Khi ghi chú D&D vô tình khớp với chuẩn RAG của Google: Bài học về cấu trúc tri thức

Bài viết được dịch và tổng hợp từ tin tức gốc. Bạn có thể đọc bài viết gốc bằng tiếng Anh tại đây.

Điểm tin nhanh:

• Hệ thống RAG cá nhân sử dụng Obsidian vô tình khớp với đặc tả Open Knowledge Format (OKF) của Google.
• Việc bổ sung cấu trúc dữ liệu (type, tags, links) giúp cải thiện đáng kể khả năng truy xuất thông tin so với tìm kiếm vector thuần túy.
• Graph-walk (duyệt đồ thị) kết hợp với vector search mang lại hiệu quả vượt trội trong việc giải quyết các truy vấn tổng hợp và thời gian.

Việc xây dựng một hệ thống Retrieval-Augmented Generation (RAG) không chỉ nằm ở việc tinh chỉnh mô hình hay tối ưu hóa vector database. Đôi khi, sự khác biệt giữa một hệ thống trả lời thông minh và một hệ thống chỉ biết "đoán mò" nằm ở chính cấu trúc dữ liệu mà bạn đã tích lũy từ lâu. Khi Google Cloud công bố Open Knowledge Format (OKF) vào tháng 6 năm 2026, nhiều lập trình viên đã bất ngờ nhận ra rằng những ghi chú cá nhân trong Obsidian của họ đã vô tình tiệm cận với chuẩn mực này.

Thiết lập hệ thống: Từ Obsidian đến RAG

Hệ thống RAG này được xây dựng trên một Intel NUC đời 2017 với cấu hình khiêm tốn: i3-7100U và 8GB RAM. Embeddings được xử lý cục bộ bằng BGE-M3, trong khi phần generation sử dụng AWS Bedrock Converse API. Dữ liệu đầu vào là hàng trăm ghi chú D&D với các liên kết wikilinks, YAML frontmatter và phân loại thư mục rõ ràng. Đây chính là minh chứng cho việc hình thái của dữ liệu ảnh hưởng trực tiếp đến tư duy lập trình và khả năng truy xuất của AI.

Hạn chế của tìm kiếm vector thuần túy

Tìm kiếm vector (vector search) hoạt động tốt với các truy vấn đơn giản, nhưng lại thất bại thảm hại khi đối mặt với các câu hỏi tổng hợp (synthesis) hoặc truy vấn theo thời gian (temporal). Dưới đây là bảng so sánh hiệu suất dựa trên các thử nghiệm thực tế:

Lưu ý: Việc tăng tham số k (số lượng chunk trả về) không phải là liều thuốc vạn năng. Trong nhiều trường hợp, nó chỉ làm tăng nhiễu và chi phí API mà không cải thiện độ chính xác.

Sức mạnh của Open Knowledge Format (OKF)

OKF không phải là một công nghệ mới lạ, mà là sự chuẩn hóa các trường dữ liệu (type, title, description, tags, timestamp) để các công cụ có thể đọc hiểu cấu trúc của nhau. Việc chuyển đổi vault sang OKF đòi hỏi một script để chuẩn hóa các wikilinks thành markdown links chuẩn. Điều này cũng tương tự như cách chúng ta cần xây dựng công cụ chuyển đổi dữ liệu để đảm bảo tính nhất quán cho các hệ thống phức tạp.

Chiến lược Graph-walk: Bước tiến mới

Thay vì chỉ dựa vào vector search, việc áp dụng graph-walk cho phép hệ thống tìm kiếm các ghi chú liên quan thông qua các liên kết (links). Khi một ghi chú được tìm thấy, hệ thống sẽ tiếp tục duyệt qua các ghi chú được liên kết với nó. Đây là một kỹ thuật mạnh mẽ, gợi nhớ đến cách các AI Agents tự vận hành trong các môi trường dữ liệu phức tạp.

[Query Embedding] ---> [Vector Search] ---> [Top K Notes]
                                                |
                                                v
[Graph Walk] <--- [Follow Links] <--- [Context Expansion]

Đánh giá & Lời khuyên Thực tiễn

Từ góc nhìn của một kỹ sư, việc áp dụng OKF mang lại những giá trị sau:

• Ưu điểm: Cấu trúc hóa dữ liệu giúp giảm thiểu sự phụ thuộc vào khả năng suy luận của LLM, tăng độ chính xác của ngữ cảnh (context).
• Nhược điểm: Đòi hỏi công sức chuẩn hóa dữ liệu ban đầu (data cleaning). Nếu dữ liệu gốc lộn xộn, OKF không thể tự động sửa chữa.
• Ứng dụng tối ưu: Phù hợp với các hệ thống quản trị tri thức (Knowledge Management), tài liệu kỹ thuật nội bộ, hoặc các dự án cần khả năng truy xuất thông tin có tính liên kết cao.
• Rủi ro: Cần cẩn trọng với các liên kết vòng (circular references) và việc bùng nổ dữ liệu khi duyệt đồ thị quá sâu.

Mẹo hay: Hãy luôn kiểm tra tính toàn vẹn của liên kết trong vault của bạn. Việc sử dụng các công cụ như Obsidian Backlinks là bước đầu tiên để chuẩn bị dữ liệu cho các kiến trúc RAG hiện đại.

Câu hỏi thường gặp (FAQ)

OKF có thay thế được vector search không?

Không. OKF chỉ là cấu trúc dữ liệu. Bạn vẫn cần vector search để tìm kiếm các đoạn văn bản (chunks) phù hợp nhất, sau đó dùng cấu trúc OKF để mở rộng ngữ cảnh thông qua các liên kết.

Tại sao tôi nên quan tâm đến OKF nếu đã có hệ thống RAG hoạt động?

OKF giúp giảm thiểu "ảo giác" (hallucination) của AI bằng cách cung cấp các đường dẫn tri thức rõ ràng, giúp mô hình hiểu được mối quan hệ giữa các khái niệm thay vì chỉ khớp từ khóa.

Có cần công cụ chuyên dụng để triển khai OKF không?

Bạn có thể tự xây dựng script bằng Python để chuyển đổi dữ liệu hiện có sang định dạng YAML frontmatter theo chuẩn OKF. Không cần thay đổi toàn bộ hạ tầng hiện tại.

Kết luận

Việc tình cờ khớp với chuẩn OKF của Google cho thấy một chân lý: dữ liệu có cấu trúc luôn là nền tảng của mọi hệ thống thông minh. Dù bạn đang xây dựng một ứng dụng RAG đơn giản hay một hệ thống AI Worker phức tạp, việc đầu tư thời gian vào cấu trúc dữ liệu sẽ luôn mang lại lợi ích lâu dài. Hãy bắt đầu chuẩn hóa dữ liệu của bạn ngay hôm nay và đừng quên theo dõi hi_dev để cập nhật những xu hướng công nghệ mới nhất.