Semantica: Open Source Graph-Native Infrastructure for Context

1
00:00:00,000 --> 00:00:03,889
สวัสดีครับทุกคน ยินดีต้อนรับสู่วิดีโอใหม่ของผม

2
00:00:03,889 --> 00:00:06,255
วันนี้ในบทช่วยสอน (tutorial)

3
00:00:06,255 --> 00:00:09,383
เราจะมาดูโปรเจกต์ที่เจ๋งมาก ๆ ชื่อว่า

4
00:00:09,383 --> 00:00:12,765
Semantica ครับ นี่คือ infrastructure แบบ

5
00:00:12,765 --> 00:00:16,653
graph-based สำหรับ context และระบบ accountable

6
00:00:16,653 --> 00:00:20,373
AI (AI ที่ตรวจสอบได้) โปรเจกต์นี้แปลง string

7
00:00:20,373 --> 00:00:24,008
(ข้อความ) ให้เป็น context ที่สมบูรณ์แบบกราฟ

8
00:00:24,008 --> 00:00:25,191
เพื่อให้ agent

9
00:00:25,191 --> 00:00:28,488
เข้าใจได้ดีขึ้นและตัดสินใจได้ดีขึ้นครับ

10
00:00:28,488 --> 00:00:32,376
ถ้าดูที่จำนวน stars (ดาว) ตอนนี้มีถึง 8K stars

11
00:00:32,376 --> 00:00:35,842
แล้วครับ แสดงว่าคนมองว่าเป็นโปรเจกต์ที่ดี

12
00:00:35,842 --> 00:00:39,224
และถ้าดูใน readme (ไฟล์คำอธิบายโปรเจกต์)

13
00:00:39,224 --> 00:00:42,436
เขาก็มีตัวอย่างให้ดูว่าหน้าตาเป็นยังไง

14
00:00:42,436 --> 00:00:46,071
เดี๋ยวผมจะพาไปดูวิธีติดตั้งและวิธีรัน (run)

15
00:00:46,071 --> 00:00:48,860
ท้ายวิดีโอนี้ครับ แต่อย่างที่เห็น

16
00:00:48,860 --> 00:00:50,551
นี่คือตัวอย่างเจ๋ง ๆ

17
00:00:50,551 --> 00:00:57,990
ที่โชว์ให้เห็นว่ามันทำงานยังไงผ่านการ visualize (สร้างภาพแสดงผล) ครับ และถ้าดูส่วนอื่น ๆ

18
00:00:57,990 --> 00:01:01,371
ใน readme จะเห็นความแตกต่างระหว่างแนวทาง

19
00:01:01,371 --> 00:01:05,260
vector DB (ฐานข้อมูลเวกเตอร์) กับแนวทาง MemGPT

20
00:01:05,260 --> 00:01:08,726
และความแตกต่างระหว่าง Semantica กับแนวทาง

21
00:01:08,726 --> 00:01:12,107
plain memory (หน่วยความจำแบบธรรมดา) ครับ

22
00:01:12,107 --> 00:01:14,981
ซึ่งแสดงให้เห็นชัดเจนว่า Semantica

23
00:01:14,981 --> 00:01:18,785
ดีกว่าแนวทางดั้งเดิมอื่น ๆ ทั้งในเรื่องการดึง

24
00:01:18,785 --> 00:01:21,744
context กลับมา (retrieving context)

25
00:01:21,744 --> 00:01:24,364
และการทำความเข้าใจ context ครับ

26
00:01:24,364 --> 00:01:28,168
ถ้าดูที่ตัวอย่าง ตัวอย่างแรกคือเรื่อง context

27
00:01:28,168 --> 00:01:31,127
graph (กราฟบริบท) ตัดสินใจยังไงครับ

28
00:01:31,127 --> 00:01:32,226
ซึ่งสำคัญมาก

29
00:01:32,226 --> 00:01:35,692
เพราะทุกอย่างลงเอยที่การตัดสินใจโดยอิงจาก

30
00:01:35,692 --> 00:01:39,411
context ถ้าดูที่ context graph จะเห็นว่าต้อง

31
00:01:39,411 --> 00:01:41,778
build graph (สร้างกราฟ) ก่อน

32
00:01:41,778 --> 00:01:45,244
และถ้าอยากบันทึกการตัดสินใจ ก็แค่ทำ graph

33
00:01:45,244 --> 00:01:48,710
record decision (บันทึกการตัดสินใจลงกราฟ)

