690519:0819 Prepare refactor AI [skip ci]

2026-05-19 08:19:40 +07:00
parent 7e6ad0d346
commit 3e25097470
25 changed files with 1307 additions and 59916 deletions
@@ -0,0 +1,421 @@
+🧠 🎯 เป้าหมาย: AI DMS (Document Management System อัจฉริยะ)
+
+> จาก “เก็บเอกสาร” → กลายเป็น “ผู้ช่วยควบคุมเอกสาร”
+
+---
+
+🏗️ 1. Architecture ภาพรวม
+
+[User]
+↓
+(Web UI / Chat UI)
+↓
+AI Agent Layer  ← (หัวใจ)
+↓
+
+|  RAG Engine (ค้นหาเอกสาร)
+|  Workflow Engine (RFA logic)
+|  Tool Layer (DB / File / API)
+
+↓
+[Database + File Storage]
+
+---
+
+🔥 2. Core Components (ต้องมี)
+
+2.1 AI Agent (สมอง)
+
+ใช้แนวคิดจาก:
+
+LangChain / OpenClaw / CrewAI
+
+💡 ทำอะไร:
+
+เข้าใจคำถาม user
+
+ตัดสินใจว่าจะ:
+
+query DB
+
+search document
+
+run workflow
+
+
+---
+
+2.2 RAG System (ค้นหาเอกสาร)
+
+💡 ใช้:
+
+vector DB (เช่น Qdrant / Chroma)
+
+💡 ทำอะไร:
+
+search PDF / Drawing / Spec
+
+ตอบคำถามจาก content
+
+👉 use case:
+
+“Drawing A-101 revision ล่าสุดคืออะไร”
+
+“RFA นี้เกี่ยวข้องกับ drawing ไหน”
+
+
+---
+
+2.3 Tool Layer (สำคัญมาก)
+
+AI จะไม่เก่งถ้าไม่มี tools
+
+tools ที่ต้องมี:
+
+get_rfa(id)
+
+get_drawings_by_rfa(rfa_id)
+
+get_latest_revision(drawing_code)
+
+search_documents(query)
+
+get_transmittal_history()
+
+👉 ตรงนี้ = bridge ระหว่าง AI กับ DB จริงของคุณ
+
+
+---
+
+2.4 Workflow Engine (logic ธุรกิจ)
+
+💡 ไม่ให้ AI มั่ว
+
+เช่น:
+
+RFA status flow
+
+approval logic
+
+revision control
+
+👉 AI = “ช่วยคิด”
+👉 workflow = “ของจริง”
+
+
+---
+
+2.5 File Storage
+
+เก็บไฟล์จริง (PDF, DWG)
+
+version control
+
+naming convention
+
+👉 ตรงกับ backlog คุณข้อ 9 พอดี
+
+
+---
+
+⚙️ 3. Database Design (ต่อยอดของเดิมคุณ)
+
+คุณมีอยู่แล้ว:
+
+RFAs
+
+Drawings
+
+Revisions
+
+👉 เพิ่ม:
+
+🧩 ai_embeddings
+
+document_id
+
+chunk_text
+
+vector
+
+🧩 ai_logs
+
+user_query
+
+agent_decision
+
+tool_used
+
+🧩 ai_tasks (optional)
+
+background job
+
+document indexing
+
+
+---
+
+🤖 4. AI Use Cases (ของจริงที่ควรทำ)
+
+🔎 1. Smart Search
+
+> “ขอ drawing structural ล่าสุดของ zone B”
+
+
+
+AI:
+
+เข้าใจ intent
+
+query DB + RAG
+
+
+---
+
+📄 2. Document QA
+
+> “สรุป spec นี้”
+
+
+
+AI:
+
+อ่าน PDF
+
+summarize
+
+
+---
+
+🔗 3. Relationship Mapping
+
+> “RFA นี้เกี่ยวกับ drawing อะไร”
+
+
+
+AI:
+
+join:
+
+rfa → drawing → revision
+
+
+---
+
+📊 4. Timeline Analysis
+
+> “RFA นี้ delay เพราะอะไร”
+
+
+
+AI:
+
+วิเคราะห์ revision timeline
+
+
+---
+
+🧠 5. Auto Classification
+
+upload file → AI tag:
+
+type
+
+discipline
+
+revision
+
+
+---
+
+⚠️ 6. Alert / Assistant
+
+“Drawing นี้ outdated”
+
+“RFA ใกล้ deadline”
+
+
+---
+
+🧩 5. UI Design (สำคัญมาก)
+
+5.1 Hybrid UI
+
+Table (DataTables)
+
+Chat (AI assistant)
+
+[ Table RFAs ]   |   [ AI Chat ]
+|   > RFA ล่าสุดคืออะไร
+|   > Drawing ไหนยังไม่ approve
+
+👉 best of both worlds
+
+
+---
+
+5.2 Drawing Page (โคตรสำคัญ)
+
+แสดง:
+
+revision history
+
+related RFAs
+
+AI summary
+
+
+---
+
+⚡ 6. Tech Stack (แนะนำตรงๆ)
+
+Backend
+
+PHP (ของเดิมคุณ)
+
+Python (AI service)
+
+AI Layer
+
+LangChain หรือ custom agent
+
+Ollama (local) หรือ OpenAI
+
+Vector DB
+
+Qdrant (แนะนำ)
+
+Frontend
+
+DataTables (ตาม backlog)
+
+Chat UI
+
+
+---
+
+🔥 7. Flow การทำงานจริง
+
+📥 Upload Drawing
+
+1. user upload PDF
+
+
+2. system:
+
+
+
+extract text (OCR)
+
+chunk
+
+embed → vector DB
+
+3. AI tag metadata
