OpenHands + JoinGonka Gateway: ตัวแทนบน Endpoint ของคุณเอง

ปัจจุบันโปรเจกต์มีหลายอินเทอร์เฟซ และขึ้นอยู่กับว่าคุณใช้ตัวไหนในการกำหนดจุดค้นหาการตั้งค่าโมเดล โดยค่าต่างๆ จะเหมือนกันหมด ต่างกันเพียงแค่เส้นทางในการเข้าถึงเท่านั้น

สำหรับ Agent Canvas จำเป็นต้องมี Node.js และ uv ซึ่งใช้รันเซิร์ฟเวอร์ Local ของ Agent (รายละเอียดอยู่ใน คู่มือการติดตั้ง) คู่มือระบุว่าใช้ Node.js 22.12 ขึ้นไป แต่ตัวแพ็กเกจตั้งแต่เวอร์ชัน 1.17 เป็นต้นไปกำหนดให้ใช้ Node.js 24 ขึ้นไป โปรดติดตั้งเวอร์ชัน 24 เพื่อหลีกเลี่ยงการแจ้งเตือนเวอร์ชันที่ไม่รองรับ นอกจากนี้ยังมีตัวเลือกแบบ Container โดย Image ghcr.io/openhands/agent-canvas จะแสดงอินเทอร์เฟซที่ http://localhost:8000/canvas และมองเห็นเฉพาะไดเรกทอรีที่คุณ Mount ไว้เท่านั้น

คีย์ JoinGonka. ลงทะเบียนที่ gate.joingonka.ai/register ยืนยันที่อยู่อีเมล และสร้างคีย์ที่มี Prefix jg- ในส่วน "API Keys" คีย์เดียวและยอดเงินเดียวใช้ได้กับทุกโมเดลในเครือข่าย ในรายการเครื่องมือของตัวติดตั้ง @joingonka/setup นั้นไม่มี OpenHands ซึ่งไม่ใช่การละเลย แต่การตั้งค่าของมันอยู่ในอินเทอร์เฟซและในพื้นที่จัดเก็บข้อมูลที่ปลอดภัยของ Backend ไม่ใช่ในไฟล์ Config แบบ Text ที่คุณสามารถแก้ไขจากภายนอกได้

ขั้นตอนที่ 1. เปิด Agent Canvas และไปที่ Settings > LLM ตัวช่วยตั้งค่าครั้งแรกจะแนะนำผู้ให้บริการ OpenHands ของตนเอง ซึ่งสามารถข้ามขั้นตอนนี้ไปได้ เนื่องจากสามารถกลับมาตั้งค่าภายหลังได้อย่างง่ายดาย

ขั้นตอนที่ 2. คลิก Add LLM Profile และไปที่แท็บ Advanced เนื่องจากแท็บ Basic จะแสดงเฉพาะผู้ให้บริการและโมเดลจากรายการที่มีมาให้ในตัว

ขั้นตอนที่ 3. กรอกข้อมูลในสามช่องดังนี้:

ขั้นตอนที่ 4. บันทึกโปรไฟล์ ก่อนบันทึก Canvas จะตรวจสอบการกำหนดค่าโดยส่งคำขอจากแบ็คเอนด์: หากคีย์ถูกปฏิเสธหรือโมเดลไม่พร้อมใช้งาน โปรไฟล์จะไม่ถูกบันทึกและคุณจะเห็นข้อความแสดงข้อผิดพลาด

ขั้นตอนที่ 5. เริ่มบทสนทนา ใหม่ และส่งข้อความสั้นๆ การสนทนาที่เปิดไว้อยู่แล้วจะยังคงทำงานกับโมเดลเดิมที่ใช้เริ่มต้นบทสนทนานั้นๆ

ทำไมต้องมี openai/. LiteLLM จะระบุผู้ให้บริการตามคำนำหน้าของโมเดล คำนำหน้า openai/ ไม่ได้หมายถึง "โมเดลจาก OpenAI" แต่หมายถึง "สื่อสารกับเซิร์ฟเวอร์โดยใช้โปรโตคอล OpenAI Chat Completions" ระบบจะตัดเฉพาะส่วนแรกออก ดังนั้นตัวระบุที่แท้จริงจะส่งไปยังเกตเวย์คือ deepseek-ai/DeepSeek-V4-Flash-0731 ในเอกสารของ OpenHands มีการแสดงรูปแบบเดียวกันโดยใช้ openai/qwen/qwen3.6-35b-a3b เป็นตัวอย่าง หากไม่มีคำนำหน้า LiteLLM จะปฏิเสธการทำงานและแสดงข้อความ LLM Provider NOT provided

