บทนำ: เมื่อเอเจนต์ AI เลิกเป็นแค่ "บอท"
หากคุณยังนึกภาพถึงแชทบอทที่เทอะทะซึ่งวนคุณไปตามเมนูต่างๆ แสดงว่าคุณล้าสมัยไปหนึ่งรุ่นแล้ว เอเจนต์ AI สมัยใหม่ไม่ได้แค่ตอบคำถามที่พบบ่อยเท่านั้น แต่ยังอ่านเอกสารนโยบาย ดึงสถานะคำสั่งซื้อจาก CRM ของคุณ สร้างตั๋ว ติดตามนโยบายการยกระดับ และส่งต่อให้มนุษย์พร้อมบริบท
ในคู่มือเชิงปฏิบัติและมุ่งเน้นการแก้ปัญหานี้ เราจะแนะนำวิธีทำให้ระบบสนับสนุนลูกค้าเป็นไปโดยอัตโนมัติโดยใช้เอเจนต์ AI แบบครบวงจร: ตั้งแต่การระบุ Use Case ที่มีผลกระทบสูง ไปจนถึงการสร้าง Knowledge Layer การเชื่อมต่อ Action (API) ที่ปลอดภัย การตั้งค่า Guardrail และการวัดผลสิ่งที่สำคัญ ระหว่างทาง เราจะสอดแทรกแนวโน้มและเกณฑ์มาตรฐานปัจจุบันเพื่อช่วยให้คุณปรับเทียบความคาดหวังและออกแบบมาเพื่อผลลัพธ์ในโลกแห่งความเป็นจริง
สิ่งที่คุณจะสร้างเมื่อสิ้นสุด
- Triage Layer ที่จัดประเภท Intent และกำหนดเส้นทางการสนทนา
- Self-Service Agent ที่แก้ไขปัญหา 20–40% แรก
- การผสานรวมที่นำไปปฏิบัติได้จริง ("เครื่องมือ") เพื่อดำเนินการต่างๆ เช่น ตรวจสอบคำสั่งซื้อ รีเซ็ตรหัสผ่าน หรือกำหนดเวลาการโทรกลับ
- Guardrail และเส้นทางการ Fallback ที่ชัดเจนไปยังเจ้าหน้าที่ที่เป็นมนุษย์
- Analytics Loop ที่ติดตาม Deflection, CSAT และความปลอดภัย
เหตุใดจึงต้องทำให้เป็นอัตโนมัติด้วยเอเจนต์ AI ในตอนนี้
- ความคาดหวังของลูกค้าเปลี่ยนไป: ผู้ใช้ต้องการคำตอบที่รวดเร็ว แม่นยำ และบริการตนเอง และพวกเขาสบายใจกับ AI มากขึ้นหากเป็นประโยชน์และเอาใจใส่
- เอเจนต์ AI สามารถทำตามขั้นตอนการทำงานทีละขั้นตอนและดำเนินการจริงได้ (ไม่ใช่แค่แชท) ปรับปรุงการแก้ไขปัญหาในการติดต่อครั้งแรกและลดเวลาในการจัดการ
- ทีมที่ออกแบบ Deflection Flow ที่มี Leverage สูงรายงานว่าต้นทุนลดลงอย่างมาก ในขณะที่ยังคงรักษาหรือปรับปรุง CSAT
พิมพ์เขียว: จาก Manual สู่ Machine‑Assisted สู่ AI‑Automated
เราจะใช้ Framework เจ็ดขั้นตอน คุณสามารถดำเนินการนี้ได้ภายในไม่กี่สัปดาห์ ไม่ใช่หลายเดือน หากคุณจัดลำดับความสำคัญของ Use Case ที่ถูกต้อง
ขั้นตอนที่ 1: ทำแผนผัง Support Surface Area และเลือก Use Case ที่มี ROI สูง
เริ่มต้นด้วยตั๋วหรือบทสนทนา 3–6 เดือนล่าสุดของคุณ จัดกลุ่มตาม Intent และความซับซ้อนในการแก้ไข:
- Tier 0 (อัตโนมัติได้อย่างสมบูรณ์): สถานะคำสั่งซื้อ การรีเซ็ตรหัสผ่าน การเปลี่ยนแปลงการสมัครสมาชิก คำถามที่พบบ่อยเกี่ยวกับการจัดส่ง การสอบถามนโยบาย
- Tier 1 (AI + เครื่องมือ มีแนวโน้มที่จะแก้ไขได้): การตรวจสอบสิทธิ์ในการคืนเงิน การตรวจสอบการรับประกัน การปรับการเรียกเก็บเงินภายใต้เกณฑ์ การกำหนดเวลานัดหมายใหม่
