AI Agent vs Chatbot ต่างกันยังไง — เข้าใจใน 5 นาที

ถ้าคุณเคยได้ยินคำว่า "AI Agent" และ "Chatbot" แล้วงงว่ามันต่างกันยังไง — คุณไม่ได้คนเดียว

ปี 2026 คำสองคำนี้ถูกใช้สลับกันไปมาจนคนทั่วไปสับสน บางคนเรียก ChatGPT ว่า "Agent" บางคนเรียก AI ที่ทำงานอัตโนมัติว่า "Chatbot" ทั้งที่จริงๆ แล้วมันคนละเรื่องกันโดยสิ้นเชิง และความเข้าใจผิดนี้อาจทำให้คุณเลือกใช้เครื่องมือผิดประเภทสำหรับงานที่ทำอยู่

บทความนี้จะอธิบายให้ชัดภายใน 5 นาที ว่า agent vs chatbot ต่างกันอย่างไร ใช้เมื่อไหร่ และทำไม Trend ปี 2026 ถึงกำลังเปลี่ยนไปทาง Agent — พร้อม framework ง่ายๆ ในการเลือกใช้ให้ถูกต้อง

---

1. ทำไมคนถึงพูดสลับกัน?

ปัญหาเริ่มจากการที่ทั้งสองอย่างมี "หน้าตา" คล้ายกัน — คุณพิมพ์ข้อความ มัน reply กลับมา

แต่นั่นเหมือนบอกว่า "แท็กซี่กับรถบัสต่างกันยังไง ก็ทั้งคู่มีสี่ล้อเหมือนกัน" — มันไม่ผิด แต่มันพลาดประเด็นสำคัญทั้งหมด

ความสับสนโตขึ้นเพราะ:

• บริษัทเทคโนโลยีใช้คำว่า "Agent" เป็น marketing term โดยไม่สนว่ามันทำงานจริงๆ แบบ Agent หรือเปล่า
• LLM ที่ฉลาดขึ้น ทำให้ Chatbot ธรรมดาตอบได้ดีจนดูเหมือน Agent
• คนส่วนใหญ่ไม่รู้ว่า "Agent" มี Technical Definition ที่ชัดเจนในวงการ AI

ก่อนจะอธิบาย ลองนึกถึง analogy นี้:

Chatbot เหมือนคนที่รู้จักร้านอาหารเยอะมาก — ถามว่ากินอะไรดี เขาตอบได้ทุกคำถาม แต่เขาไม่ได้ไปสั่งอาหารมาให้คุณ

AI Agent เหมือนผู้ช่วยส่วนตัวที่รู้จักร้านอาหาร — คุณบอกว่า "배고파" แล้วเขาโทรสั่ง จ่ายเงิน และรับอาหารมาให้ โดยไม่ต้องถามคุณทุก step

ความต่างไม่ใช่แค่ "ฉลาดกว่า" แต่คือ วิธีที่มันมีปฏิสัมพันธ์กับโลกรอบข้าง

---

2. Chatbot คืออะไร?

Chatbot คือระบบที่ออกแบบมาเพื่อ โต้ตอบกับมนุษย์ผ่านการสนทนา โดยมีวงจรชีวิตแบบ Request → Response

ลองนึกถึง พนักงาน FAQ ที่จำคำตอบได้เยอะมาก — ถามอะไรที่อยู่ใน script ได้ แต่ถ้าออกนอก script ก็ตอบไม่ได้ หรือตอบได้แค่ "กรุณาติดต่อเจ้าหน้าที่"

Chatbot มีอยู่ด้วยกัน 3 รุ่นหลัก:

Rule-based Chatbot (รุ่นเก่าสุด)

ทำงานด้วย if-else และ keyword matching

ถ้าผู้ใช้พิมพ์ "สวัสดี" → ตอบ "สวัสดีครับ มีอะไรให้ช่วยไหม?"
ถ้าผู้ใช้พิมพ์ "ราคา" → ตอบ "ดูราคาได้ที่ /pricing"
ถ้าไม่ตรงกับ pattern → ตอบ "ขอโทษ ไม่เข้าใจคำถาม"

เห็นในช่องแชทของเว็บไซต์ธนาคารหรือ e-commerce ยุคเก่า

Pattern-matching / NLP Chatbot (รุ่นกลาง)

