Generative Answers ใน Copilot Studio คืออะไร ทำให้ AI ตอบคำถามจากข้อมูลได้อย่างไร

Generative Answers ใน Microsoft Copilot Studio คือความสามารถที่ช่วยให้ AI Agent ค้นหาข้อมูลจาก Knowledge Sources เช่น เว็บไซต์ เอกสาร SharePoint, Dataverse และแหล่งข้อมูลขององค์กร แล้วนำข้อมูลที่เกี่ยวข้องมาสร้างคำตอบด้วยภาษาธรรมชาติ โดยไม่จำเป็นต้องเขียนคำถามและคำตอบล่วงหน้าทุกหัวข้อ

วิธีเปิดใช้ Generative Answers ใน Copilot Studio สำหรับ Agent ที่ใช้ Standard Harness สามารถเริ่มจากเปิด Agent เลือก Knowledge → Add knowledge แล้วเพิ่มแหล่งข้อมูลที่ต้องการ จากนั้นทดสอบด้วย Test your agent หากต้องการควบคุมการตอบภายใน Topic ให้เพิ่ม Create generative answers node และกำหนด Knowledge Sources เฉพาะของ Topic นั้น

ตัวอย่างเช่น บริษัทมีคู่มือการติดตั้ง Fiber Optic จำนวน 50 หน้า เมื่อพนักงานถามว่า “การตรวจสอบค่า Optical Loss หลัง Fusion Splicing ต้องทำอย่างไร?” AI Agent สามารถค้นข้อมูลที่เกี่ยวข้องจากคู่มือและนำมาเรียบเรียงเป็นคำตอบที่เข้าใจง่ายได้

ความสามารถนี้เหมาะกับองค์กรที่มีเอกสารและข้อมูลจำนวนมาก เพราะช่วยลดภาระในการสร้าง Topics และคำตอบแบบกำหนดตายตัวสำหรับทุกคำถาม

อย่างไรก็ตาม Generative Answers ไม่ได้หมายความว่า AI จะตอบถูกทุกครั้ง หากข้อมูลต้นทางไม่ครบ ล้าสมัย ค้นหาไม่พบ หรือผู้ใช้ไม่มีสิทธิ์เข้าถึง ระบบอาจไม่สามารถสร้างคำตอบที่ต้องการได้

บทความนี้ comsiam จะอธิบาย Generative Answers ตั้งแต่หลักการทำงานแบบ Retrieval-Augmented Generation (RAG) การเพิ่ม Knowledge Sources การตั้งค่า Generative Answers Node การใช้ร่วมกับ SharePoint และ Dataverse การควบคุม Grounded Answers การอ้างอิงข้อมูล ไปจนถึงการแก้ปัญหา AI ตอบผิดและแนวทางปรับปรุงคำตอบให้แม่นยำขึ้น

🤖 Generative Answers ใน Copilot Studio คืออะไร?

Generative Answers เป็นความสามารถของ Microsoft Copilot Studio ที่ช่วยให้ AI Agent สร้างคำตอบจากข้อมูลในแหล่งความรู้ที่กำหนดไว้

แทนที่จะต้องสร้าง Topic สำหรับทุกคำถาม ผู้พัฒนาสามารถเพิ่ม Knowledge Sources ให้ Agent แล้วปล่อยให้ระบบค้นหาข้อมูลที่เกี่ยวข้องตามคำถามของผู้ใช้

ตัวอย่างเปรียบเทียบ

Chatbot แบบเดิม

ผู้สร้างต้องเตรียมคำถามและคำตอบ เช่น

คำถาม: บริษัทรับติดตั้ง Wi-Fi หรือไม่?

คำตอบ: บริษัทมีบริการติดตั้งระบบ Wi-Fi สำหรับสำนักงาน

หากผู้ใช้ถามต่างจากรูปแบบที่เตรียมไว้ ระบบอาจไม่เข้าใจคำถาม

Generative Answers

ผู้สร้างเพิ่มข้อมูลบริการ Wi-Fi ลงใน Knowledge

จากนั้นผู้ใช้สามารถถามได้หลายรูปแบบ เช่น

• รับติดตั้ง Wi-Fi ไหม?
• บริษัททำระบบ Wireless สำหรับสำนักงานหรือเปล่า?
• ถ้าต้องการติด Access Point หลายจุด มีบริการหรือไม่?
• มีบริการออกแบบ Wi-Fi สำหรับโรงงานไหม?

Agent สามารถพยายามค้นหาข้อมูลที่เกี่ยวข้อง แล้วสร้างคำตอบจาก Knowledge ได้ โดยไม่จำเป็นต้องสร้าง Topic แยกสำหรับทุกประโยค

✨ Generative Answers ช่วยให้ AI Agent ทำอะไรได้บ้าง?

1. ตอบคำถามจากเอกสาร

เช่น คู่มือพนักงาน คู่มือสินค้า และเอกสารทางเทคนิค

2. ค้นหาข้อมูลจากเว็บไซต์

ใช้เนื้อหาจากเว็บไซต์สาธารณะที่รองรับ

3. สรุปเนื้อหายาว

นำข้อมูลจาก Knowledge มาอธิบายอย่างกระชับ

4. ตอบคำถามที่ไม่ได้เตรียมไว้ล่วงหน้า

ช่วยให้ Agent รองรับรูปแบบคำถามที่หลากหลาย

5. ค้นหาข้อมูลจาก SharePoint

ตามวิธี Authentication และ Permissions ที่รองรับ

6. ใช้ข้อมูลจาก Dataverse

ค้นหาข้อมูลธุรกิจที่ได้รับอนุญาต

7. ตอบคำถามจากหลาย Knowledge Sources

ระบบสามารถค้นและใช้ข้อมูลที่เกี่ยวข้องจากแหล่งต่างๆ ตามการตั้งค่า

8. แสดงการอ้างอิงข้อมูล

รองรับ Citations ตามประเภทแหล่งข้อมูลและ Channel

9. ใช้เป็น Fallback

เมื่อ Topic ที่กำหนดไว้ไม่สามารถตอบคำถามได้

10. ลดภาระการสร้าง Topics

เหมาะกับ Agent ที่ต้องตอบคำถามจากข้อมูลจำนวนมาก

🧠 Generative Answers ทำงานอย่างไร?

