เรียน AI Agents: ลงมือทำจริง
เรียน AI Agents: ลงมือทำจริง — เรียนรู้การทำงานของ AI agents และสร้างเอเจนต์ของคุณเองบนโทรศัพท์
เรียน AI Agents: ลงมือทำจริง คือแอปคอร์สเรียนฟรีบน iPhone และ Android ที่สอนการทำงานของ AI agents และวิธีสร้างเอเจนต์เหล่านี้ สำหรับนักพัฒนา นักเรียน และผู้ที่กำลังเปลี่ยนสายอาชีพ แอปมี 60 คอร์สและบทเรียนสั้น 239 บท ตั้งแต่ LLM loop แรก ไปจนถึง tool calling, RAG, LangChain และ LangGraph รวมถึงการจัดการระบบ multi-agent พร้อม Agent Lab ที่ให้คุณรันเอเจนต์กับภารกิจหนึ่งและดูทุก tool call, ผลลัพธ์ และคำตอบปรากฏขึ้นทีละขั้นตอน ตลอดจน AI Mentor สำหรับเวลาที่มีบางอย่างผิดพลาด
- ราคา
- ฟรี อัปเกรดเป็น Pro
- แพลตฟอร์ม
- iOS และ Android
- ภาษา
- 22
- การจัดอันดับอายุ
- 4+
- ต้องใช้
- iOS 15.1 ขึ้นไป
เอเจนต์จะดีได้เท่ากับ tool call ที่คุณตรวจสอบย้อนกลับได้จริงเท่านั้น
บทเรียนเกี่ยวกับเอเจนต์ส่วนใหญ่มักแสดงแผนภาพของ loop — คิด ลงมือทำ สังเกต — แล้วก็จบ แต่หลักสูตรนี้หยุดดูทุกลูกศร: เขียนฟังก์ชันที่โมเดลได้รับอนุญาตให้เรียก อ่านค่าที่ส่งกลับมาอย่างละเอียด และดูว่าผลลัพธ์จากเครื่องมือที่ผิดพลาดทำให้ loop เดินออกนอกเส้นทางอย่างไร
คืออะไร
เรียน AI Agents: ลงมือทำจริง เป็นแอป iOS และ Android ฟรีสำหรับเรียนรู้การสร้าง AI agents ครอบคลุม 60 คอร์สและ 239 บทเรียน บทเรียนละห้าถึงสิบนาที เนื้อหาครอบคลุมตั้งแต่บทนำเกี่ยวกับเอเจนต์ที่ใช้ LLM และ prompt engineering ผ่าน tool calling, retrieval-augmented generation (RAG) และ vector databases ต่อด้วย LangChain, LangGraph และ LlamaIndex ไปจนถึงการจัดการระบบ multi-agent, computer-use agents และการนำไปใช้งานจริง บทเรียนมีตัวอย่าง Python ที่รันได้ทันที, Agent Lab ที่แสดงทุกขั้นตอนการทำงานของเอเจนต์ แบบทดสอบหลังจบแต่ละหัวข้อ และ AI Mentor สำหรับตอบคำถามระหว่างเรียน
ภายในแอป
หน้าตาเป็นอย่างไร
คอร์ส
คอร์ส AI Agents ครอบคลุมอะไรบ้าง
60 คอร์สและ 239 บทเรียนจากหลักสูตรของแอปเอง ตั้งแต่ลูป LLM agent แรก ไปจนถึงการประสานงานแบบ multi-agent และการนำไปใช้งานจริงใน production
พื้นฐาน Agent
Intro to LLM Agents, Prompt Engineering for Agents, LLM APIs in Practice (OpenAI และ Anthropic SDKs), File System Agent Operations, Conversational Memory Basics และโปรเจกต์ภาคปฏิบัติชุดแรก
การใช้เครื่องมือและการดึงข้อมูล
