RAG แก้ปัญหาอะไร?
RAG แก้ปัญหาที่โมเดล AI ไม่รู้จักเอกสารขององค์กรคุณ หรือรู้เพียงข้อมูลโลกที่ล้าสมัย แทนที่จะฝึกโมเดลใหม่ คุณส่งข้อความส่วนที่เกี่ยวข้องให้โมเดลในจังหวะที่มันตอบคำถาม
ลองนึกถึงบริษัทนำเที่ยวสมมติชื่อไทด์วอเตอร์ทราเวลที่มีพนักงาน 50 คน ทีมรับจองของบริษัทถามคำถามเดิม ๆ เกี่ยวกับคู่มือเงื่อนไขและขั้นตอนที่มี 90 หน้า ลีออน หัวหน้าทีม ลองถามแชตบอตทั่วไปว่า 'ลูกค้าเปลี่ยนชื่อผู้เดินทางหลักก่อนออกเดินทาง 10 วันได้ไหม และมีค่าธรรมเนียมหรือไม่?' แชตบอตตอบอย่างมั่นใจด้วยข้อมูลทั่วไปเกี่ยวกับกฎของสายการบินและค่าธรรมเนียมที่ไทด์วอเตอร์ไม่ได้เรียกเก็บ คำตอบจริงอยู่ในหัวข้อ 4.2 ของคู่มือ ซึ่งแชตบอตไม่เคยเห็น
การสร้างคำตอบโดยเสริมด้วยการค้นคืนข้อมูลทำงานอย่างไร?
การสร้างคำตอบโดยใช้ข้อมูลที่ค้นคืนมาเสริมทำงานในสามขั้นตอน ได้แก่ ค้นหาข้อความที่เกี่ยวข้องกับคำถามมากที่สุด เพิ่มข้อความเหล่านั้นลงในพรอมป์ต์ แล้วให้โมเดลสร้างคำตอบจากข้อความเหล่านั้น อภิธานศัพท์ของ Anthropic อธิบายแนวคิดเดียวกันนี้ว่า ระบบจะค้นคืนข้อมูลที่เกี่ยวข้องจากฐานความรู้ขณะที่มีการถามคำถาม และส่งข้อมูลนั้นให้โมเดลพร้อมกับคำถามต้นฉบับ
คำนี้มาจากงานวิจัยปี 2020 ของแพทริก ลูอิสและคณะ ซึ่งนำโมเดลภาษามาใช้ร่วมกับดัชนีเอกสารที่ค้นหาได้ และพบว่าคำตอบมีความเฉพาะเจาะจงและตรงตามข้อเท็จจริงมากกว่าการใช้โมเดลเพียงอย่างเดียว.
1. เตรียมเอกสาร
แบ่งคู่มือเป็นส่วนย่อย เช่น ส่วนละหนึ่งหัวข้อหรือสองสามย่อหน้า เพื่อให้การค้นหาส่งกลับเฉพาะข้อความที่ตรงประเด็น แทนที่จะส่งกลับทั้งเล่ม
2. สร้างดัชนีตามความหมาย
ข้อมูลแต่ละส่วนจะถูกแปลงเป็นเอ็มเบดดิง ซึ่งเป็นรายการตัวเลขที่แทนความหมายของข้อมูลนั้น แล้วจัดเก็บในฐานข้อมูลเวกเตอร์ AWS อธิบายขั้นตอนนี้ว่าเป็นการแปลงข้อมูลให้อยู่ในรูปตัวเลขเพื่อให้จับคู่กับคำถามได้.
3. ดึงข้อมูล
คำถามจะถูกแปลงด้วยวิธีเดียวกัน แล้วนำไปเทียบกับดัชนีเพื่อค้นหาส่วนย่อยที่ใกล้เคียงที่สุด หลายระบบใช้การค้นหาด้วยคำสำคัญแบบทั่วไปควบคู่กันด้วย
4. เพิ่มข้อมูลในคำสั่ง
นำส่วนข้อความที่เกี่ยวข้องมากที่สุดใส่ในพรอมป์ต์ พร้อมคำสั่ง เช่น 'ตอบโดยใช้เฉพาะข้อความเหล่านี้และอ้างอิงหัวข้อที่มา'.
5. สร้าง
โมเดลเขียนคำตอบจากข้อความที่ให้มา โดยควรยกข้อความหรืออ้างอิงส่วนที่ใช้ด้วย
คำตอบที่ใช้และไม่ใช้ RAG มีลักษณะอย่างไร?
เมื่อไม่ได้ใช้การสร้างคำตอบโดยเสริมข้อมูลจากการค้นคืน: 'บริษัทท่องเที่ยวส่วนใหญ่อนุญาตให้เปลี่ยนชื่อได้ โดยมีค่าธรรมเนียมประมาณ 50 ถึง 100 ต่อคน ทั้งนี้ขึ้นอยู่กับนโยบายของสายการบิน' ฟังดูมีประโยชน์ แต่นี่ไม่ใช่นโยบายของไทด์วอเทอร์ และไม่มีใครตรวจสอบได้ว่าข้อมูลนี้มาจากไหน.
