wehub-resource-sync
279 lines
22 KiB
Markdown
279 lines
22 KiB
Markdown
# 🚀 โมดูล 1: พื้นฐาน Microsoft Foundry Toolkit
|
|
|
|
[]()
|
|
[]()
|
|
[]()
|
|
|
|
## 📋 วัตถุประสงค์การเรียนรู้
|
|
|
|
เมื่อจบโมดูลนี้ คุณจะสามารถ:
|
|
- ✅ ติดตั้งและกำหนดค่า Microsoft Foundry Toolkit Extension สำหรับ VS Code
|
|
- ✅ นำทางใน Model Catalog และเข้าใจแหล่งที่มาของโมเดลต่าง ๆ
|
|
- ✅ ใช้ Playground สำหรับการทดสอบและทดลองโมเดล
|
|
- ✅ สร้างเอเจนต์ AI แบบกำหนดเองโดยใช้ Agent Builder
|
|
- ✅ เปรียบเทียบประสิทธิภาพของโมเดลจากผู้ให้บริการต่าง ๆ
|
|
- ✅ ใช้แนวทางปฏิบัติที่ดีที่สุดสำหรับการออกแบบ prompt
|
|
|
|
## 🧠 แนะนำ Microsoft Foundry Toolkit
|
|
|
|
**Microsoft Foundry Toolkit Extension สำหรับ VS Code** คือส่วนขยายหลักของ Microsoft ที่เปลี่ยน VS Code ให้เป็นสภาพแวดล้อมการพัฒนา AI แบบครบวงจร มันเชื่อมช่องว่างระหว่างการวิจัย AI กับการพัฒนาแอปพลิเคชันจริง ทำให้ AI สร้างสรรค์เป็นสิ่งที่นักพัฒนาทุกระดับความสามารถสามารถเข้าถึงได้
|
|
|
|
### 🌟 ความสามารถหลัก
|
|
|
|
| ฟีเจอร์ | คำอธิบาย | กรณีการใช้งาน |
|
|
|---------|-------------|----------|
|
|
| **🗂️ Model Catalog** | เข้าถึงโมเดลกว่า 100 รายการจาก GitHub, ONNX, OpenAI, Anthropic, Google | ค้นหาและเลือกโมเดล |
|
|
| **🔌 BYOM Support** | รวมโมเดลของคุณเอง (แบบโลคัล/ระยะไกล) | ปรับใช้โมเดลแบบกำหนดเอง |
|
|
| **🎮 Interactive Playground** | ทดสอบโมเดลแบบเรียลไทม์ผ่านแชทอินเทอร์เฟซ | สร้างต้นแบบและทดสอบอย่างรวดเร็ว |
|
|
| **📎 Multi-Modal Support** | รองรับข้อความ, ภาพ, และไฟล์แนบ | แอปพลิเคชัน AI ที่ซับซ้อน |
|
|
| **⚡ Batch Processing** | รันหลาย prompt พร้อมกัน | เวิร์กโฟลว์ทดสอบที่มีประสิทธิภาพ |
|
|
| **📊 Model Evaluation** | เมตริกในตัว (F1, ความเกี่ยวข้อง, ความคล้ายคลึง, ความสมเหตุสมผล) | ประเมินประสิทธิภาพ |
|
|
|
|
### 🎯 ทำไม Microsoft Foundry Toolkit ถึงสำคัญ
|
|
|
|
- **🚀 เร่งการพัฒนา**: จากไอเดียสู่ต้นแบบในไม่กี่นาที
|
|
- **🔄 เวิร์กโฟลว์แบบรวมศูนย์**: อินเทอร์เฟซเดียวสำหรับผู้ให้บริการ AI หลายราย
|
|
- **🧪 ทดลองง่าย**: เปรียบเทียบโมเดลโดยไม่ต้องตั้งค่าซับซ้อน
|
|
- **📈 พร้อมสำหรับการใช้งานจริง**: ย้ายจากต้นแบบสู่การใช้งานจริงอย่างราบรื่น
|
|
|
|
## 🛠️ เงื่อนไขเบื้องต้น & การตั้งค่า
|
|
|
|
### 📦 ติดตั้ง Microsoft Foundry Toolkit Extension
|
|
|
|
**ขั้นตอนที่ 1: เข้า Marketplace ของส่วนขยาย**
|
|
1. เปิด Visual Studio Code
