Tag: RAG

วิธีสร้าง RAG Pipeline ด้วย Haystack 2.0 ใน Python

ในบทความก่อน ผมได้แนะนำให้ทุกคนได้รู้จักกับ Haystack 2.0 ซึ่งเป็น package สำหรับสร้าง LLM (large language model) application ใน Python

ในบทความนี้ ผมจะมาแนะนำการใช้ Haystack 2.0 ในการทำ RAG (Retrieval-Augmented Generation) pipeline ซึ่งเป็นการใช้งานหลักของ Haystack 2.0

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

🤨 What Is RAG?

RAG เป็นเทคนิคที่ช่วยให้ LLM ตอบคำถามได้ดีขึ้น โดยส่งเอกสารที่เกี่ยวข้องไปให้ LLM สร้างคำตอบ

RAG pipeline ประกอบด้วย 2 ส่วน:

Indexing pipeline: จัดเตรียมเอกสาร
Querying pipeline: ค้นหาเอกสารและเขียนคำตอบ

Pipeline 1. Indexing pipeline:

			
Documents
    ↓
Split Documents into chunks
    ↓
Embed chunks into vectors
    ↓
Write Documents to vector store

		

Pipeline 2. Querying pipeline:

			
Query
    ↓
Embed query
    ↓
Retrieve relevant chunks from vector store
    ↓
Add retrieved chunks to prompt
    ↓
Send prompt to LLM
    ↓
Return answer

		

เราไปดูการสร้างแต่ละส่วนด้วย Haystack 2.0 กัน ผ่านตัวอย่างการสร้างบอทตอบคำถามข่าวจาก BBC News Archive dataset กัน

🗂️ Pipeline 1. Indexing

Indexing pipeline มี 5 ส่วนประกอบ:

Documents: เอกสารต้นทาง
Splitter: แยกเอกสาร
Embedder: แปลงเอกสารให้เป็น vector
Vector store: ตัวจัดเก็บ vector
Writer: ส่ง vector ไปเก็บที่ vector store

และเราสามารถสร้าง pipeline ได้ใน 7 ขั้นตอน:

Create Documents
Create a splitter
Create an embedder
Create a vector store
Create a document writer
Create an indexing pipeline
Run the pipeline

ไปดูการเขียน code ในแต่ละขั้นตอนกัน

1️⃣ Step 1. Create Documents

ในขั้นแรก เราจะสร้าง Document object หรือเอกสารที่จะใส่เข้าไปใน RAG pipeline

ในตัวอย่าง เราจะโหลดเอกสารที่เก็บไว้ในไฟล์ CSV แบบนี้:

Python

			
# Import the package
import pandas as pd
# Load the CSV
df = pd.read_csv("bbc-news-data.csv", sep="\t")
# Inspect the first 5 rows
df.head(5)

		

ผลลัพธ์:

และแปลงให้เป็น Document object แบบนี้:

Python

			
# Import the package
from haystack import Document
# Instantiate a collector
docs = []
# Loop through the records
for row in df.itertuples():
    doc = Document(
        content=row.content,
        meta={
            "title": row.title,
            "category": row.category,
            "filename": row.filename
        }
    )
    docs.append(doc)
 
# Inspect one Document
docs[0]

		

ผลลัพธ์:

			
Document(id=7fe87ca8e57420adb9ed47866809d38424003dd43b4eefdf6b1a400eb3709677, content: ' Quarterly profits at US media giant TimeWarner jumped 76% to $1.13bn (£600m) for the three months t...', meta: {'title': 'Ad sales boost Time Warner profit', 'category': 'business', 'filename': '001.txt'})

2️⃣ Step 2. Create a Splitter

ในขั้นที่ 2 เราจะสร้าง splitter ที่จะแยกเอกสารออกเป็นก้อน ๆ หรือ chunk ซึ่งจะทำให้ค้นหาเอกสารได้ดีขึ้น

Splitter มีหลายประเภท:

Splitter	Split Method
`DocumentSplitter()`	แบ่งตามคำ บรรทัด ย่อหน้า หรือหน้า
`ChonkieTokenDocumentSplitter()`	แบ่งตามจำนวน token
`RecursiveDocumentSplitter()`	แบ่งตาม list ที่เรากำหนด

