RAG tiêu chuẩn chính xác nhưng thiếu linh hoạt. RAG dựa trên tác nhân (Agentic RAG) là phiên bản nâng cấp, sử dụng các tác nhân AI thông minh trong quy trình làm việc năng động. Các tác nhân này sẽ chọn công cụ phù hợp cho bất kỳ truy vấn nào, chẳng hạn như cơ sở dữ liệu hoặc tìm kiếm trên web, và tự xác minh câu trả lời của chúng. Hướng dẫn này giải thích RAG dựa trên tác nhân là gì và trình bày các ví dụ thực tế.
Nếu bạn đã từng làm việc với bất kỳ ứng dụng Mô hình Ngôn ngữ Lớn (LLM) nào, có lẽ bạn đã gặp khó khăn với những thách thức vốn có của các hệ thống mạnh mẽ này. Về bản chất, LLM dễ bị “ảo giác” (tức là đưa ra kết quả tự tin nhưng không chính xác) và bị hạn chế về thời hạn truy cập thông tin, nghĩa là chúng thiếu quyền truy cập vào thông tin thời gian thực hoặc thông tin độc quyền trừ khi được cung cấp rõ ràng. Chúng cũng có thể tạo ra các phản hồi không nhất quán và thường bỏ sót ngữ cảnh tinh tế, xử lý ngôn ngữ dựa trên các mẫu đã học thay vì sự hiểu biết thực sự.
Để khắc phục những hạn chế này, các nhà phát triển đã chuyển sang sử dụng Retrieval-Augmented Generation (RAG), một kỹ thuật kết nối các mô hình ngôn ngữ thứ cấp (LLM) với các nguồn dữ liệu bên ngoài. Điều này cho phép mô hình thu thập thông tin liên quan, cập nhật trước khi đưa ra phản hồi, từ đó cải thiện đáng kể độ chính xác. RAG là một bước tiến quan trọng, nhưng về cơ bản nó là một quy trình tĩnh, tuyến tính: thu thập thông tin, sau đó tạo ra câu trả lời.
Nhưng điều gì sẽ xảy ra nếu hệ thống có thể thông minh hơn? Điều gì sẽ xảy ra nếu nó có thể tự động quyết định cách tốt nhất để tìm ra câu trả lời, sử dụng công cụ nào và thậm chí tự đánh giá câu trả lời của mình về tính đầy đủ? Đó chính là lời hứa của Agentic RAG, bước tiến tiếp theo của khung công nghệ này. Bằng cách tích hợp các tác nhân được hỗ trợ bởi LLM, chúng tôi chuyển đổi quy trình RAG đơn giản thành một quy trình làm việc năng động và thông minh.
Trong bài viết này, chúng ta sẽ tìm hiểu Agentic RAG là gì, làm thế nào nó vượt qua những hạn chế của phiên bản tiền nhiệm và tại sao nó được kỳ vọng sẽ định nghĩa lại cách chúng ta xây dựng các ứng dụng trí tuệ nhân tạo phức tạp.
RAG mang tính tác nhân là gì?
Về bản chất, Agentic RAG nâng cấp khung truy xuất tiêu chuẩn bằng cách tích hợp các tác nhân được hỗ trợ bởi LLM để đưa ra quyết định tự chủ. Thay vì tuân theo một tập hợp các chỉ dẫn cứng nhắc, hệ thống có thể nhận biết môi trường xung quanh, đưa ra quyết định và thực hiện các hành động để đạt được mục tiêu.
Mặc dù trí tuệ nhân tạo được áp dụng trên toàn bộ quy trình làm việc, sự thay đổi cơ bản nhất xảy ra trong quá trình lập chỉ mục. Trong RAG truyền thống, lập chỉ mục là một quy trình được xác định trước và thường được thực hiện thủ công. Với Agentic RAG, điều này trở thành một hoạt động năng động và nhận biết ngữ cảnh, được điều khiển bởi chính trí tuệ nhân tạo. Một tác nhân có thể tự động quyết định không chỉ thông tin nào cần thêm vào kho lưu trữ vectơ, mà còn cả cách thực hiện điều đó hiệu quả nhất.