|
|
2. ไปที่มุมมอง Extensions (`Ctrl+Shift+X` หรือ `Cmd+Shift+X`)
|
|
3. ค้นหา "Microsoft Foundry Toolkit"
|
|
|
|
**ขั้นตอนที่ 2: เลือกเวอร์ชันของคุณ**
|
|
- **🟢 Release**: แนะนำสำหรับใช้งานจริง
|
|
- **🔶 Pre-release**: เข้าถึงฟีเจอร์ใหม่ก่อนใคร
|
|
|
|
**ขั้นตอนที่ 3: ติดตั้งและเปิดใช้งาน**
|
|
|
|
|
|
|
|
### ✅ เช็คลิสต์การยืนยัน
|
|
- [ ] ไอคอน Microsoft Foundry Toolkit ปรากฏในแถบด้านข้างของ VS Code
|
|
- [ ] ส่วนขยายถูกเปิดใช้งานและทำงานแล้ว
|
|
- [ ] ไม่มีข้อผิดพลาดในการติดตั้งในแผงผลลัพธ์
|
|
|
|
## 🧪 การฝึกปฏิบัติที่ 1: สำรวจโมเดล GitHub
|
|
|
|
**🎯 วัตถุประสงค์**: คุ้นเคยกับ Model Catalog และทดสอบโมเดล AI ตัวแรกของคุณ
|
|
|
|
### 📊 ขั้นตอนที่ 1: นำทางใน Model Catalog
|
|
|
|
Model Catalog คือประตูสู่ระบบนิเวศ AI ของคุณ มันรวบรวมโมเดลจากผู้ให้บริการหลายราย ทำให้ง่ายต่อการค้นหาและเปรียบเทียบตัวเลือก
|
|
|
|
**🔍 คู่มือนำทาง:**
|
|
|
|
คลิกที่ **MODELS - Catalog** ในแถบด้านข้างของ Microsoft Foundry Toolkit
|
|
|
|
|
|
|
|
**💡 เคล็ดลับ**: มองหาโมเดลที่มีความสามารถเฉพาะซึ่งสอดคล้องกับกรณีการใช้งานของคุณ (เช่น การสร้างโค้ด, การเขียนเชิงสร้างสรรค์, การวิเคราะห์)
|
|
|
|
**⚠️ หมายเหตุ**: โมเดลที่โฮสต์บน GitHub (GitHub Models) ใช้งานได้ฟรีแต่มีข้อจำกัดเรื่องอัตราการร้องขอและโทเค็น หากคุณต้องการเข้าถึงโมเดลที่ไม่ใช่ GitHub (เช่น โมเดลภายนอกจาก Azure AI หรือจุดสิ้นสุดอื่น ๆ) คุณต้องเตรียมคีย์ API หรือการยืนยันตัวตนที่เหมาะสม
|
|
|
|
### 🚀 ขั้นตอนที่ 2: เพิ่มและกำหนดค่าโมเดลตัวแรกของคุณ
|
|
|
|
**กลยุทธ์การเลือกโมเดล:**
|
|
- **GPT-4.1**: ดีที่สุดสำหรับการวิเคราะห์และการให้เหตุผลที่ซับซ้อน
|
|
- **Phi-4-mini**: น้ำหนักเบา ตอบสนองรวดเร็วสำหรับงานง่าย ๆ
|
|
|
|
**🔧 ขั้นตอนการกำหนดค่า:**
|
|
1. เลือก **OpenAI GPT-4.1** จากแค็ตตาล็อก
|
|
2. คลิก **Add to My Models** – เพื่อบันทึกโมเดลสำหรับใช้งาน
|
|
3. เลือก **Try in Playground** เพื่อเปิดสภาพแวดล้อมทดสอบ
|
|
4. รอการเริ่มต้นโมเดล (ครั้งแรกอาจใช้เวลาสักครู่)
|
|
|
|
|
|
|
|
**⚙️ ทำความเข้าใจพารามิเตอร์โมเดล:**
|
|
- **Temperature**: ควบคุมความสร้างสรรค์ (0 = กำหนดแน่นอน, 1 = สร้างสรรค์)
|
|
- **Max Tokens**: ความยาวตอบกลับสูงสุด
|
|
- **Top-p**: การสุ่มแบบนิวเคลียสเพื่อความหลากหลายในการตอบกลับ
|
|
|
|
### 🎯 ขั้นตอนที่ 3: ควบคุมอินเทอร์เฟซ Playground
|
|
|
|
Playground คือห้องทดลองทดลอง AI ของคุณ นี่คือวิธีใช้ประโยชน์สูงสุด:
|
|
|
|
**🎨 แนวปฏิบัติที่ดีที่สุดสำหรับการออกแบบ prompt:**
|
|
1. **ระบุให้ชัดเจน**: คำสั่งที่ชัดเจนและละเอียดให้ผลลัพธ์ที่ดีกว่า
|
|
2. **ให้บริบท**: รวมข้อมูลเบื้องหลังที่เกี่ยวข้อง
|
|
3. **ใช้ตัวอย่าง**: แสดงตัวอย่างให้โมเดลเข้าใจสิ่งที่คุณต้องการ
|
|
4. **ปรับปรุง**: ปรับแต่ง prompt ตามผลลัพธ์ที่ได้รับ
|
|
|
|
**🧪 สถานการณ์ทดสอบ:**
|
|
```markdown
|
|
# 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."
|
|
```
|
|
|
|
|
|
|
|
### 🏆 การฝึกท้าทาย: เปรียบเทียบประสิทธิภาพโมเดล
|
|
|
|
**🎯 เป้าหมาย**: เปรียบเทียบโมเดลต่าง ๆ โดยใช้ prompt เดียวกันเพื่อเข้าใจจุดแข็งของแต่ละโมเดล
|
|
|
|
**📋 คำแนะนำ:**
|
|
1. เพิ่ม **Phi-4-mini** ลงในพื้นที่ทำงานของคุณ
|
|
2. ใช้ prompt เดียวกันกับ GPT-4.1 และ Phi-4-mini
|
|
|
|
|
|
|
|
3. เปรียบเทียบคุณภาพ ความเร็ว และความแม่นยำของคำตอบ
|
|
4. จดบันทึกผลการเปรียบเทียบในส่วนผลลัพธ์
|
|
|
|
|
|
|
|
**💡 ข้อค้นพบสำคัญที่ควรรู้:**
|
|
- เวลาใช้งาน LLM กับ SLM
|
|
- การแลกเปลี่ยนระหว่างต้นทุนและประสิทธิภาพ
|
|
- ความสามารถเฉพาะตัวของโมเดลแต่ละรุ่น
|
|
|
|
## 🤖 การฝึกปฏิบัติที่ 2: สร้างเอเจนต์แบบกำหนดเองด้วย Agent Builder
|
|
|
|
**🎯 วัตถุประสงค์**: สร้างเอเจนต์ AI เฉพาะทางที่เหมาะกับงานและเวิร์กโฟลว์เฉพาะ
|
|
|
|
### 🏗️ ขั้นตอนที่ 1: ทำความเข้าใจ Agent Builder
|
|
|
|
Agent Builder คือที่ที่ Microsoft Foundry Toolkit โดดเด่น มันช่วยให้คุณสร้างผู้ช่วย AI ที่ออกแบบมาเฉพาะ โดยรวมพลังของโมเดลภาษาขนาดใหญ่กับคำสั่งเฉพาะ พารามิเตอร์เฉพาะ และความรู้ที่เจาะจง
|
|
|
|
**🧠 ส่วนประกอบสถาปัตยกรรมของเอเจนต์:**
|
|
- **โมเดลหลัก**: LLM พื้นฐาน (GPT-4, Groks, Phi ฯลฯ)
|
|
- **System Prompt**: กำหนดบุคลิกภาพและพฤติกรรมของเอเจนต์
|
|
- **พารามิเตอร์**: การตั้งค่าปรับแต่งสำหรับประสิทธิภาพสูงสุด
|
|
- **การเชื่อมต่อเครื่องมือ**: รวมกับ API ภายนอกและบริการ MCP
|
|
- **หน่วยความจำ**: เก็บบริบทการสนทนาและความต่อเนื่องของเซสชัน
|
|
|
|
|
|
|
|
### ⚙️ ขั้นตอนที่ 2: เจาะลึกการกำหนดค่าเอเจนต์
|
|
|
|
**🎨 การสร้าง System Prompt ที่มีประสิทธิภาพ:**
|
|
```markdown
|
|
# 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 interactions
|
|
```
|
|
|
|
*แน่นอนว่าคุณยังสามารถใช้ Generate System Prompt เพื่อให้ AI ช่วยสร้างและเพิ่มประสิทธิภาพ prompt ได้*
|
|
|
|
**🔧 การปรับพารามิเตอร์ให้เหมาะสม:**
|
|
| พารามิเตอร์ | ช่วงที่แนะนำ | กรณีใช้งาน |
|
|
|-----------|------------------|----------|
|
|
| **Temperature** | 0.1-0.3 | คำตอบเชิงเทคนิค/ข้อเท็จจริง |
|
|
| **Temperature** | 0.7-0.9 | งานสร้างสรรค์/ระดมสมอง |
|
|
| **Max Tokens** | 500-1000 | คำตอบที่กระชับ |
|
|
| **Max Tokens** | 2000-4000 | คำอธิบายละเอียด |
|
|
|
|
### 🐍 ขั้นตอนที่ 3: การฝึกปฏิบัติจริง - เอเจนต์โปรแกรมมิ่ง Python
|
|
|
|
