AI for MarTech
จากพื้นฐาน AI สู่ Agentic MarTech Stack — เชื่อมโยงข้อมูล สร้างคุณค่า และส่งมอบผลลัพธ์
สแกนเลย — เอกสารทั้งหมดของวันนี้อยู่ที่นี่
ลิงก์เอกสาร มีครบทุกอย่าง
สไลด์ฉบับเต็ม · Lab worksheets · starter code (LINE bot + MCP server) · ชุดข้อมูลตัวอย่าง · Cheat sheet · ลิงก์อ้างอิง
ทำตอนนี้ (2 นาที)
1) สแกนแล้วเปิดเก็บไว้ 1 แท็บ 2) เข้าสู่ระบบ Claude ให้พร้อม 3) ต่อ Wi-Fi ของงาน
สไลด์ถัดไป: เข้าร่วม Slido สำหรับโหวต-ถามสดตลอดวัน
เข้าร่วม Slido — แล้วตอบโพลแรกของวันเลย
สแกนครั้งเดียว ใช้ทั้งวัน — โหวตทุกกิจกรรม + ส่งคำถามได้ตลอด ไม่ต้องรอไมค์ · ตอบแล้วผลขึ้นจอขวาทันที
ผลโหวตสด
เช้าวันจันทร์: "ยอดขายเมื่อวานตก — เพราะอะไร?"
คำถามเดียวจากผู้บริหาร กลายเป็นงาน 2 วันของทั้งทีม
ปัญหาไม่ใช่คน ไม่ใช่ความขยัน — แต่คือ "ข้อมูลไปไม่ถึง AI และ AI ไปไม่ถึงระบบ"
หลักสูตรเต็มวัน: จาก 2 วัน เหลือ 5 นาที — แล้วสร้างท่อเองเป็น
+ แนวโน้ม 2026
เห็นคำตอบใน 5 นาทีจริง
Secure · Deploy · Orchestrate
+ Capstone นำเสนอทีม
ฉบับรวม: หลัก + Advanced MCP ในเด็คเดียว · สไลด์ที่ซ้ำกับ Week 3 ซ่อนไว้ (เรียกคืนด้วยปุ่ม H) · โมดูล LINE Bot ท้ายเด็ค
"AI or Not?" — เนื้อหาใดสร้างโดย AI
วิธีร่วมกิจกรรม
- พิจารณาตัวอย่าง 5 ชิ้น: ข้อความโฆษณา อีเมล โพสต์โซเชียล รีวิว และสโลแกน
- ยกมือลงคะแนน: "สร้างโดย AI" หรือ "เขียนโดยมนุษย์"
- ทีมที่ตอบถูกมากที่สุด ได้คะแนนสะสมสำหรับช่วงนำเสนอผลงาน
- เฉลยพร้อมอธิบาย "จุดสังเกต" ของงานที่สร้างโดย AI
สไลด์ถัดไป: เล่นสดทีละชิ้น — โหวตก่อน แล้วคลิกการ์ดเพื่อเฉลย
ความสำคัญของกิจกรรมนี้
ในปี 2026 เนื้อหาที่ลูกค้าพบเห็นส่วนใหญ่มี AI อยู่เบื้องหลัง — คำถามสำคัญจึงไม่ใช่ "ควรใช้ AI หรือไม่" แต่คือ "ใช้อย่างไรให้มีคุณภาพและได้ผลลัพธ์"
ขององค์กรการตลาดใช้ AI agents ในส่วนใดส่วนหนึ่งของ MarTech stack แล้ว
ที่มา: MarTech.org State of Your Stack Survey 2026
"AI or Not?" — โหวตก่อน แล้วคลิกการ์ดเพื่อเฉลย
"ปกป้องผิวจากแสงแดดอย่างล้ำลึก ด้วยนวัตกรรม SPF50+ PA++++ ที่มอบความมั่นใจในทุกย่างก้าว เผยผิวกระจ่างใสอย่างเป็นธรรมชาติ พร้อมสัมผัสบางเบาสบายผิวตลอดวัน"
"ฝนตกทั้งวันแบบนี้ แวะมานั่งร้านได้นะครับ วันนี้เมล็ดเอธิโอเปียคั่วใหม่เพิ่งมาถึง หอมจนพนักงานแอบชงชิมเองไปสองแก้วแล้ว"
"เรียนคุณลูกค้าคนพิเศษ — เพราะคุณคือคนสำคัญของเรา รับส่วนลดพิเศษ 20% สำหรับทุกรายการโปรดของคุณ พร้อมสิทธิพิเศษจัดส่งฟรี ช้อปเลยวันนี้ ก่อนสิทธิ์ดี ๆ จะหมดเขต!"
"ซื้อมาใช้ได้สามอาทิตย์ ตอนแรกก็เฉย ๆ นะ แต่พอเพื่อนทักว่าหน้าดูโกลว์ขึ้นถึงรู้ว่ามันเวิร์ค เสียดายอย่างเดียวคือหมดเร็วมาก ขวดเล็กไปหน่อยสำหรับราคานี้"
"ทุกหยดคือความสดชื่น ทุกขวดคือความใส่ใจ — เติมพลังชีวิตในทุกช่วงเวลาของคุณ"
Fundamentals
ก่อนแก้ปัญหา "2 วัน" ต้องเข้าใจเครื่องมือ — พื้นฐาน AI ที่นักการตลาดต้องมี
วิวัฒนาการ 3 ยุค: AI → GenAI → Agentic AI
Traditional AI / ML
พยากรณ์และจัดกลุ่ม
- Churn prediction, RFM scoring
- Recommendation engine
- มนุษย์เป็นผู้ตัดสินใจและดำเนินการทั้งหมด
Generative AI
สร้างเนื้อหา
- เขียนข้อความโฆษณา ภาพ อีเมล
- ตอบสนองตาม prompt เป็นครั้งคราว
- มนุษย์สั่งงาน — AI สร้าง — มนุษย์ตรวจสอบ
Agentic AI
คิด วางแผน และดำเนินการ
- รับเป้าหมาย แล้วแตกเป็นขั้นตอนเอง
- เรียกใช้เครื่องมือและข้อมูลผ่าน MCP
- ทำงานหลายขั้นตอนจบภายในรอบเดียว
ปี 2026: เส้นแบ่งสำคัญคือ "AI ที่ตอบคำถาม" กับ "AI ที่ทำงานให้เสร็จ"
หลักการทำงานของ LLM — 3 ประเด็นที่นักการตลาดควรทราบ
Next-token prediction
โมเดลทำนาย "คำถัดไป" จากบริบท ไม่ได้สืบค้นจากฐานข้อมูลข้อเท็จจริง — เชี่ยวชาญด้านภาษา แต่ไม่ใช่เครื่องคำนวณหรือสารานุกรม
Context window
โมเดลรับรู้เฉพาะข้อมูลที่อยู่ใน "หน้าต่างบริบท" — เมื่อป้อนข้อมูลองค์กรหรือลูกค้าเข้าไป ผลลัพธ์จะแม่นยำขึ้นทันที
Hallucination
เมื่อไม่มีข้อมูล โมเดลอาจสร้างคำตอบที่คลาดเคลื่อนด้วยความมั่นใจ — มีความเสี่ยงสูงสุดกับตัวเลขยอดขายและชื่อสินค้า
Prompt Framework: C-R-T-F สำหรับทุกงาน MarTech
ข้อสังเกต: prompt ที่ดีเปรียบเสมือน brief ที่ดี — brief ที่ agency เข้าใจได้ AI ก็เข้าใจได้เช่นกัน (กรอบเดียวกับที่เรียนใน Week 3)
โครงสร้าง MarTech Stack ยุค AI — และจุดที่ปัญหาเกิด
- E-commerce (Shopee, Lazada, TikTok Shop)
- Website / App / POS
- VoC, Social, Call Center
- LINE OA, Loyalty, Ads
- CDP รวมโปรไฟล์ลูกค้า 360°
- Clean · Dedupe · Consent (PDPA)
- Single Customer View
- พร้อมให้ AI เข้าถึงผ่าน API/MCP
- Analyze — ค้นหา insight อัตโนมัติ
- Segment & Audience
- Workflow & Automation
- เนื้อหา + Personalization
- Email · LINE · Social · Ads
- เนื้อหาเฉพาะบุคคลราย segment
- Promotion & Journey
- วัดผล → ป้อนกลับเข้า data loop
ชั้น DATA SOURCES คือ "MarTech as Data Collectors" ทั้ง 11 แหล่งที่เรียนใน Week 3 — ปัญหา "2 วัน" เกิดที่รอยต่อระหว่างชั้น: ข้อมูลมีครบ แต่เดินทางด้วยมือมนุษย์ ไม่ใช่ระบบ
Trends 2026
เหตุใดต้องเริ่มตอนนี้ — สถานการณ์จริงของ AI × MarTech
สถิติสำคัญ ปี 2026
ขององค์กรการตลาดใช้ AI agents ในส่วนใดส่วนหนึ่งของ MarTech stack
ที่มา: MarTech.org, State of Your Stack Survey (2026)
ยอดดาวน์โหลด MCP SDK ต่อเดือน (เติบโต 970 เท่าภายใน 18 เดือน)
ที่มา: Anthropic; รวบรวมโดย DigitalApplied (2026)
ของนักการตลาดเท่านั้น ที่สามารถพิสูจน์ ROI ของการใช้ AI ได้
