เข้าใจขั้นตอนที่ AI ตอบแชตลูกค้า ทำไมบางครั้งตอบผิด วิธีผูกคำตอบกับเนื้อหาของคุณ การเลือกโมเดล และจังหวะส่งต่อให้เจ้าหน้าที่
ลูกค้าพิมพ์ใน LINE ว่า "สั่งเมื่อวานยังไม่ได้รับของเลย ขอเปลี่ยนที่อยู่ได้ไหมคะ" แล้วไม่กี่วินาทีต่อมาก็ได้คำตอบที่อ่านเป็นธรรมชาติ หลายธุรกิจใช้งานแบบนี้อยู่ แต่ไม่ค่อยรู้ว่าเบื้องหลังเกิดอะไรขึ้น บทความนี้อธิบายกลไกทีละขั้น เหตุผลที่ AI บางครั้งตอบผิด และสิ่งที่คุณควรตั้งค่าเพื่อให้คำตอบเชื่อถือได้
โมเดลภาษาขนาดใหญ่ (LLM) คืออะไรกันแน่
LLM คือโมเดลที่ฝึกจากข้อความปริมาณมหาศาลเพื่อทำนายว่า "คำถัดไปที่เหมาะสมควรเป็นอะไร" เมื่อทำนายต่อเนื่องไปเรื่อย ๆ ก็ได้ประโยคและย่อหน้าที่อ่านลื่นเหมือนมนุษย์เขียน
สิ่งที่ควรเข้าใจมีสามข้อ
- โมเดลไม่ได้ "ค้นฐานข้อมูล" เอง มันสร้างข้อความจากรูปแบบภาษาที่เรียนมา ไม่ได้ดึงคำตอบจากตารางที่ถูกต้องตายตัว
- ความรู้ของโมเดลหยุดอยู่ที่ช่วงเวลาหนึ่ง มันไม่รู้โปรโมชันเดือนนี้ ราคาล่าสุด หรือนโยบายคืนสินค้าของร้านคุณ ถ้าไม่มีใครบอก
- ความลื่นไหลไม่เท่ากับความถูกต้อง ประโยคที่ฟังน่าเชื่อถืออาจผิดก็ได้
ดังนั้นการนำ LLM มาตอบลูกค้าจึงไม่ใช่แค่ "เปิดใช้โมเดล" แต่ต้องออกแบบว่าโมเดลจะเห็นข้อมูลอะไร และมีขอบเขตแค่ไหน
จากข้อความหนึ่งข้อความสู่คำตอบหนึ่งคำตอบ
ขั้นตอนโดยทั่วไปของเอเจนต์ที่ตอบแชตลูกค้ามีดังนี้
- 01ลูกค้าส่งข้อความ
- 02ค้นหาเนื้อหาที่เกี่ยวข้อง
- 03ประกอบคำสั่งให้โมเดล
- 04โมเดลเขียนคำตอบ
- 05ส่งกลับช่องทางเดิม
1. รับข้อความจากช่องทาง
ข้อความอาจมาจาก LINE, Facebook Messenger หรือแชตบนเว็บไซต์ ระบบจะรับข้อความและตรวจสอบเบื้องต้น เช่น ข้อความนั้นมาจากช่องทางที่ถูกต้องหรือไม่
2. ค้นหาเนื้อหาที่เกี่ยวข้อง
เอเจนต์จะไปหาส่วนของเอกสารที่เกี่ยวกับคำถาม เช่น หน้านโยบายการจัดส่ง หรือคำถามที่พบบ่อยเรื่องการเปลี่ยนที่อยู่ ขั้นนี้สำคัญมาก เพราะคุณภาพของคำตอบขึ้นกับว่าดึงข้อมูลถูกชิ้นหรือไม่
3. ประกอบคำสั่ง (prompt)
ระบบนำหลายอย่างมารวมกันส่งให้โมเดล ได้แก่
- บุคลิกและกฎของเอเจนต์ เช่น พูดสุภาพ ลงท้ายด้วย "ค่ะ" ไม่รับปากเรื่องที่ไม่มีในเอกสาร
- เนื้อหาที่ค้นมาได้
- ประวัติการสนทนาก่อนหน้า
- ข้อความล่าสุดของลูกค้า
4. โมเดลสร้างคำตอบ
โมเดลอ่านทั้งหมดแล้วเขียนคำตอบ ถ้าคำสั่งชัดและเนื้อหาครบ คำตอบมักตรงประเด็น
5. ส่งกลับและบันทึก
