RAG là gì? Cách giúp AI Marketing trả lời dựa trên dữ liệu doanh nghiệp

RAG là gì? RAG (Retrieval-Augmented Generation — sinh câu trả lời có tăng cường truy xuất) là cách để mô hình ngôn ngữ trả lời dựa trên tài liệu của doanh nghiệp thay vì chỉ dựa trên kiến thức chung nó đã học: trước khi trả lời, hệ thống tìm các đoạn tài liệu liên quan tới câu hỏi, đưa chúng vào ngữ cảnh, rồi yêu cầu mô hình viết câu trả lời bám theo những đoạn đó.

Bài này tập trung vào cơ chế: truy xuất diễn ra thế nào, câu trả lời được sinh ra ra sao, và mỗi mắt xích có thể hỏng ở đâu. Việc chuẩn bị và giữ cho kho tài liệu đúng theo thời gian — nguồn, phiên bản, người sở hữu, vòng đời — được bàn kỹ ở bài AI Knowledge Base là gì. Hai bài bổ sung cho nhau: kho tốt mà truy xuất kém thì AI vẫn trả lời sai, và ngược lại.

RAG hoạt động thế nào: hai giai đoạn

Giai đoạn chuẩn bị: lập chỉ mục

1. Cắt đoạn (chunking): mỗi tài liệu được chia thành các đoạn vừa đủ ngắn để đưa vào ngữ cảnh, vừa đủ dài để giữ trọn một ý.
2. Tạo embedding: mỗi đoạn được chuyển thành một vector — một dãy số biểu diễn ý nghĩa, sao cho các đoạn nói về cùng một chuyện có vector gần nhau.
3. Lưu kèm metadata: vector được lưu trong cơ sở dữ liệu vector cùng thông tin như tên tài liệu, mục, ngày hiệu lực, trạng thái.

Giai đoạn trả lời: truy xuất rồi sinh

1. Biến câu hỏi thành vector bằng cùng cách tạo embedding.
2. Tìm kiếm ngữ nghĩa: lấy các đoạn có vector gần nhất với câu hỏi. Nhiều hệ thống kết hợp thêm tìm theo từ khoá để bắt đúng mã sản phẩm, tên riêng, con số.
3. Lọc và xếp hạng: loại đoạn không thoả điều kiện metadata (hết hiệu lực, sai chi nhánh), sắp lại để đoạn liên quan nhất lên đầu.
4. Tăng cường ngữ cảnh: ghép các đoạn được chọn vào lời nhắc, kèm chỉ dẫn “chỉ trả lời dựa trên các đoạn sau, nói rõ khi không đủ thông tin”.
5. Sinh câu trả lời: mô hình viết câu trả lời và, nếu được yêu cầu, chỉ ra đoạn nào làm căn cứ.

Điểm mấu chốt: mô hình không “nhớ” tài liệu của bạn. Mỗi lần hỏi, nó chỉ thấy vài đoạn được truy xuất. Nếu đoạn đúng không được lấy lên, mô hình không có cách nào biết — và có thể lấp chỗ trống bằng kiến thức chung, dẫn tới AI hallucination.

RAG, fine-tune và dán tài liệu vào khung chat

Vì sao doanh nghiệp nhỏ thường chọn RAG thay vì fine-tune được giải thích thêm ở bài cách đào tạo AI hiểu doanh nghiệp.

Quy trình thiết lập một hệ thống RAG 6 bước

Bước 1. Xác định câu hỏi hệ thống phải trả lời

Viết ra 20–30 câu hỏi thật mà đội marketing và bán hàng hay phải tra: “gói niềng răng trong suốt gồm những gì?”, “chương trình giảm giá tháng này áp dụng cho chi nhánh nào?”, “khoá IELTS cam kết đầu ra thế nào?”. Danh sách này quyết định cần đưa tài liệu nào vào kho, cần metadata gì để lọc, và sau này dùng làm bộ đề kiểm tra. Hệ thống không cần trả lời mọi thứ; nó cần trả lời đúng những câu quan trọng.

Bước 2. Chuẩn hoá tài liệu và metadata

Truy xuất chỉ tốt bằng văn bản đầu vào. Tài liệu scan thành ảnh, bảng giá dạng hình chụp, file có nhiều phiên bản trùng tên đều làm hỏng kết quả. Mỗi tài liệu nên có tiêu đề rõ, ngày hiệu lực, phạm vi áp dụng và trạng thái — đây là metadata để bước lọc loại bản cũ. Cách tổ chức và giữ kho đúng theo thời gian xem ở bài về AI Knowledge Base.

