สร้างระบบถาม-ตอบอัตโนมัติจากเอกสารด้วย Claude Opus 4.7 — คู่มือฉบับสมบูรณ์สำหรับมือใหม่

ในยุคที่ข้อมูลท่วมท้น การมีระบบที่ตอบคำถามจากเอกสารของคุณอัตโนมัติเป็นเรื่องที่ต้องมี บทความนี้จะพาคุณสร้างระบบ Knowledge Base Q&A ตั้งแต่เริ่มต้น ไม่ต้องมีความรู้โค้ดดิ้งมาก่อนก็ทำได้

ระบบ Knowledge Base Q&A คืออะไร

ลองนึกภาพว่าคุณมีเอกสารคู่มือองค์กร 100 หน้า แทนที่จะต้องอ่านทั้งหมด ระบบนี้จะช่วยให้คุณถามคำถามเป็นภาษาธรรมชาติ แล้วได้คำตอบที่ถูกต้องพร้อมอ้างอิงจากเอกสารต้นฉบับ

เตรียมพร้อมก่อนเริ่มต้น

• คอมพิวเตอร์ที่ติดตั้ง Python 3.8 ขึ้นไป
• บัญชี สมัครที่นี่ สำหรับใช้งาน Claude Opus 4.7 — ราคาเพียง $0.42/ล้านตัวอักษร ประหยัดกว่า 85%
• เอกสารที่ต้องการให้ระบบเรียนรู้ (รองรับ PDF, TXT, DOCX)

ขั้นตอนที่ 1 — ติดตั้งโปรแกรมที่จำเป็น

เปิดหน้าต่าง Command Prompt (Windows) หรือ Terminal (Mac/Linux) แล้วพิมพ์คำสั่งด้านล่าง

pip install anthropic openai python-dotenv langchain-community pypdf python-docx

รอสักครู่จนติดตั้งเสร็จ จะเห็นข้อความ Successfully installed

ขั้นตอนที่ 2 — สร้างโฟลเดอร์สำหรับโปรเจกต์

สร้างโฟลเดอร์ใหม่ชื่อ knowledge_qa แล้วสร้างไฟล์ .env เพื่อเก็บคีย์ลับ

# สร้างโฟลเดอร์
mkdir knowledge_qa
cd knowledge_qa

สร้างไฟล์ .env
touch .env  # Mac/Linux
หรือสร้างไฟล์ .env ด้วย Notepad บน Windows

ขั้นตอนที่ 3 — ตั้งค่า API Key

เปิดไฟล์ .env ที่สร้างไว้ แล้วใส่คีย์ API ของคุณ

HOLYSHEEP_API_KEY=YOUR_HOLYSHEEP_API_KEY

หมายเหตุ: หากยังไม่มีคีย์ ให้ไปที่ สมัครที่นี่ เพื่อรับเครดิตฟรีเมื่อลงทะเบียน ระบบรองรับการชำระเงินผ่าน WeChat และ Alipay

ขั้นตอนที่ 4 — เขียนโค้ดระบบ Knowledge Base

สร้างไฟล์ main.py แล้วคัดลอกโค้ดด้านล่างนี้ไปวาง

import os
from dotenv import load_dotenv
from anthropic import Anthropic
from langchain_community.document_loaders import PyPDFLoader, TextLoader, Docx2txtLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings

โหลดคีย์จากไฟล์ .env
load_dotenv()

ตั้งค่า Claude API ผ่าน HolySheep
client = Anthropic(
    base_url="https://api.holysheep.ai/v1",
    api_key=os.getenv("HOLYSHEEP_API_KEY")
)

def load_documents(folder_path="documents"):
    """โหลดเอกสารทั้งหมดจากโฟลเดอร์"""
    documents = []
    
    for file in os.listdir(folder_path):
        file_path = os.path.join(folder_path, file)
        
        if file.endswith(".pdf"):
            loader = PyPDFLoader(file_path)
        elif file.endswith(".txt"):
            loader = TextLoader(file_path)
        elif file.endswith(".docx"):
            loader = Docx2txtLoader(file_path)
        else:
            continue
            
        documents.extend(loader.load())
    
    return documents

def create_knowledge_base(documents):
    """สร้างฐานความรู้จากเอกสาร"""
    # แบ่งเอกสารเป็นส่วนย่อย
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200
    )
    chunks = text_splitter.split_documents(documents)
    
    # สร้าง Vector Store (ใช้ OpenAI Embeddings ผ่าน HolySheep)
    embeddings = OpenAIEmbeddings(
        base_url="https://api.holysheep.ai/v1",
        api_key=os.getenv("HOLYSHEEP_API_KEY")
    )
    
    vectorstore = Chroma.from_documents(
        documents=chunks,
        embedding=embeddings,
        persist_directory="vector_db"
    )
    
    return vectorstore

def ask_question(question, vectorstore, top_k=3):
    """ถามคำถามและรับคำตอบ"""
    # ค้นหาเอกสารที่เกี่ยวข้อง
    docs = vectorstore.similarity_search(question, k=top_k)
    context = "\n\n".join([doc.page_content for doc in docs])
    
    # ส่งคำถามไปยัง Claude
    response = client.messages.create(
        model="claude-opus-4.7",
        max_tokens=1024,
        messages=[
            {
                "role": "user",
                "content": f"ตอบคำถามต่อไปนี้โดยอ้างอิงจากเอกสารที่ให้มา:\n\nเอกสาร:\n{context}\n\nคำถาม: {question}"
            }
        ]
    )
    
    return response.content[0].text, docs

if __name__ == "__main__":
    # สร้างโฟลเดอร์เอกสาร
    os.makedirs("documents", exist_ok=True)
    
    # โหลดและสร้างฐานความรู้
    print("กำลังโหลดเอกสาร...")
    docs = load_documents()
    print(f"พบเอกสาร {len(docs)} ฉบับ")
    
    print("กำลังสร้างฐานความรู้...")
    vectorstore = create_knowledge_base(docs)
    print("พร้อมใช้งานแล้ว!")
    
