LLM คืออะไรสำหรับวิศวกร

คุณเขียน C#/.NET คล่องและคิดเป็นภาษา DDD อยู่แล้ว คอร์สนี้จึงไม่ได้มาสอนคุณเขียนโปรแกรม แต่มาสอนสิ่งเดียวที่ยากกว่าสำหรับคนที่ชินกับ pure function — คือการ ถือ model ภาษาให้ถูก method Order.Place(...) ที่คุณคุ้นมือ ให้ input เดิมได้ผลเดิมเป๊ะทุกครั้ง แต่ LLM (large language model) ไม่ใช่แบบนั้น มองให้ตรงที่สุด มันคือ function text → token → text ตัวหนึ่งที่คุณเรียกผ่าน HTTPS ส่งข้อความเข้าไป มันทำนายหน่วยข้อความถัดไปทีละหน่วยจนได้คำตอบกลับมา — และการเรียกแบบเดิมเป๊ะๆ ก็ให้คำตอบต่างกันได้ บทนี้ปรับกรอบความคิดตรงนี้ให้เข้าที่ก่อน เพราะทุกบทที่เหลือสร้างอยู่บนมัน

📦 code ตัวอย่าง

คอร์สนี้ค่อยๆ ประกอบ agent สำหรับ support ลูกค้าบน domain Order ของบริการฟู้ดเดลิเวอรี จาก repo kaen-food-ordering (กำลังจัดทำ) เป็นตัวอย่างเดินเรื่องตลอดคอร์ส — บทนี้เป็นบทวางแนวคิด ยังไม่มี code ให้รัน (บทที่ 2 จะเริ่มยิง Messages API ดิบด้วยมือ) แต่วางกรอบความคิดที่ code ทุกบทหลังจากนี้ต้องพึ่ง

model คือ function `text → token → text`

หน่วยที่ model ประมวลผลจริงๆ ไม่ใช่ตัวอักษรและไม่ใช่คำ แต่เป็น Token — Anthropic นิยามไว้ว่า “Tokens are the smallest individual units of a language model, and can correspond to words, subwords, characters, or even bytes.” ข้อความทุกชิ้นถูกแปลงเป็นชุด token ก่อนเข้า model และสำหรับ Claude 1 token ราว 3.5 ตัวอักษรอังกฤษ (แปรตามภาษา — ภาษาไทยกินสัดส่วนต่างออกไป) จำนวน token จึงเป็นทั้งหน่วยวัดขนาดและหน่วยคิดเงินไปพร้อมกัน จำไว้ข้อหนึ่ง: อย่าเดา token ของ Claude ด้วย tiktoken ของ OpenAI เพราะมันคนละ tokenizer และนับต่ำกว่าจริงราว 15–20%

ตัว model เองเป็น next-token predictor — ฝึกมาให้ “predict the next word, given the previous context of text in the document.” พูดอีกแบบคือมันทำนายหน่วยถัดไปจากบริบทก่อนหน้าไปเรื่อยๆ ทีละตัว นี่คือเหตุผลที่ผลลัพธ์ของมันเป็นเชิงความน่าจะเป็น ไม่ใช่ค่าตายตัว

จุดนี้แหละที่ทำโปรแกรมเมอร์สาย pure function สะดุด: model มี Non-determinism อยู่ในตัว input เดิมเป๊ะๆ อาจให้ output ต่างกันในแต่ละครั้ง Anthropic เขียนตรงๆ ว่า “Even with temperature set to 0, the results will not be fully deterministic and identical inputs may produce different outputs across API calls.” — แม้กดความสุ่มลงจนสุดก็ยังไม่นิ่ง 100% Chip Huyen สรุปวิธีรับมือไว้สั้นๆ ว่า “Working with AI models requires building your workflows around their probabilistic nature.” คือต้องออกแบบระบบรอบๆ ธรรมชาติเชิงความน่าจะเป็นนี้ ไม่ใช่ฝืนให้มันเป็น deterministic แบบ method ปกติ ทั้งการทดสอบ การจัดการ error และ guardrail จึงต้องคิดใหม่หมด (คอร์สนี้ไปถึงเรื่องนั้นในบทที่ 7)

context window คืองบความจำที่มีจำกัด

ทุกครั้งที่เรียก model คุณกำลังเติมของลงในพื้นที่จำกัดก้อนหนึ่งชื่อ Context Window — “หน่วยความจำใช้งาน” ที่รวมข้อความทั้งหมดที่ model อ้างอิงได้ตอนสร้างคำตอบ ทั้ง prompt ที่คุณส่งไป และคำตอบที่มันกำลังพิมพ์อยู่ด้วย มองแบบวิศวกรคือ budget ที่มีเพดาน ไม่ใช่ท่อไม่จำกัด model รุ่นปัจจุบันบางตัวราว 1M token บางตัว 200K (ค่านี้เลื่อนไหวเร็ว อย่าท่องจำเป็นสัจธรรม) ประเด็นที่ต้องติดหัวไว้คือ ยิ่งบทสนทนายาวขึ้น — โดยเฉพาะตอนที่ agent วนหลายรอบและสะสมประวัติ — งบก้อนนี้ยิ่งถูกกิน จนล้นได้ นี่จะกลายเป็นหนึ่งในเงื่อนไขหยุดของ loop ในบทที่ 6