Generative Answers ใช้แนวคิดที่เกี่ยวข้องกับ Retrieval-Augmented Generation (RAG)

RAG เป็นแนวทางให้โมเดลภาษาใช้ข้อมูลที่ค้นคืนจากแหล่งข้อมูลภายนอกมาช่วยสร้างคำตอบ

ขั้นตอนการทำงาน

1. ผู้ใช้ถามคำถาม
2. Agent วิเคราะห์คำถาม
3. ระบบค้นหา Knowledge Sources ที่เกี่ยวข้อง
4. ดึงข้อมูลที่สามารถเข้าถึงได้
5. เลือกข้อความหรือเนื้อหาที่เกี่ยวข้อง
6. ส่งบริบทที่ค้นได้ให้โมเดลภาษา
7. โมเดลสร้างคำตอบ
8. ระบบแสดงคำตอบให้ผู้ใช้
9. แสดง Citations เมื่อมีและ Channel รองรับ

ตัวอย่าง

คำถามจากผู้ใช้

“สาย Fiber Optic แบบ Single Mode เหมาะกับงานประเภทไหน?”

Knowledge Source

เอกสารคุณสมบัติของสาย Fiber Optic

การทำงาน

Agent ค้นข้อมูล Single Mode จากเอกสาร แล้วนำข้อมูลที่พบมาสร้างคำตอบ

ทำไม RAG จึงสำคัญ?

เพราะช่วยให้ AI ใช้ข้อมูลที่องค์กรกำหนด แทนการพึ่งความรู้ทั่วไปของโมเดลเพียงอย่างเดียว

แต่ RAG ไม่ใช่การรับประกันว่าคำตอบจะถูกต้อง 100% จึงต้องมีการตรวจสอบข้อมูลและทดสอบคุณภาพอย่างสม่ำเสมอ

🆚 Generative Answers กับ Generative Orchestration ต่างกันอย่างไร?

สองความสามารถนี้ทำงานเกี่ยวข้องกัน แต่มีหน้าที่ต่างกัน

หัวข้อ	Generative Answers	Generative Orchestration
หน้าที่หลัก	สร้างคำตอบจากข้อมูล	วางแผนและเลือกความสามารถ
ใช้ Knowledge	ใช่	สามารถเลือก Knowledge
ใช้ Tools	ไม่ใช่หน้าที่หลัก	สามารถเลือก Tools
ใช้ Topics	ใช้ภายใน Topic ได้	สามารถเลือก Topic
เป้าหมาย	ตอบคำถามจากข้อมูล	จัดการกระบวนการของ Agent

ตัวอย่าง

ผู้ใช้ถามว่า

“ขั้นตอนติดตั้ง Fiber Optic มีอะไรบ้าง?”

เหมาะกับ Generative Answers เพราะต้องการคำตอบจากเอกสาร

แต่หากถามว่า

“ช่วยสร้างรายการขอสำรวจหน้างาน Fiber Optic ให้หน่อย”

Generative Orchestration อาจเลือก Tool สำหรับสร้างคำขอ เมื่อ Agent มีเครื่องมือและสิทธิ์รองรับ

ข้อควรจำ

Generative Answers ใช้ตอบจาก Knowledge เป็นหลัก

ส่วนการเพิ่ม แก้ไข หรือลบข้อมูลในระบบจริง ต้องใช้ Tools หรือ Actions ที่รองรับ ไม่ใช่อาศัย Generative Answers เพียงอย่างเดียว

📚 Knowledge Sources ที่ Generative Answers รองรับ

Microsoft Copilot Studio รองรับ Knowledge Sources หลายประเภท

Knowledge Source	ตัวอย่างการใช้งาน
Public Websites	ข้อมูลบริการบริษัท
Uploaded Documents	คู่มือ PDF และเอกสาร
SharePoint	เอกสารภายในองค์กร
OneDrive	ไฟล์ที่จัดเก็บในระบบ
Dataverse	ข้อมูลธุรกิจ
Microsoft 365 Copilot Connectors	ข้อมูลระบบองค์กรที่เชื่อมต่อ
Custom Data	ข้อมูลผ่าน Flow หรือ HTTP ในรูปแบบที่รองรับ

Public Websites

เหมาะกับข้อมูลที่เผยแพร่ให้บุคคลทั่วไปค้นหาได้

Uploaded Documents

เหมาะกับเอกสารที่ผู้สร้างต้องการเพิ่มเป็น Knowledge

SharePoint

เหมาะกับเอกสารองค์กรที่ต้องควบคุมสิทธิ์ผู้ใช้

Dataverse

เหมาะกับข้อมูลธุรกิจแบบตาราง

Custom Data

เหมาะกับกรณีที่ต้องการส่งข้อมูลจากระบบอื่นเข้ามาใช้กับ Generative Answers Node

อย่างไรก็ตาม ความสามารถและข้อจำกัดของแต่ละแหล่งแตกต่างกัน และบางแหล่งรองรับเฉพาะ Classic Data Configuration