ที่มา: DigitalApplied, AI Marketing Statistics (2026)
ต่อสัปดาห์ คือเวลาที่นักการตลาดประหยัดได้จากการใช้ AI
ที่มา: HubSpot, AI Trends for Marketers (2026)
แนวโน้มสำคัญ 4 ประการที่เปลี่ยนโฉม MarTech
01 · Agentic AI: จาก Copilot สู่ Autopilot
AI agents ปรับงบประมาณ ทดสอบชิ้นงานโฆษณา และ optimize แคมเปญแบบ real-time — Gartner คาดการณ์ว่าภายในสิ้นปี 2026 แอปพลิเคชันองค์กรราว 40% จะมี task agents ในตัว แต่การใช้งานเต็มรูปแบบยังอยู่ที่ราว 14% — จึงควรเริ่มจากงานเล็กที่วัดผลได้
02 · Agent-to-Agent Commerce
ลูกค้าเริ่มใช้ AI assistant ตรวจสอบสต็อก เปรียบเทียบราคา และสั่งซื้อแทนตนเอง — แบรนด์จำเป็นต้องมี agent ที่เข้าถึงข้อมูลคำสั่งซื้อและตอบได้ถูกต้อง ข้อมูลสินค้าต้องอยู่ในรูปแบบ machine-readable
03 · CDP → AI Data Foundation
จาก "เครื่องมือที่นักการตลาดเข้าใช้งาน" สู่ "ฐานข้อมูลที่ AI agents เข้าถึงผ่าน API/MCP" — กรณีศึกษาในไทย: ธุรกิจ e-commerce ใช้ AI-driven CDP ทำ real-time personalization เพิ่ม engagement ได้ 40%
04 · Privacy-First + AEO
First-party data และ PDPA consent คือรากฐานของการใช้ AI อย่างยั่งยืน — ขณะเดียวกัน AEO (Answer Engine Optimization) กำลังเป็น SEO ยุคใหม่ เมื่อลูกค้าสอบถาม AI แทนการค้นหาแบบเดิม
แนวโน้มทั้ง 4 ชี้ทิศทางเดียวกัน: ข้อมูลต้องส่งถึง AI ได้อย่างปลอดภัย — ถึงเวลาเปิด "กล่องดำ" ที่ทำให้สิ่งนี้เกิดขึ้น
AI × MarTech Use Case Map — 8 งานจริงตลอด Funnel
ผลิตชิ้นงานหลายพันเวอร์ชันตามบริบท/พื้นที่ — Coca-Cola สร้างคลิปกว่า 70,000 ชิ้นในแคมเปญเดียว
ผลิตเนื้อหา SEO/AEO เป็นระบบ ให้แบรนด์ถูก AI หยิบไปตอบ (= Track 3 ของหลักสูตร)
จัดลำดับ lead ให้ทีมขายโทรถูกคนก่อน — ใช้สัญญาณจาก CRM + พฤติกรรมบนเว็บ
agent ปรับ bid/งบ/audience แบบ real-time (Advantage+, PMax) — มนุษย์คุมกลยุทธ์และ guardrails
ปรับหน้าเว็บ/อีเมลรายบุคคล — ทดสอบสม่ำเสมอเพิ่ม open 10-30% และ CTR 15-40%
แชทตอบ-แนะนำ-ปิดการขาย (= Lab 3 LINE Bot) — เว็บที่มี AI chat มี conversion สูงกว่า ~23%
ทำนายลูกค้าเสี่ยงหายก่อนหาย แล้วเข้าแทรกแซง — ลด churn ได้ 13-31% (= Lab 1 RFM ต่อยอด)
จัดงบและข้อเสนอตามมูลค่าระยะยาวของลูกค้าแต่ละกลุ่ม (แนวทาง Sephora)
คำถามสำคัญ: use case ใดตรงกับงานของท่านที่สุด — จดไว้ ใช้เป็นโจทย์ใน Lab 2 และแผน 30 วัน
เคสจริง ตัวเลขจริง
Klarna — AI assistant รับงานบริการลูกค้าเทียบเท่าพนักงาน 853 คน ตอบจบใน 2 นาที (จากเดิม 11 นาที) และลดคำถามซ้ำ 25%
ที่มา: CX Dive / Klarna (Q3 2025)
Netflix — สัดส่วนการรับชมที่มาจาก recommendation engine ประเมินมูลค่าการลด churn ราว $1B ต่อปี
ที่มา: Pecan AI, Companies Using AI for Marketing (2026)
Coca-Cola — จำนวนคลิปวิดีโอที่สร้างด้วย AI เพื่อประกอบแคมเปญ holiday แบบ localized รายพื้นที่
ที่มา: Marketing Dive (2026)
เคสไทย — e-commerce ใช้ AI-driven CDP ทำ real-time personalization เพิ่ม engagement 40% ภายใต้กรอบ PDPA
ที่มา: 1Moby (2026)
ข้อพึงระวัง: ตัวเลขเหล่านี้มาจากบริบทเฉพาะของแต่ละองค์กร — ใช้เป็นทิศทาง ไม่ใช่คำสัญญา และควรตั้ง KPI ของตนเองก่อนเริ่มเสมอ
กลับไปที่เช้าวันจันทร์อีกครั้ง
คำถามเดิม ทีมเดิม ข้อมูลชุดเดิม — แต่คราวนี้มี MCP & Integration Layer
จาก 2 วัน → 5 นาที ไม่ใช่เวทมนตร์ แต่เป็นสถาปัตยกรรม
"เหตุใดยอดขายเมื่อวานจึงลดลง" — ฉบับมี MCP
มนุษย์ถามเพียง 1 ครั้ง — agent ทำงานผ่าน "ท่อข้อมูล" หลายรอบโดยอัตโนมัติ | คำถามถัดไป: ท่อนี้สร้างอย่างไร
MCP เปรียบเสมือน "USB-C ของโลก AI"
ก่อนมี MCP
ทุก AI × ทุกระบบ = ต้องพัฒนา integration แยกกัน (10 × 10 = ตัวเชื่อม 100 ชุด)
เมื่อมี MCP
มาตรฐานเปิดชุดเดียว — พัฒนาครั้งเดียว ใช้ได้กับ AI ทุกแพลตฟอร์ม (Claude, ChatGPT, Gemini, Copilot)
SDK downloads ต่อเดือน
public MCP servers
servers ด้านการตลาด
ทีม enterprise AI มี MCP agent ใช้งานจริง
เปิดกล่อง MCP Server — 3 ส่วนที่ทำงานในสไลด์ที่แล้ว
Data Tools
เครื่องมือให้ AI อ่าน/เขียนข้อมูล — ทำงานในขั้นที่ 2
- ดึงยอดขายจาก Shopee/Lazada
- สืบค้นข้อมูลลูกค้าจาก CDP
- อ่านรีวิวและ VoC จาก social listening
Services
บริการให้ AI สั่งงานระบบอื่น — ทำงานในขั้นที่ 4
- ส่งแคมเปญผ่าน email/LINE OA
- สร้างคูปองและโปรโมชัน
- กำหนด audience ใน ads platform
Connectors
ตัวเชื่อมสำเร็จรูปเข้าสู่แพลตฟอร์ม
- Google Drive, Slack, HubSpot, Canva
- ฐานข้อมูล BigQuery/SQL
- เลือกใช้จาก registry โดยไม่ต้องพัฒนาเอง
หลักการสำคัญ: ให้สิทธิ์ agent เท่าที่จำเป็น (least privilege) และบันทึก log ทุกการทำงานเพื่อให้ตรวจสอบย้อนหลังได้
ข้อมูลเดินทางเข้าระบบทางใด — 6 ช่องทางเชื่อมต่อ
JavaScript
สคริปต์บนเว็บไซต์ เก็บพฤติกรรมผู้ใช้ เช่น การเข้าชมและการเพิ่มสินค้าลงตะกร้า
เอกสาร: Google Tag Platform ↗API / Plug-ins
เชื่อมต่อระหว่างระบบแบบ real-time — POS, ERP, CRM, marketplace
ตัวอย่าง: LINE Messaging API ↗Offline / Files
ข้อมูล CSV/Excel จากหน้าร้าน งานอีเวนต์ และ call center — มีคุณค่าไม่ควรละเลย
เอกสาร: GA4 Data Import ↗คำถามเพื่อการออกแบบ: ข้อมูลขององค์กรท่านเข้าสู่ระบบผ่านช่องทางใดบ้าง และช่องทางใดยังไม่ได้เปิดใช้
เลือกช่องทางใด เมื่อใด — คู่มือฉบับใช้งานจริง
| โจทย์ของท่าน | ช่องทางที่เหมาะสม | เหตุผล |
|---|---|---|
| ข้อมูลพฤติกรรมบนเว็บไซต์ | JavaScript + Pixels | เก็บ event แบบ real-time ส่งเข้า CDP และ ads platform พร้อมกัน |
