AI Agents · บทเรียน

RAG แก้ปัญหาอะไร (จุดตัดความรู้ ภาพหลอน)

RAG ค้นคืนบริบทที่เกี่ยวข้องขณะสอบถาม เพื่อให้ LLM อ้างอิงแหล่งข้อมูลจริงแทนการแต่งข้อเท็จจริงขึ้นเอง

RAG แก้ปัญหาอะไร (จุดตัดความรู้ ภาพหลอน) เป็นบทเรียน AI Agents ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Agents และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน

ปัญหาสองประการของ LLM แบบทั่วไป

แม้แต่ LLM ที่ดีที่สุดก็มีปัญหาเชิงโครงสร้างสองประการ:

ขอบเขตความรู้ — โมเดลรู้เฉพาะสิ่งที่อยู่ในข้อมูลฝึกสอนเท่านั้น หากถาม GPT-4 เกี่ยวกับเหตุการณ์เมื่อวาน โมเดลก็ไม่รู้คำตอบ
การสร้างข้อมูลหลอก — เมื่อโมเดลไม่รู้ โมเดลจะสร้างเรื่องขึ้นมาอย่างมั่นใจ

RAG คืออะไร

การสร้างคำตอบเสริมด้วยการดึงข้อมูล (RAG) หมายถึง:

ค้นหาส่วนย่อยที่เกี่ยวข้องในฐานความรู้
ใส่ส่วนย่อยเหล่านั้นลงในพรอมต์
ขอให้ LLM ตอบโดยใช้ ONLY ส่วนย่อยเหล่านั้น

โมเดลจะกลายเป็น "ผู้อ่าน" ความรู้ภายนอก แทนที่จะพึ่งพาน้ำหนักที่ถูกตรึงไว้

ตัวอย่างที่ชัดเจน

ผู้ใช้: "นโยบายการคืนสินค้าของเราสำหรับอุปกรณ์อิเล็กทรอนิกส์ที่เปิดบรรจุภัณฑ์แล้วคืออะไร"

ค้นหาใน KB ของบริษัทด้วยคำว่า "นโยบายการคืนสินค้า อุปกรณ์อิเล็กทรอนิกส์" — ได้ย่อหน้าสามย่อหน้าจากเอกสารช่วยเหลือ
สร้างพรอมต์: "ใช้บริบทด้านล่างเพื่อตอบ: ..."
โมเดลสร้างคำตอบที่ตรงตามข้อมูลพร้อมการอ้างอิง

เหตุใด RAG จึงดีกว่าการปรับแต่งเฉพาะงาน

สำหรับความรู้เชิงข้อเท็จจริง RAG ดีกว่าการปรับแต่งเฉพาะงาน เพราะ:

อัปเดต KB ได้โดยไม่ต้องฝึกใหม่
แยกข้อมูลของผู้ใช้หรือผู้เช่าแต่ละรายได้โดยง่าย
สามารถใส่การอ้างอิงได้ (คุณทราบว่า WHICH ส่วนย่อยเป็นต้นเหตุให้เกิดคำตอบ)
ดูแลรักษาถูกกว่า

เหตุใด RAG จึงลดการสร้างข้อมูลหลอก

หากกำชับให้โมเดลตอบจากบริบทที่ให้ไว้ ONLY และบริบทนั้นมีข้อมูลจริง โมเดลก็มีแนวโน้มตอบถูกต้องมากกว่าการพึ่งพาความจำ

วิธีนี้ไม่สมบูรณ์แบบ โมเดลยังคงกุเรื่องขึ้นมาเป็นครั้งคราวได้ แต่ช่วยลดการสร้างข้อมูลหลอกลงอย่างมาก

สามขั้นตอน

ระบบ RAG ทุกระบบมีสามขั้นตอน:

การนำเข้าข้อมูล (ออฟไลน์) — แบ่งเอกสารเป็นส่วนย่อย สร้างเวกเตอร์ฝังตัว และจัดเก็บ
การดึงข้อมูล (ออนไลน์) — สร้างเวกเตอร์ฝังตัวของคำค้นหา แล้วค้นหาส่วนย่อย K อันดับแรก
การสร้างคำตอบ (ออนไลน์) — LLM สร้างคำตอบโดยใช้ส่วนย่อยที่ดึงมา