ในตัวอย่าง เราจะใช้ RecursiveDocumentSplitter() กัน:

Python

			
# Import the package
from haystack.components.preprocessors import RecursiveDocumentSplitter
# Create a splitter
splitter = RecursiveDocumentSplitter(
    split_length=180,
    split_overlap=30,
    split_unit="word",
    separators=[
        "\n\n",
        "sentence",
        "\n",
        " ",
    ]
)

		

3️⃣ Step 3. Create Embedder

ในขั้นที่ 3 เราจะสร้าง embedder ที่จะเปลี่ยน chunk ให้เป็น vector หรือตัวเลขที่ใช้ค้นหาเอกสารใน RAG pipeline

ตัวอย่าง chunk:

British Airways has blamed high fuel prices ...

ตัวอย่าง vector:

RAG pipeline จะใช้ vector ในการค้นหาเอกสารที่เกี่ยวข้อง โดยเอกสารและคำถามที่มี vector คล้ายกันก็ยิ่งมีเนื้อหาที่เกี่ยวข้องกัน

เช่น “ข่าวเทคโนโลยี” จะมี vector ที่ใกล้เคียงกับหัวข่าว “Apple เปิดตัว iPhone รุ่นใหม่” มากกว่า “ผลบอลพรีเมียร์ลีกเมื่อคืนนี้”

ในตัวอย่าง เราจะใช้ embedder ชื่อ Sentence Transformers จาก HuggingFace กัน:

Python

			
# Import the package
from haystack_integrations.components.embedders.sentence_transformers import (
    SentenceTransformersDocumentEmbedder
)
# Create a document embedder
document_embedder = SentenceTransformersDocumentEmbedder(
    model="sentence-transformers/all-MiniLM-L6-v2",
    meta_fields_to_embed=["title"],
)

		

4️⃣ Step 4. Create a Vector Store

ในขั้นที่ 4 เราจะสร้าง vector store สำหรับจัดเก็บเอกสารและ vector กัน

ในตัวอย่าง เราจะสร้าง vector store ชั่วคราวบนเครื่องแบบนี้:

Python

			
# Import the package
from haystack.document_stores.in_memory import InMemoryDocumentStore
# Create a vector store
vector_store = InMemoryDocumentStore(
    embedding_similarity_function="cosine"
)

		

5️⃣ Step 5. Create a Document Writer

ในขั้นที่ 5 เราจะสร้าง document writer ที่จะส่งเอกสารไปเก็บใน vector store:

Python

			
# Import the package
from haystack.components.writers import DocumentWriter
# Create a document writer
document_writer = DocumentWriter(
    document_store=vector_store
)

		

6️⃣ Step 6. Create an Indexing Pipeline

ในขั้นที่ 6 เราจะเชื่อมต่อส่วนต่าง ๆ เข้าด้วยกัน

เริ่มจากสร้าง Pipeline object:

Python

# Import the package
from haystack import Pipeline
# Instantiate a Pipeline object
indexing_pipeline = Pipeline()

เพิ่มส่วนประกอบ โดยกำหนดชื่อและตัวแปร:

Python

# Add the components
indexing_pipeline.add_component("splitter", splitter)
indexing_pipeline.add_component("embedder", document_embedder)
indexing_pipeline.add_component("writer", document_writer)

แล้วเชื่อมส่วนประกอบเข้าด้วยกัน โดยกำหนดว่า แต่ละส่วนประกอบจะส่งและรับอะไรจากกันบ้าง:

pipeline.connect("sender.output", "receiver.input")

ตัวอย่าง:

Python

# Connect the components
indexing_pipeline.connect("splitter.documents", "embedder.documents")
indexing_pipeline.connect("embedder.documents", "writer.documents")

สุดท้าย เราสามารถดู pipeline ที่สร้างขึ้นได้แบบนี้:

Python

# Display the pipeline
indexing_pipeline.show()

ผลลัพธ์:

7️⃣ Step 7. Run the Pipeline

ในขั้นสุดท้าย เราจะรัน pipeline เพื่อเอาเอกสารเข้าไปเก็บใน vector store:

Python

			
# Run the indexing pipeline
indexing_result = indexing_pipeline.run(
    {
        "splitter": {
            "documents": docs
        }
    }
)
# Display the result
print(indexing_result)

