นิยามภาพใหญ่ การขยับจาก Prompt-and-Hope ไปสู่ระบบ AI แบบมีโครงสร้าง
การออกแบบระบบ AI ยุคใหม่คือการเปลี่ยนจากการส่ง prompt ยาวเข้าโมเดลแล้วหวังให้ได้คำตอบที่ดี ไปสู่การสร้างโครงสร้างแบบกราฟที่แยกส่วนการคิดของโมเดลออกจากสถาปัตยกรรมที่กำหนดลำดับงานและสถานะให้แน่นอน ทำให้ Enterprise AI workflows มีเส้นทางข้อมูลและการตัดสินใจที่ตรวจสอบ ทดสอบ และคาดเดาได้มากขึ้น พร้อมรองรับการขยายตัวและการควบคุมต้นทุนการคำนวณในระดับองค์กร การเปลี่ยนแปลงนี้เกิดจากวิกฤตของแนวทาง prompt-and-hope ที่สร้างระบบเหมือนกล่องดำ แปะ context ยาว ๆ แล้วปล่อยให้โมเดลตัดสินใจเอง ส่งผลให้เกิดข้อผิดพลาดสะสม การตีความหลุด และการขาดความน่าเชื่อถือเชิงธุรกรรม แนวคิด Inference-Time Scaling จึงเสนอให้เรา “จ่ายเพื่อการคิด” แทนที่จะพึ่งจำนวนโทเคนใน context window เพียงอย่างเดียว และใช้ Graph Engineering AI เป็นโครงหลักให้งานเดินอย่างมีแบบแผน
Graph Engineering ไม่ใช่ Knowledge Graph หรือ GraphRAG แล้วแต่ละอย่างทำหน้าที่อะไรในระบบองค์กร
สาระสำคัญของ Graph Engineering คือการออกแบบระบบ AI Agent ให้อยู่ในรูปของกราฟงานที่วาดไว้ล่วงหน้า นึกภาพผังองค์กรที่แต่ละโหนดคือขั้นตอนงาน บางโหนดใช้โมเดลคิดในฐานะ Agent Node บางโหนดเป็น Function Node ที่ให้ผลลัพธ์แบบกำหนดได้แน่นอนโดยไม่ต้องเรียกโมเดลเลย แล้วเชื่อมโหนดทั้งหมดเป็นเส้นทางแก้ปัญหาที่ชัดเจน เมื่อสร้างระบบหลาย Agent ด้วยเครื่องมือประเภท ADK ทุก Agent จะแชร์สถานะเดียวกัน ข้อมูลและบริบทจึงส่งต่อไปตามกราฟโดยไม่ต้องให้แต่ละโหนดตามหาข้อมูลเอง จุดที่คนสับสนมากคือคิดว่า Graph Engineering คือ Knowledge graphs หรือ GraphRAG ทั้งที่จริงพูดคนละเรื่อง เส้นแบ่งที่ชัดคือ Knowledge graphs สนใจที่ข้อมูลว่าแต่ละชิ้นสัมพันธ์กันอย่างไร ส่วน Graph Engineering สนใจพฤติกรรมของระบบว่าอะไรเข้ามาก่อน เรียงลำดับอย่างไร แล้วเกิดอะไรขึ้นต่อ ส่วน GraphRAG คือแนวคิดที่ใช้กราฟความรู้แบบเชิงความหมายเป็นหน่วยความจำภายนอก ให้โมเดลทำหน้าที่เหมือนตัวประมวลผลที่อ่านเขียนกราฟแทนการยัดทุกอย่างเข้า vector search แบน ๆ
Traditional, Vectorless และ Hybrid RAG ทำไมองค์กรควรเลิกใช้สถาปัตยกรรมแบบเดียวทุกงาน
ในโลกของ Enterprise AI workflows เวลาทีมจะสร้างระบบ Retrieval-Augmented Generation มักหยิบ Traditional RAG ที่ใช้ฐานข้อมูลเวกเตอร์มาเป็นค่าเริ่มต้นโดยไม่คิดมาก เพราะเป็นแบบที่มีตัวอย่างเยอะที่สุด แต่ในผลิตจริง เราเจอทั้งต้นทุนฝังเวกเตอร์ ความหน่วงจากการค้นและการ rerank กลยุทธ์ตัดแบ่งเอกสารที่ยุ่งยาก และภาระดูแล vector store ซึ่งอาจไม่คุ้มกับคุณภาพการดึงข้อมูลที่ได้ Vectorless RAG ที่ใช้การค้นเชิงคำศัพท์ การกรองด้วย SQL การดึงข้อมูลผ่าน API หรือการเดินกราฟ กลับเหมาะกว่าเมื่อข้อมูลมีโครงสร้างชัด เช่น log ระบบหรือฐานข้อมูลธุรกรรม ให้ต้นทุนโครงสร้างและความหน่วงต่ำกว่าอย่างชัดเจน ส่วน Hybrid RAG architecture ผสานทั้ง vector search และ lexical search แล้วรวมผล ลบซ้ำ และ rerank หลักฐานก่อนส่งให้โมเดล แนวทางนี้เป็นค่าเริ่มต้นที่ใช้งานได้ดีในผลิตเมื่อรูปแบบคำถามหลากหลาย เพราะไม่บังคับให้ระบบคิดแบบเดียวทุกเคส
Knowledge Graphs และ GraphRAG การจัดระเบียบความรู้ให้ AI เดินตามเส้นทางที่คาดเดาได้
Knowledge graphs คือการแทนข้อมูลเป็นเครือข่ายของเอนทิตีที่เชื่อมกันด้วยความสัมพันธ์ ไม่ใช่แค่สตริงของข้อความ หน่วยความรู้พื้นฐานเรียกว่า triple ประกอบด้วยประธาน ความสัมพันธ์ และกรรม เช่น คนหนึ่งคนอาศัยอยู่ในเมืองหนึ่ง เป็นพนักงานขององค์กรหนึ่ง หรือเลี้ยงสัตว์ตัวหนึ่ง ในเชิงกราฟ เอนทิตีคือ nodes และความสัมพันธ์คือ edges เมื่อเชื่อม triple จำนวนมากเข้าด้วยกัน เราได้โครงสร้างข้อมูลที่ทั้งคนและระบบ AI สามารถเดินและตั้งคำถามเชิงความเชื่อมโยงได้ โครงแบบนี้แทรกอยู่ทั่วเทคโนโลยีรายวัน ทั้งผลลัพธ์ค้นหา ระบบแนะนำสินค้าและคอนเทนต์ การเตือนการทุจริต และผู้ช่วย AI ที่ใช้กราฟความรู้เพื่อเชื่อมคน เนื้อหา และเหตุการณ์ ในบริบทของ GraphRAG เราเลิกพึ่ง context window ยาว ๆ แล้วหันมาสร้าง external memory แบบกราฟ ให้โมเดลถามกราฟว่าควรอ่านข้อมูลส่วนไหนแทนการย่อยทุกอย่างทีเดียว แนวคิดนี้เปลี่ยนกราฟให้เป็นเหมือนฮาร์ดดิสก์เชิงความหมายของระบบ และให้โมเดลเป็นตัวประมวลผลที่อ่านเขียนได้อย่างมีสเตตและเส้นทางชัดเจน
จากระบบรีวิวโค้ดถึงประกันภัย Graph Engineering และ Hybrid RAG ในงานจริง
สิ่งที่ทำให้ Graph Engineering AI น่าสนใจในองค์กรไม่ใช่ทฤษฎี แต่คือเวิร์กโฟลว์ที่จับต้องได้ เช่นระบบรีวิว Pull Request ซึ่งขั้นตอนงานชัดอยู่แล้วว่าต้องตรวจอะไรบ้างก่อนหลัง เมื่อรู้เวิร์กโฟลว์ล่วงหน้า จึงวาดกราฟออกมาได้ทันที ให้แต่ละโหนดเป็น Agent หรือฟังก์ชันที่รับผิดชอบงานเฉพาะ ทำให้การรีวิวอัตโนมัติมีลำดับ ตรวจสอบได้ และไม่หลุดไปจากแนวทางทีม อีกด้านหนึ่ง บริษัทประกันภัยระดับโลกสร้างระบบ Traditional RAG บนเอกสารกรมธรรม์นับหมื่นฉบับ ลูกค้าถามด้วยภาษาธรรมชาติแบบไม่มีคำตรงกับเงื่อนไขในเอกสาร ระบบใช้ semantic similarity บนเวกเตอร์เพื่อดึงข้อกำหนดที่เกี่ยวข้องออกมาได้อย่างถูกต้อง เมื่อองค์กรเริ่มรวม Hybrid RAG architecture เข้ากับ GraphRAG systems และสถาปัตยกรรมแบบ event-driven state machine ที่แยกกลไกการคิดของโมเดลออกจากเครื่องจักรสถานะของระบบ เราจึงได้ Enterprise AI workflows ที่ทดสอบได้ ตรวจสอบได้ และขยายสเกลได้ตามความต้องการของธุรกิจ
