หลักสูตร AI Coding Agent for SDLC เป็นการอบรมการวาง AI Agent ลงในทุกเฟสของการพัฒนาซอฟต์แวร์ ตั้งแต่วางแผนและแตก Task เตรียม Context ด้วย AGENTS.md พัฒนา Frontend และ Backend ใช้ MCP และ Subagents จนถึง Code Review และ Deployment เหมาะกับนักพัฒนาที่ใช้ AI อยู่แล้ว Tech Lead และ DevOps Engineer
นักพัฒนาส่วนใหญ่ใช้ AI ช่วยเขียนโค้ดกันแล้ว แต่ยังใช้แบบสั่งทีละงานแล้วคัดลอกผลลัพธ์มาวาง ซึ่งได้ประโยชน์แค่ช่วงเขียนโค้ดเท่านั้น ขณะที่เวลาจริงของทีมพัฒนาหมดไปกับการวางแผน แตกงาน ทบทวนโค้ด ทดสอบ ไล่ปัญหา และงาน Deploy กับงานดูแลระบบหลังบ้านมากกว่าการพิมพ์โค้ดเสียอีก หลักสูตรนี้จัดเนื้อหาตามเฟสของ Software Development Lifecycle แล้ววาง AI Agent ลงในทุกเฟสอย่างเป็นระบบ ผู้เรียนจะเข้าใจกลไกการทำงานของ Agent ตั้งแต่ Agentic Loop, Context Window, Permission และการคุมค่าใช้จ่าย
จากนั้นลงมือใช้จริงตั้งแต่การวางแผนและแตก Requirement เป็น Task ที่ Agent ทำต่อได้ การเตรียม Context ด้วยไฟล์อย่าง AGENTS.md และ Design System เพื่อให้ผลลัพธ์ตรงมาตรฐานทีม การพัฒนา Frontend และ Backend แบบทีละรอบพร้อมรับมือ Error และ Log การต่อความสามารถด้วย MCP, Skills, Subagents, Hooks และ Plugins การให้ Agent ช่วยเขียน Test ทบทวนโค้ด ตรวจความปลอดภัยและวาง Quality Gate ก่อน Merge การทำ E2E ด้วย Playwright ไปจนถึงการใช้ Agent ช่วยงาน Deployment งาน Routine และการสร้างเอกสารอัตโนมัติ ปิดท้ายด้วย Capstone ที่เดินครบทุกเฟสกับฟีเจอร์จริงหนึ่งชุด (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 ต่อเนื่องกับโปรเจกต์เดียวตลอดสามวัน ระดับ Intermediate ผู้เรียนต้องเขียนโปรแกรมได้และเตรียมบัญชีสำหรับใช้งาน AI Coding Agent มาเอง หลักสูตรนี้เน้นวิธีคิดและการวาง Workflow ตามเฟสของ SDLC มากกว่าการเจาะลึกเครื่องมือใดเครื่องมือหนึ่ง จึงนำไปปรับใช้กับ Agent ตัวอื่นได้เมื่อเทคโนโลยีเปลี่ยน ผู้ที่ต้องการลงลึกความสามารถของ Claude Code โดยเฉพาะ แนะนำหลักสูตร Claude Code Roadmap 12 Units แยกต่างหาก ผู้เรียนจะได้ Lab Guide ไฟล์ Context Template (AGENTS.md, DESIGN.md) และ Source Code ตัวอย่างครบทุก Lab กลับไปใช้งานจริง
Section 1: AI Coding Agent ทำงานอย่างไร
ความต่างระหว่างการถาม AI ทีละคำถามกับการมอบงานให้ Agent ทำเป็นรอบ
Agentic Loop: การวิเคราะห์ ลงมือ ตรวจผล และแก้ไขจนงานสำเร็จ
Context Window และผลของบริบทที่ยาวเกินไปต่อคุณภาพของผลลัพธ์
Agent Harness และ Permission Model ที่กำหนดว่า Agent แตะอะไรได้บ้าง
การประเมินและควบคุมค่าใช้จ่ายด้าน Token ไม่ให้บานปลาย
Section 2: เลือกและตั้งค่าเครื่องมือให้เหมาะกับทีม
ประเภทของ AI Coding Agent ที่ใช้กันจริงและความต่างที่ส่งผลต่องาน
เกณฑ์การเลือกเครื่องมือให้เหมาะกับ Technology Stack และงบประมาณ
การตั้งค่าสิทธิ์ให้ Agent ทำงานได้คล่องแต่ยังปลอดภัยกับ Codebase
