What is the difference between the ReAct and Reflexion patterns in agentic AI?

ReAct (reasoning and acting) has the agent alternate between thinking and doing: decide what to do, call a tool, observe the result and reason about the next step until it has an answer, which suits tasks that need several lookups or system calls. Reflexion has the agent review its own output afterwards, find mistakes and apply the lessons in the next attempt, improving quality at the cost of more time and tokens. Choose according to task complexity and budget.

How do you self-host n8n with Docker Compose?

Install Docker and Docker Compose on the machine or server, then write a docker-compose.yml that uses the n8n image, publishes port 5678, mounts a volume for n8n's data folder so workflows and credentials survive when the container is recreated, and sets environment variables such as N8N_ENCRYPTION_KEY and the timezone. Run docker compose up -d and open localhost:5678 in your browser.

How do you make an n8n AI agent answer from policy documents with RAG and Qdrant?

First build an ingestion workflow that splits the policy documents into chunks, converts them into vectors with OpenAI embeddings and stores them in a Qdrant vector store. Then connect Qdrant to the AI agent workflow as a retrieval tool, so when a customer asks a question the agent fetches the closest passages to build its answer. Instruct it in the system prompt to answer only from retrieved documents and to say so when nothing is found.

Who is the Agentic AI Development using n8n and MCP course for, and what should I know beforehand?

It suits developers who want AI agents connected to real company systems, existing n8n users moving from automation to agentic AI, business analysts and project managers designing automated customer service, and IT teams running self-hosted n8n. You should be comfortable with computers and understand the basics of APIs, webhooks and JSON. Light coding experience helps, but you do not need to be a programmer.

What will I be able to do after the Agentic AI Development using n8n and MCP course?

You will be able to install n8n Community Edition with Docker Compose and manage credentials securely, build workflows that sort and answer email and book meetings in Google Calendar, connect an MCP server so agents can query MSSQL, integrate Slack, and build a customer service agent that answers from documents with RAG on Qdrant and hands over to staff when needed. Participants who complete the training receive a Certificate of Completion with its own number, which can be verified online.

What do I need to bring to the Agentic AI Development using n8n and MCP course?

Bring Gmail and Slack accounts for testing, an OpenAI API key with credit, and a laptop that can run Docker Desktop with permission to install software, as the later labs run n8n, an MCP server, MSSQL and Qdrant on your own machine. You take home the lab guide, workflow files and docker-compose files for every lab.

AI · AIC-65

Agentic AI Development using n8n and MCP

หลักสูตร Agentic AI Development using n8n and MCP เป็นการอบรมสร้าง AI Agent ด้วย n8n ตั้งแต่แนวคิด ReAct ติดตั้งด้วย Docker เชื่อม MCP Server กับ Slack และ MSSQL และทำ RAG ด้วย Qdrant เหมาะกับนักพัฒนา ผู้ใช้ n8n และทีม IT ที่ดูแล n8n เอง จบแล้วได้ Customer Service Agent ที่ตอบลูกค้าจากข้อมูลจริง

ອັບເດດລ່າສຸດ 28 ກ.ຍ. 2026

ລາຄາເລີ່ມຕົ້ນ 7,110 ບາດ / ທ່ານ 7,900 −10% ຍັງບໍ່ລວມ VAT 7% · ມີລາຄາໝູ່ຄະນະ

ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ ເບິ່ງຮອບຝຶກອົບຮົມ

PDFດາວໂຫຼດ Course Outline

ໄລຍະເວລາ18 ຊົ່ວໂມງ · 3 ມື້
ຮູບແບບຢູ່ສະຖາບັນ / ອອນລາຍສົດ
ຮອບຕໍ່ໄປ16–18 ມ.ນ. 27
ລະດັບຂັ້ນກາງ

ພາບລວມຫຼັກສູດ

งานอัตโนมัติแบบเดิมทำงานตามเงื่อนไขที่เขียนไว้ล่วงหน้า พอเจอข้อความที่ไม่ตรงรูปแบบหรือคำถามที่ต้องดูข้อมูลหลายแหล่งประกอบกันก็ไปต่อไม่ได้ Agentic AI เปลี่ยนโจทย์นี้ด้วยการให้ LLM เป็นผู้ตีความ วางแผน และเลือกเครื่องมือเองว่าต้องดึงข้อมูลอะไร จากที่ไหน แล้วค่อยตอบหรือลงมือทำ ความท้าทายคือจะต่อ LLM เข้ากับระบบอีเมล แชท ฐานข้อมูล และเอกสารขององค์กรอย่างไรให้ทำงานได้จริงและควบคุมได้

