Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

B — Google Agentspace, tận dụng các công cụ như NotebookLM API để grounding trên dữ liệu riêng.

Vì sao đúng

Đề nêu bốn yêu cầu, và cả bốn đều thuộc phạm vi Agentspace:

⚠ Bốn yêu cầu:

"AN TOÀN và TUỲ BIẾN ĐƯỢC"
    → ⚠ quản trị doanh nghiệp

"trợ lý nghiên cứu cho NHÂN VIÊN"
    → ⚠ hướng nội bộ

"suy luận trên tài liệu công ty RIÊNG"
    → ⚠ grounding trên dữ liệu nội bộ

"tạo AI agent và trải nghiệm tuỳ chỉnh
 với dữ liệu doanh nghiệp"
    → ⚠ đúng định vị Agentspace

Vì sao các phương án khác sai

• A (ứng dụng Gemini tiêu chuẩn) — ⚠ bẫy gần nhất: dùng được nhưng ⚠ thiếu quản trị doanh nghiệp, ⚠ không nối được vào kho tài liệu nội bộ có phân quyền.

• C (Google Search công khai với toán tử nâng cao) — ⚠ sai hoàn toàn: tài liệu RIÊNG của công ty không có trên web công khai.

• D (Imagen để phân tích dữ liệu trực quan) — ⚠ nhầm phạm trù: Imagen SINH ảnh, không phân tích tài liệu.

Ghi nhớ

⚠ Phân biệt theo dữ liệu và đối tượng — bảng phải thuộc: | Nhu cầu | Công cụ | |---|---| | ⚠ Trợ lý trên dữ liệu nội bộ, có quản trị | ⚠ Agentspace — đề này | | Nghiên cứu bộ tài liệu cụ thể | ⚠ NotebookLM | | Trợ lý cá nhân đa năng | ⚠ Gemini app | | Tìm thông tin công khai | ⚠ Google Search | | Sinh ảnh | ⚠ Imagen |

Từ khoá nhận diện:

"tài liệu riêng công ty, an toàn, tuỳ biến, cho nhân viên" → ⚠ Agentspace "web công khai" → ⚠ sai với tài liệu nội bộ "phân tích dữ liệu trực quan bằng Imagen" → ⚠ nhầm phạm trù

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Trợ lý có kế thừa đúng quyền không | ⚠ thử với tài khoản quyền thấp | | Tài liệu lỗi thời đã gỡ chưa | | | Câu trả lời có trích dẫn không | |

Và điều phân biệt trợ lý nội bộ dùng được với trợ lý gây rủi ro: nó có tôn trọng phân quyền hay không. Một trợ lý trả lời rất hay nhưng tiết lộ tài liệu lương của phòng khác là một sự cố bảo mật, không phải một tính năng.

Đáp án

B — Vertex AI Search.

Vì sao đúng

Đề cần tìm kiếm hiểu Ý ĐỊNH, không chỉ từ khoá, trên website của chính công ty.

⚠ Ghép từng yêu cầu:

"truy vấn NGÔN NGỮ TỰ NHIÊN"
    → ⚠ không phải khớp từ khoá

"kết quả LIÊN QUAN cao,
 HIỂU Ý ĐỊNH"
    → ⚠ tìm kiếm ngữ nghĩa

"trên NỀN TẢNG CỦA HỌ"
    → ⚠ nhúng vào website riêng

⚠ Vì sao khác tìm kiếm từ khoá:

Từ khoá: "áo khoác đỏ size L"
    → ⚠ khớp chính xác chữ

⚠ Ngữ nghĩa: "đồ mặc ấm đi trượt tuyết"
    → ⚠ hiểu Ý ĐỊNH
    → ⚠ trả về áo khoác, găng tay, mũ

Vì sao các phương án khác sai

• A (CCaaS) — ⚠ nền tảng tổng đài, không phải tìm kiếm sản phẩm trên web.
• C (Agent Assist) — ⚠ hỗ trợ nhân viên tổng đài đang trực, sai đối tượng.
• D (Gemini for Workspace) — ⚠ trợ lý trong bộ công cụ văn phòng, không phải tìm kiếm cho khách hàng.

