หลักสูตร AI Engineering from Scratch เป็นคอร์สเรียนฟรีสาย AI Engineering ที่เน้นการสร้างระบบ AI ขึ้นมาใช้งานได้จริง มีบทเรียนมากถึง 523 บท หัวใจสำคัญคือให้ผู้เรียนลงมือเขียนอัลกอริทึมเองตั้งแต่ศูนย์ด้วยคณิตศาสตร์พื้นฐาน ก่อนจะขยับไปใช้ชุดคำสั่งสำเร็จรูปที่เรียกว่าไลบรารี

เนื้อหาจะเริ่มตั้งแต่คณิตศาสตร์พื้นฐาน ไปจนถึงการสร้าง AI Agent ระบบปัญญาประดิษฐ์ที่ทำงานอัตโนมัติต่อเนื่องได้หลายขั้นตอน ทั้งหมดแบ่งออกเป็น 20 ช่วงการเรียนรู้หรือ Phase รวมเวลาเรียนประมาณ 342 ชั่วโมง เพื่อให้ผู้เรียนสร้างระบบเป็น ไม่ใช่แค่เรียกใช้โมเดลสำเร็จรูปที่มีคนทำไว้แล้ว

บทเรียนทั้งหมดเผยแพร่อยู่บนแพลตฟอร์มรวมโค้ดอย่าง GitHub ดูแลโดย Rohit Ghumare ร่วมกับชุมชนนักพัฒนาที่เข้ามาช่วยกันสร้าง โดยตัวอย่างโค้ดในหลักสูตรมีให้เลือกเรียนถึง 4 ภาษา ได้แก่ Python, TypeScript, Rust และ Julia

ผู้สร้างหลักสูตรชี้ให้เห็นสถิติว่า แม้จะมีนักเรียนถึง 84% ที่ใช้เครื่องมือ AI เป็นประจำอยู่แล้ว แต่กลับมีเพียง 18% เท่านั้นที่รู้สึกมั่นใจพอจะนำ AI ไปใช้งานในสายอาชีพจริง หลักสูตรนี้จึงสร้างขึ้นมาเพื่อปิดช่องว่างความรู้นี้โดยเฉพาะ

กระแสความสนใจในโปรเจกต์นี้สูงมาก ข้อมูลบนหน้าโปรเจกต์ระบุว่า ในช่วง 30 วันจนถึงวันที่ 29 สิงหาคม 2026 มีผู้เข้ามาอ่านถึง 114,584 คน และมียอดกด Star บน GitHub ไปแล้วมากกว่า 58,000 ครั้ง

เขียนโค้ดเองตั้งแต่ศูนย์ ก่อนขยับไปใช้ PyTorch

ผู้สร้างมองว่าเนื้อหาการสอน AI ส่วนใหญ่ในปัจจุบันมักแยกกันเป็นชิ้นๆ ไม่ต่อเนื่องกัน งานวิจัยก็อยู่ที่หนึ่ง บทความสอนปรับจูนโมเดลก็อยู่อีกที่ ตัวอย่างโปรแกรมสร้าง Agent ก็อยู่อีกที่ ทำให้สุดท้ายเราอาจสร้าง Chatbot ขึ้นมาใช้งานได้ แต่อธิบายไม่ได้เลยว่าโมเดลข้างในเรียนรู้และทำงานอย่างไร

หลักสูตรนี้จึงวางโครงสร้างทุกบทเรียนเหมือนกันหมด คือมี 6 ขั้นตอน เริ่มจากสรุปแนวคิดหลักในประโยคเดียว ตามด้วยโจทย์ปัญหาจริงที่บทนั้นต้องการแก้ แล้วอธิบายหลักการทำงานด้วยภาพประกอบ

ส่วนหัวใจสำคัญที่สุดคือ 2 ขั้นตอนถัดมา ซึ่งผู้สร้างยกให้เป็นแกนหลักของทั้งหลักสูตร:

• Build It เขียนอัลกอริทึมขึ้นมาเองตั้งแต่สูตรคณิตศาสตร์ โดยไม่ใช้เฟรมเวิร์กหรือไลบรารีใดๆ
• Use It ทำโจทย์เรื่องเดิมซ้ำอีกครั้งด้วยไลบรารีมาตรฐานที่ใช้ในงานจริง เช่น PyTorch หรือ scikit-learn

