Mảnh ghép còn thiếu để xây dựng hệ thống RAG toàn công ty

Hệ thống RAG của bạn rất giỏi trong việc trả lời câu hỏi, nhưng nó không thể thực hiện hành động dựa trên những câu trả lời đó.

Một nhân viên bán hàng có thể hỏi: “Giá tiêu chuẩn cho hợp đồng doanh nghiệp của chúng ta là bao nhiêu?” và ngay lập tức nhận được tài liệu chính sách chính xác. Nhưng công việc của họ mới chỉ bắt đầu.

Hiện tại, họ phải mở tài liệu đó, tìm cấp giá phù hợp, sao chép chi tiết, chuyển sang CRM để tạo báo giá, soạn thảo đề xuất trong công cụ khác, sau đó thông báo cho nhóm quản lý tài khoản qua trò chuyện.

Trả lời của AI chỉ tạo ra một danh sách công việc mới, gồm nhiều bước. Tải trọng nhận thức không được loại bỏ; nó chỉ chuyển từ "tìm kiếm thông tin" sang "thực hiện thủ công các bước tiếp theo".

Theo một nghiên cứu của McKinsey, 87% tổ chức cho biết hệ thống truy xuất thông tin bằng AI thành công trong việc cung cấp thông tin chính xác. Tuy nhiên, chỉ 31% ghi nhận sự gia tăng đáng kể về năng suất.

Tại sao? Bởi vì việc truy xuất mà không có thực thi sẽ tạo ra một nút thắt cổ chai mới, buộc con người phải dịch thủ công các câu trả lời do AI tạo ra thành hành động.

Bài viết này giải thích tại sao hầu hết các hệ thống RAG toàn công ty không thể đáp ứng được cam kết của mình. Nó cũng chỉ ra cách thêm một lớp thực thi có thể biến RAG từ một công cụ tìm kiếm thụ động thành một động cơ cho công việc chủ động.

RAG thu thập kiến thức nhưng phụ thuộc vào con người để thực hiện.

Hệ thống RAG giống như những thư viện viên tài ba. Chúng sprint qua cơ sở kiến thức của bạn, tìm ra đoạn văn bản phù hợp và đặt nó gọn gàng trên bàn làm việc của bạn. Sau đó, chúng rời đi.

Đây đơn giản là giới hạn kiến trúc trong công việc. Việc truy xuất được thiết kế để chỉ đọc.

Tuy nhiên, công việc là quá trình đọc và ghi. Nó đòi hỏi cập nhật, thay đổi quyền sở hữu, thay đổi trạng thái, thông báo, phụ thuộc, ghi chép và theo dõi. Khi AI của bạn có thể đọc nhưng không thể ghi, nó biến câu trả lời thành nhiệm vụ.

Trên lý thuyết, việc truy xuất thông tin giúp giảm thời gian tìm kiếm. Tuy nhiên, trên thực tế, nó thường chuyển thời gian đó sang các công việc phối hợp. Thay vì tìm kiếm thông tin, nhóm của bạn giờ đây phải dành thời gian để chuyển đổi thông tin thành công việc có cấu trúc trên nhiều hệ thống khác nhau.

Lớp dịch thuật này chính là nơi mà sự gia tăng năng suất bị đình trệ.

Cơ chế ẩn sau khoảng cách giữa hành động và kết quả

Khi phản hồi của AI yêu cầu con người phải kích hoạt thủ công các bước tiếp theo, bạn đã giới thiệu:

Một câu trả lời không được tích hợp vào quy trình làm việc là vô dụng. Nó cung cấp thông tin, nhưng không thực thi. Và thực thi chính là nơi giá trị kinh doanh được tạo ra.

Các công cụ không kết nối tạo ra khoảng trống ngữ cảnh mà AI không thể lấp đầy.

Thực tế là gì? Hệ thống RAG chỉ thông minh như dữ liệu mà nó có thể truy cập.

Hệ thống RAG của bạn có thể nắm rõ mọi thông tin trong cơ sở kiến thức chính thức, nhưng lại không có khả năng hiển thị trạng thái thời gian thực của một dự án, sức chứa hiện tại của nhóm, hoặc một cuộc hội thoại quan trọng đang diễn ra trong kênh chat.