34
00:01:48,710 --> 00:01:52,176
และจาก decision นั้น เราก็ trace decision

35
00:01:52,176 --> 00:01:54,881
trend (ติดตามแนวโน้มการตัดสินใจ)

36
00:01:54,881 --> 00:01:58,431
ได้ว่าการตัดสินใจเกิดขึ้นยังไง หา decision

37
00:01:58,431 --> 00:02:01,813
ที่คล้ายกัน วิเคราะห์ผลกระทบของ decision

38
00:02:01,813 --> 00:02:04,011
(analyze decisions impact)

39
00:02:04,011 --> 00:02:07,561
และตรวจสอบกฎของการตัดสินใจ (check decision

40
00:02:07,561 --> 00:02:11,027
rules) ครับ โดยพื้นฐานแล้ว สิ่งนี้ช่วยให้

41
00:02:11,027 --> 00:02:13,901
agent เข้าใจว่า context ทำงานยังไง

42
00:02:13,901 --> 00:02:16,860
และจะตัดสินใจได้ดีขึ้นในบริบทต่าง ๆ

43
00:02:16,860 --> 00:02:18,889
แทนที่จะแค่ส่ง LLM query

44
00:02:18,889 --> 00:02:22,608
(คำสั่งไปยังโมเดลภาษา) ให้ agent ตัดสินใจเอง

45
00:02:22,608 --> 00:02:25,398
มันให้ context ที่ดีกว่าแก่พวกเขา

46
00:02:25,398 --> 00:02:27,849
เพื่อให้ตัดสินใจได้ดีขึ้นครับ

47
00:02:27,849 --> 00:02:31,738
ผมว่ามีประโยชน์มาก ต่อไป ถ้าดูที่ architecture

48
00:02:31,738 --> 00:02:34,781
(สถาปัตยกรรม) เดี๋ยวเราจะได้ดูกันว่า

49
00:02:34,781 --> 00:02:37,570
architecture ทำงานยังไงในโค้ดจริง

50
00:02:37,570 --> 00:02:41,205
แต่นี่เป็นคำอธิบายคร่าว ๆ ก่อนครับ เริ่มจาก

51
00:02:41,205 --> 00:02:44,756
sources (แหล่งข้อมูล) ซึ่งเป็น raw context

52
00:02:44,756 --> 00:02:48,475
(บริบทดิบ) จากนั้น context ก็จะถูกนำไป parse

53
00:02:48,475 --> 00:02:51,941
(แยกวิเคราะห์) แปลงเป็น object (ออบเจกต์)

54
00:02:51,941 --> 00:02:55,830
ปรับให้เป็นมาตรฐาน (normalize) แล้วแยก context

55
00:02:55,830 --> 00:02:58,957
ออกเป็น entities (เอนทิตี้) และ edges

56
00:02:58,957 --> 00:03:02,592
(ขอบหรือความสัมพันธ์) ต่าง ๆ รวมถึง extract

57
00:03:02,592 --> 00:03:06,481
(ดึง) ทุกอย่างออกมา จากนั้นก็ตรวจหาความขัดแย้ง

58
00:03:06,481 --> 00:03:10,031
(conflict detection) เพื่อลบความขัดแย้งออก

59
00:03:10,031 --> 00:03:13,835
และทำ dedupe (ลบข้อมูลซ้ำ) ครับ หลังจากนั้นก็

60
00:03:13,835 --> 00:03:17,555
build knowledge graph (กราฟความรู้) เพื่อใช้

61
00:03:17,555 --> 00:03:20,598
vector store (ที่เก็บข้อมูลเวกเตอร์)

62
00:03:20,598 --> 00:03:24,487
ในการเก็บและดึงข้อมูลกลับมา และยังใช้ polyglot

63
00:03:24,487 --> 00:03:28,037
graph store (ที่เก็บกราฟแบบหลากหลายรูปแบบ)

