Embedding là gì: 4 thông số vector quyết định độ chính xác

Embedding là gì? Trong kỹ thuật AI, đây là phép ánh xạ biến một đoạn văn bản thành một mảng số thực nhiều chiều. Hai đoạn văn có cùng ý nghĩa sẽ nằm gần nhau trong không gian toạ độ đó. Theo Google Suggest Việt Nam ngày 2026-11-08, truy vấn embedding là gì có đủ 10 gợi ý thực tế. Người đọc tìm sâu nhất về embedding là gì trong rag và vector embedding là gì.

Vector Embedding là gì dưới góc độ biểu diễn số học?

Máy tính và cơ sở dữ liệu PostgreSQL không hiểu trực tiếp ngữ nghĩa của chữ viết. Tìm kiếm từ khoá truyền thống chỉ so khớp đúng mặt chữ. Giả sử khách hàng gõ "huỷ gói cước" vào ô tìm kiếm. Nếu tài liệu nội bộ viết "chấm dứt hợp đồng thuê bao", bộ lọc từ khoá thường trả về rỗng.

Mô hình embedding model giải quyết khoảng trống này bằng đại số tuyến tính. Nó nén toàn bộ ý nghĩa câu văn thành một danh sách hàng nghìn con số dấu phẩy động. Tiện ích mở rộng pgvector/pgvector trên GitHub đã đạt 23.619 sao và 1.382 bản fork tính đến ngày 2026-11-08. Con số này chứng minh việc truy vấn vector ngay trong PostgreSQL đã thành chuẩn hạ tầng phổ biến.

4 thông số kỹ thuật quyết định chất lượng truy xuất

Khi tôi thiết kế đường ống truy xuất, chất lượng tìm kiếm phụ thuộc vào 4 thông số dưới lớp vỏ API:

1. Số chiều (`dimensions`). Đây là độ dài mảng số thực, ví dụ 1.024 chiều ở BGE-M3 hoặc 1.536 chiều ở OpenAI text-embedding-3-small. 2. Ngưỡng cắt đầu vào (`max_tokens`). Mọi mô hình nhúng đều có trần ngữ cảnh tối đa 8.191 token. Văn bản vượt ngưỡng sẽ bị cắt cụt hoặc báo lỗi. 3. Hàm đo khoảng cách (`distance metric`). Hệ thống dùng tích vô hướng (Inner Product), khoảng cách Cosine (<=>) hoặc khoảng cách L2 (<->). 4. Chuẩn hoá độ dài (`L2 normalization`). Khi vector đã chuẩn hoá về độ dài bằng 1, phép tích vô hướng sẽ trùng khớp với độ tương đồng Cosine. Nhờ đó máy chủ tính toán nhanh hơn.

Đoạn mã SQL dưới đây minh hoạ cách tạo bảng pgvector kèm chỉ mục HNSW chuẩn sản xuất:

CREATE EXTENSION IF NOT EXISTS vector;
CREATE TABLE tai_lieu_rag (
    id bigserial PRIMARY KEY,
    noi_dung text NOT NULL,
    embedding vector(1536)
);
CREATE INDEX ON tai_lieu_rag USING hnsw (embedding vector_cosine_ops);

Bảng đối chiếu thông số `text-embedding-3` và `BGE-M3` kèm dung lượng RAM

Chọn sai số chiều vector sẽ làm phình bộ nhớ RAM của máy chủ khi vượt mốc hàng triệu bản ghi.

Mô hình Embedding	Số chiều mặc định	Trần ngữ cảnh tối đa	Hỗ trợ rút gọn chiều (`Matryoshka`)	Dung lượng thô cho 1 triệu vector (`FP32`)
OpenAI text-embedding-3-small	1.536 chiều	8.191 token	Có, cắt xuống 512 chiều được	Khoảng 6,14 GB chưa tính chỉ mục HNSW
OpenAI text-embedding-3-large	3.072 chiều	8.191 token	Có, cắt xuống 1.024 chiều được	Khoảng 12,28 GB chưa tính chỉ mục HNSW
Mã nguồn mở BAAI/bge-m3	1.024 chiều	8.192 token	Không, hỗ trợ kèm vector thưa	Khoảng 4,10 GB chưa tính chỉ mục HNSW

Với dữ liệu tiếng Việt chuyên ngành, kỹ sư cần tự chạy tập kiểm thử riêng trước khi chốt mô hình. Hãy xem phương pháp đo tại bài benchmark tiếng Việt: vì sao model điểm cao tiếng Anh vẫn trượt.

*Ảnh: Tima Miroshnichenko, Pexels, giấy phép Pexels, ngày đăng trên Pexels 2020-07-30. Chuyên viên kỹ thuật kiểm tra cấu trúc dữ liệu trên màn hình máy trạm.*

Rủi ro trộn lẫn vector khác model, cắt cụt ngữ cảnh và chi phí RAM HNSW

Triển khai vector trong môi trường thật có 3 bẫy kỹ thuật rất dễ làm sập chất lượng tìm kiếm:

• Điểm mù khi đổi mô hình nhúng. Mỗi mô hình có một hệ trục toạ độ riêng biệt. Nếu đội ngũ đổi từ OpenAI sang BGE-M3 mà không tính lại toàn bộ vector cũ trong PostgreSQL, kết quả sẽ sai hoàn toàn.
• Chi phí RAM của chỉ mục HNSW. Chỉ mục đồ thị HNSW trong pgvector cần nằm gọn trong RAM để giữ tốc độ vài mili giây. Khi số chiều gấp đôi lên 3.072, chi phí thuê RAM máy chủ sẽ tăng tương ứng.
• Rủi ro nhồi đoạn văn quá dài. Một vector đơn lẻ không thể nén trọn vẹn ý nghĩa của cả chương sách dài. Nếu cắt đoạn sai ranh giới, mô hình Claude phía sau sẽ trích dẫn nhầm nguồn. Xem cách khắc phục tại bài RAG tài liệu nội bộ: 4 lỗi trích dẫn sai nguồn. Đồng thời hãy đối chiếu thêm bài đọc bảng benchmark AI không bị đánh lừa.

— Hoàng Nam, thử trước khi bạn xuống tiền.