การจัดอันดับและกรองผลการค้นหา
ให้คะแนนความเกี่ยวข้อง ลบข้อมูลซ้ำ และเลือกผลลัพธ์ที่ดีที่สุดสำหรับบริบท
การจัดอันดับและกรองผลการค้นหา เป็นบทเรียน AI Agents ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Agents และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
เหตุใดการจัดอันดับและการกรองจึงสำคัญ
API การค้นหาส่งคืนผลลัพธ์ 5–10 รายการ แต่ผลลัพธ์เหล่านั้นไม่ได้เกี่ยวข้อง น่าเชื่อถือ หรือมีประโยชน์ต่องานของตัวแทนเท่ากันทั้งหมด การป้อนผลลัพธ์ดิบให้ LLM โดยตรงทำให้โทเค็นบริบทสูญเปล่า และอาจนำเสียงรบกวนหรือข้อมูลผิดมา
การจัดอันดับและการกรองช่วยปรับปรุง อัตราส่วนสัญญาณต่อสัญญาณรบกวน ก่อนที่ผลลัพธ์จะไปถึง LLM
การให้คะแนนความเกี่ยวข้องด้วย BM25
BM25 (การจับคู่ที่ดีที่สุด 25) เป็นอัลกอริทึมจัดอันดับข้อความแบบดั้งเดิมที่ให้คะแนนเอกสารจากการทับซ้อนของคำสำคัญกับคำค้น วิธีนี้ทำงานได้ดีสำหรับการจับคู่ตามคำ กล่าวคือเมื่อคำค้นและเอกสารมีคำเดียวกัน
ติดตั้งด้วย pip install rank-bm25
from rank_bm25 import BM25Okapi
def rank_with_bm25(query, results):
# Tokenize: lowercase and split into words
tokenized_results = [
r['content'].lower().split()
for r in results
]
bm25 = BM25Okapi(tokenized_results)
query_tokens = query.lower().split()
scores = bm25.get_scores(query_tokens)
# Sort results by score descending
ranked = sorted(
zip(scores, results),
key=lambda x: x[0],
reverse=True
)
return [(score, result) for score, result in ranked]การให้คะแนนความเกี่ยวข้องด้วยเวกเตอร์ฝังตัว
BM25 จับคู่ได้เฉพาะคำที่ตรงกันทุกประการ ส่วน ความคล้ายคลึงของเวกเตอร์ฝังตัว จะสะท้อนความหมายของเนื้อหา ดังนั้น “การพัฒนาเว็บด้วย Python” และ “การสร้างเว็บไซต์ด้วย Django” จึงอาจได้คะแนนความคล้ายคลึงสูง แม้จะใช้คำต่างกัน
ใช้ความคล้ายคลึงแบบโคไซน์ระหว่างเวกเตอร์ฝังตัวของคำค้นกับเวกเตอร์ฝังตัวของผลลัพธ์
import numpy as np
import openai
import os
client = openai.OpenAI(api_key=os.getenv('OPENAI_API_KEY'))
def embed(text):
resp = client.embeddings.create(
model='text-embedding-3-small',
input=text[:8000]
)
return np.array(resp.data[0].embedding)
def cosine_similarity(a, b):
return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
def rank_by_embedding(query, results):
q_emb = embed(query)
scored = []
for r in results:
r_emb = embed(r['content'][:1000])
score = cosine_similarity(q_emb, r_emb)
scored.append((score, r))
return sorted(scored, key=lambda x: x[0], reverse=True)การจัดอันดับแบบผสม: BM25 + เวกเตอร์ฝังตัว
การให้คะแนนด้วย BM25 และเวกเตอร์ฝังตัวสะท้อนความเกี่ยวข้องคนละด้าน การจัดอันดับแบบผสม จะรวมคะแนนทั้งสองด้วยค่าเฉลี่ยถ่วงน้ำหนัก ทำให้ได้ประโยชน์สูงสุดจากทั้งการจับคู่ตามคำและการจับคู่ตามความหมาย
def hybrid_rank(query, results, bm25_weight=0.4, embed_weight=0.6):
# Get BM25 scores (normalized 0-1)
bm25_scored = rank_with_bm25(query, results)
max_bm25 = max(s for s, _ in bm25_scored) or 1
bm25_norm = {r['url']: s / max_bm25 for s, r in bm25_scored}
