Name: ระดับสูง · หลักสูตรการใช้งาน Claude อย่างมืออาชีพ
Author: จักริน นพรุจนธาดา

3.1

โมดูล 3.1

เทคนิคขั้นสูง: Prompt Chaining, Meta-prompting และ Templates

ซอยงานใหญ่ออกเป็นทอด ๆ แล้วให้ Claude ช่วยเขียนคำสั่ง (prompt) ให้เอง

🎯 วัตถุประสงค์การเรียนรู้

ซอยงานยาก ๆ ออกเป็นคำสั่งต่อกันเป็นทอด ๆ (prompt chaining) โดยผลของขั้นก่อนส่งต่อให้ขั้นถัดไป
ให้ Claude ช่วยเขียนและขัดเกลาคำสั่งให้ดีขึ้น (meta-prompting)
ออกแบบแม่แบบคำสั่ง (เทมเพลต) ที่หยิบกลับมาใช้ซ้ำได้ในงานประจำ

Prompt Chaining — ซอยงานใหญ่ออกเป็นทอด ๆ

งานที่ซับซ้อนมักออกมาดีกว่าถ้าเราซอยเป็นขั้น ๆ ให้แต่ละขั้นโฟกัสทำอย่างเดียว แล้วส่งผลลัพธ์ไปเป็นจุดตั้งต้นของขั้นต่อไป วิธีนี้ช่วยลดภาระของ Claude ในแต่ละครั้ง แถมเรายังแอบเช็กคุณภาพระหว่างทางได้อีกด้วย

ขั้น 1
สร้างโครงเรื่องบทความ 5 หัวข้อหลัก

ขั้น 2
ขยายหัวข้อที่ 2 เป็นย่อหน้าเต็มพร้อมตัวอย่าง

ขั้น 3
ตรวจบทความรวม ปรับน้ำเสียงให้สม่ำเสมอ

ผลลัพธ์: พอแต่ละขั้นโฟกัสแค่งานเดียว คุณภาพก็ออกมาดีกว่าการสั่งรวดเดียวว่า ‘เขียนบทความให้สมบูรณ์’ แถมยังแทรกการตรวจระหว่างทางได้ด้วย — พอเอาไปทำจริงในระบบ แต่ละขั้นอาจกลายเป็นการเรียก API แยกกันคนละครั้ง โดยเอาผลของขั้นก่อนหน้าส่งต่อไปเป็นข้อมูลประกอบ (บริบท)

Meta-prompting — ให้ Claude เขียนคำสั่งให้ Claude เอง

PROMPT — ให้ Claude ช่วยร่างคำสั่งที่ดีกว่าเดิม

ฉันอยากได้ prompt ที่ใช้ให้ AI จัดหมวดตั๋วสนับสนุนลูกค้าเป็น 5 ประเภท ช่วยร่าง prompt ที่มีบทบาท คำสั่งชัด รูปแบบผลลัพธ์ และตัวอย่าง 2 อัน แล้วอธิบายว่าทำไมออกแบบแต่ละส่วนแบบนั้น

ผลลัพธ์

Claude ส่งคำสั่งที่โครงสร้างครบเครื่องกลับมาให้ พร้อมอธิบายเหตุผลของแต่ละส่วน เราหยิบไปใช้ต่อได้เลย แถมได้เข้าใจหลักการออกแบบไปในตัว

จุดสอน

เทคนิคนี้ช่วยให้เราเรียนรู้วิธีเขียนคำสั่งที่ดี (prompt engineering) ได้เร็วขึ้น แถมยังใช้ปั้นแม่แบบมาตรฐานไว้ให้ทั้งทีมใช้ร่วมกันได้ด้วย

