Từ điển AI: LLM, RAG, Agent, MCP, API và hơn 50 thuật ngữ
Trí tuệ nhân tạo (AI) đang phát triển với tốc độ chóng mặt, kéo theo đó là sự xuất hiện của hàng loạt thuật ngữ kỹ thuật mới. Nếu bạn đang cảm thấy bối rối trước những khái niệm như LLM, RAG, Agent hay MCP, bài viết này chính là cẩm nang dành cho bạn. “AI giúp tôi giải quyết vấn đề gì?” – câu hỏi này sẽ được trả lời một cách gián tiếp nhưng rõ ràng thông qua việc hiểu bản chất của từng công nghệ, từ đó biết cách ứng dụng chúng vào thực tế công việc.
Dưới đây là từ điển tổng hợp chi tiết nhất về hơn 50 thuật ngữ AI cốt lõi, được giải thích bằng tiếng Việt dễ hiểu kèm theo các ví dụ thực tế (analogy) trực quan.
1. Nhóm thuật ngữ về LLM (Large Language Model) – Bộ não của AI
1. LLM (Large Language Model – Mô hình ngôn ngữ lớn): Là một hệ thống AI được huấn luyện trên lượng dữ liệu văn bản khổng lồ để hiểu và tạo ra ngôn ngữ giống con người. Ví dụ: GPT-4, Claude 3, Llama 3.
Analogy (Ví dụ thực tế): Giống như một người đọc hàng triệu cuốn sách ở thư viện và có khả năng tóm tắt, viết tiếp hoặc trả lời bất kỳ câu hỏi nào dựa trên những gì đã đọc.
2. Parameter (Tham số): Các “khớp nối” hoặc biến số bên trong mô hình thần kinh, quyết định khả năng suy luận của AI. Số lượng tham số càng lớn (thường tính bằng tỷ – billion, vd: 70B, 405B), mô hình thường càng thông minh.
Analogy: Các tham số giống như số lượng nơ-ron thần kinh trong não bộ, càng nhiều thì mạng lưới liên kết càng phức tạp và khả năng xử lý càng mạnh.
3. Fine-tuning (Tinh chỉnh mô hình): Quá trình lấy một LLM đã được huấn luyện (pre-trained) và tiếp tục huấn luyện nó trên một tập dữ liệu nhỏ hơn, chuyên biệt hơn để làm tốt một nhiệm vụ cụ thể.
Analogy: Giống như một bác sĩ đa khoa (LLM gốc) đi học thêm chứng chỉ chuyên khoa tim mạch (fine-tuning) để trở thành bác sĩ tim mạch xuất sắc.
4. Token & Tokenization: Đơn vị dữ liệu nhỏ nhất mà AI đọc hiểu (thường là một từ hoặc một phần của từ). Tokenization là quá trình chia cắt văn bản thành các token.
Analogy: Giống như việc bạn chia một câu thành các âm tiết để đánh vần.
5. Context Window (Cửa sổ ngữ cảnh): Giới hạn số lượng token (từ) mà mô hình có thể “nhớ” và xử lý trong một lần hội thoại. (Ví dụ: 128k, 200k tokens).
Analogy: Giống như trí nhớ ngắn hạn của con người. Nếu bạn nói quá dài vượt quá trí nhớ này, họ sẽ quên phần đầu câu chuyện.
2. Nhóm thuật ngữ về RAG – Trí nhớ ngoài của AI
6. RAG (Retrieval-Augmented Generation): Kiến trúc kết hợp khả năng suy luận của LLM với việc truy xuất thông tin từ một cơ sở dữ liệu bên ngoài để tạo ra câu trả lời chính xác, cập nhật và không bị ảo giác.
Analogy: Một học sinh đi thi được phép mang sách giáo khoa vào phòng (RAG). Thay vì cố nhớ mọi thứ, học sinh mở sách tìm thông tin (Retrieval) rồi viết câu trả lời (Generation).
7. Embedding (Nhúng): Kỹ thuật biến đổi văn bản (hoặc hình ảnh, âm thanh) thành các dãy số (vector) để máy tính có thể hiểu được ý nghĩa ngữ nghĩa của chúng.
Analogy: Dịch một bài văn từ tiếng Việt sang “ngôn ngữ toán học” của AI.
8. Vector Database (Cơ sở dữ liệu Vector): Hệ thống lưu trữ các dữ liệu đã được embedding. Cho phép tìm kiếm sự tương đồng về mặt ý nghĩa (Semantic search) cực kỳ nhanh chóng.
