สรุปสั้น (TL;DR)
RAG (Retrieval-Augmented Generation) คือวิธีที่ AI ไปค้นข้อมูลก่อน แล้วค่อยเขียนคำตอบจากข้อมูลที่ค้นเจอ แทนการตอบจากความจำของโมเดลอย่างเดียว AI Search อย่าง Google AI Overviews, AI Mode, ChatGPT และ Perplexity ใช้หลักการนี้ดึงหน้าเว็บมาตอบ Google ยืนยันเองว่าฟีเจอร์ AI ใน Search ใช้ RAG กับดัชนีของ Google Search
- หน้าเว็บต้องอยู่ในดัชนีและให้บอตค้นหาเข้าถึงได้ก่อน AI จึงจะดึงไปตอบได้ SEO พื้นฐานจึงยังเป็นตั๋วเข้างาน
- Google ระบุในคู่มือ AI optimization (อัปเดต 10 ก.ค. 2026) ว่าไม่ต้องหั่นบทความเป็นชิ้นเล็ก ไม่ต้องเขียนใหม่ให้ AI ไม่ต้องเพิ่ม schema พิเศษสำหรับ AI (structured data ปกติยังควรใช้เพื่อ rich result) และ Google Search ไม่ได้ใช้ llms.txt
- ติดอันดับดีช่วย แต่ไม่ใช่ทางเดียว: ในคำถามเรื่อง AI Search 20 ข้อ AI Overviews อ้างหน้าที่ติด 10 อันดับแรก 85 จาก 115 ลิงก์ แต่ในชุด 350 คำถาม 13 กลุ่มธุรกิจ เหลือ 40% (ผลเบื้องต้นของเรา 1 รอบ 2–7 ต.ค. 2026)
สารบัญ
RAG คืออะไร
RAG ในเรื่อง AI ย่อมาจาก Retrieval-Augmented Generation แปลตรง ๆ ว่า “การสร้างคำตอบที่เสริมด้วยการค้นข้อมูล” คือวิธีที่ระบบ AI ไปค้นเอกสารหรือหน้าเว็บที่เกี่ยวข้องก่อน แล้วส่งข้อมูลที่ค้นเจอให้โมเดลภาษาใช้เขียนคำตอบ ไม่ได้ตอบจากสิ่งที่จำมาตอนฝึกอย่างเดียว คำนี้มาจากงานวิจัยของ Lewis และคณะ (Facebook AI Research ร่วมกับ UCL และ NYU, ปี 2020) ที่จับคู่โมเดลเขียนข้อความเข้ากับคลังเอกสารที่ค้นได้
สำหรับนักการตลาด RAG สำคัญเพราะเป็นขั้นที่ AI เลือกว่าจะหยิบเว็บไหนมาตอบและอ้างอิง ถ้าอยากเห็นภาพรวมของการค้นหาแบบใหม่ก่อน อ่าน AI Search คืออะไร ส่วนพื้นฐานว่าโมเดลภาษาทำงานยังไง อ่าน LLM คืออะไร
ทำไม AI ต้องใช้ RAG
AI ต้องใช้ RAG เพราะโมเดลภาษารู้แค่ข้อมูลที่ใช้ฝึกจนถึงวันหนึ่ง และบางครั้งเขียนคำตอบที่ฟังดูถูกแต่ไม่จริง (hallucination) การค้นข้อมูลก่อนตอบช่วยให้คำตอบใหม่ขึ้นและมีแหล่งให้ตรวจ แต่ไม่ได้ทำให้ถูกทุกครั้ง ถ้าหน้าที่ค้นเจอผิดหรือเก่า คำตอบก็ผิดตามได้
| ตอบจากความจำ | ค้นก่อนตอบ (RAG) | |
|---|---|---|
| ข้อมูลใหม่แค่ไหน | ถึงวันที่ฝึกโมเดลเท่านั้น | ใหม่เท่าหน้าที่ค้นเจอ |
| มีแหล่งอ้างอิงไหม | ส่วนใหญ่ไม่มี | มีลิงก์ให้กดตรวจ |
| เว็บของเรามีโอกาสถูกอ้างไหม | ไม่มีลิงก์ไปเว็บ | มี ถ้าหน้าเราถูกค้นเจอ |
