ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: RAG's Evolution: From Simple Retrieval to Agentic AI
เลือกโหมดฝึก
แต่ละโหมดจะเปิดห้องฝึกแบบเต็มจอ
94 ประโยค
หากประโยคสั้นหรือยาวเกินไป กดที่ Edit เพื่อปรับแก้
1
We've all had this experience.
2
You search for something, you get thousands of results, and somehow none of them are what you wanted.
3
Well, what if I told you search engines don't actually understand your questions?
4
At least, they didn't used to.
5
From simple keyword search to present -day agentic rag, information retrieval has seen an evolution.
6
And search engines didn't get smarter overnight.
7
They grew up one step at a time.
8
Let's start from the beginning.
9
The earliest search systems were designed around the question of, where does this word appear?
10
Documents were indexed using what's called inverted indices, aka a mapping of keywords to documents.
11
When a user asks a question,
12
the search system will look up these words and quickly return the matching documents.
13
These documents may then be ranked using TF -IDF or BM -25 to measure how important or frequent different terms were.
14
This powerful keyword matching approach still powers a lot of the internet today.
15
But there's a fundamental limitation.
16
It doesn't understand language.
17
It treats words as symbols, not meaning.
18
Synonyms, ambiguity, and any complex intents were essentially invisible.
19
For example, is the search help
20
Python related to coding or did I just get a pet snake?
21
It was on the user to be asking the right questions with the exact right words.
22
The next major leap was semantic search.
23
Instead of treating text as words, we began representing them as language.
24
This is done using vectors or high dimensional number representations that can understand meaning.
25
For example, coffee might be represented as 010 versus house might be represented as 100.
26
These embeddings don't just come out of nowhere.
27
They are learned by large neural networks trained on massive text corpora.
28
By encountering words in context, Over time, these similar concepts will end up close together, even if they use different words.
29
If this is coffee, maybe espresso is represented here.
30
Very close in concept to coffee, but not anywhere close to house.
31
Semantic search turns your words into a kind of map, so the system knows espresso and coffee are pointing to a very similar place.
32
It's essentially your friend who knows what you mean even if you don't say it perfectly every time.
33
This allowed search systems to understand intent.
34
Even if the exact keywords were not used, you could still find relevant documents.
35
And this didn't replace keyword search.
36
It actually complemented it.
37
Hybrid systems began to emerge, bridging the precision of keyword search with semantic recall.
38
For the first time, instead of just matching text, search was able to approximate understanding.
39
Then the world shifted.
40
Large language models were born.
41
These are models trained on a large corpora of text to learn patterns in the data.
42
LLMs don't retrieve facts. When prompted, they will predict the most likely next token
43
or words for an answer based on those patterns that they learned from the training data.
44
The user asks a question to the LLM and it will return a text answer.
45
These are super powerful and revolutionized the business world.
46
However, they had a problem.
47
LLMs only use specific knowledge they learned during a long and expensive training process.
48
Realistically, that means any knowledge is locked to only the documents
49
that that specific LLM was trained on before a certain point in time.
50
LLMs don't know today's information and certainly don't know your specific documents.
51
So what's the solution?
52
Well, it's actually search.
53
Retrieval Augmented Generation or RAG was born.
54
The idea is very simple.
55
The user asks a question.
56
The system does a search for relevant documents using an external knowledge base.
57
This retrieval is used to augment
58
The LLM's prompt and a final answer is generated.
59
This gave LLMs a form of external memory.
60
Now they could cite sources, adapt to new information, and even operate in specialized domains without the costly retraining.
61
These original RAG pipelines were very linear.
62
Documents were embedded offline into these vector databases.
63
They were retrieved once at query time and passed straight into the model.
64
It was simple but effective.
65
This massive improvement significantly dropped hallucinations and enabled LLM adoption across a multitude of new domains.
66
But traditional RAG is nowhere near perfect.
67
It cannot adapt to new scenarios.
68
And suddenly, we are back at the problem of traditional search.
69
The answer is only as good as the search itself.
70
Within such a short period, countless advancements were made to RAG, developing the simple concept into a sophisticated power to be reckoned with.
71
Instead of a single retrieval step, pipelines added re -rankers to reorder results to be more relevant.
