ระดับสูง: พัฒนาโซลูชันและงาน agentic ด้วย Gemini API · หลักสูตร Gemini อย่างมืออาชีพ

3.1

โมดูล 3.1

Google AI Studio และ Gemini API: เริ่มต้นพัฒนา

prototype prompt, รับ API key และเรียกใช้โมเดลผ่านโค้ด

🎯 วัตถุประสงค์การเรียนรู้

ใช้ Google AI Studio เพื่อ prototype prompt ทดสอบโมเดล และรับ API key
เรียกใช้ Gemini API เบื้องต้นและเข้าใจ free tier กับ rate limits
เลือกเส้นทางที่เหมาะสมระหว่าง Gemini API (ai.google.dev) กับ Vertex AI (องค์กร)

เนื้อหา

Google AI Studio เป็น web IDE ฟรีสำหรับ prototype prompt ทดสอบโมเดล และรับ API key เป็นจุดเริ่มต้นของนักพัฒนา ส่วน Gemini API (ai.google.dev) คือ API สำหรับนักพัฒนา มี free tier พร้อม rate limits สำหรับองค์กรที่ต้องการธรรมาภิบาลและ SLA สูงขึ้น ให้ใช้ Vertex AI (เส้นทาง Google Cloud) นอกจากนี้ยังมี Gemini CLI และ Antigravity IDE (จาก พ.ย. 2025) เป็น surface สำหรับงาน agentic coding

เรียกใช้ Gemini API พื้นฐานด้วย Python

from google import genai client = genai.Client(api_key="YOUR_API_KEY") response = client.models.generate_content( model="gemini-2.5-flash", contents="สรุปประเด็นหลักของอีเมลนี้เป็น 3 bullet ภาษาไทย: <วางเนื้อหาอีเมล>" ) print(response.text)

ผลลัพธ์ที่คาดหวัง

ได้ข้อความสรุป 3 bullet ภาษาไทยกลับมาผ่าน API พร้อมเห็นโครงสร้างการเรียกใช้ client/model/contents

จุดสอน

สอนโครงสร้างการเรียก API จริง (client, model id, contents) และชี้ว่าควรทดสอบใน AI Studio ก่อนย้ายมาโค้ด รวมถึงระวัง rate limits ของ free tier

แบบฝึกหัดท้ายโมดูล

ใน AI Studio ออกแบบและทดสอบ system instruction สำหรับผู้ช่วยเฉพาะทาง แล้ว export ไปเป็นโค้ดเรียก API
เขียนสคริปต์เรียก Gemini API รับ input จากไฟล์ข้อความ สรุปเนื้อหา และบันทึกผลลัพธ์ลงไฟล์ พร้อมจัดการ error/rate limit เบื้องต้น

3.2

โมดูล 3.2

การจัดการ Context ขนาดใหญ่ ~1M token

วิเคราะห์ทั้งโค้ดเบส เอกสารยาว และทรานสคริปต์ในคำสั่งเดียว

🎯 วัตถุประสงค์การเรียนรู้

ใช้ context window ~1M token วิเคราะห์เอกสาร/โค้ด/ทรานสคริปต์ขนาดใหญ่ในคำสั่งเดียว
ออกแบบวิธีจัดโครงสร้าง input ยาวให้โมเดลตอบแม่นและตรวจสอบย้อนกลับได้
เข้าใจข้อควรระวังเรื่องต้นทุน token และคุณภาพเมื่อ context ยาวมาก

เนื้อหา

จุดเด่นจริงของ Gemini คือ context window ~1 ล้าน token (≈1,500 หน้า / 50,000 บรรทัดโค้ด / ทรานสคริปต์พอดแคสต์ 200+ ตอน) ซึ่งเป็น differentiator จริงทั้งใน Gemini 2.5 และ Gemini 3 ทำให้วิเคราะห์ทั้งโค้ดเบส เอกสารสัญญายาว หรือทรานสคริปต์วิดีโอได้ในคำสั่งเดียว ข้อควรระวัง: prompt ยาวมีต้นทุน token สูง (สำหรับ Gemini 2.5 Pro ราคา input จะเพิ่มขึ้นเมื่อ prompt เกิน 200K token) และควรจัดโครงสร้าง input พร้อมสั่งให้อ้างอิงตำแหน่ง/ไฟล์ เพื่อให้ตรวจสอบย้อนกลับได้

