marp	true
theme	default
paginate	true
header	Get Started with LLMs
footer	© LLMs Course
size	58140
style	@import url('https://fonts.googleapis.com/css2?family=Noto+Sans+Thai:wght@400;500;600;700&family=Sarabun:wght@400;500;600;700&family=JetBrains+Mono:wght@400;500&display=swap'); section { font-family: 'Noto Sans Thai', 'Sarabun', 'Sukhumvit Set', 'Thonburi', sans-serif; font-size: 24px; line-height: 1.6; letter-spacing: 0.01em; } h1, h2, h3, h4 { font-family: 'Noto Sans Thai', 'Sarabun', 'Sukhumvit Set', 'Thonburi', sans-serif; font-weight: 600; line-height: 1.35; } h1 { color: #2563eb; font-size: 1.8em; } h2 { color: #1e40af; border-bottom: 2px solid #93c5fd; padding-bottom: 6px; font-size: 1.4em; } h3 { color: #334155; font-size: 1.1em; } table { font-size: 18px; line-height: 1.45; } th { background: #eff6ff; } code { font-family: 'JetBrains Mono', 'Menlo', 'Consolas', monospace; background: #f1f5f9; padding: 2px 6px; border-radius: 4px; font-size: 0.92em; } pre { font-family: 'JetBrains Mono', 'Menlo', 'Consolas', monospace; font-size: 15px; line-height: 1.5; } pre code { background: transparent; padding: 0; } blockquote { border-left: 4px solid #93c5fd; color: #475569; font-style: normal; } strong { color: #1e40af; font-weight: 600; }

Get Started with LLMs Course

Welcome to the Get Started with LLMs course. By Jillaphat Jaroenkantasima

A practical, beginner-friendly tour of today's most useful large language model tools.

github: https://github.com/ArthurMinovsky/get-started-with-LLMs-course/blob/main/README.md

---

Table of Contents

#	Chapter	Key Topics
1	Introduction to LLMs	LLM basics · System Prompts · Agents · Context Files · Documentation
2	LLMs model and Prompt engineering	Prompt engineering · Model comparison
2.1	ChatGPT	Prompt engineering · Best practices
2.2	Claude	Long context · Project workflow
2.3	Gemini	Multimodal AI · Google ecosystem
2.5	Prompt & Context engineering	Prompt design · Context files · Agent setup
3	NotebookLM	Source-grounded research · Studio
4	LM Studio	Local models · curl · Python API
5	n8n	Workflow automation · Google Cloud API

---

Prerequisites & How to Use

Prerequisites

• A computer with internet access
• Basic familiarity with web browsers
• No prior programming experience required

How to Use This Repository

• Read all chapter learning material in this root README.md
• Open chapter-specific sample files inside each examples/ folder
• Folders 01-07 are used to store chapter examples only

---

1. Introduction to LLMs

What is an LLM?

A Large Language Model is an AI model trained on very large text datasets to generate, summarize, translate, and analyze language — typically using a Transformer-based architecture.

see more: llm-glossary.md

---

1. Introduction — Key Concepts

• Prompt / Response
• Token / Context Window
• Temperature
• System Prompt
• Hallucination
• Fine-tuning / RAG

---

1.1 หลักการทำงานของ LLM

LLM = โมเดลทำนาย token ถัดไป จากบริบทที่ได้รับ

ขั้นตอนการทำงานคร่าวๆ:

1. Tokenization — แปลงข้อความเป็นหน่วยย่อย (tokens)
2. Embedding — แปลง token เป็น vector ตัวเลข
3. Transformer + Attention — ประมวลผลความสัมพันธ์ของ token
4. Next-token prediction — ทำนาย token ถัดไปทีละตัว
5. Sampling — สุ่มตามความน่าจะเป็น (ควบคุมด้วย temperature)

Tip: แนะนำให้ prompt เป็นภาษาอังกฤษ​ เพราะจะได้รีดความสามารถของ AI และประหยัดต้นทุนกว่าภาษาไทย

---

1.1 วงจรการสอนโมเดลและใช้งานของ LLM (LLMs cycle)