จากนั้นจะปิดท้ายด้วย Ship It ซึ่งเปลี่ยนสิ่งที่เราเขียนขึ้นมาให้กลายเป็นเครื่องมือที่นำไปใช้งานต่อได้จริง

จุดนี้เข้าใจผิดได้ง่าย เพราะ Build It กับ Use It ฟังเหมือนบทเรียนคนละบทที่ต่อกัน แต่ความจริงแล้วเป็นเรื่องเดียวกันที่ให้เราทำ 2 รอบในบทเดียว รอบแรกเราลงมือเขียนเองทั้งหมด พอถึงรอบที่สองที่เริ่มใช้ PyTorch เราจะเข้าใจได้ทันทีว่าไลบรารีกำลังทำอะไรอยู่เบื้องหลังแทนเรา เพราะเราเพิ่งเขียนระบบเวอร์ชันย่อส่วนขึ้นมาด้วยตัวเอง

ตัวอย่างที่เห็นภาพชัดเจนที่สุดอยู่ในบทแรกของ Phase คณิตศาสตร์ โค้ดในบทนี้รันได้ทันทีโดยไม่ต้องติดตั้งไลบรารีเพิ่ม เมื่อเขียนจนจบ เราจะเห็นทันทีว่าการคูณเมทริกซ์กับเวกเตอร์พื้นฐาน คือการคำนวณแบบเดียวกับที่เกิดขึ้นในแต่ละชั้นของ Neural Network โครงข่ายประสาทเทียมที่อยู่เบื้องหลังโมเดล AI ทำให้คณิตศาสตร์ที่เคยดูไกลตัว กลายมาเป็นกลไกที่ทำงานอยู่ข้างในโมเดลจริงๆ

แกะกล่อง AI Agent เบื้องหลังคือลูปสั้นๆ ไม่กี่บรรทัด

Phase 14 ชื่อ Agent Engineering มีทั้งหมด 54 บทเรียน บทแรกของ Phase นี้จะให้เราเขียน Agent Loop หรือวงจรการทำงานหลักของ Agent ขึ้นมาด้วยภาษา Python ล้วนๆ ราว 120 บรรทัด โดยไม่ต้องพึ่งพาไลบรารีภายนอกเลย

หน้าโปรเจกต์ยกโค้ดส่วนสำคัญของลูปนี้มาให้ดูเป็นตัวอย่าง:

def run(query, tools):
    history = [user(query)]
    for step in range(MAX_STEPS):
        msg = llm(history)
        if msg.tool_calls:
            for call in msg.tool_calls:
                result = tools[call.name](**call.args)
                history.append(tool_result(call.id, result))
            continue
        return msg.content
    raise StepLimitExceeded

การทำงานของโค้ดส่วนนี้แบ่งเป็นขั้นๆ ได้ดังนี้:

• history ทำหน้าที่เก็บประวัติการสนทนาทั้งหมด โดยเริ่มต้นจากคำถามของผู้ใช้
• ในแต่ละรอบ โค้ดจะส่ง history ทั้งหมดไปให้ LLM หรือโมเดลภาษาขนาดใหญ่ เพื่อให้โมเดลตัดสินใจว่าจะทำอะไรต่อ
• ถ้าโมเดลแจ้งว่าต้องการใช้เครื่องมือผ่าน tool_calls โค้ดจะเรียกใช้เครื่องมือนั้นจริงๆ แล้วนำผลลัพธ์ที่ได้ไปบันทึกต่อท้ายใน history ก่อนจะเริ่มวนรอบใหม่ด้วยคำสั่ง continue
• ถ้าโมเดลประมวลผลเสร็จโดยไม่ต้องการใช้เครื่องมือเพิ่มแล้ว โค้ดจะส่งข้อความตอบกลับใน msg.content ออกมาทันที
• ถ้าวนลูปครบตามจำนวนสูงสุดที่กำหนดไว้ใน MAX_STEPS แล้วยังทำงานไม่เสร็จ โค้ดจะหยุดและแจ้งข้อผิดพลาด StepLimitExceeded เพื่อป้องกันไม่ให้ Agent วนลูปไม่รู้จบ