+
+
+
+
+---
+
+🔎 Query
+
+user:
+
+> “drawing ล่าสุดของ contract นี้”
+
+
+
+AI:
+
+1. เข้าใจ intent
+
+
+2. call tool:
+
+
+
+get_drawings(contract_id)
+
+3. filter revision ล่าสุด
+
+
+4. ตอบ
+
+
+
+
+---
+
+🧠 8. Insight สำคัญ (อย่าพลาด)
+
+❌ อย่าทำแบบนี้
+
+ให้ AI query DB ตรงๆ
+
+ให้ AI ตัดสินใจ workflow
+
+✅ ต้องทำแบบนี้
+
+AI → call function (tool)
+
+system → validate logic
+
+
+---
+
+🚀 9. Roadmap (ทำจริง)
+
+Phase 1 (2–4 สัปดาห์)
+
+AI chat + query DB
+
+basic tools
+
+Phase 2
+
+RAG (search document)
+
+embedding
+
+Phase 3
+
+automation
+
+alert
+
+classification
+
+
+---
+
+🎯 10. ถ้าจะทำให้ “โหดจริง”
+
+👉 ultimate version:
+
+AI = Document Controller
+
+auto check:
+
+revision mismatch
+
+missing approval
+
+outdated drawing
+
+
+---
+
+💡 สรุปสั้น
+
+AI DMS =
+
+> “AI + Workflow + Document + Database”
+
+
+ไม่ใช่แค่ chatbot
+
+
+---
+
+จากเนื้อหาข้างบน เทียบกับ repo ของผม ขอสรุป แบบละเฮียกทีละข้อ
@@ -0,0 +1,189 @@
+จากการวิเคราะห์ repo `lcbp3` อย่างละเอียด เทียบกับ blueprint AI DMS ของคุณแบบข้อต่อข้อ:
+
+---
+
+## 🔍 สรุปเทียบ Blueprint AI DMS กับ Repo `lcbp3`
+
+---
+
+### 🏗️ 1. Architecture ภาพรวม
+
+| Blueprint | Repo `lcbp3` | สถานะ |
+|---|---|---|
+| Web UI / Chat UI | ✅ Next.js 16.2.0 + shadcn/ui + `RagChatWidget.tsx` | **มีแล้ว** |
+| AI Agent Layer | ✅ `AiService` + `AiRagService` + `AiQueueService` — ใช้ **n8n + Ollama** pipeline ตาม ADR-023 | **มีแล้ว** (คนละ approach) |
+| RAG Engine | ✅ `AiRagService` + `AiQdrantService` (Qdrant vector DB, project-isolated) | **มีแล้ว** |
+| Workflow Engine | ✅ ADR-021 Unified Workflow Engine (DSL-based สำหรับ Correspondences, RFAs, Circulations) | **มีแล้ว** |
+| Tool Layer | ⚠️ มี AI services (embedding, OCR, Ollama, Qdrant, migration) แต่ไม่มี tool functions ที่ blueprint ระบุ (เช่น `get_rfa(id)`, `get_drawings_by_rfa(rfa_id)`) ใน AI module | **บางส่วน** |
+| DB + File Storage | ✅ MariaDB 11.8 + Two-Phase File Storage (Multer + ClamAV) | **มีแล้ว** |
+
+**💡 ความเห็น:** โครงสร้างพื้นฐานตรงตาม blueprint ~85% แต่ AI Agent Layer ใช้ n8n+Ollama แทน LangChain/CrewAI ที่ blueprint แนะนำ ซึ่งเป็น architectural decision ที่ **ถูกต้องแล้ว** สำหรับบริบทของคุณ (local deployment บน QNAP, เน้น privacy, no external API) — ADR-023 รวม ADR-017, 017B, 018, 020, 022 เข้าด้วยกันเป็น Unified AI Architecture
+
+---
+
+### 🔥 2. Core Components (ต้องมี)
+
+#### 2.1 AI Agent (สมอง)
+| Blueprint แนะนำ | Repo จริง | หมายเหตุ |
+|---|---|---|
+| LangChain / OpenClaw / CrewAI | **n8n + Ollama** | ADR-023 เลือก n8n workflow orchestration + Ollama local LLM inference — pragmatic choice สำหรับ QNAP NAS ที่มี RAM 32GB |
+
+**💡 ความเห็น:** n8n เป็น low-code workflow automation ที่ stable กว่า LangChain สำหรับ production use case นี้ และ Ollama รองรับการรัน local LLM บน CPU ได้ดี จุดที่ยังขาดคือ **agentic decision-making** — ตอนนี้ AI ยังไม่สามารถ "ตัดสินใจว่าจะ query DB / search document / run workflow" ได้เอง ต้องต่อยอดจาก n8n workflow + AI services ที่มีอยู่
+
+#### 2.2 RAG System (ค้นหาเอกสาร)
+| Blueprint | Repo | สถานะ |
+|---|---|---|
+| Vector DB (Qdrant/Chroma) | ✅ **Qdrant** — `AiQdrantService` ใช้ `@qdrant/js-client-rest`, collection `lcbp3_vectors`, 768-dim vectors, Cosine distance, **project-isolated** payload filter | **ครบ** |
