Wavi Books · AI, LLM & AI Agent

Vector Database là gì? Vai trò của vector DB trong RAG và AI

Nguyễn Minh Trí · Biên tập chuyên môn Wavi Books

Vector Database là gì, cách lưu embedding, tìm kiếm tương đồng và tiêu chí chọn vector DB cho hệ thống RAG, chatbot và AI Agent.

## Vector Database là gì

Vector database là hệ thống lưu trữ và truy vấn các vector nhiều chiều, thường được tạo từ văn bản, hình ảnh hoặc âm thanh bằng mô hình embedding. Nó giúp tìm đối tượng gần nghĩa thay vì chỉ khớp chính xác từ khóa.

Trong RAG, vector DB thường lưu các đoạn tài liệu và metadata. Khi có câu hỏi, hệ thống biến câu hỏi thành vector, tìm các đoạn gần nhất rồi cung cấp chúng cho LLM.

## Những khái niệm cốt lõi cần nắm

- Embedding model quyết định không gian ngữ nghĩa.

- Khoảng cách cosine hoặc dot product dùng để xếp hạng.

- Metadata filter thu hẹp phạm vi tìm kiếm.

- Hybrid search kết hợp vector với từ khóa.

## Lộ trình thực hành từng bước

- Bước 1: Đo chất lượng embedding trên dữ liệu tiếng Việt.

- Bước 2: Thiết kế metadata theo quyền và loại tài liệu.

- Bước 3: Benchmark độ chính xác, độ trễ, khả năng sao lưu và chi phí vận hành.

## Những sai lầm thường gặp

- Chọn công cụ trước khi có dữ liệu kiểm thử.

- Không quản lý phiên bản embedding.

- Bỏ qua phân quyền ở tầng truy xuất.

## Góc nhìn dành cho người học và developer Việt Nam

Dữ liệu tiếng Việt có tên riêng, viết tắt và thuật ngữ pha tiếng Anh. Vì vậy cần kiểm thử truy vấn thật thay vì dựa hoàn toàn vào benchmark tiếng Anh.

## Nên học tiếp như thế nào?

Sau khi nắm phần cốt lõi, bạn nên tự xây một dự án nhỏ, ghi lại giả định, tiêu chí đánh giá và giới hạn của giải pháp. Các sách liên quan được Wavi Books gợi ý trong bài giúp bạn đào sâu kiến thức theo lộ trình có hệ thống thay vì chỉ ghép các hướng dẫn rời rạc.