AI · AIC-09

Agentic AI with FastMCP and A2A

หลักสูตร Agentic AI with FastMCP and A2A เป็นการอบรมเขียน Python สร้าง MCP Server และ Client ด้วย FastMCP แล้วใช้มาตรฐาน A2A ให้ Agent หลายตัวทำงานร่วมกันเป็นระบบ Multi-Agent เหมาะกับนักพัฒนา นักศึกษา และคนทำงานด้าน Automation ที่เขียน Python พื้นฐานได้ จบแล้ว Deploy MCP Server ขึ้น Cloud ได้

อัปเดตล่าสุด 8 ต.ค. 2569

ราคาเริ่มต้น 5,310 บาท / ท่าน 5,900 −10% ยังไม่รวม VAT 7% · มีราคาหมู่คณะ

ขอใบเสนอราคาอบรมองค์กร ลงชื่อจองไว้

PDFดาวน์โหลด Course Outline

ระยะเวลา12 ชั่วโมง · 2 วัน
รูปแบบออนไซต์ / ออนไลน์สด
รอบถัดไปเปิดตามคำขอ
ใบรับรองมี Certificate

ภาพรวมหลักสูตร

AI ยุคนี้ไม่ได้เป็นแค่แชทบอทที่ตอบคำถาม แต่เป็น Agentic AI ที่วางแผนและลงมือทำงานแทนเราได้ โดยมีมาตรฐานเปิดสองตัวเป็นแกนกลาง คือ MCP (Model Context Protocol) ที่ให้ AI เรียกใช้เครื่องมือ ไฟล์ และฐานข้อมูลได้แบบมาตรฐานเดียว และ A2A (Agent2Agent) ที่ให้ Agent จากต่างระบบค้นหาและส่งงานให้กันได้ ทั้งสองมาตรฐานพัฒนาเร็วมาก ตัวอย่างเมื่อปีก่อนจำนวนมากจึงใช้ SSE หรือ API รุ่นเก่าที่เลิกใช้แล้ว

หลักสูตรนี้พาผู้เรียนเขียน Python สร้างระบบ Agentic AI ตั้งแต่ศูนย์ด้วย FastMCP 3 สร้าง MCP Server ที่มี Tool, Resource และ Prompt เชื่อมไฟล์และฐานข้อมูล ใช้งานผ่าน Claude Desktop เปิดบริการแบบ Streamable HTTP และสร้าง MCP Client ที่ต่อกับ Gemini หรือ OpenAI จากนั้นสร้าง Agent ตามมาตรฐาน A2A 1.0 ด้วย Python SDK ให้ Agent หลายตัวทำงานร่วมกันอย่างปลอดภัย และ Deploy MCP Server ขึ้น Cloud ปิดท้ายด้วย Workshop ระบบ Multi-Agent วางแผนการเดินทาง (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Intermediate)

สิ่งที่คุณจะได้รับ

อธิบายสถาปัตยกรรม Agentic AI และบทบาทที่ต่างกันของ MCP และ A2A ได้
สร้าง MCP Server ที่มี Tool, Resource และ Prompt ด้วย FastMCP 3 ได้
เปิดบริการ MCP แบบ STDIO และ Streamable HTTP และเชื่อมกับ Claude Desktop ได้
สร้าง MCP Client ใน Python ที่ให้ Gemini หรือ OpenAI เรียกใช้ Tool ได้
สร้าง A2A Agent ด้วย Python SDK พร้อม Agent Card, Task และ Artifact ได้
ออกแบบระบบ Multi-Agent ที่มี Orchestrator และเรียกใช้ MCP Tools อย่างปลอดภัย
Deploy MCP Server ขึ้น Cloud และเชื่อมต่อจาก Client ภายนอกได้

หลักสูตรนี้เหมาะสำหรับ

นักพัฒนา Software และ AI ที่ต้องการสร้าง Agentic AI ใช้งานได้จริง
คนทำงานด้าน Automation ที่ต้องการให้ AI เรียกใช้ระบบขององค์กร
นักศึกษาและผู้เริ่มต้นสาย AI ที่เขียน Python พื้นฐานได้
Tech Lead ที่กำลังวางมาตรฐานการเชื่อม AI กับเครื่องมือภายในองค์กร

