Dẫn nhập

Tôi đã ném một tệp PDF hướng dẫn sử dụng máy hút bụi dài 68 trang cho Claude Code và hỏi: "Hãy chỉ cho tôi cách vệ sinh bộ lọc". Sau khi thực hiện tìm kiếm trong giây lát, agent đã hiển thị hướng dẫn từng bước dưới dạng văn bản. Ngay bên dưới đó, hình ảnh sơ đồ tháo lắp từ sách hướng dẫn cũng được hiển thị kèm theo. Bản thân agent đã tự đưa ra quyết định rằng khi xử lý các thiết bị vật lý, hình ảnh có thể rõ ràng hơn nhiều so với chữ viết.

Làm thế nào mà một tài liệu dài 68 trang, vốn không thể nằm gọn trong phạm vi đọc của Agent trong một lần, lại có thể tìm ra chính xác thông tin tại đúng trang đó? Bí mật nằm ở Thế hệ tăng cường truy xuất (Retrieval-Augmented Generation, RAG).

Tìm kiếm tăng cường tạo (RAG) là gì

Các tác nhân AI luôn có những hạn chế cố hữu. Chúng không biết đến những thông tin không nằm trong dữ liệu đào tạo. Sổ tay nội bộ của công ty, biên bản cuộc họp được viết vào tuần trước, hay những bức ảnh hiện trường được chụp sáng nay — những dữ liệu này không hề tồn tại trong quá trình huấn luyện mô hình. Có một cách là đưa tất cả tài liệu vào phạm vi đọc trong một lần, nhưng nếu vượt quá hàng chục trang, mô hình sẽ chạm tới giới hạn số lượng token mà nó có thể xử lý.

Tạo kết hợp tìm kiếm là một cấu trúc giúp lách qua vấn đề này. Nó bao gồm ba bước.

Truy xuất (Retrieval) — Tìm kiếm thông tin liên quan đến câu hỏi của người dùng từ kho lưu trữ dữ liệu bên ngoài. Thay vì đọc toàn bộ tài liệu, hệ thống chỉ trích xuất các đoạn thông tin tương ứng với câu hỏi.

Tăng cường (Augmentation) — Thêm các mảnh dữ liệu đã tìm kiếm được vào prompt của agent. Giờ đây, agent có thể sử dụng các thông tin mà trước đó nó chưa hề biết như thể "vừa mới đọc được".

Khởi tạo (Generation) — Câu trả lời được tạo ra dựa trên ngữ cảnh đã được tăng cường. Khả năng suy luận của tác nhân kết hợp với dữ liệu bên ngoài sẽ tạo ra những phản hồi ở mức độ mà nếu đứng độc lập thì không thể thực hiện được.

[Hình 11-1] Ba giai đoạn của tạo lập kết hợp tìm kiếm: Tìm kiếm → Tăng cường → Tạo lập Lưu đồ]

Có thể ví việc này giống như một kỳ thi mở. Học sinh (agent) không cần phải học thuộc lòng tất cả các cuốn sách giáo khoa. Chỉ cần có thể lật mở đúng trang cần thiết trong quá trình làm bài là được. Tuy nhiên, khả năng nhanh chóng quyết định xem nên lật mở trang nào, cũng như khả năng kết hợp thông tin từ trang đó với kiến thức của bản thân để xây dựng câu trả lời, chính là phần việc của người học sinh.

Công nghệ quyết định "sẽ mở ra trang nào" trong việc tạo kết hợp tìm kiếm chính là Embedding.

Khái niệm Embedding

Embedding là quá trình chuyển đổi văn bản thành các vectơ số (Vector). Từ "vectơ" có vẻ mang tính toán học, nhưng cốt lõi của nó rất đơn giản. Đó là việc biểu diễn ý nghĩa của một câu dưới dạng một danh sách các con số.

Câu "Tôi muốn uống một tách cà phê" và câu "Tôi muốn gọi một ly cà phê latte" có các từ ngữ khác nhau. Tuy nhiên, ý nghĩa của chúng lại tương đồng. Mô hình nhúng (Embedding Model) sẽ chuyển đổi hai câu này thành các vectơ số gần giống nhau. Ngược lại, câu "Thị trường chứng khoán hôm nay đã giảm điểm" sẽ được chuyển đổi thành một vectơ hoàn toàn khác. Đó là bởi vì ý nghĩa của chúng khác nhau.

Khi đặt các vectơ này vào không gian đa chiều, các câu có ý nghĩa tương đồng sẽ được nhóm lại gần nhau và các câu có ý nghĩa khác biệt sẽ nằm cách xa nhau. Đây chính là Độ tương đồng về ngữ nghĩa (Semantic Similarity) Đây là nguyên lý của tìm kiếm dựa trên ngữ nghĩa (vector search). Khi người dùng đặt câu hỏi "Cách vệ sinh bộ lọc", câu hỏi này sẽ được chuyển đổi thành một vector, sau đó hệ thống sẽ tìm kiếm vector gần nhất trong số các vector của các đoạn văn bản đã được lưu trữ sẵn.

