Generative AI for Software Developers
หลักสูตร Generative AI for Software Developers เป็นการอบรมใช้ Prompt ภาษาอังกฤษกับ ChatGPT และ Claude ตลอดวงจรพัฒนาซอฟต์แวร์ ตั้งแต่ออกแบบระบบ เขียนโค้ด จัดการ Legacy Code แก้ Bug และเขียน Test จนถึงทำงานกับ GitHub Copilot, Coding Agent, LLM API, RAG และ MCP เหมาะกับนักพัฒนา Tech Lead และฟรีแลนซ์
- ໄລຍະເວລາ18 ຊົ່ວໂມງ · 3 ມື້
- ຮູບແບບຢູ່ສະຖາບັນ / ອອນລາຍສົດ
- ຮອບຕໍ່ໄປ14–16 ກ.ຍ. 27
- ໃບຢັ້ງຢືນມີໃບຢັ້ງຢືນ
ພາບລວມຫຼັກສູດ
Generative AI กลายเป็นส่วนหนึ่งของงานพัฒนาซอฟต์แวร์ประจำวัน ตั้งแต่ออกแบบระบบ เขียนโค้ด แก้ Bug เขียน Test ไปจนถึงทำเอกสาร แต่ผลลัพธ์ที่ได้ขึ้นอยู่กับว่านักพัฒนาสื่อสารกับ AI ได้ชัดเจนแค่ไหน ให้บริบทเพียงพอหรือไม่ และตรวจสอบผลงานของ AI อย่างไร นักพัฒนาที่ใช้ AI โดยไม่มีหลักมักได้โค้ดที่ดูถูกแต่มีข้อผิดพลาดแฝง หรือเผลอส่งข้อมูลสำคัญออกไปโดยไม่ตั้งใจ
หลักสูตรนี้พานักพัฒนาใช้ Generative AI อย่างเป็นระบบตลอดวงจรการพัฒนาซอฟต์แวร์ เริ่มจากเข้าใจการทำงานของ LLM เขียน Prompt ภาษาอังกฤษและจัดบริบทให้ AI ด้วย ChatGPT และ Claude ใช้ AI ออกแบบระบบ ฐานข้อมูล และ API จัดการ Legacy Code แก้ Bug และเขียน Test ใช้ GitHub Copilot ใน IDE และทำงานร่วมกับ Coding Agent จากนั้นสร้าง UI ต้นแบบ เรียก LLM API จากโค้ด สร้าง Chatbot แบบ RAG และเชื่อมเครื่องมือด้วย MCP โดยเน้นความปลอดภัยและการตรวจผลทุกขั้น (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Intermediate)
ສິ່ງທີ່ທ່ານຈະໄດ້ຮັບ
- เข้าใจการทำงานของ LLM และเลือกเครื่องมือ AI ให้เหมาะกับงานพัฒนาแต่ละแบบ
- เขียน Prompt ภาษาอังกฤษและจัดบริบทให้ AI สร้างผลลัพธ์ที่ตรงความต้องการ
- ใช้ AI ช่วยออกแบบระบบ ฐานข้อมูล API และ Diagram
- ใช้ AI อธิบาย Refactor และจัดการ Legacy Code อย่างปลอดภัย
- ใช้ AI ช่วย Debug และเขียน Unit Test
- ทำงานร่วมกับ GitHub Copilot และ Coding Agent พร้อมรีวิวผลงานได้
- เรียก LLM API จากโค้ด และสร้าง Chatbot แบบ RAG กับ MCP Server อย่างง่าย
- ใช้ AI ตามแนวปฏิบัติที่ดีด้านความปลอดภัย ลิขสิทธิ์ และข้อมูลส่วนบุคคล
ຫຼັກສູດນີ້ເໝາະສຳລັບ
- Software Developer ทั้ง Frontend, Backend และ Full-stack
- Tech Lead และ Software Architect ที่ต้องวางแนวทางใช้ AI ของทีม
- นักพัฒนาฟรีแลนซ์และ Startup ที่ต้องการสร้างงานต้นแบบได้เร็วขึ้น
- QA และ DevOps Engineer ที่ต้องการใช้ AI ช่วยงาน Test และ Automation