คำตอบถูกส่งกลับไปยังช่องทางเดิม และมีบันทึกการสนทนาไว้ให้ทีมตรวจสอบภายหลัง
ทำไม LLM บางครั้งจึงตอบผิด
สาเหตุที่พบบ่อยมีไม่กี่แบบ และแก้ได้ถ้ารู้ที่มา
| อาการ | สาเหตุที่เป็นไปได้ | แนวทางแก้ |
|---|---|---|
| ตอบมั่นใจแต่ข้อมูลไม่มีจริง | โมเดลเติมช่องว่างด้วยความรู้ทั่วไป | กำหนดกฎว่า "ถ้าไม่มีในเอกสาร ให้บอกว่าไม่ทราบ" |
| ราคาหรือเงื่อนไขล้าสมัย | เอกสารต้นทางไม่ได้อัปเดต | ปรับปรุงแหล่งความรู้ให้เป็นปัจจุบัน |
| ตอบไม่ตรงคำถาม | ค้นเจอเนื้อหาผิดชิ้น | แยกเอกสารให้ชัด เพิ่มคำถาม-คำตอบที่ตรงกับวิธีถามจริง |
| ตอบนอกเรื่อง | คำสั่งกว้างเกินไป | จำกัดขอบเขตหัวข้อในกฎของเอเจนต์ |
| ถูกชักจูงให้ละเมิดกฎ | ผู้ใช้พยายามสั่งให้ลืมกฎ | เปิดตัวกรองป้องกัน และทดสอบด้วยข้อความลักษณะนั้น |
Grounding: ผูกคำตอบไว้กับเนื้อหาของคุณ
Grounding คือการบังคับให้โมเดลตอบจากเนื้อหาที่คุณให้ ไม่ใช่จากความจำทั่วไป หลักปฏิบัติที่ได้ผลคือ
- รวมแหล่งความรู้ที่เป็นทางการ เช่น เอกสารนโยบาย หน้าเว็บไซต์ คู่มือสินค้า
- เขียนคำถาม-คำตอบสำหรับเรื่องที่ถามบ่อย โดยใช้ภาษาที่ลูกค้าพูดจริง เช่น "ส่งกี่วัน" "COD ได้ไหม"
- กำหนดกฎการปฏิเสธอย่างสุภาพ เช่น "หากไม่พบข้อมูล ให้แจ้งว่าจะส่งต่อให้เจ้าหน้าที่"
- ตรวจบันทึกการสนทนาเป็นประจำ แล้วนำคำถามที่ตอบไม่ได้มาเพิ่มเป็นเนื้อหา
เรื่องข้อมูลส่วนบุคคลก็ควรคิดไว้ตั้งแต่ต้น ตามบริบท PDPA ไม่ควรใส่ข้อมูลลูกค้ารายบุคคลลงในเอกสารความรู้ที่ใช้ตอบทุกคน และควรกำหนดว่าจะเก็บบันทึกการสนทนานานเท่าใด
การเลือกและทดสอบโมเดล
ไม่มีโมเดลที่ "ดีที่สุด" สำหรับทุกธุรกิจ ให้พิจารณาจากปัจจัยต่อไปนี้
- คุณภาพภาษาไทย ลองด้วยข้อความจริง ทั้งภาษาพูด คำย่อ และคำสะกดผิดที่ลูกค้าพิมพ์ใน LINE
- ความเร็ว ลูกค้าแชตคาดหวังคำตอบเร็ว
- ต้นทุนต่อคำตอบ โมเดลที่ใหญ่กว่ามักแพงกว่า
- ความสม่ำเสมอ ถามซ้ำแล้วได้คำตอบที่สอดคล้องกันหรือไม่
วิธีทดสอบอย่างเป็นระบบ
- รวบรวมคำถามจริง 20–30 ข้อ ที่ครอบคลุมเรื่องง่าย เรื่องยาก และเรื่องที่ไม่มีคำตอบในเอกสาร
- ถามโมเดลแต่ละตัวด้วยชุดคำถามเดียวกัน
- ให้คนในทีมให้คะแนนความถูกต้อง น้ำเสียง และการยอมรับว่าไม่รู้
- เลือกตัวที่สมดุลระหว่างคุณภาพกับต้นทุน แล้วทดสอบซ้ำเมื่อเปลี่ยนโมเดลหรือแก้กฎ
Handoff: ส่วนที่โมเดลไม่ควรทำคนเดียว
