thesis-ai-det-col

Imported from xpickey/ice-skills-claude-plugin (plugins/ice-academic/skills/thesis-ai-det-col/SKILL.md). Install upstream with npx skills add xpickey/ice-skills-claude-plugin --skill thesis-ai-det-col. Copyright stays with the author.

THESIS-AI-DET-COL — Thai AI Detection & Correction Skill

นิยามศัพท์และรหัสที่ไฟล์นี้ใช้ (มาตรฐานการเขียนไฟล์ระบบ: ~/.claude/agents/reference/fleet-writing-standard.md)

· 🔴 คำว่า "L1" ในไฟล์นี้ไม่ได้หมายถึงชั้นของ agent — หมายถึง L1 Write-Clean Card (ชั้นป้องกันการเขียนให้ไม่เป็นสำนวน AI ตั้งแต่ร่างแรก) และ L1-L8 ในแคตตาล็อกสำนวนไทย · 🔴 คำว่า "Tier" ในไฟล์นี้หมายถึง Tier-1 Register Gate และ Tier-2 sub-profile ของสกิลนี้เอง ไม่ใช่ระดับความลึกการตรวจของผู้ตรวจคุณภาพ · TAAE (Thai Academic Audit Engine) ระเบียบวิธีตรวจงานวิชาการไทย 7 ขั้น — engine เต็มอยู่ในสกิลนี้เองที่ references/10_academic_audit_engine.md · SSOT (Single Source of Truth) แหล่งข้อมูลจริงเพียงแห่งเดียวที่ทุกไฟล์ต้องอ้างถึง ห้ามคัดลอกค่าไปเก็บซ้ำ เพราะสำเนาจะเก่าโดยไม่มีใครรู้ · รหัส H (H1 ถึง H10) กฎเหล็กของ ~/.claude/CLAUDE.md PART 3 เช่น H2 ห้ามค้น internet โดยไม่ขอ · H3 ห้ามกุข้อมูล · H4 ถามทีละหนึ่งคำถาม · H6 ห้ามตัดสินภาษาไฟล์ส่งมอบเอง · H9 ห้าม save ไฟล์โดยไม่ยืนยันก่อนและไม่มี V##R## · H10 ห้ามแก้ไฟล์ระบบโดยไม่อ่านมาตรฐานการเขียนก่อน

ทักษะตรวจจับและแก้ไขเนื้อหา AI สำหรับงานเขียนภาษาไทย+อังกฤษ — register-agnostic ครอบคลุม 3 ประเภทเนื้อหาเท่าเทียมกัน (🟩 Academic / 🟧 Business / 🟪 General) — Detection, Correction (Two-Pass), Voice Profile Extraction, Full-Document Audit.

Version: V06R03 | 2026.08.05 — (R02: +W6 term-localization TL-A/B/C + MG1-3 misname guard, เคส VFIN — ดู CHANGELOG). Shared Core (register-agnostic) + 3 Branches เท่าเทียม. 🟦 CORE = กลไกที่ไม่มี academic default ฝังอยู่ · 🟩/🟧/🟪 = 3 branch สมมาตร (column เท่ากัน) ไม่มีตัวใดเกาะตัวอื่น. เพิ่ม Register Gate เป็น Tier-1 entry (ขึ้นก่อนทุกอย่าง — ห้ามเดา Academic) · ตาราง 3-branch สมมาตร · 2-tier tree (register-gate → sub-profile) · de-dup (corpus / anti-halluc / two-pass / density → SSOT 1 ที่ + pointer) · TQ rebalance (TQ1-2 → CORE universal · TQ3-9 → 🟩 academic) · Mode 6 worked example ครบ 3 register. (V05: Shared Core + 3 Branches เริ่มต้น — ดู changelog)

Corpus Provenance (SSOT): corpus จริง = งานวิชาการไทย 101 ไฟล์ / ~292K คำ + เอกสารธุรกิจ iCE 13 proposals. ตัวเลขนี้อ้างได้ที่เดียวบรรทัดนี้ — ส่วนอื่นชี้กลับมาที่นี่. ⚠ Corpus asymmetry note: 292K academic vs 13 iCE = data-availability ไม่ใช่ priority ranking. branch ที่มี corpus หนากว่า "ไม่ได้" สำคัญกว่า — ทั้ง 3 branch เท่าเทียมในการตัดสินใจ; ความหนาของหลักฐานต่างกันเพราะข้อมูลที่หาได้ต่างกันเท่านั้น.

0. TIER-1 ENTRY — REGISTER GATE (ต้องผ่านก่อนทุกอย่าง) ⭐ V06

ก่อนทำงานทุกครั้ง คำถามแรกคือ "งานนี้ register ไหน?" — ไม่ใช่ "Mode ไหน". ไม่มี default-bias ฝังในกลไก.

