How is RAG different from fine-tuning an LLM?

RAG fetches fresh data from a knowledge base at answer time — easy and cheap to update. Fine-tuning bakes knowledge into the model, which is costly and harder to refresh. Most businesses start with RAG.

Does RAG work well in Thai?

Yes, when you pick an embedding model and chunking strategy suited to Thai, which has no spaces between words. Maxmatec tunes the pipeline specifically for Thai content.

← กลับไปบทความ

AI5 มิ.ย. 2569 · อ่าน 8 นาที

สร้าง AI Chatbot ด้วย RAG ให้ตอบแม่นยำกับข้อมูลธุรกิจ

แนวทางออกแบบ retrieval, chunking และ prompt ให้คำตอบตรงและเชื่อถือได้

RAG (Retrieval-Augmented Generation) ช่วยให้ LLM ตอบจากฐานความรู้ของธุรกิจคุณแทนที่จะเดาจากข้อมูลที่ฝึกมา ทำให้คำตอบแม่นยำและตรวจสอบที่มาได้ หัวใจสำคัญสามส่วนคือ: chunking แบ่งเอกสารเป็นชิ้นขนาดพอดี (มัก 300-800 token) โดยรักษาบริบทให้ครบ, embedding แปลงข้อความเป็นเวกเตอร์ด้วยโมเดลที่รองรับภาษาไทยดี, และ retrieval ดึงชิ้นที่เกี่ยวข้องที่สุดมาใส่ใน prompt เทคนิคเพิ่มความแม่นคือ hybrid search (ผสม keyword กับ semantic), reranking ผลลัพธ์ และสั่งให้โมเดลตอบว่า 'ไม่ทราบ' เมื่อไม่มีข้อมูลรองรับ เพื่อลด hallucination

คำถามที่พบบ่อย

RAG ต่างจากการเทรน LLM เองอย่างไร?

RAG ดึงข้อมูลสด ๆ จากฐานความรู้ตอนตอบ อัปเดตง่ายและถูกกว่า ส่วนการ fine-tune ฝังความรู้เข้าไปในโมเดล ใช้ทรัพยากรสูงและอัปเดตยากกว่า ส่วนใหญ่ธุรกิจเริ่มที่ RAG ก่อน

RAG รองรับภาษาไทยได้ดีไหม?

ได้ดีเมื่อเลือก embedding model และ chunking ที่เหมาะกับภาษาไทย ซึ่งไม่มีการเว้นวรรคระหว่างคำ Maxmatec ปรับ pipeline ให้เหมาะกับเนื้อหาไทยโดยเฉพาะ