Ví dụ, một tác nhân có thể phân tích thông minh các tài liệu phức tạp để trích xuất siêu dữ liệu phong phú và hữu ích hơn, đồng thời quyết định chiến lược phân đoạn tối ưu cho các loại nội dung khác nhau. Điều này biến việc lập chỉ mục từ một nhiệm vụ thiết lập tĩnh thành một quá trình xây dựng kiến thức liên tục, đặt nền tảng cho các kết quả chính xác và phù hợp hơn trong tương lai.
Sự khác biệt giữa RAG đơn giản và RAG tác nhân là gì?
Sự khác biệt chính giữa RAG đơn giản (hoặc ngây thơ) và RAG tác nhân nằm ở quy trình hoạt động và trí thông minh của chúng. Mặc dù cả hai đều nhằm mục đích tăng cường các Mô hình Ngôn ngữ Lớn (LLM) bằng dữ liệu bên ngoài, nhưng cách tiếp cận và khả năng của chúng khác nhau đáng kể. RAG đơn giản là một quy trình tuyến tính và tĩnh, trong khi RAG tác nhân là năng động, thích ứng và tự chủ.
Để hiểu rõ hơn những điểm khác biệt chính, dưới đây là một so sánh trực tiếp:
| Tính năng | Vải vụn đơn giản | RAG đại lý |
|---|---|---|
| Quy trình làm việc | Đã sửa trình tự “truy xuất rồi đọc”. |
Quy trình động, nhiều bước (viết lại truy vấn, truy xuất từ nhiều nguồn hoặc bỏ qua bước truy xuất) |
| Quyết định | Không có; đường đi đã được định trước. |
Tác nhân đưa ra quyết định (định tuyến, sử dụng công cụ, tự đánh giá) |
| Nguồn dữ liệu & Công cụ | Cơ sở tri thức đơn lẻ, không có cấu trúc. | Nhiều nguồn dữ liệu khác nhau (kho lưu trữ vector, SQL, API web, v.v.) |
| Khả năng thích ứng | Cứng nhắc; quy trình giống nhau cho mọi truy vấn. |
Thích ứng; điều chỉnh các bước truy xuất cho các truy vấn phức tạp, nhiều bước nhảy. |
Về bản chất, trong khi RAG đơn giản cung cấp cho LLM khả năng truy cập thụ động vào kiến thức bên ngoài, thì RAG dựa trên tác nhân lại cung cấp cho nó một khuôn khổ chủ động để hoạt động thông minh. Khuôn khổ này cho phép hệ thống giải quyết các vấn đề phức tạp bằng cách lựa chọn động các công cụ và nguồn dữ liệu. Trí thông minh này cũng mở rộng đến chính cơ sở tri thức; một tác nhân có thể tự động cập nhật và duy trì thông tin của mình, quyết định những gì cần lưu trữ và cách lập chỉ mục để đạt được độ chính xác và phù hợp tối ưu.
Cấu trúc của RAG tác nhân là gì?
Như chúng ta đã thấy trước đó, RAG dựa trên tác nhân về cơ bản thay đổi cách một hệ thống lưu trữ, truy xuất và sử dụng thông tin. Thay vì một quy trình cứng nhắc, nó giới thiệu một vòng đời ba giai đoạn, trong đó các tác nhân đưa ra quyết định ở mỗi bước để cải thiện chất lượng và tính phù hợp của câu trả lời cuối cùng. Xây dựng một hệ thống như vậy đòi hỏi ba thành phần chính:
Lưu trữ thông minh: quyết định nội dung và cách thức lập chỉ mục
Trước khi có thể truy xuất bất kỳ thông tin nào, nó phải được lưu trữ. Trong một hệ thống RAG truyền thống, quá trình lập chỉ mục này là tĩnh. Tuy nhiên, một hệ thống RAG dựa trên tác nhân (Agentic RAG) biến điều này thành một quá trình chủ động và thông minh.
