Chào các bạn! Trong quá trình giảng dạy và triển khai các dự án Trí tuệ nhân tạo (AI) cho doanh nghiệp, mình nhận thấy một bài toán rất phổ biến: RAG truyền thống (Naive RAG) đang dần chạm trần hiệu năng khi đối mặt với dữ liệu phức tạp. Để giải quyết vấn đề này, hai kiến trúc tiên tiến là GraphRAG và Agentic RAG đã ra đời, mở ra kỷ nguyên mới cho việc truy xuất và tổng hợp tri thức của các Mô hình Ngôn ngữ Nhỏ & Lớn (LLM).
Hôm nay, hãy cùng mình phân tích sâu về bản chất kỹ thuật, sự khác biệt và lý do tại sao bộ đôi này lại đang tạo nên cơn sốt trong cộng đồng MLOps và AI Engineering nhé!
Mục lục bài viết
1. Thách thức lớn của RAG truyền thống (Naive RAG)
Hệ thống Naive RAG hoạt động dựa trên cơ chế phân đoạn tài liệu (chunking), tạo vector embedding và tìm kiếm độ tương đồng Cosine (Cosine Similarity). Mô hình này rất hiệu quả cho các câu hỏi tra cứu điểm (point lookup), nhưng lại thất bại trong hai kịch bản cốt lõi:
- Truy vấn tổng quan (Global Queries): Ví dụ câu hỏi: "Chủ đề chính của toàn bộ 1,000 báo cáo tài chính năm qua là gì?". Naive RAG không thể trả lời vì nó chỉ trích xuất các đoạn nhỏ có độ tương đồng cao nhất chứ không thể tổng hợp bức tranh tổng thể.
- Suy luận đa bước (Multi-hop Reasoning): Nếu thông tin câu trả lời nằm ở Chunk A và Chunk Z có mối quan hệ bắc cầu, vector search thông thường rất dễ bỏ sót mối liên kết này.
2. GraphRAG: Khai phá sức mạnh của Đồ thị tri thức (Knowledge Graph)
Được đề xuất bởi Microsoft Research, GraphRAG kết hợp khả năng biểu diễn của Đồ thị tri thức (Knowledge Graph - KG) với các thuật toán phân cụm cộng đồng (Community Detection như Leiden algorithm).
Quy trình hoạt động của GraphRAG bao gồm:
- Entity & Relation Extraction: Dùng LLM để trích xuất các thực thể (Entities), mối quan hệ (Relationships) và văn bản mô tả từ dữ liệu đầu vào.
- Graph Construction & Clustering: Xây dựng đồ thị và phân cụm đồ thị thành các phân vùng tri thức từ thô đến mịn.
- Community Summarization: LLM tạo bản tóm tắt trước cho từng cụm cộng đồng. Khi người dùng đặt câu hỏi mang tính toàn cục, hệ thống chỉ cần truy vấn các bản tóm tắt cụm này để tổng hợp câu trả lời chính xác vượt trội.
3. Agentic RAG: Đưa tư duy đại lý (Agentic workflow) vào truy xuất
Khác với GraphRAG tập trung vào cấu trúc dữ liệu, Agentic RAG lại tập trung vào quy trình xử lý thông minh (Control Flow). Thay vì một đường ống tuyến tính (Input → Embed → Retrieve → Generate), Agentic RAG biến đường ống thành các AI Agent có khả năng:
- Routing (Định tuyến linh hoạt): Quyết định xem câu hỏi của người dùng nên được chuyển đến Vector Database, Graph Database hay cần gọi API bên ngoài.
- Self-Correction (Tự sửa lỗi): Agent kiểm tra kết quả truy xuất (Relevance check). Nếu thông tin thu được chưa đủ hoặc nhiễu, Agent sẽ tự động lập kế hoạch lại (Re-planning) và thực hiện lại truy vấn với từ khóa tối ưu hơn.
- Multi-document Co-reasoning: Sử dụng các Agent chuyên biệt để làm việc trên nhiều nguồn tài liệu khác nhau trước khi tổng hợp kết quả cuối cùng.
4. Bảng so sánh toàn diện các kiến trúc RAG
| Tiêu chí | Naive RAG | GraphRAG | Agentic RAG |
|---|---|---|---|
| Khả năng suy luận đa bước | Kém | Rất cao (nhờ đường nối đồ thị) | Xuất sắc (nhờ vòng lặp suy luận) |
| Tổng hợp dữ liệu toàn cục | Không thể | Rất tốt (nhờ cụm cộng đồng) | Trung bình - Khá |
| Chi phí tính toán & Tốc độ | Rất nhanh, rẻ | Đắt đỏ lúc Indexing ban đầu | Tốn chi phí Token cho vòng lặp LLM |
| Trường hợp sử dụng tối ưu | Hỏi đáp văn bản ngắn, FAQ | Phân tích hồ sơ lớn, Enterprise KG | Ứng dụng AI đa bước phức tạp, Tra cứu đa nguồn |
Theo quan điểm của mình, xu hướng công nghệ năm 2025 sẽ không phải là lựa chọn 1 trong 2, mà là sự kết hợp Agentic GraphRAG — nơi Agent thông minh đóng vai trò điều phối việc truy vấn trên các cấu trúc Knowledge Graph phức tạp.
5. Tài liệu tham khảo & Nguồn trích dẫn
- Microsoft Research (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization. arXiv:2404.16130.
- LlamaIndex Documentation. Building Agentic RAG with LlamaIndex Systems.
- LangChain Blog. Reflective Agentic Patterns in Retrieval Systems.