งานนี้ register ไหน?
   🟩 Academic   ดุษฎีนิพนธ์ / บทความ / วิจัย / วิชาการ
   🟧 Business   proposal / SoW / investment / solution / manday
   🟪 General    email / blog / report / บันทึก / งานทั่วไป
ห้ามเดา Academic อัตโนมัติ · คาบเกี่ยว/ไม่ชัด = ASK (ห้ามเดา)

• กฎ Tier-1: ระบุ register ก่อน → จึงเลือก Mode → จึงโหลดไฟล์. register เป็นแกนเลือก corpus / voice profile / register-specific check.
• ASK rule: เอกสารคาบเกี่ยว (เช่น business case ที่มีส่วนวิชาการ) หรือไม่มีสัญญาณชัด → ถามผู้ใช้ก่อน ห้ามเดา.
• 2-Tier tree: Tier-1 = register-gate (3 branch) → Tier-2 = sub-profile ในแต่ละ branch (ดู §2.5).

1. SCOPE (ขอบเขต)

ทักษะนี้ทำ:

• ตรวจจับว่าข้อความเขียนโดย AI หรือไม่ (3-Layer Detection — register-agnostic)
• แก้ไขข้อความ AI ให้อ่านเหมือนมนุษย์เขียนและตรงเสียงผู้เขียน (Two-Pass Method)
• สกัด Voice/Writing Profile จากโฟลเดอร์เอกสารอ้างอิง (6+1 Dimensions)
• อ่านสรุปและให้ feedback คุณภาพข้อความ
• ตรวจเอกสารวิชาการไทย "ทั้งฉบับ" ก่อนส่ง ผ่าน Thai Academic Audit Engine (references/10_academic_audit_engine.md) — 🟩 academic branch

ทักษะนี้ไม่ทำ:

• ไม่สร้างเอกสารรูปแบบสำเร็จ (PPTX/DOCX/PDF/Excel) — ส่งต่อ skill อื่น (docx/pptx/deliverable-gen)
• ไม่จัดทำแผนภูมิ/visualization
• ไม่เขียนใหม่ทั้งฉบับจากศูนย์ — เน้นแก้ ไม่เน้น generate (ดู §14)

Output ขึ้นกับ Prompt: ผู้ใช้ระบุรูปแบบที่ต้องการแต่ละครั้ง — ทักษะนี้เน้นเนื้อหา ไม่กำหนด format.

2. ARCHITECTURE — SHARED CORE + 3 BRANCHES เท่าเทียม ⭐ V06

โครงสร้าง = 🟦 CORE (register-agnostic — กลไกที่ไม่มี academic default) + 3 branch เท่าเทียม ไม่มีตัวใด "แทรก" หรือ "เกาะ" ตัวอื่น. แก้ CORE ที่เดียว ใช้ครบ 3.

2.1 SHARED CORE — กลไก register-agnostic (แก้ที่เดียว ใช้ครบ 3) 🟦

CORE ไม่มี academic default — เป็นกลไก AI-tell สากลที่ทุก register ใช้ร่วมกัน.

2.2 3-BRANCH SYMMETRIC TABLE — สมมาตร (column เท่ากันทุก branch) 🟩🟧🟪

ทั้ง 3 branch มีโครงเดียวกัน 4 column — academic ไม่หนากว่า general. ความต่างคือเนื้อ ไม่ใช่สิทธิ์.

⚠ ทั้ง 3 branch อยู่ใน skill นี้ — ห้าม route ออก (circular guard): qa-master Dimension 5 (Anti-AI) โหลด skill นี้โดยตรง → ถ้าแยก branch ใด ๆ ออกไป skill อื่น qa-master จะโหลดกลับ = วนวงกลม. AI-detection ทั้ง 3 register ต้องอยู่ที่ skill นี้ที่เดียว.

