NutriLift — แชตบอทแนะนำโภชนาการสำหรับเวทเทรนนิ่ง
ชื่อโครงงาน: การพัฒนาแชตบอทให้คำแนะนำด้านโภชนาการเฉพาะบุคคลสำหรับผู้ฝึกเวทเทรนนิ่ง
ด้วยเทคนิคการสร้างคำตอบเสริมด้วยการค้นคืน (RAG)
Development of a Personalized Nutrition Chatbot for Resistance Training Using Retrieval-Augmented Generation
โปรเจกจบ: แชตบอทภาษาไทยที่ตอบคำถามโภชนาการสำหรับผู้ฝึกเวทเทรนนิ่ง
โดย อ้างอิงฐานความรู้ที่คัดมา (RAG) และ คำนวณพลังงาน/สารอาหารด้วยโค้ด ไม่ใช่ด้วย LLM
เริ่มใช้งาน (ครั้งแรก)
ต้องมี: Python 3.11+, Node.js 20+, Docker Desktop
1. ฐานข้อมูล
docker compose up -d
Postgres 16 + pgvector จะขึ้นที่ localhost:5432 (user/pass/db = nutrition)
2. Backend
cd backend
python -m venv .venv
.venv/Scripts/python.exe -m pip install -e ".[dev]" # Windows
# source .venv/bin/activate && pip install -e ".[dev]" # macOS / Linux
cp .env.example .env # แล้วใส่ GEMINI_API_KEY กับ JWT_SECRET ของจริง
.venv/Scripts/alembic.exe upgrade head
.venv/Scripts/python.exe -m uvicorn app.main:app --reload --port 8000
เปิด http://localhost:8000/docs เพื่อดู API
3. นำความรู้เข้าฐานข้อมูล
cd backend
.venv/Scripts/python.exe -m ingest # embed การ์ดที่เปลี่ยน + โหลด foods.csv
.venv/Scripts/python.exe -m ingest --rebuild # embed ใหม่ทั้งหมด
4. Frontend
cd frontend
npm install
cp .env.local.example .env.local # ชี้ NEXT_PUBLIC_API_BASE ไปที่ backend
npm run dev # http://localhost:3000
คำสั่งที่ใช้บ่อย
| งาน | คำสั่ง (รันจาก backend/) |
|---|
| รันเทส | .venv/Scripts/python.exe -m pytest -q |
| ตรวจ lint | .venv/Scripts/ruff.exe check . |
| สร้าง migration ใหม่ | .venv/Scripts/alembic.exe revision --autogenerate -m "..." |
| เช็กว่า model กับ DB ตรงกัน | .venv/Scripts/alembic.exe check |
| นำความรู้เข้า | .venv/Scripts/python.exe -m ingest |
| รันเทส frontend | npm test (จาก frontend/) |
รันการประเมิน (จาก root ของ repo):
backend/.venv/Scripts/python.exe eval/run_eval.py --mode both --judge
ปรับ threshold ของ retrieval ให้เข้ากับฐานความรู้ปัจจุบัน:
backend/.venv/Scripts/python.exe eval/calibrate_threshold.py --verbose
ผลลัพธ์อยู่ใน eval/reports/ — *_answers.csv, *_summary.md, *_expert.csv (แบบ blinded)
ห้ามส่ง *_expert_key.csv ให้ผู้ประเมิน ไฟล์นั้นแมปคอลัมน์ A/B กลับไปเป็น rag/norag
ส่งให้เมื่อไหร่การ blind ก็จบทันที — gitignore กันไว้แล้ว ส่งเฉพาะ *_expert.csv
ตัวแปรสภาพแวดล้อม (backend/.env)
| ตัวแปร | ค่าเริ่มต้น | หมายเหตุ |
|---|
GEMINI_API_KEY | — | ต้องใส่ (ฟรี, จาก aistudio.google.com) |