พื้นฐานของผู้เข้าอบรม

เขียน Python ได้ระดับพื้นฐาน เช่น ตัวแปร ฟังก์ชัน และการ import ไลบรารี
ใช้ Terminal และ VS Code ได้
ใช้ Git และ GitHub เบื้องต้นได้จะช่วยในขั้น Deploy (ไม่มีก็เรียนได้)
มีบัญชีและ API Key ของ Google Gemini หรือ OpenAI ของผู้เรียนเอง

หัวข้อการฝึกอบรม

รายละเอียดหลักสูตร

หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ของหลักสูตรสร้าง Agentic AI ด้วย FastMCP and A2A เนื้อหาเขียนใหม่สำหรับ FastMCP 3, Streamable HTTP แทน SSE, สเปก MCP รุ่น 2026-07-28 และ A2A 1.0 พร้อมเปลี่ยนการ Deploy เป็น Prefect Horizon และเพิ่มหัวข้อความปลอดภัยของ Agent อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab เขียน Python ทุกหัวข้อ ระดับ Intermediate ผู้เรียนใช้ API Key ของ Gemini หรือ OpenAI ของตนเอง และได้โค้ดครบทุก Lab กลับไปใช้งานต่อ

Day 1 สร้าง MCP Server และ Client ด้วย FastMCP

Section 1: ปูพื้น Agentic AI, MCP และ A2A

Agentic AI คืออะไร และตัวอย่างงานจริงในองค์กร
วงจร Perception, Reasoning และ Action ของ Agent
MCP เชื่อม AI กับเครื่องมือ ส่วน A2A เชื่อม Agent กับ Agent
สถานะล่าสุดของสเปก MCP และ A2A ในปี 2026

Section 2: Lab: MCP Server แรกด้วย FastMCP 3

สร้าง Tool ด้วย @mcp.tool และ Type Hint ที่กลายเป็น Schema
รันแบบ STDIO และทดสอบด้วย MCP Inspector
เชื่อม MCP Server ของเราเข้ากับ Claude Desktop
Lab: Tool เครื่องคิดเลขและแปลงหน่วยที่ AI เรียกใช้ได้

Section 3: Lab: Resource, Prompt และ Context

Resource และ Resource Template สำหรับส่งข้อมูลให้ AI อ่าน
Prompt สำเร็จรูปที่ผู้ใช้เลือกเรียกได้
ใช้ Context ส่ง Log และ Progress ระหว่างทำงาน
Lab: MCP Server อ่านไฟล์ CSV และ PDF

Section 4: Lab: เชื่อมฐานข้อมูลอย่างปลอดภัย

Tool ค้นข้อมูลจาก MySQL หรือ PostgreSQL
จำกัดเป็นสิทธิ์อ่านอย่างเดียวและใช้ Parameter แทนการต่อ SQL
รวมหลาย Server เป็นชุดเดียวด้วย Mount และ Namespace
Lab: AI ตอบคำถามจากฐานข้อมูลสินค้าผ่าน MCP

Section 5: Lab: Streamable HTTP และการยืนยันตัวตน

STDIO กับ Streamable HTTP ต่างกันอย่างไร และทำไม SSE ถูกเลิกใช้
แนวคิด Stateless ของสเปก MCP รุ่นล่าสุด
ป้องกัน Server ด้วย Bearer Token และภาพรวม OAuth
Lab: ย้าย Server จาก STDIO มาเป็น HTTP

Section 6: Lab: MCP Client ใน Python

ใช้ FastMCP Client เรียก Tool และอ่าน Resource
ออกแบบไฟล์ Config ที่รองรับหลาย MCP Server
ต่อ Client กับ Gemini API หรือ OpenAI API แบบ Tool Calling
Lab: แชทบอทใน Terminal ที่ใช้ MCP Server ของเราได้ทุกตัว

