RAG คืออะไร คำตอบสั้น ๆ คือ RAG (Retrieval-Augmented Generation) เป็นวิธีให้ AI ค้นข้อความที่เกี่ยวข้องจากเอกสารของบริษัทคุณก่อน แล้วจึงเรียบเรียงคำตอบจากข้อความนั้น พร้อมบอกได้ว่ามาจากเอกสารใด ผลคือ AI ตอบเรื่องเฉพาะองค์กรได้ เช่น นโยบายลางาน สเปกสินค้า หรือขั้นตอนเคลม โดยไม่ต้องฝึกโมเดลใหม่ และอัปเดตความรู้ได้โดยปรับเอกสารต้นทางแล้วให้ระบบนำเอกสารฉบับใหม่เข้าดัชนีค้นหา
บทความนี้อธิบายหลักการ ส่วนประกอบ และข้อควรระวังกับเอกสารภาษาไทย ส่วนการเลือกโมเดลภาษาที่เก่งภาษาไทย อ่านแยกได้ที่คู่มือเลือก LLM ภาษาไทย
สรุปสั้น
- RAG ย่อมาจาก Retrieval-Augmented Generation คือการให้ระบบค้นเอกสารที่เกี่ยวข้องก่อน แล้วให้โมเดลภาษาตอบจากข้อความที่ค้นได้
- เมื่อเอกสารเปลี่ยน ระบบ RAG อัปเดตได้โดยนำเอกสารฉบับใหม่เข้าดัชนีค้นหา ไม่ต้องฝึกโมเดลใหม่
- Fine-tuning เหมาะกับการปรับรูปแบบหรือน้ำเสียงของคำตอบ มากกว่าการเพิ่มความรู้ที่เปลี่ยนบ่อย
- ภาษาไทยไม่เว้นวรรคระหว่างคำ ระบบที่ค้นด้วยคำสำคัญจึงต้องตัดคำให้ถูกก่อน
- ระบบ RAG ที่ใช้ในองค์กรต้องควบคุมสิทธิ์ ให้แต่ละคนค้นเจอเฉพาะเอกสารที่มีสิทธิ์อ่าน
RAG คืออะไร และต่างจากการถาม ChatGPT ตรง ๆ อย่างไร
โมเดลภาษาขนาดใหญ่ (LLM) อย่างที่อยู่เบื้องหลัง ChatGPT, Claude หรือ Gemini เรียนรู้จากข้อมูลสาธารณะจำนวนมาก แต่ไม่รู้จักเอกสารภายในของบริษัทคุณ เมื่อถามเรื่องที่ไม่รู้ โมเดลอาจสร้างคำตอบที่ฟังดูน่าเชื่อแต่ผิด ซึ่งเรียกว่า hallucination
RAG เพิ่มขั้นตอน "ค้นก่อนตอบ":
- ผู้ใช้ถาม เช่น "พนักงานทดลองงานลาพักร้อนได้กี่วัน"
- ระบบค้นย่อหน้าที่เกี่ยวข้องจากคู่มือพนักงานและประกาศบริษัท
- ระบบส่งคำถามพร้อมย่อหน้าที่ค้นได้ให้โมเดลภาษา
- โมเดลตอบโดยอิงข้อความนั้น และแสดงชื่อเอกสารหรือหน้าที่อ้างอิง
- ถ้าค้นไม่เจอข้อมูลที่เกี่ยวข้อง ระบบที่ออกแบบดีจะตอบว่าไม่พบข้อมูล แทนการเดา
เปรียบง่าย ๆ คือ แทนที่จะให้ AI ตอบจากความจำ เราให้ AI เปิดแฟ้มเอกสารของบริษัทก่อนตอบทุกครั้ง
RAG, fine-tuning และการเขียน prompt ต่างกันอย่างไร
| วิธี | ทำอะไร | เหมาะกับ | ข้อจำกัด |
|---|---|---|---|
| เขียน prompt (คำสั่งที่ส่งให้โมเดล) | ใส่คำสั่งและข้อมูลสั้น ๆ ไว้ในคำถาม | ข้อมูลน้อยและไม่เปลี่ยนบ่อย | ใส่เอกสารจำนวนมากไม่ได้ |
| RAG | ค้นเอกสารที่เกี่ยวข้อง แล้วให้โมเดลตอบจากเอกสารนั้น | ความรู้ในเอกสารจำนวนมากที่อัปเดตบ่อย | คุณภาพขึ้นกับการค้นและคุณภาพเอกสาร |
