What is RAG, and which retrieval methods does Azure AI Search support?

RAG, or retrieval-augmented generation, first searches an organisation's documents for relevant content and then passes it to the model to answer from, so responses are grounded in real, current data. Azure AI Search supports several retrieval methods: keyword search for exact terms, vector search for meaning via embeddings, hybrid search combining the two, and the semantic ranker, which reorders results by relevance.

What is MCP, and how does it help AI agents use tools?

MCP, the Model Context Protocol, is an open standard for connecting AI agents to external tools and data sources. Each system exposes its capabilities through an MCP server in a common format, so an agent can discover and call those tools without a custom connector for every system. Combined with function calling in Foundry Agent Service, it lets an agent read data or act on other systems within the permissions you set.

Why use a managed identity instead of an API key when connecting an app to models on Azure?

An API key is a secret stored in code or configuration; if it leaks, anyone can use it, and it has to be rotated regularly. A managed identity lets an app running on Azure authenticate through Microsoft Entra ID without storing any secret, with RBAC granting access only to the resources it needs. This keyless approach reduces the risk of leaks and makes access easier to audit.

Who is the Microsoft Foundry: Build AI Apps and Agents course for, and what should I know beforehand?

It suits Python developers building AI apps and agents on Azure, AI engineers and solution developers, platform and DevOps teams running AI systems, and people preparing for the AI-103 exam. It is intermediate level: you should write Python fluently, including calling REST APIs with JSON, understand prompts, tokens and embeddings at AI-901 level, and know Azure basics such as resource groups, storage and Microsoft Entra ID.

What will I be able to do after the Microsoft Foundry: Build AI Apps and Agents course?

You will be able to choose and deploy models on Microsoft Foundry secured with managed identity and RBAC, build RAG with Azure AI Search, create agents using function calling, MCP and multi-agent workflows, measure quality with evaluation, tracing and guardrails, and extract data from documents with Content Understanding. Participants receive a Certificate of Completion with its own number that can be verified online, separate from Microsoft's AI-103 exam.

What do I need for the Microsoft Foundry: Build AI Apps and Agents course, and is the exam included?

Bring a laptop with VS Code, Python, the Azure CLI and Git, plus your own Azure subscription. Usage of models, Azure AI Search, Content Understanding, Speech and image generation is billed to you at actual consumption, with steps to delete resources after each lab. The course helps you prepare but is not official Microsoft training, does not include an exam voucher, and you register for the exam yourself.

Cloud · CLC-06

Microsoft Foundry: Build AI Apps and Agents (AI-103)

หลักสูตร Microsoft Foundry: Build AI Apps and Agents (AI-103) เป็นการอบรมสร้างแอป AI และ Agent ด้วย Python ครอบคลุมทักษะที่วัดในข้อสอบ AI-103 ทั้ง RAG, Agent ที่ใช้ Tools และ MCP, Evaluation, Guardrails และงานภาพ เสียง และเอกสาร เหมาะกับนักพัฒนา Python, AI Engineer และผู้ที่เตรียมตัวสอบ AI-103

ອັບເດດລ່າສຸດ 1 ຕ.ລ. 2026

ລາຄາເລີ່ມຕົ້ນ 10,710 ບາດ / ທ່ານ 11,900 −10% ຍັງບໍ່ລວມ VAT 7% · ມີລາຄາໝູ່ຄະນະ

ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ ລົງຊື່ຈອງໄວ້

PDFດາວໂຫຼດ Course Outline

ໄລຍະເວລາ18 ຊົ່ວໂມງ · 3 ມື້
ຮູບແບບຢູ່ສະຖາບັນ / ອອນລາຍສົດ
ຮອບຕໍ່ໄປເປີດຕາມຄຳຂໍ
ໃບຢັ້ງຢືນມີໃບຢັ້ງຢືນ

ພາບລວມຫຼັກສູດ

การทำต้นแบบแชตบอตด้วยโมเดลภาษาใช้เวลาไม่นาน แต่การพาแอป AI และ Agent ขึ้นใช้งานจริงในองค์กรเป็นอีกเรื่องหนึ่ง ทีมพัฒนาต้องเลือกโมเดลและบริการให้เหมาะกับงาน ดึงข้อมูลองค์กรมาให้ AI ตอบได้ถูกต้อง ให้ Agent เรียกใช้เครื่องมือได้อย่างปลอดภัย ควบคุมค่าใช้จ่ายและสิทธิ์การเข้าถึง วัดคุณภาพคำตอบ และรับมือกับความเสี่ยงอย่าง Prompt Injection ทั้งหมดนี้ต้องทำบนแพลตฟอร์มที่ดูแลได้ในระยะยาว