หลักสูตรนี้ใช้ n8n เป็นแกนกลางในการประกอบ AI Agent และใช้ Model Context Protocol (MCP) เป็นช่องทางมาตรฐานให้ Agent เข้าถึงเครื่องมือและข้อมูล ผู้เรียนเริ่มจากแนวคิด Agentic AI และรูปแบบการคิดอย่าง ReAct, Reflexion และ Chain-of-Thought จากนั้นลงมือบน n8n Cloud สร้างระบบคัดแยกและตอบอีเมลด้วย AI

ก่อนย้ายมาติดตั้ง n8n Community Edition ด้วย Docker เชื่อม MCP Server กับ Slack และฐานข้อมูล MSSQL และสร้างระบบ RAG ด้วย Qdrant แล้วประกอบทั้งหมดเป็น Customer Service Agent ที่ตอบลูกค้าจากประวัติธุรกรรมและนโยบายจริง รองรับบทสนทนาหลายรอบ ส่งต่อเจ้าหน้าที่เมื่อจำเป็น และพร้อมขยายสู่ Production (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Intermediate)

ສິ່ງທີ່ທ່ານຈະໄດ້ຮັບ

อธิบายหลักการและองค์ประกอบของ Agentic AI และรูปแบบ ReAct, Reflexion, Chain-of-Thought ได้
เข้าใจสถาปัตยกรรม n8n และเลือกใช้ n8n Cloud หรือ Self-hosted ได้เหมาะกับงาน
ติดตั้ง n8n Community Edition ด้วย Docker Compose และจัดการ Credentials อย่างปลอดภัย
เชื่อม MCP Server เข้ากับ n8n เพื่อให้ Agent เรียกใช้เครื่องมือและข้อมูลได้
เชื่อมต่อ Gmail, Google Calendar, Slack และฐานข้อมูล MSSQL เข้ากับ Workflow
สร้างระบบ RAG ด้วย Qdrant และ OpenAI Embeddings เพื่อค้นหาเอกสารนโยบาย
ออกแบบและสร้าง Customer Service Agent ที่ตอบจากข้อมูลจริงขององค์กร
จัดการบทสนทนาหลายรอบ การส่งต่อเจ้าหน้าที่ และปรับจูนระบบก่อนใช้งานจริง

ຫຼັກສູດນີ້ເໝາະສຳລັບ

นักพัฒนาที่ต้องการสร้าง AI Agent ที่ต่อกับระบบจริงขององค์กร
ผู้ที่ใช้ n8n อยู่แล้วและอยากยกระดับจาก Automation สู่ Agentic AI
Business Analyst และ Project Manager ที่ออกแบบระบบบริการลูกค้าอัตโนมัติ
ทีม IT และ DevOps ที่ต้องติดตั้งและดูแล n8n แบบ Self-hosted
ผู้ที่สนใจนำ AI มาช่วยตอบลูกค้าโดยอ้างอิงข้อมูลและนโยบายขององค์กร

ພື້ນຖານຂອງຜູ້ເຂົ້າຝຶກອົບຮົມ

ใช้คอมพิวเตอร์คล่อง และเข้าใจพื้นฐาน API, Webhook และรูปแบบข้อมูล JSON
เขียนโค้ดเล็กน้อยได้จะเป็นประโยชน์ แต่ไม่จำเป็นต้องเป็นโปรแกรมเมอร์
เตรียมบัญชี Gmail และ Slack สำหรับทดสอบ และ OpenAI API Key ที่เติมเครดิตแล้ว
โน้ตบุ๊กที่ติดตั้ง Docker Desktop ได้ (ใช้ในวันที่ 2 และ 3) พร้อมสิทธิ์ติดตั้งโปรแกรม

ຫົວຂໍ້ການຝຶກອົບຮົມ

รายละเอียดหลักสูตร

อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ต่อเนื่องกับ Use Case เดียวตลอดสามวัน ระดับ Intermediate วันแรกทำงานบน n8n Cloud ส่วนวันที่ 2 และ 3 ทำงานบนเครื่องของผู้เรียนด้วย Docker ผู้เรียนเตรียมบัญชี Gmail, Slack และ OpenAI API Key ที่มีเครดิตมาเอง ค่าใช้ OpenAI API

เป็นไปตามการใช้งานจริง หลักสูตรนี้เน้นการสร้าง AI Agent ด้วย n8n และ MCP มากกว่าพื้นฐาน Workflow Automation ผู้ที่ต้องการปูพื้น n8n ให้แน่นก่อน แนะนำหลักสูตร สร้างระบบ Workflow Automation ด้วย n8n สำหรับธุรกิจยุคใหม่ ผู้เรียนจะได้ Lab Guide ไฟล์ Workflow ครบทุก Lab และไฟล์ docker-compose สำหรับ n8n, MCP Server, MSSQL และ Qdrant กลับไปใช้งานต่อ