แบบฝึกหัดท้ายโมดูล

ลองออกแบบชุดคำสั่งต่อกัน 3 ขั้นสำหรับงานจริง (เช่น วิเคราะห์เสียงตอบรับจากลูกค้า → จัดกลุ่มปัญหา → เสนอแผนแก้ไข)
ใช้ meta-prompting ให้ Claude ช่วยร่างแม่แบบคำสั่งสำหรับงานที่ทีมคุณต้องทำซ้ำบ่อย ๆ แล้วเอาไปใช้จริง

3.2

โมดูล 3.2

การใช้งาน Claude ผ่าน API

Messages API · system prompt · พารามิเตอร์สำคัญ

🎯 วัตถุประสงค์การเรียนรู้

เรียกใช้ Claude ผ่าน Messages API เป็น และเข้าใจว่าคำขอที่ส่งไป (request) กับคำตอบที่ได้กลับมา (response) หน้าตาเป็นยังไง
จัดการ system prompt (คำสั่งตั้งต้น), บทบาทของฝั่งผู้ใช้กับฝั่ง AI (user/assistant) และประวัติการคุยกัน
คุมพฤติกรรมของ Claude ด้วยค่าตั้งต่าง ๆ (พารามิเตอร์) เช่น max_tokens และ temperature

API (Application Programming Interface — ช่องทางให้โปรแกรมคุยกันเองโดยไม่ต้องมีคนกดหน้าจอ) ช่วยให้โปรแกรมของเราส่งข้อความไปหา Claude แล้วรับคำตอบกลับมาได้แบบอัตโนมัติ เราเลยเอา Claude ไปฝังในซอฟต์แวร์ เว็บ หรือขั้นตอนการทำงานของเราได้ พอเรียกใช้จริง ๆ มีอยู่ไม่กี่ส่วนหลักคือ เลือกโมเดล ตั้ง system prompt (บทบาทและกติกาที่ให้ยึดตลอด) และส่ง messages ซึ่งก็คือตัวบทสนทนานั่นเอง

PYTHON — การเรียก Messages API เบื้องต้น

import anthropic client = anthropic.Anthropic() # อ่าน API key จาก environment variable msg = client.messages.create( model="claude-sonnet-5", # ตรวจชื่อรุ่นล่าสุดจากเอกสารทางการ max_tokens=1000, system="คุณคือผู้ช่วยสรุปข่าวที่กระชับและเป็นกลาง", messages=[ {"role": "user", "content": "สรุปย่อหน้านี้เป็น 2 ข้อ: ..."} ], ) print(msg.content[0].text)

ผลลัพธ์

โปรแกรมส่งข้อความไปหา Claude แล้วได้คำตอบเป็นข้อความกลับมา หยิบไปใช้ต่อในระบบได้ทันที

จุดสอน

จำให้แม่นว่า system คือกติกาและบทบาทที่ให้ยึดตลอด ส่วน messages คือบทสนทนาที่ต่อกันไปเรื่อย ๆ · และห้ามฝัง API key ลงในโค้ดเด็ดขาด ให้ไปดึงมาจาก environment variable (ที่เก็บค่าลับไว้นอกโค้ด) แทน

พารามิเตอร์สำคัญ

พารามิเตอร์	หน้าที่	แนวทางตั้งค่า
`max_tokens`	กำหนดว่าคำตอบยาวได้ไม่เกินแค่ไหน	ตั้งให้พอกับงาน เผื่อไว้นิดหน่อย คำตอบจะได้ไม่ถูกตัดค้างกลางคัน
`temperature`	คุมว่าคำตอบจะแปลกใหม่หรือสุ่มมากแค่ไหน	งานที่ต้องเป๊ะ ๆ ตั้งค่าต่ำ (0–0.3) ส่วนงานที่อยากได้ไอเดียสร้างสรรค์ค่อยตั้งสูงขึ้น
`system`	ตั้งบทบาทและกติกาที่ให้ยึดตลอด	เขียนให้ชัดและกระชับ อย่าลืมใส่ข้อห้ามสำคัญให้ครบ
`stop_sequences`	สั่งให้หยุดตอบทันทีเมื่อเจอข้อความที่เรากำหนดไว้	ใช้ตอนที่อยากให้คำตอบจบพอดีตรงจุดที่ต้องการ