- Tier 2+ (นำโดยมนุษย์, AI-Assisted): การยกระดับทางเทคนิค ข้อพิพาทการฉ้อโกง ข้อยกเว้น Edge-Case
จัดลำดับความสำคัญ:
- ปริมาณมาก + ความแปรปรวนต่ำ + นโยบายที่ชัดเจน
- ต้องมีการค้นหาข้อมูลอย่างง่าย หรือ Action API เดียว
- มี Rubric การแก้ไขที่เป็นเอกสารอย่างดี
สิ่งที่ส่งมอบ: Backlog ของ Intent 10–15 รายการพร้อมปริมาณที่ประเมินและผลกระทบ Deflection ที่อาจเกิดขึ้น
ขั้นตอนที่ 2: สร้าง Knowledge Base ของคุณสำหรับ Retrieval‑Augmented Generation (RAG)
เอเจนต์ AI อาศัย Knowledge Layer ที่เชื่อถือได้เพื่อตอบคำถามเกี่ยวกับนโยบายและผลิตภัณฑ์ Retrieval‑Augmented Generation (RAG) จับคู่ Search Index ในเอกสารของคุณกับการให้เหตุผลของโมเดล เพื่อให้มั่นใจว่าการตอบสนองอ้างอิงข้อมูลที่เป็นปัจจุบันแทนที่จะสร้างภาพหลอน
สิ่งที่ต้องรวม:
- บทความศูนย์ช่วยเหลือสาธารณะ, SOP ภายใน, เอกสารนโยบาย, ราคา, แค็ตตาล็อก SKU, บันทึกประจำรุ่น
- เอกสาร Dynamic: ปัญหาที่ทราบ สถานะการบำรุงรักษา กฎการส่งเสริมการขาย ความแตกต่างระดับภูมิภาค
รายการตรวจสอบคุณภาพ:
- แบ่งเอกสารของคุณออกเป็นส่วนๆ (300–1,000 โทเค็น) โดยมีชื่อ Semantic และ Metadata (ภูมิภาค กลุ่มผลิตภัณฑ์ เวอร์ชัน)
- ใช้ Hybrid Retrieval (Keyword + Vector) และ Reranking เพื่อความแม่นยำในการสอบถามที่คลุมเครือ
- จัดเวอร์ชันและประทับเวลาเนื้อหา ชอบแหล่งที่มาที่เชื่อถือได้
- ทดสอบด้วยคำถาม "Gotcha" และกรณี Edge-Case ของนโยบาย
ขั้นตอนที่ 3: Wire Action—ความแตกต่างระหว่างบอทกับเอเจนต์
Action คือฟังก์ชันที่ปลอดภัยและได้รับอนุญาตที่เอเจนต์ของคุณสามารถเรียกใช้ได้: “check_order_status,” “create_ticket,” “reset_password,” “apply_refund_under_$50” ฯลฯ นี่คือสิ่งที่ทำให้เอเจนต์ AI แก้ไขปัญหาได้จริง ไม่ใช่แค่การอธิบายเท่านั้น
แนวทางการผสานรวม:
- เปิดเผย API Endpoint ที่มีขอบเขตงานน้อยที่สุดและมีการเข้าถึงสิทธิ์น้อยที่สุด
- ต้องมีอาร์กิวเมนต์ที่ชัดเจนและการตรวจสอบ Input (เช่น รูปแบบ order_id โดเมน customer_email)
- เพิ่ม Guardrail: เกณฑ์สำหรับการคืนเงิน ข้อจำกัดในการดำเนินการแก้ไข รหัสเหตุผลที่บังคับ
- บันทึกการเรียกใช้ทั้งหมดพร้อมบริบทการสนทนาเพื่อตรวจสอบได้
Action ทั่วไปที่จะเริ่มต้นด้วย:
- Identity: ตรวจสอบอีเมล/โทรศัพท์ ดึงโปรไฟล์บัญชี
- คำสั่งซื้อ: สถานะ การอัปเดตการจัดส่ง สิทธิ์ในการยกเลิก
- การเรียกเก็บเงิน: ดูใบแจ้งหนี้ สถานะการเรียกเก็บเงิน การคืนเงินภายใต้ Cap ใช้โปรโมชั่น
- Support Ops: สร้างตั๋ว แท็ก Intent กำหนดเวลาการโทรกลับ ขอเอกสาร