+| Search PDF/Drawing/Spec | ✅ `AiRagService` — query ผ่าน Ollama + Qdrant, BullMQ-backed async pipeline, Redis caching, TTL 5 นาที, FR-009 (1 active job per user) | **ครบ** |
+| Embedding | ✅ `embedding.service.ts` + Ollama embed model (`nomic-embed-text`) | **มีแล้ว** |
+| Chunking | ⚠️ มี `ai-ingest.service.ts` สำหรับ document ingestion แต่ไม่เห็น chunking strategy ชัดเจน | **ต้องตรวจสอบ** |
+| Use case: "Drawing A-101 revision ล่าสุด" | ❌ ยังไม่เห็น integration ระหว่าง RAG search ↔ drawing module โดยตรง | **ยังไม่มี** |
+
+#### 2.3 Tool Layer
+| Blueprint Tool | Repo | สถานะ |
+|---|---|---|
+| `get_rfa(id)` | ❌ ไม่มีใน AI module (มีใน RFA module แต่ AI เรียกตรงไม่ได้) | **ต้องพัฒนา** |
+| `get_drawings_by_rfa(rfa_id)` | ❌ ไม่มี cross-module tool | **ต้องพัฒนา** |
+| `get_latest_revision(drawing_code)` | ❌ ไม่มีใน AI module | **ต้องพัฒนา** |
+| `search_documents(query)` | ✅ มีผ่าน RAG + Elasticsearch | **มีแล้ว** |
+| `get_transmittal_history()` | ❌ ไม่มี | **ต้องพัฒนา** |
+
+**💡 Insight:** ตรงนี้คือ **gap สำคัญที่สุด** — blueprint บอกว่า tool layer คือ "bridge ระหว่าง AI กับ DB จริง" แต่ repo ตอนนี้ AI module แยกขาดจาก business modules (RFA, Drawing, Transmittal) ตาม ADR-018 AI Boundary Policy (ต่อมาถูกรวมเข้า ADR-023) ที่กำหนดว่า **"Ollama Isolation มี No Direct DB/Storage Access"** — นี่คือ security boundary ที่ดี แต่ต้องสร้าง tool functions เป็น bridge จริงๆ
+
+#### 2.4 Workflow Engine
+| Blueprint | Repo | สถานะ |
+|---|---|---|
+| RFA status flow | ✅ `workflow-engine` module + `rfas` components | **มีแล้ว** |
+| Approval logic | ✅ ADR-021 Integrated Context Workflow | **มีแล้ว** |
+| Revision control | ✅ Drawing module มี revision tracking | **มีแล้ว** |
+
+#### 2.5 File Storage
+| Blueprint | Repo | สถานะ |
+|---|---|---|
+| เก็บไฟล์จริง (PDF, DWG) | ✅ Two-Phase File Storage, Multer + ClamAV virus scanning | **มีแล้ว** |
+| Version control | ✅ Schema v1.8.0 รองรับ | **มีแล้ว** |
+| Naming convention | ✅ Document Numbering (ADR-002, Double-lock mechanism) | **มีแล้ว** |
+
+---
+
+### ⚙️ 3. Database Design
+
+| Blueprint Suggestion | Repo | สถานะ |
+|---|---|---|
+| `ai_embeddings` (document_id, chunk_text, vector) | ✅ Qdrant เก็บ vectors แยกจาก MariaDB, collection `lcbp3_vectors` พร้อม payload (project_public_id, public_id) | **มีแล้ว** (คนละ implementation) |
+| `ai_logs` (user_query, agent_decision, tool_used) | ✅ `ai-audit-log.entity.ts` + `AuditLog` entity — บันทึก AI jobs, callbacks, results | **มีแล้ว** |
+| `ai_tasks` (background job, indexing) | ✅ BullMQ queues (`ai-realtime`, `ai-batch`) + `MigrationLog` entity | **มีแล้ว** |
+| RFAs, Drawings, Revisions | ✅ มีครบทุก module | **มีแล้ว** |
+
+---
+
+### 🤖 4. AI Use Cases (ของจริง)
+
+| Use Case | สถานะใน Repo |
+|---|---|
+| **1. Smart Search** — "ขอ drawing structural ล่าสุดของ zone B" | ⚠️ RAG search มีแล้ว + Elasticsearch แต่ยังไม่รวม intent understanding + cross-module query |
+| **2. Document QA** — "สรุป spec นี้" | ⚠️ `AiRagService` รองรับ Q&A บน document content ผ่าน Ollama — มีพื้นฐานแล้ว |
+| **3. Relationship Mapping** — "RFA นี้เกี่ยวกับ drawing อะไร" | ❌ ยังไม่มี cross-module relationship query |
+| **4. Timeline Analysis** — "RFA นี้ delay เพราะอะไร" | ❌ ยังไม่มี |
+| **5. Auto Classification** — upload file → AI tag | ✅ `ai-ingest.service.ts` + metadata extraction + AI Suggestion (`POST /ai/suggest`) |
