อธิบาย RAG ในงานซัพพอร์ตแบบเข้าใจง่าย ทำงานอย่างไร พลาดตรงไหน สร้างฐานความรู้อย่างไร และตั้งค่าใน AI SNS CHAT ได้อย่างไร
หลายร้านเริ่มใช้ AI ตอบแชตใน LINE หรือเว็บไซต์แล้วเจอปัญหาเดียวกัน คือ AI ตอบสุภาพและลื่นไหล แต่เนื้อหาไม่ตรงกับนโยบายของร้าน ทั้งเรื่องเวลาจัดส่ง เงื่อนไขการคืนสินค้า หรือราคาแพ็กเกจ บทความนี้อธิบายว่า RAG (Retrieval-Augmented Generation หรือ การสร้างคำตอบโดยดึงข้อมูลมาประกอบ) ช่วยแก้ปัญหานี้อย่างไร มีจุดที่ยังพลาดได้ตรงไหน และจะเตรียมเอกสารให้ AI ใช้งานได้ดีได้อย่างไร
RAG คืออะไร อธิบายแบบไม่ต้องเป็นสายเทคนิค
ลองนึกถึงพนักงานใหม่ที่ฉลาดและพูดจาดี แต่ยังไม่รู้เรื่องร้านของคุณเลย ถ้าลูกค้าถามเรื่องการรับประกัน เขามีสองทางเลือก ทางแรกคือเดาจากความรู้ทั่วไป ทางที่สองคือเปิดคู่มือของร้านหาหน้าที่เกี่ยวข้อง อ่านให้ครบ แล้วจึงตอบ
RAG คือทางที่สองนั่นเอง ระบบทำงานเป็นสองจังหวะ
- Retrieval (การค้นหา): เมื่อลูกค้าถาม ระบบค้นในฐานความรู้ของธุรกิจ แล้วดึงเฉพาะส่วนที่เกี่ยวข้องออกมา
- Generation (การสร้างคำตอบ): โมเดล AI อ่านส่วนที่ดึงมานั้นประกอบกับคำถาม แล้วเรียบเรียงเป็นภาษาที่เป็นธรรมชาติ
ผลคือ AI ไม่ต้อง "จำ" นโยบายร้านไว้ในตัว แต่เปิดอ่านจากเอกสารปัจจุบันทุกครั้งที่ตอบ ถ้าวันนี้คุณแก้เอกสาร คำตอบพรุ่งนี้ก็เปลี่ยนตามได้ทันที
ทำไมทีมซัพพอร์ตถึงเลือก RAG แทนวิธีอื่น
การให้ AI รู้เรื่องธุรกิจของคุณมีอยู่สามแนวทางหลัก ๆ ดังนี้
ธุรกิจซัพพอร์ตมีข้อมูลที่เปลี่ยนบ่อย เช่น โปรโมชันประจำเดือน วันหยุดช่วงสงกรานต์ ค่าส่งที่ปรับใหม่ หรือขั้นตอนคืนเงินที่แก้ไขหลังมีเรื่องร้องเรียน การต้องฝึกโมเดลใหม่ทุกครั้งที่นโยบายเปลี่ยนจึงไม่สะดวก RAG ตอบโจทย์ตรงนี้ เพราะข้อมูลอยู่ในเอกสารที่คนในทีมแก้ได้เอง
อีกเหตุผลหนึ่งคือความตรวจสอบได้ เมื่อคำตอบมาจากเนื้อหาที่ดึงมา ทีมงานย้อนไปดูได้ว่าเอกสารฉบับไหนถูกใช้ และเอกสารนั้นเขียนไว้ชัดพอหรือไม่
คำตอบหนึ่งข้อถูกสร้างขึ้นอย่างไร ทีละขั้น
สมมติลูกค้าพิมพ์ใน LINE ว่า "สั่งของวันนี้ จะได้ของภายในกี่วัน ส่งไปเชียงใหม่ค่ะ" เบื้องหลังจะเกิดลำดับดังนี้
- 01ลูกค้าพิมพ์คำถาม
- 02ระบบค้นหาส่วนเอกสารที่เกี่ยวข้อง
- 03AI อ่านเนื้อหาที่ดึงมาพร้อมคำสั่งของเอเจนต์
