เริ่มเป็น AI Engineer: โรดแมปจากศูนย์ถึงสร้างระบบ AI ได้เอง

AI Engineer คือสายงานที่เติบโตเร็วที่สุดของปี 2026 — ประกาศรับสมัครในสหรัฐฯ พุ่งขึ้นราว 143% ในปีเดียว และเงินเดือนเฉลี่ยขยับไปแตะราว 206,000 ดอลลาร์ต่อปี แต่จุดที่หลายคนยังเข้าใจผิดคือ คุณไม่จำเป็นต้องเทรนโมเดลเอง และไม่ต้องเก่งคณิตศาสตร์ลึก สิ่งที่ทำให้คุณเป็น AI Engineer คือทักษะ “ประกอบ” โมเดลสำเร็จรูปเข้ากับระบบจริงให้แก้ปัญหาของผู้ใช้ได้ บทความนี้คือโรดแมปทั้งเส้น ตั้งแต่ทักษะพื้นฐานที่ต้องมีก่อน ไปจนถึงสิ่งที่ปี 2026 เพิ่งเพิ่มเข้ามาใหม่

สรุปสั้น ๆ: AI Engineer = วิศวกรที่เอา foundation model (โมเดลขนาดใหญ่สำเร็จรูป ใช้ผ่าน API หรือ open-source) มาประกอบเป็นระบบจริง ทักษะแบ่งเป็น 3 ชั้น (พื้นฐาน → หัวใจ LLM → ส่งขึ้นใช้งาน) เรียนตามลำดับราว 6 เดือนถ้ามีพื้น programming อยู่แล้ว และปี 2026 จุดที่ทำให้ “ได้งาน” คือ evals, AI agents, MCP และ context engineering บวก portfolio ที่ส่งของจริงได้ ไม่ใช่แค่ demo

AI Engineer คือใคร — และไม่ใช่ใคร

ถ้าต้องอธิบายใน 30 วินาที: AI Engineer คือวิศวกรที่เอาโมเดลที่มีคนสร้างไว้แล้ว มาต่อเข้ากับระบบงานจริง คุณเริ่มจาก “ปัญหาของผู้ใช้” แล้วเดินไปหาโมเดลและข้อมูล — ไม่ใช่เริ่มจากการเทรนโมเดลเหมือนสายเดิม เปรียบง่าย ๆ คือคุณเป็นคนเอา “เครื่องยนต์” สำเร็จรูปมาประกอบเป็น “รถ” ที่วิ่งได้จริง คุณค่าทั้งหมดอยู่ที่การประกอบให้เข้ากัน ไม่ใช่การหล่อเครื่องยนต์ขึ้นมาเอง

แล้วมันต่างจากสายอื่นยังไง? ML Engineer เน้นเทรนและ serve โมเดลเอง (ใช้คณิตศาสตร์หนัก) Data Scientist เน้นหา insight จากข้อมูล ส่วน AI Engineer เน้นต่อ LLM เข้ากับระบบ — RAG, agent, evals, deploy งานประจำวันจึงใกล้ software engineering มากกว่างานวิจัย ถ้าอยากเทียบให้ละเอียด อ่านต่อที่ AI Engineer ต่างจาก Data Scientist อย่างไร

เคล็ดอ่าน job posting ให้ออกว่าเป็น role ไหนจริง ๆ คือ ดูที่ความรับผิดชอบ ไม่ใช่ชื่อตำแหน่ง — ถ้าพูดถึง train / fine-tune / distributed training เป็นใจกลาง นั่นคือ ML Engineer ถ้าพูดถึง RAG / prompt / evals / agents / tool calling นั่นคือ AI Engineer

มีประโยคของ swyx (คนบัญญัติคำว่า AI Engineer) ที่สรุปได้คม: “Someone will pay you to AI Engineer, no one will pay you to Vibe code” — มีคนจ้างให้คุณสร้างระบบ AI แต่ไม่มีใครจ้างให้คุณนั่งพิมพ์เล่นกับ AI เฉย ๆ

