RAG là gì – Cách AI “nhớ” vault Obsidian của bạn

Tại sao AI quên tất cả sau mỗi cuộc hội thoại?

Mỗi lần bạn mở cồng hội thoại mới với AI, mọi thứ bắt đầu từ đầu. AI không nhớ bạn là ai, không nhớ những gì bạn đã nói tuần trước, không biết về các dự án đang chạy hay kiến thức cỡ sở của bạn.

Đây là vấn đề cốt lõi của AI hôm nay: context window hữu hạn. Không thể nhừ vào context toàn bộ vault Obsidian 10.000 note của bạn mỗi lần hỏi. RAG là giải pháp.

RAG là gì?

RAG (Retrieval-Augmented Generation) là kỹ thuật cho phép AI tìm kiếm thông tin liên quan từ knowledge base trước khi trả lời – thay vì chỉ dựa vào kiến thức đã được training.

Nói đơn giản hơn: thay vì AI phải nhớ mọi thứ, AI tra cứu những gì cần biết trước khi nói. Giống như một chuyên gia giỏi không cần thuộc lòng mọi thứ – hỏ biết cách tìm đúng tài liệu vào đúng lúc.

RAG hoạt động như thế nào với Obsidian?

Bước 1: Embed vault

Tất cả note trong vault được chuyển đổi thành vector embeddings – dạng biểu diễn số học của ý nghĩa. Note có nội dung tương đồng sẽ có vector gần nhau trong không gian đa chiều.

Bước 2: Lưu vector database

Các vectors được lưu trong database cục bộ (local) – Smart Connections plugin làm điều này bên trong Obsidian.

Bước 3: Query

Khi bạn hỏi AI một câu hỏi, câu hỏi cũng được embed và so sánh với vector database.

Bước 4: Retrieve

Hệ thống lấy ra 5-20 note có độ tương đồng cao nhất với câu hỏi.

Bước 5: Generate

Những note này được đưa vào context của AI cùng với câu hỏi gốc. AI trả lời dựa trên cả kiến thức training lẫn thông tin thực tế từ vault của bạn.

RAG cho Obsidian: Các lựa chọn thực tế

Smart Connections Plugin

Plugin phổ biến nhất cho RAG trong Obsidian. Embed toàn bộ vault cục bộ, tự động phát hiện liên kết giữa các note, và có giao diện chat truy vấn thẳng trong Obsidian. Hỗ trợ cả local LLM và cloud model.

Copilot Plugin

Kết hợp RAG với chat interface đầy đủ trong Obsidian. Có chế độ “Vault QA” – hỏi đáp trực tiếp với toàn bộ kiến thức của bạn.

MCP + Claude

Kết hợp MCP server với Smart Connections – Claude có thể tự truy cập vault, tìm kiếm semantic và làm việc với kết quả trực tiếp.

Tại sao Atomic Notes cải thiện RAG?

Chất lượng của RAG phụ thuộc trực tiến vào chất lượng của các chunks được retrieve. Nếu mỗi note đang chứa 5 ý tưởng lẫn lộn, chunk đó sẽ cho điểm tương đồng mờ với những câu hỏi khác nhau.

Khi vault được xây bằng Atomic Notes, mỗi chunk = một ý tưởng rõ ràng → RAG retrieve chính xác hơn, những gì thực sự liên quan đến câu hỏi được chọn ra thay vì những chunk đa nghĩa.

Local RAG vs. Cloud RAG

Một lợi thế lớn của Obsidian: RAG có thể chạy hoàn toàn local. Dữ liệu của bạn không rời khỏi máy. Embedding chạy trên CPU/GPU của bạn, queries chạy local.

Đối với solo expert làm việc với dữ liệu khách hàng nhạy cảm, đây là điều kiện không thể thiếu.

Giới hạn của RAG cần biết

• Chất lượng đầu vào: Vault lộn xộn → kết quả lộn xộn. RAG không sửa được ghi chú tồi
• Không phải tìm kiếm toàn cục: RAG tìm những gì tương đồng, không phải những gì liên quan logic
• Cần maintenance: Thêm note mới cần re-embed, vector database có thể lỗi thời

Kết

RAG biến vault Obsidian thành bộ nhớ dài hạn của AI. Không còn cảnh “quên hết sau mỗi session”. Vault của bạn đang chứa năm trời kiến thức, trải nghiệm, và insight – RAG giúp AI đọc được kho đó một cách có hệ thống.

Cùng với MCP và Atomic Notes, RAG là một trong ba trụ cột kỹ thuật của PKM cho AI Agent.

Đọc thêm trong series PKM × AI Agent:

• PKM cho AI Agent là gì – Biến vault Obsidian thành brain của AI
• MCP + Obsidian – Kết nối AI trực tiếp với vault
• Atomic Notes là gì – Đơn vị kiến thức nhỏ nhất
• Local LLM là gì – Chạy AI trên máy của bạn
• Knowledge Graph là gì – Mạng lưới kiến thức của bạn

Xem thêm: https://dochidung.com/pkm-cho-ai-agent-la-gi/

Bài viết liên quan

• PKM cho AI Agent là gì
• MCP + Obsidian
• Atomic Notes là gì
• Local LLM là gì
• Knowledge Graph là gì
• Obsidian là gì