RAG คืออะไรและทำไมเราถึงต้องทำให้มันฉลาดขึ้น
ถ้าคุณเคยใช้แชทบอทถามข้อมูลบริษัท แล้วมันตอบไม่ได้เพราะข้อมูลนั้นเพิ่งประกาศเมื่อวาน คุณกำลังเจอปัญหาของ RAG (Retrieval-Augmented Generation หรือการดึงข้อมูลจากแหล่งภายนอกมาช่วย AI ตอบคำถาม) แบบดั้งเดิมครับ ปกติระบบจะไปค้นหาคำตอบในฐานข้อมูลที่คุณเตรียมไว้เพียงอย่างเดียว ถ้าไม่มีข้อมูลนั้น AI ก็จะตอบไม่ได้ หรือแย่กว่านั้นคือพยายามเดาคำตอบขึ้นมาเองจนมั่วไปหมด
ลองนึกภาพว่าคุณเป็นพนักงานใหม่ที่ได้รับมอบหมายให้ตอบคำถามลูกค้า แต่คุณมีคู่มือการทำงานแค่เล่มเดียวบนโต๊ะ ถ้าลูกค้าถามเรื่องนโยบายใหม่ที่ยังไม่อัปเดตในคู่มือ คุณก็ไม่มีทางตอบได้ถูกต้องเลย Agentic RAG (ระบบดึงข้อมูลที่ทำงานเหมือนคนมีสมอง) จึงเข้ามาแก้ปัญหานี้ โดยการเปลี่ยนจากการค้นหาแค่ในคู่มือ มาเป็นการใช้ Tools (เครื่องมือเสริมที่ AI เรียกใช้ได้) เพื่อไปค้นหาข้อมูลจากอินเทอร์เน็ตได้แบบเรียลไทม์ครับ
การสร้างระบบแบบนี้จะทำให้ AI ของคุณดูเหมือนคนมีความคิดมากขึ้น มันจะประเมินก่อนว่าคำถามนี้ควรอ่านคู่มือในบริษัท หรือควรออกไปค้นหาข้อมูลจาก Google ถ้าข้อมูลในบริษัทไม่พอ มันก็จะตัดสินใจไปค้นหาต่อเองโดยอัตโนมัติ นี่คือทักษะสำคัญที่โปรแกรมเมอร์ยุค AI ต้องเรียนรู้ เพื่อสร้างระบบที่เชื่อถือได้และตอบคำถามที่ทันสมัยอยู่เสมอครับ
โครงสร้างระบบ Agentic RAG ที่ทำงานได้จริง
หัวใจสำคัญของระบบนี้คือการวางขั้นตอนที่เรียกว่า Pipeline (ลำดับขั้นตอนการทำงานของโปรแกรม) ให้ AI เป็นผู้ตัดสินใจเอง แทนที่จะให้มันทำตามคำสั่งแบบทื่อๆ เราจะเริ่มจากการให้ AI ตรวจสอบความต้องการของผู้ใช้ก่อนว่า ต้องใช้ข้อมูลจากที่ไหนบ้างเพื่อตอบคำถามให้ครบถ้วนที่สุด
ขั้นตอนการทำงานจะเริ่มจาก Planner (ตัววางแผน) ที่คอยดูว่าคำถามนี้กว้างไปไหม ถ้ากว้างไปต้องแบ่งเป็นคำถามย่อยก่อน จากนั้นมันจะไปค้นใน Vector Database (ฐานข้อมูลที่เก็บข้อมูลในรูปแบบตัวเลขเพื่อวัดความใกล้เคียง) ของเรา ถ้าผลลัพธ์ที่ได้ยังไม่ดีพอ หรือข้อมูลเก่าเกินไป ระบบถึงจะเรียกใช้ Web Search API (ช่องทางเชื่อมต่อเพื่อดึงข้อมูลจากเครื่องมือค้นหาบนเว็บ) มาช่วยเสริม
การออกแบบแบบนี้ทำให้เราควบคุมคุณภาพได้ดี เพราะเราไม่ได้ปล่อยให้ AI ทำงานมั่วๆ แต่เรามี Evidence Grader (ตัวตรวจสอบความน่าเชื่อถือของข้อมูล) มาคอยคัดกรองว่า ข้อมูลที่ดึงมานั้นเพียงพอที่จะตอบคำถามแล้วหรือยัง ถ้ายังไม่ดีพอ ระบบก็จะตัดสินใจไปค้นหาใหม่จนกว่าจะได้สิ่งที่ต้องการครับ
