ระดับสูง · หลักสูตรการใช้งาน Claude อย่างมืออาชีพ

3.1

โมดูล 3.1

เทคนิคขั้นสูง: Prompt Chaining, Meta-prompting และ Templates

แบ่งงานใหญ่เป็นทอด ๆ และให้ Claude ช่วยเขียน prompt

🎯 วัตถุประสงค์การเรียนรู้

แบ่งงานซับซ้อนเป็นลูกโซ่ของ prompt (prompt chaining) ที่ส่งผลต่อกัน
ใช้ Claude ช่วยเขียนและปรับปรุง prompt (meta-prompting)
ออกแบบเทมเพลต prompt ที่นำกลับมาใช้ซ้ำได้ในระบบงาน

Prompt Chaining — แบ่งงานใหญ่เป็นทอด ๆ

งานที่ซับซ้อนมักได้ผลดีกว่าเมื่อแบ่งเป็นขั้น แต่ละขั้นทำอย่างเดียวและส่งผลลัพธ์เป็นอินพุตของขั้นถัดไป ลดภาระต่อครั้งและทำให้ตรวจสอบคุณภาพระหว่างทางได้

ขั้น 1
สร้างโครงเรื่องบทความ 5 หัวข้อหลัก

ขั้น 2
ขยายหัวข้อที่ 2 เป็นย่อหน้าเต็มพร้อมตัวอย่าง

ขั้น 3
ตรวจบทความรวม ปรับน้ำเสียงให้สม่ำเสมอ

ผลลัพธ์: แต่ละขั้นโฟกัสงานเดียว คุณภาพต่อขั้นสูงกว่าการสั่ง ‘เขียนบทความสมบูรณ์’ ครั้งเดียว และแทรกการตรวจสอบระหว่างทางได้ — ในระบบจริงแต่ละขั้นอาจเป็นการเรียก API แยกครั้ง โดยส่งผลลัพธ์ก่อนหน้าเป็นบริบท

Meta-prompting — ใช้ Claude เขียน prompt ให้ Claude

PROMPT — ให้ Claude ยกร่าง prompt ที่ดีขึ้น

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

ผลลัพธ์

Claude ส่งคืน prompt ที่มีโครงสร้างครบพร้อมคำอธิบายเหตุผล ผู้เรียนนำไปปรับใช้และเข้าใจหลักการออกแบบไปในตัว

จุดสอน

เทคนิคนี้เร่งการเรียนรู้ prompt engineering และช่วยสร้างเทมเพลตมาตรฐานสำหรับทีม

แบบฝึกหัดท้ายโมดูล

ออกแบบลูกโซ่ prompt 3 ขั้นสำหรับงานจริง (เช่น วิเคราะห์ฟีดแบ็ก → จัดกลุ่มปัญหา → เสนอแผนแก้ไข)
ใช้ meta-prompting ให้ Claude ร่าง prompt เทมเพลตสำหรับงานที่ทีมคุณทำซ้ำบ่อย แล้วปรับใช้จริง

3.2

โมดูล 3.2

การใช้งาน Claude ผ่าน API

Messages API · system prompt · พารามิเตอร์สำคัญ

🎯 วัตถุประสงค์การเรียนรู้

เรียกใช้ Claude ผ่าน Messages API และเข้าใจโครงสร้าง request/response
จัดการ system prompt, บทบาท user/assistant และประวัติการสนทนา
ควบคุมพฤติกรรมด้วยพารามิเตอร์ เช่น max_tokens และ temperature

API (Application Programming Interface) ให้โปรแกรมของเราส่งข้อความถึง Claude และรับคำตอบกลับมาแบบอัตโนมัติ ทำให้ฝัง Claude เข้าไปในซอฟต์แวร์ เว็บ หรือ workflow ได้ องค์ประกอบหลักของการเรียกคือ: เลือกโมเดล, กำหนด system prompt (บทบาท/กติกา), และส่ง messages (บทสนทนา)