| ข้อมูลใน mobile app | SDK | in-app event และ personalization ควรวางแผนตั้งแต่รอบพัฒนาถัดไป |
| ระบบภายใน (POS/ERP/CRM) | API / Plug-ins | เชื่อมต่อสองทางแบบ real-time — เส้นทางหลักของ agentic workflow |
| ต้องการพัฒนาให้เร็วขึ้น | Libraries | ใช้เครื่องมือสำเร็จรูปก่อนเสมอ พัฒนาเองเฉพาะส่วนที่จำเป็น |
| ข้อมูลหน้าร้าน / งานอีเวนต์ | Offline / Files | CSV/Excel มีคุณค่า — นำเข้าระบบแบบ batch อย่างสม่ำเสมอ |
หลักคิด: เริ่มจากคำถามทางธุรกิจ → ระบุว่าข้อมูลอยู่ที่ใด → จึงเลือกช่องทางเชื่อมต่อ (ไม่เริ่มจากเทคโนโลยี)
ประกอบร่าง: จาก Data สู่ Value ด้วย Claude + MCP
E-commerce · Web · App · POS · VoC · LINE OA · Ads
Data Tools · Services · Connectors · JS/Pixel/SDK/API/Files
Analyze · Segment · Workflow & Automation · Insight & Report
Dashboard · Report · Code · Content → Email · LINE · Social · Ads
Loop: ผลลัพธ์จากช่องทาง activation ไหลกลับเป็น data source รอบใหม่ — ยิ่งใช้งาน ระบบยิ่งแม่นยำ
เปิดท่อข้อมูลอย่างปลอดภัย — Governance Checklist 6 ข้อ
✓ Least Privilege
ให้สิทธิ์ agent เท่าที่งานจำเป็น — สิทธิ์อ่าน เขียน และส่งแคมเปญ ควรแยกจากกัน
✓ Audit Log
ทุก tool call ต้องมีบันทึก: ผู้เรียกใช้ เวลา และข้อมูลที่เข้าถึง เพื่อการตรวจสอบย้อนหลัง
✓ PDPA Consent
ข้อมูลที่ไหลผ่านระบบ ต้องมี consent ครอบคลุมการใช้งานรูปแบบ AI/automation
✓ Human-in-the-loop
กำหนดให้ชัดเจนว่าขั้นตอนใด agent ดำเนินการเอง และขั้นตอนใดต้องรอการอนุมัติ
✓ Data Quality Gate
คุณภาพข้อมูลนำเข้ากำหนดคุณภาพการตัดสินใจ — ตรวจสอบ schema และความเป็นปัจจุบัน
✓ Kill Switch
มีกลไกหยุดการทำงานของ agent ได้ทันทีเมื่อพบความผิดปกติ พร้อมแผน rollback
คำถามที่ผู้บริหารควรถามทีมเสมอ: "agent นี้ทำอะไรได้บ้าง และเราตรวจสอบได้อย่างไรว่าได้ทำอะไรไปแล้ว"
Live Demo: Claude + Real Customer Data
เชื่อมข้อมูล
อัปโหลดชุดข้อมูลลูกค้า 300 ราย (ข้อมูลจำลอง) เข้าสู่ Claude
สั่งวิเคราะห์
ใช้ prompt ตามหลัก C-R-T-F เพื่อค้นหา insight และสร้าง RFM segments
ได้ Artifact
Claude สร้าง dashboard และแผนแคมเปญราย segment ภายในไม่กี่นาที
ประเด็นที่ควรสังเกต: ความเร็ว · คุณภาพของคำถามสำคัญกว่าคุณภาพของเครื่องมือ · จุดที่ยังต้องมีมนุษย์ตรวจสอบ
Vibe Coding: สั่งงานด้วยภาษา ได้เครื่องมือจริง
แนวคิด
บอกเป้าหมายเป็นภาษาธรรมชาติ แล้วให้ coding agent เขียน แก้ไข และทดสอบโค้ดให้ — มนุษย์ทำหน้าที่กำกับทิศทางและตรวจรับผลลัพธ์ ไม่ใช่พิมพ์โค้ดเอง
ตัวอย่างงาน MarTech ที่สร้างได้ใน 1 ชั่วโมง
- Dashboard สรุปแคมเปญจากไฟล์ CSV
- UTM builder / ROI calculator ของทีม
- เครื่องมือวิเคราะห์ผล A/B test
- Landing page หรือ LIFF mini app ต้นแบบ
เลือกเครื่องมือตามผู้ใช้
ทำงานกับไฟล์บนเครื่อง ไม่ต้องใช้ terminal — เหมาะกับ dashboard, รายงาน, เครื่องมือภายในทีม และงานเอกสารอัตโนมัติ
ทำงานกับ repo ผ่าน terminal — เหมาะกับโปรเจกต์จริงเช่น LINE Bot ใน Lab 3, การเชื่อม MCP และ code review
ข้อควรระวัง: ตรวจสอบผลลัพธ์ก่อนใช้งานจริงเสมอ และไม่ฝัง API key/ข้อมูลลับในโค้ดที่แชร์
หลักฐานที่ดีที่สุด: เอกสารนำเสนอที่ท่านดูอยู่ ชุดข้อมูลฝึกปฏิบัติ และ starter code ทั้งหมดของหลักสูตรนี้ สร้างด้วย vibe coding ผ่าน Claude Cowork
สร้างเครื่องมือแรกของท่าน — ด้วยภาษาไทยล้วน
เลือกโจทย์ 1 ข้อ (หรือคิดเอง)
- A · UTM Link Builder — ฟอร์มกรอก source/medium/campaign พร้อมปุ่มคัดลอกลิงก์ ใช้แทนไฟล์ Excel ของทีม
- B · ROI Calculator — กรอกงบโฆษณา ยอดขาย และ conversion แล้วคำนวณ ROAS/ROI พร้อมคำแนะนำ
- C · Mini Dashboard — สร้างหน้าสรุปจาก customer_data.csv: จำนวนลูกค้าราย segment + กราฟช่องทาง
วิธีทำ
- สั่งด้วย prompt starter (ขวามือ) แล้วขอปรับทีละรอบ — อย่าพยายามสั่งครบในครั้งเดียว
- ทดสอบใช้จริง แล้วขอแก้สิ่งที่ไม่ถูกใจ เหมือน brief งานกับทีม
Prompt Starter
"สร้างไฟล์ HTML ไฟล์เดียวชื่อ utm_builder.html เป็นเครื่องมือ UTM link builder ภาษาไทย โทนสี #345589 มีช่องกรอก URL, source, medium, campaign ปุ่มคัดลอกลิงก์ และตรวจสอบความถูกต้องของ input ให้ด้วย"
เกณฑ์ความสำเร็จ
- เปิดใช้งานได้จริงในเบราว์เซอร์
- ใช้งานฟีเจอร์หลักได้อย่างน้อย 1 อย่าง
- ผ่านการขอแก้ไขอย่างน้อย 1 รอบ (ฝึก iterate)
เครื่องมือที่สร้างวันนี้ นำไปใช้ประกอบการนำเสนอผลงานทีมช่วงท้ายได้
Lab 1: Customer Data Analysis — Your Turn
ภารกิจ (เดี่ยวหรือจับคู่)
- Mission 1: Explore — อัปโหลด CSV แล้วให้ Claude สรุปข้อค้นพบสำคัญ 5 ประการ
- Mission 2: Analyze — จัดทำ RFM segments พร้อมตั้งชื่อ segment ให้จดจำง่าย
- Mission 3: Recommend — จัดทำแผนแคมเปญ 1 segment พร้อมช่องทางและข้อความตัวอย่าง
- Bonus — ให้ Claude สร้าง dashboard artifact จากข้อมูล
กติกาและข้อแนะนำ
- ใช้หลัก C-R-T-F ในทุก prompt
- หากไม่มั่นใจในตัวเลขใด ให้สอบถามซ้ำเพื่อให้ AI แสดงวิธีคิด
- บันทึกใน worksheet: insight ที่สำคัญที่สุด 1 ข้อ
- ท้ายกิจกรรม: นำเสนอ insight ทีมละ 30 วินาที
- insight ที่โดดเด่นที่สุดได้คะแนนสะสม
พักเบรก — ช่วงบ่าย: เจาะลึก แล้วสร้างของจริง
เมื่อกลับมา: สร้าง MCP Server ของท่านเองครบวงจร — Build · Secure · Deploy · Orchestrate — กรุณาตรวจสอบการเข้าสู่ระบบ Claude และดาวน์โหลด starter code ให้เรียบร้อย
กลับมาแล้ว — โหวต: ท่านอยากสร้างท่อแบบไหนที่สุด
