ทำช่องค้นหาที่เข้าใจความหมาย และแชตบอตตอบจากข้อมูลร้าน ด้วย pgvector

ฐาน PostgreSQL ทุกตัวบน BrewInTH มี pgvector พร้อมใช้ ทำช่องค้นหาที่ลูกค้าพิมพ์ไม่ตรงก็ยังเจอ และแชตบอตที่ตอบจากข้อมูลร้าน พร้อม prompt และข้อควรระวัง
ลูกค้าพิมพ์ในช่องค้นหาของร้านว่า "ของฝากผู้ใหญ่ ไม่หวานมาก" แล้วเว็บตอบว่าไม่พบสินค้า ทั้งที่ร้านมีชาอู่หลงกล่องของขวัญกับคุกกี้ธัญพืชสูตรน้ำตาลน้อยวางขายอยู่ ช่องค้นหาทั่วไปหาเฉพาะแถวที่มีคำตรงกับที่พิมพ์ ลูกค้าใช้คำไม่ตรงกับชื่อสินค้าก็ไม่เจอ แล้วก็ปิดเว็บไป
บทความนี้พาทำช่องค้นหาที่เข้าใจความหมาย และแชตบอตที่ตอบคำถามจากข้อมูลของร้านเอง ด้วย pgvector ที่ BrewInTH ติดตั้งไว้ในฐานข้อมูล PostgreSQL ทุกตัวแล้ว มีวิธีเช็กว่าฐานของคุณพร้อม ข้อความให้คัดลอกไปสั่ง AI และเรื่องที่ต้องระวังทั้งค่าใช้จ่ายและข้อมูลของลูกค้า
สรุปสั้นก่อนอ่าน
🔎 ค้นหาแบบเข้าใจความหมายเทียบความหมายของคำค้นกับข้อมูลร้าน ลูกค้าไม่ต้องพิมพ์ตรงกับชื่อสินค้า
🐘 ฐาน PostgreSQL ทุกตัวบน BrewInTH มี pgvector 0.8.7 และ vector64b พร้อมใช้ ทุกแพ็กเกจรวมแพ็กเกจฟรี ไม่ต้องสั่ง CREATE EXTENSION
🔑 ต้องมี API key ของบริการ embedding เก็บไว้ในแท็บ ตั้งค่าแอป และเรียกจากฝั่งเซิร์ฟเวอร์เท่านั้น
💬 แชตบอตใช้ข้อมูลชุดเดียวกัน คือค้นข้อที่เกี่ยวข้องก่อน แล้วให้ AI ตอบจากข้อมูลนั้นเท่านั้น
💸 ทุกการค้นเรียก API หนึ่งครั้ง จึงควรจำกัดจำนวนครั้งต่อคน และไม่ส่งข้อมูลส่วนตัวของลูกค้าออกไป
ค้นหาแบบเข้าใจความหมายคืออะไร
ช่องค้นหาทั่วไปใช้คำสั่งอย่าง LIKE '%คำค้น%' ซึ่งเจอเฉพาะแถวที่มีตัวอักษรตรงกับที่พิมพ์ ส่วนการค้นหาแบบเข้าใจความหมาย (semantic search) แปลงข้อความเป็นตัวเลขชุดยาว เรียกว่า embedding ข้อความที่ความหมายใกล้กันจะได้ตัวเลขที่ใกล้กัน แม้จะใช้คนละคำ เช่น "ไม่หวานมาก" กับ "สูตรน้ำตาลน้อย"

ทำงานแบบนี้
- ส่งชื่อและรายละเอียดของสินค้าแต่ละชิ้นไปที่ embedding API ของผู้ให้บริการ AI แล้วได้ตัวเลขกลับมาหนึ่งชุด จำนวนตัวเลข (มิติ) ขึ้นกับรุ่น เช่น 768, 1,024 หรือ 1,536
- เก็บตัวเลขชุดนั้นในคอลัมน์ชนิด
vectorของตารางสินค้า - ตอนลูกค้าค้น แปลงคำค้นเป็นตัวเลขด้วยรุ่นเดียวกัน
- ให้ PostgreSQL เรียงสินค้าจากระยะห่างน้อยไปมาก แล้วหยิบไม่กี่รายการแรก
