RAG là gì? Giải thích bằng ví dụ shop bán mỹ phẩm

Mở đầu

RAG = Retrieval-Augmented Generation. Tên kỹ thuật nghe sang nhưng concept đơn giản. Giải thích bằng ví dụ shop mỹ phẩm.

Vấn đề

Shop bán mỹ phẩm Hàn Quốc. Catalog có 300 sản phẩm. Khách hỏi qua Zalo:

• "Em dùng kem chống nắng nào cho da dầu mụn?"
• "Serum vitamin C của brand X có hợp với retinol của brand Y không?"
• "Toner ABC giá bao nhiêu? Còn hàng không?"
• "Combo skincare cho da dầu mụn dưới 1tr có gì?"

Vendor AI gốc (ChatGPT raw) sẽ trả lời chung chung — vì nó không biết catalog của shop. Cần 1 cơ chế để AI đọc data của shop trước khi trả lời.

Đó là RAG.

RAG hoạt động thế nào?

3 bước:

Bước 1: Index data của shop

Tất cả product description, FAQ, review, post blog của shop được "index" vào 1 database đặc biệt (vector database). Lúc index, AI hiểu nghĩa của từng câu — không phải chỉ keyword.

Bước 2: Khi khách hỏi — Retrieve

Khách hỏi "kem chống nắng cho da dầu mụn" → AI search vector database → tìm 5 sản phẩm + 3 FAQ + 2 post blog liên quan nhất.

Bước 3: Generate response với context

AI nhận 10 đoạn data liên quan → tổng hợp + viết câu trả lời chính xác. Bao gồm: sản phẩm cụ thể, giá, mô tả, có khuyến nghị từ FAQ.

Khác với chatbot rule-based: không cần code rule "khi keyword 'da dầu' thì reply X". RAG hiểu nghĩa câu hỏi và tìm data phù hợp.

Ví dụ response thực

Khách hỏi: "Em dùng kem chống nắng nào cho da dầu mụn?"

Vendor AI gốc (không có RAG):

> "Có nhiều loại kem chống nắng phù hợp da dầu mụn. Bạn nên chọn sản phẩm oil-free, non-comedogenic, SPF 30+..."

(Trả lời sách giáo khoa, không nhắc sản phẩm cụ thể, khách không mua được)

Nhân viên bán hàng AI có RAG:

> "Cho da dầu mụn, em recommend 3 sản phẩm:

>

> 1. Anessa Perfect UV Sunscreen 60ml — 480k. Texture nhẹ, không gây bít tắc.

> 2. La Roche Posay Anthelios UVMune 50ml — 520k. Có niacinamide giúp giảm mụn.

> 3. Innisfree Daily UV Cleansing Sunscreen 50ml — 295k (giảm 15% còn 250k đến CN).

>

> Combo 1 (Anessa + tẩy trang đi kèm) đang 680k — tiết kiệm 80k.

>

> Em đang dùng sản phẩm gì rồi? Để em recommend phù hợp hơn."

(Câu trả lời cụ thể, có sản phẩm, có giá, có call-to-action, có khả năng cá nhân hóa thêm)

Khi nào SME cần RAG?

Khi 3 điều kiện cùng có:

1. Có catalog / content lớn (50+ sản phẩm hoặc 30+ trang FAQ / blog)
2. Khách hỏi câu liên quan đến nội dung đó thường xuyên
3. Câu hỏi đa dạng — không lặp đi lặp lại 5 câu giống nhau

Shop bán 1 product duy nhất + 5 câu FAQ → không cần RAG, chatbot đơn giản đủ.

Shop có 300+ product + FAQ + review + blog → cần RAG. Khác biệt rõ ràng.

RAG cho SME Việt — Addy approach

Vietnamese-tuned

RAG của Addy dùng embedding model fine-tune cho tiếng Việt (BGE-M3 + ViT5). Hiểu nghĩa câu tiếng Việt tốt hơn các solution Mỹ generic.

Pricing realistic

Build RAG custom thường $50k-$200k tại Mỹ. Addy productized → từ 10tr / tháng cho SME.

Setup time

3–4 tuần từ data thô đến production RAG. Có audit trước để check data ready hay chưa.

Bước tiếp

Xem Cơ sở tri thức AI (RAG) product page hoặc đặt lịch tư vấn.