เลือก use case ที่อยากเห็นเป็น MCP Server ขององค์กรท่าน — ช่วงบ่ายนี้เราจะได้สร้างกันจริง
MCP ยกเครื่องใหญ่: 6 เรื่องที่ผู้สร้างต้องรู้
Stateless Core
เลิกผูก session กับ server ตัวเดียว — scale บน HTTP/load balancer ธรรมดาได้ ปลดล็อก enterprise production จริง
Tasks Extension
งาน async ระยะยาว มี retry/expiry — เช่น "วิเคราะห์คู่แข่งทุกคืน เสร็จแล้วแจ้งผล" ตรงกับงาน MarTech มาก
MCP Apps
server ส่ง UI มา render ในแชทได้ — dashboard โต้ตอบได้จาก server ของแบรนด์เอง
Extensions Framework
ความสามารถเสริมแยกเป็นโมดูล — core เบาลง เพิ่มเฉพาะที่ใช้
Response Caching
ลด latency และต้นทุนเมื่อหลาย agent เรียกข้อมูลเดิมซ้ำ
Deprecation Policy
มีนโยบายเลิกใช้อย่างเป็นทางการ — องค์กรวางแผนระยะยาวได้มั่นใจขึ้น
สิ่งที่เขียนวันนี้ยึดแนว spec ใหม่ตั้งแต่ต้น — ไม่ต้องรื้อทีหลัง
สร้างท่อแรกของคุณ
กายวิภาค MCP Server ฝั่งผู้สร้าง — และ Lab เขียนจริงใน 45 นาที
3 Primitives ที่ Server เปิดให้ AI ใช้
Tools
ฟังก์ชันให้ AI "เรียกทำงาน"
- search_products(query)
- check_stock(sku)
- get_promotions()
- AI เลือกใช้เองจาก "คำอธิบาย" — เขียน description ให้ดีเท่ากับเขียน UX
Resources
ข้อมูลให้ AI "อ่านเป็นบริบท"
- แคตตาล็อกสินค้า นโยบายร้าน
- เหมาะกับข้อมูลที่อ่านทั้งก้อน ไม่ใช่ query
- ระบุด้วย URI เช่น catalog://products
Prompts
แม่แบบคำสั่งสำเร็จรูป
- "วิเคราะห์ยอดขายรายสัปดาห์" ฉบับองค์กร
- ทีมใช้สูตรเดียวกัน ผลลัพธ์มาตรฐานเดียวกัน
- = C-R-T-F ที่ฝังไว้ใน server
หลักออกแบบ: เปิดให้น้อยที่สุดที่ตอบโจทย์ (minimal surface) — เพิ่มทีหลังง่ายกว่าถอนออก
เกิดอะไรขึ้นเมื่อ AI เรียก Server ของเรา
บทบาทใหม่ของท่าน: ไม่ใช่แค่เขียนโค้ด แต่คือผู้ออกแบบ "ขอบเขตโลก" ที่ AI มองเห็น
โครงโปรเจกต์จริง — สั้นกว่าที่คิด
server.registerTool("check_stock", {
description: "ตรวจสอบสต็อกสินค้าจากรหัส SKU
ใช้เมื่อลูกค้าถามว่าสินค้ามีของหรือไม่",
inputSchema: { sku: z.string() }
}, async ({ sku }) => {
const p = products.find(x => x.sku === sku);
audit("check_stock", sku); // governance ในโค้ด
return { content: [{ type: "text",
text: p ? `${p.name}: ${p.stock} ชิ้น` : "ไม่พบสินค้า" }] };
});
เลือกเครื่องมือ
- TypeScript SDK — แนะนำสำหรับ production, type-safe, ecosystem ใหญ่สุด
- Python SDK — เหมาะทีม data/analytics ที่ถนัด Python
- MCP Inspector — เครื่องมือทดสอบ server แบบ interactive ก่อนต่อกับ Claude
เคล็ดลับเวิร์กช็อปนี้: ใช้ Claude Code ช่วย vibe-code ส่วนขยาย — แต่ต้องอ่านทุกบรรทัดที่มันเขียนให้เข้าใจ
description ของ tool คือสิ่งที่ AI ใช้ตัดสินใจ — เขียนด้วยความใส่ใจเท่ากับเขียน microcopy ให้ลูกค้า
Lab: Your First MCP Server — Product Data
ขั้นตอน (เดี่ยวหรือจับคู่)
- Step 1 (5 นาที): เปิด mcp_server_starter → npm install → npm start — server รันพร้อม 3 tools (search_products, check_stock, get_promotions)
- Step 2 (10 นาที): ทดสอบด้วย MCP Inspector — เรียกทุก tool ดู request/response จริง
- Step 3 (10 นาที): เชื่อมเข้า Claude Desktop (แก้ config ตาม README) → restart → ถาม "ครีมกันแดดตัวไหนมีของ"
- Step 4 (15 นาที) — Challenge: เพิ่ม tool ของท่านเอง 1 ตัว เช่น get_bestsellers หรือเปลี่ยน products.json เป็นข้อมูลธุรกิจจริงของท่าน
- Step 5 (5 นาที): แลกเปลี่ยน — โชว์ tool ที่เพิ่มให้เพื่อนข้างเคียง
เกณฑ์ความสำเร็จ
- Claude เรียก tool ของท่านได้เองโดยไม่ต้องบอกชื่อ tool
- ถามสิ่งที่ไม่มีข้อมูล — AI ตอบตามจริง ไม่มโน
- audit log ปรากฏทุกครั้งที่ tool ถูกเรียก
สิ่งที่ต้องมี
- Node.js 18+ · Claude Desktop
- starter: mcp_server_starter
ท่อที่ไม่มีวาล์ว คือท่อที่อันตราย
ภัยเฉพาะของ MCP และการป้องกันในระดับโค้ด
4 ภัยที่ Web Security เดิมไม่ครอบคลุม
1 · Tool Description Injection
server ปลอมฝังคำสั่งร้ายไว้ใน "คำอธิบาย tool" — AI อ่านแล้วทำตามโดยผู้ใช้ไม่เห็น | ป้องกัน: ใช้ server จากแหล่งเชื่อถือได้/ตรวจ description ก่อนติดตั้ง
2 · Confused Deputy
AI ถือสิทธิ์สูงถูกหลอก (ผ่านเนื้อหาที่อ่าน เช่น อีเมล/รีวิว) ให้ใช้สิทธิ์นั้นทำงานแทนผู้โจมตี | ป้องกัน: least privilege + ยืนยันมนุษย์ก่อน action สำคัญ
3 · Token Passthrough
ส่ง token ผู้ใช้ทะลุผ่าน server ไปยังระบบปลายทางตรงๆ — ตรวจสอบย้อนไม่ได้ เพิกถอนยาก | ป้องกัน: server ถือ credential ของตัวเอง แลกสิทธิ์อย่างถูกต้อง
4 · Rug Pull
server ที่เคยดี อัปเดตเวอร์ชันใหม่แล้วเปลี่ยนพฤติกรรม | ป้องกัน: pin เวอร์ชัน + review ก่อนอัปเดต + registry ที่ audit แล้ว
แนวเดียวกับ OWASP LLM Top 10 ที่เรียนใน workshop หลัก — แต่คราวนี้ท่านคือผู้รับผิดชอบฝั่ง server
ยืนยันตัวตนและสิทธิ์ — ทำแค่ไหนถึงพอ
หลักคิด: เริ่มที่ระดับต่ำสุดที่ปลอดภัยพอ แล้วยกระดับตามความอ่อนไหวของข้อมูล — อย่า over-engineer วันแรก
Governance 6 ข้อ — แปลเป็นโค้ดตรงไหน
| ข้อ (จาก workshop หลัก) | ตำแหน่งในโค้ด server ของท่าน |
|---|---|
| Least Privilege | ประกาศเฉพาะ tools ที่จำเป็น · แยก read/write server คนละตัว · scope ต่อ tool |
| Audit Log | ฟังก์ชัน audit() ใน handler ทุกตัว — ใคร เรียกอะไร เมื่อไหร่ พารามิเตอร์ใด |
| PDPA Consent | กรองฟิลด์ส่วนบุคคลออกก่อนคืนผล (data minimization ในชั้น response) |
| Human-in-the-loop | tools ฝั่ง action คืนสถานะ "รออนุมัติ" — ไม่ execute ตรง |