2.3 WORDING DISCIPLINE LAYER (Core — ทุก branch) 🟦

• W1 Positive-default — positive เป็นค่าตั้งต้น · negative เฉพาะระบุชัด/วิจารณ์ limitation จริง
• W2 No-unexplained-technical — technical/acronym ที่ไม่อธิบาย → flag · เนื้อหาเทคนิคลึกอธิบายได้ แต่ต้องมีคำอธิบายเชิงผู้ใช้ · readability-load (ประโยคยาว×ซับซ้อน) → 11 §4.6
• W3 Anti-ลิเก/over-ornate + calque — บรรณสโวหาร/คำหรูเกิน + translationese วลีศัพท์ธุรกิจแปลตรง → flag · catalog เต็ม (L1-L8 ไทย / P1-P9 อังกฤษ + GUARD §6 · C1-C12 calque + V1-V4 over-ornate verb §6.5) → ดู 11 §6+§6.5 (cut→anchor-swap: แลกคำหรู/calque เป็น fact/กลไก มิฉะนั้นตัด · โครงประโยคแปล → 05a §1)
• W4 No-abbreviation-without-context — คำย่อนิยามก่อน
• W5 Marketing-leakage — emoji/slang/hook/CTA/clickbait → flag (ไม่เหมาะทั้ง 3 branch)
• W6 De-bureaucratize/transliteration/term-localization — TH-coinage technical ทึบกว่า EN-loanword → flag · คง EN/ไทย(English) ครั้งแรกแล้วทับศัพท์ (decision pivot vs calque W3 — แกน = recognizability ผู้อ่านเป้าหมาย). + term-localization TL-A keep-Thai / TL-B keep-EN / TL-C Thai(EN)-first + MG1 product-feature-misname (คำไทยที่ misname product feature จริง → keep-EN, tell แรงกว่า coinage ทึบ, gated) + MG2 phrasing + MG3 overclaim → ดู 11 §6.6 + §6.6.1 + B-Check 11 · gloss-once 05a §8
• W8 Register-Wording Default (คำสั่ง user 2026.08.05) — ค่าเริ่มต้นการเลือกภาษาตอนเขียน/แก้ ทุก branch: ไม่ย่อคำ-ไม่ใช้คำย่อ (สะกดเต็มครั้งแรก — เข้มกว่า W4) · ละเอียดครบประเด็นแต่ไม่เยิ่นเย้อ · ศัพท์เทคนิคทับศัพท์ EN ห้ามแปลไทยแปลก ๆ — จะแปลต้องค้นคำที่วงการใช้จริงจาก internet ก่อน (H2 · ต่อยอด W6) · 🟧 Business = Professional Business wording ไม่ใช้ technical term อธิบายด้วยผลลัพธ์ทางธุรกิจ (card B8) · 🟩 Academic = ศัพท์บัญญัติราชบัณฑิตฯ → คำที่วารสารปลายทางใช้จริง → ทับศัพท์ ไทย (English) ครั้งแรก (card B-Academic) · prevention extract = 12 A6/B8 · SSOT ระดับ fleet = ~/.claude/agents/reference/language-register.md
• W7 Politeness-particle leak — คำลงท้ายสุภาพ (ครับ/ค่ะ/คะ/นะคะ) ในเอกสารทางการ → flag · ผ่าน Boundary Guard ก่อน (segment+line-break-join+clause-final+exclusion) → ดู 11 §6.8 · CORE 05a §Particle Boundary Guard

Register note: W1-W7 เป็น core (ทุก branch) แต่ "ความเข้ม" ต่างกันตาม Soul-calibration ใน §2.2 — Academic: วิจารณ์เฉพาะ limitation · Business: positive-default + technical อธิบายหลายระดับ · General: conversational ชัดเจน.

2.4 L1 WRITE-CLEAN CARD — เขียนสะอาดตั้งแต่แรก (prevention)

12_write_clean_card.md = สารสกัด top AI-tells (core A + 3 register B + guard C) แบบสั้น สำหรับใช้ตอน เขียน (ไม่ใช่ตอน detect). ออกแบบให้ ทุก agent ในระบบฝัง/อ้าง → เลี่ยง AI-cadence ตั้งแต่ร่างแรก ไม่ต้องวน detect→fix (ประหยัด token). 2 ชั้นเสริมกัน: L1 card = prevention (ทุก agent ตอนเขียน) · skill เต็ม = detection/correction (qa-master D5 ตอน QA จริงจัง).

2.5 2-TIER TREE — register-gate → sub-profile (Tier-2 ในแต่ละ branch)

หลังผ่าน Tier-1 Register Gate (§0) → เข้า Tier-2 เลือก sub-profile ในแต่ละ branch:

• 🟩 Academic Tier-2: มจร? → Buddhist แกน? → A2:A1 · ไม่ใช่ มจร → Research(สถิติ)/Academic → วารสาร/สาขา → B1/B2/C1/C2/C3 (7 sub — ดู §11)
• 🟧 Business Tier-2: section-matrix 8 sub (Proposal/Narrative · Investment/Commercial · Solution-Response · Manday/Service · Cover-Letter · FSD/Spec · SoW/Technical · Gap-Analysis — ดู §11)
• 🟪 General Tier-2: blog / email / report

  ⚠ Limitation: General ยังไม่มี dedicated corpus (ไม่มี 101-file/13-proposal เทียบเท่า). Tier-2 จึงใช้ core baseline + register tune; ถ้าผู้ใช้มีโฟลเดอร์ตัวอย่าง → Mode 2 EXTRACT สกัด profile เฉพาะก่อนแก้ (แนะนำ). ระบุ limitation นี้ใน report เมื่อทำงาน General โดยไม่มี corpus.

3. SIX MODES (หกโหมดหลัก)

Mode Selection

ถ้าไม่ชัด → ถามผู้ใช้ด้วย 6-option clarification (1 Detect / 2 Extract / 3 Correct / 4 Full Cycle / 5 Summarize / 6 Add Soul).

กฎเหล็ก (ทุก Mode)

1. ห้าม fabricate — ห้ามสร้างชื่อ/ตัวเลข/citation/วันที่ ที่ไม่มีจริง (รายละเอียด §12)
2. ห้ามทำ Pass 1 + Pass 2 พร้อมกัน — แก้ rhythm ก่อน vocabulary เสมอ (Two-Pass separation canonical §7)
3. Voice Profile ต้องมาจาก Level 1–5 Hierarchy — ไม่มีต้องถาม
4. Verified AI Signature เท่านั้น — ใช้ corpus จริง (Corpus Provenance ด้านบน) · งาน EN/Bilingual ดู 07 (24 patterns)
5. Register Gate ก่อนเสมอ (§0) — เลือก engine/profile/wording ตาม register · ห้ามเดา Academic
6. Avoiding AI patterns is only half the job — ลบ AI ไม่พอ ต้องเติมเสียงมนุษย์ (Mode 6, 08)
7. Mandatory Load Manifest (§4) — โหลดไฟล์ครบก่อนรัน
8. Full-Coverage Scan — ตรวจทุกย่อหน้า 100% ห้ามสุ่ม · check ระยะใกล้ใช้ sliding window · รายงาน Scan Coverage

