ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← RAG & Agents

AI Builder

Cơ sở dữ liệu vector

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Hệ thống lưu trữ và truy vấn dữ liệu dưới dạng vector nhúng, cho phép tìm kiếm theo ngữ nghĩa.

lesson94 minRAG & AgentsAI Engineer

Dự đoán

Người dùng gõ “món ăn nóng buổi sáng” trên ứng dụng đặt đồ ăn. Cơ sở dữ liệu có “phở bò”, “bún chả”, “kem dâu”. SQL truyền thống dùng WHERE name LIKE '%nóng%' thì không khớp gì. Làm sao tìm đúng?

Khoảnh khắc aha

Vector database giống thư viện xếp sách theo nội dung thay vì theo bảng chữ cái. Sách về phở nằm gần sách về bún chả, xa sách về xe máy. Khi hỏi đồ ăn sáng Hà Nội, thủ thư đi đến khu ẩm thực và lấy những cuốn gần nhất. Tìm kiếm theo nghĩa, không theo chữ.

Thử thách

Vector database có 1 tỷ vector. Tìm láng giềng gần nhất bằng cách so sánh từng vector mất 10 giây. Làm sao giảm xuống 10 ms?

Giải thích

Vector database là hệ thống lưu trữ chuyên biệt cho vector nhúng sinh ra từ embedding model, hỗ trợ tìm kiếm ngữ nghĩa trên quy mô lớn. FAISS là một thư viện tiêu biểu.

Độ tương đồng cosine, phép đo phổ biến nhất:

sim(a,b)=a⋅b∥a∥∥b∥=cos⁡(θ)\text{sim}(\mathbf{a}, \mathbf{b}) = \frac{\mathbf{a} \cdot \mathbf{b}}{\|\mathbf{a}\| \|\mathbf{b}\|} = \cos(\theta)

Các thuật toán index (ANN)

Thuật toánÝ tưởngĐộ phức tạp tìm kiếm
Flat (brute-force)So sánh tất cả; chính xác 100%; chỉ dùng cho tập nhỏO(N)
IVF (inverted file)Phân cụm K-means, chỉ tìm trong cụm gần nhấtO(N/K)
HNSW (đồ thị phân tầng)Đồ thị nhiều tầng; nhanh nhất khi cần recall caoO(log N)
PQ (product quantization)Nén vector, giảm bộ nhớ 10 đến 100 lần; kết hợp với IVF hoặc HNSWPhụ thuộc kết hợp

Hệ sinh thái vector database

  • Pinecone: managed, serverless, dễ dùng nhất; phổ biến với startup.
  • Weaviate: mã nguồn mở, hỗ trợ hybrid search (vector và từ khoá).
  • Milvus: mã nguồn mở, mở rộng đến tỷ vector; dùng nhiều trong doanh nghiệp.
  • Chroma: nhẹ, dễ tích hợp; phổ biến cho prototype và RAG.
  • Qdrant: viết bằng Rust, hiệu năng cao, lọc mạnh.
  • pgvector: extension cho PostgreSQL, dùng cơ sở dữ liệu có sẵn.

Vector DB với Chroma (phổ biến cho RAG)

import chromadb
from chromadb.utils import embedding_functions

# Tạo client và collection
client = chromadb.Client()
ef = embedding_functions.SentenceTransformerEmbeddingFunction(
    model_name="all-MiniLM-L6-v2"
)
collection = client.create_collection(
    name="vnexpress_articles",
    embedding_function=ef,
)

# Thêm tài liệu (tự động embed)
collection.add(
    documents=[
        "Phở Hà Nội truyền thống ninh xương bò 12 tiếng",
        "Giá vàng hôm nay tăng 500 nghìn đồng/lượng",
        "Đội tuyển Việt Nam thắng 2-0 trong vòng loại",
        "Bún chả Hà Nội được CNN bình chọn top món ngon",
    ],
    ids=["doc1", "doc2", "doc3", "doc4"],
    metadatas=[
        {"category": "food"}, {"category": "finance"},
        {"category": "sport"}, {"category": "food"},
    ],
)

# Tìm kiếm theo ngữ nghĩa
results = collection.query(
    query_texts=["món ăn sáng nổi tiếng Việt Nam"],
    n_results=2,
)
# Trả về: "Phở Hà Nội..." và "Bún chả Hà Nội..."
# Dù không có từ "sáng" hay "nổi tiếng" trong tài liệu!

Trong ví dụ trên, kết quả tìm kiếm trả về “Phở Hà Nội” và “Bún chả Hà Nội” dù tài liệu không có từ “sáng” hay “nổi tiếng”.

Tóm tắt

  • Vector database lưu embedding và tìm kiếm theo ngữ nghĩa thay vì khớp chính xác.
  • ANN index (HNSW, IVF, PQ) giúp tìm kiếm nhanh trên tỷ vector: đổi chút chính xác lấy tốc độ.
  • Cosine similarity đo góc giữa hai vector: cùng hướng là giống nhau.
  • Chroma, Pinecone, Weaviate là lựa chọn phổ biến; pgvector cho PostgreSQL có sẵn.

Continue the module

Lesson 3 of 16