Knowledge graph là một mô hình dữ liệu trong đó thông tin được biểu diễn bằng nút và cạnh. Nút là thực thể: một người, một công ty, một sản phẩm, một văn bản. Cạnh là quan hệ có hướng và có tên giữa hai nút. Mỗi nút còn có thuộc tính như tên, mã, ngày tạo.
Đơn vị cơ bản là bộ ba (triple):
Từ ba bộ ba đơn giản trên, hệ thống tự suy ra được: khi mực M12 hết hàng, cần báo cho chị Lan. Đây là sức mạnh của đồ thị: tri thức nằm ở các mối nối, không chỉ ở từng dòng dữ liệu riêng lẻ.
Khái niệm này trở nên phổ biến khi các công cụ tìm kiếm lớn dùng knowledge graph để hiển thị hộp thông tin về người, địa điểm, tổ chức. Wikidata là một ví dụ knowledge graph mở, ai cũng truy cập được. Trong doanh nghiệp, knowledge graph thường nhỏ hơn nhiều nhưng tập trung vào các thực thể quan trọng với hoạt động kinh doanh.
"}, {"h2": "Knowledge graph khác cơ sở dữ liệu thông thường và vector database thế nào", "html": "Doanh nghiệp thường đã có dữ liệu trong Excel, phần mềm kế toán, CRM. Vậy đồ thị tri thức thêm được gì? Câu trả lời nằm ở loại câu hỏi bạn cần trả lời. Bảng tính trả lời tốt câu hỏi dạng “liệt kê, cộng tổng”. Vector database trả lời tốt câu hỏi “đoạn văn nào có nghĩa gần giống”. Knowledge graph trả lời tốt câu hỏi “cái này liên quan đến cái kia qua những đường nào”.
", "table": {"caption": "So sánh ba cách lưu dữ liệu phục vụ AI", "head": ["Tiêu chí", "Cơ sở dữ liệu quan hệ", "Vector database", "Knowledge graph"], "rows": [["Đơn vị lưu", "Dòng trong bảng", "Vector của đoạn văn", "Nút và quan hệ"], ["Mạnh ở", "Tổng hợp, báo cáo số liệu", "Tìm theo nghĩa gần đúng", "Truy vết quan hệ nhiều bước"], ["Ví dụ câu hỏi", "Doanh thu quý 3 theo tỉnh", "Chính sách đổi trả nói gì về hàng lỗi", "Khách nào bị ảnh hưởng khi nhà cung cấp X chậm giao"], ["Điểm yếu", "Truy vấn nối nhiều bảng phức tạp", "Không hiểu quan hệ chính xác", "Tốn công thiết kế và duy trì"], ["Độ khó với SME", "Thấp", "Trung bình", "Cao hơn"]]}}, {"h2": "Ví dụ knowledge graph trong doanh nghiệp vừa và nhỏ", "html": "Knowledge graph không chỉ dành cho tập đoàn. Một số tình huống ở quy mô 20–100 người có thể hưởng lợi:
Nút gồm khách hàng, văn phòng, máy chủ, máy trạm, phần mềm, giấy phép, kỹ thuật viên. Quan hệ: “đặt tại”, “cài”, “hết hạn ngày”, “được bảo trì bởi”. Khi một bản cập nhật phần mềm gây lỗi, kỹ thuật viên truy ra ngay khách nào, máy nào bị ảnh hưởng.
Nút gồm sản phẩm, mã thay thế, nhà cung cấp, khách hàng, đơn hàng. Quan hệ “tương thích với”, “thay thế cho” giúp nhân viên bán hàng gợi ý sản phẩm thay khi hết hàng, điều mà bảng tính phẳng khó thể hiện.
Nút là quy trình, biểu mẫu, phòng ban, vai trò, quy định. Quan hệ “áp dụng cho”, “thay thế văn bản”, “cần phê duyệt bởi”. Khi một quy định cũ bị thay, AI biết văn bản nào đã hết hiệu lực và không trích dẫn nhầm.
