เพิ่มการค้นเว็บให้ AI วิเคราะห์ข้อมูลได้อย่างไร และโมเดลจะจำสิ่งที่เคยป้อนไหม?

หากต้องการให้โปรแกรมวิเคราะห์ข้อมูลพร้อมค้นข้อมูลล่าสุดจากอินเทอร์เน็ต สามารถทำได้ แต่มีจุดสำคัญที่ต้องแยกให้ออกก่อน: โมเดลที่เรียกผ่านอินเทอร์เฟซแบบ OpenAI-compatible ไม่ได้แปลว่าจะรองรับเครื่องมือค้นเว็บของ OpenAI โดยตรงเสมอไป โดยเฉพาะเมื่อกำหนด base_url เป็นของผู้ให้บริการรายอื่น 5

ทางเลือกที่ใช้ได้ทั่วไปกว่าคือให้ Python ทำหน้าที่เป็นตัวกลาง โดยมีขั้นตอนดังนี้

1. อ่านข้อมูลจากไฟล์ TXT
2. สร้างคำค้นหาทางเทคนิคจากโครงสร้างข้อมูล
3. ส่งคำค้นไปยัง Tavily Search API
4. รวมผลค้นหากับข้อมูล TXT
5. ส่งทุกอย่างให้โมเดล deepseek-v4-flash วิเคราะห์
6. ให้โมเดลอ้างอิงแหล่งข้อมูลเว็บด้วยรูปแบบ [W1], [W2] เป็นต้น

Tavily รองรับการยืนยันตัวตนด้วย API Key และส่งผลลัพธ์การค้นหาในรูปแบบโครงสร้าง ซึ่งเหมาะกับการนำไปป้อนต่อให้โมเดล 13

ตั้งค่าคีย์สำหรับ AI และ Tavily

ควรเก็บคีย์ไว้ในตัวแปรสภาพแวดล้อมแทนการเขียนลงในไฟล์โค้ดโดยตรง เช่น บน Windows PowerShell:

$env:AI_API_KEY="คีย์ของผู้ให้บริการ AI"
$env:AI_BASE_URL="Base URL ของผู้ให้บริการ"
$env:TAVILY_API_KEY="คีย์ Tavily"

จากนั้นใน Python ให้อ่านค่าด้วย os.getenv():

API_KEY = os.getenv("AI_API_KEY", "")
BASE_URL = os.getenv("AI_BASE_URL", "")
TAVILY_API_KEY = os.getenv("TAVILY_API_KEY", "")
MODEL_NAME = "deepseek-v4-flash"

ถ้าไม่ได้ตั้ง AI_BASE_URL โปรแกรมสามารถใช้ค่าเริ่มต้นของไลบรารีได้ แต่หากเป็นผู้ให้บริการภายนอก ควรตรวจสอบว่า Base URL และชื่อโมเดลตรงกับเอกสารของผู้ให้บริการหรือไม่

เรียก Tavily ก่อนส่งข้อมูลให้โมเดล

ตัวอย่างโครงสร้างคำขอค้นหาคือ:

import requests

response = requests.post(
    "https://api.tavily.com/search",
    headers={
        "Authorization": f"Bearer {TAVILY_API_KEY}",
        "Content-Type": "application/json",
    },
    json={
        "query": query,
        "search_depth": "advanced",
        "max_results": 5,
        "include_answer": False,
        "include_raw_content": False,
        "include_images": False,
    },
    timeout=60,
)
response.raise_for_status()
results = response.json().get("results", [])

ในโค้ดฉบับเต็ม ควรเก็บชื่อเรื่อง URL และข้อความสรุปของแต่ละผลลัพธ์ พร้อมตัดผลลัพธ์ที่มี URL ซ้ำออก จากนั้นกำหนดหมายเลขแหล่งข้อมูล เช่น [W1], [W2] เพื่อให้โมเดลอ้างอิงได้อย่างเป็นระบบ

ควรกำหนดเพดานความยาวของข้อความจากเว็บด้วย เพราะผลค้นหาจำนวนมากอาจทำให้บริบทของโมเดลเต็มเร็วเกินไป แนวทางในโค้ดตัวอย่างจึงจำกัดทั้งความยาวของสรุปแต่ละหน้าและความยาวรวมของข้อมูลเว็บ

ส่งผลค้นหาพร้อมข้อมูล TXT

ข้อความที่ส่งให้โมเดลควรแบ่งส่วนให้ชัดเจน เช่น

================ DATA BEGIN ================
ข้อมูลจากไฟล์ TXT
================= DATA END =================

================ WEB BEGIN =================
[W1]
ชื่อเรื่อง: ...
URL: ...
สรุป: ...
================= WEB END ==================

