AI · AIC-07

On-Premise AI Chatbots with LangChain and LangGraph

หลักสูตร On-Premise AI Chatbots with LangChain and LangGraph เป็นการอบรมสร้าง AI Chatbot ที่รันบนเซิร์ฟเวอร์องค์กรทั้งระบบ ตั้งแต่รันโมเดลด้วย vLLM ทำ RAG กับ Qdrant สร้าง Agent ด้วย LangGraph จนถึง Backend FastAPI และหน้าแชท Chainlit เหมาะกับ Developer, AI Engineer และ Data Scientist ที่มีพื้นฐาน Python

อัปเดตล่าสุด 8 ต.ค. 2569

ราคาเริ่มต้น 5,850 บาท / ท่าน 6,500 −10% ยังไม่รวม VAT 7% · มีราคาหมู่คณะ

ขอใบเสนอราคาอบรมองค์กร ดูรอบอบรม

PDFดาวน์โหลด Course Outline

ระยะเวลา18 ชั่วโมง · 3 วัน
รูปแบบออนไซต์ / ออนไลน์สด
รอบถัดไป15–17 มิ.ย. 70
ใบรับรองมี Certificate

ภาพรวมหลักสูตร

หลายองค์กรอยากใช้ AI Chatbot ตอบคำถามจากคู่มือ นโยบาย หรือเอกสารภายใน แต่ไม่สามารถส่งข้อมูลสำคัญออกไปประมวลผลบน Cloud API สาธารณะได้ ทั้งด้วยเหตุผลด้าน PDPA ความลับทางธุรกิจ และการควบคุมค่าใช้จ่าย ทางออกคือระบบ AI ที่รันบนเซิร์ฟเวอร์ขององค์กรเองทั้งหมด ตั้งแต่โมเดลภาษา ฐานข้อมูลเวกเตอร์ ไปจนถึงหน้าแชท ซึ่งวันนี้เครื่องมือโอเพนซอร์สพร้อมพอที่จะทำได้จริง

หลักสูตรนี้พาผู้เรียนสร้าง AI Chatbot แบบ On-Premise ด้วย Python ตั้งแต่ต้นจนพร้อมใช้งาน เริ่มจากรันโมเดลโอเพนซอร์สด้วย Ollama และ vLLM ผ่าน API ที่เข้ากันได้กับ OpenAI ใช้ LangChain 1.x เชื่อมโมเดล นำเอกสารองค์กรเข้า Qdrant และค้นหาแบบ Hybrid จากนั้นสร้าง Agent ด้วย LangGraph 1.x ที่วนตรวจคำตอบเองได้ จำบทสนทนาด้วย Checkpointer และเรียก Tool หรือ MCP Server พร้อมจุดให้คนอนุมัติ แล้วต่อเป็นระบบจริงด้วย FastAPI แบบ Streaming หน้าแชท Chainlit การกำหนดสิทธิ์เข้าถึงเอกสาร และการวัดคุณภาพคำตอบ ปิดท้ายด้วยการรวมทุก Service ใน Docker Compose (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Intermediate)

สิ่งที่คุณจะได้รับ

เลือกและรันโมเดลภาษาโอเพนซอร์สบนเครื่ององค์กรด้วย Ollama และ vLLM ได้
ใช้ LangChain 1.x เชื่อมโมเดลในเครื่องผ่าน API ที่เข้ากันได้กับ OpenAI
สร้าง Pipeline นำเอกสารองค์กรเข้า Qdrant และค้นหาแบบ Hybrid ได้แม่นยำ
ออกแบบ Agent ด้วย LangGraph 1.x ที่มี State, เงื่อนไข และการวนตรวจคำตอบ
เก็บความจำบทสนทนาด้วย Checkpointer และเพิ่มจุดให้คนอนุมัติก่อนทำงานสำคัญ
สร้าง Backend ด้วย FastAPI ที่ตอบแบบ Streaming และหน้าแชทด้วย Chainlit
วาง Guardrail สิทธิ์เข้าถึงเอกสาร และวัดคุณภาพคำตอบก่อนใช้งานจริง
รวมทุก Service ใน Docker Compose และวางแผนติดตั้งบนเซิร์ฟเวอร์องค์กร