🚀 วิธีเพิ่ม Knowledge ให้ Generative Answers ทีละขั้นตอน

วิธีแรกเหมาะสำหรับผู้เริ่มต้นที่ต้องการสร้าง Agent ตอบคำถามจากข้อมูล

ขั้นตอนที่ 1: เปิด Microsoft Copilot Studio

ลงชื่อเข้าใช้ด้วยบัญชีที่มีสิทธิ์สร้างหรือแก้ไข Agent

ขั้นตอนที่ 2: เลือก Environment

ตรวจสอบ Environment ที่ต้องการ

ขั้นตอนที่ 3: เปิด Agent

เลือก Agent ที่สร้างไว้

ตัวอย่าง:

Company Knowledge Assistant

ขั้นตอนที่ 4: เปิด Knowledge

เลือกเมนู Knowledge หรือส่วน Knowledge ของ Agent

ขั้นตอนที่ 5: กด Add knowledge

ระบบจะแสดงประเภทแหล่งข้อมูล

ขั้นตอนที่ 6: เลือก Knowledge Source

ตัวอย่าง:

• Public website
• SharePoint
• Dataverse
• Files

ขั้นตอนที่ 7: เพิ่มข้อมูล

กรอก URL เลือกเอกสาร หรือเลือกแหล่งข้อมูลตามประเภทที่ใช้

ขั้นตอนที่ 8: ตั้งชื่อ Knowledge

ควรใช้ชื่อที่สื่อความหมาย

ตัวอย่าง:

Fiber Optic Installation Manual

ขั้นตอนที่ 9: เขียน Description

อธิบายว่าแหล่งข้อมูลใช้ตอบคำถามเรื่องใด

ขั้นตอนที่ 10: กด Add to agent

ขั้นตอนที่ 11: ตรวจสอบสถานะ

รอให้ Knowledge พร้อมใช้งานตามขั้นตอนที่ระบบกำหนด

ขั้นตอนที่ 12: เปิด Test your agent

ขั้นตอนที่ 13: ส่งคำถามจากข้อมูลจริง

ขั้นตอนที่ 14: ตรวจสอบคำตอบ

เปรียบเทียบกับเนื้อหาต้นทาง

ขั้นตอนที่ 15: Publish

เมื่อผ่านการทดสอบแล้ว จึง Publish เวอร์ชันล่าสุด

🛠️ วิธีเพิ่ม Generative Answers Node ใน Topic

สำหรับ Agent แบบ Standard Harness สามารถเพิ่ม Generative Answers Node เพื่อให้ Topic ใช้ Knowledge เฉพาะเรื่อง

ขั้นตอนที่ 1: เปิด Agent

ขั้นตอนที่ 2: เลือก Topics

ขั้นตอนที่ 3: เปิด Topic ที่ต้องการ

ตัวอย่าง:

Fiber Optic Troubleshooting

ขั้นตอนที่ 4: กด Add node (+)

ขั้นตอนที่ 5: เลือก Advanced

ขั้นตอนที่ 6: เลือก Generative answers

ระบบจะเพิ่ม Node สำหรับสร้างคำตอบจากข้อมูล

ขั้นตอนที่ 7: กำหนด Input

เลือกข้อมูลคำถามที่ส่งให้ Node

ตัวอย่าง:

Activity.Text

เป็นตัวแปรระบบที่เก็บข้อความจากผู้ใช้

ขั้นตอนที่ 8: เปิด Properties

ขั้นตอนที่ 9: เพิ่ม Knowledge Sources

เลือกแหล่งข้อมูลเฉพาะของ Topic

ขั้นตอนที่ 10: ตรวจสอบ Search only selected sources

เปิดการค้นหาเฉพาะ Sources เมื่อจำเป็นต้องจำกัดขอบเขตข้อมูล

ขั้นตอนที่ 11: ตั้งค่าเพิ่มเติม

เช่น Custom Instructions ตามตัวเลือกที่รองรับ

ขั้นตอนที่ 12: Save

ขั้นตอนที่ 13: เปิด Test your agent

ขั้นตอนที่ 14: ทดลองคำถาม

ขั้นตอนที่ 15: ตรวจสอบผลลัพธ์

ทำไมต้องใช้ Generative Answers Node?

เพราะช่วยให้ Topic มี Knowledge Sources เฉพาะเรื่อง และควบคุมขั้นตอนสนทนาได้ละเอียดกว่าใช้ Knowledge ระดับ Agent อย่างเดียว

🧭 Agent-Level Knowledge กับ Topic-Level Knowledge ต่างกันอย่างไร?

Agent-Level Knowledge

เพิ่มจากหน้า Knowledge ของ Agent

เหมาะกับข้อมูลที่ Agent ควรใช้ตอบคำถามทั่วไป

Topic-Level Knowledge

กำหนดภายใน Generative Answers Node

เหมาะกับ Topic ที่ต้องใช้ข้อมูลเฉพาะเรื่อง

หัวข้อ	Agent-Level	Topic-Level
จุดตั้งค่า	Knowledge	Generative Answers Node
ขอบเขต	ทั้ง Agent	Topic ที่กำหนด
เหมาะกับ	FAQ ทั่วไป	คำถามเฉพาะงาน
การจัดการ	ง่ายกว่า	ควบคุมได้ละเอียดกว่า
ตัวอย่าง	ข้อมูลบริการ	คู่มือแก้ปัญหา Wi-Fi

ระบบเลือก Knowledge อย่างไร?

สำหรับการตั้งค่า Generative Answers Node แหล่งข้อมูลเฉพาะภายใน Node จะมีลำดับความสำคัญเหนือกว่า Agent-Level Knowledge

เมื่อไม่มีข้อมูลที่เหมาะสมจาก Node อาจใช้ Agent-Level Knowledge เป็น Fallback ตามการตั้งค่า

คำแนะนำ

หาก Agent มีหลายกลุ่มความรู้ เช่น HR, IT และ Sales ควรจัดโครงสร้างให้ชัดเจน เพื่อไม่ให้คำถามถูกส่งไปยัง Knowledge ที่ไม่เกี่ยวข้อง

💡 Conversational Boosting คืออะไร?