ขั้นตอน	สิ่งที่เกิดขึ้น
Pre-training	เรียนรู้ภาษาจากข้อมูลขนาดใหญ่ (เว็บ, หนังสือ, โค้ด)
Fine-tuning	ปรับให้ทำตามคำสั่งเฉพาะทาง
RLHF	ใช้ feedback จากมนุษย์ปรับพฤติกรรม
Inference	ตอนที่เราเรียกใช้งานจริง (chat, API)

LLM ไม่ได้ "คิด" หรือ "เข้าใจ" — มันทำนายคำถัดไปจากรูปแบบที่เคยเห็น

---

2. LLMs model and Prompt engineering

---

2.1 ChatGPT

Highlights

• เริ่มต้นใช้งานผ่านเว็บได้ทันที
• เป็นต้นกำเนิดของ chatbot, image generation, AI API, etc.
• คุณภาพผลลัพธ์ขึ้นกับคุณภาพของ prompt
• สามารถต่อกับ plugin ส่วนเสริมต่างๆ และสร้าง agent เฉพาะของเราเองได้

---

2.1 ChatGPT — Best Practices

• ระบุเป้าหมายให้ชัดเจน
• กำหนดรูปแบบคำตอบ
• iterative prompting (ถามต่อเนื่องเพื่อปรับผลลัพธ์)
• ChatGPT มีปัญหาเรื่อง Hallucination ต้องตรวจสอบข้อเท็จจริงที่สำคัญเสมอ

Example file: prompt-examples.md

---

2.2 Claude

Highlights

• เก่งด้านงานเฉพาะด้าน
• รองรับบริบทขนาดใหญ่ (long context)
• เหมาะกับงานวิเคราะห์เอกสาร, code review, งานประมวลผล, งานที่เน้นเฉพาะด้่านเช่น claudecode, cowork, claude-design
• claude มักคิดเยอะ และใช้ภาษาอังกฤษสละสลวยจนเข้าใจยาก และชอบติด rate limit บ่อย

---

2.2 Claude — Best Practices

• ใช้ Projects สำหรับงานที่ทำซ้ำ
• พยายามใส่ context ที่เพียงพอ ไม่มากไม่น้อยเกินไป
• อัปโหลดเอกสารจริงเพื่อให้ตอบแบบ grounded
• ขอหลายแนวทางเพื่อเปรียบเทียบก่อนตัดสินใจ

Example file: system-prompt-templates.md

---

2.3 Gemini

Highlights

• โมเดล multimodal (ข้อความ / ภาพ / เสียง / วิดีโอ)
• รับ context ได้มากที่สุด (~2M tokens)
• ผสานกับ Google ecosystem (Search, Workspace, Sheet, Stinch, NotebookLM)
• ใช้งานผ่าน Gemini UI, API ใน Google AI Studio หรือใน gemini-cli

---

2.3 Gemini — Best Practices

• เหมาะสำหรับ deep research และข้อมูลที่ต้องแนบ reference เพื่อตรวจสอบ
• เหมาะนำไปใช้เป็น application เฉพาะ เช่น nanobanana, stitch, canvas
• เชื่อมต่อ ecosystem เช่น google sheet, google drive, google doc, google slide

Example file: gemini-api-examples.py

---

2.4 ตารางเปรียบเทียบ ChatGPT, Claude, Gemini

	ChatGPT	Claude	Gemini
จุดแข็ง	สนทนาทั่วไป, image gen, ecosystem ใหญ่	วิเคราะห์เอกสารยาว, coding, reasoning	Multimodal, context 2M, Google ecosystem
เหมาะกับ	งานเขียน, ไอเดีย, image	งานวิเคราะห์เชิงลึก, dev work	Research, multimedia, integrate Google
ข้อควรระวัง	hallucinate ตัวเลข, ข้อมูลสด	บางครั้งระมัดระวังเกินไป, ใช้คำฟุ่มเฟือย	การทำตามคำสั่งยังไม่ดีพอเท่า 2 โมเดลก่อนหน้า
ราคา	Free / Plus $20	Free / Pro $20	Free / Advanced $20

เลือกตามงาน — ไม่มีค่ายไหนชนะทุกด้าน

---

2.5 Prompt & Context engineering

by Claude Opus 4.7 System Prompt use case

System prompt = คือคำสั่งซ่อนที่กำหนดบุคลิกและกฎของโมเดล

แหล่งที่เปิดเผยอย่างเป็นทางการ:

• Anthropic เผยแพร่ system prompt ของ Claude ที่ docs.anthropic.com/en/release-notes/system-prompts

---

2.5.1 ตัวอย่าง: NVIDIA Nemotron (โครงสร้างจาก model card)

You are a helpful, respectful and honest assistant.
Always answer as helpfully as possible, while being safe.

