จุดที่ 1 ข้อความของคุณ และคำสั่งที่คุณไม่เห็น
ลองเปิดหน้าแชตของ dnamaker.com แล้วเลือกหัวข้อ “ความรู้ในองค์กรหาไม่เจอ” ข้อความที่ส่งไปหา Dream ผู้ช่วย AI ของเรา จบด้วยประโยค “อยากได้ AI ที่ตอบคำถามจากเอกสารของบริษัทเอง” เราจะตามข้อความนี้ไปจนคำตอบกลับมาถึงจอ
ข้อความนี้เดินทางไปพร้อมประวัติการคุยช่วงล่าสุด และ System Prompt ชุดคำสั่งที่ทีมเขียนไว้และคุณมองไม่เห็น Prompt ชุดนี้บอกว่า Dream เป็นใคร คุยเป็นสี่ขั้นตั้งแต่เข้าใจโจทย์จนทำ Proposal และห้ามแต่งชื่อลูกค้าหรือตัวเลข
ก่อนถึงโมเดลมีด่านหน้า ระบบจำกัดจำนวนข้อความต่อเครือข่าย มีเพดานการใช้โมเดลต่อวัน และข้อความที่พยายามล้วงคำสั่งระบบได้คำปฏิเสธโดยไม่ผ่านโมเดล
จุดที่พังในขั้นนี้คือ System Prompt ที่กว้างจน AI รับปากเรื่องที่บริษัทไม่ได้ทำ และแอปที่ไม่มีด่านหน้า ซึ่งเจอทั้งค่าใช้จ่ายพุ่งและ Prompt Injection ข้อความที่หลอกให้ระบบทิ้งคำสั่งเดิม
จุดที่ 2 LLM เขียนคำตอบ
LLM หรือโมเดลภาษาขนาดใหญ่ คือโปรแกรมที่เรียนรูปแบบภาษาจากข้อความปริมาณมหาศาล แล้วเขียนคำตอบทีละชิ้น โดยเลือกชิ้นถัดไปที่น่าจะตามมามากที่สุด ผู้ช่วยแชตที่คุณใช้ทุกวันส่วนใหญ่มี LLM อยู่ข้างใน
LLM เก่งงานภาษา เช่น สรุป แปล และถามกลับ แต่ไม่มีข้อมูลบริษัทคุณ ไม่รู้เรื่องหลังวันที่ฝึกเสร็จ และไม่รู้ตัวว่าไม่รู้ คำตอบที่ผิดจึงฟังมั่นใจเท่าคำตอบที่ถูก อาการนี้เรียกว่า Hallucination
ที่ Dream โมเดลภาษาขนาดใหญ่ตัวหนึ่งเขียนคำตอบ ถ้าคุณแนบรูป โมเดลอีกตัวอธิบายภาพเป็นข้อความก่อน โมเดลยังเขียนบรรทัดสถานะที่ซ่อนไว้ ซึ่งระบบตัดออกแล้วใช้เติมแถบสี่ขั้นและช่อง “สรุปโจทย์โปรเจกต์”
จุดที่พังในขั้นนี้คือการให้โมเดลตอบจากความจำ โมเดลจะเดาตัวเลข วันที่ และชื่อเฉพาะ Dream จึงไม่ให้โมเดลเขียนราคาเอง
จุดที่ 3 RAG ค้นข้อมูลก่อนตอบ
RAG ย่อจาก Retrieval-Augmented Generation คือการค้นข้อมูลที่เกี่ยวข้องก่อน แล้วแนบให้โมเดลอ่านพร้อมคำถาม โมเดลจึงตอบจากเอกสารตรงหน้า เหมือนสอบแบบเปิดตำรา
ความรู้ของ Dream เป็นชุดเล็กที่ทีมเขียนเอง ข้อมูลบริษัทอยู่ใน System Prompt และถ้าคุณมาจากหน้าโซลูชันใด ระบบแนบเนื้อหาหน้านั้นไปด้วย Dream แบบเสียงได้แผนที่ทั้งเว็บที่สร้างจากไฟล์ชุดเดียวกับหน้าเว็บ
เอกสารบริษัทมีมากเกินกว่าจะแนบไปทุกคำถาม RAG สำหรับเอกสารจึงมีสามขั้น ขั้นเตรียม ตัดเอกสารเป็นช่วงสั้น แปลงแต่ละช่วงเป็นชุดตัวเลขที่แทนความหมาย เรียกว่า Embedding แล้วเก็บใน Vector Database ขั้นค้น แปลงคำถามแบบเดียวกันแล้วหาช่วงที่ความหมายใกล้ที่สุด คนถาม “ลาคลอด” จึงเจอหัวข้อ “การลาเพื่อคลอดบุตร” ขั้นตอบ แนบช่วงที่ค้นได้ให้โมเดล พร้อมคำสั่งให้ตอบจากเอกสารนี้และบอกที่มา แชตบอตที่ทำงานแบบนี้คือ RAG Chatbot