Ghi nhớ

⚠ Vertex AI Search dùng cho gì — bảng phải thuộc: | Ca sử dụng | Nội dung | |---|---| | ⚠ Tìm kiếm sản phẩm thương mại điện tử | ⚠ đề này | | Tìm kiếm tài liệu nội bộ | ⚠ cho nhân viên | | Hỏi đáp trên kho tri thức | ⚠ nền cho RAG | | Tìm xuyên nhiều nguồn | |

Từ khoá nhận diện:

"tìm kiếm hiểu ý định, ngôn ngữ tự nhiên, trên site của mình" → ⚠ Vertex AI Search "tổng đài, cuộc gọi" → CCaaS "hỗ trợ nhân viên trực" → Agent Assist "trong Docs/Gmail" → Gemini for Workspace

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bao nhiêu truy vấn trả về rỗng | ⚠ mỗi cái là một đơn hàng có thể mất | | Có hiện sản phẩm hết hàng không | | | Mô tả sản phẩm có đủ chi tiết không | ⚠ quyết định chất lượng tìm kiếm |

Và điều dữ liệu tìm kiếm cho biết mà ít nơi khai thác: những truy vấn không ra kết quả chính là danh sách sản phẩm khách hàng muốn mà bạn chưa có.

Đáp án

B — Bộ Customer Engagement Suite của Google, bao gồm Conversational Agents.

Vì sao đúng

Đề nêu ba yêu cầu, và cả ba là chức năng của bot hội thoại trong bộ chăm sóc khách hàng:

⚠ Ba yêu cầu:

"xử lý câu hỏi thường gặp 24/7"
    → ⚠ bot tự phục vụ

"hiểu Ý ĐỊNH khách hàng"
    → ⚠ NLU trong Conversational Agents

"CHUYỂN MƯỢT ca phức tạp cho
 nhân viên"
    → ⚠ escalation — phần của bộ này

⚠ Chữ "seamlessly" rất quan trọng: chuyển cho người mà giữ được ngữ cảnh, không bắt khách kể lại.

Vì sao các phương án khác sai

• A (Vertex AI Model Garden) — ⚠ danh mục mô hình, không phải giải pháp tổng đài.
• C (BigQuery cho phân tích dữ liệu) — ⚠ kho phân tích, không phải bot.
• D (Looker cho dashboard) — ⚠ công cụ trực quan hoá.

Ghi nhớ

⚠ Customer Engagement Suite — bảng phải thuộc: | Thành phần | Phục vụ ai | |---|---| | ⚠ Conversational Agents | ⚠ KHÁCH HÀNG — bot tự phục vụ — đề này | | Agent Assist | ⚠ NHÂN VIÊN đang trực | | Conversational Insights | ⚠ QUẢN LÝ, sau cuộc gọi | | CCaaS | ⚠ nền tảng tổng đài bao trùm |

Từ khoá nhận diện:

"bot trả lời khách 24/7, hiểu ý định, chuyển người" → ⚠ Conversational Agents "hỗ trợ nhân viên đang trực" → Agent Assist "phân tích sau cuộc gọi" → Conversational Insights "hợp nhất nhiều kênh" → CCaaS

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Chuyển sang người mất mấy bước | ⚠ thử từ phía khách | | Nhân viên có thấy lịch sử chat không | | | Khách yêu cầu gặp người thì bot làm gì | ⚠ phải chuyển ngay |

Và điều quyết định bot chăm sóc khách hàng được yêu hay bị ghét: đường thoát tới người thật có dễ tìm không. Bot giỏi mà giấu số tổng đài vẫn tạo ra trải nghiệm tệ hơn không có bot.