| Data Quality Gate | validate input ด้วย schema (zod) + ตรวจความสดของข้อมูลก่อนตอบ |
| Kill Switch | environment flag ปิด server/tool ได้ทันทีโดยไม่ deploy ใหม่ |
นโยบายที่ไม่อยู่ในโค้ด คือนโยบายที่ไม่มีจริง
จากเครื่องเรา สู่ทั้งทีม
stdio vs HTTP · stateless core · ขึ้น Cloudflare Workers ใน 30 นาที
Local (stdio) vs Remote (HTTP) — เลือกอย่างไร
Local · stdio
server รันบนเครื่องผู้ใช้ Claude เรียกผ่าน process โดยตรง
- เหมาะ: เครื่องมือส่วนตัว ข้อมูลบนเครื่อง เริ่มเรียนรู้ (Lab 1)
- ข้อจำกัด: ติดตั้งรายเครื่อง อัปเดตยาก ไม่แชร์ทีม
Remote · Streamable HTTP
server อยู่บน cloud ทั้งทีมเชื่อมที่เดียวกัน
- เหมาะ: ใช้ทั้งทีม/องค์กร ข้อมูลกลาง อัปเดตครั้งเดียวได้ทุกคน
- Spec 2026: stateless core → scale หลัง load balancer ธรรมดา ไม่ต้อง sticky session
- ต้องมี: auth (ระดับ 2 ขึ้นไป) + HTTPS + monitoring
เส้นทางมาตรฐาน: พัฒนาบน stdio → ทดสอบผ่าน → deploy remote — คือสิ่งที่เรากำลังจะทำใน Lab 2
Lab: Ship It — ขึ้น Cloudflare Workers
ขั้นตอน (ทีมเดิมจาก Lab 1)
- Step 1 (5 นาที): npx wrangler login — ผูกบัญชี Cloudflare (ฟรี)
- Step 2 (10 นาที): npm run deploy — starter เตรียม config ไว้แล้ว ได้ URL server ของท่าน
- Step 3 (5 นาที): เพิ่ม API key ผ่าน wrangler secret + ทดสอบเรียกด้วย Inspector
- Step 4 (10 นาที) — Cross-connect: แลก URL กับทีมข้างเคียง เชื่อม server ของกันและกันจาก Claude — ถามข้อมูลร้าน "ของเพื่อน"
เกณฑ์ความสำเร็จ
- server ตอบจาก URL สาธารณะ (ไม่ใช่เครื่องตัวเอง)
- เรียกโดยไม่มี key → ถูกปฏิเสธ
- เพื่อนต่างเครื่องใช้งาน tools ของท่านได้
โมเมนต์สำคัญของวัน: เห็นข้อมูลของเราถูก AI ของคนอื่นเรียกใช้อย่างปลอดภัย — นั่นคือ MCP ที่แท้จริง
จากหนึ่งท่อ สู่ระบบประปา
Tasks · MCP Apps · Multi-server workflow — และเส้นทางสู่ production
แก่นของ Agent คือ "ลูป" — ไม่ใช่เวทมนตร์
Context window = ความจำทั้งหมดของระบบ — โมเดลเริ่มต้นใหม่ทุกรอบ เห็นเฉพาะสิ่งที่เราส่งให้เท่านั้น
5 Patterns ยอดนิยม — ต่อยอดจากลูปเดียวกัน
Patterns ไม่ใช่ตัวเลือกแบบเลือกหนึ่งทิ้งหนึ่ง — ระบบจริงที่เก่งมักผสมหลาย pattern ในงานเดียว
Tasks และ MCP Apps — ประตูสู่งานที่ใหญ่ขึ้น
Tasks — งานที่นานกว่าหนึ่งคำตอบ
- สั่งงานยาวแบบ async: รับงาน → ทำเบื้องหลัง → แจ้งผลเมื่อเสร็จ (มี retry/expiry ในตัว)
- ตัวอย่าง MarTech: "สแกนราคาคู่แข่งทุกคืน 02:00 สรุปความเคลื่อนไหวเป็นรายงานเช้า"
- แทนที่ cron + ระบบแจ้งเตือนที่ต้องเขียนเองทั้งหมด
MCP Apps — UI จาก server ของเรา
- server ส่งหน้าจอโต้ตอบไป render ในแชทได้ ไม่ใช่แค่ข้อความ
- ตัวอย่าง: ถามยอดขาย → ได้ dashboard ที่กดดูรายละเอียดต่อได้ทันที
- แบรนด์ควบคุมประสบการณ์เองแม้อยู่ในหน้าต่างแชทของ AI
ทั้งสองยังใหม่มาก (spec เพิ่ง final) — รู้จักไว้ก่อน ใช้จริงเมื่อ client รองรับเต็มรูปแบบ
หลาย Server ทำงานร่วมกัน — Agentic Workflow จริง
คำสั่งเดียว: "สรุปยอดเมื่อวาน หาสาเหตุ แจ้งทีม" — Claude เรียก 3 servers ต่อกันเองครบวงจร = บันได Enterprise ขั้นที่ 4
Agent ที่เวิร์กใน Demo — ทำไมพังใน Production
Error ทบต้น — วัดเป็นกราฟ
แม่นต่อขั้น 95% ฟังดูดี — แต่พอต่อกัน 20 ขั้น เหลือรอดครบเพียง ~1 ใน 3
4 อาการพังที่คาดเดาได้
ความต่างระหว่าง agent ที่เชื่อถือได้กับที่เปราะบาง = การตัดสินใจว่า "จุดไหนให้โมเดลคุม จุดไหนต้องยึดไว้ที่โค้ด"
ให้โมเดล "ตัดสินใจ" มากแค่ไหน — สเปกตรัมความอิสระ
กติกา: เริ่มจากซ้ายสุดเสมอ — เลื่อนขวาทีละขั้น เฉพาะเมื่องานนั้นคุ้มค่า token และความเสี่ยงจริง
4 หลักปฏิบัติ: Agent ที่รอดคือ "โค้ดนิ่ง + โมเดลเฉพาะจุด"
1 · Context — คุมสิ่งที่โมเดลเห็น
Prompt คือ source code: เข้า version control, review, test · ตัด context ให้เหลือเฉพาะที่ขั้นนี้ต้องใช้ — ความเกี่ยวข้องชนะปริมาณ · นิยาม tool ให้ชัด (ชื่อ + schema) = สิ่งที่ท่านทำแล้วใน Lab MCP-1
2 · Control Flow — โค้ดคุมลูป ไม่ใช่โมเดล
ทุกลูปต้องมีทางหนีไฟ: จำกัดรอบ + timeout + เงื่อนไขจบชัด · เรียกโมเดลเฉพาะจุดที่ต้องใช้วิจารณญาณจริง ที่เหลือใช้โค้ดธรรมดา — ถูกกว่า เร็วกว่า ทดสอบได้
3 · State — โมเดล stateless, ความจำอยู่ที่เรา
เก็บสถานะงานในระบบของเรา (DB จากพาร์ท Architecture) แล้วประกอบ context ใหม่ทุกครั้ง → หยุด-ทำต่อได้, กู้จาก crash ได้, scale หลายเครื่องได้
4 · Scope — แคบไว้ และมีคนกำกับ
Agent เล็กหลายตัวใต้ orchestration ชนะ agent ใหญ่ตัวเดียว · ออกแบบ human handoff เป็นขั้นตอนชั้นหนึ่ง ไม่ใช่แผนสำรอง — Klarna: 2.3 ล้านบทสนทนา/เดือนแรก ด้วยเส้นทางส่วนใหญ่เป็น logic ธรรมดา
ถัดไป: เจาะทั้ง 4 หลักด้วยแผนภาพทีละภาพ — แล้วปิดด้วยคำตอบของ debate "single vs multi-agent"
คุมสิ่งที่โมเดลเห็น — องค์ประกอบของ Context Window
โครงกระดูกเป็นโค้ด — โมเดลถูกเรียกเฉพาะจุด
โมเดล Stateless — ความจำอยู่ในระบบของเรา
ผลพลอยได้ 3 ข้อ: หยุดกลางคันแล้วทำต่อได้ · กู้คืนจาก crash ได้ · scale หลายเครื่องหลัง load balancer ได้ — เพราะไม่มีอะไรค้างอยู่ในโมเดล
แคบไว้ และมีคนกำกับ — Human Approval คือขั้นตอนชั้นหนึ่ง
Agent เดี่ยวตัวใหญ่ vs Orchestrator + Sub-agents
จากวันนี้สู่ Production — แผน 30 วัน
แทน products.json ด้วยการต่อฐานข้อมูล/API จริงขององค์กร (read-only ก่อน) — ขอบเขตเล็ก ข้อมูลไม่อ่อนไหว
จาก API key → OAuth ระดับ 2 · ให้ทีม 3-5 คนใช้จริงผ่าน Cowork · เก็บ audit log ไปรีวิวรายสัปดาห์
