ARCHITECTURE WHITE PAPER

ผ่าสถาปัตยกรรม TackLabs Business OS:
รวม Multi-Model Core, TypeSafe Jev Decision Plane และ Autonomous Agents

เจาะลึกการแก้ปัญหาระบบแบบ Frankenstack ดั้งเดิม สู่ระบบปฏิบัติการธุรกิจที่ประมวลผล Graph ข้ามบริษัทแบบ Zero-Join เสริมด้วย TypeSafe Jev Decision Plane คัดกรองเครื่องมือใน ~100ms และ Human-in-the-Loop Gateway

ทีมวิศวกรรมระบบ TackLabs Core Engineering•14 นาทีอ่าน•ฉบับปรับปรุง สถาปัตยกรรม v2.5 (2026)
< 45ms
ความหน่วง Multi-Hop Traversal
เทียบกับ 320ms+ บน ETL
6-in-1
ฐานข้อมูลที่ผนวกเป็นหนึ่งเดียว
Graph, Vector, Doc, Table, Search, Time
~100ms
ความเร็วการตัดสินใจ Decision Plane
TypeSafe Jev (16-in-1 Fan-Out)
< 350ms
ความหน่วงเสียงโต้ตอบสด
WebRTC Glass-to-Glass พร้อม Barge-in
100%
ความปลอดภัยการทำธุรกรรม
Human-in-the-Loop Gateway ตรวจสอบก่อน commit
บทสรุปสถาปัตยกรรมสำหรับผู้นำเทคนิค

TackLabs Business OS แตกต่างจากแชตบอตทั่วไปอย่างสิ้นเชิง แทนที่จะนำบริการหลากหลายตัวมาต่อกันอย่างเปราะบาง TackLabs ผนวกฐานข้อมูลเชิงสัมพันธ์ เวกเตอร์ความจำ กราฟความสัมพันธ์ข้ามบริษัท และการค้นหาข้อความ ไว้ในสมองกล SurrealDB ศูนย์กลางเดียว พร้อมเสริมชั้นตัดสินใจอัจฉริยะ TypeSafe Jev (System One) เพื่อทำ Speculative Fan-out คัดกรองเครื่องมือจาก 200 ตัวเหลือเพียง 10-20 ตัวใน ~100ms ก่อนส่งต่องานให้ Autonomous Agents 3 ระดับ และมีประตูความปลอดภัย Human-in-the-Loop Gateway ตรวจสอบก่อน commit ข้อมูลลงฐานข้อมูลจริงเสมอ

COMPREHENSIVE MATRIX

เปรียบเทียบสถาปัตยกรรมแบบแยกส่วน vs รวมศูนย์

เปรียบเทียบจุดแตกต่างสำคัญระหว่างการประกอบโมดูลหลายตัวแบบดั้งเดิม กับการใช้สมองกลรวมศูนย์ของ TackLabs

มิติการทำงานระบบประกอบแบบเดิม (Frankenstack)TackLabs Business OS (Unified)
การเชื่อมโยงข้อมูลข้ามฝ่าย
แยก PostgreSQL + Neo4j ต้องมี ETL batch sync ข้อมูลมักไม่ตรงกัน (Data Drift)
SurrealDB Graph ในตัวเดียว เชื่อมโยงสต็อก สาขา และคู่ค้าแบบ Zero-Join ผ่าน Pointer สด
การค้นหาบริบท Vector & คำสั่ง
ส่งข้อมูลออกไปภายนอกยัง Pinecone/Qdrant เกิด Network Overhead สูง และเสี่ยงข้อมูลรั่ว
Vector Search ติดกับตัวข้อมูลใน Local Core ค้นหา Similarity ได้ทันทีโดยไม่ต้องส่งข้อมูลออกนอกระบบ
การเปลี่ยนคำถามเป็นงานจริง
ตอบเป็นข้อความยาว (Wall of Text) ผู้ใช้ต้องคัดลอกตัวเลขไปกรอกโปรแกรมอื่นเอง
สร้าง Interactive GenUI Card ในแชต ให้ตรวจสอบตัวเลข ปรับแก้ และกดอนุมัติได้ทันที
การควบคุมสิทธิ์ระดับฟิลด์
RBAC ระดับตารางทั่วไป หากเข้าถึงได้จะเห็นข้อมูลทั้งแถว แยกสาขายาก
Zero-Trust Field-Level ACL เข้ารหัสและซ่อนฟิลด์เฉพาะบุคคลและนิติบุคคลในเครืออย่างเข้มงวด
การตัดสินใจและความปลอดภัยของคำสั่ง
ส่งทุกคำขอให้ LLM ตัวใหญ่ตัดสินใจ ช้า 2-5 วินาที เปลือง Token มหาศาล และเสี่ยงต่อ Prompt Injection / Jailbreak
TypeSafe Jev (System One) ตรวจ Safety, Intent และ Routing พร้อมกัน 16 มิติใน ~100ms พร้อมคัดกรองเครื่องมือจาก 200 ตัวเหลือเพียง 10-20 ตัวก่อนถึง LLM
การสั่งงานด้วยเสียงสด
Push-to-Talk เสียงบันทึกไฟล์ส่งไปแปลง มีความหน่วงสูงและไม่สามารถพูดแทรกได้
WebRTC Full-Duplex โต้ตอบสองทางสดเสี้ยววินาที พูดแทรก (Barge-in) ได้เสมือนคุยกับคนจริง
CHAPTER 01 · Architecture Problem