Day 1 Agentic AI, n8n และระบบอีเมลอัจฉริยะ

Section 1: Agentic AI และรูปแบบการคิดของ Agent

ความหมายของ Agentic AI และความต่างจากงานอัตโนมัติแบบกำหนดเงื่อนไขตายตัว
องค์ประกอบหลัก: Perception, Planning, Reasoning, Memory และ Action
ReAct: ให้ Agent คิดสลับกับการเรียกเครื่องมือจนได้คำตอบ
Reflexion: ให้ Agent ทบทวนผลลัพธ์ของตนเองแล้วปรับแก้
Chain-of-Thought และการเลือกรูปแบบให้เหมาะกับงานและค่าใช้จ่าย
ตัวอย่างการใช้งานจริงในงานบริการลูกค้า งานเอกสาร และงานปฏิบัติการ

Section 2: สถาปัตยกรรมของ n8n

แนวคิด Low-code / No-code Workflow Automation และตำแหน่งของ n8n
องค์ประกอบหลัก: Node, Connection, Workflow และ Credential
Runtime Architecture และรูปแบบการ Execute ของ Workflow
เปรียบเทียบ n8n Cloud กับ Self-hosted
ความต่างระหว่าง Community Edition กับ Enterprise Edition

Section 3: Node สำคัญสำหรับงาน Agentic AI

Trigger Node: Webhook, Gmail และ Schedule
AI Node: OpenAI และ Text Classifier สำหรับจัดหมวดข้อความ
Communication Node: Gmail, Slack และ HTTP Request
Data Processing Node: Code, JSON และ Split in Batches
Database Node (MSSQL, MongoDB) และ Utility Node (IF, Switch, Merge)

Section 4: Lab: n8n Cloud และระบบคัดแยกอีเมลด้วย AI

สมัครและตั้งค่าบัญชี n8n Cloud พร้อมแนวปฏิบัติที่ดีบน Cloud
เชื่อม Credential ของ Gmail และ OpenAI อย่างปลอดภัย
ตั้งค่า Gmail Trigger ให้รับอีเมลใหม่เข้ามาใน Workflow
ใช้ Text Classifier แยกอีเมลเป็นหมวดงาน ส่วนตัว ท่องเที่ยว และอื่น ๆ
ใช้ IF / Switch Node ส่งอีเมลแต่ละหมวดไปยังเส้นทางที่ต่างกัน

Section 5: Lab: ตอบอีเมลและนัดหมายอัตโนมัติ

เชื่อม OpenAI Model เข้ากับ Workflow ที่คัดแยกอีเมลไว้แล้ว
เขียน Prompt ให้ร่างคำตอบตรงบริบทและน้ำเสียงที่ต้องการ
ตั้งค่า Gmail Node ให้ส่งคำตอบกลับอัตโนมัติ
สร้างนัดหมายใน Google Calendar จากเนื้อหาในอีเมล
ทดสอบ Workflow ทั้งเส้นและตรวจผลจาก Execution Log

Day 2 n8n บน Docker, MCP และฐานความรู้ RAG

Section 6: Lab: ติดตั้ง n8n Community Edition ด้วย Docker

เตรียมเครื่องและติดตั้ง Docker กับ Docker Compose
เขียนและปรับแต่งไฟล์ docker-compose.yml สำหรับ n8n
รัน n8n และเข้าใช้งานผ่านหน้าเว็บบนเครื่องของตนเอง
ตั้งค่า Environment Variables และการเก็บ Credentials อย่างปลอดภัย
ย้าย Workflow จาก n8n Cloud มาทำงานบน Self-hosted

Section 7: Lab: MCP Server กับ n8n

สถาปัตยกรรม MCP: Host, Client, Server และการเปิดเครื่องมือให้ Agent
ติดตั้ง MCP Server ด้วย Docker และตั้งค่าการทำงาน
เชื่อม MCP Server เข้ากับ n8n เพื่อให้ Agent เรียกใช้เครื่องมือได้
ทดสอบการทำงานของ MCP Server และตรวจผลการเรียกเครื่องมือ

Section 8: Lab: เชื่อม Slack เข้ากับ Workflow

สร้าง Slack App และขอ API Token พร้อมกำหนดสิทธิ์ที่จำเป็น
ตั้งค่า Webhook และ Event Subscriptions ให้ n8n รับข้อความได้
เชื่อม Slack เข้ากับ Workflow ของ n8n
ทดสอบการรับและส่งข้อความผ่าน Slack API

