สารบัญ
- 21.1 AI Agent vs Chatbot
- 21.2 สถาปัตยกรรมหลักของ AI Agent
- 21.3 Tool Calling（การเรียกใช้เครื่องมือ）
- 21.4 ระบบความจำของ AI Agent
- 21.5 พื้นฐาน RAG
- 21.6 ฐานข้อมูลเวกเตอร์
- 21.7 ระบบ Multi Agent
- 21.8 บทนำเฟรมเวิร์ก AI Agent
- 21.9 โปรโตคอล MCP
- 21.10 ความปลอดภัยและการกำกับดูแล AI Agent
- 21.11 การปรับใช้และการติดตามสถานะ AI Agent
- 21.12 สถานการณ์การประยุกต์ใช้ในองค์กร
- 21.13 สรุปหลักสูตร
บทนำหลักสูตร
AI Agent เป็นการพัฒนาที่ล่าสุดและน่าตื่นเต้นที่สุดในสาขา AI หลักสูตรนี้จะนำคุณไปทำความเข้าใจหลักการ สถาปัตยกรรม เครื่องมือ และการประยุกต์ใช้ของ AI Agent ตั้งแต่แนวคิดพื้นฐานไปจนถึงการนำไปใช้ในองค์กร เพื่อให้คุณเข้าใจเทคโนโลยีใหม่ที่ทรงพลังนี้
Learning Objectives:
- ทำความเข้าใจความแตกต่างระหว่าง AI Agent และ Chatbot
- เข้าใจสถาปัตยกรรมหลักของ Agent
- ทำความเข้าใจเทคโนโลยีหลัก เช่น Tool Calling, หน่วยความจำ, RAG เป็นต้น
- ทำความเข้าใจระบบ Agent หลายตัวและโปรโตคอล MCP
- ประเมินสถานการณ์การใช้งาน AI Agent ในองค์กร
21.1 AI Agent vs Chatbot
ทำไมต้องเรียน_this?
การทำความเข้าใจความแตกต่างระหว่าง Agent และ Chatbot เป็นพื้นฐาน
การสอนหลัก
Chatbot vs Agent：
| มิติ | Chatbot | AI Agent |
|---|---|---|
| ความสามารถ | Conversation Reply | ดำเนินการงานอย่างอิสระ |
| เป้าหมาย | Answer Questions | Complete Tasks |
| เครื่องมือ | ไม่มี | สามารถใช้เครื่องมือได้ |
| หน่วยความจำ | ระยะสั้น | หน่วยความจำระยะยาว |
| ความเป็นอิสระ | การตอบสนองแบบพาสซีฟ | การดำเนินการเชิงรุก |
| ความซับซ้อน | ต่ำ | สูง |
AI Agent คืออะไร?
AI Agent เป็นระบบ AI ที่สามารถคิดและกระทำได้อย่างอิสระ ไม่เพียงแต่ตอบคำถามเท่านั้น แต่ยังสามารถ：
- งานการวางแผน
- ใช้เครื่องมือ（เบราว์เซอร์, API, ฐานข้อมูล）
- จดจำบริบท
- การตัดสินใจอย่างอิสระ
ความสามารถหลักของ Agentic AI:
Business Examples
แบรนด์ฟิตเนสแบบสายอาหารที่มีรายได้ประจำปี 300 ล้านบาท มีสาขา 12 แห่ง รับคำถามและคำขอลาของสมาชิกจำนวนมากทุกวัน เจ้าหน้าที่บริการลูกค้าเพียง 4 คน ในช่วงเวลาที่มีการใช้งานสูงสุด เวลารอเฉลี่ยเกิน 15 นาที ส่งผลให้อัตราการต่ออายุลดลง
- วิธีการ Chatbot: ตอบคำถามแบบเฉพาะเจาะจง เช่น "สมาชิกของฉันหมดอายุเมื่อไร" จัดการคำค้นหา 6,000 รายการต่อเดือน ความแม่นยำประมาณ 85%
- Agent Approach: เมื่อสมาชิกพูดว่า「ฉันต้องการลาสองเดือนและขยายระยะเวลาสมาชิก」 Agent จะค้นหาสัญญาอัตโนมัติ คำนวณวันที่ขยาย อัปเดตระบบ และส่งอีเมลยืนยัน ไม่มีการแทรกแซงของมนุษย์
- Agent Approach: ตรวจสอบว่าสมาชิกไม่ได้มาที่สถานที่ 30 วัน ค้นหาสัญญาและโปรโมชันอย่างแข็งขัน สร้างแผนต่ออายุแบบบุคคลและส่งแจ้งเตือน อัตราต่ออายุเพิ่มขึ้น 18%
- ผลลัพธ์: ความต้องการบุคลากรบริการลูกค้าลดลง 40% เวลาตอบสนองเฉลี่ยลดลงจาก 15 นาทีเป็น 90 วินาที
เคล็ดลับเล็กน้อย
Practical Tips
- In ChatGPT, ask first "Can you execute directly or only provide recommendations" to determine if it's a Chatbot or Agent.
- ต้องการพฤติกรรม Agent โดยเขียน prompt ว่า "โปรดเรียกใช้เครื่องมือและส่งคืนผลลัพธ์" แทนที่จะเป็น "โปรดบอกฉันว่าต้องทำอย่างไร"
- ใช้ Zapier เชื่อมต่อ ChatGPT กับ Gmail ให้จัดประเภทอีเมลโดยอัตโนมัติ ซึ่งเป็นต้นแบบ Agent
- Claude ร่วมกับ Notion อ่านข้อมูลแล้วเขียนใหม่ ใกล้เคียงกับ Agent มากกว่าการสนทนาธรรมดา
- ในการทดสอบ ให้ขอผลลัพธ์ขั้นตอนและบันทึกการเรียกใช้เครื่องมือ เพื่อยืนยันว่าดำเนินการจริง
แบบฝึกหัด
สรุปส่วนนี้
- Agent vs Chatbot: Agent สามารถดำเนินการอย่างอิสระได้ Chatbot สามารถสนทนาเท่านั้น
- Agent Core Capabilities: Planning, Action, Memory, Reflection, Collaboration
- Agent เหมาะสำหรับงานที่ซับซ้อน Chatbot เหมาะสำหรับคำถามง่ายๆ
ฉันได้ระบุงานซ้ำที่ฉันทำทุกสัปดาห์:
1. [งาน A - ความถี่]
2. [งาน B - ความถี่]
3. [งาน C - ความถี่]
โปรดให้คะแนนตามเกณฑ์ "ความเป็นไปได้ของการทำให้เป็นอัตโนมัติ × เวลาที่ประหยัด" (1-10) จัดเรียงตามลำดับ
และแนะนำสำหรับอันดับแรก: ใช้เครื่องมือใด ขั้นตอนเฉพาะ จุดล้มเหลวที่ต้องระวัง
- ฉันได้ระบุงานซ้ำอย่างน้อย 5 งานและให้คะแนนเสร็จสิ้น
- ฉันเลือกเป้าหมายการทำให้เป็นอัตโนมัติแรก（อันที่ได้คะแนนสูงสุด）
- ฉันรู้ว่าตำแหน่งการตรวจสอบด้วยมนุษย์ในกระบวนการนี้อยู่ที่ไหน
- ฉันตั้งค่าแผนสำรองสำหรับ「วิธีจัดการเมื่อเกิดข้อผิดพลาด」
21.2 สถาปัตยกรรมหลักของ AI Agent
ทำไมต้องเรียน_this?
