← 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

เอเจนต์ที่ทำงานเองกว่า 10 นาที สร้าง dashboard และ mini app

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ Labs สร้างสเปรดชีต, dashboard, chart, รายงาน และ mini web app
  • ตั้งโจทย์ที่เหมาะกับความสามารถ web browsing + code execution ของ Labs
  • ประเมินและปรับแต่งผลลัพธ์จาก Labs

เนื้อหา

Labs (เปิดตัวราวปลายพฤษภาคม 2025) เป็นเอเจนต์สร้างโปรเจกต์ที่ทำงานด้วยตัวเองราว 10 นาทีขึ้นไป ผลิตสเปรดชีต dashboard รายงาน chart และ mini web app/เว็บไซต์อย่างง่ายที่ deploy ได้ โดยใช้การค้นเว็บร่วมกับการรันโค้ด มีให้ใช้ตั้งแต่ Pro ขึ้นไป เหมาะกับการแปลงงานวิจัยเป็น artifact ที่ใช้งานได้จริง

สร้าง dashboard จากข้อมูลตลาด
(Labs) รวบรวมข้อมูลราคาน้ำมันดิบย้อนหลัง 12 เดือน แล้วสร้าง dashboard แบบโต้ตอบได้ที่แสดงแนวโน้มราคาและความผันผวนรายเดือน
ผลลัพธ์ที่คาดหวัง

dashboard เชิงโต้ตอบพร้อม chart ที่สร้างจากข้อมูลที่ Labs ค้นและประมวลผลด้วยโค้ด

จุดสอน

จุดสอน: Labs รวมการค้นเว็บกับการรันโค้ดได้จริง สอนให้ตั้งโจทย์ที่ชัดเจนเรื่องข้อมูลนำเข้าและรูปแบบผลลัพธ์ และตรวจสอบข้อมูลต้นทางเสมอ

สร้าง mini web app
(Labs) สร้างเว็บแอปอย่างง่ายที่ให้ผู้ใช้กรอกงบประมาณแล้วคำนวณแผนแบ่งเงินตามหลัก 50/30/20 พร้อมกราฟสรุป
ผลลัพธ์ที่คาดหวัง

mini web app ที่ deploy ได้ พร้อมฟอร์มกรอกและกราฟผลลัพธ์

จุดสอน

จุดสอน: Labs สร้างแอปอย่างง่ายได้ แต่ควรทดสอบตรรกะการคำนวณเอง สอนให้ผู้เรียนตรวจสอบ output ไม่เชื่อว่าโค้ดถูกเสมอ

แบบฝึกหัดท้ายโมดูล

  1. ใช้ Labs สร้าง dashboard จากหัวข้อข้อมูลจริงในงานของตน แล้วตรวจสอบความถูกต้องของข้อมูลนำเข้า
  2. ใช้ Labs สร้าง mini web app หนึ่งชิ้น แล้วทดสอบตรรกะและปรับแต่งจนใช้งานได้จริง
3.2
โมดูล 3.2

Comet Browser: Agentic Browsing

AI บนทุกหน้าเว็บ ที่ลงมือทำงานแทนได้

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ Comet สรุปหน้าเว็บและถาม follow-up บนบริบทของหน้า
  • สั่ง Comet Assistant ทำงานหลายขั้นในเบราว์เซอร์ (กรอกฟอร์ม จองซื้อ ส่งอีเมล)
  • วางขอบเขตและตรวจสอบก่อนให้เอเจนต์ลงมือทำจริง

เนื้อหา

Comet เป็น AI web browser บน Chromium ของ Perplexity (เดสก์ท็อป Win/macOS ก.ค. 2025, ฟรีทั่วโลก ต.ค. 2025, Android พ.ย. 2025, iOS มี.ค. 2026) มี AI ในตัวทุกหน้า: สรุปหน้าเว็บ ถามต่อ และมี Comet Assistant ที่ลงมือทำในเบราว์เซอร์ได้ เช่น จอง/ซื้อ กรอกฟอร์ม ส่งอีเมล รันงานหลายขั้น เหมาะกับงานที่ต้องกระทำบนเว็บ ไม่ใช่แค่ค้น

