Tương lai của Retrieval trong AI Agent: Từ RAG đến Context Engineering và MCP

Tương lai của Retrieval trong AI Agent: Từ RAG đến Context Engineering và MCP

Sự chững lại của cuộc đua LLM và bước chuyển sang Test-Time Compute

Trong suốt gần một thập kỷ, sự tiến bộ của các mô hình ngôn ngữ lớn (LLM) tuân theo một quy luật dường như bất biến: tăng kích thước mô hình, kéo dài thời gian huấn luyện và bổ sung dữ liệu quy mô lớn để đạt được hiệu năng vượt trội. Tuy nhiên, các phân tích kỹ thuật trong giai đoạn 2025–2026 cho thấy quy luật mở rộng (scaling laws) truyền thống đang dần chạm tới điểm bão hòa. Việc tăng gấp mười lần tài nguyên tính toán huấn luyện trước (pre-training) giờ đây không còn mang lại sự nhảy vọt mười lần về năng lực thực tế, mà chỉ tạo ra mức cải thiện khiêm tốn khoảng 10% đến 20% trên các tác vụ suy luận phức tạp nhất.

Sự chậm lại của cuộc đua tham số xuất phát từ những giới hạn vật lý và cấu trúc dữ liệu cốt lõi:

Trước bối cảnh đó, trọng tâm phát triển của ngành công nghiệp AI đã dịch chuyển từ việc mở rộng tham số tĩnh sang tối ưu hóa hiệu năng động thông qua năng lực tính toán tại thời điểm suy luận (test-time compute hoặc inference-time compute). Thay vì cố gắng ghi nhớ toàn bộ tri thức nhân loại vào trọng số mô hình (parametric knowledge), các kiến trúc hiện đại tập trung vào việc cho phép mô hình dành thêm tài nguyên tính toán để lên kế hoạch, kiểm định giả thuyết và thực hiện các vòng lặp sửa lỗi ngay khi xử lý truy vấn. Bước chuyển dịch này biến hệ thống AI từ một bộ máy phản xạ ngôn ngữ tức thì thành một thực thể có khả năng suy nghĩ sâu, phân bổ tài nguyên lập luận một cách linh hoạt và tối ưu hóa chi phí vận hành trên mỗi token đầu ra.

Vai trò nút thắt của Retrieval trong kiến trúc tác nhân AI

Sự tiến hóa từ các chatbot hội thoại đơn giản sang các tác nhân AI tự trị (AI Agents) có khả năng thực hiện các chuỗi tác vụ dài hạn (long-horizon tasks) đã đặt ra những thách thức chưa từng có đối với năng lực thực thi. Khi một tác nhân phải hoạt động độc lập qua hàng chục hoặc hàng trăm bước tương tác để hoàn thành một mục tiêu phức tạp, xác suất xảy ra lỗi trong quá trình thực thi sẽ tích lũy theo hàm mũ.

Trong chuỗi hành động của tác nhân AI, việc lập kế hoạch (planning) và thực thi (execution) là hai cấu phần tách biệt. Các thử nghiệm thực tế chỉ ra rằng tác nhân thường hiểu rõ kế hoạch cần làm, nhưng thất bại chủ yếu ở khâu thực thi do không tiếp cận được thông tin chính xác tại thời điểm cần thiết. Lúc này, hệ thống truy xuất thông tin (Retrieval) không còn là một tính năng phụ trợ mà trở thành điểm nghẽn quyết định sự thành bại của toàn bộ kiến trúc tác nhân.

Nếu không có một cơ chế truy xuất động hiệu quả, tác nhân AI sẽ nhanh chóng rơi vào trạng thái mất phương hướng do cửa sổ ngữ cảnh bị lấp đầy bởi các thông tin nhiễu, dẫn đến sự phân rã năng lực lập luận. Việc tối ưu hóa bộ truy xuất giúp tinh gọn lượng token đưa vào mô hình, giải phóng ngân sách chú ý (attention budget) của LLM và đảm bảo rằng mỗi hành động của tác nhân đều được neo giữ trên những dữ liệu thực tế đáng tin cậy nhất.