วัดเวลาที่ประหยัด/คุณภาพคำตอบเทียบก่อนมี server · ตัดสินใจขยาย tools หรือเพิ่ม server ตัวที่สอง · เตรียมพร้อมสำหรับ curated registry (Q4 2026)
Commitment: "ภายใน 30 วัน server ตัวแรกขององค์กรฉันจะเปิดข้อมูล ______ ให้ทีมใช้ผ่าน Cowork"
AI Architecture & Databases
กายวิภาคระบบ AI เต็มตัว — และคำตอบว่า Claude ควรคู่กับฐานข้อมูลแบบไหน
สถาปัตยกรรมระบบ AI เต็มตัว — 5 ชั้นที่ต้องออกแบบ
Claude Chat/Cowork · LINE Bot · เว็บ/แอปของแบรนด์ · dashboard ภายใน
Agent runtime: เลือกเครื่องมือ วางลำดับงาน จัดการ memory · MCP client อยู่ชั้นนี้ · guardrails + human-in-the-loop
Claude ผ่าน API — เลือกรุ่นตามงาน (Sonnet เริ่มต้น · Opus งานยาก · Haiku งานเบาปริมาณมาก ตามที่เรียนใน Week 3)
Databases หลายประเภท + RAG pipeline + MCP servers ที่เปิดข้อมูล — หัวข้อหลักของช่วงนี้
Audit log · การวัดคุณภาพคำตอบ (evals) · ต้นทุนต่อคำขอ · kill switch — สิ่งที่ทำให้ระบบอยู่รอดใน production
ระบบ AI ที่ล้มเหลว ส่วนใหญ่ไม่ได้พังที่โมเดล — แต่พังที่ชั้น 4 (ข้อมูลไม่ดี) และชั้น 5 (ไม่มีใครเฝ้า)
ข้อมูลเดินทางถึงโมเดลได้ 3 ทาง — เลือกให้ถูกก่อนเลือกฐานข้อมูล
Context / MCP (ดึงสด)
ส่งข้อมูลเข้า context window ตอนถาม
- แนบไฟล์ หรือ MCP ดึงจากระบบจริง ณ วินาทีนั้น
- สดเสมอ ตรวจย้อนได้ ไม่ต้องสร้างระบบเพิ่ม
- เหมาะ: ข้อมูลธุรกรรม สต็อก ราคา แคมเปญ — 80% ของงาน MarTech จบที่ทางนี้
RAG (ค้นจากคลังความรู้)
แปลงเอกสารเป็น vector แล้วค้นด้วยความหมาย
- เอกสาร → embeddings → vector DB → ดึงเฉพาะส่วนเกี่ยวข้องมาใส่ context
- เหมาะ: คลังความรู้ใหญ่เกิน context (คู่มือหลายพันหน้า, KB, รีวิวมหาศาล)
- ต้นทุน: ต้องดูแล pipeline + ความสดของ index
Fine-tuning (ฝังในโมเดล)
สอนโมเดลด้วยข้อมูลเฉพาะทาง
- เปลี่ยน "พฤติกรรม/สไตล์" มากกว่าเพิ่ม "ข้อเท็จจริง"
- แพง ช้า อัปเดตยาก — ข้อมูลเปลี่ยนต้องเทรนใหม่
- งาน MarTech ทั่วไป: แทบไม่จำเป็น — system prompt + ตัวอย่างดีๆ มักพอ
ลำดับการตัดสินใจ: เริ่มทางที่ 1 เสมอ → ขยับไป RAG เมื่อความรู้ใหญ่เกิน context → คิดเรื่อง fine-tune ต่อเมื่อสองทางแรกพิสูจน์แล้วว่าไม่พอ
Database 5 ประเภทในระบบ AI — ใครทำหน้าที่อะไร
Relational / OLTP
PostgreSQL · MySQLข้อมูลธุรกรรมและโปรไฟล์: ออเดอร์ ลูกค้า สต็อก — แม่นยำ ปัจจุบัน มี consistency — "ความจริง ณ ตอนนี้" ของธุรกิจ
postgresql.org/docs ↗Analytics / Warehouse
BigQuery · ClickHouse · Snowflakeวิเคราะห์ย้อนหลังปริมาณมหาศาล: ยอดขายรายปี behavior ล้าน events — คำถามเชิง "แนวโน้มและสาเหตุ"
cloud.google.com/bigquery ↗Vector Database
pgvector · Qdrant · Pineconeคลังความหมายสำหรับ RAG: ค้นด้วย "ความใกล้เคียงเชิงความหมาย" ไม่ใช่คำตรงตัว — หัวใจของผู้ช่วยความรู้องค์กร
github.com/pgvector ↗Cache / Key-Value
Redis · Valkeyความเร็วระดับมิลลิวินาที: session, memory ระยะสั้นของ agent, rate limit, ผลลัพธ์ที่ถามซ้ำบ่อย
redis.io/docs ↗Object Storage
S3 · R2 · GCSไฟล์ดิบทุกชนิด: เอกสาร รูป วิดีโอ export — ต้นทางของ RAG pipeline และปลายทางของ artifact ที่ AI สร้าง
aws.amazon.com/s3 ↗แล้ว Claude ต่อกับทั้งหมดนี้อย่างไร?
ผ่าน MCP server ที่เราเรียนมาทั้งวัน — Claude ไม่ได้ "เก็บ" ข้อมูล แต่ "เข้าถึง" ทุกฐานผ่านท่อที่เราควบคุมสิทธิ์ได้ ปลอดภัยกว่าโยนทุกอย่างใส่โมเดล
modelcontextprotocol.io ↗หลักคิด: ฐานข้อมูลแต่ละประเภทเกิดมาเพื่องานคนละแบบ — ระบบ AI ที่ดีใช้หลายตัวร่วมกัน โดยมี MCP เป็นตัวกลาง
"Claude ควรใช้ Database แบบไหน" — ตารางตัดสินใจตามงานจริง
| Use case ของท่าน | ชุดที่เหมาะสม | เหตุผล |
|---|---|---|
| แชทบอทตอบข้อมูลสินค้า/สต็อก (Lab 3) | Relational + Cache | ข้อมูลต้องสดและแม่น — ดึงผ่าน MCP ตอนถาม ไม่ต้องมี vector เลย |
| ผู้ช่วยความรู้องค์กร (คู่มือ/นโยบายจำนวนมาก) | Vector DB + Object Storage | ความรู้ใหญ่เกิน context — RAG ค้นเชิงความหมายจากเอกสารต้นทาง |
| วิเคราะห์แคมเปญ/ยอดขายย้อนหลัง | Warehouse (ผ่าน MCP) | คำถามเชิงแนวโน้มบนข้อมูลมหาศาล — ให้ Claude เขียน query แล้วอ่านผล |
| Personalization แบบ real-time | Relational + Cache | โปรไฟล์จาก OLTP + ตอบใน ms จาก cache — ความหน่วงคือศัตรู |
| Memory ระยะยาวของ agent | Relational + Vector | ข้อเท็จจริงเก็บมีโครงสร้าง ความทรงจำเชิงบริบทค้นด้วยความหมาย |
คำแนะนำเริ่มต้นที่ผิดยาก: PostgreSQL + pgvector ตัวเดียวครอบ ~80% ของงาน — เริ่มที่นี่ แล้วแยกเฉพาะทาง (warehouse/cache) เมื่อชนขีดจำกัดจริง ไม่ใช่เมื่อกลัวว่าจะชน
รู้ทัน: 6 ความเสี่ยงระดับองค์กรที่มาพร้อม AI
Shadow AI
พนักงานใช้ AI ส่วนตัวกับข้อมูลบริษัทโดยไม่มีนโยบายรองรับ — เกิดขึ้นแล้วในเกือบทุกองค์กร ห้ามไม่ได้ ต้องมีทางเลือกที่ปลอดภัยให้ใช้
Data Leakage
ข้อมูลลูกค้าหรือความลับทางการค้าหลุดผ่าน prompt ไปยังบริการภายนอก — ต้องกำหนดชั้นข้อมูลว่าอะไรใช้กับ AI ได้/ไม่ได้
Hallucination in Production
คำตอบคลาดเคลื่อนถึงมือลูกค้าโดยไม่มีมนุษย์ตรวจ — ราคา สต็อก เงื่อนไขโปรโมชัน คือจุดเสี่ยงสูงสุดของงานการตลาด
AI Security
Prompt injection: ผู้ไม่หวังดีฝังคำสั่งในเนื้อหาที่ agent อ่าน (อีเมล เว็บ รีวิว) — ประเมินตาม OWASP LLM Top 10 ก่อนเปิดใช้ agent ที่เชื่อมระบบจริง
Compliance
EU AI Act มีผลบังคับ ส.ค. 2026 + PDPA — องค์กรต้องมี AI inventory, การจัดชั้นความเสี่ยง และกระบวนการรับมือเหตุการณ์