สรุปและเจาะลึกหน้าเว็บ
(บนหน้าเว็บบทความยาว) สรุปประเด็นหลักของบทความนี้เป็น 5 หัวข้อ แล้วบอกว่ามีข้อมูลใดที่ผู้เขียนไม่ได้อ้างแหล่ง
ผลลัพธ์ที่คาดหวัง

สรุป 5 หัวข้อพร้อมชี้จุดที่ขาดแหล่งอ้างอิงในบทความนั้น

จุดสอน

จุดสอน: Comet ทำงานบนบริบทหน้าที่เปิดอยู่ สอนให้ใช้ประเมินคุณภาพเนื้อหาที่กำลังอ่าน ไม่ใช่แค่สรุป

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

เอเจนต์ค้นและเปรียบเทียบเที่ยวบิน แล้วสรุปตัวเลือกโดยหยุดให้ผู้ใช้ยืนยันก่อนดำเนินการจอง

จุดสอน

จุดสอน: สอนหลักความปลอดภัยของ agentic browsing ให้ตั้งให้เอเจนต์ "หยุดขออนุมัติ" ก่อนกระทำที่มีผลผูกพัน เช่น การชำระเงิน อย่าปล่อยให้ทำจบเองในงานที่มีความเสี่ยง

แบบฝึกหัดท้ายโมดูล

  1. ใช้ Comet สรุปและวิจารณ์คุณภาพแหล่งของบทความยาว 2 ชิ้น แล้วเทียบผลกับการอ่านเอง
  2. มอบหมายงานหลายขั้นที่ไม่มีความเสี่ยงทางการเงินให้ Comet Assistant ทำ แล้วบันทึกจุดที่ควรตั้งการยืนยันก่อนลงมือ
3.3
โมดูล 3.3

Sonar API: ผสาน Perplexity เข้าระบบงาน

เรียกความสามารถค้นเว็บ + citation เข้าโค้ดของคุณ

🎯 วัตถุประสงค์การเรียนรู้

  • อธิบายโมเดล Sonar API สี่ระดับและกรณีใช้งานของแต่ละตัว
  • ประเมินต้นทุนจากตารางราคา input/output และ request fee
  • เลือกโมเดลและ search-context size ให้เหมาะกับงานและงบประมาณ

เนื้อหา

ผลิตภัณฑ์ API แบรนด์ Sonar ทุก SKU รวมการค้นเว็บสด + citation โดยไม่คิดค่า per-query เพิ่มนอกจากค่า request โมเดลได้แก่ Sonar (ค้นแบบ grounded น้ำหนักเบา $1/$1 ต่อ 1M token), Sonar Pro (ค้นซับซ้อน $3/$15), Sonar Reasoning Pro (Chain-of-Thought $2/$8), Sonar Deep Research (รายงานหลายแหล่ง $2/$8 พร้อมค่า citation/reasoning/search เพิ่ม) มี request fee ตาม search-context size (Low/Med/High) และมี Agent API ที่ใหม่กว่า ปี 2026 ค่า citation-token แคบลงเหลือเฉพาะ Deep Research

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

การวิเคราะห์ที่นำไปสู่การเลือก Sonar หรือ Sonar Pro พร้อมเหตุผลด้านต้นทุนต่อ 1M token และ request fee

จุดสอน

จุดสอน: สอนให้จับคู่ SKU กับความซับซ้อนและงบ งานปริมาณสูงที่ไม่ซับซ้อนใช้ Sonar พื้นฐานคุ้มกว่า งานซับซ้อนจึงค่อยขยับขึ้น Sonar Pro

