← กลับหน้าภาพรวม
ระดับ 3 · ADVANCED

Agentic Workflow และการผสานระบบ: Labs, Comet และ Sonar API

ออกแบบ workflow อัตโนมัติด้วย Labs และ Comet browser สร้างระบบตรวจสอบคุณภาพ และผสาน Perplexity เข้าระบบงานผ่าน Sonar API

📦 6 โมดูล⏱ 14-16 ชั่วโมง (6 โมดูล)

6 โมดูลในระดับนี้: 3.1 Labs: สร้าง Artifact จ · 3.2 Comet Browser: Agentic · 3.3 Sonar API: ผสาน Perple · 3.4 ออกแบบระบบตรวจสอบคุณภา · 3.5 Perplexity Computer แล · 3.6 ออกแบบ Workflow องค์กร

3.1
โมดูล 3.1

Labs: สร้าง Artifact จากงานวิจัย

ผู้ช่วย AI ที่ทำงานเองได้นานกว่า 10 นาที ช่วยสร้างหน้าสรุปข้อมูล (dashboard) และแอปเล็ก ๆ (mini app)

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ Labs สร้างตารางข้อมูล (สเปรดชีต), หน้าสรุปข้อมูล, กราฟ (chart), รายงาน และเว็บแอปเล็ก ๆ
  • ตั้งโจทย์ให้เข้ากับสิ่งที่ Labs ถนัด คือ ค้นข้อมูลจากเว็บ (web browsing) แล้วเขียนโค้ดรันเองได้ (code execution)
  • ตรวจดูและปรับแต่งสิ่งที่ Labs สร้างออกมาให้ดีขึ้น

เนื้อหา

Labs (เปิดตัวราวปลายพฤษภาคม 2025) คือผู้ช่วย AI ที่ลงมือทำโปรเจกต์ให้เราเองได้นานราว 10 นาทีขึ้นไป มันสร้างตารางข้อมูล หน้าสรุปข้อมูล รายงาน กราฟ และเว็บแอปเล็ก ๆ หรือเว็บไซต์ง่าย ๆ ที่เอาขึ้นออนไลน์ (deploy) ใช้ได้จริง โดยมันจะค้นข้อมูลจากเว็บพร้อมกับเขียนโค้ดรันไปด้วย ใช้ได้ตั้งแต่แพ็กเกจ Pro ขึ้นไป เหมาะมากกับการเปลี่ยนงานวิจัยให้กลายเป็นชิ้นงานที่หยิบไปใช้ได้จริง (artifact)

สร้างหน้าสรุปข้อมูลจากราคาตลาด
(Labs) รวบรวมข้อมูลราคาน้ำมันดิบย้อนหลัง 12 เดือน แล้วสร้าง dashboard แบบโต้ตอบได้ที่แสดงแนวโน้มราคาและความผันผวนรายเดือน
ผลลัพธ์ที่คาดหวัง

หน้าสรุปข้อมูลที่กดเล่นโต้ตอบได้ พร้อมกราฟที่ Labs สร้างจากข้อมูลที่มันไปค้นมาแล้วประมวลผลด้วยโค้ด

จุดสอน

จุดสอน: Labs ทำได้ทั้งค้นเว็บและรันโค้ดในตัวเดียว บทเรียนคือให้บอกโจทย์ให้ชัดว่าอยากได้ข้อมูลอะไรเข้าไป และอยากได้ผลลัพธ์หน้าตาแบบไหน แล้วอย่าลืมย้อนไปเช็กว่าข้อมูลต้นทางถูกต้องเสมอ

สร้างเว็บแอปเล็ก ๆ
(Labs) สร้างเว็บแอปอย่างง่ายที่ให้ผู้ใช้กรอกงบประมาณแล้วคำนวณแผนแบ่งเงินตามหลัก 50/30/20 พร้อมกราฟสรุป
ผลลัพธ์ที่คาดหวัง

