690419:1109 feat: update CI/CD to use SSH key authentication #02

2026-04-19 11:09:35 +07:00
parent feb1319fb3
commit 844caf477d
4 changed files with 544 additions and 0 deletions
@@ -0,0 +1,544 @@
+
+**LCBP3 DMS**
+
+**RAG Implementation Guide**
+
+Retrieval-Augmented Generation for Document Management System
+
+| Version | 1.0.0 |
+| :---- | :---- |
+| **Project** | Laem Chabang Basin Phase 3 |
+| **Stack** | NestJS \+ Next.js \+ MariaDB \+ Qdrant |
+| **LLM** | Typhoon API \+ Ollama (nomic-embed-text) |
+
+# **1\. ภาพรวม Architecture**
+
+ระบบ RAG ของ LCBP3 DMS ออกแบบให้ทำงานแบบ Hybrid โดยแยกหน้าที่ชัดเจนระหว่าง embedding (local) และ generation (cloud Thai LLM) เพื่อให้ได้ทั้งความเป็นส่วนตัวของข้อมูลในส่วน embedding และคุณภาพภาษาไทยที่ดีในส่วนการตอบคำถาม
+
+## **1.1 Hybrid Architecture**
+
+| Flow: PDF/DOCX Upload  →  OCR (EasyOCR/Tesseract)  →  Text Chunking  →  Embedding (Ollama: nomic-embed-text)  →  Qdrant Vector Store RAG Query  →  Embed Question  →  Qdrant Similarity Search  →  Build Prompt  →  Typhoon API  →  Thai Answer |
+| :---- |
+
+| Component | เครื่องมือ | ที่อยู่ | หมายเหตุ |
+| :---- | :---- | :---- | :---- |
+| Document Metadata | MariaDB | เดิม | ไม่เปลี่ยน |
+| Vector Store | Qdrant | Docker container | เพิ่มใหม่ |
+| Embedding Model | nomic-embed-text | Ollama local | 768 dimensions |
+| LLM / Generation | Typhoon API | api.opentyphoon.ai | Thai-first, OpenAI-compatible |
+| OCR | EasyOCR / Tesseract | Docker microservice | รองรับภาษาไทย |
+| Async Queue | BullMQ \+ Redis | Docker container | async ingestion |
+
+# **2\. Chunking Strategy ตาม Document Type**
+
+แต่ละประเภทเอกสารใน LCBP3 มีโครงสร้างต่างกัน จึงไม่ควรใช้ fixed-size chunking เดียวกันทั้งหมด
+
+| Document Type | Strategy | Chunk Size | Overlap |
+| :---- | :---- | :---- | :---- |
+| CORR, MOM | Paragraph-based | \~500 tokens | 50 tokens |
+| RFI, NCR | Section-based (Q\&A) | \~300 tokens | 30 tokens |
+| DRAW, SUB | Metadata-heavy | \~200 tokens | 0 tokens |
+| CONTRACT, INVOICE | Table-aware | \~400 tokens | 40 tokens |
+| RPT | Sliding window | \~600 tokens | 100 tokens |
+| TRANS | Header \+ body split | \~350 tokens | 35 tokens |
+
+| หมายเหตุ nomic-embed-text รองรับ input สูงสุด 8192 tokens แต่ chunk ที่เล็กกว่าให้ precision ดีกว่าในงาน retrieval สำหรับเอกสารที่มีตาราง (CONTRACT, INVOICE) ให้ extract ตารางแยกก่อน แล้ว serialize เป็น text |
+| :---- |
+
+# **3\. ขั้นตอนการ Implement โดยละเอียด**
+
+| 1 | ติดตั้ง Qdrant และ Redis ผ่าน Docker Compose เพิ่ม services ใน docker-compose.yml ที่มีอยู่แล้ว |
+| :---: | :---- |
+
+**เพิ่มใน docker-compose.yml:**
+
+  qdrant:
+
+    image: qdrant/qdrant:latest
+
+    container\_name: lcbp3-qdrant
+
+    ports:
+
+      \- "6333:6333"
+
+    volumes:
+
+      \- qdrant\_data:/qdrant/storage
+
+    restart: unless-stopped
+
+  redis:
+
+    image: redis:7-alpine
+
+    container\_name: lcbp3-redis
+
+    ports:
+
+      \- "6379:6379"
+
+    volumes:
+
+      \- redis\_data:/data
+
+    restart: unless-stopped
+
+ทดสอบว่า Qdrant ทำงาน: เปิด browser ไปที่ http://localhost:6333/dashboard
+
+| 2 | เพิ่ม Table document\_chunks ใน MariaDB เก็บ reference ระหว่าง MariaDB กับ Qdrant point ID |
+| :---: | :---- |
+
+CREATE TABLE document\_chunks (
+
+  id          CHAR(36) PRIMARY KEY,   \-- UUID \= Qdrant point ID