+| **6. Alert / Assistant** — "Drawing นี้ outdated", "RFA ใกล้ deadline" | ⚠️ มี `reminder` module + BullMQ queues แต่ยังไม่ integrated กับ AI |
+
+---
+
+### 🧩 5. UI Design
+
+| Blueprint | Repo | สถานะ |
+|---|---|---|
+| Hybrid UI (Table + Chat) | ✅ DataTables-style + `RagChatWidget.tsx` + `rag-search-bar.tsx` + `rag-result-card.tsx` | **มีแล้ว** |
+| Drawing Page (revision history, related RFAs, AI summary) | ✅ Drawing module + revision tracking + AI components (`document-comparison-view.tsx`) | **มีแล้ว** |
+| AI Status Banner | ✅ `AiStatusBanner.tsx` | **มีแล้ว** |
+
+---
+
+### ⚡ 6. Tech Stack
+
+| Blueprint แนะนำ | Repo จริง | หมายเหตุ |
+|---|---|---|
+| **PHP** (ของเดิมคุณ) | **NestJS 11 (TypeScript)** | คุณเปลี่ยน stack ไปแล้ว — repo เป็น TypeScript 87.5% |
+| **Python** (AI service) | **TypeScript + n8n + Ollama** | ไม่มี Python service แยก — AI logic อยู่ใน NestJS module + n8n workflows |
+| **LangChain** | **n8n + custom services** | Architectural decision ที่ pragmatic — n8n เสถียรกว่า LangChain สำหรับ production |
+| **Qdrant** | ✅ `@qdrant/js-client-rest` | ตรงตาม blueprint |
+| **Ollama** | ✅ Ollama บน QNAP NAS | ตรงตาม blueprint |
+| **DataTables + Chat UI** | ✅ shadcn/ui + RagChatWidget | ตรงตาม blueprint |
+
+---
+
+### 🔥 7. Flow การทำงานจริง
+
+**📥 Upload Drawing Flow:**
+```
+User upload → Multer + ClamAV scan → Two-Phase File Storage →
+ai-ingest.service (extract text, OCR, embed) → Qdrant upsert → AI tag metadata
+```
+✅ มีครบตาม blueprint
+
+**🔎 Query Flow:**
+```
+User: "drawing ล่าสุดของ contract นี้" →
+RagChatWidget → AiRagService → Qdrant search → Ollama generate answer →
+แสดงผลพร้อม citations
+```
+⚠️ มี RAG search แต่ยังขาด tool call ไปยัง drawing/contract modules
+
+---
+
+### 🧠 8. Insight สำคัญ — สิ่งที่ทำถูกแล้วและที่ต้องระวัง
+
+| หลักการ | Repo | คะแนน |
+|---|---|---|
+| ❌ อย่าให้ AI query DB ตรงๆ | ✅ ADR-023: Ollama Isolation, No Direct DB Access | **ดีมาก** |
+| ❌ อย่าให้ AI ตัดสินใจ workflow | ✅ Workflow Engine (ADR-021) แยกจาก AI | **ดีมาก** |
+| ✅ AI → call function (tool) | ⚠️ ยังไม่มี tool function layer เชื่อม AI ↔ business modules | **ต้องพัฒนา** |
+| ✅ System → validate logic | ✅ Validation services, RBAC guards, Business Logic Guards (37 edge cases) | **ดีมาก** |
+
+---
+
+### 🚀 9. Roadmap — สถานะเทียบ Blueprint
+
+| Blueprint Phase | Repo Status |
+|---|---|
+| **Phase 1:** AI chat + query DB + basic tools | ✅ v1.9.0 — `RagChatWidget` + RAG search + AI Suggestion endpoints |
+| **Phase 2:** RAG + embedding | ✅ v1.9.2 — Qdrant collection, embedding service, RAG pipeline |
+| **Phase 3:** Automation, alert, classification | 🔄 กำลังพัฒนา — AI Suggest, reminder module, n8n workflows |
+
+---
+
+### 🎯 10. Ultimate Version — "AI = Document Controller"
+
+| ความสามารถ | สถานะ |
+|---|---|
+| Auto check revision mismatch | ❌ ยังไม่มี |
+| Missing approval detection | ❌ ยังไม่มี |
+| Outdated drawing alert | ❌ ยังไม่มี |
+
+---
+
+## 💡 สรุปภาพรวม
+
+**repo `lcbp3` v1.9.2 ของคุณทำไปแล้ว ~70-80% ของ blueprint AI DMS**
+
+### ✅ สิ่งที่มีแล้ว (แข็งแรงมาก):
+- **RAG System** — Qdrant + Ollama + BullMQ pipeline, project-isolated, production-ready
+- **AI Chat UI** — `RagChatWidget` + search bar + result cards