วิกฤต 'Frankenstack' ในระบบ AI ธุรกิจ

ทำไมการเอาโมเดล AI มาแปะทับฐานข้อมูลเดิมถึงแก้ปัญหาธุรกิจไม่ได้จริง

ในปัจจุบัน องค์กรส่วนใหญ่ที่พยายามนำ AI มาใช้ มักสร้างสถาปัตยกรรมที่เรียกว่า 'Frankenstack' โดยการเอาฐานข้อมูล Relational (PostgreSQL) มาต่อกับ Vector DB (Pinecone) มาต่อกับ Graph DB (Neo4j) มาต่อกับ Redis และ Elasticsearch ผ่านสายพาน ETL นับสิบเส้น ผลลัพธ์คือ ข้อมูลตกหล่น (Data Drift), Latency รวมของ Agent พุ่งสูงเกิน 300-800ms ต่อก้าว และไม่สามารถรับประกันความถูกต้องของธุรกรรมเงินและสต็อกได้

Data Drift: การ Sync ข้อมูลระหว่าง 5 ฐานข้อมูลมักเกิดความคลาดเคลื่อน เมื่อแชตตอบกลับ ข้อมูลอาจไม่ตรงกับยอดสต็อกจริงในคลัง
Network Latency Cascade: แต่ละก้าวของ AI ต้องกระโดดข้ามเครือข่ายหลายครั้ง ทำให้การตอบสนองช้าและกระตุก
No Cross-System ACID: เมื่อ AI สั่งตัดสต็อกพร้อมออกบิล หากระบบใดระบบหนึ่งล้มเหลว จะไม่สามารถ Rollback ข้ามระบบได้
CHAPTER 02 · Data Foundation

เสาหลักที่ 1: ฐานข้อมูล 6 ใน 1 (Unified Multi-Model Core)

ฐานราก SurrealDB รวม Graph, Vector, Document, Table, Search และ Time-Series ไว้ในสมองกลเดียว

TackLabs ขจัด Frankenstack ทั้งหมดทิ้งไป แล้วใช้ SurrealDB เป็นสมองกลศูนย์กลางเดียว Record หนึ่งแถวสามารถมีทั้งฟิลด์ตัวเลขตาราง (Table), กราฟเชื่อมโยงคู่ค้า (Graph Pointer), และเวกเตอร์ความจำ (Vector Embedding) อยู่ในตัวเดียวกัน ส่งผลให้ Latency การสืบค้นลดเหลือต่ำกว่า 45ms และรองรับการทำ Multi-Hop Traversal ข้ามบริษัทในเครือได้ทันทีโดยไม่ต้องเขียน SQL JOIN

Zero-Join Traversals: ท่องไปตามความสัมพันธ์ของข้อมูลแบบ A->relates_to->B ได้ทันทีด้วยความเร็วสูง
In-Core Vector Recall: คำนวณความคล้ายคลึงของเวกเตอร์ในเอนจินเดียวกับที่บันทึกข้อมูลบัญชี
100% ACID Guaranteed: มั่นใจในความถูกต้องของการตัดสต็อกและคำนวณภาษี

