คู่มือ Claude Code
ตั้งค่าโมเดล Claude ของ Flaq AI และสำรวจสกิล Claude Code
ทดลองใช้ Gemini 3.6 Flash API สำหรับวิเคราะห์ไฟล์ ตรวจเอกสาร ดึงข้อมูล สรุป และให้เหตุผลหลายโมดัลผ่าน Google API ของ Flaq AI
const response = await fetch('https://api.flaq.ai/api/v1/chat/completions', {
method: 'POST',
headers: {
Authorization: 'Bearer YOUR_API_KEY',
Accept: 'text/event-stream',
'Content-Type': 'application/json'
},
body: JSON.stringify({
model: 'gemini-3.6-flash-file-analysis',
messages: [
{
role: 'user',
content: [
{ type: 'text', text: 'Summarize this file and extract the key risks.' },
{
type: 'file',
file: {
filename: 'demo.pdf',
file_data: 'https://example.com/demo.pdf'
}
}
]
}
],
stream: true,
max_tokens: 4096
})
});
if (!response.ok) {
const errorBody = await response.json().catch(() => null);
throw new Error(errorBody?.error?.message ?? errorBody?.message ?? `HTTP ${response.status}`);
}
const reader = response.body.getReader();
const decoder = new TextDecoder();
let buffer = '';
let assistantText = '';
while (true) {
const { done, value } = await reader.read();
if (done) break;
buffer += decoder.decode(value, { stream: true });
const frames = buffer.split(/\r?\n\r?\n/);
buffer = frames.pop() || '';
for (const frame of frames) {
const lines = frame.split(/\r?\n/).filter(Boolean);
let eventName = 'message';
const dataLines = [];
for (const line of lines) {
if (line.startsWith('event:')) {
eventName = line.slice(6).trim();
} else if (line.startsWith('data:')) {
dataLines.push(line.replace(/^data:\s*/, ''));
}
}
const raw = dataLines.join('\n').trim();
if (raw === '[DONE]') {
console.log('\nFinal text:', assistantText);
continue;
}
let payload;
try {
payload = JSON.parse(raw);
} catch {
continue;
}
if (eventName === 'error' || payload.error) {
const msg = payload.error?.message ?? payload.message ?? 'Chat request failed';
throw new Error(msg);
}
const delta = payload.choices?.[0]?.delta;
if (delta?.content) {
assistantText += delta.content;
console.log(assistantText);
}
}
}
import json
import requests
response = requests.post(
'https://api.flaq.ai/api/v1/chat/completions',
headers={
'Authorization': 'Bearer YOUR_API_KEY',
'Accept': 'text/event-stream',
'Content-Type': 'application/json',
},
json={
'model': 'gemini-3.6-flash-file-analysis',
'messages': [
{
'role': 'user',
'content': [
{'type': 'text', 'text': 'Summarize this file and extract the key risks.'},
{
'type': 'file',
'file': {
'filename': 'demo.pdf',
'file_data': 'https://example.com/demo.pdf'
}
},
],
}
],
'stream': True,
'max_tokens': 4096,
},
stream=True,
)
response.raise_for_status()
event_name = 'message'
assistant_text = ''
for raw_line in response.iter_lines(decode_unicode=True):
if not raw_line:
event_name = 'message'
continue
if raw_line.startswith('event:'):
event_name = raw_line.replace('event:', '', 1).strip()
