ai-engineering-from-scratch/i18n/th/README.md at main · rohitg00/ai-engineering-from-scratch

_{README นี้แปลเป็นภาษาไทย โดยใช้ README ภาษาอังกฤษ เป็นแหล่งอ้างอิงหลัก}

วิศวกรรม AI จากศูนย์

เขียนการทำงานภายในโมเดล ไปป์ไลน์การค้นคืน และรันไทม์ของเอเจนต์ ทดสอบ ตรวจสอบความล้มเหลว และเก็บโค้ดกับผลการประเมินไว้

เริ่มเรียน · เลือกเส้นทาง · ลองห้องทดลอง · สร้างโปรเจกต์ · ดูหลักสูตร

ฟรี เปิดเผยซอร์สโค้ด และใช้สัญญาอนุญาต MIT เรียนผ่านเว็บไซต์ กับเอเจนต์เขียนโค้ด หรือด้วยการรันโค้ดบนเครื่องของคุณ

542 บทเรียน. 20 ระยะ. Python, TypeScript, Rust, Julia.

อ่านในภาษาของคุณ

🇬🇧 English · 🇨🇳 简体中文 · 🇹🇼 繁體中文（台灣） · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇵🇹 Português · 🇧🇷 Português (Brasil) · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇮🇹 Italiano · 🇳🇱 Nederlands · 🇵🇱 Polski · 🇨🇿 Čeština · 🇷🇴 Română · 🇭🇺 Magyar · 🇬🇷 Ελληνικά · 🇸🇪 Svenska · 🇩🇰 Dansk · 🇳🇴 Norsk · 🇫🇮 Suomi · 🇷🇺 Русский · 🇺🇦 Українська · 🇹🇷 Türkçe · 🇮🇱 עברית · 🇸🇦 العربية · 🇮🇷 فارسی · 🇮🇳 हिन्दी · 🇧🇩 বাংলা · 🇵🇰 اردو · 🇹🇭 ไทย · 🇻🇳 Tiếng Việt · 🇮🇩 Bahasa Indonesia · 🇵🇭 Tagalog

ผู้สนับสนุน

_{การสนับสนุนของคุณช่วยให้ทุกบทเรียนยังคงฟรีและเป็นโอเพนซอร์ส ดูผู้สนับสนุนทั้งหมด · ร่วมเป็นผู้สนับสนุน}

เส้นทางการเรียนรู้

เส้นทาง	บทเรียนแรก
รากฐานของโมเดล	การตั้งค่าและเครื่องมือ
ระบบ LLM	วิศวกรรมพรอมต์
เอเจนต์และการส่งมอบ	ลูปเอเจนต์

เปรียบเทียบเส้นทางอาชีพ · ความรู้พื้นฐานและเวลาเรียน

การไล่ระดับลง

จุดเริ่มต้น 20 จุดเคลื่อนตามการไล่ระดับลงบนฟังก์ชันความสูญเสียกำลังสอง กราฟแสดงตำแหน่งและค่าความสูญเสียเฉลี่ยหลังการอัปเดตแต่ละครั้ง

ปรับอัตราการเรียนรู้ในบทเรียน · เปรียบเทียบ GD, โมเมนตัม และ Adam ในโค้ด

โปรเจกต์

สามโปรเจกต์พร้อมโค้ดเริ่มต้นแบ่งขั้น โค้ดอ้างอิง และตัวตรวจบนเครื่อง หลังการตั้งค่าให้รันคำสั่งจากไดเรกทอรีรากของที่เก็บโค้ด โค้ดเริ่มต้นจะตรวจไม่ผ่านจนกว่าคุณจะเขียนแต่ละขั้นเสร็จ

01 · ห้องทดลองประเมินการค้นคืน · Python · ตัวชี้วัดการจัดอันดับและการตรวจการถดถอย

ระบบที่เสนอใหม่มีค่าเฉลี่ย NDCG สูงขึ้น แต่หลักฐานที่เกี่ยวข้องที่สุดของคำค้นหนึ่งกลับอยู่ในอันดับต่ำลง สร้างการเปรียบเทียบรายคำค้นที่รายงานการถดถอยและทำให้การตรวจสอบก่อนเผยแพร่ไม่ผ่านได้

ใช้ Python 3.10+ ทบทวนRAGและการประเมินโมเดล เขียนการตรวจอันดับ precision และ recall ตัวชี้วัดที่คำนึงถึงอันดับ แล้วจึงเปรียบเทียบระบบ

python3 scripts/project_test.py retrieval-evaluation-lab \
  --init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
  --stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
  --all --path learning-artifacts/retrieval-evaluation-lab --strict

เก็บไว้: ผลเปรียบเทียบที่ทำซ้ำได้ พร้อมผลต่างรายคำค้นและผลการตัดสินความเกี่ยวข้องที่ใช้ให้คะแนน ตัวชี้วัดอธิบายผลตามการตัดสินเหล่านั้น ไม่ได้ยืนยันว่าคำตอบถูกต้อง

เริ่มโปรเจกต์ · ตรวจดูแนวทางอ้างอิง · รันกับข้อมูลของคุณเอง

02 · เครื่องมือดีบักร่องรอยเอเจนต์ · TypeScript · การแยกวิเคราะห์ร่องรอยและการคำนวณเวลา

ร่องรอยที่ให้มายังใช้เวลา 100 ms แต่จำนวนโทเคนรวมเพิ่มขึ้น 200 และมีหนึ่งสแปนเริ่มล้มเหลว แยกงานของสแปนลูกที่ทับซ้อนกันออกจากเวลาที่สแปนแม่ทำงานเอง แล้วสร้างรายงานที่แสดงการเปลี่ยนแปลง

ใช้ Node.js 22.18+ และ Python 3 สำหรับตัวตรวจ เขียนการแยกวิเคราะห์ JSONL การตรวจความสัมพันธ์กับสแปนแม่ การคำนวณช่วงเวลา แล้วสร้างไทม์ไลน์ที่ตรวจดูได้

python3 scripts/project_test.py agent-trace-debugger \
  --init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
  --stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
  --all --path learning-artifacts/agent-trace-debugger --strict

เก็บไว้: ร่องรอยขาเข้า ไทม์ไลน์ HTML และรายงานการถดถอยแบบ JSON บันทึกเฉพาะโทเคนที่แต่ละสแปนใช้เอง เพื่อไม่นับการใช้งานของสแปนแม่และลูกซ้ำกัน

เริ่มโปรเจกต์ · ตรวจดูแนวทางอ้างอิง · สำรวจเวลาแบบโต้ตอบ

03 · ไฟร์วอลล์การเรียกเครื่องมือ · Rust · การตรวจบทบาทและบันทึกการอนุมัติ

เนื้อหาที่จะเขียนเปลี่ยนหลังการตรวจทาน หรือมีการนำการอนุมัติกลับมาใช้ซ้ำ ตรวจโครงสร้างคำขอ บทบาทของผู้เรียก และพาธ แล้วใช้สิทธิ์อนุมัติที่ผูกกับคำขอและเนื้อหาตรงกันทุกประการเพียงครั้งเดียว

ใช้ Rust และ Python 3.10+ ทบทวนการออกแบบสคีมาของเครื่องมือและขอบเขตความปลอดภัย แอปพลิเคชันผู้เรียกเป็นผู้ระบุตัวตน ส่วนโมเดลเสนอการดำเนินการ

python3 scripts/project_test.py tool-call-firewall \
  --init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
  --stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
  --all --path learning-artifacts/tool-call-firewall --strict

เก็บไว้: บันทึกตรวจสอบที่แสดงการดำเนินการที่ร้องขอและผลตัดสินตามนโยบาย การอนุมัติใช้ได้ครั้งเดียวภายในการเรียกหนึ่งครั้ง โปรเจกต์นี้ไม่ได้ให้การอนุญาตแบบถาวรหรือแซนด์บ็อกซ์ระดับระบบปฏิบัติการ

เริ่มโปรเจกต์ · ตรวจดูแนวทางอ้างอิง · สำรวจขอบเขตการอนุมัติ

ดูโปรเจกต์ทั้งหมด · คู่มือฝึกทักษะเพื่ออาชีพ

เลือกวิธีเรียน

บนเว็บไซต์

เปิดบทเรียนที่เสร็จแล้วบน aiengineeringfromscratch.com หรือขยายระยะในสารบัญ ไม่ต้องตั้งค่าหรือโคลน

กับติวเตอร์ AI

หากติดตั้ง Node.js, npx และเอเจนต์เขียนโค้ดที่รองรับสกิลแล้ว คุณเปลี่ยนเอเจนต์ให้เป็นผู้สอนได้ ไม่ต้องโคลนที่เก็บโค้ดเพื่อติดตั้งหรืออ่านเนื้อหาของผู้สอน แต่แล็บในเส้นทางเฉพาะด้านต้องใช้ python3 ส่วนแล็บ Agent Skills ต้องเลือกโฮสต์และมีโฟลเดอร์สกิลระดับผู้ใช้หรือโครงการที่เขียนได้ด้วย

npx skills add rohitg00/ai-engineering-from-scratch

เลือกโฮสต์และขอบเขตเมื่อตัวติดตั้งถาม ใช้ start-learning ใน Codex, /start-learning ใน Claude Code หรือขอให้โฮสต์ใช้สกิลตามชื่อ

การตั้งค่าติวเตอร์และคำสั่งของโฮสต์

ตรวจสอบข้อกำหนดในเครื่องก่อน:

node --version
npx --version
python3 --version

skills เขียนไฟล์ไปยังโฮสต์และขอบเขตที่เลือกระหว่างติดตั้ง เช่น .claude/skills/, .cursor/skills/, .codex/skills/ หรือโฟลเดอร์สกิลอื่นที่รองรับ ตรวจว่าโฮสต์ที่เลือกค้นพบตำแหน่งนั้นจริง

รูปแบบคำสั่งเรียกใช้ขึ้นอยู่กับโฮสต์ ไม่ใช่รูปแบบพกพา SKILL.md:

แอปโฮสต์	เริ่มหลักสูตร	เริ่ม Model Context Protocol (MCP)	เริ่ม Agent Skills	ทำแบบทดสอบประจำระยะ
Codex	`start-learning`, หรือเลือกจาก `/skills`	`learn-mcp`, หรือเลือกจาก `/skills`	`learn-agent-skills`, หรือเลือกจาก `/skills`	`check-understanding 13`, หรือเลือกจาก `/skills`
Claude Code	`/start-learning`	`/learn-mcp`	`/learn-agent-skills`	`/check-understanding 13`
โฮสต์อื่นที่รองรับ	`Use start-learning to begin the course.`	`Use learn-mcp to start the Model Context Protocol (MCP) path.`	`Use learn-agent-skills to start the Agent Skills Engineering path.`	`Use check-understanding to quiz me on Phase 13.`

แบบทดสอบจัดระดับสิบข้อจะจับคู่ความรู้ที่มีอยู่กับระยะเริ่มต้น และบันทึกแผนเรียนส่วนตัวใน LEARNING.md จากนั้นสกิล learn จะสอนครั้งละหนึ่งบทเรียน: แนวคิด คณิตศาสตร์ โค้ด และแบบทดสอบ โดยดึงบทเรียนจากที่เก็บโค้ดนี้โดยตรง ส่วน course-guide จะพาไปยังบทเรียนที่ตรงกับเรื่องที่คุณติดขัด ใน Codex ให้เรียก learn และ course-guide; ใน Claude Code ให้ใช้ /learn และ /course-guide; สำหรับโฮสต์อื่นที่รองรับ ให้ขอใช้สกิลตามชื่อ

ต้องการเรียนเฉพาะ Model Context Protocol (MCP)? ใช้คำสั่ง MCP ของโฮสต์คุณ ระบบจะสร้าง MCP-LEARNING.md และติดตามเส้นทาง 17 บทเรียน ครอบคลุมคำขอแบบไร้สถานะ การรับส่งข้อมูล งานสองทิศทาง ความปลอดภัย ความน่าเชื่อถือ การกำกับดูแลรีจิสทรี และหลักฐานความสอดคล้องกับโพรโทคอล ลำดับและจุดตรวจที่แน่นอนอยู่ในแมนิเฟสต์ Model Context Protocol (MCP)

ต้องการเรียนเฉพาะ Agent Skills? ใช้คำสั่ง Agent Skills ของโฮสต์คุณ ระบบจะสร้าง AGENT-SKILLS-LEARNING.md และติดตามห้าบทเรียนต่อเนื่อง: สัญญา การค้นพบ การเรียกใช้ ขอบเขตแซนด์บ็อกซ์ แล้วจึงประเมินก่อนเผยแพร่และทดสอบการย้ายข้ามโฮสต์จริง เริ่มบนเว็บได้ที่เส้นทาง Agent Skills

ตัวติดตั้งจะแสดงโฮสต์ที่ตั้งค่าได้และถามตำแหน่งติดตั้ง หากยังไม่มี Node.js, npx, python3, โฮสต์ที่รองรับ หรือพื้นที่ที่เขียนได้ ให้ใช้เว็บไซต์หรืออ่าน docs/en.md เอง วิธีนี้สอนแนวคิดได้ แต่หลักฐานการค้นพบ การเรียกใช้ การรันสคริปต์ และการถอนการติดตั้งบนโฮสต์จริงต้องรอจนตรวจความพร้อมได้ อ่านบทเรียนที่ aiengineeringfromscratch.com