Vendor Lock-in
ผูกทุกอย่างกับผู้ให้บริการรายเดียว เปลี่ยนภายหลังต้นทุนสูง — มาตรฐานเปิดอย่าง MCP คือเครื่องมือลดความเสี่ยงข้อนี้โดยตรง
การรู้ทันความเสี่ยงไม่ใช่เหตุผลให้ช้าลง — แต่คือเงื่อนไขที่ทำให้ขยายผลได้อย่างยั่งยืน
ใช้ให้เป็น: บันได 4 ขั้นสู่องค์กรที่ AI ทำงานเต็มรูปแบบ
พนักงานใช้ AI ช่วยงานส่วนตัว ยังไม่มีมาตรฐานร่วม — จุดเริ่มของทุกองค์กร
เลือก "คำถาม 2 วัน" ขององค์กร กำหนด KPI ก่อนเริ่ม — เป้าหมายของแผน 30 วันจาก workshop นี้
สิ่งที่เรียนใน Part 3 ทั้งหมด: ท่อข้อมูล สิทธิ์ least privilege, audit log, human-in-the-loop
agents ทำงานข้ามระบบโดยมีมนุษย์กำกับทิศทาง — องค์กรวัดผลเป็น outcome ไม่ใช่ชั่วโมงงาน
5 เสาหลักที่ต้องสร้างพร้อมกัน
- Strategy — use case ที่วัดผลได้และเจ็บจริง ไม่ใช่ตามกระแส
- Data readiness — ข้อมูลสะอาด เข้าถึงได้ มี consent (บทเรียน Integration Layer)
- People & skills — ลงทุนทักษะพร้อมเครื่องมือ เสาที่ถูกลืมบ่อยที่สุด
- Governance & compliance — checklist 6 ข้อ + EU AI Act/PDPA
- Measurement — ตั้ง KPI ก่อนเริ่มเสมอ จงอยู่ในกลุ่ม 41% ที่พิสูจน์ ROI ได้
คำถามโหวต: วันนี้องค์กรของท่านอยู่ขั้นใด
Capstone (Team): Design Your MCP + Integration Architecture
โจทย์ทีม (4-5 ท่าน)
- เลือก Challenge Card ที่ตรงกับ Industry/JD ของทีม (หรือจับสลากเพื่อความท้าทาย) — รับโจทย์ธุรกิจพร้อมปัญหา
- Design (18 นาที): ออกแบบ architecture ลง canvas — ข้อมูลมาจากแหล่งใด ผ่าน MCP (Data Tools/Services/Connectors) หรือช่องทาง Integration ใด AI ทำหน้าที่อะไร และส่งออกช่องทางใด
- Plan (10 นาที): แผน 90 วัน — Quick win ใน 30 วันแรก และ KPI ที่ใช้วัดผล
- สามารถใช้ Claude เป็นผู้ช่วยของทีมได้เต็มที่ — ระดมความคิด ตรวจแผน และประเมินความเสี่ยง
Canvas 4 ช่อง
- 1 · Data: มีข้อมูลใด และขาดข้อมูลใด
- 2 · Pipes (หัวใจของปฏิบัติการนี้): MCP Server ใช้ tools/services/connectors ใด และ Integration ใช้ช่องทางใด
- 3 · AI Actions: วิเคราะห์/จัดกลุ่ม/ทำงานอัตโนมัติในเรื่องใด และต้องมี governance ข้อใด
- 4 · Activation + KPI: ส่งออกช่องทางใด และวัดผลอย่างไร
เตรียมนำเสนอ 2 นาที
นำเสนอผลงานทีม
Impact
แก้ปัญหาตามโจทย์ได้จริง ตัวเลขน่าเชื่อถือ
Feasibility
ดำเนินการได้จริงภายใน 90 วัน ด้วยทีมและงบประมาณที่มี
Creativity
มุมมองใหม่ ไม่ใช่แนวทางสำเร็จรูป
Clarity
นำเสนอภายใน 2 นาทีแล้วเข้าใจได้ทันที
คณะกรรมการ: วิทยากร + การลงคะแนนจากผู้เข้าอบรม (งดลงคะแนนทีมตนเอง) — รวมคะแนนสะสมจากทุกกิจกรรม
ต่อยอดหลังวันนี้ — เลือก 1 จาก 5 Tracks
1 · CI จาก Claude Design
สร้าง Corporate Identity / ชิ้นงานแบรนด์ด้วยเครื่องมือออกแบบของ Claude
ดูแลโดย อ.บอล
2 · AI Competitor Research
วิเคราะห์คู่แข่งด้วย Web Scraping + การสังเคราะห์ข้อมูลอัตโนมัติ
ดูแลโดย อ.บอล
3 · SEO Content Automation
ระบบผลิตเนื้อหา SEO อัตโนมัติด้วย Claude Skills
ดูแลโดย อ.บอล
4 · MCP Server → Claude Cowork
เชื่อมข้อมูลธุรกิจเข้า Cowork ผ่าน MCP — Lab 2 วันนี้คือต้นแบบของ track นี้
ดูแลโดย K Art
5 · AI Marketing Tools จาก Claude Code
สร้างเครื่องมือการตลาดของตนเอง — ต่อยอดจาก Mini-Lab + starter code วันนี้
ดูแลโดย K Art
วิธีเลือก
- เลือกตาม JD: งานประจำวันของท่านใกล้ track ใด
- หรือเลือกตาม Industry: โจทย์ใดสร้างคุณค่ากับธุรกิจได้เร็วที่สุด
ทุก track ใช้รากฐานเดียวกันที่เรียนวันนี้: C-R-T-F · ท่อข้อมูล (MCP/Integration) · Governance · การวัดผล
เช้าวันจันทร์หน้าขององค์กรท่าน — แผน 30 วันแรก
จัดทำรายการ data sources ทั้งหมด — ข้อมูลใด AI เข้าถึงได้แล้ว และข้อมูลใดยังอยู่ในไฟล์หรือความทรงจำของพนักงาน
เริ่มจาก "คำถาม 2 วัน" ขององค์กรท่าน — คำถามที่ถามบ่อย ตอบช้า และมีมูลค่าทางธุรกิจ
ดำเนินการจริงกับทีมขนาดเล็ก กำหนด KPI ก่อนเริ่ม — มีเพียง 41% ที่พิสูจน์ ROI ได้ ตั้งเป้าเป็นส่วนหนึ่งของกลุ่มนั้น
หลักคิดสำคัญ: พื้นฐานมั่นคง → ข้อมูลเข้าถึง AI ได้ (MCP) → เริ่มจากงานเล็ก → วัดผลให้ได้
สองนาทีสุดท้าย — ฝากคำตอบไว้ตรงนี้
คะแนนวันนี้ + "สิ่งแรกที่จะกลับไปทำเช้าวันจันทร์" — ตอบสดแล้วเห็นของเพื่อนร่วมห้องด้วยกัน
แหล่งอ้างอิง
เข้าถึงข้อมูลทั้งหมด: กรกฎาคม 2026 — สถิติด้านการใช้งานเปลี่ยนแปลงรวดเร็ว ควรตรวจสอบความเป็นปัจจุบันก่อนนำไปใช้อ้างอิงต่อ
ขอบคุณ
AI for MarTech — Explore · Analyze · Design · Plan
สแกนก่อนออกจากห้อง — เอกสาร ชุดข้อมูล prompt library และแบบประเมินอยู่ในนี้ทั้งหมด
HarmonyX Solution · harmonyx.co · [email protected]
เฉลยและจุดสังเกต
| ตัวอย่าง | คำตอบ | จุดสังเกต |
|---|---|---|
| 1 · โฆษณาครีมกันแดด | AI สร้าง | ภาษาสวยแต่กว้าง — "ล้ำลึก" "ทุกย่างก้าว" ใช้ได้กับสินค้าใดก็ได้ ไม่มีรายละเอียดเฉพาะของแบรนด์ |
| 2 · โพสต์ร้านกาแฟ | มนุษย์เขียน | มีรายละเอียดเจาะจง (เมล็ดเอธิโอเปีย พนักงานชงชิมเอง) และความไม่เป็นทางการที่เป็นธรรมชาติ |
| 3 · อีเมลโปรโมชัน | AI สร้าง | โครงสร้างสำเร็จรูป — "คนพิเศษ" "สิทธิ์ดี ๆ" วลีการตลาดมาตรฐานเรียงต่อกันโดยไม่มีเอกลักษณ์ |
| 4 · รีวิวลูกค้า | มนุษย์เขียน | มีประสบการณ์เฉพาะ (เพื่อนทัก สามอาทิตย์) และคำติที่เจาะจง (ขวดเล็ก) — AI มักเลี่ยงการติแบบเจาะจง |
| 5 · สโลแกนน้ำดื่ม | AI สร้าง | โครงสร้างขนานสมบูรณ์แบบ "ทุกหยด…ทุกขวด…" — รูปแบบที่โมเดลภาษานิยมสร้าง |
