หลักสูตร Agentic AI Development using n8n and MCP เป็นการอบรมสร้าง AI Agent ด้วย n8n ตั้งแต่แนวคิด ReAct ติดตั้งด้วย Docker เชื่อม MCP Server กับ Slack และ MSSQL และทำ RAG ด้วย Qdrant เหมาะกับนักพัฒนา ผู้ใช้ n8n และทีม IT ที่ดูแล n8n เอง จบแล้วได้ Customer Service Agent ที่ตอบลูกค้าจากข้อมูลจริง
งานอัตโนมัติแบบเดิมทำงานตามเงื่อนไขที่เขียนไว้ล่วงหน้า พอเจอข้อความที่ไม่ตรงรูปแบบหรือคำถามที่ต้องดูข้อมูลหลายแหล่งประกอบกันก็ไปต่อไม่ได้ Agentic AI เปลี่ยนโจทย์นี้ด้วยการให้ LLM เป็นผู้ตีความ วางแผน และเลือกเครื่องมือเองว่าต้องดึงข้อมูลอะไร จากที่ไหน แล้วค่อยตอบหรือลงมือทำ ความท้าทายคือจะต่อ LLM เข้ากับระบบอีเมล แชท ฐานข้อมูล และเอกสารขององค์กรอย่างไรให้ทำงานได้จริงและควบคุมได้
หลักสูตรนี้ใช้ n8n เป็นแกนกลางในการประกอบ AI Agent และใช้ Model Context Protocol (MCP) เป็นช่องทางมาตรฐานให้ Agent เข้าถึงเครื่องมือและข้อมูล ผู้เรียนเริ่มจากแนวคิด Agentic AI และรูปแบบการคิดอย่าง ReAct, Reflexion และ Chain-of-Thought จากนั้นลงมือบน n8n Cloud สร้างระบบคัดแยกและตอบอีเมลด้วย AI
ก่อนย้ายมาติดตั้ง n8n Community Edition ด้วย Docker เชื่อม MCP Server กับ Slack และฐานข้อมูล MSSQL และสร้างระบบ RAG ด้วย Qdrant แล้วประกอบทั้งหมดเป็น Customer Service Agent ที่ตอบลูกค้าจากประวัติธุรกรรมและนโยบายจริง รองรับบทสนทนาหลายรอบ ส่งต่อเจ้าหน้าที่เมื่อจำเป็น และพร้อมขยายสู่ Production (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ต่อเนื่องกับ Use Case เดียวตลอดสามวัน ระดับ Intermediate วันแรกทำงานบน n8n Cloud ส่วนวันที่ 2 และ 3 ทำงานบนเครื่องของผู้เรียนด้วย Docker ผู้เรียนเตรียมบัญชี Gmail, Slack และ OpenAI API Key ที่มีเครดิตมาเอง ค่าใช้ OpenAI API
เป็นไปตามการใช้งานจริง หลักสูตรนี้เน้นการสร้าง AI Agent ด้วย n8n และ MCP มากกว่าพื้นฐาน Workflow Automation ผู้ที่ต้องการปูพื้น n8n ให้แน่นก่อน แนะนำหลักสูตร สร้างระบบ Workflow Automation ด้วย n8n สำหรับธุรกิจยุคใหม่ ผู้เรียนจะได้ Lab Guide ไฟล์ Workflow ครบทุก Lab และไฟล์ docker-compose สำหรับ n8n, MCP Server, MSSQL และ Qdrant กลับไปใช้งานต่อ
Section 1: Agentic AI และรูปแบบการคิดของ Agent
ความหมายของ Agentic AI และความต่างจากงานอัตโนมัติแบบกำหนดเงื่อนไขตายตัว
องค์ประกอบหลัก: Perception, Planning, Reasoning, Memory และ Action
ReAct: ให้ Agent คิดสลับกับการเรียกเครื่องมือจนได้คำตอบ
Reflexion: ให้ Agent ทบทวนผลลัพธ์ของตนเองแล้วปรับแก้
Chain-of-Thought และการเลือกรูปแบบให้เหมาะกับงานและค่าใช้จ่าย
