AI · AIC-92

GraphRAG and Agent Memory

หลักสูตร GraphRAG and Agent Memory เป็นการอบรมต่อยอดจาก RAG พื้นฐาน ตั้งแต่สร้าง Knowledge Graph บน Neo4j จากเอกสารด้วย LLM ใช้ Retriever แบบ Graph จนถึงหน่วยความจำของ AI Agent ด้วย LangGraph และ Graphiti เหมาะกับ AI Engineer และนักพัฒนา Python ที่เจอข้อจำกัดของ Vector Search

อัปเดตล่าสุด 1 ต.ค. 2569

ราคาเริ่มต้น 7,110 บาท / ท่าน 7,900 −10% ยังไม่รวม VAT 7% · มีราคาหมู่คณะ

ขอใบเสนอราคาอบรมองค์กร ลงชื่อจองไว้

PDFดาวน์โหลด Course Outline

ระยะเวลา12 ชั่วโมง · 2 วัน
รูปแบบออนไซต์ / ออนไลน์สด
รอบถัดไปเปิดตามคำขอ
ใบรับรองมี Certificate

ภาพรวมหลักสูตร

ระบบ RAG ที่ใช้ Vector Search อย่างเดียวตอบคำถามที่คำตอบอยู่ในย่อหน้าเดียวได้ดี แต่มักพลาดเมื่อคำถามต้องเชื่อมข้อมูลหลายเอกสาร เช่น ลูกค้ารายนี้ใช้สินค้ารุ่นไหนที่ได้รับผลจากประกาศฉบับล่าสุด หรือถามภาพรวมของข้อมูลทั้งชุด ขณะเดียวกัน AI Agent ที่ทำงานกับผู้ใช้ต่อเนื่องก็ต้องจำได้ว่าใครเคยพูดอะไร และรู้ว่าข้อมูลใดล้าสมัยไปแล้ว Knowledge Graph จึงกลายเป็นชั้นข้อมูลสำคัญของทั้ง RAG และหน่วยความจำของ Agent

หลักสูตรนี้เป็นขั้นที่ 2 ต่อจาก RAG & Knowledge Base พาผู้เรียนสร้าง GraphRAG และ Agent Memory ด้วย Neo4j และ Python เริ่มจากเขียน Cypher ออกแบบ Graph Schema แล้วสร้าง Knowledge Graph จากเอกสารด้วย LLM ผ่านแพ็กเกจ neo4j-graphrag เปรียบเทียบ Retriever แบบ Vector, Vector ร่วมกับ Graph และ Text2Cypher และเรียนแนวคิด Community Summary ของ GraphRAG จากนั้นต่อยอดสู่หน่วยความจำของ Agent ทั้ง Short-term และ Long-term ด้วย LangGraph และ Temporal Knowledge Graph ด้วย Graphiti วัดผลเทียบกับ Vector RAG วางความปลอดภัยและ PDPA แล้วปิดท้ายด้วย Capstone GraphRAG Agent (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Advanced)

สิ่งที่คุณจะได้รับ

อธิบายได้ว่าเมื่อไร GraphRAG คุ้มค่ากว่า Vector RAG และเมื่อไรไม่จำเป็น
เขียน Cypher สร้างและค้นข้อมูลบน Neo4j รวมถึง Vector Index
ออกแบบ Graph Schema และสร้าง Knowledge Graph จากเอกสารด้วย LLM
ใช้ Retriever แบบ Vector, Vector ร่วมกับ Graph และ Text2Cypher ให้เหมาะกับคำถาม
เข้าใจ Community Summary และโหมดค้นหาแบบ Local และ Global ของ GraphRAG
ออกแบบ Agent Memory แบบ Short-term และ Long-term ด้วย LangGraph
สร้าง Temporal Memory ที่รู้ว่าข้อเท็จจริงใดเปลี่ยนไปแล้วด้วย Graphiti
วัดผล GraphRAG เทียบกับ Vector RAG และวางความปลอดภัยและ PDPA

