LangChainOllama

ชุดตัวอย่าง LangChain + Ollama สำหรับงาน AI Agent ภาษาไทย/อังกฤษ

Table of Contents

• Features
• ติดตั้ง
• การใช้งานเบื้องต้น
• ภาพรวมของระบบ
• Workflow ใหม่
• Best Practices
• คำถามที่พบบ่อย (FAQ)

Features

• รองรับ LLM จาก Ollama (เช่น llama3.2:3b, qwen3:1.7b และอื่นๆ)
• ตัวอย่าง Agent หลากหลายรูปแบบ (Basic, RAG, SQL, Tool+Memory, Web, Fact-check, Creative, Summarization, PDF Q&A, Multi-Document RAG, Translation, Web Search, Knowledge Graph, Sentiment Analysis, Text Classification, Data Extraction, Code Generation)
• ใช้ FAISS + HuggingFace Embeddings สำหรับ RAG
• Agent พร้อม memory, error handling, logging และ input validation
• รองรับภาษาไทยและอังกฤษ (Native)
• รองรับ batch/bulk operation ในหลาย agent (เช่น การแปล, การสรุป, การจัดประเภท, การสกัดข้อมูล)
• Knowledge Graph Triplet Extraction (สร้างกราฟความรู้จากข้อความ)
• Sentiment Analysis ภาษาไทย/อังกฤษ
• Text Classification ภาษาไทย/อังกฤษ
• Data Extraction (สกัดข้อมูลบริษัท/ข้อมูลสำคัญจากข้อความ)
• Code Generation Agent (สร้างโค้ด Python พร้อมอธิบายและรันได้)

วิธีติดตั้ง

1. ติดตั้ง Python >= 3.10
2. ติดตั้งแพ็กเกจที่จำเป็น:

   pip install langchain langchain-community langchain-ollama langchain-huggingface duckduckgo-search sqlite-utils python-dotenv

3. ติดตั้ง Ollama และดาวน์โหลดโมเดลที่ต้องการ (เช่น llama3.2:3b)
4. สร้างไฟล์ .env (ถ้าใช้ HuggingFace Embedding):

   HF_TOKEN=your_huggingface_token

วิธีใช้งานเบื้องต้น

• ใช้ LLM จาก Ollama ผ่าน langchain_ollama.OllamaLLM (รองรับ local LLM)
• ตัวอย่าง RAG ใช้ FAISS + HuggingFaceEmbeddings (รองรับ multilingual)
• SQL Agent ใช้ langchain_community.agent_toolkits.create_sql_agent เชื่อมต่อ SQLite
• Web Tool ใช้ DuckDuckGoSearchRun (DuckDuckGo อาจ rate limit ถ้าเรียกบ่อย)
• Fact-check Agent ใช้ 2 LLM: ตัวแรกค้นหา, ตัวที่สองวิจารณ์/ตรวจสอบ
• Creative Agent ใช้ Prompt Chaining (สร้างเรื่อง + แปลง style)
• ตัวอย่างทั้งหมดรองรับภาษาไทยและอังกฤษ

