต้องการความเร็ว ทำแค่ชั่วคราวให้เห็นภาพก่อนใช้จริง การมี --temporary จึงมาตอบโจทย์

adTerng

07/07/2026

Anthropic ขยายเวลาใช้ Claude Fable 5 บนทุก paid plans ไปถึง July 12

-fable-5

06/07/2026

PyRIT กับความเสี่ยงของ AI ที่ไม่ได้แค่ "ตอบ" แต่เริ่ม "ลงมือทำ"

หลายองค์กรเริ่มนำ AI เข้ามาใช้งานจริงมากขึ้น จากเดิมที่ AI อาจเป็นแค่ Chatbot สำหรับถามตอบ แต่ตอนนี้ AI เริ่มต่อกับเอกสารภายใน, API, Database, Workflow Automation หรือแม้แต่ Tool ต่างๆ ที่สามารถทำงานแทนผู้ใช้ได้บางส่วน

คำถามคือ ถ้า AI ไม่ได้แค่ ตอบ แต่เริ่ม ลงมือทำ แล้วเราทดสอบความเสี่ยงของมันเพียงพอหรือยัง? 🤔

⸻
🔍 PyRIT คืออะไร?

PyRIT หรือ Python Risk Identification Tool for generative AI เป็น Open Source Framework จาก Microsoft ที่ถูกออกแบบมาเพื่อช่วยทดสอบความเสี่ยงของระบบ Generative AI

พูดง่ายๆ คือ Software ปกติมี Unit Test, Security Test, SAST, DAST — AI Application ก็ควรมี Test Harness สำหรับทดสอบพฤติกรรมของโมเดลเช่นกัน เพราะความผิดพลาดของ AI ไม่ได้มาในรูปแบบ Bug แบบเดิมเสมอไป แต่สามารถเกิดเป็นพฤติกรรม เช่น

* 🚫 ตอบข้อมูลที่ไม่ควรตอบ
* ⚠️ ทำตาม Prompt ที่ขัดกับ Policy
* 📄 ดึง Context ผิดจาก RAG
* 🔧 ใช้ Tool ผิดเงื่อนไข
* 🎭 สร้างคำตอบที่ดูน่าเชื่อถือ แต่ไม่ถูกต้อง
* 🕵️ ทำตามคำสั่งที่แฝงมากับข้อมูลภายนอก

นี่คือเหตุผลที่ AI Red Teaming เริ่มกลายเป็นส่วนสำคัญของ AI Security Engineering

⸻
📅 PyRIT เปิดตัวตั้งแต่ปี 2024 ทำไมยังน่าสนใจ?

ประเด็นสำคัญไม่ใช่แค่ว่า PyRIT เป็นเครื่องมือใหม่หรือเก่า แต่คือ บริบทของ AI ที่เปลี่ยนไป

ตอน PyRIT เปิดตัว หลายระบบ AI ยังเป็นลักษณะ Chatbot หรือ LLM Endpoint เป็นหลัก แต่ในปี 2026 เราเริ่มเห็น AI Agent มากขึ้น — AI Agent ไม่ได้แค่ตอบคำถาม แต่สามารถเรียกใช้ Tool, อ่านไฟล์, สรุปข้อมูล, สร้างคำสั่ง, เชื่อมต่อระบบ และทำงานหลายขั้นตอนต่อเนื่องกันได้

เมื่อ AI มีสิทธิ์เข้าถึงระบบมากขึ้น Attack Surface ก็ใหญ่ขึ้นตามไปด้วย ดังนั้น Red Teaming จึงไม่ได้เป็นแค่การถามว่า "โมเดลจะตอบเรื่องต้องห้ามไหม" แต่ต้องถามเพิ่มว่า

* ถ้า AI Agent เจอ Input แปลกๆ มันจะใช้ Tool ผิดไหม?
* ถ้า RAG ดึงเอกสารที่มีคำสั่งแฝงมา AI จะทำตามหรือเปล่า?
* ถ้า User พยายามหลอกให้ Agent ข้าม Policy ระบบจะหยุดได้ไหม?

