จดสรุปงาน AgentCamp Bangkok 2026

งาน AgentCamp มีส่วนของ Main Session และส่วน Pre-Record (พวก Lab น่ากันแตกด้วยครับ) จริงจัดมาตี่งแต่ปี 2019 (Global AI Bootcamp) แล้วปรับชื่อมาเรื่อยครับ อันนี้จะเป็นยุค Agent เลยปรับเป็น AgentCamp แทนครับ

The Future of AI Agents

Speaker Henk Boelman / Dona Sarkar / Lili Cheng / Dean Carignan / Jay Parikh

• Henk Boelman / Dona Sarkar : AI ในปีนี้ยุค AI Agents เน้นการสร้าง / การคุมการทำงานให้ดี / การ deploy นำไปใช้จริง
• Lili Cheng - Bot / Agent Idea มาจาก WeChat และต่อยอด Bot Framework อารมณ์ Line Bot ในบ้านเรา แล้วทีนี้ปี 2026 Copilot Studio ช่วยให้สร้าง Agent ได้ด้วยตัวเองแล้ว Key เสถียร / ปลอดภัย / Integration กับ Action (Agent /Service) กับงานเดิม
• Dean Carignan - ความท้าทายในการทำให้ AI มี trust / Resilient โดยมาแนะนำ เจ้า Guidance เพื่อทำให้ AI มันมีความแน่นอนมากขึ้น(Determinism) คุมระดับ Token ได้ ยกตัวอย่าง เช่น การดึงข้อมูลจาก Database และยังแนะนำด้วยว่าถ้างานไหนที่คุณต้องทำซ้ำ 5 ครั้งต่อเดือน (Rule of Five) ให้เอา AI มาช่วยเสริม //สมัยก่อนเป็น Keyword Automation และเน้นการทำ Proactive Practice เพื่อปลดล็อกศักยภาพที่แท้จริงของ AI
• Jay Parikh - ตอนนี้ Microsoft มี Agent Factory ที่มาช่วยการทำ AI ได้ง่ายขึ้นแล้ว และยังปรับบางส่วน Cloud to Edge นอกจากนี้สิ่งที่นักพัฒนาต้องปรับ App เดิมมันรูปแบบตายตัว ตอนนี้มันสามารถ Think / plan/ reason / call tools / Know State (Memory/Database) ได้แล้ว เราสามารถ Delegate งานที่ยากขึ้นได้ และ App แบบใหม่นี้ช่วยการค้นใหม่ๆ ยา / การศึกษา / การแพทย์ และ Business Model ใหม่ๆ

Medosa's Memory Heist: A Game-based Journey into Safe and Secure Agentic AI

Speaker Aouychai Buranamanit

📌Agentic AI - Software ที่มีการเอา AI มาเป็นส่วนประกอบ และที่สำคัญมามันเข้าถึง ENV ภายนอกได้ เข้าถึง Drive เรา เขียนอ่านได้ หรือ ต่อ API โดย เอาง่าย มันสั่งโอนเงินได้ โดยที่มี Structure ดังนี้

• Agent - Excution Loop Planning / Action / Tools Calling (เชื่อมกับ API Service อื่นๆ)
• Agent - Memory จำ Context มีระยะสั้น และยาว
• Model - LLM Model ที่มี Function Calling

📌จะพบว่าทุกจุด Agentic AI App ความเสี่ยงทั้งหมด โดยมีความเสี่ยงดังนี้

• XIPA > Agent Hijacking - Cross Prompt Injction Attack ทำสิ่งที่ไม่ควรทำได้ เช่น App ขายของ แต่ Agent มันตอบ Code Python มาให้
• Intent breaking
• Sesitive Data Leak
• Supply Chain Compise LiteLLM
• Agent Sprawl จัดการยังไง ถ้ามีของเยอะ
• Inapproriate reliance ไม่เอ๊ะ จาก AI

📌Threat Modeling for AI - Threat Modeling ถ้างงลองไปอ่าน Blog ผมได้

• Attack Vectors - ส่วนประกอบของ AI Agent เรา เช่น Model / Traing Data (ถ้าไม่ดีจะ Bias นึกแบบ Order66) / Input / Plugins / MCP / Grouding Data / Memory / Agents / Output / Service ภายนอก
• Novel threat examples
  - Prompt injection (XPIA/UPIA)
  - AI-augmented cyber attacks - การโจมตีไซเบอร์ที่ใช้ AI ช่วย
  - Supply chain exploits
  - Model theft
  - Intent breaking - การทำลายจุดประสงค์เดิม หลอก Model ให้ทำงานอย่างอื่น
  - Sensitive data leaks - ข้อมูลสำคัญรั่วไหล
  - Manipulation -การบิดเบือน/ควบคุม - คนเชื่อ AI ไม่เอ๊ะ
  - Inappropriate reliancence
  - Bias/unfairness - ลำเอียง/ไม่เป็นธรรม
• Behavior Mitigation
  - Range of expected or likely probabilistic behaviors กำหนดรูปแบบการทำงานของ AI ที่ชัดเจน deterministic / บอก Scope
  - Mixes of probabilistic & deterministic mitigations - ทำ Guardrails
  - How the AI feature will interact with deterministic systems - ป้องกันให้ AI ไปสั่งระบบเกิน Scope ที่มี เช่น การลบ DB

📌จากนั้นยกเคสของ App Reimburse Agent พวกเบิกเงิน มีหลาย Threat เช่น Intend breaking / สิทธิสูงไป เช่น มันแอบไปอ่านเงินคนอื่น ที่นี้เราต้องทำ Behavior Mitigation เพื่อให้ App ของเราปลอดภัย จากข้างบนมี Threat อธิบายตามตารางได้ ดังนี้

