22/07/2026
⭐ RAG lớp truy cập tri thức cho AI Agent
1. Hạ tầng tìm kiếm: Kết hợp cả từ khóa, ngữ nghĩa và hình ảnh
RAG cơ bản (Naive RAG) lùi về làm nền móng: Quy trình tìm kiếm bằng Vector thuần túy vẫn rất tốt cho các việc đơn giản như hỏi đáp FAQ nội bộ hoặc tra cứu tài liệu ngắn. Tuy nhiên, với dữ liệu phức tạp của doanh nghiệp, chỉ dùng dữ liệu vector là chưa đủ. Các truy vấn thực tế thường chứa mã hợp đồng, số hóa đơn hoặc từ chuyên ngành — những thứ cần tìm chính xác từng ký tự (Exact Match).
Xu hướng tìm kiếm hỗn hợp (Hybrid Retrieval): Để giải quyết bài toán trên, các hệ thống lớn hiện nay chọn cách chạy song song cả tìm kiếm theo từ khóa lẫn tìm kiếm theo ngữ nghĩa (vector), sau đó chọn lọc và sắp xếp lại kết quả để đạt độ chính xác cao nhất.
Tìm kiếm đa phương thức (Multimodal Retrieval) lên ngôi: Dữ liệu thực tế không chỉ có chữ. Báo cáo tài chính, sơ đồ kỹ thuật hay slide thuyết trình chứa rất nhiều bảng biểu và hình ảnh. Agent hiện nay cần khả năng "đọc" và hiểu được cả hình ảnh nhúng trong tài liệu để đưa ra câu trả lời. Dù tính năng này ở một số nền tảng lớn như Azure hiện vẫn ở dạng thử nghiệm (preview), đây chắc chắn là năng lực then chốt cho các hệ thống phức tạp trong tương lai.
2. Xử lý thông minh: Tự biến đổi câu hỏi và sửa sai
Tự động biến đổi câu hỏi (Query Transformation): Thay vì bê nguyên xi câu hỏi có thể chưa rõ nghĩa của người dùng đi tìm kiếm, Agent sẽ tự động viết lại câu hỏi rõ ràng hơn, hoặc chia một câu hỏi lớn phức tạp thành nhiều câu hỏi nhỏ để tìm kiếm song song. Kỹ thuật HyDE nổi tiếng trước đây giờ đã trở thành một công cụ nhỏ nằm trong bước này.
Vòng lặp tự sửa sai (Self-Correcting Retrieval): Hệ thống không còn mặc định tin hoàn toàn vào kết quả của lần tìm kiếm đầu tiên. Một quy trình tốt sẽ thiết lập vòng lặp phản hồi: Tìm kiếm -> Đánh giá dữ liệu -> Phát hiện thiếu sót hoặc mâu thuẫn -> Sửa lại câu hỏi -> Tìm kiếm lại. Nhờ vậy, Agent sẽ chủ động tìm thêm dữ liệu thay vì tự bịa ra câu trả lời khi thiếu thông tin.
3. Dùng Graph đúng chỗ và Định tuyến thông minh
Graph RAG để tìm mối quan hệ: Bản đồ tri thức (Knowledge Graph) rất mạnh trong việc kết nối các thông tin chằng chịt, ví dụ như chuỗi cung ứng: Nhà cung cấp A -> Nhà máy B -> Sản phẩm C. Tuy nhiên, việc xây dựng hệ thống này rất tốn kém. Vì vậy, xu hướng thực tế là phối hợp: Dùng Vector để tìm nội dung chi tiết, dùng Graph để kết nối mối quan hệ và giao cho Agent điều phối.
Định tuyến thích ứng (Adaptive Retrieval) để tiết kiệm chi phí: Càng tìm kiếm nhiều vòng thì hệ thống càng chậm và tốn tiền token. Cơ chế định tuyến thông minh sẽ tự động đánh giá độ phức tạp của câu hỏi để phân bổ tài nguyên: Câu hỏi dễ thì tìm kiếm 1 bước rồi trả lời ngay; câu hỏi khó mới kích hoạt quy trình tìm kiếm đa tầng.
4. RAG và Long Context
Các mô hình AI có thể đọc được hàng triệu từ (Long Context) nhưng không thể thay thế RAG. Các nghiên cứu thực tế (như benchmark LaRA) cho thấy hai công nghệ này bổ trợ cho nhau rất tốt:
Retrieval (RAG): Đóng vai trò như chiếc kính lúp, định vị chính xác vùng thông tin quan trọng cần tìm giữa một biển dữ liệu (Tối ưu độ chính xác).
Long Context: Giúp AI mở rộng góc nhìn xung quanh vùng thông tin đó, đọc hiểu sâu sắc và giữ được mạch logic liên tục của tài liệu mà không bị cắt vụn (Tối ưu độ hiểu).
5. Đóng gói năng lực thành "Công cụ chuyên biệt" qua giao thức mở (MCP)
Năng lực tìm kiếm dữ liệu đang được tách khỏi các ứng dụng cài cắm cố định (hard-code) để trở thành một công cụ (tool) độc lập. Thông qua giao thức mở MCP - được phát triển trong Agentic AI . Agent có thể kết nối và gọi RAG như gọi một công cụ thông thường.
Ví dụ thực tế: Hãng tin Reuters đã ra mắt MCP server riêng, cho phép AI Agent của các khách hàng doanh nghiệp tự động truy cập và khai thác các nội dung báo chí mà họ đã đăng ký quyền sử dụng để phục vụ các quy trình nghiên cứu, lập báo cáo tự động.
Kết luận: Bước nhảy vọt hướng tới Hành động (Retrieval-Augmented Action)
RAG đã dịch chuyển từ công cụ giúp AI trả lời thành cơ sở để Agent "ra quyết định". Không còn là một bước độc lập đứng trước prompt, retrieval giờ đây hòa làm một với logic suy luận - đóng vai trò hạ tầng ẩn giúp đảm bảo tính chính xác
Tham khảo internet