| Fine-tuning (ฝึกโมเดลเพิ่มด้วยตัวอย่างของคุณ) | ปรับพฤติกรรมของโมเดล | รูปแบบคำตอบ น้ำเสียง หรืองานจำแนกประเภทเฉพาะ | อัปเดตความรู้ยากกว่า อ้างอิงแหล่งที่มาไม่ได้โดยตรง |
สำหรับโจทย์ "ให้พนักงานหรือลูกค้าถามจากเอกสารของเรา" RAG มักเป็นจุดเริ่มที่เหมาะกว่า เพราะอัปเดตง่ายและตรวจสอบแหล่งที่มาได้ ทั้งสองวิธีใช้ร่วมกันได้ในระบบที่ซับซ้อนขึ้น
ส่วนประกอบของระบบ RAG และสิ่งที่ต้องระวังกับภาษาไทย
- การนำเข้าเอกสาร อ่าน PDF, Word, Excel หน้าเว็บ หรือข้อมูลจากระบบอื่น เอกสารสแกนต้องผ่าน OCR ก่อน
- การแบ่งเอกสาร (chunking) ตัดเอกสารเป็นช่วงที่มีความหมายครบ เช่น ตามหัวข้อหรือข้อของระเบียบ
- embedding คือการแปลงข้อความเป็นชุดตัวเลขที่แทนความหมาย เพื่อให้ค้นตามความหมายได้ ไม่ใช่แค่คำที่ตรงกัน
- ฐานข้อมูลเวกเตอร์ เก็บ embedding และข้อความ พร้อมข้อมูลประกอบ เช่น แผนก วันที่ และสิทธิ์เข้าถึง
- การค้นและจัดลำดับใหม่ (reranking) มักค้นตามความหมายร่วมกับคำสำคัญ แล้วจัดลำดับผลอีกครั้ง
- การสร้างคำตอบ ให้โมเดลตอบจากข้อความที่ค้นได้ พร้อมแหล่งอ้างอิง
- การควบคุมสิทธิ์ เอกสารเงินเดือนไม่ควรถูกค้นเจอโดยทุกคน
เรื่องเฉพาะของภาษาไทย การค้นด้วยคำสำคัญต้องตัดคำให้ถูกก่อน และผู้ใช้มักถามด้วยภาษาพูด เช่น "OT วันหยุดคิดยังไง" ขณะที่เอกสารเขียนว่า "ค่าล่วงเวลาในวันหยุด" ปัญหาที่เจอบ่อยในงานจริงอีกข้อคือการตัดเอกสารตามจำนวนตัวอักษรแบบตายตัว ซึ่งอาจตัดกลางตารางหรือกลางข้อระเบียบ ทำให้คำตอบขาดเงื่อนไขสำคัญ การตัดตามโครงสร้างหัวข้อจึงมักให้ผลดีกว่า
ธุรกิจใช้ RAG ทำอะไร – พร้อมตัวอย่างที่เผยแพร่แล้ว
- ผู้ช่วยฝ่ายบุคคล ตอบคำถามพนักงานเรื่องสวัสดิการ วันลา และระเบียบ
- ผู้ช่วยฝ่ายขายและบริการลูกค้า ค้นสเปกสินค้า เงื่อนไขรับประกัน และราคา
- ฐานความรู้ฝ่ายเทคนิค ค้นคู่มือเครื่องจักรและบันทึกการซ่อม
- แชทบอทลูกค้าที่ตอบจากข้อมูลจริง บนเว็บไซต์หรือ LINE OA ดูที่หน้าพัฒนาแชทบอท AI
กรณีศึกษาที่เผยแพร่แล้วของ NKKTech Global บริษัทวิศวกรรม AI ในฮานอย ประเทศเวียดนาม ซึ่งใช้ RAG มีสองงาน ทั้งคู่ไม่ใช่ลูกค้าไทย:
- ระบบค้นหาอสังหาริมทรัพย์ด้วย RAG สำหรับสตาร์ทอัพ PropTech ในสิงคโปร์ ใช้เวลา 14 สัปดาห์ ลูกค้ารายงานว่าผู้ใช้ค้นเจออสังหาริมทรัพย์ได้เร็วขึ้น 65% การมีส่วนร่วมเพิ่มขึ้น 40% และไม่มีรายละเอียดอสังหาริมทรัพย์ที่โมเดลแต่งขึ้นเอง
- AI agent ด้านปฏิบัติการบน Slack สำหรับบริษัทเทคโนโลยีในสหรัฐฯ ใช้ Claude API ร่วมกับ RAG และ Notion ใช้เวลา 6 สัปดาห์ งบ USD 25,000 ลดเวลาทำรายงานสถานะงานลง 70%