LLM_MODEL | gemini-3.5-flash-lite | โมเดลที่ใช้ตอบ — เปลี่ยนจาก gemini-3.5-flash เมื่อพบว่า free tier ของตัวนั้นจำกัดแค่ 20 requests/วันต่อโปรเจกต์ (ยืนยันจริงจาก error 429 เมื่อ 31 ส.ค. 2569) ตัว lite อยู่คนละ quota bucket และถูกกว่า ~4-5 เท่าถ้าต้องจ่ายเงิน เช็กเพดานปัจจุบันที่ aistudio.google.com/rate-limit |
JUDGE_MODEL | gemini-3.1-flash-lite | โมเดลให้คะแนนใน eval (ต้องคนละตัวกับ generator, คนละ quota bucket ด้วย) — เปลี่ยนจาก gemini-3.6-flash เพราะตัวนั้นติดเพดานแค่ 20 requests/วัน เจอจริงจาก dashboard ตอนรัน eval (1 ก.ย. 2569) |
EMBED_MODEL / EMBED_DIM | gemini-embedding-001 / 1536 | ถ้าเปลี่ยนโมเดล ต้องแก้ EMBED_DIM และ re-index ใหม่ทั้งหมด (ingest --rebuild) |
DATABASE_URL | postgres ใน docker | |
JWT_SECRET | — | ต้องเปลี่ยน ก่อน deploy |
RETRIEVAL_TOP_K / RETRIEVAL_MIN_SCORE | 6 / 0.63 | min_score = ประตูขอบเขต ได้จาก eval/calibrate_threshold.py — ต้องรันซ้ำทุกครั้งที่เปลี่ยนโมเดล embedding เพราะสเกลคะแนนไม่เทียบกันข้ามโมเดล ไม่ใช่แค่เมื่อเพิ่มการ์ดเยอะ ๆ |
RETRIEVAL_RELATIVE_WINDOW | 0.10 | เก็บ chunk ที่คะแนนห่างจากตัวที่ดีที่สุดไม่เกินค่านี้ |
HISTORY_TURNS | 8 | จำนวนรอบสนทนาที่ส่งกลับเข้า prompt |
RATE_LIMIT_CHAT_PER_HOUR / _PER_DAY | 20 / 60 | จำกัดต่อผู้ใช้ ป้องกันบิล API บาน |
RATE_LIMIT_CHAT_GLOBAL_PER_DAY | 1500 | เพดานรวมทุกผู้ใช้ต่อวัน = เพดานค่าใช้จ่าย |
RATE_LIMIT_AUTH_PER_15MIN | 60 | จำกัดการล็อกอิน/สมัคร ต่อ IP — ตั้งหลวมไว้เพราะห้องสอบ/ห้องเรียนใช้ NAT ร่วมกัน ตัวกันเดารหัสผ่านคือบรรทัดถัดไป |
โครงสร้างโปรเจก
backend/
app/core/ config, JWT
app/db/ SQLAlchemy models + session
app/api/ auth (+ PDPA consent), profile, foods, food_log, chat (SSE)
deps.py = get_current_user / get_consented_user (ด่านความยินยอม)
app/services/
nutrition.py BMR/TDEE/มาโคร (pure functions + unit tests) ← ตัวเลขทั้งหมดมาจากที่นี่
foods.py lookup_food
retrieval.py embed + pgvector search
guardrails.py กฎความปลอดภัย (ไม่ใช้ LLM)
prompts.py system prompt ภาษาไทย + PROMPT_VERSION
chat.py orchestrator: retrieve → prompt → tool loop → stream
ingest/ CLI นำการ์ดความรู้ + foods.csv เข้า DB
alembic/ migrations
tests/ pytest
frontend/ Next.js: / (หน้าแรก) /login /consent /profile /chat /log
knowledge/ การ์ดความรู้ (.md), foods.csv, SOURCES.md
eval/ ชุดคำถาม + harness ประเมิน RAG vs no-RAG
docs/ architecture.md
สถานะปัจจุบัน
ดูรายการงานและความคืบหน้าแบบละเอียดที่ TASKS.md
สรุปสั้น: ระบบย้ายจาก OpenAI ไป Gemini free tier แล้ว (ทดสอบ end-to-end กับ Gemini จริง