Đáp án

B — Dùng retrieval-augmented generation (RAG), có thể triển khai qua Vertex AI Search hoặc các RAG API.

Vì sao đúng

Đề nêu đúng ba dấu hiệu của bài toán RAG:

⚠ Ba dấu hiệu:

"tài liệu nội bộ CỤ THỂ, CẬP NHẬT"
    → ⚠ dữ liệu riêng, thay đổi

"KHÔNG cần huấn luyện lại mô hình
 mỗi khi tài liệu đổi"
    → ⚠ đề tự loại fine-tuning

"trả lời DỰA TRÊN tài liệu"
    → ⚠ grounding

⚠ Vì sao RAG hợp:

⚠ Tài liệu đổi → cập nhật chỉ mục
⚠ KHÔNG động tới mô hình
⚠ Có trích dẫn để kiểm chứng

Vì sao các phương án khác sai

• A (fine-tune mô hình HẰNG NGÀY với toàn bộ tài liệu) — ⚠ bẫy mạnh nhất: nghe như giải pháp. Nhưng ⚠ cực kỳ tốn kém, ⚠ chậm, và ⚠ đề nói rõ không muốn huấn luyện lại.

• C (huấn luyện mô hình tuỳ chỉnh TỪ ĐẦU chỉ với tài liệu nội bộ) — ⚠ phi thực tế: cần hàng tỷ token và hàng triệu đô; và mô hình nhỏ huấn luyện trên tài liệu nội bộ sẽ kém xa mô hình nền.

• D (dựa hoàn toàn vào tri thức chung của mô hình lớn) — ⚠ không giải quyết gì: mô hình không biết tài liệu nội bộ.

Ghi nhớ

⚠ Ghép vấn đề với kỹ thuật — bảng phải thuộc: | Vấn đề | Kỹ thuật | |---|---| | ⚠ Dữ liệu riêng, thay đổi liên tục | ⚠ RAG — đề này | | Văn phong, thuật ngữ | ⚠ fine-tuning | | Đầu ra lệch ý | ⚠ prompt engineering | | Rủi ro cao | ⚠ HITL |

Từ khoá nhận diện:

"tài liệu cập nhật, không huấn luyện lại" → ⚠ RAG "fine-tune hằng ngày" → ⚠ luôn là bẫy tốn kém "huấn luyện từ đầu" → ⚠ gần như luôn sai trong đề thi "dựa vào tri thức chung" → ⚠ không có dữ liệu riêng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Tài liệu mới vào chỉ mục sau bao lâu | ⚠ nên tự động | | Bản cũ đã gỡ chưa | ⚠ kiểm bằng câu hỏi đã đổi quy định | | Có trích dẫn không | |

Và ranh giới cần nhớ chắc: fine-tune dạy mô hình NÓI thế nào, RAG cho nó BIẾT tài liệu hiện tại nói gì. Bài toán ở đây là biết, không phải nói.

Đáp án

C — Gemini Code Assist (trước đây là Duet AI for Developers).

Vì sao đúng

Đề nêu ba việc, cả ba đều là hỗ trợ lập trình ngay trong IDE:

⚠ Ba việc:

⚠ Sinh mã (code generation)
⚠ Hoàn thành mã (completion)
⚠ Gỡ lỗi (debugging)
        ↓
⚠ TRONG IDE của lập trình viên

Ghi nhớ về chất lượng câu hỏi

⚠ Phương án đúng ghi rõ tên cũ "Duet AI for Developers" — sản phẩm đã đổi tên thành Gemini Code Assist.

⚠ Đây là thông tin hữu ích, không phải lỗi: bộ đề ghi cả hai tên giúp người ôn nhận ra khi gặp tài liệu cũ. ⚠ Nhiều tài liệu trên mạng vẫn dùng tên Duet AI.