Điểm chung là những lĩnh vực có nhiều mối quan hệ chéo, thay đổi thường xuyên và việc trả lời sai gây hậu quả.
"}, {"h2": "Knowledge graph giúp AI và LLM trả lời đúng hơn như thế nào", "html": "LLM rất giỏi diễn đạt nhưng hay bịa khi thiếu dữ kiện. RAG thông thường lấy vài đoạn văn gần nghĩa đưa vào ngữ cảnh, nhưng gặp khó với câu hỏi cần ghép thông tin từ nhiều tài liệu. Knowledge graph bổ sung ở ba điểm:
Chiều ngược lại cũng hữu ích: LLM có thể đọc hợp đồng, email, biên bản và trích ra bộ ba thực thể – quan hệ. Cách tiếp cận GraphRAG dựa trên ý tưởng này: dùng LLM tự dựng đồ thị từ tài liệu, rồi truy vấn đồ thị để trả lời câu hỏi tổng quát. Tuy nhiên, bộ ba do LLM trích ra có thể sai, cần quy tắc kiểm tra trước khi coi là dữ liệu chuẩn.
"}, {"h2": "Các bước xây dựng knowledge graph đầu tiên", "html": "Chọn một câu hỏi kinh doanh cụ thể mà hiện tại trả lời mất nhiều thời gian. Xác định nguồn dữ liệu sẵn có: file Excel, phần mềm quản lý, thư mục tài liệu.
Tại thời điểm viết, có hai trường phái chính, mỗi trường phái có hệ sinh thái riêng. Hãy kiểm tra tài liệu chính thức để biết phiên bản và giấy phép hiện hành.
Knowledge graph là khoản đầu tư về thiết kế và duy trì. Chưa nên làm khi:
Cách an toàn là bắt đầu nhỏ quanh một quy trình, đo thời gian trả lời trước và sau, rồi mới mở rộng.
"} ], "tip": "Trước khi chọn phần mềm đồ thị, hãy vẽ tay lược đồ lên bảng trắng với người làm nghiệp vụ. Nếu sau 30 phút mọi người vẫn tranh cãi “khách hàng” nghĩa là công ty hay người liên hệ, đó là việc cần giải quyết trước, không phần mềm nào làm thay được.", "faq": [ {"q": "Knowledge graph và GraphRAG khác nhau thế nào?", "a": "Knowledge graph là cách lưu tri thức dạng nút và quan hệ. GraphRAG là kỹ thuật dùng đồ thị, thường do LLM dựng từ tài liệu, để truy xuất ngữ cảnh cho AI trả lời."}, {"q": "Doanh nghiệp nhỏ có cần knowledge graph không?", "a": "Phần lớn chưa cần ngay. Nên cân nhắc khi bạn thường xuyên phải trả lời câu hỏi chéo nhiều nguồn và RAG thông thường không đáp ứng được."}, {"q": "Có thể dùng Excel làm knowledge graph không?", "a": "Có thể lưu bộ ba trong ba cột Excel cho thử nghiệm nhỏ. Khi cần truy vấn nhiều bước hoặc dữ liệu lớn, nên chuyển sang cơ sở dữ liệu đồ thị."}, {"q": "Ontology là gì trong knowledge graph?", "a": "Ontology là bản thiết kế quy định có những loại thực thể nào, quan hệ nào và quy tắc giữa chúng. Nó giống như bộ quy ước chung để mọi người nhập dữ liệu thống nhất."}, {"q": "LLM có thay thế được knowledge graph không?", "a": "Không hoàn toàn. LLM có kiến thức chung nhưng không biết dữ liệu nội bộ cập nhật của bạn và có thể bịa. Knowledge graph cung cấp sự thật có cấu trúc để LLM dựa vào."