Conversational Boosting เป็น System Topic ที่ Microsoft Copilot Studio สร้างให้โดยอัตโนมัติใน Agent บางรูปแบบ

Topic นี้มี Generative Answers Node สำหรับช่วยตอบคำถามจาก Knowledge เมื่อไม่มี Topic อื่นที่เหมาะสม

ประโยชน์

ช่วยให้ Agent ตอบคำถามที่ไม่ได้สร้าง Topic ไว้ล่วงหน้าได้

ตัวอย่าง

Agent มี Topic สำหรับสร้าง Ticket

แต่ผู้ใช้ถามว่า

“Fiber Optic แบบ Single Mode มีข้อดีอะไร?”

เมื่อไม่มี Topic เฉพาะ ระบบสามารถใช้ Generative Answers จาก Knowledge ตามการตั้งค่าได้

ข้อควรระวัง

หากต้องการให้ Agent ตอบเฉพาะข้อมูลบริษัท ควรตรวจสอบการตั้งค่า AI General Knowledge และ Web Search เพิ่มเติม

ไม่ควรเข้าใจว่า Conversational Boosting จะจำกัดคำตอบอยู่ในเอกสารบริษัทโดยอัตโนมัติทุกกรณี

🔎 Grounded Answers คืออะไร?

Grounded Answers คือคำตอบที่สร้างขึ้นโดยมีข้อมูลจาก Knowledge Sources รองรับ

ตัวอย่างเช่น Agent ตอบข้อมูลจากคู่มือบริษัทแทนการใช้ความรู้ทั่วไปของโมเดล

ทำไม Grounding สำคัญ?

เพราะองค์กรต้องการให้ Agent ตอบตามข้อมูลที่ได้รับอนุมัติ

ตัวอย่างข้อมูลที่ควรใช้ Grounding ได้แก่

• รายละเอียดบริการ
• นโยบายบริษัท
• คู่มือสินค้า
• ขั้นตอนติดตั้ง
• เงื่อนไขรับประกัน
• ข้อกำหนดทางเทคนิค
• คู่มือพนักงาน

Generative Answers รับประกันว่าจะไม่ตอบผิดหรือไม่?

ไม่รับประกัน

แม้จะค้นพบข้อมูลต้นทางแล้ว โมเดลก็ยังอาจตีความหรือสรุปผิดได้

จึงควรตรวจสอบ Citations และเปรียบเทียบคำตอบกับเอกสารจริงสำหรับข้อมูลสำคัญ

⚙️ วิธีควบคุมไม่ให้ Agent ตอบจากความรู้ทั่วไป

สำหรับ Standard Harness ที่รองรับการตั้งค่า Generative AI สามารถควบคุมตัวเลือกการใช้ความรู้ทั่วไปและคำตอบที่ไม่ได้ Grounding ได้

การตั้งค่าที่ควรตรวจสอบ

Allow AI to use its own general knowledge

กำหนดว่า Agent สามารถใช้ความรู้ทั่วไปของโมเดลได้หรือไม่

Allow ungrounded responses

ควบคุมการยอมให้ตอบโดยไม่มีหลักฐานจาก Knowledge ตามความสามารถที่รองรับ

Use information from the web / Web Search

กำหนดว่า Agent สามารถค้นข้อมูลจากเว็บทั่วไปได้หรือไม่

แนวทางสำหรับ Agent ภายในองค์กร

1. เปิด Agent
2. ไปที่ Generative AI Settings
3. ตรวจสอบการใช้ AI General Knowledge
4. ตรวจสอบ Web Search
5. ตรวจสอบ Allow ungrounded responses
6. ปรับให้ตรงกับนโยบายองค์กร
7. Save
8. ทดสอบคำถามที่ไม่มีใน Knowledge

ข้อควรระวัง

เมื่อปิด Allow ungrounded responses ระบบอาจไม่แสดงคำตอบแม้ข้อมูลต้นทางมีเนื้อหาที่ถูกต้อง หากโมเดลไม่ได้สร้าง Citation ตามเงื่อนไข

ดังนั้นควรทดสอบการตอบและการแสดง Citations ร่วมกัน

📎 Citations ใน Generative Answers คืออะไร?

Citations คือข้อมูลอ้างอิงที่ช่วยให้ผู้ใช้ทราบว่าคำตอบอาศัยแหล่งข้อมูลใด

ตัวอย่างเช่น

Agent ตอบวิธีตั้งค่า Wi-Fi จากเอกสาร IT Support Manual แล้วแสดงชื่อเอกสารที่เกี่ยวข้อง

Citations มีประโยชน์อย่างไร?

1. ช่วยตรวจสอบคำตอบ
2. เพิ่มความโปร่งใส
3. ช่วยค้นเอกสารต้นทาง
4. ลดการเชื่อคำตอบโดยไม่มีหลักฐาน
5. สนับสนุนการตรวจสอบข้อมูลสำคัญ

Citations แสดงในทุก Channel หรือไม่?

ไม่จำเป็น

รูปแบบการแสดง Citations อาจแตกต่างกันระหว่าง Microsoft Teams, Web Chat และ Channel อื่น

ข้อจำกัดใน Microsoft Teams

Microsoft ระบุว่า Teams รองรับ Citations ในคำตอบได้สูงสุด 20 รายการต่อคำตอบ และอาจตัดข้อความชื่อเอกสารหรือ Snippets ที่ยาวเกินข้อกำหนด

ถ้าปรับแต่งคำตอบเองล่ะ?

