14 KiB
LCBP3 DMS
RAG Implementation Guide by Claude
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 |
|---|