temperature — แนวคิดที่ต้องเข้าใจ แต่ไม่ได้ส่งไปกับ model รุ่นล่าสุด

คุณจะเจอคำว่า Temperature ในเอกสารทั่วไป มันคือ parameter ที่คุมความสุ่ม/ความหลากหลายของการเลือก token ถัดไป ค่าสูง = คำตอบหลากหลายกว่า ค่าต่ำ = นิ่งกว่า เข้าใจแนวคิดไว้ก็พอ เพราะในทางปฏิบัติของคอร์สนี้มีกติกาข้อสำคัญ:

⚠️ ห้ามส่ง temperature ไปกับ model รุ่นล่าสุด

การส่ง temperature (รวมถึง top_p / top_k) ไปกับ model Claude รุ่นล่าสุดจะได้ HTTP 400 กลับมา เอกสารอ้างอิงทั่วไปยัง list field พวกนี้ไว้ก็จริง แต่กับ model ปัจจุบันมันจะ error — ดังนั้นให้ ละไว้ แล้วกำกับพฤติกรรมของ model ผ่าน prompt แทน ตลอดคอร์สนี้คุณจะไม่เห็น code ตัวอย่างไหนส่ง temperature เลย และนั่นตั้งใจ

ที่ยกเรื่องนี้มาตั้งแต่บทแรกเพราะมันคือตัวอย่างแรกของวินัยที่คอร์สนี้ยึด: รายละเอียด API ต้องถูกต้องจริง ไม่ใช่ถูกตามความจำเก่าๆ ที่อาจล้าสมัย บทต่อๆ ไปจะมีกติกาแบบนี้อีก เช่น header ที่ใช้จริงคือ x-api-key ไม่ใช่ Authorization: Bearer และ anthropic-version ที่ต้องส่งทุกครั้งคือ 2023-06-01 — เราจะพิสูจน์ทุกข้อด้วยต้นทางที่ลงวันที่กำกับ ไม่เดา

จากการเรียกครั้งเดียว สู่ agent

ทุกอย่างข้างบนคือการเรียก model ครั้งเดียว — ข้อความเข้า ข้อความออก จบ แล้วอะไรที่ยกมันขึ้นเป็น Agent คำตอบอยู่ในประโยคเดียวจาก Anthropic ที่เป็นแกนของทั้งคอร์สนี้ — agent “are typically just LLMs using tools based on environmental feedback in a loop.”

แกะออกมาคือสองส่วนที่เติมทับการเรียกธรรมดา:

tools — ให้ model เรียก code C# ของคุณได้ เช่น getOrder(orderId) เพื่อไปดึงสถานะออเดอร์จริง แทนที่จะเดาเอาจากความจำ
loop — เอาผลที่ได้จาก tool ป้อนกลับเข้า model เป็น “สิ่งที่สังเกตเห็น” แล้ววนตัดสินใจก้าวถัดไป ทำซ้ำจนงานเสร็จ

ไม่มีอะไรวิเศษไปกว่านั้น — ไม่ใช่ model ที่ฉลาดขึ้น ไม่ใช่ context window ที่ยาวขึ้น แต่คือการเรียก model ตัวเดิมนั่นคือ ห่อด้วย tools กับ loop

flowchart TB
  subgraph BARE["เรียกครั้งเดียว — LLM ล้วน"]
    T1["ข้อความเข้า"] --> M1["LLM ทำนาย token"]
    M1 --> O1["ข้อความออก จบ"]
  end
  subgraph AGENT["agent — LLM บวก tools บวก loop"]
    T2["ข้อความเข้า"] --> M2["LLM ตัดสินใจ"]
    M2 -->|ขอเรียก tool| TOOL["รัน tool ใน C#<br/>เช่น getOrder"]
    TOOL -->|ป้อนผลกลับ| M2
    M2 -->|ได้คำตอบแล้ว| O2["ข้อความออก"]
  end
  classDef loop fill:#ea580c,stroke:#7c2d12,color:#f8fafc;
  class M2 loop;

คำบรรยายภาพ: ซ้าย — การเรียกครั้งเดียว ข้อความเข้าไป model ทำนาย token ข้อความออกมา จบในก้าวเดียว ขวา — agent เอา model ตัวเดิมมาต่อ tools (เช่น getOrder ที่รัน code C# จริง) แล้ววน loop โดยเอาผลของ tool ป้อนกลับเป็นสิ่งที่ model สังเกตเห็น จนกว่าจะได้คำตอบสุดท้าย จุดสีส้มคือหัวใจที่วน — model ตัวเดิม แต่ถูกห่อด้วย tools กับ loop

