---
title: "Làm sao để AI Agent nói chưa có thông tin thay vì bịa đặt?"
description: "Hallucination là hiện tượng AI tự bịa dữ liệu khi thiếu ngữ cảnh. Cách ngăn AI Agent bịa đặt gồm dùng System Prompt, kỹ thuật Grounding và Self-Evaluation trong hệ thống RAG."
image: "https://api-cms.seaedu.edu.vn/uploads/seaedu/3af5e5b3-4e61-4b6b-94a2-f39313fbf6c8.webp"
---

# Làm sao để AI Agent nói chưa có thông tin thay vì tự bịa đặt dữ liệu?

Nguồn: https://seaedu.edu.vn/blog/lam-sao-de-ai-agent-noi-chua-co-thong-tin-thay-vi-bia-dat

Chuyên mục: Công nghệ

Để AI Agent không bịa dữ liệu, bạn cần kết hợp System Prompt chặt chẽ, kỹ thuật Grounding lọc ngưỡng tương đồng, Self-Evaluation tự kiểm tra và đo Faithfulness bằng RAGAS.

## Trả lời nhanh

Cách làm là kết hợp System Prompt cấm suy diễn, kỹ thuật Grounding chặn gọi LLM khi điểm tương đồng dưới 0.7 và bước Self-Evaluation để AI tự kiểm tra câu trả lời nháp. Ba lớp phòng thủ này buộc AI Agent phản hồi chưa có thông tin thay vì tự bịa dữ liệu.

## Điểm chính

- System Prompt cần mở đầu bằng mệnh lệnh cấm dùng kiến thức ngoài tài liệu và quy định nguyên văn câu phản hồi mặc định khi thiếu dữ liệu truy xuất.
- Kỹ thuật Grounding ngắt mạch gọi LLM ngay tại tầng tìm kiếm nếu toàn bộ điểm cosine similarity của các chunk đều dưới ngưỡng 0.7 do đội ngũ thiết lập.
- Bước Self-Evaluation thêm một lượt gọi LLM phụ để đối chiếu câu trả lời nháp với chunk gốc, tự động hủy kết quả nếu phát hiện chi tiết bị bịa đặt.
- LangChain khuyến nghị chia nhỏ tài liệu thành chunk khoảng 500 ký tự và cấu hình retriever chỉ trả về tối đa 3 chunk có điểm similarity cao nhất.
- Chỉ số Faithfulness đo bằng framework RAGAS giúp phát hiện lỗ hổng pipeline RAG trên tập dữ liệu kiểm thử trước khi vận hành chính thức.

Hallucination (ảo giác AI) là hiện tượng mô hình ngôn ngữ tự bịa đặt câu trả lời khi thiếu tài liệu tham chiếu, và việc ép agent nói 'chưa có thông tin' là kỹ năng bắt buộc khi xây dựng hệ thống RAG cho doanh nghiệp.

## Hallucination là gì và tại sao AI Agent hay bịa thông tin khi thiếu tài liệu?

Hallucination (ảo giác AI) là hiện tượng mô hình ngôn ngữ lớn tự tạo ra dữ liệu sai lệch hoặc không có thật khi không tìm thấy thông tin trong ngữ cảnh được cung cấp. Các mô hình như GPT-4o hay Claude 3.5 Sonnet được huấn luyện để dự đoán từ tiếp theo dựa trên xác suất, nên chúng ưu tiên sinh ra một câu hoàn chỉnh thay vì để trống.

Khi người dùng hỏi về một chính sách nội bộ mà cơ sở tri thức không chứa, AI Agent sẽ lấy các mẫu câu quen thuộc từ dữ liệu huấn luyện chung để lấp đầy khoảng trống. Hành vi này gây rủi ro pháp lý và vận hành nghiêm trọng nếu áp dụng trực tiếp vào quy trình doanh nghiệp.