Điều này có nghĩa là AI có thể cung cấp cho bạn câu trả lời chính xác về mặt sự thật nhưng vô dụng về mặt ngữ cảnh vì nó không biết dự án mà nó đang tham chiếu đã chậm tiến độ ba tuần.

Các câu trả lời tĩnh không hiệu quả khi công việc yêu cầu quyết định thời gian thực.

Hầu hết các phản hồi RAG chỉ là những bản chụp nhanh tại một thời điểm cụ thể, không phản ánh môi trường làm việc động và liên tục. Chúng tạo ra câu trả lời dựa trên thông tin đã được chỉ mục tại một thời điểm nào đó trong quá khứ.

Khi dòng thời gian dự án được cập nhật vào sáng thứ Hai, hệ thống RAG lấy dữ liệu từ cơ sở dữ liệu được chỉ mục vào thứ Sáu đã hoạt động dựa trên bối cảnh lỗi thời. Bất kỳ hướng dẫn nào nó cung cấp đều dựa trên thực tế đã lỗi thời.

Công việc thực tế đòi hỏi sự nhận thức theo thời gian thực, và đây chính là điểm yếu của một quy trình truy xuất tĩnh, không thể điều chỉnh hướng dẫn của mình để phù hợp với tính chất động của các quy trình làm việc của bạn.

Mảnh ghép còn thiếu biến RAG thành hành động

Nếu việc cải thiện quá trình truy xuất không phải là bước đột phá, thì điều gì mới là?

Không, không phải mô hình lớn hơn, hay lời nhắc thông minh hơn. Thậm chí không phải cửa sổ ngữ cảnh rộng hơn.

Mảnh ghép còn thiếu là về mặt cấu trúc; đó là một lớp thực thi. Một dạng trí tuệ nhân tạo có khả năng hành động ( agentic AI ) không chỉ tìm kiếm và phản hồi mà còn tự động thực hiện các hành động dựa trên thông tin đó ngay trong quy trình làm việc của bạn.

Đây chính là cầu nối cuối cùng kết nối "AI biết" với "AI làm việc cần làm". 🛠️

Từ truy xuất đến thực thi

Hệ thống RAG truyền thống hoạt động giống như một nhà nghiên cứu xuất sắc.

Nó hiển thị chính sách giá cả doanh nghiệp chính xác trong vài giây, làm nổi bật cấp độ phù hợp và chuyển lại cho nhân viên bán hàng. Kỹ thuật chính xác, nhưng chưa hoàn thiện về mặt vận hành.

Lớp thực thi thay đổi kết quả. Thay vì để nhân viên phải tự tay chuyển đổi thông tin đó giữa các công cụ, hệ thống RAG tự động có thể:

Câu trả lời không còn là một danh sách kiểm tra, mà là một nhiệm vụ hành động được thực thi ngay lập tức.

Tích hợp hành động vào các quy trình làm việc thực tế

Để AI có thể mang lại những cải thiện đáng kể về năng suất, nó phải hoạt động trong cùng một môi trường nơi công việc được tạo ra, đang theo dõi và hoàn thành.

Khi kiến thức và thực thi bị tách biệt, con người trở thành kết nối, sao chép chi tiết giữa các hệ thống, phân công quyền sở hữu thủ công và kích hoạt quy trình bằng tay.

Lớp thực thi loại bỏ gánh nặng chuyển đổi. Kiến thức được xác thực từ hệ thống RAG của bạn sẽ giúp các tác nhân AI cập nhật ngay lập tức các bản ghi, tạo công việc, kích hoạt quy trình làm việc, tạo tài liệu và phối hợp giao tiếp trong các công cụ mà nhóm của bạn đã sử dụng. Thay vì phải dừng lại để chuyển đổi thông tin thành hành động, hành động diễn ra ngay tại nơi thông tin được hiển thị.

Về bản chất, quy trình làm việc trở nên liên tục thay vì bị phân mảnh.

Từ RAG thụ động sang RAG chủ động

RAG thụ động có hàm giống như một công cụ tìm kiếm mạnh mẽ.