RAG ทำงานอย่างไร: ค้น เติมบริบท แล้วเขียนคำตอบ
RAG ทำงาน 3 ขั้นตามชื่อ Retrieval-Augmented Generation ลองดูกับคำถาม “บัตรเครดิตไหนไม่มีค่าธรรมเนียมรายปี”
- Retrieve (ค้น): ระบบแปลงคำถามเป็นคำค้น แล้วไปหาเอกสารหรือหน้าเว็บที่เกี่ยวข้อง เช่น หน้าเงื่อนไขบัตรของธนาคาร
- Augment (เติมบริบท): ระบบตัดส่วนที่เกี่ยวข้องจากหน้าที่ค้นเจอ แล้วแนบไปกับคำถาม ให้โมเดลเห็นข้อมูลจริงก่อนเขียน
- Generate (เขียนคำตอบ): โมเดลเขียนคำตอบจากข้อมูลที่แนบมา และใส่ลิงก์อ้างอิงกลับไปที่หน้าต้นทาง
chunk และ passage คืออะไร
chunk คือชิ้นข้อความที่ระบบตัดจากเอกสารยาวเพื่อค้นได้แม่นขึ้น ส่วน passage คือย่อหน้าหรือช่วงข้อความในหน้าเว็บที่ตอบคำถามได้ในตัวเอง The Art of SEO (บทที่ 3) อธิบายว่าย่อหน้าดี ๆ ในบทความยาวติดอันดับได้ด้วยตัวเอง ส่วน AI SEO For Dummies (บทที่ 11) แนะนำให้เขียนย่อหน้าที่อ่านแยกเดี่ยวได้และไม่ใช้สรรพนามลอย ทั้งสองข้อไปทางเดียวกัน คือหน้าเดียวที่แต่ละหัวข้ออ่านแยกแล้วยังเข้าใจ ไม่ต้องหั่นบทความเป็นหลายหน้า
AI Search ใช้ RAG ดึงเว็บมาตอบอย่างไร
AI Search ใช้ RAG โดยค้นจากดัชนีเว็บ แล้วเขียนคำตอบพร้อมลิงก์ Google ระบุในคู่มือ “Optimizing your website for generative AI features” (อัปเดต 10 ก.ค. 2026) ว่าฟีเจอร์ AI ใน Search ใช้ RAG โดยอาศัยระบบจัดอันดับหลักของ Search ดึงหน้าจากดัชนี แล้วแสดงลิงก์ประกอบคำตอบ หน้าที่จะถูกใช้เป็นลิงก์ประกอบต้องถูก index และแสดง snippet (ข้อความตัวอย่างใต้ลิงก์ในผลค้น) ได้ AI ไม่ได้อ่านเว็บสดทุกครั้ง Google ดึงจากหน้าที่อยู่ในดัชนีแล้ว
ก่อนค้น AI มักแตกคำถามหนึ่งข้อเป็นหลายคำค้นพร้อมกัน เรียกว่า query fan-out ตัวอย่างจริงจากการเก็บข้อมูลของเรา (ChatGPT (ค้นเว็บ) 1 ครั้ง, 2 ต.ค. 2026): คำถามภาษาไทย “AI Search คืออะไร และธุรกิจควรทำอะไร ช่วยอ้างอิงแหล่งข้อมูลด้วย” ถูกแตกเป็น 4 คำค้น ทั้งหมดเป็นภาษาอังกฤษ เช่น “Google AI Overviews Search Central AI features content guidelines business” ดูกรอบคิดเต็มที่ Query Fan-Out
AI SEO For Dummies (บทที่ 2) อธิบายขั้นตอนนี้ไว้ในภาพกว้างว่า ระบบค้นหาเก็บหน้า จัดอันดับ แล้ว AI ปรับหรือแตกคำถามก่อนค้น และควรให้เนื้อหาสำคัญอยู่ใน HTML ที่โหลดมาจากเซิร์ฟเวอร์ ส่วนคู่มือของ Google ปี 2026 เป็นการยืนยันกลไกนี้อย่างเป็นทางการ