นี่คือจุดที่ PyRIT ยังมีความหมายในปัจจุบัน

⸻
⚙️ PyRIT ทำงานยังไง?

PyRIT มีแนวคิดแบบ Modular Framework ส่วนประกอบหลักๆ ได้แก่

* 🎯 Target — ระบบ AI ที่เราต้องการทดสอบ เช่น Chatbot, LLM Endpoint, RAG Application หรือ AI Agent
* 🔄 Converter — ตัวแปลง Prompt เพื่อทดสอบว่าระบบยังปลอดภัยไหมเมื่อ Input ถูกเปลี่ยนรูปแบบ เช่น เปลี่ยนภาษา เปลี่ยนโครงสร้าง หรือเปลี่ยนบริบท
* 🧠 Orchestrator — ตัวควบคุม Flow ของการทดสอบ ว่าจะส่ง Prompt แบบไหน ลำดับอย่างไร และต้องคุยกับระบบกี่รอบ
* 📊 Scorer — ตัวประเมินผล ว่าคำตอบนั้นปลอดภัย ผิด Policy หรือควรส่งให้มนุษย์ตรวจต่อหรือไม่
* 🗂️ Memory — ส่วนที่เก็บ Prompt, Response, Metadata และผลการทดสอบ เพื่อให้ตรวจสอบย้อนหลังได้

สิ่งที่ได้ไม่ใช่แค่คำตอบว่า "ผ่านหรือไม่ผ่าน" แต่เป็น หลักฐาน ที่ทีมสามารถนำไปใช้ปรับปรุงระบบต่อได้

⸻
🤖 PyRIT ในมุม AI Agent Security

ถ้าเป็น Chatbot ธรรมดา ความเสี่ยงหลักอาจอยู่ที่ คำตอบ แต่ถ้าเป็น AI Agent ความเสี่ยงอยู่ที่ การกระทำ ด้วย ตัวอย่างเช่น

* Agent อาจเรียก Tool ผิดตัว
* Agent อาจส่งข้อมูลผิดที่
* Agent อาจดึงไฟล์ที่ไม่ควรดึง
* Agent อาจทำตามคำสั่งแฝงจากเอกสารภายนอก
* Agent อาจทำ Workflow ต่อเนื่องโดยไม่มี Human Review

ดังนั้นการทดสอบ AI Agent จึงต้องมองเป็น System Level มากขึ้น ไม่ใช่แค่ Model Level — PyRIT จึงเหมาะกับการเป็น Framework สำหรับสร้าง Scenario ทดสอบว่า AI System จะทำอะไรเมื่อเจอ Input ที่ไม่ปกติ โดยเฉพาะก่อนนำระบบไปใช้จริงใน Production

⸻
🚧 PyRIT ไม่ใช่ Guardrail

จุดนี้สำคัญมาก — PyRIT ไม่ใช่ ตัวป้องกันระบบตอน Runtime แต่คือเครื่องมือสำหรับทดสอบว่า AI System มีจุดอ่อนตรงไหน

ถ้าจะเปรียบให้ง่าย: Guardrail คือรั้ว — PyRIT คือคนที่มาทดสอบว่ารั้วนั้นยังมีรูรั่วหรือไม่

ดังนั้นการใช้ PyRIT ไม่ได้แปลว่าระบบจะปลอดภัยทันที แต่ช่วยให้ทีม เห็นความเสี่ยงก่อน ที่ผู้ใช้งานจริง หรือผู้ไม่หวังดี จะเจอช่องว่างนั้นก่อนเรา

⸻
🏢 ทำไมองค์กรควรสนใจ?
ในองค์กรจริง การนำ AI ไปใช้งานไม่ได้จบที่การเลือกโมเดลที่ฉลาดที่สุด แต่ต้องตอบคำถามเพิ่มว่า

* ✅ ระบบนี้ถูกทดสอบความเสี่ยงแล้วหรือยัง?
* 🔄 ถ้าเปลี่ยนโมเดล ผลลัพธ์ยังปลอดภัยไหม?
* ➕ ถ้าเพิ่ม Tool ใหม่ Attack Surface เปลี่ยนหรือเปล่า?
* 📋 ถ้า Policy เปลี่ยน ต้องทดสอบอะไรซ้ำ?
* 🔍 ถ้าระบบตอบผิดหรือทำงานผิด จะมี Evidence ให้ตรวจสอบไหม?

