Từ Classic RAG đến Agentic RAG: Hành trình tiến hóa của hệ thống AI hỏi đáp

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”.

---

Bức tranh tổng quan

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

---

Classic RAG: AI chỉ biết tìm

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:

Điểm mạnh:

• đơn giản
• dễ build

Điểm yếu:

• không hiểu quan hệ
• không làm multi-hop reasoning

---

Graph RAG: AI hiểu quan hệ

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:

Điểm mạnh:

• hiểu relationship
• multi-hop reasoning tốt hơn

---

Agentic RAG: AI biết lập kế hoạch

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:

• Vector DB
• Knowledge Graph
• Web Search
• APIs

Agent làm:

• chia task
• chọn nguồn
• tổng hợp
• tự kiểm tra

---

So sánh

Classic RAG:

• retrieve

Graph RAG:

• retrieve + relations

Agentic RAG:

• retrieve + reasoning + tools

---

---

Agentic Graph RAG (xu hướng mới)

Agent → Vector DB → Knowledge Graph → Web Search → APIs → Tools

Kết hợp:

• semantic search
• graph reasoning
• agent planning

---

Kết luận

Xu hướng chung:

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! 🚀