+
+  document\_id CHAR(36) NOT NULL,
+
+  chunk\_index INT NOT NULL,
+
+  content     TEXT NOT NULL,
+
+  created\_at  DATETIME DEFAULT CURRENT\_TIMESTAMP,
+
+  FOREIGN KEY (document\_id)
+
+    REFERENCES documents(id) ON DELETE CASCADE
+
+);
+
+| 3 | ติดตั้ง Dependencies ใน NestJS ติดตั้ง packages ที่จำเป็นทั้งหมด |
+| :---: | :---- |
+
+\# ใน packages/api (NestJS)
+
+pnpm add @qdrant/js-client-rest
+
+pnpm add openai
+
+pnpm add bullmq
+
+pnpm add @nestjs/bull bull
+
+pnpm add uuid
+
+pnpm add \-D @types/uuid
+
+| 4 | สร้าง RAG Module Structure จัดโครงสร้างไฟล์ใน NestJS |
+| :---: | :---- |
+
+**โครงสร้างไฟล์ที่แนะนำ:**
+
+src/rag/
+
+  rag.module.ts          \<- register all providers
+
+  rag.controller.ts      \<- POST /api/rag/query
+
+  rag.service.ts         \<- orchestrate pipeline
+
+  embedding.service.ts   \<- call Ollama nomic-embed-text
+
+  qdrant.service.ts      \<- Qdrant CRUD operations
+
+  chunker.service.ts     \<- smart chunking per doc type
+
+  llm.service.ts         \<- call Typhoon API
+
+  ingestion.processor.ts \<- BullMQ worker
+
+| 5 | สร้าง EmbeddingService เรียก Ollama nomic-embed-text สำหรับแปลงข้อความเป็น vector |
+| :---: | :---- |
+
+// embedding.service.ts
+
+@Injectable()
+
+export class EmbeddingService {
+
+  private readonly OLLAMA\_URL \= process.env.OLLAMA\_URL
+
+                             ?? "http://localhost:11434";
+
+  async embed(text: string): Promise\<number\[\]\> {
+
+    const res \= await fetch(\`${this.OLLAMA\_URL}/api/embeddings\`, {
+
+      method: "POST",
+
+      headers: { "Content-Type": "application/json" },
+
+      body: JSON.stringify({
+
+        model: "nomic-embed-text",
+
+        prompt: text,
+
+      }),
+
+    });
+
+    if (\!res.ok) throw new Error(\`Embedding failed: ${res.status}\`);
+
+    const { embedding } \= await res.json();
+
+    return embedding;
+
+  }
+
+}
+
+| 6 | สร้าง QdrantService จัดการ vector store สำหรับ upsert, search, delete |
+| :---: | :---- |
+
+// qdrant.service.ts
+
+@Injectable()
+
+export class QdrantService implements OnModuleInit {
+
+  private client: QdrantClient;
+
+  private readonly COLLECTION \= "lcbp3\_docs";
+
+  async onModuleInit() {
+
+    this.client \= new QdrantClient({
+
+      url: process.env.QDRANT\_URL ?? "http://localhost:6333",
+
+    });
+
+    await this.ensureCollection();
+
+  }
+
+  private async ensureCollection() {
+
+    const { collections } \= await this.client.getCollections();
+
+    const exists \= collections.some(c \=\> c.name \=== this.COLLECTION);
+
+    if (\!exists) {
+
+      await this.client.createCollection(this.COLLECTION, {
+
+        vectors: { size: 768, distance: "Cosine" },
+
+      });
+
+    }
+
+  }
+
+  async upsert(id: string, vector: number\[\], payload: Record\<string, any\>) {
+
+    await this.client.upsert(this.COLLECTION, {
+
+      points: \[{ id, vector, payload }\],
+
+    });
+
+  }
+
+  async search(vector: number\[\], topK \= 5, filter?: Record\<string, any\>) {
+
+    return this.client.search(this.COLLECTION, {
+
+      vector,
+
+      limit: topK,
+
+      filter: filter ? {
+
+        must: Object.entries(filter).map((\[key, value\]) \=\> ({
+
+          key, match: { value },
+
+        })),
+
+      } : undefined,
+