ChatGPT, Gemini, Claude, Perplexity ดึงเว็บต่างกันยังไง
AI Search ทุกเจ้าใช้หลักค้นก่อนตอบเหมือนกัน แต่ค้นจากแหล่งต่างกันและใช้บอตคนละตัว ตารางนี้สรุปจากเอกสารทางการ (อ่านเมื่อ 16 ต.ค. 2026)
| แพลตฟอร์ม | ค้นจากไหน | สิ่งที่เจ้าของเว็บควรรู้ |
|---|---|---|
| Google AI Overviews / AI Mode | ดัชนี Google Search · ใช้ query fan-out | ต้องถูก index และแสดง snippet ได้ · ตั้ง nosnippet หรือ max-snippet จำกัดสิ่งที่ถูกยกไปได้ |
| ChatGPT (ค้นเว็บ) | เขียนคำถามใหม่เป็นคำค้นหลายคำแล้วค้นเว็บ (ดูตัวอย่าง fan-out ด้านบน) | ให้ OAI-SearchBot เข้า ถ้าอยากโผล่ใน ChatGPT · บล็อก GPTBot (เก็บข้อมูลฝึก) ไม่กระทบการค้นเว็บ |
| Gemini (Gemini API) | Grounding with Google Search: โมเดลตัดสินใจเองว่าจะค้นไหม แล้วเขียนคำค้น | คำตอบมีลิงก์อ้างอิงผูกกับข้อความ · Google-Extended คุมการใช้เนื้อหาใน Gemini แต่ไม่กระทบการติด Google Search |
| Claude (web search ผ่าน API) | ค้นเว็บเมื่อคำถามต้องใช้ข้อมูลใหม่ ค้นได้หลายรอบต่อคำถาม | อ้างแหล่งทุกครั้งที่ใช้ผลค้น |
| Perplexity | ค้นเว็บแบบเรียลไทม์แล้วสรุปคำตอบ | อ้างแหล่งเป็นตัวเลข · ให้ PerplexityBot เข้า |
ดูรายละเอียดของแต่ละเจ้าที่ ChatGPT SEO, Gemini ใช้ยังไง และ Perplexity คืออะไร ส่วนวิธีเขียนกฎแยกบอตอยู่ที่ Robots.txt คืออะไร
RAG ในองค์กร: แชตบอตที่ตอบจากเอกสารบริษัท
RAG อีกแบบที่หลายบริษัทใช้คือแชตบอตที่ค้นจากไฟล์ของบริษัทเอง เช่น คู่มือสินค้าหรือนโยบายภายใน หลักการเหมือนกัน ต่างแค่ค้นจากคลังเอกสารของเราแทนดัชนีเว็บ ตัวอย่างจากเอกสารของ OpenAI: เครื่องมือค้นไฟล์ตัดเอกสารเป็นชิ้นละ 800 token (หน่วยนับข้อความของโมเดล ราวคำหรือส่วนของคำ) โดยให้ซ้อนกัน 400 token เป็นค่าเริ่มต้น แล้วค้นทั้งแบบความหมายและคำค้นตรงตัว งานแบบนี้เป็นเรื่องของทีมเทคนิค บทความนี้จึงเน้น RAG บนเว็บ ซึ่งกระทบการตลาดโดยตรง
ข้อมูลจริง: AI หยิบหน้าไหนไปตอบ
ข้อมูลของเราชี้ว่าหน้าที่ติดอันดับดีใน Google มีโอกาสถูก AI Overviews หยิบไปมากกว่า แต่ไม่ใช่ทั้งหมด และภาษาที่ถามเปลี่ยนสิ่งที่ถูกค้นเจอ
- AI Overviews อ้างหน้าที่ติดอันดับอยู่แล้ว: 85 จาก 115 ลิงก์ที่ AI Overviews อ้าง เป็นหน้าที่อยู่ในอันดับ 1–10 ของผลค้นปกติ (คำถามไทยเรื่อง AI Search 20 ข้อ 2 ต.ค. 2026 1 รอบ ผลเบื้องต้น คลาดเคลื่อนได้ราว ±22%)
