DocsMint คืออะไร?
DocsMint คือพื้นที่ทำงานด้านความรู้แบบ AI-native ที่ถูกออกแบบภายใต้แนวคิดง่ายๆ คือ: ความรู้ที่ใช้โดยผู้คนและ AI agent ควรจะอยู่ในที่เดียวกัน
โปรแกรมแก้ไขเอกสารแบบดั้งเดิมถูกสร้างขึ้นมาเพื่อมนุษย์เป็นหลัก ในขณะที่ระบบความรู้ของ AI มักจะแก้ปัญหาในทางตรงกันข้าม โดยการเปลี่ยนเอกสารให้กลายเป็นชั้นการดึงข้อมูลที่มองไม่เห็น ซึ่งยากต่อการที่มนุษย์จะตรวจสอบหรือดูแลรักษา
DocsMint ผสมผสานทั้งสองอย่างเข้าด้วยกัน
ผู้ใช้สามารถสร้าง แก้ไข จัดระเบียบ ค้นหา และแบ่งปันเอกสารผ่านอินเทอร์เฟซเว็บทั่วไป ในขณะที่แอปพลิเคชันและ AI agent สามารถทำงานกับความรู้ชุดเดียวกันผ่านอินเทอร์เฟซเชิงโปรแกรม (programmatic interfaces)
แทนที่จะต้องดูแลฐานความรู้หนึ่งชุดสำหรับทีม อีกชุดสำหรับผู้ช่วย AI และสำเนาเพิ่มเติมภายในแอปพลิเคชันต่างๆ DocsMint มอบแหล่งความรู้ร่วมกันที่ยังคงมองเห็นได้และสามารถแก้ไขได้
การเขียนและการจัดการความรู้
DocsMint มีโปรแกรมแก้ไขแบบภาพ (visual editor) ควบคู่ไปกับการแก้ไขด้วย Markdown แบบดิบ
เอกสารจะถูกจัดเก็บโดยใช้โมเดลตัวแก้ไขที่มีโครงสร้าง ในขณะที่ Markdown ยังคงเป็นรูปแบบที่สะดวกสำหรับการแก้ไข การนำเข้า การส่งออก และการทำงานร่วมกับเครื่องมือสำหรับนักพัฒนา
พื้นที่ทำงานนี้รองรับองค์ประกอบพื้นฐานในชีวิตประจำวันของระบบความรู้ ได้แก่:
สิ่งนี้ทำให้ DocsMint มีประโยชน์มากกว่าแค่การทำเอกสารแบบดั้งเดิม
พื้นที่ทำงานสามารถประกอบด้วยข้อกำหนดผลิตภัณฑ์, งานวิจัย, สัญญา, ขั้นตอนการปฏิบัติงานภายใน, บันทึกการประชุม, เอกสารทางเทคนิค, บทความ, ข้อเสนอ, ความรู้ของโครงการ หรือความจำระยะยาวที่ใช้โดย AI agent
เป้าหมายไม่ใช่การบังคับให้ผู้ใช้ต้องใช้ "อินเทอร์เฟซ AI" แบบพิเศษ ผู้คนสามารถทำงานกับเอกสารได้ตามปกติ ในขณะที่ความรู้พื้นฐานยังคงสามารถใช้งานได้โดยเครื่องจักร
- เอกสาร;
- หมวดหมู่และโฟลเดอร์;
- เมทาดาตา (metadata) และแท็ก;
- การแบ่งปันและการควบคุมการเข้าถึง;
- เนื้อหาที่มีโครงสร้างซึ่งนำกลับมาใช้ใหม่ได้;
- การค้นหาทั่วทั้งพื้นที่ทำงาน
การค้นหา, การดึงข้อมูลเชิงความหมาย และ GraphRAG
การค้นหาด้วยคำสำคัญ (keyword search) เพียงอย่างเดียวจะเริ่มมีข้อจำกัดมากขึ้นเมื่อฐานความรู้ขยายตัวขึ้น