+      with\_payload: true,
+
+    });
+
+  }
+
+  async deleteByDocumentId(documentId: string) {
+
+    await this.client.delete(this.COLLECTION, {
+
+      filter: { must: \[{ key: "document\_id", match: { value: documentId } }\] },
+
+    });
+
+  }
+
+}
+
+| 7 | สร้าง LlmService (Typhoon API) เรียก Typhoon สำหรับ generate คำตอบ |
+| :---: | :---- |
+
+// llm.service.ts
+
+import OpenAI from "openai";
+
+@Injectable()
+
+export class LlmService {
+
+  private client: OpenAI;
+
+  constructor() {
+
+    this.client \= new OpenAI({
+
+      apiKey: process.env.TYPHOON\_API\_KEY,
+
+      baseURL: "https://api.opentyphoon.ai/v1",
+
+    });
+
+  }
+
+  async generate(prompt: string, system?: string): Promise\<string\> {
+
+    const response \= await this.client.chat.completions.create({
+
+      model: "typhoon-v2.1-12b-instruct",
+
+      messages: \[
+
+        { role: "system", content: system ?? LCBP3\_SYSTEM\_PROMPT },
+
+        { role: "user", content: prompt },
+
+      \],
+
+      max\_tokens: 1024,
+
+      temperature: 0.3,
+
+      top\_p: 0.95,
+
+      repetition\_penalty: 1.05,
+
+    });
+
+    return response.choices\[0\].message.content ?? "";
+
+  }
+
+}
+
+**System Prompt สำหรับ LCBP3:**
+
+const LCBP3\_SYSTEM\_PROMPT \= \`
+
+You are a document assistant for LCBP3 (Laem Chabang Basin Phase 3),
+
+a large-scale construction project DMS.
+
+\- Answer in Thai if the question is in Thai
+
+\- Answer in English if the question is in English
+
+\- Always reference document numbers (e.g., CORR-LCBP3-2024-001)
+
+\- Be concise and factual. Do not speculate beyond the provided context.
+
+\- If context is insufficient, say so clearly.
+
+\`;
+
+| 8 | สร้าง ChunkerService แบ่ง text ตาม strategy ของแต่ละ document type |
+| :---: | :---- |
+
+// chunker.service.ts
+
+@Injectable()
+
+export class ChunkerService {
+
+  chunk(text: string, docType: string): { text: string }\[\] {
+
+    const strategy \= this.getStrategy(docType);
+
+    return strategy(text);
+
+  }
+
+  private getStrategy(docType: string) {
+
+    const map: Record\<string, (t: string) \=\> { text: string }\[\]\> \= {
+
+      CORR: (t) \=\> this.paragraphChunk(t, 500, 50),
+
+      MOM:  (t) \=\> this.paragraphChunk(t, 500, 50),
+
+      RFI:  (t) \=\> this.sectionChunk(t, 300, 30),
+
+      NCR:  (t) \=\> this.sectionChunk(t, 300, 30),
+
+      RPT:  (t) \=\> this.slidingWindow(t, 600, 100),
+
+      CONTRACT: (t) \=\> this.tableAware(t, 400, 40),
+
+      INVOICE:  (t) \=\> this.tableAware(t, 400, 40),
+
+    };
+
+    return map\[docType\] ?? ((t) \=\> this.slidingWindow(t, 400, 50));
+
+  }
+
+  // ... implement paragraphChunk, sectionChunk, slidingWindow, tableAware
+
+}
+
+| 9 | สร้าง Ingestion Pipeline เชื่อม upload event กับ vector indexing ผ่าน BullMQ queue |
+| :---: | :---- |
+
+// rag.service.ts — triggerIngestion
+
+async ingestDocument(documentId: string) {
+
+  const doc \= await this.documentsService.findOne(documentId);
+
+  const rawText \= await this.extractText(doc.filePath, doc.docType);
+
+  const chunks \= this.chunker.chunk(rawText, doc.docType);
+
+  // ลบ chunks เก่าก่อน (กรณี re-ingest)
+
+  await this.qdrant.deleteByDocumentId(documentId);
+
+  await this.chunkRepo.delete({ documentId });
+
+  for (const \[i, chunk\] of chunks.entries()) {