ID	Threat Name	Description
T1	Intent breaking	การทำให้ระบบทำงานผิดเพี้ยนไป จากเดิม เช่น หลอกให้ระบบอนุมัติเงินทั้งที่ไม่ควรทำ)
T2	Over-permissioning	การอนุญาตให้ AI เข้าถึงระบบหรือข้อมูลมากเกินไป มีโอกาศให้เกิดความเสียหายรุนแรงหาก AI ถูกควบคุม
T3	User prompt injection	การที่ผู้ใช้ป้อนคำสั่ง (Prompt) หลอกลวง หรือมีคำสั่งแฝง เพื่อควบคุมให้ AI ทำงานตามที่ผู้โจมตีต้องการ
T4	Supply chain compromise	การโจมตีระบบรอบข้าง เช่น Model / Lib
T5	Cross domain prompt injection	แทรกคำสั่งอันตรายผ่านข้อมูล หรือ สภาพแวดล้อมอื่นที่ AI ไปดึงมาประมวลผล เช่น การฝัง Code ซ่อนไว้ในรูปภาพใบเสร็จ หรือ ข้อมูลจากฐานข้อมูลอื่น
T6	Memory poisoning	ใส่ข้อมูลที่เป็นปลอมลงในระบบความจำ (Memory / Vector Datastore) ของ AI เพื่อทำให้การตัดสินใจของ AI ในอนาคตผิดพลาด
T7	Inappropriate reliance	การปล่อยให้ AI ตัดสินใจในเรื่องสำคัญ ไม่ได้เอ๊ะว่ามันขัดแย้งกับสภาพความเป็นจริง
T8	Sensitive data leaks	การรั่วไหลของข้อมูล

📌Medusa's Memory Heist

• อันเป็นเกมการ์ด - เมื่อง Clipopolis พอทำ oracle-engine ทุกคนมันแต่พึ่งพาเจ้าตัวนี้จนทุกคนหลงลืมไป แล้วงที่นี้ Medusa เป็นคนที่จำได้ และมีหน้าที่ไปเราความทรงจำ Memory นั้นกลับมา
• แต่ละ Game เล่นต่างมุม เรื่อง Threat Modeling / Red Teaming / Defense / Logging / Incident Response ผมลองเล่นแล้ว สนุกดี แล้วที่สำคัญมันบอกจับคู่ของส่วน
  - Attack Vector - มีอะไรที่มาโจมตีได้ เช่น ข้อความแชทปกติ / RAG DB / External Service / Image Context
  - Amplifier - เร่งการโจมตี เช่น จากภาษาที่ Model ไม่รู้
  - Timing - โจมตีแบบรัวๆ หรือ โจมตีตามรอบ ช่วงเวลาที่กำหนดไว้
  - ใช้ Solution อะไร Apply แล้วถ้าเลือกครบตาม Game ก็ลองเอามาตำนวณดูว่าจะแตก หรือรอด 555

Resource: Medusa's Memory Heist (Trailer) / Game Medusa's Memory Heist ไปเล่นกันได้

Beyond Agents: Responsible AI at Scale Building the cockpit for the Jet Engine of AI

Speaker Komes Chandavimol

📌ทุกวันนี้เราเชื่อม AI Agent กับงานต่างๆ เช่น Mail / เอกสาร / Enterpise System ตอนนี้มันสร้างได้ง่าย และมี POC ออกมาได้ไวมากจากการ Vibe

• แต่ทว่า Integration กับระบบอื่นๆ มี Agent รอดเหลือ 45 %
• พบว่ามี 12% จาก Vibe App ที่ไปเป็น Enterpise App ได้

📌การทำ Agent ขึ้นมา 2 ส่วน

• Jet engine (LLM)
• Cockpit (Agent Harness) - ส่วนที่ช่วยเราคุม นึกภาพว่า ถา้มีคู่มือหนาให้ทำตาม กับระบบที่ช่วยคุม อันไหนจะดีกว่ากัน เคลมว่าลด Incident ได้จาก 43% เหลือ 8%

🎯Predictable & Accoutable Execution

• ดังนั้นเราต้องดู 2 มุม Accoutable + Predictable ว่าตัว Agent เราเคสนี้ ถ้าเครื่องบิน
  - Predictable เช่น ถ้ามีสงครามทางที่ผ่าน ระบบต้องปรับเส้นทางยังไง / ระหว่างเดินทางเจอมรสุม ถ้าจะรู้ต้องมีพวก Sensor ต่างๆ เพื่อให้เดาได้
  -Accountable มีการ tracing ได้
• Prod grade Agent ต้อง Control ดังนี้
  - Instructions - Feed Forward Guideline
  - Scope & Constraints
  - State - จำได้ว่าทำอะไร สั้นยาว
  - Veirication ตรวจสอบ Feedback loops
  - Session ส่วนอื่นที่เกี่ยวข้อง อย่างระบบรอบข้างที่ Interact ในช่วงเวลานนั้น

🎯ถ้าเป็นเราทำต้องทำอย่างไร มีแนวทาง Guideline ตามนี้

Layer	Core	Solution
1 Workflow Oracheatration	Workflow Routing / State Machines / Memory	Enterpise - Microsoft Foundry / Microsoft Agent Framework Open Source - Lang Graph / CrewAI
2 Mesasurement	Fairness/ Answer Relevance / Context Relevance	Enterpise - Azure AI Evaluation SDK ซึ่ง Grounding / Metrics / ใช้รวม CI/CD ได้ Open Source - ทำเอง Deepeval / Ragas ทำพวก LLM as a Judge / Unit Test RAG Pipeline
3 Tracing	Agent ไปทำ มันทำอะไรบ้าง Tools Call / Latency / Token	Enterpise - Microsoft Foundry Tracing Open Source - Arize Phoenix / LangSmith ** Centralize Logging / DataSet Versioning
4 Guardrail in prod	กันพวก prompt injection / jailbreak / PII Leaks	Enterpise - Microsoft Foundry ** Content Filtering / Prompt Shields Open Source - Promptfoo / langwatch ** Auto RedTeam / FI Score