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

การแจกแจงต้นทุน output + ค่า citation + reasoning + ค่า search ต่อ 1K พร้อมข้อควรระวัง

จุดสอน

จุดสอน: Sonar Deep Research มีค่าใช้จ่ายหลายส่วน สอนให้ประเมินครบทุกองค์ประกอบ ไม่ใช่ดูแค่ราคา output

แบบฝึกหัดท้ายโมดูล

  1. ออกแบบสถาปัตยกรรมการเรียก Sonar API สำหรับฟีเจอร์งานจริงหนึ่งอย่าง เลือก SKU และ search-context size พร้อมเหตุผล
  2. ทำสเปรดชีตประมาณการต้นทุนรายเดือนของฟีเจอร์นั้นจากตารางราคา input/output และ request fee
3.4
โมดูล 3.4

ออกแบบระบบตรวจสอบคุณภาพและลดความเสี่ยง Hallucination

สร้างกระบวนการที่ทำให้ผลลัพธ์เชื่อถือได้ในระดับองค์กร

🎯 วัตถุประสงค์การเรียนรู้

  • ออกแบบ checklist และกระบวนการตรวจสอบ citation อย่างเป็นระบบ
  • ระบุจุดเสี่ยง hallucination ตามประเภทงานและตั้งมาตรการเฉพาะ
  • วางนโยบายการใช้ Perplexity ที่ปลอดภัยสำหรับทีม

เนื้อหา

เมื่อใช้ Perplexity ในงานที่มีผลกระทบสูง ต้องมีระบบตรวจสอบ เพราะ hallucination ยังเกิดได้ โดยเฉพาะใน Deep Research (อ้างแหล่งไม่สนับสนุน misattribute quote สรุปเกิน) และหัวข้อ niche ที่ข้อมูลบาง โมดูลนี้ออกแบบกระบวนการ: สุ่มตรวจ citation ตามสัดส่วน ยืนยันตัวเลข/คำพูด/วันที่เสมอ และกำหนดว่างานประเภทใดห้ามพึ่ง Perplexity เพียงลำพัง

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

checklist ที่มีเกณฑ์ชัดเจน เช่น ตรวจตัวเลขทุกจุด สุ่มคำพูด 20% ตรวจว่าทุกแหล่งเปิดได้จริง

จุดสอน

จุดสอน: สอนให้แปลงความระวังเป็นกระบวนการที่ทำซ้ำได้ ไม่ใช่พึ่งวิจารณญาณเฉพาะกิจ นี่คือสิ่งที่ทำให้ใช้ในองค์กรได้อย่างรับผิดชอบ

จำแนกงานตามระดับความเสี่ยง
(โจทย์นโยบาย) จัดประเภทงานในทีมออกเป็นระดับความเสี่ยง แล้วกำหนดว่าระดับใดใช้ Perplexity ได้เลย ระดับใดต้องมีมนุษย์ตรวจซ้ำ ระดับใดห้ามพึ่งลำพัง
ผลลัพธ์ที่คาดหวัง

ตารางนโยบายจำแนกงานตามความเสี่ยงพร้อมมาตรการตรวจสอบที่ต่างกัน

จุดสอน

จุดสอน: ไม่ใช่ทุกงานต้องตรวจเข้มเท่ากัน สอนให้จัดสรรความเข้มของการตรวจสอบตามผลกระทบ เพื่อสมดุลระหว่างความเร็วและความน่าเชื่อถือ

แบบฝึกหัดท้ายโมดูล

  1. ออกแบบ verification checklist สำหรับงานจริงของทีม แล้วนำไปใช้ตรวจรายงาน Deep Research หนึ่งฉบับ
  2. เขียนร่างนโยบายการใช้ Perplexity สำหรับทีม จำแนกงานตามความเสี่ยงและมาตรการตรวจสอบ
3.5
โมดูล 3.5