ขั้นตอนที่ 4: ออกแบบ Conversation Flow และนโยบาย
แม้จะมี LLM แต่ระบบ Conversation ของคุณก็ต้องการโครงสร้าง ใช้แนวทางที่ขับเคลื่อนด้วยนโยบาย:
- Triage: จัดประเภท Intent ตรวจจับภาษา ระบุ Sentiment และตรวจสอบ Authentication
- Decision Tree: สำหรับแต่ละ Intent ให้กำหนด Required Field การตรวจสอบสิทธิ์ Action ที่อนุญาต และ Fallback
- Tone และ Empathy: ปรับเทียบ Style Guide ตามภูมิภาคและช่องทาง (อีเมล vs แชท vs โซเชียล)
- ความปลอดภัย: ตรวจจับ PII ข้อมูลการชำระเงิน และสัญญาณการทำร้ายตัวเอง ทริกเกอร์ Secure Flow หรือการยกระดับของมนุษย์
ตัวอย่าง Micro‑Policy:
- การคืนเงินเกิน $50 ต้องมีการยกระดับไปยังหัวหน้างานและการส่งต่อของมนุษย์
- การเปลี่ยนแปลงที่อยู่หลังจาก Multi‑Factor Verification เท่านั้น
- ข้อจำกัดความรับผิดชอบทางการแพทย์หรือกฎหมายเป็นสิ่งจำเป็น ให้แหล่งข้อมูลที่ได้รับการอนุมัติ
ขั้นตอนที่ 5: Implement Guardrail และ Observability
Guardrail ทำให้เอเจนต์มีความน่าเชื่อถือ Observability ทำให้สามารถปรับปรุงได้
- การกลั่นกรอง Input/Output: ตัวกรองคำหยาบคาย การแก้ไข PII คำแนะนำในการจัดการ PCI‑DSS
- ข้อจำกัดการใช้เครื่องมือ: Per‑Tool Rate Limit เกณฑ์การอนุมัติ การทดสอบ Sandbox
- การควบคุม Hallucination: การตรวจสอบความมั่นใจในการดึงข้อมูล ต้องมีการอ้างอิงแหล่งที่มาสำหรับคำตอบนโยบาย
- Conversation Analytics: ความแม่นยำของ Intent อัตราความสำเร็จของเครื่องมือ ทริกเกอร์ Fallback เหตุผลในการส่งต่อ Intent ที่ยังไม่ได้รับการแก้ไขสูงสุด
ขั้นตอนที่ 6: เลือก Metrics ที่ขับเคลื่อนผลลัพธ์ทางธุรกิจจริง
วัดผลให้เกิน "Bot Contained" สามเหลี่ยมด้าน Customer Value ประสิทธิภาพในการดำเนินงาน และความปลอดภัย
- ลูกค้า: CSAT/OSAT หลังการโต้ตอบ First‑Contact Resolution (FCR) Time‑To‑First‑Response (TTFR) Average Handle Time (AHT)
- ธุรกิจ: Deflection Rate ตาม Intent ต้นทุนต่อ Conversation ที่แก้ไข รายได้ที่เก็บรักษาไว้ (การเพิ่มประสิทธิภาพการคืนเงิน) Upsell เมื่อเหมาะสม
- คุณภาพและความปลอดภัย: การปฏิบัติตามนโยบาย ความแม่นยำในการยกระดับ อัตราข้อผิดพลาดในการเรียกเครื่องมือ Coverage การอ้างอิงสำหรับคำตอบนโยบาย
เกณฑ์มาตรฐานสำหรับการวางแนว:
- ทีมมักจะตั้งเป้าหมายการ Deflection ที่เป็นตัวเลขสองหลักใน Intent Tier 0 ที่มีเอกสารครบถ้วน เมื่อจับคู่ RAG กับ Action Tool
- ภาพรวมอุตสาหกรรมชี้ให้เห็นถึงการเปิดรับประสบการณ์ AI‑First ที่เพิ่มขึ้นของผู้บริโภคและความเชื่อมั่นของผู้นำในบทบาทของ Chatbot ในการเปลี่ยนแปลง CX