ข้อสรุป: AI เขียน "เรียบร้อยแต่กลาง ๆ" — มนุษย์เขียน "มีตำหนิแต่เจาะจง" | แนวทางที่ดีคือให้ AI ร่าง แล้วมนุษย์เติมรายละเอียดที่เป็นเอกลักษณ์
สคริปต์ Prompt สำหรับการสาธิต
"คุณคือ senior data analyst ของแบรนด์ beauty e-commerce ในประเทศไทย ข้าพเจ้าแนบไฟล์ข้อมูลลูกค้า 300 ราย (คอลัมน์: channel, category, recency, orders, spend, consent) กรุณาสำรวจข้อมูลและสรุปข้อค้นพบสำคัญ 5 ประการต่อการวางแผนการตลาด ตอบเป็นภาษาไทย พร้อมตัวเลขอ้างอิงจากข้อมูลจริงทุกข้อ"
"จากข้อมูลเดิม กรุณาจัดทำ RFM segmentation (ใช้ recency_days, total_orders, total_spend_thb) แบ่งลูกค้าเป็น 4-5 segments ตั้งชื่อ segment เป็นภาษาไทยที่ทีมการตลาดจดจำง่าย ตอบเป็นตาราง: ชื่อ segment / จำนวน / ลักษณะเด่น / มูลค่าต่อธุรกิจ พร้อมอธิบายเกณฑ์การแบ่ง"
"เลือก segment ที่มีศักยภาพสร้างรายได้เพิ่มสูงสุด 1 กลุ่ม จัดทำแผนแคมเปญ: เป้าหมาย ช่องทาง (อ้างอิง main_channel และ line_oa_member ของกลุ่ม) ข้อความตัวอย่าง 2 รูปแบบ และ KPI ที่ควรวัด โดยคำนึงถึง pdpa_marketing_consent จากนั้นสร้าง interactive dashboard สรุปภาพรวมทั้งหมด"
ประเด็นที่ควรชี้ให้เห็นระหว่างสาธิต: การอ้างอิงตัวเลขจริงจากไฟล์ · การถามซ้ำเมื่อไม่มั่นใจ · จุดที่ต้องมีมนุษย์ตรวจสอบก่อนใช้งานจริง
LINE × MCP Workshop
สร้าง LINE Bot ที่สนทนากับลูกค้าผ่าน Messaging API โดยมี AI และข้อมูลจริงอยู่เบื้องหลัง
โมดูลเสริมสำหรับต่อท้าย workshop หลัก หรือจัดเป็น session ที่ 2
LINE Bot MCP Server — ตัวเชื่อมอย่างเป็นทางการจาก LINE
ความสามารถ (Tools) ที่ AI เรียกใช้ได้
- ByteByteGo — Best Practices for Building AI Agents That Work in Production (22 ก.ค. 2026) · blog.bytebytego.com
- ByteByteGo — Top AI Agentic Workflow Patterns (15 ธ.ค. 2025) · blog.bytebytego.com
- Push message — ส่งข้อความ/Flex Message ถึงผู้ใช้รายบุคคล
- Broadcast — ส่งข้อความถึงผู้ติดตามทั้งหมดของ OA
- Get profile — ดึงข้อมูลโปรไฟล์ผู้ใช้
- จัดการบัญชี — ตรวจสอบโควตาข้อความ และ Rich Menu
ติดตั้งผ่าน npm: @line/line-bot-mcp-server (github.com/line/line-bot-mcp-server) — สถานะ preview version
เงื่อนไขการใช้งาน
- มี LINE Official Account (LINE OA)
- เปิดใช้งาน Messaging API ของ OA
- Channel Access Token จาก LINE Developers Console
Claude ↔ [ MCP ] ↔ LINE OA
AI Agent ส่งข้อความหาลูกค้าได้ โดยไม่ต้องเขียนโค้ดเชื่อม API เอง
2 รูปแบบการเชื่อม AI เข้ากับ LINE
รูปแบบ A · AI เป็นฝ่ายเริ่ม (ผ่าน MCP)
- เหมาะกับ: ส่งแคมเปญ แจ้งเตือน สรุปรายงานเข้า LINE
- ไม่ต้องพัฒนา backend — ตั้งค่า MCP แล้วใช้งานได้ทันที
- ตัวอย่าง: "ส่งโปรโมชันถึง segment ลูกค้า VIP ผ่าน LINE"
รูปแบบ B · ลูกค้าเป็นฝ่ายเริ่ม (Chat Bot)
- เหมาะกับ: ตอบคำถามลูกค้า แนะนำสินค้า เช็คสถานะคำสั่งซื้อ
- ต้องมี webhook endpoint รับ event จาก LINE · AI ตอบโดยอ้างอิงข้อมูลจริง
→ Lab นี้จะลงมือสร้างรูปแบบ B (เส้นประ = การตอบกลับ)
องค์กรที่สมบูรณ์ใช้ทั้งสองรูปแบบร่วมกัน: bot ตอบลูกค้า (B) + agent ส่งแคมเปญเชิงรุก (A) บนข้อมูลชุดเดียวกัน
เส้นทางข้อความ: จากแชทลูกค้า สู่คำตอบที่มีข้อมูลรองรับ
จุดเชื่อมกับบทเรียนหลัก: ขั้นที่ 3 คือหัวใจของ bot — คุณภาพคำตอบขึ้นอยู่กับข้อมูลที่ส่งให้ AI ไม่ใช่ตัวโมเดล
Lab 3: Build a LINE Bot with AI + Real Data
ขั้นตอน (ทีมละ 2-3 ท่าน)
- Step 1 (10 นาที): สร้าง Messaging API channel ใน LINE Developers Console แล้วคัดลอก Channel Secret + Channel Access Token
- Step 2 (10 นาที): เปิด starter code (line_bot_starter) ติดตั้ง dependencies และใส่ token ในไฟล์ .env
- Step 3 (10 นาที): เปิด public URL ด้วย cloudflared/ngrok แล้วตั้งค่า Webhook URL ใน console (เปิด "Use webhook")
- Step 4 (10 นาที): เพิ่ม OA เป็นเพื่อนด้วย QR แล้วทดสอบสนทนา — bot ตอบด้วย Claude + ข้อมูลสินค้าและโปรโมชันจากไฟล์ตัวอย่าง
- Step 5 (15 นาที) — Challenge: ปรับ system prompt ให้เป็นบุคลิกแบรนด์ของทีม + เพิ่มข้อมูลสินค้าของตนเอง
- Step 6 (5 นาที): แลกเปลี่ยน: สแกน QR ทดลองคุยกับ bot ของทีมอื่น
สิ่งที่ต้องเตรียม
- บัญชี LINE Developers (ฟรี)
- Node.js 18+ บนเครื่อง
- Anthropic API key (วิทยากรเตรียมให้)
- starter code: line_bot_starter
เกณฑ์ความสำเร็จ
- Bot ตอบคำถามสินค้า/โปรโมชันได้ถูกต้องตามข้อมูล
- ตอบว่า "ไม่ทราบ" เมื่อไม่มีข้อมูล แทนการเดา
- บุคลิกการตอบสอดคล้องกับแบรนด์
โครงสร้าง starter code (Node.js)
1. Webhook endpoint — รับ event + ตรวจ signature จาก LINE
2. Context builder — โหลดข้อมูลสินค้า/โปรโมชัน (products.json) เป็นบริบท
3. Claude call — ส่งข้อความลูกค้า + บริบท + system prompt ภาษาไทย
4. Reply — ตอบกลับผ่าน LINE Reply API ด้วย reply token
"คุณคือพนักงานขายของร้าน ตอบสุภาพ กระชับ อ้างอิงเฉพาะข้อมูลสินค้าและโปรโมชันที่ให้ไว้เท่านั้น หากไม่มีข้อมูล ให้แจ้งว่าจะให้เจ้าหน้าที่ติดต่อกลับ ห้ามคาดเดาราคา สต็อก หรือเงื่อนไขโปรโมชัน"
ข้อควรระวังก่อนใช้งานจริง
- PDPA: การเก็บ log บทสนทนาต้องแจ้งในนโยบายความเป็นส่วนตัว
- Reply token: ใช้ได้ครั้งเดียวและมีอายุจำกัด — ตอบให้เร็ว
- Rate limit และโควตา: ข้อความ push มีโควตาตามแพ็กเกจ OA
- Human handoff: ออกแบบทางออกสู่พนักงานจริงเสมอ
- ทดสอบก่อนเปิดใช้: ลองถามคำถามที่ไม่มีในข้อมูล — bot ต้องไม่เดา
ไฟล์ starter code ฉบับเต็ม (app.js, products.json, .env.example, README) อยู่ในชุดเอกสารประกอบการอบรม