NKTg AI – LLM vs RAG: Hai triết lý hoàn toàn khác nhau trong cuộc chiến kiểm soát ảo giác AI

https://nktg.org/ NKTg AI for Organizers

RAG tìm kiếm thông tin có liên quan. NKTg AI giải mã cấu trúc và trọng tâm ngữ nghĩa của văn bản. Một bên giúp AI tìm đúng tài liệu. Một bên hướng đến việc giúp AI hiểu đúng điều tài liệu thực sự khẳng định.

Trong kỷ nguyên AI tạo sinh, có một vấn đề khiến bất kỳ ai sử dụng LLM cho những công việc đòi hỏi độ chính xác cao đều phải dè chừng: AI có thể trả lời rất thuyết phục, ngay cả khi câu trả lời đó sai.

Một điều khoản trong hợp đồng bị diễn giải lệch. Một con số trong báo cáo tài chính bị đặt sai ngữ cảnh. Một điều kiện ngoại lệ trong tài liệu pháp lý bị bỏ qua. Một kết luận nghiên cứu bị AI vô tình bổ sung những ý mà tác giả chưa từng đề cập.

Đây không đơn thuần là lỗi diễn đạt. Đó là vấn đề về tính toàn vẹn của thông tin.

RAG (Retrieval-Augmented Generation) được phát triển như một giải pháp quan trọng nhằm giảm thiểu hiện tượng này. Nhưng liệu việc cung cấp cho LLM những đoạn tài liệu có liên quan đã đủ để bảo đảm AI hiểu đúng bản chất thông tin?

NKTg AI tiếp cận vấn đề từ một hướng hoàn toàn khác.

Nếu RAG tập trung vào việc tìm kiếm thông tin phù hợp để cung cấp cho LLM, thì NKTg AI hướng đến việc giải mã cấu trúc ngữ nghĩa, xác định trọng tâm, phân biệt hành động với điều kiện và giữ lại những nội dung nguyên bản có giá trị cốt lõi trước khi đưa dữ liệu đến LLM.

Đây không chỉ là sự khác biệt về thuật toán. Đây là sự khác biệt về triết lý thiết kế hệ thống.

Hãy cùng phân tích.

1. Khác biệt từ gốc: Tìm kiếm sự tương đồng hay đo lường năng lượng ngữ nghĩa? RAG: Tìm đoạn văn có độ tương đồng cao nhất với câu hỏi

RAG truyền thống vận hành chủ yếu dựa trên kỹ thuật Embedding và Vector Search.

Quy trình cơ bản:

Chia tài liệu thành các đoạn nhỏ (Chunks). Chuyển từng đoạn thành vector biểu diễn ngữ nghĩa (Embeddings). Chuyển câu hỏi của người dùng thành vector. Tính toán độ tương đồng giữa câu hỏi và các đoạn văn, thường sử dụng Cosine Similarity. Lấy những đoạn có độ tương đồng cao nhất và đưa vào Context Window để LLM xử lý.

Cơ chế này rất hiệu quả khi cần tìm kiếm thông tin trong một kho dữ liệu lớn.

Tuy nhiên, nó tồn tại một giới hạn mang tính bản chất:

Độ tương đồng ngữ nghĩa không đồng nghĩa với mức độ quan trọng về mặt logic.

Một câu mô tả hành động chính có thể có độ tương đồng với câu hỏi tương đương một câu chứa điều kiện ngoại lệ, giới hạn trách nhiệm hoặc cảnh báo rủi ro.

Nhưng về ý nghĩa thực tế, hai câu này có vai trò hoàn toàn khác nhau.

Ví dụ, trong một hợp đồng:

Câu thứ nhất: Bên A có nghĩa vụ thanh toán cho Bên B. Câu thứ hai: Nghĩa vụ thanh toán chỉ phát sinh khi Bên B hoàn thành đầy đủ các điều kiện nghiệm thu.

Cả hai đều liên quan đến thanh toán. Nhưng nếu chỉ tìm kiếm những đoạn có độ tương đồng cao, hệ thống chưa chắc đã nhận diện được đâu là hành động chính, đâu là điều kiện chi phối hành động đó.

RAG tìm được thông tin liên quan. Nhưng việc xác định cấu trúc logic và mức độ quan trọng của từng câu vẫn phụ thuộc vào tầng xử lý phía sau.

NKTg AI: Giải mã năng lượng và cấu trúc ngữ nghĩa

NKTg AI tiếp cận văn bản theo một mô hình định lượng khác, dựa trên NKTg Law và toán tử quán tính biến thiên.

Mô hình được biểu diễn:

text NKTg = f(x, v, m)

p = m × v

NKTg₁ = x × p (Năng lượng thế ngữ nghĩa)

NKTg₂ = (dm/dt) × p (Năng lượng động ngữ nghĩa)

Thay vì chỉ xác định đoạn nào giống câu hỏi, hệ thống hướng đến việc đo lường, phân loại và nhận diện vai trò ngữ nghĩa của từng câu trong tổng thể văn bản.

