# เทคนิค Chunking: เคล็ดลับจัดระเบียบ Content ให้ AI รัก การทำ SEO ยุคก่อน เราโฟกัสที่การทำ on-page ที่ Keyword Density และการเขียนเนื้อหาให้ยาวเพื่อครอบคลุมทุกประเด็น แต่เมื่อถึงยุคของ [Generative Engine Optimization (GEO)](https://nerdoptimize.com/seo/generative-engine-optimization/) AI อย่าง ChatGPT, Google Gemini หรือ Perplexity ไม่ได้มองหาแค่ “คำสำคัญ” แต่มองหา **“คำตอบที่ตรงประเด็นและมีโครงสร้าง”** หนึ่งในเทคนิคที่สำคัญที่สุดคือ **“Chunking”** ลองมาทำความเข้าใจว่าทำไมการแบ่งข้อมูลให้ดี ถึงเป็นกุญแจสำคัญที่ทำให้เว็บไซต์ถูก AI เลือกไปตอบกัน ## Chunking คืออะไร? Chunking คือกระบวนการแบ่งเอกสารหรือเนื้อหา (Text) ที่มีความยาวและซับซ้อน ให้กลายเป็นชิ้นส่วนย่อย ๆ ที่เรียกว่า “Chunks” โดยแต่ละชิ้นส่วนจะต้องมีความหมายในตัวเอง (Self-contained) ลองจินตนาการว่าเนื้อหาบนเว็บคือ “หนังสือหนึ่งเล่ม” หากเราโยนหนังสือทั้งเล่มให้ AI มันอาจจะหาคำตอบเจอ แต่ต้องใช้พลังงานสูงและอาจพลาดจุดสำคัญไป การทำ Chunking คือการจัดหมวดหมู่เนื้อหาให้เป็น “บัตรคำถาม-คำตอบ” ที่พร้อมใช้งานทันที เมื่อมีคนถามคำถามที่เกี่ยวข้อง ระบบจะสามารถดึง “บัตร” ใบที่แม่นยำที่สุดออกมาใช้ได้ในเสี้ยววินาทีโดยไม่จำเป็นต้องอ่านทั้งเล่ม ## Chunking สำคัญยังไงในการทำ AI Search? การทำงานของ AI อย่าง ChatGPT, Gemini, Claude, Perplexity, หรือ Google AI Overview ไม่เหมือน [search engine](https://nerdoptimize.com/seo/how-do-search-engines-work/) สมัยก่อนที่จะมองเว็บเรา “ทั้งหน้า” แล้วให้คะแนนอันดับ แต่ AI ยุคนี้ทำงานเหมือนการ “ต่อจิ๊กซอว์” มันจะมองหาแค่ **“ชิ้นส่วนข้อเท็จจริง” (Fact Chunks)** จากหลาย ๆ ที่ (หลายเว็บ) แล้วเอามารวมกันเป็นคำตอบเดียว ดังนั้น ถ้าเราไม่หั่นข้อมูลเตรียมไว้ให้มันหยิบง่าย ๆ AI ก็จะมองข้ามเราไป มีงานวิจัยบอกด้วยว่า แบรนด์ที่เปลี่ยนจากการเขียนยาว ๆ มาเป็นการจัดระเบียบข้อมูลเป็น “ชิ้นส่วนย่อย ๆ” แบบมีระบบ [มีโอกาสที่ AI จะเลือกไปพูดถึงเพิ่มขึ้นถึง 40%](https://arxiv.org/html/2311.09735v3) เลย สรุปความสำคัญของ Chunking ในการทำ AI Search **ความสำคัญ** **ทำไมถึงสำคัญ?** **Outcome** **การถูกอ้างอิง (Citations)** AI ไม่ได้จัดอันดับทั้งหน้าเพจ แต่มันเลือกหยิบ “ชิ้นส่วนข้อเท็จจริง” ไปตอบ ถ้าเราหั่นไว้ดี AI ก็หยิบไปอ้างอิงง่าย **Citation Rate สูงขึ้น** (เว็บเราถูกอ้างอิงเป็นแหล่งที่มาบ่อยขึ้น) **ลดอาการ Hallucination** ข้อมูลที่เป็นระเบียบช่วยให้ AI มี “หลักยึด” ที่ถูกต้อง ไม่เอาเนื้อหาเราไปสรุปมั่ว ๆ จนเสียชื่อแบรนด์ **ความถูกต้องของข้อมูล** (AI สรุปเรื่องของเราได้แม่นยำ 100%) **ประหยัดโควตา