การเตรียมเครื่องมือให้ AI เรียกใช้
การแยกเครื่องมือออกจากตัว AI เป็นเรื่องสำคัญมากครับ เราต้องมองว่า Internal Retrieval (การดึงข้อมูลภายใน) และ Web Search (การค้นหาเว็บ) คืออุปกรณ์สองอย่างที่ AI สามารถหยิบมาใช้ได้ตามสถานการณ์ เราต้องออกแบบให้มันส่งผลลัพธ์ออกมาในรูปแบบที่มาตรฐาน เพื่อให้ AI นำไปเปรียบเทียบหรือรวมข้อมูลได้ง่าย
ตัวอย่างการส่งข้อมูลจากเครื่องมือค้นหาที่เราควรทำให้เป็นมาตรฐานเพื่อให้ระบบอ่านง่ายครับ
# โครงสร้างข้อมูลมาตรฐานสำหรับการส่งให้ AI
evidence = {
"source_type": "web", # ระบุว่าเป็นข้อมูลจากเว็บหรือภายใน
"title": "ข่าวอัปเดตล่าสุด", # ชื่อหัวข้อของข้อมูล
"url": "https://example.com/news", # ลิงก์อ้างอิง
"content": "เนื้อหาที่สรุปมาได้...", # เนื้อหาที่เกี่ยวข้อง
"relevance_score": 0.95 # คะแนนความน่าเชื่อถือ
}
# ระบบจะนำข้อมูลนี้ไปรวมกับข้อมูลภายในเพื่อสร้างคำตอบจากโค้ดด้านบน เราสร้าง Dictionary (โครงสร้างข้อมูลแบบคู่ชื่อและค่า) เพื่อเก็บข้อมูลให้เป็นระเบียบ บรรทัดแรกคือการกำหนดประเภทแหล่งข้อมูล บรรทัดต่อมาคือการระบุที่มาและเนื้อหา เพื่อให้ AI สามารถใส่ Citation (การอ้างอิงแหล่งที่มา) ในคำตอบได้แม่นยำครับ ผลลัพธ์ที่ได้คือ AI จะสามารถบอกได้ว่าข้อมูลนี้เอามาจากไหน ทำให้ผู้ใช้งานตรวจสอบความถูกต้องได้เสมอ
การสร้างตัวช่วยตัดสินใจและคัดกรองข้อมูล
จุดที่มือใหม่มักพลาดคือการโยนทุกอย่างให้ AI อ่านหมดจนมันสับสน เราจึงต้องมี Router (ตัวคัดแยกเส้นทาง) เพื่อส่งคำถามไปยังแหล่งข้อมูลที่ถูกต้อง ถ้าคำถามถามถึง "ราคาปัจจุบัน" หรือ "ข่าวล่าสุด" ระบบควรวิ่งไปที่เว็บทันที ไม่ต้องเสียเวลาหาในฐานข้อมูลบริษัทให้เปลืองทรัพยากรครับ
หลังจากได้ข้อมูลมาแล้ว เราต้องมีขั้นตอน Evidence Grader เพื่อดูว่าข้อมูลนั้นใช้งานได้จริงไหม ถ้าข้อมูลที่ได้มาไม่มีคำตอบ หรือเป็นข้อมูลที่ล้าสมัย เราต้องมีเงื่อนไขให้ระบบลองค้นหาใหม่ด้วยคำค้นที่เจาะจงกว่าเดิม หรือเปลี่ยนไปใช้แหล่งข้อมูลอื่นแทนครับ