pgvector คือส่วนเสริม (extension) ของ PostgreSQL ที่เพิ่มคอลัมน์ชนิด vector และตัววัดระยะห่าง เช่น <=> ซึ่งวัดแบบ cosine ยิ่งได้ค่าน้อยยิ่งความหมายใกล้ ข้อ 2 และ 4 จึงอยู่ในฐานข้อมูลเดิมของเว็บ ไม่ต้องสมัครบริการค้นหาแยก
บน BrewInTH มีอะไรพร้อมแล้ว
ตั้งแต่ 5 พฤศจิกายน 2026 ฐานข้อมูล PostgreSQL ทุกตัวบน BrewInTH มีส่วนเสริมสองตัวติดตั้งไว้ ไม่ว่าจะใช้แพ็กเกจไหน
- vector คือ pgvector 0.8.7 จากโครงการหลักบน GitHub ใช้กับ embedding ทั่วไป มีชนิด
vector,halfvecและsparsevec - vector64b 0.1.1 ส่วนเสริมที่ BrewInTH ติดตั้งคู่กัน เก็บตัวเลขแบบ float64 ด้วยชนิด
vector64b(n)ได้ถึง 16,000 มิติ
เช็กได้ที่แท็บ ฐานข้อมูล ของโปรเจกต์ ในช่อง Engine ใต้คำว่า postgres มีบรรทัดเล็ก ๆ ว่า pgvector (vector) และ vector64b พร้อมใช้ ถ้าเห็นว่า pgvector จะพร้อมหลังระบบรีสตาร์ตฐานข้อมูลในช่วงเงียบ แปลว่าฐานนั้นยังรอระบบรีสตาร์ตในช่วงตีสามถึงตีห้า ไม่ต้องทำอะไร วันรุ่งขึ้นกลับมาดูใหม่

สิ่งที่ไม่ต้องทำคือสั่ง CREATE EXTENSION เอง บัญชีฐานข้อมูลของโปรเจกต์ไม่มีสิทธิ์ติดตั้งส่วนเสริม ระบบติดตั้งให้แล้ว และคู่มือที่ AI อ่านตอนเชื่อมกับ BrewInTH ก็บอกไว้ ถ้าโค้ดมีบรรทัด CREATE EXTENSION IF NOT EXISTS vector ฐานที่พร้อมแล้วจะข้ามไปเอง แต่ถ้าไม่มี IF NOT EXISTS จะ error ว่ามีอยู่แล้ว ให้ AI ลบบรรทัดนั้นออก
อยากเห็นเองก็เปิด จัดการฐานข้อมูล ในแท็บเดียวกัน กด SQL วางคำสั่งนี้แล้วกด รัน SQL จะเห็นเวอร์ชันของทั้งสองตัว
SELECT extname, extversion FROM pg_extension WHERE extname IN ('vector', 'vector64b');
ต้องเตรียมอะไรบ้าง
- โปรเจกต์แบบแอปที่ใช้ PostgreSQL เป็นฐานหลัก เช่น Node.js, Python, PHP หรือ Laravel เว็บ static ไม่มีโปรแกรมฝั่งเซิร์ฟเวอร์ จึงเก็บ API key และต่อฐานข้อมูลไม่ได้ (เลือกฐานข้อมูลแบบไหนดี)
- API key ของบริการ embedding ผู้ให้บริการ AI รายใหญ่ส่วนใหญ่มีบริการนี้ เลือกรุ่นที่รองรับภาษาไทย (มักเรียกว่ารุ่น multilingual) และจดไว้ว่ารุ่นนั้นให้ตัวเลขกี่มิติ ราคาและรุ่นเปลี่ยนบ่อย ดูที่หน้าเว็บของผู้ให้บริการ
- AI ที่ช่วยเขียนโค้ด จะเป็น coding agent อย่าง Claude Code, Codex หรือ Cursor ที่เชื่อมกับ BrewInTH ด้วยปุ่ม สร้างลิงก์และ token สำหรับ AI (อัตโนมัติ) ในหน้าโปรเจกต์ หรือแชต AI ที่ส่งโค้ดมาเป็น ZIP ก็ได้