รีวิวโค้ดเบสทั้งชุดในคำสั่งเดียว

ฉันแนบซอร์สโค้ดของโปรเจกต์ทั้งหมดมา (~30,000 บรรทัด) ช่วยระบุ 5 จุดเสี่ยงด้านความปลอดภัยที่สำคัญที่สุด เรียงตามความรุนแรง โดยแต่ละจุดให้ระบุชื่อไฟล์ เลขบรรทัดโดยประมาณ อธิบายความเสี่ยง และแนวทางแก้ไข

ผลลัพธ์ที่คาดหวัง

รายการ 5 จุดเสี่ยงเรียงตามความรุนแรง พร้อมชื่อไฟล์ ตำแหน่งโดยประมาณ คำอธิบาย และแนวทางแก้ ครอบคลุมทั้งโค้ดเบสในครั้งเดียว

จุดสอน

แสดงพลัง context ขนาดใหญ่จริง สอนให้บังคับ 'อ้างอิงไฟล์/บรรทัด' เพื่อตรวจสอบได้ และเตือนให้ยืนยันผลกับเครื่องมือ/มนุษย์ เพราะโมเดลยังอาจพลาด

แบบฝึกหัดท้ายโมดูล

รวมเอกสารหลายไฟล์ (นโยบาย + สัญญา + FAQ) เป็น context เดียว แล้วให้ Gemini ตอบคำถามข้ามเอกสารพร้อมอ้างอิงว่ามาจากไฟล์ใด
ทดลองเปรียบเทียบคุณภาพและต้นทุน (โดยประมาณ) ระหว่างการป้อนทั้งเอกสารครั้งเดียว กับการแบ่งเป็นส่วน ๆ แล้วสรุปข้อดี/ข้อเสีย

3.3

โมดูล 3.3

Grounding with Google Search: คำตอบที่อ้างอิงและทันเหตุการณ์

เปิด tool google_search เพื่อให้โมเดลค้นและตอบพร้อม inline citations

🎯 วัตถุประสงค์การเรียนรู้

เปิดใช้ tool google_search เพื่อให้ Gemini ค้นและตอบพร้อมการอ้างอิง
อ่านและใช้ผลลัพธ์ grounding (webSearchQueries, groundingChunks, groundingSupports)
เข้าใจการคิดค่าบริการ grounding และการใช้ Google Maps grounding

เนื้อหา

Grounding with Google Search เป็น tool จริงที่คิดเงิน เมื่อเปิด tool google_search โมเดลจะตัดสินใจเองว่าเมื่อใดควรค้น ออก query และคืนคำตอบที่ grounded พร้อม inline citations โดย API คืนข้อมูล webSearchQueries, groundingChunks, groundingSupports สิ่งนี้ช่วยลดคำตอบที่ล้าสมัย/ไม่มีหลักฐาน และแก้ข้อจำกัด knowledge cutoff การคิดเงินเดิม $35/1K prompts และเปลี่ยนเป็น ~$14/1K search queries (คิดต่อ query) กับ Gemini 3 นอกจากนี้ Gemini 3 ยังเพิ่ม Google Maps grounding และการรวมหลาย tool (tool combos + context circulation)

เปิด grounding เพื่อตอบคำถามที่ต้องอ้างอิงล่าสุด

(เปิด tool google_search) ช่วยสรุปแนวโน้มราคาพลังงานล่าสุดที่กระทบต้นทุนร้านอาหารในไทยช่วง 3 เดือนที่ผ่านมา และให้ลิงก์แหล่งอ้างอิงประกอบทุกข้อสรุป

ผลลัพธ์ที่คาดหวัง

คำตอบที่ grounded พร้อม inline citations และลิงก์แหล่งข้อมูลจริง โดย API แนบ webSearchQueries/groundingChunks/groundingSupports

จุดสอน

สอนว่าเมื่อคำถามต้องการข้อมูลใหม่/ตรวจสอบได้ ต้องเปิด grounding และให้ตรวจ citation ทุกครั้ง อธิบายว่า grounding เป็น tool ที่มีค่าใช้จ่าย

