Query rewriting for RAG: how to improve retrieval accuracy

GraphRAG Is an Inference Problem, Not a Database Problem

GraphRAG được ra đời như một phương pháp kết hợp đồ thị kiến thức với Retrieval‑Augmented Generation, nhưng nhiều đội ngũ vẫn lầm tưởng đây là vấn đề chọn cơ sở dữ liệu. Bài viết chứng minh rằngภารado việc chính của GraphRAG nằm ở giai đoạn suy luận của mô hình LLM – thời gian tạo token và truy xuất embedding chiếm hơn 80% latency, trong khi truy vấn đồ thị chỉ chiếm phần nhỏ. Vì vậy, việc đầu tư vào cơ sở dữ liệu đồ thị mạnh mẽ không cải thiện đáng kể hiệu suất; thay vào đó, tối ưu hoá batch inference, quantization và cache kết quả retrieval mới là chìa khóa để giảm chi phí và tăng throughput. Các nhóm phát triển nên tập trung vào kiến trúc suy luận (ví dụ: sử dụng vLLM hoặc TensorRT‑LLM) và thiết kế pipeline reference được cung cấp trong bài, thay vì bỏ thời gian cho việc chọn hoặc tối ưu hoá cơ sở dữ liệu đồ thị. Bài cũng cung cấp con số benchmark cụ thể: trên GPT‑4 Turbo, latency trung bình 180 ms/ request và chi phí khoảng $0,0003 mỗi token khi áp dụng các tối ưu hoá trên.

Bài viết này giúp lập trình viên hiểu GraphRAG là vấn đề suy luận LLM chứ không phải lựa chọn cơ sở dữ liệu, qua đó tiết kiệm chi phí và thiết kế kiến trúc hiệu quả hơn.

Nicole’s guide to writing and editing

Nicole kể lại trải nghiệm học seminar viết lạ của giáo sư Ellis Shookman năm học đầu tiên đại học, nơi cô được giới thiệu về cách tiếp cận sáng tạo và chỉnh sửa. Giáo sư Shookman thường nghe Mozart trên radio khi lái xe từ kampus tới Boston, nhưng tín hiệu thường bị ồn staticky làm giảm chất lượng âm thanh. Để tiếp tục thưởng thức nhạc, ông tăng âm lượng, тем самым làm nổi bật phần tín hiệu mong muốn và giảm thiểu tác động của nhiễu. Nicole áp dụng аналогию này vào viết – khi biên tập, cần “tăng âm lượng” ý tưởng chính và giảm thiểu “nhiễu” như lỗi chính tả, câu lặp hoặc suy nghĩ lạc quan. Kết luận: hướng dẫn của Nicole nhắc nhở作家 rằng việc chỉnh sửa không phải là loại bỏ hoàn toàn mọi lỗi mà là làm nổi bật nội dung cốt lõi để người đọc vẫn có thể “nghe” được thông điệp rõ ràng.

Bài viết này giúp lập trình viên cải thiện kỹ năng giao tiếp và làm việc nhóm thông qua việc rèn luyện tư duy phản biện và diễn đạt rõ ràng.

Applying OpenAI's RAG Strategies

Bài viết mô tả cách áp dụng các chiến lược RAG đã được OpenAI kiểm chứng bằng cách tích hợp với framework LangChain. Nó trình bày kỹ thuật query transformation để viết lại hoặc mở rộng câu hỏi trước khi truy xuất. Tiếp theo là định tuyến routing truy vấn đến các nguồn dữ liệu phù hợp và xử lý hậu kỳ post‑processing để lọc, sắp xếp hoặc tạo lại kết quả. Cuối cùng, bài hướng dẫn các phương pháp evaluation như độ chính xác truy xuất và độ liên quan để đo lường hiệu suất của hệ thống RAG. Từ những bước này, độc giả có thể xây dựng pipeline RAG ổn định, tăng tỷ lệ trả lời chính xác và giảm thời gian truy xuất, từ đó học được cách kết hợp các thành phần để đạt hiệu suất tối ưu.

Bài viết hướng dẫn bạn cách triển khai hiệu quả chiến lược RAG của OpenAI với LangChain để tối ưu hóa quy trình truy xuất thông tin.

Slop Debt

Bài viết bắt đầu bằng việc xác định rằng công nợ kỹ thuật (tech debt) có quy tắc rõ ràng …

Why use ORMs if LLMs write code?

ORMs vẫn cần thiết vì chúng cung cấp lớp trừu tượng an toàn, hiệu quả để tương tác với cơ sở dữ liệu, trong khi LLMs chỉ sinh code tiềm ẩn rủi ro lỗi, kém tối ưu và khó bảo trì. ORMs giúp chuẩn hóa truy vấn, tránh SQL injection và tối ưu hóa hiệu suất thông qua caching, điều mà code do LLM sinh ra khó đảm bảo.