การทยอยแสดงผลและการรับมือข้อผิดพลาด: ถ้าคำตอบยาว ๆ ให้เปิดโหมด streaming (ทยอยโชว์ผลทีละส่วน ไม่ต้องรอให้ตอบจบก่อน) · เวลาเรียก API ให้ครอบด้วย try/except ไว้เสมอ เผื่อเจอกรณีเรียกถี่เกินโควตา (rate limit) หรือรอนานเกินไป (timeout) · แล้วถ้าชน rate limit เข้า ก็ให้ลองเรียกใหม่โดยค่อย ๆ เว้นระยะให้ห่างขึ้นเรื่อย ๆ (exponential backoff)

แบบฝึกหัดท้ายโมดูล

ลองเขียนสคริปต์เรียก Messages API ที่รับข้อความจากผู้ใช้แล้วพิมพ์คำตอบออกมา พร้อมตั้ง system prompt ให้เป็นบทบาทเฉพาะสักอย่าง
ต่อยอดให้คุยกันได้หลายรอบ โดยเก็บประวัติการคุยไว้แล้วส่งไปด้วยทุกครั้ง จากนั้นลองปรับ temperature ดูว่าคำตอบต่างกันยังไง

3.3

โมดูล 3.3

Tool Use / Function Calling

เปิดทางให้ Claude หยิบเครื่องมือภายนอกมาใช้เองได้

🎯 วัตถุประสงค์การเรียนรู้

เข้าใจว่า tool use เปิดทางให้ Claude เรียกใช้ฟังก์ชันหรือเครื่องมือภายนอกได้ยังไง
บอกให้ Claude รู้จักเครื่องมือ (tool schema) และจัดการวงจรตั้งแต่ขอเรียกจนได้ผลกลับมา (request-tool-result)
ออกแบบระบบที่ Claude ตัดสินใจเองว่าจะหยิบเครื่องมือมาใช้ตอนไหน

ปกติ Claude ทำได้แค่สร้างข้อความออกมาเท่านั้น แต่พอมี tool use (การให้ AI เรียกใช้เครื่องมือ) เราก็บอกไว้ได้เลยว่ามี ‘เครื่องมือ’ อะไรให้ Claude หยิบใช้ได้บ้าง เช่น ค้นฐานข้อมูล เช็กสภาพอากาศ หรือคำนวณเลข พอ Claude รู้สึกว่าต้องใช้เครื่องมือ มันจะส่งคำขอเรียกเครื่องมือพร้อมค่าที่ต้องใช้กลับมา จากนั้นก็เป็นหน้าที่โปรแกรมของเราที่ลงมือรันเครื่องมือจริง แล้วส่งผลลัพธ์กลับไปให้ Claude เอาไปตอบต่อ

🎓 วงจร Tool Use แบบเข้าใจง่าย (4 ขั้น)

เราส่งข้อความของผู้ใช้ พร้อมรายการเครื่องมือที่มีให้ ไปให้ Claude
Claude ตอบกลับมาว่า ‘ขอเรียกเครื่องมือ get_weather(city="เชียงใหม่") หน่อย’
โปรแกรมของเราลงมือรัน get_weather จริง ได้ผลกลับมา เช่น 32°C แดดจัด
เราส่งผลลัพธ์นั้นกลับไป แล้ว Claude ก็เอาไปเรียบเรียงเป็นคำตอบให้ผู้ใช้

ย้ำอีกที: Claude ไม่ได้รันเครื่องมือเอง มันแค่ ‘ขอ’ ให้รันเท่านั้น คนที่ลงมือรันจริงและคุมเรื่องความปลอดภัยคือโปรแกรมของเราต่างหาก

PYTHON — ประกาศเครื่องมือให้ Claude รู้จัก (Tool Schema)

tools = [{ "name": "get_weather", "description": "ดึงสภาพอากาศปัจจุบันของเมืองที่ระบุ", "input_schema": { "type": "object", "properties": { "city": {"type": "string", "description": "ชื่อเมือง"} }, "required": ["city"] } }] # ส่ง tools ไปพร้อม messages.create(...)