ทำช่องค้นหาที่เข้าใจความหมาย ทีละขั้น
ขั้น 1: เก็บ API key ในแท็บตั้งค่าแอป
เปิดแท็บ ตั้งค่าแอป ของโปรเจกต์ ในกรอบ ค่าตั้งแอป ใส่ ชื่อค่า เป็น EMBEDDING_API_KEY ใส่ ค่า เป็น key ที่ได้มา แล้วกด บันทึก ค่าใหม่มีผลกับแอปหลังเผยแพร่ครั้งถัดไป
key นี้ใช้เงินในบัญชีของคุณ ห้ามวางในโค้ดหน้าเว็บหรือไฟล์ JavaScript ที่เบราว์เซอร์โหลด เพราะใครเปิดดูซอร์สก็เห็น การเรียก embedding API ต้องเกิดในฝั่งเซิร์ฟเวอร์เท่านั้น (เก็บ API key ให้ปลอดภัยด้วยค่าตั้งแอป)
ขั้น 2: ให้ AI เพิ่มคอลัมน์และการค้นหา
คัดลอกข้อความนี้ไปส่ง AI แล้วแก้ชื่อตารางกับชื่อผู้ให้บริการให้ตรงกับเว็บของคุณ
เว็บร้านของฉันอยู่บน BrewInTH ฐานข้อมูลเป็น PostgreSQL ที่มี pgvector พร้อมใช้แล้ว (ห้ามสั่ง CREATE EXTENSION)
ช่วยเพิ่มการค้นหาสินค้าแบบเข้าใจความหมาย ดังนี้
- ใช้ embedding API ของ [ชื่อผู้ให้บริการ] รุ่นที่รองรับภาษาไทย อ่าน key จากค่าตั้งแอป EMBEDDING_API_KEY และเรียกจากฝั่งเซิร์ฟเวอร์เท่านั้น
- เพิ่มคอลัมน์ embedding ในตาราง products ด้วย ALTER TABLE ... ADD COLUMN ชนิด vector จำนวนมิติตรงกับรุ่นที่ใช้
- ข้อความที่นำไปคำนวณ = ชื่อสินค้า หมวด และรายละเอียด เมื่อเพิ่มหรือแก้สินค้า ให้ตั้ง embedding เป็น NULL
- ทำสคริปต์ที่เติม embedding ให้แถวที่ยังเป็น NULL ครั้งละไม่เกิน 100 แถว ฉันจะตั้งเป็นงานตามเวลาทุก 15 นาที บอกคำสั่งที่ต้องใส่ให้ด้วย
- ช่องค้นหาแปลงคำค้นเป็น embedding แล้วเรียงด้วย ORDER BY embedding <=> คำค้น LIMIT 10 เฉพาะสินค้าที่มีของ
- จำกัดการค้นไม่เกิน 20 ครั้งต่อนาทีต่อผู้เข้าชม ถ้าเรียก API ไม่ได้ ให้กลับไปค้นด้วยคำแบบเดิม
- บอกฉันว่าต้องตั้งค่าอะไรใน BrewInTH เพิ่มเอง
SQL ที่ได้จะหน้าตาประมาณนี้ (1536 เป็นตัวอย่าง ใช้ตามรุ่นที่เลือก)
ALTER TABLE products ADD COLUMN embedding vector(1536);
SELECT id, name, price
FROM products
WHERE embedding IS NOT NULL AND in_stock
ORDER BY embedding <=> $1
LIMIT 10;
$1 คือตัวเลขของคำค้นที่แอปส่งเข้ามา เงื่อนไขอื่นอย่างหมวด ช่วงราคา หรือสินค้าที่มีของ ใส่ใน WHERE ได้ตามปกติ
ถ้าเว็บอัปเดตผ่านหน้า อัปโหลดแล้วขึ้นเว็บ ให้ AI ต่อท้ายไฟล์ .sql เดิมด้วยบรรทัด ALTER TABLE ... ADD COLUMN ระบบเพิ่มคอลัมน์ให้เองก่อนเวอร์ชันใหม่เริ่มทำงาน (ไฟล์ .sql ทำอะไรกับข้อมูลเดิมตอนอัปเดต)