ความเข้าใจผิด 3 ข้อ ที่ทำให้คนเก่งไม่กล้าเริ่ม

ก่อนเข้าโรดแมป ขอเคลียร์ความเชื่อ 3 อย่างที่ชะลอคนพร้อม ๆ ไว้นานเกินจำเป็น:

• “ต้องรู้คณิตศาสตร์ลึกถึงจะเริ่มได้” — ผิด สิ่งที่ต้องมีคือ quantitative thinking (คิดเชิงปริมาณ) ไม่ใช่ mathematical derivation (พิสูจน์สมการ) คุณต้องเข้าใจว่า token คืออะไร, อ่าน metric อย่าง accuracy/precision/recall เป็น, รู้ว่าทำไม benchmark ตัวนี้ดีกว่าตัวนั้น — แค่นั้นพอ ถ้า debug Python ได้และเข้าใจ probability ระดับมัธยม คุณมีฐานพอแล้ว
• “AI Engineer = ML Engineer” — คนละงาน ตลาดใช้คำสองคำนี้สลับกันมั่ว ๆ เอง ไม่ใช่ปัญหาของคุณ กลับไปดูที่ความรับผิดชอบเป็นตัวตัดสิน
• “AI Engineer = Prompt Engineer ที่เปลี่ยนชื่อ” — prompt engineering เป็นแค่ ส่วนหนึ่ง ของทักษะ ไม่ใช่ทั้งหมด ถ้ารู้แค่เขียน prompt คุณคือคนที่ใช้ ChatGPT เก่ง ยังไม่ใช่ AI Engineer มันคือ จุดเริ่มต้น ไม่ใช่จุดสิ้นสุด ของสายอาชีพนี้ (อยากเริ่มให้ถูก อ่าน เขียน Prompt ให้ได้ผล)

แผนที่ skill: 3 ชั้นที่ต้องเรียงให้ถูก

ทักษะของ AI Engineer ไม่ใช่ลิสต์แบน ๆ แต่เป็น 3 ชั้นที่ทับซ้อนกัน และลำดับสำคัญมาก เพราะชั้นบน “สมมติ” ว่าคุณรู้ชั้นล่างแล้ว:

• ชั้น 1 — พื้นฐาน (ต้องมีก่อนเริ่ม): Python ระดับใช้งานได้, CLI/Git, HTTP/REST API, และการจัดการข้อมูล (JSON, SQL, CSV) — ทั้งหมดนี้คือ software engineering ที่ยังไม่เกี่ยวกับ AI โดยตรง แต่ทุกอย่างข้างบนต่อยอดจากตรงนี้
• ชั้น 2 — หัวใจ LLM (สิ่งที่ทำให้คุณต่างจาก backend dev ทั่วไป): Prompt Engineering, การเรียก LLM API, RAG (ดึงข้อมูลของเราเองมาให้โมเดลตอบ), และ Evals (วัดคุณภาพอย่างเป็นระบบ) — งานประจำวันส่วนใหญ่อยู่ในชั้นนี้ และ RAG ก็ยืนอยู่บน embedding กับ vector database โดยตรง (เห็นภาพรวมได้ที่ RAG ทำงานอย่างไร)
• ชั้น 3 — ส่งขึ้นใช้งานจริง (เรียนหลัง ship ชิ้นแรก): Docker, FastAPI, deploy ขึ้น cloud และ Local Model Management (รันโมเดลในเครื่องด้วย Ollama/llama.cpp — สำคัญมากสำหรับงานที่ห้ามส่งข้อมูลออก ดู รัน AI ในเครื่องตัวเอง)

ทำไมลำดับถึงสำคัญ? เพราะถ้าข้ามชั้นล่าง คุณจะ debug ไม่ออก — จะแก้ error 429 (rate limit) ได้ต้องรู้ HTTP status code, จะ version prompt ใน production ได้ต้องใช้ Git เป็น, จะ parse คำตอบ LLM ได้ต้องอ่าน JSON ออก คนที่ล้มกลางทางส่วนใหญ่ไม่ได้ล้มเพราะไม่เข้าใจเรื่องยาก แต่เพราะข้ามเรื่องพื้นฐานที่เรื่องยากต้องใช้