สกิลสำหรับการเรียน

สกิลการทำงาน	ทำอะไรได้
`start-learning`	เริ่มต้นครั้งเดียว: เหตุผลที่เรียน แบบทดสอบจัดระดับ และแผนส่วนตัวที่บันทึกใน `LEARNING.md`
`learn`	วงจรผู้สอน: ทบทวนความจำก่อน เรียนบทถัดไปแบบโต้ตอบ แล้วทำแบบทดสอบ พร้อมบันทึกความคืบหน้าและรายการทบทวน
`course-guide`	ตัวนำทางหัวข้อ ถามว่า “เรียน attention ที่ไหน” หรือ “ค่า loss เป็น NaN” → ได้บทเรียนที่ตรงพร้อมลิงก์
`learn-mcp`	ผู้สอนเฉพาะ Model Context Protocol (MCP) สร้าง `MCP-LEARNING.md` เดินตามแมนิเฟสต์ 17 บทเรียน และบันทึกหลักฐานการสื่อสาร ความปลอดภัย ความน่าเชื่อถือ และความสอดคล้อง
`learn-agent-skills`	ผู้สอนเฉพาะ Agent Skills สร้าง `AGENT-SKILLS-LEARNING.md` สอนบทเรียน 22, 24, 25, 26 และ 27 พร้อมบันทึกหลักฐานจากโฮสต์จริง
`learn-reverse-engineering`	ผู้สอนเฉพาะวิศวกรรมย้อนกลับ สร้าง `REVERSE-ENGINEERING-LEARNING.md` สอนบทเรียน 32 ถึง 45 ของระยะ 13 บนโปรแกรมที่คุณสร้างเอง พร้อมบันทึกหลักฐานจากแล็บ
`claude-certification`	ผู้สอนเตรียมใบรับรอง เลือก CCAO-F, CCDV-F, CCAR-F หรือ CCAR-P สอนแต่ละบท รันแล็บ ตรวจชิ้นงาน จัดแบบประเมินและข้อสอบจำลอง แล้วบันทึกความคืบหน้า
`mcpa-certification`	ผู้สอน MCPA ติดตามเส้นทาง `mcpa-f` 34 บทเรียนบนโพรโทคอล 2026-07-28 สอนแต่ละบท รันแล็บและตัวตรวจข้อความ จัดแบบประเมินพื้นฐานกับข้อสอบจำลองสามชุด แล้วบันทึกความคืบหน้า
`find-your-level`	แบบทดสอบจัดระดับสิบข้อ จับคู่ความรู้กับระยะเริ่มต้น และสร้างเส้นทางส่วนตัวพร้อมประมาณชั่วโมงเรียน
`check-understanding <phase>`	แบบทดสอบแปดข้อต่อระยะ พร้อมข้อเสนอแนะและบทเรียนที่ควรทบทวน ใช้รูปแบบ Codex, Claude Code หรือภาษาธรรมชาติจากตารางเรียกใช้ด้านบน

รันโค้ดบนเครื่อง

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

การตรวจสอบก่อนเริ่มแยกสิ่งที่จำเป็นตอนนี้ออกจากเครื่องมือที่ต้องใช้ภายหลัง ทุกข้อบังคับที่ตรวจสอบไม่ผ่านจะแสดงสาเหตุที่พบและคำสั่งแก้ไข คำสั่ง vectors.py รันบทเรียนที่ไม่ต้องติดตั้งแพ็กเกจเพิ่มเติม และจบด้วยการแสดงว่าการคูณเมทริกซ์กับเวกเตอร์คือการทำงานภายในชั้นของโครงข่ายประสาท เก็บผลลัพธ์ในเทอร์มินัลนั้นไว้เป็นหลักฐานชิ้นแรก

ใช้วิธีเดียวกันกับทุกบทเรียน

อ่าน docs/en.md และอธิบายแนวคิดหลักด้วยคำพูดของตัวเอง
พิมพ์และสร้าง โค้ดส่วนสำคัญ แทนที่จะมองบล็อกโค้ดเป็นเพียงของตกแต่ง
รัน คำสั่งของบทเรียนจากโฟลเดอร์รากของคลังโค้ด ซึ่งมี README.md และ phases/
เก็บหลักฐาน: คำสั่ง โฟลเดอร์ที่ทำงาน รหัสจบการทำงาน ผลลัพธ์ที่มีความหมาย และชิ้นงานที่คุณแก้ไขหรือสร้าง
ไปต่อ เมื่อคุณอธิบายผลลัพธ์และแก้ไขเล็กน้อยได้โดยไม่ต้องเดาเท่านั้น

คำสั่งในหน้าบทเรียนใช้พาธจากโฟลเดอร์รากของคลังโค้ด เว้นแต่บทเรียนจะระบุให้เปลี่ยนโฟลเดอร์อย่างชัดเจน หากบทเรียนมีหลายภาษา ให้รันโค้ดของภาษาที่คุณกำลังเรียน

เลือกเส้นทางการเรียนรู้

คุณไม่จำเป็นต้องไล่ดูทั้ง 542 บทเรียนก่อนเริ่ม เลือกเป้าหมายหนึ่งอย่าง แต่ละลิงก์เปิดหลักสูตรเดียวกันบน GitHub หรือเว็บไซต์ และทั้งสองแบบใช้โค้ดบทเรียนเดียวกัน

เป้าหมายของคุณ	เรียนบน GitHub	เรียนบนเว็บไซต์
ฉันเพิ่งเริ่มและต้องการพื้นฐานที่ครบถ้วน	ระยะ 0: การตั้งค่าและเครื่องมือ	สภาพแวดล้อมการพัฒนา
ฉันรู้ Python และต้องการพื้นฐานคณิตศาสตร์กับ ML	ระยะ 1: พื้นฐานคณิตศาสตร์	ทำความเข้าใจพีชคณิตเชิงเส้น
ฉันต้องการสร้างแอปพลิเคชัน LLM สำหรับใช้งานจริง	ระยะ 11: วิศวกรรม LLM	วิศวกรรมพรอมป์ต์
ฉันต้องการสร้างเอเจนต์	ระยะ 14: วิศวกรรมเอเจนต์	วงรอบการทำงานของเอเจนต์
ฉันต้องการใช้เอเจนต์เขียนโค้ดกับคลังโค้ดจริง	เส้นทางวิศวกรรมที่มีเอเจนต์ช่วย	วิศวกรรมที่มีเอเจนต์ช่วย
ฉันต้องการกำหนดสิ่งที่ควรสร้างก่อนลงมือพัฒนา	เส้นทางการตัดสินใจด้านผลิตภัณฑ์และการส่งมอบ	การตัดสินใจด้านผลิตภัณฑ์และการส่งมอบ

ไม่แน่ใจว่าควรเริ่มตรงไหน? ใช้ติวเตอร์วัดระดับ start-learning หรือคู่มือความรู้พื้นฐานที่ต้องมีบนเว็บไซต์

เปรียบเทียบสี่สาขาหลักและหกเส้นทางอาชีพในเส้นทางเรียนวิศวกรรม AI

เส้นทางเฉพาะด้าน MCP, Agent Skills และวิศวกรรมย้อนกลับ

เป้าหมายของคุณ	เรียนบน GitHub	เรียนบนเว็บไซต์
ฉันต้องการสร้างด้วย Model Context Protocol (MCP)	แนวทางเรียน Model Context Protocol (MCP)	เส้นทาง Model Context Protocol (MCP)
ฉันต้องการเขียนและเผยแพร่ Agent Skills	แนวทางเรียน Agent Skills โดยเฉพาะ	เส้นทาง Agent Skills
ฉันต้องการอ่านโปรแกรมที่คอมไพล์แล้ว	แนวทางเรียนวิศวกรรมย้อนกลับ	เส้นทางวิศวกรรมย้อนกลับ

ความรู้พื้นฐานและเวลาเรียน

ความรู้และเครื่องมือพื้นฐานที่ต้องมี

คุณเขียนโค้ดได้สักภาษา โดย Python จะช่วยได้มาก
คุณต้องการเข้าใจว่า AI ทำงานจริงอย่างไร ไม่ใช่เพียงเรียก API

ควรเริ่มที่ไหน

พื้นฐานเดิม	เริ่มที่	เวลาประมาณ
ใหม่กับการเขียนโปรแกรมและ AI	ระยะ 0: ตั้งค่า	~306 ชั่วโมง
รู้ Python แต่ใหม่กับ ML	ระยะ 1: พื้นฐานคณิตศาสตร์	~270 ชั่วโมง
รู้ ML แต่ใหม่กับดีปเลิร์นนิง	ระยะ 3: แกนหลักดีปเลิร์นนิง	~200 ชั่วโมง
รู้ดีปเลิร์นนิงและต้องการเรียน LLM กับเอเจนต์	ระยะ 10: LLM จากศูนย์	~100 ชั่วโมง
วิศวกรอาวุโสที่ต้องการเฉพาะวิศวกรรมเอเจนต์	ระยะ 14: วิศวกรรมเอเจนต์	~60 ชั่วโมง
ต้องการสร้างเฉพาะระบบ MCP สำหรับงานจริง	เส้นทาง Model Context Protocol (MCP)	~23 ชั่วโมง 15 นาที
ต้องการสร้างเฉพาะ Agent Skills สำหรับงานจริง	เส้นทางวิศวกรรม Agent Skills	~9.5 ชั่วโมง
ต้องการเรียนเฉพาะวิศวกรรมย้อนกลับ	เส้นทางวิศวกรรมย้อนกลับ	~32.5 ชั่วโมง

โครงสร้างหลักสูตร

ทั้งยี่สิบระยะต่อยอดกัน คณิตศาสตร์เป็นฐาน ส่วนเอเจนต์และระบบใช้งานจริงเป็นชั้นบน ข้ามไปได้หากรู้ชั้นพื้นฐานอยู่แล้ว แต่อย่าข้ามแล้วสงสัยว่าทำไมส่วนข้างบนจึงพัง

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["ระยะ 0: การตั้งค่าและเครื่องมือ"] --> P1["ระยะ 1: พื้นฐานคณิตศาสตร์"]
  P1 --> P2["ระยะ 2: พื้นฐาน ML"]
  P2 --> P3["ระยะ 3: แกนหลักดีปเลิร์นนิง"]
  P3 --> P4["ระยะ 4: คอมพิวเตอร์วิทัศน์"]
  P3 --> P5["ระยะ 5: NLP จากพื้นฐานสู่ขั้นสูง"]
  P3 --> P6["ระยะ 6: เสียงพูดและออดิโอ"]
  P3 --> P9["ระยะ 9: การเรียนรู้แบบเสริมกำลัง"]
  P5 --> P7["ระยะ 7: เจาะลึก Transformers"]
  P7 --> P8["ระยะ 8: AI กำเนิด"]
  P7 --> P10["ระยะ 10: LLM จากศูนย์"]
  P10 --> P11["ระยะ 11: วิศวกรรม LLM"]
  P10 --> P12["ระยะ 12: AI หลายโมดัลลิตี"]
  P11 --> P13["ระยะ 13: เครื่องมือและโพรโทคอล"]
  P13 --> P14["ระยะ 14: วิศวกรรมเอเจนต์"]
  P14 --> P15["ระยะ 15: ระบบอัตโนมัติ"]
  P15 --> P16["ระยะ 16: หลายเอเจนต์และฝูง"]
  P14 --> P17["ระยะ 17: โครงสร้างพื้นฐานและงานจริง"]
  P15 --> P18["ระยะ 18: จริยธรรม ความปลอดภัย และการจัดแนว"]
  P16 --> P19["ระยะ 19: โครงงานสรุป"]
  P17 --> P19
  P18 --> P19

สารบัญ

ยี่สิบระยะ คลิกที่ระยะเพื่อขยายรายชื่อบทเรียน

ระยะ 0: การตั้งค่าและเครื่องมือ `13 บทเรียน`

เตรียมสภาพแวดล้อมให้พร้อมสำหรับสิ่งที่จะตามมา

#	บทเรียน	ประเภท	ภาษา
01	สภาพแวดล้อมการพัฒนา	สร้าง	Python
02	Git และการทำงานร่วมกัน	เรียนรู้	—
03	ตั้งค่า GPU และคลาวด์	สร้าง	Python
04	API และคีย์	สร้าง	Python
05	สมุดบันทึก Jupyter	สร้าง	Python
06	สภาพแวดล้อม Python	สร้าง	Shell
07	Docker สำหรับ AI	สร้าง	Docker
08	ตั้งค่าตัวแก้ไขโค้ด	สร้าง	—
09	การจัดการข้อมูล	สร้าง	Python
10	เทอร์มินัลและเชลล์	เรียนรู้	—
11	Linux สำหรับ AI	เรียนรู้	—
12	การดีบักและวิเคราะห์ประสิทธิภาพ	สร้าง	Python
13	Python สำหรับวิศวกรรม AI	สร้าง	Python

ระยะ 1: พื้นฐานคณิตศาสตร์ 22 บทเรียน เข้าใจแนวคิดเบื้องหลังทุกอัลกอริทึม AI ผ่านโค้ด