}, {"q": "Xây knowledge graph mất bao lâu?", "a": "Một pilot quanh một câu hỏi kinh doanh có thể làm trong vài tuần nếu dữ liệu gốc sạch. Thời gian thực tế phụ thuộc nhiều vào chất lượng dữ liệu và người duyệt."} ], "sources": [ {"t": "Wikipedia: Knowledge graph", "u": "https://en.wikipedia.org/wiki/Knowledge_graph"}, {"t": "W3C: Resource Description Framework (RDF)", "u": "https://www.w3.org/RDF/"}, {"t": "Neo4j – cơ sở dữ liệu đồ thị", "u": "https://neo4j.com"}, {"t": "Wikidata", "u": "https://www.wikidata.org"} ], "related": ["graphrag-la-gi", "rag-la-gi", "vector-database-la-gi", "semantic-search-la-gi", "xay-kho-tri-thuc-ai-noi-bo", "embedding-la-gi", "tu-dien-thuat-ngu-ai"] }, { "id": 2194, "slug": "tu-dien-thuat-ngu-ai", "title": "Từ điển thuật ngữ AI cho người làm doanh nghiệp (A–Z)", "meta_desc": "Từ điển thuật ngữ AI cho người làm doanh nghiệp: giải thích ngắn gọn LLM, token, RAG, agent, fine-tuning, MCP và hơn 80 khái niệm, chia theo nhóm, dễ tra cứu.", "excerpt": "Họp với nhà cung cấp AI mà nghe toàn RAG, embedding, agent, fine-tuning? Từ điển này giải thích các thuật ngữ AI quan trọng bằng ngôn ngữ của người làm doanh nghiệp, chia theo nhóm để bạn hiểu chúng liên quan với nhau thế nào.", "answer": "Từ điển thuật ngữ AI cho người làm doanh nghiệp là bộ giải thích ngắn gọn các khái niệm hay gặp khi tìm hiểu, mua hoặc triển khai AI, như LLM, token, prompt, RAG, embedding, agent, fine-tuning, MCP, guardrails. Thay vì xếp thuần theo vần A–Z, bài này chia thuật ngữ thành tám nhóm: nền tảng, huấn luyện và tùy biến, sử dụng và prompt, truy xuất tri thức, agent và tích hợp, đa phương thức, vận hành và chi phí, an toàn và quản trị. Mỗi thuật ngữ có định nghĩa một đến hai câu và ý nghĩa thực tế với doanh nghiệp. Cuối bài có bảng các cặp thuật ngữ hay bị nhầm.", "kws": ["từ điển thuật ngữ AI", "thuật ngữ AI", "giải thích thuật ngữ trí tuệ nhân tạo", "thuật ngữ AI cho doanh nghiệp", "AI glossary tiếng Việt"], "sections": [ {"h2": "Cách dùng từ điển thuật ngữ AI này", "html": "Thuật ngữ AI phần lớn là tiếng Anh, nhiều từ chưa có cách dịch thống nhất. Từ điển này giữ tên gốc, kèm tên tiếng Việt thông dụng nếu có, và trả lời hai câu hỏi cho mỗi mục: nó là gì và doanh nghiệp cần quan tâm vì sao.
Các thuật ngữ được chia theo nhóm vì chúng liên quan chặt với nhau. Ví dụ muốn hiểu RAG, bạn cần biết embedding, vector database, chunking; muốn hiểu chi phí API, cần biết token, context window, prompt caching. Đọc theo nhóm giúp bạn nắm bức tranh, không chỉ thuộc lòng định nghĩa.
Lĩnh vực AI thay đổi nhanh. Định nghĩa ở đây là phần ổn định của khái niệm; tên sản phẩm, phiên bản cụ thể nên kiểm tra trên trang chính thức tại thời điểm bạn đọc.
"}, {"h2": "Nhóm 1: Thuật ngữ nền tảng", "html": "Với doanh nghiệp vừa và nhỏ, nguyên tắc chung là thử prompt tốt và RAG trước, chỉ fine-tuning khi hai cách đó không đạt.