หลักสูตรนี้เหมาะสำหรับ

AI Engineer และนักพัฒนา Python ที่สร้างระบบ RAG แล้วเจอข้อจำกัดของ Vector Search
ผู้ที่ผ่านหลักสูตร RAG & Knowledge Base และต้องการต่อยอดขั้นถัดไป
นักพัฒนา AI Agent ที่ต้องการให้ Agent จำผู้ใช้และบริบทได้ข้ามหลาย Session
Data Engineer ที่ต้องเชื่อมข้อมูลหลายแหล่งให้ AI ใช้ได้
Solution Architect ที่ต้องเลือกสถาปัตยกรรม RAG และ Memory ให้องค์กร

พื้นฐานของผู้เข้าอบรม

เขียน Python ได้ในระดับใช้งาน เช่น Function, Class และติดตั้ง Package
เข้าใจหลักการ RAG, Embedding และ Vector Search หรือผ่านหลักสูตร RAG & Knowledge Base
ใช้ Docker, Command Line และเรียก REST API ขั้นพื้นฐานได้
โน้ตบุ๊กที่ติดตั้ง Docker Desktop, Python และ VS Code ได้ พร้อมสิทธิ์ติดตั้งโปรแกรม

หัวข้อการฝึกอบรม

รายละเอียดหลักสูตร

อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab บนชุดข้อมูลจำลองชุดเดียวตลอดหลักสูตร ระดับ Advanced หลักสูตรนี้เป็นขั้นที่ 2 ต่อจาก RAG & Knowledge Base ซึ่งปูพื้นฐาน Vector RAG ไว้แล้ว โดยเพิ่ม Knowledge Graph บน Neo4j เพื่อตอบคำถามที่ต้องเชื่อมหลายเอกสาร และเพิ่มหน่วยความจำให้ AI Agent

ด้วย LangGraph และ Graphiti ทุก Lab รัน Neo4j รุ่น Community บน Docker หรือ Neo4j Aura แบบใช้ฟรี ผู้เรียนใช้บัญชี Gemini API หรือ OpenAI API ของตนเองหรือของบริษัท ซึ่งมีค่าใช้จ่ายตามการใช้งาน (Gemini API มี Free Tier) ผู้เรียนจะได้ Lab Guide โค้ด Python และ Cypher ครบทุก Lab ไฟล์ docker-compose สำหรับ Neo4j และชุดคำถามทดสอบกลับไปใช้งานต่อ

Day 1 Knowledge Graph และ GraphRAG

Section 1: ทำไม Vector RAG อย่างเดียวไม่พอ

คำถามที่ Vector RAG ตอบพลาด: เชื่อมหลายเอกสาร ความสัมพันธ์หลายชั้น และคำถามภาพรวม
Knowledge Graph คืออะไร: Node, Relationship และ Property
รูปแบบ GraphRAG: Graph เสริม Vector, Text2Cypher และ Community Summary
เมื่อไรคุ้มที่จะใช้ Graph และเมื่อไร Vector RAG ก็พอ
Lab: ติดตั้ง Neo4j ด้วย Docker หรือใช้ Neo4j Aura แบบใช้ฟรี

Section 2: Lab: Cypher สำหรับงาน RAG

สร้าง Node และ Relationship ด้วย CREATE และ MERGE
ค้นด้วย MATCH, WHERE และ Path หลายชั้น
Constraint, Index และ Vector Index ใน Neo4j
Query ที่ใช้บ่อยใน GraphRAG และการอ่านผลบน Neo4j Browser

Section 3: ออกแบบ Graph Schema จากเอกสาร

กำหนด Entity และ Relationship จากคำถามที่ธุรกิจต้องการคำตอบ
Lexical Graph: เชื่อม Document และ Chunk เข้ากับ Entity
Entity Resolution: รวมชื่อที่เขียนต่างกัน รวมถึงชื่อไทยและอังกฤษ
Lab: ออกแบบ Schema ของคู่มือสินค้าและนโยบายบริษัทจำลอง

Section 4: Lab: สร้าง Knowledge Graph ด้วย LLM

ใช้ SimpleKGPipeline ของแพ็กเกจ neo4j-graphrag ดึง Entity จากข้อความและ PDF
กำหนด Schema ให้ LLM ดึงเฉพาะสิ่งที่ต้องการ
ตรวจคุณภาพ Graph ที่ได้และแก้ Entity ที่ซ้ำกัน
ต้นทุนและเวลาเมื่อสร้าง Graph จากเอกสารจำนวนมาก