รูปแบบ Tool-Use / Function-Calling, API Integration for Agents, Email and Calendar Agents, การทำงานกับ Embeddings, พื้นฐาน Retrieval-Augmented Generation, Vector Databases for Agents และ Agent Observability Foundations
Agent สำหรับแพลตฟอร์มจริง
Slack and Chat Platform Agents, GitHub and Repository Agents, Web Scraping and Data Fetching Agents, Agent CLI and Interactive Tools, Secrets and Configuration Management, LangChain Fundamentals, Structured Output and Parsing และ Database Agents ที่แปลงภาษาธรรมชาติเป็น SQL
การทดสอบ การดีบัก และความน่าเชื่อถือ
Agent Testing Fundamentals, Debugging Agent Loops, LangGraph for Stateful Agents, LlamaIndex Deep Dive, Multi-Tool Agents (รูปแบบ ReAct), Building Reliable Agents และ Memory Architectures for Agents
Agent เฉพาะทาง
Voice and Audio Agents, Knowledge Graph Integration, Personal AI Assistant Architecture, Agent Evaluation and Benchmarking, Agent Safety and Guardrails, Cost and Latency Optimisation และระบบ Customer Service and Deep Research Agent
Production และเทคโนโลยีล้ำสมัย
Multi-Agent Orchestration, Production Agent Deployment, Computer-Use and Browser Agents, Code-Generating Agents, Long-Horizon Planning Agents, Sandboxing and Secure Code Execution และ Self-Improving Agent Systems
ทำงานอย่างไร
บทเรียน AI Agents ทำงานอย่างไร
หลักสูตรเรียงลำดับเหมือนขั้นตอนการสร้าง — loop จากนั้นเป็นเครื่องมือ ต่อด้วย memory แล้วจึงเป็นเฟรมเวิร์กและประเด็นการนำไปใช้งานจริง — และ Agent Lab ให้คุณดูผลลัพธ์ที่เกิดขึ้น แทนการอ่านเพียงอย่างเดียว
อ่านส่วนหนึ่งของ loop ของเอเจนต์
บทเรียนแต่ละบทครอบคลุมขั้นตอนที่เป็นรูปธรรมหนึ่งขั้น — tool call บนระบบมีหน้าตาอย่างไร vector database ส่งผลลัพธ์ที่ตรงกันกลับมาอย่างไร และเหตุใด prompt จึงต้องแยกบทบาท — ด้วยภาษาที่เข้าใจง่าย และมีขนาดพอดีกับช่วงเวลาว่างสั้น ๆ ระหว่างวัน
รันเอเจนต์และอ่าน trace
ใน Agent Lab ให้ภารกิจแก่เอเจนต์ แล้วดูแต่ละ tool call, ผลลัพธ์ และคำตอบปรากฏขึ้นทีละขั้นตอน trace viewer ทำงานคล้าย debugger ทำให้คุณเห็นได้อย่างชัดเจนว่าการทำงานผิดพลาดตรงไหน บทเรียนยังมีตัวอย่าง Python ที่คุณรันได้โดยตรงภายในบทเรียน
สร้างเอเจนต์ของคุณเอง แล้วแก้ไขให้ทำงานได้
เลือก system prompt, เครื่องมือ, step budget และภารกิจใน Agent Builder แล้วบันทึกเอเจนต์ของคุณเอง ภารกิจใน Lab จะให้คุณสร้าง tool call แรก แก้ไข tool call ที่เสีย อ่าน trace เพิ่ม guardrail กำหนดเส้นทางให้ภารกิจ และแบ่งงานให้เอเจนต์หลายตัวทำงานแบบขนานกัน ส่วน AI Mentor จะอธิบายว่าโมเดลทำอะไรเมื่อ trace ดูไม่สมเหตุสมผล