🎯ถ้า Design App สิ่งที่สำคัญ

• No evidence / No victory ทุกครั้งที่ Agent ทำงานต้องมี log เอามาให้ Debug เช่น อยู่ Agent แนะนำหุ้น ถามมันบอกชื่อมาจากอะไร ถ้ามันบอกไม่ได้จะมีปัญหา Trustworthy - Governance
• ของที่เราใข้เอง กับของที่ลูกค้า คนอื่นๆต้องใช้งาน ตาม Complance
• Human In The Loop มีก็ดี แต่ Flow มันช้า เพราะ Approve เยอะ เสียเวลารอ
• อีกแบบ Human In The Lead กำหนด Harness Constraints Et้hics แล้วมากำหนด Scope ให้ AI มันทำ Auto ได้เลย

จริงไม่มี stack ไหน fiัt หมด เราเลือก Enterpise / Open Source มาผสมกันได้ เพราะบางที Enterpise เค้าไม่ได้ทำรองรับพฤติกรรมขอคนไทย

🎯สรุป The Flight Plan / การทำ Agentic App ยุคนี้

• Deploy Harness System Not just the prompt เพราะเราไม่สามารถไปแนะนำให้ user ทุกคนทำดีได้ เอา Step Prompt มากำหนด Harness ของ AI Agent
• Verification เป็นสิ่งที่จำเป็น
• Visibility with Responsibility บอกได้ ว่าที่ AI บอกแบบนี้มันมีที่มามาจากไหน เอาจากแหล่งข้อมูลอย่างไร ถูกกฏหมายไหม

คนไทยไม่ควรเป็นคนใช้นะ ต้องเป็นคนสร้างด้วย

We don't need another agent. We need a better harness.

Speaker Thada Wangthammang

📌มี Agent เกิดใหม่ทุก 1-2 เดือน แล้วที่นี้ ก่อนที่เราจะสิ่ง Agent ต้องมาทำ Harness ไหมนะ

• 31-Mar-2026 Claude Code - map file leak เราพบว่ามี Code TS 500,000 บรรทัก หลังจาก Code หลุด พบว่ามีคน Port มาเป็นภาษาอื่นๆกันโดนฟ้อง โดยใช้ On-My-Codex แปลงมาเป็น Python 1 คืน
• ที่ Speaker สนใจไม่ใช่ Claude Code แต่ On-My-Codex ที่เอามาช่วยแปลง เทคนิค Clean Room Port
  - Red Team อ่าน Code ของ Claude Codeเขียน Spec
  - Blue Team อ่าน Spec มาเขียน Code และไม่ได้เห็น Code ต้นฉบับด้วย

🎯oh-my-codex (OMX)

• Workflow Tools ที่ทำครอบ Codex CLI ทำให้ result มันดีขึ้น เพราะปัญหา
  - ไม่ได้ Structure Planning
  - State Memory ไม่พอ
  - Codex SubAgent มัน Sprawn Agent ได้ไม่เยอะ
• OMX ไปทำอะไรบ้าง
  - $deep-interview ถามเรานี่แหละ ว่าต้องการทำอะไร คล้ายๆกับ grill-me
  - $ralplan planner / Architect / Critic
  - $team run agent เป็ร parallel

📌OMX - Harness Engingeering

• สมการ Agent = Model + Harness
• Layer
  - เล็กสุด Model ฝังมา
  - System Prompt ใน CLI ต่างอย่าง Claude Code
  - User Harness feed forword / feedback control รวมถึงการมื Human In The Loop

📌How OMX Harness work

• Skill
• Durable state ที่แชร์กันทุก Session - Agent ทุกตัวเห็นหมด
• key grill (interview) ตัวหลัง deep-interview โดยข้างในมื
  • Feed-forword shaping
  • Computational gating กำหนดคะแนน
  • Durable State เก็บลง mcp server omx_state

📌Feed-forward deep-interview inside

• ถามที่ละข้อ
• เริ่มจาก Why What
• ก่อนจะข้าม Topic ต้องยืนยันก่อนว่า ทำอะไรสรุป
• มี LLM as a judge ให้คะแนนการตอบคำถาม มีสรูปด้วย สำหรับ Project Green Field / Brown Field พอแทนสูด ถ้าค่าใกล้ 1 ชัดเจน 0 ไม่ชัด
• มีกำหนด Thresold กำหนดรอบการถาม

📌4Step OMX Harness

• ทำ Markdown - เก็บ Skill ไว้
• Gates คุมเงื่อนไขที่ handoff
  - Quantitative - score ที่ Agent ส่งมาให้ในแต่ละรอบ
  - Qualitative
  1. ดูจาก Non-goals explicit พวก Rule ที่เรากำหนด
  2. Decision Boundaries explicit การตัดสินใจเอง เช่น การถาม คงรู้สึกท้อใช่ไหมกับการที่ Claude Code /grill-me ถามไป ชม นึงยังไม่จบ อันนี้จะช่วยให้มันพอดี
  3. Pressure pass complete - Why ถามตรวจก่อน เรียกว่าใช้ใส่ใจมากขึ้น
• MCP server - เก็บ State omx_state (.omx/state/) - อันนี้ทำเป็น node js แยกเลยนะ แล้วบันทัก State แยก

