AI Agents for Business

Section 1: ทำความรู้จัก AI Agents

• AI Agent คืออะไร และต่างจาก Chatbot, Workflow และ Custom GPT อย่างไร
• จากการถาม-ตอบ สู่การมอบหมายเป้าหมาย: Perceive, Plan, Act และ Observe
• ระดับความอิสระของ Agent (Autonomy) และการเลือกระดับที่เหมาะกับความเสี่ยงของงาน
• ตัวอย่าง Use Case ของ AI Agent ในองค์กรแต่ละแผนก และงานที่เหมาะและไม่เหมาะกับ Agent

Section 2: กายวิภาคของ AI Agent

• องค์ประกอบหลักของ Agent: สมอง (LLM), ความจำ (Memory), เครื่องมือ (Tools) และการวางแผน (Planning)
• Agent Loop: การรับรู้ วางแผน ลงมือ และตรวจสอบผลลัพธ์เพื่อปรับแก้
• บทบาทของ System Prompt และเป้าหมาย (Goal) ในการกำหนดพฤติกรรมของ Agent
• ข้อจำกัดและความเสี่ยงของ Agent: การวนลูป การตัดสินใจผิด และต้นทุนที่บานปลาย

Section 3: Agent Patterns สำคัญ

• ReAct (Reason + Act) ให้ Agent คิดสลับกับลงมือทำ
• Tool-use Pattern การเลือกและเรียกใช้เครื่องมือให้ตรงกับงาน
• Planning Pattern การแตกเป้าหมายใหญ่เป็นงานย่อยและลำดับขั้นตอน
• Reflection Pattern ให้ Agent ตรวจงานตัวเองและปรับปรุงก่อนส่งมอบ และการเลือก Pattern ให้เหมาะกับประเภทงานและต้นทุน

Section 4: สร้าง AI Agent ตัวแรกแบบ No-code / Low-code

• ภาพรวมแพลตฟอร์มสำหรับสร้าง Agent โดยไม่ต้องเขียนโปรแกรม และการกำหนดเป้าหมาย บทบาท และขอบเขตการทำงาน
• การตั้งค่า Instructions และเงื่อนไขการหยุด (Stopping Condition) เพื่อไม่ให้ Agent ทำงานเกินขอบเขต
• การทดสอบและสังเกตการวางแผนและการตัดสินใจของ Agent
• Workshop: สร้าง AI Agent ที่รับโจทย์หนึ่งงานแล้ววางแผนทำงานหลายขั้นตอนจนได้ผลลัพธ์

Section 5: Tools และ Function Calling ให้ Agent ทำงานจริง

• แนวคิด Tools และ Function Calling ที่ทำให้ Agent ลงมือทำได้ ไม่ใช่แค่ตอบ
• การต่อเครื่องมือที่ใช้บ่อย เช่น ค้นข้อมูล เรียก API คำนวณ และอ่านเขียนไฟล์
• การเขียนคำอธิบายเครื่องมือ (Tool Description) ให้ Agent เลือกใช้ได้ถูกจังหวะ และการจัดการกรณี Agent เรียกเครื่องมือผิด
• Workshop: ต่อ Tools ให้ Agent ดึงข้อมูลจากบริการภายนอกและทำงานให้เสร็จตามเป้าหมาย

Section 6: Memory และ Knowledge สำหรับ Agent

• ความจำระยะสั้นและระยะยาว (Short-term / Long-term Memory) และผลต่อพฤติกรรมของ Agent
• การให้ Agent ใช้ข้อมูลจริงขององค์กรด้วย RAG (Retrieval Augmented Generation)
• การจัดการ Context และการเลือกข้อมูลที่เกี่ยวข้องเข้าสู่ Agent
• การลดการตอบผิด (Hallucination) และการให้ Agent อ้างอิงแหล่งข้อมูล

Section 7: Multi-Agent System และ Orchestration

• เหตุใดงานบางอย่างจึงต้องใช้หลาย Agent แทนที่จะเป็น Agent เดียว
• รูปแบบการทำงานร่วมกัน: Supervisor กับ Worker, การแบ่งบทบาท และการส่งต่องาน (Hand-off)
• การประสานงานระหว่าง Agent การรวมผลลัพธ์ (Aggregation) และข้อควรระวังด้านความซับซ้อนและต้นทุน
• Workshop: ออกแบบทีม Agent 2-3 ตัวที่แบ่งบทบาททำงานหนึ่งกระบวนการร่วมกัน

Section 8: เชื่อม AI Agent เข้ากับระบบงานจริง

• การเชื่อม Agent เข้ากับข้อมูลและระบบผ่าน MCP (Model Context Protocol)
• การวาง Agent ไว้ในกระบวนการอัตโนมัติด้วย n8n และการรับเหตุการณ์ด้วย Webhook
• การเชื่อมช่องทางสื่อสาร เช่น Gmail, LINE และ Slack ให้ Agent รับงานและส่งผลได้
• แนวทางการเชื่อมฐานข้อมูลและระบบภายในองค์กรอย่างปลอดภัย (Demo)

Section 9: Reliability, Guardrails และ Human-in-the-loop

• การออกแบบ Guardrail เพื่อจำกัดขอบเขตสิ่งที่ Agent ทำได้
• จุดที่ต้องมีมนุษย์อนุมัติก่อน (Human-in-the-loop) สำหรับงานที่มีความเสี่ยงสูง
• การจัดการข้อผิดพลาด การวนลูป และการตั้งเพดานจำนวนขั้นตอนและต้นทุน และการทดสอบประเมินคุณภาพ Agent ก่อนใช้จริง
• Workshop: เพิ่ม Guardrail และจุดอนุมัติของมนุษย์ให้กับ Agent จาก Workshop ก่อนหน้า

Section 10: Security, Cost, PDPA และ AI Governance สำหรับ Agent

• ความเสี่ยงเฉพาะของ Agent: การเข้าถึงเครื่องมือมากเกินไป และ Prompt Injection ผ่านข้อมูลภายนอก
• การจัดการสิทธิ์และ Credential ตามหลัก Least Privilege
• ข้อมูลที่ห้ามให้ Agent เข้าถึงและการปกป้องข้อมูลส่วนบุคคลตาม PDPA
• การควบคุมต้นทุนการใช้งาน และการทำ Audit Trail และ AI Usage Policy สำหรับ Agent

Section 11: Capstone Project และการนำไปใช้จริง

• โจทย์: สร้าง AI Agent สำหรับงานจริงของผู้เรียนหนึ่งงานแบบครบวงจร กำหนดเป้าหมาย บทบาท Tools และ Memory พร้อมวาง Guardrail และจุดอนุมัติของมนุษย์
• เชื่อม Agent เข้ากับระบบหรือช่องทางที่ใช้จริง แล้วทดสอบตั้งแต่ต้นจนจบ
• นำเสนอผลงานและรับ Feedback แนวทางการนำไปใช้จริงใน 30 วันแรก และการต่อยอดสู่ระบบ Agent ขององค์กร