64
00:03:28,037 --> 00:03:30,996
เพื่อ export (ส่งออก) และ visualize

65
00:03:30,996 --> 00:03:32,433
ข้อมูลได้ด้วยครับ

66
00:03:32,433 --> 00:03:36,152
นอกจากนี้ยังมีวิธีดึงข้อมูลหลายแบบ อย่างเช่น

67
00:03:36,152 --> 00:03:38,773
server ที่อิงกับ graph services

68
00:03:38,773 --> 00:03:42,492
(บริการแบบกราฟ) และยังมีแนวทางแบบ MCP (Model

69
00:03:42,492 --> 00:03:44,606
Context Protocol) และ CLI

70
00:03:44,606 --> 00:03:48,325
(ส่วนติดต่อบรรทัดคำสั่ง) อีกด้วย เจ๋งมากครับ

71
00:03:48,325 --> 00:03:52,214
และในส่วนอื่น ๆ ก็พูดถึง decision intelligence

72
00:03:52,214 --> 00:03:55,764
(ปัญญาการตัดสินใจ) ที่เราคุยกันก่อนหน้านี้

73
00:03:55,764 --> 00:03:59,314
แต่มีคำอธิบายละเอียดว่าแต่ละฟังก์ชันทำอะไร

74
00:03:59,314 --> 00:04:02,611
พร้อมตัวอย่างที่ชัดเจนที่เขาทำเอกสารไว้

75
00:04:02,611 --> 00:04:06,162
และยังมีตัวอย่างพื้นฐานวิธีเพิ่ม edges และ

76
00:04:06,162 --> 00:04:09,797
nodes (โหนด) ลงในกราฟ และดึงข้อมูลกลับมาจาก

77
00:04:09,797 --> 00:04:13,178
context store (ที่เก็บ context) ด้วยครับ

78
00:04:13,178 --> 00:04:16,728
พวกเขาเก็บทุกอย่างลงใน vector store แล้วก็

79
00:04:16,728 --> 00:04:19,180
query (สอบถาม) โดยใช้ context

80
00:04:19,180 --> 00:04:21,800
เพื่อดึงคำถามกลับมาครับ ท้ายสุด

81
00:04:21,800 --> 00:04:25,097
พวกเขายังพูดถึง shared context (context

82
00:04:25,097 --> 00:04:28,986
ที่ใช้ร่วมกัน) ด้วย ถ้ามี agent หลายตัว จะแชร์

83
00:04:28,986 --> 00:04:32,874
context กันยังไง โดยปกติจะแชร์ context แบบ per

84
00:04:32,874 --> 00:04:36,763
agent (ต่อเอเจนต์) คือแต่ละ agent ก็มี context

85
00:04:36,763 --> 00:04:40,651
ของตัวเอง แต่ context เดียวกันนี้สามารถแชร์ให้

86
00:04:40,651 --> 00:04:44,371
agent หลายตัวใช้ร่วมกันได้ ซึ่งมีประโยชน์มาก

87
00:04:44,371 --> 00:04:47,414
เช่น เราสามารถแชร์ context นั้นไปให้

88
00:04:47,414 --> 00:04:50,626
researcher agent (เอเจนต์นักวิจัย) และ

89
00:04:50,626 --> 00:04:54,177
knowledge store (ที่เก็บความรู้) รวมถึงใส่

90
00:04:54,177 --> 00:04:57,727
agent ลงในทีม (team) ได้ ระบบทั้งหมดจะเห็น

91
00:04:57,727 --> 00:04:58,826
context

92
00:04:58,826 --> 00:05:02,207
ชุดเดียวกันบนโครงสร้างพื้นฐานแบบกราฟครับ

93
00:05:02,207 --> 00:05:05,927