การทำความเข้าใจสถาปัตยกรรม Agent เป็นพื้นฐานสำหรับการออกแบบและประเมินผล
การสอนหลัก
Agent Core Components:
Large Language Model (LLM)
- Agent's "Brain"
- รับผิดชอบในการทำความเข้าใจ การให้เหตุผล การตัดสินใจ
- Such as GPT-4, Claude, Gemini
เครื่องมือ (Tools)
- Agent's "Hands"
- เรียกใช้ฟังก์ชันภายนอก
- Such as search engines, APIs, databases
ความจำ (Memory)
- Agent's "Memory"
- บริบทระยะสั้น
- ความรู้ระยะยาว
การวางแผน (Planning)
- Agent's "Strategy"
- แยกย่อยงาน
- กำหนดขั้นตอน
Execute loop (Agent Loop)
รับรู้ → คิด → ดำเนิน → สังเกต → คิดอีกครั้ง...
↑_______________________↓
จนกว่างานจะเสร็จสิ้น
Business Examples
ศูนย์ฟิตเนสแบบสายอาหารที่มีสาขา 40 แห่ง ในอดีต โค้ชและเจ้าหน้าที่เคาน์เตอร์ต้องใช้เวลามากในการตอบคำถามของสมาชิกเกี่ยวกับคอร์ส การหักแต้ม และการลา เวลารอเฉลี่ยเกิน 15 นาที ส่งผลให้อัตราการต่ออายุลดลง
- LLM ทำความเข้าใจความต้องการ:ใช้โมเดลวิเคราะห์เจตนาของข้อความสมาชิก ความแม่นยำถึง 92% ลดการโอนไปยังพนักงาน 60%
- การเชื่อมต่อเครื่องมือ:เชื่อมต่อระบบสมาชิกและ API การจัดตารางเรียน สามารถลดเวลาการตอบกลับจาก 15 นาทีเหลือ 20 วินาที
- กลไกหน่วยความจำ:เก็บรักษาบันทึกการสนทนาและสัญญา อัตราการสอบถามซ้ำลดลง 45% ความพึงพอใจเพิ่มขึ้นเป็น 4.5 คะแนน
- การวางแผนและการดำเนิน:ทำให้การลาพักร้อน การหักคะแนน และการเตือนการต่ออายุเป็นอัตโนมัติ ประหยัดแรงงาน 300 ชั่วโมงต่อเดือน
เคล็ดลับเล็กน้อย
- ใช้ ChatGPT สร้างรายการเครื่องมือ โดยเขียน prompt ว่า "แสดงรายการ API และพารามิเตอร์ 5 รายการที่จำเป็นในการทำ X"
- เก็บความจำระยะยาวในฐานข้อมูล Notion ให้ Agent อ่านก่อนเริ่มต้นทุกครั้ง
- ใช้ Claude ในชั้นการวางแผนเพื่อแยกขั้นตอน โดยกำหนดให้ส่งออกเป็นอาร์เรย์งานในรูปแบบ JSON
- เมื่อการเรียกใช้เครื่องมือล้มเหลว ให้ใช้ Zapier ตั้งค่าการลองใหม่และการแจ้งเตือน เพื่อหลีกเลี่ยงการหยุดชะงักของขั้นตอนการทำงาน
แบบฝึกหัด
สรุปส่วนนี้
- องค์ประกอบหลัก: LLM, เครื่องมือ, หน่วยความจำ, การวางแผน, วงจรการดำเนิน
- Agent Loop: Perception → Thinking → Action → Observation
- Quality depends on overall integration
21.3 Tool Calling（การเรียกใช้เครื่องมือ）
ทำไมต้องเรียน_this?
Tool Calling ช่วยให้ Agent สามารถ「ทำงานได้จริง」
การสอนหลัก
Tool Calling คืออะไร?
Tool Calling คือความสามารถในการให้ LLM เรียกใช้เครื่องมือภายนอก Agent สามารถ：
- ค้นหาฐานข้อมูล
- เรียก API
- ควบคุมเบราว์เซอร์
- ส่งอีเมล
- Execute code
ขั้นตอนการทำงานของ Tool Calling：
ประเภทเครื่องมือที่พบบ่อย:
- การค้นหาข้อมูล: การค้นหา ฐานข้อมูล API
- การประมวลผลเอกสาร: สร้าง แก้ไข วิเคราะห์
- การสื่อสาร：ส่งอีเมล ส่งข้อความ
- การทำให้เป็นอัตโนมัติ: ควบคุมซอฟต์แวร์ ดำเนินการคำสั่ง
ตัวอย่าง Tool Calling Prompt：
คุณมีเครื่องมือ「ค้นหาคำสั่งซื้อ」โดยมีพารามิเตอร์คือหมายเลขคำสั่งซื้อ
ผู้ใช้พูดว่า "คำสั่งของฉัน #12345 อยู่ที่ไหน"
โปรดเรียกใช้เครื่องมือค้นหาคำสั่งซื้อ จากนั้นรายงานสถานะ
Business Examples
ศูนย์ฟิตเนสแบบสายอาหารขนาดกลางที่มีสาขา 12 แห่ง ในอดีต โค้ชต้องค้นหาข้อมูลสัญญาและจำนวนคอร์สที่เหลือของสมาชิกด้วยตนเอง เฉลี่ยแล้วใช้เวลา 6 นาทีต่อสายโทรศัพท์ เจ้าหน้าที่บริการลูกค้ามีปัญหาการขาดแคลนเป็นเวลานาน
- ค้นหาสัญญาสมาชิก: ดึงข้อมูลจากระบบ CRM โดยอัตโนมัติ, เวลาการโทรลดลงจาก 6 นาทีเป็น 90 วินาที, ปริมาณการจัดการของฝ่ายบริการลูกค้าเพิ่มขึ้น 3 เท่า
- จองหลักสูตร: เชื่อมต่อระบบจัดตารางเรียนแบบเรียลไทม์ หลีกเลี่ยงความขัดแย้งตารางโค้ชโดยอัตโนมัติ ลดข้อผิดพลาดการจองซ้ำ 85% ต่อเดือน
- ค้นหาจำนวนชั้นเรียนที่เหลือ: ซิงค์ฐานข้อมูลการหักชั้นเรียน, ความแม่นยำถึง 99.5%, กรณีร้องเรียนของสมาชิกลดลง 40% เมื่อเทียบกับเดือนที่แล้ว
- การเตือนการต่ออายุ: ตรวจจับ 14 วันก่อนสัญญาหมดอายุและส่งแจ้งเตือนอัตโนมัติ อัตราการต่ออายุเพิ่มขึ้น 18%
เคล็ดลับเล็กน้อย
- In ChatGPT custom GPT, use verb-starting tool names like get_weather, send_email to avoid ambiguous naming.