หลักสูตรนี้ครอบคลุมทักษะที่วัดในข้อสอบ AI-103 Developing AI Apps and Agents on Azure ตามโครงร่างล่าสุดบน Microsoft Learn โดยลงมือเขียนโค้ด Python บน Microsoft Foundry ใน Azure Subscription ของผู้เรียนเอง วันแรกวางแผนและจัดการโซลูชัน ทั้ง Infrastructure การ Deploy โมเดล ความปลอดภัย ค่าใช้จ่าย และ CI/CD วันที่สองสร้าง RAG ด้วย Azure AI Search และสร้าง Agent ที่ใช้

Tools, MCP และ Multi-agent Workflow พร้อมขั้นตอนอนุมัติโดยคน วันที่สามวัดผลด้วย Evaluation และ Tracing วาง Guardrails แล้วต่อยอดสู่งานภาพ วิดีโอ ข้อความ เสียง และการดึงข้อมูลเอกสารด้วย Content Understanding ก่อนปิดท้ายด้วย Capstone หลักสูตรนี้ช่วยเตรียมตัวสอบ แต่ผู้เรียนต้องลงทะเบียนสอบกับ Microsoft เอง (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Intermediate)

ສິ່ງທີ່ທ່ານຈະໄດ້ຮັບ

เลือกโมเดลและบริการบน Microsoft Foundry ให้ตรงกับงาน Generative, RAG และ Agent
ออกแบบ Infrastructure, Deploy โมเดล และเชื่อม Foundry Project เข้ากับ CI/CD
วางความปลอดภัยด้วย Managed Identity, Keyless Credential, Private Networking และ RBAC
สร้าง RAG ด้วย Azure AI Search แบบ Vector, Hybrid และ Semantic Search
สร้าง Agent ที่ใช้ Function Calling, MCP, Knowledge และ Multi-agent Workflow
วัดคุณภาพและความปลอดภัยด้วย Evaluation, Tracing และ Guardrails
สร้างโซลูชันภาพ วิดีโอ ข้อความ และเสียงด้วยโมเดล Multimodal และ Foundry Tools
ดึงข้อมูลจากเอกสารและสื่อด้วย Content Understanding เพื่อใช้กับ Agent และ RAG

ຫຼັກສູດນີ້ເໝາະສຳລັບ

นักพัฒนา Python ที่ต้องสร้างแอป AI และ Agent บน Microsoft Azure
AI Engineer และ Solution Developer ที่ดูแลโซลูชัน AI ขององค์กร
ทีม Platform และ DevOps ที่ต้อง Deploy และดูแลระบบ AI ให้ปลอดภัยและคุมค่าใช้จ่ายได้
ผู้ที่ต้องการเตรียมตัวสอบ AI-103 Developing AI Apps and Agents on Azure
ผู้ที่ผ่าน AI-901 หรือมีพื้นฐาน AI บน Azure แล้วและต้องการลงมือระดับ Production

ພື້ນຖານຂອງຜູ້ເຂົ້າຝຶກອົບຮົມ

เขียน Python ได้คล่อง ทั้งฟังก์ชัน การจัดการ Package และการเรียก REST API ด้วย JSON
เข้าใจแนวคิด Generative AI เบื้องต้น เช่น Prompt, Token และ Embedding (ระดับ AI-901)
รู้จักบริการพื้นฐานของ Azure เช่น Resource Group, Storage และ Microsoft Entra ID
โน้ตบุ๊กพร้อม VS Code, Python, Azure CLI และ Git และ Azure Subscription สำหรับทำ Lab

ຫົວຂໍ້ການຝຶກອົບຮົມ

รายละเอียดหลักสูตร

หลักสูตรนี้ครอบคลุมทักษะที่วัดในข้อสอบ AI-103 Developing AI Apps and Agents on Azure ตามโครงร่างล่าสุดบน Microsoft Learn อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab เขียนโค้ด Python ระดับ Intermediate ต่อยอดจากหลักสูตร RAG & Knowledge Base และหลักสูตร Agent อื่น ๆ โดยเน้นการสร้างและดูแลระบบบน Microsoft Foundry ทุก Lab ทำใน Azure Subscription ของผู้เรียนเอง (Free Account, Pay-as-you-go หรือ Sandbox ขององค์กร) ค่า Token ของโมเดล