หากผู้สร้างนำผลจาก Generative Answers ไปแสดงด้วย Message Node หรือ Adaptive Card ที่กำหนดเอง อาจต้องจัดการการแสดง Citations เพิ่มเติม

ไม่ควรสมมติว่า Citations จะแสดงให้อัตโนมัติในทุกกรณี

🌐 ตัวอย่างใช้ Generative Answers จากเว็บไซต์บริษัท

สมมติว่าเว็บไซต์เผยแพร่รายละเอียดบริการดังนี้

• รับติดตั้ง LAN
• Wi-Fi Solutions
• Fiber Optic Installation
• CCTV Installation
• IT Maintenance

ขั้นตอน

1. เปิด Agent
2. เลือก Knowledge
3. กด Add knowledge
4. เลือก Public website
5. กำหนด URL เว็บไซต์ที่ต้องการ
6. ตรวจสอบขอบเขต URL
7. เพิ่ม Knowledge
8. ตั้งชื่อและ Description
9. ทดสอบคำถาม
10. ตรวจสอบคำตอบ

ตัวอย่างคำถาม

“บริษัทมีบริการรับสไปซ์ Fiber Optic หรือไม่?”

Agent จะพยายามค้นหาข้อมูลจากเว็บไซต์ที่เพิ่มไว้และสร้างคำตอบ

ข้อจำกัดสำคัญ

Public Website Knowledge ใช้การค้นหาหน้าเว็บสาธารณะผ่านระบบที่อาศัย Bing

จึงไม่เหมาะกับหน้าเว็บที่ต้อง Login หรือไม่มีข้อมูลให้ Search Engine ค้นพบ

หากเพิ่งเผยแพร่หน้าเว็บใหม่?

อาจต้องรอให้ระบบค้นหาพบข้อมูลก่อน จึงจะนำมาใช้ตอบได้ตามวิธี Knowledge Source นี้

📁 ตัวอย่างใช้ Generative Answers จาก SharePoint

SharePoint เหมาะกับเอกสารภายในองค์กรที่มี Permissions

ตัวอย่าง Knowledge

IT Support Documents

ประกอบด้วยเอกสาร

• Windows Troubleshooting
• Network Troubleshooting
• Wi-Fi Setup Guide
• Printer Support
• Maintenance Procedures

ตัวอย่างคำถาม

“ขั้นตอนตั้งค่า Wi-Fi สำหรับพนักงานใหม่คืออะไร?”

Agent สามารถค้นข้อมูลจาก SharePoint ตามการตั้งค่าและสิทธิ์ของผู้ใช้งาน

สิ่งที่ต้องตรวจสอบ

1. Authentication
2. SharePoint Permissions
3. Knowledge Source Status
4. Document Format
5. Search Availability
6. Citations
7. คำตอบที่ได้รับ

ข้อควรระวัง

SharePoint Knowledge ที่ใช้สิทธิ์ผู้ใช้ต้องมีการยืนยันตัวตนและ Permission ที่ถูกต้อง

การเพิ่ม SharePoint เป็น Knowledge ไม่ได้เพิ่มสิทธิ์อ่านเอกสารให้พนักงานโดยอัตโนมัติ

🗄️ ตัวอย่างใช้ Generative Answers จาก Dataverse

Dataverse ใช้จัดเก็บข้อมูลธุรกิจแบบมีโครงสร้าง

ตัวอย่าง Tables

• Customers
• Projects
• Service Requests
• Maintenance Records
• Equipment Inventory

ตัวอย่างคำถาม

“งานแจ้งซ่อม Fiber Optic ที่ยังไม่เสร็จมีรายการอะไรบ้าง?”

Agent สามารถใช้ Dataverse Knowledge เพื่อค้นข้อมูลที่เกี่ยวข้องตามความสามารถและสิทธิ์ที่รองรับ

ข้อควรระวัง

หากต้องการจำนวนรายการทั้งหมดที่แน่นอน หรือผลลัพธ์ที่ต้องกรองตามเงื่อนไขอย่างเข้มงวด ควรพิจารณาใช้ Dataverse Tool ที่ Query ข้อมูลแบบมีโครงสร้างโดยตรง

ทำไม?

เพราะ Generative Answers เน้นค้นคืนข้อมูลที่เกี่ยวข้อง ไม่ใช่การรับประกันว่าผลลัพธ์จะเท่ากับการ Query ฐานข้อมูลทุก Row

🏢 ตัวอย่างสร้าง Generative Answers สำหรับ IT Helpdesk

ชื่อ Agent

IT Knowledge Assistant

เป้าหมาย

ตอบคำถามด้าน IT จากคู่มือบริษัท

Knowledge Sources

• Windows Support Manual
• Microsoft 365 Guide
• LAN Troubleshooting
• Wi-Fi Setup
• Printer Maintenance
• IT Security Policy

ตัวอย่างคำถามทดสอบ

1. Wi-Fi ต่อไม่ได้ต้องทำอย่างไร?
2. เครื่องพิมพ์ไม่ตอบสนองแก้อย่างไร?
3. วิธีเปลี่ยน Password ตามนโยบายบริษัทคืออะไร?
4. วิธีตั้งค่า Outlook ในองค์กรทำอย่างไร?
5. วิธีตรวจสอบสาย LAN เบื้องต้นทำอย่างไร?