# Get embedding scores
embed_scored = rank_by_embedding(query, results)
embed_norm = {r['url']: s for s, r in embed_scored}
# Combine
combined = []
for r in results:
url = r['url']
score = (bm25_weight * bm25_norm.get(url, 0) +
embed_weight * embed_norm.get(url, 0))
combined.append((score, r))
return sorted(combined, key=lambda x: x[0], reverse=True)การลบรายการซ้ำตาม URL
ผลการค้นหามักมีรายการที่เกือบซ้ำกัน เช่น บทความเดียวกันจากแหล่งเผยแพร่ต่อหลายแห่ง หรือหน้าเดียวกันที่มีพารามิเตอร์ URL ต่างกัน ควรลบรายการซ้ำเหล่านี้ก่อนส่งผลลัพธ์ให้ LLM
from urllib.parse import urlparse, urlunparse
def normalize_url(url):
parsed = urlparse(url)
# Remove query params and fragment (tracking params, etc.)
clean = parsed._replace(query='', fragment='')
return urlunparse(clean).rstrip('/')
def deduplicate_results(results):
seen_urls = set()
unique = []
for r in results:
url = normalize_url(r.get('url', ''))
if url not in seen_urls:
seen_urls.add(url)
unique.append(r)
return unique
# Also deduplicate by content similarity (near-duplicate detection)
def deduplicate_by_content(results, min_unique_ratio=0.7):
unique = [results[0]] if results else []
for candidate in results[1:]:
cand_words = set(candidate['content'].lower().split())
is_duplicate = False
for kept in unique:
kept_words = set(kept['content'].lower().split())
overlap = len(cand_words & kept_words) / max(len(cand_words), 1)
if overlap > (1 - min_unique_ratio):
is_duplicate = True
break
if not is_duplicate:
unique.append(candidate)
return unique
if __name__ == '__main__':
demo_results = [
{'url': 'https://example.com/a?utm_source=x'},
{'url': 'https://example.com/a'},
{'url': 'https://example.com/b'},
]
unique = deduplicate_results(demo_results)
print(f'{len(demo_results)} results -> {len(unique)} unique')
for r in unique:
print(' -', r['url'])
การให้คะแนนคุณภาพของโดเมน
ผลลัพธ์จาก docs.python.org น่าเชื่อถือกว่าผลลัพธ์จากบล็อกทั่วไป ควรกำหนดตัวคูณคุณภาพให้กับระดับของโดเมน แล้วนำตัวคูณเหล่านี้ไปคำนวณในการจัดอันดับขั้นสุดท้าย
DOMAIN_QUALITY = {
# Tier 1 — authoritative (1.3x boost)
'docs.python.org': 1.3,
'developer.mozilla.org': 1.3,
'arxiv.org': 1.3,
'github.com': 1.2,
'stackoverflow.com': 1.2,
# Tier 2 — good (1.0x, no change)
# Tier 3 — low quality (penalty)
'pinterest.com': 0.3,
'quora.com': 0.5,
'wikihow.com': 0.6
}
def get_domain_multiplier(url):
from urllib.parse import urlparse
domain = urlparse(url).netloc.lower().replace('www.', '')
return DOMAIN_QUALITY.get(domain, 1.0) # default: no change
def apply_domain_boost(scored_results):
boosted = []
for score, r in scored_results:
multiplier = get_domain_multiplier(r.get('url', ''))
boosted.append((score * multiplier, r))
return sorted(boosted, key=lambda x: x[0], reverse=True)
if __name__ == '__main__':