หลักสูตรนี้เหมาะสำหรับ

Software Developer และ AI Engineer ที่ต้องการย้ายจาก Cloud API มาทำระบบ Self-hosted
Data Scientist ที่ต้องการนำโมเดลภาษาไปใช้เป็นแอปพลิเคชันในองค์กร
Web Developer สาย Backend หรือ Full-stack ที่ต้องการเพิ่มทักษะด้าน LLM
Solution Architect และ Tech Lead ที่ต้องวางระบบ AI Chatbot ให้องค์กร
ทีม IT Infrastructure และ DevOps ที่ต้องดูแล AI Server ภายในองค์กร

พื้นฐานของผู้เข้าอบรม

เขียน Python ได้ในระดับพื้นฐาน เช่น ฟังก์ชัน คลาส และการติดตั้งแพ็กเกจ
เข้าใจแนวคิด REST API และรูปแบบข้อมูล JSON เบื้องต้น
เคยใช้คำสั่ง Docker พื้นฐาน เช่น pull, run และ ps
โน้ตบุ๊กที่ติดตั้ง Docker Desktop, Python และ VS Code ได้ พร้อมสิทธิ์ติดตั้งโปรแกรม

หัวข้อการฝึกอบรม

รายละเอียดหลักสูตร

หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ของหลักสูตรสร้าง AI Chatbots On-Premise ด้วย LangChain และ LangGraph เนื้อหาเขียนใหม่ให้ตรงกับ LangChain 1.x และ LangGraph 1.x อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab บนชุดเอกสารนโยบายและคู่มือองค์กรสมมติภาษาไทยชุดเดียวตลอดหลักสูตร ระดับ Intermediate ทุก Lab

ใช้เครื่องมือโอเพนซอร์สและทำงานบนเครื่องของผู้เรียนด้วย Docker ผู้เรียนไม่จำเป็นต้องมี GPU เพราะใช้ Ollama กับโมเดลขนาดเล็กบนโน้ตบุ๊ก ส่วน Lab ที่ใช้ vLLM รันบน Google Colab หรือ GPU ที่ผู้เรียนจัดหาเอง เทียบกับรุ่นเดิมได้เพิ่ม Hybrid Search, Agentic RAG, Checkpointer, MCP, Human-in-the-loop, Guardrail และการวัดคุณภาพคำตอบ ผู้เรียนจะได้ Lab Guide โค้ด Python ครบทุก Lab และไฟล์ docker-compose ของระบบทั้งชุดกลับไปใช้งานต่อ

Day 1 โมเดลในองค์กรและฐานความรู้

Section 1: สถาปัตยกรรม AI Chatbot แบบ On-Premise

Cloud AI เทียบกับ On-Premise AI ทั้งด้านความเป็นส่วนตัว ค่าใช้จ่าย และการดูแลระบบ
ส่วนประกอบของระบบ: Inference Engine, Embedding, Vector DB, Agent, API และ UI
เลือกโมเดลโอเพนซอร์สที่รองรับภาษาไทย และประเมินขนาด GPU กับหน่วยความจำ
Quantization และผลต่อความเร็ว ความแม่นยำ และทรัพยากรที่ใช้
Lab: เตรียมเครื่องด้วย Docker, Python Virtual Environment และ uv

Section 2: Lab: รันโมเดลด้วย Ollama และ vLLM

Ollama สำหรับรันโมเดลขนาดเล็กบนโน้ตบุ๊กในช่วงพัฒนา
vLLM สำหรับเซิร์ฟเวอร์: PagedAttention และ Continuous Batching
รัน vllm serve ผ่าน Docker พร้อม API ที่เข้ากันได้กับ OpenAI
เปิด Tool Calling และ Structured Output บนโมเดลที่รองรับ
Lab: เรียกโมเดลในเครื่องด้วย OpenAI Python Client และวัดความเร็ว