แนวทางตั้งค่า

ใช้ Knowledge ระดับ Agent สำหรับข้อมูลทั่วไป

หากต้องการให้ Topic เฉพาะใช้คู่มือชุดเดียว ให้เพิ่ม Generative Answers Node ใน Topic นั้น

ผลลัพธ์ที่คาดหวัง

Agent ควรตอบเป็นขั้นตอน โดยใช้ข้อมูลที่ได้รับอนุญาต

หากไม่พบข้อมูล ควรแจ้งข้อจำกัดและเสนอช่องทางติดต่อเจ้าหน้าที่

🔧 ตัวอย่างสร้าง Generative Answers สำหรับช่าง Fiber Optic

ชื่อ Agent

Fiber Technical Assistant

Knowledge

• Fiber Optic Cable Guide
• Fusion Splicing Manual
• Fiber Cleaver Guide
• OTDR Testing Procedure
• Optical Loss Measurement
• Installation Checklist

ตัวอย่างคำถาม

“Fiber Cleaver ใช้ทำอะไร?”

“ก่อน Fusion Splicing ต้องเตรียมอะไรบ้าง?”

“OTDR ใช้ตรวจหาจุดขาดของสายได้อย่างไร?”

“ค่า Optical Loss สูงเกิดจากอะไร?”

“ก่อนส่งมอบงาน Fiber Optic ต้องตรวจอะไรบ้าง?”

วิธีเตรียม Knowledge ให้ดี

1. ใช้คู่มือที่ถูกต้อง
2. แยกเอกสารตามหัวข้อ
3. ตั้งชื่อไฟล์ชัดเจน
4. กำหนด Description
5. ใช้ข้อมูลทางเทคนิคที่ได้รับการตรวจสอบ
6. ลดเนื้อหาซ้ำซ้อน
7. ทดสอบคำถามของช่างจริง
8. ตรวจสอบค่าตัวเลขกับเอกสารต้นทาง

ข้อควรระวัง

ข้อมูลการทดสอบ เช่น ค่า Optical Loss ที่ยอมรับได้ ต้องอ้างอิงเกณฑ์ของโครงการหรือมาตรฐานที่เกี่ยวข้องจริง

ไม่ควรให้ Agent กำหนดตัวเลขผ่านหรือไม่ผ่านขึ้นเองจากความรู้ทั่วไป

📝 ตัวอย่าง Instructions สำหรับ Generative Answers

ตัวอย่าง Instructions ที่นำไปปรับใช้กับ Agent ได้

ROLE

You are a company knowledge assistant.

OBJECTIVE

Help authorized users find accurate answers from configured knowledge sources.

KNOWLEDGE RULES

Use approved knowledge sources for company-specific information.

Prioritize information from relevant company documents.

Do not invent company policies, service prices, warranty conditions, or project details.

If the required information is missing, clearly state that it cannot be confirmed.

CITATIONS

Provide source citations when supported by the knowledge source and channel.

SECURITY

Respect authentication and source permissions.

Do not reveal confidential information to unauthorized users.

RESPONSE STYLE

Respond in polite Thai.

Use numbered steps for procedures.

Keep technical explanations accurate and understandable.

FALLBACK

If no reliable answer is available, explain the limitation and recommend an appropriate support channel.

ทำไม Instructions นี้จึงเหมาะ?

เพราะกำหนดขอบเขตข้อมูลอย่างชัดเจน และลดความเสี่ยงที่ Agent จะตอบข้อมูลบริษัทโดยไม่มีหลักฐาน

อย่างไรก็ตาม Instructions ไม่สามารถใช้แทน Permissions หรือ Authentication ของระบบต้นทางได้

🧪 วิธีทดสอบ Generative Answers ให้ตอบแม่นยำ

ควรทดสอบหลายประเภทคำถาม

1. คำถามที่มีข้อมูลตรง

ตรวจสอบว่า Agent ตอบจากเอกสารได้

2. คำถามที่ใช้คำต่างจากเอกสาร

ตรวจสอบ Semantic Retrieval

3. คำถามจากหลายเอกสาร

ดูว่าเลือกแหล่งข้อมูลเหมาะสมหรือไม่

4. คำถามที่ไม่มีคำตอบ

ตรวจสอบว่าไม่สร้างข้อมูลขึ้นเอง

5. คำถามภาษาไทย

ตรวจสอบคำศัพท์เฉพาะและภาษาพูด

6. คำถามตัวเลข

ตรวจสอบค่ากับต้นทาง

7. คำถามที่ขัดแย้งกันระหว่างเอกสาร

ตรวจสอบว่า Agent สามารถระบุความไม่แน่นอนได้

8. คำถามที่ผู้ใช้ไม่มีสิทธิ์

ตรวจสอบ Permissions

9. คำถามที่ต้องเรียก Tool

ตรวจสอบว่า Agent ไม่ใช้ Knowledge แทน Tool อย่างผิดวัตถุประสงค์

10. คำถามหลังปรับ Knowledge

ตรวจสอบความพร้อมของข้อมูลที่อัปเดต

🔍 วิธีตรวจสอบ Citations และคุณภาพคำตอบ

ขั้นตอน

1. เปิด Test your agent
2. ส่งคำถาม
3. ตรวจสอบคำตอบ
4. เปิดข้อมูล Citation หากมี
5. อ่านเอกสารต้นทาง
6. เปรียบเทียบเนื้อหา
7. ตรวจสอบว่ามีการตีความผิดหรือไม่
8. แก้ Knowledge หรือ Instructions
9. ทดสอบซ้ำ

ตัวอย่าง

คำถาม

“สาย Fiber Optic แบบ Single Mode รองรับระยะทางเท่าไร?”

หากเอกสารไม่ได้ระบุระยะทางสำหรับอุปกรณ์และมาตรฐานที่เกี่ยวข้อง Agent ไม่ควรสร้างตัวเลขตายตัวโดยไม่มีเงื่อนไข

ควรอธิบายว่าระยะทางขึ้นอยู่กับชนิด Transceiver, Optical Budget และองค์ประกอบของระบบ

🔧 Generative Answers ตอบผิดหรือไม่ทำงาน แก้อย่างไร?

