RAG คืออะไร: ให้ AI ตอบจากเอกสารของคุณ

Plants.work · 2026-10-26 · upskilling

เข้าใจ RAG แบบไม่ต้องเป็นโปรแกรมเมอร์: ทำงานยังไง ทำไมองค์กรใช้ ข้อควรระวัง และวิธีเริ่มต้นทีละขั้น

ลองถาม AI ทั่วไปว่า "บริษัทเราให้ลาพักร้อนกี่วันต่อปี" คุณอาจได้คำตอบที่ฟังดูมั่นใจมาก แต่ไม่มีทางถูกได้ เพราะ AI ไม่เคยเห็นคู่มือพนักงานของบริษัทคุณเลย ช่องว่างนี้คือเหตุผลที่องค์กรจำนวนมากหันมาใช้เทคนิคชื่อ RAG ซึ่งเป็นพื้นฐานของ Chatbot องค์กรแทบทุกตัวที่คุณเห็นในวันนี้

RAG คืออะไร

RAG ย่อมาจาก Retrieval-Augmented Generation แปลตรงตัวคือ "การสร้างคำตอบที่เสริมด้วยการค้นคืนข้อมูล" แนวคิดนี้มาจากงานวิจัย Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ของทีม Facebook AI (ปัจจุบันคือ Meta AI) ที่ตีพิมพ์ในงานประชุม NeurIPS 2020

หลักการคือ แทนที่จะให้ AI ตอบจากความจำที่ฝังอยู่ในตัวโมเดล (งานวิจัยเรียกว่า parametric memory) เราให้ AI ไปค้นเอกสารที่เกี่ยวข้องก่อน แล้วค่อยเขียนคำตอบโดยอิงจากเอกสารนั้น เหมือนพนักงานใหม่ที่ไม่ตอบจากความรู้สึก แต่เปิดคู่มือก่อนตอบทุกครั้ง

RAG ทำงานยังไง: 3 ขั้นตอนหลัก

1. Retrieve: ค้นหาข้อมูล

เมื่อผู้ใช้พิมพ์คำถาม ระบบจะค้นในคลังเอกสารที่เตรียมไว้ เช่น คู่มือพนักงาน นโยบาย หรือ FAQ แล้วดึงส่วนที่เกี่ยวข้องที่สุดออกมาไม่กี่ชิ้น ส่วนใหญ่ใช้ semantic search ที่ค้นตามความหมาย ไม่ใช่แค่จับคำตรงตัว

2. Augment: เติมบริบทเข้าไปใน Prompt

ข้อความที่ค้นเจอจะถูกแนบไปพร้อมคำถาม และมีคำสั่งประมาณว่า "ตอบโดยใช้ข้อมูลด้านล่างนี้เท่านั้น ถ้าไม่มีข้อมูลให้บอกว่าไม่ทราบ"

3. Generate: สร้างคำตอบ

LLM อ่านทั้งคำถามและเอกสารประกอบ แล้วเรียบเรียงเป็นคำตอบภาษาคน ระบบที่ดีจะแนบแหล่งอ้างอิงด้วย เช่น "อ้างอิงจากคู่มือพนักงาน หมวด 4"

ทำไมไม่ใส่เอกสารทั้งหมดเข้าไปทีเดียว

คำถามที่เจอบ่อยคือ ในเมื่อโมเดลรุ่นใหม่รับข้อความได้ยาวมาก ทำไมไม่โยนคู่มือทั้งเล่มเข้าไปเลย คำตอบคือทั้งต้นทุนและความแม่นยำ งานวิจัย Lost in the Middle (Liu และคณะ, 2023) พบว่าโมเดลภาษาทำงานได้ดีที่สุดเมื่อข้อมูลสำคัญอยู่ต้นหรือท้ายข้อความยาว และพลาดบ่อยขึ้นเมื่อข้อมูลนั้นอยู่ตรงกลาง การคัดเฉพาะส่วนที่เกี่ยวข้องมาให้จึงมักได้ผลดีกว่า