แบบฝึกหัดท้ายโมดูล

เรียก Gemini API พร้อมเปิด tool google_search แล้ว parse groundingChunks/groundingSupports ออกมาแสดงเป็นรายการแหล่งอ้างอิง
ออกแบบเกณฑ์ตัดสินใจว่า 'คำถามแบบใดควรเปิด grounding และแบบใดไม่จำเป็น' พร้อมประเมินผลกระทบต่อต้นทุนต่อ query

3.4

โมดูล 3.4

งาน Agentic และการควบคุมการให้เหตุผล

งานยาวหลายขั้น, thinking_level/Deep Think และการรวมเครื่องมือ

🎯 วัตถุประสงค์การเรียนรู้

ออกแบบงาน agentic ที่ทำหลายขั้น เช่น วิเคราะห์การเงิน ตรวจสัญญา วางแผนซัพพลายเชน
ควบคุมความเข้มข้นการให้เหตุผลด้วย thinking_level (Gemini 3) หรือ Deep Think (Ultra)
รวมหลาย tool เข้าด้วยกันและเข้าใจข้อจำกัด/การ gate ของโหมด reasoning ขั้นสูง

เนื้อหา

Gemini เน้นงาน agentic ที่ทำงานยาวหลายขั้น เช่น การวิเคราะห์การเงิน การตรวจสอบสัญญา และการวางแผนซัพพลายเชน (เน้นมากใน Gemini 3) สำหรับการควบคุมการให้เหตุผล Gemini 3 Pro แนะนำพารามิเตอร์ thinking_level (low/high) แทน thinking_budget เดิม ส่วน Deep Think เป็นโหมดการให้เหตุผลเข้มข้นสำหรับงานคณิต/โค้ดยาก ซึ่ง gate ไว้ที่ tier Ultra และทยอยเปิดหลังการทดสอบความปลอดภัย Gemini 3 ยังรองรับการรวมหลาย tool (tool combos) และ context circulation ทำให้สร้าง workflow อัตโนมัติที่ซับซ้อนขึ้นได้

งานตรวจสัญญาแบบหลายขั้น

ทำหน้าที่เป็นผู้ช่วยกฎหมายเชิงธุรกิจ วิเคราะห์สัญญาจัดซื้อที่แนบมาแบบเป็นขั้นตอน: (1) สรุปหน้าที่และความรับผิดของแต่ละฝ่าย (2) ระบุข้อที่มีความเสี่ยงสูงต่อผู้ซื้อ พร้อมเลขข้อ (3) เสนอถ้อยคำแก้ไขสำหรับข้อที่เสี่ยงที่สุด 3 ข้อ และ (4) สรุปคำถามที่ควรถามคู่สัญญาก่อนลงนาม

ผลลัพธ์ที่คาดหวัง

ผลลัพธ์แบ่งเป็น 4 ขั้นชัดเจน มีการอ้างเลขข้อ ระบุความเสี่ยง เสนอถ้อยคำแก้ไข และรายการคำถามก่อนลงนาม

จุดสอน

สอนออกแบบงาน agentic เป็นขั้นตอนที่ตรวจสอบได้ ใช้ thinking_level สูงกับงานที่ต้องการเหตุผลลึก และย้ำว่าผลลัพธ์กฎหมายต้องผ่านการตรวจโดยผู้เชี่ยวชาญจริง

แบบฝึกหัดท้ายโมดูล

ออกแบบ workflow agentic 4-6 ขั้นสำหรับงานในสายตน (เช่น วิเคราะห์งบการเงิน) โดยกำหนด output ที่ตรวจสอบได้ในแต่ละขั้น
ทดลองเปรียบเทียบผลลัพธ์งานให้เหตุผลยากเมื่อใช้ thinking_level low กับ high (หรือเทียบกับ/ไม่ใช้ Deep Think ถ้าเข้าถึงได้) แล้วสรุปความคุ้มค่าเทียบต้นทุน/เวลา

3.5

โมดูล 3.5

Multimodal ขั้นสูงและ Generative Media ผ่าน API

ประมวลผล video/audio input และเรียก Nano Banana/Imagen/Veo ในงานอัตโนมัติ

🎯 วัตถุประสงค์การเรียนรู้

ประมวลผล input แบบ audio/video ผ่าน API และดึงข้อมูลมีโครงสร้างออกมา
เรียกใช้ Nano Banana/Imagen สร้างและแก้ไขภาพ และ Veo สร้างวิดีโอในสายงานอัตโนมัติ
เข้าใจต้นทุนสื่อ (เช่น Nano Banana ~$0.039/ภาพ) และข้อจำกัดของแต่ละโมเดล