Vì sao các phương án khác sai

Cả ba đều là thành phần thật của Vertex AI nhưng khác việc:

• B (Vertex AI Model Garden) — ⚠ danh mục mô hình để chọn, không phải trợ lý lập trình.
• A (AutoML) — ⚠ huấn luyện mô hình ML với ít code, không phải hỗ trợ viết phần mềm.
• D (Vertex AI Feature Store) — ⚠ quản lý đặc trưng ML.

Ghi nhớ

⚠ Gemini cho từng vai trò — bảng phải thuộc: | Công cụ | Ai dùng | |---|---| | ⚠ Code Assist | ⚠ lập trình viên — đề này | | Cloud Assist | ⚠ kỹ sư hạ tầng, vận hành | | Gemini in Databases | ⚠ quản trị CSDL | | Gemini in SCC | ⚠ đội bảo mật | | Gemini for Workspace | ⚠ nhân viên văn phòng |

Từ khoá nhận diện:

"trong IDE, sinh mã, gỡ lỗi" → ⚠ Code Assist "kiến trúc, chi phí hạ tầng" → Cloud Assist "huấn luyện mô hình ít code" → AutoML "đặc trưng ML dùng chung" → Feature Store

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Mã sinh ra có được rà soát như mã người viết không | | | Có quét bảo mật tự động không | | | Mã nguồn có bị gửi ra ngoài không | ⚠ dùng bản doanh nghiệp |

Và mẹo hữu ích khi ôn thi Google Cloud: nhiều sản phẩm đã đổi tên trong vài năm gần đây. Biết cả tên cũ lẫn tên mới giúp đọc được tài liệu cũ mà không bị rối.

Đáp án

B — Một hàm, plugin hoặc extension kết nối tới API hay nguồn dữ liệu bên ngoài.

Vì sao đúng

Đề mô tả giao diện định sẵn để agent chạm vào hệ thống đặt vé của hãng bay. Đó chính là công cụ của agent.

⚠ Cách gọi khác nhau, cùng một khái niệm:

⚠ Function (hàm)
⚠ Tool (công cụ)
⚠ Plugin
⚠ Extension
        ↓
⚠ Đều chỉ: cầu nối giữa agent và
  hệ thống bên ngoài

⚠ Cách hoạt động:

⚠ Người phát triển KHAI BÁO công cụ
   → tên, mô tả, tham số
        ↓
⚠ Mô hình QUYẾT ĐỊNH khi nào gọi
        ↓
⚠ Hệ thống thực thi lời gọi
        ↓
⚠ Kết quả quay lại cho mô hình

Vì sao các phương án khác sai

• A (vòng lặp suy luận nội bộ của agent) — ⚠ bẫy gần nhất: vòng lặp là thứ QUYẾT ĐỊNH gọi công cụ nào, nhưng ⚠ không phải bản thân giao diện.

• C (tham số của mô hình nền) — ⚠ đó là trọng số bên trong mô hình, không phải cầu nối ra ngoài.

• D (giao diện người dùng để khách tương tác với agent) — ⚠ đó là tầng Applications.

Ghi nhớ

⚠ Bốn thành phần của agent — bảng phải thuộc: | Thành phần | Vai trò | |---|---| | ⚠ Mô hình | ⚠ bộ não, quyết định | | ⚠ Công cụ (function/tool) | ⚠ cầu nối ra ngoài — đề này | | Vòng lặp suy luận | ⚠ điều phối các bước | | Bộ nhớ | ⚠ giữ ngữ cảnh |

Từ khoá nhận diện:

"giao diện tới API ngoài, function calling" → ⚠ công cụ "vòng lặp quyết định" → ⚠ reasoning loop "trọng số mô hình" → ⚠ tham số bên trong "giao diện người dùng" → Applications

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Agent có gọi đúng công cụ không | ⚠ đọc log, mô tả kém là nguyên nhân chính | | Công cụ ghi có tách khỏi công cụ đọc không | | | API lỗi thì agent nói gì | ⚠ thử tắt API |

Và điều quyết định agent có dùng được không thường không phải mô hình, mà là chất lượng MÔ TẢ công cụ. Mô hình chỉ biết về công cụ qua những gì bạn viết trong mô tả đó.