แต่มีวินัยข้อหนึ่งต้องปักไว้ตั้งแต่ตอนนี้ เพื่อไม่ให้ทั้งคอร์สอ่านเหมือนคำโฆษณา: อย่าเอื้อมไปหา agent เป็นค่าเริ่มต้น หลักของ Anthropic คือ “finding the simplest solution possible, and only increasing complexity when needed.” — หาทางที่ง่ายที่สุดก่อน แล้วค่อยเพิ่มความซับซ้อนเมื่อจำเป็น บ่อยครั้งการเรียก model ครั้งเดียว หรือ code deterministic ธรรมดา ก็เพียงพอและเชื่อถือได้กว่า คอร์สนี้จะพาสร้าง agent ก็จริง แต่สร้าง สิ่งที่ง่ายที่สุดเท่าที่ควรสร้าง — 1 agent 1 loop เท่านั้น

บันไดของคอร์สนี้

ที่เหลือคือการไต่บันไดทีละขั้น จาก function text → text ขึ้นไปจนถึง agent ที่ทำงานได้จริง:

การเรียก model ครั้งแรก (บทที่ 2) — ยิง Messages API ดิบด้วย HttpClient เพื่อเห็นทุก byte ไม่มี SDK บัง
prompt ที่ใช้งานได้จริง (บทที่ 3) — ตั้งบทบาทและกติกาให้ model ด้วยโครงสร้าง ไม่ใช่ความฉลาดของถ้อยคำ
tool use (บทที่ 4) — ให้ model เรียก code C# ของคุณ เห็นรอบ tool_use ↔ tool_result เต็มๆ
Microsoft.Extensions.AI (บทที่ 5) — เขียนการเรียกเดิมด้วยสำนวน .NET ผ่าน IChatClient
the loop (บทที่ 6) — ร้อยทุกอย่างเป็นวง observe → decide → act → repeat พร้อมเงื่อนไขหยุด
ทำให้เชื่อถือได้ (บทที่ 7) — วิศวกรรมรอบๆ non-determinism ทั้งต้นทุน error และ guardrail
capstone (บทที่ 8) — ประกอบ agent support Order ตัวเต็มจบในบทเดียว

model ตัวอย่างที่เราจะอ้างถึงตลอดคือ claude-opus-4-8 (ใช้เป็นตัวอย่าง ณ 2026-07 — id ของ model เลื่อนไหวตามเวลา) และปลายทางของคอร์สนี้คือ ประตู ของ pillar สาย AI-engineering ไม่ใช่ปลายทางสุดท้าย พอคุณสร้าง agent ตัวแรกเสร็จ คำถามที่ลึกกว่ารออยู่ในคอร์สถัดไป — ขอบเขตของ agent (คอร์ส #12 agent-as-bounded-context: เมื่อไร1 agent ควรเป็น1 bounded context และเมื่อไร — ซึ่งน้อยครั้ง — ที่ควรมี agent ตัวที่สอง), การวัดความเชื่อถือได้ (คอร์ส #13 evals) และ การทำ tool ให้เป็น server ใช้ซ้ำได้ (คอร์ส #14 MCP) บทนี้แค่วางกรอบ — บทหน้าเราเริ่มลงมือ

🔗 อ้างอิงต้นทางของบทนี้

บทนี้สังเคราะห์จากสี่แหล่งหลัก อ่านต่อได้ที่ต้นทางโดยตรง:

Anthropic, Glossary — นิยาม token, next-token prediction, context และ non-determinism (แม้ temperature = 0 ผลก็ยังไม่นิ่งเป๊ะ) เข้าถึง 2026-07-19
Anthropic, Context windows — context window เป็นงบจำกัด และตัวเลขความจุ (เช่น 200K / 1M token) เข้าถึง 2026-07-19
Anthropic, “Building Effective Agents” (2024-12-19) — นิยาม agent ว่าคือ LLM ที่ใช้ tools ตาม feedback วนเป็น loop และหลัก “หาทางที่ง่ายที่สุดก่อน”
Chip Huyen, “AI Engineering” — chapter summaries (2025) — ต้องออกแบบ workflow รอบๆ ธรรมชาติเชิงความน่าจะเป็นของ model

เช็กความเข้าใจ — บทที่ 1

ข้อ 1 / 3

สำหรับวิศวกร C# กรอบความคิดที่ 'ถูกที่สุด' ในการมอง LLM คืออะไร?

LLM คือ​อะไร​สำหรับ​วิศวกร

model คือ function text → token → text

context window คือ​งบ​ความ​จำ​ที่​มี​จำกัด

temperature — แนวคิด​ที่​ต้อง​เข้าใจ แต่​ไม่​ได้​ส่ง​ไป​กับ model รุ่น​ล่าสุด

จาก​การ​เรียก​ครั้ง​เดียว สู่ agent

บันได​ของ​คอร์ส​นี้