รัน AI ตัวไหนไหว · Local AI Fit Finder

เว็บ static ที่สแกนสเปกเครื่องผ่านบราวเซอร์ล้วน แล้วแนะนำโมเดล Local LLM (ผ่าน Ollama) ที่ รันได้สบายโดยไม่ทำเครื่องหน่วง — พร้อมคำสั่งติดตั้งกดคัดลอกใช้ได้ทันที

• 🔒 ทำงานในเครื่องผู้ใช้ 100% ไม่มีการส่งข้อมูลออก
• 🧠 คำนวณ "งบหน่วยความจำแบบเผื่อที่ว่าง" — เลือกโมเดลใหญ่สุดที่ยังอยู่ในงบ ไม่จัดเต็มจนแรมเต็ม
• 🎯 ตรวจแบบแม่นยำ — วางคำสั่งอ่านค่าอย่างเดียว (PowerShell/Terminal) เปิดหน้าพร้อมค่าจริงผ่าน query ?ram=&vram=&gpu=
• 🌐 2 ภาษา (TH/EN) สลับได้ จำค่าใน localStorage
• 🔄 รายชื่อ + ขนาดโมเดลดึงจาก Ollama registry อัตโนมัติ (ผ่านสคริปต์ + GitHub Action)
• ⚡ ไม่มี backend — deploy ฟรีได้ทุกที่

Tech stack

ส่วน	ใช้
Build	Vite 5
ภาษา	TypeScript (strict)
Runtime	บราวเซอร์ล้วน (WebGL / WebGPU / navigator.deviceMemory)
ข้อมูลโมเดล	public/models.json สร้างจาก Ollama registry

เริ่มพัฒนา

npm install
npm run dev        # เปิด dev server
npm run build      # type-check + build ไป dist/
npm run preview    # ดู build จริง

อัปเดตรายชื่อโมเดล

ขนาดโมเดลดึงสดจาก Ollama registry (Docker v2 manifest) แล้วคำนวณ RAM ที่ต้องใช้:

npm run fetch-models   # -> เขียนทับ public/models.json

• เลือกว่าจะเอาโมเดลไหน / หมวด / คำอธิบายไทย แก้ที่ scripts/models.seed.json
• ขนาด (bytes, needs) สคริปต์เติมให้อัตโนมัติ — ถ้าดึงไม่ได้ใช้ needsFallback
• สคริปต์ยัง สแกน ollama.com/library หาโมเดลใหม่ ที่ยังไม่มีใน seed แล้วแจ้งเตือนให้เพิ่ม
• .github/workflows/update-models.yml รันทุกสัปดาห์ + commit อัตโนมัติ

เว็บอ่าน public/models.json (same-origin) ตอนรัน ไม่ได้เรียก registry โดยตรง (registry ไม่มี CORS) — อัปเดต = รันสคริปต์แล้ว deploy ใหม่

โครงไฟล์

local-ai-fit/
├─ index.html                  # โครงหน้า
├─ public/models.json          # ข้อมูลโมเดล (generated, commit ไว้)
├─ scripts/
│  ├─ models.seed.json         # คิวเรตเอง: โมเดล + หมวด + คำอธิบายไทย
│  └─ fetch-models.mjs         # ดึงขนาดจาก Ollama registry -> models.json
├─ src/
│  ├─ main.ts                  # bootstrap + event
│  ├─ detect.ts                # สแกนสเปกจากบราวเซอร์
│  ├─ gpu-table.ts             # เทียบชื่อการ์ดจอ -> VRAM
│  ├─ recommend.ts             # ตรรกะงบหน่วยความจำ + คำแนะนำ
│  ├─ catalog.ts               # โหลด models.json (+ fallback)
│  ├─ render.ts                # วาด DOM
│  ├─ types.ts
│  └─ styles.css
└─ .github/workflows/update-models.yml

Deploy

Build ได้ static ล้วนใน dist/ วางที่ไหนก็ได้:

แพลตฟอร์ม	คำสั่ง / ตั้งค่า
Vercel	import repo → framework Vite → เสร็จ
Netlify	build npm run build · publish dist
Cloudflare Pages	build npm run build · output dist
GitHub Pages	BASE=/<repo>/ npm run build แล้ว deploy dist/ (ตั้ง BASE ให้ตรง subpath)

ตรรกะการแนะนำ (สรุป)

1. หา pool ที่ตัดสิน: การ์ดจอแยก → VRAM · Apple Silicon → หน่วยความจำรวม · อื่นๆ → RAM (CPU)
2. กันที่ว่างไว้ให้ระบบ (VRAM เผื่อ ~15%, RAM/CPU กัน ~40%) = งบ
3. เลือกโมเดลใหญ่สุดที่ needs ≤ งบ = ตัวแนะนำ
4. เสนอ เบากว่า (ลื่นสุด) และ จัดเต็ม (ล้นเข้าแรม ช้าลงแต่ฉลาดกว่า) เป็นทางเลือก

ตัวเลข needs เป็นค่าประมาณที่ quantization Q4 — ปรับสูตรได้ที่ needsFromBytes() ใน scripts/fetch-models.mjs

License

MIT