Một tác nhân có thể phân tích dữ liệu đến và quyết định xem dữ liệu đó có nên được lập chỉ mục hay không. Quan trọng hơn, nó quyết định cách lưu trữ hiệu quả nhất. Điều này bao gồm việc thực hiện phân tích cú pháp chính xác cao đối với các tài liệu phức tạp, tạo siêu dữ liệu phong phú để lọc tốt hơn, lựa chọn chiến lược phân đoạn tối ưu và thậm chí chọn mô hình nhúng phù hợp nhất với ngữ cảnh của dữ liệu. Điều này đảm bảo cơ sở tri thức không chỉ là một kho lưu trữ thụ động mà là một nguồn thông tin được tối ưu hóa và tổ chức một cách chiến lược.
Truy xuất động: sử dụng công cụ phù hợp cho dữ liệu phù hợp
Khi người dùng đặt câu hỏi, hệ thống tác nhân (agent-system) hoạt động hiệu quả trong việc tìm kiếm thông tin chính xác từ nguồn tốt nhất có thể. Nó không bị giới hạn ở việc tìm kiếm trong một kho dữ liệu vector duy nhất.
Sử dụng một thành phần thường được gọi là Bộ định tuyến truy xuất (Retriever Router) , tác nhân LLM phân tích truy vấn đến và quyết định hướng hành động tốt nhất. Điều này có thể bao gồm truy vấn cơ sở dữ liệu SQL, sử dụng API tìm kiếm trên web hoặc tìm kiếm tài liệu sản phẩm nội bộ. Nhờ được trang bị nhiều công cụ, hệ thống có thể tương tác với nhiều nguồn dữ liệu đa dạng, đảm bảo có thể truy xuất ngữ cảnh phù hợp nhất, bất kể dữ liệu đó nằm ở đâu.
Thế hệ được xác minh: soạn thảo và phê bình câu trả lời
Sau khi thông tin được truy xuất, quá trình vẫn chưa kết thúc. Sử dụng chức năng Kiểm định câu trả lời , hệ thống sẽ kiểm tra xem thông tin được truy xuất có trả lời chính xác và đầy đủ câu hỏi ban đầu của người dùng hay không. Nếu câu trả lời không đầy đủ hoặc không chính xác, bộ kiểm định có thể tạo ra một câu hỏi mới, cụ thể hơn để truy xuất thông tin còn thiếu và kích hoạt một vòng truy xuất khác. Quá trình lặp đi lặp lại này, bao gồm việc tạo và kiểm định, đảm bảo câu trả lời cuối cùng chính xác và toàn diện trước khi được hiển thị cho người dùng.
3 trường hợp sử dụng RAG của tác nhân
Hãy cùng xem những nguyên tắc này hoạt động như thế nào trong thực tế thông qua một vài ví dụ cụ thể. Các quy trình làm việc sau đây minh họa cách giao diện trực quan, dựa trên nút của n8n hoàn toàn phù hợp để thiết kế và điều phối logic phức tạp, nhiều bước mà hệ thống Agentic RAG yêu cầu.
RAG thích ứng (lựa chọn chiến lược truy xuất phù hợp)
Không phải tất cả các câu hỏi đều giống nhau. Một số câu hỏi yêu cầu thông tin đơn giản, trong khi những câu hỏi khác lại cần phân tích sâu. Một hệ thống RAG đơn giản sẽ xử lý tất cả chúng như nhau, điều này có thể dẫn đến kết quả kém hiệu quả. Quy trình này thể hiện một hệ thống RAG thích ứng tiên tiến hơn bằng cách trước tiên phân tích ý định của người dùng và sau đó chọn chiến lược truy xuất tốt nhất cho loại câu hỏi cụ thể đó.
Quy trình làm việc này được xây dựng dựa trên một quy trình nhiều giai đoạn, trong đó các tác nhân đưa ra quyết định để điều chỉnh quá trình truy xuất và tạo ra thông tin.
