Chunking là việc cắt một tài liệu thành nhiều mảnh văn bản nhỏ, mỗi mảnh được xử lý và tìm kiếm như một đơn vị độc lập. Trong RAG, hệ thống không đưa nguyên cuốn sổ tay nhân viên 80 trang vào prompt mỗi lần có câu hỏi. Nó chỉ lấy vài đoạn liên quan.
Có ba lý do khiến chunking bắt buộc:
Quy chế lương thưởng của công ty 40 người có các mục: lương cơ bản, phụ cấp, thưởng Tết, thưởng doanh số. Nếu cả quy chế là một chunk, câu hỏi về thưởng Tết sẽ kéo theo toàn bộ nội dung phụ cấp. Nếu mỗi mục là một chunk, hệ thống lấy đúng phần thưởng Tết.
"}, {"h2": "Các chiến lược chunking phổ biến", "html": "Không có cách chia nào tốt cho mọi loại tài liệu. Dưới đây là các chiến lược hay dùng, xếp từ đơn giản đến phức tạp.
", "table": {"caption": "So sánh chiến lược chunking", "head": ["Chiến lược", "Cách làm", "Hợp với", "Nhược điểm"], "rows": [["Kích thước cố định", "Cắt mỗi N token, có chồng lấn", "Văn bản thuần, thử nghiệm nhanh", "Dễ cắt ngang câu, ngang bảng"], ["Đệ quy theo ký tự phân tách", "Ưu tiên cắt ở đoạn, rồi câu, rồi từ", "Đa số tài liệu văn phòng", "Chưa hiểu cấu trúc mục"], ["Theo cấu trúc", "Cắt theo tiêu đề, mục, điều khoản", "Quy chế, hợp đồng, sổ tay, Markdown", "Mục quá dài vẫn cần chia tiếp"], ["Theo ngữ nghĩa", "Dùng embedding phát hiện chỗ đổi chủ đề", "Biên bản họp, bài viết dài", "Tốn tính toán, khó dự đoán"], ["Cha con", "Tìm bằng chunk nhỏ, trả về chunk cha lớn hơn", "Tài liệu kỹ thuật nhiều chi tiết", "Cài đặt phức tạp hơn"]]}}, {"h2": "Kích thước chunk và độ chồng lấn bao nhiêu là hợp lý", "html": "Đây là câu hỏi được hỏi nhiều nhất, và câu trả lời trung thực là: phụ thuộc vào tài liệu và kiểu câu hỏi. Tuy vậy, có vài điểm xuất phát hợp lý để thử.
Lưu ý tiếng Việt thường tốn nhiều token hơn tiếng Anh cho cùng một nội dung, vì vậy nếu công cụ tính theo token, con số tương ứng sẽ lớn hơn số từ. Mô hình embedding cũng có giới hạn độ dài đầu vào; phần vượt quá có thể bị cắt mà bạn không biết.
Chunking chỉ tốt khi văn bản đầu vào sạch. Với tài liệu doanh nghiệp Việt Nam, phần lớn rắc rối nằm ở bước chuyển đổi.
Một kỹ thuật hiệu quả là thêm vào đầu mỗi chunk tên tài liệu, tên chương, mục. Chunk 'Thời hạn: 30 ngày' trở thành 'Chính sách đổi trả 2026 › Điều kiện đổi hàng › Thời hạn: 30 ngày'. Chi tiết nhỏ này giúp tìm kiếm chính xác hơn rõ rệt.
"}, {"h2": "Siêu dữ liệu đi kèm chunk nên có gì", "html": "Mỗi chunk không chỉ là đoạn văn bản. Nó nên mang theo siêu dữ liệu (metadata) để lọc, trích dẫn và cập nhật.
Khi có metadata, hệ thống có thể lọc trước rồi mới tìm ngữ nghĩa. Câu hỏi 'chi nhánh Bình Dương làm ca mấy giờ' chỉ tìm trong chunk thuộc Bình Dương, tránh lấy nhầm giờ làm của văn phòng chính.
Khi quy chế mới thay thế quy chế cũ, cần xóa hoặc đánh dấu hết hiệu lực các chunk cũ. Nếu không, chatbot sẽ trộn quy định cũ và mới trong cùng câu trả lời.
"}, {"h2": "Lỗi chunking thường gặp và cách nhận biết", "html": "Cách phát hiện nhanh nhất là mở xem trực tiếp các chunk được lấy ra cho những câu hỏi trả lời sai. Phần lớn công cụ RAG như Dify, AnythingLLM, Open WebUI đều cho xem nguồn được dùng.
"}, {"h2": "Quy trình chunking gợi ý cho kho tài liệu nội bộ", "html": "Dưới đây là quy trình thực tế cho một công ty muốn xây chatbot hỏi đáp quy định nội bộ.
Tiêu chí đơn giản nhất để đánh giá một chunk: nếu đưa riêng đoạn này cho một nhân viên mới đọc, họ có hiểu nó nói về cái gì và áp dụng cho ai không. Nếu không, chunk đó cần thêm ngữ cảnh.
"} ], "tip": "Đừng chỉnh tham số chunking theo cảm giác. Hãy mở xem các chunk được lấy cho 10 câu trả lời sai gần nhất; nguyên nhân thường lộ ra ngay, như bảng bị cắt hoặc chunk thiếu tiêu đề mục.", "faq": [ {"q": "Chunk size bao nhiêu là tốt nhất?", "a": "Không có con số chung. Điểm xuất phát hợp lý là vài trăm từ mỗi chunk với chồng lấn 10–20%, sau đó thử nghiệm bằng câu hỏi thật để điều chỉnh."}, {"q": "Context window lớn rồi có cần chunking nữa không?", "a": "Vẫn cần với kho tài liệu lớn, vì đưa toàn bộ vào mỗi câu hỏi tốn chi phí, chậm và có thể làm mô hình bỏ sót chi tiết. Với vài tài liệu ngắn, đưa nguyên văn đôi khi là lựa chọn đơn giản hơn."}, {"q": "Chunking file Excel thế nào?", "a": "Bảng tính có cấu trúc thường nên được truy vấn trực tiếp hoặc chuyển mỗi hàng thành câu có tên cột. Cắt Excel như văn bản thường làm mất quan hệ giữa cột và giá trị."}, {"q": "Chồng lấn giữa các chunk để làm gì?", "a": "Chồng lấn giữ lại phần ngữ cảnh ở ranh giới, tránh việc một câu quan trọng bị cắt đôi hoặc mất câu dẫn giải thích nó áp dụng cho ai."}, {"q": "Đổi chiến lược chunking có phải tạo lại embedding không?", "a": "Có. Mỗi lần thay cách chia, toàn bộ chunk thay đổi nên phải tạo lại embedding và lập chỉ mục lại trong vector database."}, {"q": "Công cụ không cần code có cho chỉnh chunking không?", "a": "Nhiều nền tảng như Dify, Flowise, AnythingLLM cho chỉnh kích thước chunk và độ chồng lấn trong giao diện. Mức tùy biến sâu như chia theo cấu trúc có thể cần cấu hình nâng cao hoặc lập trình."} ], "sources": [ {"t": "LangChain – Text splitters", "u": "https://python.langchain.com"}, {"t": "LlamaIndex documentation", "u": "https://docs.llamaindex.ai"}, {"t": "Retrieval-augmented generation – Wikipedia", "u": "https://en.wikipedia.org/wiki/Retrieval-augmented_generation"} ], "related": ["rag-la-gi", "embedding-la-gi", "vector-database-la-gi", "reranker-la-gi", "xay-kho-tri-thuc-ai-noi-bo", "context-window-la-gi", "ocr-la-gi", "cach-trich-xuat-du-lieu-tu-pdf-bang-ai"] }, { "id": 2170, "slug": "hybrid-search-la-gi", "title": "Hybrid search là gì? Kết hợp tìm từ khóa và tìm ngữ nghĩa", "meta_desc": "Hybrid search là gì: kết hợp tìm kiếm từ khóa (BM25) và tìm kiếm ngữ nghĩa (vector) để tìm đúng cả mã sản phẩm lẫn câu hỏi tự nhiên. Cách hoạt động và triển khai.", "excerpt": "Tìm kiếm ngữ nghĩa hiểu ý câu hỏi nhưng hay trượt với mã sản phẩm, số hợp đồng. Tìm từ khóa thì ngược lại. Hybrid search kết hợp cả hai để chatbot và công cụ tìm kiếm nội bộ ít bỏ sót hơn.", "answer": "Hybrid search (tìm kiếm lai) là cách chạy song song tìm kiếm theo từ khóa, thường dùng thuật toán BM25, và tìm kiếm ngữ nghĩa bằng vector embedding, rồi trộn hai danh sách kết quả thành một. Tìm từ khóa bắt chính xác mã sản phẩm, số điều luật, tên riêng; tìm ngữ nghĩa hiểu câu hỏi diễn đạt khác chữ trong tài liệu. Kết hợp lại, hệ thống RAG và tìm kiếm nội bộ ít bỏ sót hơn so với dùng riêng một cách. Phần lớn vector database và công cụ tìm kiếm phổ biến hiện có hỗ trợ hybrid search.", "kws": ["hybrid search là gì", "tìm kiếm lai", "BM25 và vector", "hybrid search RAG"], "sections": [ {"h2": "Hybrid search là gì và giải quyết vấn đề gì", "html": "Hybrid search là phương pháp tìm kiếm kết hợp hai cách tiếp cận khác nhau về bản chất: tìm theo chữ và tìm theo nghĩa. Mục tiêu là lấy điểm mạnh của bên này bù điểm yếu của bên kia.
Hãy xem hai câu hỏi gửi tới chatbot của một công ty phân phối linh kiện máy tính:
Một hệ thống chỉ dùng một cách sẽ thất bại ở một trong hai loại câu hỏi. Người dùng thật lại hỏi lẫn lộn cả hai kiểu, nên hybrid search thường cho kết quả ổn định hơn.
"}, {"h2": "Tìm từ khóa và tìm ngữ nghĩa khác nhau thế nào", "html": "Hiểu rõ từng phương pháp giúp bạn biết khi nào nên tăng trọng số cho bên nào.
", "table": {"caption": "Tìm kiếm từ khóa BM25 so với tìm kiếm vector", "head": ["Tiêu chí", "Từ khóa (BM25)", "Ngữ nghĩa (vector)"], "rows": [["Nguyên lý", "Đếm từ trùng, ưu tiên từ hiếm", "So sánh khoảng cách giữa các vector ý nghĩa"], ["Mã số, tên riêng, viết tắt", "Rất tốt", "Không ổn định"], ["Câu hỏi diễn đạt khác chữ", "Kém", "Tốt"], ["Lỗi chính tả, không dấu", "Kém nếu không xử lý thêm", "Chịu được ở mức vừa phải"], ["Giải thích vì sao khớp", "Dễ, chỉ ra từ trùng", "Khó giải thích"], ["Chi phí lập chỉ mục", "Thấp", "Cần tạo embedding cho mọi đoạn"]]}}, {"h2": "Cách trộn kết quả trong hybrid search", "html": "Khó khăn chính của hybrid search là hai phương pháp cho điểm theo thang hoàn toàn khác nhau. Điểm BM25 có thể là 12,4 trong khi độ tương đồng vector là 0,82. Không thể cộng thẳng. Có hai cách trộn phổ biến.
RRF bỏ qua điểm số, chỉ dùng thứ hạng. Mỗi tài liệu nhận điểm dựa trên vị trí của nó trong từng danh sách, tài liệu xếp cao ở cả hai danh sách sẽ lên đầu. Ưu điểm là đơn giản, ít phải tinh chỉnh, nên rất nhiều hệ thống chọn làm mặc định.
Chuẩn hóa điểm của hai bên về cùng thang, rồi cộng với trọng số, ví dụ 0,3 cho từ khóa và 0,7 cho ngữ nghĩa. Cách này cho phép điều chỉnh theo loại dữ liệu nhưng cần thử nghiệm để chọn trọng số.
Sau bước trộn, nhiều hệ thống còn đưa top kết quả qua reranker để chấm lại lần cuối. Hybrid search lo việc không bỏ sót, reranker lo việc xếp đúng thứ tự.
"}, {"h2": "Lưu ý riêng khi tìm kiếm tiếng Việt", "html": "Tiếng Việt có một số đặc điểm khiến tìm từ khóa phức tạp hơn tiếng Anh.
Chính vì những điểm này, với dữ liệu tiếng Việt, hybrid search thường đáng giá hơn so với chỉ dựa vào một phương pháp. Bên ngữ nghĩa bù cho đồng nghĩa và cách diễn đạt, bên từ khóa bù cho mã số và tên riêng.
"}, {"h2": "Công cụ nào hỗ trợ hybrid search", "html": "Tại thời điểm viết, nhiều nền tảng phổ biến đã hỗ trợ hybrid search ở mức sẵn có hoặc qua cấu hình. Tính năng thay đổi theo phiên bản, nên kiểm tra tài liệu chính thức trước khi chọn.
Với doanh nghiệp nhỏ, nên chọn công cụ gần với hệ thống đang chạy. Nếu website và phần mềm nội bộ đã dùng PostgreSQL, thêm pgvector đơn giản hơn dựng thêm một hệ thống mới. Nếu chỉ cần chatbot tài liệu, dùng tính năng có sẵn của nền tảng RAG là đủ.
"}, {"h2": "Các bước triển khai hybrid search cho chatbot nội bộ", "html": "Xem log thực tế sau 1–2 tuần: tỷ lệ câu chatbot trả lời 'không tìm thấy' có giảm không, câu hỏi về mã sản phẩm có còn bị trả nhầm không.
"}, {"h2": "Khi nào chưa cần hybrid search", "html": "Hybrid search thêm một chỉ mục và thêm bước xử lý. Bạn có thể chưa cần nếu:
Ngược lại, hybrid search gần như nên có khi kho tài liệu chứa nhiều mã sản phẩm, model máy, số hiệu văn bản, tên khách hàng, hoặc khi người dùng thường gõ không dấu và viết tắt. Đó là tình huống rất phổ biến ở cửa hàng linh kiện, công ty phân phối và bộ phận kỹ thuật.
"} ], "tip": "Khi lập bộ câu hỏi kiểm thử, hãy tách riêng nhóm câu chứa mã số và tên riêng. Hybrid search thường cải thiện mạnh nhất ở nhóm này, nếu gộp chung bạn có thể không nhìn thấy khác biệt.", "faq": [ {"q": "Hybrid search có chậm hơn tìm vector không?", "a": "Có thêm một bước tìm và một bước trộn, nhưng tìm từ khóa vốn rất nhanh nên độ trễ thêm thường nhỏ so với thời gian mô hình ngôn ngữ sinh câu trả lời."}, {"q": "BM25 là gì?", "a": "BM25 là thuật toán xếp hạng tìm kiếm theo từ khóa, chấm điểm tài liệu dựa trên số lần xuất hiện của từ trong câu hỏi, có ưu tiên từ hiếm và điều chỉnh theo độ dài tài liệu."}, {"q": "Hybrid search có thay thế reranker không?", "a": "Không. Hybrid search giúp lấy được nhiều ứng viên đúng hơn, còn reranker sắp xếp lại các ứng viên đó cho chính xác. Hai kỹ thuật thường dùng cùng nhau."}, {"q": "Website WordPress có dùng hybrid search được không?", "a": "Có thể qua plugin tìm kiếm kết hợp dịch vụ vector hoặc công cụ tìm kiếm bên ngoài. Mức độ hỗ trợ phụ thuộc plugin, nên thử trên bản sao website trước."}, {"q": "Có cần xử lý tiếng Việt riêng cho hybrid search không?", "a": "Nên có. Tách từ phù hợp, lập chỉ mục bản không dấu và danh sách viết tắt giúp phần tìm từ khóa hoạt động tốt hơn với cách người Việt gõ."}, {"q": "RRF là gì?", "a": "Reciprocal Rank Fusion là cách trộn nhiều danh sách kết quả dựa trên thứ hạng thay vì điểm số, giúp kết hợp kết quả từ khóa và ngữ nghĩa mà không cần chuẩn hóa điểm."} ], "sources": [ {"t": "Okapi BM25 – Wikipedia", "u": "https://en.wikipedia.org/wiki/Okapi_BM25"}, {"t": "Elasticsearch documentation", "u": "https://www.elastic.co/docs"}, {"t": "pgvector – GitHub", "u": "https://github.com/pgvector/pgvector"}, {"t": "Qdrant documentation", "u": "https://qdrant.tech/documentation/"} ], "related": ["semantic-search-la-gi", "rag-la-gi", "embedding-la-gi", "vector-database-la-gi", "reranker-la-gi", "chunking-la-gi", "ai-tim-kiem-la-gi", "xay-kho-tri-thuc-ai-noi-bo"] }, { "id": 2171, "slug": "guardrails-ai-la-gi", "title": "Guardrails AI là gì? Hàng rào an toàn cho chatbot doanh nghiệp", "meta_desc": "Guardrails AI là gì: các lớp kiểm soát đầu vào, đầu ra và hành động giúp chatbot không lộ dữ liệu, không lạc đề, không bị lợi dụng. Các loại và cách triển khai.", "excerpt": "Một chatbot trả lời khách hàng thay doanh nghiệp cần biết điều gì được nói và điều gì không. Guardrails là các hàng rào kỹ thuật và quy trình giữ chatbot trong phạm vi an toàn.", "answer": "Guardrails AI (hàng rào an toàn) là tập hợp các lớp kiểm soát đặt quanh mô hình AI để giữ chatbot hoạt động đúng phạm vi: lọc đầu vào trước khi tới mô hình, kiểm tra đầu ra trước khi tới người dùng, và giới hạn hành động mà AI được phép thực hiện. Guardrails giúp chặn lộ thông tin cá nhân, trả lời lạc đề, nội dung không phù hợp, cam kết sai về giá hay chính sách và các kiểu tấn công như prompt injection. Guardrails không thay thế được việc thiết kế quyền hạn đúng, nhưng là lớp phòng vệ cần có cho mọi chatbot giao tiếp với khách hàng.", "kws": ["guardrails AI là gì", "hàng rào an toàn chatbot", "AI guardrails", "kiểm soát đầu ra AI"], "sections": [ {"h2": "Guardrails AI là gì và vì sao chatbot cần nó", "html": "Guardrails là các quy tắc và cơ chế kiểm tra chạy bên ngoài mô hình AI, đóng vai trò như lan can trên đường đèo. Mô hình vẫn tự viết câu trả lời, nhưng guardrails quyết định câu hỏi nào được đưa vào, câu trả lời nào được gửi ra và hành động nào được phép.
Chỉ dựa vào system prompt kiểu 'chỉ trả lời về sản phẩm của công ty' là chưa đủ. Mô hình ngôn ngữ có tính xác suất, có thể bị dẫn dắt khỏi hướng dẫn hoặc tự suy diễn. Một vài tình huống thực tế mà doanh nghiệp lo ngại:
Guardrails biến những rủi ro này từ 'hy vọng mô hình cư xử đúng' thành các kiểm tra cụ thể, đo được và ghi log được.
"}, {"h2": "Các lớp guardrails trong một hệ thống chatbot", "html": "Guardrails hiệu quả được xếp nhiều lớp, mỗi lớp chặn một nhóm rủi ro khác nhau.
", "table": {"caption": "Ba lớp guardrails và ví dụ kiểm tra", "head": ["Lớp", "Kiểm tra gì", "Ví dụ hành động"], "rows": [["Đầu vào", "Chủ đề, nội dung độc hại, dấu hiệu prompt injection, dữ liệu cá nhân người dùng gửi lên", "Từ chối lịch sự, che số CCCD, chuyển người"], ["Đầu ra", "Lộ thông tin nhạy cảm, cam kết giá, nội dung ngoài phạm vi, định dạng sai", "Chặn, viết lại, thêm câu miễn trừ, chuyển nhân viên"], ["Hành động", "Công cụ được gọi, tham số, quyền người dùng, số lượt gọi", "Yêu cầu xác nhận, từ chối thao tác ghi"], ["Ngữ cảnh truy xuất", "Tài liệu RAG có thuộc quyền người hỏi không", "Lọc tài liệu theo phòng ban trước khi tìm"]]}}, {"h2": "Guardrails được xây bằng những kỹ thuật nào", "html": "Không có một công cụ duy nhất. Guardrails thường kết hợp nhiều kỹ thuật từ đơn giản đến phức tạp.
Có các thư viện mã nguồn mở chuyên về guardrails như NVIDIA NeMo Guardrails hay Guardrails AI, cùng tính năng kiểm duyệt nội dung của các nhà cung cấp mô hình lớn. Các nền tảng như Dify, Botpress cũng có bước kiểm duyệt cấu hình được. Tính năng cụ thể thay đổi theo phiên bản, nên xem tài liệu hiện hành.
"}, {"h2": "Ví dụ bộ guardrails cho chatbot bán hàng của cửa hàng", "html": "Giả sử một cửa hàng laptop tại TP.HCM có chatbot trên website và Zalo OA. Bộ guardrails tối thiểu có thể gồm:
Mỗi quy tắc nên có log khi kích hoạt, để chủ cửa hàng xem hằng tuần và điều chỉnh.
"}, {"h2": "Cân bằng giữa an toàn và trải nghiệm người dùng", "html": "Guardrails quá chặt cũng là vấn đề. Chatbot từ chối quá nhiều sẽ khiến khách bỏ đi và nhân viên mất niềm tin vào công cụ.
Theo dõi tỷ lệ tin nhắn bị chặn, lấy mẫu để xem bao nhiêu là chặn đúng, bao nhiêu là chặn nhầm. Điều chỉnh từng quy tắc dựa trên số liệu, không dựa trên cảm giác.
"}, {"h2": "Lỗi thường gặp khi triển khai guardrails", "html": "Guardrails là quy trình vận hành liên tục, không phải tính năng bật một lần rồi quên.
"}, {"h2": "Lộ trình áp dụng guardrails cho doanh nghiệp nhỏ", "html": "Với doanh nghiệp có dữ liệu cá nhân của khách hàng, nên đối chiếu thêm với quy định về bảo vệ dữ liệu cá nhân hiện hành và tham khảo ý kiến chuyên gia pháp lý khi cần.
"} ], "tip": "Hãy bắt đầu bằng câu hỏi 'nếu chatbot nói sai điều này thì ai chịu trách nhiệm'. Những điều có câu trả lời là 'cửa hàng phải bồi thường' chính là chỗ cần guardrails đầu ra chặt nhất.", "faq": [ {"q": "Guardrails có chặn được 100% prompt injection không?", "a": "Không. Guardrails giảm rủi ro đáng kể nhưng không có lớp nào chặn tuyệt đối. Cần kết hợp với phân quyền tối thiểu và điểm duyệt của con người cho thao tác quan trọng."}, {"q": "System prompt có phải là guardrails không?", "a": "System prompt là một phần của việc định hướng hành vi, nhưng guardrails đúng nghĩa là các kiểm tra độc lập bên ngoài mô hình, chạy bất kể mô hình có tuân thủ prompt hay không."}, {"q": "Guardrails có làm chatbot chậm hơn không?", "a": "Có thể, nhất là khi dùng LLM để kiểm tra đầu ra. Kiểm tra bằng quy tắc và bộ phân loại nhỏ thường rất nhanh; nên dùng kiểm tra nặng có chọn lọc."}, {"q": "ChatGPT, Claude đã có guardrails sẵn rồi, còn cần thêm không?", "a": "Guardrails của nhà cung cấp tập trung vào an toàn chung. Các rủi ro riêng của doanh nghiệp như báo giá sai, cam kết ngoài chính sách, lộ dữ liệu nội bộ cần guardrails do bạn tự thiết kế."}, {"q": "Doanh nghiệp không có lập trình viên có làm guardrails được không?", "a": "Có ở mức cơ bản thông qua cấu hình kiểm duyệt của nền tảng chatbot, giới hạn kho tri thức và quy tắc chuyển người. Kiểm tra đầu ra phức tạp thường cần hỗ trợ kỹ thuật."}, {"q": "Guardrails và red teaming khác nhau thế nào?", "a": "Guardrails là hàng rào phòng vệ chạy thường trực. Red teaming là hoạt động kiểm thử tấn công có chủ đích để tìm chỗ hàng rào còn hở."} ], "sources": [ {"t": "NVIDIA NeMo Guardrails – GitHub", "u": "https://github.com/NVIDIA/NeMo-Guardrails"}, {"t": "Guardrails AI – GitHub", "u": "https://github.com/guardrails-ai/guardrails"}, {"t": "OWASP Top 10 for LLM Applications", "u": "https://genai.owasp.org"}, {"t": "NIST AI Risk Management Framework", "u": "https://www.nist.gov/itl/ai-risk-management-framework"} ], "related": ["prompt-injection-la-gi", "red-teaming-ai-la-gi", "ro-ri-du-lieu-qua-chatbot", "chatbot-ai-la-gi", "ai-governance-la-gi", "chinh-sach-su-dung-ai-noi-bo-cho-doanh-nghiep", "function-calling-la-gi", "du-lieu-ca-nhan-khi-dung-ai"] } ]