ภาพรวมของระบบ

คลิกเพื่อดูภาพรวม

┌─────────────────────────────────────────────────────────────────────────┐
│                    LangChain + Ollama Agent System                     │
├─────────────────────────────────────────────────────────────────────────┤
│                                                                         │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────┐                  │
│  │ Basic Agent │    │  RAG Agent  │    │ SQL Agent   │                  │
│  │             │    │             │    │             │                  │
│  │ • Chat      │    │ • Vector DB │    │ • SQLite    │                  │
│  │ • Q&A       │    │ • Documents │    │ • Queries   │                  │
│  └─────────────┘    └─────────────┘    └─────────────┘                  │
│                                                                         │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────┐                  │
│  │ Web Agent   │    │Creative     │    │Fact-Check   │                  │
│  │             │    │Agent        │    │Agent        │                  │
│  │ • Search    │    │ • Stories   │    │ • Verify    │                  │
│  │ • Real-time │    │ • Poems     │    │ • Critics   │                  │
│  └─────────────┘    └─────────────┘    └─────────────┘                  │
│                                                                         │
│  ┌─────────────┐    ┌─────────────┐                                     │
│  │ Translation │    │ Web Tool    │                                     │
│  │ Agent       │    │ Agent       │                                     │
│  │ • Multilang │    │ • DuckDuckGo│                                     │
│  │ • Detect    │    │ • Fallback  │                                     │
│  └─────────────┘    └─────────────┘                                     │
│                                                                         │
│                         ┌─────────────────┐                             │
│                         │  Ollama LLM     │                             │
│                         │                 │                             │
│                         │ • llama3.2:3b   │                             │
│                         │ • qwen3:1.7b    │                             │
│                         │ • Local Models  │                             │
│                         └─────────────────┘                             │
│                                                                         │
│  ┌─────────────────────────────────────────────────────────────────────┤
│  │                        Tools & Integration                          │
│  ├─────────────────────────────────────────────────────────────────────┤
│  │ Memory System │ Search Tools │ Database Tools │ File Processing     │
│  │               │              │                │                     │
│  │ • Chat History│ • DuckDuckGo │ • SQLite       │ • PDF               │
│  │ • Context     │ • Bing API   │ • PostgreSQL   │ • TXT               │
│  │ • Sessions    │ • Web Scrape │ • MySQL        │ • Markdown          │
│  └─────────────────────────────────────────────────────────────────────┘
└─────────────────────────────────────────────────────────────────────────┘

ระบบนี้แสดงให้เห็นถึงความสามารถหลากหลายของ LangChain เมื่อผสานกับ Ollama:

🤖 Multi-Agent Architecture

• Basic Agent: LLM พื้นฐานสำหรับการสนทนาและตอบคำถาม
• RAG Agent: ระบบค้นหาข้อมูลจากเอกสารด้วย Vector Database
• SQL Agent: Agent ที่สามารถสื่อสารกับฐานข้อมูลได้โดยตรง
• Web Agent: ค้นหาข้อมูลสดจากอินเทอร์เน็ตแบบ Real-time
• Creative Agent: สร้างสรรค์เนื้อหา เรื่องสั้น กลอน และบทความ
• Fact-Check Agent: ตรวจสอบความถูกต้องของข้อมูล
• Summarization Agent: สรุปเนื้อหายาว ๆ ให้กระชับ เข้าใจง่าย
• PDF Q&A Agent: ถามตอบข้อมูลจากไฟล์ PDF โดยตรง
• Multi-Document RAG Agent: ถามตอบจากหลายไฟล์/หลายแหล่งข้อมูล (TXT, PDF)
• Translation Agent: แปลข้อความและเอกสารระหว่างภาษาไทย อังกฤษ จีน ญี่ปุ่น ฯลฯ พร้อมตรวจจับภาษาอัตโนมัติ
• Web Tool Agent: ค้นหาข้อมูลสดจากอินเทอร์เน็ตแบบ Real-time ด้วย DuckDuckGo Search (รองรับ fallback หลายกลยุทธ์)
• Knowledge Graph Agent: สร้างกราฟความรู้จากข้อความ
• Sentiment Analysis Agent: วิเคราะห์อารมณ์ของข้อความ
• Text Classification Agent: จัดประเภทข้อความ
• Data Extraction Agent: สกัดข้อมูลสำคัญจากข้อความ
• Code Generation Agent: สร้างโค้ด Python พร้อมอธิบายและรันได้

🔧 Tool Integration

• Memory System: จดจำบริบทการสนทนาแบบต่อเนื่อง
• Search Tools: DuckDuckGo, Bing Search API integration
• Database Tools: SQLite, PostgreSQL, MySQL support
• File Processing: PDF, TXT, Markdown document processing

🌐 Multi-Language Support

• รองรับภาษาไทยและอังกฤษแบบ Native
• ใช้ Multilingual Embedding Models
• Prompt Engineering สำหรับภาษาไทยโดยเฉพาะ

---

ตัวอย่างนี้เหมาะสำหรับนักพัฒนา AI, นักวิจัย, นักเขียน, นักวิเคราะห์ข่าว และผู้สนใจ LangChain/Ollama

ตัวอย่างผลลัพธ์

📊 SQL Agent ในการใช้งานจริง

# ตัวอย่างการถามข้อมูลจากฐานข้อมูล
query = "มีใครบ้างในฐานข้อมูล และอายุเท่าไร?"
response = agent_executor.invoke({"input": query})
# ผลลัพธ์: "ในฐานข้อมูลมี Alice อายุ 30 ปี และ Bob อายุ 25 ปี"

