| รายละเอียด
เครื่องมืออย่าง Claude Code, Cursor และ Codex ไม่ได้เก่งเพราะโมเดลอย่างเดียว แต่เก่งเพราะ harness ชั้นวิศวกรรมที่ห่อรอบโมเดลไว้ ประกอบด้วย agent loop, การออกแบบ tool, การจัดการ context, hook ที่บังคับ policy, sandbox, subagent และเส้นทางกู้คืนเมื่อล้มเหลว ชั้นนี้คือสิ่งที่ทำให้ agent ตัวหนึ่งทำงานจริงได้ ขณะที่อีกตัวหยุดอยู่แค่ demo
หลักสูตรนี้พาผู้เรียนสร้าง harness ที่สมบูรณ์ขึ้นมาด้วยตัวเอง โดยใช้ coding agent เป็นแรงงานหลักในการเขียนโค้ด ผู้เรียนไม่ต้องเสียเวลาพิมพ์ boilerplate แต่ต้องรับผิดชอบสิ่งที่ AI ทำแทนไม่ได้ การเขียน specification ที่ถูกต้อง การตรวจสอบว่า AI เลือกทางออกแบบที่ผิดตรงไหน และการเจาะระบบของตัวเองให้พังเพื่อพิสูจน์ว่าเข้าใจมันจริง
นี่คือวิธีทำงานจริงของวิศวกรในปี 2026 ไม่มีใครเขียน agent runtime ด้วยมือทั้งหมดอีกแล้ว แต่คนที่สั่งงาน AI ได้ผลดีคือคนที่รู้ว่าตัวเองต้องการอะไรและตรวจงานได้ หลักสูตรนี้ฝึกทั้งสองอย่างพร้อมกัน โดยใช้ harness เป็นโจทย์ เพราะเป็นระบบที่ AI เขียนผิดได้ง่ายที่สุดในแบบที่ test ยังผ่าน
หลักสูตรนี้ไม่ใช่การสอนใช้ AI ช่วยเขียนโค้ดให้เร็วขึ้น แต่เป็นการใช้ AI สร้างระบบที่ทำให้ AI ทำงานได้เอง และรู้ว่าจะตรวจมันอย่างไร
เราเลือกใช้ coding agent เป็นทั้งเครื่องมือและกรณีศึกษา เพราะเป็น use case ที่ครบองค์ประกอบมากที่สุดต้องอ่านและแก้ไฟล์จริง ต้องรัน command ที่มีผลกระทบ ต้องทำงานยาวจน context เต็ม และต้องมีขอบเขตว่าอะไรแตะได้ องค์ประกอบทั้งหมดที่ได้จากคอร์สนี้ย้ายไปใช้กับ customer service agent, data agent หรือ RAG agent ได้ทันที
ระยะเวลา 2 Days (9:00 – 16:30)
💰 หลักสูตรของสถาบันไอเอ็มซี สามารถยื่นรับรองหลักสูตรและลดหย่อนภาษีได้ 200%
หลักสูตรนี้เหมาะกับ
- AI Engineer และ Backend Engineer ที่ต้องการยกระดับจากผู้ใช้ AI เป็นผู้สร้างระบบ
- Tech Lead และ Architect ที่ต้องตัดสินใจเลือกสถาปัตยกรรม agent ให้องค์กร และต้องตรวจงานที่ทีมสร้างด้วย AI
- Platform Engineer ที่ต้องรับผิดชอบดูแล agent ที่ทีมอื่นสร้างและส่งมอบให้
คุณสมบัติของผู้เข้าอบรม
- เคยใช้ AI Chat ในการเขียนโค้ดมาบ้าง (ไม่เหมาะกับผู้ที่ต้องการเครื่องมือแบบ no-code)
Tools ที่ใช้
- Coding agent: Claude Code หรือ Cursor (ผู้เรียนต้องมีบัญชีที่ใช้งานได้ในวันอบรม)
- Python 3.12 (async)
- Agent SDK สำหรับสร้าง agent
- LLM API จากผู้ให้บริการอย่างน้อยสองราย เพื่อให้ harness ไม่ผูกกับเจ้าใดเจ้าหนึ่ง
- Docker และ Docker Compose สำหรับ sandbox
- SQLite สำหรับ checkpoint
- OpenTelemetry สำหรับ trace
ประโยชน์ที่ได้รับ
- เขียน specification ของ agent runtime component ที่ละเอียดพอให้ coding agent implement ได้ถูกต้องตั้งแต่รอบแรก
- ตรวจสอบโค้ดที่ AI เขียนและระบุข้อบกพร่องเชิงออกแบบที่ test ตรวจไม่พบ
- เขียนและควบคุม agent loop พร้อมกลไกจำกัด step และ token และเงื่อนไขการหยุดทำงาน
- ออกแบบ tool interface และ error surface ที่ทำให้โมเดลใช้งานถูกต้องและแก้ตัวเองได้
- สร้าง hook และ middleware ที่บังคับ policy ได้แบบ deterministic โดยไม่พึ่ง system prompt
- จัดการ context ด้วยกลไกทั้งสามแบบ — compaction, tool-result clearing และ external memory — พร้อมวัด trade-off ด้วยตัวเลขจริง
- ออกแบบ sandbox และ checkpoint ให้ agent ที่รันยาวกู้คืนได้เมื่อล้มเหลว