ทำไมต้องมีแค่ /v1. LiteLLM จะติดต่อเซิร์ฟเวอร์ผ่านไคลเอนต์ OpenAI อย่างเป็นทางการ ซึ่งจะเติม /chat/completions ต่อท้ายโดยอัตโนมัติ ดังนั้นที่อยู่จะต้องลงท้ายด้วย /v1 เท่านั้น: หากไม่มีส่วนต่อท้าย คำขอจะพลาด API และหากมีส่วนเกิน คำขอจะไปยังเส้นทางที่ไม่มีอยู่จริง อีกข้อกำหนดหนึ่งของ Canvas คือที่อยู่ต้องสามารถเข้าถึงได้จากแบ็คเอนด์ ไม่ใช่แค่จากเบราว์เซอร์เท่านั้น เกตเวย์เป็นที่อยู่ HTTPS สาธารณะ ซึ่งมองเห็นได้จากคอนเทนเนอร์ Docker เช่นเดียวกับจากโฮสต์ วิธีการอย่าง host.docker.internal จำเป็นสำหรับโมเดลที่รันบนเครื่องของคุณเท่านั้น

โปรไฟล์สำหรับทั้งสามโมเดล. สร้างโปรไฟล์สำหรับแต่ละโมเดลของเครือข่ายและตั้งชื่อให้สั้น เช่น deepseek, glm และ minimax (เอกสารระบุว่าจำกัดไว้ที่สิบโปรไฟล์) คุณสามารถสลับใช้งานได้ทันทีในระหว่างการสนทนาโดยไม่เสียบริบท โดยใช้ปุ่มเลือกโปรไฟล์ในช่องป้อนข้อความหรือใช้คำสั่ง /model glm; การใช้ /model โดยไม่มีอาร์กิวเมนต์จะแสดงรายการที่มีอยู่ เพื่อหลีกเลี่ยงการใส่คีย์ซ้ำในแต่ละโปรไฟล์ คุณสามารถบันทึกคีย์ไว้ครั้งเดียวในส่วน Provider Connections ซึ่งสามารถเข้าถึงได้บนแบ็คเอนด์ในเครื่อง

อินเทอร์เฟซเดิมใน Docker. ใช้ฟิลด์เดียวกัน: Settings → แท็บ LLM → เปิดใช้งาน Advanced → Custom Model, Base URL, API Key → Save Changes.

CLI ติดตั้งได้ด้วยคำสั่งเดียวผ่าน uv และในการรันครั้งแรกจะพาผ่านการตั้งค่าโมเดลเอง หลังจากนั้นกลับมาแก้ไขได้ด้วย Ctrl+P → Settings:

uv tool install openhands --python 3.12
openhands

สำหรับสคริปต์ การใช้ตัวแปรสภาพแวดล้อมสะดวกกว่า จุดสำคัญ: โดยค่าเริ่มต้น CLI จะมองข้ามตัวแปรเหล่านี้ และจะใช้ก็ต่อเมื่อมีแฟล็ก --override-with-envs เท่านั้น — มีผลแค่การรันครั้งเดียว ไม่บันทึกอะไรไว้:

export LLM_MODEL="openai/deepseek-ai/DeepSeek-V4-Flash-0731"
export LLM_BASE_URL="https://gate.joingonka.ai/v1"
export LLM_API_KEY="jg-your-key"

openhands --override-with-envs

ชุดเดียวกันนี้ใช้ได้โดยไม่มีอินเทอร์เฟซ — สำหรับ CI และงานแบบแบตช์:

openhands --headless --override-with-envs -t "Read calc.py and tell me in one sentence whether it has a bug."

ในโหมด headless เอเจนต์จะทำงานด้วยการอนุมัติอัตโนมัติเสมอ ดังนั้นควรรันในที่ที่ให้มันทำอะไรได้ทุกอย่าง เช่นในไดเรกทอรีแยกหรือคอนเทนเนอร์ แฟล็ก --json เปลี่ยนเอาต์พุตให้เป็นสตรีมเหตุการณ์ JSONL ซึ่งสะดวกต่อการประมวลผลในไปป์ไลน์ นี่คือวิธีที่เราใช้ทดสอบการเชื่อมต่อเมื่อวันที่ 21 กันยายน 2026 บน CLI 1.16.0: ส่วนหัวของ CLI พิมพ์ Agent initialized with model: openai/deepseek-ai/DeepSeek-V4-Flash-0731 จากนั้นเอเจนต์อ่านไฟล์และตอบตรงประเด็น

การตั้งค่า CLI ที่บันทึกไว้อยู่ใน ~/.openhands/agent_settings.json โดยโมเดลในไฟล์นี้เปลี่ยนได้ด้วยการแก้สามฟิลด์ในบล็อก llm — model, api_key และ base_url ไม่ควรสร้างไฟล์ขึ้นใหม่เอง เพราะตัวช่วยตั้งค่าในการรันครั้งแรกจะเขียนการตั้งค่าอื่น ๆ ของเอเจนต์ลงไปด้วย รวมถึงการบีบอัดประวัติ ซึ่งถ้าไม่มี บทสนทนายาวจะชนเพดานหน้าต่างบริบท