มีอะไรอยู่ข้างใน
เนื้อหาที่แอปครอบคลุมจริง
Live
Agent Lab พร้อมการรันแบบ live
มอบภารกิจให้เอเจนต์ แล้วดูแต่ละ tool call, ผลลัพธ์ และคำตอบปรากฏขึ้นทีละขั้นตอน จากนั้นอ่านการทำงานผ่าน trace viewer ที่สร้างมาเพื่อแสดงให้เห็นอย่างชัดเจนว่าผิดพลาดตรงไหน การรันแบบ live มีโควต้ารายวันให้ใช้ฟรี
60
คอร์สตั้งแต่ระดับเริ่มต้นถึงขั้นสูง
60 คอร์สและ 239 บทเรียน ตั้งแต่ loop แรกของ LLM agent และ prompt engineering ผ่าน tool calling, RAG, vector databases, LangChain และ LangGraph ไปจนถึงการจัดการระบบ multi-agent, computer-use agents และการนำไปใช้งานจริง
5
Orchestration Lab
เปรียบเทียบรูปแบบ 5 แบบแบบเคียงข้างกัน — single agent, sequential pipeline, router, parallel fan-out และ generator with critic — แล้วดูว่าแต่ละรูปแบบแลกเปลี่ยนความเร็ว ต้นทุน และความน่าเชื่อถือกันอย่างไร รูปแบบหนึ่งใช้งานได้ฟรี ส่วน Pro จะปลดล็อกส่วนที่เหลือ
สร้าง
Agent Builder
เลือก system prompt, เครื่องมือ, step budget และภารกิจ จากนั้นบันทึกเอเจนต์ของคุณเองแล้วรันใน Lab
6
ภารกิจใน Lab และตัวอย่าง Python
ภารกิจเอเจนต์ 6 ภารกิจ — tool call แรก แก้ไข tool call ที่เสีย อ่าน trace เพิ่ม guardrail กำหนดเส้นทางให้ภารกิจ และแบ่งงานให้เอเจนต์หลายตัวทำงานแบบขนานกัน — พร้อมตัวอย่าง Python ที่คุณรันได้โดยตรงภายในบทเรียน
AI
AI Mentor
ถามได้ว่าทำไม tool call จึงส่งข้อมูลผิดรูปแบบกลับมา หรือทำไม loop ของเอเจนต์จึงวนซ้ำในขั้นตอนเดิมสองครั้ง แล้วรับคำตอบภาษาที่เข้าใจง่ายภายในไม่กี่วินาที
ข้อมูลเบื้องหลัง
AI agent คืออะไร และการสร้างเอเจนต์หนึ่งตัวต้องทำอะไรบ้าง
AI agent คือโปรแกรมที่ใช้ language model เพื่อตัดสินใจว่าจะทำอะไรต่อไป ไม่ใช่แค่จะพูดอะไร แทนที่จะส่งคำตอบเพียงครั้งเดียว โปรแกรมจะทำงานเป็น loop: อ่านสถานการณ์ เลือกการกระทำ เรียกใช้เครื่องมือ — search index, database, API หรือโค้ด — อ่านผลลัพธ์ที่ส่งกลับมา แล้วทำซ้ำจนกว่าจะบรรลุเป้าหมาย การสร้างเอเจนต์ส่วนใหญ่คือการทำวิศวกรรมรอบ loop นี้: กำหนดว่าโมเดลได้รับอนุญาตให้เรียกใช้เครื่องมือใด จัดโครงสร้างข้อมูลที่ส่งกลับมา จัดการกรณีที่เครื่องมือทำงานล้มเหลวหรือคำตอบมีรูปแบบผิด และเก็บความจำจากขั้นตอนก่อนหน้าไว้มากพอ เพื่อไม่ให้เอเจนต์ทำสิ่งเดิมซ้ำ
การเรียกใช้เครื่องมือfunction calling
