เพิ่ม RAG ให้ AI: จดจำคำตัดสินใจและเติบโตไปพร้อมคุณ
เรียนรู้วิธีเพิ่มระบบ RAG ใน Claude Code เพื่อค้นหาบันทึกและความหมายโดยอัตโนมัติทุกข้อความ ช่วยแก้ปัญหา AI ลืมคำสั่งและพัฒนาตามการตัดสินใจของคุณ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- การใส่บันทึกให้ AI อ่านตอนเริ่มเซสชันอย่างเดียวมักถูกมองข้ามกลางทาง
- ระบบ RAG ใหม่จะค้นหาบันทึกและความหมายทุกครั้งที่คุณส่งข้อความ
- ใช้โมเดล bge-m3 จาก BAAI ค้นหาความหมายข้ามภาษาได้ทั้งไทยและอังกฤษ
- การทดสอบยืนยันว่าระบบดึงบันทึกที่ถูกต้องมาอยู่ในสามอันดับแรกได้สูงถึง 19 จาก 20 ข้อ
ปัญหาคลาสสิกของการใช้งาน AI โค้ดดิ้งเอเจนต์อย่าง Claude Code คือการตั้งค่าให้โหลดไฟล์โน้ตขนาด 32KB ไว้ล่วงหน้าทุกครั้งที่เริ่มเซสชัน แต่ AI ก็ยังคงทำผิดพลาดซ้ำในเรื่องเดิมๆ ที่เคยจดบันทึกไว้แล้ว ไม่ว่าจะเป็นการเตือนเรื่องการจับภาพหน้าจอเวอร์ชันอังกฤษหรือความยาวของบทความที่เกินไป การแก้ไขแต่ละครั้งถูกบันทึกไว้เป็นโน้ตเตือนใจตั้งแต่ครั้งแรกที่เกิดปัญหา แต่ปัญหาสำคัญคือจังหวะเวลาในการเรียกใช้งาน
ในความเป็นจริง เมื่อสถานการณ์เฉพาะหน้าเกิดขึ้นระหว่างการทำงาน AI มักจะไม่ได้ย้อนกลับไปค้นดูบันทึกเหล่านั้นด้วยตัวเอง ซึ่งปัญหานี้ไม่ได้เกิดขึ้นแค่กับ Claude Code เท่านั้น แต่รวมถึงเอเจนต์ตัวอื่นอย่าง Codex ด้วย จุดอ่อนอยู่ที่การตัดสินใจว่าจะค้นหาเมื่อไหร่ และขั้นตอนนี้นี่เองที่มักถูกข้ามไป
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ทางออกที่ผู้พัฒนาเลือกใช้คือการเพิ่มระบบ RAG (retrieval-augmented generation) เข้าไป โดยระบบนี้จะทำหน้าที่ค้นหาบันทึกย้อนหลังและบทสนทนาเก่าๆ ตามความหมายทันทีทุกครั้งที่คุณส่งข้อความ จากนั้นจะเลือกบันทึกที่ใกล้เคียงที่สุดส่งให้ AI อ่านก่อนที่จะเริ่มตอบคำถาม กระบวนการนี้เรียกว่าระบบเรียกคืนความทรงจำ ซึ่งเป็นส่วนหนึ่งของเวิร์กโฟลว์ ELN ชุดปลั๊กอินภายในที่ใช้งานร่วมกับ Claude Code โดยอาศัยฟีเจอร์ Claude Code hook ที่รันสคริปต์อัตโนมัติทุกครั้งที่มีการส่งข้อความ
แนวทางนี้ไม่ต้องมีการเทรนโมเดลใหม่แต่อย่างใด สิ่งที่เปลี่ยนแปลงไปคือข้อมูลที่ถูกป้อนให้ AI ในแต่ละครั้ง การตัดสินใจและการแก้ไขข้อผิดพลาดที่คุณเขียนบันทึกไว้จะกลายเป็นข้อมูลที่ AI มองเห็นเมื่อสถานการณ์นั้นวนกลับมาอีกครั้ง ยิ่งคุณสะสมคำตัดสินใจเอาไว้มากเท่าไหร่ AI ก็จะมีข้อมูลให้เรียนรู้มากขึ้นเท่านั้น ซึ่งนี่คือแนวคิดเบื้องหลังการเติบโตของ AI ด้วยระบบ RAG
"Take the screenshots for the English version in the English UI."
บันทึกคำสั่งเตือนใจในระบบ
การนำระบบ RAG เข้ามาผสานกับ AI โค้ดดิ้งเอเจนต์ถือเป็นก้าวสำคัญในการแก้ปัญหา Long-term Memory ของ LLM ที่มักจำบริบทเฉพาะตัวของผู้ใช้งานไม่ได้ การใช้เทคนิค Embedding ร่วมกับโมเดลภาษายังช่วยให้ระบบเข้าใจเจตนาและความหมายที่ซ่อนอยู่ แม้ว่าคีย์เวิร์ดในคำถามจะไม่ตรงกับบันทึกโดยตรงก็ตาม ซึ่งแนวทางนี้นับว่ามีประโยชน์อย่างยิ่งสำหรับนักพัฒนาที่ต้องกำหนดกฎเกณฑ์เฉพาะตัวในการทำงานซ้ำๆ
ในแง่ของการทำงานเชิงเทคนิค ระบบจะทำการแบ่งบันทึกที่มีρนาดยาวออกเป็นชิ้นส่วนละ 700 ตัวอักษร และให้คะแนนแต่ละชิ้นส่วนเพื่อให้มั่นใจว่ารายละเอียดที่ซ่อนอยู่ลึกๆ จะยังคงถูกค้นพบได้ นอกจากนี้ ระบบยังมีกลไกกรองความเกี่ยวข้องโดยวัดช่องว่างระหว่างคะแนนสูงสุดกับคะแนนเฉลี่ย เพื่อป้องกันไม่ให้ AI ต้องรับข้อมูลขยะเมื่อไม่มีประเด็นที่เกี่ยวข้องเกิดขึ้น
ที่มา: Dev.to
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น