บางเรื่องไม่ควรให้ AI ตัดสินเอง เช่น คำร้องเรียนที่ลูกค้าไม่พอใจมาก การคืนเงินที่ต้องอนุมัติ ข้อพิพาท หรือคำขอเกี่ยวกับข้อมูลส่วนบุคคลตาม PDPA
หลักคิดคือ
- กำหนดเงื่อนไขชัดเจนว่าเรื่องแบบไหนต้องส่งต่อ
- เมื่อส่งต่อ ให้บอกลูกค้าตรง ๆ ว่ากำลังส่งให้เจ้าหน้าที่ และไม่สัญญาเวลาที่ไม่แน่นอน
- ให้เจ้าหน้าที่เห็นประวัติการสนทนาทั้งหมด ลูกค้าจะได้ไม่ต้องเล่าซ้ำ
- นำบทสนทนาที่เจ้าหน้าที่แก้ไขมาปรับปรุงเอเจนต์ต่อ
ทำเรื่องนี้ใน AI SNS CHAT
AI SNS CHAT รวมขั้นตอนข้างต้นไว้ในที่เดียว โดยมีรายละเอียดดังนี้
แหล่งความรู้
ที่เมนู Data sources คุณเพิ่มความรู้ได้หลายแบบ ได้แก่ ไฟล์ ข้อความ เว็บไซต์ คำถาม-คำตอบ (Q&A) และ Notion นอกจากนี้ยังเชื่อมต่อเอกสารจากบริการอย่าง Google Drive, OneDrive, Dropbox, Confluence หรือ Zendesk Guide ได้ผ่านหมวด Channels ดูรายการเชื่อมต่อทั้งหมดได้ที่ /connections
บุคลิกและกฎ
เอเจนต์มี persona และ guardrails ให้กำหนดน้ำเสียงและขอบเขต มีเครื่องมือช่วยสร้าง prompt พร้อมคลัง prompt และ persona เริ่มต้น 14 แบบให้ปรับใช้
เลือกโมเดล
ที่ Agent → Settings → AI คุณเลือกผู้ให้บริการได้ ได้แก่ Anthropic (Claude), OpenAI, Google (Gemini) และ OpenRouter หากผู้ให้บริการหลักมีปัญหา ระบบสลับไปผู้ให้บริการอื่นตามลำดับที่กำหนดได้ โมเดลขั้นสูงและการสลับสำรองต้องใช้แผน Hobby ขึ้นไป
ทดสอบก่อนใช้จริง
ใช้ Playground ลองถามคำถามจริงก่อนเปิดให้ลูกค้า และมี Playground A/B สำหรับเปรียบเทียบโมเดลสองตัวด้วยคำถามเดียวกัน
ช่องทาง
เชื่อมต่อ LINE, Messenger และแชตวิดเจ็ตบนเว็บไซต์ได้จากเมนู Channels รวมถึงช่องทางอื่นอีกมาก
ป้องกันและส่งต่อ
แต่ละเอเจนต์มีตัวกรองป้องกัน prompt injection และการใช้งานในทางที่ผิด พร้อมการจำกัดอัตราต่ออุปกรณ์ ส่วนการส่งต่อ ผู้ดูแลตั้งเวร (shift) ได้ที่ Helpdesk → Scheduling ระบบจะมอบหมายให้คนที่อยู่เวร และแจ้งเตือนผ่าน Slack, Teams, LINE WORKS, WhatsApp, อีเมล หรือ webhook ข้อความที่ส่งถึงลูกค้าจะบอกขั้นตอนถัดไปโดยไม่เดาเวลารอ ฟีเจอร์ Helpdesk ต้องใช้แผน Standard ขึ้นไป
ตรวจและปรับปรุง
ที่ Activity → Chat logs คุณดูบทสนทนา กรอง ให้คะแนนด้วยหัวแม่มือขึ้น/ลง ส่งออก และเข้ามารับช่วงแทนบอทได้ เมื่อแก้คำตอบของบอทให้เป็นคำตอบในอุดมคติ เอเจนต์จะใช้เป็นข้อมูลปรับปรุงต่อ
