<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Kookkoo on Medium]]></title>
        <description><![CDATA[Stories by Kookkoo on Medium]]></description>
        <link>https://medium.com/@kookkoo1508?source=rss-13c0622365ab------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*LhP368_LThiiFGUKt0m7zQ@2x.jpeg</url>
            <title>Stories by Kookkoo on Medium</title>
            <link>https://medium.com/@kookkoo1508?source=rss-13c0622365ab------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 18:01:32 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@kookkoo1508/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Langchain + OpenAI (RAG เบื้องต้น)]]></title>
            <link>https://medium.com/@kookkoo1508/langchain-openai-rag-%E0%B9%80%E0%B8%9A%E0%B8%B7%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%95%E0%B9%89%E0%B8%99-f0b5295bdbef?source=rss-13c0622365ab------2</link>
            <guid isPermaLink="false">https://medium.com/p/f0b5295bdbef</guid>
            <dc:creator><![CDATA[Kookkoo]]></dc:creator>
            <pubDate>Mon, 26 May 2025 22:03:44 GMT</pubDate>
            <atom:updated>2025-05-28T02:15:27.225Z</atom:updated>
            <content:encoded><![CDATA[<h3>เริ่มต้นสร้างระบบ RAG ด้วย LangChain และ OpenAI (1/2)</h3><blockquote><em>บทความนี้จะแนะนำแนวคิดพื้นฐานของ Retrieval-Augmented Generation (RAG) และแสดงตัวอย่างการใช้งานด้วย LangChain และ OpenAI API</em></blockquote><h3>บทนำ</h3><p>หนึ่งในความสามารถที่น่าสนใจมากของ AI ในปัจจุบันก็คือการนำมาใช้ในรูปแบบของ <strong>Chatbot ที่มีความสามารถเรียนรู้ข้อมูลเฉพาะของเราเอง</strong> ไม่ใช่แค่ถามตอบทั่วไป แต่มันสามารถตอบได้ตรงกับเอกสารภายใน องค์กร หรือฐานความรู้เฉพาะที่เรากำหนดให้ เช่น ไฟล์ PDF, เว็บไซต์, คู่มือ, ฯลฯ</p><p>สิ่งนี้เรียกว่า <strong>RAG (Retrieval-Augmented Generation)</strong> ซึ่งเป็นการผสมผสานระหว่าง:</p><ul><li>การ “ค้นคืนข้อมูล” (Retrieval) จากแหล่งข้อมูลของเรา</li><li>และ “การสร้างคำตอบ” (Generation) ด้วย LLM อย่าง GPT</li></ul><p>บทความนี้จะพาคุณไปรู้จัก RAG ตั้งแต่พื้นฐาน(ตามความเข้าใจของผู้เขียน) พร้อมสาธิตวิธีสร้างระบบ RAG ด้วย <strong>LangChain + OpenAI API</strong> โดยสามารถนำไปประยุกต์ใช้งานได้ในโอกาสต่อๆไป</p><h3>❓ RAG คืออะไร?</h3><p>RAG ย่อมาจาก <strong>Retrieval-Augmented Generation</strong> ซึ่งเป็นเทคนิคที่ผสมผสานการสืบค้นและคืนข้อมูล (Retrieval) กับการสร้างข้อความ (Generation) เข้าด้วยกัน เพื่อให้โมเดล AI อย่าง GPT สามารถตอบคำถามได้แม่นยำยิ่งขึ้น โดยอ้างอิงจากข้อมูลภายนอกที่ผู้ใช้เตรียมไว้ เช่น เอกสาร คู่มือ เว็บไซต์ ฯลฯ</p><p>ในขณะที่โมเดลอย่าง GPT มีความสามารถด้านภาษาสูงมาก แต่ก็มีข้อจำกัดเรื่อง <strong>ความรู้ของโมเดลจะถูกจำกัดอยู่ในช่วงเวลาที่มันถูกฝึก</strong> ซึ่งอาจล้าสมัยหรือไม่ครอบคลุมเนื้อหาเฉพาะทาง เช่น ข้อมูลภายในบริษัทคุณ</p><p><strong>RAG แก้ปัญหานี้ได้ด้วยการ:</strong></p><ul><li>ดึงข้อมูลจากเอกสารหรือฐานความรู้ที่กำหนดไว้</li><li>ส่งข้อมูลที่เกี่ยวข้องไปเป็นส่วนหนึ่งของ prompt ให้ GPT วิเคราะห์และตอบกลับ</li></ul><p><strong>ตัวอย่างกรณีใช้งานจริง</strong></p><ul><li>บริษัทต้องการสร้าง Chatbot ที่ตอบคำถามจาก “คู่มือพนักงาน”</li><li>โรงเรียนต้องการสร้างระบบตอบคำถามจาก “เอกสารวิชาการ”</li><li>ผู้เขียนบทความต้องการให้ ChatGPT ช่วยตอบคำถามจาก “เนื้อหาที่เขียนไว้”</li></ul><h4>เบื้องหลังการทำงานของ RAG: Vectorization, Retrieval และ Prompting</h4><p>ระบบ RAG ประกอบด้วย 3 ขั้นตอนหลัก ๆ ดังนี้:</p><blockquote><strong>1. Vectorization (แปลงข้อความเป็นเวกเตอร์)</strong></blockquote><p>เพื่อให้ AI เข้าใจความหมายของข้อความ เราจำเป็นต้องแปลงข้อความที่เป็นภาษา (เช่น &quot;นโยบายของบริษัทคือ...