ทำไม RAG ถึงสำคัญกับองค์กร

ใช้ข้อมูลภายในได้: AI ตอบจากเอกสารของคุณ ไม่ใช่จากข้อมูลทั่วไปบนอินเทอร์เน็ต
อัปเดตง่าย: นโยบายเปลี่ยนก็แค่เปลี่ยนเอกสารในคลัง ไม่ต้องฝึกโมเดลใหม่
ตรวจสอบได้: รู้ว่าคำตอบมาจากเอกสารไหน คนอ่านจึงกดไปเช็กต้นฉบับได้
ลดการเดา: เมื่อ AI มีข้อมูลจริงอยู่ตรงหน้า โอกาสแต่งเรื่องขึ้นเองก็ลดลง แม้จะไม่หายไปทั้งหมด

สองข้อหลังตรงกับโจทย์ที่งานวิจัยต้นฉบับระบุไว้ ว่าการบอกที่มาของคำตอบ (provenance) และการอัปเดตความรู้ของโมเดล เป็นปัญหาที่ยังเปิดอยู่ของโมเดลภาษาขนาดใหญ่

ตัวอย่างในที่ทำงานไทย

บริษัทค้าปลีกที่มีสาขาทั่วประเทศ พนักงานหน้าร้านมักโทรถาม HR ซ้ำๆ เรื่องการเบิกค่ารักษาพยาบาล การแลกกะ และขั้นตอนลาคลอด ทีม HR จึงรวบรวมคู่มือพนักงาน ประกาศบริษัท และ FAQ เป็นคลังเอกสาร แล้วทำ Chatbot แบบ RAG ไว้ในช่องทางแชตภายในของบริษัท

เมื่อพนักงานถามว่า "เบิกค่าแว่นตาได้ไหม" ระบบจะค้นเจอหัวข้อสวัสดิการที่เกี่ยวข้อง แล้วตอบพร้อมบอกว่าอ้างอิงจากประกาศฉบับไหน ถ้าคู่มือไม่ได้พูดถึงเรื่องนี้ ระบบที่ออกแบบดีจะตอบว่า "ไม่พบข้อมูลในคู่มือ กรุณาติดต่อ HR" แทนการเดา

ข้อควรระวัง

ขยะเข้า ขยะออก: ถ้าเอกสารในคลังล้าสมัยหรือขัดแย้งกันเอง AI ก็จะตอบผิดอย่างมั่นใจ
ค้นไม่เจอ เท่ากับตอบไม่ได้: คุณภาพของ RAG ขึ้นกับขั้นตอนค้นหาเป็นหลัก ถ้าดึงเอกสารผิดชิ้น คำตอบก็ผิดตาม
Hallucination ยังมีอยู่: LLM อาจตีความเอกสารผิดหรือเติมรายละเอียดที่ไม่มีจริง เรื่องสำคัญจึงควรมีคนตรวจ
สิทธิ์การเข้าถึง: เอกสารบางชิ้น เช่น ข้อมูลเงินเดือน ไม่ควรให้ทุกคนค้นเจอ ต้องออกแบบสิทธิ์ตั้งแต่แรกและคำนึงถึง PDPA

RAG ไม่ได้ทำให้ AI ฉลาดขึ้น แต่ทำให้ AI "เปิดหนังสือก่อนตอบ"

เริ่มต้นยังไง

เลือกปัญหาเล็กๆ ที่มีคำถามซ้ำบ่อย เช่น FAQ ของ HR หรือ IT Helpdesk
รวบรวมเอกสารฉบับล่าสุด และตัดฉบับเก่าที่ขัดแย้งกันออก
ลองเครื่องมือ AI ที่ให้อัปโหลดไฟล์แล้วถามตอบได้ เพื่อเข้าใจพฤติกรรมของ RAG ก่อนลงทุนสร้างระบบเอง
เตรียมชุดคำถามทดสอบ 20 ถึง 30 ข้อพร้อมคำตอบที่ถูกต้อง ไว้วัดผลก่อนเปิดใช้จริง
เปิดให้กลุ่มเล็กใช้ก่อน เก็บคำถามที่ตอบผิดมาปรับทั้งเอกสารและระบบค้นหา

ถ้าอยากเห็นภาพใหญ่ว่า RAG อยู่ตรงไหนในระบบ AI ลองอ่าน เข้าใจโครงสร้าง AI Agent ต่อ และถ้าอยากต่อยอดทักษะ AI สำหรับการทำงาน ดูคอร์สที่คัดมาแล้วได้ที่ Plants.work Learn