AI (Context Window)** AI มีขีดจำกัดในการอ่านข้อมูลต่อครั้ง การทำ Chunking คือการส่ง “เนื้อเน้น ๆ” ให้ AI ย่อยได้ครบ ไม่ทำประเด็นสำคัญตกหล่น **AI เก็บข้อมูลเราได้ครบถ้วน**ในรอบเดียว **ทางลัดติด AI Overviews** [ระบบ RAG ของ Google AI Overview](https://nerdoptimize.com/research/how-ai-overview-works-and-pathways-to-aio-visibility/) จะมองหา “ชิ้นส่วนข้อมูล” ที่ค่าใกล้เคียงกับ user queries มากที่สุด ถ้าเราแบ่ง Chunk มาดี ข้อมูลเราจะถูกดึงไปโชว์ทันที **ติดอันดับ AI Overviews** (ครองพื้นที่ above the fold บนหน้าผลการค้นหา) ## The core concept of chunking เวลาเราทำ Chunking เราต้องพิจารณาถึงความ “พอดี” (Granularity) และต้อง “บริบทครบถ้วน” (Context) ด้วย ถ้าหั่นเล็กไป AI ก็จะไม่รู้เรื่องว่าใครทำอะไรที่ไหน แต่ถ้าใหญ่ไป AI ก็จะสับสนและมึนตึ๊บกับข้อมูลที่เยอะเกินไป (เรียกว่าเกิด Noise ) ### AI แต่ละโมเดลมีขีดจำกัดในการจำ (Context Window) ถึงแม้ AI โมเดลใหม่ ๆ จะฉลาดมาก แต่ก็มีขีดจำกัดในการ “ถือข้อมูลไว้ในมือ” ถ้าเราโยนเนื้อหาหนา ๆ เป็นปึกเข้าไปให้มันอ่านรวดเดียว มันจะเกิดอาการ “Lost in the Middle” หรือ “ลืมสิ่งที่อยู่ตรงกลาง” นั่นเอง การทำ Chunking เลยเหมือนการคัดเอาเฉพาะเนื้อเน้น ๆ ส่งให้ AI โฟกัสคำตอบได้ถูกจุด ### Vector & Cosine Similarity เบื้องหลังการทำงาน AI จะเปลี่ยนคำถามของ user และเนื้อหาตามเว็บที่ตัดเป็น chunk ให้เป็น “พิกัดตัวเลข” (Vector) ซึ่งเมื่อมีคนถามคำถาม (Vector A) ระบบจะวิ่งไปหา Chunk ข้อมูล (Vector B) ที่อยู่ใกล้กับคำถามมากที่สุด ดังนั้น ถ้าหนึ่ง Chunk เราพูดหลายเรื่องมั่วไปหมด พิกัดมันจะ “เบลอ” และค่าพิกัดอยู่ไกลจากคำถาม AI จะหาเราไม่เจอ แต่ถ้าหนึ่ง Chunk พูดแค่ “เรื่องเดียวเน้น ๆ” (Topic Unity) พิกัดมักจะตรงและใกล้กับคำถามมาก AI จะเลือกเราไปตอบทันที ขอบคุณภาพจาก [dev.to](https://dev.to/busycaesar/embeddings-cosine-similarity-4541) เพื่อให้เห็นภาพชัด จากรูปด้านบน เป็นการเทียบค่า cosine similarity ว่าสิ่งที่ user prompt (สีดำ) มีค่าใกล้เคียงกับ sentence ไหนหรือ chunk ข้อมูลไหนที่สุด ซึ่งวัดจากระยะห่างของ vector 3 มิติ (embedding distance) แสดงว่า sentence 2 (สีแดง) จะถูกดึงมาแสดงเป็นคำตอบเพราะมีระยะห่างใกล้กับ user prompt ที่สุดนั่นเอง ### การทำ Overlap: ต่อใจความไม่ให้ขาดตอน ในเวลาที่ AI หั่นข้อมูล บางทีจุดที่ตัดมันดันไปอยู่กลางประโยค หรือทำให้ข้อมูลต้นประโยคกับท้ายประโยคแยกกันจนอ่านไม่รู้เรื่อง เราเลยต้องใช้เทคนิค “Overlap” หรือการดึงเนื้อหาท้ายส่วนที่แล้ว มาแปะไว้ที่ต้นส่วนถัดไปนิดนึง (ประมาณ 10-20%) เพื่อให้ AI ยังเห็นภาพรวมและเข้าใจความสัมพันธ์ของเนื้อหาได้ต่อเนื่อง ไม่หลุดโฟกัส ตัวอย่าง ❌ วิธีการเขียนแบบไม่ได้คำนึง chunking “………………..