ปัจจุบันเนื้อหาการเรียน AI ส่วนใหญ่หยุดอยู่แค่การอธิบายแนวคิดพื้นฐาน เข้าใจทฤษฎีแต่ทำจริงไม่ได้ AI Agent ที่สร้างขึ้นมักมีปัญหา ตอบไม่ตรงธุรกิจ สัญญาเกินจริง หลอนบ่อย กระบวนการยุ่งเหยิง context ล้น เครื่องมือ error และล่ม จึงไม่สามารถใช้งานเชิงพาณิชย์ได้ การจะสร้างระบบตัวแทนอัจฉริยะที่เสถียร ปลอดภัย และเหมาะกับสถานการณ์ธุรกิจ ต้องผ่านการเรียนรู้เชิงวิศวกรรมอย่างครบถ้วนและพัฒนาโปรเจกต์จริงซ้ำแล้วซ้ำเล่า

คอร์สปฏิบัติการโปรเจกต์ AI Agent จาก 0 ถึง 1 ชุดนี้ เน้นการลงมือปฏิบัติ กรณีศึกษาที่นำไปใช้ได้จริง ปฏิเสธการพูดลอยๆ เป็นระบบการนำ AI Agent ไปใช้เชิงวิศวกรรมที่ครบถ้วน คอร์สผสานทฤษฎีพื้นฐานและหน้างานจริง เริ่มจากปูพื้นฐานแกนหลักของ AI Agent อย่างเป็นระบบ แยกวิเคราะห์ตรรกะการทำงานของโมเดล กลไกข้อความ วงจรการทำงานของ Agent สถาปัตยกรรมสถานการณ์ธุรกิจอีคอมเมิร์ซ ช่วยผู้เรียนสร้างความคิดเชิงวิศวกรรม AI มาตรฐาน

คอร์สทั้งชุดไม่มีทฤษฎีส่วนเกิน ทั้งหมดเป็นเทคนิคเชิงวิศวกรรม AI ที่นำไปใช้และนำกลับมาใช้ซ้ำได้ ครอบคลุมตั้งแต่หลักการพื้นฐาน การพัฒนาเทคนิค การดีบักปัญหา การปรับปรุงความปลอดภัย ไปจนถึงการเปิดตัวโปรเจกต์และการทำซ้ำตามสถานการณ์ ช่วยให้ผู้เรียนมีความสามารถครบถ้วนในการพัฒนา ปรับใช้ และดูแล AI Agent ระดับพาณิชย์ได้ด้วยตนเอง

การพัฒนา AI Agent ที่มีคุณค่าจริงไม่ได้อยู่ที่การเข้าใจทฤษฎี แต่อยู่ที่การนำไปใช้ได้ ใช้เชิงพาณิชย์ได้ และรับแรงกดดันจากสถานการณ์ธุรกิจจริงได้ บทเรียน Agent ในตลาดส่วนใหญ่สอนแค่การสร้างพื้นฐาน หลีกเลี่ยงปัญหาหลักอย่าง error หลอน ต้นทุน ความปลอดภัย และการปรับให้เข้ากับธุรกิจ คอร์สนี้ใช้โปรเจกต์อีคอมเมิร์ซจริงเป็นตัว เชื่อมโยงหลักการพื้นฐาน เทคนิคการพัฒนา การปรับปรุงเชิงวิศวกรรม การทำซ้ำโปรเจกต์ และการดูแลหลังเปิดตัวเข้าด้วยกัน พาคุณสร้างระบบตัวแทนอัจฉริยะ AI ที่เสถียร ถูกกฎหมาย ต้นทุนต่ำ และใช้เชิงพาณิชย์ได้จากศูนย์ หลุดพ้นจากกับดักที่รู้แต่ทฤษฎีทำจริงไม่ได้ และเชี่ยวชาญความสามารถเชิงวิศวกรรม AI ที่หายากในปัจจุบัน ไม่ว่าคุณเป็นโปรแกรมเมอร์ที่อยากเปลี่ยนสายมาพัฒนา AI หรือผู้ประกอบการอีคอมเมิร์ซที่หวังใช้ AI เพิ่มประสิทธิภาพธุรกิจ คอร์สนี้ช่วยสร้างระบบความรู้ AI Agent ที่ครบถ้วน ผ่านกรณีศึกษาบริการลูกค้าอีคอมเมิร์ซจริง 34 กรณี ตั้งแต่การวิเคราะห์ความต้องการ การออกแบบสถาปัตยกรรม การเขียนโค้ด ไปจนถึงการดูแลหลังเปิดตัว เชี่ยวชาญวิธีการพัฒนา AI Agent ระดับพาณิชย์อย่างแท้จริง

