หลักสูตร ChatGPT Prompt Engineering for Developers เป็นการอบรมการเขียน Prompt สำหรับงานพัฒนาซอฟต์แวร์ ตั้งแต่เขียน รีวิว และทดสอบโค้ดด้วย ChatGPT ไปจนถึงสร้างฟีเจอร์ AI ด้วย OpenAI Responses API เหมาะกับนักพัฒนา Tech Lead และ QA Engineer จบแล้วได้ Prompt Library ของทีม
นักพัฒนาเกือบทุกทีมใช้ ChatGPT ช่วยเขียนโค้ด อธิบายโค้ดเดิม และค้นหาสาเหตุของปัญหา แต่ผลลัพธ์ยังไม่สม่ำเสมอ บางครั้งได้โค้ดที่ดูถูกต้องแต่ใช้งานจริงไม่ได้ ขณะเดียวกันองค์กรก็ต้องการนำความสามารถของ LLM ไปใส่ในระบบของตนเอง ซึ่งต้องการ Prompt ที่ควบคุมได้ ผลลัพธ์ที่มีโครงสร้าง และวิธีวัดคุณภาพที่ชัดเจน ไม่ใช่การลองถามแล้วดูผลด้วยตาเพียงอย่างเดียว
หลักสูตรนี้แบ่งเป็น 2 ส่วน วันแรกฝึก Prompt Engineering สำหรับงานพัฒนาซอฟต์แวร์ผ่าน ChatGPT ตั้งแต่การเขียน รีวิว ทดสอบ แก้ Bug ไปจนถึงทำเอกสาร วันที่สองนำหลักการเดียวกันไปใช้กับ OpenAI Responses API สร้างฟีเจอร์ AI ที่ใช้ Structured Outputs และ Function Calling พร้อมวัดคุณภาพ Prompt ด้วยชุดทดสอบอัตโนมัติและป้องกัน Prompt Injection ทั้งหมดต่อยอดกันในโปรเจกต์ DevAssist Toolkit และนำหลักการไปปรับใช้กับ LLM ค่ายอื่นได้ (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
หลักสูตรนี้เน้นนักพัฒนาซอฟต์แวร์และการใช้ OpenAI API โดยเฉพาะ ต่างจากหลักสูตร Prompt Engineering for Business ที่เน้นงานธุรกิจ และ Advanced Prompt Engineering & AI Evaluation ที่ลงลึกเทคนิค Prompt และการประเมินผลข้ามหลายแพลตฟอร์ม AI ส่วน ChatGPT Codex for Development Teams เน้นการใช้ Coding Agent ในทีม อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab และ Workshop บนโปรเจกต์ DevAssist Toolkit ที่ต่อยอดกันทั้ง
2 วัน ระดับ Intermediate ตัวอย่างโค้ดใช้ Python เป็นหลัก ผู้เรียนใช้บัญชี ChatGPT และ OpenAI API Key ของตนเองหรือขององค์กร ค่าใช้งาน API คิดตามการใช้งานจริง สถาบันไม่ได้จัดเตรียมบัญชีหรือ Key ให้ หัวข้อ Fine-tuning, ระบบ RAG เต็มรูปแบบด้วย Vector Database และ Multi-agent System อยู่นอกขอบเขต แต่จะกล่าวถึงในระดับแนวคิดเพื่อให้เห็นแนวทางต่อยอด ชื่อโมเดลและฟีเจอร์ของ OpenAI เปลี่ยนบ่อย เนื้อหาจะอิงเวอร์ชันล่าสุดในวันอบรม
Section 1: LLM ทำงานอย่างไรในมุมนักพัฒนา
Section 2: หลักการเขียน Prompt ที่ดี
Section 3: Lab: Prompt สำหรับเขียนและปรับปรุงโค้ด
Section 4: Lab: Prompt สำหรับรีวิว ทดสอบ และแก้ Bug
Section 5: Prompt สำหรับเอกสารและการใช้ AI ในองค์กร
Section 6: Workshop: Prompt Library ของ DevAssist
Section 7: Lab: เริ่มต้นกับ OpenAI Responses API
Section 8: Structured Outputs
Section 9: Function Calling (Tools)
Section 10: Evaluation: วัดคุณภาพ Prompt อย่างเป็นระบบ
Section 11: Security และการใช้กับโมเดลอื่น
Section 12: Master Workshop: DevAssist CLI
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