ใช้ Machine Learning จำแนก Intent ของผู้ใช้

"อยากรู้ราคา" / "ค่าใช้จ่ายเท่าไหร่" / "ซื้อได้เท่าไหร่"
→ Intent: PRICE_INQUIRY → ส่งคำตอบที่ตั้งไว้

ฉลาดกว่า แต่ยังทำงานแบบ lookup table อยู่

Simple LLM Chatbot (รุ่นปัจจุบัน)

ใช้ Large Language Model (GPT, Claude, Gemini) เป็น backend แต่ยังคงทำงานแบบ turn-by-turn conversation — รับ input, ให้ output, จบ

ChatGPT แบบธรรมดาที่คุณคุยทุกวันคือตัวอย่างของรุ่นนี้

ข้อจำกัดหลักของ Chatbot ทุกรุ่น:

• ตอบคำถามได้ แต่ไม่ลงมือทำแทนได้
• ไม่มี Memory ระยะยาวข้ามการสนทนา (ถ้าไม่ได้ implement เพิ่ม)
• ไม่ใช้ Tools ภายนอก
• ไม่วางแผนหลายขั้นตอน
• ถ้า task มีหลาย step ผู้ใช้ต้องเป็น "orchestrator" เอง

Chatbot เก่งที่สุดเมื่อ: มีคำถามที่ชัดเจน คำตอบที่ predictable และต้องการ response เร็ว

---

3. AI Agent คืออะไร?

AI Agent คือระบบ AI ที่ รับ Goal แล้วลงมือทำเองเพื่อบรรลุเป้าหมาย — โดยไม่ต้องรอให้มนุษย์ชี้ทุกขั้นตอน

ลองนึกถึง ผู้ช่วยที่มีความสามารถและมีอำนาจตัดสินใจ — คุณบอกว่า "จัดการ trip ให้ด้วย" แล้วเขาไปค้นหาเที่ยวบิน จองโรงแรม เช็คสภาพอากาศ แล้วส่ง itinerary มาให้คุณ โดยไม่ต้องถามทุกขั้นตอน

Agent ทำงานด้วย OODA Loop (Observe → Orient → Decide → Act):

[Goal จากผู้ใช้]
      ↓
[Observe: รับรู้สถานการณ์ปัจจุบัน]
      ↓
[Plan: วางแผนว่าต้องทำอะไรบ้าง]
      ↓
[Act: ใช้ Tools ลงมือทำ]
      ↓
[Observe: ดูผลลัพธ์]
      ↓
[ปรับแผนหรือทำต่อ → วนซ้ำจนเสร็จ]

นี่คือเหตุผลที่ Agent ถูกเรียกว่า "Agentic" — มันมี Agency หรือความสามารถในการตัดสินใจและกระทำเพื่อบรรลุเป้าหมาย ไม่ใช่แค่รอรับคำสั่ง

สำหรับคนที่อยากเข้าใจ Agentic AI ในเชิงกว้างขึ้น บทความ Agentic AI 2026 คืออะไร อธิบาย ecosystem ทั้งหมดไว้ละเอียดมาก

4 ส่วนสำคัญที่ทำให้ Agent ต่างจาก Chatbot

1. Reasoning & Planning Agent ไม่แค่ตอบ — มันคิดว่า "ต้องทำอะไรก่อนหลัง" แล้วแบ่งงานใหญ่เป็นงานย่อย เช่น ถ้าได้รับ goal ว่า "วิจัยคู่แข่ง 5 ราย" มันจะวางแผนขั้นตอนทั้งหมดก่อนเริ่มทำ

2. Tool Use Agent เรียก API ภายนอก ค้นหาเว็บ รันโค้ด อ่านเขียนไฟล์ ส่งอีเมล — ทำได้จริง ไม่ใช่แค่บอกว่าต้องทำ

ตัวอย่าง Tool ที่ Agent ใช้บ่อย:

• search_web(query) — ค้นหาข้อมูล real-time
• execute_code(code) — รันโปรแกรม
• send_email(to, subject, body) — ส่งอีเมล
• read_database(query) — query ข้อมูล
• create_file(path, content) — สร้างไฟล์

3. Memory Agent จำข้อมูลข้ามการสนทนาได้ ทั้ง Short-term (context window) และ Long-term (vector database หรือ storage ภายนอก) ซึ่งทำให้มันเรียนรู้จาก feedback และปรับปรุงตัวเองได้