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

โปรแกรมส่งข้อความถึง Claude แล้วรับคำตอบกลับมาเป็นข้อความ สามารถนำไปใช้ต่อในระบบได้ทันที

จุดสอน

แยกให้เห็นชัดว่า system = กติกา/บทบาทถาวร ส่วน messages = บทสนทนาที่ต่อกันไปเรื่อย ๆ · ห้ามฝัง API key ในโค้ด ให้ใช้ environment variable

พารามิเตอร์สำคัญ

พารามิเตอร์	หน้าที่	แนวทางตั้งค่า
`max_tokens`	จำกัดความยาวคำตอบสูงสุด	ตั้งให้พอกับงาน เผื่อไม่ให้ถูกตัดกลางคัน
`temperature`	ควบคุมความหลากหลาย/สุ่ม	ต่ำ (0–0.3) สำหรับงานแม่นยำ, สูงขึ้นสำหรับงานสร้างสรรค์
`system`	กำหนดบทบาทและกติกาถาวร	เขียนให้ชัด กระชับ ครอบคลุมข้อห้ามสำคัญ
`stop_sequences`	สั่งหยุดเมื่อพบข้อความที่กำหนด	ใช้เมื่อต้องการตัดผลลัพธ์ตรงจุด

สตรีมมิงและการจัดการข้อผิดพลาด: สำหรับคำตอบยาว ใช้โหมด streaming แสดงผลทีละส่วน · ครอบการเรียกด้วย try/except เสมอ เพื่อรับมือ rate limit, timeout · ใช้ retry แบบ exponential backoff เมื่อชน rate limit

แบบฝึกหัดท้ายโมดูล

เขียนสคริปต์เรียก Messages API ที่รับข้อความจากผู้ใช้และพิมพ์คำตอบ พร้อมกำหนด system prompt เป็นบทบาทเฉพาะ
ต่อยอดให้รองรับการสนทนาหลายรอบ โดยเก็บและส่งประวัติสนทนา แล้วทดลองปรับ temperature เปรียบเทียบผลลัพธ์

3.3

โมดูล 3.3

Tool Use / Function Calling

ให้ Claude เรียกใช้เครื่องมือภายนอกได้

🎯 วัตถุประสงค์การเรียนรู้

เข้าใจว่า tool use ให้ Claude เรียกใช้ฟังก์ชัน/เครื่องมือภายนอกได้อย่างไร
นิยามเครื่องมือ (tool schema) และจัดการวงจร request-tool-result
ออกแบบระบบที่ Claude ตัดสินใจเรียกเครื่องมือเมื่อจำเป็น

โดยลำพัง Claude ทำได้แค่สร้างข้อความ แต่ด้วย tool use เราสามารถประกาศ ‘เครื่องมือ’ ที่ Claude เรียกได้ เช่น ค้นฐานข้อมูล เช็คสภาพอากาศ หรือคำนวณ เมื่อ Claude เห็นว่าต้องใช้เครื่องมือ มันจะส่งคำขอเรียกเครื่องมือพร้อมพารามิเตอร์กลับมา โปรแกรมของเรารันเครื่องมือจริงแล้วส่งผลลัพธ์กลับให้ Claude ใช้ตอบต่อ

🎓 วงจร Tool Use แบบเข้าใจง่าย (4 ขั้น)

เราส่งข้อความผู้ใช้ + รายการเครื่องมือที่มี → Claude
Claude ตอบว่า ‘ขอเรียกเครื่องมือ get_weather(city="เชียงใหม่")’
โปรแกรมของเรารัน get_weather จริง ได้ผล เช่น 32°C แดดจัด
เราส่งผลลัพธ์กลับ → Claude สรุปเป็นคำตอบให้ผู้ใช้

ย้ำ: Claude ไม่ได้รันเครื่องมือเอง — มันแค่ ‘ขอ’ โปรแกรมของเราเป็นผู้รันและควบคุมความปลอดภัย

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 เข้าใจว่ามีเครื่องมือชื่อ get_weather ใช้ทำอะไร และต้องส่งพารามิเตอร์อะไร จึงเรียกได้ถูกต้องเมื่อจำเป็น