"}, {"h2": "Nhóm 3: Sử dụng AI và viết prompt", "html": "Đây là nhóm thuật ngữ quan trọng nhất khi doanh nghiệp muốn AI trả lời dựa trên tài liệu của chính mình.
Ở nhóm này, doanh nghiệp cần đặc biệt lưu ý bản quyền nội dung tạo ra, quyền sử dụng hình ảnh, giọng nói của người thật và rủi ro giả mạo.
"}, {"h2": "Nhóm 7: Vận hành, hạ tầng và chi phí", "html": "Các khung tham chiếu như NIST AI Risk Management Framework hay nguyên tắc AI của OECD là điểm khởi đầu tốt để doanh nghiệp xây chính sách quản trị. Về pháp lý tại Việt Nam, hãy theo dõi văn bản chính thức hiện hành.
"}, {"h2": "Các cặp thuật ngữ AI hay bị nhầm lẫn", "html": "Nhiều cuộc họp mất thời gian chỉ vì hai bên hiểu một từ khác nhau. Bảng dưới đây tóm tắt những cặp hay gây nhầm nhất khi doanh nghiệp làm việc với nhà cung cấp hoặc đội kỹ thuật.
Một nguyên tắc chung: khi nhà cung cấp dùng thuật ngữ, hãy đề nghị họ giải thích bằng ví dụ trên dữ liệu của chính bạn. Ví dụ, thay vì chấp nhận câu “hệ thống dùng AI agent”, hãy hỏi “agent tự quyết định những bước nào, bước nào cần người duyệt, nếu sai thì ai phát hiện”. Câu trả lời cụ thể cho thấy họ hiểu sản phẩm đến đâu.
", "table": {"caption": "Phân biệt các cặp thuật ngữ dễ nhầm", "head": ["Cặp thuật ngữ", "Điểm khác chính", "Ví dụ dễ hiểu"], "rows": [["Chatbot và AI agent", "Chatbot trả lời; agent hành động nhiều bước", "Chatbot báo trạng thái đơn; agent tự tạo phiếu đổi hàng"], ["RAG và fine-tuning", "RAG tra cứu tài liệu; fine-tuning thay đổi mô hình", "RAG đọc bảng giá mới; fine-tuning học giọng văn"], ["Training và inference", "Huấn luyện tạo mô hình; suy luận dùng mô hình", "Mở trường dạy nghề và thuê thợ làm việc"], ["Open source và open weights", "Mã nguồn mở có thể gồm dữ liệu, mã huấn luyện; trọng số mở chỉ chia sẻ trọng số", "Có công thức nấu và chỉ có món ăn"], ["Embedding và token", "Token là mảnh chữ; embedding là vector mô tả nghĩa", "Mảnh ghép và bản đồ vị trí"], ["Copilot và tự động hóa", "Copilot hỗ trợ người làm; tự động hóa chạy không cần người", "Gợi ý email và tự gửi email"], ["Hallucination và lỗi dữ liệu", "Ảo giác do mô hình bịa; lỗi dữ liệu do nguồn sai", "Bịa số hóa đơn và bảng giá cũ trong kho"]]}} ], "tip": "Khi nghe một thuật ngữ AI mới trong cuộc họp, hãy hỏi ngay “nó thay đổi chi phí, rủi ro hay quy trình nào của chúng ta”. Thuật ngữ nào không trả lời được câu hỏi đó thì chưa cần đưa vào quyết định đầu tư.", "faq": [ {"q": "Người không làm kỹ thuật cần biết những thuật ngữ AI nào trước?", "a": "Nên nắm LLM, token, prompt, hallucination, RAG, AI agent và chính sách sử dụng AI. Chừng đó đủ để đọc báo giá, đặt câu hỏi cho nhà cung cấp và dùng AI an toàn."}, {"q": "Token có phải là một từ không?", "a": "Không hẳn. Token có thể là một từ, một phần từ hoặc dấu câu. Tiếng Việt có dấu thường tạo ra nhiều token hơn so với cùng nội dung tiếng Anh."}, {"q": "AI agent khác chatbot ở điểm nào?", "a": "Chatbot chủ yếu trả lời câu hỏi. AI agent có thể tự lập kế hoạch, gọi công cụ và thực hiện nhiều bước như tra dữ liệu, tạo phiếu, gửi email."