RAG giải quyết vấn đề gì?
RAG giải quyết vấn đề mô hình AI không biết các tài liệu của tổ chức bạn, hoặc chỉ biết thông tin đã lỗi thời về thế giới. Thay vì huấn luyện lại mô hình, bạn cung cấp đúng những đoạn thông tin cần thiết ngay khi mô hình trả lời.
Hãy hình dung một công ty điều hành tour giả định có 50 người, Tidewater Travel. Đội đặt tour liên tục hỏi những câu giống nhau về cuốn sổ tay điều khoản và quy trình dài 90 trang. Trưởng nhóm Leon đã thử hỏi một chatbot đa dụng: 'Khách hàng có thể đổi tên hành khách đại diện 10 ngày trước khi khởi hành không, và có mất phí không?' Chatbot trả lời đầy tự tin bằng thông tin chung về quy định của hãng hàng không và một khoản phí mà Tidewater không thu. Câu trả lời thực nằm ở mục 4.2 của cuốn sổ tay mà chatbot chưa từng đọc.
Tạo sinh tăng cường truy xuất hoạt động như thế nào?
Tạo sinh tăng cường truy xuất hoạt động qua ba giai đoạn: truy xuất những đoạn văn liên quan nhất đến câu hỏi, thêm chúng vào câu lệnh, rồi để mô hình tạo câu trả lời từ các đoạn đó. Bảng thuật ngữ của Anthropic cũng mô tả ý tưởng này: thông tin liên quan được truy xuất từ cơ sở tri thức tại thời điểm nhận truy vấn và được chuyển cho mô hình cùng với câu hỏi ban đầu.
Thuật ngữ này xuất phát từ một bài nghiên cứu năm 2020 của Patrick Lewis và các cộng sự. Nghiên cứu kết hợp một mô hình ngôn ngữ với một chỉ mục tài liệu có thể tìm kiếm và nhận thấy câu trả lời cụ thể, đúng thực tế hơn so với khi chỉ dùng mô hình.
1. Chuẩn bị tài liệu
Sổ tay được chia thành các đoạn nhỏ, chẳng hạn mỗi đoạn gồm một mục hoặc vài đoạn văn, để việc tìm kiếm có thể trả về một đoạn nội dung đúng trọng tâm thay vì cả cuốn sổ tay.
2. Lập chỉ mục theo ngữ nghĩa
Mỗi đoạn được chuyển thành một biểu diễn nhúng, tức danh sách các con số thể hiện ý nghĩa của đoạn đó, rồi được lưu trong cơ sở dữ liệu vectơ. AWS mô tả bước này là chuyển dữ liệu thành các biểu diễn số để có thể đối chiếu với câu hỏi.
3. Truy xuất
Câu hỏi được chuyển đổi theo cùng cách rồi đối chiếu với chỉ mục để tìm những khối gần nhất. Nhiều hệ thống còn kết hợp tìm kiếm từ khóa thông thường.
4. Bổ sung thông tin vào câu lệnh
Các đoạn được xếp hạng cao nhất được đưa vào câu lệnh kèm chỉ dẫn như 'chỉ trả lời dựa trên những đoạn này và trích dẫn mục tương ứng'.
5. Tạo nội dung
Mô hình viết câu trả lời từ văn bản được cung cấp, tốt nhất là trích nguyên văn hoặc dẫn nguồn những đoạn đã sử dụng.
Câu trả lời có và không có RAG khác nhau như thế nào?
Không có RAG: 'Hầu hết công ty du lịch cho phép đổi tên với mức phí khoảng 50 đến 100 mỗi người, tùy theo chính sách của hãng hàng không.' Nghe có vẻ hữu ích, nhưng đó không phải chính sách của Tidewater, và không ai có thể kiểm tra thông tin đó đến từ đâu.