		

ผลลัพธ์:

{'writer': {'documents_written': 7182}}

เท่านี้ เราก็มี indexing pipeline ไว้ใช้งานแล้ว

🔍 Pipeline 2. Querying

Querying pipeline มี 4 ส่วนประกอบ:

Query embedder: แปลงคำถามเป็น vector
Retriever: ค้นหาเอกสารที่เกี่ยวข้อง
Prompt builder: สร้าง prompt
Response generator: เขียนคำตอบ

และเราสามารถสร้างและประกอบทั้ง 4 อย่างเข้าด้วยกันได้ใน 6 ขั้นตอน:

Create a query embedder
Create a retriever
Create a prompt builder
Create a response generator
Create a querying pipeline
Run the pipeline

1️⃣ Step 1. Create a Query Embedder

ในขั้นแรก เราจะสร้าง embedder ที่จะเปลี่ยนคำถามของผู้ใช้งานให้เป็น vector ที่เราจะใช้ค้นหาเอกสารที่เกี่ยวข้องได้:

Python

			
# Import the package
from haystack_integrations.components.embedders.sentence_transformers import (
    SentenceTransformersTextEmbedder
)
# Create a question embedder
question_embedder = SentenceTransformersTextEmbedder(
    model="sentence-transformers/all-MiniLM-L6-v2"
)

		

2️⃣ Step 2. Create a Retriever

ในขั้นที่ 2 เราจะสร้าง retriever หรือตัวค้นหาเอกสารที่เกี่ยวข้องใน vector store:

Python

			
# Import the package
from haystack.components.retrievers.in_memory import InMemoryEmbeddingRetriever
# Create a retriever
retriever = InMemoryEmbeddingRetriever(
    document_store=vector_store,
    top_k=5
)

		

3️⃣ Step 3. Create a Prompt Builder

ในขั้นที่ 3 เราจะสร้าง prompt builder ที่จะประกอบ prompt ที่จะส่งไปให้ LLM เพื่อตอบคำถาม

เราจะเริ่มจากกำหนด system prompt ที่จะกำหนดพฤติกรรมการตอบคำถาม:

Python

			
# Set the system prompt
system_prompt = """
You are a helpful assistant for a historical BBC News Archive.
Answer only from the retrieved BBC article passages.
Rules:
- Be concise.
- Do not use outside knowledge.
- Do not invent facts that are not supported by the passages.
- The archive is historical, so do not present its content as current news.
- Cite factual claims using source labels such as [1] or [2].
- If the retrieved passages do not contain enough evidence, say that clearly.
- Response in short bullet points.
- At the end of the answer, include a "Sources:" section listing only the sources that were actually cited in the answer. Format each source as:
  - [n] <Title>
"""

		

และ user prompt ที่จะส่งเอกสารที่เกี่ยวข้องกับคำถามของผู้ใช้งานไปให้กับ LLM:

Python

			
# Set the user prompt
user_prompt = """
Question:
{{ question }}
Retrieved BBC archive passages:
{% for doc in docs %}
[{{ loop.index }}]
Title: {{ doc.meta["title"] }}
Category: {{ doc.meta["category"] }}
Filename: {{ doc.meta["filename"] }}
Passage:
{{ doc.content }}
{% endfor %}
Write a concise answer using only the retrieved passages.
After the answer, include:
Sources:
{% raw %}- [n] <Title>{% endraw %}
where each title corresponds to the cited passage, and list only the sources that were actually cited in the answer.
"""

		

สังเกตว่า เราใช้ Jinja syntax (การเขียน {{}} และ {}) เพื่อทำให้เราแทนที่เอกสารลงไปในตัวแปรใน prompt ได้

หลังจากกำหนด system และ user prompt แล้ว เราจะสร้าง prompt builder แบบนี้:

Python

			
# Import the packages
from haystack.components.builders import ChatPromptBuilder
from haystack.dataclasses import ChatMessage
# Create a prompt builder
prompt_builder = ChatPromptBuilder(
    template=[
        ChatMessage.from_system(system_prompt.strip()),
        ChatMessage.from_user(user_prompt.strip())
    ],
    required_variables=["question", "docs"],
)