เซรั่มวิตามินซีแบรนด์ A ช่วยให้ผิวดูโกลว์ใส นอกจากนี้ มันยังช่วยลดรอยดำได้ดีมาก เจ้าตัวนี้ใช้ได้ทั้งเช้าและเย็น………………….” ตัวอย่าง ✅ วิธีการเขียนแบบคำนึง chunking ด้วยการทำ overlapping “……………….เซรั่มวิตามินซีแบรนด์ A ช่วยให้ผิวดูโกลว์ใส นอกจากนี้ เซรั่มแบรนด์ A ยังช่วยลดรอยดำได้ดีมาก โดยเพื่อนๆ สามารถใช้เซรั่มวิตามินซีตัวนี้ได้ทั้งเช้าและเย็น…………………….” บริเวณคำที่ไฮไลท์ คือการทำ overlapping เพื่อบอกบริบทให้ชัดเจน แม้เนื้อหาทั้ง 2 paragrap จะถูกตัดออกจากกัน แต่ AI ยังสามารถเข้าใจเนื้อหาได้ ขอบคุณภาพจาก [unstructured](https://docs.unstructured.io/ui/chunking) ## รู้จัก 4 เทคนิค Chunking ก่อนอื่นต้องเข้าใจก่อนว่า AI แต่ละตัวจะมีการใช้โมเดลในการทำ chunking ที่แตกต่างกัน โดยการที่ AI จะเลือกว่าเทคนิค chunking ไหนที่เหมาะสม ขึ้นอยู่กับประเภทของเอกสารและเป้าหมายของ user ในการสืบค้น ซึ่งในฐานะทีม SEO/Content เราเลือกไม่ได้ว่า AI จะใช้วิธีไหนกับเว็บเรา (เพราะแต่ละค่ายอย่าง ChatGPT หรือ Gemini ก็อาจใช้คนละวิธี) ดังนั้นสิ่งที่เราทำได้คือ **“เขียนให้รองรับทุกเทคนิค”** โดยเทคนิค chunking สามารถแบ่งออกเป็น 4 แนวทางที่นิยมใช้มากที่สุดในปัจจุบันดังนี้ ### 1. Fixed-size Chunking ขอบคุณภาพจาก [daily dose of data science](https://blog.dailydoseofds.com/p/5-chunking-strategies-for-rag) เป็นเทคนิคที่ง่ายและรวดเร็วที่สุด โดยการกำหนดค่าตายตัว เช่น การแบ่งทุก ๆ 500 token หรือ ประมาณ 350-400 คำภาษาอังกฤษ (ข้อสังเกตคือ ในแต่ละภาษา เช่นไทยกับอังกฤษ จะถูกนับ token ไม่เท่ากัน) Chunk depends on tokens **Action Plan:** ### 2. Recursive Character Splitting ขอบคุณภาพจาก [daily dose of data science](https://blog.dailydoseofds.com/p/5-chunking-strategies-for-rag) เป็นเทคนิคที่ฉลาดกว่าแบบ Fixed-size ขึ้นมาอีกขั้น โดยระบบจะพยายามแบ่งเนื้อหาโดยยึดตาม **Separators** ของภาษา เช่น ย่อหน้า (\n\n), บรรทัด (\n), ประโยค, และคำ ตามลำดับความสำคัญ Chunk depends on separator **Action Plan:** ### 3. Semantic Chunking ขอบคุณภาพจาก [daily dose of data science](https://blog.dailydoseofds.com/p/5-chunking-strategies-for-rag) เป็นวิธีที่ดีที่สุดในเชิงคุณภาพ AI จะไม่สนเรื่องจำนวนตัวอักษร แต่จะตัดแบ่งข้อมูลตาม **“ความหมาย”** โดยดูจากค่า Embedding ว่าเนื้อหาส่วนไหนพูดเรื่องเดียวกันก็จับไว้ด้วยกัน พอเริ่มเปลี่ยนเรื่อง (Semantic Shift) ก็ค่อยตัดขึ้น Chunk ใหม่ 1 chunk = 1 meaning **Action