Ngay cả khi từ khóa không khớp chính xác, kết quả vẫn sẽ được tìm thấy nếu ý nghĩa tương đồng. Ngay cả khi bạn viết "quy trình vệ sinh khay hứng bụi", hệ thống vẫn có thể hiển thị câu trả lời cho "cách làm sạch bộ lọc".

[Hình 11-2] Trực quan hóa các câu tương đồng tạo thành các cụm trong không gian embedding]

Có thể tóm tắt lại vai trò của embedding trong quá trình tạo kết hợp tìm kiếm (search combination generation) như sau: Chia tài liệu thành các đoạn nhỏ (chunk). Đưa từng đoạn qua mô hình embedding để chuyển đổi thành vector. Lưu trữ các vector đã chuyển đổi vào cơ sở dữ liệu. Khi có câu hỏi, câu hỏi đó cũng được chuyển đổi thành vector. Tìm kiếm các vector gần nhất với vector câu hỏi trong số các vector đã lưu trữ và chuyển chúng cho agent.

Ứng dụng Google Gemini Multimodal Embedding

Cho đến đây là câu chuyện về văn bản. Tuy nhiên, dữ liệu trong thực tế không chỉ có mỗi văn bản. Trong sách hướng dẫn có bản vẽ tháo lắp, trong báo cáo hiện trường có đính kèm hình ảnh, và trong tài liệu đào tạo có bao gồm cả video.

Gemini Embedding 2 do Google ra mắt là một mô hình nhúng đa phương thức (Multimodal Embedding Model) có khả năng đặt văn bản, hình ảnh, video và âm thanh vào cùng một không gian vector.

Hãy cùng tìm hiểu những thay đổi mà mô hình này mang lại thông qua các ví dụ cụ thể.

Ví dụ về hướng dẫn sử dụng máy hút bụi — Nhúng toàn bộ tệp PDF 68 trang. Không chỉ các đoạn văn bản mà cả hình ảnh sơ đồ cũng được chuyển đổi thành vector. Khi bạn đặt câu hỏi về "Cách vệ sinh bộ lọc", hình ảnh sơ đồ tương ứng sẽ được trả về cùng với phần giải thích bằng văn bản. Bạn có thể xác nhận vị trí các linh kiện thông qua hình ảnh, điều mà nếu chỉ dùng văn bản sẽ rất khó nắm bắt.

Trường hợp công ty sửa chữa mái nhà — Đang nhúng 13 ảnh thi công trong quá khứ. Mỗi bức ảnh đều được liên kết với các siêu dữ liệu (Metadata) như chi phí, thời gian thực hiện và nhân sự tham gia. Khi bạn tải lên ảnh mái nhà mới, năm trường hợp thi công tương tự trong quá khứ sẽ được trả về cùng với điểm số tương đồng. Bạn có thể sử dụng chúng làm tài liệu tham khảo để tính toán báo giá.

[Hình 11-3] Không gian nhúng đa phương thức: Trực quan hóa 2D nơi văn bản, hình ảnh và video được sắp xếp dựa trên ngữ nghĩa]

Giá trị thực sự của embedding đa phương thức (multimodal embedding) nằm ở việc các loại dữ liệu khác nhau có thể cùng tồn tại trong một không gian chung. Một bức ảnh khoai tây chiên mặt cười sẽ được đặt vào danh mục "thực phẩm", một video chú chó đang chơi guitar sẽ vào danh mục "giải trí", và một video sử dụng Claude Code sẽ vào danh mục "công nghệ". Dù loại dữ liệu có khác biệt, AI vẫn nắm bắt được ý nghĩa để đặt chúng vào đúng vị trí. Nếu tất cả dữ liệu đều là ảnh mái nhà, chúng sẽ được tự động phân loại thành các danh mục chi tiết như: thiệt hại do lũ lụt, sự xuống cấp hay lỗi cấu trúc.

Tính đến thời điểm hiện tại, video được hỗ trợ là các tệp MP4 hoặc MOV có thời lượng dưới 120 giây, và hình ảnh có thể xử lý tối đa 6 tệp PNG hoặc JPEG cho mỗi yêu cầu. Âm thanh cũng được hỗ trợ, và đối với âm thanh, độ chính xác của tìm kiếm sẽ tăng lên nếu bạn cung cấp kèm theo siêu dữ liệu (metadata) mô tả chính xác.