เว็บแอปเล็ก ๆ ที่เอาขึ้นออนไลน์ใช้ได้จริง มีช่องให้กรอกข้อมูลและมีกราฟสรุปผล

จุดสอน

จุดสอน: Labs สร้างแอปง่าย ๆ ได้ก็จริง แต่เราควรลองกดคำนวณดูเองว่าตรรกะมันถูกไหม บทเรียนคืออย่าเพิ่งเชื่อว่าโค้ดที่ AI เขียนถูกเสมอ ต้องตรวจสิ่งที่มันตอบออกมา (output) ด้วยตัวเองทุกครั้ง

แบบฝึกหัดท้ายโมดูล

  1. ลองใช้ Labs สร้างหน้าสรุปข้อมูลจากเรื่องจริงในงานของคุณสักหัวข้อ แล้วเช็กให้ดีว่าข้อมูลที่ป้อนเข้าไปถูกต้องหรือเปล่า
  2. ลองใช้ Labs สร้างเว็บแอปเล็ก ๆ สักชิ้น แล้วทดสอบว่ามันคำนวณถูกไหม ปรับแต่งจนใช้งานได้จริง
3.2
โมดูล 3.2

Comet Browser: Agentic Browsing

AI ที่อยู่บนทุกหน้าเว็บ แถมยังลงมือทำงานแทนเราได้จริง

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ Comet สรุปหน้าเว็บที่เปิดอยู่ แล้วถามต่อ (follow-up) เกี่ยวกับเนื้อหาหน้านั้นได้เลย
  • สั่งให้ผู้ช่วย Comet (Comet Assistant) ทำงานหลายขั้นตอนในเบราว์เซอร์ให้ เช่น กรอกฟอร์ม จองหรือซื้อของ ส่งอีเมล
  • กำหนดขอบเขตให้ชัดและคอยตรวจก่อนปล่อยให้ AI ลงมือทำจริง

เนื้อหา

Comet คือเว็บเบราว์เซอร์ที่มี AI ในตัว (AI web browser) ของ Perplexity สร้างบนฐาน Chromium (เวอร์ชันคอมพิวเตอร์ Windows/macOS ก.ค. 2025, เปิดให้ใช้ฟรีทั่วโลก ต.ค. 2025, Android พ.ย. 2025, iOS มี.ค. 2026) จุดเด่นคือมี AI คอยช่วยอยู่ทุกหน้าเว็บ ทั้งสรุปเนื้อหาให้ ถามต่อได้ และยังมีผู้ช่วย Comet ที่ลงมือทำงานในเบราว์เซอร์แทนเราได้เลย เช่น จองหรือซื้อของ กรอกฟอร์ม ส่งอีเมล หรือทำงานหลายขั้นตอนต่อเนื่อง เหมาะกับงานที่ต้อง "ลงมือทำ" บนเว็บจริง ๆ ไม่ใช่แค่ค้นข้อมูล

สรุปและเจาะลึกหน้าเว็บ
(บนหน้าเว็บบทความยาว) สรุปประเด็นหลักของบทความนี้เป็น 5 หัวข้อ แล้วบอกว่ามีข้อมูลใดที่ผู้เขียนไม่ได้อ้างแหล่ง
ผลลัพธ์ที่คาดหวัง

สรุปมา 5 หัวข้อ พร้อมชี้ให้เห็นว่าตรงไหนของบทความที่ไม่ได้บอกแหล่งอ้างอิง

จุดสอน

จุดสอน: Comet ทำงานกับเนื้อหาบนหน้าที่เราเปิดอยู่ตอนนั้น บทเรียนคือใช้มันช่วยประเมินว่าเนื้อหาที่กำลังอ่านน่าเชื่อถือแค่ไหน ไม่ใช่แค่ให้ช่วยสรุปเฉย ๆ

ให้ผู้ช่วย Comet ทำงานหลายขั้นตอนแทน
(Comet Assistant) ช่วยหาเที่ยวบินกรุงเทพ-เชียงใหม่วันศุกร์หน้า ราคาต่ำกว่า 2,000 บาท เปรียบเทียบ 3 ตัวเลือก แล้วสรุปให้ฉันตัดสินใจก่อนจอง
ผลลัพธ์ที่คาดหวัง

AI ไปค้นและเปรียบเทียบเที่ยวบินให้ แล้วสรุปตัวเลือกมา โดยจะหยุดรอให้เรายืนยันก่อน ไม่กดจองเองทันที