และในส่วนข้อมูลอื่น ๆ ก็พูดถึงเรื่องอื่นด้วย

94
00:05:05,927 --> 00:05:08,801
เช่น การทำ MCP server integrations

95
00:05:08,801 --> 00:05:12,605
(การเชื่อมต่อกับเซิร์ฟเวอร์ MCP) และ REST API

96
00:05:12,605 --> 00:05:13,704
integrations

97
00:05:13,704 --> 00:05:16,832
ซึ่งเป็นตัวอย่างที่ดีให้ลองเล่นดูครับ

98
00:05:16,832 --> 00:05:20,213
หลังจากพูดมาทั้งหมดแล้ว มาดูกันว่าจริง ๆ

99
00:05:20,213 --> 00:05:22,411
แล้วมันหน้าตาเป็นยังไงครับ

100
00:05:22,411 --> 00:05:24,524
เราตั้งค่าทุกอย่างไว้แล้ว

101
00:05:24,524 --> 00:05:28,159
จะเห็นว่านี่คือเวอร์ชันเว็บ หรือ visualizer

102
00:05:28,159 --> 00:05:29,681
ของ Semantica ครับ

103
00:05:29,681 --> 00:05:33,062
เราสามารถสร้างกราฟได้แค่ป้อนข้อมูลเข้าไป

104
00:05:33,062 --> 00:05:36,612
แล้วจะเห็นอะไรประมาณนี้ครับ โดยพื้นฐานจะมี

105
00:05:36,612 --> 00:05:37,880
nodes และ edges

106
00:05:37,880 --> 00:05:40,924
และเห็นความสัมพันธ์ระหว่างโหนดต่าง ๆ

107
00:05:40,924 --> 00:05:44,136
ได้ครับ ตัวอย่างเช่น นี่คือ Apple Inc.

108
00:05:44,136 --> 00:05:47,686
ครับ ว่า Apple Inc. เริ่มต้นยังไง ถ้าดูที่

109
00:05:47,686 --> 00:05:51,237
context ที่เราให้ไป นี่คือตัวอย่าง context

110
00:05:51,237 --> 00:05:54,872
ครับ พวกเขาแยก context นี้ออกเป็น edges และ

111
00:05:54,872 --> 00:05:58,338
nodes ต่าง ๆ รวมแล้วเป็น 114 nodes และ 11

112
00:05:58,338 --> 00:06:01,972
edges นี่คือ context ทั้งหมดที่บอกว่า Apple

113
00:06:01,972 --> 00:06:04,593
คืออะไร เริ่มยังไง ก่อตั้งยังไง

114
00:06:04,593 --> 00:06:06,622
และผู้ก่อตั้งเป็นใครครับ

115
00:06:06,622 --> 00:06:10,088
หลังจากนั้นก็สร้างกราฟขึ้นมา โดยมีสองวิธี

116
00:06:10,088 --> 00:06:13,131
วิธีแรกคือวิธีดั้งเดิม (traditional)

117
00:06:13,131 --> 00:06:16,766
คือสร้างด้วยมือ วิธีที่สองคือใช้ LLM (Large

118
00:06:16,766 --> 00:06:19,894
Language Model หรือโมเดลภาษาขนาดใหญ่)

119
00:06:19,894 --> 00:06:23,529
ซึ่งเป็นแนวทางแบบ LLM ครับ อย่างแรก เขาอ่าน

120
00:06:23,529 --> 00:06:27,248
context ซึ่งเป็น context ขนาดใหญ่ แล้วถ้าใช้

121
00:06:27,248 --> 00:06:30,883
LLM ก็แค่ให้ LLM ดึงทุกอย่างออกมา พวกเขาใช้

122
00:06:30,883 --> 00:06:34,602
LLM extract ทุกอย่าง จากนั้นใช้ relationship

123
00:06:34,602 --> 00:06:37,138
extractor (ตัวแยกความสัมพันธ์)