จำไว้: ทักษะ 10 หมวดใน 3 ชั้นนี้ครอบคลุมราว 80% ของงานที่ AI Engineer ทำจริงในแต่ละวัน ส่วนของขั้นสูง (fine-tuning, GPU optimization) ค่อยเรียนทีหลังเมื่อจำเป็น — ไม่ใช่ด่านแรก

โรดแมป 6 เดือน (มีพื้น programming + ลงแรง ~10 ชม./สัปดาห์)

นี่คือแผนที่ ไม่ใช่ deadline — ถ้าพื้น Python ยังไม่แน่น เดือน 1 อาจกินเวลา 2 เดือน และนั่นไม่ใช่ความล้มเหลว:

• เดือน 1 — Python + CLI + Git: เขียนสคริปต์ Python เรียก REST API ภายนอกได้ ใช้ Git (commit/branch/merge) คล่อง
• เดือน 2 — จัดการข้อมูล + ตั้งค่าให้ปลอดภัย: parse JSON, อ่าน/เขียน CSV, query SQL พื้นฐาน, ตั้ง .env เก็บ API key อย่างถูกวิธี
• เดือน 3 — Prompt + LLM API: เรียก OpenAI/Anthropic ได้จริง, ออกแบบ system prompt ที่ได้ผลคงเส้นคงวา, ดึง output เป็น JSON ได้
• เดือน 4 — RAG + Evals พื้นฐาน: สร้าง mini RAG ที่ chunk + embed + retrieve จากไฟล์ได้ และมี eval set 10 เคสไว้เทียบ prompt สองเวอร์ชัน
• เดือน 5 — Docker + FastAPI + Deploy: containerize แอป, เปิดเป็น API endpoint, deploy ขึ้น cloud สักเจ้า
• เดือน 6 — Local LLM + Portfolio: รัน Ollama + โมเดลในเครื่องได้ แล้วทำ “Local RAG Assistant” เป็นชิ้นโชว์ พร้อม README + ผล eval

หัวใจของ roadmap นี้ไม่ใช่ “6 เดือนต้องจบ” แต่คือ ลำดับ — อย่าเร่งเดือน 1–2 เพื่อรีบไปเดือน 6 เพราะฐานที่ไม่แน่นจะพังให้เห็นตอนทำของจริง

ปี 2026 เปลี่ยนอะไรไป: agents, MCP, context engineering และ evals

โครง 3 ชั้นด้านบนเป็นของที่อยู่ยาว แต่ปี 2026 มี “ชั้นใหม่” งอกขึ้นมาทับ — เรซูเม่สาย “LangChain + Pinecone” แบบเดิมถูกแทนด้วยทักษะชุดใหม่ที่บริษัทใช้คัดคนจริง ๆ:

• Evals คือสัญญาณอันดับหนึ่ง ที่บอกว่าคนนี้ “สร้างของจริง” ไม่ใช่แค่ดู YouTube — มีผลสำรวจพบว่าทีมที่มี AI agent ขึ้น production ทำ observability กันถึง 89% แต่ทำ evals จริงแค่ 52% ช่องว่าง 37 จุดตรงนี้แหละคือที่คุณภาพของระบบไปตาย
• MCP (Model Context Protocol) — มาตรฐานเปิดของปี 2026 ที่ทำให้ agent ต่อเข้ากับเครื่องมือและแหล่งข้อมูลภายนอกได้แบบเดียวกันหมด ไม่ต้องเขียนโค้ดเชื่อมเองทีละตัว
• Context engineering มาแทน prompt engineering เป็นวิชาแกน — แทนที่จะ “เขียน prompt ให้สวยขึ้น” คุณออกแบบว่า agent เห็นข้อมูลอะไรบ้างในแต่ละ call ซึ่งเป็นโจทย์ที่ใหญ่และสำคัญกว่า
• Agent orchestration (จัดการ agent หลายตัว/หลายขั้นให้ทำงานร่วมกัน) กลายเป็นเส้นแบ่งระหว่าง mid-level กับ senior

