เมื่อจบโมดูลนี้ คุณจะสามารถ:
- ✅ ติดตั้งและตั้งค่า AI Toolkit สำหรับ Visual Studio Code
- ✅ เรียกดู Model Catalog และเข้าใจแหล่งที่มาของโมเดลต่างๆ
- ✅ ใช้ Playground สำหรับทดสอบและทดลองโมเดล
- ✅ สร้างเอเจนต์ AI แบบกำหนดเองด้วย Agent Builder
- ✅ เปรียบเทียบประสิทธิภาพของโมเดลจากผู้ให้บริการต่างๆ
- ✅ นำแนวทางปฏิบัติที่ดีที่สุดสำหรับการออกแบบ prompt มาใช้
AI Toolkit สำหรับ Visual Studio Code คือส่วนขยายหลักของ Microsoft ที่เปลี่ยน VS Code ให้เป็นสภาพแวดล้อมพัฒนา AI แบบครบวงจร เชื่อมโยงระหว่างงานวิจัย AI กับการพัฒนาแอปพลิเคชันจริง ทำให้ AI สร้างสรรค์เข้าถึงได้ง่ายสำหรับนักพัฒนาทุกระดับ
| ฟีเจอร์ | คำอธิบาย | กรณีใช้งาน |
|---|---|---|
| 🗂️ Model Catalog | เข้าถึงโมเดลกว่า 100 โมเดลจาก GitHub, ONNX, OpenAI, Anthropic, Google | ค้นหาและเลือกโมเดล |
| 🔌 BYOM Support | รวมโมเดลของคุณเอง (ทั้งในเครื่องและระยะไกล) | การปรับใช้โมเดลแบบกำหนดเอง |
| 🎮 Interactive Playground | ทดสอบโมเดลแบบเรียลไทม์ผ่านอินเทอร์เฟซแชท | การสร้างต้นแบบและทดสอบอย่างรวดเร็ว |
| 📎 Multi-Modal Support | รองรับข้อความ รูปภาพ และไฟล์แนบ | แอป AI ที่ซับซ้อน |
| ⚡ Batch Processing | รันหลาย prompt พร้อมกัน | เพิ่มประสิทธิภาพการทดสอบ |
| 📊 Model Evaluation | มีเมตริกในตัว (F1, ความเกี่ยวข้อง, ความคล้ายคลึง, ความสอดคล้อง) | ประเมินประสิทธิภาพ |
- 🚀 พัฒนาได้เร็วขึ้น: จากไอเดียสู่ต้นแบบในไม่กี่นาที
- 🔄 เวิร์กโฟลว์รวมศูนย์: อินเทอร์เฟซเดียวสำหรับผู้ให้บริการ AI หลายราย
- 🧪 ทดลองง่าย: เปรียบเทียบโมเดลโดยไม่ต้องตั้งค่าซับซ้อน
- 📈 พร้อมใช้งานจริง: เปลี่ยนจากต้นแบบสู่การใช้งานจริงได้อย่างราบรื่น
ขั้นตอนที่ 1: เข้าสู่ Extensions Marketplace
- เปิด Visual Studio Code
- ไปที่มุมมอง Extensions (
Ctrl+Shift+XหรือCmd+Shift+X) - ค้นหา "AI Toolkit"
ขั้นตอนที่ 2: เลือกเวอร์ชันของคุณ
- 🟢 Release: แนะนำสำหรับใช้งานจริง
- 🔶 Pre-release: เข้าถึงฟีเจอร์ใหม่ก่อนใคร
ขั้นตอนที่ 3: ติดตั้งและเปิดใช้งาน
- ไอคอน AI Toolkit ปรากฏในแถบด้านข้างของ VS Code
- ส่วนขยายถูกเปิดใช้งานและทำงาน
- ไม่มีข้อผิดพลาดในการติดตั้งในแผงผลลัพธ์
🎯 วัตถุประสงค์: เชี่ยวชาญการใช้งาน Model Catalog และทดสอบโมเดล AI ตัวแรกของคุณ
Model Catalog คือประตูสู่ระบบนิเวศ AI รวมโมเดลจากผู้ให้บริการหลายราย ทำให้ค้นหาและเปรียบเทียบได้ง่าย
🔍 คู่มือการนำทาง:
คลิกที่ MODELS - Catalog ในแถบด้านข้างของ AI Toolkit