- 04ตอบกลับในช่องทางเดิม
- รับคำถาม ระบบเข้าใจว่าลูกค้าถามเรื่องระยะเวลาจัดส่งไปต่างจังหวัด
- ค้นหา ระบบหาส่วนของเอกสารที่ใกล้เคียงกับความหมายของคำถามที่สุด เช่น หน้า "การจัดส่ง" และตารางเวลาตามภูมิภาค การค้นนี้ไม่ได้ดูแค่คำที่ตรงกันเป๊ะ แต่พิจารณาความหมายด้วย
- ประกอบข้อมูล ส่วนที่ดึงมาถูกส่งให้โมเดลพร้อมคำสั่งของเอเจนต์ เช่น ให้ตอบสุภาพ ห้ามเดาตัวเลขที่ไม่มีในเอกสาร
- สร้างคำตอบ โมเดลเรียบเรียงเป็นประโยคสั้น ๆ ที่ลูกค้าอ่านง่าย
- ส่งกลับ คำตอบไปถึงลูกค้าในช่องทางที่ถามมา
จุดสำคัญคือขั้นที่ 2 ถ้าค้นไม่เจอเนื้อหาที่ถูกต้อง โมเดลจะไม่มีวัตถุดิบที่ดีให้ใช้ ต่อให้โมเดลเก่งแค่ไหนก็ตอบพลาดได้ ดังนั้นคุณภาพของ RAG ส่วนใหญ่จึงขึ้นกับคุณภาพของฐานความรู้ ไม่ใช่แค่ความฉลาดของโมเดล
RAG พลาดตรงไหนได้บ้าง และป้องกันอย่างไร
RAG ลดโอกาสตอบมั่ว แต่ไม่ได้ทำให้ผิดพลาดเป็นศูนย์ จุดที่พบบ่อยมีดังนี้
1. ค้นไม่เจอ เพราะเอกสารไม่มีคำตอบ
ลูกค้าถามเรื่องที่ร้านไม่เคยเขียนไว้ เช่น "ซื้อเป็นของขวัญแล้วขอใบเสร็จแยกได้ไหม" ถ้าไม่มีข้อมูล โมเดลอาจพยายามตอบด้วยความรู้ทั่วไป
วิธีป้องกัน: กำหนดในคำสั่งของเอเจนต์ให้ชัดว่า "หากไม่พบข้อมูลในฐานความรู้ ให้บอกตรง ๆ ว่ายังไม่มีข้อมูล และเสนอส่งต่อให้เจ้าหน้าที่" แล้วตรวจประวัติแชตเพื่อเก็บคำถามที่ตอบไม่ได้มาเขียนเพิ่ม
2. ค้นเจอ แต่เป็นเอกสารเก่าหรือขัดแย้งกัน
ถ้าไฟล์ราคาปีก่อนยังอยู่ร่วมกับไฟล์ราคาปีนี้ ระบบอาจดึงผิดฉบับ
วิธีป้องกัน: ลบหรือเก็บเอกสารเวอร์ชันเก่าออกจากแหล่งความรู้ และระบุวันที่มีผลใช้บังคับไว้ในเนื้อหา
3. เอกสารถูกตัดแบ่งจนบริบทหาย
ประโยคอย่าง "ข้อยกเว้น: สินค้าลดราคาไม่สามารถคืนได้" ถ้าถูกแยกออกจากหัวข้อเงื่อนไขการคืนสินค้า ระบบอาจดึงมาโดยไม่รู้ว่าเกี่ยวกับเรื่องอะไร
วิธีป้องกัน: เขียนแต่ละหัวข้อให้อ่านจบได้ในตัว ระบุหัวเรื่องชัดเจนในประโยค เช่น "เงื่อนไขการคืนสินค้า: สินค้าลดราคาไม่สามารถคืนได้"
4. ข้อมูลส่วนบุคคลปะปนในเอกสาร
เอกสารภายในที่มีชื่อ เบอร์โทร หรือเลขบัตรของลูกค้า ไม่ควรเข้าฐานความรู้ที่ตอบคนทั่วไป การคำนึงถึง PDPA เริ่มจากการไม่นำข้อมูลที่ไม่จำเป็นเข้าระบบตั้งแต่แรก
