Cơ bản RAG | MinAI Learning

Vấn đề	Giải pháp RAG
Kiến thức có hạn	Truy cập dữ liệu real-time
Hallucinations (ảo giác)	Dựa trên tài liệu thực
Không có dữ liệu riêng	Truy cập tài liệu của bạn
Câu trả lời chung chung	Ngữ cảnh cụ thể

🧠 Core Concepts

TB5 min

1. Embeddings

Chuyển text thành vectors (số):

Ví dụ

1"Machine learning is amazing" 
2    → [0.12, -0.34, 0.78, ...]  (1536 dimensions)

Văn bản tương tự → Vectors tương tự

2. Vector Database

Lưu trữ và tìm kiếm embeddings:

Database	Loại	Tính năng
Pinecone	Cloud	Được quản lý, mở rộng
Supabase Vector	Cloud	PostgreSQL-based
Qdrant	Self-hosted	Nhanh, hiệu quả
ChromaDB	Local	Dễ thiết lập

3. Chunking

Chia tài liệu thành các phần nhỏ hơn:

Ví dụ

1Long Document (10,000 words)
2    → Chunk 1 (500 words)
3    → Chunk 2 (500 words)
4    → ...
5    → Chunk 20 (500 words)

4. Similarity Search

Tìm các chunks liên quan nhất:

Ví dụ

1Query: "What's the return policy?"
2 
3Results (by similarity):
41. "Returns accepted within 30 days..." (0.92)
52. "For refunds, customers must..." (0.87)
63. "Shipping policy states..." (0.65)

Checkpoint

Giải thích 4 core concepts của RAG: Embeddings, Vector Database, Chunking, và Similarity Search.

Task 3

🛠️ Implementation

TB5 min

Bước 1: Lập chỉ mục tài liệu

Workflow: Lập chỉ mục tài liệu

Ví dụ

1File Trigger (new file)
2    ↓
3Document Loader (PDF/Text)
4    ↓
5Text Splitter
6    ↓
7Embeddings (OpenAI)
8    ↓
9Vector Store (Insert)

Cấu hình Text Splitter:

JavaScript

1Chunk Size: 500       // characters
2Chunk Overlap: 50     // overlap between chunks
3Separator: "\n\n"     // split on paragraphs

Node Embeddings:

JavaScript

1Model: text-embedding-3-small  // cheaper
2// or text-embedding-3-large    // better quality

Bước 2: Pipeline truy vấn

Workflow: Trả lời câu hỏi

Ví dụ

1Webhook (question)
2    ↓
3Embeddings (query)
4    ↓
5Vector Store (search)
6    ↓
7Format Context
8    ↓
9OpenAI (generate)
10    ↓
11Return Answer

Tìm kiếm Vector Store:

JavaScript

1Top K: 5              // retrieve 5 most similar
2Similarity Threshold: 0.7

Định dạng Context:

JavaScript

1const chunks = $input.all();
2
3const context = chunks
4  .map(c => c.json.text)
5  .join('\n\n---\n\n');
6
7return [{
8  json: {
9    context,
10    question: $json.question
11  }
12}];

Prompt OpenAI:

JavaScript

1System: `You are a helpful assistant. Answer questions based ONLY on the provided context. If the answer is not in the context, say "I don't have that information."
2
3Context:
4${context}
5`
6
7User: `Question: ${question}`

Checkpoint

Nêu các bước thiết lập Document Indexing và Query Pipeline trong n8n.

Task 5

⚡ Advanced RAG Techniques

TB5 min

1. Metadata Filtering

Thêm metadata cho chunks:

JavaScript

1{
2  text: "Return policy content...",
3  metadata: {
4    source: "policy.pdf",
5    category: "returns",
6    date: "2024-01-15"
7  }
8}
9
10// Query with filter
11Filter: { category: "returns" }

2. Hybrid Search

Kết hợp vector search + keyword search:

JavaScript

1// Vector search: semantic similarity
2// Keyword search: exact matches
3
4// Combine results với weighted scoring

3. Re-ranking

Dùng model khác để xếp hạng lại kết quả:

JavaScript

1// After vector search
2Chunks: [A, B, C, D, E]
3
4// Re-rank với cross-encoder
5Re-ranked: [C, A, E, B, D]  // C is most relevant

Checkpoint

Giải thích 3 kỹ thuật advanced: Metadata Filtering, Hybrid Search, và Re-ranking.

Task 6

🔗 n8n Vector Store Nodes

TB5 min

Pinecone

JavaScript

1// Setup
2Index Name: my-knowledge-base
3Namespace: company-docs
4Dimensions: 1536  // OpenAI embeddings
5
6// Insert
7await pinecone.upsert([{
8  id: "doc-123",
9  values: embeddings,
10  metadata: { source: "policy.pdf" }
11}]);
12
13// Query
14const results = await pinecone.query({
15  vector: queryEmbedding,
16  topK: 5,
17  includeMetadata: true
18});

Supabase Vector

JavaScript

1// Uses pgvector extension
2// Integrated với Supabase Auth/RLS
3
4// Insert
5await supabase
6  .from('documents')
7  .insert({
8    content: chunk.text,
9    embedding: chunk.vector,
10    metadata: chunk.metadata
11  });
12
13// Query
14const { data } = await supabase.rpc('match_documents', {
15  query_embedding: queryVector,
16  match_count: 5
17});

Checkpoint

So sánh cách sử dụng Pinecone và Supabase Vector Store trong n8n.

Task 7

📊 Evaluation

TB5 min

Chỉ Số

Retrieval: Các chunks đúng có được truy xuất không?
Generation: Câu trả lời có chính xác và hữu ích không?
Relevance: Câu trả lời có đáp ứng đúng câu hỏi không?

JavaScript

1// Simple evaluation
2const isRelevant = answer.includes(expectedInfo);
3const isAccurate = !answer.includes("I don't know");
4const hasSource = answer.includes("According to");

Checkpoint

Đánh giá RAG system dựa trên những metrics nào? (Retrieval, Generation, Relevance)

Task 9

📚 RAG Fundamentals

🎯 Mục tiêu bài học

🔍 RAG là gì?

Checkpoint

💡 Tại sao cần RAG?

Hạn chế của LLM

Trường hợp sử dụng

Checkpoint

🧠 Core Concepts

1. Embeddings

2. Vector Database

3. Chunking

4. Similarity Search

Checkpoint

🤖 RAG in n8n

Các Nodes có sẵn

Quy trình RAG cơ bản

Checkpoint

🛠️ Implementation

Bước 1: Lập chỉ mục tài liệu

Bước 2: Pipeline truy vấn

Checkpoint

⚡ Advanced RAG Techniques

1. Metadata Filtering

2. Hybrid Search

3. Re-ranking

Checkpoint

🔗 n8n Vector Store Nodes

Pinecone

Supabase Vector

Checkpoint

📋 Best Practices

Checkpoint

📊 Evaluation

Chỉ Số

Checkpoint

📝 Bài tập thực hành

Checkpoint

🚀 Bài tiếp theo