Đáp án

B — Một công cụ tìm kiếm/truy cập Internet và một công cụ tương tác với kho dữ liệu (ví dụ để ghi vào Cloud Storage).

Vì sao đúng

Đề nêu hai việc, mỗi việc cần một công cụ:

⚠ Ghép từng việc:

"tóm tắt tin từ NGUỒN TRỰC TUYẾN
 cụ thể"
    → ⚠ cần ĐỌC từ Internet

"LƯU bản tóm tắt vào vị trí
 lưu trữ đám mây"
    → ⚠ cần GHI vào kho dữ liệu

⚠ Việc tóm tắt tự nó là năng lực của mô hình, không cần công cụ riêng — đó là điểm bẫy của câu này.

Vì sao các phương án khác sai

• C (chỉ cần công cụ NLP để tóm tắt) — ⚠ bẫy mạnh nhất: ⚠ tóm tắt là năng lực SẴN CÓ của mô hình, không cần công cụ ngoài. Nhưng agent vẫn cần lấy nội dung và lưu kết quả.

• A (chỉ cần công cụ tìm kiếm mạng nội bộ) — ⚠ đề nói nguồn TRỰC TUYẾN, không phải intranet; và thiếu công cụ lưu.

• D (chỉ cần công cụ lập lịch chạy hằng ngày) — ⚠ lịch chạy là cách kích hoạt, không phải công cụ để làm việc.

Ghi nhớ

⚠ Phân biệt năng lực mô hình và công cụ — bảng phải thuộc: | Việc | Cần gì | |---|---| | ⚠ Tóm tắt, viết, dịch, phân loại | ⚠ năng lực SẴN của mô hình | | ⚠ Đọc trang web | ⚠ CÔNG CỤ truy cập Internet | | ⚠ Ghi vào kho lưu trữ | ⚠ CÔNG CỤ ghi dữ liệu | | Truy vấn CSDL | ⚠ công cụ CSDL | | Gọi API bên ngoài | ⚠ công cụ API |

Từ khoá nhận diện:

"lấy dữ liệu từ ngoài + ghi kết quả" → ⚠ hai công cụ "tóm tắt, viết lại" → ⚠ năng lực mô hình, KHÔNG cần công cụ "chạy hằng ngày" → ⚠ lịch kích hoạt, không phải công cụ

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có quyền lấy nội dung từ nguồn đó không | ⚠ kiểm điều khoản | | Tóm tắt có trung thực với bài gốc không | ⚠ đối chiếu mẫu | | Nguồn lỗi thì agent làm gì | ⚠ phải báo, không bỏ qua im lặng |

Và điểm bẫy đáng nhớ của câu này: tóm tắt KHÔNG cần công cụ. Nhầm năng lực sẵn có của mô hình với công cụ bên ngoài là hiểu lầm phổ biến khi mới thiết kế agent.

Đáp án

B — Cloud Vision API và Cloud Translation API.

Vì sao đúng

Đề nêu hai việc, mỗi việc cần một API chuyên dụng:

⚠ Ghép từng việc:

"phân tích ẢNH người dùng tải lên,
 nhận diện VẬT THỂ"
    → ⚠ CLOUD VISION API
    → ⚠ label detection, object detection

"DỊCH chữ tìm thấy trong ảnh
 sang ngôn ngữ khác"
    → ⚠ Vision API làm OCR
    → ⚠ CLOUD TRANSLATION API dịch

⚠ Vision API làm cả hai phần liên quan tới ảnh — nhận diện vật thể và trích chữ; Translation lo phần dịch.