การเขียนโปรแกรมส่วนนี้ต้องใช้ความอดทนในการทดลองครับ คุณควรเริ่มจากการเขียน Logic (ตรรกะการทำงาน) ง่ายๆ ว่าถ้าผลลัพธ์จากฐานข้อมูลมีคะแนนต่ำกว่า 0.5 ให้ข้ามไปใช้ Search API ทันที การทำแบบนี้จะช่วยประหยัด Tokens (หน่วยนับค่าใช้จ่ายของ AI) และทำให้ระบบทำงานได้รวดเร็วขึ้นมากครับ
ข้อควรระวังในการพัฒนาและทดสอบระบบ
สิ่งที่ต้องระวังที่สุดคือการที่ AI เชื่อข้อมูลจากแหล่งที่ผิดพลาด หรือข้อมูลจากเว็บที่ไม่มีคุณภาพ เราต้องมี Normalization (การปรับรูปแบบข้อมูลให้เหมือนกัน) เสมอ เพื่อให้ AI มองเห็นข้อมูลจากฐานข้อมูลบริษัทและข้อมูลจากเว็บในมาตรฐานเดียวกัน ไม่ว่าจะมาจากไหนก็ตามครับ
มือใหม่มักจะลืมใส่ URL หรือ Document ID (รหัสอ้างอิงเอกสาร) ลงไปในผลลัพธ์ ทำให้เวลา AI ตอบคำถามแล้วผู้ใช้ถามกลับว่า "เอามาจากไหน" ระบบจะตอบไม่ได้เลย การเก็บค่าเหล่านี้ไว้ตั้งแต่วันแรกจะช่วยให้โปรเจกต์ของคุณดูเป็นมืออาชีพและตรวจสอบได้จริง
คำแนะนำคือให้ลองทำระบบแบบทีละส่วนครับ เริ่มจากให้ AI ค้นหาจากฐานข้อมูลได้ก่อน แล้วค่อยเพิ่มส่วนของการค้นหาเว็บเข้าไปทีละนิด อย่าพยายามทำทุกอย่างในครั้งเดียว เพราะการแก้ Bug (ข้อผิดพลาดของโปรแกรม) ในระบบ Agentic นั้นซับซ้อนกว่าการเขียนโค้ดทั่วไปมากครับ
สรุป: การนำไปใช้จริงในโปรเจกต์ของคุณ
การสร้าง Agentic RAG ไม่ได้แปลว่าต้องใช้ AI ที่ซับซ้อนที่สุดเสมอไป แต่มันคือการออกแบบขั้นตอนที่ฉลาดเพื่อให้ AI สามารถหาข้อมูลมาสนับสนุนคำตอบได้ดีขึ้น เริ่มต้นจากโปรเจกต์เล็กๆ เช่น บอทตอบคำถามความรู้ทั่วไปในบริษัทที่คุณฝึกงานอยู่ โดยให้มันลองค้นหาจากเอกสารในเครื่องก่อน แล้วค่อยเพิ่มฟีเจอร์ค้นหา Google เมื่อข้อมูลไม่พอครับ
ลองจินตนาการว่าคุณกำลังทำระบบช่วยตอบคำถามสำหรับทีม Customer Support (ทีมสนับสนุนลูกค้า) เมื่อลูกค้าถามเรื่องการคืนเงิน ระบบจะไปดูนโยบายภายในก่อน ถ้าในนโยบายไม่มีคำตอบ ระบบถึงจะออกไปเช็คสถานะการขนส่งผ่านเว็บภายนอก นี่คือจุดเริ่มต้นของการสร้าง AI ที่มีประโยชน์และทำงานได้จริงในโลกธุรกิจครับ
เมื่อคุณเริ่มเข้าใจขั้นตอนการทำ Pipeline แบบนี้แล้ว คุณจะพบว่ามันไม่ใช่แค่เรื่องของ AI แต่เป็นเรื่องของการจัดการข้อมูลให้เป็นระเบียบและตรวจสอบได้ ขอให้สนุกกับการทดลองและอย่าลืมว่าการทำระบบที่ตอบผิดน้อยที่สุด คือเป้าหมายสูงสุดของโปรแกรมเมอร์ทุกคนครับ
ที่มา: How to Build an Agentic RAG Pipeline with Real-Time Web Search — DEV Community
