หลักสูตรที่เน้นให้ลงมือทำจริง พาคุณจากที่ไม่รู้อะไรเลย ไปจนสร้างผู้ช่วย AI ที่ทำงานแทนเราได้ (AI Agent) และระบบทำงานอัตโนมัติ (workflow) ที่เอาไปใช้กับงานจริงได้ ด้วยเครื่องมืออย่าง n8n, Make, Zapier, MCP และ RAG อิงจากวิธีที่คนทำงานจริงเขาใช้กันในปี 2025-2026 รวมถึงกฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทย (PDPA)
ทุกบทเรียนอิงจากเวอร์ชันและฟีเจอร์ล่าสุดจริง ๆ เช่น n8n 2.0 (ธ.ค. 2025), ข้อกำหนดของ MCP ฉบับ 2025-11-25, รายการช่องโหว่ 10 อันดับของ AI (OWASP Top 10 for LLM) ปี 2025 และกฎหมาย AI ของสหภาพยุโรป (EU AI Act) ที่เริ่มบังคับใช้ 2 ส.ค. 2026 พร้อมป้ายเตือนตรงจุดที่เปลี่ยนแปลงบ่อย
ได้ลองของจริงทั้ง n8n (ปรับแต่งได้เยอะ ติดตั้งบนเครื่องเราเองได้ และถูกสุดเมื่องานเริ่มโต), Make (คุ้มค่า และแตกเงื่อนไขทำงานหลายทางได้) และ Zapier (ใช้ง่าย เชื่อมต่อกับแอปอื่นได้เยอะสุด) พร้อมเทียบวิธีคิดราคาของแต่ละเจ้า ทั้งแบบคิดต่อรอบทำงาน (execution), ต่อขั้นตอน (operation) และต่องาน (task) ให้เห็นกันชัด ๆ
เจาะลึกเรื่องการเก็บข้อมูลไว้ในประเทศ (data residency) ด้วยการติดตั้ง n8n ไว้บนเครื่องในไทยเอง, ตัวเลือกโมเดล AI ภาษาไทย (Thai LLM) อย่าง Chinda 4B ของ iApp, ThaiLLM ของ NSTDA และ OpenThaiGPT รวมถึงช่องทาง LINE ที่ลูกค้าคนไทยใช้กันมากที่สุด
สอนวิธีให้คนคอยตรวจก่อน AI ลงมือ (Human-in-the-Loop หรือ HITL) คือให้คนกดอนุมัติก่อน AI ทำเรื่องสำคัญ โดยกั้นเฉพาะจุดที่พลาดแล้วเจ็บจริง (เช่น โอนเงิน ส่งอีเมลถึงลูกค้า หรือลบข้อมูล) ตั้งเวลาหมดอายุ (timeout) และทางสำรองเผื่อพลาด (fallback) ไว้เสมอ พร้อมวางกติกาความปลอดภัย (guardrails) ในระดับตัวแพลตฟอร์ม ตามหลักที่ว่า AI ที่แค่คิดได้ ต้องไม่ปล่อยให้ลงมือทำเอง
สอนเทคนิคจำคำสั่งที่ใช้ซ้ำเพื่อลดค่าใช้จ่าย (prompt caching ประหยัดได้ราว 90%), การส่งงานเป็นชุดใหญ่ทีเดียว (batch API ประหยัดได้ราว 50%), การเลือกโมเดลให้เหมาะกับงาน, การลองใหม่เมื่อพลาดและรับมือเมื่อถูกจำกัดจำนวนครั้งเรียกใช้ (retry / rate-limit) รวมถึงช่องว่างระหว่าง "รันบนเครื่องเราแล้วเวิร์ก" กับ "รับผู้ใช้งานจริงจำนวนมากไหว"
มีแบบสำเร็จรูป (blueprint) ของระบบอัตโนมัติให้หยิบไปใช้ได้เลย เช่น ช่วยร่างข้อความตอบลูกค้า, แชตบอตที่ตอบจากข้อมูลของเรา (RAG), คัดกรองลูกค้ามุ่งหวัง (lead) และจัดการใบแจ้งหนี้ พร้อมสอนออกแบบให้ทำงานกับ MCP ตั้งแต่แรก คือเชื่อมเครื่องมือครั้งเดียว แล้วใช้ได้กับทุกโมเดล
เลือกจุดเริ่มที่เหมาะกับคุณ แล้วค่อย ๆ ไต่ระดับขึ้นทีละขั้น
เข้าใจแนวคิดหลัก สร้างระบบอัตโนมัติ (workflow) ตัวแรกที่มี AI ทำงานอยู่ในนั้น และเลือกแพลตฟอร์มให้ถูกกับงาน โดยยังไม่ต้องเขียนโค้ดหนัก · 18-24 ชั่วโมง