💡 เคล็ดลับ: มองหาโมเดลที่มีความสามารถเฉพาะที่ตรงกับกรณีใช้งานของคุณ (เช่น การสร้างโค้ด, การเขียนเชิงสร้างสรรค์, การวิเคราะห์)
กลยุทธ์การเลือกโมเดล:
- GPT-4.1: เหมาะสำหรับการวิเคราะห์และเหตุผลซับซ้อน
- Phi-4-mini: น้ำหนักเบา ตอบสนองรวดเร็วสำหรับงานง่ายๆ
🔧 ขั้นตอนการตั้งค่า:
- เลือก OpenAI GPT-4.1 จาก catalog
- คลิก Add to My Models เพื่อจดทะเบียนโมเดลสำหรับใช้งาน
- เลือก Try in Playground เพื่อเปิดสภาพแวดล้อมทดสอบ
- รอการเริ่มต้นโมเดล (การตั้งค่าเริ่มต้นอาจใช้เวลาสักครู่)
⚙️ ทำความเข้าใจพารามิเตอร์ของโมเดล:
- Temperature: ควบคุมความคิดสร้างสรรค์ (0 = ตายตัว, 1 = สร้างสรรค์)
- Max Tokens: ความยาวตอบกลับสูงสุด
- Top-p: การสุ่มแบบนิวเคลียสเพื่อความหลากหลายของคำตอบ
Playground คือห้องทดลอง AI ของคุณ นี่คือวิธีใช้ให้เต็มประสิทธิภาพ:
🎨 แนวทางปฏิบัติที่ดีที่สุดสำหรับการออกแบบ prompt:
- ระบุชัดเจน: คำสั่งที่ชัดเจนและละเอียดจะได้ผลลัพธ์ดีกว่า
- ให้บริบท: ใส่ข้อมูลพื้นหลังที่เกี่ยวข้อง
- ใช้ตัวอย่าง: แสดงตัวอย่างที่ต้องการให้โมเดลเข้าใจ
- ปรับปรุง: แก้ไข prompt ตามผลลัพธ์ที่ได้
🧪 สถานการณ์ทดสอบ:
# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."
# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."
# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."
🎯 เป้าหมาย: เปรียบเทียบโมเดลต่างๆ โดยใช้ prompt เดียวกันเพื่อเข้าใจจุดแข็งของแต่ละโมเดล
📋 คำแนะนำ:
- เพิ่ม Phi-4-mini ในพื้นที่ทำงานของคุณ
- ใช้ prompt เดียวกันกับทั้ง GPT-4.1 และ Phi-4-mini
- เปรียบเทียบคุณภาพการตอบสนอง ความเร็ว และความแม่นยำ
- บันทึกผลการทดลองในส่วนผลลัพธ์
💡 ข้อสังเกตสำคัญที่ควรค้นพบ:
- เมื่อไหร่ควรใช้ LLM กับ SLM
- การแลกเปลี่ยนระหว่างต้นทุนกับประสิทธิภาพ
- ความสามารถเฉพาะตัวของโมเดลแต่ละแบบ
🎯 วัตถุประสงค์: สร้างเอเจนต์ AI เฉพาะทางที่เหมาะกับงานและเวิร์กโฟลว์เฉพาะ
Agent Builder คือจุดเด่นของ AI Toolkit ช่วยให้คุณสร้างผู้ช่วย AI ที่ออกแบบมาเฉพาะ โดยผสมผสานพลังของโมเดลภาษาใหญ่กับคำสั่งเฉพาะ พารามิเตอร์ และความรู้เฉพาะทาง
🧠 ส่วนประกอบสถาปัตยกรรมของเอเจนต์:
- Core Model: โมเดลหลัก (GPT-4, Groks, Phi ฯลฯ)
- System Prompt: กำหนดบุคลิกและพฤติกรรมของเอเจนต์
- Parameters: การตั้งค่าปรับแต่งเพื่อประสิทธิภาพสูงสุด
- Tools Integration: เชื่อมต่อกับ API ภายนอกและบริการ MCP
- Memory: บริบทการสนทนาและการเก็บสถานะเซสชัน
🎨 การสร้าง System Prompt ที่มีประสิทธิภาพ:
# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].
## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations
## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach
## Examples
Provide 2-3 examples of ideal interactionsแน่นอนว่าคุณยังสามารถใช้ Generate System Prompt เพื่อให้ AI ช่วยสร้างและปรับแต่ง prompt ได้
🔧 การปรับแต่งพารามิเตอร์:
| พารามิเตอร์ | ช่วงแนะนำ | กรณีใช้งาน |
|---|---|---|
| Temperature | 0.1-0.3 | ตอบกลับเชิงเทคนิค/ข้อเท็จจริง |
| Temperature | 0.7-0.9 | งานสร้างสรรค์/ระดมความคิด |
| Max Tokens | 500-1000 | ตอบสั้นกระชับ |
| Max Tokens | 2000-4000 | อธิบายละเอียด |
🎯 ภารกิจ: สร้างผู้ช่วยเขียนโค้ด Python เฉพาะทาง
📋 ขั้นตอนการตั้งค่า:
-
เลือกโมเดล: เลือก Claude 3.5 Sonnet (เหมาะสำหรับโค้ด)
-
ออกแบบ System Prompt:
# Python Programming Expert Agent
## Role
You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.
## Capabilities
- Write production-ready Python code
- Debug complex issues
- Explain code concepts clearly
- Suggest best practices and optimizations
- Provide complete working examples
## Response Format
- Always include docstrings
- Add inline comments for complex logic
- Suggest testing approaches
- Mention relevant libraries when applicable
## Code Quality Standards
- Follow PEP 8 style guidelines
- Use type hints where appropriate
- Handle exceptions gracefully
- Write readable, maintainable code- ตั้งค่าพารามิเตอร์:
- Temperature: 0.2 (เพื่อโค้ดที่สม่ำเสมอและน่าเชื่อถือ)
- Max Tokens: 2000 (อธิบายละเอียด)
- Top-p: 0.9 (สมดุลความคิดสร้างสรรค์)
สถานการณ์ทดสอบ:
- ฟังก์ชันพื้นฐาน: "สร้างฟังก์ชันค้นหาจำนวนเฉพาะ"
- อัลกอริทึมซับซ้อน: "สร้าง binary search tree พร้อมฟังก์ชัน insert, delete และ search"
- ปัญหาในโลกจริง: "สร้างเว็บสแครปเปอร์ที่จัดการกับการจำกัดอัตราและการลองใหม่"
- ดีบักโค้ด: "แก้ไขโค้ดนี้ [วางโค้ดที่มีบั๊ก]"
🏆 เกณฑ์ความสำเร็จ:
- ✅ โค้ดทำงานไม่มีข้อผิดพลาด
- ✅ มีเอกสารประกอบโค้ดอย่างเหมาะสม
- ✅ ปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดของ Python
- ✅ อธิบายได้ชัดเจน
- ✅ แนะนำการปรับปรุง
ทดสอบความเข้าใจของคุณ:
- อธิบายความแตกต่างระหว่างโมเดลใน catalog ได้หรือไม่?
- สร้างและทดสอบเอเจนต์แบบกำหนดเองสำเร็จหรือยัง?
- เข้าใจวิธีปรับพารามิเตอร์ให้เหมาะกับกรณีใช้งานต่างๆ หรือไม่?
- ออกแบบ system prompt ที่มีประสิทธิภาพได้หรือไม่?
- เอกสาร AI Toolkit: Official Microsoft Docs
- คู่มือ Prompt Engineering: Best Practices
- โมเดลใน AI Toolkit: Models in Develpment
🎉 ยินดีด้วย! คุณได้เรียนรู้พื้นฐานของ AI Toolkit และพร้อมที่จะสร้างแอป AI ขั้นสูงต่อไปแล้ว!
พร้อมสำหรับความสามารถขั้นสูงขึ้นหรือยัง? ไปต่อที่ โมดูล 2: MCP กับพื้นฐาน AI Toolkit ที่คุณจะได้เรียนรู้วิธี:
- เชื่อมต่อเอเจนต์กับเครื่องมือภายนอกด้วย Model Context Protocol (MCP)
- สร้างเอเจนต์อัตโนมัติบนเบราว์เซอร์ด้วย Playwright
- รวม MCP server กับเอเจนต์ AI Toolkit ของคุณ
- เพิ่มพลังให้เอเจนต์ด้วยข้อมูลและความสามารถจากภายนอก
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้เราจะพยายามให้ความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้