ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Instituteหลักสูตร Agentic AI with Google ADK เป็นการอบรมการสร้าง AI Agent ด้วย Google ADK และ Python ตั้งแต่ Agent และ Tool, Session และ Memory ไปจนถึงระบบ Multi-Agent การวัดผล และการ Deploy บน Google Cloud เหมาะกับนักพัฒนา Python และ AI Engineer จบแล้วได้ระบบ Multi-Agent ต้นแบบของตัวเอง
AI Agent กำลังเปลี่ยนจากแชตบอตที่ตอบคำถามได้อย่างเดียว ไปเป็นระบบที่วางแผน เรียกใช้เครื่องมือ และทำงานหลายขั้นตอนแทนคนได้จริง แต่พอลงมือสร้างเอง ทีมพัฒนามักเจอคำถามเดิม ๆ ว่าจะแบ่งงานให้หลาย Agent อย่างไร จะเก็บบริบทของบทสนทนาไว้ที่ไหน จะควบคุมไม่ให้ Agent ทำสิ่งที่ไม่ควรทำได้อย่างไร และจะรู้ได้อย่างไรว่า Agent ทำงานถูกต้องก่อนนำขึ้นระบบจริง Google Agent Development Kit (ADK) เป็นเฟรมเวิร์กโอเพนซอร์สที่ออกแบบมาเพื่อตอบคำถามเหล่านี้แบบเป็นระบบ
หลักสูตรนี้พาผู้เรียนสร้าง AI Agent ด้วย Google ADK และ Python ตั้งแต่ Agent ตัวแรกที่ใช้โมเดล Gemini ไปจนถึงระบบ Multi-Agent ที่พร้อมใช้งาน เริ่มจากออกแบบ LlmAgent และเขียน Tool ทั้ง Function Tool, Built-in Tool, OpenAPI และ MCP จากนั้นจัดการ Session, State และ Memory ควบคุมพฤติกรรมด้วย Callback แล้วต่อยอดสู่การแบ่งงานระหว่าง Agent ด้วย Sub-agent, AgentTool, Workflow Agent และ Graph Workflow ของ ADK 2.0 ปิดท้ายด้วยการวัดผลด้วยระบบ Evaluation การ Deploy ขึ้น Google Cloud และ Capstone สร้างระบบ Multi-Agent ของตนเอง (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
หลักสูตรนี้อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ที่ต่อยอดโจทย์เดียวตลอดหลักสูตร จาก Agent ตัวแรกไปจนถึงระบบ Help Desk แบบ Multi-Agent ระดับ Intermediate ใช้ Google ADK สำหรับ Python ร่วมกับโมเดล Gemini ผ่าน Google AI Studio หรือ Vertex AI Lab ส่วนใหญ่ทำงานบนเครื่องของผู้เรียน ส่วน Lab Deploy ใช้โปรเจกต์ Google Cloud ของผู้เรียนเอง หลักสูตรเน้น Google ADK โดยเฉพาะ ครอบคลุม Tool, Session, Callback, Multi-Agent, Graph Workflow ของ ADK 2.0, Evaluation และการ Deploy ผู้เรียนจะได้ Lab Guide โค้ด Python ตัวอย่างครบทุก Lab และโปรเจกต์ Capstone ต้นแบบกลับไปใช้งานต่อ
Section 1: Lab: เริ่มต้น Google ADK และ Agent ตัวแรก
Agentic AI คืออะไร และ ADK ต่างจากการเรียก LLM API ตรง ๆ อย่างไร
ภาพรวม ADK 2.0 และองค์ประกอบหลัก: Agent, Tool, Runner และ Session
ติดตั้ง ADK สร้างโปรเจกต์ด้วย adk create และตั้งค่า Gemini ผ่าน Google AI Studio หรือ Vertex AI
Lab: รัน Agent ตัวแรกด้วย adk run และทดสอบผ่าน Dev UI ด้วย adk web
Section 2: ออกแบบ LlmAgent ให้ทำงานแม่นยำ
name, description และ instruction ที่ช่วยให้ Agent ตัดสินใจได้ถูก พร้อมตัวแปรจาก State
เลือกโมเดล Gemini ปรับ generate_content_config และใช้โมเดลอื่นผ่าน LiteLLM
บังคับรูปแบบผลลัพธ์ด้วย output_schema และเก็บผลลง State ด้วย output_key
Lab: Agent ตอบคำถามสินค้าที่คืนผลเป็นโครงสร้างข้อมูล
Section 3: Lab: Function Tool ที่ Agent เรียกใช้ได้
เขียน Python Function เป็น Tool ด้วย Type Hint และ Docstring ที่ชัดเจน
ออกแบบค่าที่ส่งกลับ และใช้ ToolContext อ่านและเขียน State
Long Running Function Tool สำหรับงานที่ต้องรอผลหรือรออนุมัติ
