Trong vài năm qua, RAG (Retrieval-Augmented Generation) đã trở thành một trong những kiến trúc cốt lõi của AI ứng dụng.
Nhưng khi dữ liệu ngày càng lớn và câu hỏi ngày càng phức tạp, RAG cũng tiến hóa liên tục — từ “chỉ biết tìm thông tin” đến “biết suy nghĩ và hành động”.
Classic RAG → Graph RAG → Agentic RAG → Agentic Graph RAG
flow:
A Classic RAG
B Graph RAG
C Agentic RAG
D Agentic Graph RAG
A → B → C → D
Chatbot nội bộ:
Q: Quy trình xin nghỉ phép?
Q: Chính sách remote?
Cách hoạt động:
Question → Embedding → Vector DB → Top-K Retrieval → LLM → Answer
Ví dụ:
Nguyễn Văn A là CEO của ABC
ABC thành lập năm 2020
Q: CEO của ABC là ai?
→ Nguyễn Văn A
Điểm mạnh:
Điểm yếu:
Vấn đề:
Nguyễn Văn A → ABC → XYZ → AI Vision
Classic RAG không nối được chuỗi này.
Giải pháp:
Documents → Entity Extraction → Knowledge Graph → Graph Traversal → LLM
Graph:
Nguyễn Văn A → CEO → ABC
ABC → Acquired → XYZ
XYZ → Develops → AI Vision
Điểm mạnh:
Vấn đề tiếp theo:
Không đủ dữ liệu trong DB → cần web / API / tools
Ví dụ:
NVIDIA tăng trưởng vì sao?
Không có 1 nguồn duy nhất.
Agent sẽ:
User → Planner → Tools → Reasoning → Answer
Tools:
Agent làm:
Classic RAG:
Graph RAG:
Agentic RAG:
| Capability | Classic | Graph | Agentic |
|---|---|---|---|
| Search | ✔ | ✔ | ✔ |
| Relationships | ✘ | ✔ | ✔ |
| Multi-hop | ✘ | ✔ | ✔ |
| Tool use | ✘ | ✘ | ✔ |
| Planning | ✘ | ✘ | ✔ |
Agent → Vector DB → Knowledge Graph → Web Search → APIs → Tools
Kết hợp:
Classic RAG = tìm thông tin
Graph RAG = hiểu quan hệ
Agentic RAG = biết suy nghĩ và hành động
Xu hướng chung:
AI đang chuyển từ “trả lời câu hỏi”
→ sang “giải quyết vấn đề”
Đó là lý do Agentic Graph RAG đang trở thành kiến trúc quan trọng nhất hiện nay.
That's it, Happy reading and happy coding! 🚀