กลไกที่ทำให้โมเดลขอให้เกิดการกระทำจริงได้ — รัน query, ดึงหน้าเว็บ หรือส่งอีเมล — ด้วยการส่ง structured call ที่โค้ดของคุณนำไปประมวลผลและส่งผลลัพธ์กลับมา นี่คือจุดเชื่อมระหว่างโมเดลที่ทำได้เพียงคาดเดาข้อความ กับโปรแกรมที่ลงมือทำบางอย่างได้จริง
RAGretrieval-augmented generation
การดึงเอกสารที่เกี่ยวข้อง ณ เวลาที่มีคำถาม — โดยทั่วไปจาก vector database ที่เก็บ embeddings — แล้วส่งเอกสารเหล่านั้นให้โมเดลเป็นบริบท เพื่อให้คำตอบอ้างอิงข้อมูลของคุณเอง แทนที่จะอิงเฉพาะสิ่งที่โมเดลจดจำได้ระหว่างการฝึก
เฟรมเวิร์กของเอเจนต์LangChain, LangGraph, LlamaIndex
ไลบรารีที่จัดการส่วนซ้ำ ๆ ของเอเจนต์ — ตัว loop เอง, memory, การเชื่อมต่อเครื่องมือ และกราฟหลายขั้นตอนที่เก็บสถานะ — ทำให้สิ่งที่เหลือให้คุณทำคือเขียนตรรกะเฉพาะของเอเจนต์ แทนการจัดการระบบพื้นฐานที่อยู่เบื้องหลัง
การจัดการระบบ multi-agentเอเจนต์ที่ใช้เอเจนต์อื่น
รูปแบบที่เอเจนต์หนึ่งมอบหมายงานย่อยให้เอเจนต์อื่น — เช่น เอเจนต์นักวิจัย เอเจนต์นักเขียนโค้ด และเอเจนต์ผู้ตรวจสอบ — โดยแต่ละตัวมีเครื่องมือและบริบทของตัวเอง และมีชั้นควบคุมที่ตัดสินใจว่าใครจะทำงานต่อ พร้อมรวบรวมและประสานผลลัพธ์ที่ส่งกลับมา
เหมาะกับคุณไหม
เหมาะกับใคร — และไม่เหมาะกับใคร
เหมาะกับคุณหากคุณ
- ต้องการสร้าง Agent ที่เรียกใช้เครื่องมือหรือฐานข้อมูลได้จริง ไม่ใช่แค่ส่ง Prompt ให้แชตบอต
- เพิ่งเริ่มต้นจากศูนย์กับ LLM และต้องการทำความเข้าใจลูป Agent ก่อนเรียนรู้ Framework ต่าง ๆ
- ต้องการคอร์สภาคปฏิบัติเกี่ยวกับแพลตฟอร์มเฉพาะ เช่น Slack bots, GitHub agents และ database agents ไม่ใช่เทมเพลตทั่วไปแบบเดียว
- เป็นนักพัฒนาที่ต้องการเห็นการใช้ LangChain และ LangGraph ในโค้ดที่ทำงานได้จริง ไม่ใช่แค่ในไดอะแกรม
- ต้องการไปให้ถึงการประสานงานแบบ multi-agent และการนำไปใช้งานจริงใน production ในท้ายที่สุด ไม่หยุดอยู่แค่เดโมง่าย ๆ
ไม่ใช่เครื่องมือที่เหมาะ หากคุณ
- ต้องการคลัง 60 คอร์สทั้งหมดฟรี — คอร์สแรกฟรี ส่วน Pro จะปลดล็อกคอร์สที่เหลือ
- ไม่ต้องการโฆษณาในระดับฟรี โดย Pro จะลบโฆษณาออก
- ต้องการใช้ AI Mentor แบบไม่จำกัดในระดับฟรี ซึ่งมีโควตารายวัน
- กำลังใช้งาน Agent ใน production อยู่แล้ว และต้องการอ่านงานวิจัยแทนคอร์สที่สอนตามลำดับการสร้าง
คำถาม
คำถามที่พบบ่อย
แอปที่ดีที่สุดสำหรับเรียนรู้ AI agents บนโทรศัพท์คือแอปอะไร