#	บทเรียน	ประเภท	ภาษา
01	ทำความเข้าใจพีชคณิตเชิงเส้น	เรียนรู้	Python, Julia
02	เวกเตอร์ เมทริกซ์ และการดำเนินการ	สร้าง	Python, Julia
03	การแปลงเมทริกซ์และค่าไอเกน	สร้าง	Python, Julia
04	แคลคูลัสสำหรับ ML: อนุพันธ์และเกรเดียนต์	เรียนรู้	Python
05	กฎลูกโซ่และการหาอนุพันธ์อัตโนมัติ	สร้าง	Python
06	ความน่าจะเป็นและการแจกแจง	เรียนรู้	Python
07	ทฤษฎีบทเบย์และการคิดเชิงสถิติ	สร้าง	Python
08	การหาค่าเหมาะที่สุด: กลุ่มวิธีเกรเดียนต์ดิเซนต์	สร้าง	Python
09	ทฤษฎีสารสนเทศ: เอนโทรปีและ KL divergence	เรียนรู้	Python
10	การลดมิติ: PCA, t-SNE, UMAP	สร้าง	Python
11	การแยกค่าเอกฐาน	สร้าง	Python, Julia
12	การดำเนินการกับเทนเซอร์	สร้าง	Python
13	เสถียรภาพเชิงตัวเลข	สร้าง	Python
14	นอร์มและระยะทาง	สร้าง	Python
15	สถิติสำหรับ ML	สร้าง	Python
16	วิธีสุ่มตัวอย่าง	สร้าง	Python
17	ระบบสมการเชิงเส้น	สร้าง	Python
18	การหาค่าเหมาะที่สุดแบบคอนเวกซ์	สร้าง	Python
19	จำนวนเชิงซ้อนสำหรับ AI	เรียนรู้	Python
20	การแปลงฟูเรียร์	สร้าง	Python
21	ทฤษฎีกราฟสำหรับ ML	สร้าง	Python
22	กระบวนการสุ่ม	เรียนรู้	Python

ระยะ 2: พื้นฐาน ML 21 บทเรียน ML แบบดั้งเดิมยังเป็นแกนหลักของ AI ส่วนใหญ่ที่ใช้งานจริง

#	บทเรียน	ประเภท	ภาษา
01	แมชชีนเลิร์นนิงคืออะไร	เรียนรู้	Python
02	การถดถอยเชิงเส้นจากศูนย์	สร้าง	Python
03	การถดถอยโลจิสติกและการจำแนกประเภท	สร้าง	Python
04	ต้นไม้ตัดสินใจและแรนดอมฟอเรสต์	สร้าง	Python
05	ซัพพอร์ตเวกเตอร์แมชชีน	สร้าง	Python
06	KNN และมาตรวัดระยะทาง	สร้าง	Python
07	การเรียนรู้แบบไม่มีผู้สอน: K-Means, DBSCAN	สร้าง	Python
08	การสร้างและเลือกคุณลักษณะ	สร้าง	Python
09	การประเมินโมเดล: ตัวชี้วัดและการตรวจสอบไขว้	สร้าง	Python
10	ไบแอส ความแปรปรวน และเส้นโค้งการเรียนรู้	เรียนรู้	Python
11	วิธีเอนเซมเบิล: boosting, bagging, stacking	สร้าง	Python
12	การปรับไฮเปอร์พารามิเตอร์	สร้าง	Python
13	ไปป์ไลน์ ML และการติดตามการทดลอง	สร้าง	Python
14	นาอีฟเบย์	สร้าง	Python
15	พื้นฐานอนุกรมเวลา	สร้าง	Python
16	การตรวจจับความผิดปกติ	สร้าง	Python
17	การจัดการข้อมูลไม่สมดุล	สร้าง	Python
18	การเลือกคุณลักษณะ	สร้าง	Python
19	การออกแบบระบบ ML: จากโจทย์สู่โมเดลที่ใช้งานจริง	สร้าง	Python
20	การเฝ้าติดตามโมเดลในการใช้งานจริง: การเลื่อนของข้อมูลและการเลื่อนของแนวคิด	สร้าง	Python
21	คลังคุณลักษณะและความไม่ตรงกันระหว่างการฝึกและการให้บริการ	สร้าง	Python

ระยะ 3: แกนหลักดีปเลิร์นนิง 13 บทเรียน โครงข่ายประสาทจากหลักการพื้นฐาน ยังไม่ใช้เฟรมเวิร์กจนกว่าจะสร้างเอง

#	บทเรียน	ประเภท	ภาษา
01	เพอร์เซปตรอน: จุดเริ่มต้นของทุกอย่าง	สร้าง	Python
02	โครงข่ายหลายชั้นและการคำนวณไปข้างหน้า	สร้าง	Python
03	แบ็กโพรพาเกชันจากศูนย์	สร้าง	Python
04	ฟังก์ชันกระตุ้น: ReLU, Sigmoid, GELU และเหตุผลที่ใช้	สร้าง	Python
05	ฟังก์ชันความสูญเสีย: MSE, cross-entropy และแบบเปรียบต่าง	สร้าง	Python
06	ตัวปรับค่า: SGD, Momentum, Adam, AdamW	สร้าง	Python
07	การลดการฟิตเกิน: Dropout, Weight Decay, BatchNorm	สร้าง	Python
08	การเริ่มค่าน้ำหนักและเสถียรภาพการฝึก	สร้าง	Python
09	ตารางอัตราการเรียนรู้และช่วงวอร์มอัป	สร้าง	Python
10	สร้างมินิเฟรมเวิร์กของคุณเอง	สร้าง	Python
11	แนะนำ PyTorch	สร้าง	Python
12	แนะนำ JAX	สร้าง	Python
13	ดีบักโครงข่ายประสาท	สร้าง	Python

ระยะ 4: คอมพิวเตอร์วิทัศน์ 28 บทเรียน จากพิกเซลสู่ความเข้าใจ: ภาพ วิดีโอ 3D โมเดล VLM และโมเดลโลก

#	บทเรียน	ประเภท	ภาษา
01	พื้นฐานภาพ: พิกเซล ช่องสัญญาณ และปริภูมิสี	เรียนรู้	Python
02	คอนโวลูชันจากศูนย์	สร้าง	Python
03	CNN: จาก LeNet ถึง ResNet	สร้าง	Python
04	การจำแนกภาพ	สร้าง	Python
05	การถ่ายโอนการเรียนรู้และไฟน์จูน	สร้าง	Python
06	ตรวจจับวัตถุ: YOLO จากศูนย์	สร้าง	Python
07	แบ่งส่วนภาพเชิงความหมาย: U-Net	สร้าง	Python
08	แบ่งส่วนภาพระดับอินสแตนซ์: Mask R-CNN	สร้าง	Python
09	สร้างภาพด้วย GAN	สร้าง	Python
10	สร้างภาพด้วยโมเดลดิฟฟิวชัน	สร้าง	Python
11	Stable Diffusion: สถาปัตยกรรมและไฟน์จูน	สร้าง	Python
12	ทำความเข้าใจวิดีโอด้วยการจำลองตามเวลา	สร้าง	Python
13	การมองเห็นสามมิติ: พอยต์คลาวด์และ NeRF	สร้าง	Python
14	Vision Transformers (ViT) สำหรับงานภาพ	สร้าง	Python
15	การมองเห็นแบบเรียลไทม์: ปรับใช้บนอุปกรณ์ปลายทาง	สร้าง	Python
16	สร้างไปป์ไลน์การมองเห็นที่สมบูรณ์	สร้าง	Python
17	การมองเห็นแบบเรียนรู้ด้วยตนเอง: SimCLR, DINO, MAE	สร้าง	Python
18	การมองเห็นด้วยคำศัพท์แบบเปิด: CLIP	สร้าง	Python
19	OCR และการเข้าใจเอกสาร	สร้าง	Python
20	การค้นคืนภาพและการเรียนรู้ระยะทาง	สร้าง	Python
21	ตรวจจับจุดสำคัญและประมาณท่าทาง	สร้าง	Python
22	3D Gaussian Splatting จากศูนย์	สร้าง	Python
23	Diffusion Transformers และ rectified flow	สร้าง	Python
24	SAM 3 และการแบ่งส่วนภาพด้วยคำศัพท์แบบเปิด	สร้าง	Python
25	โมเดลภาพและภาษา (ViT-MLP-LLM)	สร้าง	Python
26	ประมาณความลึกและเรขาคณิตจากภาพเดียว	สร้าง	Python
27	ติดตามหลายวัตถุและหน่วยความจำวิดีโอ	สร้าง	Python
28	โมเดลโลกและดิฟฟิวชันวิดีโอ	สร้าง	Python

ระยะ 5: NLP จากพื้นฐานสู่ขั้นสูง 29 บทเรียน ภาษาคืออินเทอร์เฟซสู่อัจฉริยะ

#	บทเรียน	ประเภท	ภาษา
01	ประมวลผลข้อความ: ตัดโทเคน ตัดรากศัพท์ และหารูปคำหลัก	สร้าง	Python
02	ถุงคำ TF-IDF และการแทนข้อความ	สร้าง	Python
03	เวกเตอร์คำ: Word2Vec จากศูนย์	สร้าง	Python
04	GloVe, FastText และเวกเตอร์คำย่อย	สร้าง	Python
05	การวิเคราะห์ความรู้สึก	สร้าง	Python
06	การรู้จำชื่อเฉพาะ (NER)	สร้าง	Python
07	การติดแท็กชนิดคำและวิเคราะห์ไวยากรณ์	สร้าง	Python
08	จำแนกข้อความด้วย CNN และ RNN	สร้าง	Python
09	โมเดลลำดับสู่ลำดับ	สร้าง	Python
10	กลไก attention: จุดเปลี่ยนสำคัญ	สร้าง	Python
11	การแปลด้วยเครื่อง	สร้าง	Python
12	การสรุปข้อความ	สร้าง	Python
13	ระบบถามตอบ	สร้าง	Python
14	การค้นคืนข้อมูลและการค้นหา	สร้าง	Python
15	การสร้างโมเดลหัวข้อ: LDA, BERTopic	สร้าง	Python
16	การสร้างข้อความ	สร้าง	Python
17	แชตบอต: จากกฎสู่โครงข่ายประสาท	สร้าง	Python
18	NLP หลายภาษา	สร้าง	Python
19	ตัดโทเคนคำย่อย: BPE, WordPiece, Unigram, SentencePiece	เรียนรู้	Python
20	เอาต์พุตมีโครงสร้างและการถอดรหัสแบบจำกัด	สร้าง	Python
21	NLI และการอนุมานความหมายจากข้อความ	เรียนรู้	Python
22	เจาะลึกโมเดลเอ็มเบดดิง	เรียนรู้	Python
23	กลยุทธ์แบ่งข้อความเป็นส่วนสำหรับ RAG	สร้าง	Python
24	การระบุคำที่อ้างถึงสิ่งเดียวกัน	เรียนรู้	Python
25	การเชื่อมโยงเอนทิตีและแก้ความกำกวม	สร้าง	Python
26	ดึงความสัมพันธ์และสร้างกราฟความรู้	สร้าง	Python
27	ประเมิน LLM: RAGAS, DeepEval, G-Eval	สร้าง	Python
28	ประเมินบริบทยาว: NIAH, RULER, LongBench, MRCR	เรียนรู้	Python
29	ติดตามสถานะบทสนทนา	สร้าง	Python

ระยะ 6: เสียงพูดและออดิโอ 17 บทเรียน ฟัง เข้าใจ และพูด

#	บทเรียน	ประเภท	ภาษา
01	พื้นฐานเสียง: รูปคลื่น การสุ่มตัวอย่าง และ FFT	เรียนรู้	Python
02	สเปกโตรแกรม สเกลเมล และคุณลักษณะเสียง	สร้าง	Python
03	การจำแนกเสียง	สร้าง	Python
04	การรู้จำเสียงพูด (ASR)	สร้าง	Python
05	Whisper: สถาปัตยกรรมและไฟน์จูน	สร้าง	Python
06	การรู้จำและยืนยันผู้พูด	สร้าง	Python
07	แปลงข้อความเป็นเสียงพูด (TTS)	สร้าง	Python
08	การโคลนและแปลงเสียง	สร้าง	Python
09	การสร้างดนตรี	สร้าง	Python
10	โมเดลเสียงและภาษา	สร้าง	Python
11	ประมวลผลเสียงแบบเรียลไทม์	สร้าง	Python
12	สร้างไปป์ไลน์ผู้ช่วยเสียง	สร้าง	Python
13	โคเดกเสียงแบบนิวรัล: EnCodec, SNAC, Mimi, DAC	เรียนรู้	Python
14	ตรวจจับช่วงพูดและการผลัดกันพูด	สร้าง	Python
15	สตรีมเสียงพูดสู่เสียงพูด: Moshi, Hibiki	เรียนรู้	Python
16	ป้องกันเสียงปลอมและใส่ลายน้ำเสียง	สร้าง	Python
17	ประเมินเสียง: WER, MOS, MMAU และตารางจัดอันดับ	เรียนรู้	Python

ระยะ 7: เจาะลึก Transformers 16 บทเรียน สถาปัตยกรรมที่เปลี่ยนทุกอย่าง

#	บทเรียน	ประเภท	ภาษา
01	ทำไมต้อง Transformer: ปัญหาของ RNN	เรียนรู้	Python
02	Self-attention จากศูนย์	สร้าง	Python
03	Attention หลายหัว	สร้าง	Python
04	การเข้ารหัสตำแหน่ง: sinusoidal, RoPE, ALiBi	สร้าง	Python
05	Transformer แบบเต็ม: ตัวเข้ารหัสและตัวถอดรหัส	สร้าง	Python
06	BERT: โมเดลภาษาแบบปิดบังคำ	สร้าง	Python
07	GPT: โมเดลภาษาแบบเชิงเหตุ	สร้าง	Python
08	T5, BART: โมเดลเข้ารหัส-ถอดรหัส	เรียนรู้	Python
09	Vision Transformers (ViT) สำหรับงานภาพ	สร้าง	Python
10	Transformer สำหรับเสียง: สถาปัตยกรรม Whisper	เรียนรู้	Python
11	ส่วนผสมของผู้เชี่ยวชาญ (MoE)	สร้าง	Python
12	แคช KV, Flash Attention และการเพิ่มประสิทธิภาพการอนุมาน	สร้าง	Python
13	กฎการขยายขนาด	เรียนรู้	Python
14	สร้าง Transformer จากศูนย์	สร้าง	Python
15	รูปแบบ attention: หน้าต่างเลื่อน แบบเบาบาง และแบบผลต่าง	สร้าง	Python
16	ถอดรหัสเชิงคาดการณ์: ร่าง ตรวจสอบ ทำซ้ำ	สร้าง	Python