• File System Compose Workflow / Skill / Handoff contract

Apply ยังไง เราถามก่อนว่า Why ทำไม และต้องมี gate

🎯ถ้าอยากทำเองหละ มันมีหลายตัวนะ

• เริ่มจาก pi-agent ไม่มี harness แล้วมาต่อเสริม
• ใช้ของที่มี เช่น Siclaw - DevOps Read Only ดู 7 Layer อย่าง OS-Level / User Isolation / Command Validation/ Output Sanitization เป็นต้น แต่ต้องมาทำ MCP เพื่อให้สามารถทำ Command อื่นได้

🎯Council / Reeve (Open Source ที่ทาง Speaker ทำขึ้นมา)

Goal not readonly แบบ Siclaw /write operation ที่ approve แล้วทำได้

• Artifact มาก่อนทำงานจริง โดยที่ Aritfact เป็น tools cli เล็กๆ ทำงานนั้นๆ

• เบื่องหลังการทำงาน reeve ทุกการทำงาน จาก shell เขียนด้วยภาษา rhai.rs เป็น rust ทำ CLI บอกว่าอะไรที่ควรทำได้ เพื่อที่มั่นใจว่า AI มันไม่หลงทางแน่ๆ และดีกว่าเขียนพวก Text File/ JSON เพราะ AI มันไปแก้ได้ โดยยังมีคน Approve Action เรียกใช้ Artifact
• Proof with low effort

อีก Session ที่อยากให้อ่านคู่ด้วย Claude Code BKK https://naiwaen.debuggingsoft.com/2026/05/recap-claude-code-bkk-sharing-2/

Resource: Slide / council / reeve

Let Agents Do the Heavy Lifting: AI-Driven Code Modernization in Practice

Speaker Tanisorn Jansamret,Patis Piriyahaphan / Dasapich Thongnopnua / Sawit Meekwamdee

📌Problem ถ้าเรามี Code ยุคเก่าเลย ใน Talk VB.NET (จริงๆ เก่าากว่านี้ VB6) แล้วที่นี้ ถ้าอยากปรับให้ทันสมัยขึ้น หรือ เป็น Cloud Native ต้องปรับยังไง มีปัญหา

• ซอฟต์แวร์เก่า คู่มืออะไรหายไปหมดแล้ว
• ความเสี่ยง และขั้นตอนที่ซับซ้อน - ปรับแล้ว มัน Error แน่ๆ ทั้งจาก Lib เก่า มีเปลี่ยน API เป็นต้น / Validate ยังไง
• การสื่อสาร ยิ่งคนเยอะ ยิ่งคอ ขวด แล้วโครงสร้าง หรือ Process ขององค์กรอีก
  - คนเดิม ไม่อยู่แล้ว หรือ ไม่อยากดูแลมี pain

📌 AWS มีเครื่องมือ

• AWS Transform จริงทำใช้ข้างในแปลงพวก Java เก่า แล้วที่นี้เลยขยับมาภาษาอื่นๆ เช่น dotnet ทำได้หลายอย่างตั้งแต่ Assess > Transform (DB Modernize > Check > Deploy)
• Kiro (Orchestrator) เอาไว้ช่วยจัดการ เรียก Skill เพื่อไปใช้ AWS Transform และมาเก็บงานตอนสุดท้ายด้วย

📌Demo End-to-End

0. Kiro เข้ามาดู Code เรียก AWS Transform
1. Assessment: ใช้ AWS Transform วิเคราะห์โค้ดเพื่อหา Technical Debt, ตรวจสอบสถาปัตยกรรม และสร้างรายงานประเมินความเสี่ยง จะนำผลการวิเคราะห์มาสร้างเป็น skill.md หรือ Transformation Definition ซึ่งเป็นชุดคำสั่งเฉพาะ เพื่อให้ AI รู้ว่าต้องแปลงโค้ดจากอะไรเป็นอะไร
2. Conversion: AWS Transform ลงมือแปลงโค้ดตามแผนที่วางไว้ + Skill ที่มี
3. Audit & Agent Loop: Kiro จะทำหน้าที่ Line-by-line comparison เพื่อเปรียบเทียบโค้ดเก่าและโค้ดใหม่ หากพบจุดที่ขาดหายไปหรือบั๊ก จะ Agent Loop เพื่อแก้ไขจนกว่าจะทำงานได้ถูกต้อง
4. เคสที่ปรับ DB: AWS Transform เข้ามาช่วยย้ายด้วย
5. Deploy App ขึ้น ECS / EKS

Building AI Agents in Unity from Editor AI to Real Time Interaction

Speaker Gittitat Ekchantawut

📌งาน 3D เดิมทำพวก Asset ใช้เวลานาน Model Texture และเป็นงานสะเอียดต้อจัดพวกแสงเงาด้วย และการทำ Prototype ของพวกนี้ยังแพงนะ ซึ่ง AI เข้ามาช่วยส่วนนี้ โดยมี

• Muse Gen รูป / sentis แต่เน้น Cloud และเป็น Tools แยก
• Unity 6.x มีตัว Unity AI - Local

📌สำหรับใน Unity 6.x มีมาในตัว และ ได้ 2 ฝั่งเลย

• Cloud
  - Assitance - Code Gen / Bug Fix / Profiler Analysis / Scene Management ทำฉากบ้าน รถของข้างใน
  - Generator (3D/2D Texture Sprite) ลดการทำ Animation ได้เยอะ รูปส้ม มัน Gen ให้ทุกแบบเลยแค่ถาม ทำคล้าย Fruit Ninja