3.9 ⭐ THAI TEXT HYGIENE — ตรวจก่อนทุก Mode ที่แตะข้อความไทย (V05R02 · 2026.07.31)

เครื่องมือ: PyThaiNLP 5.3.4 — ไม่ใช่การตัดสินเชิงภาษา แต่เป็นการล้างสิ่งสกปรกที่ตามองไม่เห็น ก่อนวิเคราะห์/แก้ไข · ถ้าไม่ล้างก่อน ผลตรวจ AI/Voice Match จะเพี้ยนโดยไม่มีใครรู้

① NORMALIZE (บังคับ — รันก่อน Mode 1/3/4 ทุกครั้งที่ข้อความมาจาก PDF/เว็บ/copy-paste)
   from pythainlp.util import normalize
   ตรวจจับ: สระซ้ำที่ตามองไม่เห็น  เเละ (เ+เ) ≠ และ (แ) · วรรณยุกต์ก่อนสระ · ช่องว่างซ้อน
   ทำไมสำคัญกับงานวิชาการ:
     - Turnitin/GPTZero มองเป็นคนละคำ → คะแนนความเหมือนเพี้ยน
     - ค้นหา/แทนที่ในไฟล์พลาดเงียบ ๆ → แก้ไม่ครบทั้งฉบับ
     - อ้างอิงพระไตรปิฎก/กฎหมายที่ copy มา มักติดสระซ้ำมาด้วย → ⚠ **แก้ได้เฉพาะเมื่อไม่กระทบ
       ตัวอักษรต้นฉบับ** — citation verbatim ยังเป็นกฎเหล็ก (§12) · ไม่แน่ใจ = ถาม ห้ามแก้เอง
   รายงาน before/after เป็นจำนวนจุด ไม่ต้อง dump ข้อความยาว

② WORD SEGMENTATION (ใช้เมื่อวิเคราะห์ระดับคำ)
   from pythainlp.tokenize import word_tokenize   # engine="newmm" เท่านั้น
   ⛔ ห้าม engine="longest" — มัน lowercase อังกฤษทิ้ง (SAP→sap) พังศัพท์เทคนิคในบทความ
   ใช้กับ: นับความยาวคำจริง (burstiness ระดับคำ) · หาคำซ้ำ · ตรวจศัพท์เฉพาะที่ควรคงรูป

③ SPELL CHECK (เสริม — ไม่ใช่ตัวตัดสิน)
   from pythainlp.spell import spell, correct
   ⚠ พจนานุกรมไม่ครอบคลุมศัพท์วิชาการ/พุทธ/กฎหมาย → **ใช้เป็นตัวชี้เป้าให้คนดู ไม่ใช่แก้อัตโนมัติ**

④ ตัดบรรทัดตอนทำเป็นไฟล์ (.docx ส่งวารสาร) → กติกาเต็มที่ skill `ice-doc-builder` §3.5
   ⚠ **ห้ามใช้ ZWSP ในบทความวิชาการ** — ทำ Ctrl+F/ระบบ index ของวารสารพัง และ Turnitin อาจนับเป็นอักขระแปลกปลอม

4. MANDATORY LOAD MANIFEST (บังคับโหลดก่อนเริ่ม)

ไฟล์ใน manifest บังคับโหลด ก่อนรัน workflow + บันทึกใน "Files Loaded" ของ report ทุกครั้ง. โครง = CORE (โหลดทุก branch) + BRANCH-specific (โหลดเฉพาะ branch ที่ผ่าน Register Gate §0).

CORE — โหลดทุกครั้งทุก branch (register-agnostic):

BRANCH-specific — โหลดเพิ่มตาม branch (เลือก 1):

Thai Structural Quick-List — TQ rebalance ⭐ V06

โครงสร้างไทยแยก 2 ระดับ: TQ1-TQ2 = 🟦 CORE (universal ทุก register) · TQ3-TQ9 = 🟩 ACADEMIC.

🟦 CORE (universal Thai structure — ทุก register):

🟩 ACADEMIC (อ้าง 05 thai-academic):

🟧 Business / 🟪 General quick-list (สมมาตร): Business → ดู 11 B-Check (TB1-8 TH cadence / EB1-9 EN cadence) + §6 Anti-ลิเก. General → watchlist สากล (06§4 + 09) + register-fit (conversational ชัดเจน).