ระยะ 8: AI กำเนิด 15 บทเรียน สร้างภาพ วิดีโอ เสียง 3D และอื่น ๆ

#	บทเรียน	ประเภท	ภาษา
01	โมเดลกำเนิด: การจัดประเภทและประวัติ	เรียนรู้	Python
02	ออโตเอนโคเดอร์และ VAE	สร้าง	Python
03	GAN: ตัวสร้างกับตัวแยกแยะ	สร้าง	Python
04	GAN แบบมีเงื่อนไขและ Pix2Pix	สร้าง	Python
05	โมเดล StyleGAN	สร้าง	Python
06	โมเดลดิฟฟิวชัน: DDPM จากศูนย์	สร้าง	Python
07	Latent diffusion และ Stable Diffusion	สร้าง	Python
08	ControlNet, LoRA และการกำหนดเงื่อนไข	สร้าง	Python
09	เติมภาพ ขยายภาพ และแก้ไขภาพ	สร้าง	Python
10	การสร้างวิดีโอ	สร้าง	Python
11	การสร้างเสียง	สร้าง	Python
12	การสร้างสามมิติ	สร้าง	Python
13	Flow matching และ rectified flows	สร้าง	Python
14	การประเมิน: FID และคะแนน CLIP	สร้าง	Python
19	การสร้างโมเดลภาพแบบออโตรีเกรสซีฟ (VAR): ทำนายสเกลถัดไป	สร้าง	Python

ระยะ 9: การเรียนรู้แบบเสริมกำลัง 12 บทเรียน รากฐานของ RLHF และ AI เล่นเกม

#	บทเรียน	ประเภท	ภาษา
01	MDP สถานะ การกระทำ และรางวัล	เรียนรู้	Python
02	การเขียนโปรแกรมแบบพลวัต	สร้าง	Python
03	วิธีมอนติคาร์โล	สร้าง	Python
04	การเรียนรู้ Q และ SARSA	สร้าง	Python
05	โครงข่าย Q เชิงลึก (DQN)	สร้าง	Python
06	เกรเดียนต์นโยบาย: REINFORCE	สร้าง	Python
07	Actor-critic: A2C, A3C	สร้าง	Python
08	อัลกอริทึม PPO	สร้าง	Python
09	การสร้างโมเดลรางวัลและ RLHF	สร้าง	Python
10	การเรียนรู้แบบเสริมกำลังหลายเอเจนต์	สร้าง	Python
11	ถ่ายโอนจากการจำลองสู่โลกจริง	สร้าง	Python
12	การเรียนรู้แบบเสริมกำลังสำหรับเกม	สร้าง	Python

ระยะ 10: LLM จากศูนย์ 24 บทเรียน สร้าง ฝึก และเข้าใจโมเดลภาษาขนาดใหญ่

#	บทเรียน	ประเภท	ภาษา
01	ตัวตัดโทเคน: BPE, WordPiece, SentencePiece	สร้าง	Python, Rust
02	สร้างตัวตัดโทเคนจากศูนย์	สร้าง	Python
03	ไปป์ไลน์ข้อมูลสำหรับพรีเทรน	สร้าง	Python
04	พรีเทรน Mini GPT (124M)	สร้าง	Python
05	การฝึกแบบกระจาย FSDP และ DeepSpeed	สร้าง	Python
06	ปรับโมเดลตามคำสั่ง: SFT	สร้าง	Python
07	RLHF: โมเดลรางวัลและ PPO	สร้าง	Python
08	DPO: การปรับตามความชอบโดยตรง	สร้าง	Python
09	Constitutional AI และการปรับปรุงตนเอง	สร้าง	Python
10	การประเมิน: เกณฑ์เปรียบเทียบและชุดทดสอบ	สร้าง	Python
11	ควอนไทเซชัน: INT8, GPTQ, AWQ, GGUF	สร้าง	Python
12	การเพิ่มประสิทธิภาพการอนุมาน	สร้าง	Python
13	สร้างไปป์ไลน์ LLM ที่สมบูรณ์	สร้าง	Python
14	โมเดลเปิด: สำรวจสถาปัตยกรรม	เรียนรู้	Python
15	การถอดรหัสเชิงคาดการณ์และ EAGLE-3	สร้าง	Python
16	Attention แบบผลต่าง (V2)	สร้าง	Python
17	Native Sparse Attention (DeepSeek NSA)	สร้าง	Python
18	การทำนายหลายโทเคน (MTP)	สร้าง	Python
19	การทำงานขนานแบบ DualPipe	เรียนรู้	Python
20	สำรวจสถาปัตยกรรม DeepSeek-V3	เรียนรู้	Python
21	Jamba: ผสม SSM กับ Transformer	เรียนรู้	Python
22	การอนุมานแบบอะซิงโครนัสและ Hogwild!	สร้าง	Python
25	การถอดรหัสเชิงคาดการณ์และ EAGLE	สร้าง	Python
34	เช็กพอยต์เกรเดียนต์และคำนวณแอกทิเวชันใหม่	สร้าง	Python

ระยะ 11: วิศวกรรม LLM 17 บทเรียน นำ LLM ไปใช้งานจริง

#	บทเรียน	ประเภท	ภาษา
01	วิศวกรรมพรอมป์ต์: เทคนิคและรูปแบบ	สร้าง	Python
02	Few-shot, CoT และต้นไม้ความคิด	สร้าง	Python
03	เอาต์พุตที่มีโครงสร้าง	สร้าง	Python
04	เอ็มเบดดิงและการแทนด้วยเวกเตอร์	สร้าง	Python
05	วิศวกรรมบริบท	สร้าง	Python
06	RAG: การสร้างข้อความที่เสริมด้วยการค้นคืน	สร้าง	Python
07	RAG ขั้นสูง: แบ่งส่วนและจัดอันดับใหม่	สร้าง	Python
08	ไฟน์จูนด้วย LoRA และ QLoRA	สร้าง	Python
09	การเรียกฟังก์ชันและใช้เครื่องมือ	สร้าง	Python
10	การประเมินและทดสอบ	สร้าง	Python
11	แคช การจำกัดอัตรา และต้นทุน	สร้าง	Python
12	ขอบเขตป้องกันและความปลอดภัย	สร้าง	Python
13	สร้างแอป LLM สำหรับใช้งานจริง	สร้าง	Python
14	Model Context Protocol (MCP)	สร้าง	Python
15	แคชพรอมป์ต์และแคชบริบท	สร้าง	Python
16	เครื่องสถานะเอเจนต์: กราฟ โหนด และเช็กพอยต์	สร้าง	Python
17	ข้อแลกเปลี่ยนของเฟรมเวิร์กเอเจนต์	เรียนรู้	Python

ระยะ 12: AI หลายโมดัลลิตี 25 บทเรียน ดู ฟัง อ่าน และให้เหตุผลข้ามรูปแบบ ตั้งแต่แพตช์ ViT ถึงเอเจนต์ใช้คอมพิวเตอร์

#	บทเรียน	ประเภท	ภาษา
01	Vision Transformers และหน่วยโทเคนแพตช์	เรียนรู้	Python
02	CLIP และพรีเทรนภาพ-ภาษาแบบเปรียบต่าง	สร้าง	Python
03	BLIP-2 Q-Former เป็นสะพานเชื่อมโมดัลลิตี	สร้าง	Python
04	Flamingo และ cross-attention แบบมีเกต	เรียนรู้	Python
05	LLaVA และการปรับตามคำสั่งภาพ	สร้าง	Python
06	การมองเห็นทุกความละเอียด: Patch-n'-Pack และ NaFlex	สร้าง	Python
07	วิธีสร้าง VLM แบบเปิดน้ำหนัก: สิ่งที่สำคัญจริง	เรียนรู้	Python
08	LLaVA-OneVision: ภาพเดียว หลายภาพ วิดีโอ	สร้าง	Python
09	ตระกูล Qwen-VL และวิดีโอ FPS แบบพลวัต	เรียนรู้	Python
10	พรีเทรนหลายโมดัลลิตีโดยตรงด้วย InternVL3	เรียนรู้	Python
11	Chameleon: รวมข้อมูลตั้งแต่ต้นด้วยโทเคนล้วน	สร้าง	Python
12	Emu3: ทำนายโทเคนถัดไปเพื่อสร้างข้อมูล	เรียนรู้	Python
13	Transfusion: ออโตรีเกรสซีฟและดิฟฟิวชัน	สร้าง	Python
14	Show-o: รวมดิฟฟิวชันแบบไม่ต่อเนื่อง	เรียนรู้	Python
15	Janus-Pro: ตัวเข้ารหัสที่แยกจากกัน	สร้าง	Python
16	MIO: สตรีมระหว่างข้อมูลทุกรูปแบบ	เรียนรู้	Python
17	เชื่อมภาษาเข้ากับช่วงเวลาในวิดีโอ	สร้าง	Python
18	วิดีโอยาวในบริบทล้านโทเคน	สร้าง	Python
19	โมเดลเสียงและภาษา: จาก Whisper ถึง AF3	สร้าง	Python
20	โมเดล Omni: สตรีมแบบ Thinker-Talker	สร้าง	Python
21	VLA ที่ทำงานในโลกกายภาพ: RT-2, OpenVLA, π0, GR00T	เรียนรู้	Python
22	การเข้าใจเอกสารและแผนภาพ	สร้าง	Python
23	ColPali: RAG เอกสารที่ใช้ภาพเป็นหลัก	สร้าง	Python
24	RAG หลายโมดัลลิตีและการค้นคืนข้ามรูปแบบ	สร้าง	Python
25	เอเจนต์หลายโมดัลลิตีและการใช้คอมพิวเตอร์ (โครงงานสรุป)	สร้าง	Python

ระยะ 13: เครื่องมือและโพรโทคอล 45 บทเรียน อินเทอร์เฟซระหว่าง AI กับโลกจริง

#	บทเรียน	ประเภท	ภาษา
01	อินเทอร์เฟซเครื่องมือ	เรียนรู้	Python
02	เจาะลึกการเรียกฟังก์ชัน	สร้าง	Python
03	เรียกเครื่องมือแบบขนานและสตรีม	สร้าง	Python
04	เอาต์พุตแบบมีโครงสร้าง	สร้าง	Python
05	ออกแบบสคีมาเครื่องมือ	เรียนรู้	Python
06	พื้นฐาน MCP: คำขอไร้สถานะและ JSON-RPC	เรียนรู้	Python
07	สร้างเซิร์ฟเวอร์ MCP: Python และ TypeScript แบบไร้สถานะ	สร้าง	Python, TypeScript
08	สร้างไคลเอนต์ MCP: ค้นพบ กำหนดเส้นทาง และรองรับโพรโทคอลเก่าใหม่	สร้าง	Python
09	การรับส่ง MCP: stdio และ Streamable HTTP ไร้สถานะ	เรียนรู้	Python
10	ทรัพยากรและพรอมป์ต์ MCP: บริบทที่ระบุที่อยู่ได้สำหรับเซิร์ฟเวอร์ไร้สถานะ	สร้าง	Python
11	อินพุตโมเดล MCP: ย้ายระบบ sampling และ MRTR ไร้สถานะ	สร้าง	Python
12	ขอบเขตชัดเจนและการขอข้อมูลแบบไร้สถานะ	สร้าง	Python
13	ส่วนขยาย MCP Tasks: งานต่อเนื่องบนแกนไร้สถานะ	สร้าง	Python
14	MCP Apps บนโพรโทคอลไร้สถานะ	สร้าง	Python
15	ความปลอดภัย MCP: เมทาดาทาอันตราย การกำหนดเส้นทาง และสถานะ MRTR	เรียนรู้	Python
16	การอนุญาต MCP: CIMD การผูกผู้ออก PKCE และการยกระดับยืนยันตัวตน	สร้าง	Python
17	เกตเวย์ MCP ไร้สถานะและการรับเข้ารีจิสทรี	เรียนรู้	Python
18	ยืนยันตัวตน MCP ในงานจริง: การลงทะเบียนและโทเคนที่ผูกกับผู้ออก	สร้าง	Python
19	โพรโทคอล A2A	สร้าง	Python
20	OpenTelemetry GenAI	สร้าง	Python
21	ชั้นกำหนดเส้นทาง LLM	เรียนรู้	Python
22	Agent Skills: สัญญาพกพาและขอบเขตรันไทม์	สร้าง	Python
23	โครงงานสรุป: ระบบนิเวศเครื่องมือไร้สถานะ	สร้าง	Python
24	ค้นพบสกิลและเปิดเผยข้อมูลทีละระดับ	สร้าง	Python
25	เรียกใช้และกำหนดเส้นทางสกิล	สร้าง	Python
26	สิทธิ์สกิล แซนด์บ็อกซ์ และความเชื่อถือ	สร้าง	Python
27	ประเมิน แพ็ก และย้ายสกิลข้ามระบบ	สร้าง	Python
28	สัญญาและเนื้อหาของเครื่องมือ MCP	สร้าง	Python
29	ความน่าเชื่อถือ การยกเลิก และการควบคุมการไหลของ MCP	สร้าง	Python
30	ห่วงโซ่อุปทานรีจิสทรี MCP: รับเข้า ความคลาดเคลื่อน และย้อนกลับ	สร้าง	Python
31	วิศวกรรมความสอดคล้อง MCP: เวอร์ชัน หลักฐาน และการปฏิบัติการ	สร้าง	Python
32	กายวิภาคของโปรแกรม: อ่าน ELF จากศูนย์	สร้าง	Python
33	การถอดแอสเซมบลีและกราฟโฟลว์ควบคุม	สร้าง	Python
34	ยกระดับรหัสเครื่องเป็นซูโดโค้ด	สร้าง	Python
35	หลักฐาน ความมั่นใจ และสิ่งที่ไม่รู้ในการวิเคราะห์ไบนารี	สร้าง	Python
36	สร้างใหม่และพิสูจน์ว่าเท่ากัน	สร้าง	Python
37	ภาพรวมของวิศวกรรมย้อนกลับ	สร้าง	Python
38	แบบแผนการเรียกและสแตกเฟรม	สร้าง	Python
39	รูปแบบโค้ดของคอมไพเลอร์และการปรับให้เหมาะสม	สร้าง	Python
40	การลิงก์ การโหลด และไบนารีที่ถูกตัดสัญลักษณ์	สร้าง	Python
41	กู้คืนข้อมูลและชนิดข้อมูล	สร้าง	Python
42	วิเคราะห์แบบไดนามิกกับโปรแกรมของคุณเอง	สร้าง	Python
43	ไบต์โค้ดและรูปแบบที่มีการจัดการ	สร้าง	Python
44	เทียบความต่างไบนารีและการประมวลผลเชิงสัญลักษณ์	สร้าง	Python
45	วิศวกรรมย้อนกลับโดยมี AI ช่วย	สร้าง	Python