• Device
  - Inferece Engine เพิ่ม AI ตัว Game
  - ONNX Base GPU CPU NPU (Local First)
  - Run Inside App, Demo เอา yolo มาใช้

📌Why Unity

• Cross Platform / C# / Real time 3D XR
• Skill + MCP
• นอกจากนี้ใน IDE เราสามารถ Switch Model ได้ ตอนนี้ Free 1000 Credit 14 วัน / Subscription 1000 Credit/10 USD โดยตอนนี้ลอง 1 model 5 credits หรือ เราวาดภาพ แล้วโยนภาพ + prompt ให้ AI Gen สร้าง Game ขึ้นมาได้ ลองไปเล่นใน unity.ai

📌Ptifall - สุดท้าย AI จะเก่งแค่ไหน แต่เรายังต้องมี Skill มาตัดสินใจคุมมัน

• Main thread can stall - คอขวด 3D vs inference
• GPU contention with URP
• No training at runtime - Model ขนาดเล็กนะ 10-20 mb ยัดลงเกมได้สบาย

Resource Slide / ถ้าใครอยู่รู้ Unity เพิ่มมี Session งาน dotnetconfth: Between Unity and Al in 2026

Building Open-Source AI Agents with Google Gemma and ADK

Speaker Punsiri Boonyakiat

📌Local AI Agents - Run Modek บนเครื่องตัวเอง เน้น Data Privacy / No Token Limits / Offline Capability

Tools

• Desktop - jan.ai / LM studio / ollama / vLLM
• Mobile - Google AI Edge Gallery (App Store / Play Store) / Locally AI (Apple Device)
  - ติดตั้ง แล้ว load model + chat เลย

📌Model มีหลายค่ายอย่าง Gemma / Kimi / Qwen / Minimax / Deepseek เป็นต้น

Gemma เป็นโมเดล Open Source จาก Google ที่นำเทคโนโลยีเดียวกับ Gemini มาใช้ โดยเวอร์ชันล่าสุด Gemma 4) มีคุณสมบัติเด่นคือ

• Multimodal & Reasoning: เข้าใจทั้งรูปภาพ วิดีโอ และมีกระบวนการคิด (Thinking process) ก่อนตอบ
• Multilingual: รองรับมากกว่า 140 ภาษา รวมถึงภาษาไทยและอังกฤษ
• หลายขนาด (Sizing): มีให้เลือกหลายขนาด (เช่น 2B, 4B, 27B) เพื่อให้เหมาะกับงบประมาณและทรัพยากร Hardware ที่มี

ถ้าอยากลองใช้ Google AI Studio มาแทน หรือ ใช้กับ Local LLM ตัวอื่นก็ได้ ถ้าเอาขึ้น Prod เอาไปใช้ Cloud Run (GPU) Host Model ได้นะ หรือ Google Agent Platform - Model Garden

📌ADK

• เป็น Framework ที่ทำ Agent แบบพวก Langhain / Crew.ai ตอนนรี้รองรับ Python / Go / Java / JavaScript
• Demo โดย ADK + LiteLLM (ผมไม่เคยใช้เลย ตอนทำ dotnet ใช้ YARP บิตจนเป็น LLM Rounter python มันง่าย และตัว pillow จัดการรูป

• แอบอึ่งอยู่ Model Gemma 4b ส่งรูปไปมันก็ตอบได้ สุดยอดด

Resource ถ้าอยากลองเต็มๆเป็น Lab ทำตามนี้เลย https://docs.cloud.google.com/run/docs/tutorials/gpu-gemma-with-ollama

Building an Internal Agent Skills Catalog: One MCP, Three IDEs, Zero Drift

Speaker Joel Dickson

📌เริ่มจาก Skills / Skill สรุปสั้นๆ

• Slash Commanf just a CLI
• Skill a smart context inject with prompt เช่น Testing Standards / api-design

📌Problem: การเข้ามาของ AI มันทำให้เกิดปัญหาขึ้นภายในองค์กร (Structural Sprawl) อย่างที่ Agoda เองพบว่า

• ทีมกว่า 20 ทีม 4000+ repo จากที่พยายามสร้างแชร์ Skill ของตัวเอง 6 วิธีที่แตกต่างกัน จาก Tools sourcegraph เห็น Pattern ได้แก่
  - Direct copying of files
  - Claude Code plugins
  - MCP generic extensions
  - GPT Knowledgebase platform ภายใน
  - Embedding into Git repositories
  - VSIX Extension
• พอมีหลายรูปแบบ Engineer ใช้ Tools หลายอันด้วย Claude Code, Cursor การส่งต่อแบบข้างต้น มันจะเกิดปัญหา อันไหนใหม่สุด / อันนี้ใช้งานได้กับ Tools อะไร และอันนี้ไม่ได้ใช้แล้ว