ผลลัพธ์

Claude เข้าใจแล้วว่าเครื่องมือชื่อ get_weather เอาไว้ทำอะไร และต้องป้อนค่าอะไรให้บ้าง เลยเรียกใช้ได้ถูกต้องตอนที่จำเป็น

จุดสอน

หัวใจอยู่ที่คำอธิบาย (description) ที่ชัดเจน เพราะ Claude เลือกว่าจะเรียกเครื่องมือไหนจากตรงนี้ ไม่ได้ดูแค่ชื่อเครื่องมืออย่างเดียว

แบบฝึกหัดท้ายโมดูล

ลองกำหนดเครื่องมือขึ้นมา 1 อย่าง (เช่น คำนวณภาษี หรือค้นสินค้าในรายการสมมติ) แล้วเดินวงจร tool use ให้ครบทั้ง 4 ขั้น
ออกแบบระบบที่มีเครื่องมือ 2 อย่าง แล้วลองทดสอบดูว่า Claude เลือกเรียกเครื่องมือได้ถูกต้องตามคำถามไหม

3.4

โมดูล 3.4

MCP และ Connectors: เชื่อมต่อระบบและข้อมูลองค์กร

‘พอร์ต USB สำหรับ AI’

🎯 วัตถุประสงค์การเรียนรู้

เข้าใจว่า MCP (Model Context Protocol) คืออะไร และช่วยต่อ Claude เข้ากับระบบภายนอกได้ยังไง
ใช้ connectors (ตัวเชื่อมต่อ) เปิดทางให้ Claude เข้าถึงเครื่องมือต่าง ๆ เช่น ปฏิทิน อีเมล หรือที่เก็บไฟล์
รู้ว่าตอนเชื่อมต่อระบบ ต้องคิดเรื่องสิทธิ์การเข้าถึงและความปลอดภัยยังไงบ้าง

MCP (Model Context Protocol — ตัวกลางมาตรฐานที่คอยต่อ AI เข้ากับเครื่องมือและข้อมูลภายนอก) คือมาตรฐานกลางที่ช่วยให้ผู้ช่วย AI อย่าง Claude ต่อเข้ากับแหล่งข้อมูลและเครื่องมือภายนอกได้อย่างเป็นระบบ แทนที่จะต้องมานั่งเขียนตัวเชื่อมเฉพาะกิจทีละอัน MCP ทำตัวเหมือน ‘ปลั๊กมาตรฐาน’ ที่ทั้งสองฝั่งเข้าใจตรงกัน เลยทำให้เพิ่ม ‘connector’ (ตัวเชื่อมต่อกับบริการต่าง ๆ) ใหม่ ๆ เข้ามาได้ง่ายขึ้นเยอะ

PROMPT — ใช้ connector ในงานจริง

[หลังเชื่อมต่อ connector ปฏิทินและอีเมลแล้ว] ช่วยดูว่าสัปดาห์หน้าฉันว่างช่วงไหนบ้าง แล้วร่างอีเมลนัดประชุมกับทีมการตลาด 1 ชั่วโมง เสนอ 2 ช่วงเวลาที่ทุกคนน่าจะสะดวก

ผลลัพธ์

Claude เรียก connector ปฏิทินไปดูตารางว่างให้ แล้วร่างอีเมลจากข้อมูลจริง — เท่ากับดึงข้อมูลข้ามระบบมาต่อกันให้เองแบบอัตโนมัติ