⚠ Corpus-Correct Rule (กันลบคำที่คนใช้จริง) — ใช้ทั้ง 3 branch

• Class A Zero-Tolerance (เจอครั้งเดียวแก้): Academic = ยิ่งไปกว่านั้น/ในท้ายที่สุด/ทั้งหมดนี้สังเคราะห์ได้ว่า/อย่างก้าวกระโดด/พลิกโฉม(ใน body)/เป็นที่ทราบกันดีว่า (06). Business = ดู 11 (cadence tell B1-B4)
• Common-in-Real-Thai (🟢 ใช้ได้ density ≤3/500): Academic = นอกจากนี้ (156×)/อย่างมีประสิทธิภาพ (195×). Business = ตอบโจทย์/รองรับ/พลิกโฉม(ใน vision) (ดู 11 §3)
• ห้าม blanket-ban คำที่ปรากฏใน corpus จริง · คำใหม่ที่สงสัย → Field-Discovered Living List (06 §1.5) พร้อมวันที่
• §6.6 ห้ามแปลงศัพท์ไทยใช้จริง (กระทบยอด/ศัพท์ราชการบัญญัติ/Class A = TL-A keep-Thai) → keep-Thai · flag เฉพาะ TH-coinage ทึบกว่า EN หรือ misname product feature (MG1, gated) · ห้ามแตะ 4 fit-category labels (Configure/Customization/Integration/Workaround = bilingual by design)
• §6.8 ห้าม flag หางคำในคำประสม/ข้าม line-break → ผ่าน Particle Boundary Guard (segment-not-substring + line-break-join + clause-final-only + compound-noun-exclusion) ก่อนเสมอ
• Pass 2 density (5-register) = SSOT ที่ 06 §5 (นานาชาติ≤2 / TCI≤4 / Business≤3 / ราชการ≤2 / Marketing≤5 ต่อ 1,000 คำ — ใช้กับ Class B เท่านั้น). ที่นี่ชี้ไป ไม่ทำซ้ำ.

5. MODE 1: DETECT

1. อ่านข้อความ — ระบุภาษา ความยาว + Register Gate (§0) → เลือก branch: 🟩 Academic / 🟧 Business / 🟪 General (ไม่ชัด = ถาม · ห้ามเดา Academic)
2. โหลด Core + Branch files (§4) แล้วรัน Scan Discipline (01 §1.5) — แตกย่อหน้าใส่หมายเลข ตรวจทุกย่อหน้า 100%
3. 🟦 CORE — รัน universal-check (ทุก branch เหมือนกัน) — ดู 01:
   • Layer 1: Density (Class B) + Zero-Tolerance (Class A — hard gate, Check 1b)
   • Layer 2 (7 universal): Burstiness, Sentence Opening, Paragraph Symmetry, Transition Density, Bullet-thinking, Template Proximity, Nested Clause
   • Layer 3 (universal ส่วน): Paragraph Length, Personal Voice Markers, Section-Closing Ritual
   • Thai structure universal: TQ1-TQ2 (§4)
   • EN/Bilingual: EN AI-vocab + EB cadence (06 §4 + 07)
4. 🟩🟧🟪 BRANCH — รัน register-specific check (ตาม branch ที่ผ่าน Gate):
   • 🟩 Academic — +3 academic-check (Citation Distribution · Reporting-Verb Alignment · Acronym Re-Expansion จาก Layer 3) + Class A/B (06 §1-3) + TQ3-9
   • 🟧 Business — B-Check (11 §5): Cadence TB1-TB8 · Watchlist · Register whitelist (กัน over-correction) · Anchor + Section density · §6 Anti-ลิเก
   • 🟪 General — watchlist สากล + register-fit (conversational ชัดเจน ไม่ลิเก ไม่ทางการเกิน) · ระบุ limitation ถ้าไม่มี corpus (§2.5)
5. 🟦 CORE — Wording Discipline Layer (§2.3) — รันคู่: W1-W7 (ความเข้มตาม branch)
6. Output Detection Report (templates/detection_report.md) — ระบุ Branch + Files Loaded + Scan Coverage 100%

Pass gate: ≥13/15 checks ผ่าน · Check 1b (Class A Zero-Tolerance) = hard-gate (เจอ ≥1 = Fail ทันที ไม่ว่าคะแนนรวมเท่าใด).

สถิติที่คำนวณ: Mean sentence length · SD (≥5) · Tier 1 density/1000 (Class B) · Transition density/500 · Personal Voice Markers count

6. MODE 2: EXTRACT (สกัด Voice Profile)

1. อ่านโฟลเดอร์อ้างอิง — ดู 03 (5-Level Source Hierarchy)
2. สกัด 6+1 Dimensions (D1 Sentence Architecture · D2 Vocabulary · D3 Tone/Register · D4 Rhetorical · D5 Structure · D6 Bilingual · D7 Personal/Org Markers) — Profile ID VP-[YYYYMMDD]-[XXX]
3. คำนวณ aggregate statistics จาก corpus จริง
4. Output: Voice Profile + Calibration Samples + Profile ID

หากไม่มีแหล่งอ้างอิง → เลือกจาก Library (Academic: KM-TH-THESIS-DOC · Business: KM-TH-BIZ-DOC) หรือถาม (Level 5 = ASK เสมอ). 🟪 General ไม่มี library — ถ้ามีโฟลเดอร์ผู้ใช้ ให้ EXTRACT ก่อน (§2.5).

7. MODE 3: CORRECT (Two-Pass)

Two-Pass separation = canonical ที่นี่ (§7). ส่วนอื่นที่อ้าง "ห้ามรัน Pass 1+2 พร้อมกัน" ชี้กลับมาที่นี่.