Lab: Agent ตรวจสอบคำสั่งซื้อและคำนวณค่าจัดส่งจากข้อมูลตัวอย่าง
Section 4: Built-in Tool, OpenAPI และ MCP Tool
Built-in Tool อย่าง Google Search และ Code Execution พร้อมข้อจำกัดที่ต้องรู้
สร้าง Tool จาก OpenAPI Spec และเชื่อม MCP Server ผ่าน McpToolset
จัดการ Authentication และ Credential ของ Tool อย่างปลอดภัย
Lab: Agent ที่ค้นข้อมูลผ่าน MCP Server และเรียก API ภายในองค์กร
Section 5: Session, State, Memory และ Artifact
Session และ Event เก็บบริบทอย่างไร และ SessionService แบบต่าง ๆ
ขอบเขตของ State ด้วย Prefix user:, app: และ temp:
MemoryService สำหรับค้นความรู้จากบทสนทนาในอดีต และ Artifact สำหรับไฟล์
Lab: Agent ผู้ช่วยที่จำความชอบของผู้ใช้ข้าม Session ได้
Section 6: Lab: Callback, Plugin และ Guardrail
Callback ก่อนและหลังการทำงานของ Agent, Model และ Tool
กรองคำขอ ปิดบังข้อมูลส่วนบุคคล และตรวจอาร์กิวเมนต์ก่อนเรียก Tool ที่มีผลกระทบ
Plugin สำหรับนโยบายที่ใช้ร่วมกันทั้งแอป เช่น Logging และการจำกัดการใช้งาน
Lab: เพิ่ม Guardrail และ Audit Log ให้ Agent จาก Section ก่อนหน้า
Section 7: ออกแบบระบบ Multi-Agent
เมื่อไรควรแยกเป็นหลาย Agent และรูปแบบ Coordinator กับ Specialist
sub_agents และการส่งต่องาน (Transfer) เทียบกับการเรียก Agent เป็นเครื่องมือด้วย AgentTool
ภาพรวม A2A Protocol: เปิด Agent ให้ระบบอื่นเรียก และเรียก Remote Agent
Lab: ระบบ Help Desk ที่มี Agent คัดแยกและ Agent ผู้เชี่ยวชาญแต่ละด้าน
Section 8: Lab: Workflow Agent แบบ Sequential, Parallel และ Loop
SequentialAgent สำหรับงานที่ต้องทำตามลำดับเป็น Pipeline
ParallelAgent สำหรับงานที่แยกทำพร้อมกัน และ LoopAgent สำหรับรอบร่างและตรวจทาน
ส่งต่อผลลัพธ์ระหว่างขั้นตอนด้วย output_key และ State
Lab: Pipeline ค้นข้อมูล เขียนร่าง และตรวจทานรายงานอัตโนมัติ
Section 9: Graph Workflow และ Human-in-the-loop ใน ADK 2.0
แนวคิด Graph Workflow ที่มอง Agent, Tool และ Function เป็น Node
กำหนดเส้นทางแบบมีเงื่อนไขด้วย Route และ Dynamic Workflow ที่ใช้โค้ดควบคุม
หยุดรอการอนุมัติจากมนุษย์ (Human-in-the-loop) ก่อนทำขั้นตอนสำคัญ
Lab: Workflow อนุมัติคำขอที่ให้ผู้ใช้ยืนยันก่อนดำเนินการ
Section 10: Lab: Evaluation และ Observability
สร้าง Eval Set จากบทสนทนาใน Dev UI และรันด้วย adk eval
วัดทั้งลำดับการเรียก Tool และคุณภาพคำตอบ
ดู Trace ของ Event และ Tool Call เพื่อหาสาเหตุที่ Agent ตอบผิด
Lab: เขียนชุดทดสอบให้ระบบ Help Desk และแก้จนผ่านเกณฑ์
Section 11: เรียกใช้ผ่าน API และ Deploy ขึ้น Google Cloud
ใช้ Runner อ่าน Event แบบ Streaming และเปิด API ด้วย adk api_server
เปรียบเทียบ Agent Runtime, Cloud Run และ GKE แล้ว Deploy ด้วย adk deploy
จัดการ Secret, Session แบบถาวร, สิทธิ์การเข้าถึง และ Log บน Production
Lab: Deploy ระบบ Help Desk ขึ้น Cloud Run และเรียกจากหน้าเว็บ
Section 12: Workshop: Capstone ระบบ Multi-Agent
เลือกโจทย์จากงานจริง เช่น ผู้ช่วยฝ่ายขาย ผู้ช่วย HR หรือ Help Desk ภายใน
ออกแบบบทบาทของ Agent, Tool, State และ Guardrail
สร้างระบบด้วย ADK พร้อม Eval Set อย่างน้อยหนึ่งชุด
นำเสนอผลงาน รีวิวร่วมกัน และสรุป Checklist ก่อนขึ้น Production