If a question does not make any sense, or is not factually
coherent, explain why instead of answering something not
correct. If you don't know the answer, please don't share
false information.

จุดสังเกต: เน้น "helpful, harmless, honest" (HHH)

• instruction ป้องกัน hallucination ตรงๆ

---

2.5.2 Logic ของ LLM ที่เรียนรู้จาก system prompt

จาก system prompt เราจะเห็นว่า LLM:

1. ทำตามคำสั่งตามลำดับ — instruction ก่อน มีน้ำหนักกว่า
2. ต้องการ context ชัดเจน — บอกบทบาท, วันเวลา, knowledge cutoff
3. ตอบดีขึ้นเมื่อมี structure — markdown, ขั้นตอน, ตัวอย่าง
4. ปฏิบัติตามขอบเขตที่ตั้งไว้ — "do this" / "don't do that"
5. ไม่รู้สิ่งที่ไม่ได้บอก — ถ้าไม่ใส่บริบท จะเดา

---

2.5.3 โครงสร้าง prompt ที่ดี (RICCE)

ส่วน	ตัวอย่าง
Role — บทบาทที่ต้องการให้แสดงออกมา	"คุณเป็น product manager มือใหม่..."
Instruction — คำสั่งที่เนื้อความครบถ้วน	"สรุปฟีเจอร์ใหม่ใน 3 ข้อ"
Context — บริบทหรือข้อมูลแวดล้อมรอบตัว	"ผลิตภัณฑ์เป็น mobile app สำหรับนักเรียน"
Constraint — ขอบเขต	"ไม่เกิน 200 คำ ใช้ภาษาไทย"
Example — ตัวอย่าง	"เช่น: '🎯 ฟีเจอร์ X ช่วย...'"

Ref: https://www.supplychaintoday.com/chatgpt-prompt-cheat-sheet/

---

2.5.4 เปรียบเทียบ prompt ที่ดี vs กำกวม

❌ กำกวม	✅ ดี
"เขียนอีเมลให้หน่อย"	"เขียนอีเมลขอเลื่อนนัด เหตุผลคือป่วย ภาษาทางการ ไม่เกิน 4 บรรทัด"
"ช่วยอธิบาย AI"	"อธิบาย AI ให้นักเรียน ม.4 ฟัง ใช้คำง่าย พร้อมตัวอย่าง 1 ข้อ"
"สรุปเอกสารนี้"	"สรุปเอกสารนี้เป็น 5 bullet points เน้นข้อสรุปและตัวเลขสำคัญ"
"เขียนโค้ดเรียง"	"เขียน Python function sort_by_date(items) รับ list ของ dict ที่มี key date (ISO string) คืน list ที่เรียงจากเก่าไปใหม่"

---

2.5.5 ทำไม prompt กำกวมถึงผลลัพธ์แย่

LLM จะ เดา ส่วนที่เราไม่ได้บอก → ผลคือ:

• 🎲 ผลลัพธ์ไม่สม่ำเสมอ (ครั้งละแบบ)
• 📏 ความยาวไม่ตรงต้องการ
• 🌐 ภาษา/โทนไม่เหมาะกับผู้ฟัง
• ❓ ไม่ได้ตอบคำถามจริงๆ

เคล็ดลับ ถ้ามนุษย์ด้วยกันเองยังถามกลับ — LLM ก็จะเดาสุ่ม

---

2.5.6 Context engineering ทำไม Documentation ถึงสำคัญในยุค AI

ในยุคก่อน AI:

เอกสารคือคู่มือสำหรับ มนุษย์ อ่าน ไม่มีก็ "อ่านโค้ดเอา"

ในยุค AI:

เอกสารคือ input ให้ AI ทำงาน AI ดีเท่ากับเอกสารที่คุณให้

No docs = AI hallucinates Good docs = AI ทำงานเหมือนเพื่อนร่วมทีม 💡 Documentation = เครื่องมือเพิ่ม productivity x10 ในยุค AI

