ระดับ 5c · บทที่ 3/5

Hyperdrive และ AI บน edge — ต่อ Postgres เดิม, Workers AI, AI Gateway, Vectorize

⏱ 60 นาทีลองในCloudflare ↗AWS Console ↗
ข้อมูลบางส่วนอาจเปลี่ยน — ตรวจสอบก่อนใช้

บทนี้มีข้อมูลที่เปลี่ยนบ่อย (ฟีเจอร์ ราคา ชื่อเมนู) ตรวจกับเว็บทางการก่อนนำไปใช้

เป้าหมาย

ให้ Worker ใช้ ฐานข้อมูล Postgres ที่มีอยู่แล้ว (เช่น RDS บน AWS) ได้เร็วโดยไม่เปิด connection ใหม่ทุก request ด้วย Hyperdrive แล้วเพิ่มความสามารถ AI ด้วย Workers AI วางหลัง AI Gateway เพื่อดู log/คุมค่าใช้จ่าย และทำค้นหาความหมาย (RAG) ด้วย Vectorize

ทำไม Worker ต่อ DB ตรงๆ แล้วช้า

Worker รันใกล้ผู้ใช้ (กรุงเทพฯ) แต่ DB อยู่ region เดียว (เช่น ap-southeast-1) — การเปิด connection Postgres ใหม่ต้องคุยไปกลับหลายรอบ (TCP + TLS + auth) ก่อน จะส่ง query แรก และ Worker แต่ละ request เปิดใหม่ทุกครั้ง

ต่อตรง ผ่าน Hyperdrive
ตั้ง connection ทุก request, ไกล DB pool ค้างไว้ใกล้ DB, Worker ต่อแค่ระยะสั้น
จำนวน connection ที่ DB เห็น พุ่งตามทราฟฟิก (too many connections) คุมด้วย --origin-connection-limit
query อ่านซ้ำ ถึง DB ทุกครั้ง cache ได้ (ค่าเริ่ม 60 วิ)
  • cache ไม่ล้างเองเมื่อมีการเขียน → หน้าที่ต้องเห็นข้อมูลล่าสุดทันที (หลังกดบันทึก) ใช้ Hyperdrive อีกตัวที่ --caching-disabled
  • DB อยู่ใน private subnet (ไม่มี IP สาธารณะ) → ต่อผ่าน Cloudflare Tunnel + Access service token (--access-client-id/--access-client-secret) หรือ Workers VPC (บท 6c-03 สอน Tunnel)
  • ถ้าหนึ่ง request ยิงหลาย query ต่อกัน ให้ Worker ไปรันใกล้ DB ด้วย "placement": { "mode": "smart" }
  • ราคา: Free 100,000 query/วัน · Paid ไม่จำกัด ไม่มีค่า egress

Workers AI, AI Gateway, Vectorize — แผนที่

ผู้ใช้ → Worker ──env.AI.run(model, input, { gateway: { id } })──► AI Gateway (log, cache, rate limit) ──► Workers AI
           │
           └──env.VECTORIZE.query(vector)──► Vectorize (ค้นเอกสารที่ความหมายใกล้)
บริการ ใช้ทำ คิดเงิน
Workers AI รันโมเดล (LLM, embedding, รูป, เสียง) บน GPU ของ Cloudflare Neurons — ฟรี 10,000/วัน, เกินนั้น $0.011 ต่อ 1,000 (ต้อง Paid)
AI Gateway proxy หน้าโมเดล (ของ CF หรือ OpenAI/Anthropic/Bedrock) → log, cache, rate limit, fallback ฟีเจอร์หลักไม่มีค่าเพิ่ม
Vectorize ฐานข้อมูลเวกเตอร์ ตามจำนวนมิติที่เก็บ+ค้น — Free 5 ล้านมิติที่เก็บ, 30 ล้านมิติที่ค้น/เดือน

⚠️ ต้องตรวจสอบ: ราคา Neurons ต่อรุ่น, รายชื่อรุ่น และรุ่นที่ต้องมีบัตร (เช่นรุ่นใหญ่บางตัว) ดูหน้า Workers AI › Platform › Pricing — wrangler dev เรียก Workers AI จริงและคิดเงินจริง แม้รันในเครื่อง