เริ่มทำระบบ RAG อย่างไรให้วัดผลได้
- เลือกกลุ่มเอกสารเดียว เช่น คู่มือพนักงานและประกาศฝ่ายบุคคล
- ทำความสะอาดเอกสาร ลบฉบับเก่าที่ซ้ำ ระบุฉบับล่าสุด และกำหนดเจ้าของเอกสาร
- เขียนชุดคำถามทดสอบ 50–100 ข้อจากคำถามจริง พร้อมคำตอบที่ถูกต้อง
- กำหนดเกณฑ์ เช่น สัดส่วนคำตอบที่ถูกและมีแหล่งอ้างอิง และสัดส่วนที่ระบบตอบว่าไม่พบข้อมูลอย่างเหมาะสม
- กำหนดสิทธิ์เข้าถึงและการจัดการข้อมูลส่วนบุคคลตั้งแต่แรก ถ้าเอกสารมีข้อมูลพนักงานหรือลูกค้า ต้องเป็นไปตามพ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 (ข้อมูล ณ ตุลาคม 2026 เป็นข้อมูลทั่วไป ไม่ใช่คำแนะนำทางกฎหมาย)
- ทดลองกับผู้ใช้กลุ่มเล็ก แล้วปรับจากคำถามที่ระบบตอบพลาด
ถ้าเอกสารมีไม่มากและผู้ใช้เป็นทีมเล็ก ฟีเจอร์อัปโหลดเอกสารในบริการ AI แบบองค์กรที่ใช้อยู่อาจเพียงพอ ระบบ RAG ที่พัฒนาเฉพาะคุ้มค่าเมื่อเอกสารมีจำนวนมาก ต้องควบคุมสิทธิ์รายบุคคล หรือต้องเชื่อมระบบภายใน
คำถามที่พบบ่อย
RAG กับ fine-tuning ต่างกันอย่างไร? RAG ให้ AI ค้นเอกสารก่อนตอบ จึงอัปเดตความรู้ได้ด้วยการนำเอกสารใหม่เข้าดัชนีและบอกแหล่งที่มาได้ ส่วน fine-tuning คือการฝึกโมเดลเพิ่ม เหมาะกับการปรับรูปแบบหรือน้ำเสียงของคำตอบมากกว่า สำหรับระบบถามตอบจากเอกสารบริษัท RAG มักเป็นจุดเริ่มที่เหมาะกว่า
RAG ใช้กับเอกสารภาษาไทยได้ดีไหม? ได้ แต่ต้องออกแบบให้รองรับภาษาไทย เช่น ตัดคำให้ถูกสำหรับการค้นด้วยคำสำคัญ เลือกโมเดลที่ทดสอบแล้วว่าทำงานกับภาษาไทยได้ดีบนข้อมูลของคุณ และทดสอบกับคำถามภาษาพูดที่ผู้ใช้พิมพ์จริง เอกสารสแกนต้องผ่าน OCR ที่อ่านภาษาไทยได้แม่นยำก่อน
ทำระบบ RAG ใช้เวลานานแค่ไหน? ระบบต้นแบบสำหรับเอกสารกลุ่มเดียวทำได้ในไม่กี่สัปดาห์ เมื่อเอกสารพร้อมและมีชุดคำถามทดสอบ ส่วนระบบใช้งานจริงที่มีหลายแหล่งข้อมูล การควบคุมสิทธิ์ และการเชื่อมระบบภายใน ใช้เวลานานกว่าตามขอบเขตที่ตกลงกัน
ขั้นตอนถัดไป
พนักงานเสียเวลาค้นเอกสารบริษัทเพื่อตอบคำถามเดิมใช่ไหม นัดคุยฟรี 30 นาทีเพื่อเลือกชุดเอกสาร แล้วรับข้อเสนอราคาคงที่ภายใน 3 วันทำการ สำหรับระบบ RAG ต้นแบบราคาเริ่มต้น USD 3,000 ที่ตอบพร้อมแหล่งอ้างอิงใน 3–4 สัปดาห์
ทีมวิศวกรอาวุโสในเวียดนาม ขอบเขตงานชัดเจน และส่งข้อเสนอเป็นลายลักษณ์อักษรภายใน 3 วันทำการ

10 years of experience working with Japanese companies — two of those years based in Japan. Has run the business since 2018 (as NKKTech since 2025) with a senior-only engineering model.