เนื้อหา

Gemini เป็น natively multimodal จึงประมวลผล input ผสมข้อความ+รูป+เสียง+วิดีโอผ่าน API ได้ในคำขอเดียว เช่น ถอดและวิเคราะห์วิดีโอประชุมเป็นบันทึกมีโครงสร้าง สำหรับ generative media: image output ทำผ่าน Nano Banana (~1,290 token/ภาพ ≈ $0.039/ภาพ, ราคาอิง ~$30/1M output tokens) และ Imagen 4; video output ทำผ่าน Veo ไม่ใช่ core chat model โดยตรง เมื่อฝังในสายงานอัตโนมัติต้องคำนึงต้นทุนต่อภาพ/วิดีโอ, ลายน้ำ SynthID บนทุกภาพ, ความยาวคลิป ~8 วินาที และข้อจำกัดของโมเดลภาพขนาดเล็ก (ความรู้โลก/3D/ความถูกต้อง) หมายเหตุ: ราคาต่อ token/ภาพ/วิดีโอเปลี่ยนบ่อยและขึ้นกับภูมิภาค ควรตรวจสอบหน้า pricing ล่าสุดก่อนใช้จริง

ถอดวิเคราะห์วิดีโอเป็นบันทึกมีโครงสร้าง

ฉันแนบไฟล์วิดีโอบันทึกการประชุม 30 นาทีมาให้ ช่วยสร้างบันทึกการประชุมภาษาไทยที่มี: หัวข้อที่คุย ผู้พูดหลักของแต่ละประเด็น การตัดสินใจสำคัญ และ action items พร้อมผู้รับผิดชอบ ระบุ timestamp โดยประมาณของแต่ละการตัดสินใจ

ผลลัพธ์ที่คาดหวัง

บันทึกการประชุมมีโครงสร้าง พร้อมหัวข้อ การตัดสินใจ action items ผู้รับผิดชอบ และ timestamp โดยประมาณ จากการเข้าใจวิดีโอโดยตรง

จุดสอน

แสดง video understanding จริงผ่าน multimodal สอนให้ขอ timestamp เพื่อย้อนตรวจ และเชื่อมไปสู่การฝังในสายงานอัตโนมัติ (เช่น ส่งบันทึกเข้า Docs)

แบบฝึกหัดท้ายโมดูล

เขียนสคริปต์ที่รับภาพ product ผ่าน API แล้วใช้ Nano Banana เปลี่ยนพื้นหลังเป็นชุด 3 แบบ พร้อมคำนวณต้นทุนต่อภาพโดยประมาณ
สร้าง pipeline สั้น ๆ: รับวิดีโอ → ให้ Gemini สรุปเป็นบันทึก → สั่ง Imagen สร้างภาพสรุปประกอบ 1 ภาพ แล้วประเมินข้อจำกัดที่พบ

3.6

โมดูล 3.6

ธรรมาภิบาล ความปลอดภัย และการนำไปใช้ในองค์กร

Vertex AI, การจัดการข้อจำกัด, ความเป็นส่วนตัว และการวางกลยุทธ์โมเดล

🎯 วัตถุประสงค์การเรียนรู้

เลือกใช้ Vertex AI สำหรับงานองค์กรที่ต้องการธรรมาภิบาลและ SLA สูง
ออกแบบมาตรการจัดการข้อจำกัด (hallucination, cutoff, region-gating) ในระบบจริง
วางกลยุทธ์การเลือกโมเดล/tier ให้ทันการเปลี่ยนแปลง (2.5 → Gemini 3 → รุ่นถัดไป)