ข้อควรระวังเรื่องข้อมูลลับขององค์กรเมื่อใช้เครื่องมือภายนอก
Lab: ติดตั้งและตั้งค่า Agent ให้พร้อมทำงานกับโปรเจกต์ของตนเอง
Section 3: วางแผนงานร่วมกับ AI
การใช้ AI ช่วย Research ทางเลือกและเปรียบเทียบข้อดีข้อเสียก่อนตัดสินใจ
การให้ AI ตั้งคำถามกลับเพื่อปิดช่องว่างของ Requirement ก่อนเริ่มงาน
การแตก Requirement เป็น Task และ Issue ที่มีขอบเขตชัดพอให้ Agent ทำต่อได้
การจัดลำดับงานและการประเมินว่างานไหนควรให้ Agent ทำและงานไหนคนต้องทำเอง
Lab: แตกฟีเจอร์หนึ่งชุดเป็นรายการ Task ที่พร้อมมอบหมายให้ Agent
Section 4: เตรียม Context ด้วย AGENTS.md และ Convention
บทบาทของไฟล์ Context ที่ Agent อ่านก่อนลงมือทุกครั้ง
การเขียน AGENTS.md ระบุ Coding Convention, โครงสร้างโปรเจกต์ และคำสั่งที่ใช้ประจำ
การจัดระเบียบ Context ให้พอดี ไม่ยาวจนกลบข้อมูลสำคัญ
การใช้ Memory เก็บสิ่งที่ต้องจำข้ามรอบการทำงาน
การทำให้ทั้งทีมใช้ Context ชุดเดียวกันผ่าน Git
Lab: เขียนไฟล์ Context ของโปรเจกต์ตนเองแล้วทดสอบผลลัพธ์ก่อนและหลัง
Section 5: Design System และ API Design เป็น Context
การให้ Agent ยึด Design System เดิมแทนการสร้างสไตล์ใหม่ขึ้นมาเอง
การเขียน DESIGN.md อธิบายหน้าตา พฤติกรรม และ Component ที่มีอยู่
การกำหนดสเปก API ให้ชัดก่อน เพื่อให้ฝั่งหน้าจอและฝั่งเซิร์ฟเวอร์ทำงานคู่ขนานได้
การใช้สเปกเป็นสัญญาที่ Agent ต้องทำตามและใช้ตรวจผลลัพธ์ได้
Lab: เขียน DESIGN.md และสเปก API ของฟีเจอร์ที่วางแผนไว้ในหัวข้อก่อนหน้า
Section 6: พัฒนา Frontend ร่วมกับ Agent
การมอบหมายงานหน้าจอเป็นรอบเล็กแทนการสั่งสร้างทั้งหน้าในครั้งเดียว
การให้ Agent ยึด Component และ Design System ที่มีอยู่แล้ว
การตรวจผลลัพธ์ทีละรอบและการสั่งแก้ให้ตรงจุดโดยไม่รื้อทั้งไฟล์
การจัดการ State และการเชื่อมกับ API ตามสเปกที่กำหนดไว้
Lab: พัฒนาหน้าจอของฟีเจอร์จริงร่วมกับ Agent จนใช้งานได้
Section 7: พัฒนา Backend ร่วมกับ Agent
การให้ Agent สร้าง Endpoint ตามสเปก API ที่เขียนไว้
การออกแบบชั้นข้อมูลและการจัดการ Schema ให้ตรวจสอบย้อนกลับได้
การจัดการ Validation, สิทธิ์การเข้าถึง และการจัดการข้อผิดพลาด
การตรวจสิ่งที่ Agent เขียนก่อนรวมเข้ากับโค้ดหลัก
Lab: พัฒนา API ฝั่งเซิร์ฟเวอร์แล้วต่อเข้ากับหน้าจอที่ทำไว้
Section 8: รับมือ Error, Log และ Context ที่เปลี่ยน
การส่งข้อมูลบริบทและ Log ให้ Agent มากพอที่จะหาสาเหตุได้จริง
การจัดการเมื่อ Agent วนแก้ไม่จบและวิธีตัดวงจรนั้น
การรีเซ็ตหรือย่อ Context เมื่อบริบทยาวจนคุณภาพเริ่มตก
การใช้ Git เป็นตาข่ายนิรภัยเพื่อย้อนกลับได้ทุกเมื่อ
Lab: ไล่แก้ปัญหาที่เกิดขึ้นจริงในโปรเจกต์ร่วมกับ Agent
Section 9: ต่อเครื่องมือภายนอกด้วย MCP
แนวคิด Model Context Protocol และสิ่งที่ Agent ทำได้เพิ่มเมื่อเชื่อมเครื่องมือภายนอก
การตั้งค่า MCP Server และการเชื่อมกับฐานข้อมูลหรือ API ขององค์กร