Có RAG: hệ thống truy xuất mục 4.2 và mục 4.5 của sổ tay, rồi mô hình trả lời: 'Có. Mục 4.2 cho phép đổi tên hành khách đại diện miễn phí chậm nhất 7 ngày trước khi khởi hành. Mục 4.5 nêu rằng các gói có vé máy bay có thể chịu phí thay đổi riêng của hãng hàng không, được hiển thị trong hệ thống đặt chỗ. Nguồn: Mục 4.2 và 4.5 của sổ tay.' Leon có thể mở cả hai mục và xác nhận câu trả lời trong vài giây. Nếu sổ tay thay đổi, câu trả lời sẽ thay đổi ngay khi phiên bản mới được lập chỉ mục.
Khi nào nên dùng RAG và khi nào không nên?
Dùng RAG khi câu trả lời phải dựa trên một tập tài liệu cụ thể, thường xuyên thay đổi và người dùng cần xem nguồn. Phương pháp này phù hợp với sổ tay chính sách, tài liệu sản phẩm, kho kiến thức hỗ trợ và thư viện hợp đồng. Bảng thuật ngữ của Anthropic lưu ý rằng phương pháp này đặc biệt hữu ích với thông tin cập nhật, kiến thức chuyên ngành và việc trích dẫn nguồn rõ ràng.
RAG không phải là giải pháp khi tài liệu đủ ngắn để dán thẳng vào câu lệnh, khi nhiệm vụ chú trọng văn phong hoặc định dạng hơn là thông tin thực tế, hoặc khi chính tài liệu nguồn không đáng tin cậy. RAG cũng không thay thế việc phân quyền: nếu một đoạn văn được truy xuất, mô hình có thể nhắc lại nội dung đó, nên phải áp dụng kiểm soát truy cập trước khi truy xuất.
Quá trình tạo sinh tăng cường truy xuất có thể sai ở đâu?
RAG thường sai ở bước truy xuất hơn là bước tạo nội dung: nếu tìm nhầm đoạn văn, mô hình sẽ dựa vào đó để viết một câu trả lời đầy tự tin. Anthropic lưu ý rằng hiệu quả của RAG phụ thuộc vào chất lượng và mức độ liên quan của cơ sở tri thức cũng như nội dung được truy xuất.
Đoạn dữ liệu sai hoặc không đầy đủ
Đoạn nêu ngoại lệ nằm ở một khối khác với quy tắc, nên câu trả lời bỏ sót ngoại lệ đó.
Phiên bản lỗi thời hoặc trùng lặp
Sổ tay năm ngoái vẫn được lập chỉ mục cùng với sổ tay năm nay, và hệ thống truy xuất bản cũ.
Mô hình đi chệch khỏi văn bản
Mô hình pha trộn văn bản truy xuất được với kiến thức chung của nó. Chỉ dẫn chỉ trả lời dựa trên các nguồn và việc hiển thị trích dẫn giúp dễ phát hiện điều này hơn.
Không có câu trả lời thỏa đáng
Hệ thống nên nói rằng tài liệu không có thông tin trả lời câu hỏi đó thay vì đoán.
RAG nằm ở đâu trong danh mục khóa học của Tosheo.ai?
Tạo sinh tăng cường truy xuất nằm trong nhóm Xây dựng ứng dụng AI, thuộc khóa học xây dựng ứng dụng AI. Bài học này trình bày khái niệm cho bất kỳ ai làm việc với trợ lý AI được xây dựng trên tài liệu của công ty. Lộ trình Lập trình sau khi đăng ký hướng dẫn thực hành xây dựng một ứng dụng RAG nhỏ, từ chia nhỏ tài liệu và tạo biểu diễn nhúng đến truy xuất và tạo câu trả lời có trích dẫn, với phản hồi theo hướng dẫn chấm điểm ở từng bước.
Nguồn và phạm vi
Tài liệu Anthropic Claude, mục RAG trong bảng thuật ngữ (đã kiểm tra ngày 19 tháng 10 năm 2026) ↗
Tài liệu Anthropic Claude, tính năng trích dẫn (đã kiểm tra ngày 19 tháng 10 năm 2026) ↗