ໂທ. 02-570-8449 ມືຖື 088-807-9770 ຊຳລະເງິນ
ຈ–ສ 9:00–17:00 ໂມງ @itgenius
ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Institute
ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Institute
ຫຼັກສູດເວີກຊັອບຕາຕະລາງຝຶກອົບຮົມ
ສຳລັບອົງກອນ
ຝຶກອົບຮົມພາຍໃນອົງກອນ (In-house)AI Transformationຝຶກອົບຮົມໜ່ວຍງານລັດບໍລິການພັດທະນາລະບົບເຊົ່າຫ້ອງຝຶກອົບຮົມ
ບົດຄວາມ
ກ່ຽວກັບພວກເຮົາ
ຮູ້ຈັກສະຖາບັນໄອທີຈີເນຍສ໌ວິທະຍາກອນຜົນງານລູກຄ້າຂອງພວກເຮົາຊ່ອງທາງຊຳລະເງິນ
ຕິດຕໍ່ພວກເຮົາຄອສອອນລາຍ
ຮູບແບບສີ
ພາສາ
THENLA
ສອບຖາມຫຼັກສູດເລືອກຊ່ອງທາງທີ່ສະດວກ ທີມງານຕອບເອງທຸກຊ່ອງທາງ
LINE @itgeniusຕອບໄວທີ່ສຸດ · ຈ–ສ 9:00–17:00 ໂມງ
ໂທລະສັບ
02-570-8449ຫ້ອງການ088-807-9770ມືຖື
ອີເມວ ແລະ ໂຊຊຽວ
contact@itgenius.co.thສຳລັບໃບສະເໜີລາຄາ ແລະ ເອກະສານFacebookitgeniusonlineYouTubeitgeniusengຂໍຄຳປຶກສາຈັດຝຶກອົບຮົມໃຫ້ທີມ
ໜ້າຫຼັກ / ຫຼັກສູດ / AI / ລາຍລະອຽດ
AI · AIC-103

ChatGPT Prompt Engineering for Developers

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

ອັບເດດລ່າສຸດ
ChatGPT Prompt Engineering for Developers
ລາຄາເລີ່ມຕົ້ນ 6,210 ບາດ / ທ່ານ 6,900 −10% ຍັງບໍ່ລວມ VAT 7% · ມີລາຄາໝູ່ຄະນະ
ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ ລົງຊື່ຈອງໄວ້
PDFດາວໂຫຼດ Course Outline
  • ໄລຍະເວລາ12 ຊົ່ວໂມງ · 2 ມື້
  • ຮູບແບບຢູ່ສະຖາບັນ / ອອນລາຍສົດ
  • ຮອບຕໍ່ໄປເປີດຕາມຄຳຂໍ
  • ໃບຢັ້ງຢືນມີໃບຢັ້ງຢືນ

ພາບລວມຫຼັກສູດ

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)

ສິ່ງທີ່ທ່ານຈະໄດ້ຮັບ

  • เข้าใจหลักการทำงานของ LLM ที่ส่งผลต่อคุณภาพคำตอบ เช่น Token, Context และ Reasoning
  • เขียน Prompt ที่ชัดเจน มีบริบท และกำหนดรูปแบบผลลัพธ์ได้อย่างเป็นระบบ
  • ใช้ ChatGPT ช่วยเขียนโค้ด รีวิวโค้ด สร้าง Unit Test และหาสาเหตุ Bug ได้อย่างมีประสิทธิภาพ
  • ตรวจสอบและประเมินโค้ดที่ AI สร้างขึ้นก่อนนำไปใช้จริง
  • เรียกใช้ OpenAI Responses API จากโค้ดได้อย่างถูกต้องและปลอดภัย
  • ใช้ Structured Outputs และ Function Calling ในการสร้างฟีเจอร์ AI
  • สร้างชุด Evaluation สำหรับวัดคุณภาพ Prompt และเปรียบเทียบโมเดลอย่างเป็นรูปธรรม
  • เข้าใจความเสี่ยงอย่าง Prompt Injection และการรั่วไหลของข้อมูล พร้อมแนวทางป้องกัน

