AI ตอบเป็น JSON แล้วทำไมระบบยังพัง: ตรวจ Syntax, Schema และข้อมูลจริง
ขอให้ AI อ่านเอกสารแล้วตอบเป็น JSON ดูเหมือนจะพร้อมส่งเข้าระบบทันที แต่ถ้าเลขผิดหรือช่องข้อมูลขาด ระบบก็ยังทำงานผิดได้ บทความนี้ชวนออกแบบขั้นตอนตรวจที่แยก “รูปแบบถูก” ออกจาก “เนื้อหาถูก”

ตรวจทั้งรูปแบบ JSON และข้อมูลที่ AI ดึงมา
เมื่อให้ AI อ่านอีเมล ใบเสนอราคา หรือคำร้องแล้วส่งผลเป็น JSON เพื่อนำเข้าระบบ ความผิดพลาดมีอย่างน้อยสามชั้น: ข้อความไม่ใช่ JSON ที่อ่านได้, JSON อ่านได้แต่ฟิลด์หรือชนิดข้อมูลไม่ตรงที่ระบบต้องการ และ JSON ถูกโครงสร้างแต่ ค่าที่ AI สกัดมาผิดจากเอกสาร เช่น ใส่ยอดเงินผิดหรือเดาวันที่เอง การตรวจเพียงว่า JSON parse ผ่านจึงยังไม่พอ
แนวทางที่ใช้งานได้คือกำหนดโครงสร้างข้อมูล (schema) ล่วงหน้า ตรวจข้อมูลกับ schema และตรวจค่าที่สำคัญกับต้นฉบับอีกครั้ง เอกสาร Structured Outputs ของ OpenAI แยกชัดว่า JSON mode รับประกันรูปแบบ JSON เป็นหลัก ขณะที่ Structured Outputs มุ่งให้ตรง JSON Schema ที่รองรับ แต่เอกสารก็ระบุว่าคำตอบที่มีโครงสร้างยังผิดด้านเนื้อหาได้
ตรวจ JSON จาก AI ทั้งไวยากรณ์ โครงสร้าง และข้อมูลจริง
| ชั้นตรวจ | คำถาม | ตัวอย่างที่ยังไม่ผ่าน |
|---|---|---|
| Syntax | เปิดด้วยตัวอ่าน JSON ได้ไหม | ลืมปิดเครื่องหมายคำพูด หรือมีจุลภาคเกิน |
| Schema | มีฟิลด์และชนิดข้อมูลตามข้อตกลงไหม | amount เป็นข้อความทั้งที่ต้องเป็นตัวเลข |
| Meaning | ค่าที่ดึงมาตรงหลักฐานและกติกาธุรกิจไหม | ยอดเงินในเอกสาร 1,250 บาท แต่ AI ส่ง 12,500 |
JSON Schema ใช้คำสำคัญอย่าง type และ required เพื่อกำหนดชนิดข้อมูลและฟิลด์บังคับ ตามคู่มือ JSON Schema อย่างไรก็ดี schema ไม่สามารถพิสูจน์ว่าเลขที่กรอกตรงใบเสร็จได้ด้วยตัวเอง
ตัวอย่างสมมติ: อ่านรายการจ่ายเงินหนึ่งรายการ
สมมติข้อความต้นทางว่า “วันที่ 12 ต.ค. 2569 ซื้ออุปกรณ์สำนักงาน 1,250 บาท ยังไม่รวม VAT” ต้องการให้ AI แยกวันที่ รายการ ยอดเงิน และสถานะภาษีเพื่อส่งให้คนตรวจ ไม่ใช่ให้ AI คำนวณภาษีที่ไม่ได้ระบุ
{
"date_text": "12 ต.ค. 2569",
"item": "อุปกรณ์สำนักงาน",
"amount_thb": 1250,
"vat_status": "not_included",
"vat_amount_thb": null
}
ตัวอย่างนี้เป็น ข้อมูลสมมติ ไม่ใช่ผลการเรียกโมเดลจริง การใช้ null หมายถึงยังไม่มีจำนวนภาษีจากต้นทาง ไม่ควรใส่เลข 0 เพราะ 0 อาจถูกเข้าใจว่ามีการยืนยันว่าภาษีเป็นศูนย์ การกำหนดสถานะ not_included ต้องเป็นคำที่ทีมตกลงใช้ ไม่ใช่ความหมายมาตรฐานสากลของ JSON
Schema ด้านล่างกำหนดให้ amount_thb เป็น number หรือ null, item เป็น string หรือ null และ vat_amount_thb เป็น number หรือ null พร้อมบังคับทุกฟิลด์ที่จำเป็น แต่การแปลงวันที่ พ.ศ. เป็น ค.ศ. ควรทำด้วยกติกาที่ระบุชัดและตรวจสอบได้ แทนการปล่อยให้โมเดลเดา
ตัวอย่าง JSON Schema สำหรับข้อมูลสมมติข้างต้น (เป็นโครงสร้างตัวอย่าง ไม่ใช่คำขอ API พร้อมรัน):
{
"type": "object",
"properties": {
"date_text": { "type": ["string", "null"] },
"item": { "type": ["string", "null"] },
"amount_thb": { "type": ["number", "null"] },
"vat_status": { "type": "string", "enum": ["not_included", "included", "unknown"] },
"vat_amount_thb": { "type": ["number", "null"] }