## Dùng System Prompt để ép AI Agent trả lời chưa có thông tin như thế nào?

Dùng System Prompt để ngăn bịa đặt gồm 3 bước: viết chỉ thị cấm suy diễn, định nghĩa câu phản hồi mặc định khi thiếu dữ liệu, và yêu cầu AI trích dẫn nguồn gốc cho từng luận điểm. Đây là lớp phòng thủ đầu tiên và cơ bản nhất theo hướng dẫn chính thức của OpenAI và Anthropic về ứng dụng AI & AI Agent cho công việc văn phòng (Gen AI, no-code Dify/Copilot Studio).

1. Mở đầu System Prompt bằng mệnh lệnh cấm tuyệt đối việc sử dụng kiến thức bên ngoài tài liệu truy xuất.
2. Quy định nguyên văn câu trả lời bắt buộc, ví dụ: "Tôi không có thông tin về vấn đề này trong tài liệu được cung cấp".
3. Yêu cầu AI Agent liệt kê số thứ tự đoạn văn bản (chunk) tương ứng sau mỗi câu khẳng định.

Tính đến tháng 11/2026, các mô hình tuân thủ chỉ thị hệ thống tốt hơn so với các phiên bản trước năm 2024, nhưng System Prompt vẫn cần được kiểm thử liên tục vì AI đôi khi bỏ qua ràng buộc khi câu hỏi quá phức tạp.

### Ví dụ mẫu câu lệnh System Prompt ngăn AI bịa đặt trên OpenAI và Anthropic

Mẫu câu lệnh System Prompt chuẩn cho OpenAI và Anthropic là một đoạn văn bản ngắn, mang tính mệnh lệnh, đặt ở vị trí đầu tiên trong chuỗi hội thoại để thiết lập luật chơi cho AI Agent. Dưới đây là cấu trúc thường dùng:

> Bạn là trợ lý hỗ trợ nội bộ. Chỉ trả lời dựa trên ngữ cảnh được cung cấp. Nếu ngữ cảnh không chứa câu trả lời, hãy phản hồi chính xác: "Tôi không có thông tin về vấn đề này". Không được phép suy diễn hay bổ sung kiến thức từ bên ngoài.

Cấu trúc trên hoạt động hiệu quả trên cả API của OpenAI lẫn Anthropic. Việc lặp lại từ khóa "ngữ cảnh được cung cấp" giúp neo giữ sự chú ý của mô hình vào dữ liệu RAG (Retrieval-Augmented Generation - Truy xuất và Tạo sinh tăng cường) thay vì bộ nhớ huấn luyện.

## Kỹ thuật Grounding chặn AI tạo sinh câu trả lời khi điểm tương đồng quá thấp ra sao?

![Kỹ thuật Grounding chặn AI tạo sinh câu trả lời khi điểm tương đồng quá thấp ra sao?](https://api-cms.seaedu.edu.vn/uploads/seaedu/03e7d9a8-c5d7-4758-b04f-c1b8e1d5f9b7.webp)

Kỹ thuật Grounding (neo dữ liệu) là phương pháp can thiệp vào luồng xử lý để chặn bước gọi LLM nếu danh sách tài liệu truy xuất trống hoặc điểm tương đồng (similarity score) dưới ngưỡng quy định. Thay vì để AI Agent cố gắng trả lời bằng mọi giá, hệ thống sẽ ngắt mạch ngay tại tầng tìm kiếm.

Trong một pipeline RAG tiêu chuẩn, vector database trả về các đoạn văn bản kèm theo điểm số cosine similarity. Nếu toàn bộ điểm số đều dưới 0.7 (hoặc ngưỡng do đội ngũ kỹ thuật thiết lập), mã nguồn sẽ kích hoạt hàm trả về thông báo thiếu dữ liệu mà không gửi yêu cầu tới LLM.

Phương pháp này tiết kiệm chi phí token và loại bỏ hoàn toàn rủi ro ảo giác AI do thiếu ngữ cảnh. LangChain và LlamaIndex đều cung cấp sẵn các module lọc ngưỡng để triển khai kỹ thuật Grounding này.