- นักพัฒนาที่ดูแลระบบเก่าและต้องการใช้ AI ช่วยอ่านและปรับปรุงโค้ด
ພື້ນຖານຂອງຜູ້ເຂົ້າຝຶກອົບຮົມ
- เขียนโปรแกรมได้อย่างน้อยหนึ่งภาษา เช่น Python, JavaScript, TypeScript หรือ Java
- เข้าใจหลักการพื้นฐานของซอฟต์แวร์ เช่น API, Database และ Git
- อ่านภาษาอังกฤษได้ในระดับพื้นฐาน ไม่จำเป็นต้องคล่อง
- โน้ตบุ๊กที่ติดตั้ง VS Code, Git และ Python ได้ พร้อมบัญชี ChatGPT, Claude และ GitHub ของผู้เรียน
ຫົວຂໍ້ການຝຶກອົບຮົມ
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ที่มาแทนเนื้อหาเดิมของหลักสูตร Generative AI for Software Developer โดยยังคงแกนเดิม คือการใช้ Prompt ภาษาอังกฤษกับ ChatGPT และ Claude ในงานออกแบบระบบ เขียนและวิเคราะห์โค้ด จัดการ Legacy Code และสร้างเว็บต้นแบบกับ Chatbot แต่เพิ่ม Context Engineering, Debug และ Unit Test, GitHub Copilot แบบ Agent, Coding Agent อย่าง Claude Code และ Codex, การเรียก LLM API,
RAG และ MCP อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ทุกหัวข้อ ระดับ Intermediate ผู้เรียนใช้บัญชีและ API Key ของตนเอง บางเครื่องมือต้องใช้แพ็กเกจแบบเสียเงินหรือเครดิต API ซึ่งผู้เรียนชำระเอง ผู้ที่ต้องการวางระบบ Coding Agent ให้ทั้งทีมสามารถเรียนต่อในหลักสูตร AI Coding Agent for SDLC
Day 1 พื้นฐาน Generative AI และ Prompt สำหรับนักพัฒนา
Section 1: Generative AI สำหรับนักพัฒนาในปี 2026
- LLM ทำงานอย่างไร: Token, Context Window, Transformer และ Reasoning Model
- Chat Assistant, Coding Assistant และ Coding Agent ต่างกันอย่างไร
- ภาพรวมเครื่องมือ: ChatGPT, Claude, Gemini, GitHub Copilot, Claude Code และ Codex
- จุดแข็ง ข้อจำกัด และ Hallucination ที่นักพัฒนาต้องรู้
- Lab: เปรียบเทียบคำตอบของหลายโมเดลกับโจทย์โค้ดเดียวกัน
Section 2: Lab: เตรียมเครื่องมือและบัญชีอย่างปลอดภัย
- ตั้งค่า ChatGPT และ Claude ด้วยบัญชีของผู้เรียน และใช้ Projects เก็บบริบทงาน
- ติดตั้ง GitHub Copilot ใน VS Code
- สร้าง API Key และเก็บไว้ใน Environment Variable อย่างปลอดภัย
- ตั้งค่าความเป็นส่วนตัว การใช้ข้อมูล และนโยบายองค์กรก่อนส่งโค้ดให้ AI
- ค่าใช้จ่าย โควตา และการติดตามการใช้งาน API
Section 3: Lab: Prompt ภาษาอังกฤษสำหรับ Developer
- โครงสร้าง Prompt: Role, Task, Context, Constraints และ Output Format
- ศัพท์และรูปประโยคภาษาอังกฤษที่ใช้สั่งงาน AI ได้ชัดเจน
- Few-shot Example และการให้ AI ถามกลับเมื่อโจทย์ไม่ชัด