- Phân loại truy vấn: Khi người dùng gửi một truy vấn, tác nhân AI đầu tiên không cố gắng trả lời. Nhiệm vụ duy nhất của nó là phân loại ý định của người dùng vào một trong bốn loại: Thực tế, Phân tích, Ý kiến hoặc Ngữ cảnh.
- Định tuyến chiến lược: Một nút chuyển mạch (Switch node) điều hướng luồng dữ liệu đến một trong bốn đường dẫn khác nhau dựa trên phân loại. Mỗi đường dẫn là một chiến lược chuyên biệt để xử lý loại truy vấn đó.
- Điều chỉnh truy vấn: Trên mỗi đường dẫn, một tác nhân AI khác sẽ điều chỉnh truy vấn ban đầu để tối ưu hóa nó cho việc truy xuất.
- Đối với các câu hỏi mang tính thực tế, nhân viên sẽ viết lại câu hỏi sao cho chính xác hơn.
- Đối với các truy vấn phân tích, hệ thống sẽ chia câu hỏi thành nhiều câu hỏi phụ để đảm bảo phạm vi bao quát rộng.
- Đối với các truy vấn về ý kiến, hệ thống sẽ xác định các quan điểm khác nhau để tìm kiếm.
- Truy xuất và tạo nội dung tùy chỉnh: Truy vấn được điều chỉnh được sử dụng để truy xuất các tài liệu liên quan từ kho lưu trữ vector. Cuối cùng, một tác nhân kết luận sẽ tạo ra câu trả lời bằng cách sử dụng lời nhắc hệ thống được thiết kế riêng cho loại truy vấn ban đầu (ví dụ: “hãy chính xác” cho truy vấn thực tế, “trình bày các quan điểm khác nhau” cho truy vấn ý kiến).
Quy trình này là một ví dụ điển hình về RAG tác nhân (Agentic RAG) vì nó không chỉ đơn thuần là định tuyến đến các nguồn dữ liệu khác nhau mà còn định tuyến đến các chiến lược truy xuất thông tin khác nhau.
Bộ phận phân loại ban đầu hoạt động như một bộ định tuyến truy xuất thông tin tinh vi. Nó tự đưa ra quyết định về ý định của người dùng, từ đó chi phối toàn bộ quy trình làm việc tiếp theo. Một hệ thống RAG đơn giản thiếu sự hiểu biết này và sử dụng phương pháp “một kích cỡ phù hợp cho tất cả”.
Các tác nhân trong mỗi bốn lộ trình đều chủ động chuyển đổi truy vấn của người dùng. Họ không chỉ đơn thuần chuyển tiếp truy vấn mà còn nỗ lực cải thiện nó dựa trên phân loại ban đầu.
Tác nhân AI với nguồn kiến thức năng động
Quy trình này minh họa một nguyên tắc cốt lõi của Agentic RAG: lựa chọn nguồn thông tin năng động. Thay vì dựa vào một cơ sở tri thức duy nhất, chúng ta sẽ xây dựng một tác nhân AI có thể lựa chọn thông minh giữa hai nguồn thông tin khác nhau: một cơ sở dữ liệu RAG tĩnh cho kiến thức nền tảng và một công cụ tìm kiếm trực tiếp cho các sự kiện hiện tại.
Thành phần chính của quy trình này là nút AI Agent. Agent này được kết nối với hai “công cụ” riêng biệt mà nó có thể sử dụng để trả lời các câu hỏi:
- Máy chủ RAG MCP: Máy chủ này được kết nối với cơ sở dữ liệu RAG truyền thống chứa thông tin cụ thể, được tải sẵn (trong trường hợp này, về Giao thức Ngữ cảnh Mô hình).
- Máy chủ MCP của công cụ tìm kiếm: Máy chủ này cung cấp cho tác nhân khả năng thực hiện tìm kiếm trên web theo thời gian thực, cung cấp quyền truy cập vào thông tin cập nhật từng phút.