## Nhân viên chăm sóc khách hàng dùng LangChain thiết kế pipeline RAG không bịa đặt thế nào?

Nhân viên chăm sóc khách hàng thiết kế pipeline RAG không bịa đặt trên LangChain bằng cách kết hợp bộ lọc điểm tương đồng, giới hạn quyền truy cập của LLM vào đúng chunk tài liệu, và gắn nhãn nguồn cho từng câu trả lời. LangChain khuyến nghị cấu trúc luồng sao cho AI chỉ trích xuất thông tin từ các đoạn văn bản vừa tìm thấy qua truy xuất.

1. Tải tài liệu chính sách bảo hành vào vector store và chia nhỏ thành các chunk dài khoảng 500 ký tự.
2. Cấu hình retriever trong LangChain để chỉ trả về tối đa 3 chunk có điểm similarity cao nhất.
3. Thêm bộ lọc điều kiện: nếu điểm similarity của chunk đứng đầu thấp hơn 0.75, trả về chuỗi rỗng.
4. Gắn System Prompt yêu cầu AI Agent tổng hợp câu trả lời duy nhất từ các chunk nhận được.

Việc đào tạo nhân sự phi kỹ thuật vận hành luồng agent no-code đang được chuẩn hóa dần; ví dụ, SeaEdu cung cấp các khóa học hướng dẫn nhân viên văn phòng ứng dụng AI & AI Agent vào xử lý tác vụ thực tế mà không cần viết mã chuyên sâu.

## Agentic RAG bổ sung bước Self-Evaluation để AI tự kiểm tra độ trung thực như thế nào?

![Agentic RAG bổ sung bước Self-Evaluation để AI tự kiểm tra độ trung thực như thế nào?](https://api-cms.seaedu.edu.vn/uploads/seaedu/f0b88491-37b3-4a58-ae07-a6d691d80e56.webp)

Agentic RAG bổ sung bước Self-Evaluation (tự đánh giá) bằng cách thêm một lượt gọi LLM phụ sau khi câu trả lời nháp được tạo ra, nhằm chấm điểm mức độ bám sát tài liệu gốc. Xu hướng này chuyển đổi luồng xử lý tuyến tính thành một vòng lặp có khả năng tự sửa lỗi.

Cụ thể, AI Agent sẽ nhận hai đầu vào: câu trả lời nháp và danh sách chunk ban đầu. Trợ lý tự động này được yêu cầu đánh giá xem mọi luận điểm trong câu nháp có xuất hiện trong chunk hay không. Nếu phát hiện chi tiết bị bịa đặt, hệ thống hủy câu trả lời cũ và xuất ra thông báo thiếu dữ liệu.

Bước Self-Evaluation làm tăng thời gian phản hồi và chi phí token, nhưng đây là rào cản kỹ thuật vững chắc nhất chống lại ảo giác AI trong các hệ thống yêu cầu độ chính xác tuyệt đối.

## Dùng Dify hay LlamaIndex để kiểm soát ảo giác AI tốt hơn cho dự án nội bộ doanh nghiệp?

Dùng Dify phù hợp cho đội ngũ muốn kéo thả giao diện nhanh chóng, còn LlamaIndex tối ưu cho lập trình viên cần tùy biến sâu logic truy xuất để kiểm soát ảo giác AI trong dự án nội bộ. Cả hai nền tảng đều hỗ trợ RAG nhưng khác biệt về triết lý thiết kế.

| Tiêu chí | Dify | LlamaIndex |
| --- | --- | --- |
| Đối tượng sử dụng | Người dùng no-code / low-code | Lập trình viên Python / TypeScript |
| Cách chặn ảo giác | Cài đặt ngưỡng điểm số qua giao diện trực quan | Viết code tùy chỉnh bộ lọc retriever và node parser |
| Tích hợp Self-Evaluation | Hỗ trợ qua workflow nhiều bước có sẵn | Yêu cầu tự xây dựng logic đánh giá bằng code |
| Tính đến tháng 11/2026 | Cung cấp gói cloud miễn phí giới hạn dung lượng | Mã nguồn mở hoàn toàn, tự host |

Lựa chọn giữa Dify và LlamaIndex phụ thuộc vào năng lực kỹ thuật của nhóm triển khai. Doanh nghiệp vừa và nhỏ thường ưu tiên Dify để giảm thời gian đưa sản phẩm ra thị trường, trong khi các tập đoàn cần tích hợp phức tạp sẽ chọn LlamaIndex.

