AI Coding Agent for SDLC

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

Day 1: เข้าใจ Agent วางแผน และเตรียม Context

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

Day 2: พัฒนาระบบและต่อความสามารถให้ Agent

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

Day 3: คุณภาพ การส่งมอบ และการดูแลระบบ

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