Agentic RAG

Một lần tìm kiếm khó đáp ứng mọi câu hỏi nghiệp vụ

RAG (Retrieval-Augmented Generation – tạo sinh tăng cường truy xuất) tìm các tài liệu liên quan đến câu hỏi rồi tạo câu trả lời dựa trên nội dung đó (Lewis et al., 2020). Nhờ kết hợp thông tin nội bộ chưa công khai với kiến thức chung của AI, RAG đã được nhiều doanh nghiệp áp dụng.

Nếu chỉ tạo câu trả lời từ kết quả của một lần tìm kiếm, hệ thống có thể khó xử lý những câu hỏi cần đối chiếu nhiều tài liệu hoặc phải điều chỉnh điều kiện tìm kiếm giữa chừng.

• Câu hỏi cần kết hợp nhiều nguồn: Cần đối chiếu nhiều tài liệu, chẳng hạn tìm điểm khác nhau trong điều kiện bảo hành của sản phẩm A khi được phân phối qua đại lý tại khu vực B.
• Câu hỏi còn mơ hồ: Chỉ sau khi xem kết quả tìm kiếm đầu tiên mới biết cần tra cứu điều gì tiếp theo.
• Kết quả tìm kiếm chưa đủ: Hệ thống có thể vẫn tạo câu trả lời dù chỉ tìm thấy những tài liệu ít liên quan.

Các nghiên cứu chỉ ra rằng quy trình tìm kiếm và tạo câu trả lời đơn giản có thể thiếu linh hoạt cho những yêu cầu cần điều tra qua nhiều bước (Singh et al., 2025). Việc luôn tìm một số lượng tài liệu cố định, bất kể câu hỏi có cần hay không, cũng có thể làm giảm chất lượng câu trả lời (Asai et al., 2023).

Cách tiếp cận

Agentic RAG đưa AI agent vào quy trình RAG để agent tự lập kế hoạch, thực hiện và đánh giá việc tìm kiếm. Các nghiên cứu xem reflection, lập kế hoạch, sử dụng công cụ và phối hợp nhiều agent là những yếu tố cốt lõi (Singh et al., 2025). Những phương pháp như ReAct (Yao et al., 2023), luân phiên giữa suy luận và hành động, tạo nền tảng cho chu trình “suy nghĩ → tra cứu → xem kết quả rồi suy nghĩ lại”.

1. Hiểu câu hỏi và lập kế hoạch: Chia nhỏ câu hỏi, xác định cần biết điều gì để trả lời và nên tìm ở đâu.
2. Tìm kiếm: Chọn tìm kiếm vector, tìm kiếm đồ thị bằng knowledge graph hoặc tìm kiếm từ khóa tùy mục đích; khi cần, dùng thêm API bên ngoài hoặc công cụ tính toán.
3. Đánh giá: Kiểm tra kết quả tìm kiếm đã đủ để trả lời và có mâu thuẫn hay không.
4. Tra cứu lại: Nếu còn thiếu thông tin, thay đổi điều kiện hoặc cách diễn đạt rồi tìm kiếm lại.
5. Trả lời kèm căn cứ: Đưa nguồn tham chiếu để người đọc kiểm tra câu trả lời được rút ra từ tài liệu nào.

Giá trị kinh doanh

• Trả lời câu hỏi phức tạp

  Hỗ trợ xử lý câu hỏi cần đối chiếu nhiều tài liệu, nhiều điều kiện hoặc có trường hợp ngoại lệ.

• Tìm lại khi thông tin chưa đủ

  Đánh giá phần còn thiếu và tra cứu thêm thay vì trả lời khi chưa đủ căn cứ; nếu không thể trả lời, hệ thống có thể nêu rõ thông tin còn thiếu.

• Kiểm tra được căn cứ

  Lưu nguồn tham chiếu để người dùng xác minh tính phù hợp của câu trả lời.

• Giảm công sức tra cứu

  Agent thay người phụ trách thu thập thông tin bằng cách tra cứu qua nhiều hệ thống.

Lưu ý khi ứng dụng

• Việc tìm kiếm và đánh giá lặp lại làm tăng thời gian phản hồi và chi phí xử lý so với cách trả lời sau một lần tìm kiếm. Cần thiết kế giới hạn số vòng lặp và luồng xử lý một lần tìm kiếm tùy theo độ phức tạp của câu hỏi.
• Phạm vi công cụ và dữ liệu agent được phép sử dụng cần được giới hạn theo quyền của từng người dùng.

Sản phẩm liên quan

• AIKNOW

  Nền tảng tri thức sử dụng agentic RAG (AIKNOW 2.0, công bố tháng 6 năm 2025).

• AIKNOW Answer

  AI operator cân nhắc ngữ cảnh hội thoại và quy trình nghiệp vụ để quyết định hành động tiếp theo.

Tài liệu tham khảo

• Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arXiv:2005.11401. https://arxiv.org/abs/2005.11401
• Singh, A. et al. (2025). Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG. arXiv:2501.09136. https://arxiv.org/abs/2501.09136
• Asai, A. et al. (2023). Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection. arXiv:2310.11511. https://arxiv.org/abs/2310.11511
• Yao, S. et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023. arXiv:2210.03629. https://arxiv.org/abs/2210.03629