Lập trình viên nên đọc bài này để hiểu cách ORM và SQL vẫn giữ vai trò quan trọng trong quản lý dữ liệu cơ bản, giúp tránh rủi ro lỗi và tối ưu hóa hiệu suất khi ứng dụng lớn cần kiểm soát trực tiếp dữ liệu.

The AI Errors That Don’t Look Like Errors

Bài viết指出，AI thường tạo ra những lỗi không dễ phát hiện vì chúng không phải là trích dẫn hoàn toàn giả mạo mà là những nguồn thật nhưng có số trang, ngày tháng hoặc thống kê bị thay đổi nhẹ. Những lỗi này xảy ra khi mô hình truy xuất tài liệu thực sự rồi tự động chỉnh sửa lại chi tiết để phù hợp với ngữ cảnh mà nó đang tạo ra, dẫn tới những tham chiếu выглядят chính xác nhưng thực tế sai lệch. Khi vượt qua quá trình kiểm tra thường lệ, các sai số này có thể lọt vào bài báo, tài liệu kỹ thuật hoặc bài viết học thuật, gây nhầm lẫn và làm giảm độ tin cậy của nội dung được hỗ trợ bởi AI. Bài khuyên người đọc nên luôn xác thực từng trích dẫn bằng cách tra cứu nguồn gốc, kiểm tra lại các con số và sử dụng công cụ truy vết nguồn khi có thể. Việc xem đầu ra của AI như một bản nháp cần審閱而不是 kết luận cuối cùng là cách hiệu quả nhất để tránh những lỗi “không nhìn thấy là lỗi” này.

Bài viết này giúp lập trình viên nhận ra những sai lầm tinh vi của AI mà thông thường không thể phát hiện qua bình thường.

"A" for "Average"

Bài viết bắt đầu từ quan sát rằng nhiều lập trình viên cảm thấy ngạc nhiên khi thấy AI tạo ra mã trong ngôn ngữ họ không quen thuộc. Tác giả chỉ ra rằng phản ứng này phản ánh nhiều hơn sự thiếu hiểu biết của người đọc về lĩnh vực đó hơn là khả năng thực sự của mô hình. Nguyên nhân kỹ thuật là LLMs sinh ra token bằng cách chọn xác suất cao nhất tiếp theo, vì vậy đầu ra luôn là giá trị trung bình thống kê, không phải xuất sắc. Do đó, sự ngưỡng mộ ở ngôn ngữ lạ tương tự như bị lừa bởi một trò ma thuật mà không biết nguyên lý, trong khi cùng mức chất lượng trong ngôn ngữ quen thuộc chỉ được đánh giá là đủ. Bài học là trước khi khen ngợi mã AI, cần kiểm tra kiến thức własn của mình và hiểu rằng "trung bình" là đặc điểm thiết kế của mô hình, không phải dấu hiệu của sự vượt trội.

Bài viết giúp bạn hiểu thực chất chất lượng trung bình của AI và tránh đánh giá sai năng lực công nghệ.

What AI Thinks a DBA Does All Day

Bài viết bắt đầu bằng việc so sánh hình dung của AI về một ngày làm việc của DBA (backup, tài liệu, kiểm tra sức khỏe chủ động và một cửa sổ làm việc im ắng) với ngày thực tế của tác giả. Theo AI, ngày DBA chỉ gồm sáu hoạt động chính, trong khi bản ghi thực tế của tác giả liệt kê lên tới mười ba việc khác nhau. Sự chênh lệch này phản ánh việc mô hình ngôn ngữ có xu hướng tổng hợp từ dữ liệu huấn luyện mà thường bỏ qua các tác vụ phức tạp, lặp lại và không thể đoán trước như xử lý sự cố, tối ưu truy vấn, quản lý quyền và phản hồi ngay lập tức. Vì vậy, nếu chỉ dựa vào mô tả của AI, người quản lý hoặc nhà phát triển có thể low估 DBA的工作量，导致资源分配不足或对系统可靠性产生误判。 Bài học là cần kiểm chứng các mô tả tự động bằng dữ liệu thực tế từ trường, đặc biệt là khi lên kế hoạch nhân lực, định nghĩa SLA hoặc đánh giá công cụ tự động hoá cho quản trị cơ sở dữ liệu.

Bài viết này giúp bạn thấy được sự khác biệt giữa quan niệm lý tưởng và thực tế công việc của một DBA, từ đó hiểu thách thức thực sự trong quản lý cơ sở dữ liệu.