Giới thiệu Series
RAG Thực Chiến là khóa học chuyên sâu về Retrieval-Augmented Generation — kỹ thuật cho phép LLM truy cập và sử dụng dữ liệu riêng của bạn (tài liệu nội bộ, knowledge base, database) để trả lời chính xác và cập nhật.
🎯 Tại sao RAG quan trọng? RAG là kỹ thuật #1 được doanh nghiệp áp dụng để giải quyết 3 vấn đề lớn nhất của LLM: hallucination (bịa đặt), knowledge cutoff (kiến thức cũ), và domain-specific knowledge (kiến thức chuyên ngành).
Bạn sẽ học được gì?
Phần 1: Nền tảng RAG
- Bài 1: RAG là gì? Kiến trúc Retrieve → Augment → Generate
- Bài 2: Embedding Models: OpenAI, Cohere, Open-source cho tiếng Việt
- Bài 3: Vector Databases: Chroma, Qdrant, Pinecone — setup & so sánh
Phần 2: Document Processing Pipeline
- Bài 4: Document Loading: PDF, DOCX, Web, YouTube, Code repos
- Bài 5: Chunking Strategies: fixed vs semantic vs recursive
- Bài 6: Metadata, Filtering & Hybrid Search
Phần 3: Advanced RAG Techniques
- Bài 7: Query Transformation: HyDE, Multi-Query, Step-Back
- Bài 8: Re-Ranking & Contextual Compression
- Bài 9: 🔥 Graph RAG — Knowledge Graph + Vector Search
- Bài 10: 🔥 Multimodal RAG — Ảnh, bảng, biểu đồ trong tài liệu
Phần 4: Production RAG
- Bài 11: 🔥 Agentic RAG — Agent tự quyết định khi nào retrieve
- Bài 12: RAG Evaluation: RAGAS framework
- Bài 13: Deploy lên Production: API, caching, monitoring
- Bài 14: Capstone: "Chat with Documents" hoàn chỉnh
Yêu cầu đầu vào
- Python trung cấp (async/await, file I/O, API calls)
- Hiểu cơ bản về LLM và Prompt Engineering
- Tài khoản OpenAI hoặc Anthropic (cho embedding + LLM calls)
Công cụ sử dụng
Python 3.11+ | Ngôn ngữ chính
OpenAI / Anthropic | LLM APIs + Embeddings
ChromaDB / Qdrant | Vector Databases
LangChain | RAG framework
LlamaIndex | Alternative RAG framework
Unstructured.io | Document processing
Neo4j | Graph database (Graph RAG)
RAGAS | RAG evaluation
FastAPI | Production API