หลัก Vectorize

  • dimensions และ metric ตั้งครั้งเดียว แก้ไม่ได้ ต้องตรงกับโมเดล embedding (สร้าง index ใหม่ถ้าเปลี่ยนโมเดล)
  • ต้องการกรองด้วย metadata (เช่น lang, tenant) → create-metadata-index ก่อน insert
  • insert/upsert เป็น async — ค้นเจอหลังไม่กี่วินาที อย่าทดสอบด้วยการ query ทันที
  • ข้อความไทย ใช้โมเดล embedding หลายภาษา เช่น @cf/baai/bge-m3 (โมเดลภาษาอังกฤษอย่าง bge-base-en-v1.5 ให้ผลไทยแย่)

ลองเลย 🧪

ทดลอง A — Hyperdrive ต่อ Postgres ที่มีอยู่ ต้องมี Postgres ที่ต่อจากอินเทอร์เน็ตได้ (Neon/Supabase ฟรี, หรือ RDS ที่เปิด public + SSL)

⚠️ RDS/Aurora คิดเงินรายชั่วโมงตั้งแต่สร้าง — ใช้ของที่มีอยู่แล้ว หรือฐานข้อมูลฟรีของผู้ให้บริการอื่น อย่าเปิด RDS ใหม่เพื่อบทนี้

สร้าง user อ่านอย่างเดียว ก่อน (รันใน psql ของ DB คุณ):

CREATE ROLE edge_reader LOGIN PASSWORD '[รหัสผ่านยาวสุ่ม]';
GRANT CONNECT ON DATABASE [ชื่อdb] TO edge_reader;
GRANT USAGE ON SCHEMA public TO edge_reader;
GRANT SELECT ON ALL TABLES IN SCHEMA public TO edge_reader;
npm create cloudflare@latest -- edge-db   # Hello World example → Worker only → TypeScript → Deploy: No
cd edge-db
npm i pg
npm i -D @types/pg
npx wrangler hyperdrive create shop-db --connection-string="postgres://edge_reader:[รหัสผ่าน]@[host]:5432/[ชื่อdb]?sslmode=require" --binding HYPERDRIVE --update-config

ผลที่ควรเห็น: ข้อความสร้างสำเร็จพร้อม "id": "…" และ wrangler.jsonc มีบล็อก hyperdrive เพิ่มเอง (ถ้าไม่เพิ่ม ให้คัดลอกบล็อกที่พิมพ์ออกมาไปใส่เอง) ตรวจว่ามีบรรทัดเหล่านี้ใน wrangler.jsonc (compat date ≥ 2026-08-04 เปิด nodejs_compat ให้เอง ใส่ซ้ำก็ไม่เสียหาย):

"compatibility_date": "2026-10-01",
"compatibility_flags": ["nodejs_compat"],
"placement": { "mode": "smart" },

src/index.ts:

import { Client } from "pg";

export default {
  async fetch(request, env): Promise<Response> {
    const sql = new Client({ connectionString: env.HYPERDRIVE.connectionString });
    try {
      await sql.connect();
      const t0 = Date.now();
      const r = await sql.query("SELECT now() AS db_time, current_user AS who");
      return Response.json({ ...r.rows[0], ms: Date.now() - t0 });
    } catch (e) {
      console.error({ event: "db_error", message: e instanceof Error ? e.message : String(e) });
      return Response.json({ error: "database unavailable" }, { status: 503 });  // ไม่ส่งรายละเอียด error ให้ผู้ใช้
    }
  },
} satisfies ExportedHandler<Env>;
npx wrangler types
npx wrangler deploy
for i in 1 2 3; do curl -s https://edge-db.[subdomain].workers.dev; echo; done

ผลที่ควรเห็น:

{"db_time":"2026-10-09T03:00:00.123Z","who":"edge_reader","ms":42}
{"db_time":"2026-10-09T03:00:00.123Z","who":"edge_reader","ms":3}
{"db_time":"2026-10-09T03:00:00.123Z","who":"edge_reader","ms":3}

db_time ซ้ำกัน = ครั้งที่ 2-3 ตอบจาก cache ของ Hyperdrive (now() ไม่ได้ถูกรันใหม่) — นี่คือเหตุผลที่หน้า read-after-write ต้องใช้ config ที่ปิด cache รันในเครื่องโดยไม่แตะ DB จริง: ตั้ง env CLOUDFLARE_HYPERDRIVE_LOCAL_CONNECTION_STRING_HYPERDRIVE="postgres://…localhost…" ก่อน npx wrangler dev ถ้าพัง: สร้าง config ไม่ผ่าน → Hyperdrive ทดลองต่อ DB ตอนสร้าง ตรวจ security group/firewall ว่ารับจากอินเทอร์เน็ตที่พอร์ต 5432 และ sslmode · Cannot find module 'pg' → ลืม npm i pg

ทดลอง B — FAQ ภาษาไทยแบบ RAG ด้วย Workers AI + Vectorize + AI Gateway

⚠️ ใช้ Neurons จริง (ปริมาณในบทนี้อยู่ในโควตาฟรีรายวัน) — เปิด Gateway ไว้ดูว่าใช้ไปเท่าไร

  1. สร้าง gateway ในแดชบอร์ด: AI › AI Gateway › Create Gateway ตั้งชื่อ faq-gw
  2. สร้างโปรเจกต์และ binding:
npm create cloudflare@latest -- faq-rag   # Hello World example → Worker only → TypeScript → Deploy: No
cd faq-rag

เพิ่มใน wrangler.jsonc (ยังไม่ใส่ vectorize เพราะ index ยังไม่มี — deploy จะ error):

"ai": { "binding": "AI" },
  1. src/index.ts:
const EMBED = "@cf/baai/bge-m3";
const LLM = "@cf/google/gemma-4-26b-a4b-it";
const GW = { gateway: { id: "faq-gw" } };

const FAQ = [
  { id: "ship-1", text: "ร้านจัดส่งภายใน 2 วันทำการ ค่าส่งฟรีเมื่อซื้อครบ 500 บาท" },
  { id: "return-1", text: "คืนสินค้าได้ภายใน 7 วันหากซองยังไม่เปิด เมล็ดกาแฟที่เปิดแล้วคืนไม่ได้" },
  { id: "pay-1", text: "รับชำระผ่าน PromptPay และบัตรเครดิต ไม่รับเก็บเงินปลายทาง" },
];

async function embed(env: Env, text: string[]): Promise<number[][]> {
  const out = (await env.AI.run(EMBED, { text }, GW)) as { data: number[][] };
  return out.data;
}

export default {
  async fetch(request, env): Promise<Response> {
    const url = new URL(request.url);
    if (url.pathname === "/dims") {
      return Response.json({ dims: (await embed(env, ["ทดสอบ"]))[0].length });
    }
    if (url.pathname === "/seed" && request.method === "POST") {
      const vectors = await embed(env, FAQ.map((f) => f.text));
      const res = await env.VECTORIZE.upsert(
        FAQ.map((f, i) => ({ id: f.id, values: vectors[i], metadata: { text: f.text } })),
      );
      return Response.json(res);
    }
    const q = url.searchParams.get("q");
    if (!q) return new Response("ใส่ ?q=คำถาม", { status: 400 });
    const [qv] = await embed(env, [q]);
    const { matches } = await env.VECTORIZE.query(qv, { topK: 2, returnMetadata: "all" });
    const context = matches.map((m) => `- ${m.metadata?.text}`).join("\n");
    const out = await env.AI.run(
      LLM,
      {
        messages: [
          { role: "system", content: "ตอบเป็นภาษาไทยสั้นๆ โดยใช้เฉพาะข้อมูลใน <context> ถ้าไม่มีคำตอบให้บอกว่าไม่ทราบ" },
          { role: "user", content: `<context>\n${context}\n</context>\nคำถาม: ${q}` },
        ],
        chat_template_kwargs: { enable_thinking: false },
      },
      GW,
    );
    const answer =
      (out as { choices?: { message: { content: string } }[] }).choices?.[0]?.message.content ?? out;
    return Response.json({ answer, sources: matches.map((m) => ({ id: m.id, score: m.score })) });
  },
} satisfies ExportedHandler<Env>;
  1. หาจำนวนมิติจากโมเดลจริงก่อนสร้าง index (ห้ามเดา) — ตอนนี้ TypeScript จะเตือนว่าไม่มี env.VECTORIZE ไม่เป็นไร esbuild ยัง build ได้:
npx wrangler types
npx wrangler deploy
curl -s https://faq-rag.[subdomain].workers.dev/dims