แต่จุดที่ต้องเข้าใจให้ขาด: ของใหม่พวกนี้ ต่อยอด จาก 3 ชั้นเดิม ไม่ได้มาแทนที่ — ถ้าไม่มีพื้น evals, HTTP, deployment คุณก็เอา agent ขึ้น production ไม่ได้อยู่ดี คนที่กระโดดข้ามไปเล่น agent framework โดยไม่มีฐาน มักได้แค่ demo ที่พังเวลาเจอผู้ใช้จริง

กับดักที่ทำให้ roadmap พัง

รู้ skill stack แล้วก็ยังพังได้ ถ้าติดกับดักเดิม ๆ เหล่านี้:

• ข้ามพื้นฐานเพื่อให้รู้สึกว่าก้าวหน้า — ลง framework ใหญ่ทั้งที่ HTTP/JSON ยังไม่แน่น พอมัน error แปลก ๆ ก็ debug ไม่เป็น ลองเขียน raw API call เองสักสัปดาห์ก่อนแตะ framework
• ไล่ตามทุก trend รายสัปดาห์ — สัปดาห์นี้ตัวนี้ สัปดาห์หน้าตัวโน้น สุดท้ายรู้ระดับ 0.5 ทุกตัว ทั้งที่ depth คือสิ่งที่บริษัทจ้าง เลือก 1 ตัวต่อ 1 งาน ทำให้ลึกจริง
• ละเลย evals จนตอนท้าย — เปลี่ยน prompt แล้วบอกได้แค่ “รู้สึกดีขึ้น” พอผู้ใช้บ่นก็ debug ไม่ได้ เริ่ม eval set แค่ 10 เคสตั้งแต่วันแรกก็พอ
• ลืม deployment จนใกล้ ship — job posting จริงเกือบทั้งหมดระบุ Docker เป็น “required” และหลายที่เขียนชัดว่าต้องการ “ระบบที่ ship จริง ไม่ใช่ demo”
• มัวเรียน ML math ลึกก่อน — ดูวิดีโอ linear algebra อยู่ 3 เดือนโดยไม่แตะ LLM API เลย คุณไม่ใช่ ML Researcher จำจุดนี้ไว้

สรุป: เครื่องมือเปลี่ยน แต่พื้นฐานอยู่ยาว

สิ่งที่ไม่เปลี่ยนในสายนี้คือ — เครื่องมือจะมาแล้วก็ไป (จาก LangChain ไป LangGraph ไป MCP) แต่ “ต้องรู้ HTTP”, “ต้องรู้วิธี eval”, “ต้องรู้วิธี deploy” ไม่เคยหายไปไหน เรียนที่ หมวดทักษะ ก่อน แล้วค่อยเลือกเครื่องมือที่ดีที่สุด ณ เวลานั้น — นี่คือเหตุผลที่ roadmap แบบเรียงชั้นถึงทนกว่าการวิ่งตามของใหม่

โจทย์ที่แท้จริงของปี 2026 คือ ตำแหน่ง entry-level มีแค่ราว 2.5% ของประกาศทั้งหมด ตลาดอยากได้คนที่ “พิสูจน์แล้วว่าทำได้” ทางเข้าจึงไม่ใช่ใบเซอร์ แต่คือ portfolio ที่ ship ของจริงได้ + มีผล eval ประกอบ ข่าวดีคือคุณสร้างมันเองได้ตั้งแต่เดือนแรก ไม่ต้องรอใครจ้างก่อน

และถ้ายังลังเลว่าจะเริ่มตรงไหน — เริ่มที่ชั้น 1 วันนี้ เขียนสคริปต์ Python เรียก API หนึ่งตัวให้ได้ก่อน นั่นคือก้าวแรกที่จริงที่สุด มากกว่าการอ่านโรดแมปอีกสิบรอบ