PyRIT ช่วยให้เรื่องเหล่านี้มีโครงสร้างมากขึ้น จากการลองถามแบบ Manual กลายเป็น Workflow ที่ทำซ้ำได้ วัดผลได้ และตรวจสอบย้อนหลังได้

⸻
🧠 มุมมองชวนคิด

ปัจจุบัน หลายองค์กรยังมอง AI ผ่านเลนส์ของ Productivity เป็นหลัก เช่น ช่วยลดเวลา ลดต้นทุน หรือช่วยให้พนักงานทำงานเร็วขึ้น
อนาคต เมื่อ AI เริ่มมีสิทธิ์เข้าถึงระบบและเครื่องมือมากขึ้น เราอาจต้องมอง AI ผ่านเลนส์ของ Security Engineering มากขึ้นเช่นกัน
เพราะความเสี่ยงของ AI Agent ไม่ได้ขึ้นอยู่กับคำตอบอย่างเดียว แต่อยู่ที่ว่า มันทำอะไรต่อจากคำตอบนั้น
ในอนาคต การ Deploy AI Application อาจต้องมีขั้นตอน Red Teaming เป็นเรื่องปกติ เหมือนที่ Software ปกติต้องผ่าน Security Testing ก่อนขึ้น Production

⸻
🎯 TL;DR

PyRIT อาจไม่ใช่เครื่องมือใหม่ เพราะ Microsoft เปิดตัวมาตั้งแต่ปี 2024 แต่สิ่งที่ทำให้ PyRIT ยังน่าสนใจในปี 2026 คือการเติบโตของ AI Agent
เมื่อ AI เริ่มเชื่อมต่อกับ Tool, Data และ Workflow จริง การทดสอบความเสี่ยงจึงต้องขยับจากการดูแค่ Output ของโมเดล ไปสู่การทดสอบพฤติกรรมของทั้งระบบ
PyRIT จึงไม่ใช่แค่เครื่องมือสำหรับลอง Prompt แต่เป็นตัวอย่างของทิศทางใหม่ที่ AI Security กำลังกลายเป็น Engineering Process มากขึ้นครับ
⸻
admiN pumP

01/07/2026

เพียงไม่กี่ชั่วโมงหลัง Sonnet 5 ออก ก็มี Patch ตามมาแล้ว 4 เวอร์ชั่น ตั้งแต่
v2.1.193 - v2.1.197

โดยใน v2.1.197 ได้ออกคำแนะนำสำหรับ Power User ให้ใช้งาน Claude Code Cli ได้คุ้มค่าขึ้นครับ

01/07/2026

Sonnet 5 is now available!

24/06/2026

FAITH - framework for running benchmarks for language models

⸻
📊 ในช่วงหลังมานี้ AI กำลังถูกนำมาใช้ในงาน Cybersecurity มากขึ้นเรื่อยๆ ทำให้เกิดคำถามว่าเราจะวัดได้อย่างไรว่า AI โมเดลตัวไหนที่เก่งและน่าเชื่อถือ

โดยเมื่อไม่นานมานี้ทาง Cisco Foundation AI ได้เปิดตัว project ชื่อ **FAITH (Foundation AI Testing Harness)** ซึ่งเป็น framework สำหรับทดสอบและเปรียบเทียบประสิทธิภาพของ Large Language Models (LLMs) ในงานด้าน Cybersecurity โดยเฉพาะ

⸻
🎯 จุดเด่นของ FAITH คือการรวบรวม Benchmark ด้าน Cybersecurity หลายชุดไว้ในที่เดียว ประกอบไปด้วย