สำรวจโครงสร้างข้อมูล 6 รูปแบบในตัวเดียว

คลิกเลือกรูปแบบข้อมูลด้านล่างเพื่อดูวิธีที่ TackLabs จัดการในตัวเปรียบเทียบกับฐานข้อมูลเฉพาะทาง

Graphs (ความสัมพันธ์ข้ามมิติ)

Native Graph

ระบบ Pointer ความสัมพันธ์ระดับเอนจิน ทำให้ผู้บริหารหรือ Agent สามารถสำรวจความสัมพันธ์ข้ามหลายมิติ (Multi-Hop) ได้ในเสี้ยววินาที โดยไม่ต้องเขียนคำสั่ง SQL JOIN ที่ช้าและซับซ้อน

ปัญหาของระบบเดิม

ต้องติดตั้ง Neo4j หรือ Graph Database แยกต่างหาก แล้วเขียนสคริปต์ Sync ข้อมูลกับฐานข้อมูลหลัก เกิดปัญหาข้อมูลไม่ตรงกันและ Latency พุ่งสูง

ความได้เปรียบของ TackLabs

สืบหาต้นสายปลายทาง เช่น 'สินค้านี้ผลิตจากโรงงานไหน ค้างส่งลูกค้ารายใด' ได้ทันทีในคำสั่งเดียว

SurrealQL · Native Graph Query Pattern
SELECT 
  id, 
  code,
  ->manufactured_by->plant.name AS plant_name,
  ->ordered_by->customer.company_name AS customer_name,
  ->ordered_by->customer->has_branch.name AS branch_names
FROM order:ord_9042;

จำลองความหน่วงการสืบค้นข้อมูลข้ามฝ่าย (Live Simulation)

ทดสอบการสืบค้น 1 ครั้งที่ต้องดึง: ข้อมูลนิติบุคคล + การค้นหา Vector + กราฟประวัติลูกค้า

Frankenstack (PostgreSQL + Pinecone + Neo4j ข้ามคลาวด์)320 ms
เกิดความหน่วงสะสมจากการข้ามเครือข่าย 3 ค่าย
TackLabs Business OS (รวมศูนย์ในเอนจินเดียว)44 ms
สืบค้นผ่าน Pointer ในหน่วยความจำโดยตรง ไม่มีการส่งข้อมูลข้ามเครือข่าย
Cross-Entity Zero-Join Traversal (SurrealQL)
-- ตัวอย่างการสืบค้นข้อมูลข้ามบริษัท สต็อก และผู้จัดส่งในคำสั่งเดียว
SELECT
  id,
  code,
  total_amount,
  status,
  ->ordered_by->customer.company_name AS customer_name,
  ->manufactured_by->plant.name AS manufacturing_plant,
  ->manufactured_by->plant->has_inventory[WHERE quantity < min_threshold].item_sku AS low_stock_alerts,
  ->belongs_to->subsidiary.tax_id AS entity_tax_id
FROM order:ord_2026_09
WHERE status = 'pending_review';
CHAPTER 03 · Autonomous Workforce

เสาหลักที่ 2: โครงสร้าง Agent 3 ระดับ & War Room Collaboration

แบ่งแยกบทบาทหน้าที่อย่างชัดเจน พร้อมกลไก Human-in-the-Loop Gateway

AI ใน TackLabs ไม่ใช่แชตบอตตัวเดียวที่พยายามทำทุกอย่าง แต่จัดลำดับชั้นเป็น 3 ระดับ: ระดับบริหาร (Executive Copilot), ระดับสายงาน (Functional Agents เช่น Sales, Operations, Finance), และระดับเครื่องมือคำนวณ (Deterministic Tools) เมื่อมีโจทย์ซับซ้อน AI จะเปิด 'War Room' เพื่อแลกเปลี่ยนบริบทข้ามสายงาน โดยงานสำคัญทุกชิ้นที่กระทบเงินหรือลูกค้าจะต้องผ่านประตูตรวจทาน (Human-in-the-Loop Gateway) เสมอ