ระบบทำตามขั้นตอน (workflow) กับผู้ช่วย AI (AI Agent) ต่างกันยังไง ซึ่งเป็นเรื่องที่ต้องเข้าใจก่อนทุกอย่าง; ชิ้นส่วนพื้นฐานที่ประกอบกันเป็นระบบ ทั้งตัวจุดชนวนให้เริ่มทำงาน (Trigger), หน่วยการทำงาน (Node), ช่องรับสัญญาณจากภายนอก (Webhook) และการเชื่อมต่อระหว่างระบบ (API); n8n เบื้องต้น แพลตฟอร์มที่ออกแบบมาเพื่อ AI โดยเฉพาะและติดตั้งบนเครื่องเราเองได้; Zapier และ Make ทางเลือกแบบใช้ผ่านคลาวด์ที่ง่ายและคุ้มค่า …
เข้าสู่บทเรียน →ยกระดับจากระบบทำตามขั้นตอน (workflow) ไปสู่ผู้ช่วย AI (agent) ที่ตัดสินใจเองได้ ตอบจากข้อมูลของบริษัทเรา และเชื่อมเครื่องมือด้วยมาตรฐาน MCP · 24-30 ชั่วโมง
การเรียกใช้เครื่องมือ (Tool-calling / Function-calling) กลไกที่ทำให้ผู้ช่วย AI ลงมือทำงานจริงได้; สร้างผู้ช่วย AI บน n8n ด้วย AI Agent Node; พื้นฐานการให้ AI ตอบจากข้อมูลของเรา (RAG) เพื่อให้ตอบจากข้อมูลบริษัทได้; ฐานข้อมูลแบบเวกเตอร์ (Vector Database) เลือกใช้ pgvector, Qdrant หรือ Pinecone …
เข้าสู่บทเรียน →ออกแบบระบบผู้ช่วย AI (agent) ระดับใช้งานจริง (production) ที่ปลอดภัย ตรวจสอบย้อนหลังได้ สอดคล้องกับกฎหมาย PDPA และ EU AI Act และเลือกชุดเครื่องมือพัฒนา (framework) เมื่อการต่อแบบไม่เขียนโค้ด (no-code) เอาไม่อยู่ · 30-36 ชั่วโมง
การให้คนคอยตรวจก่อน AI ลงมือ (Human-in-the-Loop) ระดับใช้งานจริง กั้นให้ถูกจุด; การกำกับดูแลและความปลอดภัย ทั้งช่องโหว่ 10 อันดับของ AI (OWASP Top 10 for LLM) และการวางกติกาความปลอดภัย (guardrails); เรื่อง PDPA, การเก็บข้อมูลไว้ในประเทศ (data residency) และโมเดล AI ภาษาไทย (Thai LLM) ในบริบทไทย; ผู้ช่วย AI หลายตัวทำงานร่วมกัน (Multi-Agent) และชุดเครื่องมือพัฒนา เมื่อการต่อแบบไม่เขียนโค้ดเอาไม่อยู่ …
เข้าสู่บทเรียน →รวมแบบสำเร็จรูปของระบบอัตโนมัติ (blueprint) ที่ผ่านการใช้งานจริงมาแล้ว พร้อมปรับใช้กับองค์กรของคุณ ทุกเทมเพลตอิ
MCP กลายเป็นมาตรฐานกลางสำหรับเชื่อมต่อที่ใช้ได้ข้ามผู้ให้บริการไปแล้ว หน้านี้รวมสิ่งที่คนสร้างต้องรู้เพ
ผู้ช่วย AI (agent) ที่ลงมือทำเองได้ ต้องมีขอบเขตที่ตรวจสอบมาแล้วเสมอ ตามหลักที่ว่า AI ที่แค่คิดได้ ต้องไม่ปล่อยให้ลงมือทำเอง
| ระดับ | กลุ่มเป้าหมาย | ความคาดหวังหลังเรียน |
|---|---|---|
| Foundation (ผู้เริ่มต้น) | เจ้าของธุรกิจขนาดเล็ก (SME), พนักงานสายปฏิบัติการ การตลาด ฝ่ายบุคคล และคนที่เขียนโค้ดไม่เป็นเลย ที่อยากลดงานซ้ำ ๆ ด้วยระบบอัตโนมัติ | สร้างระบบอัตโนมัติ (workflow) ที่มี AI ทำงานอยู่ในนั้นและใช้งานได้จริง เข้าใจว่าระบบทำตามขั้นตอน (workflow) กับผู้ช่วย AI (agent) ต่างกันยังไง และเลือกแพลตฟอร์มให้เหมาะกับงานของตัวเองได้ |
| Intermediate (ระดับกลาง) | ผู้เชี่ยวชาญด้านระบบอัตโนมัติ, นักวิเคราะห์ธุรกิจ, เจ้าของผลิตภัณฑ์ และนักพัฒนาสายที่เขียนโค้ดน้อยหรือไม่เขียนเลย (no-code/low-code) ที่อยากสร้างผู้ช่วย AI (AI Agent) แบบจริงจัง ต่อ RAG เข้ากับข้อมูลขององค์กร และเชื่อมเครื่องมือผ่าน MCP | สร้างผู้ช่วย AI ที่เรียกใช้เครื่องมือ (tool-calling), ตอบจากข้อมูลของเรา (RAG) และเชื่อมด้วย MCP ได้ วางระบบให้คนคอยตรวจก่อน AI ลงมือ (Human-in-the-Loop) และคุมค่าใช้จ่ายของ AI เป็น พร้อมส่งมอบระบบที่รองรับผู้ใช้งานจริงจำนวนมากได้ |