DocsMint ผสมผสานวิธีการดึงข้อมูลหลายวิธีเพื่อค้นหาข้อมูลทั้งจากถ้อยคำและความหมาย
ชั้นการค้นหาประกอบด้วย การจับคู่แบบตรงตัว (exact matching), การค้นหาเชิงคำศัพท์ (lexical search), การจับคู่แบบคลุมเครือ (fuzzy matching), การดึงข้อมูลแบบเวกเตอร์ (vector retrieval), การขยายขอบเขตแบบหลายภาษา (multilingual expansion) และการดึงข้อมูลแบบอิงกราฟ (graph-based retrieval)
ผลลัพธ์จากระบบเหล่านี้จะถูกนำมารวมกันเพื่อสร้างชุดผลลัพธ์ที่มีการจัดลำดับซึ่งมีประโยชน์มากขึ้น
เอกสารจะถูกแบ่งเป็นส่วนย่อย (chunked) และฝังตัว (embedded) โดยอัตโนมัติเพื่อการดึงข้อมูลเชิงความหมาย เมื่อเนื้อหาหรือเมทาดาตาที่เกี่ยวข้องเปลี่ยนแปลง DocsMint จะอัปเดตการแสดงผลการค้นหาที่ได้รับผลกระทบแบบเพิ่มส่วน (incrementally) แทนที่จะสร้างฐานความรู้ใหม่ทั้งหมด
GraphRAG เพิ่มอีกหนึ่งชั้นโดยการเชื่อมโยงเอนทิตีและเอกสารที่เกี่ยวข้อง ช่วยให้การดึงข้อมูลก้าวข้ามผ่านเพียงเศษเสี้ยวของข้อความที่แยกจากกัน และสามารถใช้ความสัมพันธ์ภายในฐานความรู้ได้
ผลลัพธ์ที่ได้คือพื้นที่ทำงานที่มนุษย์สามารถค้นหาได้ ในขณะเดียวกันก็ทำหน้าที่เป็นโครงสร้างพื้นฐานในการดึงข้อมูลสำหรับระบบ AI
สร้างมาเพื่อ AI Agent
DocsMint ถูกออกแบบมาเพื่อให้ซอฟต์แวร์ใช้งานได้โดยตรง ไม่ใช่เพียงแค่ผ่านอินเทอร์เฟซเว็บเท่านั้น
พื้นที่ทำงานเดียวกันนี้สามารถเข้าถึงได้ผ่าน:
สิ่งนี้ช่วยให้ผู้ช่วย AI และเอเจนต์อัตโนมัติสามารถอ่าน ค้นหา สร้าง และอัปเดตความรู้ได้ โดยไม่ต้องรักษาฐานข้อมูลเวกเตอร์ (vector database) แยกต่างหาก หรือต้องมีสำเนาส่วนตัวของบริบทโครงการ
ตัวอย่างเช่น เอเจนต์เขียนโค้ดสามารถดึงการตัดสินใจทางเทคนิคและข้อกำหนดเฉพาะของผลิตภัณฑ์มาใช้ก่อนที่จะเริ่มพัฒนาฟีเจอร์ เอเจนต์วิจัยสามารถจัดเก็บสิ่งที่ค้นพบกลับเข้าไปในพื้นที่ทำงาน (workspace) และผู้ช่วยคนอื่นสามารถสานต่องานโดยใช้ความรู้ชุดเดียวกันได้ในภายหลัง
เนื่องจากเอกสารต้นฉบับยังคงมองเห็นได้โดยผู้ใช้ ความรู้ที่สร้างโดยเอเจนต์จึงสามารถตรวจสอบและแก้ไขได้โดยตรงเช่นกัน
สิ่งนี้ทำให้ DocsMint มีประโยชน์ในฐานะ เลเยอร์หน่วยความจำและองค์ความรู้ที่คงอยู่ระหว่างเครื่องมือและแอปพลิเคชัน AI ที่แตกต่างกัน
- REST API;
- TypeScript SDK;
- CLI;
- MCP server.