- เอเจนต์ที่เติบโตเต็มที่ไม่เพียงแต่สามารถสนทนาได้ แต่ยังสามารถวางแผนและดำเนินการงานหลายขั้นตอนหลังการแชท เช่น การตรวจสอบสินค้าคงคลังและการออกการคืนเงินภายใต้ Policy Cap
ขั้นตอนที่ 7: เปิดตัวเป็นระยะและทำซ้ำอย่างรวดเร็ว
- เฟส 0 (ภายใน): เรียกใช้เอเจนต์ใน Shadow Mode บน Live Traffic เปรียบเทียบผลลัพธ์กับเจ้าหน้าที่ที่เป็นมนุษย์
- เฟส 1 (Intent ที่จำกัด): เปิดใช้งาน Intent 5 อันดับแรกในการผลิตโดยมีตัวเลือก "Talk To A Human" ที่โดดเด่น
- เฟส 2 (ขยาย + Action): เพิ่ม Action API ตรวจสอบความปลอดภัยและการปฏิบัติตามนโยบาย
- เฟส 3 (Proactive): ฝังเอเจนต์ใน In‑App Toast การตอบกลับทางอีเมล IVR และ Knowledge Widget
Conversation Playbook ที่คุณสามารถคัดลอกได้
- สถานะคำสั่งซื้อ + ETA การจัดส่ง
- ตรวจจับ Intent → ตรวจสอบ Identity → เรียก get_order_status → สรุปสถานะและ ETA → เสนอการสมัครรับการแจ้งเตือน
- ยกระดับไปยังมนุษย์หากผู้ให้บริการแสดงข้อยกเว้นในการจัดส่ง
- สิทธิ์ในการคืนเงินภายใต้ Cap
- ยืนยันรายละเอียดการซื้อ → ดึงเวอร์ชันนโยบาย → ตรวจสอบสิทธิ์ → ดำเนินการคืนเงินหากต่ำกว่าเกณฑ์ → ส่งใบเสร็จและบันทึกการอ้างอิงนโยบาย
- หากเกินเกณฑ์ ให้รวบรวมเหตุผลและส่งต่อพร้อมบริบททั้งหมด
- การรีเซ็ตรหัสผ่านและการล็อกบัญชี
- ตรวจสอบบัญชีผ่าน OTP → ทริกเกอร์ Action reset_password → ให้คำแนะนำขั้นตอนต่อไป → ติดตั้งสถานะพฤติกรรมที่น่าสงสัย
- ระบุแผน → คำนวณสัดส่วน → ยืนยันการเปลี่ยนแปลง → อัปเดตระบบการเรียกเก็บเงิน → ส่งอีเมลยืนยัน
เคล็ดลับการปรับใช้ Omnichannel
- Web Chat: การ Containment สูงสุด จับคู่กับคำถามที่พบบ่อยแบบ Dynamic และคำแนะนำบทความ
- อีเมล: ใช้เอเจนต์เพื่อร่างและแก้ไขการตอบกลับทั่วไป มนุษย์ตรวจสอบ Edge-Case
- แอปส่งข้อความ (WhatsApp, SMS): ตอบกลับให้กระชับ ดัน Deep Link ไปยัง Secure Portal
- เสียง/IVR: ใช้การตรวจจับ Intent เพื่อกำหนดเส้นทาง ยืนยัน Action ที่ละเอียดอ่อนผ่านการติดตามทาง SMS/อีเมล
พื้นฐานของข้อมูล ความเป็นส่วนตัว และการปฏิบัติตามข้อกำหนด
- จัดเก็บเฉพาะสิ่งที่คุณต้องการ ปิดบัง PII ในล็อก ใช้ Data Residency ระดับภูมิภาคของลูกค้าเมื่อจำเป็น
- เก็บ Manifest ของเครื่องมือ/Action ทั้งหมด สิทธิ์ และ Audit Trail
- สำหรับอุตสาหกรรมที่มีการควบคุม ให้ใส่ข้อจำกัดความรับผิดชอบและการส่งต่ออย่างหนักสำหรับขอบเขตคำแนะนำ
โครงสร้างทีมที่จัดส่ง
- Product Owner (CX Automation), Conversation Designer, LLM Engineer, Backend Integrator, QA/Policy Reviewer, Analyst