ตัวอย่างผลลัพธ์: SQL Agent สามารถตอบคำถามเกี่ยวกับข้อมูลในฐานข้อมูล SQLite ได้โดยตรง เช่น รายชื่อและอายุของบุคคลในฐานข้อมูล

🎨 Creative Writing Agent

# สร้างเรื่องสั้นและแปลงเป็นกลอน
idea = "เด็กชายคนหนึ่งพบไข่มังกรในป่า"
result = creative_chain.invoke(idea)
# ผลลัพธ์: เรื่องสั้นแฟนตาซีและกลอนสุภาพ 4 บท

ตัวอย่างผลลัพธ์: Creative Agent สามารถสร้างเรื่องสั้นและแปลงเป็นกลอนหรือเนื้อหาสร้างสรรค์อื่น ๆ ได้ตามโจทย์ที่กำหนด

📚 RAG System

# ตอบคำถามจากเอกสาร
query = "AI ช่วยงานอะไรได้บ้าง?"
response = rag_chain.invoke({"query": query})
# ผลลัพธ์: คำตอบที่อ้างอิงจากเอกสารในระบบ

ตัวอย่างผลลัพธ์: RAG System สามารถตอบคำถามโดยอ้างอิงข้อมูลจากเอกสารที่มีในระบบ

🎯 Basic LLM Pipeline

# ตัวอย่างการใช้งาน LLM แบบพื้นฐาน
topic = "กลศาสตร์ควอนตัม"
result = chain.invoke({"topic": topic})
# ผลลัพธ์: คำอธิบายที่เข้าใจง่ายเกี่ยวกับหัวข้อที่ถาม

ตัวอย่างผลลัพธ์: Basic LLM Pipeline สามารถอธิบายหัวข้อหรือแนวคิดต่าง ๆ ได้อย่างเข้าใจง่าย

📖 Translation Agent

# ตัวอย่างการแปลข้อความและตรวจจับภาษาอัตโนมัติ
agent = EnhancedTranslationAgent(model_name="llama3.2:3b")
result = agent.translate("สวัสดีครับ วันนี้อากาศดีมาก", target_language="en")
# ผลลัพธ์: TranslationResult(original_text='สวัสดีครับ วันนี้อากาศดีมาก', translated_text='Hello, the weather is very nice today.', ...)

# ตรวจจับภาษา
lang_info = agent.detect_language("こんにちは")
# ผลลัพธ์: {'language': 'ญี่ปุ่น', 'language_code': 'ja', 'confidence': 'กลาง'}

ตัวอย่างผลลัพธ์: Translation Agent สามารถแปลข้อความและตรวจจับภาษาได้อัตโนมัติ รองรับหลายภาษา

🌐 Web Tool Agent

# ตัวอย่างการค้นหาข้อมูลสดจากอินเทอร์เน็ต
agent = create_search_agent(model="qwen3:1.7b")
response = agent.query("ข่าวเทคโนโลยี AI ล่าสุดวันนี้")
# ผลลัพธ์: {"success": True, "output": "Final Answer: ...", ...}

# รองรับ fallback หลายกลยุทธ์ (API, HTML, simplified query)

ตัวอย่างผลลัพธ์: Web Tool Agent สามารถค้นหาข้อมูลสดจากอินเทอร์เน็ตและรองรับ fallback หลายกลยุทธ์ เช่น API, HTML, simplified query

ความพิเศษของ LangChain + Ollama

🚀 Performance Benefits

• Local Processing: ไม่ต้องส่งข้อมูลออกนอกเครื่อง
• Cost Effective: ไม่มีค่าใช้จ่าย API calls
• Customizable: ปรับแต่งโมเดลได้ตามต้องการ
• Privacy: ข้อมูลไม่ออกจากเครื่องของคุณ

💡 Use Cases

• ผู้พัฒนา: สร้าง AI Assistant สำหรับงานเขียนโค้ด
• นักวิจัย: วิเคราะห์เอกสารและข้อมูลขนาดใหญ่
• นักเขียน: ช่วยสร้างสรรค์เนื้อหาและตรวจสอบข้อเท็จจริง
• นักธุรกิจ: วิเคราะห์ข้อมูลและสร้างรายงาน