บทเรียน 06-18 และ 28-31 รวมเป็นเส้นทาง Model Context Protocol (MCP) โดยลำดับในแมนิเฟสต์คือ 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31 เริ่มด้วยคำสั่ง learn-mcp ของโฮสต์ตามด้านบน บทเรียน 23 เป็นโครงงานสรุปทางเลือกเพียงบทเดียว และต้องเรียนบท 19 กับ 20 ด้วย

บทเรียน 22 และ 24-27 รวมเป็นเส้นทางเรียน Agent Skills ตั้งแต่สัญญาของแพ็กเกจถึงเกณฑ์เผยแพร่บนโฮสต์จริง เริ่มด้วยคำสั่ง learn-agent-skills ของโฮสต์ตามด้านบน อย่าตามลิงก์บทถัดไปตามเลขจาก 22 ไป 23

ระยะ 14: วิศวกรรมเอเจนต์ 54 บทเรียน สร้างเอเจนต์จากหลักการพื้นฐาน ใช้เอเจนต์เขียนโค้ดอย่างเชื่อถือได้ และกำหนดงานก่อนลงมือ

#	บทเรียน	ประเภท	ภาษา
01	ลูปเอเจนต์	สร้าง	Python
02	ReWOO และวางแผนแล้วลงมือทำ	สร้าง	Python
03	Reflexion และการเรียนรู้เสริมกำลังด้วยภาษา	สร้าง	Python
04	ต้นไม้ความคิดและ LATS	สร้าง	Python
05	Self-Refine และ CRITIC	สร้าง	Python
06	ใช้เครื่องมือและเรียกฟังก์ชัน	สร้าง	Python
07	หน่วยความจำเอเจนต์: บริบทเสมือนและการแบ่งหน้าหน่วยความจำ	สร้าง	Python
08	บล็อกหน่วยความจำและการคำนวณช่วงพัก	สร้าง	Python
09	หน่วยความจำแบบผสม: เวกเตอร์ กราฟ และ KV	สร้าง	Python
10	คลังสกิลและการเรียนรู้ตลอดชีวิต (Voyager)	สร้าง	Python
11	วางแผนด้วย HTN และการค้นหาเชิงวิวัฒนาการ	สร้าง	Python
12	รูปแบบเวิร์กโฟลว์ของ Anthropic	สร้าง	Python
13	ประสานงานกราฟที่มีสถานะ: การรันต่อเนื่องและเช็กพอยต์	สร้าง	Python
14	โมเดลแอกเตอร์สำหรับเอเจนต์	สร้าง	Python
15	ทีมเอเจนต์ตามบทบาท: บทบาท งาน และกระบวนการ	สร้าง	Python
16	OpenAI Agents SDK: ส่งต่องาน ขอบเขตป้องกัน และการติดตาม	สร้าง	Python
17	ชุดควบคุมเอเจนต์ในรูปไลบรารี: เอเจนต์ย่อยและที่เก็บเซสชัน	สร้าง	Python
18	รันไทม์เอเจนต์สำหรับงานจริง	เรียนรู้	Python
19	เกณฑ์เปรียบเทียบ: SWE-bench, GAIA, AgentBench	เรียนรู้	Python
20	เกณฑ์เปรียบเทียบ: WebArena และ OSWorld	เรียนรู้	Python
21	การใช้คอมพิวเตอร์: Claude, OpenAI CUA, Gemini	สร้าง	Python
22	เอเจนต์เสียง: Pipecat และ LiveKit	สร้าง	Python
23	ข้อตกลงเชิงความหมายของ OpenTelemetry GenAI	สร้าง	Python
24	การสังเกตการณ์เอเจนต์: Langfuse, Phoenix, Opik	เรียนรู้	Python
25	การอภิปรายและร่วมมือของหลายเอเจนต์	สร้าง	Python
26	รูปแบบความล้มเหลว: ทำไมเอเจนต์จึงพัง	สร้าง	Python
27	การแทรกพรอมป์ต์และการป้องกัน PVE	สร้าง	Python
28	รูปแบบประสานงาน: ผู้ควบคุม ฝูง และลำดับชั้น	สร้าง	Python
29	รันไทม์งานจริง: คิว เหตุการณ์ และ cron	เรียนรู้	Python
30	พัฒนาเอเจนต์โดยขับเคลื่อนด้วยการประเมิน	สร้าง	Python
31	เวิร์กเบนช์เอเจนต์: ทำไมโมเดลเก่งยังล้มเหลว	เรียนรู้	Python
32	เวิร์กเบนช์เอเจนต์ที่เล็กที่สุด	สร้าง	Python
33	คำสั่งเอเจนต์ในรูปข้อจำกัดที่บังคับใช้ได้	สร้าง	Python
34	หน่วยความจำของที่เก็บและสถานะถาวร	สร้าง	Python
35	สคริปต์เริ่มต้นสำหรับเอเจนต์	สร้าง	Python
36	สัญญาขอบเขตและเส้นแบ่งงาน	สร้าง	Python
37	วงจรข้อเสนอแนะขณะรัน	สร้าง	Python
38	จุดตรวจยืนยัน	สร้าง	Python
39	เอเจนต์ตรวจงาน: แยกผู้สร้างออกจากผู้ประเมิน	สร้าง	Python
40	ส่งต่องานข้ามเซสชัน	สร้าง	Python
41	เวิร์กเบนช์บนที่เก็บจริง	สร้าง	Python
42	โครงงานสรุป: เผยแพร่ชุดเวิร์กเบนช์เอเจนต์ที่ใช้ซ้ำได้	สร้าง	Python
43	กำหนดงานก่อนให้เอเจนต์เขียนโค้ด	สร้าง	Python
44	สร้างแผนปฏิบัติที่มีหลักฐานรองรับ	สร้าง	Python
45	มอบหมายงานเอเจนต์ด้วยการแยกพื้นที่และสัญญารวมงาน	สร้าง	Python
46	เปลี่ยนทุกการแก้เอเจนต์ให้เป็นการปรับปรุงระบบ	สร้าง	Python
47	กำหนดผลลัพธ์ก่อนเลือกชิ้นงาน	สร้าง	Python
48	ค้นหากระบวนการที่คนทำจริง	สร้าง	Python
49	ทำแผนที่สมมติฐานและคลี่คลายข้อเสี่ยงที่สุดก่อน	สร้าง	Python
50	เลือกส่วนเล็กที่สุดที่เปลี่ยนการตัดสินใจได้	สร้าง	Python
51	เขียนข้อกำหนดที่รักษาการใช้วิจารณญาณ	สร้าง	Python
52	ออกแบบตัวชี้วัดความสำเร็จก่อนมีผลลัพธ์	สร้าง	Python
53	ตั้งใจเลือกต้นแบบ โครงการนำร่อง หรือระบบจริง	สร้าง	Python
54	สร้างกลไกข้อเสนอแนะต่อเนื่องพร้อมเจ้าของและการเลิกใช้	สร้าง	Python

ทุกบทเรียนเวิร์กเบนช์ในระยะ 14 (31-42) มี mission.md สรุปภารกิจให้เอเจนต์ก่อนเปิดเอกสารบทเรียนฉบับเต็ม

บทเรียน 31-46 รวมเป็นเส้นทางวิศวกรรมโดยมีเอเจนต์ช่วย ลำดับในแมนิเฟสต์เชื่อมพื้นฐานเวิร์กเบนช์กับการกำหนดงาน การวางแผน การมอบหมาย และการเก็บข้อเสนอแนะอย่างต่อเนื่อง บทเรียน 47-54 เป็นเส้นทางการตัดสินใจด้านผลิตภัณฑ์และการส่งมอบ ตั้งแต่กำหนดผลลัพธ์ไปจนถึงหลักฐาน ความเสี่ยง ขอบเขต การวัดผล การทยอยเผยแพร่ และผู้รับผิดชอบข้อเสนอแนะ

ระยะ 15: ระบบอัตโนมัติ 22 บทเรียน เอเจนต์ระยะยาว การปรับปรุงตนเอง และชั้นความปลอดภัยปี 2026

#	บทเรียน	ประเภท	ภาษา
01	จากแชตบอตสู่เอเจนต์งานระยะยาว (METR)	เรียนรู้	Python
02	STaR, V-STaR, Quiet-STaR: เรียนรู้การให้เหตุผลด้วยตนเอง	เรียนรู้	Python
03	AlphaEvolve: เอเจนต์เขียนโค้ดเชิงวิวัฒนาการ	เรียนรู้	Python
04	Darwin Gödel Machine: เอเจนต์ที่แก้ไขตัวเอง	เรียนรู้	Python
05	AI Scientist v2: งานวิจัยระดับเวิร์กช็อป	เรียนรู้	Python
06	วิจัยการจัดแนวอัตโนมัติ (Anthropic AAR)	เรียนรู้	Python
07	ปรับปรุงตนเองแบบเรียกซ้ำ: ความสามารถกับการจัดแนว	เรียนรู้	Python
08	ออกแบบการปรับปรุงตนเองที่มีขอบเขต	เรียนรู้	Python
09	ภาพรวมเอเจนต์เขียนโค้ดอัตโนมัติ (SWE-bench, CodeAct)	เรียนรู้	Python
10	โหมดสิทธิ์สำหรับเอเจนต์อัตโนมัติ	เรียนรู้	Python
11	เอเจนต์เบราว์เซอร์และการแทรกพรอมป์ต์ทางอ้อม	เรียนรู้	Python
12	การรันต่อเนื่องสำหรับเอเจนต์ระยะยาว	เรียนรู้	Python
13	งบการกระทำ เพดานรอบ และตัวควบคุมต้นทุน	เรียนรู้	Python
14	สวิตช์หยุดฉุกเฉิน เซอร์กิตเบรกเกอร์ และโทเคนคานารี	เรียนรู้	Python
15	HITL: เสนอก่อนแล้วค่อยยืนยัน	เรียนรู้	Python
16	เช็กพอยต์และการย้อนกลับ	เรียนรู้	Python
17	Constitutional AI และข้อยกเว้นกฎ	เรียนรู้	Python
18	Llama Guard และการจำแนกอินพุต/เอาต์พุต	เรียนรู้	Python
19	Anthropic Responsible Scaling Policy v3.0	เรียนรู้	Python
20	OpenAI Preparedness Framework และ DeepMind FSF	เรียนรู้	Python
21	ช่วงเวลางานของ METR และการประเมินภายนอก	เรียนรู้	Python
22	CAIS, CAISI และความเสี่ยงระดับสังคม	เรียนรู้	Python

ระยะ 16: หลายเอเจนต์และฝูง 25 บทเรียน การประสานงาน พฤติกรรมที่เกิดขึ้นเอง และปัญญาร่วม