ຫຼັກສູດນີ້ເໝາະສຳລັບ

  • นักพัฒนาซอฟต์แวร์ที่ใช้ ChatGPT ในงานประจำวันและต้องการผลลัพธ์ที่สม่ำเสมอขึ้น
  • นักพัฒนาที่ต้องสร้างฟีเจอร์ AI ในระบบขององค์กรผ่าน OpenAI API
  • Tech Lead ที่ต้องการวางแนวปฏิบัติการใช้ AI ในทีมพัฒนา
  • QA Engineer ที่ต้องการใช้ AI ช่วยออกแบบ Test Case และสร้าง Test

ພື້ນຖານຂອງຜູ້ເຂົ້າຝຶກອົບຮົມ

  • เขียนโปรแกรมได้อย่างน้อย 1 ภาษา ตัวอย่างในคลาสใช้ Python เป็นหลัก
  • เข้าใจพื้นฐาน HTTP, JSON และการเรียกใช้ API
  • ใช้งาน Command Line และ Visual Studio Code ได้
  • ไม่จำเป็นต้องมีพื้นฐาน Machine Learning ผู้ที่ถนัดภาษาอื่นนำแนวคิดไปใช้กับ SDK ของภาษานั้นได้

ຫົວຂໍ້ການຝຶກອົບຮົມ

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

Day 1 Prompt Engineering for Software Development

Section 1: LLM ทำงานอย่างไรในมุมนักพัฒนา

  • Token, Context Window และผลต่อความยาวของ Input และ Output
  • ความไม่แน่นอนของผลลัพธ์ และเหตุผลที่ต้องตรวจสอบเสมอ
  • Reasoning Model กับงานที่ต้องคิดหลายขั้นตอน
  • ข้อจำกัดสำคัญ: Hallucination, Knowledge Cutoff และ API ที่ไม่มีอยู่จริง

Section 2: หลักการเขียน Prompt ที่ดี

  • องค์ประกอบของ Prompt: บทบาท บริบท งาน ข้อจำกัด และรูปแบบผลลัพธ์
  • ใช้ Delimiter แยกคำสั่งออกจากข้อมูล
  • Zero-shot, Few-shot และการเลือกตัวอย่างที่ดี
  • แบ่งงานซับซ้อนเป็นขั้นตอน และให้โมเดลตรวจทานผลของตนเอง
  • Lab: ปรับ Prompt เดิมของผู้เรียนแล้วเทียบผลก่อนและหลัง

Section 3: Lab: Prompt สำหรับเขียนและปรับปรุงโค้ด

  • สร้างโค้ดจาก Requirement พร้อมระบุภาษา เวอร์ชัน และมาตรฐานของทีม
  • Refactoring และการอธิบาย Legacy Code
  • แปลงโค้ดข้ามภาษาและข้ามเวอร์ชันอย่างระมัดระวัง
  • Lab: ให้ ChatGPT สร้างและปรับโค้ดของ DevAssist ตาม Requirement

Section 4: Lab: Prompt สำหรับรีวิว ทดสอบ และแก้ Bug

  • Code Review แบบมี Checklist ด้าน Security, Performance และ Readability
  • สร้าง Unit Test และ Edge Case จากโค้ดหรือ Requirement แล้วตรวจว่าครอบคลุมจริง
  • วิเคราะห์ Error Log และ Stack Trace ด้วยการตั้งคำถามทีละขั้น
  • Lab: รีวิวโค้ดและไล่หาสาเหตุ Bug จาก Bug Report จำลอง

Section 5: Prompt สำหรับเอกสารและการใช้ AI ในองค์กร

  • สร้าง README, API Documentation และ Commit Message
  • เขียน SQL และ Regular Expression พร้อมคำอธิบาย
  • ตรวจโค้ดที่ AI สร้างก่อนใช้: Test, Dependency และ License
  • ข้อมูลที่ห้ามส่งเข้า ChatGPT และแนวปฏิบัติของทีม