continue
if raw_line.startswith('data:'):
raw_data = raw_line.replace('data:', '', 1).strip()
if raw_data == '[DONE]':
print('\nFinal text:', assistant_text)
continue
payload = json.loads(raw_data)
if event_name == 'error' or payload.get('error'):
error = payload.get('error') or payload
raise RuntimeError(error.get('message', 'Chat request failed'))
choices = payload.get('choices') or []
if choices:
delta = choices[0].get('delta') or {}
content = delta.get('content')
if content:
assistant_text += content
print(content, end='', flush=True)
curl -N -X POST "https://api.flaq.ai/api/v1/chat/completions" \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Accept: text/event-stream" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3.6-flash-file-analysis",
"messages": [
{
"role": "user",
"content": [
{ "type": "text", "text": "Summarize this file and extract the key risks." },
{
"type": "file",
"file": {
"filename": "demo.pdf",
"file_data": "https://example.com/demo.pdf"
}
}
]
}
],
"stream": true,
"max_tokens": 4096
}'
| พารามิเตอร์ | ราคา | ราคาเดิม | ส่วนลด |
|---|
API Gemini 3.6 Flash File Analysis นำความเข้าใจแบบหลายสื่อของ Gemini มาสู่เส้นทาง Flaq AI ที่ออกแบบมาสำหรับ คำถามที่มุ่งเน้นไฟล์ ช่วยให้แอปพลิเคชันผสานคำสั่งที่เป็นลายลักษณ์อักษรเข้ากับเนื้อหาต้นฉบับที่อัปโหลด และ เพิ่มข้อมูลอ้างอิงด้านภาพได้ตามต้องการ เพื่อสร้างการตอบกลับข้อความที่ชัดเจนสำหรับเวิร์กโฟลว์การวิเคราะห์ การดึงข้อมูล การสรุป และการตรวจสอบ การผสานรวมรองรับรูปแบบคำขอหลายไฟล์ที่มีขอบเขต เพื่อให้ทีมสามารถจัดระเบียบงานที่มุ่งเน้นเอกสาร โดยไม่ทำให้โฟลว์แชตทั่วไปทำงานหนักเกินไป
การวิเคราะห์ที่มุ่งเน้นไฟล์: ถามคำถามเกี่ยวกับเนื้อหาต้นฉบับที่อัปโหลดและรับข้อความที่สรุป อธิบาย จัดระเบียบ หรือดึงข้อมูลที่เกี่ยวข้องมากที่สุด
การรองรับบริบทแบบหลายสื่อ: ผสานเนื้อหาไฟล์เข้ากับคำสั่งที่เป็นลายลักษณ์อักษร และเพิ่มรูปภาพประกอบเมื่อเป็นประโยชน์ เพื่อมอบบริบทการวิเคราะห์ที่ชัดเจนขึ้นแก่โมเดล
เวิร์กโฟลว์บริบทยาวที่มีประสิทธิภาพ: ใช้ตระกูลโมเดล Gemini Flash สำหรับงานที่มีเอกสารจำนวนมากซึ่งได้รับประโยชน์จาก การให้เหตุผลที่เข้าใจบริบทและเอาต์พุตที่กระชับ
คำขอหลายไฟล์ที่มีขอบเขต: เก็บเนื้อหาต้นฉบับที่เกี่ยวข้องไว้ด้วยกันในเวิร์กโฟลว์อินพุตไฟล์ Flaq AI ที่รองรับ แทนการแบ่งงานวิเคราะห์ออกเป็นพรอมต์แยกหลายรายการ
การควบคุมการสนทนาแบบมีโครงสร้าง: เพิ่มคำสั่งระบบและข้อความติดตามจากผู้ใช้เพื่อกำหนดรูปแบบเอาต์พุต กลุ่มเป้าหมาย น้ำเสียง และเกณฑ์การตรวจสอบ
เอาต์พุตข้อความสำหรับการใช้งานในขั้นตอนถัดไป: ส่งคืนการวิเคราะห์ที่อ่านได้ ซึ่งสามารถป้อนข้อมูลให้แดชบอร์ดภายใน คิวตรวจสอบ ประสบการณ์ การค้นหา และขั้นตอนอนุมัติโดยมนุษย์
อินพุต: อินพุตไฟล์ที่รองรับพร้อมคำสั่งภาษาธรรมชาติ และรูปภาพที่เป็นตัวเลือกเมื่อช่วยอธิบาย เนื้อหาต้นฉบับ
เอาต์พุต: บทสรุป ผลการค้นพบ รายละเอียดที่ดึงมา การเปรียบเทียบ และฉบับร่างการวิเคราะห์แบบข้อความตาม บริบทคำขอที่ให้มา
ขอบเขตคำขอ: ใช้ขีดจำกัดหลายไฟล์ที่กำหนดค่าไว้เพื่อให้แต่ละคำขอมุ่งเน้นที่ชุดเนื้อหาต้นฉบับ ที่สอดคล้องกัน