+- **Workflow Engine** — DSL-based, รองรับ RFA, Correspondence, Circulation
+- **File Storage** — Two-phase + virus scanning + version control
+- **AI Boundary** — Security isolation ที่ดี (Ollama ไม่แตะ DB โดยตรง)
+- **Infrastructure** — Docker Compose hardened, Blue-Green Deploy, 0 vulnerabilities
+- **Documentation** — 10/10 Gaps Closed, 23 ADRs, specs ครอบคลุมทุกมิติ
+
+### ❌ สิ่งที่ยังขาด (ตาม blueprint):
+1. **Tool Layer** — ยังไม่มี tool functions เชื่อม AI กับ business modules (`get_rfa`, `get_drawings_by_rfa`, `get_latest_revision` ฯลฯ) — **นี่คือ gap ใหญ่สุด**
+2. **Agentic Decision-Making** — AI ยังตอบได้เฉพาะ RAG search ยังตัดสินใจเองไม่ได้ว่าจะเรียก tool ไหน
+3. **Cross-Module Relationship Mapping** — ยังไม่มี RFA ↔ Drawing ↔ Revision linkage ใน AI context
+4. **Auto Document Controller** — ยังไม่ถึงขั้น AI ตรวจสอบ revision mismatch, missing approval อัตโนมัติ
+
+### 🎯 สิ่งที่ควรทำต่อ (Priority):
+1. **สร้าง Tool Functions** ใน AI module ที่เป็น bridge ไปยัง RFA, Drawing, Transmittal modules — โดยคง security boundary ไว้
+2. **เพิ่ม Intent Routing** — ให้ AI รู้ว่าคำถามแบบไหนควรเรียก tool ไหน (ต่อยอดจาก n8n workflow ที่มี)
+3. **Cross-Module Context** — inject RFA-Drawing-Revision relationships เข้า RAG context
+4. **Alert Engine** — ต่อยอด reminder module + AI classification เพื่อแจ้งเตือนอัจฉริยะ
@@ -0,0 +1,294 @@
+# 🔍 เปรียบเทียบ: AI DMS Architecture Proposal vs. Repo จริง (lcbp3)
+
+> จากแผน "อยากได้" → เทียบกับ "ที่มีอยู่จริง" แบบละเฮียกทีละข้อ 🎯
+
+---
+
+## 🏗️ 1. Architecture ภาพรวม
+
+| ส่วนที่เสนอ | สถานะใน Repo | Gap / ข้อสังเกต |
+|------------|-------------|---------------|
+| **User → Web UI / Chat UI** | ✅ มี Next.js 16 + App Router | ✅ ตรงตามแผน แต่ยังไม่มี "Chat UI" แบบ Dedicated (มีแต่ Table + Form) |
+| **AI Agent Layer** | 🟡 มี `.agents/` + `AGENTS.md` + n8n | ⚠️ เป็น "Agent Toolkit" สำหรับ Dev AI ช่วยเขียนโค้ด **ไม่ใช่** AI Agent ที่รันใน Production สำหรับ User |
+| **RAG Engine** | ✅ มี ADR-022 (Superseded) → ADR-023 | ✅ มีสถาปัตยกรรม RAG แล้ว แต่ยังเป็น "แผน" ในเอกสาร ต้องดูการ Implement จริง |
+| **Workflow Engine** | ✅ มี `workflow-engine/` module + ADR-001/021 | ✅ ตรงตามแผน 100% — DSL-based workflow + Integrated Context |
+| **Tool Layer** | 🟡 มี Services ใน NestJS modules | ⚠️ Tools ยังเป็น "Internal API" ไม่ใช่ "Function Calling Interface" สำหรับ AI โดยตรง |
+| **Database + Storage** | ✅ MariaDB 11.8 + Two-Phase File Storage | ✅ ตรงตามแผน + มี ClamAV + Redis Locking |
+
+👉 **สรุป**: โครงสร้างพื้นฐาน (Infrastructure) พร้อมมาก แต่ "AI Agent Layer" ที่ User คุยด้วยยังต้องพัฒนาเพิ่ม
+
+---
+
+## 🔥 2. Core Components (ต้องมี)
+
+### 2.1 AI Agent (สมอง)
+
+| ที่เสนอ | ที่มีอยู่ | Gap |
+|--------|----------|-----|
+| LangChain / CrewAI | 🟡 ใช้ n8n + Ollama (ADR-023) | ⚠️ n8n เป็น Workflow Orchestrator **ไม่ใช่** Agent Framework แบบ LangChain |
+| เข้าใจคำถาม → ตัดสินใจ → Call Tool | 🟡 มี "AI Boundary" (ADR-023) | ⚠️ ยังไม่มี "Intent Recognition Layer" ที่แยก Query → Tool Routing ชัดเจน |
+
+💡 **แนะนำ**: ถ้าอยากได้ Agent แบบ "ตัดสินใจเอง" อาจต้องเพิ่ม `ai-agent/` module ที่ใช้ LangGraph หรือ Custom Agent Loop
+
+---
+
+### 2.2 RAG System (ค้นหาเอกสาร)
+
+| ที่เสนอ | ที่มีอยู่ | Gap |
+|--------|----------|-----|
+| Vector DB: Qdrant / Chroma | 🟡 มี ADR-023A ระบุใช้ `Qdrant` | ✅ มีในสถาปัตยกรรม แต่ต้องตรวจสอบว่า Deploy แล้วหรือยัง |
