# RAG — Retrieval-Augmented Generation > VI: https://5ac.vn/wiki/rag/ · EN: https://5ac.vn/en/wiki/rag/ · lang: vi · spec_as_of 2026-10-19 (spec no formal spec) · cluster C16 Kiến trúc nối mô hình ngôn ngữ với một bước truy xuất: tìm đoạn tài liệu liên quan từ kho riêng, đưa vào ngữ cảnh trước khi trả lời, thay vì chỉ dựa bộ nhớ trong tham số. --- ## Định nghĩa RAG (Retrieval-Augmented Generation — sinh nội dung có truy xuất) là kiến trúc nối mô hình ngôn ngữ lớn với một bước tìm kiếm: trước khi trả lời, hệ thống lục lại kho tài liệu — cơ sở dữ liệu, wiki, hợp đồng — chọn những đoạn liên quan nhất và đặt vào ngữ cảnh. Câu trả lời vì thế dựa trên tài liệu thật của doanh nghiệp thay vì chỉ dựa vào bộ nhớ đã nén trong tham số mô hình. Gốc học thuật là công trình của Lewis và cộng sự (2020, arXiv:2005.11401): bộ nhớ tham số của mô hình seq2seq đã pretrain ghép với bộ nhớ phi tham số — một chỉ mục vector dày đặc trên Wikipedia — truy cập qua bộ truy xuất neural (neural retriever). ## Cơ chế Pipeline RAG chuẩn gồm bốn bước: chia tài liệu thành các đoạn (chunk), chuyển mỗi đoạn thành vector, tìm những vector gần câu hỏi nhất, rồi nạp các đoạn khớp vào prompt để mô hình soạn trả lời. Bài của 5ac về bản đồ kỹ năng Andrew Ng gói gọn lý do tồn tại: hầu hết ứng dụng thật không thể nhét toàn bộ kiến thức vào cửa sổ ngữ cảnh (context window), nên cần hệ thống truy xuất đúng đoạn liên quan — RAG là cầu nối giữa mô hình và kho tri thức doanh nghiệp. Hai quyết định nằm ngoài RAG cơ bản, cũng theo framework của Ng: không phải nguồn dữ liệu nào cũng nên dùng vector — với dữ liệu có cấu trúc, Knowledge Graph và Semantic Layer là hai lựa chọn song song; và phải chọn đưa dữ liệu vào prompt ngay từ đầu hay truy xuất theo yêu cầu qua công cụ, kèm pipeline xử lý tài liệu phía sau. Khi vòng truy xuất phải tự lập kế hoạch, tự kiểm tra và chạy nhiều vòng, đó là đất của Agentic RAG — một entry riêng, liên kết cuối bài. ## Bối cảnh ứng dụng Việc mà RAG làm trong doanh nghiệp: trả lời dựa trên tài liệu của chính mình, có nguồn để đối chiếu, thay vì trả lời dựa trên internet. Đây cũng là kỹ năng có tín hiệu tuyển dụng rõ: tại Việt Nam, RAG nằm trong nhóm được săn đón nhiều nhất — 5ac tổng hợp khoảng 15.000 tin việc AI trong khi chỉ cỡ 8.000 ứng viên đủ chuẩn. Một lưu ý từ chính bản đồ kỹ năng (Andrew Ng công bố 08/2026, xây trên hơn 10.000 tin đăng): RAG không phải kỹ năng số một — đánh giá (evals) mới đứng đầu, vì không đo được thì không cải thiện được hệ truy xuất. ## Nguồn đã truy xuất - [Andrew Ng: Bản đồ kỹ năng AI Engineering — 6 kỹ năng build & deploy AI](/blog/andrew-ng-ai-engineering-skills-map-build-deploy-ai-applications/) — sub-skill Grounding Models with Data, hai lựa chọn ngoài RAG, tín hiệu tuyển dụng Việt Nam — truy cập 19/10/2026 - [4 kỹ năng AI engineering theo Andrew Ng — bản đồ kỹ năng cho mọi developer](/blog/ky-nang-ai-engineering-4-kien-thuc/) — RAG là cầu nối giữa mô hình và kho tri thức doanh nghiệp — truy cập 19/10/2026 - — Lewis và cộng sự, paper RAG gốc (v4) — xác minh qua arXiv API ngày 19/10/2026 ## Liên quan - [Agentic RAG](/wiki/agentic-rag/) - [Context engineering](/wiki/context-engineering/) - [Agent memory (bộ nhớ agent)](/wiki/agent-memory/)