ปัญหาที่ 1: Agent ไม่พบ Knowledge

ตรวจสอบว่าเพิ่ม Knowledge สำเร็จและพร้อมใช้งาน

ปัญหาที่ 2: Agent ตอบจากความรู้ทั่วไป

ตรวจสอบ AI General Knowledge และ Allow ungrounded responses

ปัญหาที่ 3: Agent ใช้ Knowledge ผิด

ปรับชื่อและ Description

ปัญหาที่ 4: Topic ไม่ใช้ Knowledge เฉพาะ

ตรวจสอบ Generative Answers Node และ Knowledge Sources ที่เลือก

ปัญหาที่ 5: Public Website ไม่พบข้อมูล

ตรวจสอบว่าเว็บไซต์เป็นสาธารณะและค้นพบผ่านระบบค้นหาที่รองรับ

ปัญหาที่ 6: SharePoint ไม่ตอบ

ตรวจสอบ Authentication และ Permissions

ปัญหาที่ 7: Dataverse ไม่ตอบ

ตรวจสอบ Dataverse Search, Authentication และ Security Roles

ปัญหาที่ 8: Uploaded File ยังใช้ไม่ได้

ตรวจสอบสถานะไฟล์ว่า Ready หรือไม่

ปัญหาที่ 9: Citations ไม่แสดง

ตรวจสอบ Knowledge, Channel และการปรับแต่ง Message Node

ปัญหาที่ 10: คำตอบไม่ตรงคำถาม

ตรวจสอบเนื้อหาและความเกี่ยวข้องของ Knowledge

ปัญหาที่ 11: AI ตอบข้อมูลเก่า

ตรวจสอบการอัปเดตหรือการซิงโครไนซ์แหล่งข้อมูล

ปัญหาที่ 12: Agent ตอบไม่ครบ

ตรวจสอบว่าข้อมูลต้นทางมีรายละเอียดเพียงพอหรือไม่

ปัญหาที่ 13: คำตอบจากหลายเอกสารขัดแย้งกัน

ปรับข้อมูลให้สอดคล้องและระบุเอกสารที่เป็นปัจจุบัน

ปัญหาที่ 14: Agent ตอบไม่ออกเมื่อปิด Ungrounded Responses

ตรวจสอบว่าโมเดลสามารถสร้าง Citations ตามข้อกำหนดได้หรือไม่

ปัญหาที่ 15: คำถามภาษาไทยไม่ตรง

ปรับเนื้อหา คำศัพท์เฉพาะ และ Description ให้สอดคล้องกับภาษาที่ผู้ใช้ถาม

ปัญหาที่ 16: Agent ไม่เรียก Tool

ตรวจสอบ Generative Orchestration และ Tool Description

ปัญหาที่ 17: Agent ตอบสถานะธุรกิจผิด

ใช้ Tool เพื่อดึงข้อมูลแบบมีโครงสร้างเมื่อจำเป็นต้องแม่นยำตามสถานะล่าสุด

ปัญหาที่ 18: Agent แสดงข้อมูลเกินสิทธิ์

หยุดการใช้งานที่เกี่ยวข้อง ตรวจสอบ Authentication, Connections และ Permissions ทันที

📊 Checklist ก่อน Publish Agent ที่ใช้ Generative Answers

รายการ	สิ่งที่ต้องตรวจสอบ
Knowledge Sources	ถูกต้อง
Knowledge Status	พร้อมใช้งาน
Name	ชัดเจน
Description	ตรง Intent
Agent-Level Knowledge	เหมาะสม
Topic-Level Knowledge	ตั้งค่าถูกต้อง
Generative Answers Node	ทำงาน
General Knowledge	ตรงนโยบาย
Web Search	ตรงนโยบาย
Ungrounded Responses	ตั้งค่าเหมาะสม
Citations	ทดสอบแล้ว
Authentication	ถูกต้อง
Permissions	ตรวจสอบแล้ว
Tool Integration	ทำงานถูกหน้าที่
Test Questions	ครอบคลุม
Error Handling	พร้อม
Publish	เวอร์ชันล่าสุด
Monitoring	มีผู้รับผิดชอบ

📈 10 เทคนิคทำให้ Generative Answers ตอบแม่นยำขึ้น

1. ใช้ข้อมูลต้นทางที่ถูกต้อง

2. แยก Knowledge Sources ตามหัวข้อ

3. ตั้งชื่อ Knowledge ให้ชัดเจน

4. เขียน Description ให้ตรงกับคำถามจริง

5. ใช้ Topic-Level Knowledge เมื่อจำเป็น

6. ควบคุม General Knowledge และ Web Search

7. ตรวจสอบ Citations

8. ทดสอบคำถามที่ไม่มีข้อมูล

9. ใช้ Tools สำหรับข้อมูลธุรกรรมที่ต้องแม่นยำ

10. ติดตาม Analytics และปรับปรุง Knowledge ต่อเนื่อง

Generative Answers ที่ดีไม่ได้เกิดจากการเพิ่มเอกสารจำนวนมากที่สุด แต่เกิดจากการมีข้อมูลที่ตรงกับความต้องการของผู้ใช้ และระบบค้นหาที่สามารถนำข้อมูลนั้นมาตอบได้อย่างเหมาะสม

❓ คำถามที่พบบ่อยเกี่ยวกับ Generative Answers ใน Copilot Studio

Generative Answers คืออะไร?

คือความสามารถที่ให้ AI Agent ค้นหาข้อมูลจาก Knowledge Sources แล้วสร้างคำตอบด้วยภาษาธรรมชาติ

Generative Answers ทำงานอย่างไร?