Analogy: Một thư viện khổng lồ được sắp xếp không phải theo bảng chữ cái mà theo “chủ đề tương tự nhau”, giúp bạn tìm sách cùng chủ đề trong nháy mắt.
9. Chunking: Việc chia nhỏ tài liệu lớn thành các phần nhỏ (chunks) để dễ dàng embedding và đưa vào Vector Database.
10. Retrieval (Truy xuất): Bước AI tìm kiếm các chunks dữ liệu phù hợp nhất với câu hỏi của người dùng từ Vector Database để làm ngữ cảnh.
3. AI Agent & Kiến trúc tự trị
11. AI Agent: Một hệ thống AI không chỉ trả lời câu hỏi mà còn có khả năng tự động lên kế hoạch và thực hiện các hành động thông qua công cụ để hoàn thành mục tiêu.
Analogy: Một trợ lý cá nhân. Bạn giao việc “Đặt vé máy bay”, họ tự biết mở web, tìm chuyến bay, đối chiếu lịch và thanh toán.
12. Autonomous Agent (Agent tự trị): Agent hoạt động hoàn toàn độc lập, liên tục suy nghĩ và điều chỉnh hành vi mà không cần con người can thiệp giữa chừng.
13. Multi-Agent System: Hệ thống gồm nhiều AI Agent làm việc cùng nhau, mỗi Agent đóng một vai trò (CEO, Coder, Reviewer…) để giải quyết bài toán phức tạp.
14. Tool Calling / Function Calling: Khả năng của LLM quyết định khi nào cần sử dụng một công cụ bên ngoài (ví dụ: máy tính, API thời tiết, trình duyệt web) và truyền tham số chính xác cho công cụ đó.
15. Chain of Thought (CoT): Kỹ thuật prompt yêu cầu AI suy nghĩ theo từng bước (Step-by-step) trước khi đưa ra kết quả cuối cùng, giúp tăng độ logic và chính xác.
4. MCP & API – Cầu nối công nghệ
16. MCP (Model Context Protocol): Giao thức mã nguồn mở do Anthropic giới thiệu nhằm chuẩn hóa cách các mô hình AI kết nối một cách an toàn với các nguồn dữ liệu và công cụ bên ngoài.
Analogy: Giống như cổng sạc Type-C chuẩn quốc tế, giúp bất kỳ AI nào cũng có thể cắm vào và lấy dữ liệu từ các ứng dụng khác dễ dàng.
17. API (Application Programming Interface): Cầu nối phần mềm cho phép các ứng dụng giao tiếp với nhau. Trong AI, API cho phép app của bạn gửi lệnh tới ChatGPT và nhận câu trả lời.
Analogy: Người bồi bàn ở nhà hàng. Bạn (ứng dụng) đưa yêu cầu cho bồi bàn (API), bồi bàn vào bếp (AI server) lấy món ăn (kết quả) mang ra cho bạn.
18. REST: Chuẩn thiết kế API phổ biến, sử dụng các phương thức HTTP (GET, POST, PUT, DELETE).
19. SDK (Software Development Kit): Bộ công cụ phát triển phần mềm được đóng gói sẵn, giúp lập trình viên tích hợp API dễ dàng hơn. Ví dụ: OpenAI Python SDK.
Analogy: Hộp dụng cụ làm mộc được chuẩn bị sẵn cưa, búa thay vì bạn phải tự chế tạo công cụ.
20. Webhook: Phương thức để một ứng dụng tự động gửi dữ liệu theo thời gian thực (real-time) sang ứng dụng khác ngay khi có sự kiện xảy ra.
5. Các thuật ngữ Machine Learning & Deep Learning cốt lõi
21. Machine Learning (Học máy – ML): Nhánh của AI cho phép máy tính tự học từ dữ liệu mà không cần lập trình rõ ràng từng quy tắc.
22. Deep Learning (Học sâu – DL): Nhánh con của ML, sử dụng mạng nơ-ron nhân tạo với nhiều lớp (layers) để giải quyết các bài toán phức tạp.
23. Neural Network (Mạng nơ-ron): Cấu trúc toán học lấy cảm hứng từ não người, gồm nhiều “nút” (nodes) kết nối với nhau để xử lý thông tin.
24. Transformer: Kiến trúc Deep Learning đột phá được Google giới thiệu năm 2017, là nền tảng của mọi LLM hiện nay (GPT, BERT).