124
00:06:37,138 --> 00:06:40,435
เพื่อสร้างความสัมพันธ์ เริ่มจาก extract

125
00:06:40,435 --> 00:06:42,887
entities แล้วก็ extract edges

126
00:06:42,887 --> 00:06:46,775
หลังจากนั้นก็ใส่ทุกอย่างเข้าไปใน graph builder

127
00:06:46,775 --> 00:06:50,157
(ตัวสร้างกราฟ) โดยใช้ edges และ entities

128
00:06:50,157 --> 00:06:53,538
ในการสร้างกราฟ แล้วก็เริ่ม query กราฟได้

129
00:06:53,538 --> 00:06:56,835
และยัง dump (ส่งออก) เป็นไฟล์ JSON แล้ว

130
00:06:56,835 --> 00:07:00,723
visualize ได้ด้วยครับ ในตัวอย่างนี้ เราใช้ไฟล์

131
00:07:00,723 --> 00:07:04,020
dump JSON ที่ชื่อว่า our I'm demo graph

132
00:07:04,020 --> 00:07:07,571
เพื่อรัน demo นี้ จะเห็นว่านี่คือกราฟ demo

133
00:07:07,571 --> 00:07:10,867
ของเรา เรารันมันด้วย Semantica Explorer

134
00:07:10,867 --> 00:07:13,741
ซึ่งเป็นสิ่งที่คุณเห็นเมื่อกี้ครับ

135
00:07:13,741 --> 00:07:16,869
โดยพื้นฐานแล้ว มันแทน context ทั้งหมด

136
00:07:16,869 --> 00:07:19,659
แต่เป็นแบบกราฟครับ ถ้าส่ง context

137
00:07:19,659 --> 00:07:23,294
ทั้งก้อนนี้เป็น query ไปให้ agent มันยากมาก

138
00:07:23,294 --> 00:07:26,083
เพราะ context ใหญ่มาก บางที agent

139
00:07:26,083 --> 00:07:28,450
ก็เข้าใจผิดหรือไม่ค่อยเข้าใจ

140
00:07:28,450 --> 00:07:31,578
แต่พอแยกเป็นกราฟที่มี edges และ nodes

141
00:07:31,578 --> 00:07:35,382
พร้อมช่วยในการตัดสินใจ (decision making) แล้ว

142
00:07:35,382 --> 00:07:38,341
ก็ช่วยนำทางให้ agent เข้าใจ context

143
00:07:38,341 --> 00:07:42,060
ได้ดีขึ้นครับ อย่างที่เห็น เขาแยกมันเป็น 140

144
00:07:42,060 --> 00:07:45,188
nodes และ 10 edges ครับ พอคลิกที่โหนด

145
00:07:45,188 --> 00:07:47,978
ก็จะเห็นข้อมูลละเอียดของแต่ละโหนด

146
00:07:47,978 --> 00:07:51,274
และความสัมพันธ์ระหว่างโหนดเหล่านั้นครับ

147
00:07:51,274 --> 00:07:53,472
และยังมี temporal scrubber

148
00:07:53,472 --> 00:07:56,431
(ตัวเลื่อนดูตามเวลา) คลิกปุ่มต่าง ๆ

149
00:07:56,431 --> 00:08:01,587
เพื่อดูรายละเอียดเพิ่มเติม และดูรายละเอียดของโหนดและขอบต่าง ๆ

150
00:08:01,587 --> 00:08:05,138
ได้ครับ นี่คือปุ่ม toggle (สลับเปิดและปิด)

151
00:08:05,138 --> 00:08:07,927
ตัวอย่างเช่น โหมด direct neighbor

152
00:08:07,927 --> 00:08:10,633
(เพื่อนบ้านโดยตรง) คลิกโหนดเดียว

153
00:08:10,633 --> 00:08:14,267
ก็เห็นเพื่อนบ้านทั้งหมดได้ครับ สำหรับ Apple

154
00:08:14,267 --> 00:08:17,311
กับ iPhone เราคลิกโหนดที่เป็นปี 2007

155
00:08:17,311 --> 00:08:21,115
จะเห็นว่ามันเชื่อมกับ iPhone และ Apple จริง ๆ

156
00:08:21,115 --> 00:08:24,665
เห็นได้ในส่วน neighborhood (ย่านใกล้เคียง)

157
00:08:24,665 --> 00:08:28,046
และยังมี temporal context (บริบทตามเวลา)