+
+    const chunkId \= uuidv4();
+
+    const embedding \= await this.embedding.embed(chunk.text);
+
+    await this.qdrant.upsert(chunkId, embedding, {
+
+      document\_id: documentId,
+
+      doc\_type: doc.docType,
+
+      doc\_number: doc.docNumber,
+
+      revision: doc.revision,
+
+      project\_code: "LCBP3",
+
+      chunk\_index: i,
+
+    });
+
+    await this.chunkRepo.save({
+
+      id: chunkId, documentId,
+
+      chunkIndex: i, content: chunk.text,
+
+    });
+
+  }
+
+}
+
+**เรียก triggerIngestion() หลัง upload สำเร็จ:**
+
+// documents.service.ts — หลัง save document
+
+await this.ragQueue.add("ingest", { documentId: doc.id });
+
+| 10 | สร้าง RAG Query API Endpoint สำหรับ frontend เรียกใช้ |
+| :---: | :---- |
+
+// rag.service.ts — query
+
+async query(question: string, filter?: { doc\_type?: string }) {
+
+  // 1\. Embed คำถาม
+
+  const qVector \= await this.embedding.embed(question);
+
+  // 2\. Retrieve top-5 chunks จาก Qdrant
+
+  const hits \= await this.qdrant.search(qVector, 5, filter);
+
+  // 3\. Build context
+
+  const context \= hits.map(h \=\>
+
+    \`\[${h.payload.doc\_type} \- ${h.payload.doc\_number}\]\\n${h.payload.content}\`
+
+  ).join("\\n\\n---\\n\\n");
+
+  // 4\. Generate คำตอบผ่าน Typhoon
+
+  const prompt \= \`Context:\\n${context}\\n\\nQuestion: ${question}\`;
+
+  return this.llm.generate(prompt);
+
+}
+
+// rag.controller.ts
+
+@Post("query")
+
+async query(@Body() dto: { question: string; doc\_type?: string }) {
+
+  return this.ragService.query(dto.question, { doc\_type: dto.doc\_type });
+
+}
+
+# **4\. Environment Variables**
+
+เพิ่มใน .env ของ NestJS:
+
+\# Typhoon API
+
+TYPHOON\_API\_KEY=your\_typhoon\_api\_key\_here
+
+\# Ollama (local)
+
+OLLAMA\_URL=http://localhost:11434
+
+\# Qdrant
+
+QDRANT\_URL=http://localhost:6333
+
+\# Redis (BullMQ)
+
+REDIS\_HOST=localhost
+
+REDIS\_PORT=6379
+
+# **5\. ลำดับการ Rollout**
+
+แนะนำให้ implement เป็น phase เพื่อลดความเสี่ยง:
+
+| Phase | สิ่งที่ทำ | ผลลัพธ์ |
+| :---- | :---- | :---- |
+| Phase 1(1-2 วัน) | ติดตั้ง Qdrant \+ Redis, สร้าง DB table, ติดตั้ง packages | Infrastructure พร้อม |
+| Phase 2(2-3 วัน) | สร้าง EmbeddingService \+ QdrantService \+ LlmService, ทดสอบแต่ละ service แยกกัน | Core services ทำงาน |
+| Phase 3(2-3 วัน) | สร้าง ChunkerService \+ Ingestion Pipeline เริ่มจาก CORR และ RFI ก่อน | Indexing ทำงานอัตโนมัติ |
+| Phase 4(1-2 วัน) | สร้าง RAG Query API \+ เชื่อมกับ NestJS route | Query API พร้อม |
+| Phase 5(2-3 วัน) | สร้าง UI ใน Next.js: Search bar \+ Answer panel พร้อม source citation | ใช้งานได้จริง |
+
+# **6\. ข้อควรพิจารณาสำคัญ**
+
+| ⚠️  ความปลอดภัยของข้อมูล (สำคัญมาก) เนื้อหาของเอกสารจะถูกส่งไปยัง Typhoon API (cloud) เพื่อ generate คำตอบ แนะนำให้ตรวจสอบกับทีม PM / Security ว่าเอกสารชั้น Confidential สามารถส่งออกนอกได้หรือไม่ ทางเลือก: ใช้ Ollama local LLM แทน Typhoon สำหรับเอกสาร Confidential |
+| :---- |
+
+| ℹ️  Rate Limit ของ Typhoon Free Tier อยู่ที่ 5 req/s และ 200 req/m — เพียงพอสำหรับ internal DMS หากมีผู้ใช้หลายคน query พร้อมกัน อาจต้องพิจารณา upgrade เป็น Together.ai plan |
+| :---- |
+
+| ℹ️  Embedding ยังต้องใช้ Ollama Typhoon API ยังไม่มี embedding endpoint nomic-embed-text รันบน Ollama local ทำให้ข้อมูลที่ embed ไม่ออกนอกเครือข่าย |
+| :---- |
+