วิธีป้องกัน: ตรวจเอกสารก่อนอัปโหลด และเก็บเฉพาะเนื้อหาเชิงนโยบายและขั้นตอน ไม่ใช่ข้อมูลรายบุคคล
5. เรื่องที่ควรให้คนตัดสิน
เรื่องร้องเรียน เรื่องเงินที่เกี่ยวพันกับกรณีเฉพาะ หรือลูกค้าที่อารมณ์ไม่ดี ควรมีทางส่งต่อให้เจ้าหน้าที่เสมอ RAG ที่ดีไม่ได้พยายามตอบทุกเรื่อง แต่รู้ว่าเมื่อไรควรส่งต่อ
สร้างฐานความรู้ให้ระบบค้นเจอได้ดี
ไม่ต้องเริ่มด้วยเอกสารเป็นร้อยหน้า ให้เริ่มจากคำถามที่ลูกค้าถามซ้ำที่สุดก่อน
เริ่มจากคำถามจริง
เปิดประวัติแชตย้อนหลังของ LINE Official Account, Messenger และแชตบนเว็บไซต์ แล้วรวบรวมคำถามที่เจอบ่อยที่สุด 20 ถึง 30 ข้อ เช่น
- ค่าส่งและเวลาจัดส่ง
- วิธีชำระเงินและการโอน
- การเปลี่ยน คืน หรือเคลมสินค้า
- เวลาทำการและวันหยุด
- วิธีติดตามพัสดุ
ตัวอย่างสมมติ: หากร้านได้รับแชตเดือนละ 300 ข้อความ แล้วพบว่าคำถามเกินครึ่งวนอยู่ในห้าหัวข้อข้างต้น การเขียนห้าหัวข้อนี้ให้ดีก็ครอบคลุมงานส่วนใหญ่แล้ว (ตัวเลขนี้เป็นเพียงตัวอย่างสมมติ ไม่ใช่สถิติจริง)
หลักการเขียนเอกสารที่ค้นง่าย
- หนึ่งหัวข้อต่อหนึ่งเรื่อง อย่ารวมการจัดส่ง การคืนเงิน และโปรโมชันไว้ในย่อหน้าเดียว
- ใช้ภาษาเดียวกับลูกค้า ลูกค้าพิมพ์ว่า "ของมาช้า" ก็ควรมีคำว่า "จัดส่งล่าช้า" และ "ของยังไม่ถึง" ในเอกสารด้วย
- เขียนเงื่อนไขและข้อยกเว้นให้ครบ เช่น "คืนได้ภายใน 7 วัน ยกเว้นสินค้าลดราคา"
- ใช้รูปแบบถามตอบ สำหรับเรื่องที่ถามบ่อย เขียนคำถามเป็นประโยคที่ลูกค้าพิมพ์จริง แล้วตามด้วยคำตอบที่ตรวจสอบแล้ว
- ระบุวันที่ ในเอกสารที่มีผลตามช่วงเวลา เช่น โปรโมชัน
- ดูแลเป็นระยะ กำหนดคนรับผิดชอบทบทวนเอกสารเป็นประจำ
ทดสอบก่อนเปิดใช้จริง
ลองถามคำถามด้วยสำนวนต่าง ๆ ทั้งแบบสุภาพ แบบสั้นห้วน และแบบพิมพ์ผิด แล้วดูว่าเอเจนต์ตอบตรงหรือไม่ เมื่อเจอจุดที่ตอบผิด ให้กลับไปแก้ที่เอกสาร ไม่ใช่แก้ที่คำตอบทีละครั้ง
ทำเรื่องนี้ใน AI SNS CHAT
ใน AI SNS CHAT ฐานความรู้ของเอเจนต์จัดการได้จากเมนู Data sources ที่แถบด้านข้าง โดยเพิ่มเนื้อหาได้หลายแบบ ได้แก่ Files, Text snippets, Website, Q&A, Notion, Social, Tickets และ Suggestions ร้านที่เริ่มต้นจากศูนย์มักเริ่มที่ Q&A สำหรับคำถามยอดฮิต และ Text snippets สำหรับนโยบายสั้น ๆ จากนั้นค่อยเพิ่มไฟล์หรือดึงเนื้อหาจากเว็บไซต์ของร้าน