Tier 1 (Executive Copilot): CFO/COO Agent มองภาพรวมข้ามทุกนิติบุคคล วิเคราะห์คอขวดและจัดลำดับความสำคัญ
Tier 2 (Functional Agents): ฝ่ายขาย (Sales), ฝ่ายจัดซื้อ (Ops), ฝ่ายบัญชี (Finance) ดูแลบริบทเฉพาะทาง
Tier 3 (Deterministic Tools): ฟังก์ชันคำนวณภาษี, ตรวจสอบสต็อก, และยิง Webhook ที่ให้ผลลัพธ์แน่นอน 100%
Human-in-the-Loop Gateway: AI เตรียมงานและตรวจตัวเลข แต่ 'คุณ' เป็นผู้กดอนุมัติก่อน commit ทุกครั้ง
Human-in-the-Loop (HITL) Gateway Definition
// นิยามเกตเวย์ควบคุมการกลายพันธุ์ของข้อมูล (Mutation Guard)
export const QuotationApprovalGateway = createToolGateway({
  action: "quotation:finalize_and_dispatch",
  requiredRole: "org_owner",
  riskLevel: "HIGH_IMPACT_FINANCIAL",
  
  // ตรวจสอบความถูกต้องของข้อมูลก่อนส่งให้มนุษย์ตรวจ
  preValidation: async ({ quotationId, context }) => {
    const doc = await db.select(quotationId);
    assert(doc.total_amount > 0, "Invalid total amount");
    assert(doc.vat_amount === doc.subtotal * 0.07, "Tax mismatch");
    return { ok: true, draft: doc };
  },

  // เรนเดอร์ Interactive GenUI Card ให้ผู้บริหารตรวจบนหน้าจอแชต
  renderReviewUI: (draft) => ({
    component: "QuotationReviewCard",
    props: { ...draft, requireSignature: true }
  })
});
CHAPTER 04 · Decision Plane

เสาหลักที่ 3: TypeSafe Jev Decision Plane & Speculative Fan-out

สถาปัตยกรรมตัดสินใจความเร็วสูง ~100ms คัดกรองเครื่องมือจาก 200 ตัวเหลือเพียง 10-20 ตัวก่อนส่งให้ LLM

แทนที่จะส่งทุกคำสั่งและความกำกวมไปให้ Generative LLM ตัวใหญ่ ซึ่งกินเวลานาน 2-5 วินาทีและเสี่ยงต่อการหลอนเครื่องมือ (Tool Hallucination) TackLabs วาง 'TypeSafe Jev (System One)' เป็น Decision Plane ชั้นที่ 2 คั่นกลางระหว่าง Regex Filter และ LLM โดย Jev จะทำ Speculative Fan-out ยิงคำถามโครงสร้าง 16 มิติพร้อมกันในเสี้ยววินาทีเดียว (~100ms) เพื่อคำนวณคะแนน Composite Safety (ตรวจจับ Prompt Injection / Jailbreak), จำแนกเจตนาธุรกิจ (Intent), จัดสรรสายงาน (Agent Routing) และคัดกรองเครื่องมือจากคลัง 200 ตัวให้เหลือเฉพาะชุดที่ตรงเป้าหมาย (~10-20 ตัว) ก่อนส่งให้ LLM ประมวลผล ช่วยลด Token เกิน 80% และรับประกันความปลอดภัยสูงสุดด้วยสถาปัตยกรรม Fail-Open

Speculative Fan-out 16 มิติ: ตรวจสอบ Safety, Intent, Complexity, Urgency, Risk และ Agent Routing พร้อมกันใน 1 API call (~100ms)
Precision Tool Gating: คัดกรองคลังเครื่องมือ 200 ตัวให้เหลือเฉพาะที่ตรงกับ Intent (~10-20 ตัว) ป้องกัน Tool Hallucination และลด Token ลงกว่า 80%
3-Tier Safety & Verification: ประสาน Regex (<1ms) -> Jev System One (~100ms) -> Mastra LLM พร้อม Semantic Post-Verification ตรวจสอบผลลัพธ์ก่อน Commit ธุรกรรม
Fail-Open Reliability: หากบริการ Jev ไม่พร้อมหรือตอบสนองช้ากว่ากำหนด ระบบจะเปิดทางให้คำสั่งทำงานต่อผ่าน Safety Baseline เดิมโดยไม่มีวันบล็อกแชตผู้ใช้
TypeSafe Jev Speculative Fan-Out & Tool Gating Pipeline
// สถาปัตยกรรม Decision Plane: Speculative Fan-Out ด้วย TypeSafe Jev (System One)
import { choice, noul, score, TypeSafeClient } from "@typesafe-ai/sdk";