- เรียกใช้ Weekly Ops Review: Intent สูงสุด โหมด Failure ช่องว่างเนื้อหา การทดลองครั้งต่อไป
ข้อผิดพลาดทั่วไป (และการแก้ไข)
- ข้อผิดพลาด: Knowledge ที่คลุมเครือนำไปสู่คำตอบที่มั่นใจแต่ผิด Fix: กระชับแหล่งที่มา เพิ่มการทดสอบการดึงข้อมูล ต้องมีการอ้างอิง
- ข้อผิดพลาด: เอเจนต์ "รู้" แต่ "ทำ" ไม่ได้ Fix: จัดลำดับความสำคัญของ Action สำหรับ Intent สูงสุดก่อน
- ข้อผิดพลาด: Over‑Automation ทำร้ายความไว้วางใจ Fix: การส่งต่อของมนุษย์ที่มองเห็นได้ Affordance ที่ชัดเจน และการฝึกอบรม Empathy
- ข้อผิดพลาด: Set‑And‑Forget Fix: ใส่เครื่องมือทุกอย่าง เรียกใช้ Content Refresh Cadence
หมายเหตุและตัวอย่างเครื่องมือ
- Agent Builder ลดความซับซ้อนในการบรรจุ Prompt, Knowledge, Tool และนโยบายลงใน Workflow ที่มีการกำหนดเวอร์ชันด้วย Observability และ Rollback ซึ่งจะช่วยลดข้อผิดพลาดและเร่งการทำซ้ำในสภาพแวดล้อมการสนับสนุน
- คุณสามารถประกอบ Support Agent ที่ใช้งานได้ภายในไม่กี่ชั่วโมงเมื่อ Action และ Knowledge ของคุณมีขอบเขตที่ดี ความสามารถในวันแรกโดยทั่วไป ได้แก่ การค้นหาคำสั่งซื้อ การสร้างตั๋ว การรีเซ็ตรหัสผ่าน และการดึงข้อมูลบัญชี สำหรับคำแนะนำทีละขั้นตอนที่เป็นมิตรยิ่งขึ้น โปรดดูคู่มือการสร้างเชิงปฏิบัตินี้
สิ่งที่ควรทราบ: หากคุณกำลังประเมินแพลตฟอร์ม
หากคุณต้องการย้ายอย่างรวดเร็วโดยไม่ต้องเย็บทุกอย่างตั้งแต่เริ่มต้น ให้มองหาแพลตฟอร์มที่:
- รองรับ RAG ด้วย Hybrid Retrieval และ Reranking พร้อม Knowledge ที่มีการกำหนดเวอร์ชัน
- ให้คุณกำหนด Action ที่ปลอดภัยด้วยการเข้าถึงตามบทบาทและการบันทึก
- นำเสนอ Policy Guardrail การกำหนดเวอร์ชัน Prompt และ Conversation Analytics
- ผสานรวมผ่านระบบแชท อีเมล และออกตั๋ว
อย่างไรก็ตาม Workspace AI สมัยใหม่บางแห่งมี "Agent Builder" ที่รวมศูนย์ Prompt, Tool, Knowledge และนโยบาย พร้อม Observability ที่ฝังไว้—มีประโยชน์หากคุณต้องการสร้างต้นแบบ Support Agent อย่างรวดเร็วและปรับขนาดได้อย่างปลอดภัย
เริ่มต้นอย่างรวดเร็ว: แผนการ Implement 14 วัน
- วันที่ 1–2: ดึง Intent สูงสุด ร่างนโยบายต่อ Intent
- วันที่ 3–5: สร้าง RAG Index (เอกสาร 50 อันดับแรก) กำหนด Action 5–7 รายการ สร้าง Sandbox
- วันที่ 6–8: สร้าง Flow และ Guardrail Shadow‑Run ในบทสนทนาในอดีต
- วันที่ 9–11: เปิดตัวอย่างนุ่มนวลไปยัง Traffic 10–20% ตรวจสอบ Deflection, CSAT, ความปลอดภัย
- วันที่ 12–14: ขยาย Intent เพิ่ม Deflection Proactive และการสนับสนุนหลายภาษา
การพิสูจน์กลยุทธ์การสนับสนุน AI ของคุณในอนาคต