Section 5: Lab: Retriever แบบต่าง ๆ

Vector Retriever และ Hybrid Retriever บน Neo4j
VectorCypherRetriever: หา Chunk แล้วขยายบริบทตาม Relationship
Text2CypherRetriever: แปลงคำถามเป็น Cypher พร้อมข้อควรระวัง
Lab: ระบบถามตอบที่เลือก Retriever ตามประเภทคำถาม

Section 6: คำถามภาพรวมและ Community Summary

แนวคิดของ Microsoft GraphRAG: Community Detection และสรุปรายกลุ่ม
Local Search, Global Search และ DRIFT Search ต่างกันอย่างไร
แนวทางลดต้นทุนการทำ Index อย่าง LazyGraphRAG และ LightRAG
Lab: ตอบคำถามภาพรวมของชุดเอกสารด้วย Community Summary

Day 2 Agent Memory และระบบใช้งานจริง

Section 7: พื้นฐาน Agent Memory

Short-term กับ Long-term Memory และ Memory แบบ Semantic, Episodic และ Procedural
สิ่งที่ควรจำ สิ่งที่ไม่ควรจำ และเมื่อไรควรลืม
Memory แบบ Vector เทียบกับแบบ Graph
ภาพรวมเครื่องมือ: LangGraph Store, Mem0 และ Graphiti

Section 8: Lab: Agent ด้วย LangGraph ที่ใช้ Graph เป็น Tool

Agent ที่เลือกใช้ Vector Search, Graph Query หรือ Text2Cypher เป็น Tool
Checkpointer สำหรับจำบทสนทนาภายใน Thread
Long-term Memory ด้วย Store แยกตามผู้ใช้
ทดสอบ Agent กับคำถามที่ต้องค้นหลายขั้นตอน

Section 9: Lab: Temporal Memory ด้วย Graphiti

เก็บข้อเท็จจริงพร้อมช่วงเวลาที่มีผล และรู้ว่าข้อมูลใดถูกแทนที่แล้ว
เพิ่ม Episode จากบทสนทนาและเหตุการณ์ทางธุรกิจ
ค้นหาแบบผสม Semantic, Keyword และ Graph Traversal
Agent ที่จำความต้องการและประวัติของลูกค้าข้ามหลาย Session

Section 10: Lab: วัดผล GraphRAG และ Memory

ชุดคำถามทดสอบแบบ Single-hop, Multi-hop และคำถามภาพรวม
วัดความถูกต้อง ความครบถ้วน และการอ้างอิงแหล่งที่มา
เทียบ Vector RAG กับ GraphRAG บนชุดคำถามเดียวกัน
ตรวจ Memory ที่ผิดหรือล้าสมัย และกลไกแก้ไข

Section 11: ความปลอดภัยและการใช้งานจริง

ป้องกัน Cypher Injection ด้วยสิทธิ์อ่านอย่างเดียวและตรวจ Query ก่อนรัน
สิทธิ์เข้าถึงข้อมูลตามผู้ใช้ทั้งใน Graph และ Memory
PDPA: ข้อมูลส่วนบุคคลใน Memory สิทธิ์ขอลบ และระยะเวลาเก็บ
อัปเดต Graph แบบ Incremental เมื่อเอกสารเปลี่ยน พร้อมเรื่อง Latency และต้นทุน

Section 12: Workshop: Capstone GraphRAG Agent

เลือกโจทย์: ผู้ช่วยคู่มือเทคนิค ผู้ช่วยด้านนโยบาย หรือผู้ช่วยลูกค้าที่จำประวัติ
สร้าง Graph, Retriever และ Memory ของระบบ
วัดผลเทียบกับ Vector RAG บนคำถามชุดเดียวกัน
นำเสนอผลงานและแผนต่อยอด

รอบอบรมและรูปแบบการอบรม

สำหรับบุคคล — รอบอบรมทั่วไป

ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770

ลงชื่อจองไว้ สอบถามรอบอบรม

สำหรับองค์กร — In-house / Private Training

ปรับเนื้อหาให้ตรงกับเครื่องมือและงานจริงของทีม
เลือกวันเอง อบรมที่บริษัทหรือออนไลน์สด
ออกใบเสนอราคาในนามนิติบุคคลให้ฝ่ายจัดซื้อ

