Vector database là gì? Giải thích dễ hiểu cho RAG và chatbot AI

Mục lục bài viết

Vector database là gì? Hiểu đơn giản để xây chatbot biết tìm tài liệu đúng

Bạn từng tìm một tài liệu trong Google Drive bằng từ khóa và không ra, dù chắc chắn nó có ở đó chưa?

• Bạn gõ “quy trình hoàn tiền”. Tài liệu thật lại ghi “chính sách refund”.  
• Bạn gõ “bảo hành máy lọc nước”. File thật lại tên là “after-sales support policy”.  
• Bạn gõ “nghỉ phép cưới”. Handbook lại viết “leave for personal events”.

Tìm kiếm từ khóa đôi khi giống hỏi đúng mật khẩu. Sai một chữ là cửa không mở.

Vector database sinh ra để giải quyết kiểu tìm kiếm dựa trên ý nghĩa, không chỉ dựa trên từ khóa trùng nhau.

Udemy giải thích vector database là nơi lưu dữ liệu dưới dạng embedding số để hỗ trợ similarity search theo nghĩa, phục vụ semantic search, RAG và recommendation. MongoDB cũng mô tả vector database là công nghệ giúp tìm các vector tương tự bằng cách so sánh embeddings thay vì chỉ tìm khớp chính xác.

Vector là gì mà nghe căng vậy?

Nói đơn giản, vector là một dãy số đại diện cho ý nghĩa của một nội dung.

Một đoạn văn, hình ảnh, câu hỏi, sản phẩm, bài hát, ticket support - tất cả có thể được chuyển thành vector bằng embedding model.

Ẩn dụ đời thường: thay vì mô tả món ăn bằng tên, ta chấm điểm nó trên nhiều trục: cay, mặn, béo, giòn, ngọt, thơm, nhiều rau, nhiều đạm. Món “bún bò” và “phở bò” không trùng tên, nhưng có thể gần nhau trên bản đồ hương vị. Món “chè bưởi” thì nằm xa hơn.

Vector database lưu những “bản đồ ý nghĩa” như vậy, để khi bạn hỏi một câu, hệ thống tìm các nội dung gần nghĩa nhất.

Vì sao database truyền thống chưa đủ?

Database truyền thống rất giỏi với dữ liệu có cấu trúc:

• Tìm đơn hàng ID 123.
• Lọc khách hàng ở Hà Nội.
• Lấy giao dịch từ ngày A đến ngày B.
• Tính tổng doanh thu theo chi nhánh.

Nhưng với dữ liệu phi cấu trúc như tài liệu, email, transcript, review, ticket, hình ảnh, câu hỏi tự nhiên, tìm kiếm theo keyword dễ hụt.

Vector database không thay thế database truyền thống. Nó bổ sung một khả năng mới: tìm gần nghĩa.

Ví dụ:

• “Khách muốn hủy đơn” gần với “yêu cầu hoàn tiền”.
• “Nhân viên nghỉ cưới” gần với “leave for personal events”.
• “Laptop bị nóng khi render” gần với “thermal issue under heavy workload”.

Framework: 5 tầng của một hệ thống tìm kiếm bằng nghĩa

Để hiểu vector database trong ứng dụng AI, hãy hình dung 5 tầng.

Tầng 1: Dữ liệu gốc

Đó có thể là PDF, website, file chính sách, bài viết, review, ticket, catalog sản phẩm, transcript họp.

Tầng 2: Chunking

Tài liệu dài được chia thành đoạn nhỏ. Nếu chunk quá dài, tìm không chính xác. Nếu chunk quá ngắn, mất ngữ cảnh.

Tầng 3: Embedding

Mỗi đoạn được chuyển thành vector bằng embedding model.

Tầng 4: Vector database

Các vector được lưu, đánh index và truy vấn theo độ gần nhau. Một số hệ thống còn hỗ trợ metadata filter, hybrid search hoặc full-text search.