ຂະນະນີ້ຍັງບໍ່ມີຮອບຝຶກອົບຮົມເປີດຮັບສະໝັກ ລົງຊື່ຈອງໄວ້ໄດ້ເລີຍ ທີມງານຈະຕິດຕໍ່ກັບເປັນກຸ່ມທຳອິດເມື່ອເປີດຮອບຕໍ່ໄປ ຫຼື ສອບຖາມທາງ LINE ຫຼື ໂທ 02-570-8449 ຫຼື 088-807-9770
Google ADK (Agent Development Kit) คือเฟรมเวิร์กสำหรับสร้าง AI Agent ด้วย Python ถ้าเรียก LLM API ตรง ๆ ต้องเขียนเองทั้งการเรียกเครื่องมือ การเก็บบริบท และการวนรอบตัดสินใจ ส่วน ADK มีองค์ประกอบสำเร็จรูป ได้แก่ Agent, Tool, Runner และ Session พร้อม Dev UI สำหรับทดสอบ คำสั่ง adk eval สำหรับวัดผล และคำสั่ง adk deploy สำหรับขึ้น Google Cloud
เขียนเป็น Python Function ธรรมดาที่มี Type Hint ของพารามิเตอร์ และ Docstring อธิบายชัดว่าทำอะไรและคืนค่าอะไร เพราะ ADK ใช้ข้อมูลเหล่านี้บอกโมเดลว่าเมื่อไรควรเรียก Tool จากนั้นใส่ Function ลงใน tools ของ LlmAgent ค่าที่ส่งกลับควรเป็น Dictionary ที่บอกสถานะและผลลัพธ์ และใช้ ToolContext เมื่อต้องอ่านหรือเขียน State
ทั้งสามเป็น Workflow Agent ที่คุมลำดับการทำงานของ Sub-agent แบบกำหนดไว้ล่วงหน้า SequentialAgent ทำงานทีละขั้นตามลำดับเหมือน Pipeline ParallelAgent ให้ Sub-agent ทำงานพร้อมกันเมื่องานไม่ขึ้นต่อกัน ส่วน LoopAgent ทำซ้ำเป็นรอบ เช่น ร่างแล้วตรวจทานจนผ่านเกณฑ์หรือครบจำนวนรอบ ผลลัพธ์ระหว่างขั้นส่งต่อกันผ่าน output_key และ State
เหมาะกับนักพัฒนา Python ที่ต้องการสร้าง AI Agent สำหรับงานจริง AI Engineer และ Backend Developer ที่ต้องการเฟรมเวิร์กสำหรับระบบ Multi-Agent และทีมที่ใช้ Google Cloud หรือ Gemini อยู่แล้ว ควรเขียน Python ระดับใช้งานได้ เช่น Function, Class และ Virtual Environment เข้าใจพื้นฐานการใช้ LLM และการเขียน Prompt และใช้ Command Line, Git และ REST API ขั้นพื้นฐานได้
สร้าง Agent ด้วยโมเดล Gemini พร้อม Tool ที่เชื่อมระบบภายนอกผ่าน Function Tool, OpenAPI และ MCP จัดการ Session, State และ Memory ใส่ Guardrail ด้วย Callback ออกแบบระบบ Multi-Agent และ Workflow วัดคุณภาพด้วย Evaluation และ Deploy ขึ้น Google Cloud ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
ควรมีโน้ตบุ๊กที่ติดตั้ง Python เวอร์ชันที่ ADK รองรับและ VS Code ได้ พร้อมบัญชี Google สำหรับ Google AI Studio เพราะ Lab ส่วนใหญ่ทำบนเครื่องของผู้เรียน ส่วน Lab การ Deploy ใช้โปรเจกต์ Google Cloud ของผู้เรียนเอง ผู้เรียนจะได้ Lab Guide โค้ด Python ตัวอย่างครบทุก Lab และโปรเจกต์ Capstone ต้นแบบกลับไปใช้งานต่อ
AI ยุคนี้ไม่ได้เป็นแค่แชทบอทที่ตอบคำถาม แต่เป็น Agentic AI ที่วางแผนและลงมือทำงานแทนเราได้ โดยมีมาตรฐานเปิดสองตัวเป็นแกนกลาง คือ MCP (Model Context Protocol) ที่ให้ AI เรียกใช้เครื่องมือ ไฟล์ และฐานข้อมูลได้แบบมาตรฐานเดียว และ A2A (Agent2Agent) ที่ให้ Agent…
งานอัตโนมัติแบบเดิมทำงานตามเงื่อนไขที่เขียนไว้ล่วงหน้า พอเจอข้อความที่ไม่ตรงรูปแบบหรือคำถามที่ต้องดูข้อมูลหลายแหล่งประกอบกันก็ไปต่อไม่ได้ Agentic AI เปลี่ยนโจทย์นี้ด้วยการให้ LLM เป็นผู้ตีความ วางแผน และเลือกเครื่องมือเองว่าต้องดึงข้อมูลอะไร จากที่ไหน…
ที่ผ่านมาองค์กรใช้ AI ในรูปแบบถาม-ตอบเป็นหลัก คนถาม AI ตอบ แล้วคนนำผลไปทำต่อเองทุกครั้ง แต่ปัจจุบัน AI ก้าวข้ามจากผู้ช่วยที่รอรับคำสั่ง ไปสู่ AI Agent ที่รับเป้าหมายเป็นภาษามนุษย์ แล้ววางแผนเอง เลือกใช้เครื่องมือเอง ทำงานหลายขั้นตอนต่อเนื่อง ตรวจสอบผลลัพธ์…