Nó cải thiện độ chính xác và tăng tốc quá trình khám phá, nhưng vẫn phụ thuộc vào con người để triển khai các câu trả lời đó trên các hệ thống không kết nối.

Hệ thống RAG dựa trên tác nhân hoạt động giống như một đồng nghiệp kỹ thuật số.

Nó đọc bối cảnh, đưa ra quyết định về các hành động tiếp theo phù hợp và thực thi chúng trong môi trường công việc thực tế. Sự thay đổi này ban đầu có vẻ tinh tế nhưng mang tính cách mạng trong thực tế. Việc truy xuất giảm thời gian suy nghĩ. Việc thực thi giảm thời gian phối hợp.

Cách ClickUp Super Agents mang RAG vào cuộc sống

Việc xây dựng một lớp thực thi từ đầu nghe có vẻ lý tưởng trên lý thuyết.

Trên thực tế, điều này có nghĩa là kết nối các API, quản lý quyền truy cập, duy trì tích hợp, xử lý bộ nhớ và lưu trữ, và xây dựng logic điều phối giữa các hệ thống vốn không được thiết kế để làm việc cùng nhau.

Hầu hết các nhóm hoặc bị mắc kẹt với việc truy xuất thụ động, hoặc cố gắng phát triển khung làm việc tùy chỉnh của riêng họ trên các công cụ rời rạc. ClickUp loại bỏ sự đánh đổi đó.

Thay vì chồng chéo các tác nhân lên hạ tầng không kết nối, ClickUp tích hợp chúng trực tiếp vào không gian làm việc AI tích hợp, nơi các công việc, Tài liệu, Trò chuyện, Bảng điều khiển và Tự động hóa đã chia sẻ cùng một mô hình dữ liệu.

Ở đây, việc truy xuất và thực thi không phải là hai hệ thống riêng biệt. Chúng hoạt động trong cùng một môi trường. ClickUp Brain, trợ lý AI tích hợp sẵn, đóng vai trò là lớp kiến thức nền tảng. ClickUp Super Agents đóng vai trò là lớp thực thi.

Cùng nhau, chúng biến RAG từ một cơ sở hạ tầng tìm kiếm thành một động cơ vận hành trực tiếp.

Kiến thức có phạm vi, không phải truy xuất mù quáng

Các Super Agents không hoạt động trong một bối cảnh mơ hồ. Các quản trị viên kiểm soát rõ ràng những gì mỗi agent có thể truy cập trong cài đặt Kiến thức và Bộ nhớ của nó.

Quyền truy cập có thể được cấp cho các đại lý ở cấp độ Không gian, Thư mục, Danh sách công việc, Nhiệm vụ hoặc Trò chuyện. Các khu vực công khai có sẵn theo mặc định, trong khi các địa điểm riêng tư yêu cầu sự bao gồm có chủ đích và cung cấp khả năng hiển thị rõ ràng khi dữ liệu nhạy cảm bị lộ.

Ngoài dữ liệu trong không gian làm việc nội bộ, các đại lý có thể kết nối với các hệ thống bên ngoài như Confluence, GitHub, Gmail, Slack, Microsoft SharePoint và các nền tảng lưu trữ đám mây. Tìm kiếm web cũng có thể được kích hoạt, cùng với quyền truy cập vào Trung tâm Hỗ trợ ClickUp để nhận hướng dẫn sản phẩm đáng tin cậy.

Điều này có nghĩa là việc truy xuất không chỉ đơn thuần là rộng rãi. Nó còn có khả năng nhận biết quyền truy cập và được tổ chức một cách có cấu trúc.

Một tác nhân có thể hiển thị một bản mô tả công việc từ Dropbox, kết hợp nó với bối cảnh dự án nội bộ và trả về kết quả bên trong một công việc mà không bắt buộc người dùng phải rời khỏi không gian làm việc. Kiến thức được tập trung trong trải nghiệm, ngay cả khi các nguồn thông tin vẫn được phân phối.

Bộ nhớ thích ứng theo thời gian

Các hệ thống RAG truyền thống là không có trạng thái; chúng truy xuất thông tin và sau đó quên đi.

Super Agents bao gồm một lớp bộ nhớ được quản lý, cho phép duy trì tính liên tục trong hành vi mà không làm mất đi khả năng kiểm soát.

Khả năng ghi nhớ gần đây cho phép Super Agent tham chiếu các tương tác và hành động lịch sử của nó. Khi được kích hoạt, agent có thể nhớ lại những công việc nó đã làm trước đây và sử dụng bối cảnh đó để định hướng các phản hồi trong tương lai.

Các tùy chọn cho phép người dùng định nghĩa các hướng dẫn hành vi liên tục, ảnh hưởng đến cách đại lý phản hồi. Các tùy chọn này được lưu trữ trong bộ nhớ của đại lý và tự động áp dụng trong các tương tác tiếp theo, ảnh hưởng đến giọng điệu, cấu trúc hoặc định dạng.

Trí tuệ nhân tạo (AI) cho phép agent thu thập và lưu trữ các chi tiết bối cảnh quan trọng để sử dụng trong tương lai. Vì điều này có thể bao gồm thông tin nhạy cảm, AI được tắt theo mặc định và phải được kích hoạt rõ ràng. Cách thức và thời điểm lưu trữ AI phụ thuộc vào các hướng dẫn được cấu hình của agent, đảm bảo bộ nhớ được tổ chức và quản lý trong các tham số đã định.

Ngoài ra, việc lưu trữ thông tin có thể tùy chỉnh. Quản trị viên xác định cách thức và thời điểm lưu trữ thông tin. Các loại thông tin nhạy cảm yêu cầu xác nhận trước khi kích hoạt.

Điều này biến các tác nhân từ những người phản hồi một lần thành những cộng tác viên có khả năng nhận thức bối cảnh, có thể thích ứng trong các giới hạn đã định.

Lớp thực thi được tích hợp trực tiếp vào quy trình làm việc.

Việc truy xuất mà không có thực thi tạo ra khoảng cách hành động. Các Super Agents sẽ lấp đầy khoảng cách đó.

Vì chúng hoạt động trong cùng một không gian làm việc nơi các công việc, tài liệu và tự động hóa tồn tại, các Super Agents có thể áp dụng kiến thức ngay lập tức.

Một lệnh duy nhất có thể tạo ra một dự án được cấu trúc đầy đủ với các công việc đã được điền sẵn, bản tóm tắt sáng tạo được liên kết, chủ sở hữu được chỉ định và dòng thời gian có cấu trúc. Một công việc bị chặn có thể kích hoạt logic ưu tiên lại, thông báo cho các bên liên quan và điều chỉnh động các phụ thuộc. Ghi chú cuộc họp có thể trở thành các công việc hành động được giao. Các bản cập nhật cho ban lãnh đạo có thể được tạo ra từ dữ liệu công việc trực tiếp. Các tệp đính kèm có thể được chuyển đổi thành các mục dòng có cấu trúc.

Thay vì chuyển thông tin trở lại cho con người để triển khai, các tác nhân sẽ cập nhật trực tiếp vào hệ thống ghi chép chính thức.

Các tác nhân dựa trên vai trò trong mọi hàm

Điều quan trọng cần nhớ? Các Super Agents không bị giới hạn trong một quy trình làm việc duy nhất.

Hệ thống này có thể được tùy chỉnh cho quản lý dự án, tạo nội dung tiếp thị, trình diễn bán hàng, phân loại yêu cầu, phối hợp tuyển dụng, báo cáo cấp cao, giám sát rủi ro, lịch trình, quản lý email, nghiên cứu SEO và nhiều ứng dụng khác.

Ví dụ:

Xem ví dụ thực tế tại đây:

Một không gian làm việc chung, với bối cảnh chia sẻ cho cả con người và trí tuệ nhân tạo.

Các công cụ phân mảnh làm mất đi ngữ cảnh và khiến ngay cả hệ thống RAG tiên tiến nhất cũng chỉ cung cấp thông tin không đầy đủ.