Bản chất của ảo giác: Sai số từ hệ thống truy xuất hay giới hạn của bộ sinh

Hiện tượng ảo giác (hallucination) trong các hệ thống RAG thường bị quy kết một cách đơn giản là do sự hạn chế của năng lực sinh ngôn ngữ của LLM. Tuy nhiên, các nghiên cứu chuyên sâu về cơ chế nội tại của mô hình đã bóc tách hiện tượng này thành các lỗi hệ thống phức tạp hơn, có sự đan xen giữa khâu truy xuất và khâu tạo mẫu.

Để hiểu rõ bản chất của ảo giác, cần phân biệt ba loại sai số cấu trúc sau:

Dưới góc nhìn động lực học hệ thống, ảo giác của bộ sinh không hoàn toàn là sự ngẫu nhiên. Khi thực hiện phân tích phân nhánh quỹ đạo (bifurcation analysis) trên cùng một truy vấn với nhiệt độ (temperature) lớn hơn không, mô hình có thể phân tách thành hai quỹ đạo đầu ra hoàn toàn khác biệt: một bên chính xác tuyệt đối và một bên là ảo giác tự tin.

Sự phân nhánh này xảy ra rất sớm trong quá trình giải mã tự hồi quy (thường là tại các tầng trung gian, ví dụ tầng 15 của một mô hình 1.5 tỷ tham số). Khi kích hoạt của dòng trạng thái dư (residual stream) bị rơi vào lực hút của vực hấp dẫn (attractor basin) của quỹ đạo ảo giác, việc can thiệp để kéo mô hình quay lại quỹ đạo đúng là cực kỳ khó khăn. Ngược lại, việc đẩy một mô hình đang đi đúng hướng sang quỹ đạo ảo giác lại dễ dàng hơn nhiều.

Hiện tượng này chứng minh rằng ảo giác có tính chất của một trạng thái động lực học ổn định không đối xứng. Sự hiện diện của thông tin nhiễu từ bộ truy xuất kém chất lượng hoạt động như một lực đẩy mạnh mẽ, dễ dàng xô lệch kích hoạt nội tại của mô hình rơi vào vùng ảo giác.

Hơn nữa, các phân tích lan truyền liên quan theo tầng (Layer-wise Relevance Propagation) chỉ ra rằng ảo giác về tính trung thực (faithfulness hallucination) xảy ra khi mô hình phân bổ trọng số chú ý quá cao vào các token liên kết cấu trúc (linking tokens) và các thực thể phổ biến (entity popularity) thay vì bám sát vào ngữ cảnh thực tế được cung cấp trong tài liệu. Điều này tái khẳng định rằng để triệt tiêu ảo giác, việc thiết kế một bộ ngữ cảnh sạch, có độ nhiễu tối thiểu thông qua kỹ thuật truy xuất là yếu tố tiên quyết.

Sự tiến hóa của tác nhân AI và sự dịch chuyển từ Model-Centric sang Knowledge-Centric

Hệ sinh thái kiến trúc AI Agent đã trải qua các nấc thang tiến hóa rõ rệt, dịch chuyển từ việc tối ưu hóa câu lệnh tĩnh sang việc xây dựng các hệ thống có khả năng tự quản lý tri thức và hành động.

Trong kỷ nguyên tác nhân tự trị, "Tri thức" (Knowledge) được định vị là có tầm quan trọng vượt trội so với bản thân "Mô hình" (Model). Khi năng lực của các mô hình nền tảng dần tiệm cận một giới hạn chung do sự bão hòa của công nghệ huấn luyện, sự khác biệt mang tính cạnh tranh của các hệ thống AI nằm ở chất lượng, cấu trúc và khả năng kiểm soát của nguồn tri thức độc quyền.

Một mô hình có kích thước trung bình nhưng được vận hành trên một đồ thị tri thức chuẩn hóa, sạch sẽ và được cập nhật thời gian thực sẽ luôn mang lại hiệu năng ổn định, an toàn và chi phí thấp hơn nhiều so với một mô hình biên (frontier model) khổng lồ hoạt động trên một kho dữ liệu phi cấu trúc hỗn loạn. Việc chuyển dịch từ tư duy lấy mô hình làm trung tâm (model-centric) sang lấy kiến trúc tri thức làm trung tâm (architecture-centric) là xu hướng tất yếu của các hệ thống AI doanh nghiệp.