25. Attention Mechanism: Kỹ thuật trong Transformer giúp AI biết nên tập trung vào từ nào trong câu để hiểu đúng ngữ cảnh (ví dụ phân biệt từ “đường” trong “đường ăn” và “con đường”).
26. Inference (Suy luận): Quá trình mô hình AI đã được huấn luyện đưa ra dự đoán hoặc tạo ra nội dung khi người dùng đặt câu hỏi.
27. Training (Huấn luyện): Quá trình “dạy” mô hình bằng cách cho nó xử lý lượng lớn dữ liệu và điều chỉnh tham số liên tục.
28. Epoch: Một chu kỳ huấn luyện mà toàn bộ tập dữ liệu đã được đưa qua mạng nơ-ron một lần.
29. Batch Size: Số lượng mẫu dữ liệu được xử lý cùng một lúc trong một bước huấn luyện trước khi mô hình cập nhật tham số.
30. GPU (Graphics Processing Unit): Card đồ họa có khả năng tính toán song song, phần cứng sống còn để chạy và huấn luyện AI (như chip NVIDIA H100).
31. TPU (Tensor Processing Unit): Chip chuyên dụng do Google phát triển để tăng tốc độ tính toán cho AI.
6. Dữ liệu và Các vấn đề thường gặp trong AI
32. Dataset (Tập dữ liệu): Tập hợp dữ liệu (văn bản, hình ảnh) dùng để huấn luyện AI.
33. Hallucination (Ảo giác AI): Hiện tượng AI tự bịa ra thông tin sai lệch hoặc không có thật nhưng lại nói với giọng điệu rất tự tin.
34. Bias (Thiên vị): Sự thiên lệch của AI đối với một nhóm người hoặc một góc nhìn nhất định, do dữ liệu huấn luyện bị mất cân bằng.
35. Grounding: Việc buộc kết quả đầu ra của AI dựa vào các dữ liệu hoặc sự thật kiểm chứng được (như dùng RAG hoặc web search) để giảm ảo giác.
36. Overfitting (Quá khớp): Mô hình học “vẹt” dữ liệu huấn luyện đến mức hoàn hảo nhưng lại dự đoán sai bét trên dữ liệu mới.
37. Underfitting (Chưa khớp): Mô hình quá đơn giản, học chưa đủ kỹ để nắm bắt cấu trúc của dữ liệu.
38. RLHF (Reinforcement Learning from Human Feedback): Phương pháp học tăng cường dựa trên phản hồi của con người, giúp AI (như ChatGPT) trả lời lịch sự và đúng ý người dùng hơn.
39. Supervised Learning (Học có giám sát): Huấn luyện AI bằng dữ liệu đã được gán nhãn trước (ví dụ: ảnh mèo có chữ “mèo”).
40. Unsupervised Learning (Học không giám sát): Huấn luyện AI với dữ liệu thô, để máy tự tìm ra quy luật hoặc nhóm dữ liệu.
7. Tương tác và Sử dụng AI
41. Prompt Engineering: Kỹ năng thiết kế câu lệnh để giao tiếp với AI sao cho đạt được kết quả chính xác và tối ưu nhất.
42. Zero-shot Prompting: Yêu cầu AI thực hiện một nhiệm vụ mà không cung cấp bất kỳ ví dụ nào trước.
43. Few-shot Prompting: Cung cấp cho AI một vài ví dụ minh họa trong câu lệnh để AI bắt chước định dạng và trả lời.
44. System Prompt: Lệnh chỉ thị ngầm định hướng vai trò và cách hành xử xuyên suốt của AI (ví dụ: “Bạn là một giáo viên toán cấp 3…”).
45. Temperature: Thông số cấu hình (từ 0.0 đến 2.0) điều chỉnh mức độ sáng tạo của AI. (0 = cực kỳ logic, cứng nhắc; cao = sáng tạo, ngẫu nhiên).
46. Top-P & Top-K: Các tham số giới hạn vùng lựa chọn từ vựng tiếp theo của AI, giúp kết quả ổn định hơn.
47. Open-source AI (AI mã nguồn mở): Các mô hình (như Llama 3, Mistral) cho phép cộng đồng tải về và tùy chỉnh mã nguồn.
48. Closed-source AI (AI mã nguồn đóng): Các mô hình độc quyền của các Big Tech (như GPT-4, Claude 3, Gemini) chỉ cung cấp truy cập qua API hoặc giao diện chat.
49. AGI (Artificial General Intelligence – Trí tuệ nhân tạo tổng quát): Mức độ AI lý tưởng trong tương lai, có trí thông minh và khả năng giải quyết vấn đề bằng hoặc vượt qua con người trong mọi lĩnh vực.