Vì sao các phương án khác sai

• A (Cloud Natural Language API và BigQuery API) — ⚠ bẫy gần nhất: Natural Language phân tích văn bản nhưng ⚠ không đọc được ảnh; BigQuery là kho dữ liệu.

• C (Speech-to-Text và Text-to-Speech) — ⚠ hai API về âm thanh, không liên quan tới ảnh.

• D (Vertex AI Prediction và Cloud Storage API) — ⚠ một cái phục vụ mô hình tuỳ chỉnh, một cái lưu tệp; ⚠ không cái nào phân tích ảnh hay dịch.

Ghi nhớ

⚠ Các API tiền dựng theo loại dữ liệu — bảng phải thuộc: | API | Đầu vào → Đầu ra | |---|---| | ⚠ Cloud Vision | ⚠ ảnh → nhãn, vật thể, CHỮ (OCR) — đề này | | ⚠ Cloud Translation | ⚠ văn bản → văn bản ngôn ngữ khác — đề này | | Cloud Natural Language | ⚠ văn bản → thực thể, cảm xúc | | Speech-to-Text | ⚠ âm thanh → văn bản | | Text-to-Speech | ⚠ văn bản → âm thanh | | Document AI | ⚠ tài liệu → trường có cấu trúc | | Video Intelligence | ⚠ video → nhãn kèm mốc thời gian |

Từ khoá nhận diện:

"ảnh, vật thể, chữ trong ảnh" → ⚠ Vision API "dịch ngôn ngữ" → ⚠ Translation API "hoá đơn, biểu mẫu" → ⚠ Document AI "video" → Video Intelligence

Ba việc kiểm chứng: | Việc | Cách | |---|---| | OCR có đọc đúng chữ trong ảnh không | ⚠ chữ nghiêng, mờ, nền phức tạp dễ sai | | Bản dịch có đúng ngữ cảnh không | ⚠ chữ rời rạc trong ảnh khó dịch đúng | | Ảnh người dùng lưu bao lâu | |

Và điều thực tế khi ghép hai API: chất lượng bản dịch phụ thuộc chất lượng OCR. Đọc sai một chữ là dịch sai cả câu — nên với ảnh chất lượng thấp thì nên hiện cả chữ gốc để người dùng tự đối chiếu.

Đáp án

C — Hallucination (ảo giác).

Vì sao đúng

Đề mô tả chính xác hiện tượng: mô hình đưa vào bản tóm tắt những sự kiện hoặc trích dẫn NGHE HỢP LÝ nhưng HOÀN TOÀN BỊA.

⚠ Ba dấu hiệu của ảo giác:

⚠ Nội dung CỤ THỂ, chi tiết
⚠ NGHE RẤT HỢP LÝ
⚠ HOÀN TOÀN KHÔNG CÓ THẬT

⚠ Vì sao đặc biệt nguy hiểm trong tóm tắt tin:

⚠ Người đọc TIN rằng tóm tắt
  phản ánh bài gốc
⚠ Không ai đọc lại bài gốc
        ↓
⚠ Trích dẫn bịa được lan truyền
  như tin thật

Vì sao các phương án khác sai

• A (Knowledge cutoff — mốc tri thức) — ⚠ bẫy gần nhất: là giới hạn về thông tin sau ngày huấn luyện. Nhưng ở đây mô hình ⚠ BỊA ra thứ chưa từng tồn tại, không phải thiếu thông tin mới.

• B (Bias amplification — khuếch đại thiên lệch) — ⚠ liên quan tới đối xử không công bằng giữa các nhóm, không phải bịa nội dung.

• D (Data dependency — phụ thuộc dữ liệu) — ⚠ chỉ việc mô hình chỉ giỏi trong phạm vi đã học; là nguyên nhân nền, nhưng triệu chứng ở đây có tên riêng.