- อธิบายและป้องกันการตัดสินใจเชิงสถาปัตยกรรมของ harness ที่ตัวเองสร้างได้
- อ่านสถาปัตยกรรมของ Agent SDK เข้าใจ และตัดสินใจได้ว่าองค์ประกอบไหนใช้ของ SDK องค์ประกอบไหนต้องเขียนเอง
| เนื้อหาในการอบรม
วันที่ 1: Runtime Core: Loop, Tools, Hooks
◾ กายวิภาคของ Harness
▪️ Harness กับ framework ต่างกันอย่างไร
▪️ องค์ประกอบของ agentic AI
▪️ แกะโครงสร้างภายใน coding agent ในตลาด
▪️ ตั้ง coding agent ให้พร้อมใช้ตลอดคอร์ส
◾ Agent Loop
▪️ Observe – decide – act – verify
▪️ Step budget และ token budget
▪️ เงื่อนไขการหยุด และการตรวจจับการวนซ้ำ
▪️ Structured trace
◾ Workshop 1 — Agent Loop
▪️ เขียน spec ของ loop พร้อมเพดาน step และ token เงื่อนไขการหยุด และ trace แล้วให้ coding agent implement
◾ Tool Layer Design
▪️ Tool description เป็น prompt surface
▪️ Schema ที่โมเดลไม่ต้องเดา
▪️ Error surface ที่ทำให้โมเดลแก้ตัวเองได้
▪️ Idempotency สำหรับ tool ที่มีผลข้างเคียง
▪️ การ shape ผลลัพธ์ที่ยาวเกิน context
◾ Workshop 2 — Tool Layer
▪️ เขียน spec ของ tool ที่อ่านไฟล์ แก้ไฟล์ และรัน command แล้วให้ coding agent implement
◾ Hooks และ Middleware
▪️ บังคับ policy ที่ runtime ไม่ใช่ที่ prompt
▪️ Deterministic lifecycle hook
▪️ Middleware chain และลำดับการทำงาน
◾ Workshop 3 — Middleware Chain
▪️ เขียน spec ของ middleware chain ที่บังคับ policy ได้โดยไม่แตะโค้ด loop แล้วให้ coding agent implement
---------------
วันที่ 2: Context Engineering และ Recovery
◾ Context Engineering
▪️ ทำไม agent ที่รันยาวจึงเสื่อม
▪️ Tool-result clearing — แทนผลลัพธ์เก่าด้วย placeholder ไม่มีค่า inference
▪️ Compaction — ย่อ history เป็น summary block ที่มีโครงสร้างตายตัว
▪️ External memory — สถานะที่อยู่รอดข้าม context reset
▪️ เหตุผลที่ต้องใช้ทั้งสามกลไกร่วมกัน
◾ Workshop 4 — Context Engineering
▪️ เขียน spec ของ compaction, tool-result clearing และ external memory แล้วให้ coding agent implement
◾ Subagent และการแยก Context
▪️ Context isolation ต่อ subagent
▪️ Return contract แบบย่อพร้อม pointer
▪️ กับดัก: subagent ย่อ context ของตัวเองโดยไม่ประสานกัน
◾ Sandbox และ Recovery
▪️ จำกัด filesystem, network และ process
▪️ Retry ที่ไม่ทำให้ side effect เกิดซ้ำ
▪️ Checkpoint และการทำงานต่อ
▪️ เพดานค่าใช้จ่ายต่องาน และ kill switch
◾ ขอบเขตของ Agent SDK และการย้ายไป Domain อื่น
▪️ องค์ประกอบไหน SDK ให้มา องค์ประกอบไหนต้องเขียนเอง
▪️ เกณฑ์ตัดสินใจว่าจะขยาย SDK หรือเขียนขึ้นใหม่
▪️ ย้ายไป customer service agent, data agent และ RAG agent
---------------
Capstone: ประกอบทุกอย่างเป็น coding agent ของตัวเองที่รันบน repository จริง แล้วนำเสนอ การตัดสินใจเชิงออกแบบสามข้อที่ขัดกับสิ่งที่ coding agent เสนอมา พร้อมเหตุผล
| ผู้สอน
Mr. Aekanun Thongtae (ดูโปรไฟล์ >>ที่นี่)
- CTO , Bangkok First Tech
- Big Data Consultant at IMC Institute
- Former Manager of Architecture and Prototype at EGA
- Former Manager of Research and Development at EGA
- Guest Lecturer in Many University, Courses of Data Mining and Information Security
- Former Director of Relations Network at Student Loan Fund