แอปที่พาคุณจากการอ่านเรื่องลูป Agent ไปสู่การเห็น Agent ทำงานจริง เรียน AI Agents: ลงมือทำจริง มี 60 คอร์ส ตั้งแต่ลูป LLM แรก ผ่านการเรียกใช้เครื่องมือ, RAG และ LangChain ไปจนถึงการประสานงานแบบ multi-agent พร้อม Agent Lab ที่ให้คุณดูการเรียกใช้เครื่องมือและผลลัพธ์ทุกครั้งใน trace และ AI Mentor สำหรับช่วงเวลาที่การเรียกใช้เครื่องมือส่งคืนผลลัพธ์ที่ไม่คาดคิด เริ่มต้นใช้งานฟรีบน iOS และ Android
AI agent คืออะไร อธิบายแบบเข้าใจง่าย
AI agent คือโปรแกรมที่ใช้โมเดลภาษาเพื่อตัดสินใจว่าจะทำอะไรต่อไป ไม่ใช่แค่ตัดสินใจว่าจะพูดอะไร โปรแกรมจะทำงานเป็นลูป: อ่านสถานการณ์ เลือกการกระทำ เรียกใช้เครื่องมือ เช่น ดัชนีการค้นหา ฐานข้อมูล หรือ API อ่านผลลัพธ์ที่ส่งกลับมา แล้วทำซ้ำ โมเดลทำหน้าที่ตัดสินใจว่าควรทำอะไรต่อ ส่วนโค้ดที่อยู่รอบ ๆ — ซึ่งเป็นส่วนที่แอปนี้สอนให้คุณเขียน — ทำหน้าที่จัดเตรียมเครื่องมือและดำเนินการ
AI agent แตกต่างจากแชตบอตอย่างไร
แชตบอตรับข้อความหนึ่งข้อความแล้วส่งคำตอบกลับมาหนึ่งคำตอบ — ข้อความเข้า ข้อความออก และไม่มีอะไรเกิดขึ้นในโลกจริง ส่วน Agent จะได้รับเป้าหมายและทำงานต่อไปจนกว่าจะบรรลุเป้าหมายนั้น โดยลงมือทำจริงระหว่างทาง เช่น สอบถามฐานข้อมูล เรียกใช้ API อ่านไฟล์ ตรวจสอบผลลัพธ์ของตัวเอง และลองใหม่เมื่อขั้นตอนใดล้มเหลว คอร์สของ Learn AI Agents เกี่ยวกับการเรียกใช้เครื่องมือและลูป Agent มุ่งเน้นความแตกต่างนี้โดยเฉพาะ — ต้องมีอะไรอยู่ในโค้ดบ้าง เพื่อเปลี่ยนการตัดสินใจของโมเดลให้กลายเป็นการลงมือทำ
ต้องเขียนโค้ดเป็นก่อนเรียนรู้ AI agents หรือไม่
การมีพื้นฐานและความคุ้นเคยกับโค้ดจะช่วยได้ แต่คอร์สแรกไม่กำหนดว่าต้องมีพื้นฐาน และเริ่มจากการอธิบายว่าลูปของ LLM agent คืออะไร แต่ละบทเรียนจับคู่ทฤษฎีสั้น ๆ กับตัวอย่าง Python ที่คุณรันได้ภายในบทเรียน คุณจึงเรียนรู้การเขียนโค้ดไปพร้อมกับแนวคิดเกี่ยวกับ Agent แทนที่จะต้องเรียนเป็นวิชาพื้นฐานแยกต่างหาก เรียน AI Agents: ลงมือทำจริง เหมาะสำหรับทั้งผู้เริ่มต้นและนักพัฒนา
RAG คืออะไร และทำไมคอร์ส Agent จึงครอบคลุมเรื่อง Vector Databases
Retrieval-augmented generation คือการดึงเอกสารที่เกี่ยวข้องในเวลาที่มีคำถาม แล้วส่งให้โมเดลเป็นบริบท เพื่อให้คำตอบอ้างอิงข้อมูลของคุณเอง แทนที่จะอาศัยเฉพาะสิ่งที่โมเดลจดจำไว้ระหว่างการฝึก Vector databases คือวิธีที่การดึงข้อมูลนี้ทำงานในทางปฏิบัติ โดยจัดเก็บ Embeddings และส่งคืนรายการที่ตรงกับคำค้นมากที่สุดได้อย่างรวดเร็ว Agent ที่ตอบคำถามเกี่ยวกับ codebase, ผลิตภัณฑ์ หรือชุดเอกสารเฉพาะ มักใช้รูปแบบนี้เป็นหลัก จึงมีคอร์สเฉพาะด้าน แทนที่จะกล่าวถึงเพียงย่อหน้าเดียว
LangChain, LangGraph และ LlamaIndex แตกต่างกันอย่างไร