Lộ trình phát triển kỹ thuật của các kiến trúc RAG

Để đáp ứng các yêu cầu khắt khe về độ chính xác và tính toàn vẹn của thông tin, các kỹ thuật truy xuất trong RAG đã trải qua một lộ trình tối ưu hóa liên tục:

Naive RAG

Kiến trúc sơ khai hoạt động theo cơ chế một lần (single-pass): phân mảnh văn bản thô, chuyển đổi thành vector, tìm kiếm độ tương đồng cosine và đưa trực tiếp vào mô hình sinh. Điểm yếu của phương pháp này là dễ mất mát thông tin ngữ cảnh xung quanh và nhạy cảm với các phân mảnh cắt ngang phân đoạn ý nghĩa.

Advanced RAG

Bổ sung các bước tiền xử lý và hậu xử lý để lọc nhiễu. Các kỹ thuật nổi bật bao gồm việc mở rộng truy vấn (query transformation) và tối ưu hóa việc định hình ngữ cảnh trước khi đưa vào LLM.

Hybrid Search (Tìm kiếm lai)

Kết hợp sức mạnh của tìm kiếm vector (semantic search) để bắt giữ ngữ nghĩa tổng quát và tìm kiếm từ khóa truyền thống (như BM25) để định vị chính xác các mã sản phẩm, thuật ngữ chuyên ngành hoặc số định danh. Sự kết hợp này giúp giảm thiểu đáng kể các khoảng trống truy xuất trong môi trường dữ liệu phức tạp.

Reranker (Bộ tái xếp hạng)

Sử dụng các mô hình học máy chuyên dụng (như Cross-Encoders) để tính toán điểm tương đồng chéo giữa truy vấn và tập hợp các tài liệu được trả về từ bước tìm kiếm ban đầu. Bộ tái xếp hạng giúp lọc bỏ các tài liệu có độ tương đồng vector cao nhưng không thực sự chứa câu trả lời trực tiếp cho câu hỏi.

Parent Document & Hierarchical Retrieval (Bộ truy xuất tài liệu gốc và Truy xuất phân cấp)

Giải quyết mâu thuẫn giữa kích thước mảnh dữ liệu (chunk size) đối với khâu truy xuất và khâu sinh. Hệ thống thực hiện chia tài liệu thành các mảnh nhỏ (child chunks) để tối ưu hóa độ chính xác khi tìm kiếm vector.

Tuy nhiên, thay vì đưa mảnh nhỏ này vào LLM, hệ thống sẽ ánh xạ và truy xuất toàn bộ phân đoạn lớn hơn chứa nó (parent document) hoặc các bản tóm tắt cấp cao hơn. Điều này đảm bảo LLM nhận được đầy đủ dòng chảy mạch lạc của văn bản gốc mà không làm loãng độ chính xác của bộ chỉ mục vector.

Corrective RAG (CRAG)

Giới thiệu một bộ đánh giá chất lượng truy xuất độc lập (Retrieval Evaluator) để phân loại các tài liệu được trả về thành ba trạng thái: Chính xác (Correct), Sai lệch (Incorrect), hoặc Mơ hồ (Ambiguous).

Nếu kết quả được đánh giá là sai lệch hoặc không đủ thông tin, hệ thống sẽ kích hoạt một cơ chế sửa lỗi bằng cách chủ động thực hiện tìm kiếm web bên ngoài (web search fallback) để bổ sung và tinh lọc ngữ cảnh thời gian thực.

Self-RAG (RAG tự phản hồi)

Đạt đến mức độ tự trị cao bằng cách huấn luyện mô hình sinh để tự sinh ra các token phản hồi đặc biệt (reflection/critique tokens) trong quá trình tạo văn bản. Các token này cho phép mô hình tự quyết định xem có cần thực hiện truy xuất bổ sung hay không, đánh giá mức độ liên quan của tài liệu thu được, và kiểm định xem câu trả lời được viết ra có thực sự được bảo chứng bởi ngữ cảnh hay không.

Phân tích và so sánh chuyên sâu các kiến trúc truy xuất

Để cung cấp một cái nhìn toàn diện cho các kỹ sư hệ thống, dưới đây là bảng so sánh chi tiết giữa các kiến trúc truy xuất từ cơ bản đến nâng cao:

Bảng 1: Ma trận so sánh cấu trúc các kiến trúc Retrieval

Bảng 2: Phân tích khía cạnh vận hành của các kiến trúc truy xuất

Định vị kịch bản tối ưu: Tại sao mới hơn không đồng nghĩa với tốt hơn

Một sai lầm phổ biến trong thiết kế hệ thống AI là giả định rằng các kiến trúc ra đời sau, phức tạp hơn như GraphRAG hay Agentic Retrieval sẽ luôn mang lại hiệu quả tốt hơn trong mọi kịch bản. Trên thực tế, mỗi công nghệ được thiết kế để giải quyết một nhóm bài toán đặc thù và đi kèm với những đánh đổi nghiêm trọng về tài nguyên:

Kỹ nghệ Ngữ cảnh: Sự dịch chuyển tất yếu từ Prompt Engineering

Sự thoái trào của Prompt Engineering truyền thống

Kỷ nguyên của việc giải quyết mọi vấn đề bằng cách tinh chỉnh các câu chữ trong prompt (Prompt Engineering) đang dần khép lại. Bản chất của Prompt Engineering là việc thiết kế các chỉ dẫn tĩnh cho mô hình tại một thời điểm suy luận đơn lẻ. Phương pháp này hoàn toàn bất lực khi tác nhân AI bước vào các quỹ đạo vận hành dài hạn với hàng trăm bước tương tác. Prompt tĩnh không thể giải quyết được các bài toán quản lý trạng thái, đồng bộ kết quả từ các công cụ ngoại vi, hay duy trì một bộ nhớ nhất quán qua nhiều phiên làm việc.

Sự phát triển thực tế đòi hỏi một tư duy hệ thống hơn: Context Engineering (Kỹ nghệ Ngữ cảnh). Khái niệm này ban đầu được đưa ra bởi CEO của Shopify, Tobi Lütke, định nghĩa Context Engineering là nghệ thuật cung cấp toàn bộ bối cảnh cần thiết cho một tác vụ để LLM có thể giải quyết nó một cách hợp lý nhất. Context Engineering coi cửa sổ ngữ cảnh của LLM như một nguồn tài nguyên hữu hạn, có tính biến động cao và cần được quản lý một cách nghiêm ngặt thông qua các thuật toán và cấu trúc dữ liệu chuyên biệt.

Giải phẫu cấu trúc ngữ cảnh của AI Agent

Một hệ thống quản lý ngữ cảnh toàn diện cho tác nhân AI hiện đại là sự tổng hòa của nhiều thành phần thông tin động:

Tại sao Context Engineering là trái tim của hệ thống tác nhân

Sự cần thiết của Context Engineering xuất phát trực tiếp từ các giới hạn vật lý và kiến trúc của mô hình Transformer. Việc kéo dài ngữ cảnh vượt quá giới hạn huấn luyện gốc bằng các kỹ thuật nội suy thường dẫn đến sự suy giảm độ chính xác trong lập luận logic và định vị thông tin chi tiết.

Mô hình Transformer yêu cầu mọi token đầu vào phải chú ý đến tất cả các token khác, tạo ra độ phức tạp tính toán tăng theo bình phương của chiều dài chuỗi. Khi cửa sổ ngữ cảnh bị nhồi nhét vô tội vạ, mô hình sẽ gặp phải hiện tượng mục nát ngữ cảnh (context rot), dẫn đến việc suy giảm khả năng chú ý và bỏ sót thông tin quan trọng ở giữa văn bản.

Nếu không có Context Engineering, tác nhân AI sẽ nhanh chóng rơi vào bốn trạng thái lỗi nghiêm trọng sau đây:

Để giải quyết các rào cản này, Anthropic đã đề xuất các chiến lược quản lý ngữ cảnh mạnh mẽ. Tiêu biểu là việc thiết lập bộ nhớ động qua công cụ lưu trữ memories có cấu trúc, cho phép tác nhân tự động ghi chép các quy tắc rút ra từ thực tế.

Đồng thời, hệ thống áp dụng cơ chế hiệu chỉnh ngữ cảnh tự động như tự động xóa lịch sử gọi công cụ cũ (clear tool uses) và giải phóng các khối tư duy kéo dài (clear thinking blocks) khi lượng token vượt ngưỡng tối ưu (thường từ 30k đến 40k token trong môi trường sản xuất).

Bên cạnh đó, việc phân tách ngữ cảnh thông qua mô hình đa tác nhân (multi-agent isolation) cũng giúp tối ưu hóa hiệu năng. Thay vì một tác nhân xử lý mọi tác vụ trong một cửa sổ ngữ cảnh khổng lồ, công việc được chia nhỏ cho các tác nhân phụ chuyên biệt, vận hành song song với các cửa sổ ngữ cảnh được cô lập hoàn toàn. Mặc dù mô hình này tiêu tốn lượng token lớn hơn và đòi hỏi cơ chế điều phối phức tạp, nhưng nó mang lại độ chính xác vượt trội nhờ loại bỏ hiện tượng xao nhãng thông tin.

