Datadog — From Zero to Hero

คอร์สแบบ standalone เน้น developer ว่าด้วย Datadog แพลตฟอร์ม observability แบบรวมศูนย์ ตั้งแต่ Agent กับ unified service tagging ไปจนถึง metrics, log management, APM และโมเดล correlation ที่ผูกทุกอย่างเข้าเป็นมุมมองเดียวต่อ service สอนผ่าน Agent config, DogStatsD และ Terraform จริง รายละเอียดที่ซับซ้อนหลายชั้น (ingestion sampling เทียบกับ retention filter, exclusion filter เทียบกับ archive) ถูก verify กับ docs ปัจจุบันแล้ว

เริ่มที่นี่ ข้ามไปที่การ correlate signal

สิ่งที่คุณจะได้เรียน

Foundations

Datadog คืออะไร, Agent กับ integration, unified service tagging และทัวร์ UI เริ่ม →

Infrastructure & Metrics

metric ที่ Agent เก็บ, custom metric ผ่าน DogStatsD, Metrics without Limits และ dashboard วัดผล →

Log Management

pipeline การเก็บกับประมวลผล log, index เทียบกับ exclusion filter, log-based metric และ archive เก็บ log →

APM & Distributed Tracing

trace, span กับ service map, ingestion sampling เทียบกับ retention filter, trace metric และ profiling trace →

Correlating Logs, Traces & Metrics

การ inject trace เข้า log, unified service tagging ในทางปฏิบัติ, Service Catalog และ context จาก RUM เชื่อมโยง →

Monitors, Alerting & SLOs

ประเภท monitor กับ threshold, composite monitor, SLO error budget กับ burn rate และ Synthetics แจ้งเตือน →

Production & Ecosystem

Datadog as code ด้วย Terraform, cost governance, พื้นฐาน security และ checklist ก่อนขึ้น production ขึ้น production →

Datadog ทำงานอย่างไรข้างใน

ข้างใน Agent (core, Trace, Process, Security และ Cluster Agent, check scheduler, forwarder), การ aggregate ของ DogStatsD กับ DDSketch, trace sampling pipeline ทีละชั้น, ความหมายของ processor ใน log pipeline และการรับ OTLP — พิสูจน์กับ Agent 7.83.3 ตัวจริงและ intake ปลอมบนเครื่อง ดูข้างใน →

อ่าน config Datadog ที่ AI เขียน

catalog 27 bug ที่ config Agent, การตั้ง tracer, monitor และ Terraform ที่ AI เขียนมักผิด, review checklist, บันได verification tool (agent configcheck, config dump ของ tracer, terraform validate, model ของ API client, harness ของคอร์ส) และ worked review 3 ชุด — ทุก bug พิสูจน์จริง ไป review →

คอร์สนี้ทำงานยังไง

pipeline หลายชั้น ไม่ใช่ปุ่มเดียว

metric, log และ trace คือ pipeline แยกจากกัน แต่ละอันมี ingestion, retention และ cost control เป็นของตัวเอง คอร์สนี้สอนทุกชั้นแทนที่จะมองว่า “sampling” หรือ “retention” เป็นแค่ setting เดียว

พฤติกรรมปัจจุบัน ที่ verify แล้ว

ทุก claim พิสูจน์ด้วยเครื่องมือจริง — agent configcheck/status บน Agent 7.83.3, config dump ของ tracer, trace intake ปลอมบนเครื่อง, terraform validate และ model ของ API client — หรือ quote จาก official docs พร้อม URL — รวมถึงการแยก log ingestion ออกจาก indexing และความต่างระหว่าง ingestion sampling กับ retention filter ของ APM ที่ tutorial หลายที่มักรวมเป็นเรื่องเดียว

tag ชุดเดียว สาม pipeline

ไม่ใช่แค่ “ใส่ tag บ้าง” แต่เป็นภาพรวมทั้งหมด — env/service/version หรือ unified service tagging ทำให้คุณสลับไปดู metric, trace และ log ของ service เดียวกันได้ แทนที่จะไล่หาใน 3 เครื่องมือที่ไม่เชื่อมกัน

ไดอะแกรมที่อธิบายได้

เส้นทางข้อมูลของ Agent, log pipeline ตั้งแต่ intake ถึง index, การแยก ingestion/retention filter ของ APM และโมเดล error budget ของ SLO เป็นไดอะแกรม Mermaid ที่รองรับธีม สองภาษา (English / ไทย) พร้อมบันทึกความคืบหน้า quiz

ตรวจสอบกับเวอร์ชันจริงเมื่อ (2026-09-30)

Agent 7.83.3 (datadog/agent:7) · dd-trace (Node.js) 6.17.0 · ddtrace (Python) 4.15.2 · @datadog/browser-rum 7.15.0 · Terraform provider datadog 4.22.0 (datadog_monitor, datadog_dashboard, datadog_service_level_objective) · datadog-api-client (Python) 2.61.0 · Datadog Operator v1.30.0 / Helm chart datadog 3.250.3 · datadog-agent:7 (Docker/Helm) · Autodiscovery annotation ของ Kubernetes รูปแบบ ad.datadoghq.com/<container>.checks v2 ปัจจุบัน · DD_TRACE_SAMPLING_RULES (ใช้ได้ทั้งสอง tracer; DD_TRACE_SAMPLE_RATE ไม่ได้ deprecated แต่ ddtrace 4.15.2 ไม่อ่านค่านี้)