## Đo chỉ số Faithfulness bằng framework RAGAS có đảm bảo AI không bịa thêm chi tiết không?

Đo chỉ số Faithfulness (độ trung thực) bằng framework RAGAS không đảm bảo tuyệt đối AI ngừng bịa đặt trong môi trường production, mà đóng vai trò là thước đo kiểm thử để phát hiện lỗ hổng của pipeline RAG trước khi vận hành chính thức. Framework RAGAS được nhắc đến nhiều trên Hugging Face để đánh giá chất lượng hệ thống.

Chỉ số Faithfulness hoạt động bằng cách so sánh từng mệnh đề trong câu trả lời của AI Agent với tài liệu gốc. Nếu trợ lý tự động bịa thêm một chi tiết không tồn tại trong chunk, điểm số Faithfulness sẽ giảm tương ứng với số lượng mệnh đề sai lệch.

Đội ngũ kỹ thuật cần chạy RAGAS trên tập dữ liệu kiểm thử gồm hàng trăm câu hỏi mẫu. Khi điểm Faithfulness đạt ngưỡng chấp nhận được, hệ thống mới đủ độ tin cậy để triển khai cho người dùng cuối, kết hợp cùng các lớp phòng thủ như Grounding và Self-Evaluation đã nêu.

## Câu hỏi thường gặp

**Hallucination AI là gì và tại sao AI Agent hay bịa đặt thông tin?**

Hallucination (ảo giác AI) là hiện tượng mô hình ngôn ngữ lớn tự tạo ra dữ liệu sai lệch khi không tìm thấy thông tin trong ngữ cảnh được cung cấp. Các mô hình như GPT-4o hay Claude 3.5 Sonnet ưu tiên sinh ra câu hoàn chỉnh dựa trên xác suất thay vì để trống. Khi thiếu tài liệu tham chiếu, AI sẽ lấy mẫu câu từ dữ liệu huấn luyện chung để lấp đầy khoảng trống, gây rủi ro cho doanh nghiệp.

**Cách viết System Prompt để ngăn AI Agent bịa đặt dữ liệu như thế nào?**

Bạn cần viết System Prompt gồm 3 bước: cấm tuyệt đối việc suy diễn kiến thức bên ngoài, định nghĩa nguyên văn câu phản hồi mặc định khi thiếu dữ liệu, và yêu cầu AI trích dẫn nguồn gốc từng luận điểm. Ví dụ, hãy quy định AI phải trả lời chính xác câu "Tôi không có thông tin về vấn đề này" nếu ngữ cảnh không chứa đáp án. Việc lặp lại từ khóa về ngữ cảnh giúp neo giữ sự chú ý của mô hình vào dữ liệu RAG.

**Kỹ thuật Grounding chặn AI tạo sinh câu trả lời sai hoạt động ra sao?**

Grounding (neo dữ liệu) là phương pháp can thiệp vào luồng xử lý để chặn bước gọi LLM nếu danh sách tài liệu truy xuất trống hoặc điểm tương đồng dưới ngưỡng quy định. Nếu toàn bộ điểm cosine similarity dưới 0.7, hệ thống sẽ kích hoạt hàm trả về thông báo thiếu dữ liệu mà không gửi yêu cầu tới LLM. Phương pháp này tiết kiệm chi phí token và loại bỏ hoàn toàn rủi ro ảo giác AI do thiếu ngữ cảnh.