LangChain เชื่อมต่อส่วนประกอบทั่วไปของ Agent — Prompt, เครื่องมือ และหน่วยความจำ — เพื่อให้คุณไม่ต้องสร้างโครงสร้างพื้นฐานเหล่านั้นใหม่ตั้งแต่ต้น LangGraph เพิ่ม state และการแตกแขนงที่ชัดเจนไว้ด้านบน จึงเหมาะกับ Agent ที่ขั้นตอนถัดไปขึ้นอยู่กับสิ่งที่เกิดขึ้นก่อนหน้า มากกว่า chain เชิงเส้นแบบง่าย ๆ ส่วน LlamaIndex เชี่ยวชาญด้านการดึงข้อมูล ได้แก่ การโหลด การทำดัชนี และการสืบค้นเอกสารของคุณเองอย่างมีประสิทธิภาพ Learn AI Agents มีคอร์สเฉพาะสำหรับแต่ละหัวข้อ และคอร์ส Multi-Tool Agents จะครอบคลุมรูปแบบ ReAct ที่มักใช้เป็นโครงสร้างพื้นฐานของ Agent เหล่านี้
AI agents คุ้มค่าที่จะเรียนรู้ในปี 2026 หรือไม่
Agent เป็นหนึ่งในตัวอย่างที่ชัดเจนว่าโมเดลภาษาสามารถเปลี่ยนเป็นสิ่งที่ทำงานให้เสร็จได้ ไม่ใช่แค่บรรยายงาน และทักษะพื้นฐานยังนำไปใช้ได้กับ Framework ต่าง ๆ ได้แก่ การออกแบบเครื่องมือ การจัดโครงสร้าง Prompt การดึงข้อมูล และการรู้ว่าเมื่อใดควรหยุดลูปอัตโนมัติแล้วขอให้มนุษย์เข้ามาช่วย เรียน AI Agents: ลงมือทำจริง มีคอร์สเกี่ยวกับความปลอดภัยของ Agent, guardrails, การประเมินผล และการเพิ่มประสิทธิภาพด้านต้นทุนและ latency ซึ่งเป็นประเด็นที่ทีมต่าง ๆ ต้องรับมือเมื่อ Agent ถูกนำไปใช้งานจริง
เรียน AI Agents: ลงมือทำจริง ฟรีหรือไม่
ดาวน์โหลดฟรีและเริ่มต้นใช้งานฟรี คอร์สแรกซึ่งเป็นบทนำเกี่ยวกับ LLM-based agents ฟรี พร้อมโควตา AI Mentor รายวัน รูปแบบ Orchestration Lab หนึ่งรูปแบบ การออกแบบ Agent Builder ครั้งแรกของคุณ และโควตาการรันแบบ live รายวัน Pro จะปลดล็อกทุกคอร์สและทุกรูปแบบ orchestration ลบข้อจำกัดการรันรายวัน และลบโฆษณา
มีใบรับรองเมื่อเรียนจบหรือไม่
มี เมื่อสอบปลายคอร์สผ่าน คุณจะได้รับใบรับรองการเรียนจบ ซึ่งสามารถแสดงควบคู่กับ Agent ที่คุณสร้างขึ้นได้ ใบรับรองนี้เป็นหลักฐานของผลงานที่คุณทำ ไม่ใช่วุฒิการศึกษาที่ได้รับการรับรอง
รองรับแพลตฟอร์มและภาษาใดบ้าง และทำไมจึงมีชื่อสองชื่อ
เรียน AI Agents: ลงมือทำจริง ใช้งานบน iPhone (iOS 15.1 หรือใหม่กว่า) และ Android โดยมีอินเทอร์เฟซ 22 ภาษา และได้รับการจัดเรต 4+ รายการบน Google Play ใช้ชื่อ เรียน AI Agents: ลงมือทำจริง ส่วน App Store แสดงแอปเดียวกันในชื่อ Learn AI Agents แอปนี้เป็นส่วนหนึ่งของ CoddyKit ซึ่งเป็นครอบครัวแอปสอนเขียนโค้ดกว่า 40+ แอป จึงใช้รูปแบบบทเรียนร่วมกับคอร์สอื่น ๆ ในชุดเดียวกัน
เริ่มต้นใช้งาน
เริ่มสร้าง AI agent แรกของคุณวันนี้
เริ่มต้นใช้งานฟรีบน iOS และ Android พร้อมให้บริการใน 22 ภาษา
เพิ่มเติมจาก CoddyKit
ใช้งานได้บน iOS และ Android