Name: คลังเทมเพลต: Blueprint automation ที่ใช้ได้ทันที · หลักสูตร AI Agents อย่างมืออาชีพ
Author: จักริน นพรุจนธาดา

ร่างคำตอบลูกค้าโดยมีคนกดอนุมัติก่อนส่ง (Human-in-the-Loop)

อันนี้เป็นแบบสำเร็จรูปยอดฮิตของแนวทาง "ให้คนคอยคั่นตรวจก่อน" (HITL) หน้าตาแบบนี้: พอมีเรื่องแจ้งเข้ามาใหม่ (ticket) → ระบบไปดึงประวัติลูกค้าคนนั้นมา → ให้ AI ช่วยร่างคำตอบให้ → สร้างโน้ตไว้ให้ทีมงานอ่านกันเอง → มาถึงจังหวะที่คนต้องกดอนุมัติและสั่งส่ง → แล้วค่อยส่งจริง วิธีนี้เหมาะกับตอนที่คำตอบมีผลกับลูกค้าและต้องตรวจให้ชัวร์ก่อนส่งออกไป อย่าลืมตั้งเวลาหมดอายุ (timeout) เผื่อไว้ พร้อมกับทางออกสำรอง (fallback) ตรงจุดที่รอคนอนุมัติเสมอ เผื่อไม่มีใครมากดสักที

ตัวอย่าง PROMPT

Trigger: ticket ใหม่ → HTTP (fetch customer history) → LLM (ร่างคำตอบภาษาไทย) → create internal note → HITL Approve & Send (timeout 4 ชม., fallback: escalate) → send reply

แชตบอตที่ตอบจากเอกสารในบริษัท (RAG chatbot)

ตัวนี้คือ AI ที่คุยกับเอกสารของคุณที่เก็บไว้บน Google Drive หรือ Notion แล้วดึงคำตอบที่ตรงเป๊ะออกมาให้ ถึงเอกสารจะไม่ได้จัดระเบียบมาก่อนก็ยังทำงานได้ แบบสำเร็จรูปนี้มีสองส่วน ส่วนแรกคือการป้อนเอกสารเข้าคลัง (โหลดเข้ามา → หั่นเป็นชิ้นเล็กๆ → แปลงเป็นตัวเลขที่ AI เข้าใจหรือที่เรียกว่าเวกเตอร์ vector → เก็บลงในฐานข้อมูลเวกเตอร์ vector DB) ส่วนที่สองคือตอนมีคนถามแล้วระบบไปค้นมาตอบ คุณปรับได้เลยว่าจะให้ดึงจากแหล่งไหน และปรับคำสั่ง (prompt) ภาษาไทยได้ทันที ส่วนจะเลือกฐานข้อมูลเวกเตอร์ตัวไหน ก็ดูตามปริมาณเอกสาร (ถ้าน้อยกว่า 1 ล้านชิ้นใช้ pgvector ได้ หรือจะใช้ Qdrant, Pinecone ก็ได้)

ตัวอย่าง PROMPT

Ingestion: Google Drive → extract → text splitter (ตามหัวข้อ) → embeddings → vector store (+metadata) Query: คำถาม → embed → retrieve top-k → LLM (ตอบเฉพาะจาก chunk, ถ้าไม่พอบอกไม่ทราบ)

คัดกรองว่าที่ลูกค้าให้อัตโนมัติ (Lead qualification)

หลักการง่ายๆ คือ พอมีว่าที่ลูกค้า (lead) เข้ามา ระบบก็ไปเติมข้อมูลของเขาให้ครบก่อน → ให้ AI ช่วยให้คะแนน → แล้วส่งต่อไปตามเส้นทางที่เหมาะ (ถ้าน่าสนใจก็ส่งให้ทีมขายรีบตามด่วน ถ้ายังไม่พร้อมก็เข้าคิวไว้ดูแลกันไปยาวๆ) ทั้งหมดนี้ไม่ต้องมานั่งกรอกข้อมูลเองด้วยมือ ถ้าใช้ Make ก็ใช้ตัวแยกเส้นทาง (router) สำหรับกระจายไปได้หลายทาง หรือถ้าใช้ n8n ก็ใช้ตัวเช็กเงื่อนไข (IF node) เหมาะกับทีมขายที่อยากคัดกรองว่าที่ลูกค้าตามเกณฑ์แบบอัตโนมัติ

ตัวอย่าง PROMPT

Trigger: lead ใหม่ → enrich (HTTP) → LLM score (JSON: {score, reason}) → Router: score>threshold → SDR fast-lane; else → nurture email sequence

อ่านใบแจ้งหนี้และเอกสารอัตโนมัติ (Invoice/document processing)

ตัวนี้ให้ AI ช่วยดึงข้อมูลออกมาเป็นช่องๆ จากไฟล์ PDF → แล้วตรวจตามกฎที่เราตั้งไว้ → ส่งต่อไปตามเส้นทางที่เหมาะ เหมาะกับงานที่มีปริมาณเยอะๆ และเอกสารมีหน้าตาค่อนข้างเหมือนกันทุกใบ ทริกคือให้ขั้นตอนการทำงานเป็นแบบตายตัว โดยใช้ AI แค่จุดเดียวคือตอนดึงข้อมูล และควรมีเส้นทางไว้รับมือเวลาเกิดข้อผิดพลาด (error) รวมถึงมีที่พักงานที่ทำไม่สำเร็จ (dead-letter) ไว้ให้คนมาตรวจใบที่ระบบทำไม่ผ่านทีหลัง

ตัวอย่าง PROMPT

Trigger: PDF ใหม่ → extract fields (LLM → JSON: {po_no, amount, date}) → validate (IF ตาม rule) → valid: บันทึกระบบบัญชี; invalid: dead-letter สำหรับคนตรวจ

เทมเพลตยอดนิยมอื่นๆ และการต่อกับ LINE

ยังมีแบบสำเร็จรูปอื่นที่คนใช้กันเยอะ เช่น วิเคราะห์อารมณ์จากความคิดเห็นของลูกค้า (feedback), คัดกรองใบสมัครงานให้ฝ่ายบุคคล (HR), ตัวช่วยที่ไปเก็บข้อมูลจากเว็บมาทำวิจัยให้, และสายพานผลิตคอนเทนต์ลงโซเชียล สำหรับคนไทย LINE ถือเป็นช่องทางหลักในการคุยกับลูกค้า หน้าบ้านที่ทำได้จริงคือ ให้ LINE ส่งข้อความเข้ามาผ่าน webhook (LINE Messaging API) → เข้าตัว AI → แล้วตอบกลับ ข้อควรระวัง: LINE ต่อได้ผ่าน API/webhook และตัวส่งคำขอ HTTP ของ n8n ก็จริง แต่ก่อนไปรับปากใคร ควรลองเช็กให้ชัวร์ก่อนว่าตัวเชื่อมต่อ (connector) หรือ node ตัวไหนรองรับจริงๆ

ตัวอย่าง PROMPT

Trigger: LINE Messaging API webhook → guardrails (input) → AI Agent → guardrails (output) → LINE reply (หมายเหตุ: ยืนยันสเปก connector LINE ก่อนใช้งานจริง)

← กลับหน้าภาพรวมหลักสูตร AI Agents