จุดสอน

จุดสอน: นี่คือหลักความปลอดภัยของการให้ AI ทำงานบนเว็บแทนเรา (agentic browsing) ให้ตั้งค่าให้ AI "หยุดขออนุมัติก่อน" ทุกครั้งที่จะทำอะไรที่ย้อนกลับไม่ได้ เช่น จ่ายเงิน อย่าปล่อยให้มันทำจนจบเองในงานที่เสี่ยง

แบบฝึกหัดท้ายโมดูล

  1. ลองใช้ Comet สรุปและวิจารณ์ว่าแหล่งอ้างอิงของบทความยาว 2 ชิ้นน่าเชื่อถือแค่ไหน แล้วเทียบกับตอนที่คุณอ่านเองว่าตรงกันไหม
  2. ลองมอบงานหลายขั้นตอนที่ไม่เกี่ยวกับเงินให้ผู้ช่วย Comet ทำ แล้วจดไว้ว่าตรงไหนบ้างที่ควรตั้งให้มันหยุดขอเรายืนยันก่อนลงมือ
3.3
โมดูล 3.3

Sonar API: ผสาน Perplexity เข้าระบบงาน

ดึงความสามารถค้นเว็บและอ้างอิงแหล่งที่มา (citation) เข้าไปใช้ในโปรแกรมของคุณเอง

🎯 วัตถุประสงค์การเรียนรู้

  • อธิบายได้ว่าโมเดล Sonar API ทั้งสี่ระดับต่างกันยังไง และแต่ละตัวเหมาะกับงานแบบไหน
  • คำนวณต้นทุนเป็นได้ จากตารางราคาของข้อมูลที่ป้อนเข้า (input) ข้อมูลที่ตอบออกมา (output) และค่าเรียกใช้ต่อครั้ง (request fee)
  • เลือกโมเดลและระดับความลึกในการค้นข้อมูล (search-context size) ให้พอดีกับงานและงบที่มี

เนื้อหา

Sonar คือชุดบริการ API ของ Perplexity ที่ให้เราเรียกไปใช้ในโปรแกรมเราเองได้ ทุกรุ่น (SKU) มาพร้อมความสามารถค้นเว็บแบบสด ๆ และแนบแหล่งอ้างอิงให้ โดยไม่คิดเงินเพิ่มต่อการค้นแต่ละครั้ง เก็บแค่ค่าเรียกใช้ (request) เท่านั้น รุ่นที่มีได้แก่ Sonar (ค้นแบบอิงข้อมูลจริง น้ำหนักเบา ราคา $1/$1 ต่อ 1 ล้าน token), Sonar Pro (ค้นเรื่องซับซ้อน $3/$15), Sonar Reasoning Pro (คิดเป็นขั้นเป็นตอนแบบโชว์วิธีคิด หรือ Chain-of-Thought ราคา $2/$8) และ Sonar Deep Research (ทำรายงานจากหลายแหล่ง $2/$8 บวกค่าอ้างอิง ค่าคิดวิเคราะห์ และค่าค้นเพิ่ม) ค่าเรียกใช้จะขึ้นกับว่าเราให้มันค้นลึกแค่ไหน (search-context size มีให้เลือก Low/Med/High) และยังมี Agent API ที่ใหม่กว่านี้อีก ทั้งนี้ในปี 2026 ค่าอ้างอิงต่อ token (citation-token) ถูกตัดเหลือเฉพาะรุ่น Deep Research เท่านั้น

เลือกโมเดลตามงบและงาน
(โจทย์ออกแบบ) แอปตอบคำถามลูกค้าที่ต้องอ้างอิงข้อมูลสินค้าล่าสุดจากเว็บ ปริมาณเรียกใช้สูง ควรเลือก Sonar SKU ใดและตั้ง search-context size อย่างไร
ผลลัพธ์ที่คาดหวัง

บทวิเคราะห์ที่พาไปสู่คำตอบว่าจะเลือก Sonar หรือ Sonar Pro พร้อมเหตุผลเรื่องต้นทุนต่อ 1 ล้าน token และค่าเรียกใช้ต่อครั้ง