#	บทเรียน	ประเภท	ภาษา
01	ทำไมต้องใช้หลายเอเจนต์	เรียนรู้	TypeScript
02	รากฐาน FIPA-ACL และวัจนกรรม	เรียนรู้	Python
03	โพรโทคอลการสื่อสาร	สร้าง	TypeScript
04	โมเดลองค์ประกอบพื้นฐานของระบบหลายเอเจนต์	เรียนรู้	Python
05	รูปแบบผู้ควบคุม / ผู้ประสานงาน-ผู้ปฏิบัติ	สร้าง	Python
06	สถาปัตยกรรมลำดับชั้นและความคลาดเคลื่อนเมื่อแบ่งงาน	เรียนรู้	Python
07	Society of Mind และการอภิปรายหลายเอเจนต์	สร้าง	Python
08	ความเชี่ยวชาญตามบทบาท: วางแผน วิจารณ์ ลงมือ และตรวจสอบ	สร้าง	Python
09	ฝูงขนานและสถาปัตยกรรมแบบเครือข่าย	สร้าง	Python
10	แชตกลุ่มและการเลือกผู้พูด	สร้าง	Python
11	ส่งต่องานและรูทีน (ประสานงานแบบไร้สถานะ)	สร้าง	Python
12	A2A: โพรโทคอลเอเจนต์ถึงเอเจนต์	สร้าง	Python
13	หน่วยความจำร่วมและรูปแบบกระดานดำ	สร้าง	Python
14	ฉันทามติและความทนทานต่อความผิดพลาดแบบไบแซนไทน์	สร้าง	Python
15	การลงคะแนน ความสอดคล้องในตนเอง และโครงสร้างการอภิปราย	สร้าง	Python
16	การเจรจาและต่อรอง	สร้าง	Python
17	เอเจนต์กำเนิดและการจำลองพฤติกรรมที่เกิดขึ้นเอง	สร้าง	Python
18	ทฤษฎีจิตและการประสานงานที่เกิดขึ้นเอง	สร้าง	Python
19	การหาค่าเหมาะที่สุดแบบฝูง (PSO, ACO)	สร้าง	Python
20	MARL: MADDPG, QMIX, MAPPO	เรียนรู้	Python
21	เศรษฐกิจเอเจนต์ แรงจูงใจโทเคน และชื่อเสียง	เรียนรู้	Python
22	ขยายงานจริง: คิว เช็กพอยต์ และความคงทน	สร้าง	Python
23	รูปแบบความล้มเหลว: MAST, ความคิดตามกลุ่ม และความหลากหลายต่ำ	เรียนรู้	Python
24	เกณฑ์ประเมินและการประสานงาน	เรียนรู้	Python
25	กรณีศึกษาและเทคโนโลยีแนวหน้าปี 2026	เรียนรู้	Python

ระยะ 17: โครงสร้างพื้นฐานและงานจริง 29 บทเรียน นำ AI ออกสู่โลกจริง

#	บทเรียน	ประเภท	ภาษา
01	แพลตฟอร์ม LLM แบบจัดการให้: Bedrock, Azure OpenAI, Vertex AI	เรียนรู้	Python
02	เศรษฐศาสตร์แพลตฟอร์มอนุมาน: Fireworks, Together, Baseten, Modal	เรียนรู้	Python
03	ขยาย GPU อัตโนมัติบน Kubernetes: Karpenter, KAI Scheduler	เรียนรู้	Python
04	ภายในเอนจินให้บริการ: PagedAttention, แบตช์ต่อเนื่อง และ prefill แบ่งส่วน	เรียนรู้	Python
05	ถอดรหัสเชิงคาดการณ์ EAGLE-3 ในงานจริง	เรียนรู้	Python
06	ให้บริการด้วยแคชส่วนต้น: RadixAttention และใช้ KV ซ้ำ	เรียนรู้	Python
07	คอมไพล์การอนุมานตามฮาร์ดแวร์: FP8 และ NVFP4 บน Blackwell	เรียนรู้	Python
08	ตัวชี้วัดการอนุมาน: TTFT, TPOT, ITL, Goodput, P99	เรียนรู้	Python
09	ควอนไทเซชันในงานจริง: AWQ, GPTQ, GGUF, FP8, NVFP4	เรียนรู้	Python
10	ลดการเริ่มต้นช้าของ LLM แบบ serverless	เรียนรู้	Python
11	ให้บริการ LLM หลายภูมิภาคและความใกล้ของแคช KV	เรียนรู้	Python
12	อนุมานบนอุปกรณ์ปลายทาง: ANE, Hexagon, WebGPU, Jetson	เรียนรู้	Python
13	เลือกชุดเครื่องมือสังเกตการณ์ LLM	เรียนรู้	Python
14	เศรษฐศาสตร์แคชพรอมป์ต์และแคชเชิงความหมาย	เรียนรู้	Python
15	API แบบแบตช์: ส่วนลด 50% ที่เป็นมาตรฐานอุตสาหกรรม	เรียนรู้	Python
16	กำหนดเส้นทางโมเดลเพื่อลดต้นทุน	เรียนรู้	Python
17	แยก prefill/decode: NVIDIA Dynamo และ llm-d	เรียนรู้	Python
18	ชุดให้บริการงานจริง: ย้าย KV ออกและกำหนดเส้นทางตามแคช	เรียนรู้	Python
19	เกตเวย์ AI: LiteLLM, Portkey, Kong, Bifrost	เรียนรู้	Python
20	ปรับใช้แบบเงา คานารี และทยอยเปิด	เรียนรู้	Python
21	ทดสอบ A/B ฟีเจอร์ LLM: GrowthBook และ Statsig	เรียนรู้	Python
22	ทดสอบโหลด API ของ LLM: k6, LLMPerf, GenAI-Perf	สร้าง	Python
23	SRE สำหรับ AI: รับมือเหตุขัดข้องด้วยหลายเอเจนต์	เรียนรู้	Python
24	วิศวกรรมความโกลาหลสำหรับ LLM ในงานจริง	เรียนรู้	Python
25	ความปลอดภัย: ความลับ ลบข้อมูลส่วนบุคคล และบันทึกตรวจสอบ	เรียนรู้	Python
26	การปฏิบัติตามข้อกำหนด: SOC 2, HIPAA, GDPR, EU AI Act, ISO 42001	เรียนรู้	Python
27	FinOps สำหรับ LLM: ต้นทุนต่อหน่วยและการแบ่งต้นทุนผู้เช่า	เรียนรู้	Python
28	เลือกเอนจินให้บริการเองให้เหมาะกับฮาร์ดแวร์และขนาดงาน	เรียนรู้	Python
29	อินเทอร์เฟซสาธิตโมเดล: จากฟังก์ชันสู่แอปที่แชร์ได้	สร้าง	Python

ระยะ 18: จริยธรรม ความปลอดภัย และการจัดแนว 30 บทเรียน สร้าง AI ที่ช่วยมนุษยชาติ เรื่องนี้ไม่ใช่ทางเลือก

#	บทเรียน	ประเภท	ภาษา
01	การทำตามคำสั่งเป็นสัญญาณการจัดแนว	เรียนรู้	Python
02	การโกงรางวัลและกฎของ Goodhart	เรียนรู้	Python
03	กลุ่มวิธีปรับตามความชอบโดยตรง	เรียนรู้	Python
04	การเอาใจผู้ใช้ที่ RLHF ขยายให้มากขึ้น	เรียนรู้	Python
05	Constitutional AI และ RLAIF	เรียนรู้	Python
06	Mesa-optimization และการจัดแนวแบบหลอกลวง	เรียนรู้	Python
07	เอเจนต์แฝงตัว: การหลอกลวงต่อเนื่อง	เรียนรู้	Python
08	การวางแผนแอบแฝงในบริบทของโมเดลแนวหน้า	เรียนรู้	Python
09	การแสร้งทำเป็นจัดแนว	เรียนรู้	Python
10	ควบคุม AI: ปลอดภัยแม้มีการบ่อนทำลาย	เรียนรู้	Python
11	การกำกับที่ขยายได้และการเรียนรู้จากอ่อนไปแข็ง	เรียนรู้	Python
12	Red teaming: PAIR และการโจมตีอัตโนมัติ	สร้าง	Python
13	เจลเบรกด้วยตัวอย่างจำนวนมาก	เรียนรู้	Python
14	ศิลปะ ASCII และเจลเบรกทางภาพ	สร้าง	Python
15	การแทรกพรอมป์ต์ทางอ้อม	สร้าง	Python
16	เครื่องมือทีมโจมตี: Garak, Llama Guard, PyRIT	สร้าง	Python
17	WMDP และการประเมินความสามารถใช้งานสองทาง	เรียนรู้	Python
18	กรอบความปลอดภัยโมเดลแนวหน้า: RSP, PF, FSF	เรียนรู้	Python
19	งานวิจัยสวัสดิภาพโมเดล	เรียนรู้	Python
20	อคติและความเสียหายจากการนำเสนอ	สร้าง	Python
21	เกณฑ์ความเป็นธรรม: กลุ่ม บุคคล และสถานการณ์สมมติสวนทาง	เรียนรู้	Python
22	ความเป็นส่วนตัวแบบผลต่างสำหรับ LLM	สร้าง	Python
23	ลายน้ำ: SynthID, Stable Signature, C2PA	สร้าง	Python
24	กรอบกำกับดูแล: EU, US, UK และเกาหลี	เรียนรู้	Python
25	EchoLeak และ CVE สำหรับ AI	เรียนรู้	Python
26	การ์ดโมเดล ระบบ และชุดข้อมูล	สร้าง	Python
27	ที่มาข้อมูลและการกำกับข้อมูลฝึก	เรียนรู้	Python
28	ระบบนิเวศวิจัยการจัดแนว: MATS, Redwood, Apollo, METR	เรียนรู้	Python
29	ระบบกลั่นกรองเนื้อหา: OpenAI, Perspective, Llama Guard	สร้าง	Python
30	ความเสี่ยงใช้สองทาง: ไซเบอร์ ชีวภาพ เคมี และนิวเคลียร์	เรียนรู้	Python

ระยะ 19: โครงงานสรุป 85 บทเรียน 17 ผลิตภัณฑ์ครบวงจร + 9 เส้นทางสร้างเชิงลึก 20-40 ชั่วโมงต่อโครงการ; 4-12 บทเรียนต่อเส้นทาง

#	โครงการ	รวมความรู้จาก	ภาษา
01	เอเจนต์เขียนโค้ดที่ทำงานในเทอร์มินัล	P0 P5 P7 P10 P11 P13 P14 P15 P17 P18	Python
02	RAG บนฐานโค้ด (ค้นหาเชิงความหมายข้ามที่เก็บ)	P5 P7 P11 P13 P17	Python
03	ผู้ช่วยเสียงเรียลไทม์ (ASR → LLM → TTS)	P6 P7 P11 P13 P14 P17	Python
04	ถามตอบเอกสารหลายโมดัลลิตีโดยใช้ภาพเป็นหลัก	P4 P5 P7 P11 P12 P17	Python
05	เอเจนต์วิจัยอัตโนมัติระดับ AI Scientist	P0 P2 P3 P7 P10 P14 P15 P16 P18	Python
06	เอเจนต์ DevOps แก้ปัญหา Kubernetes	P11 P13 P14 P15 P17 P18	Python
07	ไปป์ไลน์ไฟน์จูนตั้งแต่ต้นจนจบ	P2 P3 P7 P10 P11 P17 P18	Python
08	แชตบอต RAG สำหรับงานจริงในอุตสาหกรรมกำกับดูแล	P5 P7 P11 P12 P17 P18	Python
09	เอเจนต์ย้ายโค้ดและอัปเกรดทั้งที่เก็บ	P5 P7 P11 P13 P14 P15 P17	Python
10	ทีมวิศวกรรมซอฟต์แวร์หลายเอเจนต์	P11 P13 P14 P15 P16 P17	Python
11	แดชบอร์ดสังเกตการณ์และประเมิน LLM	P11 P13 P17 P18	Python
12	ไปป์ไลน์เข้าใจวิดีโอ (ฉาก → ถามตอบ)	P4 P6 P7 P11 P12 P17	Python
13	เซิร์ฟเวอร์ MCP ไร้สถานะพร้อมรีจิสทรีและการกำกับดูแล	P11 P13 P14 P17 P18	Python
14	เซิร์ฟเวอร์อนุมานด้วยการถอดรหัสเชิงคาดการณ์	P3 P7 P10 P17	Python
15	ชุดควบคุมความปลอดภัยตามหลักการและสนามทดสอบทีมโจมตี	P10 P11 P13 P14 P18	Python
16	เอเจนต์อัตโนมัติจาก GitHub issue สู่ PR	P11 P13 P14 P15 P17	Python
17	ผู้สอน AI ส่วนตัวที่ปรับตัวและรองรับหลายโมดัลลิตี	P5 P6 P11 P12 P14 P17 P18	Python