Section 3: LangChain 1.x กับโมเดลในเครื่อง

ภาพรวม LangChain 1.x และสิ่งที่เปลี่ยนไปจาก Chain รุ่นเดิม
เชื่อมโมเดลด้วย init_chat_model และ base_url ของ vLLM หรือ Ollama
Message, Prompt Template และ Structured Output ด้วย Pydantic
สร้าง Tool ด้วย @tool และ Agent อย่างง่ายด้วย create_agent
Lab: Chatbot ถามตอบทั่วไปที่ไม่ส่งข้อมูลออกนอกเครื่อง

Section 4: Embedding ภาษาไทยและ Qdrant

หลักการ RAG และเหตุที่ช่วยลดการตอบมั่วของโมเดล
เลือก Embedding Model หลายภาษาที่รันในเครื่อง เช่น BGE-M3
ติดตั้ง Qdrant ด้วย Docker Compose และออกแบบ Collection กับ Payload
Dense Vector, Sparse Vector และการเลือกค่าระยะทาง
Lab: เก็บและค้นหาเวกเตอร์ด้วย Qdrant Python Client

Section 5: Lab: Pipeline นำเอกสารองค์กรเข้าระบบ

อ่านไฟล์ PDF, Word และหน้าเว็บภายใน แล้วแปลงเป็นข้อความที่สะอาด
Chunking สำหรับภาษาไทย: ขนาด ส่วนซ้อน และการตัดตามหัวข้อ
เก็บ Metadata เช่น แหล่งที่มา หน้า หน่วยงาน และระดับความลับ
อัปเดตเอกสารซ้ำโดยไม่เกิดข้อมูลซ้ำซ้อนใน Collection
Lab: นำชุดเอกสารนโยบายองค์กรเข้า Qdrant ผ่าน LangChain

Day 2 RAG ที่แม่นขึ้นและ Agent ด้วย LangGraph

Section 6: Lab: ค้นหาให้แม่นด้วย Hybrid Search

ข้อจำกัดของ Similarity Search อย่างเดียวกับคำเฉพาะและรหัสเอกสาร
Hybrid Search รวม Dense กับ Sparse ด้วย Query API และ RRF
Reranking ด้วยโมเดลที่รันในเครื่องเพื่อจัดอันดับผลลัพธ์ใหม่
กรองผลด้วย Metadata เช่น หน่วยงาน วันที่ และระดับความลับ
Lab: เทียบผลค้นหาก่อนและหลังปรับ Retrieval

Section 7: LangGraph 1.x พื้นฐาน

ทำไมงาน Agent ต้องการ Graph แทน Chain ที่เป็นเส้นตรง
StateGraph, State, Node, Edge และ Conditional Edge
ออกแบบ State ด้วย TypedDict และ Reducer ของ Messages
Compile Graph และแสดง Diagram เพื่อตรวจ Logic
Lab: Graph รับคำถาม ค้นข้อมูล และสรุปคำตอบพร้อมอ้างอิง

Section 8: Lab: Agentic RAG

ให้ Agent ตัดสินใจเองว่าต้องค้นข้อมูลหรือตอบได้ทันที
ตรวจความเกี่ยวข้องของเอกสารที่ค้นได้ก่อนนำไปตอบ
เขียนคำถามใหม่แล้ววนค้นซ้ำเมื่อผลยังไม่ดีพอ
ตรวจคำตอบว่าอิงจากเอกสารจริง และกำหนดจำนวนรอบสูงสุด
Lab: Agent ตอบคำถามนโยบายพร้อมแหล่งอ้างอิงทุกคำตอบ

Section 9: ความจำและ Persistence

Short-term Memory ด้วย Checkpointer และ thread_id
เปลี่ยนจาก InMemorySaver เป็น PostgresSaver สำหรับใช้งานจริง
จัดการประวัติแชทยาว: ตัด สรุป และควบคุมจำนวน Token
Long-term Memory ด้วย Store สำหรับข้อมูลที่ผู้ใช้ให้ไว้
Lab: Chatbot ที่จำบริบทได้แม้รีสตาร์ตเซิร์ฟเวอร์