Tại sao điều này được coi là “RAG tác nhân”? Cấu hình này vượt xa RAG đơn giản vì AI không chỉ thu thập thông tin; nó còn đưa ra quyết định. Khi người dùng đặt câu hỏi, tác nhân phải phân tích câu hỏi trước và quyết định công cụ nào phù hợp nhất để trả lời.
Đây là khái niệm “Bộ định tuyến truy xuất” đang hoạt động. Giao thức ngữ cảnh mô hình (MCP) đóng vai trò là lớp giao tiếp cho phép tác nhân hiểu được các công cụ có sẵn (hai máy chủ) và chọn một trong số đó.
Ví dụ, nếu bạn hỏi, “Giao thức ngữ cảnh mô hình là gì?”, hệ thống sẽ nhận ra đây là một câu hỏi cơ bản và chuyển hướng nó đến Máy chủ RAG MCP. Tuy nhiên, nếu bạn hỏi, “Ai đã thắng cuộc đua Công thức 1 cuối tuần trước?”, hệ thống hiểu rằng điều này yêu cầu thông tin hiện tại và sẽ sử dụng Máy chủ Công cụ tìm kiếm MCP để tìm câu trả lời.
Quá trình ra quyết định tự chủ này chính là điều làm cho quy trình làm việc trở nên “mang tính chủ động”.
Công cụ trí tuệ nhân tạo dành cho dữ liệu dạng bảng và dữ liệu phi cấu trúc (SQL + GraphRAG)
Quy trình làm việc tiên tiến này giải quyết một trong những thách thức quan trọng nhất đối với các hệ thống RAG truyền thống: xử lý dữ liệu dạng bảng có cấu trúc từ các nguồn như tệp Excel hoặc Google Sheets. Mặc dù RAG tiêu chuẩn rất tốt trong việc tìm kiếm văn bản, nhưng nó thường thất bại khi được yêu cầu thực hiện các phép tính hoặc so sánh chính xác trên dữ liệu quan hệ vì quá trình phân đoạn làm phá vỡ cấu trúc của bảng.
Hệ thống này giải quyết vấn đề đó bằng cách tạo ra một tác nhân lai có thể lựa chọn giữa các truy vấn SQL cho dữ liệu dạng bảng và GraphRAG cho các tài liệu phi cấu trúc.
Bạn có thể xem video gốc trên YouTube tại đây:
Quy trình làm việc được xây dựng dựa trên một quy trình thu thập dữ liệu thông minh, xử lý dữ liệu khác nhau tùy thuộc vào loại dữ liệu. Quy trình bắt đầu khi một tệp mới được thêm vào thư mục Google Drive được chỉ định. Bước đầu tiên trong quy trình làm việc của n8n kiểm tra loại tệp để xác định đường dẫn xử lý chính xác.
Đối với dữ liệu dạng bảng (Excel/Sheets), hệ thống thực hiện một loạt các bước để cấu trúc dữ liệu sao cho phù hợp với việc truy vấn:
- Tệp tin đã được tải xuống và nội dung của nó đã được giải nén.
- Sau đó, một nút mã sẽ tạo một bảng PostgreSQL mới trong cơ sở dữ liệu như Supabase. Nó tự động tạo lược đồ cơ sở dữ liệu từ các tiêu đề của tệp.
- Cuối cùng, nó điền dữ liệu vào bảng mới, xử lý nhiều loại dữ liệu khác nhau như văn bản, số và ngày tháng.
Dữ liệu phi cấu trúc (PDF, tài liệu Word) được chuyển đến hệ thống GraphRAG để xử lý nhập liệu phức tạp hơn bằng thư viện LightRAG . Tóm lại:
- Thay vì chỉ đơn thuần chia nhỏ văn bản, LLM trước tiên phân tích nội dung tài liệu để xác định các thực thể chính (như người, công ty hoặc khái niệm) và các mối quan hệ kết nối chúng.
- Các thực thể và mối quan hệ được trích xuất này sau đó được sử dụng để xây dựng một đồ thị tri thức có cấu trúc . Đồ thị này thể hiện thông tin cốt lõi từ tài liệu và thường được lưu trữ trong một cơ sở dữ liệu đồ thị chuyên dụng.