แม้คำว่า AI Agent จะฟังดูซับซ้อน แต่โครงสร้างหลักคือลูปการทำงานง่ายๆ ที่วนระหว่าง ถามโมเดล > นำคำสั่งไปทำงาน > ดูผลลัพธ์ > แล้วส่งผลกลับไปถามโมเดลต่อ วนซ้ำไปจนกว่าจะได้คำตอบสุดท้าย หากต้องการดูว่าลูปแบบนี้ต้องมีโครงสร้างส่วนไหนมาเสริมอีกบ้างก่อนจะนำไปใช้จริง สามารถอ่านต่อได้ใน สามชั้นของงานวิศวกรรมที่เปลี่ยน LLM ให้เป็น AI agent ที่เชื่อถือได้

บทเรียนที่เหลือใน Phase นี้ยังครอบคลุมตั้งแต่การใช้ Coding Agent หรือ AI ที่ช่วยเขียนและรันโค้ดบนเครื่องเรา ไปจนถึงการวางแผนและจัดโครงสร้างงานให้ชัดเจนก่อนเริ่มลงมือสร้าง

ทุกบทเรียนจบด้วยเครื่องมือที่นำไปใช้งานต่อได้จริง

ผู้สร้างเปรียบเทียบว่า คอร์สเรียนทั่วไปมักจบบทด้วยคำแสดงความยินดี แต่สำหรับหลักสูตรนี้ ทุกบทจะจบลงด้วยเครื่องมือที่เรานำไปติดตั้งหรือใช้ในชีวิตประจำวันได้ทันที แบ่งออกเป็น 4 รูปแบบ:

• Prompt ชุดคำสั่งสำเร็จรูปสำหรับงาน AI แต่ละแบบ
• Skill ไฟล์ SKILL.md ที่ Coding Agent อย่าง Claude Code, Cursor หรือ Codex สามารถเปิดอ่านและทำงานตามคำสั่งได้ทันที
• Agent โปรแกรมอัตโนมัติที่ทำงานได้ด้วยตัวเอง
• MCP Server เซิร์ฟเวอร์ที่เชื่อมต่อแอป AI ผ่านมาตรฐาน MCP ซึ่งเป็นตัวกลางเชื่อม AI เข้ากับเครื่องมือภายนอก

อย่างบทเรียน Agent Loop ที่ยกตัวอย่างไป เมื่อเรียนจบเราจะได้เครื่องมือออกมา 2 ชิ้น ชิ้นแรกคือ Skill สำหรับสร้างลูปแบบเดียวกัน และชิ้นที่สองคือ Prompt ที่สั่งให้ AI ช่วยตรวจบันทึกการทำงานของ Agent เพื่อชี้ว่าข้อผิดพลาดเกิดขึ้นที่ขั้นตอนไหนและเพราะอะไร

สำหรับใครที่ยังแยกความแตกต่างระหว่าง Skill กับ MCP ไม่ออก สามารถอ่านบทความเปรียบเทียบเพิ่มเติมได้ที่ Agent Skills จะมาฆ่า MCP จริงไหม

ปัจจุบันในโปรเจกต์มี Skill ให้ใช้ 396 ตัว และ Prompt อีก 99 ชิ้น เก็บอยู่ในโฟลเดอร์ outputs ของแต่ละบทเรียน หากเราดาวน์โหลดหรือ Clone ทั้งโปรเจกต์ลงมาไว้ในเครื่องแล้ว ก็สามารถติดตั้ง Skill ทั้งหมดได้ทันทีด้วยคำสั่ง python3 scripts/install_skills.py <target> โดยเปลี่ยน <target> ให้เป็นโฟลเดอร์เก็บ Skill ของ Agent ที่ใช้อยู่ เช่น ~/.claude/skills/

เป้าหมายปลายทางที่ผู้สร้างตั้งไว้คือ เมื่อเรียนครบทั้งหลักสูตร เราจะมีเครื่องมือที่สร้างขึ้นด้วยมือตัวเองถึง 523 ชิ้น และเข้าใจการทำงานของทุกชิ้นอย่างลึกซึ้ง เพราะเป็นคนลงมือเขียนโค้ดขึ้นมาเองทั้งหมด

ไม่จำเป็นต้องเรียนครบทั้ง 523 บท

หน้าโปรเจกต์แนะนำให้เลือกเป้าหมายที่ต้องการเพียงอย่างเดียว แล้วเรียนตามเส้นทางของเป้าหมายนั้น ตารางด้านล่างแนะนำจุดเริ่มต้นตามพื้นฐานที่มีอยู่ พร้อมระยะเวลาเรียนโดยประมาณที่ผู้สร้างคำนวณไว้:

