RAG — ให้ AI รู้ข้อมูลของเรา

LLM เก่งเรื่องภาษา แต่มันไม่รู้ข้อมูล ภายในบริษัทเรา และไม่รู้เรื่อง ล่าสุด ที่เกิดหลังวันตัดข้อมูลฝึก (training cutoff) เช่น เอกสาร spec ภายใน, ticket ลูกค้า, หรือ policy ที่เพิ่งอัปเดตเมื่อวาน บทนี้จะสอนวิธีที่ dev ใช้กันจริงเพื่อ "ป้อนความรู้เฉพาะทาง" ให้โมเดลตอนตอบ นั่นคือ RAG (Retrieval-Augmented Generation — การเสริมการตอบด้วยข้อมูลที่ค้นมา)

ปัญหา: LLM ไม่รู้ข้อมูลเรา และ context จำกัด

ทางแก้แบบง่ายสุดคือ "ก็แปะเอกสารทั้งหมดใน prompt สิ" — แต่ทำไม่ได้ เพราะ context window (หน้าต่างบริบท) มีขนาดจำกัด คุณยัดคู่มือ 500 หน้าเข้าไปไม่ได้ และต่อให้ยัดได้ก็ แพงและช้า เพราะจ่ายตาม token ทุกครั้งที่ถาม

แนวคิดของ RAG คือ อย่าแปะทั้งเล่ม — แปะเฉพาะหน้าที่เกี่ยวกับคำถาม เหมือนตอนสอบแบบเปิดหนังสือ เราไม่อ่านทั้งเล่มใหม่ทุกข้อ แต่เปิดไปหน้าที่เกี่ยวข้องกับคำถามนั้น ปัญหาจึงเหลือแค่: จะ "หา" หน้าที่เกี่ยวข้องเจอได้ยังไง?

Embeddings — แปลงความหมายเป็นตัวเลข

หัวใจของ RAG คือ embeddings (เวกเตอร์แทนความหมาย): เราเอาข้อความไปผ่านโมเดล embedding แล้วได้ผลลัพธ์เป็น ลิสต์ตัวเลข (เวกเตอร์) ยาวคงที่ เช่น 1,536 ตัว จุดสำคัญคือ — ข้อความที่ความหมายใกล้กัน จะได้เวกเตอร์ที่อยู่ใกล้กันในปริภูมิ ไม่สนว่าใช้คำเหมือนกันไหม

ตัวอย่าง ของจริง เรียก embedding model ผ่าน OpenAI SDK (TypeScript) — embedding เป็นบริการแยก ไม่ใช่ตัวเดียวกับ LLM ที่ใช้ตอบคำถาม:

// npm i openai
import OpenAI from "openai";
const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });

const res = await openai.embeddings.create({
  model: "text-embedding-3-small", // ได้เวกเตอร์ยาว 1536
  input: "ยกเลิกออเดอร์ยังไง",
});
const vector: number[] = res.data[0].embedding;
// → [0.021, -0.114, 0.087, ... ]  ยาว 1536 ตัว

Vector search + similarity (cosine)

เมื่อทุกชิ้นข้อความเป็นเวกเตอร์แล้ว การ "ค้นหาสิ่งที่เกี่ยวข้อง" ก็กลายเป็นเรื่องคณิตศาสตร์ล้วนๆ: แปลงคำถามเป็นเวกเตอร์เหมือนกัน แล้วหาเวกเตอร์ในคลังที่ อยู่ใกล้ที่สุด วิธีวัดความใกล้ที่นิยมสุดคือ cosine similarity (ความคล้ายเชิงโคไซน์) — ดูที่ ทิศทาง ของเวกเตอร์ ไม่สนความยาว

ค่า cosine	แปลว่า	ตัวอย่าง
≈ 1.0	ความหมายเหมือนกันมาก	"ยกเลิกออเดอร์" ↔ "cancel order"
≈ 0.0	ไม่เกี่ยวกันเลย	"ยกเลิกออเดอร์" ↔ "สูตรทำต้มยำ"
< 0	ทิศตรงข้าม (พบน้อยในข้อความจริง)	—