Perplexity Computer และเอเจนต์ Orchestration

เข้าใจทิศทางเอเจนต์ที่ routing งานไปโมเดลที่เหมาะสุด

🎯 วัตถุประสงค์การเรียนรู้

  • อธิบายแนวคิด multi-model orchestration ที่รับเป้าหมายระดับสูงแล้วแตกงานย่อย
  • ระบุกรณีใช้งานที่เหมาะกับเอเจนต์ orchestration
  • ประเมินความเหมาะสมและข้อจำกัดของการมอบหมายงานให้เอเจนต์ทำเอง

เนื้อหา

Perplexity Computer (รายงานเปิดตัวราวปลายกุมภาพันธ์ 2026 เริ่มที่ Max เป็นข้อมูลจากแหล่งรอง ควรตรวจสอบยืนยันก่อนยึดเป็นทางการ) เป็นเอเจนต์ orchestration หลายโมเดล ที่รับเป้าหมายระดับสูง แตกเป็นงานย่อย แล้ว routing แต่ละงานไปยังโมเดลที่เหมาะที่สุด ประมวลผลในคลาวด์แซนด์บ็อกซ์ โมดูลนี้สอนแนวคิดและวิจารณ์ว่าเมื่อใดควรมอบงานให้เอเจนต์ทำเอง เมื่อใดควรกำกับใกล้ชิด

ตั้งเป้าหมายระดับสูงให้เอเจนต์
(โจทย์แนวคิด) ถ้าจะมอบหมายให้เอเจนต์ orchestration จัดทำสรุปคู่แข่งพร้อม dashboard และร่างอีเมลนำเสนอ ควรแตกงานเป็นงานย่อยอะไรบ้าง และงานย่อยใดควรใช้โมเดลประเภทใด
ผลลัพธ์ที่คาดหวัง

การแตกงานเป็นขั้น (ค้นข้อมูล วิเคราะห์ สร้าง dashboard ร่างอีเมล) พร้อมเหตุผลการเลือกโมเดลต่อขั้น

จุดสอน

จุดสอน: หัวใจของ orchestration คือการแตกงานและ routing สอนให้ผู้เรียนคิดเชิงกระบวนการก่อน แม้จะใช้เอเจนต์ทำเองก็ต้องเข้าใจโครงงานย่อย

ประเมินความเสี่ยงของการมอบงานอัตโนมัติ
(โจทย์วิจารณ์) งานประเภทใดที่ไม่ควรปล่อยให้เอเจนต์ orchestration ทำจบเองโดยไม่มีมนุษย์ตรวจ เพราะเหตุใด
ผลลัพธ์ที่คาดหวัง

รายการงานเสี่ยง เช่น งานที่มีผลผูกพันทางการเงิน กฎหมาย หรือข้อมูลอ่อนไหว พร้อมเหตุผล

จุดสอน

จุดสอน: ย้ำหลัก human-in-the-loop เอเจนต์ยิ่งทำเองมากยิ่งต้องมีจุดตรวจ สอนให้ประเมินความเสี่ยงก่อนมอบหมาย และระบุว่าข้อมูลบางส่วนเป็นแหล่งรองที่ต้องตรวจสอบ

แบบฝึกหัดท้ายโมดูล

  1. เลือกงานหลายขั้นจริงหนึ่งงาน แล้วออกแบบการแตกเป็นงานย่อยพร้อมระบุประเภทโมเดลที่เหมาะแต่ละขั้น
  2. เขียนวิเคราะห์ว่างานใดในบทบาทของตนเหมาะและไม่เหมาะกับการมอบให้เอเจนต์ orchestration ทำเอง พร้อมเหตุผล
3.6
โมดูล 3.6