เราสามารถข้าม Phase พื้นฐานช่วงต้นไปได้ ถ้ามีความรู้เรื่องนั้นแน่นพออยู่แล้ว แต่ผู้สร้างก็เตือนไว้ว่า หากข้ามไปทั้งที่พื้นฐานยังไม่แน่น พอโค้ดใน Phase ขั้นสูงมีปัญหา เราจะไม่เข้าใจว่ามันพังเพราะอะไร

ทางเลือกจึงขึ้นอยู่กับตัวเรา ถ้ายอมเสียเวลาเริ่มจากพื้นฐาน ความรู้จะแน่นและมั่นคงกว่า ส่วนถ้ากระโดดไปเรียนหัวข้อที่ต้องการทันที ก็จะถึงเป้าหมายได้เร็วกว่า แต่ต้องยอมรับความเสี่ยงตามที่ผู้สร้างเตือนไว้

สำหรับคนที่ต้องการเรียนเฉพาะเรื่องจริงๆ ก็มีทางลัด 2 เส้นทางที่ตัดตอนมาจากหลักสูตรหลัก ได้แก่ เส้นทางเรียน MCP จำนวน 17 บท และเส้นทางเรียน Agent Skills จำนวน 5 บท

ส่วนใครที่ต้องการสอบใบรับรองความรู้ ก็มีหลักสูตรเตรียมสอบให้เรียนฟรีอีก 2 เส้นทาง เส้นทางแรกคือ Claude Certification Academy ซึ่งครอบคลุมใบรับรองของ Claude ทั้ง 4 ใบ ส่วนเส้นทางที่สองคือ MCPA Certification Curriculum สำหรับสอบ Model Context Protocol Associate มี 34 บทเรียน พร้อมข้อสอบฝึกซ้อมเต็มชุดอีก 3 ชุด

ทั้งสองเส้นทางนี้เป็นเนื้อหาเตรียมสอบอิสระที่จัดทำขึ้นเอง ไม่ได้เกี่ยวข้องกับ Anthropic บริษัทผู้พัฒนา Claude หรือหน่วยงานที่จัดสอบ MCPA และไม่ได้การันตีว่าจะสอบผ่าน

3 วิธีเริ่มเรียนบทแรก

วิธีที่ 1: ให้ Coding Agent เป็นติวเตอร์ส่วนตัว เป็นวิธีที่หน้าโปรเจกต์แนะนำมากที่สุด เพียงติดตั้งชุด Skill ของหลักสูตรลงใน Agent ด้วยคำสั่งเดียว:

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

เมื่อรันคำสั่ง ตัวติดตั้งจะถามว่าเราต้องการลงให้กับ Agent ตัวไหน หากใช้ Claude Code ให้พิมพ์ /start-learning เพื่อเริ่มต้นได้ทันที ส่วนถ้าใช้ Agent ตัวอื่น ให้บอก Agent ว่าต้องการเรียกใช้ Skill ชื่อ start-learning

ในขั้นตอนแรก ติวเตอร์จะให้เราทำแบบทดสอบสั้นๆ 10 ข้อเพื่อดูว่าควรเริ่มเรียนจาก Phase ไหนแทนการกะเอาจากตาราง แล้วบันทึกแผนการเรียนเฉพาะบุคคลไว้ในไฟล์ LEARNING.md จากนั้นเราสามารถพิมพ์คำสั่ง /learn เพื่อให้ติวเตอร์สอนทีละบท หรือใช้คำสั่ง /course-guide เพื่อข้ามไปยังบทที่ช่วยตอบปัญหาที่เรากำลังติดอยู่ โดยความคืบหน้าทั้งหมดจะบันทึกไว้ใน LEARNING.md ทำให้กลับมาเปิดเรียนต่อจากจุดเดิมได้เสมอ

วิธีนี้ต้องลง Node.js ไว้ในเครื่อง ซึ่งมีคำสั่ง npx ติดตั้งมาให้พร้อมกัน และต้องติดตั้ง Coding Agent ที่รองรับ Skill ไว้ก่อนแล้ว