เมื่อใช้การสร้างคำตอบโดยเสริมข้อมูลจากการค้นคืน: ระบบจะดึงหัวข้อ 4.2 และหัวข้อ 4.5 ของคู่มือมา และโมเดลจะตอบว่า: 'ได้ หัวข้อ 4.2 อนุญาตให้เปลี่ยนชื่อผู้โดยสารหลักได้โดยไม่มีค่าใช้จ่ายจนถึง 7 วันก่อนออกเดินทาง หัวข้อ 4.5 ระบุว่าแพ็กเกจที่รวมเที่ยวบินอาจมีค่าธรรมเนียมการเปลี่ยนแปลงตามที่สายการบินกำหนด ซึ่งระบบจองจะแสดงให้เห็น แหล่งที่มา: คู่มือหัวข้อ 4.2 และ 4.5' ลีออนสามารถเปิดทั้งสองหัวข้อและยืนยันคำตอบได้ในไม่กี่วินาที หากคู่มือเปลี่ยน คำตอบก็จะเปลี่ยนทันทีที่จัดทำดัชนีของฉบับใหม่เสร็จ.
ควรใช้ RAG เมื่อใด และไม่ควรใช้เมื่อใด?
ใช้ RAG เมื่อคำตอบต้องมาจากชุดเอกสารเฉพาะที่มีการเปลี่ยนแปลง และผู้ใช้ต้องเห็นแหล่งที่มา เหมาะกับคู่มือนโยบาย เอกสารผลิตภัณฑ์ ฐานความรู้สำหรับงานสนับสนุน และคลังสัญญา อภิธานศัพท์ของ Anthropic ระบุว่าวิธีนี้มีประโยชน์เป็นพิเศษสำหรับข้อมูลล่าสุด ความรู้เฉพาะด้าน และการอ้างอิงแหล่งที่มาอย่างชัดเจน
RAG ไม่ใช่คำตอบเมื่อเอกสารมีขนาดเล็กพอที่จะวางลงในพรอมป์ต์ได้โดยตรง เมื่องานเน้นสไตล์หรือรูปแบบมากกว่าข้อเท็จจริง หรือเมื่อเอกสารต้นทางเองไม่น่าเชื่อถือ นอกจากนี้ RAG ยังใช้แทนการกำหนดสิทธิ์ไม่ได้ หากดึงข้อความส่วนใดมาได้ โมเดลก็อาจนำข้อความนั้นมาตอบซ้ำ จึงต้องควบคุมสิทธิ์การเข้าถึงก่อนดึงข้อมูล
การสร้างคำตอบโดยเสริมด้วยการค้นคืนข้อมูลผิดพลาดได้อย่างไร?
RAG มักผิดพลาดในขั้นตอนดึงข้อมูลมากกว่าขั้นตอนสร้างคำตอบ หากค้นพบข้อความผิดส่วน โมเดลก็จะใช้ข้อความนั้นเขียนคำตอบอย่างมั่นใจ Anthropic ระบุว่าประสิทธิผลของ RAG ขึ้นอยู่กับคุณภาพและความเกี่ยวข้องของฐานความรู้และข้อมูลที่ดึงมา
ส่วนข้อมูลผิดหรือไม่ครบ
ข้อความที่ระบุข้อยกเว้นอยู่คนละส่วนย่อยกับกฎ คำตอบจึงตกหล่นข้อยกเว้นนั้น
เวอร์ชันที่ล้าสมัยหรือซ้ำกัน
คู่มือของปีที่แล้วยังอยู่ในดัชนีค้นหาควบคู่กับคู่มือของปีนี้ และระบบดึงคู่มือฉบับเก่ามาใช้.
โมเดลตอบคลาดเคลื่อนจากข้อความต้นฉบับ
โมเดลผสมข้อความที่ค้นคืนมากับความรู้ทั่วไปของตัวเอง การสั่งให้ตอบจากแหล่งข้อมูลที่ให้ไว้เท่านั้นและแสดงแหล่งอ้างอิงช่วยให้สังเกตเรื่องนี้ได้ง่ายขึ้น
ไม่มีคำตอบที่ดี
ระบบควรบอกว่าเอกสารไม่ครอบคลุมคำถามนี้ แทนที่จะคาดเดา.
RAG อยู่ในส่วนใดของรายการหลักสูตร Tosheo.ai?
การสร้างคำตอบโดยเสริมข้อมูลจากการค้นคืนอยู่ในหมวดการสร้างแอป AI ในหลักสูตรสร้างแอป AI บทเรียนนี้อธิบายแนวคิดสำหรับทุกคนที่ทำงานกับผู้ช่วย AI ซึ่งใช้เอกสารของบริษัท หลังสมัครใช้งาน เส้นทางการเขียนโค้ดจะให้ลงมือสร้างแอป RAG ขนาดเล็ก ตั้งแต่การแบ่งเอกสารและสร้างเวกเตอร์แทนข้อมูล ไปจนถึงการค้นคืนข้อมูลและการตอบพร้อมอ้างอิงแหล่งที่มา โดยมีข้อเสนอแนะตามเกณฑ์การให้คะแนนในแต่ละขั้นตอน
แหล่งข้อมูลและขอบเขต
เอกสารประกอบ Anthropic Claude คำอธิบาย RAG ในอภิธานศัพท์ (ตรวจสอบเมื่อ 19 October 2026) ↗
เอกสารประกอบ Anthropic Claude ฟีเจอร์การอ้างอิง (ตรวจสอบเมื่อ 19 October 2026) ↗