		

4️⃣ Step 4. Create a Response Generator

ในขั้นที่ 4 เราจะสร้าง response generator หรือ LLM ที่จะตอบคำถามขึ้นมา

เริ่มจากกำหนด API key:

Python

			
# Import the packages
import os
from dotenv import load_dotenv
# Load the .env content
load_dotenv()
# Get the API key
GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")

		

และสร้าง response generator:

Python

			
# Import the packages
from haystack.utils import Secret
from haystack_integrations.components.generators.google_genai import (
    GoogleGenAIChatGenerator
)
# Create a generator
generator = GoogleGenAIChatGenerator(
    model="gemini-2.5-flash",
    api_key=Secret.from_token(GEMINI_API_KEY),
    generation_kwargs={
        "temperature": 0.2
    }
)

		

5️⃣ Step 5. Create a Pipeline

ในขั้นที่ 5 เราจะเชื่อมต่อทุกส่วนใน querying pipeline เข้าด้วยกัน โดยใช้วิธีเดียวกันกับ indexing pipeline

สร้าง Pipeline object:

Python

# Import the package
from haystack import Pipeline
# Instantiate a Pipeline object
querying_pipeline = Pipeline()

เพิ่มส่วนประกอบ:

Python

			
# Add the components
querying_pipeline.add_component("question_embedder", question_embedder)
querying_pipeline.add_component("retriever", retriever)
querying_pipeline.add_component("prompt_builder", prompt_builder)
querying_pipeline.add_component("generator", generator)

		

เชื่อมส่วนประกอบเข้าด้วยกัน:

Python

# Connect the components
querying_pipeline.connect("question_embedder.embedding", "retriever.query_embedding")
querying_pipeline.connect("retriever.documents", "prompt_builder.docs")
querying_pipeline.connect("prompt_builder.prompt", "generator.messages")

ดู pipeline ที่สร้างขึ้นมา:

Python

# Display the pipeline
querying_pipeline.show()

ผลลัพธ์:

6️⃣ Step 6. Run the Pipeline

ในขั้นสุดท้าย เราจะเรียกใช้งาน querying pipeline กัน

เริ่มจากสร้าง function สำหรับเรียกใช้งาน pipeline เพื่อให้ง่ายต่อการเรียกใช้:

Python

			
# Create the function
def run_query(query: str):
    # Run the pipeline
    result = querying_pipeline.run(
        {
            "question_embedder": {
                "text": query
            },
            "prompt_builder": {
                "question": query
            }
        }
    )
    # Return the result
    return result["generator"]["replies"][0].text

		

จากนั้น เรียกใช้งานโดยถามเกี่ยวกับข่าวที่อยู่ใน BBC News Archive เช่น:

Python

			
# Set the question
my_question = "What concerns did users raise about Google’s AutoLink feature?"
# Run the query
query_result = run_query(query=my_question)
# Display the result
print(query_result)

		

ผลลัพธ์:

			
Users raised several concerns about Google’s AutoLink feature:
*   It directs people to pre-selected commercial websites [1].
*   Google's dominant market position could give a competitive edge to firms like Amazon [1].
*   It creates links based on webpage information without the publisher's permission [1].
*   Online libraries and other websites might direct users to commercial sites like Amazon or rival services against their will or in conflict with their own advertising [4].
*   Some users felt it would only be fair if websites had to opt-in or receive revenue for "click throughs" to commercial sites [2].
*   Concerns were raised about user choice, transparency regarding Google's payments, and the ability to substitute preferred companies for those chosen by Google [3].
*   There was an objection to users being forced or tricked into using the service [3].
*   The feature was compared to Microsoft's Smart Tags, which was widely criticised [2].
Sources:
- [1] Google's toolbar sparks concern
- [2] Google's toolbar sparks concern
- [3] Google's toolbar sparks concern
- [4] Google's toolbar sparks concern

		

💪 Summary

RAG pipeline ใน Haystack 2.0 ประกอบด้วย 2 ส่วน ซึ่งสร้างได้แบบนี้:

Pipeline 1. Indexing pipeline:

Create Documents
Create a splitter
Create an embedder
Create a vector store
Create a document writer
Create a pipeline
Run the pipeline

