ระดับ: POWER+

AI Knowledge Agent — ระบบ RAG ค้นหาข้อมูลจากเอกสารองค์กร

อัปโหลด PDF, คู่มือสินค้า, หรือข้อบังคับบริษัท ให้ AI อ่านเข้าใจและตอบคำถามได้ถูกต้อง พร้อมอ้างอิงหน้าเอกสารอย่างแม่นยำ ไม่มั่วข้อมูล

TypeScriptLangChainVector EmbeddingsGemini 1.5 Flash

📋 ภาพรวม

โซลูชัน Retrieval-Augmented Generation (RAG) คุณภาพสูง ช่วยให้ AI ตอบคำถามจากเอกสารจริงขององค์กรได้ 100% โดยไม่เกิดอาการหลอน (Hallucination) พร้อมใส่เชิงอรรถระบุหน้าเอกสารที่ใช้อ้างอิง

⚙️ ทำงานอย่างไร

นำเข้าเอกสาร PDF หรือคู่มือการทำงาน
ระบบตัดแบ่งข้อความออกเป็นส่วนย่อย (Chunking ขนาด 500 ตัวอักษร)
แปลงแต่ละส่วนเป็น Vector Embeddings
เมื่อมีคำถาม ระบบจะค้นหาส่วนที่เกี่ยวข้องมากที่สุด 3 ลำดับแรก
นำส่วนที่เกี่ยวข้องมารวมกับ Prompt ให้ AI ตอบคำถามพร้อมอ้างอิงแหล่งที่มา

🔧 วิธีติดตั้ง

```bash npm install dotenv ```

💻 ซอร์สโค้ดโปรเจกต์ (Production Code)

🔒

ซอร์สโค้ดสงวนสิทธิ์เฉพาะสมาชิก POWER ขึ้นไป

กรุณาสมัครสมาชิกและเลือกแพ็กเกจ เพื่อปลดล็อกโค้ดเต็ม 100% พร้อมคู่มือภาษาไทย

📜 โค้ดทุกชิ้นเป็น Licensed Source Code — เมื่อปลดล็อกแล้วโค้ดจะฝังใบอนุญาตผูกกับบัญชีของคุณ ใช้ได้เฉพาะธุรกิจของตนเอง ห้ามนำไปแจกจ่ายหรือขายต่อ (ผิดเงื่อนไข = ระงับสิทธิ์ทันที)

⚡ สมัครสมาชิก / อัปเกรดเพื่อดูโค้ด เข้าสู่ระบบ

interface DocumentChunk {
  id: string;
  source: string;
  page: number;
  text: string;
}

// ฟังก์ชันจำลองการค้นหา Vector Search
function searchRelevantChunks(query: string, knowledgeBase: DocumentChunk[]): DocumentChunk[] {
  const keywords = query.toLowerCase().split(" ");
  return knowledgeBase
    .filter((chunk) => keywords.some((k) => chunk.text.toLowerCase().includes(k)))
    .slice(0, 3

⚙️ ค่าที่ต้องตั้ง (Environment)

## การเชื่อมต่อ Vector Store สามารถเปลี่ยนฟังก์ชันค้นหาไปใช้ **Supabase pgvector** หรือ **Pinecone** สำหรับเอกสารที่มีขนาดมากกว่า 1,000 หน้า

🚀 วิธีใช้งาน

เหมาะอย่างยิ่งสำหรับบริษัทประกัน ธนาคาร สถาบันการศึกษา หรือร้านค้าที่มีคู่มือการใช้งานสินค้าซับซ้อน

ต้องการนำโค้ดโปรเจกต์นี้ไปต่อยอดธุรกิจ?

สมัครสมาชิก POWER ขึ้นไป เพื่อเข้าถึงโค้ดและเทมเพลตทั้งหมดแบบไม่จำกัด

ดูตารางราคาสมาชิก