scored = [(1.0, {'url': 'https://pinterest.com/x'}), (1.0, {'url': 'https://docs.python.org/x'})]
for score, r in apply_domain_boost(scored):
print(f"{r['url']}: boosted score {score:.2f}")
การกรองผลลัพธ์คุณภาพต่ำ
ผลลัพธ์บางรายการมีคุณภาพต่ำในเชิงโครงสร้าง ไม่ว่าโดเมนจะเป็นอะไร เช่น สั้นเกินกว่าจะมีประโยชน์ มีข้อความเมนูนำทางเป็นส่วนใหญ่ หรือมาจากหน้าที่ต้องเข้าสู่ระบบ ควรกรองผลลัพธ์เหล่านี้ออกก่อนจัดอันดับ
MIN_CONTENT_LENGTH = 200 # characters
LOW_QUALITY_SIGNALS = [
'sign in to view',
'please log in',
'subscribe to read',
'404 not found',
'access denied',
'this content is for members only'
]
def is_quality_result(result):
content = result.get('content', '')
# Too short
if len(content) < MIN_CONTENT_LENGTH:
return False
# Paywall / access barrier detected
content_lower = content.lower()
for signal in LOW_QUALITY_SIGNALS:
if signal in content_lower:
return False
return True
def filter_results(results):
return [r for r in results if is_quality_result(r)]
if __name__ == '__main__':
demo_results = [
{'content': 'Please log in to view this article which has plenty of extra padding text here.'},
{'content': 'A' * 250},
]
kept = filter_results(demo_results)
print(f'{len(demo_results)} results -> {len(kept)} passed quality filter')
การตัดทอนผลลัพธ์ตามงบประมาณบริบท
แม้กรองแล้ว คุณอาจมีผลลัพธ์คุณภาพสูง 5 รายการ รายการละ 600 อักขระ รวมเป็น 3,000 อักขระ ควรกำหนดว่ามีผลลัพธ์กี่รายการที่พอดีกับงบประมาณบริบทของ LLM แล้วตัดทอนให้เหมาะสม
MAX_CONTEXT_CHARS = 4000
MAX_SNIPPET_CHARS = 600
def truncate_for_context(ranked_results, budget=MAX_CONTEXT_CHARS):
selected = []
used_chars = 0
for score, result in ranked_results:
content = result.get('content', '')[:MAX_SNIPPET_CHARS]
entry = f"Source: {result['title']}\nURL: {result['url']}\nContent: {content}"
entry_len = len(entry)
if used_chars + entry_len > budget:
break
selected.append(result)
used_chars += entry_len
return selected
ranked_results = [
(0.9, {'title': 'Doc A', 'url': 'http://a', 'content': 'x' * 800}),
(0.7, {'title': 'Doc B', 'url': 'http://b', 'content': 'y' * 800}),
]
budget = 1000
selected = truncate_for_context(ranked_results, budget=budget)
print(f'Selected {len(selected)} results within {budget}-char budget')การจัดรูปแบบผลลัพธ์สำหรับคำสั่งของ LLM
หลังจากจัดอันดับ ลบรายการซ้ำ และตัดทอนแล้ว ให้จัดรูปแบบผลลัพธ์เป็นรายการลำดับเลขในคำสั่งของ LLM แหล่งข้อมูลที่มีหมายเลขช่วยให้โมเดลอ้างอิงแหล่งที่มาในคำตอบได้ง่าย
def format_results_for_prompt(results):
lines = ['Here are relevant search results:\n']
for i, r in enumerate(results, 1):
lines.append(f'[{i}] {r["title"]}')
lines.append(f' URL: {r["url"]}')
lines.append(f' {r.get("content", "")[:400]}')
lines.append('')
lines.append('Use these sources to answer the question. Cite sources as [1], [2], etc.')