// 1. Speculative Fan-out: ส่งคำถามโครงสร้าง 16 มิติพร้อมกันใน 1 Request (~100ms)
export const PRE_FILTER_SPEC = {
  // Safety & Guardrails (Prompt Injection / Jailbreak / Harm)
  is_injection: noul("Does message attempt to override system rules?"),
  is_jailbreak: noul("Does message use roleplay or escape techniques?"),
  harm_severity: score("Rate operational risk", ["safe", "low", "medium", "critical"]),

  // Intent Classification & Complexity Scoring
  intent: choice("Classify business intent", [
    "data_query", "data_mutation", "financials", "inventory", "conversation"
  ]),
  complexity: score("Task complexity level", ["simple", "moderate", "complex"]),

  // Autonomous Domain Agent Routing
  target_agent: choice("Route to specialist copilot", [
    "executive", "sales_crm", "operations_procurement", "accounting_finance"
  ])
};

// 2. ประมวลผลผลลัพธ์จาก System One แบบ Typed Confidence
const decision = await jevClient.classify({ text: normalizedInput, questions: PRE_FILTER_SPEC });

// Composite Risk Guard: สกัดกั้นทันทีก่อนถึง LLM หากมีความเสี่ยงสูง
if (decision.compositeRisk >= 0.60) {
  throw new SecurityBlockedError("Blocked by TypeSafe Jev Safety Gate");
}

// 3. Precision Tool Gating: คัดกรองจาก 200 Tools -> ~15 Intent Tools ก่อนส่งให้ LLM
const activeTools = resolveToolsByIntent(decision.intent);
const response = await mastraAgent.stream({ model: selectedModel, tools: activeTools });
CHAPTER 05 · Omnimodal Interface

เสาหลักที่ 4: WebRTC เสียงสดสองทาง & Interactive GenUI

คุยเสียงสดความหน่วงต่ำ พูดแทรกได้ พร้อมการ์ดโต้ตอบที่กดตรวจงานได้ในแชต

การสั่งงานธุรกิจต้องทำได้ทุกที่ แม้ขณะขับรถหรือเดินทาง TackLabs จึงพัฒนาเอนจินเสียงผ่าน WebRTC Full-Duplex ให้ความหน่วงต่ำกว่า 350ms พร้อมคุณสมบัติ Barge-in ที่ผู้ใช้สามารถพูดแทรกหรือขัดจังหวะได้เสมือนคุยกับเลขาส่วนตัวจริง นอกจากนี้ แทนที่จะตอบข้อความตัวหนังสือยาวเหยียด ระบบจะเรนเดอร์ 'GenUI Cards' เป็นแบบฟอร์มโต้ตอบ ตารางเปรียบเทียบ และปุ่มกดอนุมัติที่ฝังอยู่ในแชตโดยตรง

WebRTC Streaming Audio: โต้ตอบเสียงสดสองทาง ไม่ต้องกดปุ่ม Push-to-Talk หรือรอโหลดไฟล์
Native Barge-in: พูดแทรกขัดจังหวะได้ทันทีเมื่อได้คำตอบที่ต้องการ ระบบจะหยุดพูดและฟังคำสั่งใหม่ทันที
Generative UI (GenUI): เปลี่ยนข้อความบรรยายเป็น Interactive Card เช่น ตารางตรวจสต็อกพร้อมปุ่มยืนยัน
CHAPTER 06 · Memory & Security

เสาหลักที่ 5: ความจำสมองกล 4 ชั้น & Zero-Trust Field ACL

จำเรื่องราวข้ามเดือนไม่รู้ลืม พร้อมการควบคุมสิทธิ์ข้อมูลระดับฟิลด์และระดับบริษัท

ความจำของ TackLabs ถูกจัดโครงสร้างเป็น 4 ชั้น: Working Context (สตรีมสด), Short-Term Memory (บทสนทนาประจำเซสชัน), Long-Term Semantic Vector (ความจำเชิงความหมายถาวร), และ Organizational Graph Ontology (โครงสร้างบริษัทและกฎเกณฑ์) เสริมด้วยระบบความปลอดภัย Zero-Trust Field-Level ACL ที่ควบคุมสิทธิ์ระดับฟิลด์ ทำให้พนักงานแต่ละฝ่ายหรือแต่ละนิติบุคคลจะมองเห็นเฉพาะข้อมูลในขอบเขตหน้าที่ของตนเท่านั้น ข้อมูลกำไร ต้นทุน หรือยอดเงินบัญชีจะไม่รั่วไหล

