Phần lớn mọi người nghĩ RAG chỉ đơn giản là “Vector DB + LLM”

image-1755103636272.png

Phần lớn mọi người nghĩ RAG chỉ đơn giản là “Vector DB + LLM”.
Nhưng khi triển khai ở quy mô lớn cho các bài toán thực tế, Naive RAG nhanh chóng bộc lộ hạn chế.
Dưới đây là 4 cấp độ RAG và cách chúng tiến hóa:
📚 Naive RAG – Điểm khởi đầu
  • Embed câu hỏi → lấy top-k chunk → nhồi vào prompt.
  • Tốt cho Q&A đơn giản, nhưng yếu khi cần suy luận nhiều bước, xử lý ngữ cảnh dài, hoặc tránh hallucination.
🛠️ Advanced RAG – Bắt đầu kỹ thuật hóa
  • Thêm các bước: lọc trước khi truy xuất, hybrid index, rerank, viết lại câu hỏi, lưu trữ memory, dự đoán sau truy xuất.
  • Từ “truy xuất tĩnh” sang pipeline mô-đun:
    Retrieve → Read → Predict/Rewrite → Retrieve → Rerank → Read
  • Hữu ích khi cần độ chính xác, khả năng xử lý ngữ cảnh, và truy vết nguồn.
➿ Graph RAG – Kết hợp dữ liệu cấu trúc & ngữ nghĩa
  • Kết nối hoặc tạo Knowledge Graph, ghép cùng Vector DB.
  • Prompt được bổ sung đường dẫn graph & metadata node → cho phép suy luận có giải thích.
  • Dùng nhiều trong tìm kiếm doanh nghiệp, y tế, tài chính – nơi logic cấu trúc rất quan trọng.
🤖 Agentic RAG – Cấp độ cao nhất hiện tại
  • Mô hình không chỉ “truy xuất” mà còn lập kế hoạch, hành động và điều phối.
  • Quyết định:
  • Truy xuất gì
  • Gọi function/tool nào
  • Lưu kết quả ra sao
  • Kết hợp prompt + dữ liệu truy xuất + schema tool để gọi API hoặc hành động bên ngoài.
  • Stack gồm: function tool, graph DB, relational memory, agent logic.
  • Là xu hướng cho AI Agent, copilots và trợ lý sản xuất quy mô lớn.
No Comments
Back to top