Pipeline 2. Querying pipeline:

Create a query embedder
Create a retriever
Create a prompt builder
Create a response generator
Create a querying pipeline
Run the pipeline

⏭️ Next

หลังอ่านบทความจบแล้ว ลองมาใช้ Haystack 2.0 กันดูนะครับ:

📃 References

Fediverse Reactions

13.08.2026

วิธีสร้าง RAG Pipeline ด้วย LangChain ใน Python

RAG (Retrieval-Augmented Generation) เป็นเทคนิคที่ช่วยให้ LLM (large language model) ตอบคำถามได้แม่นยำขึ้น และไม่ถูกจำกัดด้วย knowledge cutoff หรือความรู้ที่จำกัดจากตอน train model

RAG ทำงานใน 2 ขั้นตอน:

Retrieve: ดึงเอกสารที่เกี่ยวข้อง
Generate: สร้างคำตอบจากเอกสารที่ได้มา

RAG มีข้อดี 3 ข้อ:

คำตอบมีความแม่นยำมากขึ้น
คำตอบมีความเกี่ยวข้องกับคำถามมากขึ้น
ช่วยอัปเดตความรู้ให้กับ LLM ได้โดยไม่ต้อง train model ใหม่

ในบทความนี้ เราจะมาดูวิธีการสร้าง RAG pipeline ด้วย LangChain ซึ่งเป็น framework ในการพัฒนาแอปพลิเคชัน LLM กัน

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

🔆 Overview

เราใช้ LangChain สร้าง RAG pipeline ได้ใน 5 ขั้นตอน

Load documents
Split text
Embed and store chunks
Create a retriever
Generate a response

เราไปดูการสร้าง RAG pipeline กับตัวอย่างบอทตอบคำถามเกี่ยวกับนโยบาย HR เช่น การลาและสวัสดิ กัน

📑 Step 1. Load Documents

ในขั้นแรก เราจะโหลดเอกสารที่เป็นข้อมูลของ RAG pipeline ก่อน

LangChain มีหลาย functions สำหรับโหลดเอกสาร เช่น:

Function	Document
`TextLoader()`	Text file
`UnstructuredMarkdownLoader()`	Markdown file
`CSVLoader()`	CSV file
`JSONLoader()`	JSON file
`PyPDFLoader()`	PDF file
`DirectoryLoader()`	ไฟล์จากในโฟลเดอร์

ในตัวอย่าง เราจะใช้ DirectoryLoader() เพราะเราเก็บเอกสารไว้ในโฟลเดอร์ชื่อ documents:

			
documents/
├── benefits_policy.txt
├── compensation_policy.txt
├── leave_policy.txt
└── remote_work_policy.txt

		

ตัวอย่างข้อมูลในเอกสาร benefits_policy.txt:

			
DataWise Co. Benefits Policy
Full-time employees receive health insurance after completing probation.
The company provides annual health checkups once per year.
Employees can claim up to 2,000 THB per month for wellness activities such as fitness memberships, yoga classes, or mental health support.
Employees are also eligible for learning support. The company reimburses up to 10,000 THB per year for approved online courses, books, or professional certificates.

		

วิธีใช้ DirectoryLoader():

Python

			
# Import packages
from langchain_community.document_loaders import DirectoryLoader
from langchain_community.document_loaders import TextLoader
# Initialise loader
loader = DirectoryLoader(
    path="documents",
    glob="*.txt",
    loader_cls=TextLoader,
    loader_kwargs={"encoding": "utf-8"}
)
# Load documents
docs = loader.load()

		

การใช้งาน DirectoryLoader():

path = โฟลเดอร์ที่ต้องการโหลด
glob = pattern ชื่อไฟล์ที่ต้องการโหลด (เช่น "*.txt" หมายถึง ไฟล์ที่ลงชื่อด้วย .txt ทั้งหมด)
loader_cls = function ที่จะใช้โหลด (เช่น TextLoader())
loader_kwargs = argument เพิ่มเติมสำหรับ function ที่จะใช้โหลด

เราสามารถดูตัวอย่างเอกสารที่โหลดแล้วได้แบบนี้:

Python

			
# View loaded documents
for doc in docs:
    print("=" * 50)
    print(doc.metadata["source"])
    print("=" * 50)
    print(doc.page_content[:200])