ใช้การค้นคืนข้อมูลที่เกี่ยวข้องจาก Knowledge แล้วนำมาเป็นบริบทสำหรับสร้างคำตอบ

Generative Answers กับ RAG เหมือนกันไหม?

Generative Answers ใช้แนวคิดที่เกี่ยวข้องกับ RAG แต่เป็นความสามารถภายใน Copilot Studio ที่มีระบบ Knowledge และการตั้งค่าเพิ่มเติม

Generative Answers กับ Generative Orchestration ต่างกันอย่างไร?

Generative Answers เน้นตอบคำถามจาก Knowledge ส่วน Generative Orchestration เน้นเลือกและจัดลำดับความสามารถของ Agent

Generative Answers ต้องสร้าง Topic ไหม?

ไม่จำเป็นทุกกรณี เพราะสามารถเพิ่ม Agent-Level Knowledge ให้ Agent ใช้ตอบคำถามได้

เพิ่ม Generative Answers Node ได้ไหม?

ได้สำหรับ Agent แบบ Standard Harness ที่รองรับ Topic และ Node ประเภทนี้

Generative Answers ใช้ SharePoint ได้ไหม?

ได้เมื่อมี Authentication และ Permissions ที่เหมาะสม

Generative Answers ใช้ Dataverse ได้ไหม?

ได้ตามรูปแบบ Knowledge และข้อกำหนดการเข้าถึง

Generative Answers ใช้ PDF ได้ไหม?

ได้เมื่อเพิ่มเอกสารผ่าน Knowledge Source ที่รองรับไฟล์ประเภทนั้น

Generative Answers ตอบภาษาไทยได้ไหม?

สามารถใช้คำถามภาษาไทยได้ แต่ควรทดสอบกับเนื้อหาและคำศัพท์จริง

Generative Answers ใช้ข้อมูลจากเว็บไซต์ได้ไหม?

ได้สำหรับเว็บไซต์สาธารณะที่ระบบรองรับการค้นหา

Generative Answers แสดง Citations ได้ไหม?

ได้ตาม Knowledge Source และ Channel ที่รองรับ

ปิดการใช้ความรู้ทั่วไปของ AI ได้ไหม?

มีการตั้งค่าสำหรับควบคุม General Knowledge และ Ungrounded Responses ตามความสามารถที่รองรับ

ทำไม Agent ตอบไม่ตรงกับเอกสาร?

อาจเกิดจากข้อมูลต้นทางไม่ครบ ค้นหาไม่ตรง หรือการตีความของโมเดล

ทำไม Agent ไม่พบข้อมูลใหม่?

อาจเกิดจากการซิงโครไนซ์หรือจัดทำดัชนียังไม่เสร็จ

Generative Answers สร้าง Ticket ได้ไหม?

Generative Answers เพียงอย่างเดียวไม่ได้สร้าง Ticket ต้องใช้ Tool หรือ Workflow ที่รองรับ

Generative Answers ใช้หลาย Knowledge Sources ได้ไหม?

ได้ตามข้อจำกัดของ Knowledge Source และ Orchestration Mode

ใช้ Custom Data ได้ไหม?

ได้ผ่านการตั้งค่า Generative Answers Node ในรูปแบบ Classic Data ที่รองรับ

Generative Answers ปลอดภัยไหม?

มีการควบคุมด้าน Authentication และ Knowledge Permissions แต่ผู้สร้างยังต้องตั้งค่าความปลอดภัยให้เหมาะสม

Generative Answers มีค่าใช้จ่ายไหม?

ขึ้นอยู่กับ Copilot Studio License, Copilot Credits, Capacity และบริการที่เกี่ยวข้อง

✅ สรุป Generative Answers ใน Copilot Studio

Generative Answers เป็นความสามารถสำคัญของ Microsoft Copilot Studio ที่ช่วยให้ AI Agent ค้นหาข้อมูลจาก Knowledge Sources แล้วสร้างคำตอบด้วยภาษาธรรมชาติ โดยไม่จำเป็นต้องกำหนดคำถามและคำตอบล่วงหน้าทุกหัวข้อ

ผู้สร้างสามารถเริ่มจากการเพิ่ม Knowledge ระดับ Agent หรือใช้ Generative Answers Node ภายใน Topic เพื่อกำหนดแหล่งข้อมูลเฉพาะเรื่อง

Knowledge Sources ที่รองรับ ได้แก่ เว็บไซต์สาธารณะ เอกสาร SharePoint, Dataverse และแหล่งข้อมูลขององค์กรตามความสามารถที่กำหนด

สำหรับองค์กรที่ต้องการคำตอบจากข้อมูลภายใน ควรให้ความสำคัญกับ Grounding, Citations, Authentication และ Permissions

หากต้องการให้ Agent ดำเนินงาน เช่น สร้าง Ticket หรืออัปเดตข้อมูล ต้องใช้ Tools และ Actions เพิ่มเติม ไม่ใช่ใช้ Generative Answers เพียงอย่างเดียว

comsiam แนะนำให้ใช้แนวทาง เตรียมข้อมูล → เพิ่ม Knowledge → ตั้ง Description → กำหนด Generative Answers → ตรวจสอบ Grounding → ทดสอบ Citations → ตรวจสอบสิทธิ์ → Publish → ติดตาม Analytics → ปรับปรุงต่อเนื่อง

การใช้ Generative Answers อย่างถูกต้องจะช่วยให้องค์กรเปลี่ยนเอกสารและฐานความรู้ที่มีอยู่ให้กลายเป็น AI Assistant ที่ค้นหาข้อมูลและตอบคำถามได้สะดวกขึ้น พร้อมต่อยอดสู่ระบบ AI Agent สำหรับงานธุรกิจในอนาคต