- Claude tool description ต้องระบุรูปแบบอินพุตและตัวอย่าง เช่น "date ต้องเป็น YYYY-MM-DD"
- เมื่อเชื่อมต่อเครื่องมือด้วย Zapier ให้เพิ่มคำอธิบาย when to use สำหรับแต่ละ action เพื่อลดการทำงานผิดพลาดของ Agent
- In prompt, explicitly write "If parameters are missing, ask the user first, do not guess."
- เครื่องมือ Notion ส่งคืนค่าให้กระชับ เหลือเพียง id และ title ลดการรบกวน token ในการตัดสินใจ
แบบฝึกหัด
สรุปส่วนนี้
- Tool Calling ช่วยให้ Agent เรียกใช้เครื่องมือภายนอก
- ขั้นตอนการทำงาน: LLM ตัดสินใจ → เรียกใช้ → ส่งคืน → ประมวลผล
- ความชัดเจนในการออกแบบเครื่องมือส่งผลต่อประสิทธิภาพของ Agent
21.4 ระบบความจำของ AI Agent
ทำไมต้องเรียน_this?
ระบบความจำช่วยให้ Agent สามารถจำบริบทและปฏิสัมพันธ์ที่ผ่านมาได้
การสอนหลัก
สามชั้นของระบบหน่วยความจำ:
หน่วยความจำระยะสั้น (หน้าต่างบริบท)
- บริบทของการสนทนาปัจจุบัน
- โดยทั่วไปมีจำกัด (หน้าต่างบริบท LLM)
- ใช้งานแบบเรียลไทม์
Working Memory (หน่วยความจำการทำงาน)
- ข้อมูลสำคัญของงานปัจจุบัน
- การเก็บรักษาระหว่างงานดำเนิน
- การแปลงหลังจากงานสิ้นสุด
หน่วยความจำระยะยาว (ความรู้ระยะยาว)
- ปฏิสัมพันธ์และข้อสรุปในอดีต
- ความชอบของผู้ใช้
- ประวัติงาน
เทคโนโลยีของระบบหน่วยความจำ:
- ฐานข้อมูลเวกเตอร์: จัดเก็บและค้นหา
- กราฟความรู้：ความรู้ที่มีโครงสร้าง
- การจัดเก็บไฟล์：บันทึกที่มีโครงสร้าง
แนวปฏิบัติที่ดีที่สุดสำหรับหน่วยความจำ:
Business Examples
ศูนย์ฟิตเนสแบบสายอาหารที่มีสาขา 12 แห่ง ในอดีต โค้ชมีอัตราการหมุนเวียนสูง สมาชิกมักสูญเสียไปเมื่อต่ออายุเพราะไม่คุ้นเคยกับบันทึกการฝึกอบรมในอดีต อัตราการต่ออายุเพียง 58% หลังจากนำระบบความจำ Agent มาใช้ เคาน์เตอร์และบริการลูกค้าออนไลน์สามารถเรียกดูโปรไฟล์สมาชิกที่สมบูรณ์ได้ทันที
- จดจำประวัติการบาดเจ็บและข้อห้ามของสมาชิก: เวลาเตรียมตัวสำหรับการให้คำปรึกษากับโค้ชลดลง 40% การร้องเรียนเรื่องการบาดเจ็บจากการออกกำลังกายลดลง 35%
- จดจำหลักสูตรและความชอบของอุปกรณ์ในอดีต: อัตราการแปลงของการแนะนำหลักสูตรเพิ่มขึ้น 22% มูลค่าคำสั่งซื้อเฉลี่ยเพิ่มขึ้น 1,800 บาท
- จดจำรอบการต่ออายุและการลาพักร้อน: ติดตามอย่างเข้าใจล่วงหน้า 14 วันก่อนครบกำหนด อัตราการต่ออายุเพิ่มขึ้นจาก 58% เป็น 76%
- จดจำโทนการสื่อสารและเป้าหมาย: คะแนนความพึงพอใจของสมาชิกเพิ่มขึ้นจาก 3.9 เป็น 4.6 คะแนน (คะแนนเต็ม 5 คะแนน)
เคล็ดลับเล็กน้อย
เพื่อให้ Agent จำได้ว่าคุณคือใคร และคุณทำอะไรมาแล้ว กุญแจสำคัญคือการเขียนหน่วยความจำลงในโครงสร้างที่อ่านได้
- In ChatGPT, use "Custom Instructions" to hardcode fixed preferences, such as "Always provide conclusions first, then list three points."
- ใช้ Notion สร้างตาราง "Agent Memory" โดยมีคอลัมน์ชื่อลูกค้า ความชอบ และข้อสรุปครั้งสุดท้าย ให้ Zapier อ่านโดยอัตโนมัติทุกครั้ง
- สำหรับการสนทนา Claude ยาว วางบทสรุปพื้นหลังไว้ที่ต้น และขอให้เขียนบทสรุปใหม่ทุกสิบรอบ
- บันทึกคำสั่งที่ซ้ำกันเป็นแม่แบบ prompt เมื่อเปิดการสนทนาใหม่ให้วางลงไปโดยตรง เพื่อหลีกเลี่ยงการอธิบายซ้ำทุกครั้ง
แบบฝึกหัด
สรุปส่วนนี้
- สามชั้นของหน่วยความจำ: ระยะสั้น การทำงาน ระยะยาว
- เทคโนโลยี: ฐานข้อมูลเวกเตอร์ กราฟความรู้
- หน่วยความจำเป็นกุญแจสำคัญในการปรับแต่งและการทำให้อัจฉริยะ
21.5 พื้นฐาน RAG
ทำไมต้องเรียน_this?
