หลักสูตร AI Chatbots with LangChain.js, Next.js and Supabase เป็นการอบรมแบบเวิร์กชอปสร้าง AI Chatbot ที่ตอบจากเอกสารองค์กรด้วย RAG บน Next.js, LangChain.js และ Supabase พร้อมระบบสมาชิกและ pgvector เหมาะกับ Web Developer นักพัฒนา TypeScript และ Tech Lead จบแล้วได้ Chatbot ที่ Deploy ใช้งานจริงได้
องค์กรจำนวนมากมีความรู้กระจายอยู่ในคู่มือ นโยบาย สเปกสินค้า และเอกสารภายในนับร้อยไฟล์ พนักงานเสียเวลาค้นหาและถามคำถามเดิมซ้ำ ๆ AI Chatbot ที่ตอบจากเอกสารเหล่านี้ได้อย่างถูกต้อง อ้างอิงแหล่งที่มาได้ และรู้ว่าผู้ใช้แต่ละคนมีสิทธิ์เห็นข้อมูลใด จึงกลายเป็นระบบที่หลายองค์กรอยากมี แต่การทำให้ใช้งานได้จริงต้องอาศัยทั้งงาน AI งานเว็บ และงานฐานข้อมูลไปพร้อมกัน
หลักสูตรนี้พาผู้เรียนสร้าง AI Chatbot สำหรับองค์กรด้วย TypeScript ตั้งแต่ต้นจนขึ้นระบบจริง ใช้ Next.js 16 สร้างทั้งหน้าแชทและ API ในโปรเจกต์เดียว ใช้ LangChain.js 1.x เชื่อมโมเดลจากหลายผู้ให้บริการพร้อมตอบแบบ Streaming และสร้าง Agent ด้วย createAgent ใช้ Supabase ทำระบบสมาชิก เก็บประวัติแชทที่ป้องกันด้วย Row Level Security และเก็บเอกสารเป็นเวกเตอร์ด้วย pgvector จากนั้นทำ RAG ที่แสดงแหล่งอ้างอิง ปรับการค้นหาให้แม่นขึ้น วัดคุณภาพคำตอบ เพิ่ม Tool Calling และ MCP วาง Guardrail แล้ว Deploy บน Vercel หรือ Docker ปิดท้ายด้วย Capstone สร้าง Chatbot ขององค์กรครบทั้งระบบ (อบรม 4 วัน วันละ 6 ชั่วโมง รวม 24 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ของหลักสูตรสร้าง AI Chatbots สำหรับองค์กรด้วย LangChain.js, Next.js และ Supabase เนื้อหาเขียนใหม่ให้ตรงกับ LangChain.js 1.x และ Next.js 16 อบรม 4 วัน วันละ 6 ชั่วโมง รวม 24 ชั่วโมง (09:00-16:00 น.) รูปแบบ Workshop ที่ต่อยอดโปรเจกต์เดียวตลอดหลักสูตรบนชุดคู่มือและนโยบายองค์กรสมมติภาษาไทย ระดับ Intermediate เทียบกับรุ่นเดิมได้เปลี่ยนจาก LLMChain และ Agent Executor
มาใช้ createAgent กับ Middleware ใช้ proxy.ts ของ Next.js 16 และ @supabase/ssr กับคีย์รุ่นใหม่ของ Supabase และเพิ่ม Agentic RAG, Hybrid Search, การวัดคุณภาพคำตอบ, MCP และ Guardrail Framework เป็นโอเพนซอร์ส Supabase และ Vercel มีแพ็กเกจใช้ฟรี ส่วนการเรียก API ของผู้ให้บริการ LLM ใช้บัญชีของผู้เรียนเอง ผู้เรียนจะได้ Lab Guide ซอร์สโค้ดครบทุก Lab และสคริปต์ SQL สำหรับ Supabase กลับไปใช้งานต่อ
Section 1: Lab: ภาพรวม AI Chatbot และเตรียมโปรเจกต์
Section 2: Lab: AI API ด้วย Route Handler ใน Next.js 16
Section 3: Lab: LangChain.js 1.x เชื่อมโมเดลภาษา
Section 4: Lab: ตอบแบบ Streaming
Section 5: Lab: หน้าแชทด้วย shadcn/ui
Section 6: Lab: เริ่มต้น Supabase
Section 7: Lab: ระบบสมาชิกด้วย Supabase Auth
Section 8: Lab: ประวัติแชทและ Row Level Security
Section 9: Lab: ให้ AI จำบทสนทนา
Section 10: แนวคิด RAG และ Embedding
Section 11: Lab: Pipeline นำเอกสารเข้าระบบ
Section 12: Lab: Agentic RAG ด้วย createAgent
Section 13: Lab: ค้นหาให้แม่นขึ้น
Section 14: Lab: วัดคุณภาพคำตอบ
Section 15: Lab: Tool Calling และ MCP
Section 16: ความปลอดภัยและ Guardrail
Section 17: Lab: Deploy ขึ้นใช้งานจริง
Section 18: Workshop: Capstone Chatbot องค์กร
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