4. Autonomy Agent ตัดสินใจได้เองในขั้นตอนย่อย ไม่ต้องขอ approval ทุก step (แต่ขอบเขตกำหนดได้โดยผู้สร้าง) ระดับ autonomy นี้เองที่ทำให้ Agent มี ศักยภาพสูงมาก แต่ก็ต้องออกแบบอย่างระมัดระวัง

---

4. ตารางเปรียบเทียบ Agent vs Chatbot

Feature	Chatbot	AI Agent
วัตถุประสงค์หลัก	ตอบคำถาม / สนทนา	บรรลุ Goal / ทำงานแทน
วงจรการทำงาน	Request → Response (1 รอบ)	Goal → Plan → Act → Observe (วนซ้ำ)
Tool Use	ไม่มี (หรือน้อยมาก)	ใช้ Tools หลายตัวพร้อมกัน
Memory	ใน session เดียว	ข้ามหลาย session ได้
การตัดสินใจ	ตาม script/model	ตัดสินใจอิสระตาม Goal
Autonomy	ต่ำ — รอคำสั่งทุก step	สูง — จัดการขั้นตอนย่อยเอง
Error Handling	ตอบว่าทำไม่ได้	ลองวิธีอื่น / retry อัตโนมัติ
ความซับซ้อน	ต่ำ–ปานกลาง	สูง
ค่าใช้จ่าย	ถูกกว่า	แพงกว่า (token + API calls)
ตัวอย่าง	ChatGPT แบบคุยธรรมดา	Claude Agents, AutoGPT, Devin

---

5. ตัวอย่างจริง: Chatbot แบบเก่า vs Agent แบบใหม่

สถานการณ์: "วิเคราะห์ยอดขายเดือนนี้และสรุปให้ฉัน"

Chatbot แบบเก่าจะตอบว่า:

"คุณต้องการวิเคราะห์ยอดขายใช่ไหมครับ? กรุณาส่งข้อมูลมาให้ผมวิเคราะห์ได้เลย"

แค่นั้น — มันรอ คุณต้องทำทุกอย่างเอง

AI Agent จะทำแบบนี้:

Step 1: เชื่อมต่อ Google Sheets API → ดึงข้อมูลยอดขายเดือนนี้
Step 2: รัน Python code วิเคราะห์ตัวเลข
Step 3: เปรียบเทียบกับเดือนก่อน (ดึงข้อมูลเพิ่ม)
Step 4: สร้าง summary + highlight จุดที่น่าสนใจ
Step 5: Draft รายงาน PDF และส่งอีเมลให้ทีม
→ ส่งผลลัพธ์ให้คุณ: "เสร็จแล้วครับ ยอดขายเพิ่มขึ้น 23% รายละเอียดในอีเมลแล้ว"

สถานการณ์: "หาผู้สมัครงานที่เหมาะกับตำแหน่ง Data Analyst"

Chatbot: "ลองโพสต์บน LinkedIn และ Jobsdb ได้เลยครับ พิมพ์ JD ที่ต้องการมาแล้วผมช่วยปรับให้"

Agent:

Step 1: อ่าน Job Description ที่คุณมี
Step 2: ค้นหาผู้สมัครใน LinkedIn ตาม criteria
Step 3: กรอง resume ที่ตรงกับ requirements
Step 4: ส่ง outreach message อัตโนมัติ
Step 5: Shortlist ผู้สมัคร 10 คน + สรุปว่าทำไมแต่ละคนถึงเหมาะ

สถานการณ์: "ช่วยเช็คว่า Codebase เรามี security vulnerability ไหม"

Chatbot: "มี vulnerability ทั่วไปที่ควรระวัง เช่น SQL Injection, XSS, CSRF คุณอยากให้ผมอธิบายวิธีป้องกันไหม?"