ออกแบบมาเพื่อการติดตั้งด้วยตนเอง (Self-Hosted)
DocsMint สามารถรันเป็นสแต็กแบบติดตั้งด้วยตนเองที่สมบูรณ์บนโครงสร้างพื้นฐานที่ผู้ใช้ควบคุมเองได้
การติดตั้งรวมถึงตัวแอปพลิเคชัน, PostgreSQL, โครงสร้างพื้นฐานการค้นหาแบบเวกเตอร์, ข้อมูลกราฟ (graph data), การประมวลผลเบื้องหลัง (background processing) และการจัดเก็บไฟล์
การติดตั้งมาตรฐานผ่าน Docker จะมอบพื้นที่ทำงานที่สมบูรณ์โดยไม่จำเป็นต้องให้ผู้ใช้ไปรวบรวมบริการด้านความรู้ เวกเตอร์ และเอเจนต์แยกกันเอง
สำหรับภาระงาน AI การติดตั้งสามารถเลือกใช้ผู้ให้บริการโมเดลแบบโฮสต์ (hosted model provider) หรือโครงสร้างพื้นฐานการประมวลผลภายในเครื่อง (local inference infrastructure) ก็ได้
รุ่นติดตั้งด้วยตนเองเป็นโอเพนซอร์สและออกแบบมาสำหรับทีมที่ต้องการควบคุมเอกสาร, การทำ embeddings, โครงสร้างพื้นฐานการดึงข้อมูล (retrieval infrastructure) และความรู้ที่เอเจนต์สามารถเข้าถึงได้
DocsMint ยังมีให้บริการในรูปแบบผลิตภัณฑ์คลาวด์แบบโฮสต์ สำหรับผู้ใช้ที่ไม่ต้องการดำเนินการด้านโครงสร้างพื้นฐานด้วยตนเอง
กรณีการใช้งาน
DocsMint ทำงานได้ในทุกที่ที่ข้อมูลชุดเดียวกันจำเป็นต้องมีประโยชน์ต่อทั้งมนุษย์และซอฟต์แวร์
จัดเก็บความรู้โครงการที่คงอยู่เพื่อให้ผู้ช่วยและเอเจนต์ที่แตกต่างกันสามารถดึงข้อมูลไปใช้ได้ แทนที่จะต้องสร้างบริบทใหม่ในทุกการสนทนา
เก็บข้อกำหนดเฉพาะ, การตัดสินใจด้านสถาปัตยกรรม, บันทึกการดำเนินงาน, รายงานอุบัติการณ์, เอกสาร API และข้อมูลการเปิดตัวไว้ในพื้นที่ทำงานที่ค้นหาได้เพียงแห่งเดียว
รักษาขั้นตอนการปฏิบัติงาน, นโยบาย, เอกสารการรับพนักงานใหม่ (onboarding), งานวิจัย, บันทึกการประชุม และเอกสารภายใน
รวบรวมแหล่งที่มา, สิ่งที่ค้นพบ, บทสรุป และเอกสารที่เกี่ยวข้อง พร้อมใช้การดึงข้อมูลแบบ semantic และ graph เพื่อค้นพบข้อมูลเดิมอีกครั้งในภายหลัง
สร้างบทความ, รายงาน, ข้อเสนอ, สัญญา, สคริปต์, เอกสารทางธุรกิจ และเนื้อหาที่มีโครงสร้างอื่นๆ โดยไม่ต้องแยกสภาพแวดล้อมการเขียนออกจากระบบความรู้
ใช้งาน DocsMint ผ่าน REST, SDK, CLI หรือ MCP ในฐานะ backend ความรู้ส่วนกลางสำหรับเครื่องมือภายในและผลิตภัณฑ์ที่ขับเคลื่อนด้วย AI
DocsMint เริ่มต้นจากการสร้างเอกสาร แต่ปัญหาที่ใหญ่กว่าที่พบคือความต่อเนื่องของความรู้
เมื่อ AI กลายเป็นส่วนหนึ่งของการทำงานในทุกๆ วัน เอกสารไม่สามารถดำรงอยู่เพียงในฐานะไฟล์ที่เขียนขึ้นเพื่อมนุษย์ ในขณะที่เอเจนต์ต้องรักษาบริบทที่แยกจากกันและกระจัดกระจายมากขึ้นเรื่อยๆ
DocsMint เปลี่ยนพื้นที่ทำงานของเอกสารให้กลายเป็นเลเยอร์ความรู้ที่ใช้ร่วมกัน — ซึ่งมนุษย์อ่านได้ แอปพลิเคชันค้นหาได้ และเอเจนต์ AI ใช้งานได้