🔧 Technical Advantages

• Modular Design: แยกส่วนงานได้ชัดเจน
• Extensible: เพิ่ม Agent ใหม่ได้ง่าย
• Multi-Modal: รองรับข้อมูลหลายรูปแบบ
• Production Ready: พร้อมใช้งานจริง

การติดตั้งและใช้งานขั้นสูง

🐳 Docker Deployment

FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["python", "LangChainBasic.py"]

⚙️ Environment Configuration

# ตั้งค่าตัวแปรสิ่งแวดล้อม
export OLLAMA_HOST=localhost:11434
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=your_api_key

📊 Performance Monitoring

# ตรวจสอบประสิทธิภาพ
from langchain.callbacks import get_openai_callback
with get_openai_callback() as cb:
    result = agent.invoke("your query")
    print(f"Tokens used: {cb.total_tokens}")

🗺️ ตัวอย่าง Workflow ของแต่ละ Agent (Mermaid Diagram)

หมายเหตุ: Diagram เหล่านี้ช่วยให้มือใหม่เข้าใจลำดับการทำงานของแต่ละสคริปต์/Agent ได้ง่ายขึ้น สามารถนำไปปรับใช้หรือขยายต่อยอดได้

1. Basic Agent (LangChainBasic.py)

graph TD
    A[รับข้อความ] --> B[validate input]
    B --> C[เตรียม prompt]
    C --> D[โหลด LLM]
    D --> E[สร้าง chain]
    E --> F[ส่งเข้า LLM]
    F --> G[รับผลลัพธ์]
    G --> H[แสดงผล]
    B -. batch .-> I[วนลูปหลายหัวข้อ]
    I --> C
    H -. error .-> J[handle error]

Loading

อธิบาย:

• รับข้อความ/หัวข้อจากผู้ใช้ (ผ่าน CLI หรือฟังก์ชัน)
• ตรวจสอบ input, handle error, validate
• เตรียม prompt และ chain
• ส่งเข้า LLM, รับผลลัพธ์, แสดงผล
• รองรับ batch explain และ custom prompt

---

NEW: รองรับ persistent vector DB (Pinecone, Weaviate), document loaders (PDF, web, etc.), API endpoint, authentication, caching, และ RAG evaluation metrics

• สามารถสลับใช้ FAISS (local), Pinecone, หรือ Weaviate ได้ใน config
• เพิ่ม document loader สำหรับ PDF, เว็บไซต์, TXT, Markdown ฯลฯ
• มี FastAPI endpoint พร้อม JWT/API key authentication
• รองรับ caching (in-memory/Redis) สำหรับ performance
• มีฟังก์ชันวัดคุณภาพ RAG (precision, recall, answer quality)
• ตัวอย่าง MCP integration (client/monitoring) พร้อมใช้งาน

---

2. RAG Agent (LangChainRAG.py)

graph TD
    A[รับไฟล์/คำถาม] --> B[โหลดเอกสาร]
    B --> C[แบ่ง chunk]
    C --> D[สร้างเวกเตอร์]
    D --> E[ตั้งค่า QA]
    E --> F[รับคำถาม]
    F --> G[แปลงเป็นเวกเตอร์]
    G --> H[ค้น context]
    H --> I[รวม context]
    I --> J[เข้า LLM]
    J --> K[แสดงคำตอบ]
    B -. error .-> L[handle error]

Loading

อธิบาย:

• โหลดไฟล์, แบ่ง chunk, สร้างเวกเตอร์, ตั้งค่า chain
• ถาม > ค้น context > รวม > ส่งเข้า LLM > ตอบ

---

3. Multi-Document RAG Agent (LangChainMultiDocRAGAgent.py)

graph TD
    A[รับหลายไฟล์] --> B[โหลด+แบ่งเอกสาร]
    B --> C[สร้างเวกเตอร์]
    C --> D[ตั้งค่า QA]
    D --> E[รับคำถาม]
    E --> F[ค้น context]
    F --> G[รวม context]
    G --> H[เข้า LLM]
    H --> I[แสดงคำตอบ]
    B -. error .-> J[handle error]

Loading

อธิบาย:

• รองรับหลายไฟล์/หลายประเภท, batch, handle error

---

4. SQL Agent (LangChainSQL.py)

graph TD
    A[รับ SQL] --> B[วิเคราะห์ intent]
    B --> C[สร้าง query]
    C --> D[รัน SQL]
    D --> E[แปลงผลลัพธ์]
    E --> F[แสดงผล]
    F --> G[บันทึก history]
    F -. analytics .-> H[dashboard]
    F -. suggest .-> I[แนะนำ]
    A -. error .-> J[handle error]

