# Retrieval-Augmented Generation (RAG) > RAG (Retrieval-Augmented Generation) คือเทคนิค AI ที่ระบบจะดึงข้อความที่เกี่ยวข้องจากฐานความรู้ที่กำหนดไว้ เช่น คู่มือเกษตรกรรมหรือข้อกำหนดทางกฎหมาย จากนั้นให้โมเดลภาษาสร้างคำตอบโดยอ้างอิงจากข้อความเหล่านั้น มักพร้อมการอ้างอิงแหล่งที่มา หรือเรียกอีกชื่อว่า: RAG, การสร้างคำตอบที่มีหลักฐานอ้างอิง, AI แบบดึงข้อมูลเสริม ## ทำไมเรื่องนี้จึงสำคัญ ในภาคเกษตรกรรมและการปฏิบัติตามกฎระเบียบ คำตอบต้องสอดคล้องกับพืชผล ภูมิภาค ฤดูกาล หรือข้อความทางกฎหมายที่เฉพาะเจาะจง โมเดลภาษาเพียงลำพังอาจให้คำแนะนำที่ลื่นไหลแต่ไม่ถูกต้อง RAG ช่วยให้คำตอบมีหลักฐานอ้างอิงจากองค์ความรู้ที่ผ่านการคัดกรอง เช่น คู่มือส่งเสริมการเกษตร [แนวปฏิบัติทางการเกษตรที่ดี](/glossary/good-agricultural-practices/) มาตรฐานการรับรอง หรือ [EUDR](/glossary/eudr/) ซึ่งสามารถปรับปรุงให้เป็นปัจจุบันได้โดยไม่ต้องฝึกโมเดลใหม่ แนวทางนี้ถูกอธิบายไว้ในงานวิจัยของ Lewis และคณะ (2020) ## ทำงานอย่างไร 1. **สร้างฐานความรู้**: รวบรวมและตรวจสอบเอกสาร แบ่งออกเป็นส่วนข้อความ และจัดทำดัชนี 2. **ดึงข้อมูล**: สำหรับแต่ละคำถาม ค้นหาข้อความที่เกี่ยวข้องที่สุด มักใช้การค้นหาเชิงความหมาย 3. **สร้างคำตอบ**: นำข้อความและคำถามไปให้โมเดลภาษา พร้อมกำหนดให้ตอบโดยอ้างอิงจากข้อความเหล่านั้น 4. **อ้างอิงและประเมินผล**: แสดงแหล่งที่มา ทดสอบคำตอบกับชุดคำถามที่ผู้เชี่ยวชาญตรวจสอบแล้ว และรวบรวมความคิดเห็นจากผู้ใช้ ## ข้อผิดพลาดที่พบบ่อย - ฐานความรู้ที่ล้าสมัยหรือไม่สอดคล้องกับสภาพท้องถิ่น - ผสมแหล่งข้อมูลที่มีความน่าเชื่อถือต่างกันโดยไม่จัดลำดับความสำคัญ - ไม่มีชุดข้อมูลสำหรับประเมินผล จึงไม่ทราบคุณภาพที่แท้จริง - คำตอบที่ใช้ภาษาหรือระดับความเข้าใจที่เกษตรกรไม่คุ้นเคย [ผู้ช่วยด้านเกษตรกรรมที่ขับเคลื่อนด้วย AI](/services/ai-agronomist/) ของ Farmer1st ใช้คำตอบที่มีหลักฐานอ้างอิงจากองค์ความรู้ด้านเกษตรกรรมที่ผ่านการตรวจสอบแล้ว เพื่อสนับสนุนเกษตรกรและทีมงานที่ทำงานร่วมกับพวกเขา ## คำถามที่พบบ่อย ### ทำไมต้องใช้ RAG แทนแชทบอททั่วไป โมเดลทั่วไปตอบคำถามจากสิ่งที่เรียนรู้ตอนฝึก ซึ่งอาจล้าสมัย เป็นข้อมูลทั่วไปเกินไป หรือไม่ถูกต้องสำหรับบริบทท้องถิ่น RAG จำกัดคำตอบให้อ้างอิงจากแหล่งข้อมูลที่ผ่านการตรวจสอบและเป็นปัจจุบัน และยังช่วยให้แสดงได้ว่าคำตอบนั้นอ้างอิงจากแหล่งใด ### RAG ช่วยขจัดข้อผิดพลาดของ AI ได้ทั้งหมดหรือไม่ ไม่ได้ RAG ช่วยลดคำตอบที่ไม่มีหลักฐานรองรับ แต่ยังขึ้นอยู่กับคุณภาพและความครอบคลุมของฐานความรู้ ขั้นตอนการดึงข้อมูล และการประเมินผล การตรวจสอบโดยมนุษย์และการรับฟังความคิดเห็นยังคงมีความสำคัญ ## แหล่งอ้างอิง - [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv)](https://arxiv.org/abs/2005.11401)