ผลที่ควรเห็น: {"dims":1024} → ใช้ตัวเลขนี้สร้าง index แล้วเพิ่ม binding ใน wrangler.jsonc:

"vectorize": [{ "binding": "VECTORIZE", "index_name": "faq-th" }]
npx wrangler vectorize create faq-th --dimensions=1024 --metric=cosine
npx wrangler types
npx wrangler deploy
curl -s -X POST https://faq-rag.[subdomain].workers.dev/seed
sleep 10
curl -s --get https://faq-rag.[subdomain].workers.dev/ --data-urlencode "q=ซื้อเท่าไรส่งฟรี"

ผลที่ควรเห็น:

{"answer":"ส่งฟรีเมื่อซื้อครบ 500 บาทค่ะ","sources":[{"id":"ship-1","score":0.71},{"id":"pay-1","score":0.42}]}
  1. เปิด AI Gateway › faq-gw › Logs → เห็นทุก request ทั้ง embedding และ LLM พร้อม token/เวลา · ลองเปิด Caching แล้วถามคำถามเดิมซ้ำ → ครั้งที่ 2 เป็น cache hit ไม่กิน Neurons

ถ้าพัง: VECTOR_INSERT_ERROR ... dimensions → index สร้างผิดมิติ ลบแล้วสร้างใหม่ · matches ว่าง → query เร็วเกินไปหลัง upsert รอสักครู่ · answer เป็น object → รุ่นนั้นคืนรูปแบบอื่น ดูหน้า model ใน developers.cloudflare.com/workers-ai/models

เก็บกวาด

npx wrangler vectorize delete faq-th
npx wrangler delete                          # ในโฟลเดอร์ faq-rag
cd ../edge-db && npx wrangler delete
npx wrangler hyperdrive list
npx wrangler hyperdrive delete [hyperdrive-id]

แล้วลบ role edge_reader ใน Postgres ถ้าไม่ใช้ต่อ (DROP ROLE edge_reader; หลัง REVOKE สิทธิ์)

กับดักที่เจอบ่อย

อาการ สาเหตุ / แก้
ผู้ใช้กดบันทึกแล้วหน้าเดิมยังเห็นค่าเก่า Hyperdrive cache read 60 วิ — ใช้ config แยกที่ --caching-disabled สำหรับอ่านหลังเขียน
DB ขึ้น too many connections ตอนทราฟฟิกพุ่ง ต่อ DB ตรงไม่ผ่าน Hyperdrive หรือ pool ใหญ่เกิน DB รับ — ตั้ง --origin-connection-limit
request หนึ่งช้าเพราะยิง 10 query Worker อยู่ไกล DB ทุก query ต้องข้ามทวีป — placement แบบ smart หรือรวม query
เปิด RDS เป็น public 0.0.0.0/0 เพื่อให้ Hyperdrive ต่อได้ อันตราย — ใช้ Tunnel + Access service token หรือ Workers VPC ให้ DB อยู่ private
บิล Workers AI ขึ้นทั้งที่ยังไม่ deploy wrangler dev เรียกโมเดลจริง — ใช้ prompt สั้น/รุ่นเล็กตอนพัฒนา ดูยอดใน AI Gateway
RAG ตอบมั่ว/แต่งเอง ไม่ได้บังคับให้ตอบจาก context หรือ topK ดึงเอกสารไม่เกี่ยว — กรองด้วย score ขั้นต่ำ
เปลี่ยนโมเดล embedding แล้วผลค้นเพี้ยน เวกเตอร์คนละโมเดลเทียบกันไม่ได้ — สร้าง index ใหม่แล้ว embed ใหม่ทั้งหมด

สรุปจำง่าย

Worker ต่อ DB เดิมผ่าน Hyperdrive เสมอ (pool + cache) — cache ไม่รู้เรื่องการเขียน แยก config — DB private ใช้ Tunnel ไม่ใช่เปิด public — AI วางหลัง Gateway เพื่อเห็น log/cache — Vectorize มิติตั้งครั้งเดียว ถามโมเดลก่อนสร้าง