จุดสอน

จุดสอน: บทเรียนคือให้จับคู่รุ่นที่เลือกกับความซับซ้อนของงานและงบที่มี ถ้างานมีปริมาณเยอะแต่ไม่ซับซ้อน ใช้ Sonar รุ่นพื้นฐานคุ้มกว่า ต่อเมื่องานซับซ้อนขึ้นค่อยขยับไป Sonar Pro

ประเมินต้นทุน Deep Research API
(โจทย์คำนวณ) ถ้าต้องรัน Sonar Deep Research 100 รายงาน แต่ละรายงานใช้ output ราว 20K token และ search จำนวนหนึ่ง ประเมินโครงสร้างต้นทุนที่ต้องพิจารณา
ผลลัพธ์ที่คาดหวัง

การแจกแจงต้นทุนออกเป็นส่วน ๆ ทั้งค่าข้อมูลที่ตอบออกมา ค่าอ้างอิง ค่าคิดวิเคราะห์ และค่าค้นต่อ 1,000 พร้อมข้อควรระวัง

จุดสอน

จุดสอน: Sonar Deep Research มีค่าใช้จ่ายซ่อนอยู่หลายส่วน บทเรียนคือให้คิดต้นทุนให้ครบทุกก้อน อย่าดูแค่ราคาของข้อมูลที่มันตอบออกมาอย่างเดียว

แบบฝึกหัดท้ายโมดูล

  1. ออกแบบว่าจะเรียกใช้ Sonar API ยังไงสำหรับฟีเจอร์งานจริงสักอย่าง เลือกว่าจะใช้รุ่นไหนและตั้งระดับความลึกในการค้นเท่าไหร่ พร้อมบอกเหตุผล
  2. ทำตารางประมาณการต้นทุนต่อเดือนของฟีเจอร์นั้น โดยคำนวณจากตารางราคาของข้อมูลเข้า ข้อมูลออก และค่าเรียกใช้ต่อครั้ง
3.4
โมดูล 3.4

ออกแบบระบบตรวจสอบคุณภาพและลดความเสี่ยงที่ AI จะมั่วข้อมูล (Hallucination)

วางกระบวนการที่ทำให้ผลลัพธ์เชื่อถือได้พอจะใช้ในระดับองค์กร

🎯 วัตถุประสงค์การเรียนรู้

  • ออกแบบเช็กลิสต์ (checklist) และขั้นตอนตรวจสอบแหล่งอ้างอิงให้เป็นระบบ
  • ชี้ได้ว่างานแต่ละแบบเสี่ยงที่ AI จะมั่วข้อมูลตรงไหน แล้วตั้งมาตรการรับมือเฉพาะจุด
  • วางกติกาการใช้ Perplexity ให้ทีมใช้ได้อย่างปลอดภัย

เนื้อหา

พอเอา Perplexity ไปใช้กับงานที่ผิดพลาดไม่ได้ เราต้องมีระบบคอยตรวจ เพราะ AI ยังมั่วข้อมูลได้อยู่ โดยเฉพาะใน Deep Research (เช่น อ้างแหล่งที่จริง ๆ ไม่ได้พูดแบบนั้น ยกคำพูดผิดคน หรือสรุปเกินจริง) และหัวข้อเฉพาะทางแคบ ๆ (niche) ที่ข้อมูลบนเว็บมีน้อย โมดูลนี้จะช่วยวางกระบวนการ เช่น สุ่มตรวจแหล่งอ้างอิงเป็นสัดส่วน เช็กตัวเลข คำพูด และวันที่ทุกครั้ง และกำหนดให้ชัดว่างานประเภทไหนห้ามเชื่อ Perplexity อย่างเดียวเด็ดขาด

ออกแบบเช็กลิสต์สำหรับตรวจสอบความถูกต้อง
(โจทย์ออกแบบ) สร้าง checklist ตรวจสอบรายงาน Deep Research ก่อนนำไปใช้ในการตัดสินใจธุรกิจ ครอบคลุมตัวเลข คำพูดอ้างอิง และความครบถ้วนของแหล่ง
ผลลัพธ์ที่คาดหวัง

