เมื่อจบโมดูลนี้ คุณจะสามารถ:
- ✅ ติดตั้งและตั้งค่า AI Toolkit สำหรับ Visual Studio Code
- ✅ สำรวจ Model Catalog และเข้าใจแหล่งที่มาของโมเดลต่างๆ
- ✅ ใช้ Playground เพื่อทดสอบและทดลองโมเดล
- ✅ สร้าง AI agents แบบกำหนดเองด้วย Agent Builder
- ✅ เปรียบเทียบประสิทธิภาพของโมเดลจากผู้ให้บริการต่างๆ
- ✅ นำแนวปฏิบัติที่ดีที่สุดสำหรับการออกแบบ prompt มาใช้
AI Toolkit สำหรับ Visual Studio Code คือส่วนขยายหลักของ Microsoft ที่เปลี่ยน VS Code ให้เป็นสภาพแวดล้อมพัฒนา AI ครบวงจร เชื่อมโยงงานวิจัย AI กับการพัฒนาแอปพลิเคชันจริง ทำให้ AI สร้างสรรค์เข้าถึงได้ง่ายสำหรับนักพัฒนาทุกระดับ
| ฟีเจอร์ | คำอธิบาย | กรณีใช้งาน |
|---|---|---|
| 🗂️ Model Catalog | เข้าถึงโมเดลกว่า 100 โมเดลจาก GitHub, ONNX, OpenAI, Anthropic, Google | ค้นหาและเลือกโมเดล |
| 🔌 BYOM Support | รวมโมเดลของคุณเอง (ในเครื่อง/ระยะไกล) | นำโมเดลเฉพาะไปใช้งาน |
| 🎮 Interactive Playground | ทดสอบโมเดลแบบเรียลไทม์ผ่านแชท | สร้างต้นแบบและทดสอบอย่างรวดเร็ว |
| 📎 Multi-Modal Support | รองรับข้อความ, รูปภาพ และไฟล์แนบ | แอป AI ที่ซับซ้อน |
| ⚡ Batch Processing | รันหลาย prompt พร้อมกัน | เพิ่มประสิทธิภาพการทดสอบ |
| 📊 Model Evaluation | มีเมตริกในตัว (F1, ความเกี่ยวข้อง, ความคล้ายคลึง, ความสอดคล้อง) | ประเมินผลการทำงาน |
- 🚀 เร่งการพัฒนา: จากไอเดียสู่ต้นแบบในไม่กี่นาที
- 🔄 เวิร์กโฟลว์รวมศูนย์: อินเทอร์เฟซเดียวสำหรับผู้ให้บริการ AI หลายราย
- 🧪 ทดลองง่าย: เปรียบเทียบโมเดลโดยไม่ต้องตั้งค่าซับซ้อน
- 📈 พร้อมใช้งานจริง: เปลี่ยนจากต้นแบบสู่การใช้งานได้อย่างราบรื่น
ขั้นตอนที่ 1: เข้า Marketplace ของ Extensions
- เปิด Visual Studio Code
- ไปที่มุมมอง Extensions (
Ctrl+Shift+XหรือCmd+Shift+X) - ค้นหา "AI Toolkit"
ขั้นตอนที่ 2: เลือกเวอร์ชันของคุณ
- 🟢 Release: แนะนำสำหรับการใช้งานจริง
- 🔶 Pre-release: เข้าถึงฟีเจอร์ใหม่ก่อนใคร
ขั้นตอนที่ 3: ติดตั้งและเปิดใช้งาน
- ไอคอน AI Toolkit ปรากฏในแถบด้านข้างของ VS Code
- ส่วนขยายถูกเปิดใช้งานและทำงานแล้ว
- ไม่มีข้อผิดพลาดในการติดตั้งในแผงผลลัพธ์
🎯 เป้าหมาย: เชี่ยวชาญ Model Catalog และทดสอบโมเดล AI ตัวแรกของคุณ
Model Catalog คือประตูสู่ระบบนิเวศ AI รวมโมเดลจากผู้ให้บริการหลายราย ช่วยให้ค้นหาและเปรียบเทียบได้ง่าย