72
User queries were rewritten or expanded upon to improve recall.
73
Similar to before, hybrid retrieval became the norm,
74
leveraging the precision of keyword search with semantic vector search.
75
These systems were far more accurate, but still fundamentally static.
76
The pipeline was predetermined, and retrieval was smarter, but still not intelligent.
77
Enter the next disruptor, agents.
78
Agents are systems that use LLMs and tools to perform tasks autonomously.
79
Suddenly, we shifted from simple pipelines to complex decision -making systems.
80
Agents have a variety of tools, such as LLMs, memory, planning,
81
critics, tactics, retrievers, and many more.
82
Agents have become autonomous decision makers planning and executing complex tasks.
83
Now, instead of linear rag retrieval, when the user asks a question, an AI agent will decide whether retrieval is needed,
84
where to search, what questions should be asked, when enough information is obtained, and then generate a final answer.
85
Agents can compare sources, validate claims, refine queries, and iterate.
86
It can invoke APIs, pull data from many knowledge bases, and incorporate multimodal data.
87
Retrieval is no longer fixed.
88
It's a tool invoked as part of reasoning.
89
This opens up a world of possibilities.
90
Now, agentic rag systems are capable of multi -step research, cross -document synthesis, and general adaptive behavior.
91
The system doesn't just answer questions, it reasons and figures out how to answer them.
92
From simple search to current agentic rag, we have learned time and time again that the next big step isn't better answers.
93
It's systems that know how to find them.
94
And the hardest part of AI isn't generation, it's deciding what to look at.
ดาวน์โหลดแอป
ทุกอย่างที่ต้องใช้เพื่อพูดได้คล่อง
AI ให้คะแนนการออกเสียงให้คะแนนทุกประโยค
ฝึก IPAเชี่ยวชาญทุกเสียง
คำศัพท์สร้างคลังคำของคุณ
เกมคำศัพท์เล่นไปเรียนไป
ช่องเดียวกัน
B21
Every Generation Thinks This Time Is Different: The AI Job Myth
Daily ConversationWorking Adults
C12
What is Event Driven Architecture (EDA)?
Daily ConversationUniversity StudentsWorking Adults
C11
Agentic AI Frameworks Explained: Workflows, Multi-Agent, & Production
Daily ConversationUniversity StudentsWorking Adults
C11
Spec-Driven Development: AI Assisted Coding Explained
Daily ConversationUniversity StudentsWorking Adults
C15
AI Agents vs Business Rules: Which Should Make Decisions?
Daily ConversationUniversity StudentsWorking Adults
C13
AI & Education: Generative AI & the Future of Critical Thinking
Business EnglishUniversity StudentsWorking Adults
C12
EDR vs. EPP vs. NGAV
Business EnglishWorking Adults
C13
MCP vs ADK: How Modern AI Agents Connect and Work Together
University StudentsWorking Adults
C11
Cybersecurity Architecture: Data Security
Business EnglishUniversity StudentsWorking Adults
C14
What Is Jev? The AI Model That Doesn't Generate Text
Daily ConversationUniversity StudentsWorking Adults
C118
How Smart Organizations Will Use AI: Jevons Paradox & Workforce Impact
Business EnglishUniversity StudentsWorking Adults
C111
What are AI Agents?
Business EnglishUniversity StudentsWorking Adults
C16
Cybersecurity Architecture: Five Principles to Follow (and One to Avoid)
Business EnglishUniversity StudentsWorking Adults
C19
AI, Machine Learning, Deep Learning and Generative AI Explained
Daily ConversationUniversity StudentsWorking Adults
C11
Zero Trust Explained in 4 mins
Business EnglishUniversity StudentsWorking Adults
C114
The 7 Skills You Need to Build AI Agents
Business EnglishUniversity StudentsWorking Adults
C1What is Responsible AI? A Guide to AI Governance
Daily ConversationUniversity StudentsWorking Adults
C1What is AI Ethics?