ถ้าคุณฝังเอเจนต์เข้าในโค้ดของคุณเอง OpenHands SDK รับค่าสามอย่างเดียวกันนี้:

from pydantic import SecretStr
from openhands.sdk import LLM

llm = LLM(
    model="openai/deepseek-ai/DeepSeek-V4-Flash-0731",
    base_url="https://gate.joingonka.ai/v1",
    api_key=SecretStr("jg-your-key"),
)

ราคาของโมเดลในเครือข่ายนั้นเท่ากัน ดังนั้นการเลือกจึงขึ้นอยู่กับพฤติกรรม สำหรับ Autonomous agent แล้ว ตัวเลขสองตัวมีความสำคัญ Context window: ในแต่ละขั้นตอน ประวัติจะถูกส่งใหม่ทั้งหมด ดังนั้นยิ่งหน้าต่างยาวเท่าไร เอเจนต์ก็จะทำงานได้นานขึ้นโดยไม่สูญเสียข้อมูล Output limit: ขั้นตอนที่เอเจนต์เขียนไฟล์ขนาดใหญ่ทั้งไฟล์จะต้องพอดีกับการตอบกลับเพียงครั้งเดียว ในตารางคือผลลัพธ์จากการทดสอบงานเดิม (อ่านไฟล์และหาข้อผิดพลาด) ผ่าน OpenHands CLI 1.16.0 ด้วย SDK 1.21.0

รูปแบบการทำงานสำหรับงานระยะยาวให้ทำตามคำแนะนำในเอกสารประกอบของ OpenHands คือ การวางแผนด้วยโมเดลหนึ่งและดำเนินการด้วยอีกโมเดลหนึ่ง เริ่มการสนทนาบนโปรไฟล์ glm และขอแผนงานโดยไม่ต้องแก้ไขไฟล์ จากนั้นใช้คำสั่ง /model deepseek แล้วสั่งให้ดำเนินการ ประวัติ ไฟล์ และสถานะของงานจะถูกเก็บรักษาไว้เมื่อสลับโมเดล ให้เก็บโปรไฟล์ minimax ไว้เป็นลำดับที่สาม ซึ่งสะดวกในการเปลี่ยนไปใช้เมื่ออีกสองโมเดลเต็มในช่วงเวลาเร่งด่วน และยังสามารถตั้งค่าให้เป็นโมเดลสำหรับสร้างหัวข้อสนทนาได้ใน Settings > Application

การบีบอัดประวัติ (History compression) แม้แต่ Context window ที่มีขนาดหลายแสน Token ก็มีขีดจำกัดสำหรับงานที่กินเวลานาน ใน OpenHands จะมี Condenser ทำหน้าที่นี้ โดยจะสรุปเหตุการณ์เก่าๆ ให้เป็นบทสรุปย่อ ซึ่งตามเอกสารประกอบช่วยลดความหน่วงและการใช้ Token ในการสนทนาที่ยาวนาน ใน Agent Canvas สามารถตั้งค่าได้ที่ส่วน Settings > Condenser; ในการทดสอบของเรา CLI ได้เปิดใช้งานเองโดยอัตโนมัติโดยมีเกณฑ์ที่ 80 เหตุการณ์

ข้อจำกัดของโมเดล OpenHands จะดึงค่า Context window และ Output limit มาจากฐานข้อมูล LiteLLM แต่เนื่องจากไม่มีตัวระบุเครือข่าย Gonka อยู่ในนั้น (เราตรวจสอบแล้วบน LiteLLM 1.81) เอเจนต์จึงไม่มีค่าเริ่มต้นสำหรับโมเดลเหล่านี้ ซึ่งไม่เป็นอุปสรรคต่อการทำงาน เพราะเกตเวย์จะบังคับใช้ Output limit เองตามตารางด้านบน หากคุณต้องการกำหนดขีดจำกัดด้วยตนเอง ใน SDK จะใช้ฟิลด์ max_input_tokens และ max_output_tokens และใน Canvas คุณสามารถเปิดฟิลด์ทั้งหมดของโปรไฟล์ได้ที่แท็บ All รายละเอียดเพิ่มเติมเกี่ยวกับโมเดลเริ่มต้นสามารถดูได้ที่ รีวิว DeepSeek V4 Flash.