158
00:08:28,046 --> 00:08:31,174
ดูได้ว่ามันเปลี่ยนไปตามลำดับเวลายังไง

159
00:08:31,174 --> 00:08:35,063
เจ๋งมากและมีโครงสร้างดีมากครับ และยังคลิกไปรอบ

160
00:08:35,063 --> 00:08:37,261
ๆ เพื่อรัน link prediction

161
00:08:37,261 --> 00:08:40,557
(การคาดการณ์ความเชื่อมโยง) ได้ สะดวกมาก

162
00:08:40,557 --> 00:08:43,178
และยังค้นหาได้ เช่น ค้นหา Apple

163
00:08:43,178 --> 00:08:44,615
ก็จะได้โหนดต่าง ๆ

164
00:08:44,615 --> 00:08:48,842
ที่เกี่ยวกับ Apple เช่น Apple orientation concept,

165
00:08:48,842 --> 00:08:51,885
Apple Park และ Apple Silicon เป็นต้น

166
00:08:51,885 --> 00:08:55,435
เห็นง่ายมากว่าโหนดไหนเกี่ยวข้องกับ context

167
00:08:55,435 --> 00:08:58,648
ที่เราป้อนเข้าไปครับ ยังมีโหมด agomode

168
00:08:58,648 --> 00:09:01,268
เห็นได้เลยครับ และยังมี heatmap

169
00:09:01,268 --> 00:09:04,227
(แผนที่ความร้อน) ทั้งแบบ structural

170
00:09:04,227 --> 00:09:08,115
(เชิงโครงสร้าง) และแบบ semantic (เชิงความหมาย)

171
00:09:08,115 --> 00:09:11,835
ครับ มีฟีเจอร์มากมายอยู่ใน visualizer นี้ มี

172
00:09:11,835 --> 00:09:15,470
group view (มุมมองแบบกลุ่ม) ด้วย และมี full

173
00:09:15,470 --> 00:09:19,274
graph (กราฟเต็ม) ที่เราเพิ่งเห็น มีวิธีมองรอบ

174
00:09:19,274 --> 00:09:22,824
ๆ หลายแบบเพื่อเห็นแง่มุมต่าง ๆ ของ context

175
00:09:22,824 --> 00:09:26,459
ครับ สำหรับการวิเคราะห์ ถ้ามี decision tree

176
00:09:26,459 --> 00:09:30,179
(ต้นไม้การตัดสินใจ) เขาจะวิเคราะห์ให้ได้ครับ

177
00:09:30,179 --> 00:09:33,560
เดี๋ยวจะให้ดูกันทีหลังว่าหน้าตาเป็นยังไง

178
00:09:33,560 --> 00:09:36,265
และยังมี decisions (การตัดสินใจ)

