np-dms/lcbp3
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
20f9fa1e85560e9c2e867ba031e941edc494d397
lcbp3/docs/AI Specs/qwen-answer.md
T
Nattanin 3e25097470 690519:0819 Prepare refactor AI [skip ci]
2026-05-19 08:19:40 +07:00

16 KiB
Raw Blame History

🔍 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RAG Engine ✅ มี ADR-022 (Superseded) → ADR-023 ✅ มีสถาปัตยกรรม RAG แล้ว แต่ยังเป็น "แผน" ในเอกสาร ต้องดูการ Implement จริง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:

// 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:

-- 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:

// 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)

# 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 🔥

Reference in New Issue View Git Blame Copy Permalink