lcbp3/specs/08-Tasks/ADR-022-Retrieval-Augmented-Generation/LCBP3-RAG-Implementation-Guide-v1.1.0.md

นี่คือร่างเนื้อหาฉบับปรับปรุงของ LCBP3 RAG Implementation Guide (v1.1.0) by Gemini ในรูปแบบ Markdown โดยเน้นการยกระดับความปลอดภัย (Security), การรองรับหลายโครงการ (Multi-tenancy), และความถูกต้องของคำตอบ (Truthfulness) ตามมาตรฐานระบบ LCBP3 DMS

---

📄 LCBP3 DMS: RAG Implementation Guide

Retrieval-Augmented Generation for Document Management System

Version	Date	Status	Updated By
1.1.0	2026-04-19	Proposed	Gemini (Senior Developer)

---

1. ภาพรวม Architecture (Multi-tenant Hybrid)

ระบบ RAG ออกแบบมาเพื่อทำงานร่วมกับโครงสร้างข้อมูลเดิมของ LCBP3 โดยมีการแยกส่วนการประมวลผลตามระดับความปลอดภัยของข้อมูล

1.1 Ingestion Pipeline

1. Trigger: ไฟล์ถูก Commit เข้าสู่ Permanent Storage (ตาม ADR-016)
2. OCR Service: ใช้ EasyOCR/Tesseract ประมวลผล PDF/DWG (ในกรณีที่ไฟล์ไม่มี text layer)
3. Data Enrichment: ดึง Metadata จาก MariaDB (Project ID, Doc Type, Security Level) แนบไปกับข้อมูลดิบ
4. Chunking: แบ่งส่วนข้อความตามกลยุทธ์ที่กำหนด (ดูหัวข้อที่ 2)
5. Local Embedding: ส่ง Chunk ไปยัง Ollama (nomic-embed-text) ภายใน Intranet
6. Vector Store: บันทึก Vector + Metadata ลงใน Qdrant โดยแยก collection หรือใช้ payload filter ตาม Project ID

1.2 Query & Generation

1. Secure Filter: ระบบ DMS API รับคำถามและตรวจสอบสิทธิ์ (RBAC) ของผู้ใช้
2. Similarity Search: ค้นหาใน Qdrant โดยบังคับใส่ project_public_id ใน Filter เสมอ
3. Context Selection: เลือกเฉพาะ Top-K chunks ที่มีคะแนนความมั่นใจ (Confidence) > 0.6
4. Hybrid Generation:
   • ข้อมูลปกติ: ส่ง Context + Prompt ไปยัง Typhoon API (Cloud) เพื่อคุณภาพภาษาไทยสูงสุด
   • ข้อมูลลับ (Confidential): ส่งประมวลผลผ่าน Ollama (Local LLM) ภายในเครื่อง Admin เท่านั้น (ตาม ADR-018)

---

2. Chunking Strategy (Domain-Specific)

ห้ามใช้ Fixed-size chunking เพียงอย่างเดียว ให้ใช้กลยุทธ์ตามประเภทเอกสาร (Document Type):

ประเภทเอกสาร	กลยุทธ์การ Chunk	ข้อมูลที่ต้องแนบใน Metadata
Correspondence (CORR)	Recursive Character Splitter (1000 chars, 10% overlap)	Sender, Receiver, Ref No., Subject
RFA / Transmittal	Table-aware Chunking (เน้นดึงตารางรายการไฟล์แนบ)	RFA ID, Status, Due Date
Drawing (Shop/As-built)	Title Block Extraction + Metadata Enrichment	Drawing No., Revision, Discipline

---

3. มาตรฐานการพัฒนา (Technical Specification)

3.1 Vector Payload Interface (NestJS)

interface VectorMetadata {
  public_id: string;        // UUIDv7 ของเอกสาร
  project_public_id: string; // ✅ บังคับ เพื่อความปลอดภัย
  doc_type: string;          // CORR, RFA, DRAWING
  security_level: number;    // 1: Public, 2: Internal, 3: Confidential
  content_preview: string;   // ข้อความสั้นๆ สำหรับแสดงผล
}

3.2 Ingestion Status (MariaDB Update)

เพิ่มฟิลด์ในตาราง attachments เพื่อติดตามสถานะ:

ALTER TABLE attachments
ADD COLUMN rag_status ENUM('PENDING', 'PROCESSING', 'INDEXED', 'FAILED') DEFAULT 'PENDING',
ADD COLUMN rag_last_error TEXT NULL;

---

4. ความปลอดภัยและการควบคุม (Security Audit Protocol)

4.1 Data Isolation (Non-negotiable)

• Tenant Separation: ทุกการค้นหาต้องมีการทำ Payload filtering บน Qdrant ด้วย project_public_id เพื่อป้องกันพนักงานโครงการ A เห็นข้อมูลโครงการ B
• RBAC Check: DMS API ต้องเรียก CaslGuard ก่อนทำการค้นหา Vector เสมอ

4.2 AI Truthfulness & Anti-Hallucination

• Citation: Prompt ต้องบังคับให้ AI อ้างอิงหมายเลขเอกสาร (doc_number) ทุกครั้งที่ตอบ
• Fallback: หาก Similarity Search ได้ผลลัพธ์ที่คะแนนต่ำกว่าเกณฑ์ ให้ตอบว่า "ไม่พบข้อมูลที่ระบุในฐานข้อมูลเอกสารปัจจุบัน" ห้ามให้ AI คาดเดาเอง

---

5. ลำดับการ Rollout (Updated Phase)

• Phase 1: Infra (2 วัน): Docker Qdrant + Redis + Ollama Setup
• Phase 2: Core Services (3 วัน): สร้าง EmbeddingService และ QdrantService (Strict Type)
• Phase 3: Auto-Ingestion (3 วัน): เชื่อม BullMQ เข้ากับไฟล์อัปโหลดเดิมของ DMS
• Phase 4: RAG API (2 วัน): สร้าง API ค้นหาพร้อมระบบ Citation
• Phase 5: UI/UX (3 วัน): หน้าจอ Search ผลลัพธ์แบบ AI พร้อมปุ่มเปิดไฟล์ต้นฉบับ

---

6. รายการตรวจสอบ (Security Checklist ก่อน Go-live)

• ข้อมูล Confidential ไม่ถูกส่งไปยัง Typhoon API (Cloud)
• มีการบันทึก audit_logs ทุกการ Query ของ AI (ใครถาม, ถามอะไร, ระบบตอบอะไร)
• ฟังก์ชันการลบเอกสารใน DMS มีการสั่งลบ Vector ใน Qdrant ออกด้วย (Consistency)
• ทดสอบ Cross-project search แล้วต้องไม่พบข้อมูลข้ามโครงการ

---