🔍 คู่มือการนำทาง:
คลิกที่ MODELS - Catalog ในแถบด้านข้างของ AI Toolkit
💡 เคล็ดลับ: มองหาโมเดลที่มีความสามารถเฉพาะตรงกับการใช้งานของคุณ (เช่น สร้างโค้ด, เขียนเชิงสร้างสรรค์, วิเคราะห์)
กลยุทธ์การเลือกโมเดล:
- GPT-4.1: เหมาะสำหรับการวิเคราะห์และเหตุผลที่ซับซ้อน
- Phi-4-mini: ตอบสนองรวดเร็ว เหมาะกับงานง่ายๆ
🔧 ขั้นตอนการตั้งค่า:
- เลือก OpenAI GPT-4.1 จากแค็ตตาล็อก
- คลิก Add to My Models เพื่อเพิ่มโมเดลสำหรับใช้งาน
- เลือก Try in Playground เพื่อเปิดสภาพแวดล้อมทดสอบ
- รอการเริ่มต้นโมเดล (การตั้งค่าแรกอาจใช้เวลาสักครู่)
⚙️ ทำความเข้าใจพารามิเตอร์ของโมเดล:
- Temperature: ควบคุมความคิดสร้างสรรค์ (0 = ตายตัว, 1 = สร้างสรรค์)
- Max Tokens: ความยาวสูงสุดของคำตอบ
- Top-p: การสุ่มตัวอย่างแบบนิวเคลียสเพื่อความหลากหลายของคำตอบ
Playground คือห้องทดลองสำหรับทดลอง AI นี่คือวิธีใช้ให้เต็มประสิทธิภาพ:
🎨 แนวปฏิบัติที่ดีที่สุดสำหรับการออกแบบ prompt:
- เจาะจง: คำสั่งที่ชัดเจนและละเอียดช่วยให้ได้ผลลัพธ์ดีขึ้น
- ให้บริบท: รวมข้อมูลพื้นฐานที่เกี่ยวข้อง
- ใช้ตัวอย่าง: แสดงให้โมเดลเห็นว่าคุณต้องการอะไรด้วยตัวอย่าง
- ปรับปรุง: แก้ไข prompt ตามผลลัพธ์เบื้องต้น
🧪 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 เดียวกันเพื่อเข้าใจจุดแข็งของแต่ละตัว
📋 คำแนะนำ:
- เพิ่ม Phi-4-mini ลงในพื้นที่ทำงานของคุณ
- ใช้ prompt เดียวกันสำหรับทั้ง GPT-4.1 และ Phi-4-mini
- เปรียบเทียบคุณภาพคำตอบ ความเร็ว และความแม่นยำ
- บันทึกผลลัพธ์ในส่วนผลลัพธ์
💡 ข้อมูลสำคัญที่ควรค้นพบ:
- เมื่อใดควรใช้ LLM กับ SLM
- การแลกเปลี่ยนระหว่างค่าใช้จ่ายกับประสิทธิภาพ
- ความสามารถเฉพาะตัวของโมเดลแต่ละตัว
🎯 เป้าหมาย: สร้าง AI agents เฉพาะทางสำหรับงานและเวิร์กโฟลว์ที่ต้องการ
Agent Builder คือจุดเด่นของ AI Toolkit ช่วยให้คุณสร้างผู้ช่วย AI ที่ออกแบบมาเฉพาะโดยผสมผสานพลังของ LLM กับคำสั่งเฉพาะ พารามิเตอร์ และความรู้เฉพาะทาง
🧠 องค์ประกอบสถาปัตยกรรมของ Agent:
- Core Model: LLM หลัก (GPT-4, Groks, Phi ฯลฯ)
- System Prompt: กำหนดบุคลิกและพฤติกรรมของ agent
- 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 interactionsแน่นอน คุณยังสามารถใช้ Generate System Prompt เพื่อให้ AI ช่วยสร้างและปรับแต่ง prompt ได้
🔧 การปรับแต่งพารามิเตอร์:
| พารามิเตอร์ | ช่วงที่แนะนำ | กรณีใช้งาน |
|---|---|---|
| Temperature | 0.1-0.3 | ตอบกลับเชิงเทคนิค/ข้อเท็จจริง |
| Temperature | 0.7-0.9 | งานสร้างสรรค์/ระดมไอเดีย |
| Max Tokens | 500-1000 | คำตอบกระชับ |
| Max Tokens | 2000-4000 | คำอธิบายละเอียด |
🎯 ภารกิจ: สร้างผู้ช่วยโค้ด 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 (สำหรับโค้ดที่สม่ำเสมอและเชื่อถือได้)
- Max Tokens: 2000 (คำอธิบายละเอียด)
- Top-p: 0.9 (ความคิดสร้างสรรค์สมดุล)
สถานการณ์ทดสอบ:
- ฟังก์ชันพื้นฐาน: "สร้างฟังก์ชันค้นหาจำนวนเฉพาะ"
- อัลกอริทึมซับซ้อน: "สร้าง binary search tree พร้อมฟังก์ชัน insert, delete, และ search"
- ปัญหาในโลกจริง: "สร้างเว็บสแครปเปอร์ที่จัดการกับการจำกัดอัตราการร้องขอและการลองใหม่"
- แก้บั๊ก: "แก้ไขโค้ดนี้ [วางโค้ดที่มีบั๊ก]"
🏆 เกณฑ์ความสำเร็จ:
- ✅ โค้ดทำงานไม่มีข้อผิดพลาด
- ✅ มีเอกสารประกอบอย่างเหมาะสม
- ✅ ปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดของ Python
- ✅ ให้คำอธิบายที่ชัดเจน
- ✅ เสนอแนะการปรับปรุง
ทดสอบความเข้าใจของคุณ:
- อธิบายความแตกต่างระหว่างโมเดลในแค็ตตาล็อกได้หรือไม่?
- สร้างและทดสอบ agent แบบกำหนดเองสำเร็จหรือไม่?
- เข้าใจวิธีปรับแต่งพารามิเตอร์สำหรับกรณีใช้งานต่างๆ หรือไม่?
- ออกแบบ system prompt ที่มีประสิทธิภาพได้หรือไม่?
- AI Toolkit Documentation: Official Microsoft Docs
- Prompt Engineering Guide: Best Practices
- Models in AI Toolkit: Models in Develpment
🎉 ยินดีด้วย! คุณได้เชี่ยวชาญพื้นฐานของ AI Toolkit และพร้อมที่จะสร้างแอป AI ขั้นสูงมากขึ้นแล้ว!
พร้อมสำหรับความสามารถขั้นสูงขึ้นหรือยัง? ไปที่ Module 2: MCP with AI Toolkit Fundamentals เพื่อเรียนรู้วิธี:
- เชื่อมต่อ agents กับเครื่องมือภายนอกด้วย Model Context Protocol (MCP)
- สร้าง agents อัตโนมัติบนเบราว์เซอร์ด้วย Playwright
- รวม MCP servers กับ AI Toolkit agents ของคุณ
- เพิ่มพลังให้ agents ด้วยข้อมูลและความสามารถภายนอก
ข้อจำกัดความรับผิดชอบ:
เอกสารฉบับนี้ได้รับการแปลโดยใช้บริการแปลภาษาด้วย AI Co-op Translator แม้เราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่มีความสำคัญ ควรใช้การแปลโดยผู้เชี่ยวชาญด้านภาษามนุษย์ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้