Skip to main content

การใช้งาน Chinda LLM 4B กับ n8n - คู่มือการทำงานอัตโนมัติเต็มรูปแบบ

🎯 บทนำ​

Chinda LLM 4B คือแบบจำลองภาษาไทยแบบโอเพนซอร์สที่พัฒนาโดยทีมงาน iApp Technology ซึ่งสามารถคิดและตอบสนองเป็นภาษาไทยได้อย่างแม่นยำสูง โดยใช้สถาปัตยกรรม Qwen3-4B ล่าสุด

n8n เป็นเครื่องมืออัตโนมัติเวิร์กโฟลว์อันทรงพลังที่ช่วยให้คุณเชื่อมต่อบริการต่างๆ และทำให้งานเป็นไปโดยอัตโนมัติโดยไม่ต้องเขียนโค้ด การผสานรวม Chinda LLM 4B กับ n8n ช่วยให้คุณสร้างเวิร์กโฟลว์ที่ซับซ้อนซึ่งขับเคลื่อนด้วย AI ที่ประมวลผลข้อมูลภาษาไทยโดยอัตโนมัติ

🚀 ขั้นตอนที่ 1: การติดตั้ง n8n​

วิธีที่ 1: การใช้ npm (แนะนำสำหรับการพัฒนา)​

ติดตั้ง Node.js (หากยังไม่ได้ติดตั้ง)​

ดาวน์โหลดและติดตั้ง Node.js จาก https://nodejs.org/

ติดตั้ง n8n แบบ global:​

npm install n8n -g

เริ่มต้น n8n:​

n8n start

วิธีที่ 2: การใช้ Docker (แนะนำสำหรับการใช้งานจริง)​

ดึงและรัน Docker container ของ n8n:​

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v ~/.n8n:/home/node/.n8n \
  n8nio/n8n

วิธีที่ 3: การใช้ npx (ไม่ต้องติดตั้ง)​

npx n8n

ตรวจสอบการติดตั้ง​

หลังจากเริ่ม n8n แล้ว ให้เปิดเบราว์เซอร์และไปที่:

http://localhost:5678

คุณควรเห็นอินเทอร์เฟซ n8n พร้อมหน้าจอต้อนรับ

🔍 ขั้นตอนที่ 2: การตั้งค่า Chinda LLM 4B​

ตัวเลือก A: การใช้ Ollama Backend (แนะนำ)​

ติดตั้ง Ollama:​

curl -fsSL https://ollama.com/install.sh | sh

ดาวน์โหลด Chinda LLM 4B:​

ollama pull iapp/chinda-qwen3-4b

เริ่มต้น Ollama API server:​

ollama serve

API จะพร้อมใช้งานที่ http://localhost:11434

ตัวเลือก B: การใช้ API Endpoint โดยตรง​

image.png

  1. เปิดแพลตฟอร์ม ChindaX ในเบราว์เซอร์ของคุณ (https://chindax.iapp.co.th)
  2. ลงทะเบียน / เข้าสู่ระบบ บนเว็บไซต์ ChindaX
  3. ไปที่เมนู Integrations ทางด้านซ้าย
  4. คลิกปุ่ม Setting ที่มุมขวาบนของส่วน API integration
  5. คัดลอก URL และ Bearer Token จากบล็อกโค้ด

⚙️ ขั้นตอนที่ 3: การสร้างเวิร์กโฟลว์แรกของคุณ​

การตั้งค่าเวิร์กโฟลว์พื้นฐาน​

  1. เปิด n8n ในเบราว์เซอร์ของคุณ (http://localhost:5678)
  2. คลิก "New Workflow" เพื่อสร้างระบบอัตโนมัติใหม่
  3. เพิ่มโหนด (nodes) เพื่อสร้างเวิร์กโฟลว์ AI ของคุณ

ตัวอย่างที่ 1: เวิร์กโฟลว์ประมวลผลข้อความอย่างง่าย​

ขั้นตอนที่ 1: เพิ่ม Manual Trigger​

  1. คลิกปุ่ม "+" เพื่อเพิ่มโหนด
  2. ค้นหา "Manual Trigger" และเลือก
  3. คลิก "Execute Node" เพื่อทดสอบ