Pre-conditions: ข้อความ input · Voice Profile (ตาม register) · User-provided facts (Personal Anchors) · Target AI score

Pass 1: Rhythm Correction

1. ระบุย่อหน้าเสี่ยง (>3/5 ประโยคยาว 16-22 คำ)
2. Burstiness Injection: ตัด 2 ประโยคสั้น (8-12 คำ), ขยาย 1 ยาว (25-35 คำ)
3. Diversify Sentence Opening (5 รูปแบบ) + Proximity Guard
4. Adjust Paragraph Architecture (short/medium/long mix)
5. Verify SD ≥ 5 · 30% shrink gate (ห้ามตัดเนื้อหาเกิน 30% โดยไม่แจ้ง)

Pass 2: Vocabulary Correction

1. Search & Replace 9 หมวด (EN Verbs/Adjectives/Nouns/Phrases + Thai openers/modifiers/connectives/hedging + Class A)
2. Replace by Voice Profile — D2 Vocabulary Signature ของ profile ที่เลือก (academic ใช้ KM-TH-THESIS-DOC · business ใช้ KM-TH-BIZ-DOC)
3. ระวัง Symptom Substitution (ห้ามเปลี่ยน AI เป็น AI อีกคำ)
4. เพิ่ม Specificity (Anchor rule สำหรับ business — ดู 11 §4)
5. Template-Level Replace — รื้อโครงสูตร (05 §7)
6. Reporting-Verb Alignment (05 §10) — 🟩 Academic
7. คง Lexical Fingerprint — 🟧 Business: ห้าม normalize "Advance Modules"/"operation excellency" ถ้า quote ต้นทาง (11)
8. Org-marker lock — 🟧 Business: "28 ปี / first Oracle Partner / vision / ค่านิยม" ใช้ได้เฉพาะมีในแหล่งจริง ห้าม inject (รายละเอียด §12)

Advanced (4 Techniques) ใช้เสริมเมื่อ score ยังสูง — ดู 02 + Catalog 18 ใน 04

Output: Pass 1 (Rhythm) + Pass 2 (Vocabulary + Voice) + Change Log + [NEEDS USER INPUT: ...]

8. MODE 4: FULL CYCLE

[Input] → Mode 1 Detect → ผ่าน? ──Yes→ [Done]
              │ No
              ↓
        Mode 3 Correct (Two-Pass)
              ↓
        Mode 1 Re-Detect ← loop จน AI score < target
              ↓
        Mode 6 Soul step (ถ้า prose ตีความ/soulless)
              ↓
        Voice Match Scoring (D1-D6+D7, ≥75% gate) → [Final]

ใช้ Prompt FC1: Full 8-Step Cycle ใน templates/correction_prompts.md

9. MODE 5: SUMMARIZE

Quick read + feedback (ไม่รัน 3-Layer ครบ): คุณภาพ AI signature โดยรวม · จุดเด่น/จุดอ่อน · ความสอดคล้อง Voice Profile · ข้อแนะนำ

10. MODE 6: ADD SOUL

ใช้เมื่อ: ผ่าน detector แล้วแต่ "อ่านเหมือน AI" / เย็นชา / ไม่มีตัวตน · prose ตีความ = soul-demand สูงสุด

ขั้นตอน: อ่าน 08 → รัน Soul Check 7 คำถาม → เลือก Technique S1-S6 (S1 Have Opinions / S2 Vary Rhythm / S3 Acknowledge Complexity / S4 Use voice-marker / S5 Let Some Mess In / S6 Be Specific) → ปรับตาม Voice Profile + Soul-calibration ของ branch (§2.2).

กฎเหล็ก 4: (1) ห้ามเติม fake personality · (2) ห้าม fabricate emotions · (3) counterargument อิงงานจริง · (4) ใช้ user-provided facts เท่านั้น.

Worked example — S4 voice-marker ครบ 3 register (สมมาตร)

S4 ("ใช้สรรพนาม/ตัวตน") ไม่ใช่ academic-only — ปรับ voice-marker ตาม register:

ทั้ง 3 ต้องอิง user-provided facts เท่านั้น — soul มาจาก fact จริง ไม่ใช่ personality ปลอม (กฎเหล็ก §10).

11. VOICE PROFILE LIBRARIES

🟩 Academic — voice_profiles/KM-TH-THESIS-DOC_V02R01.md (7 sub-profiles)

VP-A1 MCU PA Dissertation · A2 MCU Buddhist Integration · B1 AGJ Article · B2 General TCI · C1 Accounting Research · C2 Procurement Research · C3 Public-Sector/Education Tier-2 Decision Tree: มจร? → Buddhist แกน? A2:A1 · ไม่ใช่ มจร → Research(สถิติ)/Academic → วารสาร/สาขา → B1/B2/C1/C2/C3 AGJ calibration (worked sample): AGJ readability 5.72 · มจร human-baseline ~60% · x̄ 4.13 SD 0.32 (ดู 10 audit engine)

🟧 Business — voice_profiles/KM-TH-BIZ-DOC_V01R02.md (8 sub-profiles, corpus-grounded 13 iCE proposals)

Proposal/Narrative · Investment/Commercial · Solution-Response · Manday/Service-Model · Cover-Letter/Transmittal · FSD/Spec · SoW/Technical · Gap-Analysis/Review กฎทอง: register ต่าง section ไม่เท่ากัน — Investment section = value-prose ≈ 0 (ห้าม buzzword) · AI-tell โผล่ใน narrative มากกว่า investment

🟪 General — ไม่มี dedicated library (ดู limitation §2.5)

ใช้ core baseline + register tune · ถ้าผู้ใช้มีโฟลเดอร์ตัวอย่าง → Mode 2 EXTRACT สกัดก่อนแก้.