ตัวอย่างการใช้งานจริงในงานบริการลูกค้า งานเอกสาร และงานปฏิบัติการ
Section 2: สถาปัตยกรรมของ n8n
แนวคิด Low-code / No-code Workflow Automation และตำแหน่งของ n8n
องค์ประกอบหลัก: Node, Connection, Workflow และ Credential
Runtime Architecture และรูปแบบการ Execute ของ Workflow
เปรียบเทียบ n8n Cloud กับ Self-hosted
ความต่างระหว่าง Community Edition กับ Enterprise Edition
Section 3: Node สำคัญสำหรับงาน Agentic AI
Trigger Node: Webhook, Gmail และ Schedule
AI Node: OpenAI และ Text Classifier สำหรับจัดหมวดข้อความ
Communication Node: Gmail, Slack และ HTTP Request
Data Processing Node: Code, JSON และ Split in Batches
Database Node (MSSQL, MongoDB) และ Utility Node (IF, Switch, Merge)
Section 4: Lab: n8n Cloud และระบบคัดแยกอีเมลด้วย AI
สมัครและตั้งค่าบัญชี n8n Cloud พร้อมแนวปฏิบัติที่ดีบน Cloud
เชื่อม Credential ของ Gmail และ OpenAI อย่างปลอดภัย
ตั้งค่า Gmail Trigger ให้รับอีเมลใหม่เข้ามาใน Workflow
ใช้ Text Classifier แยกอีเมลเป็นหมวดงาน ส่วนตัว ท่องเที่ยว และอื่น ๆ
ใช้ IF / Switch Node ส่งอีเมลแต่ละหมวดไปยังเส้นทางที่ต่างกัน
Section 5: Lab: ตอบอีเมลและนัดหมายอัตโนมัติ
เชื่อม OpenAI Model เข้ากับ Workflow ที่คัดแยกอีเมลไว้แล้ว
เขียน Prompt ให้ร่างคำตอบตรงบริบทและน้ำเสียงที่ต้องการ
ตั้งค่า Gmail Node ให้ส่งคำตอบกลับอัตโนมัติ
สร้างนัดหมายใน Google Calendar จากเนื้อหาในอีเมล
ทดสอบ Workflow ทั้งเส้นและตรวจผลจาก Execution Log
Section 6: Lab: ติดตั้ง n8n Community Edition ด้วย Docker
เตรียมเครื่องและติดตั้ง Docker กับ Docker Compose
เขียนและปรับแต่งไฟล์ docker-compose.yml สำหรับ n8n
รัน n8n และเข้าใช้งานผ่านหน้าเว็บบนเครื่องของตนเอง
ตั้งค่า Environment Variables และการเก็บ Credentials อย่างปลอดภัย
ย้าย Workflow จาก n8n Cloud มาทำงานบน Self-hosted
Section 7: Lab: MCP Server กับ n8n
สถาปัตยกรรม MCP: Host, Client, Server และการเปิดเครื่องมือให้ Agent
ติดตั้ง MCP Server ด้วย Docker และตั้งค่าการทำงาน
เชื่อม MCP Server เข้ากับ n8n เพื่อให้ Agent เรียกใช้เครื่องมือได้
ทดสอบการทำงานของ MCP Server และตรวจผลการเรียกเครื่องมือ
Section 8: Lab: เชื่อม Slack เข้ากับ Workflow
สร้าง Slack App และขอ API Token พร้อมกำหนดสิทธิ์ที่จำเป็น
ตั้งค่า Webhook และ Event Subscriptions ให้ n8n รับข้อความได้
เชื่อม Slack เข้ากับ Workflow ของ n8n
ทดสอบการรับและส่งข้อความผ่าน Slack API
Section 9: Lab: ฐานข้อมูล MSSQL ผ่าน MCP