จุดสอน

connector ทำให้ Claude ทำงานกับ ‘ข้อมูลของคุณจริง ๆ’ ได้ ไม่ใช่แค่ตอบจากความรู้ทั่วไปเหมือนเดิม แต่ก็ต้องระวังเรื่องสิทธิ์ว่าจะให้เข้าถึงข้อมูลอะไรได้บ้าง

⚠ ความปลอดภัยตอนเชื่อมต่อระบบ: ให้สิทธิ์แค่เท่าที่จำเป็นจริง ๆ พอ (least privilege) · ระวังการแอบยัดคำสั่ง (prompt injection) เพราะข้อมูลที่มาจากภายนอก (อีเมล เว็บ ไฟล์) อาจแอบซ่อนคำสั่งอันตรายมาหลอกให้ AI ทำตาม · เก็บบันทึก (audit log) ทุกอย่างที่ connector ทำแทนผู้ใช้ไว้ เผื่อย้อนกลับมาตรวจได้ · และทำตามนโยบายข้อมูลกับกฎหมายขององค์กรด้วย

ต้องการรายชื่อ Connectors ยอดนิยม วิธีเปิดใช้ และ Custom Connector? ดู ภาคผนวก · Connectors & Plugins →

แบบฝึกหัดท้ายโมดูล

ลองเลือก connector สัก 3 อย่างที่น่าจะช่วยงานของทีมคุณได้ พร้อมบอกด้วยว่าข้อมูลไหนควรให้เข้าถึงและไหนไม่ควร
ออกแบบขั้นตอนการทำงานสัก 1 อย่างที่ใช้ connector เชื่อม 2 ระบบเข้าด้วยกัน พร้อมชี้จุดที่ต้องตรวจสอบด้านความปลอดภัย

3.5

โมดูล 3.5

Claude Code และ Agentic Workflows

จากผู้ช่วยตอบคำถาม สู่ผู้ช่วยลงมือทำ

🎯 วัตถุประสงค์การเรียนรู้

เข้าใจแนวคิด agentic คือการให้ Claude วางแผนแล้วลงมือทำเองหลายขั้นจนถึงเป้าหมาย
ใช้ Claude Code ช่วยงานพัฒนาซอฟต์แวร์ ตั้งแต่อ่านโค้ด ไปจนถึงแก้ไขและทดสอบ
กำหนดขอบเขตและจุดควบคุมให้ผู้ช่วยที่ทำงานเอง (agent) ทำงานได้อย่างปลอดภัย

Agentic workflow ก็คือการให้ Claude ทำงานหลายขั้นแบบมีเป้าหมาย ตั้งแต่วางแผน ลงมือทำ ตรวจผล แล้วปรับแก้เอง ตัวอย่างที่เห็นภาพชัดที่สุดคือ Claude Code เครื่องมือที่ให้ Claude ลงมือทำงานพัฒนาซอฟต์แวร์ได้จริง เช่น อ่านโครงสร้างโปรเจกต์ แก้หลายไฟล์ รันคำสั่ง และทดสอบให้ โดยมีนักพัฒนาคอยกำกับทิศทางและอนุมัติในจุดสำคัญ ๆ

งานที่มอบหมายให้ Claude Code

"ในโปรเจกต์นี้ ฟังก์ชันคำนวณส่วนลดคิดผิดเมื่อยอดเกิน 10,000 บาท ช่วยหาสาเหตุ แก้ไข เพิ่มเทสต์ที่ครอบคลุมกรณีขอบเขต แล้วรันเทสต์ให้ผ่าน"

ผลลัพธ์

Claude Code ไล่ดูโค้ดที่เกี่ยวข้อง บอกว่าปัญหาน่าจะมาจากตรงไหน แก้โค้ด เพิ่มชุดทดสอบ แล้วรันจนผ่าน โดยโชว์ทุกขั้นตอนให้เราตรวจและกดอนุมัติ