ขั้นตอนที่ 2: เพิ่ม HTTP Request Node​

http_request_1.png

http_request_2.png

  1. เพิ่มโหนดอีกอันและค้นหา "HTTP Request"
  2. กำหนดค่า HTTP Request node:
    • Method: POST
    • URL: http://localhost:11434/api/generate หรือ https://chindax.iapp.co.th/api/chat/completions (จาก ChindaX)
    • Headers: หากได้รับ API จาก ChindaX อย่าลืมเพิ่มคีย์ "Authorization" 
      {
        "Content-Type": "application/json",
        "Authorization": "Bearer sk-********************",
      }
    • Body: (สำหรับ Ollama) 
      {
        "model": "iapp/chinda-qwen3-4b",
        "prompt": "สวัสดีครับ ช่วยอธิบายเกี่ยวกับปัญญาประดิษฐ์ให้ฟังหน่อย",
        "stream": false
      }
    • Body: (สำหรับ ChindaX) 
      {
         "model": "chinda-qwen3-4b",
         "messages": [
           {
             "role": "user",
             "content": "สวัสดีครับ! ช่วยเขียนจดหมายให้ผมหน่อย"
           }
         ]
      }

ขั้นตอนที่ 3: เพิ่ม Set Node (ไม่บังคับ)​

  1. เพิ่มโหนด "Set" เพื่อจัดรูปแบบการตอบสนอง
  2. กำหนดค่าเพื่อดึงการตอบสนองของ AI:
    • Keep Only Set: เปิดใช้งาน
    • Values to Set:
      • Name: ai_response
      • Value: {{ $json.response }}

ตัวอย่างที่ 2: เวิร์กโฟลว์ประมวลผลอีเมล​

เวิร์กโฟลว์นี้ประมวลผลอีเมลภาษาไทยโดยอัตโนมัติและสร้างการตอบกลับ

layout.png

โครงสร้างเวิร์กโฟลว์:​

Email Trigger → Extract Email Content → Chinda LLM Processing → Send Response

ขั้นตอนที่ 1: เพิ่ม Email Trigger​

  1. เพิ่มโหนด "Email Trigger (IMAP)"
  2. กำหนดค่าการตั้งค่าอีเมลของคุณ:
    • Host: IMAP server ของผู้ให้บริการอีเมลของคุณ
    • Port: ปกติคือ 993 สำหรับ SSL
    • Username: ที่อยู่อีเมลของคุณ
    • Password: รหัสผ่านอีเมลของคุณ
    • SSL/TLS: เปิดใช้งาน

ขั้นตอนที่ 2: ประมวลผลด้วย Chinda LLM​

  1. เพิ่มโหนด "HTTP Request"
  2. กำหนดค่าสำหรับ Chinda LLM: 
    {
      "model": "iapp/chinda-qwen3-4b",
      "prompt": "ช่วยตอบอีเมลนี้อย่างสุภาพและเป็นมิตร: {{ $json.text }}",
      "stream": false
    }

ขั้นตอนที่ 3: ส่งอีเมลตอบกลับ​

  1. เพิ่มโหนด "Send Email"
  2. กำหนดค่าการตอบสนอง:
    • To: {{ $json.from.value[0].address }}
    • Subject: Re: {{ $json.subject }}
    • Text: {{ $json.response }}

🌐 ขั้นตอนที่ 4: เวิร์กโฟลว์ขั้นสูง​

เวิร์กโฟลว์ที่ 1: บริการแปลเอกสาร​

ส่วนประกอบ:​

  • Webhook Trigger: รับเอกสารผ่าน HTTP
  • Extract Text: ประมวลผลไฟล์รูปแบบต่างๆ
  • Chinda LLM: แปลภาษาไทย ↔ อังกฤษ
  • Return Response: ส่งเนื้อหาที่แปลแล้ว

การตั้งค่า:​

  1. เพิ่ม Webhook node:

    • ตั้งค่า webhook path: /translate
    • Method: POST

  2. เพิ่ม Switch node (สำหรับการตรวจจับประเภทไฟล์):

    • เงื่อนไขที่ 1: ไฟล์ PDF
    • เงื่อนไขที่ 2: ไฟล์ข้อความ
    • เงื่อนไขที่ 3: เอกสาร Word

  3. เพิ่ม HTTP Request สำหรับ Chinda LLM:

    {
      "model": "iapp/chinda-qwen3-4b",
      "prompt": "กรุณาแปลข้อความนี้จากภาษาไทยเป็นภาษาอังกฤษ: {{ $json.text }}",
      "stream": false
    }

เวิร์กโฟลว์ที่ 2: Chatbot บริการลูกค้า​

ส่วนประกอบ:​

  • Chat Trigger: เชื่อมต่อกับแพลตฟอร์มการส่งข้อความ
  • Context Management: รักษาประวัติการสนทนา
  • Chinda LLM: สร้างการตอบสนอง
  • Response Formatting: จัดรูปแบบสำหรับแพลตฟอร์มต่างๆ

การตั้งค่า:​

  1. เพิ่ม Telegram Trigger (หรือแพลตฟอร์มที่คุณต้องการ)

  2. เพิ่ม Function node สำหรับการจัดการบริบท:

    // Store conversation context
    const userId = $input.first().json.message.from.id;
    const message = $input.first().json.message.text;

    // Retrieve previous context (implement your storage logic)
    const context = await getContext(userId);

    return {
      userId,
      message,
      context: context || [],
      fullPrompt: `บริบทการสนทนา: ${context.join('\n')}\nคำถามใหม่: ${message}\nตอบ:`
    };

  3. เพิ่มการประมวลผล Chinda LLM

  4. เพิ่ม response node กลับไปยังแพลตฟอร์มแชท

เวิร์กโฟลว์ที่ 3: ไปป์ไลน์การสร้างเนื้อหา​

สำหรับบทความและโพสต์บล็อก:​

  1. Schedule Trigger: ทำงานทุกวัน/ทุกสัปดาห์
  2. RSS Feed Reader: รับแนวคิดหัวข้อ
  3. Chinda LLM: สร้างเนื้อหาภาษาไทย
  4. Content Formatting: เพิ่ม HTML/Markdown
  5. CMS Publishing: เผยแพร่ไปยัง WordPress/Ghost โดยอัตโนมัติ

💬 ขั้นตอนที่ 5: การใช้ Chinda LLM Node (การรวมระบบแบบกำหนดเอง)​

การสร้าง Custom Chinda LLM Node​

หากคุณใช้ Chinda LLM บ่อยครั้ง ให้สร้างโหนดที่นำกลับมาใช้ใหม่ได้:

ขั้นตอนที่ 1: สร้าง Node Template​

{
  "name": "Chinda LLM",
  "icon": "🤖", 
  "group": ["AI"],
  "description": "Process text with Chinda LLM 4B",
  "properties": [
    {
      "displayName": "Prompt",
      "name": "prompt",
      "type": "string",
      "required": true,
      "default": "",
      "description": "Text prompt in Thai"
    },
    {
      "displayName": "Temperature",
      "name": "temperature",
      "type": "number",
      "default": 0.7,
      "description": "Controls randomness (0-1)"
    }
  ]
}

การใช้ Code Node สำหรับการประมวลผลขั้นสูง​

เพิ่มโหนด "Code" สำหรับการประมวลผลข้อความภาษาไทยที่ซับซ้อน:

// Process Thai text with Chinda LLM
const axios = require('axios');

const prompt = $input.first().json.text;

const response = await axios.post('http://localhost:11434/api/generate', {
  model: 'iapp/chinda-qwen3-4b',
  prompt: `ประมวลผลข้อความนี้: ${prompt}`,
  stream: false,
  options: {
    temperature: 0.7,
    top_p: 0.9
  }
});

return {
  original: prompt,
  processed: response.data.response,
  timestamp: new Date().toISOString()
};

🔧 การแก้ไขปัญหา​

ปัญหาทั่วไปและวิธีแก้ไข​

ปัญหา: Connection Refused ไปยัง Ollama​

Error: connect ECONNREFUSED 127.0.0.1:11434

วิธีแก้ไข: ตรวจสอบให้แน่ใจว่า Ollama กำลังทำงาน:

ollama serve

ปัญหา: n8n Workflow Timeout​

วิธีแก้ไข: เพิ่ม timeout ใน HTTP Request node:

  • ตั้งค่า Timeout: 30000 (30 วินาที)
  • สำหรับการตอบสนองที่ยาวนานขึ้น ให้เพิ่มอีก

ปัญหา: ปัญหาหน่วยความจำเมื่อใช้ Prompt ขนาดใหญ่​

วิธีแก้ไข:

  1. แบ่งข้อความขนาดใหญ่ออกเป็นส่วนเล็กๆ
  2. ใช้การแบ่งหน้า (pagination) ในเวิร์กโฟลว์
  3. ใช้การสรุปข้อความก่อน

ปัญหา: ปัญหาการเข้ารหัสข้อความภาษาไทย​

วิธีแก้ไข: ตรวจสอบการเข้ารหัส UTF-8 ที่ถูกต้อง:

// ใน Code node
const text = Buffer.from(inputText, 'utf8').toString('utf8');

เคล็ดลับการเพิ่มประสิทธิภาพ​

  1. ใช้การประมวลผลแบบ Batch สำหรับหลายคำขอ
  2. ใช้ Caching สำหรับ Prompt ที่ใช้บ่อย
  3. ตั้งค่า Timeouts ที่เหมาะสม ตามความซับซ้อนของ Prompt
  4. ติดตามการใช้งานทรัพยากร ของกระบวนการ Ollama

🎯 เทมเพลตเวิร์กโฟลว์และกรณีการใช้งาน​

✅ เทมเพลตเวิร์กโฟลว์พร้อมใช้งาน​

1. บริการสรุปเอกสาร​

  • Input: เอกสารภาษาไทยขนาดยาว
  • Process: แบ่งเป็นส่วนย่อย → สรุปแต่ละส่วน → รวมกัน
  • Output: สรุปภาษาไทยที่กระชับ

2. ระบบตอบกลับอัตโนมัติบนโซเชียลมีเดีย​

  • Trigger: การกล่าวถึง/ความคิดเห็นใหม่
  • Process: วิเคราะห์ความรู้สึก → สร้างการตอบกลับที่เหมาะสม
  • Action: โพสต์การตอบกลับโดยอัตโนมัติ

3. เครื่องมือสร้างจดหมายข่าวอีเมล​

  • Schedule: ทำงานรายสัปดาห์
  • Process: รวบรวมข่าว → สร้างเนื้อหาภาษาไทย → จัดรูปแบบ
  • Action: ส่งไปยังรายการสมัครสมาชิก

4. เครื่องมือวิเคราะห์ความคิดเห็นลูกค้า​

  • Input: รีวิว/ความคิดเห็นของลูกค้า
  • Process: การวิเคราะห์ความรู้สึก → การจำแนกประเภท → การตอบกลับ
  • Output: แดชบอร์ดข้อมูลเชิงลึก

5. ผู้ช่วยเรียนภาษา​

  • Input: ข้อความภาษาอังกฤษจากนักเรียน
  • Process: แปล → อธิบายไวยากรณ์ → ให้ตัวอย่าง
  • Output: สื่อการเรียนรู้ที่ครอบคลุม

🔄 ตัวอย่างการรวมระบบ​

รวมระบบกับบริการยอดนิยม:​

Google Sheets:

  • อ่านข้อมูล → ประมวลผลด้วย Chinda LLM → เขียนผลลัพธ์

Slack/Discord:

  • ตรวจสอบช่อง → ตอบคำถาม → ให้สรุป

WordPress:

  • สร้างเนื้อหา → เผยแพร่โดยอัตโนมัติ → ปรับแต่ง SEO

Shopify:

  • คำอธิบายผลิตภัณฑ์ → การสนับสนุนลูกค้า → การประมวลผลคำสั่งซื้อ

🚀 การตั้งค่าขั้นสูง​

การตั้งค่า Environment Variables​

สร้างไฟล์ .env สำหรับ n8n:

# n8n Configuration
N8N_BASIC_AUTH_ACTIVE=true
N8N_BASIC_AUTH_USER=admin
N8N_BASIC_AUTH_PASSWORD=yourpassword

# Ollama Configuration  
OLLAMA_HOST=http://localhost:11434
CHINDA_MODEL=iapp/chinda-qwen3-4b

# Webhook Configuration
WEBHOOK_URL=http://localhost:5678/webhook

การตั้งค่า Docker Compose​

version: '3.8'
services:
  n8n:
    image: n8nio/n8n
    ports:
      - "5678:5678"
    environment:
      - N8N_BASIC_AUTH_ACTIVE=true
      - N8N_BASIC_AUTH_USER=admin
      - N8N_BASIC_AUTH_PASSWORD=yourpassword
    volumes:
      - ~/.n8n:/home/node/.n8n
    depends_on:
      - ollama

  ollama:
    image: ollama/ollama
    ports:
      - "11434:11434"
    volumes:
      - ollama:/root/.ollama
    command: serve

volumes:
  ollama:

รันด้วย:

docker-compose up -d

📊 การตรวจสอบและวิเคราะห์​

การติดตามประสิทธิภาพเวิร์กโฟลว์​

เพิ่มโหนดการตรวจสอบเพื่อติดตาม:

  • เวลาตอบสนอง จาก Chinda LLM
  • อัตราความสำเร็จ/ล้มเหลว ของเวิร์กโฟลว์
  • สถิติการใช้งาน ต่อเวิร์กโฟลว์
  • การติดตามค่าใช้จ่าย (หากใช้ API แบบเสียเงิน)

ตัวอย่างเวิร์กโฟลว์การตรวจสอบ:​

Workflow Execution → Log Performance → Update Dashboard → Send Alerts

🔮 แนวปฏิบัติที่ดีที่สุด​

1. Prompt Engineering สำหรับภาษาไทย​

  • ใช้ Prompt ภาษาไทยที่ชัดเจนและมีบริบท
  • ให้ตัวอย่างเมื่อจำเป็น
  • ระบุข้อกำหนดของรูปแบบผลลัพธ์

2. การจัดการข้อผิดพลาด​

  • เพิ่มโหนดจัดการข้อผิดพลาดเสมอ
  • ใช้กลไกการลองใหม่ (retry mechanisms)
  • บันทึกข้อผิดพลาดเพื่อการดีบัก

3. ข้อควรพิจารณาด้านความปลอดภัย​

  • ใช้ Environment Variables สำหรับข้อมูลที่ละเอียดอ่อน
  • ใช้การยืนยันตัวตนที่เหมาะสม
  • ตรวจสอบ Input ก่อนการประมวลผล

4. การขยายขนาด​

  • ออกแบบเวิร์กโฟลว์ให้รองรับโหลดที่แตกต่างกัน
  • ใช้คิว (queues) สำหรับการประมวลผลปริมาณมาก
  • ติดตามการใช้ทรัพยากร

📚 ทรัพยากรและลิงก์​

คำสั่งอ้างอิงด่วน​

# เริ่มต้น n8n
npm start n8n
# หรือ
npx n8n
# หรือ 
docker run -p 5678:5678 n8nio/n8n

# เริ่มต้น Ollama
ollama serve

# ดาวน์โหลด Chinda LLM
ollama pull iapp/chinda-qwen3-4b

ลิงก์ที่เป็นประโยชน์​

ชุมชนและการสนับสนุน​

🎉 สรุป​

การรวม Chinda LLM 4B กับ n8n สร้างเวิร์กโฟลว์อัตโนมัติที่ทรงพลังซึ่งสามารถประมวลผลเนื้อหาภาษาไทยในระดับที่ใหญ่ขึ้น ไม่ว่าคุณจะสร้างระบบสนับสนุนลูกค้า ไปป์ไลน์การสร้างเนื้อหา หรือเวิร์กโฟลว์การประมวลผลข้อมูล การรวมกันนี้มอบ:

  • การสร้างเวิร์กโฟลว์แบบภาพที่ง่ายดาย - ไม่ต้องเขียนโค้ด
  • การประมวลผลภาษาไทยที่ทรงพลัง - ความสามารถ AI ภาษาไทยโดยกำเนิด
  • การรวมระบบที่ยืดหยุ่น - เชื่อมต่อกับบริการหลายร้อยบริการ
  • สถาปัตยกรรมที่ปรับขนาดได้ - จัดการเวิร์กโฟลว์ตั้งแต่แบบง่ายไปจนถึงซับซ้อน
  • คุ้มค่า - รันบนเครื่องได้โดยไม่มีค่าใช้จ่าย API

เริ่มสร้างเวิร์กโฟลว์อัตโนมัติ AI ภาษาไทยของคุณวันนี้ด้วย n8n และ Chinda LLM 4B!

สร้างสรรค์ด้วย ❤️ โดยทีมงาน iApp Technology - เพิ่มพลังการทำงานอัตโนมัติ AI ของไทย