คุณสามารถตรวจสอบได้จากสองทางว่าคำขอถูกส่งผ่านเกตเวย์จริงหรือไม่ จากฝั่ง OpenHands ให้เริ่มการสนทนาใหม่และใช้คำสั่งสั้นๆ เช่น "อ่านไฟล์ README และสรุปให้เหลือประโยคเดียว": เอเจนต์ควรเรียกใช้เครื่องมือและตอบกลับ จากฝั่งเกตเวย์ ให้ดูที่ส่วน "การใช้งาน" (Usage) ในแดชบอร์ด: คำขอจะปรากฏในการแยกตาม "แบบจำลอง" (By Models) และในส่วน "โดยกุญแจ" (By Keys) เวลาของคำขอล่าสุดจะได้รับการอัปเดต หากไม่มีข้อมูลแสดงว่าการสนทนากำลังดำเนินการผ่านโปรไฟล์อื่น โปรดตรวจสอบว่าโปรไฟล์ใดถูกทำเครื่องหมายว่าใช้งานอยู่

ตามเอกสารของ OpenHands จำนวนการลองใหม่และช่วงเวลาหยุดพักระหว่างการเกิดข้อผิดพลาด 429 สามารถกำหนดค่าได้ผ่านตัวแปร LLM_NUM_RETRIES, LLM_RETRY_MIN_WAIT และ LLM_RETRY_MAX_WAIT ค่าเริ่มต้นในเอกสารและ SDK อาจแตกต่างกัน ดังนั้นโปรดอ้างอิงจากค่าจริง: ในสถานะการสนทนาของ CLI 1.16.0 เราพบว่ามีการลองใหม่ 5 ครั้งโดยมีช่วงเวลาพักตั้งแต่ 8 ถึง 64 วินาที

ผ่านทาง JoinGonka Gateway โทเค็นมีราคา $0.0069 ต่อล้านโทเค็นขาเข้า และ $0.021 ต่อล้านโทเค็นขาออก ซึ่งเป็นราคาเดียวกันสำหรับทุกแบบจำลองในเครือข่ายและดึงข้อมูลมาจากแหล่งข้อมูลสดในหน้านี้

การประมาณการในคอลัมน์ขวาเป็นราคา ณ เดือนกันยายน 2026; รายละเอียดเกี่ยวกับเศรษฐศาสตร์ของเอเจนต์ได้อธิบายไว้อย่างละเอียดในบทความ เกี่ยวกับ API ที่ถูกที่สุดสำหรับ AI-agents

ขีดจำกัดการใช้จ่าย OpenHands แนะนำให้กำหนดวงเงินการใช้จ่าย เกตเวย์มีระบบนี้ติดตั้งอยู่ในโมเดลการชำระเงินอยู่แล้ว: ยอดเงินเป็นแบบเติมเงินล่วงหน้า ดังนั้นเอเจนต์จะไม่ใช้เงินเกินกว่ายอดที่มีในบัญชี คุณสามารถดูยอดคงเหลือและการใช้จ่ายรายวันได้ในแดชบอร์ด สำหรับ CI และระบบอัตโนมัติเบื้องหลัง ให้ใช้กุญแจแยกต่างหากเพื่อไม่ให้ยอดการใช้จ่ายปะปนกับบัญชีหลักของคุณ สามารถอ่านเกี่ยวกับการสร้างกุญแจลูกที่มีขีดจำกัดรายวันได้ในบทความ เกี่ยวกับ Management Keys

ขอบเขตของความปลอดภัย Agent Canvas ที่รันผ่าน npm จะทำงานภายใต้สิทธิ์ผู้ใช้ของคุณและมองเห็นระบบไฟล์ทั้งหมด หากคุณจัดการกับรหัสของผู้อื่น โปรดใช้เวอร์ชัน Docker เพื่อให้เอเจนต์มองเห็นเฉพาะไดเรกทอรีที่เมาต์ไว้ นี่เป็นคุณสมบัติของ OpenHands เอง ซึ่งไม่ขึ้นอยู่กับผู้ให้บริการแบบจำลอง

บันทึกการสนทนายังคงอยู่กับคุณ OpenHands จะเก็บประวัติการสนทนาไว้ใน ~/.openhands และส่งข้อมูลนี้ให้กับแบบจำลองในทุกขั้นตอน เกตเวย์ไม่ได้จัดเก็บการสนทนา ดังนั้นพรอมต์และโค้ดของคุณจะไม่ถูกเก็บไว้ในเซิร์ฟเวอร์หลังจากได้รับคำตอบแล้ว

หากในงานมีรูปภาพ เช่น ภาพหน้าจออินเทอร์เฟซ หรือแผนผัง ให้สร้างโปรไฟล์แยกต่างหากสำหรับงานนั้นโดยใช้แบบจำลองแบบ vision เนื่องจากแบบจำลองในเครือข่าย Gonka เป็นแบบข้อความทั้งหมด อย่างไรก็ตาม นี่ไม่ใช่ข้อจำกัดสำหรับงานที่เกี่ยวกับโค้ด คำสั่ง และไฟล์