จุดสอน

คำอธิบาย (description) ที่ชัดเจนคือหัวใจ — Claude ตัดสินใจว่าจะเรียกเครื่องมือไหนจากคำอธิบายนี้ ไม่ใช่จากชื่ออย่างเดียว

แบบฝึกหัดท้ายโมดูล

นิยามเครื่องมือ 1 อย่าง (เช่น คำนวณภาษี, ค้นสินค้าในรายการสมมติ) แล้วทำวงจร tool use ให้ครบ 4 ขั้น
ออกแบบระบบที่มี 2 เครื่องมือ แล้วทดสอบว่า Claude เลือกเรียกเครื่องมือถูกต้องตามคำถาม

3.4

โมดูล 3.4

MCP และ Connectors: เชื่อมต่อระบบและข้อมูลองค์กร

‘พอร์ต USB สำหรับ AI’

🎯 วัตถุประสงค์การเรียนรู้

เข้าใจว่า MCP (Model Context Protocol) คืออะไร และช่วยเชื่อม Claude กับระบบภายนอกอย่างไร
ใช้ connectors เพื่อให้ Claude เข้าถึงเครื่องมือ เช่น ปฏิทิน อีเมล ที่เก็บไฟล์
เข้าใจข้อพิจารณาด้านสิทธิ์และความปลอดภัยในการเชื่อมต่อ

MCP เป็นมาตรฐานกลางที่ให้ผู้ช่วย AI อย่าง Claude เชื่อมต่อกับแหล่งข้อมูลและเครื่องมือภายนอกได้อย่างเป็นระบบ แทนที่จะเขียนการเชื่อมต่อเฉพาะกิจทีละอัน MCP ทำหน้าที่เหมือน ‘ปลั๊กมาตรฐาน’ ที่ทั้งสองฝั่งเข้าใจตรงกัน ทำให้เพิ่ม ‘connector’ ใหม่ ๆ ได้ง่ายขึ้น

PROMPT — ใช้ connector ในงานจริง

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

ผลลัพธ์

Claude เรียกใช้ connector ปฏิทินเพื่อดูตารางว่าง แล้วร่างอีเมลตามข้อมูลจริง — เชื่อมโยงข้อมูลข้ามระบบให้อัตโนมัติ

จุดสอน

connector ทำให้ Claude ทำงานกับ ‘ข้อมูลของคุณจริง ๆ’ ได้ ต่างจากการตอบจากความรู้ทั่วไป — แต่ต้องระวังเรื่องสิทธิ์การเข้าถึง

⚠ ความปลอดภัยเมื่อเชื่อมต่อระบบ: ให้สิทธิ์เท่าที่จำเป็น (least privilege) · ระวัง prompt injection — ข้อมูลจากภายนอก (อีเมล เว็บ ไฟล์) อาจแฝงคำสั่งอันตราย · ตรวจสอบและบันทึก (audit log) การกระทำที่ connector ทำแทนผู้ใช้ · ปฏิบัติตามนโยบายข้อมูลและกฎหมายขององค์กร

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

แบบฝึกหัดท้ายโมดูล

ระบุ connector 3 อย่างที่จะเป็นประโยชน์กับงานของทีมคุณ พร้อมระบุข้อมูลที่ควร/ไม่ควรให้เข้าถึง
ออกแบบ workflow 1 อย่างที่ใช้ connector เชื่อม 2 ระบบ พร้อมระบุจุดตรวจสอบด้านความปลอดภัย

3.5

โมดูล 3.5

Claude Code และ Agentic Workflows

จากผู้ช่วยตอบคำถาม สู่ผู้ช่วยลงมือทำ

🎯 วัตถุประสงค์การเรียนรู้

เข้าใจแนวคิด agentic: ให้ Claude วางแผนและลงมือทำหลายขั้นเพื่อบรรลุเป้าหมาย
ใช้ Claude Code ช่วยงานพัฒนาซอฟต์แวร์ตั้งแต่อ่านโค้ดจนถึงแก้ไขและทดสอบ
ออกแบบขอบเขตและจุดควบคุมให้ agent ทำงานอย่างปลอดภัย