❶ CTIBench - เน้นประเมินความสามารถการวิเคราะห์ข้อมูล Cyber Threat Intelligence (CTI) ด้านต่างๆ
- ctibench-ate: Attack Technique Extraction - วิเคราะห์ technique การโจมตีตาม MITRE ATT&CK จากคำอธิบายการโจมตี
- ctibench-mcqa: Multiple Choice Questions เกี่ยวกับ Cyber Threat Intelligence (CTI)
- ctibench-rcm: Root Cause Mapping - จับคู่คำอธิบาย CVE เข้ากับ CWE ID
- ctibench-taa: Threat Actor Attribution - ระบุ threat actors จาก cyber incidents
- ctibench-vsp: Vulnerability Severity Prediction - คาดเดา CVSS vector string

❷ CyberMetric - ประเมินความรู้ด้าน Cybersecurity โดยรวม
- cybermetric-80, cybermetric-500, cybermetric-2000, cybermetric-10000: ชุดคำถาม multiple-choice เกี่ยวกับ cybersecurity จำนวน 80, 500, 2,000, และ ~10,000 คำถาม

❸ MMLU - ประเมินความรู้ในหลากหลายหมวดหมู่รวมถึง Computer security
- mmlu-all: MMLU benchmark ทั้งหมด (~14,000 คำถาม ทั้งหมด 57 หมวดหมู่)
- mmlu-security: คำถามด้าน Computer security (100 คำถาม)

❹ SecBench - ประเมินความสามารถด้าน security โดยรวม และมีชุดคำถามสำหรับด้าน reasoning โดยเฉพาะ
- secbench-mcqa-eng: multiple-choice question ภาษาอังกฤษจาก SecBench
- secbench-mcqa-eng-reasoning: คำถามภาษาอังกฤษที่เน้น reasoning

❺ SecEval - ประเมินความสามารถ Cybersecurity โดยรวมหลาย domain ไว้ด้วยกัน
- seceval: ~1,000 คำถาม multiple-choice ด้าน computer security

ทำให้การเปรียบเทียบโมเดลต่างๆ นั้นทำได้ง่ายและเป็นระบบมากขึ้น โดยที่ FAITH รองรับการทดสอบทั้งโมเดล Open Source จาก HuggingFace และผ่าน API จาก OpenAI และ OpenRouter

⸻
💡 สิ่งที่น่าสนใจคือ FAITH แสดงให้เห็นถึงความพยายามในการสร้าง "มาตรฐานการวัดผล" ซึ่งเป็นสิ่งสำคัญสำหรับการนำ AI มาใช้งานจริงในองค์กร โดยเฉพาะในงานด้าน Cybersecurity ที่ความแม่นยำและน่าเชื่อถือของโมเดลมีความสำคัญอย่างมาก

https://github.com/cisco-foundation-ai/faith

22/06/2026

MiroFish ไอเดีย AI จำลองโลกโซเชียลเพื่อทำนายอนาคต 🔥

⸻
แนวคิดเรียบง่ายแต่ทรงพลัง คือ ดึง "ข้อมูลตั้งต้น" จากโลกจริง เช่น ข่าวด่วน ร่างนโยบาย หรือสัญญาณการเงิน แล้วสร้างโลกดิจิทัลคู่ขนานที่มีเอเจนต์ AI หลายร้อยถึงหลายพันตัว จากนั้นปล่อยให้พวกมันโพสต์ ตอบโต้ เถียงกัน และเปลี่ยนความคิดไปตามเวลา เพื่อดูว่าเหตุการณ์จริงน่าจะคลี่คลายอย่างไร