Section 6: Workshop: Prompt Library ของ DevAssist

  • สร้าง Prompt อย่างน้อย 5 ชุด: Code Generation, Code Review, Unit Test, Bug Analysis และ Documentation
  • ทดสอบกับโค้ดและ Bug Report จำลอง
  • บันทึกผลเปรียบเทียบก่อนและหลังปรับ Prompt
  • จัดเก็บเป็น Template ที่ทีมใช้ซ้ำได้
Day 2 Building AI Features with OpenAI API (Master Workshop)

Section 7: Lab: เริ่มต้นกับ OpenAI Responses API

  • โครงสร้าง Request: Instructions, Input และ Model
  • เลือกโมเดลในตระกูล GPT-6 ตามคุณภาพ ความเร็ว และค่าใช้จ่าย
  • จัดการ API Key, Timeout, Retry และ Rate Limit
  • การสนทนาหลายรอบ และ Streaming ผลลัพธ์
  • Assistants API ปิดให้บริการแล้ว และแนวทางย้ายมาใช้ Responses API

Section 8: Structured Outputs

  • กำหนด JSON Schema ให้ผลลัพธ์ตรงรูปแบบที่ระบบต้องการ
  • ใช้ Pydantic นิยาม Schema และตรวจสอบผลลัพธ์
  • รับมือกรณีโมเดลปฏิเสธหรือข้อมูลไม่ครบ
  • Lab: ผลรีวิวโค้ดเป็น JSON (ประเด็น ระดับความรุนแรง ข้อเสนอแนะ)

Section 9: Function Calling (Tools)

  • นิยาม Tool และ Parameter ให้โมเดลเลือกเรียก
  • วงจรการทำงาน: โมเดลขอเรียก Tool, ระบบรันฟังก์ชัน และส่งผลกลับ
  • ออกแบบ Tool ให้ปลอดภัย จำกัดสิทธิ์ และตรวจ Argument ทุกครั้ง
  • Lab: Tool อ่านไฟล์ที่เกี่ยวข้องในโปรเจกต์ตัวอย่าง

Section 10: Evaluation: วัดคุณภาพ Prompt อย่างเป็นระบบ

  • สร้างชุด Test Case และเกณฑ์ผ่านที่ชัดเจน
  • ตรวจผลแบบ Rule-based และแบบ LLM-as-a-Judge
  • เปรียบเทียบ Prompt และโมเดลด้วย pytest พร้อมติดตามค่าใช้จ่าย
  • Lab: วัดผล Prompt รีวิวโค้ดสองเวอร์ชัน

Section 11: Security และการใช้กับโมเดลอื่น

  • Prompt Injection ทั้งแบบตรงและแบบแฝงในข้อมูล พร้อมแนวทางป้องกัน
  • ไม่ส่งข้อมูลลับและข้อมูลส่วนบุคคลเข้าสู่ Prompt ตามหลัก PDPA
  • หลักการที่ใช้ได้กับ LLM ค่ายอื่น และจุดที่ต้องปรับเมื่อเปลี่ยนโมเดล
  • Lab: ทดลองโจมตี DevAssist ด้วย Prompt Injection แล้ววางมาตรการป้องกัน

Section 12: Master Workshop: DevAssist CLI

  • CLI ด้วย Python ที่รับไฟล์โค้ดแล้วรีวิวผ่าน Responses API
  • คืนผลเป็น JSON ตาม Schema และใช้ Function Calling อ่านไฟล์ที่เกี่ยวข้อง
  • ชุด Evaluation ด้วย pytest และผ่านการทดสอบ Prompt Injection
  • นำเสนอผลเปรียบเทียบคุณภาพของ Prompt แต่ละเวอร์ชัน

ຮອບຝຶກອົບຮົມ ແລະ ຮູບແບບການຝຶກອົບຮົມ

ສຳລັບບຸກຄົນ — ຮອບຝຶກອົບຮົມທົ່ວໄປ

ຂະນະນີ້ຍັງບໍ່ມີຮອບຝຶກອົບຮົມເປີດຮັບສະໝັກ ລົງຊື່ຈອງໄວ້ໄດ້ເລີຍ ທີມງານຈະຕິດຕໍ່ກັບເປັນກຸ່ມທຳອິດເມື່ອເປີດຮອບຕໍ່ໄປ ຫຼື ສອບຖາມທາງ LINE ຫຼື ໂທ 02-570-8449 ຫຼື 088-807-9770