Thực hành liên kết kho lưu trữ dữ liệu dựa trên ý nghĩa Pinecone

Bạn cần phải có khả năng lưu trữ và tìm kiếm các vector đã được nhúng ở một nơi nào đó. Kho lưu trữ đó chính là cơ sở dữ liệu vector (Vector Database), và Pinecone là một trong những dịch vụ cơ sở dữ liệu vector được sử dụng rộng rãi nhất.

Luồng thực hành tổng thể như sau.

Bước 1: Chuẩn bị môi trường

Tạo một thư mục mới trong VS Code và mở mã nguồn Claude. Chuyển sang Chế độ lập kế hoạch (Plan Mode), sau đó đưa ra chỉ thị cho agent như sau.

"Hãy tạo một hệ thống lưu trữ và tìm kiếm văn bản, hình ảnh, video trong kho lưu trữ dữ liệu dựa trên ngữ nghĩa của Pinecone bằng cách sử dụng mô hình embedding 2 mới của Google Gemini. Hãy tạo các vị trí cho Pinecone API key, Gemini API key và OpenRouter API key trong tệp .env."

Agent thiết kế cấu trúc dự án, sắp xếp danh sách các phụ thuộc và đưa ra kế hoạch theo từng bước.

Bạn cần ba mã API key. Pinecone được sử dụng để truy cập kho lưu trữ vector, Gemini để gọi mô hình embedding, và OpenRouter để sử dụng mô hình chat (dùng để tạo câu trả lời). Bạn có thể bắt đầu với gói miễn phí (starter plan) của Pinecone, mã API Gemini có thể được cấp từ Google AI Studio, và OpenRouter là dịch vụ cho phép bạn truy cập nhiều mô hình khác nhau thông qua một API duy nhất.

Bước 2: Nhúng dữ liệu (Data Embedding)

.env Nhập ba mã khóa vào tệp và lưu lại. data Cho các tệp cần nhúng vào thư mục. Bạn có thể để lẫn lộn các tệp văn bản, hình ảnh và video. Khi bạn nói với Agent rằng "Dữ liệu đã sẵn sàng, hãy đưa vào Pinecone giúp tôi", Agent sẽ tạo chỉ mục (index) trong Pinecone, sau đó thực hiện nhúng và lưu trữ từng tệp.

Trong quá trình này, việc mà agent thực hiện là tự động nhận diện loại của từng tệp và áp dụng phương pháp embedding phù hợp. Văn bản được chia thành các chunk để embedding, hình ảnh được chuyển đổi ý nghĩa thị giác thành vector, và video được phân tích các khung hình cùng âm thanh để chuyển đổi thành vector.

[Hình 11-4] Pipeline thực hành: File gốc → Mô hình embedding → Chỉ mục Pinecone]

Bước 3: Xây dựng giao diện trò chuyện

Yêu cầu Agent: "Hãy tạo cho tôi một ứng dụng web chat có thể kiểm chứng ngay trên máy tính của tôi". Agent sẽ xây dựng ứng dụng web và chạy trên máy chủ cục bộ (localhost) của tôi. Khi bạn nhập câu hỏi vào trình duyệt, nó sẽ tìm kiếm các vector liên quan từ Pinecone và tạo ra câu trả lời dựa trên kết quả tìm kiếm đó.

Khi thực hiện kiểm chứng thực tế, nếu bạn hỏi "Làm thế nào để tìm kiếm khách hàng cho workflow?", hệ thống sẽ tìm kiếm nội dung liên quan trong tệp văn bản để trả lời. Nếu bạn yêu cầu "Cho tôi xem video chú chó Golden Retriever đang chơi đàn guitar", hệ thống sẽ tìm kiếm metadata của video đó và phát video ngay trong dòng văn bản.

Bước 4: Cải tiến lặp lại

Kết quả đầu tiên có thể không hoàn hảo. Hình ảnh có thể không được trả về hoặc mô tả video có thể chưa đầy đủ. Khi đó, nếu bạn giải thích vấn đề với agent, nó sẽ bổ sung thêm metadata hoặc chỉnh sửa ứng dụng. Nếu bạn yêu cầu "Hãy thêm mô tả tốt hơn cho video và thực hiện embedding lại", nó sẽ xóa các vector cũ và lưu trữ mới cùng với metadata đã được cải thiện.

Toàn bộ quá trình này diễn ra trong vòng chưa đầy 30 phút. Để xây dựng một kho lưu trữ vector đa phương thức (multimodal vector store) tương tự bằng các công cụ không cần viết code như n8n, bạn sẽ phải mất từ vài giờ đến vài ngày. Đó là bởi vì bạn phải tự cấu hình thủ công tất cả mọi thứ, từ thiết kế chiến lược phân đoạn (chunking), thiết lập phương thức chụp và lưu trữ hình ảnh, cho đến định dạng kết quả tìm kiếm. Claude Code xử lý toàn bộ quá trình này chỉ bằng các chỉ dẫn bằng ngôn ngữ tự nhiên.