179
00:09:36,265 --> 00:09:38,378
ที่บันทึกไว้ทั้งหมด ถ้ามี

180
00:09:38,378 --> 00:09:41,844
ก็จะแสดงขึ้นมาตรงนี้ครับ เช่น ถ้าคุณสร้าง

181
00:09:41,844 --> 00:09:45,310
decision ต่าง ๆ กัน นี่คือตัวอย่างแบบ LLM

182
00:09:45,310 --> 00:09:49,114
เราจะโชว์ตัวอย่าง decision ให้ดู เช่น ถ้าอยาก

183
00:09:49,114 --> 00:09:52,495
visualize decision โดยใช้ decision graph

184
00:09:52,495 --> 00:09:56,384
(กราฟการตัดสินใจ) แค่คลิก มันก็จะเปิด explorer

185
00:09:56,384 --> 00:09:58,666
พร้อม decision graph ขึ้นมา

186
00:09:58,666 --> 00:10:01,879
รอสักครู่เพื่อดูว่าหน้าตาเป็นยังไงครับ

187
00:10:01,879 --> 00:10:04,330
กลับไปที่ visualizer กัน โอเค

188
00:10:04,330 --> 00:10:07,881
รีเฟรชมันก่อนครับ จะเห็นว่านี่คือ decision

189
00:10:07,881 --> 00:10:11,516
tree ถ้าสร้าง decision มันก็จะแสดงภาพตรงนี้

190
00:10:11,516 --> 00:10:15,404
ตัวอย่างเช่น decision ที่เราเพิ่มในตัวอย่างคือ

191
00:10:15,404 --> 00:10:19,208
decision demo ครับ จะเห็นว่าเขาสร้าง decision

192
00:10:19,208 --> 00:10:23,012
ไว้สองอัน คือ decision หนึ่ง กับ decision สอง

193
00:10:23,012 --> 00:10:26,816
จากนั้นก็ส่งออก decision tree graph เป็น JSON

194
00:10:26,816 --> 00:10:29,183
แล้วพอใส่เข้าไปใน visualizer

195
00:10:29,183 --> 00:10:32,564
ก็จะเห็นว่ามีการตัดสินใจเกิดขึ้นแล้วครับ

196
00:10:32,564 --> 00:10:36,115
เป็นโปรเจกต์ที่มีประโยชน์มาก ช่วยให้เข้าใจ

197
00:10:36,115 --> 00:10:39,581
context ได้ดีขึ้น และยังเอาไปใช้กับ agent

198
00:10:39,581 --> 00:10:43,469
ได้ด้วย ถ้าใส่เข้าไปใน MCP หรือ backend server

199
00:10:43,469 --> 00:10:47,358
(เซิร์ฟเวอร์แบ็กเอนด์) ก็จะเชื่อมต่อกับ coding

200
00:10:47,358 --> 00:10:50,824
agents (เอเจนต์เขียนโค้ด) ต่าง ๆ ได้ เช่น

201
00:10:50,824 --> 00:10:54,628
Claude Code และ Codex ครับ ตัวอย่างเช่น ถ้ามี

202
00:10:54,628 --> 00:10:58,263
MCP อยู่ตรงนี้ ก็ใช้ Codex หรือ Claude Code

203
00:10:58,263 --> 00:11:00,714
ในการ query ได้ สุดยอดมากครับ

204
00:11:00,714 --> 00:11:05,279
การติดตั้งก็ค่อนข้างตรงไปตรงมาเหมือนที่พูดตอนต้นวิดีโอ

205
00:11:05,279 --> 00:11:08,322
เดี๋ยวจะพาไปดูขั้นตอนทีละขั้นตอนครับ

206
00:11:08,322 --> 00:11:11,196
สิ่งแรกที่ต้องทำคือติดตั้งโปรเจกต์

207
00:11:11,196 --> 00:11:14,408
(ในคำบรรยายฟังเป็น Rapple น่าจะหมายถึง

208
00:11:14,408 --> 00:11:17,874
repository) มีตัวอย่างที่ผมเพิ่มไว้ตรงนี้

209
00:11:17,874 --> 00:11:21,594
ขั้นแรก clone repository (คัดลอกที่เก็บโค้ด)

210
00:11:21,594 --> 00:11:23,623
ลงมา แล้วรัน pip install

211
00:11:23,623 --> 00:11:26,074
ให้แน่ใจว่าติดตั้งครบทุกอย่าง

212
00:11:26,074 --> 00:11:29,286
การติดตั้งทุกอย่างให้ครบช่วยได้มากครับ

213
00:11:29,286 --> 00:11:33,090
จากนั้นต้องติดตั้ง openai สำหรับแนวทางแบบ LLM

214
00:11:33,090 --> 00:11:36,218
ที่เราโชว์ตอนต้น และต้องติดตั้ง PyCon

215
00:11:36,218 --> 00:11:39,684
(ในคำบรรยาย น่าจะเป็นแพ็กเกจสำหรับ vector

216
00:11:39,684 --> 00:11:43,150
store) สำหรับ vector store และ embeddings

217
00:11:43,150 --> 00:11:46,616
(การฝังเวกเตอร์) ด้วยครับ จากนั้นก็สตาร์ท

218
00:11:46,616 --> 00:11:50,335
semantic kernel (เคอร์เนลของ Semantica) ผ่าน

219
00:11:50,335 --> 00:11:53,717
CLI หรือจะรันเป็น semantic kernel server

220
00:11:53,717 --> 00:11:57,436
ซึ่งเป็น REST server ก็ได้ และยังมี explorer

221
00:11:57,436 --> 00:11:59,549
ที่ไว้สำรวจข้อมูลโดยเฉพาะ

222
00:11:59,549 --> 00:12:02,846
อันนี้จะให้การดึงข้อมูลจาก query ต่าง ๆ

223
00:12:02,846 --> 00:12:03,945
แต่ที่แน่ ๆ

224
00:12:03,945 --> 00:12:11,215
คือมันจะ visualize entities และ edges เพื่อแสดงภาพ context ทั้งหมด และรัน query ต่าง ๆ