return '\n'.join(lines)
# Usage in agent prompt
formatted = format_results_for_prompt(selected_results)
response = llm_call(
system='You are a research assistant.',
user=f'{formatted}\n\nQuestion: {user_question}'
)การแคชผลการค้นหา
คำค้นเดียวกันอาจถูกใช้ซ้ำในหลายเซสชันหรือหลายรอบการทำงานของเอเจนต์ ควรแคชผลการค้นหาโดยกำหนด TTL ให้สั้น เช่น 1 ชั่วโมง เพื่อลดค่าใช้จ่ายของ API และเพิ่มความเร็วในการตอบคำค้นที่ซ้ำกัน
import hashlib
import time
search_cache = {} # In production: use Redis or disk cache
CACHE_TTL = 3600 # 1 hour
def cached_search(query, **kwargs):
cache_key = hashlib.md5(query.encode()).hexdigest()
entry = search_cache.get(cache_key)
if entry and (time.time() - entry['ts']) < CACHE_TTL:
print('Search cache hit')
return entry['results']
results = client.search(query=query, **kwargs)
search_cache[cache_key] = {
'results': results,
'ts': time.time()
}
return resultsกระบวนการกรองและจัดอันดับแบบครบถ้วน
เชื่อมทุกขั้นตอนเข้าด้วยกันเป็นฟังก์ชันกระบวนการเดียว: ดึงข้อมูล → กรองคุณภาพต่ำ → ลบรายการซ้ำ → จัดอันดับ → เพิ่มคะแนนตามโดเมน → ตัดทอนสำหรับบริบท → จัดรูปแบบสำหรับคำสั่ง
def search_and_rank(query, max_context_chars=4000):
# 1. Fetch
raw = cached_search(query, max_results=8)
results = raw.get('results', [])
# 2. Filter quality
results = filter_results(results)
# 3. Deduplicate
results = deduplicate_results(results)
# 4. Rank (BM25 fast path — save embedding costs)
scored = rank_with_bm25(query, results)
# 5. Domain boost
scored = apply_domain_boost(scored)
# 6. Truncate to context budget
selected = truncate_for_context(scored, budget=max_context_chars)
# 7. Format
return format_results_for_prompt(selected)ตรวจสอบความรู้
ข้อได้เปรียบหลักของการจัดอันดับแบบผสม (BM25 + เวกเตอร์ฝังตัว) เมื่อเทียบกับการใช้ BM25 เพียงอย่างเดียวคืออะไร
ทบทวน: การจัดอันดับและกรองผลการค้นหา
ผลการค้นหาดิบต้องผ่านการประมวลผลก่อนส่งต่อไปยัง LLM กระบวนการคือ กรองผลลัพธ์คุณภาพต่ำ (สั้นเกินไปหรือมีการจำกัดการเข้าถึง) → ลบรายการซ้ำตาม URL และเนื้อหา → จัดอันดับด้วย BM25 และ/หรือความคล้ายคลึงของเวกเตอร์ฝังตัว → เพิ่มคะแนนคุณภาพของโดเมน → ตัดทอนให้พอดีกับงบประมาณบริบท → จัดรูปแบบเป็นแหล่งข้อมูลแบบมีหมายเลข
แคชผลการค้นหาเพื่อลดค่าใช้จ่ายของ API สำหรับคำค้นที่ใช้ซ้ำ การอ้างอิงแบบมีหมายเลขในคำสั่งช่วยให้ LLM ระบุได้ว่าข้อกล่าวอ้างมาจากแหล่งข้อมูลใด
คำถามที่พบบ่อย
บทเรียน “การจัดอันดับและกรองผลการค้นหา” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การจัดอันดับและกรองผลการค้นหา” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Agents ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การจัดอันดับและกรองผลการค้นหา”
ให้คะแนนความเกี่ยวข้อง ลบข้อมูลซ้ำ และเลือกผลลัพธ์ที่ดีที่สุดสำหรับบริบท คุณปฏิบัติ AI Agents ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Agents หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Agents บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน
บทเรียน “การจัดอันดับและกรองผลการค้นหา” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Agents นี้ได้ไหม
ได้ บทเรียน AI Agents ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- Tavily และ SerpAPI สำหรับการค้นหาของตัวแทน
- การจัดอันดับและกรองผลการค้นหา
- รูปแบบลูปการวิจัยเชิงลึก
- การผสานการค้นหาเว็บกับ RAG