RAG แบบง่ายเทียบกับ RAG ขั้นสูง

RAG แบบง่าย (ต้นแบบ 5 บรรทัด):

แบ่งเป็นส่วนย่อยขนาดคงที่
การดึงข้อมูลด้วยเวกเตอร์เดียว
ใส่ส่วนย่อย K อันดับแรกลงในพรอมต์

RAG ขั้นสูงเพิ่มการจัดอันดับใหม่ การเขียนคำค้นหาใหม่ HyDE เวกเตอร์หลายชุด และการประเมิน แต่ละอย่างเพิ่มคุณภาพและเพิ่มความซับซ้อนด้วย

กรณีที่ RAG ช่วยได้

ฐานความรู้และเอกสารของบริษัท
การสนับสนุนลูกค้าจากคู่มือผลิตภัณฑ์
การถามตอบข้อเท็จจริงที่พบได้ไม่บ่อย
ผู้ช่วยส่วนตัวที่ใช้ข้อมูลของผู้ใช้

กรณีที่ RAG ทำให้แย่ลง

การพูดคุยทั่วไปแบบง่าย ๆ (ไม่ต้องใช้ข้อเท็จจริง)
งานที่ต้องใช้การให้เหตุผล ไม่ใช่ข้อเท็จจริง
เมื่อชุดข้อมูลมีขนาดเล็กพอที่จะใส่ในบริบทได้อยู่แล้ว

แม่แบบพรอมต์

พรอมต์ RAG ทั่วไปมีลักษณะดังนี้:

prompt = f'''
Answer the user\'s question using ONLY the context below.
If the answer is not in the context, say 'I do not know'.

Context:
{retrieved_chunks}

Question:
{user_question}

Answer:
'''

การอ้างอิง

จัดรูปแบบส่วนย่อยโดยใส่รหัสแหล่งที่มา แล้วขอให้โมเดลอ้างอิงรหัสดังกล่าว:

context = '\n'.join(
    f'[doc {i+1}] {chunk.text}'
    for i, chunk in enumerate(chunks)
)
# Then ask: 'Cite the relevant [doc N] for each claim.'

เป้าหมายของ RAG

RAG มีเป้าหมายหลักเพื่อจัดการกับอะไร

สรุปทบทวน

RAG เปลี่ยน LLM ให้เป็นผู้ทำแบบทดสอบโดยเปิดหนังสือดูได้ ขั้นต่อไปคือวิธีแบ่งเอกสารเป็นส่วนย่อยเพื่อการดึงข้อมูลอย่างแท้จริง

คำถามที่พบบ่อย

บทเรียน “RAG แก้ปัญหาอะไร (จุดตัดความรู้ ภาพหลอน)” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “RAG แก้ปัญหาอะไร (จุดตัดความรู้ ภาพหลอน)” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Agents ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “RAG แก้ปัญหาอะไร (จุดตัดความรู้ ภาพหลอน)”

RAG ค้นคืนบริบทที่เกี่ยวข้องขณะสอบถาม เพื่อให้ LLM อ้างอิงแหล่งข้อมูลจริงแทนการแต่งข้อเท็จจริงขึ้นเอง คุณปฏิบัติ AI Agents ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Agents หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Agents บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน

บทเรียน “RAG แก้ปัญหาอะไร (จุดตัดความรู้ ภาพหลอน)” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน AI Agents นี้ได้ไหม

ได้ บทเรียน AI Agents ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

RAG แก้ปัญหาอะไร (จุดตัดความรู้ ภาพหลอน)
กลยุทธ์การแบ่งเป็นส่วน (คงที่ ประโยค เชิงความหมาย)
การสร้างดัชนีชุดเอกสาร
การสร้าง RAG แบบง่ายด้วย FAISS หรือ Chroma

← กลับไปที่ AI Agents