Day 2 A2A, Multi-Agent และ Deployment

Section 7: รู้จัก A2A Protocol 1.0

Agent Card ที่ /.well-known/agent-card.json และ Skills
Task, Message, Part และ Artifact ในวงจรการทำงาน
Binding แบบ JSON-RPC, gRPC และ HTTP+JSON
Streaming และ Push Notification สำหรับงานที่ใช้เวลานาน

Section 8: Lab: A2A Agent แรกด้วย Python SDK

เขียน AgentExecutor และประกาศ Agent Card
สร้าง Client ค้นหา Agent จาก Agent Card แล้วส่ง Message
รับผลลัพธ์แบบ Streaming และติดตามสถานะ Task
Lab: Agent แปลภาษาที่ Agent ตัวอื่นเรียกใช้ได้

Section 9: Lab: A2A Agent ที่ใช้ MCP Tools

แบ่งหน้าที่: A2A สำหรับคุยระหว่าง Agent และ MCP สำหรับเรียกเครื่องมือ
ให้ Agent ภายในเรียก MCP Server ผ่าน FastMCP Client
ส่งผลลัพธ์กลับเป็น Artifact ที่ Agent ปลายทางใช้ต่อได้
Lab: Agent ค้นข้อมูลสินค้าที่เรียกใช้ MCP Server จาก Day 1

Section 10: ออกแบบ Multi-Agent อย่างปลอดภัย

สถาปัตยกรรม Orchestrator Agent และ Specialist Agent
จุดให้คนตรวจและอนุมัติก่อนทำงานที่มีผลกระทบ
ความเสี่ยง Prompt Injection และ Tool ที่ไม่น่าเชื่อถือ
หลักให้สิทธิ์น้อยที่สุดกับ Tool และ Secret

Section 11: Lab: Deploy MCP Server ขึ้น Cloud

Deploy จาก GitHub ขึ้น Prefect Horizon แบบ Personal
ทางเลือก Deploy เป็น Container บน Cloud ของผู้เรียน
เชื่อม Client และเครื่องมืออย่าง n8n เข้ากับ Server บน Cloud
Lab: เรียก MCP Server บน Cloud จาก Client ของเรา

Section 12: Workshop: Multi-Agent Trip Planner

ออกแบบ Agent ค้นสถานที่ วางงบประมาณ และจัดตารางเดินทาง
ให้ Orchestrator ส่งงานให้ Agent แต่ละตัวผ่าน A2A
รวมผลลัพธ์เป็นแผนเที่ยวพร้อมขั้นตอนให้ผู้ใช้ยืนยัน
นำเสนอผลงานและแนวทางต่อยอดกับระบบในองค์กร

รอบอบรมและรูปแบบการอบรม

สำหรับบุคคล — รอบอบรมทั่วไป

ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770

ลงชื่อจองไว้ สอบถามรอบอบรม

สำหรับองค์กร — In-house / Private Training

ปรับเนื้อหาให้ตรงกับเครื่องมือและงานจริงของทีม
เลือกวันเอง อบรมที่บริษัทหรือออนไลน์สด
ออกใบเสนอราคาในนามนิติบุคคลให้ฝ่ายจัดซื้อ

ขอใบเสนอราคาอบรมองค์กร

วิทยากรผู้สอน

สามิตร โกยมCEO ที่สถาบันไอทีจีเนียส

คำถามที่พบบ่อย

MCP กับ A2A ต่างกันอย่างไร ใช้ในบริบทไหน

MCP หรือ Model Context Protocol เป็นมาตรฐานให้แอป AI เรียกใช้เครื่องมือ ไฟล์ และฐานข้อมูลผ่าน Server ในรูปแบบเดียวกัน เปรียบเหมือนการเสียบอุปกรณ์เข้ากับ AI ส่วน A2A หรือ Agent2Agent เป็นมาตรฐานให้ Agent ที่สร้างจากต่างเฟรมเวิร์กหรือต่างองค์กรค้นหากันผ่าน Agent Card แล้วส่งงานและรับผลลัพธ์กลับเป็น Task และ Artifact ระบบจริงจึงมักใช้คู่กัน โดย Agent คุยกันด้วย A2A และแต่ละ Agent ใช้เครื่องมือผ่าน MCP

