Series Python, AI & Data đi từ thu thập và làm sạch dữ liệu tới machine learning, deep learning, xử lý ngôn ngữ tiếng Việt, LLM, RAG, agent và đưa mô hình vào vận hành, với code Python chạy thật và số liệu đo trên ...
Model Context Protocol là giao thức mở để ứng dụng AI (client) kết nối tới công cụ và dữ liệu bên ngoài (server) theo một chuẩn chung, thay vì mỗi ứng dụng tự viết adapter riêng cho từng hệ thống. Ant...
Vòng lặp tool calling tự viết ở bài trước đủ cho một agent đơn giản, nhưng nó có một điểm yếu: toàn bộ trạng thái nằm trong biến cục bộ của một hàm Python đang chạy. Quy trình càng có nhiều nhánh ("hỏ...
Một LLM chỉ sinh ra chữ. Muốn nó tra đơn hàng, tính phí vận chuyển hay hoàn tiền, bạn phải cho nó cách yêu cầu ứng dụng làm việc đó, và cơ chế chuẩn hiện nay là tool calling (còn gọi function calling)...
Crawler lấy được HTML chỉ là nửa đường; nửa còn lại là trích xuất dữ liệu thành bản ghi có kiểu rõ ràng để đưa vào database hay báo cáo. Cách trích xuất dữ liệu cổ điển là viết CSS selector hoặc XPath...
Bạn sửa prompt, đổi cách cắt chunk, thay mô hình embedding, và chatbot "có vẻ tốt hơn". Nhưng tốt hơn bao nhiêu, ở câu nào, và câu nào đang tệ đi mà bạn chưa thấy? Không có đánh giá RAG bài bản, mọi t...
Bài trước dừng ở một con số khó chịu: trong 22 câu hỏi, 4 câu RAG không đưa được đoạn đúng vào top-3. Khi đoạn đúng không có trong prompt thì mô hình bịa hoặc từ chối, và không prompt nào cứu được. Bà...
Một mô hình ngôn ngữ trả lời trôi chảy về chính sách đổi trả của cửa hàng bạn, nhưng con số "14 ngày" nó đưa ra không có trong bất kỳ tài liệu nào. Đó là lý do RAG (Retrieval-Augmented Generation, sin...
Sau bài Embedding và semantic search, câu hỏi tiếp theo của mọi dự án là: vector nằm ở đâu khi dữ liệu lớn dần, bị sửa, bị xoá và phải lọc theo cửa hàng hay theo danh mục? Một vector database không ch...
Ô tìm kiếm của hầu hết website vẫn là khớp từ khoá: khách gõ "bỏ đơn", hệ thống không thấy chữ "bỏ" trong bài "Cách huỷ đơn hàng" nên trả về trang trống. Semantic search (tìm kiếm theo nghĩa) giải quy...
Gửi toàn bộ nội dung chăm sóc khách hàng lên API bên ngoài không phải lúc nào cũng được phép, và hoá đơn token không phải lúc nào cũng rẻ. Chạy LLM local nghĩa là mô hình nằm ngay trên laptop hoặc máy...
Gọi một LLM API từ Python nghe đơn giản: gửi danh sách tin nhắn, nhận văn bản về. Khi đưa vào sản phẩm, ba câu hỏi xuất hiện ngay: làm sao người dùng thấy chữ chạy ra thay vì chờ cả chục giây, làm sao...
Hầu hết người mới viết prompt theo cảm tính: sửa vài chữ, thử một hai câu, thấy ổn thì chốt. Cách đó hỏng khi prompt nằm trong sản phẩm xử lý hàng nghìn tin nhắn mỗi ngày. Prompt engineering có hệ thố...
Đã hiển thị toàn bộ bài viết
