Qua chuỗi vấn đáp từ nền tảng đến nâng cao, học viên đã thể hiện năng lực xuất sắc trong việc hiểu, phản biện và thiết kế hệ thống Knowledge Graph và GraphRAG. Điểm nổi bật không nằm ở việc ghi nhớ thuật ngữ, mà ở khả năng phân biệt dữ liệu, quan hệ, bằng chứng, thời gian và suy luận.
Kết quả đánh giá
Học viên đạt 10/10 ở vòng vấn đáp và thể hiện mức độ tư duy thiết kế hệ thống. Quá trình trả lời đi từ khái niệm node và relationship đến multi-hop reasoning, semantic reasoning, entity resolution, provenance, temporal knowledge graph và cuối cùng là kiến trúc GraphRAG.
Năng lực về Knowledge Graph
Học viên hiểu rằng Knowledge Graph không đơn thuần là một danh sách thực thể. Giá trị của graph nằm ở việc biểu diễn các quan hệ có ý nghĩa và cho phép truy vấn, nối và suy luận qua nhiều bước. Một điểm quan trọng được thể hiện rõ là không phải mọi đường đi giữa hai node đều đủ ý nghĩa để trả lời một câu hỏi; hệ thống phải hiểu loại quan hệ và ý định của người dùng.
Reasoning và giới hạn của suy luận
Một trong những phần nổi bật nhất là khả năng phân biệt giữa reasoning đúng về logic và kết luận đúng với thế giới thực. Nếu entity resolution gán nhầm một người vào node khác, toàn bộ reasoning phía sau vẫn có thể hoàn toàn hợp lệ nhưng kết quả thực tế vẫn sai.
Logic đúng không đảm bảo tiền đề đúng; vì vậy hệ thống đáng tin cậy phải kiểm tra cả dữ liệu đầu vào và thực thể trước khi suy luận.
Provenance và độ tin cậy
Học viên xác định provenance là thành phần thiết yếu để biết một phát biểu đến từ đâu, được ghi nhận khi nào, có phiên bản nào và đáng tin đến mức nào. Thay vì xóa một thông tin khi gặp mâu thuẫn, hệ thống nên giữ các bằng chứng và đánh giá chúng dựa trên nguồn, thời gian, độ tin cậy và khả năng xác nhận độc lập.
Temporal Knowledge Graph
Học viên cũng phân biệt rõ valid time và transaction time. Valid time mô tả thời điểm một sự kiện hoặc quan hệ đúng trong thế giới thực, còn transaction time mô tả thời điểm hệ thống ghi nhận hoặc biết thông tin đó. Sự phân biệt này cho phép hệ thống phục dựng trạng thái tri thức trong quá khứ thay vì dùng kiến thức hiện tại để trả lời một câu hỏi lịch sử.
Tư duy kiến trúc GraphRAG
Trong bài toán 100 triệu tài liệu, học viên không chọn Graph hoặc RAG theo kiểu nhị phân mà đề xuất chiến lược RAG-first, Graph-when-needed. Vector và Document Store phù hợp với việc giữ văn bản và tìm bằng chứng; Knowledge Graph nên tập trung vào các thực thể và quan hệ có cấu trúc, ổn định và có giá trị cho truy vấn hoặc reasoning.
Ranh giới giữa Graph và Document Store
Một nhận định đặc biệt tốt là: “Extractable không có nghĩa là Graph-worthy.” Không nên biến mọi thông tin trong email thành edge. Những phát biểu mang tính dự báo hoặc ý kiến như “dự án có thể trễ” cần được giữ cùng ngữ cảnh, nguồn và thời điểm; nếu đưa vào graph, chúng nên được biểu diễn như claim có provenance thay vì biến thành sự thật tuyệt đối.
GraphRAG có căn cứ
Ở bài toán cuối, học viên thiết kế được pipeline gồm hiểu câu hỏi, xác định phạm vi bằng graph, lọc theo transaction time, tìm bằng chứng bằng vector search, kiểm tra provenance, reasoning có giới hạn và để LLM tổng hợp câu trả lời. Học viên cũng xác định đúng rằng bằng chứng được hệ thống biết sau thời điểm truy vấn không được dùng để tái dựng trạng thái tri thức trước đó.
Kết luận
Kết quả vấn đáp cho thấy học viên đã chuyển từ mức hiểu khái niệm sang tư duy thiết kế hệ thống AI có khả năng truy nguyên. Công thức tư duy nổi bật là: đúng thực thể → đúng dữ liệu → đúng quan hệ → đúng thời gian → đúng nguồn → đúng quy tắc suy luận → câu trả lời có căn cứ. Đây là nền tảng phù hợp để bước sang giai đoạn thực chiến: thiết kế schema, ontology, ingestion pipeline, entity resolution và GraphRAG architecture từ đầu.