ค่า Azure AI Search, Content Understanding, Speech และโมเดลสร้างภาพหรือวิดีโอคิดตามการใช้งานจริงซึ่งผู้เรียนรับผิดชอบเอง พร้อมขั้นตอนลบทรัพยากรหลังจบ Lab หลักสูตรนี้ช่วยเตรียมตัวสอบแต่ไม่ใช่หลักสูตรอย่างเป็นทางการของ Microsoft ไม่รวมค่าสอบหรือ Exam Voucher และผู้เรียนลงทะเบียนสอบกับ Microsoft ด้วยตนเอง ผู้เรียนจะได้ Lab Guide โค้ด Python ครบทุก Lab ตัวอย่างไฟล์ CI/CD ชุดคำถาม Evaluation และสรุปทักษะตามโครงร่างข้อสอบกลับไปใช้งานต่อ

Day 1 วางแผน Deploy และดูแลโซลูชัน AI

Section 1: Lab: Microsoft Foundry และโครงร่าง AI-103

โครงร่าง AI-103: วางแผนและจัดการ (25-30%), Generative AI และ Agent (30-35%), Vision, Text และ Information Extraction (ด้านละ 10-15%)
โครงสร้าง Foundry Resource, Project, Connection และ Foundry Tools
ออกแบบ Infrastructure ของแอป AI และระบบ Agent ทั้ง Region, Network และ Storage
Lab: สร้าง Foundry Project และเชื่อมต่อจาก Python ด้วย Foundry SDK

Section 2: Lab: เลือกโมเดลและ Deploy

เลือกระหว่าง LLM, Small Language Model, โมเดล Multimodal และ Foundry Tools ตามงาน
เลือกบริการสำหรับ Generative, Grounding, Vector Search, Agent Workflow และ Multimodal
ตัวเลือกการ Deploy และการตั้งค่า Deployment ของโมเดลและ Agent
Deploy และเรียกใช้โมเดลข้อความ โมเดลโค้ด และโมเดล Multimodal
Lab: Deploy สองโมเดลแล้วเทียบคุณภาพ ความเร็ว และค่าใช้จ่ายกับงานเดียวกัน

Section 3: Lab: ความปลอดภัยและการเชื่อมต่อแอป

Keyless Credential ด้วย Microsoft Entra ID และ Managed Identity
กำหนด Role และสิทธิ์ของผู้พัฒนา แอป และ Agent ด้วย RBAC
Private Networking และ Private Endpoint สำหรับ Foundry และบริการที่เกี่ยวข้อง
ตั้งค่าแอปให้เชื่อมต่อ Foundry Project อย่างปลอดภัย
Lab: เปลี่ยนแอปจากการใช้ API Key เป็น Managed Identity

Section 4: Lab: Quota ค่าใช้จ่าย และ CI/CD

Quota, Rate Limit และการ Scale ของโมเดลและ Agent
ประเมินและติดตาม Cost Footprint ของงาน AI
จัดการ Error จาก Rate Limit ด้วย Retry และ Backoff
เชื่อม Foundry Project เข้ากับ CI/CD Pipeline
Lab: Deploy Agent ผ่าน Pipeline บน GitHub Actions

Section 5: Lab: Prompt และปรับพฤติกรรมของโมเดล

Prompt Engineering สำหรับงานจริงและการปรับพารามิเตอร์ของโมเดล
Structured Output และการบังคับรูปแบบ JSON
Reflection และ Self-critique Loop เพื่อให้โมเดลตรวจคำตอบของตนเอง
ผสมหลายโมเดลหรือใช้ LLM ร่วมกับ Rules Engine
Lab: ระบบสรุปเอกสารที่ตรวจทานคำตอบตัวเองก่อนส่ง

Day 2 RAG และการสร้าง Agent

Section 6: Lab: Retrieval และ Indexing ด้วย Azure AI Search

เลือกวิธี Retrieval และ Indexing ให้เหมาะกับข้อมูลและโจทย์
Ingest และทำ Index เอกสาร ภาพ เสียง และวิดีโอ
Semantic Search, Hybrid Search และ Vector Search สำหรับ Grounding
Enrichment ด้วย Skill สำเร็จรูปและ Custom Skill รวมถึง OCR และ Layout
Lab: สร้าง Index ของคู่มือองค์กรพร้อม Vector และ Hybrid Search

Section 7: Lab: สร้างแอป RAG

ออกแบบ RAG Ingestion Flow ตั้งแต่ Chunking จนถึง Embedding
เชื่อม Retrieval เข้ากับแอปและให้คำตอบอ้างอิงแหล่งที่มา
ติดตามคุณภาพการ Ingest สุขภาพของ Index และความเกี่ยวข้องของผลค้นหา
ตรวจ Grounding Quality และคำตอบที่แต่งขึ้นเอง
Lab: แอปถามตอบเอกสารองค์กรที่ตอบพร้อมแหล่งอ้างอิง