+| Search PDF / Drawing / Spec | 🟡 มี Elasticsearch 9.3.4 | ⚠️ Elasticsearch เป็น **Keyword Search** ไม่ใช่ **Vector Search** — ต้องแยกกัน |
+| Use case: "Drawing A-101 revision ล่าสุด" | 🟡 มี `drawing/` module + revision tracking | ✅ Data Model พร้อม แต่ต้องเพิ่ม "Natural Language → Query Translation" |
+
+💡 **จุดสำคัญ**: ต้องแยกให้ชัดระหว่าง:
+- `Elasticsearch` → Full-text search (keyword)
+- `Qdrant` → Vector search (semantic/RAG)
+
+---
+
+### 2.3 Tool Layer (สำคัญมาก) ⭐
+
+| Tool ที่เสนอ | ที่มีอยู่ (NestJS Service) | Gap |
+|-------------|--------------------------|-----|
+| `get_rfa(id)` | ✅ `RfaService.findOne()` | ✅ พร้อม แต่ต้องสร้าง "AI Tool Wrapper" |
+| `get_drawings_by_rfa(rfa_id)` | 🟡 มี Relation ใน Schema | ⚠️ ต้องเขียน Service Method แยกสำหรับ AI Call |
+| `get_latest_revision(drawing_code)` | ✅ มี `DrawingService.getLatestRevision()` | ✅ พร้อม |
+| `search_documents(query)` | ✅ มี `SearchModule` (Elasticsearch) | ⚠️ ต้องเพิ่ม "Vector Search" endpoint สำหรับ RAG |
+| `get_transmittal_history()` | ✅ มี `TransmittalService` | ✅ พร้อม |
+
+💡 **สิ่งที่ต้องทำเพิ่ม**: สร้าง `AiToolsService` ที่:
+```typescript
+// ตัวอย่าง: AI Tool Wrapper
+@Injectable()
+export class AiToolsService {
+  @Tool({ name: 'get_rfa', description: 'Get RFA by ID' })
+  async getRfa(id: string) {
+    return this.rfaService.findOne({ publicId: id });
+  }
+  // ...อื่นๆ
+}
+```
+
+---
+
+### 2.4 Workflow Engine (logic ธุรกิจ)
+
+| ที่เสนอ | ที่มีอยู่ | Gap |
+|--------|----------|-----|
+| RFA status flow | ✅ มี `workflow-engine/` + DSL | ✅ ตรงตามแผน 100% |
+| Approval logic | ✅ มี CASL Guards + State Machine | ✅ พร้อม |
+| Revision control | ✅ มี `revisions` table + locking | ✅ พร้อม |
+| "AI = ช่วยคิด, Workflow = ของจริง" | ✅ มี ADR-023 "AI Boundary" | ✅ ตรงตามหลักการ |
+
+👉 **จุดแข็ง**: ส่วนนี้ทำไว้ดีมากแล้ว — AI ไม่สามารถ "มั่ว" Workflow ได้ เพราะต้องผ่าน DSL Engine
+
+---
+
+### 2.5 File Storage
+
+| ที่เสนอ | ที่มีอยู่ | Gap |
+|--------|----------|-----|
+| เก็บไฟล์จริง (PDF, DWG) | ✅ Two-Phase Storage + ClamAV | ✅ ตรงตามแผน |
+| Version control | ✅ มี `revisions` table + naming convention | ✅ พร้อม |
+| Naming convention | ✅ มี `document-numbering/` module (ADR-002) | ✅ พร้อม |
+
+---
+
+## ⚙️ 3. Database Design
+
+| Table ที่เสนอ | ที่มีอยู่ | Gap |
+|--------------|----------|-----|
+| `ai_embeddings` | 🟡 มีใน ADR-023A (Qdrant) | ⚠️ ต้องสร้าง Collection ใน Qdrant + Sync Job |
+| `ai_logs` | 🟡 มี `monitoring/` module | ⚠️ ต้องเพิ่ม `ai_audit_logs` table สำหรับ tracking AI decisions |
+| `ai_tasks` | 🟡 มี BullMQ (ADR-008) | ✅ สามารถใช้ `ai-batch` queue สำหรับ background jobs |
+
+💡 **แนะนำ**: สร้าง migration script สำหรับ:
+```sql
+-- ตัวอย่าง: ai_audit_logs table
+CREATE TABLE ai_audit_logs (
+  id INT AUTO_INCREMENT PRIMARY KEY,
+  user_public_id BINARY(16),
+  query_text TEXT,
+  agent_decision JSON,
+  tools_used JSON,
+  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
+);
+```
+
+---
+
+## 🤖 4. AI Use Cases (ของจริงที่ควรทำ)
+
+| Use Case | สถานะใน Repo | ความยาก |
+|----------|-------------|---------|
+| 🔎 Smart Search | 🟡 มี Elasticsearch + ADR-023 RAG | ⭐⭐ ต้องเพิ่ม NL→Query translator |
+| 📄 Document QA | 🟡 มี OCR + Text extraction ในแผน | ⭐⭐⭐ ต้องเพิ่ม PDF parsing + chunking pipeline |