เช็กลิสต์ที่มีเกณฑ์ชัดเจน เช่น ตรวจตัวเลขทุกจุด สุ่มเช็กคำพูดอ้างอิง 20% และเปิดทุกแหล่งดูว่าลิงก์ใช้ได้จริง

จุดสอน

จุดสอน: บทเรียนคือเปลี่ยน "ความระมัดระวัง" ให้กลายเป็นขั้นตอนที่ทำซ้ำได้ทุกครั้ง ไม่ใช่พึ่งความรู้สึกเฉพาะหน้า นี่แหละคือสิ่งที่ทำให้เอาไปใช้ในองค์กรได้อย่างรับผิดชอบ

จำแนกงานตามระดับความเสี่ยง
(โจทย์นโยบาย) จัดประเภทงานในทีมออกเป็นระดับความเสี่ยง แล้วกำหนดว่าระดับใดใช้ Perplexity ได้เลย ระดับใดต้องมีมนุษย์ตรวจซ้ำ ระดับใดห้ามพึ่งลำพัง
ผลลัพธ์ที่คาดหวัง

ตารางกติกาที่แบ่งงานตามระดับความเสี่ยง พร้อมกำหนดวิธีตรวจสอบที่ต่างกันในแต่ละระดับ

จุดสอน

จุดสอน: ไม่ใช่ทุกงานต้องตรวจเข้มเท่ากัน บทเรียนคือให้ทุ่มความเข้มของการตรวจไปตามผลกระทบ เพื่อให้ได้ทั้งความเร็วและความน่าเชื่อถือไปพร้อมกัน

แบบฝึกหัดท้ายโมดูล

  1. ออกแบบเช็กลิสต์ตรวจสอบความถูกต้องสำหรับงานจริงของทีม แล้วลองเอาไปตรวจรายงาน Deep Research สักฉบับ
  2. เขียนร่างกติกาการใช้ Perplexity สำหรับทีม โดยแบ่งงานตามความเสี่ยงและกำหนดวิธีตรวจสอบของแต่ละระดับ
3.5
โมดูล 3.5

Perplexity Computer และเอเจนต์ Orchestration

เข้าใจทิศทางของ AI ผู้ช่วยที่คอยส่งงานแต่ละชิ้นไปให้โมเดลที่เหมาะที่สุด (routing)

🎯 วัตถุประสงค์การเรียนรู้

  • อธิบายแนวคิดการให้ AI หลายโมเดลทำงานร่วมกัน (multi-model orchestration) คือรับเป้าหมายใหญ่ ๆ มาแล้วแตกเป็นงานย่อย
  • ชี้ได้ว่างานแบบไหนเหมาะจะให้ AI ผู้ช่วยแบบนี้จัดการ
  • ประเมินได้ว่าการปล่อยให้ AI ทำงานเองเหมาะกับงานแบบไหน และมีข้อจำกัดตรงไหน

เนื้อหา

Perplexity Computer (มีรายงานว่าเปิดตัวราวปลายกุมภาพันธ์ 2026 เริ่มที่แพ็กเกจ Max แต่เป็นข้อมูลจากแหล่งรอง ควรเช็กให้ชัวร์ก่อนยึดเป็นทางการ) คือ AI ผู้ช่วยที่คุมโมเดลหลายตัวทำงานร่วมกัน มันจะรับเป้าหมายใหญ่ ๆ มา แล้วแตกออกเป็นงานย่อย จากนั้นส่งแต่ละงานไปให้โมเดลที่เก่งเรื่องนั้นที่สุดจัดการ โดยประมวลผลอยู่ในพื้นที่ทดลองแยกส่วนบนคลาวด์ (แซนด์บ็อกซ์) โมดูลนี้สอนแนวคิดพร้อมชวนคิดว่าเมื่อไหร่ควรปล่อยให้ AI ทำเอง เมื่อไหร่ควรคุมใกล้ชิด

ตั้งเป้าหมายใหญ่ ๆ ให้ AI จัดการ
(โจทย์แนวคิด) ถ้าจะมอบหมายให้เอเจนต์ orchestration จัดทำสรุปคู่แข่งพร้อม dashboard และร่างอีเมลนำเสนอ ควรแตกงานเป็นงานย่อยอะไรบ้าง และงานย่อยใดควรใช้โมเดลประเภทใด
ผลลัพธ์ที่คาดหวัง