การจำกัดสิทธิ์ของแต่ละการเชื่อมต่อตามหลักให้สิทธิ์เท่าที่จำเป็น
การตรวจสอบว่า Agent เรียกเครื่องมือถูกตัวและได้ผลลัพธ์ที่ใช้ได้
Lab: เชื่อม Agent เข้ากับฐานข้อมูลของโปรเจกต์ผ่าน MCP
Section 10: Skills, Subagents, Hooks และ Plugins
การสร้าง Skills เพื่อเปลี่ยนงานที่ต้องอธิบายซ้ำให้เรียกใช้ได้ทันที
การใช้ Subagents แบ่งงานใหญ่ให้ทำพร้อมกันแล้วรวมผลลัพธ์
การใช้ Hooks แทรกการตรวจสอบอัตโนมัติในจังหวะที่ต้องการ
การใช้ Plugins และการแจกจ่าย Configuration ให้ทั้งทีมใช้ชุดเดียวกัน
Lab: สร้าง Skill และตั้ง Hook สำหรับมาตรฐานการทำงานของทีมตนเอง
Section 11: ให้ Agent เขียน Test และวาง Quality Gate
การเลือกว่าจะให้ Agent เขียน Test ระดับไหนและครอบคลุมแค่ไหน
การตรวจว่า Test ที่ Agent เขียนทดสอบพฤติกรรมจริง ไม่ใช่แค่ผ่านไปเฉย ๆ
การกำหนด Quality Gate ที่ต้องผ่านก่อน Merge เข้าสาขาหลัก
การวางเงื่อนไขให้ Pipeline หยุดเองเมื่อคุณภาพไม่ถึงเกณฑ์
Lab: ให้ Agent เขียน Test ของฟีเจอร์ที่พัฒนาไว้แล้วตั้ง Quality Gate
Section 12: Code Review และ Security Check ด้วย AI
การใช้ AI ทบทวนโค้ดและชี้จุดเสี่ยงด้านคุณภาพและประสิทธิภาพ
การตรวจความปลอดภัยเบื้องต้น เช่น การรับข้อมูลจากผู้ใช้และการจัดการข้อมูลลับ
ข้อจำกัดของการรีวิวด้วย AI และจุดที่คนต้องตัดสินใจเอง
การเขียนความเห็นรีวิวที่เจ้าของโค้ดนำไปแก้ต่อได้จริง
Lab: รีวิว Pull Request ของเพื่อนร่วมคลาสด้วย AI แล้วสรุปสิ่งที่พบ
Section 13: E2E และ QA ด้วย Playwright
การเลือกเส้นทางผู้ใช้ที่คุ้มค่าที่จะทำ E2E
การให้ Agent สร้างสคริปต์ Playwright จาก Test Scenario
การเลือก Selector และการจัดการการรอคอยให้ผลการทดสอบนิ่ง
การทำ Visual Regression และการสร้าง Testing Report ให้ทีมอ่านเข้าใจ
Lab: สร้างชุด E2E ของเส้นทางหลักแล้วรันจนผ่านครบ
Section 14: Deployment, Operations และเอกสารอัตโนมัติ
การให้ Agent ช่วยเตรียมและตรวจสอบขั้นตอนก่อน Deploy
การจัดการตัวแปรสภาพแวดล้อมและข้อมูลลับอย่างปลอดภัย
การใช้ Agent กับงาน Routine และงานตามตารางเวลาหลังระบบขึ้นจริง
การสร้างและอัปเดตเอกสารโปรเจกต์อัตโนมัติให้ตามโค้ดทัน
Lab: Deploy ฟีเจอร์ที่ทำมาทั้งสามวันขึ้นใช้งานจริงพร้อมเอกสารประกอบ
Section 15: Capstone และการนำไปใช้กับทีม
โจทย์: เดินครบทุกเฟสของ SDLC กับฟีเจอร์หนึ่งชุดตั้งแต่วางแผนจนถึงส่งมอบ
การนำเสนอ Workflow และเหตุผลของการเลือกให้ Agent ทำหรือไม่ทำในแต่ละเฟส
การประเมินว่าเครื่องมือใดเหมาะกับ Workflow ของทีมตนเอง
แนวทางเริ่มใช้กับทีมจริงและการวัดผลว่าคุ้มค่าหรือไม่
Workshop: นำเสนอผลงานและทบทวน Workflow ร่วมกันกับวิทยากร
การถาม AI แบบแชตได้คำตอบเป็นข้อความที่เราต้องนำไปทำต่อเอง ส่วน Agent รับงานเป็นเป้าหมายแล้วทำงานเป็นรอบที่เรียกว่า Agentic Loop คือวิเคราะห์งาน ลงมือแก้ไฟล์หรือรันคำสั่ง ตรวจผล แล้วแก้ซ้ำจนงานสำเร็จ โดยทำได้เฉพาะสิ่งที่ Harness และ Permission อนุญาต จึงควรกำหนดขอบเขตงานและสิทธิ์ให้ชัดก่อนมอบงาน