Plan:** ### 4. Structure-Aware Chunking (Document structure-based chunking) ขอบคุณภาพจาก [daily dose of data science](https://blog.dailydoseofds.com/p/5-chunking-strategies-for-rag) เป็นการแบ่งโดยยึดตามโครงสร้างของข้อมูลเป็นหลัก เช่น การใช้ H1, H2, H3 หรือ List Items (<li>) ในการกำหนดขอบเขตของข้อมูล Chunk depends on HTML/Markdown code **Action Plan:** ## กลยุทธ์การเขียนคอนเทนต์แบบ “Chunk-Friendly” อย่างที่บอกไป เราไม่สามารถรู้ได้ว่า Generative AI แต่ละเจ้าจะใช้วิธีไหนในการ chunk ข้อมูล ดังนั้น เมื่อเรารู้เทคนิค chunking แล้ว เราจะต้องเอาเทคนิคเหล่านี้มาปรับใช้ในการเขียน content ที่รองรับได้ทุกรูปแบบ (Universal Chunking Friendly) ถ้าลองสรุปแนวทางการเขียนจากเทคนิค chunking จะออกมาเป็น checklist นี้ เพื่อให้เห็นภาพชัดเจนขึ้น ลองมาดูตัวอย่างการตอบคำถามหัวข้อ “เซรั่มวิตามินซีทาตอนไหน?” เปรียบเทียบระหว่างการเขียนแบบทั่วไป กับการเขียนแบบ Chunk-Friendly **การเขียนแบบทั่วไป** **เซรั่มวิตามินซีทาตอนไหนดีที่สุด?**ถ้าถามว่าควรทาตอนไหน จริงๆ แล้วหลายคนอาจจะยังไม่รู้ว่าการดูแลผิวหน้านั้นสำคัญมาก โดยเฉพาะการเลือกใช้สกินแคร์ ซึ่งมันสามารถทาได้ทั้งตอนเช้าและตอนเย็นเลยนะ ตัวนี้จะช่วยให้หน้ากระจ่างใส ลดรอยดำจากสิว แถมถ้าทากันแดดทับมันจะยิ่งปกป้องผิวได้ดีมาก วิธีใช้ก็แค่หยดลงบนผิว 2-3 หยดแล้วนวดเบาๆ ให้ซึม แนะนำให้ทำแบบนี้ทุกวันรับรองว่าผิวจะดีขึ้นแน่นอน **เหตุผลที่ AI ไม่ชอบ: ** **การเขียนแบบ Chunk-Friendly** **เซรั่มวิตามินซี ทาตอนไหนดีที่สุด?** เซรั่มวิตามินซี สามารถทาได้ทั้ง ตอนเช้าและตอนเย็น โดยช่วงเวลาที่ได้ประสิทธิภาพสูงสุดคือ “ตอนเช้า” เพราะวิตามินซีจะช่วยเสริมฤทธิ์ของครีมกันแดดในการปกป้องผิวจากรังสียูวี นอกจากนี้ การใช้เซรั่มวิตามินซีอย่างถูกต้อง จะช่วยให้ผิวหน้ากระจ่างใสและลดรอยดำได้เร็วขึ้น โดยมีขั้นตอนดังนี้: **วิธีทาเซรั่มวิตามินซีให้เห็นผลลัพธ์ที่ดี:**หยดเซรั่มวิตามินซี 2-3 หยดลงบนผิวหน้าที่ทำความสะอาดแล้วนวดเซรั่มเบาๆ ให้ซึมเข้าสู่ผิวหากใช้เซรั่มวิตามินซีในตอนเช้า ต้องทาครีมกันแดดทับทุกครั้ง **เหตุผลที่ AI ชอบ: ** ## Chunking กับระบบ RAG มาทำความเข้าใจระบบ RAG กันสักนิดก่อน RAG (Retrieval-Augmented Generation) คือกระบวนการที่ Generative AI อย่าง ChatGPT, Gemini, Perplexity และ Claude ใช้ในการหาคำตอบให้กับ user สรุปง่าย ๆ คือ ดังนั้น Chunking คือตัวแปรสำคัญที่กำหนดว่า AI จะเลือกใช้ข้อมูลของเราหรือไม่ เพราะกระบวนการสร้างฐานข้อมูล (Knowledge Base) ของ AI อาศัยการดึงข้อมูลจากหน้าเว็บไปหั่น (chunk) เก็บเป็นส่วน ๆ คอนเทนต์ที่ไม่ได้จัดโครงสร้างให้รองรับการทำ Chunking จึงมักถูก AI มองข้าม ต่างจากเว็บไซต์ที่เขียนแบ่งสัดส่วนมาอย่างดี ซึ่ง AI จะมองว่าเป็นข้อมูลที่ “ย่อยง่ายและมีคุณภาพ” ส่งผลให้มีโอกาสถูกดึงไปใช้เป็นคำตอบสูงกว่าอย่างชัดเจน ## Chunking ส่งผลอะไรบ้าง? การทำ Chunking ที่ดีจะช่วยให้เราได้เห็นผลลัพธ์หลัก ๆ ดังนี้ ### 1. โอกาสติด AI Overviews มากขึ้น ระบบ AI ของ Google อย่าง AI Overviews จะไม่กวาดข้อมูลทั้งหน้าเว็บมาตอบ แต่จะมองหา “ท่อนข้อความที่ตรงกับคำถามที่สุด” การหั่นเนื้อหาเป็น Chunk ที่มีใจความสมบูรณ์และมีความยาวพอเหมาะ จะไปตรงกับสเปกที่อัลกอริทึมต้องการพอดี ทำให้เว็บของเรามีโอกาสถูกดึงไปแสดงผลบนสุดของหน้าค้นหา (Above the fold) ได้ง่ายกว่าคู่แข่งที่เขียนเนื้อหาติดกันเป็นพรืด ### 2. ติด Citation (ถูก Generative AI ดึงไปอ้างอิง) มากขึ้น ช่องทางการค้นหายุคใหม่อย่าง Perplexity, ChatGPT หรือ Claude จะทำงานโดยการดึงข้อมูลมาสรุป พร้อมกับแปะลิงก์แหล่งที่มา (Citation) ให้ผู้ใช้คลิกตามไปดู หากเราเขียนคอนเทนต์แบบแบ่ง Chunk ชัดเจน AI จะสามารถจับคู่คำถามกับเนื้อหาของเราผ่าน Vector Database ได้แม่นยำขึ้น ส่งผลให้เว็บของเราถูกเลือกไปเป็น “แหล่งอ้างอิงหลัก” และได้ Traffic จากแพลตฟอร์มเหล่านี้มากขึ้น ### 3. AI สรุปข้อมูลแบรนด์เราได้แม่นยำ (ลดอาการ Hallucination) บ่อยครั้งที่ AI มักจะสรุปข้อมูลผิดเพี้ยนเพราะอ่านเนื้อหาที่ยาวและซับซ้อนเกินไป การทำ Chunking เปรียบเสมือนการตีกรอบข้อมูลให้ AI (Context Boundary) ทำให้ AI เข้าใจว่าหัวข้อนี้จบที่ตรงไหน ส่งผลให้ AI สามารถสรุปข้อมูลสินค้า บริการ หรือบทความของเราไปตอบ User ได้อย่างถูกต้องแม่นยำ 100% โดยไม่เอาไปผสมกับเรื่องอื่นจนความหมายเพี้ยน ## สรุปการได้รู้เทคนิค chunking ให้อะไรกับเรา? การทำ SEO ในยุค Generative AI ไม่ใช่แค่การเขียนให้ “ยาว” หรือมี “keyword เยอะ” อีกต่อไป แต่คือการ “จัดระเบียบข้อมูล” ให้ AI ย่อยง่ายที่สุด เทคนิค Chunking คือกุญแจสำคัญที่จะเปลี่ยนบทความยาว ๆ ของเรา ให้กลายเป็น “ข้อมูลที่พร้อมใช้งาน” สำหรับ AI ยิ่งเราแบ่งชิ้นส่วนข้อมูลได้ดี มีบริบทครบถ้วน (Chunk-Friendly) โอกาสที่ AI จะเลือกเราไปเป็น “คำตอบสุดท้าย” ให้กับผู้ใช้งานก็จะยิ่งสูงขึ้น “Don’t just write for humans, structure for AI machines.” (เขียนให้อ่านง่ายสำหรับคน แต่โครงสร้างต้องเป๊ะสำหรับ AI ด้วย) คืออีกหนึ่งหัวใจหลักของการทำ GEO **References** - [FacebookFacebook](https://www.facebook.com/share.php?u=https%3A%2F%2Fnerdoptimize.com%2Fresearch%2Fchunking-technique%2F) - [LINELine](https://lineit.line.me/share/ui?url=https%3A%2F%2Fnerdoptimize.com%2Fresearch%2Fchunking-technique%2F)