Ba nhóm thành phần được xác định:

AMP (Action – Meaning – Proposition): Nhóm nội dung hành động, khẳng định và kết quả. DAMP (Dynamic/Dependent Meaning): Nhóm nội dung điều kiện, ngoại lệ, phụ thuộc và rủi ro. STABLE: Nhóm dữ liệu thuần, thông tin ổn định.

Ba thành phần tuân theo nguyên tắc phân bổ:

AMP% + DAMP% + STABLE% = 100%.

Khi AMP vượt ngưỡng 55%, hệ thống nhận diện văn bản có trọng tâm hành động nổi trội và thực hiện trích xuất Core Content theo cơ chế của NKTg AI.

Core Content là câu nguyên văn được xác định có mật độ hành động cao và thể hiện kết quả cụ thể nhất theo tiêu chí của hệ thống.

Điểm khác biệt nằm ở đây:

RAG đặt câu hỏi: Đoạn văn nào có ý nghĩa gần với câu hỏi nhất? NKTg AI đặt câu hỏi: Văn bản đang khẳng định điều gì, hành động nào là trọng tâm và những điều kiện nào chi phối nội dung đó?

Một bên đo độ liên quan. Một bên hướng đến giải mã cấu trúc ý nghĩa.

2. Tầng trung gian: Đưa tài liệu cho AI đọc hay giải mã cấu trúc trước khi AI xử lý?

Đây có lẽ là khác biệt quan trọng nhất giữa hai kiến trúc.

RAG: Retrieval trước, Reasoning sau

Trong kiến trúc RAG phổ biến, hệ thống thực hiện tìm kiếm và truy xuất các đoạn văn liên quan, sau đó chuyển chúng đến LLM.

Có thể mô tả:

text Văn bản ↓ Chunking ↓ Embedding ↓ Vector Search ↓ Retrieved Chunks ↓ LLM ↓ Câu trả lời

LLM vẫn phải thực hiện phần lớn công việc đọc hiểu và suy luận:

Phân biệt thông tin chính và phụ. Nhận diện hành động và điều kiện. Phân tích quan hệ giữa các câu. Xác định ngoại lệ và giới hạn. Tổng hợp thông tin thành câu trả lời.

Nói cách khác, RAG giúp LLM tiếp cận đúng vùng dữ liệu hơn, nhưng không mặc nhiên giải quyết triệt để bài toán hiểu cấu trúc logic của văn bản.

NKTg AI – LLM: Giải mã trước, sinh ngôn ngữ sau

NKTg AI đưa vào một tầng xử lý trung gian chuyên biệt, đứng trước LLM.

Kiến trúc được định hướng:

text VĂN BẢN NGUYÊN BẢN ↓ ┌──────────────────────────────┐ │ NKTg AI │ │ │ │ • Phân tích cấu trúc │ │ • Định lượng ngữ nghĩa │ │ • Phân loại AMP/DAMP/STABLE │ │ • Nhận diện Core Content │ │ • Giữ lại câu nguyên văn │ └──────────────────────────────┘ ↓ KHUNG THÔNG TIN ĐÃ XỬ LÝ ↓ ┌──────────────────────────────┐ │ LLM │ │ │ │ • Diễn đạt │ │ • Tóm tắt │ │ • Trả lời │ │ • Trình bày kết quả │ └──────────────────────────────┘ ↓ KẾT QUẢ

Trong kiến trúc này, NKTg AI đảm nhận vai trò xử lý cấu trúc và định lượng thông tin. LLM đảm nhận vai trò giao diện sinh ngôn ngữ (Generative Interface).

Điều đáng chú ý là LLM không cần tự đọc và diễn giải toàn bộ văn bản thô trong quy trình được thiết kế theo nguyên tắc này. Thay vào đó, nó nhận đầu vào đã được tầng NKTg AI phân tích và tổ chức.

Đây là sự thay đổi về cách phân công nhiệm vụ:

Không bắt LLM vừa đọc, vừa hiểu, vừa phân tích, vừa suy luận và vừa trả lời tất cả trong cùng một quy trình.

Thay vào đó, tách biệt việc giải mã thông tin với việc sinh ngôn ngữ.

Cần công bằng khi so sánh: RAG hiện đại đã phát triển rất xa so với Vector Search cơ bản. Các kỹ thuật như Re-ranking, Hybrid Search, Metadata Filtering, Structured Retrieval hay GraphRAG đã giúp cải thiện đáng kể chất lượng truy xuất.

Tuy nhiên, ở cấp độ triết lý kiến trúc, vẫn có một khác biệt đáng chú ý:

Đầu ra phổ biến của tầng Retrieval là những đoạn dữ liệu được xếp hạng theo độ liên quan. Đầu ra hướng đến của NKTg AI là cấu trúc thông tin đã được phân tích, phân loại và giữ lại những câu nguyên văn quan trọng. 3. Kiểm soát ảo giác: Giảm xác suất AI bịa hay kiểm soát từ kiến trúc đầu vào?

Đây là vấn đề khiến hai hướng tiếp cận trở nên khác biệt rõ nhất.

RAG: Giảm nguy cơ ảo giác bằng cách cung cấp ngữ cảnh phù hợp

RAG giúp giảm nguy cơ LLM tự tạo thông tin không có căn cứ bằng cách cung cấp dữ liệu từ nguồn bên ngoài.

Nếu truy xuất đúng tài liệu, đúng đoạn văn và đúng ngữ cảnh, khả năng trả lời chính xác sẽ được cải thiện.

Tuy nhiên, vẫn còn những rủi ro:

Truy xuất thiếu một điều kiện quan trọng. Các đoạn văn bị cắt khiến mất quan hệ logic. Nhiều chunks chứa thông tin trùng lặp hoặc nhiễu. LLM tổng hợp sai quan hệ giữa các đoạn. LLM tự bổ sung những suy luận không được nguồn dữ liệu hỗ trợ.

RAG có thể cung cấp đúng nguyên liệu, nhưng không bảo đảm tuyệt đối rằng LLM sẽ sử dụng nguyên liệu đó đúng cách.

NKTg AI: Kiểm soát từ tầng giải mã và cấu trúc đầu vào

NKTg AI lựa chọn một hướng tiếp cận khác: kiểm soát những gì được đưa vào LLM ngay từ trước khi quá trình sinh ngôn ngữ diễn ra.

Cơ chế được định hướng theo hai lớp:

Lớp 1 – Giải mã và phân loại.

NKTg AI nhận diện cấu trúc ngữ nghĩa, phân biệt nội dung hành động với điều kiện, ngoại lệ và rủi ro. Các câu nguyên văn được giữ lại để hạn chế việc diễn giải làm thay đổi ý nghĩa ban đầu.

Lớp 2 – Kiểm soát đầu vào LLM.

LLM nhận khung thông tin đã qua xử lý thay vì trực tiếp xử lý toàn bộ văn bản thô theo kiến trúc này.

Mục tiêu là hạn chế nhiễu, giảm nguy cơ bỏ sót trọng tâm và thu hẹp không gian để LLM tự suy diễn ngoài dữ liệu.

Tuy nhiên, cần nhấn mạnh một nguyên tắc kỹ thuật quan trọng:

Không có kiến trúc AI nào có thể tuyên bố loại bỏ hoàn toàn ảo giác chỉ bằng cách thay đổi tầng đầu vào.

Độ chính xác cuối cùng vẫn phụ thuộc vào chất lượng giải mã, khả năng bảo toàn ngữ cảnh, độ chính xác của phân loại AMP/DAMP/STABLE và cách LLM xử lý đầu ra.

NKTg AI vì thế không nên được hiểu là một lời hứa về độ chính xác tuyệt đối, mà là một hướng tiếp cận nhằm đưa việc kiểm soát thông tin về một tầng xử lý có cấu trúc, có thể quan sát và kiểm chứng.

Đây là khác biệt rất quan trọng.

Khi một hệ thống có thể chỉ ra câu nào được phân loại là hành động, câu nào là điều kiện, câu nào được lựa chọn làm Core Content, người dùng có thêm cơ sở để kiểm tra và truy nguyên kết quả.

Thay vì chỉ nhận một câu trả lời có vẻ hợp lý từ một mô hình xác suất, người dùng có thể kiểm tra quá trình tổ chức thông tin đứng phía sau câu trả lời đó.

4. So sánh tổng thể: RAG và NKTg AI – LLM khác nhau ở đâu? Tiêu chí RAG truyền thống NKTg AI – LLM Triết lý Truy xuất thông tin liên quan Giải mã cấu trúc ngữ nghĩa Cơ sở xử lý Embedding, Vector Search, Similarity NKTg Law, năng lượng ngữ nghĩa Đơn vị xử lý Chunk Câu và cấu trúc ngữ nghĩa Câu hỏi cốt lõi Đoạn nào liên quan đến câu hỏi? Văn bản đang khẳng định gì? Xử lý thông tin Truy xuất và xếp hạng Phân loại và định lượng Nhận diện hành động Chủ yếu do LLM xử lý Phân loại AMP Nhận diện điều kiện Phụ thuộc retrieval và reasoning Phân loại DAMP Trích xuất trọng tâm Dựa trên retrieval và tổng hợp Nhận diện Core Content Vai trò LLM Đọc, phân tích, suy luận, sinh câu trả lời Sinh ngôn ngữ từ khung thông tin đã xử lý Kiểm soát ảo giác Giảm nguy cơ nhờ ngữ cảnh truy xuất Kiểm soát ở tầng giải mã và đầu vào Tính nguyên bản Có thể diễn giải lại nội dung nguồn Hướng đến bảo toàn câu nguyên văn Ứng dụng Kho tri thức lớn, nhiều tài liệu Phân tích sâu một văn bản cụ thể Khả năng triển khai Thường cần hệ thống truy xuất và LLM Có thể triển khai với LLM Local hoặc Cloud

