Agentic RAG

RAG tác tử là sinh tăng cường truy xuất (RAG), trong đó một AI agent — một model ngôn ngữ lớn (LLM) có khả năng lập kế hoạch và gọi công cụ theo vòng lặp — quyết định có truy xuất hay không, nên tìm kiếm nguồn nào và kết quả đã đủ tốt để trả lời hay chưa. RAG tiêu chuẩn chạy một lượt cố định: nhúng câu hỏi, lấy các đoạn văn bản đứng đầu rồi sinh câu trả lời. Agent có thể chia câu hỏi thành các câu hỏi phụ, gửi một câu đến chỉ mục tài liệu và câu khác đến cơ sở dữ liệu SQL hoặc công cụ tìm kiếm web, nhận ra kết quả lạc đề, viết lại truy vấn rồi tìm kiếm lại. Khảo sát năm 2025 về RAG tác tử phân loại các hành vi này thành bốn mẫu thiết kế tác tử: tự phản tư, lập kế hoạch, sử dụng công cụ và cộng tác đa tác tử.

Cách RAG tác tử hoạt động#

Model truy cập các công cụ truy xuất thông qua gọi hàm. Mỗi công cụ, chẳng hạn tìm kiếm vector trên tài liệu, truy vấn cơ sở dữ liệu hoặc tìm kiếm web, được mô tả bằng tên và schema tham số; model xuất một lời gọi có cấu trúc khi muốn sử dụng công cụ. Giao thức ngữ cảnh model (MCP) cung cấp cho agent một phương thức tiêu chuẩn để kết nối với các công cụ đó. Vòng lặp điều khiển tuân theo mẫu ReAct, luân phiên giữa các bước lập luận và hành động:

Câu hỏi như "Những nhà cung cấp nào có nhiều lần giao hàng trễ trong quý này hơn quý trước, và hợp đồng của họ cho phép áp dụng hình phạt nào?" cho thấy vì sao vòng lặp này quan trọng. Một lượt truy xuất duy nhất sẽ nhúng toàn bộ câu hỏi và trả về các đoạn hợp đồng chỉ đề cập chung đến việc giao hàng trễ. Trước tiên, agent truy vấn cơ sở dữ liệu giao hàng để lấy số liệu theo từng nhà cung cấp, sau đó tìm kiếm chỉ mục hợp đồng một lần cho mỗi nhà cung cấp có số lần giao hàng trễ tăng lên, rồi tổng hợp cả hai nguồn trong câu trả lời.

Công cụ không chỉ giới hạn ở văn bản. Khi câu trả lời phụ thuộc vào những gì camera đang ghi nhận, agent có thể gọi model Ultralytics YOLO26 như một công cụ: dự đoán trên khung hình mới nhất trả về mọi đối tượng được phát hiện, còn results[0].summary() chuyển kết quả phát hiện thành danh sách dictionary gồm tên lớp, độ tin cậy và tọa độ bounding box để agent đọc như bất kỳ kết quả truy xuất nào khác.

RAG tác tử so với các phương pháp liên quan#

• RAG tiêu chuẩn: Truy xuất một lần cho mỗi câu hỏi thông qua pipeline cố định, với độ trễ và chi phí thấp, dễ dự đoán. Phương pháp này phù hợp với câu hỏi có thể trả lời bằng một hoặc hai đoạn văn bản.
• Self-RAG và RAG hiệu chỉnh: Self-RAG (2023) huấn luyện model xuất token tự phản tư để quyết định khi nào cần truy xuất và đánh giá đầu ra của chính model; RAG hiệu chỉnh (2024) bổ sung bộ đánh giá truy xuất, kích hoạt tìm kiếm web khi tài liệu được truy xuất có điểm thấp. Cả hai đều đưa một hành vi của agent vào trong một pipeline vốn cố định.
• GraphRAG: Truy xuất thực thể, quan hệ và bản tóm tắt cộng đồng từ đồ thị tri thức được xây dựng dựa trên tài liệu. Agent có thể gọi truy vấn đồ thị như một trong các công cụ của mình.
• Quy trình tác tử: Họ rộng hơn gồm các hệ thống LLM nhiều bước; RAG tác tử là thành viên tập trung vào việc tìm kiếm thông tin.
• Agent nghiên cứu chuyên sâu: RAG tác tử được mở rộng qua nhiều lần tìm kiếm cho một câu hỏi, thường được chia cho nhiều agent. Trong hệ thống nghiên cứu đa tác tử của Anthropic, một agent Claude Opus 4 dẫn dắt giao nhiệm vụ phụ cho các agent con Claude Sonnet 4 chạy song song; hệ thống đạt kết quả cao hơn 90.2% so với một agent Opus 4 đơn lẻ trong đánh giá nghiên cứu nội bộ của Anthropic.

Ứng dụng thực tế#

• Trợ lý nghiên cứu doanh nghiệp: Trả lời các câu hỏi liên quan đến kho dữ liệu, kho tài liệu và web, chẳng hạn so sánh số liệu bán hàng nội bộ với kết quả được đối thủ công bố.
• Hỗ trợ khách hàng: Agent kiểm tra trạng thái đơn hàng trong một hệ thống, truy xuất chính sách đổi trả từ hệ thống khác, rồi quyết định có đủ điều kiện hoàn tiền trước khi phản hồi.
• Khắc phục sự cố trong sản xuất: Trợ lý truy xuất nhật ký bảo trì và các trang hướng dẫn sử dụng cho máy được nêu trong báo cáo lỗi, đồng thời tìm kiếm các phiếu sự cố trước đây nếu hướng dẫn không đề cập mã lỗi đó.
• Lập trình tác tử: Các agent lập trình tìm kiếm repository, đọc những file tìm được rồi tiếp tục tìm kiếm bằng các tên phát hiện được trong quá trình đó trước khi chỉnh sửa code.

Chi phí và các dạng lỗi#

Mỗi bước bổ sung đều tạo thêm một lần gọi LLM, vì vậy RAG dựa trên agent chậm hơn và tốn kém hơn so với một lượt xử lý duy nhất. Phân tích về hệ thống nghiên cứu đa agent của Anthropic cho thấy các agent thường sử dụng lượng token gấp khoảng 4 lần lượng token trong các lượt chat, còn các hệ thống đa agent sử dụng gấp khoảng 15 lần lượng token đó. Các agent cũng gặp những lỗi mà pipeline cố định không gặp phải: các agent lặp đi lặp lại những truy vấn tương tự, dừng lại trước khi tìm thấy tài liệu then chốt, gọi nhầm công cụ hoặc để một sai sót ban đầu lan truyền qua mọi bước tiếp theo; sai sót đó có thể biểu hiện thành những ảo giác được trình bày với vẻ chắc chắn. Các hệ thống production giới hạn số bước, ghi log đầy đủ các trace và chấm điểm toàn bộ quỹ đạo thực thi bằng đánh giá agent. Trong phân tích của Anthropic, riêng lượng token sử dụng đã lý giải 80% mức biến thiên hiệu suất trên benchmark duyệt web BrowseComp.