ต่อ AI เข้ากับโค้ดของเรา

บทที่แล้วเราเขียน prompt เก่งขึ้น บทนี้เราจะเอา prompt นั้นไปเรียกจริงจาก โค้ดของเรา ผ่าน API — เปลี่ยนจาก "คุยในแชท" เป็น "ฟีเจอร์ในแอป" ตัวอย่างทั้งหมดใช้แนวคิดของ Anthropic SDK (Claude) และภาษา TypeScript/NestJS

ภาพรวม: request → model → response

เรียก LLM ก็เหมือนเรียก REST API ทั่วไป — เราส่ง ข้อความบทสนทนา ไป แล้วได้ ข้อความตอบ กลับมา พร้อมข้อมูลว่าใช้ไปกี่ token

ส่วนประกอบของ request

พารามิเตอร์	คืออะไร
model	เลือกโมเดล (เล็ก-เร็ว vs ใหญ่-เก่ง ตาม Lv0)
system	คำสั่งระบบ กำหนดบทบาท/กติกา (จาก Lv1)
messages	ประวัติบทสนทนา สลับ role user / assistant
max_tokens	จำกัดความยาวคำตอบ (คุม cost + กันตอบยาวเกิน)
temperature	ความสุ่ม/สร้างสรรค์ (จาก Lv0)
stream	ให้ส่งคำตอบทีละชิ้นแบบ real-time หรือไม่

เรียกครั้งแรก (โค้ดพื้นฐาน)

// ติดตั้ง: npm i @anthropic-ai/sdk
import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic({
  apiKey: process.env.ANTHROPIC_API_KEY, // อ่านจาก env เสมอ
});

const res = await client.messages.create({
  model: "claude-sonnet-5",
  max_tokens: 500,
  system: "คุณคือผู้ช่วยสรุปข้อความให้กระชับ เป็นภาษาไทย",
  messages: [
    { role: "user", content: "ช่วยสรุปข้อความนี้: ..." },
  ],
});

console.log(res.content[0].text);
console.log(res.usage); // { input_tokens, output_tokens }

Streaming — ตอบทีละ token

แทนที่จะรอคำตอบครบก้อนเดียว streaming ส่งคำตอบทีละชิ้นทันทีที่โมเดลผลิตออกมา — ทำให้ UX รู้สึกเร็ว (เห็นตัวอักษรวิ่งเหมือนในแชท) เหมาะกับหน้าจอที่ผู้ใช้รอดู

const stream = await client.messages.stream({
  model: "claude-sonnet-5",
  max_tokens: 500,
  messages: [{ role: "user", content: "เล่าเรื่องสั้นๆ" }],
});

for await (const event of stream) {
  if (event.type === "content_block_delta") {
    process.stdout.write(event.delta.text); // พ่นทีละชิ้น
  }
}

ขอผลเป็น JSON ที่ parse ได้

ถ้าจะเอาผลไปใช้ต่อในโค้ด (ไม่ใช่โชว์ให้คนอ่าน) ให้สั่งโมเดลตอบเป็น JSON ตาม schema ที่กำหนด แล้ว parse — วิธีที่แน่นอนกว่านี้คือ tool use ซึ่งเราจะเรียนใน Lv3

system: "ตอบเป็น JSON เท่านั้น รูปแบบ: {\"sentiment\":\"pos|neg|neu\",\"score\":number}"
// แล้วในโค้ด:
const data = JSON.parse(res.content[0].text);

Error handling ที่ dev ต้องทำ

ปัญหา	รับมือยังไง
Rate limit (429)	retry แบบ exponential backoff (รอนานขึ้นเรื่อยๆ)
Timeout / เครือข่ายล่ม	ตั้ง timeout + retry จำกัดจำนวนครั้ง
คำตอบยาวโดนตัด	ดู stop_reason; เพิ่ม max_tokens ถ้าจำเป็น
Input ยาวเกิน context	ตัด/สรุปก่อนส่ง (โยง Lv0 context window)

ตัวอย่างจริง: mini-service ใน NestJS

แยกเป็น service (คุยกับ LLM) + controller (รับ request) ตามสไตล์ NestJS:

// summarize.service.ts
import { Injectable } from "@nestjs/common";
import Anthropic from "@anthropic-ai/sdk";

@Injectable()
export class SummarizeService {
  private client = new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY });

  async summarize(text: string): Promise<string> {
    const res = await this.client.messages.create({
      model: "claude-haiku-4-5-20251001", // งานสรุป → โมเดลเล็ก ประหยัด
      max_tokens: 300,
      system: "สรุปเป็นภาษาไทย 3 bullet",
      messages: [{ role: "user", content: text }],
    });
    return res.content[0].text;
  }
}