เนื้อหา

การนำ Gemini ไปใช้ในองค์กรต้องคำนึงถึงธรรมาภิบาล: Vertex AI ให้ governance, SLA สูงกว่า และการควบคุมข้อมูลที่เหมาะกับองค์กร ต้องออกแบบมาตรการจัดการข้อจำกัดจริง ได้แก่ hallucination (มีในทุกรุ่น รวมถึงมีรายงานว่า Gemini 3 Pro มีอัตราสูงบน benchmark หนึ่งและลดลงมากใน 3.1 Pro โดยควรถือเป็นตัวเลขเฉพาะ benchmark ไม่ใช่ข้อเท็จจริงพาดหัว), knowledge cutoff (~ม.ค. 2025), การ gate ฟีเจอร์ที่ดีที่สุดหลัง paywall และ US/English-first และความปลอดภัยข้อมูล นอกจากนี้ต้องวางกลยุทธ์เลือกโมเดลให้ทันการเปลี่ยนแปลง เพราะ state of the art เคลื่อนเร็ว (2.5 → Gemini 3 พ.ย. 2025 → 3.1/3.5 ในปี 2026) โดยฟีเจอร์มักคงอยู่ข้ามรุ่น แต่ชื่อโมเดลและราคาคือส่วนที่เปลี่ยนบ่อยที่สุด

ออกแบบนโยบายการใช้ Gemini ในองค์กร

ทำหน้าที่เป็นที่ปรึกษาด้าน AI governance ช่วยร่างนโยบายการใช้ Google Gemini สำหรับบริษัท 300 คน ครอบคลุม: ประเภทข้อมูลที่ห้ามป้อน, ขั้นตอนตรวจสอบข้อเท็จจริงก่อนเผยแพร่, การเลือกระหว่าง Gemini API กับ Vertex AI, และแนวทางรับมือเมื่อ Google ออกโมเดลรุ่นใหม่ ทำเป็นเอกสารมีหัวข้อและ checklist

ผลลัพธ์ที่คาดหวัง

ร่างนโยบายมีหัวข้อครบ ทั้งการจัดประเภทข้อมูล ขั้นตอนตรวจสอบ การเลือก API/Vertex AI และแผนรับมือการอัปเดตโมเดล พร้อม checklist

จุดสอน

เชื่อมทุกข้อจำกัดที่เรียนมาสู่การกำกับดูแลจริง ย้ำว่าการเลือก Vertex AI เกี่ยวกับ governance/SLA และกลยุทธ์โมเดลต้องเผื่อการเปลี่ยนรุ่นที่เกิดบ่อย

แบบฝึกหัดท้ายโมดูล

จัดทำ decision matrix เลือกระหว่าง Gemini API กับ Vertex AI สำหรับ 3 use case ในองค์กร พร้อมเหตุผลด้าน governance/ต้นทุน/SLA
เขียนแผนรับมือ 1 หน้า 'เมื่อ Google เปลี่ยน flagship model' ที่ครอบคลุมการทดสอบ regression, การจัดการราคาที่เปลี่ยน, และการสื่อสารกับทีม

🏆 Capstone ระดับสูง: โซลูชัน Gemini พร้อม grounding และธรรมาภิบาลสำหรับองค์กร

นิยาม use case องค์กรจริง 1 อย่าง (เช่น ผู้ช่วยตอบคำถามจากฐานเอกสารภายใน หรือระบบตรวจสัญญา) แล้ววางสถาปัตยกรรมด้วย Gemini API หรือ Vertex AI
สร้างต้นแบบใช้งานได้ที่ใช้ context ขนาดใหญ่กับเอกสารจริง และเปิด Grounding with Google Search พร้อม parse citation ออกมาแสดง
ออกแบบเป็นงาน agentic หลายขั้นที่ตรวจสอบได้ และเลือกระดับการให้เหตุผล (thinking_level) ให้เหมาะกับต้นทุน
ผนวก generative media ที่เกี่ยวข้อง (เช่น Imagen/Nano Banana สร้างภาพประกอบรายงาน) ถ้าสอดคล้องกับ use case
จัดทำเอกสารธรรมาภิบาล: การจัดการ hallucination/cutoff, ความปลอดภัยข้อมูล, การประเมินต้นทุนต่อ query/ภาพ, และแผนรับมือการเปลี่ยนรุ่นโมเดล พร้อมนำเสนอ demo และผลการทดสอบ

🎓

จบหลักสูตรการใช้งาน Gemini อย่างมืออาชีพ

สร้างรูป →สร้างวิดีโอ →หมายเหตุ →