Agent:

Step 1: อ่านไฟล์ทั้งหมดใน codebase (อัตโนมัติ)
Step 2: รัน static analysis tools (ESLint security rules, semgrep)
Step 3: ตรวจสอบ dependencies ใน package.json กับ CVE database
Step 4: วิเคราะห์ patterns ที่น่าสงสัย
Step 5: สร้าง report พร้อม severity level และ code snippet ที่ต้องแก้
Step 6: เปิด GitHub Issues อัตโนมัติ พร้อม assign ให้ developer ที่เหมาะ

ความต่างชัดมาก — Chatbot บอก คุณว่าต้องทำอะไร, Agent ทำ ให้คุณ

ข้อสังเกตสำคัญ

ไม่ใช่ทุก task ที่ต้องการ Agent — ถ้าคุณอยากรู้ว่า "Python คืออะไร" Chatbot ตอบได้ดีกว่า Agent เพราะเร็วกว่า ถูกกว่า และไม่มี overhead ในการวางแผน

ใช้ Agent สำหรับ: Task ที่มีหลาย step, ต้องการข้อมูลจากหลายแหล่ง, หรือต้องการ "action" ไม่ใช่แค่ "answer"

---

6. เมื่อไหร่ควรใช้ Chatbot vs Agent?

ใช้ Chatbot เมื่อ...

• งาน Q&A ที่มี scope ชัดเจน เช่น FAQ ของธุรกิจ, helpdesk tier 1
• ต้องการ consistency สูง — ต้องการคำตอบเดิมทุกครั้ง ไม่ให้ AI ตัดสินใจเอง
• Budget จำกัด — Chatbot ถูกกว่ามาก ทั้ง infrastructure และ API cost
• Risk tolerance ต่ำ — ไม่อยากให้ AI ทำอะไรผิดพลาดโดยอิสระ
• User ต้องการความเร็ว — ตอบ 1-2 ประโยค ไม่ต้องรอ Agent วางแผน
• ทีม dev ขนาดเล็ก ที่ยังไม่พร้อมดูแล agentic system

ตัวอย่างที่เหมาะ: Customer support bot, FAQ ของแอพ, Educational quiz bot, Onboarding assistant

ใช้ Agent เมื่อ...

• งาน Multi-step ที่ซับซ้อน ที่ต้องตัดสินใจหลายขั้นตอน
• ต้องการ integration กับระบบภายนอก เช่น CRM, database, email, calendar
• งานที่ต้องใช้ข้อมูล real-time เช่น ค้นหาเว็บ, ดึง API
• อยากให้ทำงานแบบ Autonomous โดยไม่ต้องมี human in the loop ทุก step
• งาน Research & Analysis ที่ต้องรวบรวมข้อมูลจากหลายแหล่ง
• งานที่ทำซ้ำๆ แต่ซับซ้อนเกินกว่า rule-based เช่น ตรวจสอบ contract, สรุปรายงาน

ตัวอย่างที่เหมาะ: AI Sales agent, Code review agent, Data analysis pipeline, Research assistant

Decision Framework: เลือกแบบไหนดี?

Task ที่คุณต้องการทำ
        ↓
ต้องเข้าถึงระบบภายนอก / ข้อมูล real-time ไหม?
   ↙ ไม่          ↘ ใช่
Chatbot          ↓
              มีหลายขั้นตอนที่ต้องตัดสินใจไหม?
                 ↙ ไม่          ↘ ใช่
              Chatbot + Tools  AI Agent

ถ้าคุณยังไม่แน่ใจ เริ่มจาก Chatbot ก่อน แล้วค่อย migrate ไป Agent เมื่อเห็น pain point ชัดขึ้น — การ overengineer ตั้งแต่แรกไม่ใช่ความคิดที่ดีเสมอไป

สำหรับคนที่อยากเรียนรู้เรื่อง AI ในบรรยากาศ community มีคอร์สและ workshop ที่ เชียงใหม่ ด้วย

---

7. Tools และ Framework สำหรับสร้างแต่ละแบบ

สร้าง Chatbot

Tool/Framework	เหมาะกับ
Dialogflow (Google)	Enterprise chatbot, อินเทกรับง่าย
Botpress	Open-source, customizable มาก
Rasa	Self-hosted, privacy-sensitive use cases
Voiceflow	No-code chatbot builder
OpenAI Assistants API	Simple LLM chatbot พร้อม basic memory

สร้าง AI Agent

Tool/Framework	เหมาะกับ
Claude Agent SDK	Production-grade agents, tool use
LangChain / LangGraph	Python agents ที่ยืดหยุ่นสูง
Multi-Agent Systems	งานที่ต้องใช้หลาย agent ทำงานร่วมกัน
AutoGen (Microsoft)	Conversational multi-agent
CrewAI	Role-based agent teams
n8n + AI nodes	Low-code agentic automation