Lưu ý: Đây là bảng so sánh giữa hai hướng kiến trúc điển hình, không phải khẳng định rằng mọi hệ thống RAG đều thiếu khả năng phân tích cấu trúc hoặc mọi hệ thống NKTg AI đều đã được chứng minh vượt trội về độ chính xác.

5. Một phép so sánh để hiểu ngay sự khác biệt

Hãy tưởng tượng bạn giao cho hai người cùng một hợp đồng dài 100 trang và yêu cầu xác định nghĩa vụ thanh toán của các bên.

Người thứ nhất làm theo phương pháp RAG.

Người này tìm tất cả những trang, đoạn văn có nội dung liên quan đến thanh toán, tập hợp lại thành một xấp tài liệu rồi giao cho người phân tích đọc và tổng hợp.

Cách làm này rất hiệu quả khi cần tìm kiếm thông tin trên một lượng tài liệu khổng lồ. Nhưng người phân tích vẫn phải tự xác định đâu là nghĩa vụ chính, đâu là điều kiện phát sinh nghĩa vụ, đâu là ngoại lệ và đâu là giới hạn trách nhiệm.

Người thứ hai làm theo phương pháp NKTg AI.

Trước khi giao tài liệu cho người phân tích, người này sử dụng một hệ thống chuyên biệt để giải mã cấu trúc nội dung:

Câu nào thể hiện hành động? Câu nào xác định nghĩa vụ? Câu nào chứa điều kiện? Câu nào là ngoại lệ? Câu nào thể hiện kết quả và trọng tâm của văn bản?

Sau đó, hệ thống giữ lại những câu nguyên văn quan trọng và tổ chức thành một khung thông tin có cấu trúc.

Người phân tích nhận được một bộ dữ liệu đã được tổ chức, thay vì phải tự bắt đầu từ hàng trăm trang tài liệu thô.

RAG giúp tìm đúng trang cần đọc. NKTg AI hướng đến việc xác định đúng câu cần hiểu và cấu trúc cần bảo toàn.

Đó là sự khác biệt cốt lõi.

6. Không phải RAG hay NKTg AI – mà là chọn đúng kiến trúc cho đúng bài toán

Một sai lầm phổ biến khi so sánh công nghệ là mặc định rằng giải pháp mới phải thay thế giải pháp cũ.

Thực tế, RAG và NKTg AI có thể bổ sung cho nhau.

Khi nào nên sử dụng RAG?

RAG là lựa chọn phù hợp khi bạn cần:

Hỏi đáp trên hàng nghìn, hàng triệu tài liệu. Tìm kiếm thông tin trong kho tri thức doanh nghiệp. Kết nối nhiều nguồn dữ liệu khác nhau. Trả lời câu hỏi cần tổng hợp kiến thức từ nhiều tài liệu. Xây dựng trợ lý AI nội bộ hoặc hệ thống tra cứu thông minh. Khi nào nên sử dụng NKTg AI – LLM?

NKTg AI hướng đến những bài toán mà tính toàn vẹn của nội dung gốc là ưu tiên hàng đầu:

Phân tích hợp đồng và văn bản pháp lý. Đọc báo cáo tài chính, kiểm toán. Phân tích tài liệu nghiên cứu khoa học. Xác định nghĩa vụ, điều kiện và ngoại lệ. Trích xuất những khẳng định cốt lõi từ văn bản. Kiểm tra nội dung mà không muốn AI tự ý diễn giải hoặc bổ sung thông tin ngoài nguồn. Tương lai: NKTg AI có thể trở thành tầng giải mã cho RAG

Một hướng kết hợp đáng chú ý là đưa NKTg AI vào trước hoặc sau tầng Retrieval trong một hệ thống RAG.

Ví dụ:

text KHO TÀI LIỆU LỚN ↓ RETRIEVAL – TÌM KIẾM ↓ NKTg AI – GIẢI MÃ NGỮ NGHĨA ↓ AMP / DAMP / STABLE ↓ CORE CONTENT ↓ LLM – GENERATION ↓ CÂU TRẢ LỜI

Khi đó, RAG đảm nhận nhiệm vụ tìm kiếm đúng tài liệu, còn NKTg AI đảm nhận nhiệm vụ phân tích cấu trúc và trọng tâm