		

ผลลัพธ์:

			
==================================================
documents/remote_work_policy.txt
==================================================
DataWise Co. Remote Work Policy
Employees may work from home up to 2 days per week.
Remote work must be approved by the employee's direct manager.
Employees must be reachable on Slack during core w
==================================================
documents/benefits_policy.txt
==================================================
DataWise Co. Benefits Policy
Full-time employees receive health insurance after completing probation.
The company provides annual health checkups once per year.
Employees can claim up to 2,000 THB 
==================================================
documents/compensation_policy.txt
==================================================
DataWise Co. Compensation Policy
Salary is paid on the last working day of each month.
Performance bonuses are reviewed once per year in December.
Employees may receive an annual salary adjustment 
==================================================
documents/leave_policy.txt
==================================================
DataWise Co. Leave Policy
Full-time employees receive 10 days of annual leave per year after completing probation.
Employees receive 15 days of paid sick leave per year.
Sick leave of 3 consecutive

		

📚 Step 2. Split Text

ในขั้นที่ 2 เราจะแบ่ง text ในเอกสารออกเป็นก้อน ๆ หรือ chunk เพราะการแบ่ง text จะช่วยให้การค้นหาข้อมูลง่ายขึ้น

LangChain มี 3 functions หลักในการแบ่ง text:

Function	Method
`CharacterTextSplitter()`	แบ่งตามจำนวน character ที่กำหนด
`TokenTextSplitter()`	แบ่งตามจำนวน token ที่กำหนด
`RecursiveCharacterTextSplitter()`	แบ่งตามย่อหน้า บรรทัด และประโยค

ในตัวอย่าง เราจะใช้ RecursiveCharacterTextSplitter() เพราะเป็นวิธีที่เก็บรักษาความหมายของ text ได้ดีกว่าวิธีอื่น:

วิธีใช้ RecursiveCharacterTextSplitter():

Python

			
# Import package
from langchain_text_splitters import RecursiveCharacterTextSplitter
# Create splitter
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=100
)
# Split documents
chunks = text_splitter.split_documents(docs)

		

ดูตัวอย่าง text ที่แบ่งแล้วได้ตามนี้:

Python

			
# View results
for i, chunk in enumerate(chunks[:5]):
    print(f"Chunk {i+1}")
    print("Source:", chunk.metadata["source"])
    print(chunk.page_content)
    print("-" * 50)

		

ผลลัพธ์:

			
Chunk 1
Source: documents/remote_work_policy.txt
DataWise Co. Remote Work Policy
Employees may work from home up to 2 days per week.
Remote work must be approved by the employee's direct manager.
Employees must be reachable on Slack during core working hours from 10:00 AM to 4:00 PM.
Employees working remotely are responsible for maintaining a stable internet connection and a quiet work environment.
New employees may request remote work only after completing their first month.
--------------------------------------------------
Chunk 2
Source: documents/benefits_policy.txt
DataWise Co. Benefits Policy
Full-time employees receive health insurance after completing probation.
The company provides annual health checkups once per year.
Employees can claim up to 2,000 THB per month for wellness activities such as fitness memberships, yoga classes, or mental health support.
Employees are also eligible for learning support. The company reimburses up to 10,000 THB per year for approved online courses, books, or professional certificates.
--------------------------------------------------
Chunk 3
Source: documents/compensation_policy.txt
DataWise Co. Compensation Policy
Salary is paid on the last working day of each month.
Performance bonuses are reviewed once per year in December.
Employees may receive an annual salary adjustment based on company performance, individual performance, and market benchmarks.
Overtime pay is available only for non-managerial employees and must be approved by a manager before the overtime work begins.
--------------------------------------------------
Chunk 4
Source: documents/leave_policy.txt
DataWise Co. Leave Policy
Full-time employees receive 10 days of annual leave per year after completing probation.
Employees receive 15 days of paid sick leave per year.
Sick leave of 3 consecutive days or more requires a medical certificate.
Employees should submit annual leave requests at least 7 days in advance through the HR system.
Unused annual leave can be carried over for up to 5 days into the next calendar year.
--------------------------------------------------

		

สังเกตว่า text ถูกแบ่งย่อหน้า ทำให้ chunk ที่ได้มีความหมายที่ครบถ้วนในตัวเอง

💾 Step 3. Embed & Store Chunks

ในขั้นที่ 3 เราจะ embed และเก็บข้อมูลลงใน vector database

Embedding คือ การแปลง chunk ให้กลายเป็น vector คือ ชุดตัวเลขที่เป็นตัวแทนของ chunk

ตัวอย่าง chunk:

"Employees can work from home up to two days per week."