225
00:12:11,215 --> 00:12:15,019
กับ context ได้ครับ และยังทำ magical semantic

226
00:12:15,019 --> 00:12:18,823
MCP (MCP ของ Semantica) ได้ด้วยครับ ต่อมาเป็น

227
00:12:18,823 --> 00:12:22,712
environment variables (ตัวแปรสภาพแวดล้อม) ต่าง

228
00:12:22,712 --> 00:12:26,431
ๆ ที่ต้องตั้งค่าเพื่อให้ Semantica ทำงานครับ

229
00:12:26,431 --> 00:12:30,066
เช่น ต้องตั้ง log origins และ explorer CORS

230
00:12:30,066 --> 00:12:33,870
origins (การอนุญาต CORS) ถ้าอยากตั้งค่าบน VPS

231
00:12:33,870 --> 00:12:37,336
(เซิร์ฟเวอร์เสมือนส่วนตัว) และต้องตั้งค่า

232
00:12:37,336 --> 00:12:40,125
SEMANTICA_API_KEY_ALLOW_ANONYMOUS

233
00:12:40,125 --> 00:12:44,014
(อนุญาตการเข้าถึงแบบไม่ระบุตัวตน) ถ้าอยากทดสอบ

234
00:12:44,014 --> 00:12:47,903
ตอนนี้ตั้งเป็น false แต่ตั้ง true ได้เหมือนกัน

235
00:12:47,903 --> 00:12:51,537
อันนี้คืออนุญาตการเข้าถึงแบบ anonymous ครับ

236
00:12:51,537 --> 00:12:55,341
แต่ใน production (ระบบจริง) ควรตั้งเป็น false

237
00:12:55,341 --> 00:12:58,216
เพื่อความปลอดภัย อย่าตั้งเป็น true

238
00:12:58,216 --> 00:13:01,935
ในสภาพแวดล้อมสาธารณะเด็ดขาด ให้ตั้ง false ใน

239
00:13:01,935 --> 00:13:05,570
public environment ถ้าอยากทดสอบก็ปิดได้ครับ

240
00:13:05,570 --> 00:13:09,036
และสำหรับ OpenAI หรือแนวทางอื่นที่อิง LLM

241
00:13:09,036 --> 00:13:12,248
ก็ต้องตั้ง OpenAI API key และ base URL

242
00:13:12,248 --> 00:13:15,883
ด้วยครับ ในกรณีนี้เราใช้ Buddha (ในคำบรรยาย

243
00:13:15,883 --> 00:13:19,772
ฟังไม่ชัด) จะใช้โมเดลอื่นก็ได้ ในเดโมนี้เราใช้

244
00:13:19,772 --> 00:13:23,407
GPT 5.5 ของ OpenAI จะใช้โมเดลอื่นก็ได้ เช่น

245
00:13:23,407 --> 00:13:25,604
ถ้าอยากใช้ Llama ก็ได้ครับ

246
00:13:25,604 --> 00:13:28,225
และจะเห็นว่าเราสร้าง visualizer

247
00:13:28,225 --> 00:13:32,029
หลายตัวกับกราฟหลายแบบ เราสร้างกราฟแล้ว export

248
00:13:32,029 --> 00:13:35,326
เป็น JSON จากนั้นใช้ Semantica Explorer

249
00:13:35,326 --> 00:13:38,961
visualize ได้ครับ เอาล่ะ น่าจะประมาณนี้ครับ

250
00:13:38,961 --> 00:13:42,680
หวังว่าวิดีโอนี้จะมีประโยชน์ ถ้าชอบวิดีโอนี้

251
00:13:42,680 --> 00:13:46,484
ช่วยกด subscribe หรือคอมเมนต์ถ้ามีคำถามนะครับ

252
00:13:46,484 --> 00:13:48,598
ขอบคุณมากที่ support ช่อง

253
00:13:48,598 --> 00:13:50,880
และเจอกันในวิดีโอหน้านะครับ