สร้างระบบ Q&A จากเอกสารด้วย LangChain RAG Chain

เรากำลังเข้าสู่ขั้นตอนสุดท้าย: ให้ AI ตอบคำถามจากเอกสารที่เราอัปโหลด

ในตอนที่แล้ว เราได้:

1. โหลดเอกสาร (Load)
2. แบ่งข้อมูลเป็นชิ้นเล็ก ๆ (Split)
3. แปลงเป็นตัวเลข (Embedding)
4. เก็บในฐานข้อมูลเวกเตอร์ (Vector Store)

ในตอนนี้ เราจะ
➡️ สร้างระบบถาม–ตอบ (Q&A System) ที่ทำให้ AI อ่านข้อมูลจากฐานข้อมูลเวกเตอร์ แล้วตอบคำถามของเรา อย่างแม่นยำและสุภาพ

---

💡 คำศัพท์สำคัญที่ต้องรู้

คำศัพท์	ความหมาย
Retriever	ตัวค้นหาข้อมูลจาก Vector Store ที่ “ใกล้เคียง” กับคำถามของเรา
Chain	โครงสร้างที่เชื่อมทุกอย่างเข้าด้วยกัน (Retriever + Prompt + AI Model + Output)
ChatPromptTemplate	แบบฟอร์มคำสั่งที่ระบุว่า AI จะมี “บทบาทอะไร” และจะตอบ “คำถาม” ยังไง
System Message	ข้อความเบื้องหลังที่กำหนดพฤติกรรมของ AI
Human Message	ข้อความที่ผู้ใช้งานส่งเข้ามา เช่น “ปีที่ก่อตั้งบริษัทคือเมื่อไร?”

---

🔧 ขั้นตอนการสร้างระบบถาม–ตอบ (RAG Chain)

✅ 1. ออกแบบ Prompt Template

ChatPromptTemplate.from_messages([
    SystemMessage(content="ใช้ข้อมูลจากเอกสารในการตอบคำถามอย่างสุภาพและกระชับ"),
    HumanMessage(content="คำถาม: {question} \nข้อมูลที่เกี่ยวข้อง: {context}")
])

💬 System Message: บอกให้ AI ตอบ “จากเอกสาร” และตอบอย่างสุภาพ
💬 Human Message: กรอบคำถาม + ข้อมูลที่ AI จะใช้ตอบ

---

✅ 2. สร้าง AI Model (LLM)

ChatOpenAI(model="gpt-4-mini")

ใช้โมเดล GPT ที่เราตั้งค่าไว้ เช่น GPT-3.5 หรือ GPT-4-mini
จะทำหน้าที่ “คิดคำตอบ” จากสิ่งที่เราป้อนเข้าไป

---

✅ 3. สร้าง Retriever

retriever = vectorstore.as_retriever()

ดึงข้อมูลที่เกี่ยวข้องจากฐานข้อมูลเวกเตอร์ โดยเทียบกับคำถามที่ถามเข้ามา

---

✅ 4. สร้าง Chain

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

อธิบาย:

• "context" ดึงข้อมูลจาก Vector Store ด้วย retriever
• "question" รับคำถามโดยตรงจากผู้ใช้
• แล้วป้อนทั้งหมดเข้า Prompt → AI Model → แสดงผล

---

✅ 5. เรียกใช้งาน Chain

result = chain.invoke("ผู้ก่อตั้งบริษัทคือใคร")
print(result)

เราใส่คำถามไปแบบธรรมดา แต่เบื้องหลัง AI จะไป “ค้น + สรุป + ตอบ” ให้เอง

---

🔍 ตัวอย่างคำถามที่เราทดสอบในคลิป

คำถาม	คำตอบที่ AI ตอบกลับ
ข้อมูลสำคัญในเอกสารมีอะไรบ้าง?	ชื่อบริษัท ABC, จำหน่ายของเล่นและหนังสือ, ผู้ก่อตั้ง, ที่อยู่, อีเมล ฯลฯ
ผู้ก่อตั้งบริษัทคือใคร?	กล้องรัชยาม ค่ะ
มีสินค้าอะไรบ้าง?	ของเล่น, โมเดล, ตุ๊กตา, บริการพรีออเดอร์ ฯลฯ

✨ คำตอบทั้งหมดเป็นมิตร และมีคำลงท้ายแบบสุภาพ (ค่ะ / ครับ) ตามที่เรากำหนดใน System Message

---

🧭 Workflow โดยรวม

ขั้นตอน	คำอธิบาย
Load	โหลดไฟล์เอกสาร
Split	แบ่งข้อความเป็นส่วนย่อย
Embed	แปลงเป็นเวกเตอร์
Store	เก็บในฐานข้อมูลเวกเตอร์
Retrieve	ดึงข้อมูลที่เกี่ยวข้องจาก Store
Prompt	สร้างคำสั่งให้ AI เข้าใจ
Model	ส่งข้อมูลให้โมเดลประมวลผล
Output	ได้คำตอบเป็นข้อความ

---

🤔 ประโยชน์ของ RAG Chain คืออะไร?

• ✅ ทำให้ AI ตอบคำถามจากเอกสารภายในองค์กรได้
• ✅ ลดปัญหา “ตอบผิด” หรือ Hallucination
• ✅ ไม่ต้องเทรนโมเดลใหม่ แค่โหลดเอกสารใหม่ก็ใช้ได้เลย
• ✅ เหมาะสำหรับสร้าง Chatbot ถาม–ตอบภายในองค์กร เช่น
  • ฐานข้อมูลสินค้า
  • คู่มือการใช้งาน
  • นโยบายบริษัท