**Thiết kế pipeline RAG không bịa đặt trên LangChain như thế nào?**

Để thiết kế pipeline RAG không bịa đặt trên LangChain, bạn cần tải tài liệu vào vector store và chia nhỏ thành các chunk khoảng 500 ký tự. Cấu hình retriever chỉ trả về tối đa 3 chunk có điểm similarity cao nhất, đồng thời thêm bộ lọc điều kiện trả về chuỗi rỗng nếu điểm similarity thấp hơn 0.75. Cuối cùng, gắn System Prompt yêu cầu AI Agent chỉ tổng hợp câu trả lời duy nhất từ các chunk nhận được.

**Agentic RAG dùng Self-Evaluation để chống ảo giác AI bằng cách nào?**

Agentic RAG bổ sung bước Self-Evaluation bằng cách thêm một lượt gọi LLM phụ sau khi câu trả lời nháp được tạo ra để chấm điểm mức độ bám sát tài liệu gốc. Hệ thống sẽ đánh giá xem mọi luận điểm trong câu nháp có xuất hiện trong chunk ban đầu hay không. Nếu phát hiện chi tiết bị bịa đặt, AI Agent sẽ hủy câu trả lời cũ và xuất ra thông báo thiếu dữ liệu, đảm bảo độ chính xác tuyệt đối.

**Nên dùng Dify hay LlamaIndex để kiểm soát ảo giác AI cho doanh nghiệp?**

Dify phù hợp cho đội ngũ no-code muốn kéo thả giao diện nhanh chóng, cài đặt ngưỡng điểm số qua giao diện trực quan và tích hợp Self-Evaluation qua workflow có sẵn. Ngược lại, LlamaIndex tối ưu cho lập trình viên Python hoặc TypeScript cần tùy biến sâu logic truy xuất, viết code bộ lọc retriever và tự xây dựng logic đánh giá. Doanh nghiệp vừa và nhỏ thường ưu tiên Dify, còn tập đoàn cần tích hợp phức tạp sẽ chọn LlamaIndex.