+| 🔗 Relationship Mapping | ✅ มี Relations ใน Schema + Services | ⭐⭐ ต้องเพิ่ม "Graph Query" layer สำหรับ AI |
+| 📊 Timeline Analysis | 🟡 มี `revisions.created_at` | ⭐⭐⭐ ต้องเพิ่ม "Temporal Query" logic |
+| 🧠 Auto Classification | 🟡 มี ADR-017B (Superseded) | ⭐⭐⭐⭐ ต้องฝึก Model หรือใช้ Prompt Engineering |
+| ⚠️ Alert / Assistant | 🟡 มี `notification/` module | ⭐⭐ ต้องเพิ่ม "Rule Engine" สำหรับ trigger alerts |
+
+---
+
+## 🧩 5. UI Design
+
+| ส่วนที่เสนอ | ที่มีอยู่ | Gap |
+|------------|----------|-----|
+| Hybrid UI: Table + Chat | 🟡 มี DataTables + Forms | ⚠️ ยังไม่มี "Chat Panel" แบบ Side-by-side |
+| Drawing Page: revision + RFAs + AI summary | ✅ มี `drawing/` module + relations | ⚠️ ต้องเพิ่ม "AI Summary" component ที่เรียก RAG |
+
+💡 **Quick Win**: เพิ่ม Chat Panel แบบง่ายๆ ใน `app/(dashboard)/drawings/[id]/page.tsx`:
+```tsx
+// ตัวอย่าง: Chat Panel ใน Drawing Page
+<aside className="w-80 border-l">
+  <AiChatPanel
+    context={{ type: 'drawing', id: drawing.publicId }}
+    tools={['get_related_rfas', 'get_revision_history']}
+  />
+</aside>
+```
+
+---
+
+## ⚡ 6. Tech Stack
+
+| ส่วนที่เสนอ | ที่มีอยู่ | ตรงกัน? |
+|------------|----------|---------|
+| Backend: PHP → Python | ❌ ใช้ NestJS (TypeScript) ทั้งระบบ | ⚠️ ไม่ตรง — แต่ TypeScript + NestJS ดีกว่า PHP สำหรับ AI Integration |
+| AI Layer: LangChain / Ollama | 🟡 ใช้ Ollama + n8n (ADR-023) | ✅ ตรงบางส่วน — ขาด LangChain/LlamaIndex |
+| Vector DB: Qdrant | ✅ มีใน ADR-023A | ✅ ตรง |
+| Frontend: DataTables + Chat UI | 🟡 มี DataTables (shadcn/ui) | ⚠️ ขาด Chat UI component |
+
+💡 **ข้อดีของ Stack ปัจจุบัน**:
+- Full TypeScript → Type-safe AI Tool definitions
+- NestJS Modules → Easy to add `ai-agent/` module
+- BullMQ → Ready for async AI jobs
+
+---
+
+## 🔥 7. Flow การทำงานจริง
+
+### 📥 Upload Drawing
+
+| ขั้นตอนที่เสนอ | ที่มีอยู่ | Gap |
+|--------------|----------|-----|
+| 1. User upload PDF | ✅ มี Two-Phase Upload | ✅ พร้อม |
+| 2. Extract text (OCR) | 🟡 มีแผนใน ADR-023A | ⚠️ ต้องเพิ่ม OCR service (Tesseract / PaddleOCR) |
+| 3. Chunk + Embed → Vector DB | 🟡 มี Qdrant ในแผน | ⚠️ ต้องเขียน `DocumentIndexingService` |
+| 4. AI tag metadata | 🟡 มี ADR-017B (Superseded) | ⚠️ ต้อง implement classification pipeline |
+
+### 🔎 Query
+
+| ขั้นตอนที่เสนอ | ที่มีอยู่ | Gap |
+|--------------|----------|-----|
+| 1. เข้าใจ intent | 🟡 ไม่มี NLU layer | ⭐⭐⭐ ต้องเพิ่ม Intent Classifier |
+| 2. Call tool: `get_drawings()` | ✅ มี `DrawingService` | ✅ พร้อม (แต่ต้อง wrap เป็น AI Tool) |
+| 3. Filter revision ล่าสุด | ✅ มี `getLatestRevision()` | ✅ พร้อม |
+| 4. ตอบ | 🟡 มี API Response | ⚠️ ต้องเพิ่ม "Natural Language Generation" layer |
+
+---
+
+## 🧠 8. Insight สำคัญ (อย่าพลาด)
+
+| ข้อควรระวัง | สถานะใน Repo | ผ่าน? |
+|------------|-------------|-------|
+| ❌ อย่าให้ AI query DB ตรงๆ | ✅ มี ADR-023 "AI Boundary" | ✅ ผ่าน |
+| ❌ อย่าให้ AI ตัดสินใจ workflow | ✅ มี Workflow Engine แยก | ✅ ผ่าน |
+| ✅ AI → call function (tool) | 🟡 มี Services แต่ไม่มี Tool Interface | ⚠️ ต้องเพิ่ม `@Tool()` decorator pattern |
+| ✅ System → validate logic | ✅ มี CASL Guards + Validation | ✅ ผ่าน |
+
+👉 **คุณทำถูกแล้ว**: การแยก "AI Intelligence" ออกจาก "Business Logic" เป็นหัวใจของระบบที่ปลอดภัย
+
+---
+
+## 🚀 9. Roadmap (ทำจริง)