ตัวอย่าง vector:

			
[
    0.021,
   -0.184,
    0.736,
    0.094,
   -0.511,
    0.302,
    0.087,
   -0.624
]

		

Vector เป็นสิ่งที่ระบบจะใช้ในการค้นหาเอกสารที่เกี่ยวข้อง โดย vector ที่มีความหมายใกล้เคียงกัน จะมีตัวเลขที่ใกล้เคียงกัน เมื่อเราต้องการหาเอกสาร ระบบจะดึงเอกสารที่มี vector ใกล้เคียงกับคำถามของเราขึ้นมาให้

ใน LangChain เราสามารถเลือก model ที่จะใช้ embedding ได้ ในตัวอย่าง เราจะใช้ Gemini กัน:

Python

			
# Import packages
import os
from langchain_google_genai import GoogleGenerativeAIEmbeddings
# Get API key
GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")
# Create embedder
document_embedder = GoogleGenerativeAIEmbeddings(
    model="gemini-embedding-001",
    task_type="retrieval_document",
    google_api_key=GEMINI_API_KEY
)

		

หลังจากได้ embedding model แล้ว เราจะสร้าง vector database เพื่อเก็บ vector โดยในตัวอย่างเราจะใช้ FAISS database:

Python

			
# Import package
from langchain_community.vectorstores import FAISS
# Build vector DB
vectorstore = FAISS.from_documents(
    documents=chunks,
    embedding=document_embedder
)

		

สังเกตว่า เราใส่ document_embedder ไปใน vector database ด้วย เพื่อแปลง chunk เป็น vector และเก็บลงใน database

🔎 Step 4. Create a Retriever

ในขั้นที่ 4 เราจะสร้าง retriever ที่ทำหน้าที่ค้นหา vector โดยใช้ .as_retriever() แบบนี้:

Python

			
# Creater retriever
retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 2}
)

		

เราสามารถทดสอบ retriever เพื่อดูว่า จะได้เอกสารอะไรกลับมา ได้แบบนี้:

Python

			
# Test retriever
question = "Do I need a medical certificate for sick leave?"
relevant_docs = retriever.invoke(question)
for i, doc in enumerate(relevant_docs, start=1):
    print(f"Retrieved chunk {i}")
    print("Source:", doc.metadata["source"])
    print(doc.page_content)
    print("-" * 60)

		

ผลลัพธ์:

			
Retrieved chunk 1
Source: documents/leave_policy.txt
DataWise Co. Leave Policy
Full-time employees receive 10 days of annual leave per year after completing probation.
Employees receive 15 days of paid sick leave per year.
Sick leave of 3 consecutive days or more requires a medical certificate.
Employees should submit annual leave requests at least 7 days in advance through the HR system.
Unused annual leave can be carried over for up to 5 days into the next calendar year.
------------------------------------------------------------
Retrieved chunk 2
Source: documents/compensation_policy.txt
DataWise Co. Compensation Policy
Salary is paid on the last working day of each month.
Performance bonuses are reviewed once per year in December.
Employees may receive an annual salary adjustment based on company performance, individual performance, and market benchmarks.
Overtime pay is available only for non-managerial employees and must be approved by a manager before the overtime work begins.
------------------------------------------------------------

		

🤖 Step 5. Generate a Response

ในขั้นสุดท้าย เราจะให้ LLM สร้างคำตอบโดยใช้ข้อมูลใน vector database

ในตัวอย่างเราจะลองใช้ Gemini ช่วยคิดคำตอบให้กับเรา

เราจะเริ่มจากเชื่อมต่อกับ Gemini และสร้าง prompt ก่อน:

Python

			
# Import packages
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_core.prompts import ChatPromptTemplate
# Initialise Gemini
llm = ChatGoogleGenerativeAI(
    model="gemini-2.5-flash",
    temperature=0,
    google_api_key=GEMINI_API_KEY
)
# Create prompt template
prompt = ChatPromptTemplate.from_template("""
You are an HR policy assistant.
Answer the user's question using only the policy context below.
Rules:
- Do not use outside knowledge.
- If the answer is not in the context, say:
  "I could not find this information in the available company policies."
- Keep the answer concise.
- Mention the source policy file when possible.
Policy context:
{context}
User question:
{question}
""")

		

จากนั้น กำหนดคำถามและดึงเอกสารที่เกี่ยวข้องจาก vector database

Python

			
# Ask a question
question = "Do I need a medical certificate for sick leave?"
# Retrieve relevant document chunks
relevant_docs = retriever.invoke(question)
# Combine retrieved chunks into one context string
context = "\n\n".join(
    [
        f"Source: {doc.metadata['source']}\n"
        f"{doc.page_content}"
        for doc in relevant_docs
    ]
)
# Inspect retrieved context before sending it to Gemini
print("Retrieved context:")
print(context)

		

ผลลัพธ์:

			
Retrieved context:
Source: documents/leave_policy.txt
DataWise Co. Leave Policy
Full-time employees receive 10 days of annual leave per year after completing probation.
Employees receive 15 days of paid sick leave per year.
Sick leave of 3 consecutive days or more requires a medical certificate.
Employees should submit annual leave requests at least 7 days in advance through the HR system.
Unused annual leave can be carried over for up to 5 days into the next calendar year.
Source: documents/compensation_policy.txt
DataWise Co. Compensation Policy
Salary is paid on the last working day of each month.
Performance bonuses are reviewed once per year in December.
Employees may receive an annual salary adjustment based on company performance, individual performance, and market benchmarks.
Overtime pay is available only for non-managerial employees and must be approved by a manager before the overtime work begins.

		

แล้วส่งข้อมูลคำถามและเอกสารให้กับ Gemini:

Python

			
# Add context and question to prompt template
messages = prompt.invoke(
    {
        "context": context,
        "question": question
    }
)
# Send prompt to Gemini
response = llm.invoke(messages)
# Print Gemini's answer
print(response.content)

		

ผลลัพธ์:

			
Yes, sick leave of 3 consecutive days or more requires a medical certificate. (Source: documents/leave_policy.txt)

เพื่อให้เราใช้งาน RAG pipeline ได้ง่าย เราสามารถแปลงโค้ดชุดนี้ให้เป็น function ได้:

Python

			
# Convert to function
def ask_policy_question(question: str) -> str:
    """
    Retrieve relevant policy chunks, send them to Gemini,
    and return Gemini's answer.
    """
    # Retrieve relevant chunks
    relevant_docs = retriever.invoke(question)
    # Combine retrieved chunks into context
    context = "\n\n".join(
        [
            f"Source: {doc.metadata['source']}\n"
            f"{doc.page_content}"
            for doc in relevant_docs
        ]
    )
    # Add context and question to prompt template
    messages = prompt.invoke(
        {
            "context": context,
            "question": question
        }
    )
    # Send completed prompt to Gemini
    response = llm.invoke(messages)
    # Return answer text
    return response.content

		

เพื่อที่เราจะเขียนโค้ดสั้นลงในครั้งถัด ๆ ไป:

Python

# Test function
answer = ask_policy_question("Who is eligible for health insurance?")
print(answer)

ผลลัพธ์:

			
Full-time employees receive health insurance after completing probation. (Source: documents/benefits_policy.txt)

💪 Summary

ในบทความนี้ เราได้เรียนรู้การสร้าง RAG pipeline ด้วย LangChain ใน 5 ขั้นตอน:

Load documents: โหลดเอกสารสำหรับ RAG pipeline
Split text: แบ่ง text ในเอกสารเป็น chunk
Embed and store chunks: แปลง chunk เป็น vector และเก็บลงใน database
Create a retriever: สร้างตัวค้นหาเอกสารจาก vector database
Generate a response: สร้างคำตอบจากเอกสาร

😺 GitHub

ดูตัวอย่าง code และเอกสารทั้งหมดได้ที่ GitHub

📃 References

02.07.2026