50. ANI (Artificial Narrow Intelligence – Trí tuệ nhân tạo hẹp): AI hiện tại, chỉ làm tốt một hoặc vài nhiệm vụ cụ thể.
51. Multimodal (Đa phương thức): Khả năng của mô hình AI xử lý cùng lúc nhiều loại dữ liệu khác nhau như văn bản, hình ảnh, âm thanh và video (vd: GPT-4o).
52. Latency (Độ trễ): Thời gian từ khi bạn gửi yêu cầu đến khi AI bắt đầu trả ra chữ cái đầu tiên (TTFT – Time To First Token).
53. Throughput (Thông lượng): Số lượng token AI tạo ra được trong một giây (tokens/second).
54. Checkpoint: Bản sao lưu lại trạng thái (các tham số) của mạng nơ-ron tại một thời điểm nhất định trong quá trình huấn luyện.
55. Reward Model: Mô hình phụ dùng trong RLHF để chấm điểm và đánh giá xem câu trả lời của AI có tốt và an toàn hay không.
8. Bảng so sánh một số thuật ngữ AI quan trọng
| Khái niệm | Đặc điểm chính | Nên dùng khi nào? |
|---|---|---|
| LLM | Mô hình cốt lõi có kiến thức chung | Cần viết content, trả lời câu hỏi cơ bản |
| RAG | Kết hợp LLM + Dữ liệu riêng của bạn | Cần trả lời chính xác dựa trên tài liệu nội bộ, không ảo giác |
| Fine-tuning | Dạy lại mô hình cách làm một task chuyên biệt | Cần AI học một phong cách viết, ngôn ngữ ngách hoặc format cố định |
| AI Agent | Có khả năng lập kế hoạch và dùng công cụ | Cần tự động hóa luồng công việc nhiều bước (vd: tự thu thập data rồi viết báo cáo) |
9. FAQ – Câu hỏi thường gặp về thuật ngữ AI
Q1: Nếu tôi chỉ là người dùng bình thường, tôi có cần hiểu API hay RAG không?
A1: Việc hiểu cơ bản sẽ giúp bạn rất nhiều. Hiểu RAG giúp bạn chọn đúng công cụ khi muốn AI đọc tài liệu PDF của mình. Hiểu API giúp bạn dùng các ứng dụng tự động hóa như Make hay Zapier để gắn ChatGPT vào luồng công việc.
Q2: AI Agent khác gì ChatGPT thông thường?
A2: ChatGPT thường là mô hình trả lời thụ động (bạn hỏi, nó đáp). AI Agent chủ động hơn: nó suy nghĩ xem cần làm gì tiếp theo, biết tự mở trình duyệt tìm kiếm, tính toán và hành động cho đến khi hoàn thành mục tiêu bạn giao.
Q3: Temperature nên đặt bao nhiêu là hợp lý?
A3: Nếu bạn cần phân tích dữ liệu, viết code (cần độ chính xác cao), hãy đặt Temperature = 0 hoặc 0.1. Nếu viết thơ, sáng tạo content, bạn có thể tăng lên 0.7 – 1.0.
Q4: Tại sao AI lại bị ảo giác (Hallucination)?
A4: Bản chất của LLM là dự đoán từ tiếp theo có xác suất cao nhất. Nó không thực sự “hiểu” sự thật như con người, nên đôi khi nó ghép nối các từ nghe có vẻ hợp lý nhưng về mặt ngữ nghĩa thì hoàn toàn sai lệch.
Q5: MCP có ảnh hưởng gì tới các lập trình viên hiện tại?
A5: MCP giúp chuẩn hóa việc tích hợp công cụ. Thay vì phải viết hàng tá API kết nối riêng lẻ cho từng mô hình AI, bạn chỉ cần phát triển một máy chủ MCP và mọi công cụ AI tương thích chuẩn này (như Claude Desktop) đều có thể kết nối ngay lập tức.
Kết luận
Hiểu rõ từ vựng kỹ thuật là bước đầu tiên để làm chủ công nghệ. Với danh sách hơn 50 thuật ngữ về LLM, RAG, Agent, API và Machine Learning trên, hy vọng bạn đã có một nền tảng vững chắc để tự tin ứng dụng AI vào công việc thực tế, giải quyết đúng vấn đề và tối ưu hóa hiệu suất.
Xem thêm các bài viết hữu ích về cách triển khai các công nghệ này tại: Ứng dụng AI thực tiễn.