Loading

อธิบาย:

• ถาม > วิเคราะห์ > สร้าง query > รัน > ตีความผลลัพธ์ > ตอบ
• รองรับ analytics, suggest, export history

---

5. Web Tool Agent (LangChainWebTool.py)

graph TD
    A[รับคำถาม] --> B[เลือก search tool]
    B --> C[ค้นเว็บ]
    C --> D[สรุปผล]
    D --> E[เข้า LLM]
    E --> F[แสดงผล]
    C -. fallback .-> G[fallback]
    A -. error .-> H[handle error]

Loading

อธิบาย:

• ถาม > ค้นเว็บ > สรุป > (ส่งเข้า LLM) > ตอบ
• มี fallback หลายกลยุทธ์

---

6. Translation Agent (LangChainTranslationAgent.py)

graph TD
    A[รับข้อความ] --> B[ตรวจจับภาษา]
    B --> C[เลือก LLM]
    C --> D[แปล]
    D --> E[แสดงผล]
    A -. batch .-> F[แปลหลายข้อความ]
    D -. context .-> G[แปลตามบริบท]
    A -. error .-> H[handle error]

Loading

อธิบาย:

• รับข้อความ > ตรวจจับภาษา > แปล > ตอบ
• รองรับ batch, context-aware, export stats

---

7. PDF Q&A Agent (LangChainPDFQAAgent.py)

graph TD
    A[รับ PDF+คำถาม] --> B[แปลง PDF]
    B --> C[แบ่ง chunk]
    C --> D[สร้างเวกเตอร์]
    D --> E[ตั้งค่า QA]
    E --> F[รับคำถาม]
    F --> G[ค้น context]
    G --> H[รวม context]
    H --> I[เข้า LLM]
    I --> J[แสดงคำตอบ]
    A -. error .-> K[handle error]

Loading

อธิบาย:

• รับ PDF > แปลง > chunk > vector > QA chain > ถาม LLM > ตอบ

---

8. Knowledge Graph Agent (LangChainKnowledgeGraphAgent.py)

graph TD
    A[รับข้อความ] --> B[สกัด triplet]
    B --> C[อัปเดตกราฟ]
    C --> D[รับคำถาม]
    D --> E[ตั้งค่า prompt]
    E --> F[แสดง node]
    A -. error .-> G[handle error]

Loading

อธิบาย:

• รับข้อความ > สกัด triplet > อัปเดตกราฟ > query node > ตอบ

---

9. Sentiment Analysis Agent (LangChainSentimentAgent.py)

graph TD
    A[รับข้อความ] --> B[เข้า LLM วิเคราะห์]
    B --> C[แสดงอารมณ์]
    A -. batch .-> D[วิเคราะห์หลายข้อความ]
    A -. error .-> E[handle error]

Loading

อธิบาย:

• รับข้อความ > วิเคราะห์อารมณ์ > ตอบ (รองรับ batch)

---

10. Text Classification Agent (LangChainTextClassificationAgent.py)

graph TD
    A[รับข้อความ] --> B[เข้า LLM จัดประเภท]
    B --> C[แสดงหมวดหมู่]
    A -. batch .-> D[จัดประเภทหลายข้อความ]
    C -. distribution .-> E[สรุป distribution]
    A -. error .-> F[handle error]

Loading

อธิบาย:

• รับข้อความ > จัดประเภท > ตอบ (รองรับ batch, สรุป distribution)

---

11. Data Extraction Agent (LangChainDataExtractionAgent.py)

graph TD
    A[รับข้อความ] --> B[เข้า LLM สกัดข้อมูล]
    B --> C[แสดง JSON]
    A -. batch .-> D[สกัดหลายข้อความ]
    C -. export .-> E[ส่งออกไฟล์]
    A -. error .-> F[handle error]

Loading

อธิบาย:

• รับข้อความ > สกัดข้อมูล > ตอบ (รองรับ batch, export)