+
+### Phase 1 (2–4 สัปดาห์) — AI Chat + Query DB
+
+| Task | สถานะ | ความยาก |
+|------|--------|---------|
+| สร้าง `AiAgentModule` ใน NestJS | ❌ ยังไม่มี | ⭐⭐ |
+| สร้าง `AiToolsService` wrapper | ❌ ยังไม่มี | ⭐⭐ |
+| เพิ่ม Chat UI component ใน Frontend | ❌ ยังไม่มี | ⭐⭐ |
+| ทดสอบ: "RFA ล่าสุดคืออะไร" | ❌ ยังไม่มี | ⭐⭐ |
+
+### Phase 2 — RAG + Embedding
+
+| Task | สถานะ | ความยาก |
+|------|--------|---------|
+| Deploy Qdrant ใน Docker | 🟡 มีในแผน | ⭐⭐ |
+| สร้าง `DocumentIndexingService` (OCR + Chunk + Embed) | ❌ ยังไม่มี | ⭐⭐⭐ |
+| สร้าง `QdrantService` สำหรับ vector search | ❌ ยังไม่มี | ⭐⭐ |
+| ทดสอบ: "สรุป spec นี้" | ❌ ยังไม่มี | ⭐⭐⭐ |
+
+### Phase 3 — Automation + Alert
+
+| Task | สถานะ | ความยาก |
+|------|--------|---------|
+| สร้าง `AiAlertService` สำหรับ rule-based alerts | ❌ ยังไม่มี | ⭐⭐⭐ |
+| สร้าง `ClassificationPipeline` สำหรับ auto-tagging | ❌ ยังไม่มี | ⭐⭐⭐⭐ |
+| Integrateกับ Notification Module | ✅ มี `notification/` module | ⭐⭐ |
+
+---
+
+## 🎯 10. ถ้าจะทำให้ "โหดจริง"
+
+### Ultimate Version: AI = Document Controller
+
+| ฟีเจอร์ | สิ่งที่ต้องเพิ่ม | ความยาก |
+|--------|----------------|---------|
+| 🔍 Auto check: revision mismatch | สร้าง `RevisionConsistencyChecker` | ⭐⭐⭐ |
+| 🔍 Auto check: missing approval | สร้าง `ApprovalGapDetector` | ⭐⭐⭐ |
+| 🔍 Auto check: outdated drawing | สร้าง `DrawingFreshnessMonitor` | ⭐⭐⭐ |
+| 🤖 Proactive alert: "Drawing นี้ outdated" | Integrateกับ `notification/` module | ⭐⭐ |
+
+---
+
+## 💡 สรุปสั้นๆ (แบบเฮียก)
+
+### ✅ สิ่งที่ "มีแล้ว" และ "ทำดีแล้ว"
+1. **สถาปัตยกรรมพื้นฐาน** — NestJS + Next.js + MariaDB + Redis + Elasticsearch → Solid
+2. **Workflow Engine** — DSL-based + ADR-001/021 → ตรงตามแผน 100%
+3. **Security & RBAC** — CASL + 4-Level + JWT → พร้อมสำหรับ Enterprise
+4. **File Storage** — Two-Phase + ClamAV + Versioning → ดีมาก
+5. **AI Boundary** — ADR-023 กำหนดขอบเขตชัดเจน → ป้องกัน AI มั่ว
+
+### ⚠️ สิ่งที่ "ต้องเพิ่ม" เพื่อให้เป็น AI DMS จริง
+1. **AI Agent Runtime** — สร้าง `ai-agent/` module ที่รันใน Production (ไม่ใช่แค่ `.agents/` สำหรับ Dev)
+2. **Tool Calling Interface** — Wrap Services เป็น `@Tool()` decorators สำหรับ AI Call
+3. **Vector Search Pipeline** — Deploy Qdrant + สร้าง `DocumentIndexingService`
+4. **Chat UI Component** — เพิ่ม Side Panel Chat ใน Drawing/RFA Pages
+5. **Intent Recognition** — เพิ่ม NL→Query translator สำหรับ Smart Search
+
+### 🎯 Quick Win (ทำใน 1 สัปดาห์)
+```bash
+# 1. สร้าง AI Agent Module
+nest g module ai-agent
+nest g service ai-agent/ai-tools
+nest g controller ai-agent/chat
+
+# 2. เพิ่ม Tool Wrapper
+# src/ai-agent/ai-tools.service.ts
+@Injectable()
+export class AiToolsService {
+  @Tool({ name: 'get_rfa', description: 'Get RFA by publicId' })
+  async getRfa(@Arg('publicId') publicId: string) {
+    return this.rfaService.findOne({ where: { publicId } });
+  }
+}
+
+# 3. เพิ่ม Chat Endpoint
+# src/ai-agent/chat.controller.ts
+@Post('chat')
+async chat(@Body() dto: ChatDto) {
+  // 1. Parse intent
+  // 2. Route to tools
+  // 3. Generate response
+}
+```
+
+---
+
+> 🎯 **Bottom Line**: Repo คุณ "พร้อม 80%" สำหรับ AI DMS — ขาดแค่ "AI Runtime Layer" ที่เชื่อม Agent → Tools → UI
+> ถ้าเพิ่ม `ai-agent/` module + Tool Interface + Chat UI → จะได้ระบบที่ "โหดจริง" ตามที่วางแผนไว้ 🔥
+