---

2.5.7 Context File คืออะไร

Context file = ไฟล์ที่โหลดเข้า LLMs เพื่อให้ LLMs อ่านประกอบคำสั่งนั้น

หน้าที่:

• บอกข้อมูลเบื้องต้นเกี่ยวกับงานที่ต้องการให้ทำ
• ให้รายละเอียดเพิ่มเติมจากสิ่งที่คำสั่ง (propmt) ตกหล่น
• กำหนดขอบเขตการทำงานและแสดงตัวอย่างของผลลัพธ์
• ลด hallucination เพราะ AI มีข้อมูลจริงอ้างอิง

---

2.5.7.1 ตัวอย่าง Context File

README.md — overview, quickstart examples/ — ตัวอย่างจริง API docs (OpenAPI, JSDoc, etc.) .docx, .pdf, .txt, .csv, .xlsx - ไฟล์ที่เกี่ยวข้อง เขียนเอกสารดี = ลงทุนให้ตัวเอง + AI + ทีมในอนาคต

---

2.5.8 System Prompt และหลักการสร้าง Agent

Agent = LLM + บทบาท + เครื่องมือ + เป้าหมาย

หลักการออกแบบ system prompt สำหรับ agent:

กำหนดบทบาท ชัดเจน (You are a...) ระบุความสามารถ (You can do X, Y, Z) ระบุข้อจำกัด (You cannot do A, B, C) กำหนดรูปแบบ output (เช่น JSON, markdown) ระบุพฤติกรรมเมื่อไม่แน่ใจ (ถามกลับ / บอกว่าไม่ทราบ)

---

2.5.9 ตัวอย่าง Agent System Prompt

คุณคือ "น้องช่วย" ผู้ช่วยตอบลูกค้าของร้านกาแฟ ABC

✅ ทำได้:

• ตอบเมนู ราคา และเวลาเปิด-ปิด
• แนะนำเครื่องดื่มตามรสชาติที่ลูกค้าชอบ
• รับ feedback และส่งต่อให้ทีม

❌ ทำไม่ได้:

• ยืนยันการสั่งซื้อ (ต้องผ่าน LINE OA)
• คืนเงิน หรือส่วนลดพิเศษ

หากไม่แน่ใจ ให้ตอบว่า "ขออนุญาตส่งต่อให้พี่ทีมงานนะคะ"

---

3. NotebookLM

Highlights

• เน้นถามตอบจาก แหล่งข้อมูลที่ผู้ใช้ให้ เป็นหลัก
• มี citation ช่วยตรวจสอบที่มาของคำตอบ
• เหมาะกับงาน research, study, synthesis เอกสารหลายแหล่ง

---

3.1 แนะนำ NotebookLM เบื้องต้น

NotebookLM = AI research assistant ของ Google ที่ทำงานบน source ที่คุณให้เท่านั้น

ขั้นตอนใช้งาน:

1. เข้า notebooklm.google.com (login Google account)
2. สร้าง New notebook
3. เพิ่ม Sources (สูงสุด 50 sources / 500K คำ ต่อ source)
4. ถามคำถามใน chat — AI จะตอบพร้อม citation
5. ใช้เครื่องมือ Studio เพื่อแปลง source เป็น media

---

3.2 ประเภท Source ที่รองรับ

ประเภท	ตัวอย่าง
เอกสาร	PDF, Google Docs, Word, txt, markdown
เว็บ	URL ของบทความ, blog, Wikipedia
วิดีโอ	YouTube link (ถอดเสียงอัตโนมัติ)
เสียง	mp3, m4a (ถอดเสียงอัตโนมัติ)
ที่วาง	Paste text ตรงๆ

Tip: ผสมหลายประเภทใน notebook เดียวเพื่อ cross-reference

---

3.3 การหา Source คุณภาพ

• Google Scholar — งานวิจัย peer-reviewed
• arXiv — preprint สาย CS / ML / Physics
• Wikipedia — ภาพรวม + reference list
• YouTube — lecture, podcast, conference talks
• GitHub — README, docs ของ project
• เอกสารทางการ — government, NGO, official reports

ตรวจ author, date, source ทุกครั้งก่อน import

---

3.4 แปลง Source เป็น Media (Studio)