📌Solution: Internal Skills MCP Server

• ฟังแล้ว ผมอ๋อเลย เพราะจาก Talk ก่อนหน้า Speaker แกบอกว่า MCP Not Dead for distribure จาก Talk dotnetconfth: Code Entropy: The Silent Killer of .NET Monoliths ผมเข้าใจแล้ว MCP มันมีส่วน Tools / Resource (เอา Skills มาใส่) / Prompts มัน Map ได้พอดี
• การใช้ MCP ข้อดีเลย -ระบบนี้ไม่ได้ส่งแค่ข้อความ แต่สามารถส่ง Resources อื่นๆ เช่น รูปภาพ, font หรือแม้แต่ Python Script เพื่อให้ LLM รันงานแทน ลดการหลอน ลดเคสที่ LLM มันต้องเอา Token ไปสร้าง หาของเหล่านี้มา มันลดค่าใช้จ่ายด้วย
• อีก Idea เราไม่ต้องทำ Server ใหญ่ แยก MCP Skills Server ตาม Role
  - Backend - Coding / CI Pattern / Coding Standard
  - Office - Excel / PPT / PowerAutomate
  - Management เป็นต้น
• นอกจากนี้ Agoda เค้ามองว่าข้อมูลสำคัญมาก อันนี้ไม่ได้ใช้แล้ว อันไหนใหม่สุด มีตัวทำ Telemetry มาเก็บไว้วัด Adoption Rate / Adandonment / Team Usage / Token Use + Budget / Routing Problems ถ้ามีลำดับการเรียก Skill ที่แปลกต้องมาดูว่าเขียนไม่ชัด หรือป่าว เรียก Skill A เปลี่ยนไป
• พอมี Central จุดเดียว เราเตรียม Format ใช้ Tools Claude / Cursor และดูการเปลี่ยนแปลงผ่าน Git

นอกจากนี้แล้ว Flow ตัว Skill มี CI/CD มาตรวจนะฃ

• Unit ใช้ Prompfoo ตรวจว่า Constraint ของ Skill ปรับใหม่ หลุดไปจากเดิมไหม
• End 2 End agent-catalog-eval ทำขึ้นมาเอง มาตรวจสอบความเข้ากันได้กับ Model แต่ละตัว มี Score เทียบออกมา

และ Confessional Skill เมื่อ Agent ทำงานผิดพลาด ระบบจะมี Skill ที่ให้ Agent สารภาพ Slack เพื่อให้ทีมนำไปปรับปรุง Skill ให้ดีขึ้นในครั้งต่อไป เป็น Feedback Loop เอามา Improve

📌Three sentences to walk out repeating ส่วนปิดท้ายและ

• Same platform engineering, new consumer - เคสเป็น AI / Human ที่ใช้ของจาก Platform เป็น Platform Engineering แบบนึงเลยมีท้ั้ง Flow Git / Discover / Test / Feedback
• Skills are a delivery problem, not a content problem - ทำให้เป็นส่วนกลาง Source of Truth

• You can build it - ตัว Skill MCP จาก Fast MCP และ มี Flow Test ด้วย

From Workflow to Workforce Through Agentic Orchestration

Speaker Supasate Vorathammathorn

📌Orchestration คือ การจัดการ Coordinate / Execution เพื่อให้ระบบต่างๆทำงานร่วมกันได้ ERP / RPA / SAAS อื่นๆ / ตอนนี้เอามาใช้กับ AI Agent แล้ว

📌จาก Model สู่ Control

• Model -มาตั้งแต่ปี 2022 ที่ ChatGPT เปิดตัว และเก่งขึ้นมาเรื่อยๆ
• Context - เชื่อม RAG MCP เพื่อให้ AI ตอบได้ดีขึ้น
• Harness - การคุมขอบเขต คำตอบของ AI เพื่อไม่ให้มัน หลุด Guard / Privacy
• Control - หมายถึงตัว Orchestration ที่มาคุม AI Agent ให้ทำงานด้วยกัน ตอบ Goal ได้

Chat Bot Vs Agentic Workflow (Single Agent / Multi-Agent)

Key Charateristic	Chat Bot (แบบเดิม)	Single Agent	Orchestrated System (Multi-Agent)
รูปแบบการทำงาน	- เน้นที่ความสามารถของ Model - Single Turn ถามคำถามสั้นๆ แล้วตอบ	- เชื่อมต่อกับ Context - เริ่มมีการเรียกใช้ Tool Calling เพื่อหาข้อมูลภายนอกได้	- Control ประสานการทำงาน - Multi-step Workflow มีการทำงานวนลูป (Agent Loop) จนกว่างานจะสำเร็จ
ความสามารถหลัก	ตอบคำถามทั่วไป (Q&A) เช่น ถามเมืองหลวง	ทำงานได้มากกว่าแค่การตอบคำถาม	คิด, วางแผน, ใช้เหตุผล และเรียกใช้เครื่องมือที่ซับซ้อน
การจัดการ Memory	ต่ำหรือไม่มีเลย	เริ่มมีการจำ Context แต่ยังจำกัด	จัดการทั้ง Working Memory และข้อมูลองค์กรขนาดใหญ่
การควบคุม	ไม่มี	Single Loop	มีระบบ Planner, Router, Verification และต้องมี Approval เสมอ
ผลลัพธ์ที่ได้	Text Response	เป็นคำตอบที่แม่นยำขึ้นจากการเข้าถึงเครื่องมือ	Execute Task เช่น ทำสไลด์ Presentation หรือเขียนโค้ดและรันผล

🎯Anatomy of Strong Orchestrator อันนี้คล้ายกับ Session ก่อนหน้านะ

• Planner วางแผนเลือก ทดใน Memory
• Rounter เลือกจะใช้ Tools อะไร หรือ API ข้างนอก
• Verification Layer + Approval Saft Layer เอาไว้ตรวตสอบ
• นอกจากนี้ยังมีส่วนของ Observability / Eval เอาไว้เก็บข้อมูล และทำ Feedback Loop

📌ความยากของ Orchestrator การจัดการ Memory เพือ Share Context

• Working Memory
• Memory Controls - อันไหนควรจำ ลืม หรีอ ควรสรุปใช้ต่อ พวก Coding Agent ใช้ Reinforcement Learning มาใช้ด้วย
• Persitance Guidance - agent.md / claude.md
• External Artifactors ข้อมูลพวก Vector ทำ DB ถ้าไม่ดีมันใหญ่ไป กิน Cost เยอะ
• Retrieval - chat history / context