- ปรับ Prompt แบบวนรอบ และสั่งให้ AI ตรวจคำตอบของตัวเอง
- Lab: เขียน Prompt Template สำหรับ Generate, Refactor และ Explain Code
Section 4: Context Engineering
- ส่งโค้ด ไฟล์ และ Error ให้ AI อย่างพอดี ไม่มากหรือน้อยเกินไป
- ไฟล์คำสั่งประจำโปรเจกต์: AGENTS.md, CLAUDE.md และ copilot-instructions.md
- ขอผลลัพธ์แบบมีโครงสร้าง เช่น JSON, ตาราง และ Diff
- จัดการบทสนทนายาวและเริ่มบริบทใหม่เมื่อคำตอบเริ่มหลุด
- Lab: เขียนไฟล์คำสั่งประจำโปรเจกต์ตัวอย่าง
Section 5: Lab: ใช้ AI เขียนและอธิบายโค้ด
- Generate Function และ Class จาก Requirement
- ให้ AI อธิบายโค้ดทีละบรรทัดและแปลงโค้ดข้ามภาษา
- สร้าง SQL, Regex และ Script อัตโนมัติด้วย Prompt
- ตรวจคุณภาพโค้ดที่ AI สร้าง ก่อนนำไปใช้
- Lab: สร้างโมดูลตัวอย่างพร้อมคำอธิบายและเอกสาร
Day 2 AI กับการออกแบบ โค้ด และ Coding Agent
Section 6: Lab: AI ช่วยออกแบบระบบและฐานข้อมูล
- แปลง Requirement เป็น User Story และ Acceptance Criteria
- ให้ AI เสนอทางเลือกสถาปัตยกรรมพร้อมข้อดีข้อเสีย
- ออกแบบ ERD และ Database Schema
- ออกแบบ REST API ด้วย OpenAPI และวาด Diagram ด้วย Mermaid
- Lab: ออกแบบระบบจองห้องประชุมตั้งแต่ Requirement ถึง API
Section 7: Lab: จัดการ Legacy Code ด้วย AI
- ให้ AI อธิบายโค้ดเก่าที่ไม่มีเอกสาร
- เพิ่ม Comment, Docstring และ README
- Refactor ทีละขั้นอย่างปลอดภัยโดยมี Test คุม
- Reverse Engineering จากโค้ดเป็น Diagram และวางแผนย้ายเวอร์ชัน
- Lab: อ่าน สรุป และปรับปรุงโค้ด Java หรือ Python ที่ไม่มีเอกสาร
Section 8: Lab: Debugging และ Unit Test ด้วย AI
- ส่ง Stack Trace และ Log ให้ AI ช่วยหาสาเหตุ
- ให้ AI เสนอสมมติฐานและวิธีพิสูจน์ แทนการเดาแก้
- Generate Unit Test และกรณีขอบ (Edge Case)
- ใช้ AI ร่วมกับ Test-Driven Development
- Lab: แก้ Bug ในแอปตัวอย่างพร้อมเขียน Test ป้องกันซ้ำ
Section 9: Lab: AI Coding Assistant ใน IDE
- Code Completion และ Next Edit Suggestion ของ GitHub Copilot
- Copilot Chat ถามเรื่องโค้ดใน Workspace
- Agent Mode แก้หลายไฟล์และรันคำสั่ง พร้อมรีวิว Diff ก่อนยอมรับ
- เลือกโมเดลให้เหมาะกับงานและใช้ Custom Instructions
- Lab: เพิ่มฟีเจอร์ใหม่ให้แอปตัวอย่างด้วย Copilot
Section 10: Coding Agent: Claude Code และ Codex
- Coding Agent บน Terminal ทำงานอย่างไร
- วางแผนก่อนลงมือ (Plan) และกำหนดสิทธิ์การแก้ไฟล์และรันคำสั่ง