การแตกงานออกเป็นขั้น ๆ (ค้นข้อมูล วิเคราะห์ สร้างหน้าสรุปข้อมูล ร่างอีเมล) พร้อมเหตุผลว่าแต่ละขั้นควรใช้โมเดลแบบไหน

จุดสอน

จุดสอน: หัวใจของการให้ AI หลายตัวทำงานร่วมกันคือการแตกงานและส่งงานไปให้ถูกโมเดล บทเรียนคือให้ฝึกคิดเป็นกระบวนการก่อน เพราะถึงจะปล่อยให้ AI ทำเอง เราก็ต้องเข้าใจโครงงานย่อยอยู่ดี

ประเมินความเสี่ยงของการปล่อยให้ AI ทำงานเอง
(โจทย์วิจารณ์) งานประเภทใดที่ไม่ควรปล่อยให้เอเจนต์ orchestration ทำจบเองโดยไม่มีมนุษย์ตรวจ เพราะเหตุใด
ผลลัพธ์ที่คาดหวัง

รายการงานที่เสี่ยง เช่น งานที่มีผลผูกพันเรื่องเงิน เรื่องกฎหมาย หรือเกี่ยวกับข้อมูลอ่อนไหว พร้อมเหตุผล

จุดสอน

จุดสอน: ย้ำหลักที่ว่าต้องมีคนคอยควบคุมอยู่ในกระบวนการเสมอ (human-in-the-loop) ยิ่ง AI ทำเองมากเท่าไหร่ ยิ่งต้องมีจุดให้คนตรวจมากขึ้น บทเรียนคือให้ประเมินความเสี่ยงก่อนมอบงาน และอย่าลืมว่าข้อมูลบางส่วนมาจากแหล่งรองที่ต้องเช็กซ้ำ

แบบฝึกหัดท้ายโมดูล

  1. เลือกงานจริงที่มีหลายขั้นตอนสักงาน แล้วออกแบบว่าจะแตกเป็นงานย่อยยังไง พร้อมบอกว่าแต่ละขั้นควรใช้โมเดลแบบไหน
  2. เขียนวิเคราะห์ว่างานไหนในหน้าที่ของคุณเหมาะและไม่เหมาะที่จะปล่อยให้ AI ผู้ช่วยแบบนี้ทำเอง พร้อมเหตุผล
3.6
โมดูล 3.6

ออกแบบขั้นตอนการทำงาน (Workflow) ขององค์กรแบบครบวงจร

ร้อยทุกเครื่องมือเข้าด้วยกันเป็นกระบวนการทำงานที่ใช้ได้จริง

🎯 วัตถุประสงค์การเรียนรู้

  • ออกแบบขั้นตอนการทำงานที่ร้อย Spaces, Deep Research, Labs, Pages และ Comet เข้าด้วยกันตามลำดับงาน
  • กำหนดจุดที่ให้คนคอยตรวจ และวางมาตรฐานคุณภาพในแต่ละขั้น
  • ประเมินและปรับปรุงขั้นตอนการทำงานจากผลการใช้จริง

เนื้อหา

โมดูลปิดท้ายนี้จะรวมทุกเครื่องมือเข้าเป็นขั้นตอนการทำงานเดียวกัน เช่น เริ่มจากใช้ Space เก็บข้อมูลพื้นหลังและไฟล์ต่าง ๆ ใช้ Pro Search หรือ Deep Research รวบรวมข้อมูล ใช้ Labs สร้างชิ้นงาน แล้วเปลี่ยนผลลัพธ์ให้เป็น Page เพื่อส่งมอบ และใช้ Comet ลงมือทำงานบนเว็บ โดยแทรกจุดให้คนคอยตรวจในทุกช่วงที่เสี่ยง บทเรียนคือให้ออกแบบกระบวนการที่ทำซ้ำได้และวัดคุณภาพได้