ใช้ pgvector บน Postgres

ข่าวดีสำหรับคนถนัด Postgres อยู่แล้ว: ไม่ต้องหา vector database แยกก็ได้ ใช้ extension pgvector เพิ่มชนิดข้อมูล vector เข้าไปในตารางเดิมได้เลย เก็บข้อความกับเวกเตอร์ ไว้ที่เดียว query ด้วย SQL ที่คุ้นมือ

-- เปิด extension (ครั้งเดียวต่อ database)
CREATE EXTENSION IF NOT EXISTS vector;

-- ตารางเก็บชิ้นเอกสาร + เวกเตอร์ของมัน
CREATE TABLE doc_chunks (
  id        bigserial PRIMARY KEY,
  source    text,          -- ไฟล์/URL ต้นทาง ไว้อ้างอิงแหล่ง
  content   text,          -- ข้อความจริงของชิ้นนี้
  embedding vector(1536)  -- ต้องตรงกับมิติของ embedding model
);

-- index แบบ approximate เพื่อให้ค้นเร็วบนข้อมูลเยอะ
CREATE INDEX ON doc_chunks
  USING hnsw (embedding vector_cosine_ops);

ตอน query: เอาเวกเตอร์ของคำถามมา หาชิ้นที่ระยะ cosine น้อยสุด (เกี่ยวข้องสุด) แค่ไม่กี่ชิ้น:

-- $1 = เวกเตอร์ของคำถามผู้ใช้ (bind เป็น parameter เสมอ)
SELECT id, source, content,
       embedding <=> $1 AS distance  -- <=> คือ cosine distance
FROM doc_chunks
ORDER BY embedding <=> $1   -- เรียงจากใกล้สุด → ไกลสุด
LIMIT 5;                       -- เอาแค่ top-k ชิ้นที่เกี่ยวสุด

Chunking + retrieval + ประกอบเป็น context

เราไม่ embed เอกสารทั้งไฟล์เป็นก้อนเดียว เพราะเวกเตอร์เดียวจะแทนหลายเรื่องปนกันจนความหมายเบลอ และเวลาดึงมาก็ได้ข้อความยาวเกินจำเป็น เราจึงทำ chunking (การหั่นเอกสารเป็นชิ้น) — แบ่งเป็นชิ้นขนาดพอดี (เช่น 300–800 token ต่อชิ้น) มักให้ เหลื่อมกันเล็กน้อย (overlap) กันใจความขาดตอนตรงรอยต่อ

ขั้นตอน	ทำที่ไหน	ทำเมื่อไหร่
Chunk + Embed + เก็บลง DB	งาน ingest (นำเข้าข้อมูล, offline)	ตอนเพิ่ม/แก้เอกสาร
Embed คำถาม + vector search	ตอน request เข้ามา	ทุกครั้งที่ผู้ใช้ถาม
ประกอบ context + เรียก LLM	ตอน request เข้ามา	ทุกครั้งที่ผู้ใช้ถาม

ชิ้นที่ค้นเจอ (top-k — k ชิ้นที่ใกล้คำถามที่สุด) เอามาต่อกันเป็นบล็อกข้อความ แล้วยัดใส่ prompt พร้อมคำสั่งให้โมเดล ตอบโดยอ้างอิงเฉพาะข้อมูลที่ให้เท่านั้น:

const context = chunks.map(c => c.content).join("\n---\n");

const prompt = `ใช้เฉพาะข้อมูลอ้างอิงด้านล่างในการตอบ
ถ้าข้อมูลไม่พอ ให้ตอบว่า "ไม่พบข้อมูล" อย่าเดา

[ข้อมูลอ้างอิง]
${context}

[คำถาม]
${question}`;

const answer = await chat({ model, prompt });

ภาพรวม: RAG pipeline