ถ้าอยากเรียนสร้าง Agent ตั้งแต่พื้นฐานจนถึง production อ่านต่อที่ คู่มือสร้าง AI Agent สำหรับคนไทย 2026

สำหรับคนที่ต้องการ Tutorial แบบ hands-on เขียน code จริง บทความ Claude Agent SDK — Tutorial ภาษาไทย จะพาคุณสร้าง Agent ตั้งแต่บรรทัดแรกจนถึง deployment

---

8. Trend 2026 — Agent กำลังแทนที่ Chatbot?

คำตอบสั้น: ในหลาย use case ใช่ แต่ไม่ใช่ทั้งหมด

สิ่งที่กำลังเกิดขึ้นในปี 2026

1. "Agentic AI" กลายเป็น default ของ product ใหม่

Salesforce ประกาศ Agentforce, Microsoft มี Copilot Agents, Google มี Gemini Agents — ทุกบริษัทใหญ่กำลังย้าย feature จาก chatbot ไปเป็น agent

อ่านเพิ่มเติมเรื่อง Trend นี้ที่ Agentic AI 2026

2. Model ฉลาดขึ้น → Planning ดีขึ้น → Agent น่าเชื่อถือขึ้น

Claude 3.7, GPT-5, Gemini 2.0 มีความสามารถด้าน reasoning และ tool use ที่ดีขึ้นมาก ทำให้ Agent ทำงานผิดพลาดน้อยลง ก่อนหน้านี้ Agent มักพลาดบ่อยในขั้นตอนที่ต้องการ common sense แต่ model รุ่นใหม่แก้ปัญหานี้ได้มากขึ้น

3. "Vibe Coding" + Agent = Productivity สูงมาก

Developer ใช้ AI Agent เขียนโค้ด, debug, deploy — งานที่เคยใช้ 1 วัน ทำได้ใน 2 ชั่วโมง ตัว Claude Code ที่คุณกำลังใช้อยู่นี้ก็คือตัวอย่าง Agent ที่ทำงานใน IDE ได้จริง

4. "Orchestration Layer" เกิดขึ้นเป็น Standard

ปี 2026 มี framework สำหรับสร้าง Multi-Agent System มากขึ้น — Agent หลายตัวทำงานร่วมกัน แต่ละตัวเชี่ยวชาญงานต่างกัน ทำให้งานซับซ้อนกว่าเดิมมากถูก automate ได้

5. Chatbot ไม่หายไป แต่ใช้สำหรับ Use Case ที่เหมาะ

Customer service tier 1 ที่ต้องการ consistency และความเร็ว ยังคงเป็น Chatbot อยู่ Agent มักถูกใช้ใน back-office, research, complex workflows

ตัวเลขที่น่าสนใจ (2026)

• Gartner รายงานว่า 33% ขององค์กร Fortune 500 มีการ deploy AI Agent ใน production แล้ว (เพิ่มจาก 8% ในปี 2024)
• McKinsey ประมาณว่างาน knowledge worker 15-40% สามารถถูก automate บางส่วนด้วย Agent
• Cost ของ AI Agent call ลดลง 80% ในช่วง 2 ปีที่ผ่านมา ทำให้ use case ที่ไม่คุ้มทุนก่อนหน้า เริ่มคุ้มขึ้น

สิ่งที่ต้องระวัง

Agent มีความเสี่ยงที่ Chatbot ไม่มี:

• Hallucination ที่ขยายผล — ถ้า Agent ตัดสินใจผิดใน step แรก มันทำงานต่อไปด้วยข้อมูลผิด
• Cost สูงกว่า — หลาย API calls ต่อ task หนึ่ง
• Security — Agent ที่มีสิทธิ์เข้าถึงระบบภายนอก ถ้าถูก prompt injection โดน abuse ได้

ดูตัวอย่าง Multi-Agent Architecture ที่จัดการความเสี่ยงเหล่านี้ได้ที่ บทความ Multi-Agent Systems สำหรับคนไทย

สรุป: ปี 2026 ไม่ใช่คำถามว่า "ควรใช้ Agent ไหม?" แต่เป็น "ใช้ Agent อะไร กับงานไหน และจัดการความเสี่ยงยังไง?" — นั่นคือทักษะที่ต้องเรียนรู้

---

9. คำถามที่พบบ่อย (FAQ)

Q: ChatGPT คือ Chatbot หรือ Agent?