ขอใบเสนอราคาอบรมองค์กร

วิทยากรผู้สอน

สามิตร โกยมCEO ที่สถาบันไอทีจีเนียส

คำถามที่พบบ่อย

GraphRAG ต่างจาก Vector RAG อย่างไร และเมื่อไรควรใช้

Vector RAG ค้นชิ้นข้อความที่ความหมายใกล้กับคำถาม จึงตอบได้ดีเมื่อคำตอบอยู่ในเอกสารชิ้นเดียว แต่ไม่ถนัดคำถามที่ต้องเชื่อมข้อมูลหลายเอกสารหรือคำถามภาพรวม GraphRAG เก็บ Entity และความสัมพันธ์เป็น Knowledge Graph จึงไล่ความเชื่อมโยงข้ามเอกสารได้ และสรุปภาพรวมด้วย Community Summary ได้ แต่มีต้นทุนการสร้างและดูแลกราฟเพิ่ม จึงควรใช้เมื่อคำถามแบบนี้มีมากจริง

สร้าง Knowledge Graph จากเอกสารด้วย LLM ทำอย่างไร

เริ่มจากออกแบบ Graph Schema ว่าจะมี Node และความสัมพันธ์ประเภทใด เช่น บุคคล บริษัท และสัญญา จากนั้นแบ่งเอกสารเป็นชิ้น ให้ LLM ดึง Entity และความสัมพันธ์ตาม Schema แล้วรวม Entity ที่ซ้ำกันก่อนบันทึกลง Neo4j ด้วย Cypher พร้อมสร้าง Vector Index ไว้ค้นด้วยความหมาย สุดท้ายจึงสุ่มตรวจกราฟว่าความสัมพันธ์ถูกต้อง

Agent Memory แบบ Short-term และ Long-term ต่างกันอย่างไร

Short-term Memory คือบริบทในบทสนทนาปัจจุบัน เช่น ข้อความก่อนหน้าใน Thread เดียวกัน ซึ่ง LangGraph เก็บไว้ด้วย Checkpointer ส่วน Long-term Memory คือข้อมูลที่ Agent จำข้าม Session เช่น ความชอบของผู้ใช้ ซึ่งต้องเก็บแยกไว้และค้นกลับมาใช้เมื่อเกี่ยวข้อง ส่วน Temporal Memory อย่าง Graphiti บันทึกเวลาของข้อเท็จจริงด้วย จึงรู้ว่าข้อมูลใดถูกแทนที่แล้ว

หลักสูตร GraphRAG and Agent Memory เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับ AI Engineer และนักพัฒนา Python ที่สร้างระบบ RAG แล้วเจอข้อจำกัดของ Vector Search นักพัฒนา AI Agent ที่ต้องการให้ Agent จำผู้ใช้ได้ข้ามหลาย Session และ Solution Architect ที่ต้องเลือกสถาปัตยกรรม RAG ควรเขียน Python ระดับใช้งานได้ เข้าใจ RAG, Embedding และ Vector Search หรือผ่านหลักสูตร RAG & Knowledge Base และใช้ Docker กับ Command Line ขั้นพื้นฐานได้

เรียนจบหลักสูตร GraphRAG and Agent Memory แล้วทำอะไรได้บ้าง

เขียน Cypher สร้างและค้นข้อมูลบน Neo4j ออกแบบ Graph Schema และสร้าง Knowledge Graph จากเอกสารด้วย LLM เลือกใช้ Retriever แบบ Vector แบบ Graph และ Text2Cypher ให้เหมาะกับคำถาม ออกแบบ Agent Memory ด้วย LangGraph และ Graphiti และวัดผล GraphRAG เทียบกับ Vector RAG ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้

ต้องเตรียมอะไรมาเรียน GraphRAG and Agent Memory

เตรียมโน้ตบุ๊กที่ติดตั้ง Docker Desktop, Python และ VS Code ได้ พร้อมสิทธิ์ติดตั้งโปรแกรม ทุก Lab รัน Neo4j รุ่น Community บน Docker หรือใช้ Neo4j Aura แบบใช้ฟรี และใช้บัญชี Gemini API หรือ OpenAI API ของตนเองหรือของบริษัท ซึ่งมีค่าใช้จ่ายตามการใช้งาน (Gemini API มี Free Tier)