ai-agents-for-beginners

Agentic RAG

(Nhấn vào hình trên để xem video bài học này)

Agentic RAG

Bài học này cung cấp tổng quan toàn diện về Agentic Retrieval-Augmented Generation (Agentic RAG), một mô hình AI mới nổi nơi các mô hình ngôn ngữ lớn (LLM) tự động lập kế hoạch các bước tiếp theo trong khi tra cứu thông tin từ các nguồn bên ngoài. Khác với mẫu tra cứu-tự đọc tĩnh, Agentic RAG bao gồm các lệnh gọi lặp đi lặp lại tới LLM, xen kẽ với các lệnh gọi công cụ hoặc chức năng và các đầu ra có cấu trúc. Hệ thống đánh giá kết quả, tinh chỉnh truy vấn, gọi thêm công cụ nếu cần và tiếp tục chu trình này cho đến khi đạt được giải pháp thỏa mãn.

Giới thiệu

Bài học này sẽ bao gồm

Mục tiêu học tập

Sau khi hoàn thành bài học này, bạn sẽ biết cách/hiểu:

Agentic RAG là gì?

Agentic Retrieval-Augmented Generation (Agentic RAG) là một mô hình AI mới nổi trong đó các mô hình ngôn ngữ lớn (LLM) tự động lập kế hoạch các bước tiếp theo trong khi tra cứu thông tin từ các nguồn bên ngoài. Khác với mẫu tra cứu-tự đọc tĩnh, Agentic RAG bao gồm các lệnh gọi lặp lại tới LLM, xen kẽ với các lệnh gọi công cụ hoặc chức năng và các đầu ra có cấu trúc. Hệ thống đánh giá kết quả, tinh chỉnh truy vấn, gọi thêm công cụ nếu cần và tiếp tục chu trình cho đến khi đạt được giải pháp thỏa mãn. Phong cách “maker-checker” lặp lại này cải thiện độ chính xác, xử lý truy vấn bị lỗi và đảm bảo kết quả chất lượng cao.

Hệ thống chủ động kiểm soát quy trình suy luận của mình, viết lại truy vấn thất bại, chọn phương pháp tra cứu khác nhau và tích hợp nhiều công cụ—chẳng hạn như tìm kiếm vector trong Azure AI Search, cơ sở dữ liệu SQL hoặc API tùy chỉnh—trước khi hoàn thiện câu trả lời. Đặc tính nổi bật của hệ thống agentic là khả năng tự chủ quy trình suy luận. Các triển khai RAG truyền thống dựa vào các con đường được định nghĩa trước, nhưng hệ thống agentic tự xác định chuỗi bước dựa trên chất lượng thông tin thu thập được.

Định nghĩa Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) là một mô hình AI mới nổi, trong đó các LLM không chỉ tra cứu thông tin từ các nguồn dữ liệu bên ngoài mà còn tự động lập kế hoạch bước tiếp theo. Khác với mẫu tra cứu-tự đọc tĩnh hoặc chuỗi lệnh prompt được viết kỹ lưỡng, Agentic RAG bao gồm vòng lặp các lệnh gọi lặp lại tới LLM, xen kẽ với gọi công cụ hoặc chức năng và đầu ra có cấu trúc. Ở mỗi bước, hệ thống đánh giá kết quả đạt được, quyết định có cần tinh chỉnh truy vấn không, gọi thêm công cụ nếu cần và tiếp tục chu trình cho đến khi đạt giải pháp thỏa đáng.

Phong cách vận hành “maker-checker” lặp lại này nhằm nâng cao độ chính xác, xử lý các truy vấn bị lỗi với cơ sở dữ liệu có cấu trúc (ví dụ NL2SQL), và đảm bảo kết quả cân bằng, chất lượng cao. Thay vì chỉ dựa vào chuỗi prompt được xây dựng kỹ, hệ thống chủ động kiểm soát quy trình suy luận của mình. Nó có thể viết lại truy vấn thất bại, chọn phương pháp tra cứu khác và tích hợp nhiều công cụ—như tìm kiếm vector trong Azure AI Search, cơ sở dữ liệu SQL hoặc API tùy chỉnh—trước khi hoàn thiện câu trả lời. Điều này loại bỏ nhu cầu về các khung điều phối phức tạp. Thay vào đó, một vòng lặp tương đối đơn giản như “gọi LLM → dùng công cụ → gọi LLM → …” có thể tạo ra đầu ra tinh vi và vững chắc.