🎯ถ้าเราต้องมายุ่งกับ AI Agent หละ

• Developer View
  - Decompose intenionally - Plan แบ่งงาน เลือก Agent ที่เหมาะ
  - Keep routing explicit - Tools / Skill ที่ใช้ ถ้าไม่มีเตรียมไว้
  - Seperate Plan / Execute / Verification
  - Control Harness (Least Privillege + Approal Gate)
  - Trace back
• User View - คล้าย prompt eng / context eng
  - Goals
  - Context
  - Tools - Skill.md
  - Constraints เอาบอกข้อจำกัดด้วย ว่าควรใช้ Cost เท่าไหร่ / ยุ่งอะไรได้ ไม่ได้
  - Approval Point - Human in the loop เสมอ
  - Expected Output - รูปแบบผลลัพธ์เป็นยังไง และควรบอกเป็น Bullet เราจะได้มานั่งตรวจได้
  - Success Criteria - เมื่อไหร่งานถึงจบ ผ่าน

Agent รอบตัวเรา Productivity / Coding / Travel Planning / Research Agent

ตัวอย่างของ Tools Agentic Orchestration อย่าง Claude Code จาก Paper https://arxiv.org/pdf/2604.14228 มาช่วยเพิ่มความสามารถของตัว Model โดยมี การรับ input / Tool Call (Skill / MCP) / Approval (ถามก่อนทำ / ขอ Feedback) / ตรวจสอบผลลัพธ์ และปรับแต่งตอนสุดท้ายก่อนส่งกลับมา

How Data Engineer Transition from Developer to Approver

Speaker Chayutapon Suwannachart

📌ก่อนจะเข้าใจว่า AI มาช่วยยังไง มาเข้าใจ Flow ของ DE เดิมก่อนมีตั้งแต่

• Orchestration & Data Platform
• Source Control (Git) / CI/CD
• Programming Language python / sql / bash shell

📌Workflow เดิม

• Dev Deploy

Req (อาจะมี BA / SA สรุปจาก User มาก่อน) - จัดการ Data Dic / Business Rules
   > Code & Config 
     > Versioning (Git) 
       > CI/CD (Quality Gate / Code Scaning / Deployment)

• Execution

Triggr (Schedule / Event Based) 
   > Processing (ETL / ELT) 
     > Access Conrol (Role / Permission / Data Masling PII) 
       > Validation (Testing From Business Rule) 

ตัวที่ Take time มาสุด Requirement (30%) / Coding (55%) / Debugging (15%) //Debug แอบน้อยนะแสดงว่า Process Automation ดี ของเองมีเคส Rework แบบทำใหม่เลย

📌แล้ว AI เข้ามาหละ ?

• จาก Chat Bot > AI Agent อันนี้ลองไปดูหัวข้อก่อนหน้าได้ โดยเหมือนเป็น Junior มาข่วยเรา เราขยับทำบทบาทที่สูงขึ้น เข้าใจ Domain อื่นมาเสริมงานตัวเอง
• Flow

Plan - break goal
  Act - call tools execute a task 
    Observe - check result
      Loop 

เมื่อมี AI มาช่วย เวลา Coding ลดลง Review มากขึ้น ใน KBTG พยายามให้ AI มาช่วยในส่วนของ Non Prod เป็นหลัก เพื่อให้ได้ Feedback กลับมา

📌สำหรับงานของ DE ที่เอา AI มาช่วยประมาณนี้

DE Task	Tool / Language	Agent Action
Write Specification from requirement	Python	Generate column names, descriptions, rules automatically
Create Configuration (ingest/ transform)	YAML, JSON	Convert Spec -> Config file without manual coding
Commit code & trigger CI/CD	GitHub Action	Push generated Config & code, trigger the pipeline
Trigger & monitor jobs	Orchestration Tools	Call Orchestration tools, monitor the process
Run ingestion and transformation	PySpark, SparkSQL	Submit the job as per Config logic
Validate data quality	Python, SQL	Run rule-based test, generate result report

ถึงแม้ว่ามี Agent แต่สิ่งที่ Agent ยังทดแทนไม่ได้ เข้าใจ Business Rule / Judgement การตัดสินใจ การตรวจทาน / Accountability กับ Data + Pipeline / Trust จาก Stakeholder / Data Consumer

Frontend Engineering with Agentic AI: An MCP-Powered Development Lifecycle

Speaker Siwat Kaolueng,Pichyapa Khanapattanawong

📌EarnIn FinTech ใน US

📌Problem ปกติงานระหว่าง Product Team / Dev Team มีพวกเอกสารเยอะมาก และมีส่วน Overhead / Coordination จากการอ่าน เอกสารความต้องการ (PRD) / Figma Design / Jira Ticket มีเกิด Context Switching จากข้ามจากงาน A > B

📌Solution

• Tech Stack React / Storybook (สำหรับ UI development) / Mock Service Worker (MSW) / GitHub
• Plus with AI:
  - Claude Enterprise / Cursor / Code Rabbit (Code Review Agent)
  - MCP Servers: Jira, Figma Storybook Slack 
• Agentic AI Workflow Planning > PR

📌Agentic AI Workflow Planning

1. Planing & Setup
   - Backend ให้ OpenAPI
   - Product Team ให้ PRD + Figma จากนั้นใช้ MCP มา Gen Jira Ticket เพื่อทำ Spring Planning

2. Implementation
   - ดึง Ticket มา เอา Figma ใช้ Claude Code จัดการต่อ
   - MSW Mock ตาม OpenAPI
   - UI + Test ตอนนี้จะเจอปัญหา ถ้าไม่ให้ No Design Sytstem / No Example / No Existiong Pattern จะเจอปัญหาว่า UI ออกมาแบบมันทำได้ แต่ไม่สวยใช้ได้ ต้องเพิ่มสอนไป