• 1.AI Agent คืออะไร
• 2.โมเดลและกลไกข้อความ
• 3.หลักการวงจรการทำงานของ Agent
• 4.แผนที่สถานการณ์ Agent ในธุรกิจอีคอมเมิร์ซ
• 5.Prompt กำหนดบทบาทธุรกิจอย่างไร
• 6.พื้นฐานวิศวกรรม context
• 7.เทคนิคเอาต์พุตแบบมีโครงสร้าง
• 8.Streaming และการปรับปรุงประสบการณ์ผู้ใช้

• 9.หลักการพื้นฐานของ Tool Calling
• 10.การจัดการค่าที่ส่งคืนและข้อผิดพลาดของพารามิเตอร์เครื่องมือ
• 11.ToolRuntime และโหนดเครื่องมือของ LangGraph
• 12.การปฏิบัติการพัฒนา create_agent ครั้งแรก

• 13.ทำไมต้องมีการเสริมการค้นคืน RAG
• 14.การแบ่งเอกสารและการออกแบบเมทาดาทา
• 15.การอ้างอิงการเรียกคืนและการจัดการป้องกันภาพหลอน
• 16.การปฏิบัติจริงเบื้องต้นของ AgenticRAG

• 17.การออกแบบกลไกความจำระยะสั้น
• 18.ความจำระยะยาวและการจัดการขอบเขตความเป็นส่วนตัว
• 19.Runtime และการจัดการบริบทขณะรัน
• 20.ทำไมต้องใช้เฟรมเวิร์ก LangGraph

• 21.วิธีการสร้างโหนดสถานะและเส้นเชื่อม
• 22.เวิร์กโฟลว์เชิงฟังก์ชัน FunctionalAPI
• 23.กลไกการกู้คืนแบบถาวรและการเดินทางข้ามเวลา
• 24.การออกแบบ Human-in-the-loop และ Interrupt

• 25.การออกแบบการจัดการข้อผิดพลาดและกลไกความทนทานต่อความผิดพลาด
• 26.ระบบสังเกตการณ์และการติดตาม Trace
• 27.ระเบียบวิธีประเมินและทดสอบ
• 28.การออกแบบความปลอดภัยและขอบเขตสิทธิ์ของ MCP
• 29.แบบจำลองความคิดเชิงวิศวกรรมของ ClaudeCode
• 30.วิศวกรรมบริบทและระบบความจำของโปรเจกต์
• 31.การใช้งานแซนด์บ็อกซ์สิทธิ์เครื่องมือและขอบเขตความปลอดภัย
• 32.สถาปัตยกรรมแบบแบ่งชั้นของ HooksSkillsMCP และส่วนขยาย