หากทีมเก็บเอกสารไว้ที่อื่นอยู่แล้ว ในหมวด Channels มีตัวเชื่อมต่อให้ดึงเนื้อหาจาก Confluence, GitBook, Zendesk Guide, Google Drive, OneDrive, Dropbox, Box, SharePoint และ Notion เป็นต้น สำหรับตัวเชื่อมต่อแบบวิกิ การซิงก์แต่ละครั้งรองรับสูงสุด 1.5 ล้านตัวอักษรและ 400 หน้า หากเนื้อหาเกินระบบจะแจ้งว่ามีการตัดทอน ส่วนพื้นที่จัดเก็บขึ้นกับแผน ตั้งแต่ 30 MB ในแผน Free ไปจนถึง 200 MB, 500 MB, 1 GB และ 3 GB ในแผน Hobby, Standard, Pro และ Corporate ตามลำดับ ดูรายละเอียดแผนล่าสุดได้ที่ หน้าราคา
ขั้นตอนที่แนะนำ
- เพิ่มคำถามยอดฮิตใน Data sources แล้วกำหนดบุคลิกและกฎของเอเจนต์ที่ Persona and guardrails เช่น ให้ตอบสุภาพ และให้บอกว่ายังไม่มีข้อมูลเมื่อไม่พบคำตอบ
- ทดสอบใน Playground ด้วยคำถามหลายสำนวน และใช้การเปรียบเทียบโมเดลแบบ A/B ถ้าต้องการดูว่าโมเดลไหนตอบเหมาะกับร้านมากกว่า
- ติดตั้งผ่าน Channels เช่น LINE, Messenger หรือ Chat widget บนเว็บไซต์ ดูช่องทางที่รองรับทั้งหมดได้ที่ หน้าการเชื่อมต่อ
- ตรวจที่ Activity → Chat logs ซึ่งกรอง ติดธง และดูคะแนนถูกใจหรือไม่ถูกใจได้ หากคำตอบยังไม่ดี ให้แก้คำตอบนั้นให้เป็นคำตอบที่ต้องการเพื่อสอนเอเจนต์ และปรับเอกสารต้นทางควบคู่กัน
- ใช้ Analytics (Chats, Topics, Question history, Sentiment) ดูว่าลูกค้าถามอะไรบ่อย เพื่อวางแผนเขียนเนื้อหาเพิ่ม โดยการวิเคราะห์ขั้นสูงต้องใช้แผน Pro
สำหรับเรื่องที่ต้องใช้คน คุณเข้าไป takeover แชตได้ (บอตจะหยุดตอบชั่วคราว) และตั้งเวรได้ที่ Helpdesk → Scheduling เพื่อให้การส่งต่อถูกมอบหมายให้ผู้ที่อยู่ในกะ แต่ Helpdesk ต้องใช้แผน Standard ขึ้นไป ข้อความที่ส่งถึงลูกค้าตอนส่งต่อ ระบบเติมประโยค "ขั้นตอนถัดไป" จากตารางเวรให้เอง และไม่แต่งเวลารอขึ้นเอง
ในส่วนความเป็นส่วนตัว ระบบกรองข้อมูลระบุตัวบุคคลออกจากส่วนของฐานความรู้ที่แสดงต่อบุคคลทั่วไป และมีตัวเลือกกำหนดระยะเวลาเก็บบทสนทนา (ค่าเริ่มต้นคือเก็บไว้ตลอด) แนวปฏิบัติของ AI SNS CHAT ออกแบบโดยอ้างอิง GDPR และ APPI แต่ไม่ใช่การรับรองตาม PDPA หรือมาตรฐานใด ๆ จึงควรตรวจสอบเนื้อหาที่นำเข้าและนโยบายภายในของธุรกิจเองด้วย ดูรายละเอียดได้ที่ หน้าความปลอดภัย