Agentic workflow คือการให้ Claude ทำงานหลายขั้นแบบมีเป้าหมาย: วางแผน ลงมือ ตรวจผล และปรับแก้เอง ตัวอย่างชัดที่สุดคือ Claude Code เครื่องมือที่ให้ Claude ทำงานพัฒนาซอฟต์แวร์ได้จริง เช่น อ่านโครงสร้างโปรเจกต์ แก้หลายไฟล์ รันคำสั่ง และทดสอบ โดยนักพัฒนากำกับทิศทางและอนุมัติในจุดสำคัญ

งานที่มอบหมายให้ Claude Code

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

ผลลัพธ์

Claude Code สำรวจโค้ดที่เกี่ยวข้อง เสนอการวินิจฉัย แก้ไขโค้ด เพิ่มชุดทดสอบ และรันจนผ่าน โดยแสดงขั้นตอนให้ตรวจสอบและอนุมัติ

จุดสอน

agent เก่งกับงานที่มี ‘เกณฑ์ความสำเร็จตรวจสอบได้’ (เช่น เทสต์ผ่าน) — ตั้งโจทย์แบบมีเป้าหมายวัดผลได้ และคงมนุษย์ไว้ในลูปการอนุมัติ

หลักการออกแบบ agent ที่ดี

ตั้งเป้าหมายและเกณฑ์ความสำเร็จที่ตรวจสอบได้ชัดเจน
จำกัดขอบเขตและสิทธิ์ — ให้ agent เข้าถึงเฉพาะสิ่งที่จำเป็น
มีจุดให้มนุษย์ตรวจสอบก่อนดำเนินการที่มีผลกระทบสูง (ส่งอีเมลจริง ลบข้อมูล deploy)
บันทึกขั้นตอนการทำงานเพื่อตรวจสอบย้อนหลังได้
เริ่มจากงานเล็กที่ผลกระทบต่ำ แล้วค่อยขยายความเป็นอิสระเมื่อมั่นใจ

การประยุกต์ในงานที่ไม่ใช่โค้ด: แนวคิด agentic ยังใช้กับงานความรู้อื่น ๆ ได้ เช่น การค้นคว้าวิจัยหลายขั้น การประมวลชุดเอกสารจำนวนมาก หรือการทำงานสำนักงานที่มีหลายขั้นตอน

แบบฝึกหัดท้ายโมดูล

มอบหมายงานพัฒนา/แก้บั๊กเล็ก ๆ 1 งานให้ Claude Code โดยกำหนดเกณฑ์ความสำเร็จ (เช่น เทสต์ต้องผ่าน)
ออกแบบ agentic workflow สำหรับงานความรู้ 1 อย่าง พร้อมระบุจุดที่มนุษย์ต้องอนุมัติ

3.6

โมดูล 3.6

การนำไปใช้ในองค์กร: ความปลอดภัย การประเมิน และการกำกับดูแล

‘วัดผลได้ = ปรับปรุงได้’

🎯 วัตถุประสงค์การเรียนรู้

ออกแบบระบบประเมินคุณภาพ (evaluation) สำหรับงาน AI อย่างเป็นระบบ
วางแนวปฏิบัติด้านความปลอดภัย ความเป็นส่วนตัว และการป้องกัน prompt injection
จัดทำนโยบายการกำกับดูแลการใช้ AI ในองค์กร

การประเมินคุณภาพ (Evaluation)

ก่อนนำไปใช้จริงในวงกว้าง ควรมีชุดทดสอบ (eval set) ที่เป็นตัวแทนงานจริง เพื่อวัดคุณภาพอย่างเป็นกลาง และเปรียบเทียบเมื่อปรับ prompt หรือเปลี่ยนโมเดล