- การให้เหตุผลแบบ Multimodal: ภาพหน้าจอ ใบแจ้งหนี้ หรือล็อกข้อผิดพลาดเป็น Input
- การสนับสนุน Proactive: ตรวจจับสัญญาณการเลิกใช้งานหรือปัญหาการเรียกเก็บเงินและติดต่อล่วงหน้า
- Personalization: นโยบายระดับผู้ใช้ (กฎ VIP) Tone และช่องทางที่คำนึงถึงความชอบ
- Continuous Learning: ใช้ Intent ที่ยังไม่ได้รับการแก้ไขเพื่อขับเคลื่อนการอัปเดตเอกสารและ Action ใหม่
ประเด็นสำคัญ
- เริ่มต้นที่กฎมีความชัดเจนและข้อมูลสามารถเข้าถึงได้ จับคู่ RAG กับ Action ที่มีมูลค่าสูงสองสามรายการ
- ออกแบบนโยบายและ Guardrail ก่อน จากนั้นจึงวาง Empathy และ Brand Voice
- วัดผลสิ่งที่สำคัญ: FCR, CSAT, ความปลอดภัย และต้นทุนต่อการแก้ไข
- ทำซ้ำทุกสัปดาห์ จัดส่งการขยายขนาดเล็กที่ปลอดภัย
- ใช้ Agent Builder เพื่อเร่งการพัฒนาและทำให้ Workflow สามารถสังเกตได้
คำถามที่พบบ่อย
Q1:Use Case แรกที่จะทำให้เป็นอัตโนมัติด้วยเอเจนต์ AI ในการสนับสนุนคืออะไร?
เริ่มต้นด้วย Intent ที่มีปริมาณมากและมีความแปรปรวนต่ำ เช่น สถานะคำสั่งซื้อ การรีเซ็ตรหัสผ่าน คำถามที่พบบ่อยเกี่ยวกับการจัดส่ง และการคืนเงินอย่างง่าย โดยทั่วไปแล้วเหล่านี้มีนโยบายที่ชัดเจนและต้องมีการค้นหาข้อมูลพื้นฐาน ทำให้เหมาะสำหรับการ Deflection ตั้งแต่เนิ่นๆ
Q2:Retrieval-Augmented Generation (RAG) ปรับปรุงระบบอัตโนมัติการสนับสนุนได้อย่างไร
RAG ช่วยให้เอเจนต์ AI ดึงข้อมูลที่เชื่อถือได้และเป็นปัจจุบันจาก Knowledge Base ของคุณก่อนที่จะตอบสนอง ซึ่งจะช่วยลด Hallucination เพิ่มความแม่นยำ และเปิดใช้งานคำตอบที่สอดคล้องกันซึ่งอ้างอิงนโยบาย
Q3:ฉันควรติดตาม Metrics ใดเพื่อวัดความสำเร็จของเอเจนต์ AI
ติดตาม Deflection ตาม Intent, CSAT, First-Contact Resolution, Time-To-First-Response และการปฏิบัติตามนโยบาย ตรวจสอบอัตราความสำเร็จในการเรียกเครื่องมือ ความแม่นยำในการยกระดับ และเหตุการณ์ด้านความปลอดภัยด้วย
Q4:เอเจนต์ AI ดำเนินการที่ปลอดภัย เช่น การคืนเงินหรือการเปลี่ยนแปลงบัญชีได้อย่างไร
เปิดเผย API ที่แคบและได้รับอนุญาตเป็น Action ของเอเจนต์พร้อมการตรวจสอบ Input และเกณฑ์ (เช่น การคืนเงินภายใต้ Set Cap) บันทึกการเรียกใช้ทุกครั้งและบังคับใช้กฎ เช่น Multi-Factor Verification สำหรับการดำเนินการที่ละเอียดอ่อน
Q5:ฉันจะหลีกเลี่ยงไม่ให้เอเจนต์ AI ให้คำตอบที่ไม่ถูกต้องหรือมีความเสี่ยงได้อย่างไร
ใช้ Knowledge Pipeline ที่แข็งแกร่งพร้อม Hybrid Retrieval และ Reranking ต้องมีการอ้างอิงสำหรับคำตอบนโยบาย ตั้งค่า Guardrail การกลั่นกรองและ PII และสร้างกฎการยกระดับที่ชัดเจนสำหรับ Edge-Case