Tại sao điều này được coi là “Agent RAG”? Hệ thống không chỉ lập chỉ mục tất cả dữ liệu đến theo cùng một cách. Một tác nhân sẽ đưa ra quyết định dựa trên loại tệp, chọn một chiến lược lưu trữ khác, hiệu quả hơn cho dữ liệu dạng bảng (cơ sở dữ liệu SQL) so với các tài liệu phi cấu trúc (GraphRAG).
Nó cũng quyết định nguồn kiến thức nào phù hợp, dựa trên câu hỏi của người dùng. Nếu câu hỏi được trả lời tốt nhất bằng dữ liệu dạng bảng, nó sẽ tạo ra một truy vấn SQL và sử dụng công cụ thực thi truy vấn SQL để lấy câu trả lời trực tiếp từ cơ sở dữ liệu. Nếu câu hỏi liên quan đến nội dung tài liệu, nó sẽ chuyển hướng truy vấn đến công cụ GraphRAG.
Sự khác biệt giữa RAG tự thân và RAG chủ động là gì?
Mặc dù cả hai đều thể hiện sự tiến bộ so với RAG đơn giản, nhưng chúng tập trung vào việc cải thiện quy trình theo những cách khác nhau. Sự khác biệt chính là Self-RAG tích hợp việc ra quyết định vào chính Mô hình Ngôn ngữ, trong khi Agentic RAG tích hợp việc ra quyết định vào quy trình làm việc xung quanh mô hình.
Self-RAG là một khung cụ thể giúp tinh chỉnh mô hình để tự đưa ra quyết định truy xuất trong quá trình tạo ra kết quả. Nó sử dụng các “mã thông báo phản chiếu” đặc biệt để tự quyết định xem có cần tìm kiếm thông tin hay không, các tài liệu được truy xuất có liên quan hay không và câu trả lời của chính nó có được hỗ trợ tốt bởi các dữ kiện hay không. Mục đích là cung cấp cho mô hình khả năng tự sửa lỗi và tự đánh giá quy trình của chính nó.
Agentic RAG, như chúng ta đã thảo luận, là một mô hình kiến trúc rộng hơn. Nó sử dụng các tác nhân được hỗ trợ bởi LLM để quản lý quy trình làm việc bên ngoài. Điều này bao gồm phân tích ý định của người dùng để chọn công cụ phù hợp, điều chỉnh truy vấn theo một chiến lược cụ thể và phê bình câu trả lời cuối cùng.
Sự khác biệt giữa đồ thị RAG và agentic là gì?
RAG dựa trên tác nhân (Agentic RAG) tập trung vào trí thông minh và tính tự chủ trong việc ra quyết định và thực thi quy trình công việc của hệ thống. RAG dựa trên đồ thị (Graph RAG) tập trung vào cấu trúc và sự phong phú của cơ sở tri thức nền tảng, sử dụng đồ thị tri thức để cho phép truy xuất thông tin chính xác hơn, có quan hệ và đa bước. Một hệ thống Agentic RAG có thể tích hợp Graph RAG như một trong những “tác nhân truy xuất” chuyên dụng hoặc công cụ để truy vấn dữ liệu có cấu trúc, cho thấy cách các biến thể này có thể bổ sung cho nhau.
Điểm khác biệt chính giữa RAG truyền thống và Graph RAG là cơ sở dữ liệu nền tảng. Graph RAG thường liên quan đến việc truy vấn cơ sở dữ liệu đồ thị, ví dụ như Neo4j, ArangoDB, v.v. Ngược lại, RAG truyền thống liên quan đến việc truy vấn cơ sở dữ liệu vectơ (kho lưu trữ vectơ), ví dụ như Pinecone, Qdrant, Milvus, v.v.
Sự khác biệt giữa RAG và RAG đa mô hình là gì?