ติดตั้ง Microsoft SQL Server บน Docker และเตรียมข้อมูลลูกค้าจำลอง
ตั้งค่าการเชื่อมต่อฐานข้อมูลผ่าน MCP Server
ให้ Agent ดึงข้อมูลธุรกรรมของลูกค้าและทดสอบผลลัพธ์
จำกัดสิทธิ์ของบัญชีฐานข้อมูลให้ Agent เข้าถึงเท่าที่จำเป็น
Section 10: Lab: ระบบ RAG ด้วย Qdrant
แนวคิด Retrieval-Augmented Generation และประโยชน์ต่องานตอบคำถาม
ติดตั้ง Vector Database Qdrant บน Docker
นำเอกสารนโยบายบริการลูกค้าเข้า Qdrant ด้วย OpenAI Embeddings
สร้างส่วน Retrieval และเชื่อมระบบ RAG เข้ากับ MCP Server
ทดสอบการค้นหานโยบายที่เกี่ยวข้องกับคำถามของลูกค้า
Section 11: ออกแบบ Customer Service Agent
ออกแบบ User Flow และลำดับบทสนทนากับลูกค้า
กลยุทธ์การจัดการ Context ให้ Agent รู้ว่ากำลังคุยเรื่องอะไรกับใคร
การออกแบบ System Prompt และ Prompt ให้ตอบตรงนโยบาย
วางแผนการจัดการข้อมูล และขั้นตอนสร้างคำตอบจากหลายแหล่ง
Section 12: Lab: สร้าง Customer Service Agent
สร้าง Workflow รับข้อความจาก Slack และให้ Agent ตีความคำถาม
ดึงประวัติธุรกรรมของลูกค้าจาก MSSQL ผ่าน MCP
ค้นหานโยบายที่เกี่ยวข้องจาก Qdrant
สร้างคำตอบด้วย AI จากข้อมูลลูกค้าและนโยบาย แล้วตอบกลับทาง Slack
บันทึกประวัติบทสนทนาลง MSSQL เพื่อใช้อ้างอิงต่อ
Section 13: Lab: จัดการบทสนทนาที่ซับซ้อน
รองรับบทสนทนาหลายรอบ (Multi-turn Conversation)
กลยุทธ์การจดจำ Context ข้ามข้อความ
Fallback เมื่อ Agent ไม่มั่นใจ และการส่งต่อเจ้าหน้าที่ (Human Handoff)
ปรับ Prompt ให้คำตอบเป็นไปตามนโยบายอย่างสม่ำเสมอ
Section 14: Performance Tuning และการ Scale
วิเคราะห์ประสิทธิภาพและหาจุดคอขวดของ Workflow
ปรับการตั้งค่า Docker ให้พร้อมสำหรับ Production
กลยุทธ์การ Scale ทั้ง n8n และ MCP Server เมื่อปริมาณงานเพิ่มขึ้น
สรุปแนวทางนำ Agent ไปใช้กับงานจริงขององค์กร
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
ReAct (Reasoning and Acting) ให้ Agent คิดสลับกับลงมือ คือคิดว่าควรทำอะไร เรียกเครื่องมือ ดูผลที่ได้ แล้วคิดขั้นต่อไปวนจนได้คำตอบ เหมาะกับงานที่ต้องค้นข้อมูลหรือเรียกระบบหลายครั้ง ส่วน Reflexion ให้ Agent ทบทวนผลลัพธ์ของตัวเองหลังทำเสร็จ หาจุดผิด แล้วนำข้อสรุปไปปรับในรอบถัดไป ช่วยให้คุณภาพดีขึ้นแต่ใช้เวลาและ Token มากขึ้น จึงควรเลือกตามความซับซ้อนของงานและงบที่ใช้ได้
ติดตั้ง Docker และ Docker Compose บนเครื่องหรือเซิร์ฟเวอร์ จากนั้นเขียนไฟล์ docker-compose.yml ที่ใช้ Image ของ n8n เปิดพอร์ต 5678 ผูก Volume กับโฟลเดอร์ข้อมูลของ n8n เพื่อไม่ให้ Workflow และ Credential หายเมื่อสร้าง Container ใหม่ และตั้ง Environment Variable เช่น N8N_ENCRYPTION_KEY และ Timezone แล้วสั่ง docker compose up -d และเข้าใช้งานผ่านเบราว์เซอร์ที่ localhost:5678