}, {"q": "RAG và fine-tuning nên chọn cái nào?", "a": "Muốn AI trả lời theo tài liệu hay thay đổi như bảng giá, quy trình thì chọn RAG. Fine-tuning phù hợp khi cần văn phong hoặc định dạng đầu ra cố định mà prompt không đạt."}, {"q": "Có từ điển thuật ngữ AI chính thức bằng tiếng Việt không?", "a": "Tại thời điểm viết, cách dịch nhiều thuật ngữ AI chưa thống nhất. Nên dùng song song tên tiếng Anh và giải thích tiếng Việt để tránh hiểu nhầm."}, {"q": "MCP và API khác nhau thế nào?", "a": "API là cổng kết nối của từng phần mềm riêng. MCP là giao thức chung để các ứng dụng AI kết nối với nhiều nguồn dữ liệu, công cụ theo một cách thống nhất."}, {"q": "Thuật ngữ nào liên quan trực tiếp đến chi phí dùng AI?", "a": "Token, context window, rate limit, batch API, prompt caching và lựa chọn tự host hay dùng API. Hiểu chúng giúp bạn ước tính và kiểm soát chi phí tốt hơn."} ], "sources": [ {"t": "NIST AI Risk Management Framework", "u": "https://www.nist.gov/itl/ai-risk-management-framework"}, {"t": "OECD AI Principles", "u": "https://oecd.ai/en/ai-principles"}, {"t": "Wikipedia: Glossary of artificial intelligence", "u": "https://en.wikipedia.org/wiki/Glossary_of_artificial_intelligence"} ], "related": ["ai-la-gi-giai-thich-cho-doanh-nghiep", "llm-la-gi", "token-trong-ai-la-gi", "rag-la-gi", "ai-agent-la-gi", "fine-tuning-la-gi", "mcp-la-gi", "vision-language-model-la-gi", "knowledge-graph-la-gi", "guardrails-ai-la-gi"] }, { "id": 2195, "slug": "dify-la-gi", "title": "Dify là gì? Nền tảng xây ứng dụng AI không cần code nhiều", "meta_desc": "Dify là gì, gồm những tính năng nào, tự host hay dùng bản cloud, cách dựng chatbot đọc tài liệu nội bộ bằng Dify và khi nào doanh nghiệp nên chọn công cụ khác.", "excerpt": "Dify là nền tảng mã nguồn mở giúp dựng chatbot, trợ lý tra cứu tài liệu và quy trình AI bằng giao diện kéo thả. Bài viết giải thích Dify làm được gì, triển khai ra sao và những điểm doanh nghiệp vừa và nhỏ cần cân nhắc.", "answer": "Dify là nền tảng mã nguồn mở để xây ứng dụng dùng mô hình ngôn ngữ lớn (LLM) bằng giao diện trực quan, ít phải viết code. Với Dify, bạn có thể tạo chatbot trả lời theo tài liệu nội bộ (RAG), trợ lý có khả năng gọi công cụ, hoặc quy trình AI nhiều bước, rồi xuất bản thành trang web hay API cho phần mềm khác gọi. Dify kết nối được nhiều nhà cung cấp mô hình, cả dịch vụ đám mây lẫn mô hình tự chạy qua Ollama. Có bản cloud do nhà phát triển vận hành và bản tự host bằng Docker trên máy chủ của doanh nghiệp.", "kws": ["Dify là gì", "Dify AI", "nền tảng xây ứng dụng AI", "Dify tự host", "Dify chatbot RAG"], "sections": [ {"h2": "Dify là gì và giải quyết vấn đề gì", "html": "Dify là một nền tảng phát triển ứng dụng LLM, thường được gọi là LLMOps hoặc nền tảng ứng dụng AI. Thay vì đội lập trình phải tự ghép mô hình, cơ sở dữ liệu vector, giao diện chat, hệ thống ghi log, Dify gom các khối đó vào một giao diện quản trị.
Vấn đề Dify giải quyết là khoảng cách giữa “thử prompt trên ChatGPT thấy hay” và “có một ứng dụng nhân viên dùng được hằng ngày”. Khoảng cách đó gồm:
Mã nguồn Dify công khai trên GitHub với giấy phép dựa trên Apache 2.0 kèm một số điều kiện bổ sung, ví dụ về việc vận hành dịch vụ nhiều khách hàng và giữ thương hiệu. Doanh nghiệp tự dùng nội bộ thường không vướng, nhưng nếu định đóng gói thành dịch vụ bán lại thì cần đọc kỹ giấy phép hiện hành.
"}, {"h2": "Các thành phần chính trong Dify", "html": "Tại thời điểm viết, Dify cung cấp một số kiểu ứng dụng và khối chức năng chính. Tên gọi và giao diện có thể thay đổi theo phiên bản, hãy đối chiếu tài liệu chính thức.
Dify có hai cách dùng chính. Bản cloud do đội phát triển vận hành, có gói miễn phí giới hạn và các gói trả phí (xem bảng giá hiện hành). Bản tự host chạy bằng Docker Compose trên máy chủ của bạn.
", "table": {"caption": "So sánh Dify cloud và Dify tự host", "head": ["Tiêu chí", "Dify cloud", "Dify tự host"], "rows": [["Thời gian bắt đầu", "Vài phút, chỉ cần đăng ký", "Cần người cài Docker, cấu hình"], ["Dữ liệu tài liệu", "Lưu trên hạ tầng nhà cung cấp", "Lưu trên máy chủ của bạn"], ["Cập nhật phiên bản", "Tự động", "Tự làm, cần sao lưu trước"], ["Kết hợp mô hình nội bộ", "Hạn chế, cần mở kết nối ra ngoài", "Dễ, trỏ tới Ollama trong mạng LAN"], ["Người quản trị", "Không cần chuyên sâu", "Cần người IT theo dõi"]]}, "html2": ""}, {"h2": "Cài Dify tự host cần chuẩn bị gì", "html": "Với bản tự host, bản thân Dify không cần GPU vì nó chỉ điều phối; phần nặng là mô hình, có thể gọi qua API bên ngoài hoặc chạy trên máy khác. Mức cấu hình tham khảo cho nhóm nhỏ, cần kiểm tra yêu cầu tối thiểu trong tài liệu chính thức của phiên bản bạn dùng:
Giả sử một công ty phân phối thiết bị văn phòng 40 người muốn nhân viên kinh doanh tra nhanh chính sách bảo hành, đổi trả, quy trình giao hàng.
Gom 10–20 tài liệu đang dùng, bỏ bản cũ, đặt tên file rõ ràng. Chuyển file scan sang dạng có chữ hoặc chạy OCR trước.
Xem phần log mỗi tuần, đánh dấu câu trả lời sai, bổ sung tài liệu thiếu. Khi tỷ lệ đúng ổn định mới mở cho bộ phận khác.
"}, {"h2": "Dify khác n8n và các công cụ tự động hóa thế nào", "html": "Dify và n8n hay được nhắc cùng nhau vì đều có giao diện kéo thả, nhưng trọng tâm khác nhau. Dify xoay quanh ứng dụng AI: hội thoại, kho tri thức, prompt, đánh giá câu trả lời. n8n xoay quanh tự động hóa: kết nối hàng trăm ứng dụng, chạy theo lịch, theo sự kiện, xử lý dữ liệu.