Prompt Engineering for Business เน้นการใช้ AI กับงานธุรกิจทั่วไปโดยไม่ต้องเขียนโค้ด ส่วน Advanced Prompt Engineering & AI Evaluation ลงลึกเทคนิค Prompt ขั้นสูงและการประเมินผลด้วย ChatGPT, Claude และ Gemini สำหรับผู้ใช้หลายกลุ่ม หลักสูตรนี้ออกแบบสำหรับนักพัฒนาโดยตรง วันแรกใช้ ChatGPT กับงานเขียน รีวิว ทดสอบ และแก้ Bug วันที่สองสร้างฟีเจอร์ AI ด้วย OpenAI Responses API พร้อม Structured Outputs, Function Calling และ Evaluation ด้วย pytest
ChatGPT Codex for Development Teams เน้นการใช้ Coding Agent ให้ช่วยทำงานในโค้ดของทีม ส่วนหลักสูตรนี้เน้นทักษะการเขียน Prompt ที่ควบคุมผลได้ และการเรียก OpenAI API จากโค้ดเพื่อสร้างฟีเจอร์ AI ในระบบของตนเอง ทั้งสองหลักสูตรเสริมกันได้ ผู้ที่ต้องการทั้งใช้ AI ช่วยเขียนโค้ดและสร้างฟีเจอร์ AI ในระบบเรียนต่อกันได้
สถาบันไม่ได้จัดเตรียมบัญชีหรือ API Key ให้ ผู้เรียนใช้บัญชี ChatGPT ของตนเองสำหรับ Lab วันแรก และ OpenAI API Key ของตนเองหรือขององค์กรสำหรับ Lab วันที่สอง ค่าใช้งาน API คิดตามการใช้งานจริงซึ่งใน Lab ใช้ไม่มาก หากใช้บัญชีขององค์กร ควรตรวจนโยบายการใช้ AI และการส่งข้อมูลขององค์กรก่อน
เรียนได้ วันแรกใช้ ChatGPT กับโค้ดภาษาใดก็ได้ ส่วนวันที่สองตัวอย่างใช้ Python เพราะอ่านง่ายและมี SDK ทางการของ OpenAI ผู้ที่ถนัด JavaScript/TypeScript หรือ Java นำแนวคิดเดียวกันไปใช้กับ SDK ของภาษานั้นได้ และผู้สอนจะชี้จุดเทียบให้ระหว่างเรียน แต่ควรอ่านโค้ด Python พื้นฐานได้และเข้าใจการเรียกใช้ API
ใช้ได้ หลักการเขียน Prompt, Structured Outputs, Function Calling และการวัดผลด้วย Evaluation เป็นแนวคิดที่ใช้ได้กับ LLM เกือบทุกค่าย ในคลาสใช้ Responses API และโมเดลตระกูล GPT-6 ที่เป็นปัจจุบันในวันอบรม และมีหัวข้อสรุปจุดที่ต้องปรับเมื่อเปลี่ยนโมเดลหรือผู้ให้บริการ ชุด Evaluation ที่สร้างในคลาสยังช่วยตรวจได้ทันทีว่าโมเดลใหม่ให้ผลดีขึ้นหรือแย่ลง
Lab หลักใช้ Source Code และ Bug Report จำลองที่เตรียมไว้ ผู้เรียนนำตัวอย่างโค้ดของทีมมาทดลองเพิ่มเติมได้ หากโค้ดนั้นไม่มีข้อมูลลับ API Key หรือข้อมูลส่วนบุคคล และได้รับอนุญาตตามนโยบายขององค์กร ซึ่งเป็นแนวปฏิบัติเดียวกับที่สอนในหัวข้อความปลอดภัยของหลักสูตร
องค์กรจำนวนมากเริ่มนำ Generative AI มาใช้ในงานจริงแล้ว แต่กลับพบปัญหาเดียวกันคือผลลัพธ์ไม่คงที่ สั่งงานเดิมแต่ได้คำตอบต่างกันทุกครั้ง คุณภาพขึ้นอยู่กับคนเขียน Prompt และไม่มีวิธีวัดว่า Prompt ที่ปรับไปแล้วดีขึ้นจริงหรือไม่ ปัญหาเหล่านี้ทำให้ AI…
หลายคนเริ่มใช้ AI ในงานประจำวันแล้ว แต่ผลลัพธ์ยังไม่ตรงใจ ต้องสั่งแก้ซ้ำหลายรอบ หรือไม่แน่ใจว่าคำตอบที่ได้ถูกต้องพอจะส่งต่อได้หรือไม่ ปัญหาส่วนใหญ่ไม่ได้อยู่ที่เครื่องมือ แต่อยู่ที่วิธีสั่งงาน การเขียน Prompt ที่ดีคือการสื่อสารอย่างมีโครงสร้าง…
ทีมพัฒนาจำนวนมากเริ่มใช้ AI ช่วยเขียนโค้ดแล้ว แต่ส่วนใหญ่ยังใช้แค่เติมโค้ดทีละบรรทัดหรือถามตอบในหน้าแชต ขณะที่ Codex ทำงานแบบ Coding Agent ที่อ่าน Repository ทั้งโปรเจกต์ รันคำสั่ง แก้หลายไฟล์ และส่งงานกลับมาเป็น Diff หรือ Pull Request ได้ คำถามจึงไม่ใช่ว่า…