RAG ช่วยให้ Agent ตอบคำถามโดยอ้างอิงจากข้อมูลล่าสุดและแม่นยำ
การสอนหลัก
RAG คืออะไร?
RAG（Retrieval-Augmented Generation）เป็นเทคโนโลยีการสร้างข้อมูลที่เพิ่มขึ้นจากการค้นหา Agent ค้นหาข้อมูลที่เกี่ยวข้องจากฐานความรู้ก่อน จากนั้นจึงสร้างคำตอบโดยอ้างอิงจากข้อมูลเหล่านั้น
ขั้นตอนการทำงานของ RAG：
RAG vs Fine-tuning：
| มิติ | RAG | Fine-tuning |
|---|---|---|
| ความเร็วในการอัปเดต | แบบเรียลไทม์ | ต้องฝึกอบรมใหม่ |
| ต้นทุน | ต่ำ | สูง |
| ความแม่นยำ | Based on specific documents | Based on training data |
| สถานการณ์ที่เหมาะสม | การอัปเดตความรู้บ่อยครั้ง | Fixed Style/Behavior |
ข้อดีของ RAG：
- ข้อมูลอัปเดตแบบเรียลไทม์
- ลดภาพหลอน
- สามารถติดตามแหล่งที่มา
- ต้นทุนต่ำกว่า
Business Examples
ศูนย์ฟิตเนสแบบสายอาหารที่มีสาขา 12 แห่งและโค้ช 40 คน สมาชิกมักถามเกี่ยวกับการจัดตารางเวลาคอร์ส การใช้อุปกรณ์ และคำแนะนำด้านอาหาร แต่โค้ชยุ่งกับการสอน เจ้าหน้าที่บริการลูกค้าตอบช้าและให้คำแนะนำไม่สอดคล้องกัน ส่งผลให้อัตราการต่ออายุลดลง
- วิธีการ: สร้างคลังความรู้เกี่ยวกับหลักสูตรและอุปกรณ์ และอัปเดตแบบเรียลไทม์ เวลาตอบสนองของบริการลูกค้าลดลงจาก 8 นาทีเป็น 40 วินาที
- วิธีการ: ใช้คลังความรู้เป็นพื้นฐานให้ AI ช่วยตอบคำถามของสมาชิก ความแม่นยำในการตอบเพิ่มขึ้นจาก 72% เป็น 94%
- วิธีการ: รวมคำถามเกี่ยวกับอาหารและการฝึกอบรมทั่วไปในช่วงการค้นหา อัตราการแก้ไขครั้งเดียวของบริการลูกค้าเพิ่มขึ้น 35%
- วิธีการ: ปรับปรุงเนื้อหาคลังความรู้ทุกเดือนตามบันทึกการสนทนา อัตราการต่ออายุสมาชิกเพิ่มขึ้น 12%
เคล็ดลับเล็กน้อย
RAG เป็นวิธีการประยุกต์ใช้ AI ด้านความรู้ที่มีประโยชน์มากที่สุดสำหรับวิสาหกิจขนาดกลางและเล็ก
- ใช้ Notion สร้างฐานความรู้ ส่งออก CSV แล้วอัปโหลดไปยัง ChatGPT Projects เพื่อให้ตอบคำถามจากไฟล์เท่านั้น
- วิธีเขียน Prompt：ให้บทบาทก่อน「คุณคือเจ้าหน้าที่บริการลูกค้า」จากนั้นวางข้อมูล สุดท้ายถาม「ตอบเฉพาะจากข้อความข้างต้น หากไม่มีให้บอกว่าไม่ทราบ」
- ใช้ Zapier เขียนอีเมลใหม่จาก Gmail เข้า Notion โดยอัตโนมัติ เพื่อให้ฐานความรู้อัปเดตทุกวัน
- Claude รองรับเอกสารยาว อัปโหลด PDF คู่มือโดยตรง ถามว่า "อ้างอิงหมายเลขหน้าและสรุปสามประเด็น"
แบบฝึกหัด
สรุปส่วนนี้
- RAG คือ Retrieval-Augmented Generation
- กระบวนการ: เวกเตอร์ไรเซชัน → ค้นหา → สร้างข้อความ
- เหมาะสมกว่า Fine-tuning สำหรับการอัปเดตความรู้
21.6 ฐานข้อมูลเวกเตอร์
ทำไมต้องเรียน_this?
Vector databases are the foundation of RAG and memory systems.
การสอนหลัก
ฐานข้อมูลเวกเตอร์คืออะไร?
Vector databases store vectorized representations of data and support semantic search. They can find "semantically similar" content, not just keyword matches.
Use cases for vector databases:
- การค้นหาความรู้ RAG
- การจัดเก็บและการดึงข้อมูลหน่วยความจำ
- คำแนะนำเนื้อหาที่คล้ายกัน
- การค้นหาตามความหมาย
ฐานข้อมูลเวกเตอร์หลัก:
- Pinecone：ฐานข้อมูลเวกเตอร์บนคลาวด์
- Weaviate：โอเพนซอร์ส ฟีเจอร์ที่หลากหลาย
- Milvus：โอเพนซอร์ส ประสิทธิภาพสูง
- Chroma：น้ำหนักเบา เหมาะสำหรับผู้เริ่มต้น
- Qdrant：ประสิทธิภาพสูง ฟีเจอร์ที่สมบูรณ์
Vector Database vs Traditional Database:
- แบบดั้งเดิม: การจับคู่คำหลัก（「อาหารแมว」）
- Vector: Semantic matching ("cat food" → can also find "cat kibble")
Business Examples
แบรนด์สตูดิโอฟิตเนสแบบสายอาหารที่มีพนักงานประมาณ 80 คน ในอดีต โค้ชสามารถแนะนำคอร์สได้เฉพาะจากความจำเท่านั้น อัตราการต่ออายุสมาชิกต่ำกว่า 45% เป็นเวลานาน หลังจากนำฐานข้อมูลเวกเตอร์มาใช้ ระบบสามารถค้นหาทางความหมายจากบันทึกการฝึกอบรมและความชอบของสมาชิก และจับคู่โค้ชและคอร์สที่เหมาะสมที่สุดโดยอัตโนมัติ
- วิธีการ: เวกเตอร์ไรซ์ข้อมูลการประเมินหลักสูตร 12,000 รายการและข้อมูลป้อนกลับของสมาชิกภายใน 3 ปี ความแม่นยำในการค้นหาของ Agent บริการลูกค้าเพิ่มขึ้นจาก 61% เป็น 89%
- วิธีการ: แนะนำหลักสูตรแบบเรียลไทม์ตามป้ายกำกับความสามารถทางกายของสมาชิก อัตราคลิกการแนะนำแบบส่วนบุคคลเพิ่มขึ้นจาก 7% เป็น 22%
- วิธีการ: เปลี่ยนการจัดตารางสอนของโค้ชให้ใช้การจับคู่ความหมายโดยอัตโนมัติ เวลาจัดตารางสอนเฉลี่ยลดลงจาก 25 นาทีเป็น 4 นาที
- วิธีการ: เรียกใช้กรณีความสำเร็จของสมาชิกที่คล้ายกันก่อน 30 วันก่อนการต่ออายุ อัตราการต่ออายุประจำปีเพิ่มขึ้นเป็น 63%
เคล็ดลับเล็กน้อย
- ใช้ OpenAI text-embedding-3-small สร้างเวกเตอร์ ต้นทุนต่ำและมิติเล็ก เหมาะสำหรับต้นแบบด่วน
- In Notion, store original documents and sync to Pinecone to build indexes, avoiding duplicate embeddings.
