Trí tuệ Nhân tạo với RAG – Hướng dẫn triển khai hệ thống sinh nội dung tăng cường truy xuất - Chương 6

 📘 Chương 6: Ứng dụng RAG trong Tìm kiếm Nâng cao

(Kết hợp giữa AI và Search)

6.1 Tại sao cần kết hợp tìm kiếm và AI sinh nội dung?

Các hệ thống tìm kiếm truyền thống (như Google, Elasticsearch) sử dụng phương pháp dựa trên từ khóa hoặc biểu thức boolean. Tuy nhiên, chúng có giới hạn rõ ràng:

• Trả về kết quả dạng danh sách link, không có tóm tắt hoặc diễn giải.
• Không hỗ trợ truy vấn ngôn ngữ tự nhiên tốt.
• Khó tùy biến phản hồi cho từng người dùng cụ thể.

Giải pháp: Kết hợp LLM + Truy xuất → RAG.

🌟 Ưu điểm của tìm kiếm tăng cường RAG

Ưu điểm	Mô tả
🎯 Truy vấn ngôn ngữ tự nhiên	Không cần biết từ khóa kỹ thuật hay cú pháp đặc biệt.
🧠 Tổng hợp phản hồi có ý nghĩa	Tạo câu trả lời tổng hợp, súc tích thay vì chỉ liệt kê link.
🔍 Truy xuất theo ngữ nghĩa (semantic)	Tìm kết quả theo ý nghĩa, không chỉ dựa vào từ khóa trùng khớp.
🛠️ Tuỳ biến theo ngành/lĩnh vực	Dễ triển khai với dữ liệu riêng (y tế, pháp lý, học thuật, nội bộ công ty...).

---

6.2 Pipeline RAG cho hệ thống tìm kiếm

🔁 Quy trình cơ bản:

1. Người dùng nhập câu hỏi bằng ngôn ngữ tự nhiên.
2. Câu hỏi được embedding → tìm kiếm các đoạn văn phù hợp trong vector DB.
3. Các đoạn liên quan được trích xuất và gộp thành ngữ cảnh.
4. LLM tổng hợp câu trả lời ngắn gọn và có trích dẫn.
5. Kết quả hiển thị kèm nguồn, link hoặc đoạn văn minh họa.

💡 Ví dụ: Hỏi về lịch sử chiến tranh Việt Nam

• Câu hỏi: "Những nguyên nhân chính dẫn đến chiến tranh Việt Nam là gì?"
• RAG truy xuất từ tài liệu học thuật, sách lịch sử.
• LLM tổng hợp: "Nguyên nhân gồm hậu quả của chiến tranh thế giới, xung đột ý thức hệ giữa Mỹ và Liên Xô, cùng mong muốn thống nhất đất nước của Việt Nam."

6.3 Các mô hình tìm kiếm truyền thống vs RAG

Tiêu chí	Tìm kiếm cổ điển	RAG
Đầu vào	Từ khóa	Ngôn ngữ tự nhiên
Kết quả	Link hoặc đoạn văn thô	Câu trả lời tổng hợp
Hiểu nghĩa	Hạn chế	Có nhờ embedding
Tùy biến	Khó	Linh hoạt, có thể huấn luyện riêng
Tóm tắt	Không	Có

 🧰 Công cụ RAG cho tìm kiếm nâng cao

Tên công cụ	Mô tả
Haystack	Framework mạnh cho tìm kiếm QA, hỗ trợ Hugging Face & OpenAI
LangChain + OpenAI	Tạo hệ thống QA tích hợp tìm kiếm ngữ nghĩa
Elastic + OpenAI plugin	Tích hợp LLM vào Elasticsearch
LlamaIndex (GPT Index)	Tạo index văn bản và thực hiện QA hiệu quả

🧱 Xây dựng hệ thống: Ví dụ LangChain

Python:

from langchain.vectorstores import FAISS

from langchain.embeddings import OpenAIEmbeddings

from langchain.chains import RetrievalQA

from langchain.chat_models import ChatOpenAI

from langchain.document_loaders import TextLoader

 

# Tải dữ liệu và tạo vector index

loader = TextLoader("legal_docs.txt")

docs = loader.load()

embeddings = OpenAIEmbeddings()

db = FAISS.from_documents(docs, embeddings)

 

# Thiết lập truy vấn ngữ nghĩa + LLM

qa = RetrievalQA.from_chain_type(

    llm=ChatOpenAI(),

    retriever=db.as_retriever()

)

 

# Truy vấn

print(qa.run("Điều kiện để một hợp đồng vô hiệu tại Việt Nam là gì?"))

 

6.4 Tăng hiệu quả tìm kiếm với chiến lược nâng cao

✅ 1. Truy vấn lại (Query Expansion)

• Thêm từ đồng nghĩa, từ liên quan → tăng độ bao phủ.
• Ví dụ: "Viêm họng" → mở rộng thành ["viêm họng", "đau họng", "sưng cổ họng"].

✅ 2. Reranking

• Sau khi truy xuất top-k đoạn văn, dùng mô hình học sâu để đánh giá lại độ liên quan.
• Mô hình tiêu biểu: monoT5, Cross-Encoder.

✅ 3. Highlight kết quả có dẫn nguồn

• RAG cho phép chèn trích dẫn hoặc link trực tiếp vào câu trả lời:

“Nguyên nhân bao gồm yếu tố địa chính trị (Nguồn: Bách Khoa Toàn Thư 2021).”

✅ 4. Cá nhân hóa kết quả

• Dựa vào lịch sử tìm kiếm, hồ sơ người dùng → điều chỉnh phản hồi phù hợp.

🛡️ 6.5 Thách thức khi ứng dụng RAG trong tìm kiếm

Thách thức	Mô tả
Chất lượng dữ liệu	Nếu dữ liệu truy xuất sai, mô hình sẽ sinh sai.
Giới hạn token	Dữ liệu truy xuất + prompt phải nằm trong ngưỡng cho phép.
Tính đúng đắn	Mô hình vẫn có thể "bịa" dù đã truy xuất đúng.
Tốc độ phản hồi	Truy xuất + sinh nội dung mất nhiều thời gian hơn tìm kiếm truyền thống.

✅ Tóm tắt Chương 6

Nội dung	Mô tả
Mục tiêu	Cải thiện hệ thống tìm kiếm bằng RAG
Ưu điểm	Hiểu ngôn ngữ tự nhiên, trả lời có ngữ cảnh, trích dẫn nguồn
Công cụ	LangChain, LlamaIndex, Haystack, Elastic + LLM
Chiến lược	Rerank, query expansion, cá nhân hóa
Hạn chế	Tốc độ, chất lượng dữ liệu, giới hạn token

 

Tham khảo Chương 5