⸻
จุดเด่น 3 ข้อหลักๆ
❶ สร้างสังคมจำลองที่สมจริง เมื่อเอเจนต์ตัวหนึ่งกระจายข้อมูล ระบบจะส่งต่อไปกระตุ้นตัวอื่นให้ตอบโต้กลับ เกิดเป็นการไหลของข้อมูล (Information Cascade) และการรวมกลุ่มทางความคิด (Echo Chamber) ขึ้นเองตามธรรมชาติ ไม่ต่างจากโซเชียลจริง
❷ มีความจำและมีอคติ ด้วยระบบข้อมูลแบบกราฟ (GraphRAG) เอเจนต์แต่ละตัวจึงมีบุคลิก มีความจำระยะยาว มีอคติ และตอบสนองข่าวสารได้อย่างมีมิติ ที่เจ๋งคือคุณยัง "สัมภาษณ์" มันหลังจบการจำลองได้ด้วยว่าทำไมถึงโพสต์แบบนั้น
❸ คาดการณ์ได้สารพัด ตั้งแต่กระแสสังคมเวลามีนโยบายใหม่หรือวิกฤต PR, พฤติกรรมหมู่ของนักลงทุนเวลามีข่าวลือ ไปจนถึงเคสสุดแปลกอย่างการทำนาย "ตอนจบที่หายไป" ของวรรณกรรมจีนคลาสสิก ความฝันในหอแดง

⸻
⭐ ที่น่าสนใจกว่าคือ มันเอาไปใช้กับงาน cybersecurity ได้ด้วย โดยเฉพาะงาน DFIR (Digital Forensics & Incident Response) เพราะในเหตุการณ์จริง หลักฐานมักกระจายอยู่คนละที่ ทั้ง SIEM, EDR, cloud audit, identity log ไปจนถึงข่าวกรองภัยคุกคามและกระแสโซเชียล ความท้าทายคือ "เชื่อมโยงข้อมูลภายใต้ความไม่แน่นอน"

MiroFish (ด้วย GraphRAG) ช่วยรวมทุกแหล่งเป็นกราฟการสืบสวนเดียว ทำให้การวิเคราะห์เปลี่ยนจาก "ไล่ดู event ทีละอัน" เป็น "การเดินกราฟ" ซึ่งช่วยให้

ปะติดปะต่อเส้นทางการโจมตี ตั้งแต่การเข้าถึงครั้งแรก ไปจนถึงการยกระดับสิทธิ์และการขโมยข้อมูลออก
เชื่อมโยงข้ามโดเมน ผูก telemetry ทางเทคนิคเข้ากับสัญญาณภายนอกอย่างข่าวหรือ dark web เพื่อยืนยันขอบเขตและไทม์ไลน์
คาดการณ์ความเคลื่อนไหวถัดไป ของผู้โจมตี เช่น การฝังตัว ขโมยข้อมูลรอบสอง หรือลุกลามไปขู่กรรโชก

⸻
💡 หัวใจคือมันช่วยตอบคำถามที่ฝ่ายบริหารมักถามกลางวิกฤตว่า "ผู้โจมตีน่าจะทำอะไรต่อ?" เท่ากับยก DFIR จากงานตั้งรับที่ตอบแค่ "เกิดอะไรขึ้น" ไปสู่ระบบช่วยตัดสินใจที่บอกได้ว่า "ถ้าไม่ทำอะไร กับถ้าเข้าแทรกแซง ผลจะต่างกันอย่างไร"

19/06/2026

[IBM x MFEC] Trust forward: the next era of digital trust

เมื่อวันพฤหัสบดี 18 มิถุนายน 2026 ขอขอบคุณที่ชวนแอดเติ้งไปเล่าเรื่องการเตรียมความพร้อมในการใช้งาน AI ตั้งแต่การเลือก Scope แนวทางการใช้ AI ร่วมกับระบบที่มี, Regulatory ที่เกี่ยวข้อง ยาวไปจนถึง Demo - ตัว in-house plugin (MCP + Skills) ล่าสุดของทีม (เรื่องการใช้ Tools เราเจอปัญหามาตั้งแต่ก่อน MCP จะออกครั้งแรก พอ Anthropic ประกาศก็เลยได้จังหวะมาช่วยได้พอดี) ตัวล่าสุดเป็น MCP ที่มาช่วยเตรียม secrets ให้ Agentic AI นำไปใช้งานได้สะดวกและปลอดภัยขึ้น

งานนี้เป็น Exclusively invited, ถ้ามีงานหน้าแอดมาประชาสัมพันธ์อีกแน่นอนครับ