**🎯 ภารกิจ**: สร้างผู้ช่วยเขียนโค้ด Python เฉพาะทาง
|
|
|
|
**📋 ขั้นตอนการกำหนดค่า:**
|
|
|
|
1. **เลือกโมเดล**: เลือก **Claude 3.5 Sonnet** (ดีเยี่ยมสำหรับโค้ด)
|
|
|
|
2. **ออกแบบ System Prompt**:
|
|
```markdown
|
|
# 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
|
|
```
|
|
|
|
3. **การกำหนดค่าพารามิเตอร์**:
|
|
- Temperature: 0.2 (สำหรับโค้ดที่สม่ำเสมอและน่าเชื่อถือ)
|
|
- Max Tokens: 2000 (คำอธิบายละเอียด)
|
|
- Top-p: 0.9 (สมดุลความสร้างสรรค์)
|
|
|
|
|
|
|
|
### 🧪 ขั้นตอนที่ 4: ทดสอบเอเจนต์ Python ของคุณ
|
|
|
|
**สถานการณ์ทดสอบ:**
|
|
1. **ฟังก์ชันพื้นฐาน**: "สร้างฟังก์ชันเพื่อค้นหาจำนวนนิพจน์"
|
|
2. **อัลกอริทึมซับซ้อน**: "สร้างต้นไม้ค้นหาแบบไบนารี พร้อมเมธอด insert, delete และ search"
|
|
3. **ปัญหาในโลกจริง**: "สร้างเว็บสแครปเปอร์ที่จัดการข้อจำกัดอัตราการเรียกและการลองใหม่"
|
|
4. **ดีบัก**: "แก้ไขโค้ดนี้ [วางโค้ดที่มีข้อผิดพลาด]"
|
|
|
|
**🏆 เกณฑ์ความสำเร็จ:**
|
|
- ✅ โค้ดทำงานโดยไม่มีข้อผิดพลาด
|
|
- ✅ มีเอกสารประกอบอย่างเหมาะสม
|
|
- ✅ ปฏิบัติตามแนวทางปฏิบัติที่ดีของ Python
|
|
- ✅ ให้คำอธิบายที่ชัดเจน
|
|
- ✅ แนะนำการปรับปรุง
|
|
|
|
## 🎓 สรุปโมดูล 1 & ขั้นตอนต่อไป
|
|
|
|
### 📊 ตรวจสอบความรู้
|
|
|
|
ทดสอบความเข้าใจของคุณ:
|
|
- [ ] คุณอธิบายความแตกต่างระหว่างโมเดลในแค็ตตาล็อกได้หรือไม่?
|
|
- [ ] คุณสร้างและทดสอบเอเจนต์แบบกำหนดเองสำเร็จหรือไม่?
|
|
- [ ] คุณเข้าใจวิธีปรับพารามิเตอร์ให้เหมาะสมกับกรณีใช้งานต่าง ๆ หรือไม่?
|
|
- [ ] คุณสามารถออกแบบ system prompt ที่มีประสิทธิภาพได้หรือไม่?
|
|
|
|
### 📚 แหล่งข้อมูลเพิ่มเติม
|
|
|
|
- **เอกสาร Microsoft Foundry Toolkit**: [Official Microsoft Docs](https://github.com/microsoft/vscode-ai-toolkit)
|
|
- **คู่มือการออกแบบ Prompt**: [Best Practices](https://platform.openai.com/docs/guides/prompt-engineering)
|
|
- **โมเดลใน Microsoft Foundry Toolkit**: [Models in Develpment](https://github.com/microsoft/vscode-ai-toolkit/blob/main/doc/models.md)
|
|
|
|
**🎉 ยินดีด้วย!** คุณได้เรียนรู้พื้นฐานของ Microsoft Foundry Toolkit อย่างชำนาญและพร้อมที่จะสร้างแอปพลิเคชัน AI ที่ซับซ้อนมากขึ้น!
|
|
|
|
### 🔜 ไปต่อที่โมดูลถัดไป
|
|
|
|
พร้อมสำหรับความสามารถขั้นสูงหรือยัง? ไปต่อที่ **[โมดูล 2: MCP กับพื้นฐาน Microsoft Foundry Toolkit](../lab2/README.md)** ที่คุณจะได้เรียนรู้วิธี:
|
|
- เชื่อมต่อเอเจนต์ของคุณกับเครื่องมือภายนอกผ่าน Model Context Protocol (MCP)
|
|
- สร้างเอเจนต์อัตโนมัติบนบราวเซอร์ด้วย Playwright
|
|
- รวม MCP server กับเอเจนต์ Microsoft Foundry Toolkit ของคุณ
|
|
- เพิ่มพลังให้เอเจนต์ของคุณด้วยข้อมูลและความสามารถภายนอก
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**ปฏิเสธความรับผิดชอบ**:
|
|
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |