Topics / Retrieval

Retrieval

22 talks

Agent làm xong là quên: biến trí nhớ của agent thành skill dùng lại được

Will Lyon · Neo4j · 18 min

Vì sao cách lưu trí nhớ phổ biến chưa đủ, và cách Neo4j sắp xếp trí nhớ của agent thành mạng lưới rồi rút ra thành skill dùng lại được.

Năm project AI agent để build năm 2026: kiến trúc đầy đủ và cách trở nên dễ được tuyển

Maryam Miradi · Dr. Maryam Miradi · 28 min

Kiến trúc năm project multi-agent: cảnh báo thảm hoạ, phát hiện bệnh từ ảnh mắt, graph cho đường bộ, legal agent với ADK và MCP, agent tự cải thiện.

Build một memory system cho AI agent: nó chạy thế nào

AI Systems with Andy · AI Systems with Andy · 8 min

Build long-term memory cho AI agent: write pipeline, embedding, retrieval, metadata filter, rerank, cập nhật preference giữ lịch sử và write policy.

Ôn thi offline: cho AI đọc trọn giáo trình

Thanh Trần · Thanh Trần - 5 Phút AI · 26 min

Chỉnh context length trong LM Studio để AI đọc trọn chương giáo trình, dựng thư viện theo môn bằng AnythingLLM, ra đề cương và trắc nghiệm offline.

Octop của Tencent: trợ lý AI tự host với expert, knowledge base, team và ACP

AICodeKing · AICodeKing · 13 min

Cài Octop, kết nối model, tạo expert Release Helper, knowledge base ONNX local có trích nguồn, team có Reviewer, giao việc cho OpenCode qua ACP và lịch nhắc.

EmbeddingGemma 2: RAG đa phương thức chạy được trên điện thoại

Muhammad Farooq · Prompt Engineering · 19 min

EmbeddingGemma 2 đặt text, ảnh, video, âm thanh vào một vector space: cách model hoạt động, Matryoshka, modular loading, và notebook Colab đo thật.

Tự fine-tune embedding model không khó như bạn nghĩ

Muhammad Farooq · Prompt Engineering · 13 min

Fine-tune EmbeddingGemma 2 bằng LoRA và Unsloth trên dữ liệu riêng: cặp câu hỏi và đoạn văn, in-batch negatives, chia test theo nguồn, đo cái giá.

Sáu project AI sát thực tế nên có trên resume AI engineer

Aishwarya Naresh Reganti · Aish Reganti · 21 min

Sáu project AI engineer theo độ khó tăng dần, từ document pipeline, enterprise search, voice, model tự host tới agent, mỗi project có dataset, eval và cách kể.

RAG đã đổi: pipeline, use case và cây quyết định chọn RAG năm 2026

Maryam Miradi · Dr. Maryam Miradi · 27 min

Pipeline RAG production bảy bước, ba use case, chín loại RAG mới, vectorless RAG, LLM Wiki và cây quyết định chọn đúng RAG theo bài toán.

Các loại memory cho AI agent và khi nào nên nâng cấp

Duke Pan · Duke Pan · 15 min

Bốn loại memory cho AI agent: AGENTS.md, vector search, knowledge graph, bảng dữ liệu; khi nào bỏ grep, và thử câu hỏi thật trước khi nâng cấp.

Cách mới để dựng second brain với Claude

Nick Saraev · Nick Saraev · 12 min

Dựng personal knowledge base cho Claude: connector đóng dấu ngày, recency weighting, cheap model viết summary và atoms, tìm bằng BM25.

Jev, LLM, BERT và XGBoost cùng giải một bài toán phân loại ngân hàng

Maryam Miradi · Dr. Maryam Miradi · 23 min

So Jev, GPT-4.1 nano, MiniLM và XGBoost trên 120 tin nhắn BANKING77: accuracy, Macro-F1, latency, chi phí, cách từng model chạy và khi nào dùng cái nào.

Dựng trạm AI local chạy offline cho cả nhà và văn phòng

Thanh Trần · Thanh Trần - 5 Phút AI · 11 min

Chạy AI offline trên máy riêng với LM Studio, Whisper và Open WebUI: chọn model theo bộ nhớ card, đọc tài liệu riêng, nhiều người dùng chung.

Framework năm layer cho AI system design, qua ví dụ agent chăm sóc khách hàng

Aishwarya Naresh Reganti · Aish Reganti · 20 min

Framework năm layer và KARC để thiết kế một hệ thống AI agent từ scope, kiến trúc, observability, production tới tối ưu, qua ví dụ agent hỗ trợ khách hàng.

Vector database còn cần không? RAG, AI agent và tìm kiếm

Martin Keen · IBM Technology · 10 min

Kim tự tháp retrieval bốn bậc: khi nào đủ long context hay grep với agent, khi nào cần vector index, khi nào cần vector database chuyên dụng.

Hướng dẫn đầy đủ về memory cho AI agent

Aishwarya Srinivasan · Aishwarya Srinivasan · 19 min

Memory cho AI agent: write path và read path, hai cách kích hoạt đọc memory, chín loại memory, retrieval policy, prompt injection, và Mem0.

10 skill để trở thành AI engineer

Dhaval Patel · codebasics · 32 min

Mười skill AI engineer cần theo Dhaval Patel: từ Python, LLM fundamentals, context engineering, RAG, agents, evals tới deploy, guardrails, fine-tuning và system design.

Context engineering cho trợ lý mua sắm: retrieval, hard filter và memory nhiều lượt

Aishwarya Srinivasan · Aishwarya Srinivasan · 20 min

Context engineering qua một trợ lý mua sắm: token budget, keyword, semantic và hybrid search, hard filter, memory nhiều lượt và cách đánh giá retrieval.

Khoá Generative AI trọn gói: từ token tới agent, eval và sự nghiệp

Tejas AI · Tejas AI · 36 min

Một lượt đi qua Gen AI: token, embedding, attention, training, sampling, RAG, agent, MCP, fine-tuning, eval, security và lộ trình chín project.

Cho dữ liệu unstructured một cấu trúc: parse tài liệu nâng cao cho AI workflow

Cedric Clyburn · Red Hat · 21 min

Biến PDF, bảng, hình ảnh thành Markdown/JSON cho RAG và agent bằng Docling: chạy local trên CPU, chunkless RAG, Docling Serve và MCP server.

Tín hiệu từ user chết ở ranh giới retrieval

Sonam Pankaj · StarlightSearch · 16 min

Vì sao tín hiệu eval chết trong dashboard, và cách dùng utility score để re-rank memory theo outcome, giúp agent tự cải tiến lúc runtime.

Cách chúng tôi dạy agent dùng retrieval cho tốt

Hanna Lichtenberg & Aamir Shakir · Mixedbread · 14 min

Vì sao agent viết query keyword vô nghĩa, và cách Mixedbread dùng harness bốn search tool cùng SFT và RL để dạy agent dùng semantic search đúng cách.