ช่องค้นหาบนเว็บเราใช้การจับคู่คำ ซึ่งแม่นกับชื่อเฉพาะและรหัส ส่วนการค้นด้วยความหมายแม่นกับคำถามที่เล่าเป็นประโยค ระบบในองค์กรจึงมักใช้ร่วมกัน เรียกว่า Hybrid Search
จุดที่พังในขั้นนี้คือค้นได้เอกสารผิด เช่น ฉบับเก่าที่ยังอยู่ในคลัง หรือช่วงที่ตัดกลางตารางจนหัวตารางหลุด คำตอบก็ผิดตาม
จุดที่ 4 คำตอบ และด่านตรวจก่อนถึงมือคุณ
ก่อนคำตอบขึ้นจอ ระบบที่ดีมีด่านตรวจอีกชั้น เรียกว่า Guardrail ด่านของ Dream ลบข้อความที่หน้าตาเหมือนรหัสลับ และถ้าคำตอบมีร่องรอยของคำสั่งระบบ ระบบทิ้งคำตอบนั้นแล้วใช้คำตอบสำรอง หน้าแชตยังบอกตรง ๆ ว่า Dream เป็น AI และอาจผิดพลาดได้
การตอบว่าไม่รู้ต้องออกแบบไว้ RAG ที่ดีสั่งให้โมเดลตอบว่าไม่พบในเอกสารเมื่อค้นไม่เจอ และแนบที่มาทุกครั้ง Dream ถามกลับเมื่อโจทย์ยังไม่พอ และเขียนสมมติฐานให้เห็นแทนการเดาเงียบ ๆ
จุดที่พังในขั้นนี้คือด่านที่เข้มเกินจนปฏิเสธคำถามธรรมดา และด่านที่หลวมเกินจนปล่อยคำตอบที่แต่งขึ้นหรือข้อมูลที่คนถามไม่มีสิทธิ์เห็น
สามคำถามกับทุกคำตอบของ AI
- มาจากไหน อ้างเอกสารฉบับใด หัวข้อไหน ถ้าบอกไม่ได้ ให้ถือเป็นความเห็นของโมเดล
- ใหม่แค่ไหน เอกสารนั้นแก้ล่าสุดเมื่อไร และยังใช้อยู่หรือไม่
- ใครตรวจ ใครเป็นเจ้าของเนื้อหา และต้องมีคนอนุมัติก่อนใช้หรือไม่
จุดที่ 5 เมื่อแอปเรียกเครื่องมือได้ แอปกลายเป็น AI Agent
แอปกลายเป็น AI Agent เมื่อโมเดลเลือกเองว่าจะเรียกเครื่องมือใด แล้วโค้ดของระบบเป็นผู้ลงมือ กลไกนี้เรียกว่า Tool Calling ความต่างของ AI Agent กับ Agentic AI อยู่ในบทที่ 5
Dream มีขั้นแบบนี้สามแบบ ในการประเมินราคา โมเดลเลือกโมดูลแล้ววางเครื่องหมายไว้ โค้ดคำนวณช่วงราคาจากตารางที่ทีมดูแลแล้วเติมแทน ในปุ่มท้ายคำตอบ โมเดลเลือกได้แค่รหัสหน้า ที่อยู่และชื่อหน้ามาจากเนื้อหาของเรา คำตอบจึงพาคุณออกนอกเว็บไม่ได้ และ Dream แบบเสียงเรียกเครื่องมือเปิดหน้าเว็บกับเลื่อนไปยังหัวข้อในเบราว์เซอร์ของคุณ
เครื่องมือของ Dream แค่คำนวณหรือพาไปหน้าเว็บ ความเสี่ยงจึงต่ำ Agent ที่บันทึกใบลาหรือแก้ข้อมูลใน ERP ต้องมีจุดอนุมัติก่อนลงมือ
จุดที่พังในขั้นนี้คือเรียกเครื่องมือด้วยค่าผิด เรียกซ้ำ หรือทำตามข้อความในเอกสารที่แอบสั่งระบบ
| LLM อย่างเดียว | LLM + RAG | AI Agent | |
|---|---|---|---|
| รู้อะไร | ความรู้ทั่วไปถึงวันที่ฝึกเสร็จ | เพิ่มเอกสารของคุณ | เพิ่มข้อมูลสดจากระบบ |
| ทำอะไรได้ | ร่าง สรุป แปล | ตอบจากเอกสารพร้อมที่มา | คำนวณ ค้นในระบบ สร้างเอกสาร |