ClickUp loại bỏ giới hạn cấu trúc này bằng cách tích hợp các công việc, Tài liệu, Trò chuyện, Bảng điều khiển và Trí tuệ nhân tạo (AI) vào một môi trường có quyền truy cập thống nhất. Vì con người và các tác nhân hoạt động trong cùng một phân cấp không gian làm việc, các tác nhân có thể đọc bình luận, hiểu các mối quan hệ phụ thuộc, theo dõi trạng thái thay đổi và hành động với nhận thức thời gian thực.

Đây chính là yếu tố biến RAG từ một công cụ tìm kiếm thụ động thành một hệ thống thúc đẩy công việc:

Khi các lớp này tồn tại trong cùng một không gian làm việc, AI không còn là trợ lý thông tin mà trở thành đồng nghiệp vận hành.

Những yếu tố cần xem xét trong một giải pháp RAG doanh nghiệp

Khi bạn xem xét việc xây dựng hoặc nâng cấp hệ thống RAG của mình, bạn cần đánh giá các giải pháp không chỉ dựa trên khả năng tìm kiếm tài liệu của chúng.

Một ứng dụng RAG doanh nghiệp thành công là một công cụ thực thi, không chỉ là thanh tìm kiếm. Dưới đây là các tiêu chí quan trọng cần xem xét để đảm bảo bạn chọn giải pháp mang lại giá trị vận hành thực sự.

Đặt ra những câu hỏi này sẽ giúp bạn phân biệt giữa một hệ thống RAG trông ấn tượng trong bản demo và một hệ thống thực sự có thể thay đổi cách làm việc của nhóm.

Biến Kiến thức Thành Hành động với ClickUp

Hệ thống RAG toàn công ty là một bước đầu tiên mạnh mẽ, nhưng nó chỉ giải quyết một nửa vấn đề. Việc truy xuất thông tin đơn thuần không thay đổi cách công việc được thực hiện. Mảnh ghép còn thiếu—thành phần mở khóa năng suất thực sự—là lớp thực thi. Bạn cần các tác nhân AI có thể lấy kiến thức có cơ sở và biến nó thành hành động tự động trong các quy trình công việc hàng ngày thực tế của bạn. ✨

Đây là sự chuyển đổi quan trọng từ "AI trả lời" sang "AI thực thi". Giá trị cuối cùng không nằm ở việc có khả năng truy xuất thông tin tốt hơn một chút; nó nằm ở việc có một AI tích cực tham gia vào công việc của nhóm.

Các tổ chức thành công trong việc khắc phục khoảng cách này ngày nay sẽ xây dựng được lợi thế cạnh tranh ngày càng lớn khi khả năng AI tiếp tục phát triển. Họ sẽ biến hệ thống RAG của mình từ một thư viện thụ động thành một động cơ làm việc thông minh và chủ động.

Biến hệ thống RAG của bạn từ một công cụ tìm kiếm thụ động thành một động cơ công việc chủ động với ClickUp. Bắt đầu miễn phí tại và trải nghiệm sức mạnh của các trợ lý AI hiểu rõ cách làm việc của bạn!

Câu hỏi thường gặp

Hầu hết các hệ thống RAG đều xuất sắc trong việc thu thập thông tin, nhưng không thể thực hiện hành động. Chúng thiếu khả năng nhận thức thời gian thực về sự thay đổi trong quy trình làm việc và bị giới hạn bởi các silo dữ liệu mà chúng kết nối. Điều này buộc con người phải thủ công lấp đầy khoảng cách giữa câu trả lời và kết quả.

Hệ thống RAG cơ bản chỉ thực hiện việc truy xuất và phản hồi thông tin. Các tác nhân AI RAG đi xa hơn nữa — chúng không chỉ truy xuất thông tin mà còn suy luận và thực thi các công việc như cập nhật dự án, kích hoạt quy trình làm việc và phối hợp công việc một cách tự động dựa trên kiến thức đã được xác thực.

Hệ thống RAG có thể truy xuất thông tin từ các công cụ phân tán, nhưng hiệu quả của nó bị giới hạn nghiêm trọng do khoảng trống ngữ cảnh và các silo dữ liệu. Đó là lý do tại sao một không gian làm việc tích hợp, thống nhất dữ liệu và quy trình làm việc, sẽ luôn mang lại kết quả mạnh mẽ và đáng tin cậy hơn.