NotebookLM Studio สร้าง media จาก source ได้:

Output	คำอธิบาย
🎙️ Audio Overview	Podcast 2 host คุยกันเป็นภาษาธรรมชาติ
🧠 Mind Map	แผนผังความคิดเชื่อมโยงหัวข้อ
📝 Briefing Doc	สรุปสำหรับผู้บริหาร
❓ FAQ	คำถาม-คำตอบที่พบบ่อย
📚 Study Guide	คู่มือพร้อมคำถามทบทวน
⏱️ Timeline	ลำดับเหตุการณ์
🎬 Video Overview	สไลด์พร้อม narration

---

3.5 Best Practices

• เริ่มจากภาพรวม (guide / summary)
• ถามแบบเจาะจงและตรวจ citation ทุกครั้ง
• ใช้การเทียบข้ามเอกสารเพื่อหาจุดร่วม / จุดต่าง

Example file: use-case-scenarios.md

---

3.6 ⚠️ ข้อควรระวังของ NotebookLM

ข้อจำกัด	ผลกระทบ
ตอบจาก source เท่านั้น	ไม่รู้ข้อมูลนอก source ที่ใส่
คุณภาพ output = คุณภาพ source	source ผิด → คำตอบผิด
ไม่เหมาะกับ creative writing	มันคือ research tool ไม่ใช่ writer
Citation ไม่ใช่ "ความถูกต้อง"	citation บอกที่มา ไม่ได้ verify ข้อเท็จจริง
ข้อมูลถูกใช้ฝึกโมเดลได้	อย่าใส่ข้อมูลลับ / ส่วนตัว
ภาษาไทย: คุณภาพต่ำกว่า EN	บางครั้งสรุปไม่ครบ / แปลผิด

💡 ใช้คู่กับ Claude / ChatGPT สำหรับงานต่อยอด

---

4. LM Studio 💻

Highlights

• รัน open-source LLM บนเครื่องตนเอง (offline ได้)
• เหมาะกับงานที่ต้องการความเป็นส่วนตัว
• รองรับ local OpenAI-compatible API

---

4.1 แนะนำการใช้งาน LM Studio

ขั้นตอนเริ่มต้น:

1. ดาวน์โหลด LM Studio จาก lmstudio.ai
2. เปิดแอป → tab Discover → ค้นหาโมเดล เช่น Llama 3.1 8B, Qwen 2.5 7B, Gemma 2 9B
3. กด Download (เลือก quantization เช่น Q4_K_M)
4. ไปที่ tab Chat → โหลดโมเดล → เริ่มคุย
5. เปิด local server ที่ tab Developer → จะได้ endpoint http://localhost:1234/v1

---

4.2 เลือกโมเดลตามทรัพยากร

RAM / VRAM	ขนาดโมเดลที่เหมาะ
8 GB	3B - 7B (Q4)
16 GB	7B - 13B (Q4-Q5)
24 GB	13B - 32B (Q4)
32 GB+	32B - 70B (Q4)

Q4_K_M = สมดุลระหว่างคุณภาพและขนาด (แนะนำสำหรับมือใหม่)

---

4.3 เรียกใช้ด้วย curl

LM Studio ใช้ API format เดียวกับ OpenAI

curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "local-model",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "อธิบาย LLM ใน 3 ประโยค"}
    ],
    "temperature": 0.7
  }'

---

4.4 เรียกใช้ด้วย Python (openai library)

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:1234/v1",
    api_key="lm-studio"  # ใส่อะไรก็ได้ ไม่ตรวจ
)

response = client.chat.completions.create(
    model="local-model",
    messages=[
        {"role": "system", "content": "ตอบเป็นภาษาไทย"},
        {"role": "user", "content": "LLM คืออะไร?"}
    ],
    temperature=0.7,
)

print(response.choices[0].message.content)

---

4.5 Best Practices

• เริ่มจากโมเดลขนาดเล็กและ quantization สมดุล (เช่น Q4_K_M)
• เลือกโมเดลตามทรัพยากรเครื่อง (RAM / GPU)
• ปรับ temperature / context ให้เหมาะกับประเภทงาน