},
"required": ["date_text", "item", "amount_thb", "vat_status", "vat_amount_thb"],
"additionalProperties": false
}
required บังคับว่าต้องมีชื่อฟิลด์ แต่ไม่ได้แปลว่าห้ามใช้ null หากชนิดข้อมูลอนุญาต ส่วน additionalProperties: false ปิดฟิลด์นอกข้อตกลง ตาม คู่มือ object ของ JSON Schema ตัวอย่างนี้ใช้ unknown เมื่อไม่ทราบสถานะภาษี และให้จำนวนเงินว่างได้เมื่อไม่มีหลักฐาน หากระบบต้องการยอดเงินจริงก่อนทำรายการ ต้องมีกฎปฏิเสธค่าที่ไม่ทราบเพิ่มอีกชั้น
สำหรับ OpenAI ต้องเปิดโหมด Structured Outputs ตามรูปแบบของ API ที่ใช้ด้วย การเขียน schema ไว้ใน prompt อย่างเดียวไม่ใช่การเปิดโหมดนี้ เอกสารกำหนดให้ฟิลด์ทั้งหมดอยู่ใน required และ object ใช้ additionalProperties: false โดยรองรับ schema บางส่วนเท่านั้น ตัวอย่างนี้ไม่ได้ระบุโมเดลหรือเรียก API และไม่ได้รับรองว่าจะใช้แทนตัวตรวจฝั่งแอปได้
ขั้นตอนตรวจข้อมูลจาก AI ก่อนส่งเข้าระบบ
- กำหนดฟิลด์ก่อนส่งเอกสาร: ระบุชื่อฟิลด์ ชนิดข้อมูล ค่าที่ยอมรับได้ และความหมายของช่องว่าง เช่น
nullคือไม่พบข้อมูล - ส่งเฉพาะข้อมูลที่จำเป็น: ตัดข้อมูลส่วนบุคคลหรือข้อมูลลับที่ไม่จำเป็นออกก่อนใช้บริการภายนอก และตรวจนโยบายการเก็บข้อมูลของผู้ให้บริการ
- ขอผลลัพธ์ที่มีโครงสร้าง: ถ้า API รองรับ Structured Outputs ให้ใช้ schema ที่รองรับจริง ไม่สมมติว่าทุกโมเดลหรือทุกเวอร์ชันรองรับเท่ากัน
- ตรวจ syntax และ schema ฝั่งโปรแกรม: จัดการกรณีคำตอบไม่สมบูรณ์หรือถูกปฏิเสธ ไม่ถือว่าทุกคำตอบเป็น JSON ที่ใช้ได้
- ตรวจค่ากับเอกสาร: โดยเฉพาะยอดเงิน เลขอ้างอิง วันที่ และชื่อบุคคล ให้เก็บตำแหน่งหรือข้อความหลักฐานสำหรับคนทวนเมื่อเหมาะสม
- ทดสอบกรณีขอบ: เช่น เอกสารไม่มีวันที่ มีสองยอดเงิน หรือระบุสกุลเงินต่างกัน ก่อนนำระบบไปใช้งานจริง
ถ้าจะวัดคุณภาพ ให้สร้างชุดตัวอย่างที่ผู้ตรวจให้คำตอบอ้างอิงไว้ แล้วนับทั้งอัตราผ่าน schema และอัตราดึงค่าถูกต้องแยกกัน การผ่าน schema 100% ไม่ได้ทำให้ความถูกต้องของเนื้อหาเป็น 100%
ข้อจำกัดของ Schema และกรณีที่ต้องหยุดก่อนบันทึก
- Schema เข้มงวดเกินไป: อาจบังคับให้โมเดลเลือกค่าที่ไม่ตรงกับเอกสาร หากไม่ออกแบบสถานะ “ไม่ทราบ” หรือ
nullไว้ - คำตอบผิดแต่ดูเป็นระบบ: JSON ที่จัดเรียงสวยงามยังอาจใส่ข้อมูลที่ไม่มีในต้นทาง
- การรองรับไม่เหมือนกัน: ผู้ให้บริการและโมเดลต่างรุ่นรองรับ JSON Schema เพียงบางส่วน ต้องตรวจเอกสารเวอร์ชันที่ใช้จริง
- การปฏิเสธหรือข้อความขาด: โปรแกรมต้องรับมือได้โดยไม่ส่งค่าผิดเข้าสู่ฐานข้อมูลอัตโนมัติ
สำหรับงานที่กระทบเงิน สิทธิ์ หรือข้อมูลบุคคล ควรมีขั้นตอนตรวจรับโดยคนหรือกฎอิสระก่อนทำรายการ ไม่ใช้การผ่าน JSON Schema เป็นการอนุมัติธุรกรรม
ทำให้ระบบอ่านข้อมูลได้ และทำให้คนตรวจความจริงได้
ก่อนต่อ AI เข้าระบบ ให้กำหนดว่าฟิลด์ใดบังคับ ฟิลด์ใดยอมให้ไม่ทราบค่า ใครเป็นผู้ตรวจตัวเลข และจะจัดการอย่างไรเมื่อตรวจไม่ผ่าน คำตอบเหล่านี้ช่วยให้ตรวจงานย้อนหลังได้ มากกว่าการขอให้โมเดลตอบเป็น JSON เพียงอย่างเดียว
แหล่งอ้างอิง
อธิบายจากเอกสารต้นทางที่ตรวจเมื่อ 14 ตุลาคม 2569 ตัวอย่าง JSON เป็นข้อมูลสมมติ ไม่ใช่ผลทดสอบโมเดลหรือ API จริง ตรวจเอกสารรุ่นและนโยบายข้อมูลของผู้ให้บริการก่อนใช้งาน