เริ่มจากสร้าง Workflow นำเข้าเอกสาร โดยแบ่งเอกสารนโยบายเป็นช่วงสั้น ๆ แปลงเป็นเวกเตอร์ด้วย OpenAI Embeddings แล้วบันทึกลง Qdrant Vector Store จากนั้นใน Workflow ของ AI Agent ให้ต่อ Qdrant เป็นเครื่องมือค้นเอกสาร เมื่อลูกค้าถาม Agent จะค้นช่วงเอกสารที่ใกล้เคียงคำถามมาประกอบคำตอบ ควรกำหนดใน System Prompt ให้ตอบจากเอกสารที่ค้นได้เท่านั้น และบอกตรง ๆ เมื่อไม่พบข้อมูล
เหมาะกับนักพัฒนาที่อยากสร้าง AI Agent ที่ต่อกับระบบจริงขององค์กร ผู้ที่ใช้ n8n อยู่แล้วและอยากยกระดับสู่ Agentic AI Business Analyst หรือ Project Manager ที่ออกแบบระบบบริการลูกค้าอัตโนมัติ และทีม IT ที่ดูแล n8n แบบ Self-hosted ควรใช้คอมพิวเตอร์คล่องและเข้าใจพื้นฐาน API Webhook และ JSON ถ้าเขียนโค้ดได้เล็กน้อยจะช่วยได้ แต่ไม่จำเป็นต้องเป็นโปรแกรมเมอร์
ติดตั้ง n8n Community Edition ด้วย Docker Compose และจัดการ Credential อย่างปลอดภัย สร้าง Workflow คัดแยกและตอบอีเมลพร้อมนัดหมายใน Google Calendar เชื่อม MCP Server ให้ Agent ดึงข้อมูลจาก MSSQL ต่อ Slack เข้ากับ Workflow และสร้าง Customer Service Agent ที่ตอบจากเอกสารด้วย RAG บน Qdrant พร้อมส่งต่อเจ้าหน้าที่เมื่อจำเป็น ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
เตรียมบัญชี Gmail และ Slack สำหรับทดสอบ และ OpenAI API Key ที่เติมเครดิตแล้ว และนำโน้ตบุ๊กที่ติดตั้ง Docker Desktop ได้พร้อมสิทธิ์ติดตั้งโปรแกรมมาด้วย เพราะ Lab ช่วงหลังรัน n8n MCP Server MSSQL และ Qdrant บนเครื่องของผู้เรียน ผู้เรียนจะได้ Lab Guide ไฟล์ Workflow และไฟล์ docker-compose ทุก Lab กลับไปใช้งานต่อ
งานซ้ำ ๆ อย่างการคัดลอกข้อมูลจากฟอร์มลงตาราง ส่งอีเมลยืนยัน สรุปยอดประจำวัน หรือแจ้งเตือนทีมเมื่อมีคำสั่งซื้อใหม่ กินเวลาพนักงานไปมากในแต่ละสัปดาห์ Workflow Automation ช่วยให้ระบบต่าง ๆ ทำงานต่อกันเองโดยอัตโนมัติ n8n เป็นเครื่องมือแบบ Fair-code…
AI ยุคนี้ไม่ได้เป็นแค่แชทบอทที่ตอบคำถาม แต่เป็น Agentic AI ที่วางแผนและลงมือทำงานแทนเราได้ โดยมีมาตรฐานเปิดสองตัวเป็นแกนกลาง คือ MCP (Model Context Protocol) ที่ให้ AI เรียกใช้เครื่องมือ ไฟล์ และฐานข้อมูลได้แบบมาตรฐานเดียว และ A2A (Agent2Agent) ที่ให้ Agent…
โมเดล AI ทั่วไปเก่งเรื่องภาษาก็จริง แต่ไม่รู้จักข้อมูลภายในองค์กรของคุณ ไม่ว่าจะเป็นคู่มือ นโยบาย สัญญา ข้อมูลลูกค้า หรือองค์ความรู้ที่สั่งสมมา เมื่อถามเรื่องเฉพาะขององค์กร AI จึงมักตอบมั่ว (Hallucination) หรือตอบจากข้อมูลทั่วไปที่ไม่ตรงบริบท…