---

12. Code Generation Agent (LangChainCodeGenAgent.py)

graph TD
    A[รับคำสั่ง] --> B[เข้า LLM สร้างโค้ด]
    B --> C[แยกโค้ด-อธิบาย]
    C --> D[validate syntax]
    D --> E[รันโค้ด]
    E --> F[แสดงผล]
    F -. save .-> G[บันทึกไฟล์]
    F -. test .-> H[รัน test]
    A -. error .-> I[handle error]

Loading

อธิบาย:

• รับคำสั่ง > สร้างโค้ด > อธิบาย/validate > รัน/บันทึก/test > ตอบ

---

13. Creative Agent (LangChainCreativeAgent.py)

graph TD
    A[รับไอเดีย] --> B[เลือกเนื้อหา]
    B --> C[เตรียม prompt]
    C --> D[เข้า LLM สร้างเนื้อหา]
    D --> E[แสดงผลงาน]
    A -. batch .-> F[สร้างหลายผลงาน]
    A -. error .-> G[handle error]

Loading

อธิบาย:

• รับไอเดีย > เลือกประเภท > เตรียม prompt > สร้างเนื้อหา > ตอบ (รองรับ batch)

---

14. Summarization Agent (LangChainSummarizationAgent.py)

graph TD
    A[รับข้อความ/ไฟล์] --> B[เลือกสรุป]
    B --> C[แบ่ง chunk]
    C --> D[เข้า LLM สรุป]
    D --> E[รวมผลลัพธ์]
    E --> F[แสดงสรุป]
    F -. save .-> G[บันทึกไฟล์]
    A -. batch .-> H[สรุปหลายข้อความ]
    A -. error .-> I[handle error]

Loading

อธิบาย:

• รับข้อความ/ไฟล์ > เลือกประเภท > chunk > สรุป > รวม > ตอบ (รองรับ batch, save)

---

15. Tool+Memory Agent (LangChainToolMemory.py)

graph TD
    A[รับข้อความ] --> B[เลือก Tool]
    B --> C[เรียก Tool]
    C --> D[บันทึก memory]
    D --> E[เข้า LLM]
    E --> F[แสดงผล]
    A -. clear .-> G[ล้าง memory]
    A -. error .-> H[handle error]

Loading

อธิบาย:

• รับข้อความ > เลือก tool > เรียกใช้งาน > บันทึก memory > ตอบ (รองรับ clear memory)

---

16. Fact-Check Agent (LangChainFactCheckAgent.py)

graph TD
    A[รับ claim] --> B[สร้าง search]
    B --> C[ค้นเว็บ]
    C --> D[รวบรวม evidence]
    D --> E[เข้า LLM วิเคราะห์]
    E --> F[แสดง verdict]
    A -. error .-> G[handle error]

Loading

อธิบาย:

• รับ claim > ค้นหา > รวบรวม evidence > วิเคราะห์ > ตอบ verdict

---

ตัวอย่างการใช้งาน CLI ของแต่ละสคริปต์

หมายเหตุ: ตัวอย่างนี้สำหรับรันบน Windows (cmd) หรือ Linux/Mac (bash) ได้เหมือนกัน

• Basic Agent

  python LangChainBasic.py --input "หัวข้อหรือข้อความที่ต้องการถาม"

• RAG Agent

  python LangChainRAG.py --file "path/to/document.txt" --query "คำถามของคุณ"

• Multi-Document RAG Agent

  python LangChainMultiDocRAGAgent.py --files "doc1.txt,doc2.pdf" --query "คำถามของคุณ"

• SQL Agent

  python LangChainSQL.py --db "example.db" --query "SELECT * FROM table_name;"

• Web Tool Agent

  python LangChainWebTool.py --query "ข่าวเทคโนโลยี AI ล่าสุดวันนี้"

• Translation Agent

  python LangChainTranslationAgent.py --text "สวัสดีครับ" --target_lang "en"

• PDF Q&A Agent

  python LangChainPDFQAAgent.py --file "example.pdf" --query "เนื้อหาเกี่ยวกับอะไร?"