ประเภทการประเมิน	เหมาะกับ	วิธีการ
เกณฑ์ตายตัว (code-based)	งานที่มีคำตอบถูก/ผิดชัด	เทียบผลลัพธ์กับเฉลยอัตโนมัติ
ให้ AI ตรวจ (LLM-as-judge)	งานคุณภาพเชิงภาษา	ใช้โมเดลให้คะแนนตาม rubric
ให้คนตรวจ (human review)	งานอ่อนไหว/สำคัญสูง	ผู้เชี่ยวชาญประเมินตัวอย่างสุ่ม

ตั้งชุดประเมินอย่างง่าย: (1) รวบรวมตัวอย่างงานจริง 20–50 เคส พร้อมคำตอบที่ยอมรับได้ · (2) รัน prompt/ระบบกับทุกเคส เก็บผลลัพธ์ · (3) ให้คะแนนด้วยเกณฑ์ (อัตโนมัติ + สุ่มให้คนตรวจ) · (4) เมื่อแก้ prompt หรือเปลี่ยนโมเดล ให้รันชุดเดิมซ้ำ เทียบคะแนน

ความปลอดภัยและการกำกับดูแล

🛡 ป้องกัน Prompt Injection

แยกคำสั่งของระบบออกจากข้อมูลภายนอกด้วยโครงสร้างชัดเจน ตรวจสอบก่อนดำเนินการที่มีผลกระทบ

🔒 ความเป็นส่วนตัวของข้อมูล

กำหนดว่าข้อมูลประเภทใดป้อนได้/ไม่ได้ พิจารณาการปิดบังข้อมูล เลือกแพ็กเกจที่สอดคล้องนโยบาย

👤 Human-in-the-loop

งานที่มีผลกระทบสูงต้องมีมนุษย์อนุมัติ ไม่ปล่อยให้ AI ตัดสินใจสุดท้ายโดยลำพัง

📋 โปร่งใส & ตรวจสอบย้อนหลัง

บันทึกการใช้งาน แจ้งผู้เกี่ยวข้องเมื่อเนื้อหาถูกสร้างด้วย AI ตามที่เหมาะสม

โครงร่างนโยบายการใช้ AI ในองค์กร (6 หัวข้อ): (1) ขอบเขตการใช้งานที่อนุญาต/ห้าม (2) ประเภทข้อมูลที่ป้อนได้/ไม่ได้ (3) งานที่ต้องมีมนุษย์ตรวจสอบ (4) ความรับผิดชอบต่อผลลัพธ์ (5) แนวปฏิบัติด้านความปลอดภัยและ connector (6) การรายงานปัญหาและการทบทวนนโยบาย

แบบฝึกหัดท้ายโมดูล

สร้างชุดประเมิน 10 เคสสำหรับงานจริงในองค์กร พร้อมเกณฑ์ให้คะแนน แล้วทดสอบ prompt 2 แบบเทียบกัน
ร่างนโยบายการใช้ AI ฉบับย่อสำหรับทีมของคุณ ครอบคลุมหัวข้อสำคัญทั้ง 6 ข้อ

🏆 โปรเจกต์จบหลักสูตร (Capstone)

เลือกปัญหาจริงในงานของคุณ แล้วสร้างโซลูชันด้วย Claude ตั้งแต่ต้นจนจบ ส่งพร้อม:

คำอธิบายปัญหาและเป้าหมายที่วัดผลได้
สถาปัตยกรรมโซลูชัน (prompt chain / API / tool use / connector ตามเหมาะสม)
ชุดประเมิน (eval) และผลการทดสอบเทียบก่อน-หลังปรับปรุง
บันทึกด้านความปลอดภัย ความเป็นส่วนตัว และจุดที่มนุษย์ต้องกำกับ

🎓

จบหลักสูตรการใช้งาน Claude อย่างมืออาชีพ

จากพื้นฐานสู่ขั้นสูง — ขอให้นำทักษะไปใช้สร้างคุณค่าอย่างสร้างสรรค์ ปลอดภัย และมีความรับผิดชอบ

ต่อด้วย Connectors → Claude ใน Office →