Example file: model-selection-guide.md

---

5. n8n

Highlights

• สร้าง workflow automation แบบ visual
• ผสาน LLM กับระบบจริง (email, docs, APIs, DB)
• เหมาะกับงาน agentic workflow และงานที่ทำซ้ำ

---

5.1 แนะนำการใช้งาน n8n

n8n = visual workflow automation (open-source, self-host ได้)

ขั้นตอนเริ่มต้น:

1. ติดตั้งแบบ Cloud (n8n.io/cloud) หรือ self-host (Docker)
2. สร้าง New Workflow
3. เลือก Trigger node (เริ่มเมื่อไร?)
   • Manual, Schedule, Webhook, Email, etc.
4. เพิ่ม Action nodes (ทำอะไรต่อ?)
   • HTTP Request, Google Sheets, OpenAI, etc.
5. เชื่อม node ด้วยลากเส้น → กด Execute Workflow

Ref: https://www.thepexcel.com/n8n-ep01/

---

5.2 ตัวอย่าง Workflow เบื้องต้น

[Schedule Trigger] (ทุก 9 โมง)
        ↓
[Google Sheets] (อ่านรายชื่อลูกค้า)
        ↓
[OpenAI / Claude] (สร้างข้อความ personalized)
        ↓
[Gmail] (ส่งอีเมล)
        ↓
[Google Sheets] (บันทึก log)

Tip: ทดสอบทีละ node ด้วย Execute step ก่อนรันทั้ง workflow

---

5.3 ดึง Google Cloud API มาใช้กับ n8n

ขั้นตอนสร้าง Google credential:

1. เข้า console.cloud.google.com → สร้าง Project
2. APIs & Services → Library → เปิด API ที่ต้องการ (เช่น Google Sheets API, Gmail API, Drive API)
3. Credentials → Create Credentials → OAuth client ID
   • Application type: Web application
   • Authorized redirect URIs: copy จาก n8n credential page
4. ดาวน์โหลด Client ID + Client Secret
5. เพิ่มตัวเองใน OAuth consent screen → Test users

Ref: https://www.youtube.com/watch?v=FBGtpWMTppw&t=184s

---

5.4 ตั้งค่า Credential ใน n8n

1. ใน n8n → Credentials → New → ค้นหา Google
2. เลือกประเภท เช่น Google Sheets OAuth2 API
3. ใส่ Client ID และ Client Secret
4. กด Sign in with Google → อนุญาต permissions
5. เก็บ credential นี้ไว้ใช้ในทุก Google node

⚠️ Self-host: ต้องตั้ง WEBHOOK_URL env เป็น public URL เพื่อให้ Google redirect กลับได้

---

5.5 Service Account (สำหรับ server-to-server)

ทางเลือกแทน OAuth (ไม่ต้อง login ผู้ใช้):

1. Credentials → Create Credentials → Service Account
2. ดาวน์โหลด JSON key
3. ใน Google Sheets / Drive: Share ไฟล์ให้ service account email (อยู่ในไฟล์ JSON: client_email)
4. ใน n8n: เลือก credential type Service Account → paste JSON key ทั้งไฟล์

ใช้กับ workflow ที่รัน อัตโนมัติ ไม่มีคน login

---

5.6 Best Practices

• เริ่มจาก workflow เล็ก ๆ และทดสอบทีละ node
• ตั้ง error handling และ monitoring
• จัดการ credentials และ API limits อย่างรัดกุม

Example file: workflow-examples.md

---

AI Challenge

• หลังจากนี้​ "ความเข้าใจ"​ จะเป็นกุญแจสำคัญมากขึ้น
• ความรู้พื้นฐานจะเป็นตัวกำหนดขอบเขตการสร้างสรรค์สิ่งต่างๆ ของมนุษย์หลังจากนี้
• AI ควรทำให้มนุษย์ฉลาดขึ้น ไม่ใช่โง่ลง

---

References

• OpenAI ChatGPT
• Anthropic Claude — System Prompts
• Google Gemini — AI Studio
• Google NotebookLM
• LM Studio
• n8n — Docs
• คู่มือการเขียน prompt อย่างมีประสิทธิภาพ
• การใช้งาน n8n เบื้องต้น
• NVIDIA Nemotron (HuggingFace)

---

Thank You

Happy learning with LLMs! 🚀