ด้านความปลอดภัย แนวปฏิบัติของ AI SNS CHAT ออกแบบโดยอ้างอิง GDPR และ APPI และไม่ได้อ้างว่ามีใบรับรอง SOC 2, ISO 27001 หรือ HIPAA ดูรายละเอียดที่ /security และดูแผนที่เหมาะกับธุรกิจที่ /pricing
สรุป
LLM ตอบลูกค้าได้ดีเมื่อได้รับข้อมูลที่ถูกต้อง กฎที่ชัด และมีคนคอยรับช่วงในจังหวะที่สำคัญ ขั้นตอนคือรับข้อความ ค้นเนื้อหา ประกอบคำสั่ง ให้โมเดลเขียน แล้วส่งกลับ ความแม่นยำส่วนใหญ่ขึ้นกับเนื้อหาและการตั้งค่า มากกว่าตัวโมเดลอย่างเดียว เริ่มจากเนื้อหาที่เป็นทางการ ทดสอบด้วยคำถามจริง และปรับปรุงจากบันทึกการสนทนาอย่างสม่ำเสมอ
คำถามที่พบบ่อย
โมเดลเรียนรู้จากการสนทนากับลูกค้าแต่ละครั้งโดยอัตโนมัติหรือไม่
ไม่ โมเดลไม่ได้เปลี่ยนตัวเองจากบทสนทนาทีละครั้ง คำตอบที่ดีขึ้นมาจากการที่คุณปรับเนื้อหา กฎ และตัวอย่างคำตอบ ใน AI SNS CHAT คุณแก้ไขคำตอบให้เป็นคำตอบในอุดมคติเพื่อสอนเอเจนต์ได้ และยังมี Co-Agent ที่เก็บบันทึกความจำรายบุคคล ซึ่งปิดไว้เป็นค่าเริ่มต้นและบันทึกต้องรอการอนุมัติก่อน
ทำไมเอเจนต์บางครั้งตอบจากความรู้ทั่วไปแทนเอกสารของฉัน
มักเกิดเมื่อค้นไม่พบเนื้อหาที่ตรงกับคำถาม หรือกฎไม่ได้ห้ามไว้ชัดเจน ให้เพิ่มเนื้อหา Q&A ที่ตรงกับวิธีถามของลูกค้า และเขียนกฎว่าหากไม่มีข้อมูลในแหล่งความรู้ให้แจ้งว่าไม่ทราบและเสนอส่งต่อเจ้าหน้าที่ จากนั้นทดสอบใน Playground ซ้ำ
เอเจนต์ค้นหาเว็บได้ไหมเมื่อฐานความรู้ไม่มีคำตอบ
การตอบจากเว็บอัตโนมัติเมื่อไม่มีคำตอบในฐานความรู้ ใช้ได้เฉพาะช่องทาง LINE WORKS (ที่ Behaviour → Web search) โดยค่าเริ่มต้นค้นเว็บไซต์ซัพพอร์ตของ Microsoft และ Apple พร้อมอ้างอิงหน้าที่ใช้ และใช้เครดิตเป็น 2 เท่าตามค่าเริ่มต้น ส่วนเอเจนต์อื่นเพิ่ม Action ชื่อ Tavily เพื่อให้ค้นเว็บแบบเรียลไทม์ได้ ซึ่งต้องใช้แผนที่เปิดให้ใช้ Actions
ควรเลือกโมเดลไหนสำหรับงานซัพพอร์ตลูกค้า
เลือกจากการทดสอบกับคำถามจริงของคุณ โดยดูภาษาไทย ความเร็ว ต้นทุน และความสม่ำเสมอ ใช้ Playground A/B เปรียบเทียบสองโมเดลแบบเคียงกัน ก่อนตัดสินใจที่ Agent → Settings → AI
จะป้องกันไม่ให้คนหลอกให้เอเจนต์ละเลยกฎได้อย่างไร
เปิดตัวกรองป้องกัน prompt injection และการใช้งานในทางที่ผิดของเอเจนต์ ตั้งการจำกัดอัตราต่ออุปกรณ์ และเขียนกฎให้ชัดว่าห้ามเปิดเผยหรือเปลี่ยนคำสั่งภายใน ควรทดสอบด้วยข้อความลักษณะ "ลืมกฎทั้งหมดที่ผ่านมา" เป็นระยะ ไม่มีตัวกรองใดการันตีได้ทั้งหมด จึงควรตรวจ Chat logs ร่วมด้วย