Agentic RAG Core Loop

Sở hữu quy trình suy luận

Đặc điểm làm nên sự “agentic” của hệ thống là khả năng tự chủ quy trình suy luận. Các triển khai RAG truyền thống thường phụ thuộc vào con người định sẵn lộ trình cho mô hình: một chuỗi suy nghĩ xác định lúc nào lấy dữ liệu gì. Nhưng khi hệ thống thật sự agentic, nó sẽ tự mình quyết định cách tiếp cận vấn đề. Nó không chỉ thực thi kịch bản; mà tự động xác định chuỗi bước dựa trên chất lượng thông tin tìm thấy. Ví dụ, nếu được yêu cầu tạo chiến lược ra mắt sản phẩm, nó không chỉ dựa vào prompt ghi chi tiết chu trình nghiên cứu và quyết định. Thay vào đó, mô hình agentic sẽ tự quyết định:

  1. Thu thập báo cáo xu hướng thị trường hiện tại bằng cách sử dụng Bing Web Grounding
  2. Xác định dữ liệu đối thủ liên quan qua Azure AI Search.
  3. Liên kết các chỉ số bán hàng nội bộ theo lịch sử qua Azure SQL Database.
  4. Tổng hợp các phát hiện thành chiến lược gắn kết được điều phối bởi Azure OpenAI Service.
  5. Đánh giá chiến lược tìm lỗ hổng hoặc mâu thuẫn, yêu cầu truy xuất dữ liệu thêm nếu cần. Tất cả các bước này—tinh chỉnh truy vấn, chọn nguồn, lặp lại cho tới khi “hài lòng” với câu trả lời—đều do mô hình quyết định, không phải do con người lập kịch bản trước.

Vòng lặp lặp lại, tích hợp công cụ và bộ nhớ

Tool Integration Architecture

Một hệ thống agentic dựa vào mẫu tương tác vòng lặp:

Qua thời gian, điều này tạo cảm giác hiểu biết tiến triển, cho phép mô hình xử lý các tác vụ phức tạp, nhiều bước mà không cần con người thường xuyên can thiệp hay chỉnh sửa prompt.

Xử lý các chế độ lỗi và tự sửa lỗi

Quyền tự chủ của Agentic RAG cũng gồm cơ chế tự sửa lỗi vững chắc. Khi hệ thống gặp bế tắc—như lấy tài liệu không liên quan hay truy vấn bị lỗi—nó có thể:

Phương pháp lặp lại và linh hoạt này cho phép mô hình cải thiện liên tục, đảm bảo không chỉ đơn thuần là hệ thống một lần mà là hệ thống học từ sai sót trong một phiên làm việc.

Self Correction Mechanism

Ranh giới của quyền tự chủ

Dù có tính tự chủ trong phạm vi nhiệm vụ, Agentic RAG không tương đương với Trí tuệ Nhân tạo Tổng quát. Khả năng “agentic” của nó giới hạn trong công cụ, nguồn dữ liệu và chính sách do nhà phát triển con người cung cấp. Nó không thể tự tạo công cụ riêng hoặc vượt ra ngoài ranh giới miền được thiết lập. Thay vào đó, nó nổi trội trong việc phối hợp động các nguồn lực hiện có. Sự khác biệt chính so với các dạng AI tiên tiến hơn gồm:

  1. Tự chủ theo miền cụ thể: Hệ thống Agentic RAG tập trung đạt mục tiêu do người dùng xác định trong phạm vi miền biết trước, sử dụng chiến lược như viết lại truy vấn hoặc chọn công cụ để cải thiện kết quả.
  2. Phụ thuộc vào hạ tầng: Khả năng của hệ thống phụ thuộc vào công cụ và dữ liệu được các nhà phát triển tích hợp. Nó không thể vượt ngoài những giới hạn này nếu không có sự can thiệp của con người.
  3. Tôn trọng các giới hạn bảo vệ: Các hướng dẫn đạo đức, quy định tuân thủ và chính sách doanh nghiệp rất quan trọng. Sự tự do của agent luôn bị giới hạn bởi các biện pháp an toàn và cơ chế giám sát (hy vọng là vậy)

Các trường hợp sử dụng thực tế và giá trị

Agentic RAG phát huy mạnh trong các tình huống yêu cầu tinh chỉnh và độ chính xác lặp đi lặp lại:

  1. Môi trường ưu tiên độ chính xác: Trong kiểm tra tuân thủ, phân tích quy định hay nghiên cứu pháp lý, mô hình agentic liên tục xác minh sự kiện, tham khảo đa nguồn và viết lại truy vấn cho tới khi có câu trả lời được kiểm chứng kỹ lưỡng.
  2. Tương tác cơ sở dữ liệu phức tạp: Khi làm việc với dữ liệu có cấu trúc mà truy vấn thường xuyên thất bại hoặc cần điều chỉnh, hệ thống có thể tự động tinh chỉnh truy vấn sử dụng Azure SQL hoặc Microsoft Fabric OneLake, đảm bảo kết quả truy xuất phù hợp ý định người dùng.
  3. Quy trình làm việc mở rộng: Các phiên làm việc kéo dài có thể phát triển khi thông tin mới xuất hiện. Agentic RAG liên tục cập nhật dữ liệu mới, thay đổi chiến lược khi hiểu rõ hơn về vấn đề.

Quản trị, minh bạch và tin cậy

Khi các hệ thống này tự chủ hơn trong suy luận, quản trị và minh bạch trở nên rất quan trọng:

Việc có công cụ ghi lại rõ ràng các hành động là cần thiết. Nếu không, việc gỡ lỗi quy trình nhiều bước sẽ rất khó khăn. Xem ví dụ dưới đây từ Literal AI (công ty phát triển Chainlit) cho một lần chạy Agent:

AgentRunExample

Kết luận

Agentic RAG đại diện cho bước tiến tự nhiên trong cách các hệ thống AI xử lý các tác vụ phức tạp, dữ liệu cường độ cao. Bằng cách áp dụng mô hình tương tác vòng lặp, tự chọn công cụ và tinh chỉnh truy vấn cho đến khi đạt kết quả chất lượng cao, hệ thống vượt ra khỏi khuôn khổ theo prompt tĩnh thành người quyết định thích nghi và nhận thức ngữ cảnh tốt hơn. Dù vẫn bị giới hạn bởi hạ tầng do con người định nghĩa và hướng dẫn đạo đức, các khả năng agentic này cho phép tương tác AI phong phú hơn, linh hoạt hơn và hữu ích hơn cho cả doanh nghiệp và người dùng cuối.

Bạn còn câu hỏi nào về Agentic RAG?

Tham gia Microsoft Foundry Discord để gặp gỡ các học viên khác, tham dự giờ làm việc và được giải đáp thắc mắc về AI Agent.

Tài nguyên bổ sung

Bài báo học thuật

Kiểm tra nhanh Tác nhân này (Tùy chọn)

Sau khi bạn học cách triển khai các tác nhân trong Bài học 16, bạn có thể kiểm tra nhanh TravelRAGAgent của bài học này — kiểm tra xem các câu trả lời có dựa trên cơ sở kiến thức hay không — với tests/lesson-05-smoke-tests.json. Xem tests/README.md để biết cách chạy kiểm tra.

Bài học trước

Mẫu Thiết kế Sử dụng Công cụ

Bài học tiếp theo

Xây dựng tác nhân AI đáng tin cậy

Tuyên bố miễn trừ trách nhiệm: Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI Co-op Translator. Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sai sót. Tài liệu gốc bằng ngôn ngữ gốc nên được coi là nguồn tin chính thức. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm về bất kỳ hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này.

This site is open source. Improve this page.