- เพิ่ม prompt ในการค้นหา: "ตอบคำถามตามข้อมูลต่อไปนี้เท่านั้น, หากไม่มีคำตอบให้ตอบว่าไม่ทราบ"
- ใช้ Claude เขียนคำค้นหาใหม่เป็นตัวแปรความหมาย 3 แบบ เพื่อเพิ่มอัตราการเรียกคืน
- Regularly trigger index rebuilding with Zapier to eliminate outdated vectors.
แบบฝึกหัด
สรุปส่วนนี้
- Vector databases store semantic representations
- รองรับการค้นหาตามความหมาย ไม่ใช่เพียงการจับคู่คำหลัก
- เป็นพื้นฐานของระบบ RAG และความจำ
21.7 ระบบ Multi Agent
ทำไมต้องเรียน_this?
Multi Agent systems can handle more complex tasks.
การสอนหลัก
ระบบ Agent หลายตัวคืออะไร?
Multiple AI Agents work together, each responsible for different parts, completing complex tasks collaboratively.
Multi Agent Architecture:
โหมดผู้บริหาร (Orchestrator)
- Agent ผู้บริหารหนึ่งคนประสานงาน
- มอบหมายงานให้ Agent ย่อย
- รวบรวมผลลัพธ์
โหมด Pipeline (ไปป์ไลน์)
- Agent Process Sequentially
- ผลลัพธ์ของ Agent แต่ละตัวคือข้อมูลนำเข้าของตัวถัดไป
- เหมาะสำหรับงานหลายขั้นตอน
โหมดความร่วมมือ (Collaborative)
- Agent Equal Collaboration
- อภิปรายร่วมกัน
- การประเมินซึ่งกันและกัน
Multi Agent Use Cases:
Business Examples
แบรนด์ฟิตเนสแบบสายอาหารที่มีพนักงานประมาณ 300 คน มีสาขา 18 แห่ง รับคำถามมากกว่า 1,200 รายการต่อวัน ครอบคลุมการจองคอร์ส การระบุโค้ช และการเปลี่ยนแปลงสมาชิก ในอดีต เจ้าหน้าที่บริการลูกค้า 6 คนใช้เวลาเฉลี่ย 9 นาทีในการจัดการแต่ละรายการ ในช่วงเวลาที่มีการใช้งานสูงสุด มักพลาดข้อความ ส่งผลให้มีข้อร้องเรียนประมาณ 140 รายการต่อเดือน
- Agent จัดสรร: ใช้แบบจำแนกประเภทตามเจตนาอ่านข้อความเข้า ความแม่นยำถึง 94% นำ 85% ของการปรึกษาไปยังกระบวนการที่เกี่ยวข้องโดยอัตโนมัติ
- จองคิว Agent: การเชื่อมต่อระบบจัดตารางสถานที่ สำเร็จการจับคู่หลักสูตรและโค้ชแบบเรียลไทม์ ลดเวลาการประมวลผลเฉลี่ยจาก 9 นาทีเหลือ 40 วินาที
- Agent สมาชิก: จับคู่สัญญาและบันทึกการหักเงินโดยอัตโนมัติ, จัดการการลาพักร้อน, การโอน และคำขอคืนเงิน, ลดอัตราข้อผิดพลาดจาก 7% เป็น 1.2%
- Agent ประสานงาน: รวบรวมกรณีข้อยกเว้นข้ามแผนกและจัดลำดับความสำคัญ ปริมาณการร้องเรียนต่อเดือนลดลงจาก 140 เป็น 22 เรื่อง
เคล็ดลับเล็กน้อย
- ก่อนอื่นให้ใช้ ChatGPT เดียวรันผ่านกระบวนการ แยก Agent หลายตัวเมื่องานเกินสามขั้นตอน
- In Claude, use role prompts for task division, such as "You are a data cleaner, only return JSON."
- ใช้ Zapier เชื่อมต่อเอาต์พุต Agent ตั้งค่าเงื่อนไขการทำงานเพื่อหลีกเลี่ยงการเรียกซ้ำ
- วางข้อมูลที่ใช้ร่วมกันใน Notion เป็นคลังความจำ โดยให้ Agent แต่ละตัวอ่านจากแหล่งเดียวกัน
- ใช้ Canva สร้างสื่อภาพ ให้ Agent ยืนยันสำเนาและข้อมูลจำเพาะขนาดก่อน
แบบฝึกหัด
สรุปส่วนนี้
- Multi Agent Architecture: Supervisor, Pipeline, Collaboration
- เหมาะสำหรับงานที่ซับซ้อน
- งานง่ายใช้ Agent เดียวมีประสิทธิภาพมากขึ้น
21.8 บทนำเฟรมเวิร์ก AI Agent
ทำไมต้องเรียน_this?