- ทำงานร่วมกับ Git: Branch, Commit และ Pull Request
- มอบงานจาก Issue ให้ Agent บน GitHub แล้วรีวิว Pull Request
- Lab: ให้ Agent สร้างฟีเจอร์เล็ก ๆ แล้วรีวิวผลงาน
Day 3 สร้างต้นแบบและแอป AI อย่างปลอดภัย
Section 11: Lab: Prototyping และ UI ด้วย AI
- สร้างหน้าเว็บด้วย HTML และ Tailwind CSS จาก Prompt
- สร้าง UI จากภาพร่างหรือภาพหน้าจอ
- Preview ในหน้าแชตด้วย Artifacts ของ Claude หรือ Canvas ของ ChatGPT
- Deploy เว็บ Static ขึ้น GitHub Pages หรือ Vercel
- Lab: สร้าง Landing Page ต้นแบบและขึ้นออนไลน์
Section 12: Lab: เรียก LLM API จากโค้ด
- เรียก OpenAI Responses API และ Anthropic Messages API ด้วย Python SDK
- System Prompt, Temperature และการจัดการบทสนทนา
- Structured Output ด้วย JSON Schema และ Pydantic
- Streaming, Error Handling และการคุมค่าใช้จ่าย
- Lab: สร้างเครื่องมือสรุป Pull Request ด้วย LLM API
Section 13: Lab: Chatbot และ RAG
- แนวคิด RAG: Chunking, Embedding และ Vector Search
- สร้างคลังความรู้จากเอกสารโปรเจกต์
- ให้คำตอบอ้างอิงแหล่งที่มาและตอบว่าไม่รู้เมื่อไม่มีข้อมูล
- ทดสอบคุณภาพคำตอบของ Chatbot
- Lab: FAQ Bot สำหรับเอกสารของทีมพัฒนา
Section 14: Tool Calling และ Model Context Protocol (MCP)
- Tool Calling: ให้โมเดลเรียกฟังก์ชันของเรา
- MCP คืออะไร: Tools, Resources และ Prompts
- เชื่อม MCP Server กับ Claude Code หรือ VS Code
- ความเสี่ยงของ Tool และ MCP Server จากภายนอก
- Lab: สร้าง MCP Server อย่างง่ายให้ AI ค้นข้อมูลโปรเจกต์
Section 15: Workshop: Best Practices และ Capstone
- ความปลอดภัย: Secret, Prompt Injection และ Dependency ที่ AI แนะนำ
- ลิขสิทธิ์ License ของโค้ด และ PDPA เมื่อใช้ AI กับข้อมูลจริง
- วาง AI เข้า Dev Lifecycle: Plan, Build, Test, Review และ Deploy
- Capstone: สร้างแอปต้นแบบพร้อม Chatbot ตั้งแต่ออกแบบถึง Deploy
- นำเสนอผลงานและรวม Prompt ที่ใช้ได้จริงเป็น Prompt Library ส่วนตัว
ຮອບຝຶກອົບຮົມ ແລະ ຮູບແບບການຝຶກອົບຮົມ
ສຳລັບບຸກຄົນ — ຮອບຝຶກອົບຮົມທົ່ວໄປ
ສຳລັບອົງກອນ — In-house / Private Training
- ປັບເນື້ອໃນໃຫ້ກົງກັບເຄື່ອງມື ແລະ ວຽກຈິງຂອງທີມ
- ເລືອກວັນເອງ ຝຶກອົບຮົມທີ່ບໍລິສັດ ຫຼື ອອນລາຍສົດ
- ອອກໃບສະເໜີລາຄາໃນນາມນິຕິບຸກຄົນໃຫ້ຝ່າຍຈັດຊື້
ວິທະຍາກອນຜູ້ສອນ
ຄຳຖາມທີ່ພົບເລື້ອຍ
เขียน Prompt ให้ AI ช่วยเขียนโค้ดได้ดีต้องทำอย่างไร