• Knowledge Graph Agent

  python LangChainKnowledgeGraphAgent.py --text "บริษัท A ซื้อบริษัท B"

• Sentiment Analysis Agent

  python LangChainSentimentAgent.py --text "วันนี้รู้สึกดีมาก"

• Text Classification Agent

  python LangChainTextClassificationAgent.py --text "ข่าวเศรษฐกิจวันนี้"

• Data Extraction Agent

  python LangChainDataExtractionAgent.py --text "บริษัท ABC จำกัด ก่อตั้งปี 2020"

• Code Generation Agent

  python LangChainCodeGenAgent.py --task "เขียนฟังก์ชันหาค่าเฉลี่ยของตัวเลขใน list"

• Creative Agent

  python LangChainCreativeAgent.py --idea "เด็กชายคนหนึ่งพบไข่มังกรในป่า"

• Summarization Agent

  python LangChainSummarizationAgent.py --text "เนื้อหายาว ๆ ..."

• Tool+Memory Agent

  python LangChainToolMemory.py --input "อัตราแลกเปลี่ยนวันนี้เท่าไร"

• Fact-Check Agent

  python LangChainFactCheckAgent.py --claim "AI จะมาแทนที่มนุษย์ทุกอาชีพ"

สามารถดู options เพิ่มเติมได้โดยรัน python <script>.py --help (ถ้าสคริปต์รองรับ)

Best Practices

• ตรวจสอบ resource consumption ของ LLM/embedding
• DuckDuckGo Search อาจ rate limit หากเรียกบ่อย
• ตรวจสอบ license ของ model/embedding ที่ใช้งาน
• ใช้ reverse proxy และจำกัด access เมื่อ deploy จริง
• ใช้ .env สำหรับ key/token ทุกชนิด
• ขยายไอเดียใหม่: เพิ่ม agent สำหรับค้นหาไอเดีย, สร้างเนื้อหาใหม่, หรือวิเคราะห์แนวโน้มเทคโนโลยีได้ง่ายด้วยการเพิ่มไฟล์ agent ใหม่และเชื่อมต่อกับ LLM

คำถามที่พบบ่อย (FAQ)

Q: ต้องใช้ Python เวอร์ชันไหน?

A: แนะนำ Python 3.10 ขึ้นไป (รองรับ 3.11, 3.12)

Q: ต้องใช้ GPU หรือไม่?

A: ไม่จำเป็นต้องมี GPU แต่ถ้ามีจะช่วยให้ LLM ทำงานเร็วขึ้น (Ollama รองรับ CPU และ GPU)

Q: Ollama คืออะไร?

A: Ollama เป็นระบบรัน LLM (Local Language Model) บนเครื่องของคุณเอง รองรับโมเดลหลากหลาย เช่น llama3, qwen3, phi3 ฯลฯ

Q: จะเพิ่ม Agent ใหม่เองได้อย่างไร?

A: สามารถสร้างไฟล์ Python ใหม่ตามตัวอย่าง agent เดิม แล้วเชื่อมต่อกับ LLM หรือเวกเตอร์สโตร์ได้ทันที (ดูตัวอย่างใน README)

Q: ใช้ Embedding/Vector DB อะไร?

A: ใช้ FAISS + HuggingFace Embeddings (รองรับ multilingual)

Q: ถ้า DuckDuckGo Search ใช้ไม่ได้ต้องทำอย่างไร?

A: ระบบมี fallback หลายกลยุทธ์ เช่น Bing API, HTML scraping, simplified query

Q: รองรับภาษาอะไรบ้าง?

A: ไทย อังกฤษ จีน ญี่ปุ่น และภาษาอื่น ๆ ที่โมเดลรองรับ

Q: จะ deploy เป็น production ได้ไหม?

A: ได้ แนะนำให้ใช้ reverse proxy, จำกัด access, และตรวจสอบ resource consumption

Q: มี license อะไร?

A: โค้ดนี้ใช้ MIT License (ฟรีสำหรับใช้งานและดัดแปลง)

Q: ถ้าเจอปัญหา/bug ต้องทำอย่างไร?

A: สามารถเปิด issue ใน GitHub หรือดู CONTRIBUTING.md เพื่อแนวทางการรายงานปัญหา

Q: ต้องใช้ API Key ของ LangChain (langchain cloud) หรือไม่?

A: ไม่จำเป็นต้องใช้ API Key ของ LangChain Cloud สำหรับการใช้งานตัวอย่างในโปรเจ็คนี้ (ทุก agent ทำงาน local ได้ 100%) ยกเว้นกรณีที่ต้องการใช้ฟีเจอร์ tracing หรือ analytics ของ LangChain Cloud เท่านั้น (ซึ่งเป็น optional)