จุดสอน

agent เก่งกับงานที่มี ‘เกณฑ์วัดความสำเร็จที่เช็กได้ชัด ๆ’ (เช่น เทสต์ผ่าน) ฉะนั้นให้ตั้งโจทย์แบบมีเป้าหมายที่วัดผลได้ แล้วอย่าลืมให้คนคอยอยู่ในขั้นตอนอนุมัติเสมอ

หลักการออกแบบ agent ที่ดี

ตั้งเป้าหมายและเกณฑ์วัดความสำเร็จที่เช็กได้จริงให้ชัดเจน
จำกัดขอบเขตและสิทธิ์ ให้ agent เข้าถึงได้แค่เท่าที่จำเป็นเท่านั้น
มีจุดให้คนตรวจก่อนทุกครั้งที่จะทำอะไรที่ผลกระทบสูง (เช่น ส่งอีเมลจริง ลบข้อมูล หรือ deploy)
เก็บบันทึกขั้นตอนการทำงานไว้ เผื่อย้อนกลับมาตรวจได้
เริ่มจากงานเล็ก ๆ ที่ผลกระทบต่ำก่อน แล้วค่อย ๆ ให้อิสระมากขึ้นเมื่อเริ่มมั่นใจ

ไม่ใช่แค่งานโค้ด: แนวคิด agentic เอาไปใช้กับงานความรู้อื่น ๆ ได้ด้วย เช่น การค้นคว้าวิจัยหลายขั้น การจัดการเอกสารทีละเยอะ ๆ หรืองานสำนักงานที่มีหลายขั้นตอน

แบบฝึกหัดท้ายโมดูล

ลองมอบงานพัฒนาหรือแก้บั๊กเล็ก ๆ สัก 1 งานให้ Claude Code โดยกำหนดเกณฑ์ความสำเร็จไว้ด้วย (เช่น เทสต์ต้องผ่าน)
ออกแบบ agentic workflow สำหรับงานความรู้สัก 1 อย่าง พร้อมชี้จุดที่ต้องให้คนคอยกดอนุมัติ

3.6

โมดูล 3.6

การนำไปใช้ในองค์กร: ความปลอดภัย การประเมิน และการกำกับดูแล

‘วัดผลได้ = ปรับปรุงได้’

🎯 วัตถุประสงค์การเรียนรู้

ออกแบบวิธีวัดคุณภาพงาน AI (evaluation) อย่างเป็นระบบ
วางแนวทางด้านความปลอดภัย ความเป็นส่วนตัว และการรับมือการแอบยัดคำสั่ง (prompt injection)
จัดทำกติกาการใช้ AI ในองค์กร (governance)

การประเมินคุณภาพ (Evaluation)

ก่อนจะเอาไปใช้จริงในวงกว้าง ควรเตรียมชุดทดสอบ (eval set — ชุดตัวอย่างงานเอาไว้วัดผล) ที่สะท้อนงานจริงของเรา ไว้วัดคุณภาพแบบเป็นกลาง และเอาไว้เทียบผลได้เวลาปรับ prompt หรือเปลี่ยนโมเดล

ประเภทการประเมิน	เหมาะกับ	วิธีการ
เกณฑ์ตายตัว (code-based)	งานที่มีคำตอบถูกผิดชัดเจน	ให้โปรแกรมเทียบผลกับเฉลยให้เองอัตโนมัติ
ให้ AI ตรวจ (LLM-as-judge)	งานที่ต้องวัดคุณภาพเชิงภาษา	ใช้โมเดลอีกตัวมาให้คะแนนตามเกณฑ์ที่วางไว้ (rubric)
ให้คนตรวจ (human review)	งานที่อ่อนไหวหรือสำคัญมาก ๆ	ให้ผู้เชี่ยวชาญสุ่มหยิบตัวอย่างมาดูแล้วประเมิน