ออกแบบ Workflow องค์กรแบบครบวงจร

ร้อยทุกเครื่องมือเข้าเป็นกระบวนการทำงานจริง

🎯 วัตถุประสงค์การเรียนรู้

  • ออกแบบ workflow ที่ผสาน Spaces, Deep Research, Labs, Pages และ Comet ตามลำดับงาน
  • กำหนดจุดตรวจสอบมนุษย์และมาตรฐานคุณภาพในแต่ละขั้น
  • ประเมินและปรับปรุง workflow จากผลการใช้จริง

เนื้อหา

โมดูลปิดท้ายบูรณาการทุกเครื่องมือเข้าเป็น workflow เดียว เช่น เริ่มจาก Space เก็บบริบทและไฟล์ ใช้ Pro Search/Deep Research รวบรวมข้อมูล ใช้ Labs สร้าง artifact แปลงผลเป็น Page ส่งมอบ และใช้ Comet ทำงานปฏิบัติการบนเว็บ โดยแทรกจุดตรวจสอบมนุษย์ในทุกช่วงเสี่ยง สอนให้ออกแบบกระบวนการที่ทำซ้ำได้และวัดคุณภาพได้

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

แผนภาพ workflow ที่ระบุ Space, Deep Research, Labs, Page พร้อมจุดที่มนุษย์ต้องตรวจ citation และผลลัพธ์

จุดสอน

จุดสอน: บูรณาการทั้งหมด สอนให้เห็นว่าเครื่องมือแต่ละอย่างมีบทบาทในลำดับงาน และการตรวจสอบต้องฝังอยู่ในกระบวนการ ไม่ใช่ทำทีหลัง

ปรับปรุง workflow จากผลจริง
(โจทย์ประเมิน) หลังใช้ workflow หนึ่งรอบ พบว่าขั้นตรวจสอบ citation ใช้เวลามาก จะปรับกระบวนการอย่างไรให้เร็วขึ้นโดยไม่ลดความน่าเชื่อถือ
ผลลัพธ์ที่คาดหวัง

ข้อเสนอปรับปรุง เช่น สุ่มตรวจตามความเสี่ยง ใช้ Focus mode คุณภาพสูงเพื่อลด noise ตั้งแต่ต้น

จุดสอน

จุดสอน: workflow ที่ดีต้องปรับปรุงต่อเนื่อง สอนให้ผู้เรียนวัดคอขวดและปรับสมดุลระหว่างความเร็วกับคุณภาพ

แบบฝึกหัดท้ายโมดูล

  1. ออกแบบ workflow ครบวงจรสำหรับงานประจำจริงของทีม ระบุเครื่องมือทุกขั้นและจุดตรวจสอบมนุษย์
  2. นำ workflow ไปทดลองใช้จริงหนึ่งรอบ แล้วเขียนรายงานประเมินคอขวดและข้อเสนอปรับปรุง

🏆 Capstone: ระบบงานอัตโนมัติครบวงจรพร้อมมาตรฐานคุณภาพ

  1. ออกแบบและนำ workflow องค์กรครบวงจรไปใช้จริง โดยผสาน Spaces, Deep Research, Labs, Pages และ Comet ตามลำดับงานจริง
  2. สร้าง artifact ที่ใช้งานได้จริงด้วย Labs (dashboard หรือ mini web app) จากข้อมูลที่ตรวจสอบแล้ว
  3. ออกแบบ verification checklist และนโยบายการใช้งานที่จำแนกงานตามความเสี่ยง พร้อมฝังจุดตรวจสอบมนุษย์
  4. ถ้ามีความสามารถด้าน dev ให้เสริมด้วยการออกแบบการเรียก Sonar API หนึ่งฟีเจอร์พร้อมประมาณการต้นทุน และนำเสนอ workflow ทั้งหมดเป็น Page เผยแพร่พร้อมบทวิเคราะห์ผลและข้อจำกัดที่พบ
🎓

จบหลักสูตรการใช้งาน Perplexity อย่างมืออาชีพ

หมายเหตุ →สร้างรูป →สร้างวิดีโอ →