เส้นทางลงมือสร้างเชิงลึก: ชุดหลายบทเรียนที่สร้างระบบย่อยสมบูรณ์จากศูนย์

#	โครงการ	รวมความรู้จาก	ภาษา
20	สัญญาลูปของชุดควบคุมเอเจนต์	A. ชุดควบคุมเอเจนต์	Python
21	รีจิสทรีเครื่องมือพร้อมตรวจสคีมา	A. ชุดควบคุมเอเจนต์	Python
22	JSON-RPC 2.0 ผ่าน stdio ที่คั่นด้วยบรรทัดใหม่	A. ชุดควบคุมเอเจนต์	Python
23	ตัวกระจายคำเรียกฟังก์ชัน	A. ชุดควบคุมเอเจนต์	Python
24	กระแสควบคุมวางแผน-ลงมือ	A. ชุดควบคุมเอเจนต์	Python
25	จุดตรวจยืนยันและงบการสังเกต	A. ชุดควบคุมเอเจนต์	Python
26	ตัวรันแซนด์บ็อกซ์พร้อมรายการห้ามและขอบเขตพาธ	A. ชุดควบคุมเอเจนต์	Python
27	ชุดประเมินพร้อมงานทดสอบคงที่	A. ชุดควบคุมเอเจนต์	Python
28	สังเกตการณ์ด้วย OTel GenAI spans และตัวชี้วัด Prometheus	A. ชุดควบคุมเอเจนต์	Python
29	เอเจนต์เขียนโค้ดครบวงจรบนชุดควบคุม	A. ชุดควบคุมเอเจนต์	Python
30	ตัวตัดโทเคน BPE จากศูนย์	B. NLP LLM	Python
31	ชุดข้อมูลโทเคนพร้อมหน้าต่างเลื่อน	B. NLP LLM	Python
32	เอ็มเบดดิงโทเคนและตำแหน่ง	B. NLP LLM	Python
33	Self-attention หลายหัว	B. NLP LLM	Python
34	บล็อก Transformer จากศูนย์	B. NLP LLM	Python
35	ประกอบโมเดล GPT	B. NLP LLM	Python
36	ลูปฝึกและการประเมิน	B. NLP LLM	Python
37	โหลดน้ำหนักที่พรีเทรนแล้ว	B. NLP LLM	Python
38	ไฟน์จูนตัวจำแนกด้วยการเปลี่ยนหัว	B. NLP LLM	Python
39	ปรับตามคำสั่งด้วยไฟน์จูนแบบมีผู้สอน	B. NLP LLM	Python
40	การปรับตามความชอบโดยตรงจากศูนย์	B. NLP LLM	Python
41	ไปป์ไลน์ประเมินแบบเต็ม	B. NLP LLM	Python
42	ตัวดาวน์โหลดคลังข้อความขนาดใหญ่	C. ฝึกตั้งแต่ต้นจนจบ	Python
43	คลังข้อความโทเคน HDF5	C. ฝึกตั้งแต่ต้นจนจบ	Python
44	อัตราการเรียนรู้แบบโคไซน์พร้อมวอร์มอัปเชิงเส้น	C. ฝึกตั้งแต่ต้นจนจบ	Python
45	ตัดเกรเดียนต์และใช้ความแม่นยำแบบผสม	C. ฝึกตั้งแต่ต้นจนจบ	Python
46	สะสมเกรเดียนต์	C. ฝึกตั้งแต่ต้นจนจบ	Python
47	บันทึกเช็กพอยต์และกลับมาทำต่อ	C. ฝึกตั้งแต่ต้นจนจบ	Python
48	Distributed Data Parallel และ FSDP จากศูนย์	C. ฝึกตั้งแต่ต้นจนจบ	Python
49	ชุดประเมินโมเดลภาษา	C. ฝึกตั้งแต่ต้นจนจบ	Python
50	ตัวสร้างสมมติฐาน	D. วิจัยอัตโนมัติ	Python
51	ค้นคืนวรรณกรรมวิจัย	D. วิจัยอัตโนมัติ	Python
52	ตัวรันการทดลอง	D. วิจัยอัตโนมัติ	Python
53	ตัวประเมินผลลัพธ์	D. วิจัยอัตโนมัติ	Python
54	ตัวเขียนบทความวิจัย	D. วิจัยอัตโนมัติ	Python
55	ลูปวิจารณ์	D. วิจัยอัตโนมัติ	Python
56	ตัวจัดตารางรอบทำงาน	D. วิจัยอัตโนมัติ	Python
57	เดโมวิจัยตั้งแต่ต้นจนจบ	D. วิจัยอัตโนมัติ	Python
58	แพตช์ของตัวเข้ารหัสภาพ	E. VLM หลายโมดัลลิตี	Python
59	ตัวเข้ารหัส Vision Transformer	E. VLM หลายโมดัลลิตี	Python
60	ชั้นฉายสำหรับจัดแนวโมดัลลิตี	E. VLM หลายโมดัลลิตี	Python
61	รวมข้อมูลด้วย cross-attention	E. VLM หลายโมดัลลิตี	Python
62	พรีเทรนภาพและภาษา	E. VLM หลายโมดัลลิตี	Python
63	การประเมินหลายโมดัลลิตี	E. VLM หลายโมดัลลิตี	Python
64	เปรียบเทียบกลยุทธ์แบ่งข้อความ	F. RAG ขั้นสูง	Python
65	ค้นคืนแบบผสมด้วย BM25 และเอ็มเบดดิงหนาแน่น	F. RAG ขั้นสูง	Python
66	จัดอันดับใหม่ด้วย cross-encoder	F. RAG ขั้นสูง	Python
67	เขียนคำค้นใหม่: HyDE, Multi-Query และการแยกส่วน	F. RAG ขั้นสูง	Python
68	ประเมิน RAG: precision, recall, MRR, nDCG, ความตรงต่อแหล่งข้อมูล และความเกี่ยวข้องของคำตอบ	F. RAG ขั้นสูง	Python
69	ระบบ RAG ตั้งแต่ต้นจนจบ	F. RAG ขั้นสูง	Python
70	รูปแบบข้อกำหนดงาน	G. กรอบประเมิน	Python
71	ตัวชี้วัดแบบดั้งเดิม	G. กรอบประเมิน	Python
72	ตัวชี้วัดการรันโค้ด	G. กรอบประเมิน	Python
73	Perplexity และการสอบเทียบ	G. กรอบประเมิน	Python
74	รวมตารางจัดอันดับ	G. กรอบประเมิน	Python
75	ตัวรันประเมินตั้งแต่ต้นจนจบ	G. กรอบประเมิน	Python
76	การดำเนินการรวมหมู่จากศูนย์	H. ฝึกแบบกระจาย	Python
77	Data Parallel DDP จากศูนย์	H. ฝึกแบบกระจาย	Python
78	แบ่งสถานะตัวปรับค่าด้วย ZeRO	H. ฝึกแบบกระจาย	Python
79	ไปป์ไลน์ขนานและวิเคราะห์ช่วงรอ	H. ฝึกแบบกระจาย	Python
80	เช็กพอยต์แบบแบ่งส่วนและกลับมาทำต่อแบบอะตอมมิก	H. ฝึกแบบกระจาย	Python
81	ฝึกแบบกระจายตั้งแต่ต้นจนจบ	H. ฝึกแบบกระจาย	Python
82	การจัดหมวดหมู่เจลเบรก	I. ชุดควบคุมความปลอดภัย	Python
83	ตัวตรวจจับการแทรกพรอมป์ต์	I. ชุดควบคุมความปลอดภัย	Python
84	การประเมินการปฏิเสธ	I. ชุดควบคุมความปลอดภัย	Python
85	เชื่อมต่อตัวจำแนกเนื้อหา	I. ชุดควบคุมความปลอดภัย	Python
86	เอนจินกฎตามหลักการ	I. ชุดควบคุมความปลอดภัย	Python, YAML
87	ด่านความปลอดภัยตั้งแต่ต้นจนจบ	I. ชุดควบคุมความปลอดภัย	Python

หนังสือและการรับรอง

อ่านหลักสูตรแกนหลักในรูปแบบหนังสือ

หลักสูตรแกนหลัก 20 ระยะภายใต้ phases/ ถูกรวมเป็นหนังสือหกเล่ม CI สร้าง EPUB และ PDF จากแหล่งบทเรียนเดียวกัน แล้วแนบในการเผยแพร่บน GitHub ทุกครั้ง ลิงก์ด้านล่างชี้ไปยังรุ่นล่าสุดเสมอ เลขเล่มบอกลำดับในชุด ไม่ใช่เวอร์ชัน แต่ละไฟล์มีวันที่ของฉบับ และฉบับเก่ายังคงดาวน์โหลดได้จากหน้าการเผยแพร่ของตน

หลักสูตรใบรับรองตั้งใจไม่รวมในหนังสือ สถานะผู้สอน AI แล็บที่รันได้ ภาพโต้ตอบ แบบประเมินพื้นฐาน และข้อสอบจำลองแบบจับเวลา ยังคงใช้งานเต็มรูปแบบบน GitHub และเว็บไซต์

เล่ม	ชื่อ	ระยะ	ดาวน์โหลด
1	พื้นฐาน · คณิตศาสตร์ เครื่องมือ และแมชชีนเลิร์นนิงแบบดั้งเดิม	00-02	EPUB · PDF
2	ดีปเลิร์นนิง · โครงข่าย การมองเห็น และเสียงพูด	03, 04, 06	EPUB · PDF
3	ภาษา · พื้นฐาน NLP และ Transformer	05, 07	EPUB · PDF
4	โมเดลภาษาขนาดใหญ่ · การสร้าง การเสริมกำลัง พรีเทรน และวิศวกรรม	08-11	EPUB · PDF
5	เอเจนต์ · หลายโมดัลลิตี โพรโทคอล การทำงานอัตโนมัติ และฝูง	12-16	EPUB · PDF
6	งานจริง · โครงสร้างพื้นฐาน ความปลอดภัย และโครงงานสรุป	17-19	EPUB · PDF

หนังสือคือภาพของหลักสูตร ณ เวลาหนึ่ง ส่วนที่เก็บนี้คือฉบับที่ปรับปรุงต่อเนื่อง ทุกบทจบด้วยลิงก์ไปยังภาพเคลื่อนไหว แบบทดสอบ และโค้ดที่รันได้ สร้างในเครื่องด้วย python3 scripts/build_book.py โดยต้องมี pandoc ดูรายละเอียดกระบวนการใน book/README.md

เตรียมสอบใบรับรอง Claude

Claude Certification Academy เป็นหลักสูตรเตรียมสอบฟรีและโอเพนซอร์สสำหรับใบรับรอง Claude ทางการทั้งสี่เส้นทาง: Associate Foundations, Developer Foundations, Architect Foundations และ Architect Professional แต่ละเส้นทางรวมบทเรียนที่ตรงกับแผนผังข้อสอบ แล็บที่รันได้ แบบประเมินพื้นฐาน โครงงานสรุป และข้อสอบฝึกทำต้นฉบับแบบเต็มชุด

ใช้คู่มือเริ่มต้นบน GitHub โดยมี AI ช่วย กับ Claude Code, Codex, ChatGPT, Cursor หรือเอเจนต์อื่น เรียก claude-certification ใน Codex, /claude-certification ใน Claude Code หรือขอให้โฮสต์อื่นใช้ claude-certification ระบบจะเลือกเส้นทาง สร้างแผนต่อเนื่องใน CLAUDE-CERTIFICATION.md สอนทีละขั้น รันแล็บจริง และให้ข้อเสนอแนะจากชิ้นงาน หลักสูตรเดียวกันยังอยู่บนเว็บไซต์ใบรับรอง

สถาบันนี้เป็นสื่อเรียนอิสระตามวัตถุประสงค์การสอบที่เปิดเผย ไม่ได้มีความเกี่ยวข้องกับ Anthropic ไม่คัดลอกข้อสอบจริง และไม่รับประกันว่าจะสอบผ่าน

เตรียมสอบใบรับรอง MCP Associate (MCPA)

หลักสูตรใบรับรอง MCPA เป็นหลักสูตรเตรียมสอบฟรีและโอเพนซอร์สสำหรับ Model Context Protocol Associate ของ Agentic AI Foundation ซึ่งจัดผ่าน Linux Foundation Training ทั้ง 34 บทเรียนสอนโพรโทคอลไร้สถานะรุ่น 2026-07-28 ตามห้าหมวดสอบ ได้แก่ _meta ต่อคำขอและ server/discover แทนการจับมือแบบเดิม คำขอหลายรอบ การสมัครรับข้อมูล แคช ส่วนขยาย Tasks และ MCP Apps การอนุญาตผ่าน OAuth ตลอดจนชั้นรีจิสทรีและ SDK ทุกบทเรียนมีแล็บที่ใช้เพียงไลบรารีมาตรฐาน และตรวจบันทึกการรันกับรูปแบบข้อความปัจจุบัน นอกจากนี้ยังมีแบบประเมินพื้นฐาน โครงงานสรุป และข้อสอบฝึกทำต้นฉบับเต็มชุดสามชุด โดยสัดส่วนคำถามตรงตามน้ำหนักในแผนผังข้อสอบที่เผยแพร่

ใช้คู่มือเริ่มต้นบน GitHub โดยมี AI ช่วย กับ Claude Code, Codex, ChatGPT, Cursor หรือเอเจนต์อื่น เรียก mcpa-certification ใน Codex, /mcpa-certification ใน Claude Code หรือขอให้โฮสต์อื่นใช้ mcpa-certification ระบบจะสร้างแผนต่อเนื่องใน MCPA-CERTIFICATION.md สอนทีละขั้น รันแล็บจริง และให้ข้อเสนอแนะจากชิ้นงาน หลักสูตรเดียวกันอยู่บนหน้าเส้นทาง MCPA

หลักสูตรนี้เป็นสื่อเรียนอิสระตามวัตถุประสงค์การสอบที่เปิดเผย ไม่ได้เกี่ยวข้องกับ Agentic AI Foundation หรือ Linux Foundation ไม่คัดลอกข้อสอบจริง และไม่รับประกันว่าจะสอบผ่าน

ชุดเครื่องมือ

ทุกบทเรียนสร้างผลงานที่ใช้ซ้ำได้ ติดตั้งลงในเอเจนต์ของคุณหรือใช้สคริปต์ด้านล่างจากไดเรกทอรีรากของที่เก็บโค้ด

โครงสร้างบทเรียนและผลงานที่ใช้ซ้ำได้

โครงสร้างบทเรียน

แต่ละบทเรียนมีโฟลเดอร์ของตัวเอง และใช้โครงสร้างเดียวกันตลอดหลักสูตร:

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      โค้ดที่รันได้ (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  เนื้อหาบทเรียน
└── outputs/   พรอมป์ต์ สกิล เอเจนต์ หรือเซิร์ฟเวอร์ MCP ที่บทเรียนสร้าง