ລົງຊື່ຈອງໄວ້ ສອບຖາມຮອບຝຶກອົບຮົມ

ສຳລັບອົງກອນ — In-house / Private Training

  • ປັບເນື້ອໃນໃຫ້ກົງກັບເຄື່ອງມື ແລະ ວຽກຈິງຂອງທີມ
  • ເລືອກວັນເອງ ຝຶກອົບຮົມທີ່ບໍລິສັດ ຫຼື ອອນລາຍສົດ
  • ອອກໃບສະເໜີລາຄາໃນນາມນິຕິບຸກຄົນໃຫ້ຝ່າຍຈັດຊື້
ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ

ວິທະຍາກອນຜູ້ສອນ

ຄຳຖາມທີ່ພົບເລື້ອຍ

หลักสูตรนี้ต่างจาก Advanced Prompt Engineering & AI Evaluation และ Prompt Engineering for Business อย่างไร

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

ต่างจากหลักสูตร ChatGPT Codex for Development Teams อย่างไร

ChatGPT Codex for Development Teams เน้นการใช้ Coding Agent ให้ช่วยทำงานในโค้ดของทีม ส่วนหลักสูตรนี้เน้นทักษะการเขียน Prompt ที่ควบคุมผลได้ และการเรียก OpenAI API จากโค้ดเพื่อสร้างฟีเจอร์ AI ในระบบของตนเอง ทั้งสองหลักสูตรเสริมกันได้ ผู้ที่ต้องการทั้งใช้ AI ช่วยเขียนโค้ดและสร้างฟีเจอร์ AI ในระบบเรียนต่อกันได้

ต้องเตรียมบัญชีอะไรบ้าง และสถาบันจัดเตรียมให้หรือไม่

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

ไม่ได้เขียน Python เรียนได้หรือไม่

เรียนได้ วันแรกใช้ ChatGPT กับโค้ดภาษาใดก็ได้ ส่วนวันที่สองตัวอย่างใช้ Python เพราะอ่านง่ายและมี SDK ทางการของ OpenAI ผู้ที่ถนัด JavaScript/TypeScript หรือ Java นำแนวคิดเดียวกันไปใช้กับ SDK ของภาษานั้นได้ และผู้สอนจะชี้จุดเทียบให้ระหว่างเรียน แต่ควรอ่านโค้ด Python พื้นฐานได้และเข้าใจการเรียกใช้ API

เนื้อหาจะยังใช้ได้ไหมเมื่อ OpenAI เปลี่ยนโมเดล หรือถ้าองค์กรใช้ LLM ค่ายอื่น

ใช้ได้ หลักการเขียน Prompt, Structured Outputs, Function Calling และการวัดผลด้วย Evaluation เป็นแนวคิดที่ใช้ได้กับ LLM เกือบทุกค่าย ในคลาสใช้ Responses API และโมเดลตระกูล GPT-6 ที่เป็นปัจจุบันในวันอบรม และมีหัวข้อสรุปจุดที่ต้องปรับเมื่อเปลี่ยนโมเดลหรือผู้ให้บริการ ชุด Evaluation ที่สร้างในคลาสยังช่วยตรวจได้ทันทีว่าโมเดลใหม่ให้ผลดีขึ้นหรือแย่ลง

ใช้โค้ดหรือข้อมูลจริงของทีมในคลาสได้หรือไม่

Lab หลักใช้ Source Code และ Bug Report จำลองที่เตรียมไว้ ผู้เรียนนำตัวอย่างโค้ดของทีมมาทดลองเพิ่มเติมได้ หากโค้ดนั้นไม่มีข้อมูลลับ API Key หรือข้อมูลส่วนบุคคล และได้รับอนุญาตตามนโยบายขององค์กร ซึ่งเป็นแนวปฏิบัติเดียวกับที่สอนในหัวข้อความปลอดภัยของหลักสูตร

ບົດຄວາມທີ່ກ່ຽວຂ້ອງ

ບົດຄວາມເຜີຍແຜ່ເປັນພາສາໄທ.