สร้าง MCP Server ด้วย FastMCP ทำอย่างไร

ติดตั้ง FastMCP ด้วย uv หรือ pip แล้วสร้างอ็อบเจกต์ FastMCP ตั้งชื่อ Server จากนั้นเขียนฟังก์ชัน Python ธรรมดาแล้วใส่ @mcp.tool FastMCP จะแปลง Type Hint และ Docstring เป็น Schema ให้ AI เข้าใจโดยอัตโนมัติ เพิ่ม @mcp.resource สำหรับข้อมูลที่ให้ AI อ่าน และ @mcp.prompt สำหรับ Prompt สำเร็จรูป แล้วสั่ง mcp.run() เพื่อรันแบบ STDIO หรือระบุ transport="http" เพื่อเปิดเป็นบริการเว็บ ทดสอบได้ด้วย MCP Inspector หรือเชื่อมกับ Claude Desktop

MCP แบบ STDIO และ Streamable HTTP ต่างกันอย่างไร แล้ว SSE ยังใช้ได้ไหม

STDIO ให้แอป AI รัน Server เป็นโปรแกรมบนเครื่องเดียวกันแล้วสื่อสารผ่าน Input และ Output มาตรฐาน เหมาะกับเครื่องมือส่วนตัวอย่าง Claude Desktop ส่วน Streamable HTTP เปิด Server เป็นบริการเว็บที่หลาย Client เชื่อมต่อผ่านเครือข่ายได้ เหมาะกับการ Deploy ขึ้น Cloud ส่วน SSE เป็นรูปแบบเว็บแบบเก่าที่ถูกแทนที่ด้วย Streamable HTTP แล้ว FastMCP ระบุว่าเลิกใช้ จึงควรใช้เฉพาะเมื่อต้องเชื่อมกับระบบเก่าเท่านั้น

หลักสูตร Agentic AI with FastMCP and A2A เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับนักพัฒนา Software และ AI ที่ต้องการสร้าง Agentic AI ใช้งานได้จริง คนทำงานด้าน Automation ที่อยากให้ AI เรียกใช้ระบบขององค์กร นักศึกษาสาย AI และ Tech Lead ที่วางมาตรฐานการเชื่อม AI กับเครื่องมือ ควรเขียน Python ได้ระดับพื้นฐาน ใช้ Terminal และ VS Code ได้ และมี API Key ของ Gemini หรือ OpenAI ของตนเอง ไม่จำเป็นต้องมีพื้นฐาน Web Development

เรียนจบหลักสูตร Agentic AI with FastMCP and A2A แล้วทำอะไรได้บ้าง

สร้าง MCP Server ที่มี Tool, Resource และ Prompt ด้วย FastMCP 3 เชื่อมไฟล์และฐานข้อมูลอย่างปลอดภัย เปิดบริการแบบ Streamable HTTP สร้าง MCP Client ที่ให้ Gemini หรือ OpenAI เรียก Tool ได้ สร้าง A2A Agent ด้วย Python SDK ออกแบบระบบ Multi-Agent ที่มี Orchestrator และ Deploy MCP Server ขึ้น Cloud ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้

เรียน Agentic AI with FastMCP and A2A ต้องเตรียมอะไรมาบ้าง

เตรียมโน้ตบุ๊ก Windows, macOS หรือ Linux ที่มีสิทธิ์ติดตั้งโปรแกรม ติดตั้ง Python, uv และ VS Code ได้ มีบัญชีและ API Key ของ Google Gemini หรือ OpenAI ของตนเองซึ่งอาจมีค่าใช้จ่ายตามการใช้งาน และควรมีบัญชี GitHub สำหรับขั้น Deploy ขึ้น Prefect Horizon แบบ Personal ที่ใช้ฟรี ส่วน Claude Desktop และ MCP Inspector จะติดตั้งด้วยกันในชั้นเรียน