Section 8: Lab: สร้าง Agent ด้วย Foundry Agent Service

กำหนดบทบาท เป้าหมาย วิธีติดตามบทสนทนา และ Tool Schema ของ Agent
Prompt Agent และ Hosted Agent ต่างกันอย่างไร
Agent ที่ผสาน Retrieval, Function Calling และ Conversation Memory
เลือกบริการ Memory, Tool และ Knowledge ให้เหมาะกับ Agent
Lab: Agent ตอบคำถามพนักงานที่ค้นเอกสารและเรียกฟังก์ชันได้

Section 9: Lab: Tools, MCP และ Knowledge

เชื่อม API ภายนอกผ่าน OpenAPI และ Custom Function
ใช้ MCP Server เป็น Tool ของ Agent และควบคุมสิทธิ์การเรียกใช้
ใช้ Search และ Content Understanding เป็นแหล่ง Knowledge ของ Agent
Lab: เพิ่ม Tool ตรวจสถานะคำสั่งซื้อผ่าน API ให้ Agent

Section 10: Lab: Multi-agent และ Workflow แบบมีคนอนุมัติ

ออกแบบ Multi-agent ที่แบ่งบทบาทและส่งต่องานกัน
Workflow, Tool-augmented Flow และ Multistep Reasoning
Workflow อัตโนมัติและกึ่งอัตโนมัติพร้อม Safeguard และขั้นตอนอนุมัติโดยคน
Lab: Agent ร่างคำตอบ อีกตัวตรวจทาน แล้วรอคนอนุมัติก่อนส่ง

Day 3 คุณภาพ ความปลอดภัย Multimodal และ Information Extraction

Section 11: Lab: Evaluation, Tracing และ Monitoring

Evaluator ด้าน Relevance, Groundedness, คุณภาพ และความปลอดภัย
Tracing, Token Analytics และ Latency Breakdown ด้วย Application Insights
ติดตามประสิทธิภาพ Drift และ Safety Event ของโมเดลและ Agent
Lab: รัน Evaluation ชุดคำถามและวิเคราะห์ Error ของ Agent จาก Trace

Section 12: Lab: Responsible AI และ Guardrails

Safety Filter, Guardrails, Risk Detection และ Content Moderation
ป้องกัน Prompt Injection รวมถึงคำสั่งแฝงที่ฝังในข้อความบนภาพ
กำกับ Agent ด้วย Oversight Mode, Constraint และการจำกัดสิทธิ์ Tool
Lab: Audit ด้วย Trace Log, Provenance Metadata และ Approval Workflow

Section 13: Lab: สร้างและแก้ไขภาพกับวิดีโอ

สร้างภาพและวิดีโอจาก Text Prompt และสื่ออ้างอิง
แก้ไขภาพด้วย Inpainting, Mask และคำสั่งข้อความ
Workflow แก้ไขวิดีโอ และ Visual Policy เช่น Watermark และกฎการใช้แบรนด์
Lab: Pipeline สร้างภาพประกอบสินค้าพร้อมตรวจเนื้อหาไม่เหมาะสม

Section 14: Lab: Multimodal Understanding

วิเคราะห์ภาพด้วยโมเดล Multimodal และถามตอบจากหลักฐานในภาพ
สร้าง Caption และ Alt-text ตามแนวทาง Accessibility
วิเคราะห์วิดีโอและระบุวัตถุด้วย Content Understanding
Lab: สร้าง Alt-text อัตโนมัติให้ภาพในเว็บไซต์

Section 15: Lab: Text Analysis, Speech และการดึงข้อมูลเอกสาร

ดึง Entity หัวข้อ สรุป และ JSON พร้อมตรวจ Sentiment และข้อมูลอ่อนไหว
แปลภาษาด้วย Azure Translator หรือ LLM และ Speech เป็นช่องทางของ Agent
OCR, Layout และ Field Extraction ด้วย Analyzer ของ Content Understanding
Lab: แปลงเอกสารเป็น Markdown ที่มีโครงสร้างเพื่อใช้กับ Agent และ RAG

Section 16: Workshop: Capstone และแนวทางเตรียมสอบ

สร้าง Agent ที่ใช้ RAG, Tools, Guardrails และขั้นตอนอนุมัติครบวงจร
วัดผลด้วย Evaluation และเปิด Tracing ก่อนส่งมอบ
ทบทวนตามโครงร่าง AI-103 และทดลองทำ Practice Assessment
Workshop: ลบทรัพยากรและสรุป Checklist ก่อนใช้งานจริง