Section 9: Lab: ฐานข้อมูล MSSQL ผ่าน MCP

ติดตั้ง Microsoft SQL Server บน Docker และเตรียมข้อมูลลูกค้าจำลอง
ตั้งค่าการเชื่อมต่อฐานข้อมูลผ่าน MCP Server
ให้ Agent ดึงข้อมูลธุรกรรมของลูกค้าและทดสอบผลลัพธ์
จำกัดสิทธิ์ของบัญชีฐานข้อมูลให้ Agent เข้าถึงเท่าที่จำเป็น

Section 10: Lab: ระบบ RAG ด้วย Qdrant

แนวคิด Retrieval-Augmented Generation และประโยชน์ต่องานตอบคำถาม
ติดตั้ง Vector Database Qdrant บน Docker
นำเอกสารนโยบายบริการลูกค้าเข้า Qdrant ด้วย OpenAI Embeddings
สร้างส่วน Retrieval และเชื่อมระบบ RAG เข้ากับ MCP Server
ทดสอบการค้นหานโยบายที่เกี่ยวข้องกับคำถามของลูกค้า

Day 3 Customer Service Agent สู่การใช้งานจริง

Section 11: ออกแบบ Customer Service Agent

ออกแบบ User Flow และลำดับบทสนทนากับลูกค้า
กลยุทธ์การจัดการ Context ให้ Agent รู้ว่ากำลังคุยเรื่องอะไรกับใคร
การออกแบบ System Prompt และ Prompt ให้ตอบตรงนโยบาย
วางแผนการจัดการข้อมูล และขั้นตอนสร้างคำตอบจากหลายแหล่ง

Section 12: Lab: สร้าง Customer Service Agent

สร้าง Workflow รับข้อความจาก Slack และให้ Agent ตีความคำถาม
ดึงประวัติธุรกรรมของลูกค้าจาก MSSQL ผ่าน MCP
ค้นหานโยบายที่เกี่ยวข้องจาก Qdrant
สร้างคำตอบด้วย AI จากข้อมูลลูกค้าและนโยบาย แล้วตอบกลับทาง Slack
บันทึกประวัติบทสนทนาลง MSSQL เพื่อใช้อ้างอิงต่อ

Section 13: Lab: จัดการบทสนทนาที่ซับซ้อน

รองรับบทสนทนาหลายรอบ (Multi-turn Conversation)
กลยุทธ์การจดจำ Context ข้ามข้อความ
Fallback เมื่อ Agent ไม่มั่นใจ และการส่งต่อเจ้าหน้าที่ (Human Handoff)
ปรับ Prompt ให้คำตอบเป็นไปตามนโยบายอย่างสม่ำเสมอ

Section 14: Performance Tuning และการ Scale

วิเคราะห์ประสิทธิภาพและหาจุดคอขวดของ Workflow
ปรับการตั้งค่า Docker ให้พร้อมสำหรับ Production
กลยุทธ์การ Scale ทั้ง n8n และ MCP Server เมื่อปริมาณงานเพิ่มขึ้น
สรุปแนวทางนำ Agent ไปใช้กับงานจริงขององค์กร

ຮອບຝຶກອົບຮົມ ແລະ ຮູບແບບການຝຶກອົບຮົມ

ສຳລັບບຸກຄົນ — ຮອບຝຶກອົບຮົມທົ່ວໄປ

16–18ມີນາ

ໃນຫ້ອງຮຽນ16–18 ມ.ນ. 27

ເຫຼືອ 20 ບ່ອນນັ່ງ

23–25ພະຈິກ

ໃນຫ້ອງຮຽນ23–25 ພ.ຈ. 27

ເຫຼືອ 20 ບ່ອນນັ່ງ

ສຳລັບອົງກອນ — In-house / Private Training

ປັບເນື້ອໃນໃຫ້ກົງກັບເຄື່ອງມື ແລະ ວຽກຈິງຂອງທີມ
ເລືອກວັນເອງ ຝຶກອົບຮົມທີ່ບໍລິສັດ ຫຼື ອອນລາຍສົດ
ອອກໃບສະເໜີລາຄາໃນນາມນິຕິບຸກຄົນໃຫ້ຝ່າຍຈັດຊື້

ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ

ວິທະຍາກອນຜູ້ສອນ

สามิตร โกยมCEO ที่สถาบันไอทีจีเนียส

ຄຳຖາມທີ່ພົບເລື້ອຍ

ReAct กับ Reflexion ใน Agentic AI ต่างกันอย่างไร

ReAct (Reasoning and Acting) ให้ Agent คิดสลับกับลงมือ คือคิดว่าควรทำอะไร เรียกเครื่องมือ ดูผลที่ได้ แล้วคิดขั้นต่อไปวนจนได้คำตอบ เหมาะกับงานที่ต้องค้นข้อมูลหรือเรียกระบบหลายครั้ง ส่วน Reflexion ให้ Agent ทบทวนผลลัพธ์ของตัวเองหลังทำเสร็จ หาจุดผิด แล้วนำข้อสรุปไปปรับในรอบถัดไป ช่วยให้คุณภาพดีขึ้นแต่ใช้เวลาและ Token มากขึ้น จึงควรเลือกตามความซับซ้อนของงานและงบที่ใช้ได้

ติดตั้ง n8n แบบ Self-hosted ด้วย Docker Compose ทำอย่างไร

ติดตั้ง Docker และ Docker Compose บนเครื่องหรือเซิร์ฟเวอร์ จากนั้นเขียนไฟล์ docker-compose.yml ที่ใช้ Image ของ n8n เปิดพอร์ต 5678 ผูก Volume กับโฟลเดอร์ข้อมูลของ n8n เพื่อไม่ให้ Workflow และ Credential หายเมื่อสร้าง Container ใหม่ และตั้ง Environment Variable เช่น N8N_ENCRYPTION_KEY และ Timezone แล้วสั่ง docker compose up -d และเข้าใช้งานผ่านเบราว์เซอร์ที่ localhost:5678

ให้ AI Agent ใน n8n ตอบจากเอกสารนโยบายด้วย RAG และ Qdrant ทำอย่างไร

เริ่มจากสร้าง Workflow นำเข้าเอกสาร โดยแบ่งเอกสารนโยบายเป็นช่วงสั้น ๆ แปลงเป็นเวกเตอร์ด้วย OpenAI Embeddings แล้วบันทึกลง Qdrant Vector Store จากนั้นใน Workflow ของ AI Agent ให้ต่อ Qdrant เป็นเครื่องมือค้นเอกสาร เมื่อลูกค้าถาม Agent จะค้นช่วงเอกสารที่ใกล้เคียงคำถามมาประกอบคำตอบ ควรกำหนดใน System Prompt ให้ตอบจากเอกสารที่ค้นได้เท่านั้น และบอกตรง ๆ เมื่อไม่พบข้อมูล

หลักสูตร Agentic AI Development using n8n and MCP เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับนักพัฒนาที่อยากสร้าง AI Agent ที่ต่อกับระบบจริงขององค์กร ผู้ที่ใช้ n8n อยู่แล้วและอยากยกระดับสู่ Agentic AI Business Analyst หรือ Project Manager ที่ออกแบบระบบบริการลูกค้าอัตโนมัติ และทีม IT ที่ดูแล n8n แบบ Self-hosted ควรใช้คอมพิวเตอร์คล่องและเข้าใจพื้นฐาน API Webhook และ JSON ถ้าเขียนโค้ดได้เล็กน้อยจะช่วยได้ แต่ไม่จำเป็นต้องเป็นโปรแกรมเมอร์

เรียนจบหลักสูตร Agentic AI Development using n8n and MCP แล้วทำอะไรได้บ้าง

ติดตั้ง n8n Community Edition ด้วย Docker Compose และจัดการ Credential อย่างปลอดภัย สร้าง Workflow คัดแยกและตอบอีเมลพร้อมนัดหมายใน Google Calendar เชื่อม MCP Server ให้ Agent ดึงข้อมูลจาก MSSQL ต่อ Slack เข้ากับ Workflow และสร้าง Customer Service Agent ที่ตอบจากเอกสารด้วย RAG บน Qdrant พร้อมส่งต่อเจ้าหน้าที่เมื่อจำเป็น ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้

เรียน Agentic AI Development using n8n and MCP ต้องเตรียมอะไรมาบ้าง

เตรียมบัญชี Gmail และ Slack สำหรับทดสอบ และ OpenAI API Key ที่เติมเครดิตแล้ว และนำโน้ตบุ๊กที่ติดตั้ง Docker Desktop ได้พร้อมสิทธิ์ติดตั้งโปรแกรมมาด้วย เพราะ Lab ช่วงหลังรัน n8n MCP Server MSSQL และ Qdrant บนเครื่องของผู้เรียน ผู้เรียนจะได้ Lab Guide ไฟล์ Workflow และไฟล์ docker-compose ทุก Lab กลับไปใช้งานต่อ