Giao thức Model Context Protocol và chuẩn hóa tương tác ngoại vi

Định vị chính xác bản chất của MCP

Model Context Protocol (MCP) là một tiêu chuẩn mở được Anthropic công bố vào tháng 11 năm 2024 nhằm giải quyết bài toán tích hợp thông tin của các hệ thống AI. Nhằm tránh những hiểu lầm phổ biến trong cộng đồng phát triển, cần khẳng định rõ các ranh giới công nghệ của MCP:

Về mặt bản chất, MCP là một giao thức truyền thông được thiết kế để giải quyết triệt để bài toán tích hợp dữ liệu dạng . Trước khi có MCP, mỗi khi nhà phát triển muốn kết nối một mô hình AI ( mô hình) với một nguồn dữ liệu hoặc công cụ mới ( hệ thống như Github, Slack, Postgres, Jira), họ phải viết các đoạn mã tích hợp (glue code) và định nghĩa schema công cụ riêng biệt cho từng cặp kết nối.

MCP chuẩn hóa giao diện này bằng cách thiết lập một ngôn ngữ chung, cho phép bất kỳ mô hình tương thích nào cũng có thể cắm và chạy (plug-and-play) với bất kỳ nguồn tài nguyên nào hỗ trợ giao thức, tương tự như vai trò của cổng USB-C trong thế giới phần cứng hay giao thức LSP (Language Server Protocol) trong các trình soạn thảo mã nguồn.

Kiến trúc kỹ thuật của Model Context Protocol

MCP vận hành theo mô hình Khách \- Chủ (Client-Server) rõ ràng, chạy trên nền tảng của các thông điệp JSON-RPC 2.044:

Client và Server giao tiếp thông qua tầng vận chuyển (Transport Layer) hỗ trợ hai cơ chế chính: Standard Input/Output (stdio) tối ưu cho các kết nối cục bộ tốc độ cao và Server-Sent Events (SSE) dành cho các kết nối từ xa thời gian thực thông qua giao thức HTTP.

So sánh bản chất: RAG và MCP

Để định hình rõ ràng chiến lược phát triển kiến trúc AI, các nhà thiết kế cần phân biệt rõ sự khác nhau mang tính bản chất giữa RAG và MCP:

Sự kết hợp giữa RAG và MCP tạo nên một chuỗi hành động khép kín hoàn hảo cho tác nhân AI. RAG giúp AI biết nhiều hơn, trong khi MCP giúp AI làm được nhiều việc hơn.

Tầm nhìn 3–5 năm tới: Sự hội tụ của các kiến trúc lai

Xu hướng phát triển của các hệ thống AI Agent trong vòng 3 đến 5 năm tới sẽ không chứng kiến sự thống trị độc tôn của bất kỳ một kỹ thuật đơn lẻ nào. Thay vào đó, ngành công nghiệp đang hướng tới sự hội tụ mạnh mẽ vào các kiến trúc lai (Hybrid Architectures) kết hợp nhiều phương pháp bổ trợ cho nhau.

Trong một hệ thống AI tác nhân doanh nghiệp hoàn chỉnh, các mảnh ghép công nghệ này sẽ phối hợp nhịp nhàng trong một chỉnh thể thống nhất:

Các nghiên cứu thực tế về kiến trúc lai đã ghi nhận những kết quả vô cùng hứa hẹn, tiêu biểu như việc cắt giảm từ 19% đến 53% lượng token tiêu tốn nhờ vào các phương pháp biểu diễn ngữ cảnh thông minh kết hợp giữa văn bản và đồ thị. Việc tối ưu hóa sự phối hợp này không chỉ nâng cao tỷ lệ thực thi tác vụ thành công mà còn giải quyết triệt để bài toán kinh tế về chi phí vận hành AI ở quy mô công nghiệp. Tương lai của AI Agent không nằm ở việc sở hữu một bộ não lớn hơn, mà nằm ở một hệ thống được thiết kế đồng bộ, nơi tri thức và khả năng kết nối ngoại vi được vận hành một cách hoàn hảo.

#### Nguồn trích dẫn