กรอบงานสามารถเร่งการพัฒนา Agent
การสอนหลัก
กรอบ Agent หลัก:
LangChain
- กรอบงาน AI ที่ได้รับความนิยมมากที่สุด
- รองรับ LLM หลายประเภท
- ชุดเครื่องมือการรวมที่หลากหลาย
- เหมาะสำหรับสถานการณ์ต่างๆ
LangGraph
- Based on LangChain
- เวิร์กโฟลว์ที่ซับซ้อน
- การจัดการสถานะ
- เหมาะสำหรับ Agent หลายตัว
CrewAI
- Multi Agent Collaboration
- การจัดสรรบทบาท
- การจัดสรรงาน
- เหมาะสำหรับการทำงานเป็นทีม
AutoGen（Microsoft）
- Multi Agent Conversation
- การประสานงานอัตโนมัติ
- การดำเนินการโค้ด
- เหมาะสำหรับสถานการณ์การพัฒนา
OpenAI Agents SDK
- OpenAI Official
- ง่ายและสะดวกใช้
- สมัยใหม่
Business Examples
แบรนด์ฟิตเนสแบบสายอาหารที่มีสาขา 12 แห่ง สมาชิกมากกว่า 30,000 คน ในอดีต ทีมเจ้าหน้าที่บริการลูกค้าต้องตอบข้อความมากกว่า 800 รายการต่อวัน ในช่วงเวลาที่มีการใช้งานสูงสุด มักล่าช้าเกิน 4 ชั่วโมง ส่งผลให้อัตราการต่ออายุลดลง
- ใช้ LangChain เชื่อมต่อระบบการจองและระบบสมาชิก หลังจากเปิดตัว 3 เดือน สามารถจัดการคำถามทั่วไป 65% โดยอัตโนมัติ ลดความต้องการพนักงานบริการลูกค้าลง 40%
- การรวมฐานข้อมูลหลักสูตรและโค้ชเชอร์: เวลาตอบสนองการค้นหาลดลงจากเฉลี่ย 15 นาทีเป็น 20 วินาทีภายใน ความพึงพอใจเพิ่มขึ้น 22%
- สร้างระบบบันทึกการสนทนาและกลไกการติดป้ายกำกับ: สร้างรายงานข้อมูลเชิงลึก 5 ฉบับโดยอัตโนมัติทุกเดือน เพื่อช่วยเพิ่มอัตราการโจมตีของกิจกรรมการต่ออายุขึ้น 18%
- การออกแบบกระบวนการแบบโมดูลาร์: เวลาการนำเข้าสาขาใหม่ลดลงจาก 2 สัปดาห์เป็น 2 วัน, ต้นทุนการบำรุงรักษาลดลงประมาณ 35%
เคล็ดลับเล็กน้อย
- ใช้ChatGPT เขียนความต้องการเป็นแผนผังกระบวนการ จากนั้นเลือกเฟรมเวิร์ก
- In Claude วางเอกสารอย่างเป็นทางการ ขอให้แสดงความแตกต่างระหว่าง LangChain และ CrewAI
- ใช้ Notion สร้างตารางเปรียบเทียบเฟรมเวิร์ก ประกอบด้วยเส้นโค้งการเรียนรู้และลิงก์ตัวอย่าง
- When writing prompts, specify 'Explain in three lines when to switch to AutoGen'.
- In Zapier เชื่อมต่อ API ตรวจสอบกระบวนการก่อนเขียนโปรแกรม
แบบฝึกหัด
สรุปส่วนนี้
- กรอบงาน: LangChain, LangGraph, CrewAI, AutoGen
- ผู้เริ่มต้นเริ่มจาก LangChain
- เลือกกรอบงานตามสถานการณ์
21.9 โปรโตคอล MCP
ทำไมต้องเรียน_this?
MCP (Model Context Protocol) เป็นมาตรฐานสำหรับการแลกเปลี่ยนเครื่องมือ
การสอนหลัก
MCP คืออะไร?
MCP เป็นโปรโตคอลมาตรฐานที่ Anthropic เสนอ ช่วยให้ระบบ AI และเครื่องมือต่างๆ สามารถแลกเปลี่ยนข้อมูลแบบมาตรฐาน แก้ปัญหาการแตกแยกของเครื่องมือ AI
บทบาทของ MCP:
- การเชื่อมต่อเครื่องมือแบบมาตรฐาน
- ลดการพัฒนาซ้ำ
- เพิ่มความสามารถในการทำงานร่วมกัน
- เร่งการพัฒนาระบบนิเวศ
วิธีการทำงานของ MCP:
- Server: บริการที่ให้เครื่องมือ/ทรัพยากร
- Client: แอปพลิเคชัน AI ที่ใช้เครื่องมือ
- เชื่อมต่อ：ทั้งสองฝ่ายสื่อสารผ่านโปรโตคอล MCP
ข้อดีของ MCP:
- 「พัฒนาครั้งเดียว ใช้ได้ทุกที่」
- มาตรฐานการสร้างระบบนิเวศของเครื่องมือ
- ลดต้นทุนการรวมระบบ
Business Examples
ศูนย์ฟิตเนสแบบสายอาหารที่มีสาขา 12 แห่งและสมาชิกประมาณ 30,000 คน ในอดีต ข้อมูลสมาชิก ระบบการจอง และการจัดตารางเวลาโค้ชเป็นอิสระต่อกัน เจ้าหน้าที่บริการลูกค้าต้องสลับระหว่างระบบหลังบ้าน 4 ระบบทุกวัน เฉลี่ยแล้วใช้เวลา 6 นาทีต่อการค้นหา
- วิธีการ: เชื่อมต่อระบบจัดการสมาชิกและระบบการจองผ่าน MCP โดย Agent บริการลูกค้าสามารถค้นหาและตอบกลับได้ครั้งเดียว: เวลาในการจัดการต่อรายการลดลงจาก 6 นาทีเป็น 40 วินาที
- วิธีการ: เชื่อมต่อบริการการชำระเงินและบริการใบแจ้งหนี้ผ่าน MCP ประมวลผลการหักเงินต่ออายุโดยอัตโนมัติ: ลดเวลาการตรวจสอบด้วยตนเองลง 25 ชั่วโมงต่อเดือน
- วิธีการ: รวมระบบการจัดตารางสอนของโค้ชและระบบสถานที่ Agent จับคู่ช่องว่างโดยอัตโนมัติ: อัตราความสำเร็จในการจองหลักสูตรเพิ่มขึ้น 18%
- วิธีการ: แทนที่ API ที่กำหนดเองด้วยโปรโตคอลมาตรฐาน เวลาเปิดตัวสาขาใหม่ลดลงจาก 3 สัปดาห์เป็น 4 วัน
เคล็ดลับเล็กน้อย
- In Claude Desktop configuration, add MCP server to directly call local files and databases.