ขั้น 3: เติมตัวเลขให้สินค้าที่มีอยู่แล้ว
สินค้าเดิมยังไม่มี embedding ทางที่ง่ายที่สุดคือใช้สคริปต์จากขั้น 2 ที่เติมให้แถวที่ยังว่างทีละน้อย แล้วตั้งให้รันซ้ำ
- เปิดแท็บ งานตามเวลา ของโปรเจกต์
- ชื่องาน ใส่เช่น
embed-productsส่วน คำสั่ง ใส่ตามที่ AI บอก เช่นnode scripts/embed-products.js - ความถี่ เลือก ทุก 15 นาที แล้วกด เพิ่มงาน
งานนี้ยังทำให้สินค้าใหม่หรือสินค้าที่เพิ่งแก้ได้ตัวเลขภายในไม่กี่นาทีด้วย ถ้า AI ของคุณเชื่อมกับ BrewInTH อยู่ มันรันสคริปต์รอบแรกให้ครบทุกแถวได้เอง (นานได้ถึง 4 ชั่วโมงต่อครั้ง) ส่วนแท็บ คำสั่ง ในคอนโซลรันได้ครั้งละไม่เกิน 30 วินาที เหมาะกับการลองทีละน้อย (รันคำสั่งในแอปด้วยแท็บคำสั่ง)
ดูว่ายังเหลือกี่แถวได้จากช่อง SQL ของ จัดการฐานข้อมูล
SELECT count(*) FROM products WHERE embedding IS NULL;
ขั้น 4: ทดสอบด้วยคำที่ไม่มีในชื่อสินค้า
ลองค้นด้วยคำที่ลูกค้าพูดจริงแต่ไม่มีในชื่อสินค้า เช่น "ของฝากผู้ใหญ่" "ขนมสำหรับคนคุมน้ำตาล" หรือพิมพ์เป็นภาษาอังกฤษ ถ้าผลแรก ๆ ยังไม่ตรง ส่วนใหญ่แก้ได้ด้วยการเขียนรายละเอียดสินค้าให้ครบขึ้น เพราะ embedding เข้าใจสินค้าได้เท่าที่ข้อความบอก
แชตบอตที่ตอบจากข้อมูลของร้าน
แชตบอต AI ทั่วไปไม่รู้ค่าส่ง เวลาเปิดร้าน หรือเงื่อนไขการคืนสินค้าของคุณ และบางครั้งก็แต่งคำตอบขึ้นมาเอง วิธีที่นิยมคือให้บอตค้นข้อมูลของร้านก่อนแล้วค่อยตอบ เรียกว่า RAG (retrieval-augmented generation) ซึ่งใช้ pgvector แบบเดียวกับช่องค้นหา

- เก็บคำถามที่พบบ่อย นโยบายการส่งและการคืนสินค้า และข้อมูลร้าน เป็นข้อความสั้นข้อละหนึ่งเรื่อง ในตารางเช่น
faqที่มีคอลัมน์ embedding - เมื่อลูกค้าถาม แอปแปลงคำถามเป็นตัวเลข แล้วดึง 3 ถึง 5 ข้อที่ใกล้ที่สุด
- ส่งข้อเหล่านั้นพร้อมคำถามให้ AI แชต และสั่งให้ตอบจากข้อมูลนี้เท่านั้น
- ถ้าไม่มีข้อไหนใกล้พอ ให้ตอบว่าไม่ทราบแล้วชวนติดต่อร้าน แทนการเดา
ข้อความให้คัดลอกไปสั่ง AI
เพิ่มแชตบอตตอบคำถามลูกค้าในเว็บร้านของฉันบน BrewInTH (PostgreSQL มี pgvector พร้อมแล้ว ห้ามสั่ง CREATE EXTENSION)
- สร้างตาราง faq (id, title, content, embedding) และหน้าหลังบ้านให้ฉันเพิ่มและแก้ข้อความ ข้อละหนึ่งเรื่อง
- คำนวณ embedding แบบเดียวกับการค้นหาสินค้า อ่าน key จาก EMBEDDING_API_KEY
- เมื่อลูกค้าถาม ให้แปลงคำถามเป็น embedding ดึง 4 ข้อที่ใกล้ที่สุดด้วย <=> แล้วส่งให้ AI แชต อ่าน key จาก CHAT_API_KEY
- สั่ง AI แชตว่า "ตอบจากข้อมูลที่ให้เท่านั้น ถ้าไม่มีคำตอบในข้อมูล ให้บอกว่าไม่ทราบและแนะนำให้ติดต่อร้าน"
- ถ้าข้อที่ใกล้ที่สุดยังห่างเกินเกณฑ์ ไม่ต้องเรียก AI แชต ให้ตอบข้อความติดต่อร้านเลย ทำเกณฑ์เป็นค่าที่ฉันปรับได้
- จำกัดไม่เกิน 10 คำถามต่อนาทีต่อผู้เข้าชม และห้ามดึงออเดอร์หรือข้อมูลส่วนตัวของลูกค้าจากฐานไปใส่ในข้อความที่ส่งให้ AI
ปรับเกณฑ์ "ใกล้พอ" ด้วยการลองถามจริงสัก 20 คำถาม ทั้งคำถามที่มีคำตอบในตารางและที่ไม่มี แล้วดูระยะห่างที่ได้ เพราะตัวเลขต่างกันไปตามรุ่น บอตแบบนี้ต่อเข้ากับ LINE ได้ด้วย โดยให้ webhook ของ LINE เรียกฟังก์ชันตอบคำถามเดียวกัน (ทำ LINE chatbot แล้วโฮสต์บน BrewInTH)
เลือกชนิดคอลัมน์และ index
vector(n)ตัวเลือกปกติ เก็บตัวเลขแบบ float32 ตัวละ 4 ไบต์ ใส่ index ได้เมื่อไม่เกิน 2,000 มิติvector64b(n)ใช้เมื่อรุ่นที่เลือกให้ตัวเลขเกิน 2,000 มิติแล้วอยากมี index หรือต้องการความละเอียดแบบ float64 ได้ถึง 16,000 มิติ ใช้พื้นที่สองเท่าของvectorและ index ใช้vector64b_hnswคู่กับvector64b_cosine_ops- ตัวเลขในวงเล็บ ต้องตรงกับจำนวนมิติของรุ่น และต้องใช้รุ่นเดียวกันทั้งตอนเก็บและตอนค้น
ถ้าไม่มี index PostgreSQL จะเทียบคำค้นกับทุกแถว ได้ผลแม่นที่สุด ร้านที่มีสินค้าหลักพันรายการยังเร็วพอ เมื่อข้อมูลมากขึ้นจนค้นช้า ให้ AI เพิ่ม index แบบ HNSW ซึ่งเร็วกว่ามาก แลกกับผลที่เป็นค่าประมาณ
CREATE INDEX ON products USING hnsw (embedding vector_cosine_ops);
ให้คำสั่งนี้อยู่ใน migration ของแอป ไม่ใช่ช่อง SQL ของคอนโซล เพราะช่องนั้นหยุดคำสั่งที่นานเกิน 10 วินาที และ index ของตารางใหญ่ใช้เวลาสร้างนานกว่านั้น index ต้องใช้ตัววัดชุดเดียวกับตอนค้น (vector_cosine_ops คู่กับ <=>) ไม่อย่างนั้น PostgreSQL จะไม่ใช้
ข้อควรระวัง
- ค่าใช้จ่าย ทุกครั้งที่ลูกค้าค้นคือการเรียก embedding API หนึ่งครั้ง และแชตบอตเรียก AI แชตเพิ่มอีกครั้ง ผู้ให้บริการคิดเงินตามที่ใช้ จึงควรจำกัดจำนวนครั้งต่อผู้เข้าชม และตั้งเพดานค่าใช้จ่ายในหน้าของผู้ให้บริการถ้ามี
