Instrumentation Hub in Grafana Cloud: start easier, stay in control

Tailscale Subnet Routing: Access Your Entire Homelab

Learn how to configure Tailscale subnet routing to securely access your home network remotely without installing Tailscale on every device.

Learn Real-World Penetration Testing: Hands-On Ethical Hacking Crash Course

Understanding how malicious actors infiltrate networks is the first step to building resilient infrastructure. To help developers and aspiring security analysts learn the fundamentals of offensive sec

Any agent anywhere: How to use Grafana Cloud with Claude, Cursor, and any other AI agent

Learn how any agent—whether it's Grafana Assistant, a coding agent in your IDE, or a tool you’ve built yourself—can interact with Grafana Cloud and use your observability data to find root causes faster.

How we investigated prompt cache misses with Datadog

An investigation of prompt cache misses in internal AI applications by using Datadog Cloud Cost Management and Agent Observability.

Kubernetes Multi-Tenancy, Layer by Layer: Isolation Proved by Being Refused

“” is published by Filipe Motta in ITNEXT.

What Is OpenTelemetry? A Guide to the OTel Framework

What is OpenTelemetry? See how the OTel framework standardizes traces, metrics, and logs so you can switch backends freely.

These Linux Distros Can Run on Apple Silicon Mac

Here are a few distros that are making it possible for you to run Linux on Apple Mac. Read the fine prints though, as not all M processors are supported.

EP230: RAG vs Agentic RAG

RAG (Retrieval-Augmented Generation) và Agentic RAG là hai phương pháp xử lý thông tin khác nhau trong lĩnh vực AI. RAG hoạt động bằng cách truy vấn vector database để tìm thông tin liên quan trước khi tạo câu trả lời, ví dụ như với vector database có thể chứa hàng triệu document embeddings. Agentic RAG thêm vào một agent có khả năng tự suy luận, cho phép hệ thống tự động xác định cần tìm thêm thông tin hay không, như trường hợp của OpenAI's GPT-4 với function calling. Sự khác biệt chính là Agentic RAG có khả năng tự chủ trong việc quyết định cần làm gì tiếp theo thay vì chỉ phụ thuộc vào kết quả truy vấn ban đầu. Đây là kiến thức quan trọng để hiểu sự tiến hóa từ RAG cơ bản đến các hệ thống thông minh hơn có khả năng tự điều chỉnh.

Bài viết này giúp bạn hiểu rõ sự khác biệt cơ bản giữa RAG và Agentic RAG để áp dụng hiệu quả vào các dự án AI.