A: ChatGPT แบบ standard คือ Chatbot ที่ใช้ LLM แต่ ChatGPT ที่เปิด "Tools" หรือ "Advanced Data Analysis" มีความเป็น Agent บางส่วน — มันสามารถรันโค้ดและเรียก plugins ได้ แต่ยังไม่ใช่ Full Agent เพราะยัง require human input ทุก step หลัก

Q: ถ้าอยากเริ่มต้น ควรเรียน Chatbot หรือ Agent ก่อน?

A: เรียน Chatbot ก่อน เข้าใจ LLM พื้นฐาน Prompt Engineering และ API แล้วค่อยต่อ Agent เพราะ Agent ต้องการ foundation ที่แน่นก่อน ถ้าข้ามไป Agent เลยโดยไม่เข้าใจ basics มักเจอปัญหาที่แก้ไม่ได้

Q: Agent ปลอดภัยไหมสำหรับธุรกิจ?

A: ขึ้นอยู่กับการออกแบบ — Agent ที่ดีต้องมี "guardrails" ชัดเจน ว่าอะไรทำได้ อะไรทำไม่ได้ ต้องการ human approval ใน step ไหน และ logging ทุก action เพื่อ audit ได้ Agent ที่ออกแบบดีปลอดภัยกว่า manual process ที่มี human error

Q: agent vs chatbot — สร้างอย่างไหนยากกว่า?

A: Agent ซับซ้อนกว่าและต้องการทักษะมากกว่าอย่างชัดเจน Chatbot สามารถสร้างได้ด้วย no-code tools ใน 1 วัน แต่ Production-grade Agent ต้องคิดเรื่อง error handling, retry logic, state management, security และ monitoring ด้วย

---

10. สรุปและ Next Steps

หลังอ่านบทความนี้ คุณน่าจะเข้าใจแล้วว่า:

• Chatbot = ระบบสนทนาที่ตอบคำถาม, ทำงานแบบ Request-Response, simple, เหมาะกับ Q&A และ customer service
• AI Agent = ระบบที่รับ Goal แล้วลงมือทำ, วางแผน, ใช้ Tools, มี Autonomy, เหมาะกับงาน complex multi-step
• ทั้งสองมีที่ใช้ของตัวเอง — เลือกตาม use case ไม่ใช่ตาม trend
• ปี 2026 Agent กำลังเป็น standard สำหรับงาน complex workflows แต่ Chatbot ยังจำเป็นใน use case ที่ต้องการ simplicity และ cost efficiency
• ทักษะสำคัญคือการ รู้จักเลือก ไม่ใช่แค่รู้จักใช้

อยากสร้าง AI Agent เป็นเอง?

ถ้าคุณอยากไปถึงขั้น สร้าง AI Agent ได้จริงในงาน ไม่ใช่แค่เข้าใจทฤษฎี — คอร์สของ AI Unlocked สอนตั้งแต่ Prompt Engineering พื้นฐาน จนถึงการสร้าง Agentic Systems ที่ deploy ได้จริง

เนื้อหาครอบคลุม:

• สร้าง Agent ด้วย Claude API และ SDK
• Tool Use, Memory, Multi-Agent Architecture
• Real-world projects ที่ใช้งานได้ทันที
• Community คนไทยที่เรียน AI ด้วยกัน

สิ่งที่นักเรียนของเราทำได้หลังจบคอร์ส:

• สร้าง Chatbot ที่ตอบได้อย่างชาญฉลาดสำหรับธุรกิจของตัวเอง
• สร้าง AI Agent ที่ automate งาน repetitive ในชีวิตประจำวัน
• เข้าใจว่า use case ไหนควรใช้ Chatbot และ use case ไหนควรใช้ Agent
• Integrate AI tools เข้ากับ workflow จริง ไม่ใช่แค่ทดสอบใน demo

ดูคอร์สและราคา →

---

อ่านต่อ — Deep Dive:

• คู่มือสร้าง AI Agent สำหรับคนไทย 2026 — เริ่มสร้าง Agent ตัวแรก
• เรียน AI ที่เชียงใหม่ 2026 — Workshop สำหรับคนไทย
• Agentic AI 2026 คืออะไร — Big picture ของ Agentic era
• AI Agents: ระบบ Autonomous AI — Technical deep dive