ค..ตนดูระบบคอม

A Systematic Literature Review of Retrieval-Augmented Generation: Techniques, Metrics, and Challenges ผู้วิจัย: — ตีพิมพ์: 12 ธันวาคม 2025  Uplift-RAG: Uplift-Driven Knowledge Preference Alignment for Retrieval-Augmented Generation ผู้วิจัย: Peng, Violet และคณะ ตีพิมพ์: พฤศจิกายน 2025  A Survey of RAG-Reasoning Systems in Large Language Models ผู้วิจัย: — ตีพิมพ์: พฤศจิกายน 2025  CoT-RAG: Integrating Chain of Thought and Retrieval-Augmented Generation to Enhance Reasoning in Large Language Models ผู้วิจัย: — ตีพิมพ์: พฤศจิกายน 2025  More Documents, Same Length: Isolating the Challenge of Multiple Documents in RAG ผู้วิจัย: Shahar Levy, Nir Mazor, Lihi Shalmon, Michael Hassid, Gabriel Stanovsky ตีพิมพ์: พฤศจิกายน 2025  The RAG Paradox: A Black-Box Attack Exploiting Unintentional Vulnerabilities in Retrieval-Augmented Generation Systems ผู้วิจัย: Chanwoo Choi, Jinsoo Kim, Sukmin Cho, Soyeong Jeong, Buru Chang ตีพิมพ์: พฤศจิกายน 2025...

  RAG Engineering: จากการ “ค้นข้อมูล” สู่การสร้างระบบ AI ที่ตอบจากความรู้จริง ในยุคที่ LLM สามารถสร้างคำตอบได้แทบทุกเรื่อง ปัญหาสำคัญไม่ได้อยู่ที่ว่า AI ฉลาดพอหรือไม่ แต่อยู่ที่ว่า AI กำลังตอบจาก “ความรู้ที่เราต้องการ” หรือกำลังเดาคำตอบจากสิ่งที่มันเคยเรียนรู้มา? นี่คือเหตุผลที่ RAG — Retrieval-Augmented Generation กลายเป็นหนึ่งในสถาปัตยกรรมสำคัญของระบบ AI ในองค์กร แต่ RAG ที่ใช้งานจริงไม่ได้จบเพียงการนำเอกสารไปทำ Embedding แล้วค้นหา Vector ที่ใกล้ที่สุด สิ่งที่กำลังเกิดขึ้นคือการเปลี่ยนจาก RAG Application ไปสู่ศาสตร์ที่เรียกว่า RAG Engineering 1. RAG คืออะไร? RAG คือสถาปัตยกรรมที่ให้ LLM ดึงข้อมูลจากแหล่งความรู้ภายนอกก่อนสร้างคำตอบ โครงสร้างพื้นฐานสามารถอธิบายได้ง่าย ๆ ว่า User   ↓ Query   ↓ Retriever   ↓ Relevant Documents   ↓ Context   ↓ LLM   ↓ Answer แทนที่จะถาม LLM โดยตรงว่า "นโยบายการลาของบริษัทคืออะไร?" ระบบ RAG จะค้นเอกสารที่เกี่ยวข้องก่อน เช่น Employee Handbook HR Policy Leave Policy Company Regulations แล้วส่...