- แต่ไม่ได้หยิบแค่ 10 อันดับแรก: ในชุดใหญ่ 350 คำถาม (6–7 ต.ค. 2026 1 รอบ) URL ที่ AI Overviews อ้างตรงกับ URL ในอันดับ 1–10 40% (968 จาก 2,397 ลิงก์) แต่ละกลุ่มอยู่ระหว่าง 29–63%
- ภาษาที่ถามเปลี่ยนแหล่ง: ChatGPT (ค้นเว็บ) ถามเรื่องเดียวกันเป็นภาษาไทยกับภาษาอังกฤษ ได้เว็บอ้างอิงซ้ำกันแค่ราว 17% ขณะที่ถามซ้ำภาษาเดิมซ้ำกัน 29–33% (50 เรื่อง × 2 รอบ 7–9 ต.ค. 2026 ±14%)
ดูผลแยกตามอุตสาหกรรมเต็มที่ AI อ้างอิงเว็บไหน และถ้าอยากวัดว่า AI ดึงหน้าแบรนด์ของคุณไปตอบแค่ไหน ดูวิธีที่ Prompt Tracking
นักการตลาดควรทำอะไรเพราะ RAG
สิ่งที่นักการตลาดควรทำคือทำให้หน้าเว็บถูกค้นเจอและมีข้อมูลที่ควรค่าแก่การหยิบไปตอบ ข้อ 1–4 อิงเอกสารทางการของ Google, OpenAI และ Perplexity ส่วนข้อ 5 อิง AI SEO For Dummies (บทที่ 11)
- ให้หน้าถูก index ก่อน: Google ระบุว่าลิงก์ประกอบคำตอบ AI ต้องเป็นหน้าที่ถูก index และแสดง snippet ได้
- ให้บอตค้นหาเข้าได้: OAI-SearchBot สำหรับ ChatGPT, Googlebot สำหรับ Google และ PerplexityBot สำหรับ Perplexity
- ตรวจการตั้งค่า snippet: nosnippet, max-snippet และ data-nosnippet จำกัดสิ่งที่ AI ยกไปแสดงได้ ใช้เฉพาะส่วนที่ไม่อยากให้ถูกยก (The Art of SEO บทที่ 7 อธิบาย meta robots ไว้ครบ)
- มีข้อมูลที่หาจากที่อื่นไม่ได้: Google เน้นเนื้อหาที่ไม่ซ้ำกับที่คนอื่นพูดไปแล้ว เช่น ข้อมูลหรือผลทดสอบของเราเอง
- เขียนแต่ละหัวข้อให้อ่านแยกได้: ประโยคแรกของแต่ละหัวข้อตอบคำถามตรง ๆ ใช้ตารางและรายการ ไม่ซ่อนคำตอบไว้ในแท็บ
Google บอกว่าไม่ต้องทำ: คู่มือ AI optimization ของ Google (10 ก.ค. 2026) ระบุว่าไม่ต้องหั่นเนื้อหาเป็นชิ้นเล็ก ไม่ต้องเขียนในแบบพิเศษให้ AI ไม่ต้องเพิ่ม schema พิเศษสำหรับ AI (structured data ปกติยังควรใช้เพื่อ rich result) และ Google Search ไม่ได้ใช้ไฟล์ llms.txt ถ้าเจอคำแนะนำให้ทำสิ่งเหล่านี้เพื่อ Google ให้เทียบกับคู่มือนี้ก่อน อ่านเรื่อง llms.txt เพิ่มที่ llms.txt คืออะไร
AI SEO For Dummies (บทที่ 22) ย้ำว่าการบล็อกบอต AI ทุกตัวไม่ใช่ทางเลือกที่ฉลาดเสมอ เพราะอาจตัดตัวที่ทำให้แบรนด์ถูกอ้าง ถ้าอยากเห็นขั้นตอนทั้งหมดตั้งแต่ต้น อ่าน วิธีทำ AI SEO ทีละขั้น หรือเริ่มเรียนเป็นระบบที่ เรียน AI Search ฟรี