RAG đa mô hình là một phương pháp sử dụng các mô hình AI chuyên biệt khác nhau ở các giai đoạn khác nhau của quy trình RAG để cải thiện hiệu suất và xử lý các tác vụ phức tạp. Điều này có thể bao gồm một số chiến lược:
Tận dụng LLM đa dạng: Trong các ứng dụng phức tạp, chiến lược “đa LLM” có thể được sử dụng để gán các Mô hình Ngôn ngữ Lớn (LLM) khác nhau cho các nhiệm vụ mà chúng thực hiện tốt nhất. Điều này có thể bao gồm các mô hình chuyên biệt cho từng nhiệm vụ cụ thể như:
1. Mô hình Nhận dạng Thực thể Được đặt tên (NER) để trích xuất các thực thể cụ thể cho việc lọc siêu dữ liệu.
2. Mô hình phát hiện và kiểm duyệt ảo giác để đảm bảo chất lượng và độ an toàn của câu trả lời cuối cùng.
RAG dựa trên mô hình là một ví dụ tuyệt vời về cách tiếp cận đa mô hình. Hệ thống này sử dụng nhiều tác nhân LLM hoạt động cùng nhau để giải quyết vấn đề. Các tác nhân này có thể có “hồ sơ” cụ thể (như tác nhân “lập trình viên” và tác nhân “kiểm thử”), phối hợp hành động và cung cấp phản hồi cho nhau để giải quyết các nhiệm vụ phức tạp, nhiều bước.
Tóm lại
Như chúng ta đã đề cập, Agentic RAG là một bước tiến lớn so với các hệ thống RAG truyền thống. Nó không còn tuân theo quy trình “tìm kiếm rồi đọc” đơn giản mà sử dụng các tác nhân AI để tạo ra quy trình làm việc thông minh hơn, linh hoạt hơn.
Sự thay đổi này có nghĩa là các tác nhân tự đưa ra quyết định ở mọi bước trong vòng đời thông tin. Trong giai đoạn lưu trữ, chúng có thể thông minh tìm ra cách lập chỉ mục thông tin, chọn chiến lược phân đoạn hoặc siêu dữ liệu tốt nhất để làm cho cơ sở tri thức hiệu quả hơn. Trong quá trình truy xuất, chúng hoạt động như một bộ định tuyến thông minh, chọn công cụ tốt nhất cho một truy vấn cụ thể, cho dù đó là cơ sở dữ liệu vector, cơ sở dữ liệu SQL hay tìm kiếm web trực tiếp. Cuối cùng, trong giai đoạn tạo ra kết quả, chúng không chỉ đưa ra câu trả lời mà còn có thể xem xét lại công việc của mình để đảm bảo tính chính xác, kích hoạt thêm các vòng tìm kiếm nếu câu trả lời đầu tiên chưa đủ tốt.
Như các ví dụ về quy trình làm việc n8n RAG đã chứng minh, những khả năng này không chỉ là lý thuyết mà còn là những công cụ thực tiễn bạn có thể sử dụng ngay hôm nay để xây dựng thế hệ ứng dụng AI mạnh mẽ và đáng tin cậy tiếp theo.
Tiếp theo là gì?
Bước tiếp theo là chuyển từ lý thuyết sang thực hành. Hãy suy nghĩ về dữ liệu của riêng bạn và những thách thức bạn đang gặp phải. Liệu một hệ thống tự động lựa chọn giữa cơ sở dữ liệu và tìm kiếm trên web có thể cải thiện kết quả của bạn không? Liệu việc điều chỉnh chiến lược truy xuất dựa trên truy vấn của người dùng có thể cung cấp câu trả lời phù hợp hơn không?
https://blog.n8n.io/agentic-rag/?_gl=1*1q4fcdd*_gcl_au*MjIyODI2NzEwLjE3Njc3NzY1NTM.*_ga*MTI1Nzg3MTY1OS4xNzY2MjAzOTM1*_ga_0SC4FF2FH9*czE3Njg2MjUzNzIkbzMkZzEkdDE3Njg2MjU1NTMkajU5JGwwJGgw
