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 devเรียก Workers AI จริงและคิดเงินจริง แม้รันในเครื่อง
หลัก Vectorize
dimensionsและmetricตั้งครั้งเดียว แก้ไม่ได้ ต้องตรงกับโมเดล embedding (สร้าง index ใหม่ถ้าเปลี่ยนโมเดล)- ต้องการกรองด้วย metadata (เช่น
lang,tenant) →create-metadata-indexก่อน insert - insert/upsert เป็น async — ค้นเจอหลังไม่กี่วินาที อย่าทดสอบด้วยการ query ทันที
- ข้อความไทย ใช้โมเดล embedding หลายภาษา เช่น
@cf/baai/bge-m3(โมเดลภาษาอังกฤษอย่างbge-base-en-v1.5ให้ผลไทยแย่)
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-configผลที่ควรเห็น: 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; doneผลที่ควรเห็น:
{"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
- สร้าง gateway ในแดชบอร์ด: AI › AI Gateway › Create Gateway ตั้งชื่อ
faq-gw - สร้างโปรเจกต์และ binding:
npm create cloudflare@latest -- faq-rag # Hello World example → Worker only → TypeScript → Deploy: No
cd faq-ragเพิ่มใน wrangler.jsonc (ยังไม่ใส่ vectorize เพราะ index ยังไม่มี — deploy จะ error):
"ai": { "binding": "AI" },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>;- หาจำนวนมิติจากโมเดลจริงก่อนสร้าง index (ห้ามเดา) — ตอนนี้ TypeScript จะเตือนว่าไม่มี
env.VECTORIZEไม่เป็นไร esbuild ยัง build ได้:
npx wrangler types
npx wrangler deploy
curl -s https://faq-rag.[subdomain].workers.dev/dimsผลที่ควรเห็น: {"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}]}- 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