วิธีตั้งชุดประเมินแบบง่าย ๆ: (1) รวบรวมตัวอย่างงานจริงสัก 20–50 เคส พร้อมคำตอบที่รับได้ · (2) เอา prompt หรือระบบไปรันกับทุกเคส แล้วเก็บผลไว้ · (3) ให้คะแนนตามเกณฑ์ (ใช้โปรแกรมช่วยบ้าง สุ่มให้คนตรวจบ้าง) · (4) พอแก้ prompt หรือเปลี่ยนโมเดล ก็แค่เอาชุดเดิมมารันซ้ำแล้วเทียบคะแนนกันดู

ความปลอดภัยและการกำกับดูแล

🛡 กันการแอบยัดคำสั่ง (Prompt Injection)

วางโครงสร้างให้แยกคำสั่งของระบบออกจากข้อมูลภายนอกให้ชัด และตรวจก่อนเสมอก่อนจะลงมือทำอะไรที่มีผลกระทบ

🔒 ความเป็นส่วนตัวของข้อมูล

กำหนดให้ชัดว่าข้อมูลแบบไหนป้อนเข้าไปได้ แบบไหนห้าม คิดเรื่องการปิดบังข้อมูลไว้ด้วย และเลือกแพ็กเกจที่ตรงกับนโยบายขององค์กร

👤 มีคนอยู่ในขั้นตอน (Human-in-the-loop)

งานที่ผลกระทบสูงต้องให้คนกดอนุมัติ อย่าปล่อยให้ AI ตัดสินใจขั้นสุดท้ายเองตามลำพัง

📋 โปร่งใสและย้อนกลับมาตรวจได้

เก็บบันทึกการใช้งานไว้เสมอ และแจ้งคนที่เกี่ยวข้องเมื่อเนื้อหาชิ้นนั้นสร้างด้วย AI ตามแต่กรณีที่เหมาะสม

โครงร่างกติกาการใช้ AI ในองค์กร (6 หัวข้อ): (1) ใช้ทำอะไรได้บ้าง และห้ามใช้ทำอะไร (2) ข้อมูลแบบไหนป้อนเข้าไปได้ แบบไหนห้าม (3) งานไหนที่ต้องให้คนตรวจ (4) ใครเป็นคนรับผิดชอบผลลัพธ์ (5) แนวทางด้านความปลอดภัยและการใช้ connector (6) จะแจ้งปัญหายังไง และควรทบทวนกติกากันเป็นระยะ

แบบฝึกหัดท้ายโมดูล

ลองสร้างชุดประเมิน 10 เคสสำหรับงานจริงในองค์กร พร้อมเกณฑ์ให้คะแนน แล้วเอา prompt 2 แบบมาทดสอบเทียบกันดู
ร่างนโยบายการใช้ AI ฉบับย่อ ๆ สำหรับทีมของคุณ ให้มีครบทั้ง 6 หัวข้อสำคัญ

🏆 โปรเจกต์จบหลักสูตร (Capstone)

เลือกปัญหาจริงสักอย่างในงานของคุณ แล้วสร้างทางแก้ด้วย Claude ตั้งแต่ต้นจนจบ แล้วส่งมาพร้อมกับ:

คำอธิบายว่าปัญหาคืออะไร และตั้งเป้าหมายที่วัดผลได้
โครงสร้างของทางแก้ (จะใช้ prompt chain / API / tool use / connector อันไหนก็ได้ตามที่เหมาะ)
ชุดประเมิน (eval) พร้อมผลทดสอบเทียบกันก่อนและหลังปรับปรุง
บันทึกด้านความปลอดภัย ความเป็นส่วนตัว และจุดที่ต้องให้คนคอยกำกับ

🎓

จบหลักสูตรการใช้งาน Claude อย่างมืออาชีพ

เดินทางมาตั้งแต่พื้นฐานจนถึงขั้นสูงแล้ว ขอให้เอาทักษะทั้งหมดนี้ไปใช้สร้างคุณค่าอย่างสร้างสรรค์ ปลอดภัย และมีความรับผิดชอบ

ต่อด้วย Connectors → Claude ใน Office →