Knowledge Graph — สร้างสมองที่เชื่อมโยงทุกอย่างให้ AI หาข้อมูลเจอทุกเรื่อง

ปัญหา: เอกสาร 450 ไฟล์ หาอะไรสักอย่างใช้เวลา 5 นาที

เคยมีปัญหานี้ไหม: มีเอกสารเป็นร้อยไฟล์ แต่พอจะหาอะไรสักอย่าง ต้องเปิดทีละไฟล์ grep ทีละคำ ใช้เวลา 5 นาทีกว่าจะเจอ แล้วยังไม่แน่ใจว่าเจอครบหรือเปล่า

นี่คือปัญหาที่เจอกับ knowledge base ของ agency ที่มีเอกสารกว่า 450 ไฟล์ ครอบคลุมตั้งแต่ข้อมูลลูกค้า สูตรอาหาร เทคนิค deploy ไปจนถึง session notes ข้ามหลาย project

เลยสร้าง Knowledge Graph ขึ้นมา และนี่คือวิธีที่ทำ

ข้อมูลเชื่อมกันข้าม folder ตลอด

ระบบ knowledge base เก็บข้อมูลใน Markdown files ทั้งหมด จัดเป็น folder ตาม Human Memory Model: Episodic (เหตุการณ์), Semantic (ความรู้), Procedural (วิธีทำ), Meta (สะท้อนตัวเอง)

ปัญหาคือ: ข้อมูลเชื่อมโยงกันข้าม folder ตลอด เช่น session note เรื่อง deploy เว็บ → เกี่ยวกับ infrastructure → เกี่ยวกับ Client A → เกี่ยวกับ pricing strategy

ถ้าค้นหาแบบ keyword ได้แค่ไฟล์ที่มีคำนั้น แต่ไม่เห็น connection ข้ามไฟล์

วิธีสร้าง Knowledge Graph — 3 ขั้นตอน

1. Extract nodes จาก wikilinks

ทุกไฟล์ใน brain/ ใช้ [[wikilinks]] เชื่อมโยงกัน เช่น ไฟล์เรื่อง deploy เว็บจะมี [[infrastructure]], [[cloudways]], [[client-dashboard]] อยู่ข้างใน

เขียน Python script (extract-graph.py) ที่ scan ทุก .md file แล้วดึง wikilinks ออกมาเป็น nodes กับ edges

ผลลัพธ์: 332 nodes, 1,602 edges จากไฟล์ 450+ ไฟล์

2. Embed เข้า Vector Store

ใช้ ChromaDB เป็น vector database + bge-m3 เป็น embedding model ตัด documents เป็น chunks ตาม H2 sections แล้ว embed เข้า vector store

ผลลัพธ์: 2,456 documents พร้อมค้นหาด้วย semantic meaning

3. Graph-enhanced Search

ตอนค้นหา ระบบทำ 2 อย่างพร้อมกัน:

• Vector search: หาเอกสารที่ความหมายใกล้เคียง
• Graph expansion: จาก node ที่เจอ ขยายไปหา neighbors ใน graph

ผลคือได้ข้อมูลที่ "เกี่ยวข้อง" แม้ไม่มีคำ keyword ตรง

เช่น ถ้าค้นหา "ต้นทุนเมนู delivery" ระบบจะเจอ:

• ไฟล์ต้นทุนเมนูโดยตรง (vector match)
• ไฟล์เรื่อง Grab/LINE MAN commission (graph neighbor)
• ไฟล์เรื่อง raw material prices (graph neighbor ของ neighbor)

Hybrid Search: BM25 + Vector + RRF

นอกจาก graph แล้ว ยังใช้ Hybrid Search ที่รวม 2 วิธี:

• BM25 (keyword matching): เร็ว แม่นกับคำเฉพาะทาง
• Vector (semantic similarity): เข้าใจความหมาย ไม่ต้องใช้คำตรง

รวมผลด้วย Reciprocal Rank Fusion (RRF) ทำให้ได้ผลลัพธ์ที่ดีกว่าใช้วิธีใดวิธีเดียว

เครื่องมือที่สร้าง

ทุกเครื่องมือเรียกใช้ผ่าน rag CLI ตัวเดียว ไม่ต้องจำคำสั่งหลายตัว

ผลลัพธ์จริง

สิ่งที่เปลี่ยนมากที่สุดคือ: ตอนนี้ถามอะไรก็ได้ แล้วระบบจะหาคำตอบให้ ไม่ต้องรู้ว่าข้อมูลอยู่ไฟล์ไหน folder ไหน

Lesson Learned

• Wikilinks = สมบัติที่ซ่อนอยู่: ถ้าใช้ Obsidian อยู่แล้ว wikilinks คือ knowledge graph ที่พร้อมใช้ ไม่ต้องสร้างใหม่
• Hybrid search ดีกว่า vector อย่างเดียว: keyword search ยังจำเป็นสำหรับคำเฉพาะ (ชื่อลูกค้า, เลขที่เอกสาร)
• Graph expansion = killer feature: การขยายจาก node ที่เจอไปหา neighbors ทำให้เจอข้อมูลที่ไม่รู้ว่ามี

ถ้ามี knowledge base ที่ใช้ Obsidian หรือ Markdown files อยู่แล้ว การสร้าง Knowledge Graph ไม่ยากอย่างที่คิด เริ่มจากการ extract wikilinks แล้วขยายจากตรงนั้น