Sự thay đổi mà việc kết hợp Tìm kiếm và Tạo (Search-Augmented Generation) mang lại cho quy trình làm việc của Agent

Một tác nhân không có khả năng kết hợp tìm kiếm sẽ chỉ trả lời trong phạm vi mà nó đã được học. Nó chỉ tham khảo những thông tin nằm trong phạm vi đọc được cùng một lúc. Thế giới bên ngoài phạm vi đó giống như không hề tồn tại.

Các agent được trang bị khả năng tạo kết hợp tìm kiếm (Search-Augmented Generation) hoàn toàn khác biệt. Chúng có thể đọc được cuốn hướng dẫn dày 68 trang của công ty. Chúng có thể tìm kiếm trong kho lưu trữ hàng trăm bức ảnh thi công. Chúng có thể tìm ra bối cảnh của một quyết định cụ thể từ biên bản cuộc họp của quý trước. Phạm vi kiến thức của agent vượt ra ngoài ranh giới của dữ liệu đào tạo, mở rộng tới toàn bộ dữ liệu mà tổ chức đang sở hữu.

Trong quy trình làm việc của agent, việc tạo kết hợp tìm kiếm được sử dụng cho nhiều kịch bản khác nhau.

Tự động hóa hỗ trợ khách hàng — Bằng cách nhúng hướng dẫn sử dụng sản phẩm và FAQ, hệ thống sẽ tạo ra các câu trả lời có tham chiếu chính xác đến các trang và hình ảnh tương ứng cho câu hỏi của khách hàng. Hệ thống cũng có thể trả lời câu hỏi "Trước đây đã có yêu cầu tương tự chưa?" bằng cách tìm kiếm trong lịch sử các ticket cũ.

Quản lý kiến thức nội bộ — Nhúng các tài liệu dự án, nhật ký quyết định và hướng dẫn thương hiệu của nhóm. Khi một thành viên mới hỏi "Quy tắc sử dụng logo của công ty chúng ta là gì?", hệ thống sẽ tìm phần tương ứng trong hướng dẫn thương hiệu để trả lời.

Trợ lý nghiên cứu — Nhúng các luận văn, báo cáo và tài liệu nghiên cứu thị trường. Khi bạn hỏi "Xu hướng gần đây của lĩnh vực này là gì?", hệ thống sẽ tìm kiếm các tài liệu liên quan và tạo ra bản tóm tắt. Vì cung cấp kèm theo nguồn gốc và điểm tin cậy, bạn hoàn toàn có thể kiểm chứng sự thật.

[Hình 11-5] Biểu đồ so sánh phạm vi kiến thức của Agent trước và sau khi áp dụng tạo kết hợp tìm kiếm]

Điều quan trọng ở đây là vai trò của chuyên môn về lĩnh vực (Subject Matter Expertise). Thay vì khả năng kỹ thuật trong việc xây dựng quy trình tạo kết hợp tìm kiếm (Retrieval-Augmented Generation pipeline), việc giải thích dữ liệu nào và như thế nào mới là yếu tố quyết định chất lượng kết quả. Như đã thấy trong trường hợp sửa chữa mái nhà, nếu siêu dữ liệu (metadata) đi kèm với hình ảnh nghèo nàn, thì kết quả tìm kiếm cũng sẽ nghèo nàn theo.

Hiệu quả tìm kiếm của một bức ảnh đi kèm với mô tả "Đây là trường hợp mái ngói nhựa asphalt 10 năm tuổi bị hư hại do mưa đá, chi phí sửa chữa là 4,5 triệu won và thời gian thực hiện là 3 ngày" sẽ ở một đẳng cấp hoàn toàn khác so với một bức ảnh chỉ được gắn thẻ là "Ảnh mái nhà".

Giá trị của năng lực triển khai kỹ thuật đang dần giảm đi. Tôi đã chứng kiến Claude Code xây dựng một pipeline chỉ trong 30 phút, việc mà trước đây phải mất vài ngày trên n8n. Các chi tiết kỹ thuật như cấu trúc thân JSON và thiết lập các yêu cầu HTTP hiện đã có các agent xử lý. Ngược lại, khả năng mô tả quy trình một cách rõ ràng, khả năng diễn giải chính xác ý nghĩa của dữ liệu, và khả năng phát hiện cũng như chỉ ra các lỗ hổng một cách tường minh vẫn là lãnh địa của con người.

Việc cung cấp trí nhớ dài hạn cho agent thực chất là việc kết nối với một cơ sở dữ liệu. Vậy thì, hãy cùng tìm hiểu cách để truyền tải cho agent những kỹ năng thuần thục có thể thực hiện lặp đi lặp lại. Đó là những khuôn mẫu hành vi có thể tái sử dụng, một khi đã được dạy thì có thể thực hiện với cùng một chất lượng vào bất cứ lúc nào.