Section 10: Lab: Tool, MCP และ Human-in-the-loop

ให้ Agent เรียก Tool ภายใน เช่น ค้นฐานข้อมูลหรือระบบหลังบ้าน
ต่อ Agent กับ MCP Server ภายในองค์กร
หยุดรอให้คนอนุมัติด้วย interrupt แล้วทำต่อด้วย Command
จำกัดสิทธิ์ของ Tool และบันทึกทุกการเรียกใช้
Lab: Agent สร้างคำขอที่ต้องผ่านการอนุมัติก่อนบันทึก

Day 3 จาก Prototype สู่ระบบที่ใช้งานจริง

Section 11: Lab: Backend API ด้วย FastAPI

โครงสร้างโปรเจกต์แบบแยก Service และการตั้งค่าผ่าน Environment
Endpoint สำหรับแชท ประวัติ และการนำเอกสารเข้า
Async/Await และการเรียก Graph แบบ Asynchronous
Streaming คำตอบทีละ Token ด้วย Server-Sent Events
เอกสาร API อัตโนมัติด้วย OpenAPI และ Swagger UI

Section 12: Lab: หน้าแชทด้วย Chainlit

สร้างหน้าแชทด้วย Python โดยไม่ต้องเขียน HTML หรือ CSS
เชื่อม Chainlit กับ FastAPI Backend แบบ Streaming
แสดงแหล่งอ้างอิงและขั้นตอนการทำงานของ Agent
อัปโหลดไฟล์จากหน้าแชท และเก็บคะแนนความพอใจคำตอบ
ล็อกอินผู้ใช้และแยกประวัติแชทของแต่ละคน

Section 13: ความปลอดภัยและ Guardrail

กำหนดสิทธิ์เข้าถึงเอกสารตามผู้ใช้ด้วย Metadata Filter
ป้องกัน Prompt Injection จากคำถามและจากเนื้อหาในเอกสาร
กรองข้อมูลส่วนบุคคลในคำถามและคำตอบตามแนวทาง PDPA
จำกัดอัตราการเรียกใช้และตั้ง Timeout ทุกชั้นของระบบ
Lab: ทดสอบโจมตี Chatbot ของตัวเองแล้วปิดช่องโหว่

Section 14: วัดคุณภาพและติดตามระบบ

สร้างชุดคำถามทดสอบพร้อมคำตอบที่คาดหวังจากเอกสารจริง
วัดความถูกต้อง การอ้างอิงตรงแหล่ง และอัตราที่ตอบว่าไม่ทราบ
Tracing แบบ Self-hosted ด้วย Langfuse และเก็บ Log อย่างเป็นระบบ
ดู Metrics ของ vLLM เช่น Latency และ Throughput
Lab: วัดผลก่อนและหลังปรับ Prompt กับ Retrieval

Section 15: Workshop: Capstone ระบบเต็มรูปแบบ

รวม vLLM หรือ Ollama, Qdrant, PostgreSQL, Backend และ UI ใน docker-compose.yml
Health Check, Volume และการสำรองข้อมูลของแต่ละ Service
แนวทางขยายระบบเมื่อผู้ใช้เพิ่ม และการแยกเครื่อง GPU
นำเสนอผลงาน รีวิวร่วมกัน และสรุป Checklist ก่อนขึ้นระบบจริง

รอบอบรมและรูปแบบการอบรม

สำหรับบุคคล — รอบอบรมทั่วไป

15–17มิถุนายน

ในคลาสเรียน15–17 มิ.ย. 70

เหลือ 20 ที่นั่ง

สำหรับองค์กร — In-house / Private Training

ปรับเนื้อหาให้ตรงกับเครื่องมือและงานจริงของทีม
เลือกวันเอง อบรมที่บริษัทหรือออนไลน์สด
ออกใบเสนอราคาในนามนิติบุคคลให้ฝ่ายจัดซื้อ