- ใช้ Zapier เชื่อมต่อ MCP ให้เนื้อหาที่ ChatGPT สร้างขึ้นเขียนเข้าฐานข้อมูล Notion โดยอัตโนมัติ
- Prompt เขียน「โปรดอ่านข้อมูล Google Sheets ที่ฉันระบุผ่าน MCP และสรุป」มีประสิทธิภาพมากกว่าคำสั่งทั่วไป
- เมื่อเชื่อมต่อ Canva MCP ให้ยืนยันขอบเขตการอนุญาตก่อน เพื่อหลีกเลี่ยงการแก้ไขแม่แบบของทีมโดย AI
แบบฝึกหัด
สรุปส่วนนี้
- MCP เป็นโปรโตคอลมาตรฐานสำหรับการแลกเปลี่ยนเครื่องมือ
- แก้ไขปัญหาการแยกตัวของเครื่องมือ AI
- ลดต้นทุนการรวมระบบ
21.10 ความปลอดภัยและการกำกับดูแล AI Agent
ทำไมต้องเรียน_this?
ความปลอดภัยของ Agent มีความสำคัญอย่างยิ่ง โดยเฉพาะในการใช้งานระดับองค์กร
การสอนหลัก
Agent Security Risks:
Prompt Injection
- อินพุตที่เป็นอันตรายปนเปื้อนคำสั่ง Agent
- ต้องป้องกัน
พฤติกรรมเกินอำนาจ
- Agent Executes Operations That Should Not Be Executed
- ต้องการการควบคุมสิทธิ์
การรั่วไหลของข้อมูล
- ข้อมูลที่ละเอียดอ่อนถูกเปิดเผย
- ต้องการการป้องกัน
พฤติกรรมที่ไม่สามารถควบคุมได้
- Agent Makes Unexpected Decisions
- ต้องการการควบคุมดูแล
Security Best Practices:
Business Examples
ห้องออกกำลังกายแห่งหนึ่งที่มี 12 สาขา นำ AI Agent มาใช้ในบริการลูกค้า แต่สมาชิกบ่นว่าไม่สามารถติดตามสถานะการจองและการคืนเงินได้ และเคยมีพนักงานแก้ไขสัญญาผิดพลาดจนเกิดข้อพิพาท เพื่อแก้ไขปัญหา พวกเขาจึงออกแบบกรอบสิทธิ์และการกำกับดูแล Agent ใหม่
- การแยกสิทธิ์ในการค้นหา: Agent สามารถอ่านข้อมูลสมาชิกและสถานะสัญญาได้เท่านั้น, ไม่สามารถแก้ไข, กรณีร้องเรียนการแก้ไขผิดพลาดลดเหลือ 0 กรณี
- การตรวจสอบด้วยตนเองสำหรับการดำเนินการเสี่ยงสูง: การคืนเงินและการเปลี่ยนแปลงสัญญาต้องได้รับการยืนยันจากผู้บริหาร ตรวจสอบคำขอที่ผิดปกติ 37 รายการต่อเดือน
- Complete Behavior Logs: All queries and operations are recorded, audit traceability time reduced from 4 hours to 15 minutes.
- Quarterly audit mechanism: 200 conversations sampled each quarter, permission misuse rate reduced from 8% to 1.2%.
เคล็ดลับเล็กน้อย
- ใช้หลักการสิทธิ์ขั้นต่ำ เปิดเฉพาะการดำเนินการที่จำเป็นใน Zapier อย่าให้ Agent มี API key ฉบับเต็ม
- In ChatGPT system prompt, specify "High-risk operations require outputting a confirmation checklist before execution" to allow human review before execution.
- ตั้งค่าการเรียกใช้เครื่องมือที่ละเอียดอ่อนของ Claude ให้ต้องได้รับการอนุมัติจากมนุษย์ และบันทึกอินพุตและเอาต์พุตทุกครั้งเพื่อการตรวจสอบ
- ใช้ Notion สร้างรายการสิทธิ์ทำเครื่องหมายช่วงข้อมูลที่ Agent แต่ละตัวสามารถเข้าถึงได้และวันหมดอายุ
แบบฝึกหัด
สรุปส่วนนี้
- ความเสี่ยง: การฉีดคำสั่ง การข้าวเกินสิทธิ์ การรั่วไหลข้อมูล
- แนวทางปฏิบัติที่ดีที่สุด: สิทธิ์ขั้นต่ำ, การอนุมัติด้วยตนเอง, บันทึก, การตรวจสอบ
- Security is the prerequisite for application
21.11 การปรับใช้และการติดตามสถานะ AI Agent
ทำไมต้องเรียน_this?
การปรับใช้และการติดตามเพื่อให้มั่นใจว่า Agent ทำงานได้อย่างเสถียร
การสอนหลัก
ข้อพิจารณาในการ Deploy Agent:
ความต้องการทรัพยากร
- ต้นทุน LLM API
- ทรัพยากรการคำนวณ
- ทรัพยากรการจัดเก็บ
ความเสถียร
- การจัดการข้อผิดพลาด
- กลไกการลองใหม่
- แผนสำรอง
ตัวชี้วัดการตรวจสอบ
- อัตราความสำเร็จ
- Response Time
- อัตราข้อผิดพลาด
- ต้นทุน
การจัดการเวอร์ชัน
- การควบคุมเวอร์ชัน
- การเผยแพร่แบบค่อยเป็นค่อยไป
- Rollback Mechanism
เครื่องมือการตรวจสอบ:
- LangSmith: การตรวจสอบ LangChain
- Langfuse：การตรวจสอบแบบโอเพนซอร์ส
- Weights & Biases: การติดตามการทดลอง
- แดชบอร์ดที่ปรับแต่งได้: การตรวจสอบเฉพาะ
Business Examples
ห้องออกกำลังกายแห่งหนึ่งที่มี AI Agent ในบริการลูกค้าประมวลผลคำถามของสมาชิกนับพันรายต่อวัน ในอดีตเนื่องจากการตอบสนองล่าช้าและอัตราข้อผิดพลาดสูง ทำให้อัตราการต่ออายุสัญญาลดลงอย่างต่อเนื่อง หลังจากนำระบบการติดตั้งและการตรวจสอบมาใช้ สถานการณ์ดีขึ้นอย่างเห็นได้ชัด
- ติดตามอัตราความสำเร็จของงาน: ความแม่นยำเพิ่มขึ้นจาก 82% เป็น 95% ลดการร้องเรียนประมาณ 300 รายต่อเดือน
- ตรวจสอบต้นทุนการคำนวณ: ควบคุมค่าใช้จ่ายรายเดือนภายใน 180 ดอลลาร์สหรัฐ ลดลง 35% จากเดิม
- ติดตามเวลาตอบสนอง: ตอบกลับโดยเฉลี่ยลดลงจาก 12 วินาทีเป็น 3 วินาที ความพึงพอใจของสมาชิกเพิ่มขึ้น 18%
- การแจ้งเตือนอัตโนมัติเมื่อเกิดข้อผิดพลาด ระบบตรวจจับความล่าช้าเกิน 5 วินาทีแล้วแจ้งให้ทีมปฏิบัติการทราบ เวลาแก้ไขปัญหาลดลง 60%
เคล็ดลับเล็กน้อย
หลังจากปรับใช้ Agent แล้ว ให้ใช้วิธีต่อไปนี้เพื่อติดตามพฤติกรรมและต้นทุนอย่างต่อเนื่อง:
- In Zapier, set error triggers so Agent automatically sends notification emails when returning failures.