วิธีที่ 2: อ่านผ่านเว็บไซต์โดยตรง เข้าไปอ่านบทเรียนได้ทันทีที่ aiengineeringfromscratch.com โดยไม่ต้องติดตั้งหรือดาวน์โหลดอะไรลงเครื่อง เหมาะสำหรับผู้ที่ต้องการอ่านทำความเข้าใจแนวคิดและหลักการเบื้องต้น แต่ข้อจำกัดคือจะยังไม่ได้ทดลองรันโค้ดจริงบนเครื่องของตัวเอง

วิธีที่ 3: Clone โปรเจกต์ลงมาทดลองรันเอง ทำได้ด้วยคำสั่งบน Terminal เพียง 3 บรรทัด:

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

คำสั่งบรรทัดสุดท้ายจะรันโค้ดของบทแรกใน Phase คณิตศาสตร์ ซึ่งแสดงให้เห็นการคูณเมทริกซ์กับเวกเตอร์ โดยวิธีนี้เครื่องของเราต้องมีทั้ง Git และ Python 3 ติดตั้งอยู่

หากใครใช้ Claude Code อยู่แล้ว เมื่อ Clone โปรเจกต์ลงมา ตัวโปรแกรมจะโหลดชุด Skill ของหลักสูตรให้โดยอัตโนมัติ ทำให้ติวเตอร์ช่วยรันและทดสอบโค้ดของแต่ละบทเรียนบนเครื่องเราได้จริงๆ แทนที่จะอ่านเนื้อหาตามอย่างเดียว

เรียนฟรีทั้งหลักสูตร แต่ต้นทุนจริงคือเวลา

คำว่าฟรีของหลักสูตรนี้ไม่ได้หมายถึงแค่เปิดอ่านได้โดยไม่เสียเงิน เพราะตัวโปรเจกต์ใช้สัญญาอนุญาตแบบ MIT License ซึ่งผู้สร้างระบุไว้อย่างชัดเจนว่า สามารถนำเนื้อหาไปดัดแปลงต่อ นำไปใช้สอน นำไปขาย หรือนำไปพัฒนาเป็นผลิตภัณฑ์เชิงพาณิชย์ได้ทั้งหมด หากให้เครดิตก็ถือเป็นเรื่องดี แต่ไม่ได้มีข้อบังคับว่าต้องทำ

เนื้อหาหลักทั้ง 20 Phase ยังนำมารวบรวมเป็นหนังสืออิเล็กทรอนิกส์ทั้งหมด 6 เล่ม มีให้ดาวน์โหลดทั้งไฟล์ EPUB และ PDF ในหน้า Releases ของ GitHub โดยฉบับหนังสือจะเป็นเนื้อหาที่สรุปไว้ตามเวอร์ชัน ณ เวลานั้น ส่วนโปรเจกต์บน GitHub จะเป็นเวอร์ชันล่าสุดที่อัปเดตอยู่สม่ำเสมอ

ต้นทุนจริงในการเรียนหลักสูตรนี้คือเวลา เพราะเนื้อหาทั้งหมดต้องใช้เวลาราว 342 ชั่วโมง ถ้าจัดเวลาเรียนวันละ 1 ชั่วโมง จะต้องใช้เวลาเกือบ 1 ปีเต็ม หรือแม้แต่การเลือกเรียนเฉพาะสาย Agent อย่างเดียวที่ใช้เวลาประมาณ 60 ชั่วโมง ก็ยังต้องเรียนวันละชั่วโมงต่อเนื่องกันถึง 2 เดือน

อีกจุดที่ต้องคำนึงถึงคือเรื่องภาษา บทเรียนต้นฉบับทั้งหมดเขียนด้วยภาษาอังกฤษ แม้หน้าแรกของโปรเจกต์บน GitHub จะมีฉบับแปลให้เลือก 12 ภาษา แต่ยังไม่มีภาษาไทย และเนื้อหาบทเรียนในภาษาอื่นๆ ก็แปลด้วยระบบอัตโนมัติ

ช่องว่างระหว่างการใช้ AI เป็น กับความพร้อมที่จะนำไปสร้างระบบในงานจริง อาจไม่ได้ลดลงเพียงเพราะเราเรียกใช้บ่อยขึ้น แต่จะแคบลงอย่างแท้จริง เมื่อเราได้ลองลงมือเขียนขึ้นมาด้วยตัวเองตั้งแต่ต้นสักครั้ง

ที่มา: โปรเจกต์ AI Engineering from Scratch บน GitHub