Ghi nhớ

⚠ Năm giới hạn của LLM — bảng phải thuộc: | Giới hạn | Biểu hiện | |---|---| | ⚠ Ảo giác | ⚠ BỊA nội dung nghe hợp lý — đề này | | Mốc tri thức | ⚠ không biết chuyện sau ngày X | | Thiên lệch | ⚠ đối xử khác nhau giữa các nhóm | | Phụ thuộc dữ liệu | ⚠ kém ngoài phạm vi đã học | | Ca biên | ⚠ kém với tình huống hiếm |

Từ khoá nhận diện:

"bịa, fabricated, không tồn tại" → ⚠ ảo giác "không biết sự kiện gần đây" → ⚠ mốc tri thức "nhóm này bị đối xử khác" → thiên lệch

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Mọi trích dẫn có trong bài gốc không | ⚠ tìm nguyên văn | | Có sự kiện nào không có trong nguồn không | | | Ai duyệt trước khi xuất bản | |

Và điều làm ảo giác trong tóm tắt đặc biệt khó phát hiện: phần lớn nội dung là đúng. Một câu bịa nằm giữa mười câu chính xác trông y hệt mười câu kia — nên phải đối chiếu, không thể chỉ đọc lướt.

Đáp án

B — Áp dụng retrieval-augmented generation (RAG) để lấy thông tin cập nhật từ các nguồn được chỉ định ngay tại thời điểm truy vấn.

Vì sao đúng

Đề nêu đúng vấn đề mốc tri thức và ràng buộc không huấn luyện lại:

⚠ Ghép từng phần:

"dữ liệu huấn luyện chỉ tới một
 thời điểm trong quá khứ"
    → ⚠ KNOWLEDGE CUTOFF

"cung cấp thông tin HIỆN TẠI"
    → ⚠ cần nguồn dữ liệu mới

"KHÔNG liên tục huấn luyện lại
 toàn bộ mô hình"
    → ⚠ đề tự loại fine-tuning

⚠ Vì sao RAG giải đúng:

⚠ Lấy dữ liệu MỚI NHẤT lúc chạy
⚠ Không đụng tới trọng số
⚠ Cập nhật nguồn là cập nhật câu trả lời

Vì sao các phương án khác sai

• A (giảm mạnh temperature để hạn chế sáng tạo) — ⚠ làm câu trả lời ổn định hơn nhưng ⚠ vẫn lỗi thời — nó không thêm thông tin mới nào.

• D (tăng độ phức tạp của prompt để buộc câu trả lời chi tiết hơn, dù có thể lỗi thời) — ⚠ chính phương án tự thừa nhận vẫn lỗi thời.

• C (hướng dẫn người dùng chỉ hỏi về sự kiện lịch sử) — ⚠ né tránh vấn đề, không giải quyết.

Ghi nhớ

⚠ Bốn cách đưa tri thức mới vào — bảng phải thuộc: | Cách | Độ tươi | Chi phí | |---|---|---| | ⚠ RAG | ⚠ THỜI GIAN THỰC — đề này | ⚠ thấp | | Fine-tuning | ⚠ đóng băng lúc huấn luyện | ⚠ cao | | Nhét vào prompt | ⚠ tươi nhưng giới hạn kích thước | thấp | | Huấn luyện lại từ đầu | tươi | ⚠ cực cao |

Từ khoá nhận diện:

"thông tin hiện tại, không huấn luyện lại" → ⚠ RAG "giảm temperature" → ⚠ không thêm thông tin "hạn chế câu hỏi người dùng" → ⚠ né tránh, không giải quyết

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Nguồn cập nhật bao lâu một lần | | | Hỏi về sự kiện hôm nay thì mô hình nói gì | ⚠ kiểm RAG có hoạt động không | | Có trích dẫn kèm ngày không | ⚠ quan trọng với thông tin thời sự |

Và điều cần nói rõ với người dùng chatbot: mô hình có mốc tri thức, và nó thường không tự nhận ra điều đó. Vì thế câu trả lời về sự kiện gần đây phải có nguồn kèm ngày tháng, không thì không kiểm được.