RAG เริ่มจากโหลดเอกสาร เช่น PDF หรือ DOCX แล้วตัดเป็นท่อนย่อย แปลงแต่ละท่อนเป็น Embedding หรือเวกเตอร์ตัวเลข และเก็บไว้ในฐานข้อมูลอย่าง pgvector บน Supabase เมื่อผู้ใช้ถาม ระบบจะค้นท่อนที่ความหมายใกล้กับคำถามที่สุด แล้วส่งให้ LLM ตอบจากเนื้อหานั้นพร้อมอ้างอิงแหล่งที่มา ในแบบ Agentic RAG ตัว Agent จะตัดสินใจเองว่าต้องค้นเอกสารเมื่อไร Chatbot จึงตอบตามคู่มือหรือนโยบายจริงขององค์กรได้โดยไม่ต้องฝึกโมเดลใหม่
สร้างไฟล์ route.ts ในโฟลเดอร์ตามเส้นทางที่ต้องการ เช่น app/api/chat/route.ts แล้ว export ฟังก์ชันตามชื่อ HTTP Method เช่น async function POST ที่รับอ็อบเจกต์ Request อ่านข้อมูลด้วย await request.json() ตรวจข้อมูลด้วย Zod แล้วส่งกลับเป็น JSON หรือ Response แบบ Stream สำหรับคำตอบของ AI คีย์ลับของผู้ให้บริการ LLM ให้เก็บใน .env.local และใช้เฉพาะฝั่ง Server ส่วนงานรีเฟรช Session ก่อนเข้าแต่ละหน้า Next.js 16 ใช้ไฟล์ proxy.ts แทน middleware.ts เดิม
Row Level Security หรือ RLS คือความสามารถของ PostgreSQL ที่ Supabase ใช้กำหนดว่าผู้ใช้แต่ละคนอ่านหรือแก้แถวข้อมูลใดได้บ้าง ทำได้โดยเปิด RLS บนตาราง แล้วสร้าง Policy เช่น ให้อ่านตาราง messages ได้เฉพาะแถวที่ user_id ตรงกับ auth.uid() ของผู้ที่ล็อกอินอยู่ แม้ Client จะเรียกฐานข้อมูลโดยตรง ผู้ใช้ก็เห็นได้เฉพาะประวัติแชทของตัวเอง และใช้หลักเดียวกันจำกัดว่าทีมใดเห็นเอกสารใดในระบบ RAG ได้
เหมาะกับ Web Developer ทั้งสาย Frontend และ Full-stack นักพัฒนา JavaScript หรือ TypeScript, Solution Architect และ Tech Lead รวมถึงทีมในองค์กรที่อยากมีบอทถามตอบจากคู่มือหรือนโยบาย ควรเขียน JavaScript หรือ TypeScript และเคยใช้ React หรือ Next.js เบื้องต้น เข้าใจ REST, HTTP, ไฟล์ .env และ Git ถ้ารู้ SQL เบื้องต้นจะช่วยได้มาก
สร้างแอป Full-stack ด้วย Next.js 16 ที่มีหน้าแชทจาก shadcn/ui และ AI API ใช้ LangChain.js 1.x เชื่อมโมเดลจากหลายผู้ให้บริการพร้อมตอบแบบ Streaming ทำระบบสมาชิกด้วย Supabase Auth เก็บประวัติแชทพร้อม RLS ให้ AI ตอบจากเอกสารองค์กรด้วย Agentic RAG ที่แสดงแหล่งอ้างอิง วัดคุณภาพคำตอบ เพิ่ม Tool และ MCP วาง Guardrail และ Deploy บน Vercel หรือ Docker ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
ต้องมีโน้ตบุ๊กส่วนตัวที่เป็น Windows, macOS หรือ Linux และติดตั้ง Node.js, VS Code และ Docker Desktop ได้ ระหว่างอบรมจะสร้างโปรเจกต์ Supabase และบัญชี Vercel แบบใช้ฟรี จึงควรมีบัญชีอีเมลหรือ GitHub สำหรับสมัครบริการออนไลน์ และควรมีบัญชีของผู้ให้บริการ LLM อย่างน้อยหนึ่งราย เช่น OpenAI, Anthropic, Google หรือ Groq ซึ่งอาจมีค่าใช้จ่ายตามการใช้งาน
Machine Learning ยังเป็นหัวใจของงาน AI ในองค์กร ทั้งการพยากรณ์ยอดขาย คัดกรองลูกค้า จัดหมวดเอกสาร หรือตรวจจับความผิดปกติ และงานข้อมูลแบบตารางจำนวนมากยังได้ผลดีและคุ้มค่ากว่าเมื่อใช้โมเดลคลาสสิกแทน Deep Learning…
Deep Learning คือกลไกเบื้องหลังระบบ AI ที่ใช้อยู่ทุกวัน ทั้งการจำแนกภาพ ตรวจจับวัตถุจากกล้อง วิเคราะห์ความรู้สึกจากข้อความ ไปจนถึงโมเดลภาษาขนาดใหญ่ แต่เครื่องมือเปลี่ยนเร็วมาก โค้ดแบบ TensorFlow 1 และ Keras 2 ที่เคยสอนกันใช้ไม่ได้แล้ว ไลบรารีหลักอย่าง Hugging…
องค์กรจำนวนมากมีข้อมูลอยู่ในมือแล้ว แต่ยังนำมาสร้างโมเดลพยากรณ์หรือแบ่งกลุ่มลูกค้าไม่ได้ เพราะทีมงานไม่ถนัดเขียนโปรแกรม KNIME Analytics Platform เป็นเครื่องมือโอเพนซอร์สที่สร้างงานวิเคราะห์ข้อมูลด้วยการต่อ Node เป็น Workflow…