&quot;) ให้กลายเป็นเวกเตอร์ตัวเลข (Vector) ซึ่งเป็นรูปแบบที่สามารถนำไปคำนวณหาระยะห่างของความหมายได้</p><p><em>เครื่องมือที่นิยมใช้: </em><em>OpenAIEmbeddings, </em><em>HuggingFaceEmbeddings, ฯลฯ</em></p><p>ตัวอย่างใน LangChain:</p><pre>from langchain_openai import OpenAIEmbeddings<br>embedding = OpenAIEmbeddings()</pre><blockquote><strong>2. Retrieval (สืบค้นคืนข้อความที่เกี่ยวข้อง)</strong></blockquote><p>เมื่อผู้ใช้ถามคำถาม เช่น “บริษัทมีกฎการลาอย่างไร?”<br> ระบบจะนำคำถามนี้ไปแปลงเป็นเวกเตอร์เช่นกัน แล้วนำไปค้นหา “ข้อความที่ใกล้เคียงที่สุด” จากเวกเตอร์ทั้งหมดที่สร้างไว้ในขั้นตอนที่ 1</p><p><em>LangChain ใช้ Vector Store เช่น Chroma, FAISS, Weaviate ฯลฯ ในการค้นคืน</em></p><pre>from langchain_community.vectorstores import Chroma<br><br>db = Chroma.from_documents(<br>    documents=docs,<br>    embedding=embedding,<br>    persist_directory=&quot;./chroma_db&quot;  # ไม่ใส่ก็ได้ ถ้าไม่ต้องการบันทึก<br>)<br><br># ค้นข้อความที่เกี่ยวข้องกับคำถาม<br>retriever = db.as_retriever()<br>related_docs = retriever.get_relevant_documents(&quot;บริษัทมีกฎการลาอย่างไร?&quot;)</pre><blockquote><strong>3. Prompting (ป้อนข้อมูลที่ค้นได้เข้า GPT)</strong></blockquote><p>เมื่อระบบ RAG ทำการ <strong>สืบค้นคืนข้อความที่เกี่ยวข้องจากเอกสาร (ผ่าน retriever)</strong> แล้ว ขั้นตอนต่อไปคือการนำข้อความเหล่านั้นไป “ป้อน” ให้ GPT สร้างคำตอบที่อิงตามข้อมูลจริง</p><p>เราจะไม่ป้อนแค่ “คำถาม” อย่างเดียวให้ GPT แต่จะรวมทั้ง <strong>“บริบทจากเอกสาร” + “คำถามของผู้ใช้”</strong> เข้าไปพร้อมกันใน Prompt</p><p><em>ตัวอย่างความคิดเบื้องหลัง Prompt ที่ LangChain สร้างให้ (โดยอัตโนมัติ):</em></p><pre>Context:<br>- พนักงานมีสิทธิ์ลาประจำปี 10 วันทำการต่อปี<br>- การลามากกว่า 3 วันต้องมีใบรับรองแพทย์<br><br>Question:<br>บริษัทมีกฎการลาอย่างไร?<br><br>Answer:</pre><ul><li>ข้อมูลในส่วน Context มาจากเอกสารที่เรานำเข้าและสร้าง retriever ไว้ก่อนหน้านี้แล้ว</li><li>LangChain จะรวมข้อความที่ค้นได้ + คำถามของผู้ใช้ → แล้วส่งให้ GPT ผ่าน OpenAI API</li></ul><pre>from langchain.chains import RetrievalQA<br>from langchain_openai import OpenAI<br><br>qa_chain = RetrievalQA.from_chain_type(<br>    llm=OpenAI(temperature=0),<br>    retriever=retriever  # ใช้ retriever ที่เราสร้างจากเวกเตอร์ของเอกสาร                      <br>                         # เดี๋ยวจะแสดงวิธีการทำอีกครั้งในขั้นต่อไป<br>)<br><br># เรียกใช้งาน: ป้อนคำถาม → LangChain ดึงข้อมูล → รวมเป็น Prompt → ส่งเข้า GPT<br>result = qa_chain.run(&quot;บริษัทมีกฎการลาอย่างไร?&quot;)<br>print(result)</pre><p>ข้อดีของการให้ GPT ตอบแบบนี้:</p><ul><li>ได้คำตอบที่อิงจาก “เอกสารจริง”</li><li>ไม่ต้อง retrain โมเดล ( คือสามารถดึงข้อมูลจากแหล่งที่เรากำหนด แล้ว ป้อนเข้า GPT ได้โดยตรง)</li><li>ไม่ต้องออกแบบ prompt เองให้ยุ่งยาก</li><li>ลดโอกาส GPT ตอบมั่ว (hallucination)</li></ul><p><strong>ด้านล่างนี้คือ Flow การทำงานของระบบ RAG เบื้องต้น</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7nXKfDNVT5CEZTssuUXQ7A.png" /></figure><p><strong>บทความถัดไป:</strong></p><p>ในตอนถัดไป เราจะเริ่มลงมือปฏิบัติ<br> ติดตั้ง LangChain + สร้างระบบ RAG จริงด้วย Python</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f0b5295bdbef" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>