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

สามิตร โกยมCEO ที่สถาบันไอทีจีเนียส

ຄຳຖາມທີ່ພົບເລື້ອຍ

RAG คืออะไร ใช้ Azure AI Search ค้นข้อมูลแบบไหนได้บ้าง

RAG หรือ Retrieval-Augmented Generation คือการค้นข้อมูลที่เกี่ยวข้องจากคลังเอกสารขององค์กรก่อน แล้วส่งให้โมเดลใช้ตอบ ทำให้คำตอบอิงข้อมูลจริงและเป็นปัจจุบัน Azure AI Search รองรับการค้นหลายแบบ ได้แก่ Keyword Search ที่จับคำตรงตัว Vector Search ที่ค้นจากความหมายผ่าน Embedding, Hybrid Search ที่รวมสองแบบเข้าด้วยกัน และ Semantic Ranker ที่จัดลำดับผลลัพธ์ใหม่ตามความเกี่ยวข้อง

MCP คืออะไร ช่วยให้ AI Agent ใช้เครื่องมือได้อย่างไร

MCP หรือ Model Context Protocol เป็นมาตรฐานเปิดสำหรับเชื่อม AI Agent เข้ากับเครื่องมือและแหล่งข้อมูลภายนอก โดยแต่ละระบบเปิดความสามารถผ่าน MCP Server ในรูปแบบเดียวกัน Agent จึงค้นพบและเรียกใช้เครื่องมือเหล่านั้นได้โดยไม่ต้องเขียนตัวเชื่อมเฉพาะทีละระบบ เมื่อใช้ร่วมกับ Function Calling ใน Foundry Agent Service จะทำให้ Agent อ่านข้อมูลหรือสั่งงานระบบอื่นได้ตามสิทธิ์ที่กำหนด

ทำไมควรใช้ Managed Identity แทน API Key เมื่อเชื่อมแอปกับโมเดลบน Azure

API Key เป็นรหัสลับที่ต้องเก็บในโค้ดหรือไฟล์ตั้งค่า หากรั่วไหลใครก็นำไปเรียกใช้ได้และต้องคอยหมุนเปลี่ยน ส่วน Managed Identity ให้แอปที่รันบน Azure ยืนยันตัวตนผ่าน Microsoft Entra ID โดยไม่ต้องเก็บรหัสลับเลย แล้วกำหนดสิทธิ์ด้วย RBAC ให้เข้าถึงเฉพาะทรัพยากรที่จำเป็น แนวทาง Keyless นี้ลดความเสี่ยงข้อมูลรั่วและตรวจสอบย้อนหลังได้ง่ายกว่า

หลักสูตร Microsoft Foundry: Build AI Apps and Agents เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับนักพัฒนา Python ที่ต้องสร้างแอป AI และ Agent บน Azure, AI Engineer และ Solution Developer ทีม Platform และ DevOps ที่ดูแลระบบ AI และผู้เตรียมสอบ AI-103 เป็นระดับ Intermediate ควรเขียน Python คล่องรวมถึงเรียก REST API ด้วย JSON เข้าใจ Prompt, Token และ Embedding ในระดับ AI-901 และรู้จัก Resource Group, Storage และ Microsoft Entra ID

เรียนจบหลักสูตร Microsoft Foundry: Build AI Apps and Agents แล้วทำอะไรได้บ้าง

เลือกและ Deploy โมเดลบน Microsoft Foundry พร้อมวางความปลอดภัยด้วย Managed Identity และ RBAC สร้าง RAG ด้วย Azure AI Search สร้าง Agent ที่ใช้ Function Calling, MCP และ Multi-agent Workflow วัดคุณภาพด้วย Evaluation, Tracing และ Guardrails และดึงข้อมูลจากเอกสารด้วย Content Understanding ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้ ซึ่งแยกจากการสอบ AI-103 ของ Microsoft

เรียน Microsoft Foundry: Build AI Apps and Agents ต้องเตรียมอะไร และรวมค่าสอบหรือไม่

เตรียมโน้ตบุ๊กที่มี VS Code, Python, Azure CLI และ Git พร้อม Azure Subscription ของตนเอง ค่าใช้งานโมเดล Azure AI Search, Content Understanding, Speech และโมเดลสร้างภาพคิดตามการใช้งานจริงซึ่งผู้เรียนรับผิดชอบเอง พร้อมขั้นตอนลบทรัพยากรหลังจบ Lab หลักสูตรนี้ช่วยเตรียมสอบแต่ไม่ใช่หลักสูตรอย่างเป็นทางการของ Microsoft ไม่รวม Exam Voucher และผู้เรียนลงทะเบียนสอบเอง