4-Layer Cognitive Memory: ดึงบริบทเดิมที่เคยคุยเมื่อสัปดาห์ก่อนกลับมาต่อได้ โดยไม่ต้องเริ่มอธิบายใหม่
Field-Level ACL: ต่างจาก RBAC ทั่วไป พนักงานขายเห็น 'ชื่อลูกค้า' แต่ฟิลด์ 'วงเงินเครดิต' และ 'ต้นทุน' จะถูกซ่อนอัตโนมัติ
Multi-Tenant Subsidiary Isolation: แยกนิติบุคคล กิจการโรงงาน และร้านค้าออกจากกันอย่างเด็ดขาดตามสิทธิ์
Field-Level Access Control Rule (SurrealQL)
-- กำหนดสิทธิ์ระดับฟิลด์: พนักงานขายเห็นชื่อและเบอร์ แต่ซ่อนต้นทุนและวงเงิน
DEFINE TABLE customer SCHEMAFULL
  PERMISSIONS
    FOR select WHERE $auth.role IN ['founder', 'manager', 'sales_rep']
    FOR update WHERE $auth.role IN ['founder', 'manager'];

-- ฟิลด์สาธารณะสำหรับทีมขาย
DEFINE FIELD company_name ON customer TYPE string;
DEFINE FIELD contact_phone ON customer TYPE string;

-- ฟิลด์ความลับทางการเงิน: อนุญาตเฉพาะ Founder และ Finance Manager
DEFINE FIELD credit_limit ON customer TYPE decimal
  PERMISSIONS
    FOR select WHERE $auth.role IN ['founder', 'finance_manager']
    FOR update WHERE $auth.role IN ['founder'];
CHAPTER 07 · Business Workflow

เสาหลักที่ 6: วงจรธุรกรรมธุรกิจแบบ End-to-End

จากคำสั่งภาษาธรรมชาติ สู่เอกสารต้นน้ำ การตรวจทาน และการลงบัญชี Audit Log

เวิร์กโฟลว์ของ TackLabs ออกแบบมาให้สะท้อนโลกความเป็นจริงของธุรกิจ: 1) รับคำสั่งเสียงหรือข้อความ 2) ค้นคืนบริบทที่เกี่ยวข้องผ่าน Graph & Vector 3) ร่างเอกสารต้นน้ำ (Quotation / PR) พร้อมคำนวณภาษี VAT 7% และหัก ณ ที่จ่าย 3% อัตโนมัติ 4) ส่งเข้า Smart Approval ผ่านหน้าจอ GenUI 5) ตัดสต็อกและลงบัญชีแบบ ACID Transaction และ 6) บันทึก Audit Log ที่เปลี่ยนแปลงย้อนหลังไม่ได้ (Immutable Ledger)

ขั้นตอนที่ 1: ตรวจสอบความถูกต้องของเอกสารหัว-รายการ (Doc Header & Lines) ตามหลักบัญชี
ขั้นตอนที่ 2: ดำเนินการผ่าน Smart Approval ป้องกันการทำรายการผิดพลาด
ขั้นตอนที่ 3: กระจายงานไปยังสายงานที่เกี่ยวข้อง (Sales -> Ops -> Accounting) โดยอัตโนมัติ
ขั้นตอนที่ 4: บันทึกประวัติการกระทำทุกลำดับ (Immutable Audit Trail) สำหรับการตรวจสอบย้อนหลัง

ทีมวิศวกรรมระบบ TackLabs Core Engineering

เขียนและเรียบเรียงโดยทีมวิศวกรสถาปัตยกรรมระบบ TackLabs Business OS หากมีข้อสงสัยเชิงเทคนิค หรือต้องการสอบถามเรื่องการเชื่อมต่อระบบ สามารถติดต่อได้ที่ [email protected]