Trong thực tế, hai công cụ thường bổ sung cho nhau. Ví dụ n8n nhận tin nhắn từ kênh chat, gọi API của ứng dụng Dify để lấy câu trả lời theo tài liệu, rồi ghi lại vào Google Sheets và gửi thông báo cho nhân viên phụ trách.
", "table": {"caption": "Dify, n8n và Flowise: điểm mạnh chính", "head": ["Tiêu chí", "Dify", "n8n", "Flowise"], "rows": [["Trọng tâm", "Ứng dụng LLM hoàn chỉnh", "Tự động hóa quy trình", "Dựng luồng LLM kiểu khối"], ["Kho tri thức RAG", "Có sẵn, quản lý trực quan", "Có qua node, tự lắp", "Có qua node"], ["Giao diện cho người dùng cuối", "Có web app sẵn", "Không phải trọng tâm", "Có widget chat"], ["Kết nối ứng dụng doanh nghiệp", "Qua tools, API", "Rất nhiều node sẵn", "Qua node, API"], ["Phù hợp", "Đội vận hành không chuyên code", "Người làm tự động hóa", "Người quen tư duy LangChain"]]}}, {"h2": "Hạn chế của Dify và khi nào nên chọn giải pháp khác", "html": "Dify mạnh nhưng không phải lựa chọn đúng cho mọi trường hợp:
Bắt đầu bằng một ứng dụng nhỏ, đo lường rõ ràng, rồi mới mở rộng là cách an toàn nhất.
"} ], "tip": "Hãy coi kho tri thức trong Dify như một thư viện cần thủ thư. Chỉ định một người ở mỗi phòng ban chịu trách nhiệm tài liệu của phòng mình; chatbot chỉ đúng khi tài liệu phía sau đúng và mới.", "faq": [ {"q": "Dify có miễn phí không?", "a": "Mã nguồn có thể tự host theo giấy phép của dự án. Bản cloud có gói miễn phí giới hạn và các gói trả phí, xem bảng giá hiện hành trên trang chính thức. Chi phí mô hình AI tính riêng."}, {"q": "Dify có hỗ trợ tiếng Việt không?", "a": "Dify xử lý được tài liệu và hội thoại tiếng Việt; chất lượng câu trả lời phụ thuộc mô hình LLM và mô hình embedding bạn chọn. Nên thử nhiều mô hình với câu hỏi thật."}, {"q": "Dify có chạy với Ollama được không?", "a": "Được. Bạn khai báo Ollama như một nhà cung cấp mô hình, trỏ tới địa chỉ máy đang chạy Ollama trong mạng nội bộ."}, {"q": "Người không biết lập trình có dùng Dify được không?", "a": "Có thể dựng chatbot, kho tri thức đơn giản bằng giao diện. Phần cài đặt tự host, kết nối API và bảo mật nên có người IT hỗ trợ."}, {"q": "Có nhúng chatbot Dify vào website được không?", "a": "Được. Dify cung cấp web app và đoạn mã nhúng, ngoài ra có API để tích hợp vào ứng dụng riêng."}, {"q": "Dify khác ChatGPT ở chỗ nào?", "a": "ChatGPT là sản phẩm trợ lý dùng ngay. Dify là nền tảng để bạn tự xây ứng dụng AI của riêng mình, chọn mô hình, nạp tài liệu và xuất bản cho người khác dùng."} ], "sources": [ {"t": "Dify – trang chủ", "u": "https://dify.ai"}, {"t": "Dify – kho mã chính thức trên GitHub", "u": "https://github.com/langgenius/dify"}, {"t": "Tài liệu Dify", "u": "https://docs.dify.ai"} ], "related": ["dify-vs-flowise", "flowise-la-gi", "n8n-la-gi", "rag-la-gi", "cach-tao-chatbot-website-khong-can-code", "xay-kho-tri-thuc-ai-noi-bo", "ollama-la-gi", "cong-cu-ai-moi-dang-chu-y"] } ]