Khoá học ngắn về RAG
Retrieval-Augmented Generation,
hiểu tới từng bước
Mô hình ngôn ngữ lớn (LLM) giỏi diễn đạt nhưng không biết tài liệu nội bộ của bạn và đôi khi bịa. RAG giải quyết chuyện đó bằng cách tìm đúng đoạn tài liệu trước, rồi mới để mô hình trả lời dựa trên chính các đoạn ấy. Khoá học này đi qua toàn bộ quy trình, từ chia nhỏ tài liệu tới đo chất lượng câu trả lời.
Toàn cảnh một hệ thống RAG
Pha lập chỉ mục — chạy trước, định kỳ
Pha truy vấn — chạy mỗi câu hỏi
Lộ trình học
Mỗi bài khoảng 10–15 phút đọc, cuối bài có câu hỏi tự kiểm tra.
RAG là gì và khi nào cần
Giới hạn của LLM, ý tưởng RAG, so sánh với fine-tuning và context dài.
Dữ liệuChuẩn bị dữ liệu & chunking
Làm sạch, metadata, các chiến lược chia đoạn và chọn kích thước.
VectorEmbedding & vector store
Vector ngữ nghĩa, cosine similarity, chỉ mục ANN, ví dụ pgvector.
Truy xuấtTruy xuất: hybrid, rerank
BM25 + vector, Reciprocal Rank Fusion, cross-encoder, viết lại câu hỏi.
Sinh câu trả lờiDựng prompt & sinh câu trả lời
Mẫu prompt, trích dẫn nguồn, ngân sách token, chống prompt injection.
Đánh giáĐánh giá chất lượng
Recall@k, MRR, faithfulness, bộ câu hỏi vàng, theo dõi production.
Vận hànhLỗi thường gặp & nâng cao
Bảng triệu chứng → nguyên nhân → cách sửa; GraphRAG, agentic RAG.
Thực hànhPhòng thí nghiệm RAG
Chỉnh kích thước chunk, top-k và xem kết quả truy xuất, prompt thay đổi ra sao.
Học xong bạn sẽ
- Giải thích được RAG giải quyết vấn đề gì, và khi nào không nên dùng.
- Thiết kế pha lập chỉ mục: chia chunk, chọn mô hình embedding, chọn vector store.
- Kết hợp tìm kiếm từ khoá và tìm kiếm ngữ nghĩa, rồi xếp hạng lại cho chính xác.
- Viết prompt buộc mô hình dựa vào nguồn và nói “không biết” khi thiếu thông tin.
- Đo được chất lượng truy xuất và câu trả lời bằng số liệu, không bằng cảm giác.
- Chẩn đoán nhanh các lỗi phổ biến khi đưa RAG vào sản phẩm thật.