- ข้อมูลที่ส่งออกไป ข้อความที่นำไปคำนวณและคำถามที่ลูกค้าพิมพ์ถูกส่งไปที่ผู้ให้บริการ AI ใช้กับข้อมูลสินค้าและข้อมูลร้าน อย่าส่งชื่อ เบอร์โทร หรือที่อยู่ของลูกค้า และบอกเรื่องนี้ไว้ในนโยบายความเป็นส่วนตัวของเว็บ
- พื้นที่ ตัวเลข 1,536 มิติใช้ราว 6 KB ต่อแถว สินค้า 1,000 รายการจึงราว 6 MB ยังไม่รวม index ข้อมูลในฐานนับรวมกับพื้นที่ของแพ็กเกจ ซึ่งแพ็กเกจ Free มีทั้งบัญชี 20 MB (พื้นที่ของแพ็กเกจนับจากที่ใช้จริง) ถ้าพื้นที่ตึง ใช้
halfvecที่เก็บตัวละ 2 ไบต์ได้
คำถามที่พบบ่อย
ต้องจ่ายเพิ่มให้ BrewInTH ไหม
ไม่ต้อง pgvector อยู่ในฐาน PostgreSQL ของทุกแพ็กเกจ รวมแพ็กเกจฟรี ที่ต้องจ่ายคือค่าบริการ embedding และ AI แชตของผู้ให้บริการที่คุณเลือก ตามที่ใช้จริง
เว็บใช้ MySQL หรือ MongoDB อยู่ ใช้ได้ไหม
pgvector เป็นส่วนเสริมของ PostgreSQL จึงมีเฉพาะในฐาน PostgreSQL โปรเจกต์หนึ่งมีฐานหลักได้ตัวเดียว การเปลี่ยนชนิดต้องลบฐานเดิมแล้วสร้างใหม่ และข้อมูลไม่ย้ายตามไปเอง ถ้าจะเปลี่ยน ให้ AI วางแผนย้ายข้อมูลก่อนลบ
ค้นภาษาไทยได้ดีไหม
ขึ้นกับรุ่น embedding ที่เลือก รุ่นที่รองรับหลายภาษาส่วนใหญ่ใช้กับภาษาไทยได้ แต่คุณภาพต่างกัน จึงควรลองกับคำค้นจริงของลูกค้าสัก 20 คำก่อนเปิดใช้ บางรุ่นเทียบภาษาไทยกับภาษาอังกฤษได้ด้วย ลูกค้าพิมพ์อังกฤษก็ยังเจอสินค้าที่เขียนเป็นไทย
เปลี่ยนรุ่นหรือผู้ให้บริการ embedding ทีหลังได้ไหม
ได้ แต่ตัวเลขของต่างรุ่นเทียบกันไม่ได้ ต้องคำนวณใหม่ทุกแถว ถ้าจำนวนมิติเปลี่ยน ให้ AI เปลี่ยนชนิดคอลัมน์ ตั้งทุกแถวเป็น NULL แล้วให้งานตามเวลาเติมใหม่
เปิดตารางสินค้าในจัดการฐานข้อมูลแล้วขึ้นว่าผลลัพธ์ใหญ่เกิน
หน้าจัดการฐานข้อมูลแสดงผลได้ครั้งละไม่เกิน 200 แถวหรือ 60 KB ตัวเลข 1,536 มิติยาวกว่าหมื่นตัวอักษรต่อแถว ไม่กี่แถวก็เกิน ให้กด SQL แล้วเลือกเฉพาะคอลัมน์ที่อยากดู เช่น SELECT id, name, price FROM products LIMIT 50; (ดูและแก้ข้อมูลในฐานข้อมูลจากคอนโซล)
สรุป
ฐาน PostgreSQL ทุกตัวบน BrewInTH มี pgvector พร้อมใช้แล้ว สิ่งที่คุณต้องเพิ่มมีแค่ API key ของบริการ embedding ในแท็บตั้งค่าแอป คอลัมน์ embedding กับการค้นหาที่ AI เขียนให้ และงานตามเวลาที่เติมตัวเลขให้ข้อมูลใหม่ จากนั้นข้อมูลชุดเดียวกันต่อยอดเป็นแชตบอตที่ตอบจากข้อมูลร้านได้ เริ่มจากสินค้าไม่กี่สิบรายการ ลองค้นด้วยคำของลูกค้าจริง แล้วค่อยขยาย