AGENTS.md คือไฟล์ข้อความในโปรเจกต์ที่ Agent อ่านเป็นบริบทก่อนเริ่มงาน คล้าย README ที่เขียนให้ Agent อ่าน ควรระบุโครงสร้างโปรเจกต์ คำสั่ง Build และ Test มาตรฐานการเขียนโค้ดของทีม และข้อห้ามสำคัญ เช่น ไฟล์ที่ห้ามแก้ ควรเขียนให้กระชับเพราะทุกบรรทัดกินพื้นที่ใน Context Window และอัปเดตทุกครั้งที่ Convention ของทีมเปลี่ยน
เริ่มจากแตก Requirement เป็น Task ย่อยที่มีเกณฑ์เสร็จชัดเจน และเตรียม Context ที่ Agent ต้องใช้ เช่น Design System และ API Design จากนั้นให้ Agent ทำทีละ Task รีวิว Diff และรัน Test ทุกรอบก่อนไปต่อ แล้วจึงวาง Quality Gate อย่าง Lint, Test และ Code Review ไว้ก่อน Merge หลักสูตรนี้ฝึก Workflow นี้กับโปรเจกต์เดียวต่อเนื่องในทุก Lab
เหมาะกับนักพัฒนาที่ใช้ AI Coding Agent อยู่แล้วแต่อยากใช้ให้คุ้มกว่าเดิม Full Stack, Frontend และ Backend Developer, Tech Lead ที่ต้องกำหนดมาตรฐานการใช้ Agent ให้ทั้งทีม และ DevOps Engineer ควรเขียนโปรแกรมได้อย่างน้อยหนึ่งภาษา เคยพัฒนาระบบที่มีทั้งฝั่งหน้าจอและฝั่งเซิร์ฟเวอร์ ใช้ Git และ Command Line ได้ในงานประจำวัน และเคยใช้ AI ช่วยเขียนโค้ดมาบ้าง
เลือกและตั้งค่า Agent ให้เหมาะกับงานและงบของทีม เตรียม Context ด้วย AGENTS.md และ Team Convention พัฒนา Frontend และ Backend ร่วมกับ Agent ทีละรอบ ต่อความสามารถด้วย MCP, Skills, Subagents และ Hooks วาง Quality Gate ก่อน Merge และให้ Agent ช่วยงาน Deployment กับงาน Routine ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
เตรียมโน้ตบุ๊กที่ติดตั้ง Node.js และ Git ไว้แล้ว พร้อมสิทธิ์ติดตั้งโปรแกรมเพิ่มเติม และเตรียมบัญชีสำหรับใช้งาน AI Coding Agent มาเอง หลักสูตรเน้นวิธีคิดและ Workflow ตามเฟสของ SDLC มากกว่าเครื่องมือตัวใดตัวหนึ่ง จึงปรับใช้กับ Agent ตัวอื่นได้ และผู้เรียนจะได้ Lab Guide, Context Template อย่าง AGENTS.md และ DESIGN.md และ Source Code ตัวอย่างกลับไปใช้งาน
Claude Code ไม่ได้เป็นเพียงเครื่องมือสำหรับถาม AI ให้ช่วยเขียนโค้ด แต่ทำหน้าที่เสมือน AI Coding Agent ที่เข้าใจโครงสร้างของโปรเจกต์ อ่านไฟล์ แก้ไข Source Code รันคำสั่ง ทดสอบระบบ และทำงานร่วมกับ Development Workflow ได้จริง…
งานวิเคราะห์และออกแบบระบบใช้เวลาไปกับการเขียนเอกสารและวาด Diagram มากกว่าการคิดออกแบบจริง กว่าจะได้ Use Case ครบ วาด Process Flow เสร็จ ทำ ER Diagram ให้ตรงกับที่คุยไว้ แล้วยังต้องเขียนสเปก API และร่างสถาปัตยกรรมอีก พอความต้องการเปลี่ยนกลางทาง…
งาน QA ส่วนใหญ่หมดไปกับงานที่ทำซ้ำ เขียน Test Case ทีละข้อจากเอกสารที่ไม่ครบ เตรียมข้อมูลทดสอบทีละชุด ไล่รันสคริปต์ที่พังเพราะหน้าจอเปลี่ยนนิดเดียว แล้วยังต้องสรุปผลส่งทีมอีก พอเวลาไม่พอก็ต้องเลือกว่าจะทดสอบอะไรและปล่อยอะไรผ่านไป ซึ่งเป็นจุดที่บั๊กมักหลุดขึ้น…
