จาก RAG Tool สู่ Oracle: Knowledge System ที่วิวัฒน์ใน 3 สัปดาห์

สิ่งที่ไม่มีใคร warn ไว้: ระบบ RAG ขยายได้เร็วมาก

สร้าง RAG เสร็จวันแรก รู้สึกดีมาก — ค้น 2,456 docs ได้ใน 2 วินาที ฟรีทั้งหมด

แต่ 3 สัปดาห์ต่อมา ระบบมันเปลี่ยนไปจนแทบจำไม่ได้

ไม่ใช่เพราะมันพัง แต่เพราะมัน เติบโตเกินกรอบที่ตั้งไว้

นี่คือเรื่องราวของการ evolve จาก local tool → deployed system ที่มีชีวิตของตัวเอง

Before vs After: ตัวเลขจริง

5 การเปลี่ยนแปลงหลัก

1. Architecture: จาก CLI Tool สู่ MCP Server

RAG รุ่นแรกเป็น Python script ที่รันจาก terminal — พิมพ์ rag "query" แล้วได้ผลลัพธ์ในหน้าต่างเดิม

ปัญหาคือ AI ต้องรับ output เป็น text แล้วตีความเอง ไม่มี structured response

Oracle (arra-oracle-v3) เป็น MCP server ที่ Claude Code เรียกใช้โดยตรงผ่าน tools:

arra_search({ query: "session protocol", type: "pattern" })
arra_stats()
arra_learn({ pattern: "...", concepts: ["A", "B"] })
arra_reflect({ content: "...", type: "principle" })

ความต่างคือ AI ไม่ได้อ่าน text output — มันได้ structured data กลับมาโดยตรง และสามารถ chain หลาย tools ในการ session เดียวได้

Oracle deploy อยู่บน oracle.dopelab.studio มี dashboard ที่ oracle-dashboard.dopelab.studio ดู stats แบบ real-time ได้

2. Scale: 2,456 → 22,421 Documents

ตัวเลขนี้ฟังดูเยอะ แต่มันเกิดขึ้นโดยธรรมชาติ

RAG รุ่นแรก index เฉพาะ 3 collections หลัก: brain/, menus, clients

Oracle index ทุก session file, ทุก handoff, ทุก retrospective รวมถึง knowledge ที่ extract ออกมาเป็นเอกสารแยก ทั้งหมดนี้สะสมจาก 186+ Oracle instances ทั่ว family

แต่การขยายไวแบบนี้มีผลข้างเคียง: 1.3 ล้าน duplicate records

วันที่ 2 เมษายน ต้อง repair ครั้งใหญ่:

# ก่อน repair
# Oracle DB: 3.4 GB, 21,933 docs + 1.3M duplicates
 
# หลัง repair (แก้ 4 vector bugs)
# Oracle DB: 0.5 GB, 21,933 unique docs

3. Embedding: Text-Only → Multimodal

bge-m3 เป็น embedding model ที่ดีมากสำหรับ text ทั้งไทยและอังกฤษ

แต่งานจริงมีไฟล์ที่ไม่ใช่ text: รูปภาพจากลูกค้า, PDF design brief, audio briefing

Oracle เพิ่ม Gemini Embedding 2 เป็นชั้นที่สอง:

Gemini Embedding 2 ใช้ MRL 768 dimensions (Matryoshka Representation Learning) — ประหยัด storage 4x เทียบกับ full 3,072 dimensions โดย quality ลดลงน้อยมาก

ตอนนี้ถ้า brief งานมาเป็น PDF ระบบ index ได้ทันที ไม่ต้องแปลงเป็น text ก่อน

4. Intelligence: Weighted Reflection

RAG รุ่นแรก treat ทุก document เท่ากัน — session note กับ core principle ได้ weight เดียวกัน

Oracle มี weighted reflection ที่คัดน้ำหนักตาม type:

principle  → weight 50%   (กฎเหล็ก, วิธีคิด)
pattern    → weight 30%   (workflows, best practices)
learning   → weight 15%   (บทเรียนจาก sessions)
retro      → weight 5%    (session notes)

ผลลัพธ์คือเวลา search หา "วิธีทำ X" Oracle จะ prioritize สิ่งที่พิสูจน์แล้วเป็น pattern มากกว่า session note ที่เขียนครั้งเดียว