ถ้าไม่มี sub-profile เหมาะ → Mode 2 EXTRACT สกัดใหม่จากโฟลเดอร์ผู้ใช้

12. ANTI-HALLUCINATION SAFEGUARDS (canonical — ทุก Mode) 🟦

H3 Anti-Hallucination = canonical ที่นี่ที่เดียว. ส่วนอื่นที่อ้าง "ห้าม fabricate" ชี้กลับมาที่ §12.

• Mandatory User Fact Input ก่อน Correction (ตัวเลข/ชื่อ/วันที่ จากผู้ใช้)
• Mandatory Voice Profile ก่อน Pass 2
• Flag Missing Data เป็น [NEEDS USER INPUT: ...]
• No Citation Generation — ใช้เฉพาะที่ผู้ใช้ให้ (Citation Guard — 🟩 academic ดู 10 audit)
• Pass Separation — ไม่รัน Pass 1+2 พร้อมกัน (กลไก canonical §7)
• No Voice Profile Fabrication — Level 5 = ASK
• Business org-marker lock — "28 ปี / first Oracle Partner / vision / ค่านิยม" ใช้ได้เฉพาะมีในแหล่งจริงของเอกสารนั้น ห้าม inject อัตโนมัติ
• Lexical fingerprint preserve — ห้าม normalize quote ต้นทาง (เช่น "operation excellency") ถ้าเป็นคำของผู้เขียนจริง

13. OUTPUT FORMAT (ขึ้นกับ Prompt)

Skill ไม่กำหนด format — Prompt เป็นผู้กำหนด:

14. กรณีพิเศษ

• โฟลเดอร์ > 50 PDF: aggregate analysis ก่อน → อ่านลึกเฉพาะตัวอย่างหลากหลาย (8-10 ฉบับ) → verify pattern
• ข้อความ < 300 คำ: AI Detector ไม่แม่นยำ — แจ้งผู้ใช้ · แนะนำ Mode 5
• ขอ "เขียนใหม่ทั้งหมด": out-of-scope (เน้นแก้ ไม่ generate) → Mode 2 EXTRACT + ส่งต่อ skill เขียน (academic-article/dissertation)
• 🟩 Academic full-document audit: ใช้ 10 TAAE 7-Phase (Step 0 Resolve Standard → … → Citation Guard → Final Gate) — shared กับ qa-master.

15. REFERENCE FILES

หมายเลข reference (01–12) = contract — sections อื่นใน skill นี้ hard-link ด้วยเลขนี้ (04/06/07/11 โดยเฉพาะ). ห้ามเปลี่ยนเลข reference.

Note: 00_MAIN_KB ถูก archive แล้ว (archive/00_MAIN_KB_V05R01_DEPRECATED.md) — ไม่อยู่ใน lazy-load path. 05 ถูก split แล้ว (V06): 🟦 05a_thai_core_mechanics.md (core mechanics ภาษาไทย register-neutral — โหลดทุก branch) + 🟩 05_thai_academic_patterns.md (academic เฉพาะ). Government Thai ย้ายไป 🟧 11.

Voice profiles: KM-TH-THESIS-DOC (🟩 academic) · KM-TH-BIZ-DOC (🟧 business) · 🟪 General = core baseline (ไม่มี library)

16. WORKFLOW SUMMARY

ผู้ใช้พิมพ์ prompt
  → ⭐ Register Gate (§0): "register ไหน?" 🟩 Academic / 🟧 Business / 🟪 General (ไม่ชัด=ถาม · ห้ามเดา Academic)
  → เลือก Mode (1-6)
  → ถามคำถามจำเป็น (Voice source, facts, target score)
  → โหลด CORE + BRANCH files ตาม Manifest (§4)
  → รัน CORE universal-check (register-agnostic) → BRANCH register-specific check
  → ส่ง output ตาม format ที่ prompt กำหนด (ระบุ branch ใน report)
  → เสนอ next step

CHANGELOG

• V06R03 (2026.08.05) — +W8 Register-Wording Default (§2.3 · คำสั่ง user): ไม่ย่อคำ/ละเอียดไม่เยิ่นเย้อ/ทับศัพท์ EN ห้ามแปลไทยแปลก ๆ (แปลต้องค้นคำจริงจาก internet — H2) ทุก branch · 🟧 Professional Business wording ไม่ใช้ technical term · 🟩 ศัพท์บัญญัติ→วารสาร→ทับศัพท์ · card 12 → V01R04 (+A6/+B8/+บรรทัด academic) · SSOT fleet = reference/language-register.md