ออกแบบขั้นตอนวิจัยตลาดแบบครบวงจร
(โจทย์ออกแบบ) ออกแบบ workflow รายเดือนสำหรับทีมกลยุทธ์ ตั้งแต่รวบรวมข่าวคู่แข่ง วิเคราะห์ สร้าง dashboard ส่งมอบผู้บริหาร ระบุว่าใช้เครื่องมือใดในขั้นใดและจุดตรวจสอบอยู่ที่ไหน
ผลลัพธ์ที่คาดหวัง

แผนภาพขั้นตอนการทำงานที่ระบุว่าใช้ Space, Deep Research, Labs, Page ตรงไหน พร้อมจุดที่คนต้องเข้ามาตรวจแหล่งอ้างอิงและผลลัพธ์

จุดสอน

จุดสอน: นี่คือการรวมทุกอย่างเข้าด้วยกัน บทเรียนคือให้เห็นว่าเครื่องมือแต่ละตัวมีบทบาทของมันในลำดับงาน และการตรวจสอบต้องฝังอยู่ในกระบวนการตั้งแต่แรก ไม่ใช่ไปทำทีหลัง

ปรับปรุงขั้นตอนการทำงานจากผลจริง
(โจทย์ประเมิน) หลังใช้ workflow หนึ่งรอบ พบว่าขั้นตรวจสอบ citation ใช้เวลามาก จะปรับกระบวนการอย่างไรให้เร็วขึ้นโดยไม่ลดความน่าเชื่อถือ
ผลลัพธ์ที่คาดหวัง

ข้อเสนอปรับปรุง เช่น สุ่มตรวจตามระดับความเสี่ยง หรือใช้โหมดโฟกัส (Focus mode) ที่ให้ข้อมูลคุณภาพสูง เพื่อตัดข้อมูลรบกวน (noise) ออกตั้งแต่ต้น

จุดสอน

จุดสอน: ขั้นตอนการทำงานที่ดีต้องปรับปรุงไปเรื่อย ๆ บทเรียนคือให้หาจุดที่งานติดขัด (คอขวด) ให้เจอ แล้วปรับให้ได้ทั้งความเร็วและคุณภาพไปพร้อมกัน

แบบฝึกหัดท้ายโมดูล

  1. ออกแบบขั้นตอนการทำงานแบบครบวงจรสำหรับงานประจำจริงของทีม โดยระบุเครื่องมือที่ใช้ในทุกขั้นและจุดที่ให้คนคอยตรวจ
  2. เอาขั้นตอนที่ออกแบบไว้ไปทดลองใช้จริงสักหนึ่งรอบ แล้วเขียนรายงานว่างานติดขัดตรงไหน พร้อมข้อเสนอว่าจะปรับปรุงยังไง

🏆 โปรเจกต์ปิดคอร์ส (Capstone): ระบบงานอัตโนมัติครบวงจรที่มีมาตรฐานคุณภาพ

  1. ออกแบบและนำขั้นตอนการทำงานขององค์กรแบบครบวงจรไปใช้จริง โดยร้อย Spaces, Deep Research, Labs, Pages และ Comet เข้าด้วยกันตามลำดับงานจริง
  2. ใช้ Labs สร้างชิ้นงานที่หยิบไปใช้ได้จริง (เช่น หน้าสรุปข้อมูล หรือเว็บแอปเล็ก ๆ) จากข้อมูลที่ตรวจสอบแล้ว
  3. ออกแบบเช็กลิสต์ตรวจสอบความถูกต้องและกติกาการใช้งานที่แบ่งงานตามความเสี่ยง พร้อมฝังจุดให้คนคอยตรวจ
  4. ถ้าคุณเขียนโปรแกรมเป็น ให้เสริมด้วยการออกแบบการเรียก Sonar API สักหนึ่งฟีเจอร์พร้อมประมาณการต้นทุน แล้วนำเสนอขั้นตอนการทำงานทั้งหมดเป็น Page เผยแพร่ พร้อมบทวิเคราะห์ผลและข้อจำกัดที่เจอ
🎓

จบหลักสูตรการใช้งาน Perplexity อย่างมืออาชีพ

หมายเหตุ →สร้างรูป →สร้างวิดีโอ →