31 ส.ค. 2569 — RAG พร้อมอ้างอิง, tool calling, ปฏิเสธนอกขอบเขต, safety flag ผ่านหมด)
เหตุผลของการย้าย งบ/ความเป็นส่วนตัว/เพดาน request ที่ตรวจพบจริง ดู
docs/architecture.md
ตอนนี้มีการ์ดความรู้ 45 ใบ (26 ใบเดิม + 11 ใบจากชุดที่ 1 และ 8 ใบจากชุดที่ 2 เมื่อ 28 ต.ค. 2569 ซึ่งยังรอผู้เชี่ยวชาญตรวจ) และ foods.csv 382/383 แถวเป็นค่าจริงที่มีรหัสอ้างอิง
(เหลือ 1 แถวเป็นค่าประมาณจากฉลาก ระบบติดธง estimated ไว้และไม่หยิบไปใช้ในแผนมื้ออาหาร)
ความยินยอม (PDPA)
ระบบเก็บข้อมูลสุขภาพ (เพศ วันเกิด ส่วนสูง น้ำหนัก เปอร์เซ็นต์ไขมัน) จึงขอความยินยอมแบบชัดแจ้ง
- ตอนสมัครต้องติ๊ก 2 ช่องแยกกัน: อายุ 18+ และยินยอมให้เก็บ/ใช้ข้อมูล
ทั้งคู่เป็น field ที่ ไม่มีค่า default ใน
RegisterRequest — ถ้า client ไม่ส่งมาเลยจะได้ 422
ไม่ใช่ผ่านไปเงียบ ๆ
- เมื่อสมัครสำเร็จ ระบบบันทึก
users.consented_at และ users.consent_version
ใน transaction เดียวกับที่สร้างบัญชี
- route ที่แตะข้อมูลส่วนบุคคลใช้
get_consented_user ถ้ายังไม่ยินยอมจะได้ 403 + header
X-Consent-Required แล้ว frontend พาไปหน้า /consent (/auth/me กับ /auth/consent
ไม่ติดด่าน ไม่งั้นจะไปหน้ายินยอมไม่ได้)
- ข้อความประกาศอยู่ที่
frontend/src/components/ConsentNotice.tsx ที่เดียว ใช้ร่วมกันทั้ง
หน้าสมัครและหน้า /consent
แก้ข้อความประกาศเมื่อไหร่ ต้องเลื่อน CONSENT_VERSION ใน backend/app/api/schemas.py ด้วย
(ปัจจุบัน 2026-09-11) ไม่งั้นคนที่ยินยอมไปแล้วจะถูกนับว่ายอมรับข้อความที่ไม่เคยเห็น
พอเลื่อนเวอร์ชันแล้ว ระบบจะขอความยินยอมใหม่เฉพาะคนที่ยังค้างเวอร์ชันเก่าโดยอัตโนมัติ
บัญชีที่สมัครก่อนมีฟีเจอร์นี้จะมีค่าเป็น NULL และต้องยินยอมก่อนใช้งานต่อ — ตั้งใจไม่เติมย้อนหลัง
เพราะการเติมเท่ากับกุความยินยอมที่ไม่มีใครให้
ข้อจำกัดของระบบ (ต้องระบุในเล่ม)
ระบบนี้ให้ข้อมูลเพื่อการศึกษาเท่านั้น ไม่ใช่คำแนะนำทางการแพทย์
ไม่วินิจฉัยโรค ไม่ให้ข้อมูลสารต้องห้าม และส่งต่อผู้เชี่ยวชาญเมื่อผู้ใช้มีโรคประจำตัว
ตั้งครรภ์ ให้นมบุตร หรืออายุต่ำกว่า 18 ปี
กฎความปลอดภัยมี 8 ข้อ (Flag ใน guardrails.py) แต่ บังคับไม่เท่ากัน และหน้าเว็บก็แยกให้เห็น:
- 6 ข้อตัดสินในโปรแกรม โมเดลเปลี่ยนไม่ได้ — โรค/อาการป่วย และสารเร่งกล้ามเนื้อ ตอบด้วย
ข้อความปฏิเสธสำเร็จรูปโดยไม่เรียกโมเดลเลย, อายุต่ำกว่า 18 ไม่ผ่าน
_validate,
นอกขอบเขตปฏิเสธก่อนเรียกโมเดล, น้ำหนักต่ำกว่าเกณฑ์เปลี่ยน cut เป็น maintain,
และพลังงานต่ำกว่า 1,200 kcal แนบคำเตือน (ไม่ได้ปรับตัวเลขขึ้นให้)
- 2 ข้อเป็นคำสั่งใน prompt (พฤติกรรมการกินผิดปกติ, ตั้งครรภ์/ให้นมบุตร) ถ้อยคำจึงมาจากโมเดล
ยังไม่มีระบบรีเซ็ตรหัสผ่านและปุ่มลบบัญชีด้วยตนเอง — ต้องติดต่อผู้จัดทำ