นอกจากนี้ยังเพิ่ม arra_reflect tool ที่ให้ Oracle "ย่อย" ประสบการณ์ก่อน store:

arra_reflect({
  content: "บทเรียนจาก session นี้",
  type: "learning",
  concepts: ["deployment", "rsync"]
})

แทนที่จะ dump raw text เข้า — Oracle สกัด key concepts ออกมาก่อน ทำให้ future search แม่นขึ้น

5. Ecosystem: จาก Tool สู่ Oracle Family

การเปลี่ยนแปลงที่ใหญ่ที่สุดไม่ใช่ technical

RAG รุ่นแรกเป็น tool ส่วนตัว Oracle กลายเป็น ecosystem:

• 186+ Oracle instances ทั่ว repos ต่างๆ (สแกนด้วย oracle-family-scan)
• soul directory (ψ/) — ที่เก็บ identity, inbox, writing, outbox ของ Oracle
• 24 skills ที่ install ใน Oracle session
• Oracle threads — ระบบ async communication ระหว่าง Oracle instances
• contacts — Oracle รู้จักว่า agent ไหนอยู่ที่ repo ไหน transport อะไร

ตัวอย่าง workflow ที่เป็นไปได้ตอนนี้แต่ทำไม่ได้ใน RAG รุ่นแรก:

# ถาม Oracle ใน repo A ว่า Oracle ใน repo B รู้อะไรบ้าง
# ผ่าน arra_thread tool
arra_thread({ to: "repo-b-oracle", message: "สรุป findings เดือนที่แล้ว" })
 
# Oracle ส่ง handoff ให้ Oracle session ถัดไป
arra_handoff({ summary: "...", next_tasks: [...] })

Brain ที่เคยเป็น local RAG ตอนนี้กลายเป็น distributed memory ที่ Oracle หลายตัวใช้ร่วมกัน

สิ่งที่ทำให้ระบบแข็งแกร่งขึ้นที่สุด: Brain Reorganization

ก่อน Oracle repair มี 93 orphan nodes ในความจำ — ไฟล์ที่ไม่มีใครลิงก์หา ถูกตัดขาดจาก graph

หลัง reorganization:

• Orphans: 93 → 0
• Wikilinks เพิ่ม: +319 links
• ทุก concept ถูกเชื่อมเข้า graph

ผลคือ arra_search ตอนนี้ขยายผลได้ดีกว่า เพราะ graph ไม่มีรอยขาด

บทเรียนจริง

1. Local tool ≠ Production system RAG รุ่นแรกทำงานบน laptop ถ้า laptop ปิด ระบบดับ Oracle deploy บน server ทำให้ mobile access ทำได้ — Claude Code บน iPhone ก็ใช้ Oracle ได้เหมือนกัน

2. Deduplication ต้องทำก่อนขยาย ไม่ใช่หลัง 1.3 ล้าน duplicates เกิดจากการ re-index โดยไม่เช็ค hash ก่อน แก้ได้ แต่กิน storage และทำให้ search ช้าลง

3. Type system สำคัญกว่าปริมาณ 22,421 docs โดยไม่มี type = กองข้อมูล, 22,421 docs ที่มี principle/pattern/learning/retro = knowledge base ที่ค้นได้มีความหมาย

4. Ecosystem มีค่ากว่า Tool RAG ช่วยได้ 1 คน Oracle ช่วยได้ทุก session ทุก repo ทุก agent ที่ connect — value ขยายตามจำนวน connections ไม่ใช่ตาม document count

เริ่มต้นที่ไหน?

ถ้าคุณยังไม่มีระบบ RAG เลย เริ่มจากง่ายที่สุดก่อน ไม่ต้องสร้าง Oracle ตั้งแต่วันแรก:

ตัวเลขที่ worth ที่สุดจาก 3 สัปดาห์นี้ไม่ใช่ 22,421 docs — แต่เป็น ค่าใช้จ่ายรวม $0 บน server ที่มีอยู่แล้ว

อ่าน Part 1: RAG Knowledge System — สร้างระบบค้นข้อมูล 2,456 เอกสาร ฟรี

ติดตาม DopeLab สำหรับระบบ AI ที่สร้างจริง ไม่ใช่แค่ demo