    # ทดสอบถามคำถาม
    while True:
        question = input("\nพิมพ์คำถามของคุณ (พิมพ์ 'exit' เพื่อออก): ")
        if question.lower() == "exit":
            break
        
        answer, sources = ask_question(question, vectorstore)
        print(f"\nคำตอบ: {answer}")
        print(f"\nแหล่งอ้างอิง: {len(sources)} รายการ")

ขั้นตอนที่ 5 — เพิ่มเอกสารและทดสอบ

วางไฟล์เอกสารที่ต้องการให้ระบบเรียนรู้ไว้ในโฟลเดอร์ documents จากนั้นรันโปรแกรม

# รันโปรแกรม
python main.py

ผลลัพธ์ที่คาดหวัง:
กำลังโหลดเอกสาร...
พบเอกสาร 5 ฉบับ
กำลังสร้างฐานความรู้...
พร้อมใช้งานแล้ว!
#
พิมพ์คำถามของคุณ: นโยบายการลางานเป็นอย่างไร
#
คำตอบ: ตามเอกสารที่ 3 ระบุว่า...

เพิ่มประสิทธิภาพการทำงาน

หากต้องการให้ระบบตอบได้แม่นยำขึ้น สามารถปรับแต่งค่าต่างๆ ได้ดังนี้

• chunk_size: ปรับความยาวของแต่ละส่วน ยิ่งเล็กยิ่งแม่นยำแต่ใช้เนื้อที่มากขึ้น
• top_k: จำนวนเอกสารที่นำมาอ้างอิง ค่าเริ่มต้นคือ 3
• max_tokens: ความยาวสูงสุดของคำตอบ ปรับตามความต้องการ

ข้อผิดพลาดที่พบบ่อยและวิธีแก้ไข

กรณีที่ 1: "API key not found"

สาเหตุ: ไฟล์ .env ไม่ได้อยู่ในตำแหน่งเดียวกับ main.py

# วิธีแก้ไข: ย้ายไฟล์ .env ไปไว้ในโฟลเดอร์เดียวกับ main.py
และตรวจสอบว่าคีย์ถูกต้อง

ตรวจสอบว่าไฟล์ .env อยู่ที่ไหน
ls -la  # บน Mac/Linux
dir    # บน Windows

กรณีที่ 2: "Rate limit exceeded"

สาเหตุ: ส่งคำขอเร็วเกินไป หรือใช้งานเกินโควต้า

# วิธีแก้ไข: เพิ่ม delay ระหว่างการค้นหา
import time

def ask_question(question, vectorstore, top_k=3):
    time.sleep(1)  # รอ 1 วินาทีระหว่างคำถาม
    
    # ... โค้ดเดิมต่อ

กรณีที่ 3: ไม่พบเอกสารในโฟลเดอร์

สาเหตุ: ไฟล์เอกสารอยู่ในตำแหน่งผิด หรือไม่ได้สร้างโฟลเดอร์ documents

# วิธีแก้ไข: สร้างโฟลเดอร์ documents และใส่ไฟล์ลงไป
ตรวจสอบว่ามีไฟล์อะไรบ้าง
import os
os.makedirs("documents", exist_ok=True)
print("โฟลเดอร์ documents พร้อมแล้ว วางไฟล์ลงไปได้เลย")

กรณีที่ 4: คำตอบไม่ตรงประเด็น

สาเหตุ: chunk_overlap น้อยเกินไป ทำให้ข้อมูลสูญหาย

# วิธีแก้ไข: เพิ่มค่า chunk_overlap
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,        # ลดขนาดลง
    chunk_overlap=100,      # เพิ่ม overlap ขึ้น
    length_function=len
)

สรุป

คุณได้เรียนรู้วิธีสร้างระบบถาม-ตอบอัตโนมัติจากเอกสารด้วย Claude Opus 4.7 ผ่าน HolySheep AI โดยใช้งบประมาณเพียง $0.42/ล้านตัวอักษร ระบบตอบสนองได้ภายใน 50 มิลลิวินาที ประหยัดกว่า 85% เมื่อเทียบกับบริการอื่น

ข้อดีหลักของการใช้งานผ่าน HolySheep AI คือ ความเร็วในการตอบสนองที่ต่ำกว่า 50 มิลลิวินาที และราคาที่เป็นมิตรกับนักพัฒนา เหมาะสำหรับผู้ที่ต้องการสร้างระบบ Knowledge Base คุณภาพสูงโดยไม่ต้องลงทุนมาก

👉 สมัคร HolySheep AI — รับเครดิตฟรีเมื่อลงทะเบียน