Section 11: Lab: แนวคิด AI Agent และ Bedrock Agents
- Agent ต่างจาก Chatbot อย่างไร: Reasoning, Tool, Memory และ Planning
- รูปแบบ ReAct, Workflow แบบกำหนดขั้นตอน และ Multi-agent
- Bedrock Agents แบบ Managed กับ Action Group และ Knowledge Base
- เลือกระหว่าง Agent แบบ Managed กับการเขียนเองด้วย Framework
- Lab: สร้าง Bedrock Agent ที่ค้นคู่มือและเปิดคำร้องผ่าน Lambda
Section 12: Lab: เขียน Agent ด้วย Strands Agents
- โครงสร้าง Strands Agents SDK: Model, System Prompt และ Tool
- สร้าง Tool ด้วย Python Decorator และเรียกใช้ Tool จาก MCP Server
- รูปแบบ Multi-agent: Agents as Tools, Graph และ Swarm
- กำหนดเงื่อนไขหยุด Timeout และขอบเขตสิทธิ์ให้ Agent
- Lab: Agent วิเคราะห์ข้อมูลยอดขายที่เรียก Tool หลายตัว
Section 13: Lab: Deploy ด้วย Amazon Bedrock AgentCore
- ภาพรวม AgentCore: Runtime, Memory, Gateway, Identity, Policy และ Observability
- Deploy Agent ขึ้น AgentCore Runtime ด้วย AgentCore CLI
- เพิ่ม Memory ระยะสั้นและระยะยาวให้ Agent จำบริบทผู้ใช้
- แปลง Lambda และ API ภายในเป็น MCP Tool ผ่าน AgentCore Gateway
- ยืนยันตัวตนและจำกัดการเรียก Tool ด้วย AgentCore Identity และ Policy
Section 14: Observability, Evaluation และการดูแลระบบ
- ติดตาม Trace ของ Agent ทีละขั้นด้วย AgentCore Observability และ CloudWatch
- วัดคุณภาพ Agent ด้วย AgentCore Evaluations และชุดทดสอบของทีม
- ตั้ง Alarm สำหรับ Error, Latency และการใช้ Token ที่ผิดปกติ
- แนวทาง CI/CD และ Rollback เมื่อเปลี่ยนโมเดลหรือ Prompt
- Lab: หาสาเหตุที่ Agent ตอบผิดจาก Trace แล้วแก้ไข
Section 15: Capstone: ผู้ช่วย AI ภายในองค์กร
- ออกแบบสถาปัตยกรรมที่รวม RAG, Guardrails และ Agent เข้าด้วยกัน
- สร้างผู้ช่วยที่ตอบจากเอกสารและทำงานผ่าน Tool ได้จริง
- ประเมินคุณภาพ ความปลอดภัย และต้นทุนต่อการใช้งาน
- นำเสนอผลงานและเทียบทักษะที่ใช้กับ Domain ของข้อสอบ AIP-C01
- ลบทรัพยากรทั้งหมดและสรุป Checklist ก่อนขึ้น Production