3. PR & Review Loop
   - Create PR ระหว่างนี้เข้า
   >> Flow CI/CD (Lint / UT / Integrtation)
   >> QA Test
   >> Code Review - Code Rabbit + Human
   - ถ้ามีประเด็นวนกลับไปแก้
4. Merge & Deploy

📌Lesson Learn

• Detail Req get context & Acceptance criteria
• Use Example Design System & Code Pattern - เพื่อให้ AI ทำงานได้ดีขึ้น
• Live MCP to Centralize / reduce switch context

Resource: Slide

If you need Local what you should know to fit your budget

Speaker Witthawin Sripheanpol

📌ทำไมต้องใช้ Local AI

• เรื่องของ Data Privacy (ข้อมูลความลับบริษัท) และการประหยัดค่าใช้จ่ายในระยะยาวสำหรับองค์กรที่มีปริมาณการใช้งานสูงมาก
• มีงบเท่าไหร่ ? สำหรับใน Talk นี้เฉพาะ Host Model อย่างเดียวนะ ไม่รวมพวก Memory / Database / Tools ที่เตรียมให้ Agent

📌ถ้าเรามุ่งมันจะไปทาง Local AI แล้ว ลองมาตอบคำถามเหล่านี้ก่อน อย่างแรกเลือก Model

1. What your domain - Coding / Finance / Law / Medical เป็นต้น ถ้าชัดเจนสามารถเลือก Model ที่เล็กมาใช้แทนได้ ไม่จำเป็นต้องเอา Model ขนาดใหญ่ที่ตอบคำถามได้ทุกเรื่อง
2. Have same QA - ทดสอบก่อนที่จะลงทุน คำถามที่เตรียมไปเราต้องรู้คำตอบด้วยนะ บางที AI มโนได้ โดยไปลอง Open Source (เช่น Qwen, Llama) ว่า OK ไหม หรือ ต้อง
   - ทำ RAG
   - Fine Tune เพิ่ม ทุกอย่างมีค่าใช้จ่าย
3. Precision เราต้องการความแม่นยำของคำตอบขนาดไหน ซึ่งความแม่นนำขึ้นกับขนาดของ Model มันตัวเลยนะ ยิ่งทศนิยมละเอียดมากๆ ขนาด Model จะใหญ่มาก และมันส่งผลกับหน่วยความจำที่เราต้องเตรียมให้มันใช้ด้วย
4. Local AI All Time ? - ใช้แค่เป็นครั้งคราว หรือ ใช้ไปยาวๆ ทนกับ Limit Usage ของ Cloud AI ได้ไหม ถ้าจำเป็นต้อง Local แต่ใช่แค่ 6 เดือน อาจจะไปใช้วิธีเช่า Server มาทำแทน
5. Model เราเลือกแบบไหน
   - LLM / VLM (Vision Model) ต้องดูภาพถ่ายไหม ?
   - Frontier Model (ตัวใหญ่ตอบได้ไหม อย่าง GPT และแน่นอนมันใช้ RAM เยอะมากกกก) / SOTA ผมมี Blog จดนะ Speaker คนเดียวกัน SOTA vs Frontier Models: When agent is not your answer
   - เอา Model Dense (Active ทุก Param) vs MoE (Active บางส่วน) กิน RAM ต่างกัน
6. ลองมาคำนวณ Memory ที่ใช้ก่อน - ถ้าประเมินไม่พอ จะเจอ torch. cuda.OutOfMemoryError: CUDA out of memory

- Weight = Params x BytesPerParams (มาจาก Precision FP16 FP8 / INT)
- ActiveMem — ActiveParams x BytesPerParams (ActiveParams Model Dense / MoE) แต่มันดึงทั้ง Model  อยู่ดีนะ
- KV cache = (RamMax x %Utils (ของOS)) - Weight 
** KV cache ส่วนทีจำ Context ตอบไวขึ้น
- RamUsage = Weight + KV cache

7. ถ้ามันเยอะไป มีวิธีการ Quantization ทำให้ใช้ Memory ลดลง มีผลกับ Precision มีหลายค่ายทำ GGUF (llama.cpp) / AWQ (Activation-aware) / EXL2 (ExLlamaV2) / GPTQ / Bitsandbytes
   ** หรือ ไปเอาของที่คนอื่นทำก็ได้นะ

📌ส่วนที่ 2 รู้แล้วนี่ว่าเลือก Model RAM เท่าไหร่ กลับมาดู Hardware

1. เลือก CPU(พวก Mac M4 / M5 มี NPI) / GPU (การ์ดจอ)
2. เอา Model ขึ้นมาใช้งานกี่ตัว ยิ่งเยอะใช้ CPU/GPU และ memory เยอะ
3. รับได้ Memory Bandwidth
4. ถ้ามีการใช้งานหลายคนต้อง Scale HW เผื่ออีก

Resource: Slide

นอกจากนี้ในงานยังมี Live Workshop (Digitial Event) หลายอัน ผมแปะที่ผมสนใจนะ

• Build a Pizza Ordering Agent with Microsoft Foundry and MCP (Korkrid Akepanidtaworn)
• Build Your First Copilot-Powered App with GitHub Copilot SDK (Charunthon Limseelo) อันนี้ผมสงสัยเอามา Codeไหม น้องบอกว่าใช้งานปกติก็ได้
• Building AI Chat Agents with LangChain, Chainlit & GitHub Models (Orapin Anonthanasap)

Reference

• https://agentcamp-bangkok-2026.sessionize.com/