## Structured data

```json
{"@context":"https://schema.org","@type":"Article","headline":"Làm sao để AI Agent nói chưa có thông tin thay vì bịa đặt?","description":"Hallucination là hiện tượng AI tự bịa dữ liệu khi thiếu ngữ cảnh. Cách ngăn AI Agent bịa đặt gồm dùng System Prompt, kỹ thuật Grounding và Self-Evaluation trong hệ thống RAG.","abstract":"Hallucination là hiện tượng AI tự bịa dữ liệu khi thiếu ngữ cảnh. Cách ngăn AI Agent bịa đặt gồm dùng System Prompt, kỹ thuật Grounding và Self-Evaluation trong hệ thống RAG.","url":"https://seaedu.edu.vn/blog/lam-sao-de-ai-agent-noi-chua-co-thong-tin-thay-vi-bia-dat","datePublished":"2026-11-20T02:00:00.000Z","author":{"@type":"Organization","name":"SeaEdu","url":"https://seaedu.edu.vn"},"publisher":{"@type":"Organization","name":"SeaEdu","logo":{"@type":"ImageObject","url":"https://seaedu.edu.vn/logo.png"}}}
{"@context":"https://schema.org","@type":"FAQPage","mainEntity":[{"@type":"Question","name":"Hallucination AI là gì và tại sao AI Agent hay bịa đặt thông tin?","acceptedAnswer":{"@type":"Answer","text":"Hallucination (ảo giác AI) là hiện tượng mô hình ngôn ngữ lớn tự tạo ra dữ liệu sai lệch khi không tìm thấy thông tin trong ngữ cảnh được cung cấp. Các mô hình như GPT-4o hay Claude 3.5 Sonnet ưu tiên sinh ra câu hoàn chỉnh dựa trên xác suất thay vì để trống. Khi thiếu tài liệu tham chiếu, AI sẽ lấy mẫu câu từ dữ liệu huấn luyện chung để lấp đầy khoảng trống, gây rủi ro cho doanh nghiệp."}},{"@type":"Question","name":"Cách viết System Prompt để ngăn AI Agent bịa đặt dữ liệu như thế nào?","acceptedAnswer":{"@type":"Answer","text":"Bạn cần viết System Prompt gồm 3 bước: cấm tuyệt đối việc suy diễn kiến thức bên ngoài, định nghĩa nguyên văn câu phản hồi mặc định khi thiếu dữ liệu, và yêu cầu AI trích dẫn nguồn gốc từng luận điểm. Ví dụ, hãy quy định AI phải trả lời chính xác câu \"Tôi không có thông tin về vấn đề này\" nếu ngữ cảnh không chứa đáp án. Việc lặp lại từ khóa về ngữ cảnh giúp neo giữ sự chú ý của mô hình vào dữ liệu RAG."}},{"@type":"Question","name":"Kỹ thuật Grounding chặn AI tạo sinh câu trả lời sai hoạt động ra sao?","acceptedAnswer":{"@type":"Answer","text":"Grounding (neo dữ liệu) là phương pháp can thiệp vào luồng xử lý để chặn bước gọi LLM nếu danh sách tài liệu truy xuất trống hoặc điểm tương đồng dưới ngưỡng quy định. Nếu toàn bộ điểm cosine similarity dưới 0.7, hệ thống sẽ kích hoạt hàm trả về thông báo thiếu dữ liệu mà không gửi yêu cầu tới LLM. Phương pháp này tiết kiệm chi phí token và loại bỏ hoàn toàn rủi ro ảo giác AI do thiếu ngữ cảnh."}},{"@type":"Question","name":"Thiết kế pipeline RAG không bịa đặt trên LangChain như thế nào?","acceptedAnswer":{"@type":"Answer","text":"Để thiết kế pipeline RAG không bịa đặt trên LangChain, bạn cần tải tài liệu vào vector store và chia nhỏ thành các chunk khoảng 500 ký tự. Cấu hình retriever chỉ trả về tối đa 3 chunk có điểm similarity cao nhất, đồng thời thêm bộ lọc điều kiện trả về chuỗi rỗng nếu điểm similarity thấp hơn 0.75. Cuối cùng, gắn System Prompt yêu cầu AI Agent chỉ tổng hợp câu trả lời duy nhất từ các chunk nhận được."}},{"@type":"Question","name":"Agentic RAG dùng Self-Evaluation để chống ảo giác AI bằng cách nào?","acceptedAnswer":{"@type":"Answer","text":"Agentic RAG bổ sung bước Self-Evaluation bằng cách thêm một lượt gọi LLM phụ sau khi câu trả lời nháp được tạo ra để chấm điểm mức độ bám sát tài liệu gốc. Hệ thống sẽ đánh giá xem mọi luận điểm trong câu nháp có xuất hiện trong chunk ban đầu hay không. Nếu phát hiện chi tiết bị bịa đặt, AI Agent sẽ hủy câu trả lời cũ và xuất ra thông báo thiếu dữ liệu, đảm bảo độ chính xác tuyệt đối."}},{"@type":"Question","name":"Nên dùng Dify hay LlamaIndex để kiểm soát ảo giác AI cho doanh nghiệp?","acceptedAnswer":{"@type":"Answer","text":"Dify phù hợp cho đội ngũ no-code muốn kéo thả giao diện nhanh chóng, cài đặt ngưỡng điểm số qua giao diện trực quan và tích hợp Self-Evaluation qua workflow có sẵn. Ngược lại, LlamaIndex tối ưu cho lập trình viên Python hoặc TypeScript cần tùy biến sâu logic truy xuất, viết code bộ lọc retriever và tự xây dựng logic đánh giá. Doanh nghiệp vừa và nhỏ thường ưu tiên Dify, còn tập đoàn cần tích hợp phức tạp sẽ chọn LlamaIndex."}}]}
```
