ปัญหา: AI ลืมทุกอย่างเมื่อปิด session
ใช้ AI มาเดือนกว่า สะสมข้อมูลไว้กว่า 2,000 ไฟล์ — client profiles, เมนูร้านอาหาร, session notes, workflow patterns, ข้อมูลธุรกิจ
แต่ทุกครั้งที่เปิด session ใหม่ AI ก็ลืมหมด ต้องอ่านไฟล์ใหม่ทุกครั้ง
ปัญหาจริง: ถ้าถามว่า "ต้นทุนเมนูเกาเหลาเท่าไหร่?" AI ต้อง grep ไฟล์ → เปิด database → query → สรุป = ช้า 30-60 วินาที
ผมเลยสร้าง RAG Knowledge System ให้ AI ค้นได้ใน 2 วินาที
RAG คืออะไร?
RAG = Retrieval-Augmented Generation
ระบบที่ให้ AI ค้นข้อมูลจริงก่อนตอบ แทนที่จะตอบจากความจำอย่างเดียว
เหมือน: แทนที่จะถามคนที่ "จำอะไรได้บ้าง" → ถามคนที่ "มีสารานุกรมอยู่ในมือ แล้วเปิดหาก่อนตอบ"
สิ่งที่สร้าง: 3 Collections, 2,456 Documents
| Collection | Documents | ข้อมูลอะไร |
|---|---|---|
| brain_knowledge | ~200 | Session notes, decisions, patterns, workflows, technical knowledge |
| nntn_menus | ~600 | เมนูหน้าร้าน + delivery + ต้นทุน + ส่วนผสม + กำไร |
| client_profiles | ~100 | Client info, brand guides, activity logs |
| documents | ~1,500 | PDFs, spreadsheets, exported data |
เทคโนโลยีที่ใช้
| Component | Tool | ทำไม |
|---|---|---|
| Vector Database | ChromaDB | Open source, เร็ว, รัน local ได้ |
| Embedding Model | bge-m3 | รองรับภาษาไทย + อังกฤษ + multilingual |
| Knowledge Graph | Custom (Python) | 249 nodes, 657 edges จาก Obsidian [[wikilinks]] |
| Search | Hybrid (BM25 + Vector + RRF) | แม่นกว่า vector อย่างเดียว |
ใช้งานจริง: 10 คำสั่ง
rag "ต้นทุนเกาเหลา" → ค้นทุก collection
rag brain "session protocol" → ค้นเฉพาะ brain/
rag menu "เมนูเนื้อโกเบ" → ค้นเมนู + ต้นทุน
rag client "dopelab brand" → ค้นข้อมูลลูกค้า
rag graph "Claude Code" → ค้น + ขยายผลด้วย graph
rag hybrid "video pipeline" → BM25 + Vector hybrid
rag neighbors "dopelab" → ดู connection ของ node
rag path "nntn" "dopelab" → หาเส้นทางระหว่าง 2 nodes
rag reindex → Re-index หลังแก้ไฟล์
rag stats → สถานะ collections
Before vs After
| Before RAG | After RAG | |
|---|---|---|
| ค้นเมนู | SQL query → 10 วินาที | rag menu "เกาเหลา" → 2 วินาที |
| หา client info | อ่านไฟล์ 5 ไฟล์ → 30 วินาที | rag client "dopelab" → 2 วินาที |
| หา session note | grep brain/ → guess path → 20 วินาที | rag brain "video pipeline" → 2 วินาที |
| เชื่อมโยงข้อมูล | อ่าน wikilinks ด้วยตา → นาที | rag graph "query" → 3 วินาที |
Knowledge Graph: สิ่งที่ทำให้ RAG ฉลาดขึ้น
ระบบ RAG ทั่วไปค้นแค่ text similarity — แต่ระบบนี้มี Knowledge Graph ที่สร้างจาก Obsidian [[wikilinks]]
- 249 nodes (ทุกไฟล์ใน brain/)
- 657 edges (ทุก [[link]] ระหว่างไฟล์)
ทำให้ค้นหาแบบ multi-hop ได้:
- ถาม "video pipeline" → เจอ brain file → graph ขยายไปเจอ ElevenLabs, Remotion, DopeLab, FFmpeg
- ผลลัพธ์ครอบคลุมกว่า text search อย่างเดียว
Auto Re-Index ทุก 2 ชั่วโมง
ตั้ง cron job ให้ re-index อัตโนมัติ:
- เช็ค file hash → ถ้ามีไฟล์ใหม่/แก้ไข → re-embed เฉพาะไฟล์ที่เปลี่ยน
- ไม่ต้อง re-index ทั้งหมด → ประหยัด compute
ต้นทุน
| รายการ | ค่าใช้จ่าย |
|---|---|
| ChromaDB | $0 (open source, run local) |
| bge-m3 | $0 (open source model) |
| Python scripts | $0 (เขียนเอง) |
| Storage | ~100 MB |
| รวม | $0 |
เทียบกับ Pinecone ($70/เดือน) หรือ Weaviate Cloud ($25/เดือน) — ระบบนี้ฟรีทั้งหมด
ใครทำตามได้?
ง่ายสุด: ใช้ NotebookLM
- Feed เอกสาร → ถามคำถาม → ได้คำตอบจาก source จริง
- ฟรี ไม่ต้อง code
กลาง: ใช้ n8n + Vector Store
- n8n มี Pinecone/Qdrant nodes
- สร้าง RAG workflow แบบ visual
Advanced: สร้างเอง (แบบ DopeLab)
- ChromaDB + embedding model + Python
- ต้องมี dev background
- แต่ flexible ที่สุด ปรับแต่งได้ทุกอย่าง
สรุป: RAG เปลี่ยนวิธีที่ AI ใช้ข้อมูล
| ไม่มี RAG | มี RAG |
|---|---|
| AI ตอบจากความจำ (อาจผิด) | AI ค้นข้อมูลจริงก่อนตอบ (แม่น) |
| ต้องอ่านไฟล์ใหม่ทุก session | ค้นได้ทันที 2 วินาที |
| ข้อมูลกระจัด | ทุกอย่างอยู่ในที่เดียว searchable |
| ไม่เห็นความเชื่อมโยง | Knowledge Graph เชื่อมทุกอย่าง |
สำหรับธุรกิจที่มีข้อมูลเยอะ (เมนู, ลูกค้า, สูตร, ราคา, ยอดขาย) — RAG คือสิ่งที่ทำให้ AI กลายเป็น สมองที่สอง ที่จำทุกอย่างได้
ติดตาม DopeLab สำหรับระบบ AI ที่สร้างจริง ไม่ใช่แค่ demo
เซฟไว้ ส่งให้ทีม IT ของคุณ