• V06R02 (2026.06.24) — +term-localization เคสจริง Project VFIN (Viriyah). W6 ขยาย → de-bureaucratize/transliteration/term-localization: TL-A keep-Thai / TL-B keep-EN / TL-C Thai(EN)-first + MG1 product-feature-misname (มิติใหม่ — คำไทยที่ misname product feature จริง → keep-EN, gated: ต้องเป็น product object จริง + สื่อหน้าที่ผิด, "แค่แปล" ไม่ trigger) + MG2 phrasing + MG3 overclaim → ชี้ 11 §6.6/§6.6.1/B-Check 11. Corpus-Correct line ระบุ TL-A keep-Thai + ห้ามแตะ 4 fit-labels (Configure/Customization/Integration/Workaround). ไม่แตะ §6.5 (calque ทิศตรงข้าม) / well-known-guard / academic branch. catalog 11 → V01R06. label TL-A/B/C (เลี่ยงชน §6.5 "กลุ่ม A/B"). bump V06R01→V06R02.

• V06R01 (2026.06.13) — Major rewrite: Register-agnostic CORE + 3 Branches เท่าเทียม. (1) Register Gate = Tier-1 entry (§0) ขึ้นก่อนทุกอย่าง — "register ไหน?" ก่อน "Mode ไหน" · ห้ามเดา Academic · ไม่ชัด=ASK. (2) 3-branch symmetric table (§2.2) — column เท่ากันทุก branch (Engine · Checks · Voice Profile · Soul-calibration); academic ไม่หนากว่า general. (3) 2-Tier tree (§2.5) — Tier-1 register-gate → Tier-2 sub-profile (academic 7 / business 8 / general blog-email-report พร้อม limitation note ว่าไม่มี dedicated corpus). (4) de-dup → SSOT+pointer: Corpus Provenance (292K/13 iCE) รวมเหลือ 1 บรรทัด (เดิมซ้ำ 4 จุด) · Anti-Halluc H3 canonical §12 เท่านั้น · Two-Pass separation canonical §7 · density 5-register → pointer ไป 06§5. (5) TQ rebalance — TQ1-2 → 🟦 CORE (universal Thai structure) · TQ3-9 → 🟩 academic · เพิ่ม business/general quick-list pointer (สมมาตร). (6) Mode 6 worked example ครบ 3 register — S4 voice-marker: academic "ผู้วิจัย" / business "เรา/ทีมที่ปรึกษา" / general conversational (ไม่ใช่ academic-only). (7) corpus asymmetry note — 292K academic vs 13 iCE = data-availability ไม่ใช่ priority ranking. (8) §15 ลบ 00_MAIN_KB (archived) + note 05a ถ้า ref-phase split. CORE ระบุชัด "register-agnostic ไม่มี academic default". MUST-KEEP numbers + qa-master D5 circular guard คงครบ.

• V05R01 (2026.06.13) — Major restructure: Shared Core + 3 Branches. แยก "กลไก AI-tell สากล" = 🟦 CORE (12 universal-check, 06§4 EN vocab + 07, two-pass 02, voice-extract 03, techniques 04, filler 09, soul 08, wording W1-W5, anti-halluc H3) ออกจาก "register เฉพาะทาง" = 3 branch (🟩 Academic: 05+06§1-3+TQ1-9+10+3 academic-check · 🟧 Business: 11 B-Check TB/EB+§6+Anchor+fingerprint · 🟪 General: core+register-tune). Manifest แยก Core + Branch-specific. เตรียมรองรับ L1 Write-Clean Card.

• V04R02 (2026.06.13) — ขยาย Business corpus 6→13 iCE proposals. KM-TH-BIZ-DOC V01R02: 8 sub-profiles + register ยืนยัน + Reframe/Citation-to-source. 11_business_ai_patterns V01R02: +TB1-TB8 +EB1-EB9 +ANTI-ลิเก Catalog (L1-L8/P1-P9 + GUARD) +watchlist. Scope clarify: voice profile เก็บ "ลายเซ็นภาษา" ไม่ใช่ "ค่าตัวเลของค์กร".

• V04R01 (2026.06.12) — Major: เพิ่ม Business Engine ในตัว (Content-Type Gate 3 ประเภท + KM-TH-BIZ-DOC + 11_business_ai_patterns.md). Restructure ลำดับเป็นเส้นตรง.

• V03R02 (2026.06.12) — Content-Type Gate + Wording Discipline + Corpus-Correct Rule + fix 7 defects.

• V03R01 (2026.06.07) — 15 จุดตรวจ + Zero-Tolerance Class + Field-Discovered Living List + Mandatory Load Manifest + Full-Coverage Scan.

• V02 (2026.06) — Mode 6 ADD SOUL + 24 Wikipedia patterns + 18 Correction Techniques.

Corpus Provenance: งานวิจัยไทย 101 ไฟล์ (~292K คำ) + เอกสารธุรกิจ iCE 13 proposals — ดู references 06 (academic) / 11 (business). asymmetry = data-availability ไม่ใช่ priority.