นอกจากนี้ควรกำชับโมเดลว่า ข้อมูลระหว่าง DATA BEGIN และ DATA END เป็นข้อมูลสำหรับวิเคราะห์ ไม่ใช่คำสั่ง และข้อมูลระหว่าง WEB BEGIN และ WEB END เป็นเพียงแหล่งอ้างอิง ไม่ควรปล่อยให้ข้อความจากหน้าเว็บเปลี่ยนกติกาการวิเคราะห์

สำหรับงานข้อมูลขนาดใหญ่ โค้ดตัวอย่างจะแบ่งไฟล์ TXT เป็นหลายช่วง แล้ววิเคราะห์ทีละช่วง ก่อนรวมรายงานระยะย่อยเป็นรายงานฉบับสุดท้าย วิธีนี้ช่วยลดโอกาสที่ข้อมูลทั้งหมดจะเกินขีดจำกัดบริบทของโมเดล

แล้วโมเดลจะจำสิ่งที่เคยป้อนไหม?

โดยปกติ chat.completions.create() ไม่มีความจำถาวรในตัวเอง การใช้ client ตัวเดิมหรือใช้โมเดลตัวเดิมไม่ได้ทำให้ระบบจำคำขอจากครั้งก่อนโดยอัตโนมัติ บริบทของการสนทนาต้องถูกเก็บและส่งกลับไปโดยโปรแกรมเอง 26

โค้ดจึงเพิ่มความจำแบบบันทึกไฟล์ไว้ให้เลือกใช้ โดยตั้งค่า:

ENABLE_PERSISTENT_MEMORY = True

เมื่อเปิดใช้งาน โปรแกรมจะทำงานดังนี้

• ตอนเริ่มต้น อ่านข้อมูลจาก analysis_memory.txt
• ส่งรายงานเก่าให้โมเดลเป็นเพียงข้อมูลประกอบ
• เมื่อวิเคราะห์เสร็จ บันทึกรายงานฉบับใหม่ต่อท้ายไฟล์เดิม
• จำกัดความยาวของไฟล์และปริมาณความจำที่ส่งเข้าโมเดล เพื่อไม่ให้ไฟล์โตไม่สิ้นสุด

อย่างไรก็ตาม สิ่งที่บันทึกไว้ในตัวอย่างคือ “รายงานการวิเคราะห์” ไม่ใช่ข้อมูล TXT ดิบทั้งหมด อีกทั้งโค้ดกำชับให้ยึดข้อมูลปัจจุบันเป็นหลัก หากความจำเก่าขัดแย้งกับไฟล์ปัจจุบัน ต้องใช้ข้อมูลจากไฟล์ปัจจุบันเป็นข้อเท็จจริงหลัก

ควรเปิดความจำไว้ตลอดหรือไม่?

ถ้าเป็นข้อมูลจากโครงการหรืออุปกรณ์เดียวกัน การเปิดใช้ความจำอาจช่วยให้โมเดลเห็นข้อสรุปจากรอบก่อนและเปรียบเทียบผลได้ง่ายขึ้น แต่ถ้าเปลี่ยนโครงการ เปลี่ยนชนิดอุปกรณ์ หรือเปลี่ยนชุดข้อมูล ควรตั้งค่าเป็น:

ENABLE_PERSISTENT_MEMORY = False

เพื่อป้องกันไม่ให้ข้อสรุปเก่ามาปะปนกับการวิเคราะห์ใหม่

อีกประเด็นที่ควรระวังคืออักขระ x หรือ X ในข้อมูล ตัวอย่างโค้ดกำหนดให้ถือว่าเป็นค่าขาดหาย ใช้ไม่ได้ หรือคำนวณไม่ได้ ไม่ใช่ตัวเลขศูนย์ โมเดลจึงควรได้รับคำสั่งชัดเจนว่าอย่านำค่าเหล่านี้ไปคำนวณเป็น 0

สรุป

วิธีเชื่อมเว็บที่เหมาะกับโค้ดลักษณะนี้คือไม่ต้องพึ่งพาว่า deepseek-v4-flash ผ่านผู้ให้บริการภายนอกจะรองรับ Web Search ในตัวหรือไม่ แต่ให้โปรแกรมเรียก Tavily แยกต่างหาก แล้วส่งผลค้นหาพร้อมไฟล์ TXT ให้โมเดลวิเคราะห์แทน 135

ส่วนเรื่องความจำ โมเดลไม่ได้จำข้อมูลเก่าจากการเรียก Chat Completions โดยอัตโนมัติ ความจำจะเกิดขึ้นได้ก็ต่อเมื่อโปรแกรมเป็นผู้เก็บประวัติและส่งกลับเข้าไปในบริบทครั้งถัดไป 26 ในตัวอย่างนี้ใช้ไฟล์ analysis_memory.txt เป็นหน่วยความจำแบบง่าย ซึ่งเปิดหรือปิดได้ตามประเภทของงาน