| Advanced (ระดับสูง) | สถาปนิกโซลูชัน, วิศวกร AI, ทีมดูแลแพลตฟอร์มและความปลอดภัย และหัวหน้าทีมเทคนิค ที่ต้องออกแบบโครงระบบผู้ช่วย AI หลายตัวทำงานร่วมกัน (multi-agent), วางแนวทางกำกับดูแล และดูแลระบบใช้งานจริง (production) ที่ปลอดภัยและถูกกฎหมาย | ออกแบบโครงระบบแบบผสมและแบบผู้ช่วย AI หลายตัว (hybrid/multi-agent) ระดับใช้งานจริง วางกติกาความปลอดภัย (guardrails), การเก็บบันทึกไว้ตรวจย้อนหลัง (audit logging), การทำให้ถูกกฎหมาย PDPA และ EU AI Act และเลือกชุดเครื่องมือพัฒนา (framework) อย่าง LangGraph, LlamaIndex, CrewAI หรือ AutoGen ให้เหมาะกับงาน |
บอกได้ชัดว่างานไหนควรใช้ระบบที่ทำตามขั้นตอนตายตัว (workflow แบบ deterministic) งานไหนควรใช้ผู้ช่วย AI (AI Agent) และงานไหนควรผสมสองแบบเข้าด้วยกัน (hybrid) คือมีระบบทำตามขั้นตอนครอบไว้ด้านนอก แล้วมีส่วนที่ AI ตัดสินใจเองอยู่ข้างใน
สร้างระบบอัตโนมัติ (workflow) ได้ด้วยตัวเอง ตั้งแต่ตัวจุดชนวนให้เริ่มทำงาน (trigger), หน่วยการทำงานและคำสั่ง (node/action), เงื่อนไข (condition), ช่องรับสัญญาณและการเชื่อมต่อ (webhook/API) ไปจนถึงส่วนที่ให้ AI ทำงาน บนทั้ง n8n, Make และ Zapier
สร้างระบบ RAG (ให้ AI ค้นข้อมูลของเราก่อนตอบ) ที่ตอบจากข้อมูลบริษัทได้ ครบทุกขั้น ตั้งแต่นำข้อมูลเข้า (ingestion), ค้นข้อมูลที่เกี่ยวข้อง (retrieval), เสริมข้อมูลนั้นเข้าไปในคำถาม (augmentation) จนถึงให้ AI สร้างคำตอบออกมา (generation) พร้อมเลือกฐานข้อมูลแบบเวกเตอร์ (vector DB) อย่าง pgvector, Qdrant หรือ Pinecone ให้พอดีกับปริมาณข้อมูล
เชื่อมเครื่องมือและข้อมูลเข้ากับผู้ช่วย AI (agent) ผ่าน MCP (Model Context Protocol) รวมถึงใช้ MCP Client node และการตั้ง MCP ในระดับทั้งเซิร์ฟเวอร์ (instance-level) บน n8n 2.0
วางระบบให้คนคอยตรวจก่อน AI ลงมือ (Human-in-the-Loop) และวางกติกาความปลอดภัย (guardrails) ให้ถูกจุด คือกั้นเฉพาะเครื่องมือที่พลาดแล้วเสียหายหนัก พร้อมตั้งเวลาหมดอายุ (timeout) และทางสำรองเผื่อพลาด (fallback) ไว้เสมอ
คุมค่าใช้จ่ายของ AI ด้วยการจำคำสั่งและข้อมูลที่ใช้ซ้ำ (prompt/context caching), การส่งงานเป็นชุดใหญ่ทีเดียว (batch API) และเลือกโมเดลราคาถูกสำหรับงานที่แค่แยกประเภทหรือจัดเส้นทาง (routing/classification) พร้อมรับมือเมื่อถูกจำกัดจำนวนครั้งเรียกใช้ (rate limit) และจัดการข้อผิดพลาด (error handling) ในระดับใช้งานจริง
ประเมินและลดความเสี่ยงตามรายการช่องโหว่ 10 อันดับของแอป AI (OWASP Top 10 for LLM Applications ปี 2025) และวางระบบให้สอดคล้องกับกฎหมาย PDPA รวมถึงทางเลือกในการติดตั้งบนเครื่องเราเอง (self-host) และใช้โมเดล AI ภาษาไทย (Thai LLM) เพื่อให้เก็บข้อมูลไว้ในประเทศไทย (data residency)