Phần 2 của seri 4 bài về truy xuất thông tin: tìm kiếm từ khóa biến tài liệu thành vector thưa, xây chỉ mục ngược, rồi xếp hạng bằng TF-IDF và BM25 như thế nào.

Phần 4 của seri 4 bài: cách gộp kết quả tìm kiếm từ khóa và ngữ nghĩa bằng Reciprocal Rank Fusion, tinh chỉnh bằng K và Beta, và đo chất lượng truy xuất bằng Precision, Recall, MAP và MRR.

Phần 3 của seri 4 bài về truy xuất thông tin: tìm kiếm ngữ nghĩa khớp tài liệu theo ý nghĩa thay vì theo từ, embedding là gì, đo khoảng cách giữa các vector ra sao, và huấn luyện tương phản dạy model đặt mọi thứ ở đâu.

Phần 1 của seri 4 bài về cách tìm kiếm thực sự hoạt động bên trong RAG: kiến trúc retriever, tìm kiếm từ khóa và ngữ nghĩa, và vì sao lọc siêu dữ liệu là bộ lọc cứng duy nhất.

Phần cuối của seri RAG: retriever hoạt động thế nào — knowledge base, index, xếp hạng theo độ tương đồng, đánh đổi recall/precision, và vì sao vector database quan trọng ở quy mô lớn.

Phần 2 của seri RAG: dự đoán token tiếp theo, token, tự hồi quy, huấn luyện trên hàng nghìn tỷ từ — và vì sao thiết kế đó khiến ảo giác là không thể tránh nếu thiếu retrieval.

Phần 1 của seri 3 bài về Retrieval-Augmented Generation: vì sao LLM bịa với thông tin riêng tư hoặc mới, và vòng lặp hai bước Retrieval + Generation giải quyết điều đó thế nào.

autoharness của Tigerless Labs cho phép Claude Code tự học skill từ các phiên làm việc thật, gộp các skill trùng lặp, và archive những skill không còn dùng — không cần daemon, không cần benchmark.