AI

RAG ทำงานอย่างไร และทำไมคำตอบถึงยังผิดอยู่

RAG คือการให้ AI ตอบจากเอกสารขององค์กรแทนการเดาจากความจำ แต่ถ้าชั้นค้นหาไม่ดี คำตอบก็ผิดได้อย่างมั่นใจ บทความนี้อธิบายกลไกและจุดที่มักพัง

18 November 2026

RAG คืออะไรในหนึ่งย่อหน้า

RAG (Retrieval-Augmented Generation) คือการค้นเอกสารที่เกี่ยวข้องก่อน แล้วส่งเนื้อหานั้นให้โมเดลใช้เป็นฐานในการเรียบเรียงคำตอบ ผลที่ได้คือคำตอบที่อ้างอิงข้อมูลจริงขององค์กร ไม่ใช่ความจำของโมเดลตอนฝึก

พูดให้ตรง โมเดลไม่ได้ "รู้" เรื่องของคุณ แต่กำลังอ่านเอกสารที่ระบบหยิบมาวางให้

สี่ขั้นตอนที่เกิดขึ้นจริง

  1. แตกเอกสารเป็นท่อน ตัดเอกสารยาวเป็นชิ้นขนาดพอเหมาะพร้อมข้อมูลกำกับ เช่น ชื่อไฟล์ หัวข้อ วันที่
  2. แปลงเป็นเวกเตอร์ เก็บความหมายของแต่ละท่อนลงฐานข้อมูลเวกเตอร์
  3. ค้นเมื่อมีคำถาม ดึงท่อนที่ใกล้เคียงที่สุดจำนวนหนึ่งขึ้นมา
  4. เรียบเรียงคำตอบ ส่งคำถามพร้อมท่อนที่ค้นได้ให้โมเดลสรุป พร้อมอ้างอิงที่มา

จุดที่มักพัง

  • ตัดท่อนผิดจังหวะ ตารางหรือเงื่อนไขถูกหั่นกลาง ทำให้ท่อนหนึ่งบอกเงื่อนไข อีกท่อนบอกข้อยกเว้น แล้วระบบหยิบมาแค่อันเดียว
  • ค้นเจอแต่ไม่ตรง ความใกล้เคียงเชิงความหมายไม่เท่ากับความถูกต้อง เอกสารฉบับเก่ามักคล้ายฉบับใหม่มาก
  • ไม่กรองตามสิทธิ์ ถ้าชั้นค้นหาไม่เช็กสิทธิ์ผู้ถาม เนื้อหาลับจะรั่วผ่านคำตอบโดยไม่มีใครเปิดไฟล์
  • ไม่มีทางบอกว่า "ไม่รู้" เมื่อค้นไม่เจอของจริง โมเดลจะเติมช่องว่างให้เองอย่างลื่นไหล

สิ่งที่ทำให้คุณภาพขึ้นชัดที่สุด

ลงแรงที่ชั้นค้นหามากกว่าที่ตัวโมเดล ใช้การค้นแบบผสมทั้งคำสำคัญและเวกเตอร์ แล้วจัดอันดับซ้ำด้วย reranker ก่อนส่งให้โมเดล

บังคับให้ทุกคำตอบแสดงที่มาเสมอ ถ้าอ้างอิงไม่ได้ ให้ตอบว่าไม่พบข้อมูล ดีกว่าตอบผิดอย่างมั่นใจ

และกรองสิทธิ์ตั้งแต่ตอนค้น ไม่ใช่ตอนแสดงผล

วัดผลอย่างไร

สร้างชุดคำถามจริงจากงานประจำวันสัก 50–100 ข้อพร้อมคำตอบที่ถูกต้อง แล้ววัดสองอย่างแยกกัน คือ "ค้นเจอเอกสารที่ถูกหรือไม่" กับ "เรียบเรียงถูกหรือไม่" เพราะสองอย่างนี้พังคนละแบบและแก้คนละวิธี

สรุป

RAG ไม่ใช่สวิตช์ที่เปิดแล้วแม่นยำทันที คุณภาพคำตอบขึ้นกับความสะอาดของเอกสารและความแม่นของชั้นค้นหาเป็นหลัก เริ่มจากชุดเอกสารเดียวที่มีเจ้าของชัดเจน วัดผลด้วยคำถามจริง แล้วค่อยขยาย