Tra cứu
Thuật ngữ RAG
Giải thích ngắn gọn các khái niệm xuất hiện trong khoá học, kèm bài học liên quan.
| Thuật ngữ | Ý nghĩa | Bài |
|---|---|---|
| RAG (Retrieval-Augmented Generation) | Truy xuất tài liệu liên quan rồi đưa vào prompt để LLM trả lời dựa trên đó. | 1 |
| Hallucination | Mô hình tạo ra thông tin nghe hợp lý nhưng sai hoặc không có căn cứ. | 1 |
| Indexing / lập chỉ mục | Pha chuẩn bị: nạp, làm sạch, chia chunk, embed và lưu tài liệu. | 1 |
| Chunk | Một đoạn nhỏ của tài liệu — đơn vị được embed, truy xuất và đưa vào prompt. | 2 |
| Overlap / chồng lấn | Phần nội dung lặp lại giữa hai chunk liền kề để không mất ý ở ranh giới. | 2 |
| Metadata | Thông tin đi kèm chunk: nguồn, mục, phiên bản, ngày, phòng ban, nhóm quyền. | 2 |
| Parent–child (small-to-big) | Tìm bằng chunk nhỏ, đưa vào prompt đoạn cha lớn hơn chứa nó. | 2 |
| Token | Đơn vị văn bản mà mô hình xử lý; giới hạn ngữ cảnh và chi phí tính theo token. | 2 |
| Embedding | Vector số biểu diễn ý nghĩa của văn bản; văn bản gần nghĩa có vector gần nhau. | 3 |
| Cosine similarity | Độ tương đồng theo góc giữa hai vector: a·b / (‖a‖‖b‖). | 3 |
| Vector store | Hệ lưu trữ và tìm kiếm vector theo độ gần, thường kèm lọc metadata. | 3 |
| ANN (Approximate Nearest Neighbor) | Tìm láng giềng gần đúng, đổi một chút độ chính xác lấy tốc độ. | 3 |
| HNSW | Chỉ mục ANN dạng đồ thị nhiều tầng; nhanh, recall cao, tốn bộ nhớ. | 3 |
| ef_search | Số ứng viên HNSW giữ lại khi đi xuống đồ thị. Đặt thấp thì điều kiện lọc chặt sẽ trả về ít dòng hơn số bạn yêu cầu. | 3 |
| Dense retrieval | Truy xuất bằng embedding (ngữ nghĩa). | 4 |
| Sparse retrieval / BM25 | Truy xuất theo từ khoá, chấm điểm theo tần suất và độ hiếm của từ. | 4 |
| TF-IDF | Trọng số từ = tần suất trong đoạn × độ hiếm trên toàn kho; nền tảng của tìm kiếm từ khoá cổ điển. | Lab |
| Hybrid search | Kết hợp dense và sparse retrieval rồi hợp nhất kết quả. | 4 |
| RRF (Reciprocal Rank Fusion) | Hợp nhất nhiều danh sách xếp hạng bằng Σ 1/(k + rank). | 4 |
| Top-k | Số đoạn có điểm cao nhất được giữ lại sau truy xuất. | 4 |
| Reranker / cross-encoder | Mô hình đọc câu hỏi và đoạn cùng lúc để chấm lại mức liên quan, chính xác hơn nhưng chậm. | 4 |
| MMR (Maximal Marginal Relevance) | Chọn đoạn vừa liên quan vừa khác các đoạn đã chọn, tránh trùng lặp. | 4 |
| HyDE | Sinh câu trả lời giả định rồi dùng nó để truy xuất thay cho câu hỏi. | 4 |
| Multi-query | Sinh nhiều cách diễn đạt câu hỏi, truy xuất từng cách rồi hợp nhất. | 4 |
| Context window | Lượng token tối đa mô hình đọc được trong một lần gọi. | 5 |
| Lost in the middle | Xu hướng mô hình bỏ sót thông tin nằm giữa ngữ cảnh dài. | 5 |
| Grounding / trích dẫn | Gắn mỗi ý trong câu trả lời với nguồn cụ thể trong ngữ cảnh. | 5 |
| Prompt injection | Văn bản (có thể nằm trong tài liệu truy xuất) cố điều khiển mô hình làm trái chỉ dẫn. | 5 |
| Golden set | Bộ câu hỏi có đáp án và đoạn liên quan chuẩn dùng để đánh giá. | 6 |
| Recall@k | Tỉ lệ đoạn liên quan nằm trong top-k kết quả. | 6 |
| MRR | Trung bình nghịch đảo thứ hạng của đoạn liên quan đầu tiên. | 6 |
| nDCG | Chỉ số xếp hạng có tính tới mức độ liên quan và vị trí, chuẩn hoá về 0–1. | 6 |
| Faithfulness | Mức độ câu trả lời được ngữ cảnh hỗ trợ, không thêm thắt. | 6 |
| LLM-as-judge | Dùng LLM chấm điểm câu trả lời theo rubric; cần đối chiếu với người chấm. | 6 |
| Contextual retrieval | Ghép câu tóm tắt ngữ cảnh do LLM viết vào từng chunk trước khi embed. | 7 |
| Agentic RAG | LLM tự lập kế hoạch truy xuất nhiều bước, chọn công cụ và nguồn. | 7 |
| GraphRAG | Xây đồ thị thực thể–quan hệ từ tài liệu để trả lời câu hỏi tổng quan. | 7 |