Bước 3. Chia đoạn theo cấu trúc nội dung

Cắt theo cấu trúc tự nhiên của tài liệu — mục, tiểu mục, một dòng bảng giá — thay vì cắt máy móc theo số ký tự. Một đoạn tốt đọc riêng vẫn hiểu được: đoạn “Giá: 6.900.000đ” đứng một mình là vô nghĩa, còn “Gói niềng răng mắc cài kim loại, áp dụng từ tháng 9: 6.900.000đ” thì đủ ngữ cảnh. Với tài liệu dài, có thể gắn thêm tên tài liệu và tên mục vào đầu mỗi đoạn để giữ bối cảnh.

Bước 4. Thiết lập truy xuất và xếp hạng

Quyết định lấy bao nhiêu đoạn mỗi lần hỏi: quá ít dễ sót, quá nhiều làm loãng ngữ cảnh và tăng khả năng mô hình dùng nhầm đoạn. Dùng metadata để lọc trước khi xếp hạng — chỉ lấy tài liệu còn hiệu lực, đúng thị trường, đúng chi nhánh. Nếu câu hỏi hay chứa mã sản phẩm hoặc tên riêng, kết hợp tìm theo từ khoá với tìm kiếm ngữ nghĩa. Ghi lại những đoạn đã được lấy cho mỗi câu hỏi để khi sai còn biết sai ở truy xuất hay ở bước sinh.

Bước 5. Yêu cầu trích nguồn trong đầu ra

Chỉ dẫn cho mô hình: chỉ dùng thông tin trong các đoạn được cung cấp, nêu tài liệu hoặc mục đã dùng, và nói rõ “tài liệu hiện có không đề cập” khi không tìm thấy. Trích nguồn giúp người đọc kiểm tra nhanh và giúp phát hiện khi mô hình tự thêm thông tin. Cũng cần coi nội dung tài liệu là dữ liệu, không phải mệnh lệnh: một tài liệu chứa câu kiểu “bỏ qua hướng dẫn trước đó” có thể điều khiển mô hình — rủi ro prompt injection được mô tả trong OWASP Top 10 cho ứng dụng LLM.

Bước 6. Đánh giá độ đúng bằng bộ câu hỏi thực tế

Dùng lại danh sách ở Bước 1, viết sẵn đáp án đúng và nguồn đúng cho từng câu. Chấm riêng hai phần: truy xuất có lấy lên đoạn chứa đáp án không, và câu trả lời có đúng, đủ, không thêm thắt không. Chạy lại bộ câu hỏi mỗi khi thay tài liệu lớn hoặc đổi cách cắt đoạn. Thêm vào bộ đề mọi câu hỏi thật từng bị trả lời sai.

Ví dụ thực hành: trợ lý nội bộ tra chính sách giá

Ví dụ giả định: một phòng khám nha có ba chi nhánh dùng trợ lý AI nội bộ để nhân viên marketing soạn trả lời bình luận và bài đăng. Câu hỏi: “Tháng này gói tẩy trắng răng có ưu đãi không?”. Kho có bảng giá quý trước, bảng giá mới và thông báo khuyến mãi riêng cho chi nhánh trung tâm.

Nhân viên vẫn đối chiếu với tài liệu được trích trước khi đăng. RAG làm câu trả lời có căn cứ hơn và dễ kiểm tra hơn, không làm việc kiểm tra trở nên thừa.

RAG làm được gì và không làm được gì

Sai lầm thường gặp

• Đổ cả thư mục vào kho mà không lọc bản trùng, bản cũ, bản nháp.
• Cắt đoạn theo độ dài cố định, làm mất liên kết giữa con số và thứ nó mô tả.
• Chỉ đánh giá câu trả lời cuối mà không xem đoạn nào được truy xuất, nên không biết sửa ở đâu.
• Không cho phép AI nói “không biết”, buộc nó lấp chỗ trống bằng phỏng đoán.
• Đưa dữ liệu cá nhân của khách vào kho chỉ để tiện, khiến chúng có thể xuất hiện trong câu trả lời cho người không có quyền xem. Ai được đưa gì vào kho nên là quy tắc rõ ràng — xem data governance cho AI Marketing.

Câu hỏi thường gặp