ความสามารถ: การวิเคราะห์เอกสาร การตอบคำถามโดยอ้างอิงจากไฟล์ การสรุป การดึงข้อมูล และ เวิร์กโฟลว์ผู้ช่วยตรวจสอบ
การตรวจสอบเอกสาร: สรุปรายงานภายใน ข้อเสนอ ข้อกำหนด และชุดงานวิจัยก่อนที่ผู้ตรวจสอบซึ่งเป็นมนุษย์ จะตัดสินใจ
การเตรียมฐานความรู้: ดึงข้อเท็จจริงสำคัญ สร้างบันทึกแบบมีโครงสร้าง และสร้างคำตอบรอบแรกจาก เนื้อหาธุรกิจที่อัปโหลด
การสนับสนุนการดำเนินงานและการปฏิบัติตามข้อกำหนด: ช่วยทีมระบุข้อความที่เกี่ยวข้องและจัดเตรียมรายการตรวจสอบที่ตรวจทานได้โดยไม่ แทนที่การตรวจสอบโดยผู้เชี่ยวชาญที่จำเป็น
การสังเคราะห์งานวิจัย: เปรียบเทียบไฟล์ต้นฉบับที่ให้มา จัดระเบียบผลการค้นพบตามหัวข้อ และร่างบทสรุป ที่เน้นหลักฐานสำหรับนักวิเคราะห์
ระบบอัตโนมัติสำหรับเวิร์กโฟลว์: กำหนดเส้นทางคำขอแบบไฟล์ผ่าน API ที่สร้างเอาต์พุตข้อความที่กระชับสำหรับระบบทิกเก็ต การตรวจสอบ และเครื่องมือภายใน
หมายเหตุ Flaq AI นำเสนอเวิร์กโฟลว์การวิเคราะห์ไฟล์ที่มีขอบเขต ไม่ใช่บริการประมวลผลไฟล์เก็บถาวรแบบไม่จำกัด โปรดตรวจสอบคำตอบที่อ้างอิงจากต้นฉบับ กับเนื้อหาต้นฉบับ และใช้การควบคุมความเป็นส่วนตัว การเก็บรักษา และการเข้าถึงที่เหมาะสมกับไฟล์ที่อัปโหลด
Gemini 3.6 Flash File Analysis เทียบกับ Gemini 3.5 Flash File Analysis
Gemini 3.5 Flash ยังคงเหมาะสำหรับเวิร์กโฟลว์
ไฟล์และข้อความทั่วไป Gemini 3.6 Flash เป็นรุ่นที่ใหม่กว่าสำหรับทีมที่ต้องการการให้เหตุผลที่มีประสิทธิภาพและการสนับสนุนที่แข็งแกร่งขึ้น
สำหรับงานแบบหลายสื่อที่ซับซ้อน
Gemini 3.6 Flash File Analysis เทียบกับ Gemini 3.7 Flash File Analysis
Gemini 3.7 Flash เป็นตัวเลือก Flash ที่ใหม่กว่าสำหรับ
เวิร์กโฟลว์ที่ซับซ้อนขึ้น Gemini 3.6 Flash มอบทางเลือกที่สมดุลเมื่อแอปพลิเคชันต้องการเส้นทางการวิเคราะห์ที่มุ่งเน้น
และอ้างอิงจากไฟล์พร้อมการกำหนดค่าที่มีประสิทธิภาพ
Gemini 3.6 Flash File Analysis เทียบกับ GPT 5.6 Terra File Analysis
โมเดลวิเคราะห์ไฟล์ของ GPT 5.6 Terra เป็นตัวเลือกที่ครอบคลุมสำหรับ
แอปพลิเคชันที่มุ่งเน้นเอกสาร Gemini 3.6 Flash มอบเส้นทางบน Gemini ให้ทีมประเมินสำหรับการสังเคราะห์ต้นฉบับ
การดึงข้อมูล และความช่วยเหลือด้านการตรวจสอบ
Gemini 3.6 Flash File Analysis เทียบกับ Claude Document Analysis
โมเดล Claude มักได้รับการพิจารณาสำหรับการให้เหตุผลเกี่ยวกับ
เอกสารแบบยาว Gemini 3.6 Flash มอบอีกหนึ่งตัวเลือกแบบหลายสื่อสำหรับเวิร์กโฟลว์ที่ต้องการเอาต์พุตข้อความที่ชัดเจนจาก
ชุดไฟล์ที่อัปโหลดซึ่งมีขอบเขต
Gemini 3.6 Flash File Analysis เทียบกับ Gemini 3.6 Flash Image-to-Text
Image-to-Text ออกแบบมาสำหรับอินพุตภาพหนึ่งรายการ
และคำถามที่มุ่งเน้น File Analysis เหมาะกับงานที่มุ่งเน้นเอกสารซึ่งต้องการอินพุตที่เกี่ยวข้องหลายรายการและ
การตอบกลับที่อ้างอิงจากต้นฉบับอย่างสมบูรณ์ยิ่งขึ้น
ตั้งค่าโมเดล Claude ของ Flaq AI และสำรวจสกิล Claude Code

ตั้งค่าโมเดล GPT ของ Flaq AI และสำรวจสกิล Codex
ใช้โมเดล LLM ของ Flaq AI ใน Hermes Agent
ใช้ GLM 5.2, Kimi K3 และ DeepSeek v4 ใน ZCode
เรียกใช้ DeepSeek Harness กับโมเดล DeepSeek ของ Flaq AI
เชื่อมต่อเอเจนต์ AI กับเครื่องมือสร้างรูปภาพและวิดีโอของ Flaq
ใช้ GPT 6 Astra และ Claude Fable 5.1 ใน WorkBuddy