Kiến trúc Dữ liệu Tối giản cho AI Agent: Tại sao 90% SME không cần Vector DB / RAG phức tạp?

Nhiều anh em khi làm AI Agent bán hàng hoặc chăm sóc khách hàng cho doanh nghiệp vừa và nhỏ (SME) thường mắc bẫy "Over-Engineering": Cứ thấy nhắc đến dữ liệu nội bộ là vội vàng dựng RAG (Retrieval-Augmented Generation) với Vector Database (Pinecone, ChromaDB, Supabase pgvector).

Quy trình nghe rất thời thượng: Chuyển bảng giá và danh mục sản phẩm thành văn bản, cắt đoạn (chunking), chạy model Embedding, rồi khi khách hỏi thì tính độ tương đồng ngữ nghĩa (Cosine Similarity) để bốc dữ liệu đưa vào Prompt.

Nhưng khi đưa vào chạy thực tế cho các shop online và doanh nghiệp nhỏ, hệ thống này lộ ngay 3 điểm nghẽn chí mạng:

1. Báo sai giá và nhầm mã hàng (Semantic Mismatch): Tìm kiếm Vector hoạt động theo ngữ nghĩa gần đúng. Khi khách hỏi "Áo polo trơn màu đen size L", Vector Search rất dễ bốc nhầm đoạn chứa "Áo khoác gió trơn màu đen size L" vì câu chữ quá giống nhau. Kết quả là bot báo nhầm giá từ 250k thành 650k, làm khách hàng khiếu nại ngay lập tức.
2. Độ trễ quá cao (Latency 3s - 7s): Một chuỗi thao tác gồm Gọi API Embedding + Truy vấn Vector DB + Reranking + Sinh văn bản khiến khách hàng trên Messenger/Zalo phải chờ đợi quá lâu.
3. Không thể tự vận hành: Mỗi lần shop đổi giá khuyến mãi hoặc hết hàng, phải chạy lại pipeline re-embed toàn bộ dữ liệu. Nhân viên kinh doanh bình thường không thể tự làm được.

Giải pháp chuẩn kiến trúc thực chiến năm 2026 cho 90% SME là mô hình "Sheets-First Deterministic Filter" (Bộ lọc chính xác trên Google Sheets):

• Bước 1 - Bóc tách thực thể (Entity Extraction): Dùng model siêu nhẹ & nhanh (Gemini 2.5 Flash / GPT-4o-mini) chỉ để bóc tách thông tin khách hỏi: Mã hàng, Danh mục, Màu sắc, Size, hoặc Ý định mua hàng. • Bước 2 - Truy vấn chính xác 100% (Deterministic Filter): Dùng node Google Sheets hoặc node Code JavaScript trong n8n để tìm kiếm chính xác theo mã SKU hoặc cột Danh mục. Tốc độ truy vấn dưới 150ms, tồn kho và giá bán khớp đúng 100%, không ảo giác 1 xu. • Bước 3 - Bơm đúng dữ liệu vào LLM: Chỉ đưa đúng 1-2 dòng thông tin sản phẩm vừa tìm được vào Context của model để sinh câu trả lời tự nhiên, duyên dáng cho khách. • Bước 4 - Cập nhật tức thì với chi phí 0đ: Nhân viên chỉ cần mở Google Sheets ra sửa số lượng tồn kho hoặc giá bán, con bot sẽ lập tức áp dụng ngay cho tin nhắn tiếp theo mà không cần cấu hình lại hệ thống.

Ma trận ra quyết định cho anh em: • Dữ liệu bảng tính dưới 5.000 dòng (sản phẩm, giá, tồn kho, đơn hàng, thông tin khách) ➔ Bắt buộc dùng Google Sheets / SQL Filter. • Tài liệu văn bản dài phi cấu trúc (cẩm nang sử dụng 50+ trang, quy chế nội bộ, hồ sơ pháp lý) ➔ Mới thực sự cần đến Vector DB / RAG.

Chi tiết sơ đồ luồng n8n và mã JavaScript lọc dữ liệu mẫu mình chia sẻ tại link Blog dưới bình luận nhé!

Anh em khi làm bot tư vấn sản phẩm đang quản lý dữ liệu trực tiếp trên Google Sheets hay đã thử qua Vector DB rồi? Cùng thảo luận nhé!

Bình luận

🔗 Chi tiết sơ đồ kiến trúc n8n Sheets-First và mã JavaScript lọc dữ liệu mẫu mình chia sẻ tại Blog: https://tyauto.name.vn/posts/2026-09-03-personal-feed-sheets-vs-rag-data-architecture.html