Daily ConversationUniversity StudentsWorking Adults
FOR YOU
วิดีโอแนะนำ
C11
197 ประโยค
How I use AI to learn engineering (anti brain rot studying)
Daily ConversationUniversity Students
C11
847 ประโยค
The Complete Guide to Hybrid Search in RAG (BM25 + Embeddings + Reranker)
Daily ConversationUniversity Students
C11
199 ประโยค
十年後的電腦會長什麼樣？黃仁勳：就像今天的手機，最少拿來打電話｜中英字幕
Daily ConversationUniversity StudentsWorking Adults
C11
173 ประโยค
AI Agent Memory Architecture: Structured SQL, Semantic Vector Search & Memory Bank
Daily ConversationUniversity Students
C11
198 ประโยค
Jack Dorsey’s New Dessa AI Voice Sounds Scary Human
Daily ConversationUniversity StudentsWorking Adults
C12
54 ประโยค
Living with Machines: The language of mechanisation
Daily ConversationUniversity Students
C11
34 ประโยค
What Is Chain-of-Thought Prompting in Generative AI?
Daily ConversationUniversity Students
C11
712 ประโยค
Master AI in 60 Minutes with Vector Databases!
Daily ConversationUniversity Students
C18
55 ประโยค
When AIs act emotional
Daily ConversationUniversity StudentsWorking Adults
C12
11 ประโยค
Why Is There So Much AI Slop?
Daily ConversationUniversity StudentsWorking Adults
คำศัพท์และข้อสังเกตด้านการพูดสำหรับบทเรียนนี้
บทเรียนฝึกพูดนี้ใช้วิดีโอ “RAG's Evolution: From Simple Retrieval to Agentic AI” เป็นสื่อ คำที่ถูกพูดซ้ำบ่อยที่สุด: search, document, Llm, retrieval, word วิดีโอนี้มี 79 ประโยค และ 1029 คำ สำหรับฝึกพูดตาม ช่วงที่มีเสียงพูดยาว 8:36 ผู้พูดพูดด้วยความเร็วสม่ำเสมอ ประมาณ 120 คำต่อนาที เหมาะกับการฝึกพูดตาม มีเพียง 77% ของคำที่อยู่ใน 3,000 คำที่ใช้บ่อยที่สุดในภาษาอังกฤษ คำศัพท์จึงค่อนข้างยาก
คำศัพท์สำคัญในวิดีโอนี้
คำที่ควรเรียนรู้ 15 คำจากวิดีโอ พร้อมคำอ่านและความหมาย:
| คำศัพท์ | คำอ่าน | ความหมาย |
|---|---|---|
| vector คำนาม | /ˈvɛktɚ/ | เวกเตอร์ |
| query คำนาม | /ˈkwɪɹ.i/ | สอบถาม |
| compare คำกริยา | /kəmˈpɛɚ/ | เปรียบเทียบ |
| evolution คำนาม | /ˌiːvəˈluːʃ(ə)n/ | วิวัฒนาการ |
| obtain คำกริยา | /əbˈteɪn/ | ฟาด, รับ |
| expand คำกริยา | /ɪkˈspænd/ | ขยาย |
| fundamental คำคุณศัพท์ | /ˌfʌn.dəˈmɛn.təl/ | พื้นฐาน, เบื้องต้น |
| database คำนาม | /ˈdeɪtəˌbeɪs/ | ฐานข้อมูล |
| symbol คำนาม | /ˈsɪmbəl/ | สัญลักษณ์ |
| intelligent คำคุณศัพท์ | /ɪnˈtɛlɪd͡ʒənt/ | ฉลาด |
| snake คำนาม | /sneɪk/ | งู |
| scenario คำนาม | /sɪˈnɛəɹioʊ/ | ฉากทัศน์ |
| invisible คำคุณศัพท์ | /ɪnˈvɪzəb(ə)l/ | ล่องหน |
| predict คำกริยา | /pɹɪˈdɪkt/ | ทำนาย |
| critic คำนาม | /ˈkɹɪt.ɪk/ | นักวิจารณ์ |
ประโยคที่ควรฝึกพูดซ้ำ
ประโยคสั้น ๆ ที่สมบูรณ์จากวิดีโอ ซึ่งนำไปใช้ในบทสนทนาประจำวันได้:
- We've all had this experience.
- Let's start from the beginning.
