RAGRetrievalLLMAI Agent Skill
rag
Hướng dẫn thiết kế pipeline RAG (Retrieval-Augmented Generation): chunking, embedding, hybrid search và khi nào RAG là lựa chọn đúng.
Tuỳ chọn cài đặt
Cài đặt vào Claude Code, Cursor, Codex hoặc Antigravity bằng lệnh sau:
$ npx skills add giuseppe-trisciuoglio/developer-kit@rag
Tình huống thực tế ứng dụng Skill này
Chọn Prompt, RAG hay Fine-tuning để giải quyết bài toán AI
“Model trả lời thiếu kiến thức nội bộ - nên sửa prompt, dựng hệ thống RAG, hay mang dữ liệu đi fine-tune?”
Khung hành động 5 bước
- 1Hỏi: Vấn đề là do model 'chưa có dữ liệu mới' hay 'chưa đúng phong cách/định dạng'? Dữ liệu mới → Prompt/RAG; Phong cách/format → Few-shot hoặc Fine-tuning.
- 2Hỏi: Dữ liệu có cập nhật thường xuyên không? Nếu có → RAG bắt buộc, fine-tuning sẽ bị lỗi thời ngay.
- 3Kiểm tra khối lượng tài liệu: Nếu dưới 10 trang, nhét thẳng vào Context Window (Prompting) trước khi tốn công dựng RAG.
- 4Đánh giá chi phí kỹ thuật: Prompting (1 ngày) → RAG (1-2 tuần) → Fine-tuning (1-2 tháng + chi phí duy trì pipeline).
- 5Luôn thử nghiệm theo thứ tự từ rẻ đến đắt: Tối ưu prompt trước → Chỉ dựng RAG khi vượt context → Chỉ fine-tune khi RAG không đáp ứng được định dạng đặc thù.
Trước khi dùng Skill
"Cứ gom dữ liệu mang đi fine-tune model cho xịn và chính xác nhất."
Sau khi áp dụng Skill
"Tài liệu thay đổi hàng tuần → Dùng RAG với hybrid search. Prompt ban đầu kèm 3 ví dụ mẫu (few-shot) đủ đạt 80% chất lượng mà không cần fine-tune tốn kém."
Bài học đào sâu trong giáo trình
AI Product Management • Bài 6
Nội dung chỉ dẫn SKILL.md
SKILL.md • Read-only preview# RAG Skill Design document chunking, embedding, and hybrid retrieval strategies, and identify when frequently-changing knowledge makes RAG a better fit than fine-tuning.