EP220: RAG vs Graph RAG vs Agentic RAG

KẾT LUẬN

Standard RAG nhanh-rẻ nhưng dễ sai nếu truy xuất sai chunk; Graph RAG mạnh với tri thức có cấu trúc nhưng tốn kém khi xây dựng; Agentic RAG linh hoạt và tự sửa lỗi nhưng chậm-đắt-khó debug. Chọn cách nào phụ thuộc vào bài toán: tốc độ, độ chính xác, hay suy luận đa bước.

LUẬN ĐIỂM CHÍNH

• Standard RAG: Truy vấn → embedding → vector DB → top-K chunks → LLM sinh câu trả lời, nhanh và rẻ nhưng không có cơ chế tự sửa sai nếu chunk truy xuất sai
• Graph RAG: Phân loại câu hỏi (cục bộ/toàn cục) → với local search thì embedding + duyệt knowledge graph lấy context liên kết; global search dùng community reports, không cần vector search hay graph traversal
• Agentic RAG: Reasoning agent phân rã câu hỏi thành sub-questions → truy xuất đa nguồn → verification agent kiểm tra context có trả lời được không → nếu chưa đủ thì truy xuất lại → LLM tổng hợp đáp án cuối
• Tiêu chí lựa chọn: Standard RAG dùng khi câu trả lời nằm trong tài liệu và cần tốc độ; Graph RAG cho dữ liệu có cấu trúc như pháp lý, y sinh; Agentic RAG cho câu hỏi cần suy luận nhiều bước và tự điều chỉnh

LUẬN ĐIỂM PHỤ

• Graph RAG chia 2 nhánh: local search dùng vector DB + graph traversal, global search chỉ dùng community reports đã được tính sẵn
• Agentic RAG có cơ chế verification loop: nếu context chưa đủ sẽ tự động truy xuất lại cho đến khi đạt
• Standard RAG không có bước kiểm tra chất lượng context nên lỗi từ khâu retrieval sẽ lan thẳng đến output cuối

LUẬN CỨ & VÍ DỤ

• Standard RAG: embedding query → vector DB trả top-K chunks → LLM trả lời, dùng tốt khi câu trả lời có sẵn trong tài liệu
• Graph RAG: local search đi từ entity trong vector DB → lan theo knowledge graph thu thập context liên kết → LLM tổng hợp; global search nạp toàn bộ community reports → LLM chấm điểm → top context → tổng hợp
• Agentic RAG: Agent đọc query → chia nhỏ thành sub-questions → truy xuất web/docs/DBs → agent khác kiểm tra context đã trả lời được chưa → nếu thiếu thì lặp lại → cuối cùng LLM tổng hợp đáp án

Nguồn: ByteByteGo | Phân tích bởi AI