- ใช้ Notion สร้างตารางบันทึก บันทึกจำนวน token และค่าใช้จ่ายของการเรียกใช้แต่ละครั้ง
- In Claude system prompt, add "Confirm tool parameters before output" to reduce misuse.
- ใช้ ChatGPT รวบรวมบันทึกเป็นระยะ เพื่อค้นหาขั้นตอนที่มีต้นทุนสูงและล้มเหลวซ้ำ
แบบฝึกหัด
สรุปส่วนนี้
- การพิจารณาการปรับใช้: ทรัพยากร ความเสถียร การติดตาม เวอร์ชัน
- ตัวชี้วัดการตรวจสอบ: อัตราความสำเร็จ เวลา ข้อผิดพลาด ต้นทุน
- Regular reviews to ensure stability
21.12 สถานการณ์การประยุกต์ใช้ในองค์กร
ทำไมต้องเรียน_this?
ทำความเข้าใจการประยุกต์ใช้ Agent ในองค์กร และค้นหาสถานการณ์ที่เหมาะสมกับคุณ
การสอนหลัก
Agent Enterprise Applications:
บริการลูกค้าอัจฉริยะ
- การจัดการคำค้นหาของลูกค้าอัตโนมัติ
- ใช้เครื่องมือค้นหาคำสั่งซื้อ
- 24/7 บริการ
การวิเคราะห์ข้อมูล
- วิเคราะห์ข้อมูลอัตโนมัติ
- สร้างรายงาน
- การดำเนินการที่แนะนำ
เวิร์กโฟลว์อัตโนมัติ
- ดำเนินการงานหลายขั้นตอนอัตโนมัติ
- การรวมระบบข้ามแพลตฟอร์ม
- ลดการทำงานด้วยมนุษย์
การจัดการความรู้
- คลังความรู้ขององค์กร
- การค้นหาอย่างชาญฉลาด
- Employee Assistant
การเสริมศักยภาพการขาย
- การจัดการลีดอัตโนมัติ
- การขายแบบส่วนบุคคล
- พยากรณ์
Business Examples
ศูนย์ฟิตเนสแบบสายอาหารขนาดกลางที่มีสาขา 12 แห่ง เผชิญกับปัญหาการขัดแย้งในการจัดตารางเวลาโค้ชระยะยาว อัตราการสูญเสียสมาชิกสูงถึง 28% และเจ้าหน้าที่บริการลูกค้าไม่สามารถรับมือกับการปรึกษาหลายพันรายการต่อวัน
- การจัดตารางเวลาและการจัดส่งอย่างชาญฉลาด:Agent สร้างตารางเวรอัตโนมัติตามความเชี่ยวชาญของโค้ช การจองของสมาชิก และความจุของสถานที่ ลดความขัดแย้งในตารางเวรลง 85% ประหยัดเวลาการบริหารจัดการ 120 ชั่วโมงต่อเดือน
- การเตือนการสูญเสียสมาชิก:ระบบวิเคราะห์ความถี่การเข้าชมและรอบสัญญา ทำเครื่องหมายสมาชิกเสี่ยงสูงล่วงหน้า 14 วัน และส่งโปรโมชั่นเฉพาะอัตโนมัติ อัตราการต่ออายุเพิ่มขึ้น 19%
- Customer Service Auto-Response:Agent จัดการการค้นหาหลักสูตร การลา และการแจ้งซ่อมอุปกรณ์ 76% ของปัญหาทั่วไป ลดเวลาตอบสนองของฝ่ายบริการลูกค้าจาก 4 ชั่วโมงเหลือ 3 นาที
- การสร้างรายงานประจำเดือนการดำเนิน:รวบรวมจำนวนผู้มาเยือน ผลผลิตโค้ช และอัตราเต็มชั้นเรียนของสาขาต่างๆ โดยอัตโนมัติทุกเดือน ลดเวลาการสร้างรายงานจาก 3 วันเป็น 40 นาที
เคล็ดลับเล็กน้อย
- เลือกสถานการณ์ความถี่สูงเช่นบริการลูกค้าหรือการรวบรวมรายงาน ใช้ Zapier เชื่อมต่อ ChatGPT เพื่อทดลองจุดเดียว
- วิธีเขียน Prompt คงที่เป็น「บทบาท＋งาน＋รูปแบบผลลัพธ์」เช่น ขอให้ Claude จัดระเบียบข้อร้องเรียนตามรูปแบบนี้
- ย้ายกระบวนการทดลองไปยัง Notion สร้างตารางติดตามเพื่อบันทึกความแม่นยำของเอาต์พุตและจำนวนครั้งที่มีการแก้ไขด้วยมนุษย์
- สองสัปดาห์ต่อมาใช้ข้อมูลตัดสินใจว่าจะขยายหรือไม่ อย่าเปิดตัวตามความรู้สึก
แบบฝึกหัด
สรุปส่วนนี้
- Agent Applications: Customer Service, Analysis, Automation, Knowledge, Sales
- เริ่มต้นจากสถานการณ์ที่มีมูลค่าสูง
- ขยายแบบค่อยเป็นค่อยไป
21.13 สรุปหลักสูตร
สรุปหลักสูตร
ขั้นตอนการเรียนรู้ถัดไป
- C-22 No-Code AI Automation: ไม่ต้องเขียนโปรแกรม
- C-23 RPA Process Automation：กระบวนการหุ่นยนต์
- C-14 AI Workflow Automation: การประยุกต์ใช้จริง
© 2026 Buddylala.ai — Build Your AI Future, Together.