• 33.การทำงานร่วมกันแบบหลาย Agent ของ Subagents และการกำกับดูแลเชิงวิศวกรรม

• 34.ฝ่ายบริการลูกค้าหนีหมด: การวิเคราะห์ความต้องการตามสถานการณ์ธุรกิจ
• 35.สร้างบริการ chat: ให้กล่องแชทเชื่อมต่อเข้ามาได้ก่อน
• 36.AI รุ่นแรกคุยเก่ง แต่ตอบเรื่องธุรกิจไม่ถูกสักประโยค
• 37.AI บอกว่าจะจัดการให้ แต่ฝ่ายหลังการขายไม่ได้รับคำขอคืนสินค้า
• 38.AI สัญญาชดเชยเงินมั่ว: ยัดกฎทั้งหมดลงใน Prompt
• 39.Prompt ยิ่งเขียนยิ่งเหมือนกำแพง: ปรับปรุงด้วยการออกแบบแบบโมดูลาร์
• 40.บิลสิ้นเดือนมาแล้ว: วิเคราะห์และปรับปรุงการใช้ token แต่ละรอบ
• 41.พบว่าปัญหาไม่ใช่โมเดลโง่: ปรับปรุงวิธีป้อนข้อมูล
• 42.กฎหลังการขายต้องแยกก่อน: จัดโครงสร้างฐานความรู้
• 43.การค้นหาแบบเวกเตอร์ครั้งแรก: ผู้ใช้ถามอะไรก็หากฎที่คล้ายที่สุด
• 44.เจ้านายเห็นแหล่งที่มาของคำตอบในที่สุด: ฟีเจอร์อ้างอิงแหล่งที่มา
• 45.ค้นเจอไม่ได้แปลว่าถูก: ประเมินคุณภาพการค้นหา
• 46.ผู้ใช้ถามถึงโปรโมชั่นหูฟังนั้น: ปรับปรุงการเรียกคืนผลการค้นหา
• 47.กฎคล้ายกันเยอะเกินไป: กลยุทธ์ปรับปรุง top-k
• 48.ใช้แค่เวกเตอร์ไม่พอ: ออกแบบการกำหนดเส้นทางด้วยคีย์เวิร์ดและกฎ
• 49.กฎพุ่งก่อนเทศกาลใหญ่: ปรับปรุงประสิทธิภาพการค้นหาฐานความรู้
• 50.ผู้ใช้ถามสถานะพัสดุ: AI เริ่มแต่งสถานะจัดส่งอีกแล้ว
• 51.มอบชุดเครื่องมือให้ Agent: การควบคุมพารามิเตอร์และสิทธิ์ตามตัวตน
• 52.ผู้ใช้ไม่ได้บอกหมายเลขคำสั่งซื้อ: AI อย่าทำเป็นรู้ การออกแบบการยืนยันตัวตน
• 53.ผลลัพธ์จากเครื่องมือใส่กลับเข้าโมเดลตรงๆ ไม่ได้: การปรับแต่งบริบท
• 54.บริการโมเดลมีปัญหา: การจัดการ timeout และความทนทานต่อข้อผิดพลาดของเครื่องมือ
• 55.การแนะนำสินค้าเชื่อถือได้แล้ว: การเชื่อมโยงความรู้เรื่องสต็อกและราคา
• 56.เครื่องมือมากขึ้นเรื่อยๆ: การจัดการความซ้ำซ้อนและการปรับปรุงโค้ด
• 57.เครื่องมือไม่ควรให้บริการแค่ Agent เวอร์ชันนี้ของคุณ: การออกแบบ abstraction ของเครื่องมือ
• 58.ผู้ใช้พูดประโยคเดียวจะไปเส้นทางไหน: การออกแบบการตัดสินใจ routing
• 59.ผู้ใช้พูดประโยคเดียวขอคืนเงินทันที: การคืนเงินไม่ใช่แค่ประโยคเดียว
• 60.Agent อิสระไม่เหมาะกับกระบวนการหลังการขาย: การออกแบบกระบวนการแบบตายตัว
• 61.คืนเงินก่อนจัดส่ง: ตรวจสอบคำสั่งซื้อก่อนแล้วจึงตรวจสอบกฎ
• 62.คืนสินค้าหลังรับของ: ตัดสินใจจากเวลา สินค้า เหตุผล และนโยบายร่วมกัน
• 63.AI ทำได้แค่ส่งคำขอ: การออกแบบขอบเขตสิทธิ์การอนุมัติ
• 64.การกลับมาหลังการอนุมัติต้องไม่ต่อผิด: การออกแบบการจัดการสถานะ
• 65.ผู้ใช้ถามถึงคำสั่งซื้อเมื่อกี้: การจัดเก็บความจำแบบเลือกได้
• 66.ผู้ใช้เรียกตัวเองว่า