- Related to coding, or did I just get a pet snake?
ไวยากรณ์ในวิดีโอนี้
โครงสร้างที่ผู้พูดใช้บ่อยที่สุด พร้อมคำพูดจริงจากวิดีโอ:
| โครงสร้าง | ในวิดีโอ |
|---|---|
| Passive voice be + กริยาช่อง 3 — เน้นสิ่งที่เกิดขึ้น ไม่ใช่ผู้กระทำ | were designed · were indexed · be ranked |
| Present perfect have/has + กริยาช่อง 3 — เหตุการณ์ในอดีตที่ยังเกี่ยวข้องกับปัจจุบัน | has seen · have become · have learned |
การออกเสียงที่ควรระวัง
ผู้พูดใช้รูปย่อและรูปลดเสียง 14 ครั้ง เช่น don't, didn't, doesn't ให้พูดแบบสั้นตามที่ได้ยิน
- เสียง “sh” และ “zh”: essentially /ɪˈsɛnʃəli/, precision /pɹɪˈsɪʒ.ən/, evolution /ˌiːvəˈluːʃ(ə)n/, representation /ˌɹɛp.ɹə.zɛnˈteɪ.ʃən/, adoption /əˈdɑp.ʃən/
- คำยาว — ลงเสียงหนักให้ถูกพยางค์: essentially /ɪˈsɛnʃəli/, evolution /ˌiːvəˈluːʃ(ə)n/, representation /ˌɹɛp.ɹə.zɛnˈteɪ.ʃən/, fundamental /ˌfʌn.dəˈmɛn.təl/, intelligent /ɪnˈtɛlɪd͡ʒənt/
เสียงที่คนไทยมักออกเสียงยาก:
- เสียงท้ายคำ — ออกเสียงให้ครบ ไม่เปลี่ยนเป็นตัวสะกดแบบไทย: recall /ɹɪˈkɔl/, retrieve /ɹɪˈtɹiːv/, corpus /ˈkɔɹpəs/, fundamental /ˌfʌn.dəˈmɛn.təl/, versus /ˈvɝsəs/
- /v/ — ไม่ใช่ /w/ ให้ฟันบนแตะริมฝีปากล่าง: vector /ˈvɛktɚ/, retrieve /ɹɪˈtɹiːv/, evolution /ˌiːvəˈluːʃ(ə)n/, versus /ˈvɝsəs/, overnight /əʊvə(ɹ)ˈnaɪt/
- /z/ — เสียงก้อง ไม่ใช่ /s/: representation /ˌɹɛp.ɹə.zɛnˈteɪ.ʃən/, invisible /ɪnˈvɪzəb(ə)l/, revolutionize /ˌɹɛv.əˈl(j)u.ʃəˌnaɪz/, specialize /ˈspɛʃəˌlaɪz/
วิธีฝึกกับวิดีโอนี้
- ฟังวิดีโอให้จบหนึ่งรอบโดยยังไม่ต้องพูด แล้วจดคำที่ยังไม่รู้จัก
- พูดตามทีละประโยคด้วยความเร็วปกติ ทำซ้ำแต่ละประโยคจนจังหวะของคุณตรงกับผู้พูด
- อัดเสียงตัวเองแล้วเทียบกับต้นฉบับ โดยสังเกตคำอย่าง vector, query, compare เป็นพิเศษ
เทคนิค Shadowing คืออะไร?
Shadowing เป็นเทคนิคการเรียนรู้ภาษาที่ได้รับการรับรองทางวิทยาศาสตร์ พัฒนาขึ้นสำหรับการฝึกนักแปลมืออาชีพ วิธีการนี้เรียบง่ายแต่ทรงพลัง: คุณฟังเสียงภาษาอังกฤษจากเจ้าของภาษาและพูดตามทันที — เหมือนเงาที่ตามผู้พูดด้วยช่วงเวลาห่าง 1-2 วินาที การวิจัยแสดงว่าเทคนิคนี้ปรับปรุงความแม่นยำในการออกเสียง ทำนองเสียง จังหวะ การเชื่อมเสียง การฟังเข้าใจ และความคล่องแคล่วในการพูดได้อย่างมีนัยสำคัญ