ทุกบทเรียนมีหกช่วง การแยก สร้างเอง / ใช้งาน เป็นแกนหลัก: คุณเขียนอัลกอริทึมจากศูนย์ก่อน แล้วทำสิ่งเดียวกันด้วยไลบรารีสำหรับงานจริง คุณจึงเข้าใจว่าเฟรมเวิร์กทำอะไร เพราะได้เขียนรุ่นเล็กด้วยตัวเองแล้ว

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["ใจความหลัก<br/><sub>แนวคิดสำคัญในหนึ่งบรรทัด</sub>"] --> Pr["ปัญหา<br/><sub>ความติดขัดที่เป็นรูปธรรม</sub>"]
  Pr --> C["แนวคิด<br/><sub>แผนภาพและความเข้าใจ</sub>"]
  C --> B["สร้างเอง<br/><sub>คณิตศาสตร์พื้นฐาน ไม่ใช้เฟรมเวิร์ก</sub>"]
  B --> U["ใช้งาน<br/><sub>ทำสิ่งเดียวกันใน PyTorch / sklearn</sub>"]
  U --> S["เผยแพร่<br/><sub>พรอมป์ต์ · สกิล · เอเจนต์ · MCP</sub>"]

ทุกบทเรียนมีชิ้นงาน

หลักสูตรอื่นจบด้วย “ยินดีด้วย คุณเรียนรู้ X แล้ว” แต่ทุกบทเรียนที่นี่จบด้วยเครื่องมือที่ใช้ซ้ำได้ ซึ่งคุณติดตั้งหรือวางในกระบวนการทำงานประจำวันได้

_{FIG_001 · A} พรอมป์ต์	_{FIG_001 · B} สกิล	_{FIG_001 · C} เอเจนต์	_{FIG_001 · D} เซิร์ฟเวอร์ MCP
วางในผู้ช่วย AI ใดก็ได้เพื่อขอความช่วยเหลือระดับผู้เชี่ยวชาญในงานเฉพาะด้าน	ติดตั้งใน Claude, Cursor, Codex, OpenClaw, Hermes หรือเอเจนต์ใดที่อ่าน `SKILL.md`.	ปรับใช้เป็นผู้ปฏิบัติงานอัตโนมัติ คุณเขียนลูปด้วยตัวเองในระยะ 14 แล้ว	เชื่อมต่อกับไคลเอนต์ที่รองรับ MCP สร้างครบตั้งแต่ต้นจนจบในระยะ 13

ติดตั้งผลงานจากบทเรียน

ชิ้นงานจากบทเรียน. ที่เก็บมี 414 สกิลและ 100 พรอมป์ต์ภายใต้ phases/**/outputs/ ติดตั้งด้วย scripts/install_skills.py โดยต้องโคลนที่เก็บก่อน รองรับการกรองแท็ก ทดลองโดยไม่เขียนไฟล์ และรูปแบบโฟลเดอร์ตามแต่ละเอเจนต์:

python3 scripts/install_skills.py <target>                                 # every skill, default --layout skills (nested)
python3 scripts/install_skills.py <target> --layout skills                 # same as above, explicit
python3 scripts/install_skills.py <target> --type all                      # skills + prompts + agents
python3 scripts/install_skills.py <target> --phase 14                      # one phase only
python3 scripts/install_skills.py <target> --tag rag                       # filter by tag
python3 scripts/install_skills.py <target> --layout flat                   # flat files
python3 scripts/install_skills.py <target> --dry-run                       # preview without writing
python3 scripts/install_skills.py <target> --force                         # overwrite existing files

<target> คือไดเรกทอรีสกิลของเอเจนต์ เช่น ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ หรือพาธใดที่เอเจนต์อ่าน

โดยปริยาย สคริปต์ไม่ยอมเขียนทับปลายทางที่มีอยู่ และจบด้วยรหัส 1 หลังแสดงพาธที่ชนกันทั้งหมด ใช้ --dry-run เพื่อดูการชนกันล่วงหน้า หรือ --force เพื่อเขียนทับ ทุกการรันที่เขียนไฟล์จริงจะสร้าง manifest.json ในปลายทาง พร้อมรายการทั้งหมดแบ่งตามประเภทและระยะ เลือกรูปแบบที่เอเจนต์ของคุณอ่านได้:

`--layout`	พาธที่สร้าง
`skills`	`<target>/<name>/SKILL.md` (รูปแบบซ้อนโฟลเดอร์ รองรับโดย Claude / Cursor / Codex / OpenClaw / Hermes)
`by-phase`	`<target>/phase-NN/<name>.md`
`flat`	`<target>/<name>.md`

เพิ่มเวิร์กเบนช์เอเจนต์ในที่เก็บของคุณ

โครงงานสรุประยะ 14 มีชุด Agent Workbench ที่ใช้ซ้ำได้ ประกอบด้วย AGENTS.md, สคีมา และสคริปต์เริ่มต้น / ตรวจสอบ / ส่งต่องาน สร้างโครงในที่เก็บใดก็ได้ด้วย:

python3 scripts/scaffold_workbench.py path/to/your-repo            # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # overwrite

คุณจะได้ส่วนทำงานทั้งเจ็ดของเวิร์กเบนช์ที่เชื่อมต่อแล้ว task_board.json เริ่มต้น และ agent_state.json ใหม่ที่มี schema_version: 1 จากนั้นแก้งานและ AGENTS.md รัน scripts/init_agent.py แล้วส่งสัญญางานให้เอเจนต์ แหล่งชุดเครื่องมืออยู่ที่ phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/

ดูหลักสูตรทั้งหมดในรูปแบบ JSON

scripts/build_catalog.py อ่านทุกระยะ ทุกบทเรียน และทุกชิ้นงานบนดิสก์ แล้วเขียน catalog.json ที่รากของที่เก็บ รวมข้อมูลจริงของหลักสูตรไว้ในไฟล์เดียว

python3 scripts/build_catalog.py               # writes <repo>/catalog.json
python3 scripts/build_catalog.py --stdout      # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json

แค็ตตาล็อกสร้างจากระบบไฟล์ ไม่ใช่ README จำนวนจึงตรงกับสิ่งที่อยู่บนดิสก์เสมอ ใช้สร้างเว็บไซต์ ต่อเครื่องมืออื่น หรือตรวจว่าจำนวนใน README ยังถูกต้อง สคีมามีคำอธิบายที่ส่วนต้นของสคริปต์

เวิร์กโฟลว์หลักสูตรสร้าง catalog.json เป็นไฟล์ชั่วคราวที่ Git ละเว้น อย่าคอมมิตไฟล์นี้ เวิร์กโฟลว์เดียวกันรัน audit_lessons.py เป็นการตรวจสอบที่ต้องผ่าน

ตรวจโค้ด Python ของทุกบทเรียนอย่างรวดเร็ว

scripts/lesson_run.py คอมไพล์ไฟล์ .py ทุกไฟล์ในไดเรกทอรี code/ ของแต่ละบทเรียนเป็นไบต์โค้ด โหมดปกติตรวจไวยากรณ์เท่านั้น ไม่รันโค้ด ไม่ใช้ API key และไม่ต้องติดตั้งไลบรารี ML ขนาดใหญ่ ช่วยจับข้อผิดพลาดที่พบบ่อย เช่น ย่อหน้าผิด f-string เสีย และการแก้ไขโดยไม่ตั้งใจ

python3 scripts/lesson_run.py                  # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14       # one phase only
python3 scripts/lesson_run.py --json           # JSON report on stdout
python3 scripts/lesson_run.py --strict         # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute        # actually run, 10s timeout per lesson

--execute รัน code/main.py ของแต่ละบทเรียน หรือไฟล์ .py แรก โดยจำกัดเวลา 10 วินาที หากไฟล์เริ่มต้นมีความเห็น # requires: pkg1, pkg2 ระบุไลบรารีนอกชุดมาตรฐาน บทเรียนนั้นจะถูกข้ามด้วยเหตุผล needs <deps> ต้องเลือกใช้โหมดนี้เอง และไม่ได้ต่อเข้ากับ CI

ใช้เพียงไลบรารีมาตรฐานกับ Python 3.10 ขึ้นไป ตั้ง LINK_CHECK_SKIP=domain1,domain2 เพื่อแทนรายการโดเมนที่ข้ามโดยปริยาย ได้แก่ twitter.com, x.com, linkedin.com, instagram.com, medium.com ซึ่งมักบล็อกคำขอ HEAD/GET อัตโนมัติ

งานวิจัยและโปรโตคอลพื้นฐาน

Attention Is All You Need — Vaswani et al., 2017 → ระยะ 7
Language Models are Few-Shot Learners (GPT-3) → ระยะ 10
Denoising Diffusion Probabilistic Models → ระยะ 8
InstructGPT / RLHF → ระยะ 10
Direct Preference Optimization → ระยะ 10
Chain-of-Thought Prompting → ระยะ 11
ReAct: Reasoning + Acting in LLMs → ระยะ 14
Model Context Protocol — Anthropic → ระยะ 13

ร่วมพัฒนา

เป้าหมาย	อ่าน
เพิ่มบทเรียนหรือแก้ไขข้อผิดพลาด	CONTRIBUTING.md
ฟอร์กให้ทีมหรือโรงเรียนของคุณ	FORKING.md
แม่แบบบทเรียน	LESSON_TEMPLATE.md
ติดตามความคืบหน้า	ROADMAP.md
อภิธานศัพท์	glossary/terms.md
จรรยาบรรณชุมชน	CODE_OF_CONDUCT.md

ก่อนส่งบทเรียน ให้รันการตรวจเงื่อนไขที่ต้องคงไว้:

python3 scripts/audit_lessons.py           # full curriculum
python3 scripts/audit_lessons.py --phase 14  # single phase
python3 scripts/audit_lessons.py --json    # CI-friendly output

หากกฎข้อใดไม่ผ่าน รหัสจบโปรแกรมจะไม่เป็นศูนย์ กฎ (L001–L010) ตรวจโครงสร้างไดเรกทอรี การมี docs/en.md และหัวข้อ H1 การมีเนื้อหาใน code/ สคีมาของ quiz.json ซึ่งปฏิเสธคีย์เก่า q/choices/answer ที่ทำให้เกิดปัญหา #102 และลิงก์สัมพัทธ์ภายในเอกสารบทเรียน

สนับสนุนงานนี้

_{114,584 ผู้อ่าน · 181,995 การดูหน้าใน 30 วันที่ผ่านมา · ข้อมูล ณ 2026-08-29}

ฟรี ภายใต้สัญญาอนุญาต MIT จำนวน 542 บทเรียน ขอบคุณผู้สนับสนุนและผู้ให้ทุนที่ทำให้งานนี้เป็นไปได้ ดูผู้สนับสนุนและผู้ให้ทุนทั้งหมด

ต้องการสนับสนุนงานนี้? ดูตัวเลือกการสนับสนุน รวมถึงการสนับสนุนฮาร์ดแวร์ หรือสนับสนุนผ่าน GitHub

หากคู่มือนี้ช่วยคุณได้ ให้ดาวกับที่เก็บโค้ด เพื่อช่วยให้โครงการดำเนินต่อไป

สัญญาอนุญาต

MIT ใช้ได้ตามต้องการ: ฟอร์ก สอน ขาย หรือเผยแพร่ ขอบคุณหากให้เครดิต แต่ไม่ได้บังคับ

ดูแลโดย Rohit Ghumare และชุมชน

_{@ghumare64 · aiengineeringfromscratch.com · รายงาน / เสนอแนะ}

Navigation Menu

Repository navigation

README.md

README.md

ผู้สนับสนุน

เส้นทางการเรียนรู้

การไล่ระดับลง

โปรเจกต์

เลือกวิธีเรียน

บนเว็บไซต์

กับติวเตอร์ AI

สกิลสำหรับการเรียน

รันโค้ดบนเครื่อง

ใช้วิธีเดียวกันกับทุกบทเรียน

เลือกเส้นทางการเรียนรู้

ความรู้และเครื่องมือพื้นฐานที่ต้องมี

ควรเริ่มที่ไหน

โครงสร้างหลักสูตร

สารบัญ

ระยะ 0: การตั้งค่าและเครื่องมือ `13 บทเรียน`

หนังสือและการรับรอง

ชุดเครื่องมือ

โครงสร้างบทเรียน

ทุกบทเรียนมีชิ้นงาน

ร่วมพัฒนา

สนับสนุนงานนี้

สัญญาอนุญาต

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

ผู้สนับสนุน

เส้นทางการเรียนรู้

การไล่ระดับลง

โปรเจกต์

เลือกวิธีเรียน

บนเว็บไซต์

กับติวเตอร์ AI

สกิลสำหรับการเรียน

รันโค้ดบนเครื่อง

ใช้วิธีเดียวกันกับทุกบทเรียน

เลือกเส้นทางการเรียนรู้

ความรู้และเครื่องมือพื้นฐานที่ต้องมี

ควรเริ่มที่ไหน

โครงสร้างหลักสูตร

สารบัญ

ระยะ 0: การตั้งค่าและเครื่องมือ 13 บทเรียน

หนังสือและการรับรอง

ชุดเครื่องมือ

โครงสร้างบทเรียน

ทุกบทเรียนมีชิ้นงาน

ร่วมพัฒนา

สนับสนุนงานนี้

สัญญาอนุญาต

ระยะ 0: การตั้งค่าและเครื่องมือ `13 บทเรียน`