ค..ตนดูระบบคอม

เริ่มต้น neo4jaura Neo4j Aura เป็นบริการ Neo4j แบบ Cloud-managed ซึ่งมี AuraDB สำหรับจัดเก็บ Knowledge Graph และสามารถนำไปสร้าง GraphRAG/AI Agent ได้ GraphRAG คือแนวทาง RAG ที่นำ Knowledge Graph + Graph Database + Vector Search + LLM มาทำงานร่วมกัน เพื่อให้การ Retrieval เข้าใจทั้ง “ข้อมูล” และ “ความสัมพันธ์ระหว่างข้อมูล” ได้ดีขึ้น Neo4j มี GraphRAG Python package (neo4j-graphrag) ซึ่งรองรับตั้งแต่การสร้าง Knowledge Graph จากข้อมูล ไปจนถึง Vector Retrieval, Cypher-based Retrieval, Hybrid Retrieval และ GraphRAG pipeline จุดเด่นคือสามารถผสม Vector Search + Graph Traversal + Cypher เพื่อดึง Context ที่เกี่ยวข้องมากกว่าเพียงการค้นหา Text Chunk แบบ RAG ทั่วไป Basic GraphRAG Patterns Basic Retriever Pattern Matching Cypher Templates Graph-Enhanced Vector Search Metadata Filtering Parent-Child Retriever Advanced GraphRAG patterns Dynamic Cypher Generation Global Community Summary Retriever Local Retriever Hypothetical Question Retriever Knowledge Graph Models Domain Graph Lexical Graph Parent-...

เมื่อเราพูดถึง Local LLM หลายคนมักโฟกัสอยู่ที่ตัวโมเดล เช่น Gemma, Qwen หรือ Llama และคิดว่าเพียงดาวน์โหลดโมเดลมาไว้ในเครื่องก็สามารถสร้าง AI Application ได้ทันที แต่ในระบบจริง LLM ไม่ได้ทำงานอยู่เพียงลำพัง AI Application ที่มีความสามารถมากขึ้นจำเป็นต้องจัดการทั้ง Conversation, Document, User Data, Embedding, Vector Search, Memory และข้อมูลจากระบบภายนอก คำถามจึงเกิดขึ้นว่า ถ้าเราต้องการสร้าง Local AI Server บน Raspberry Pi 5 เราควรออกแบบ Database อย่างไร? คำตอบคือ เราไม่ควรคิดว่า “LLM Database” คือ Database ที่เอาโมเดล LLM ไปเก็บไว้ใน Database แต่ควรคิดว่า Database คือ Memory Layer ของระบบ AI 1. LLM ไม่ใช่ Database สิ่งแรกที่ต้องเข้าใจก่อนคือ LLM ≠ Database LLM มีหน้าที่หลักในการประมวลผลภาษาและสร้างคำตอบจาก Context ที่ได้รับ ตัวอย่างเช่น User   ↓ Question   ↓ LLM   ↓ Answer แต่ถ้าถามว่า “เอกสารบริษัทฉบับล่าสุดระบุว่าอะไร?” LLM อาจไม่มีข้อมูลนั้นอยู่ใน Model Weight เราจึงต้องมีระบบสำหรับค้นหาข้อมูล แล้วนำข้อมูลที่เกี่ยวข้องส่งเข้าไปใน Prompt นี่คือ...