Weaviate mô tả mình là open-source AI vector database lưu cả object và vector embeddings, hỗ trợ semantic search và RAG. Chroma cho biết nền tảng của họ hỗ trợ lưu embeddings, metadata, dense/sparse search, metadata filtering và retrieval đa phương thức.

Tầng 5: Ứng dụng

Đây là nơi người dùng thấy giá trị:

• Chatbot hỏi đáp tài liệu.
• Search nội bộ.
• Gợi ý sản phẩm.
• Phân nhóm feedback.
• Tìm ticket tương tự.
• RAG cho LLM.

Pinecone mô tả mình là vector database fully managed cho AI, tập trung vào việc lưu, index và query vector ở quy mô lớn.

Mini case: Chatbot chính sách nội bộ cho công ty 300 nhân sự

Một công ty dịch vụ ở Việt Nam có handbook nhân sự, quy trình IT, hướng dẫn tài chính, chính sách nghỉ phép, phụ lục bảo hiểm. Tất cả nằm trong Drive, Notion và vài file PDF cũ.

Nhân viên hỏi HR:

• Nghỉ phép cưới được mấy ngày?
• Mua thiết bị mới thì xin ai duyệt?
• Công tác tỉnh có được hoàn taxi không?
• Thử việc có được tham gia bảo hiểm bổ sung không?

Nếu dùng keyword search, nhân viên phải biết tài liệu tên gì. Nếu dùng LLM thuần, AI có thể đoán sai chính sách.

Giải pháp vector database + RAG:

1. Tài liệu chính thức được chọn và làm sạch.
2. Mỗi tài liệu chia thành chunk.
3. Chunk được chuyển thành embedding.
4. Embedding lưu trong vector database.
5. Khi nhân viên hỏi, hệ thống tìm đoạn gần nghĩa nhất.
6. LLM trả lời dựa trên đoạn được tìm và trích nguồn.

Kết quả không phải “AI biết mọi thứ”. Kết quả đúng hơn là: AI biết tìm đúng đoạn tài liệu trước khi trả lời.

Weaviate, Pinecone, Chroma: nên hiểu khác nhau thế nào?

Không nên chọn tool chỉ vì thấy nhiều người nhắc. Hãy chọn theo bối cảnh.

• Pinecone: Phù hợp khi bạn muốn dịch vụ managed, ít tự vận hành, ưu tiên scale và hiệu năng. Pinecone tự mô tả là vector database fully managed cho AI.
• Weaviate: Phù hợp khi bạn muốn open-source, semantic search, hybrid search, RAG và các tính năng AI-native trong một hệ sinh thái rộng. Weaviate docs mô tả đây là open-source AI vector database.
• Chroma: Phù hợp cho developer muốn bắt đầu nhanh, prototype RAG, thử nghiệm local hoặc xây ứng dụng retrieval gọn nhẹ. Chroma docs mô tả Chroma là open-source data infrastructure for AI và có nhiều thành phần retrieval built-in.

Nói ngắn:

• Prototype nhanh: Chroma.
• Open-source/AI-native nhiều tính năng: Weaviate.
• Managed scale cho production: Pinecone.

Đây là định hướng tham khảo, không phải chân lý. Production còn phụ thuộc bảo mật, chi phí, latency, đội vận hành, cloud stack và yêu cầu compliance.

Kết luận

1. Vector database giúp tìm kiếm theo ý nghĩa, không chỉ theo từ khóa.
2. Dữ liệu được chuyển thành embedding, lưu và truy vấn theo độ tương đồng.
3. Vector database là nền tảng quan trọng cho RAG, semantic search, recommendation và chatbot tài liệu.
4. Pinecone, Weaviate, Chroma phù hợp với những bối cảnh khác nhau.
5. Chất lượng hệ thống phụ thuộc mạnh vào dữ liệu, chunking, embedding, phân quyền và đánh giá retrieval.