คำถามที่พบบ่อย
RAG ย่อมาจากอะไร
RAG ย่อมาจาก Retrieval-Augmented Generation คือการให้ AI ค้นข้อมูลก่อน แล้วเขียนคำตอบจากข้อมูลที่ค้นเจอ
RAG กับ AI Search เป็นสิ่งเดียวกันไหม
ไม่ใช่สิ่งเดียวกัน RAG คือวิธีทำงาน ส่วน AI Search คือผลิตภัณฑ์ที่ใช้วิธีนี้ค้นเว็บแล้วตอบ เช่น Google AI Overviews, ChatGPT และ Perplexity
RAG ทำให้ AI ไม่ตอบมั่วแล้วใช่ไหม
ไม่เสมอไป RAG ช่วยให้คำตอบใหม่ขึ้นและมีแหล่งให้ตรวจ แต่ถ้าหน้าที่ค้นเจอผิดหรือเก่า คำตอบก็ผิดตามได้ ควรกดดูแหล่งทุกครั้ง
RAG ต่างจาก fine-tuning ยังไง
fine-tuning คือการฝึกโมเดลเพิ่มด้วยข้อมูลชุดใหม่ ซึ่งเปลี่ยนตัวโมเดล ส่วน RAG ไม่เปลี่ยนโมเดล แต่ส่งข้อมูลที่ค้นเจอให้โมเดลอ่านตอนตอบ จึงอัปเดตข้อมูลได้เร็วกว่า
ต้องหั่นบทความหรือทำ llms.txt ไหม
Google ระบุว่าไม่ต้องหั่นเนื้อหาเป็นชิ้นเล็กและ Google Search ไม่ได้ใช้ llms.txt สิ่งที่ช่วยคือให้แต่ละหัวข้ออ่านแยกได้และหน้าถูก index
บล็อก GPTBot แล้วจะหายจาก ChatGPT ไหม
ไม่หาย OpenAI ระบุว่า GPTBot ใช้เก็บข้อมูลฝึกโมเดล ส่วนการโผล่ในผลค้นของ ChatGPT ขึ้นกับ OAI-SearchBot ถ้าบล็อก OAI-SearchBot จึงจะกระทบ
แหล่งอ้างอิง
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020, arXiv)
- Google Search Central, Optimizing your website for generative AI features (10 ก.ค. 2026) · AI features and your website (10 ธ.ค. 2025)
- Google, Grounding with Google Search (13 ต.ค. 2026) · Google common crawlers (Google-Extended)
- OpenAI, Overview of OpenAI crawlers · ChatGPT search · File search · Retrieval (อ่านเมื่อ 16 ต.ค. 2026)
- Anthropic, Web search tool (อ่านเมื่อ 16 ต.ค. 2026)
- Perplexity, How does Perplexity work · Perplexity crawlers
- The Missing Piece: การทดสอบ AI Citation ครั้งที่ 1 (คำถามไทย 20 ข้อ 2 ต.ค. 2026) · AI อ้างอิงเว็บไหน: 350 คำถาม 13 กลุ่มธุรกิจ (6–7 ต.ค. 2026) · การทดสอบภาษาที่ถาม ChatGPT (7–9 ต.ค. 2026) · ตัวอย่าง query fan-out (2 ต.ค. 2026) ทั้งหมดเป็นผลเบื้องต้น
- Nathan Gotch, AI SEO For Dummies (Wiley, 2026), บทที่ 2, 11, 22
- Eric Enge, Stephan Spencer, Jessie Stricchiola, The Art of SEO, 4th ed. (O’Reilly, 2023), บทที่ 3, 7