บอกให้ครบทั้งบทบาท งานที่ต้องการ บริบท ข้อจำกัด และรูปแบบผลลัพธ์ เช่น ภาษา เวอร์ชันของไลบรารี โค้ดที่เกี่ยวข้อง และ Test ที่ต้องผ่าน ให้ตัวอย่างเมื่อมีรูปแบบเฉพาะ และขอให้ AI ถามกลับเมื่อโจทย์ไม่ชัด งานใหญ่ควรให้ AI วางแผนก่อนแล้วทำทีละขั้น และตรวจผลด้วยการรัน Test ทุกครั้ง ในหลักสูตรผู้เรียนได้ Prompt Template ภาษาอังกฤษสำหรับงานเขียน Refactor และอธิบายโค้ด
ใช้ AI ช่วยอ่านและ Refactor Legacy Code ทำอย่างไร
เริ่มจากให้ AI อธิบายโค้ดทีละส่วนและสรุปเป็น Diagram เพื่อเข้าใจภาพรวม จากนั้นให้ AI เขียน Test ที่ยืนยันพฤติกรรมเดิมก่อน แล้วจึง Refactor ทีละขั้นเล็ก ๆ และรัน Test ทุกครั้ง ไม่ควรให้ AI เขียนใหม่ทั้งระบบในครั้งเดียว และต้องตรวจว่าโค้ดที่ส่งให้ AI ไม่มี Secret หรือข้อมูลที่องค์กรไม่อนุญาตให้ส่งออก
RAG (Retrieval Augmented Generation) คืออะไร
RAG คือการค้นข้อมูลที่เกี่ยวข้องจากคลังเอกสารของเราก่อน แล้วส่งให้ LLM ใช้เป็นข้อมูลประกอบการตอบ โดยแบ่งเอกสารเป็นส่วนย่อย (Chunk) แปลงเป็น Embedding เก็บใน Vector Database และค้นด้วยความคล้ายของความหมาย ทำให้ AI ตอบจากข้อมูลล่าสุดขององค์กรได้ อ้างอิงแหล่งที่มาได้ และลดการแต่งคำตอบ ในหลักสูตรผู้เรียนสร้าง FAQ Bot จากเอกสารของทีมพัฒนา
หลักสูตร Generative AI for Software Developers เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน
เหมาะกับนักพัฒนา Frontend, Backend และ Full-stack, Tech Lead, Software Architect, QA, DevOps และนักพัฒนาฟรีแลนซ์ ควรเขียนโปรแกรมได้อย่างน้อยหนึ่งภาษา เข้าใจ API, Database และ Git และอ่านภาษาอังกฤษได้ระดับพื้นฐาน พร้อมบัญชี ChatGPT, Claude และ GitHub ของตนเอง
เรียนจบหลักสูตร Generative AI for Software Developers แล้วทำอะไรได้บ้าง
เขียน Prompt และจัดบริบทให้ AI ได้ตรงจุด ใช้ AI ออกแบบระบบ ฐานข้อมูล และ API จัดการ Legacy Code แก้ Bug และเขียน Test ใช้ GitHub Copilot และ Coding Agent พร้อมรีวิวผลงาน เรียก LLM API จากโค้ด สร้าง Chatbot แบบ RAG และ MCP Server อย่างง่าย และมี Prompt Library ของตนเองไว้ใช้งาน ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion)
จัดอบรมหลักสูตร Generative AI for Software Developers ให้ทีมในองค์กรได้ไหม
ได้ สถาบันไอทีจีเนียสรับจัดอบรมแบบ In-house และปรับตัวอย่างใน Lab ให้ตรงกับภาษา เฟรมเวิร์ก และเครื่องมือ AI ที่ทีมใช้อยู่ รวมถึงช่วยวางแนวทางการใช้ AI ที่สอดคล้องกับนโยบายความปลอดภัยและข้อมูลขององค์กร สามารถติดต่อขอใบเสนอราคาและหารือเนื้อหาได้