| พังอย่างไร | แต่งข้อเท็จจริง | ค้นได้ฉบับเก่า ตอบเกินสิทธิ์ของคนถาม | เรียกเครื่องมือผิด ทำตามคำสั่งแฝง |
| ต้องการอะไร | คนตรวจก่อนใช้ | เอกสารที่มีเจ้าของ สิทธิ์การเห็น | สิทธิ์ที่แคบ จุดอนุมัติ บันทึกการเรียก |
จุดที่ 6 ภาษาไทยและข้อมูลของคุณ
ภาษาไทยไม่เว้นวรรคระหว่างคำ และโมเดลหลายตัวตัดข้อความไทยเป็นชิ้นหรือ Token มากกว่าภาษาอังกฤษที่ความหมายเท่ากัน ค่าเรียกโมเดลจึงมักสูงกว่า งานจริงยังเขียนปนสองภาษา เช่น “ขอ OT วันเสาร์” หรือ “PO เลขนี้ส่งของยัง” ซึ่งการค้นด้วยความหมายมักพลาด
Dream ดูภาษาจากตัวอักษรที่คุณพิมพ์ คุยภาษาไทยมาตลอดแล้วพิมพ์แค่ “Excel” Dream ยังตอบภาษาไทย ฝั่งเสียง ทีมล็อกภาษาไว้ตามผู้ใช้ เพราะตอนปล่อยให้ระบบเดา คำตอบสั้น ๆ ภาษาไทยเคยถอดออกมาเป็นภาษาญี่ปุ่นหรือโปรตุเกส
หน้าแชตของเราแจ้งว่าระบบบันทึกบทสนทนา และโมเดลของ Dream เป็นบริการบนคลาวด์ ซึ่งเหมาะกับเนื้อหาที่เปิดเผยบนเว็บอยู่แล้ว เอกสาร HR หรือข้อมูลลูกค้าต้องคิดอีกแบบ ภายใต้ PDPA คุณต้องตอบได้ว่าข้อมูลส่วนบุคคลออกนอกบริษัทที่จุดไหน ถ้าออกไม่ได้ ทางเลือกคือ Private LLM ที่รันบนเซิร์ฟเวอร์ของคุณ อ่านต่อในทางเลือก Private AI สำหรับบริษัท
จุดที่พังในขั้นนี้คือระบบที่ทดสอบด้วยภาษาอังกฤษล้วน และข้อมูลส่วนบุคคลที่ติดไปกับคำถามโดยไม่มีใครตั้งใจ
กรณีจำลอง
โรงงานชิ้นส่วนรถยนต์ในชลบุรี (ชื่อและรายละเอียดสมมติ) ทำผู้ช่วย AI ตอบคำถาม HR ผ่าน LINE OA โดยค้นเอกสารในไดรฟ์กลาง พนักงานถามว่า “พักร้อนที่เหลือปีนี้ ยกไปปีหน้าได้ไหม” ผู้ช่วยพังได้สองทาง
ทางแรก ไดรฟ์มีระเบียบการลาสองฉบับ ระบบค้นเจอฉบับเก่าที่เขียนว่ายกไปได้ HR ต้องตามแก้ทีละคน ทางแก้คือเอกสารทุกชุดมีเจ้าของ ฉบับที่เลิกใช้ออกจากคลังวันที่ประกาศฉบับใหม่ และคำตอบแสดงชื่อเอกสารพร้อมวันที่แก้
ทางที่สอง ทีมดึงทั้งไดรฟ์เข้าคลัง รวมถึงตารางเงินเดือนของฝ่ายบริหาร หัวหน้าไลน์ผลิตถามเรื่องเกณฑ์ขึ้นเงินเดือน ผู้ช่วยยกตัวเลขจากไฟล์ที่เขาไม่มีสิทธิ์เปิด ทางแก้คือกรองเอกสารตามสิทธิ์ของผู้ถามก่อนส่งให้โมเดล ดูตัวอย่างที่หน้า Agent HR และ IT Helpdesk
ก่อนสร้างผู้ช่วย RAG ต้องเตรียมอะไร
งานหกข้อนี้บริษัทเตรียมได้เอง ก่อนคุยกับผู้พัฒนารายใด
- แหล่งเอกสาร และฉบับไหนคือฉบับที่ใช้จริง
- เจ้าของเอกสารแต่ละชุด ผู้ยืนยันว่าเนื้อหาถูก
- รอบอัปเดต และวิธีนำฉบับเก่าออกจากคลัง
- สิทธิ์การเห็น ใครเปิดเอกสารไหนได้
- คำถามจริงที่ถามบ่อย พร้อมคำตอบที่เจ้าของเอกสารรับรอง
- ข้อมูลส่วนบุคคลในเอกสาร และออกนอกบริษัทได้หรือไม่ตาม PDPA