ขอใบเสนอราคาอบรมองค์กร

วิทยากรผู้สอน

สามิตร โกยมCEO ที่สถาบันไอทีจีเนียส

คำถามที่พบบ่อย

LangGraph ต่างจาก LangChain แบบ Chain อย่างไร

Chain รุ่นเดิมทำงานเป็นเส้นตรงตามลำดับที่กำหนดไว้ ส่วน LangGraph มองงานเป็นกราฟที่มี Node เป็นขั้นตอน Edge เป็นเส้นเชื่อม และ State เป็นหน่วยความจำกลาง จึงวนกลับไปทำซ้ำ แตกเส้นทางตามเงื่อนไข หยุดรอให้คนอนุมัติ และบันทึกสถานะไว้ทำต่อได้ ใน LangChain 1.x ตัว create_agent เองก็ทำงานอยู่บน LangGraph หลักสูตรนี้จึงใช้ LangChain สำหรับเชื่อมโมเดลและ Tool และใช้ LangGraph ออกแบบ Flow ของ Agent

vLLM กับ Ollama ต่างกันอย่างไร ควรใช้ตัวไหน

Ollama ติดตั้งง่ายและรันโมเดลขนาดเล็กบนโน้ตบุ๊กหรือเครื่องที่ไม่มี GPU ได้ เหมาะกับช่วงพัฒนาและทดลอง ส่วน vLLM เป็น Inference Engine สำหรับเซิร์ฟเวอร์ GPU ที่ใช้ PagedAttention และ Continuous Batching จึงรองรับผู้ใช้พร้อมกันได้มาก ทั้งสองตัวเปิด API ที่เข้ากันได้กับ OpenAI โค้ด LangChain เดียวกันจึงสลับไปมาได้ด้วยการเปลี่ยน base_url

นำเอกสารองค์กรเข้า Qdrant และค้นหาให้แม่นทำอย่างไร

อ่านไฟล์แล้วตัดเป็นท่อน (Chunking) ขนาดพอเหมาะโดยให้ซ้อนกันเล็กน้อย แปลงแต่ละท่อนเป็นเวกเตอร์ด้วย Embedding Model ที่รองรับภาษาไทยและรันในเครื่อง แล้วบันทึกลง Collection พร้อม Metadata เช่น แหล่งที่มาและหน่วยงาน เวลาค้นหาใช้ Hybrid Search ที่รวมผลแบบ Dense กับ Sparse เพื่อจับทั้งความหมายและคำเฉพาะ แล้วจัดอันดับใหม่ด้วย Reranker และกรองด้วย Metadata ตามสิทธิ์ของผู้ใช้

หลักสูตร On-Premise AI Chatbots with LangChain and LangGraph เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับ Software Developer และ AI Engineer ที่อยากย้ายจาก Cloud API มาทำระบบเอง Data Scientist ที่ต้องการนำโมเดลไปใช้เป็นแอป Tech Lead และทีม IT Infrastructure หรือ DevOps ที่ต้องดูแล AI Server ในองค์กร ควรเขียน Python เบื้องต้นได้ เข้าใจ REST API และเคยใช้คำสั่ง Docker พื้นฐาน ไม่จำเป็นต้องมีเครื่องที่มี GPU

เรียนจบหลักสูตร On-Premise AI Chatbots with LangChain and LangGraph แล้วทำอะไรได้บ้าง

รันโมเดลโอเพนซอร์สด้วย Ollama และ vLLM สร้าง RAG ภาษาไทยด้วย Qdrant และ Hybrid Search ออกแบบ Agent ด้วย LangGraph ที่ตรวจคำตอบเอง จำบทสนทนา เรียก Tool หรือ MCP Server และรอคนอนุมัติได้ ทำ Backend FastAPI แบบ Streaming กับหน้าแชท Chainlit วาง Guardrail และวัดคุณภาพคำตอบ แล้วรวมทั้งระบบใน Docker Compose ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้

จัดอบรมหลักสูตร On-Premise AI Chatbots with LangChain and LangGraph ให้ทีมในองค์กรได้ไหม

ได้ หลักสูตรนี้จัดเป็นการอบรมแบบ In-house ให้ทีมในองค์กรได้ และปรับตัวอย่างให้ตรงกับงานของทีม เช่น ฝึกสร้าง Chatbot จากเอกสารตัวอย่างที่ใกล้เคียงคู่มือหรือนโยบายขององค์กร ขอใบเสนอราคาได้จากหน้านี้ หรือติดต่อทาง LINE @itgenius โทร 02-570-8449