เรื่องการค้นหาจากเว็บ: ฟีเจอร์ตอบจากเว็บเมื่อฐานความรู้ไม่มีคำตอบ พร้อมอ้างอิงหน้าที่ใช้ มีเฉพาะช่องทาง LINE WORKS (Behaviour → Web search) และคำตอบที่มาจากเว็บใช้เครดิต 2 เท่าโดยค่าเริ่มต้น ส่วน Action ชื่อ Tavily ให้เอเจนต์ค้นเว็บแบบเรียลไทม์ได้ ซึ่งเหมาะกับคำถามทั่วไป ไม่ใช่นโยบายของร้าน ดูฟีเจอร์ทั้งหมดได้ที่ หน้าฟีเจอร์ หรือ สมัครใช้งาน เพื่อลองสร้างเอเจนต์
สรุป
RAG ไม่ใช่เวทมนตร์ แต่คือการให้ AI เปิดเอกสารของคุณก่อนตอบทุกครั้ง ความแม่นยำจึงมาจากเอกสารที่ชัด เป็นปัจจุบัน และเขียนด้วยภาษาที่ลูกค้าใช้จริง เริ่มจากคำถามที่ถามบ่อย ทดสอบด้วยสำนวนหลากหลาย อ่านประวัติแชตเป็นประจำ แล้วเติมช่องว่างทีละน้อย พร้อมเตรียมทางส่งต่อให้เจ้าหน้าที่ไว้เสมอ
คำถามที่พบบ่อย
RAG เหมือนกับการฝึก AI ด้วยข้อมูลของเราหรือไม่
ไม่เหมือนกัน การฝึกโมเดลเพิ่มคือการปรับตัวโมเดลเอง ส่วน RAG ไม่แตะตัวโมเดล แต่ดึงเนื้อหาจากฐานความรู้มาให้โมเดลอ่านในตอนตอบ ข้อดีคือแก้เอกสารแล้วคำตอบเปลี่ยนตามได้โดยไม่ต้องฝึกใหม่
RAG ยังตอบผิดได้ไหม
ได้ เช่น เมื่อเอกสารไม่มีคำตอบ เอกสารเก่าปนกับเอกสารใหม่ หรือเนื้อหาเขียนกำกวม วิธีลดความเสี่ยงคือกำหนดให้เอเจนต์บอกว่ายังไม่มีข้อมูลเมื่อไม่พบ ตรวจประวัติแชตสม่ำเสมอ และเปิดทางส่งต่อให้เจ้าหน้าที่ในเรื่องสำคัญ
ต้องมีเนื้อหามากแค่ไหนถึงเริ่มได้
ไม่ต้องมาก เริ่มจากคำถามที่ลูกค้าถามซ้ำบ่อยที่สุดราว 20 ถึง 30 ข้อ พร้อมนโยบายหลักอย่างการจัดส่ง การชำระเงิน และการคืนสินค้า แล้วค่อยเพิ่มตามคำถามที่เจอจริงจากประวัติแชต
ฐานความรู้ชุดเดียวใช้ได้ทั้งแชตบนเว็บไซต์ LINE และ Messenger หรือไม่
ได้ตามแนวคิดของระบบ คือเอเจนต์หนึ่งตัวมีแหล่งความรู้ของตัวเอง แล้วนำไปติดตั้งผ่านช่องทางต่าง ๆ ใน Channels เช่น Chat widget, LINE และ Messenger เนื้อหาจึงไม่ต้องเขียนซ้ำหลายชุด แต่ควรปรับน้ำเสียงและความยาวคำตอบให้เหมาะกับแต่ละแอป
ใช้การค้นหาเว็บแทนการสร้างฐานความรู้ได้ไหม
ไม่เหมาะสำหรับนโยบายของร้านเอง เพราะเว็บทั่วไปไม่รู้เงื่อนไขเฉพาะของธุรกิจคุณ การค้นเว็บเหมาะเป็นตัวเสริมสำหรับคำถามทั่วไปเท่านั้น และใน AI SNS CHAT ฟีเจอร์ตอบจากเว็บอัตโนมัติมีเฉพาะ LINE WORKS ส่วนช่องทางอื่นใช้ Action Tavily ได้