สำหรับทีมพัฒนา · Chunking, Thai Embedding, Hybrid Search และการทดสอบ
Chunking: ตัดตามหัวข้อและตาราง แทนการนับตัวอักษร เพราะภาษาไทยไม่มีวรรคระหว่างคำ แนบชื่อเอกสาร วันที่แก้ และสิทธิ์เป็น Metadata Thai Embedding: ทดสอบโมเดลหลายภาษากับข้อความจริงของบริษัท รวมคำไทยปนอังกฤษและรหัสสินค้า Hybrid Search: รวม BM25 บนดัชนีที่ตัดคำไทยแล้วกับการค้นด้วยเวกเตอร์ แล้วทำ Reranking กรองสิทธิ์และวันที่ตั้งแต่ขั้นค้น การทดสอบ: ทดสอบระบบด้วยตัวอย่างจริงจากงานของบริษัทก่อนเปิดใช้ ตกลงกับเจ้าของเอกสารว่าผลแบบไหนถือว่าผ่าน และทดสอบซ้ำทุกครั้งที่เปลี่ยนโมเดล Prompt หรือวิธีตัด วัดแยกว่าค้นถูกและตอบตรงเอกสารหรือไม่ ตรวจ Prompt Injection ในเอกสารที่ค้นมาด้วย
วิธีที่เราสร้างผู้ช่วย RAG และ AI Agent ให้บริษัทไทย
DNA Maker เริ่มจากเอกสารก่อนเลือกโมเดล เราไล่กับทีมของคุณว่าคำถามที่ถามบ่อยตอบด้วยเอกสารฉบับไหน ใครเป็นเจ้าของ และใครเห็นอะไรได้ แล้วบอกตรง ๆ ว่าส่วนไหนยังไม่พร้อม ก่อนเปิดใช้ เราทดสอบด้วยเอกสารจริงและคำถามจริงของคุณ และคุณเห็น Demo ทุกสัปดาห์
เราวางจุดอนุมัติก่อนทุกขั้นที่ AI แก้ข้อมูลในระบบ เมื่อข้อมูลออกนอกบริษัทไม่ได้ เราวาง Private LLM บนเซิร์ฟเวอร์ของคุณและผูกสิทธิ์กับ Active Directory ทีมที่ทำงานกับคุณเป็นทีมของ DNA Maker เอง ไม่มีการจ้างช่วง ขอบเขตและราคาคงที่ก่อนเริ่มงาน เราทำมาแล้วกว่า 500 โปรเจกต์ ลูกค้ามีทั้งธนาคาร โรงพยาบาล และกลุ่มบริษัทขนาดใหญ่ของไทย ดูต่อที่ AI Agent & Chatbot และ Private LLM หรือเล่าโจทย์ให้ Dream ฟัง
SOFTWARE ENGINEERING GLOSSARY
คลังคำศัพท์การพัฒนาซอฟต์แวร์
| คำศัพท์ | คืออะไร | ตัวอย่างที่เข้าใจง่าย | คำถามที่ผู้บริหารควรถามทีมพัฒนา |
|---|---|---|---|
| LLM | โมเดลภาษาขนาดใหญ่ที่เขียนคำตอบทีละชิ้น | Dream ใช้ LLM เขียนคำตอบในหน้าแชต | คำตอบมาจากเอกสารหรือจากความจำของโมเดล? |
| RAG | การค้นข้อมูลที่เกี่ยวข้องก่อน แล้วแนบให้โมเดลอ่านพร้อมคำถาม | ผู้ช่วย HR ค้นระเบียบการลาก่อนตอบเรื่องพักร้อน | ถ้าค้นไม่เจอ ระบบตอบว่าอย่างไร? |
| Embedding | การแปลงข้อความเป็นชุดตัวเลขที่แทนความหมาย | คำถาม “ลาคลอด” เจอหัวข้อ “การลาเพื่อคลอดบุตร” | ทดสอบกับภาษาไทยปนอังกฤษแล้วหรือยัง? |
| Tool Calling | กลไกที่โมเดลเลือกเครื่องมือ แล้วโค้ดเป็นผู้ทำ | Dream วางเครื่องหมาย แล้วโค้ดเติมช่วงราคา | เครื่องมือตัวไหนแก้ข้อมูลได้? |
| Private LLM | โมเดลภาษาที่รันบนเซิร์ฟเวอร์ที่บริษัทควบคุมเอง | ผู้ช่วย HR ที่รันบนเครื่องของบริษัท | ข้อมูลส่วนบุคคลออกนอกบริษัทที่จุดไหนบ้าง? |