Luận văn khám phá RAG bằng LangChain với mô hình TAIDE tại Trường Quốc tế - ĐHQGHN năm 2025

Thông tin tuyển sinh và chương trình đào tạo tại Trường Quốc tế Đại học Quốc gia Hà Nội. Môi trường học tập chuẩn quốc tế với học phí hợp lý.

• Tác giả: Obed Verneus
• Người hướng dẫn: TS. Wen-Yi Chang
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Hệ thống thông minh và Đa phương tiện
• Đề tài: Khám phá RAG bằng LangChain trong mô hình LLM của Đài Loan dựa trên Llama3, TAIDE
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2025
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về RAG bằng LangChain và mô hình TAIDE tại ĐHQGHN

Nghiên cứu về RAG bằng LangChain với mô hình TAIDE tại Trường Quốc tế - ĐHQGHN đánh dấu bước tiến quan trọng trong trí tuệ nhân tạo. Đề tài do học viên Obed Verneus thực hiện dưới sự hướng dẫn của Tiến sĩ Wen-Yi Chang. Trọng tâm nghiên cứu xoay quanh việc ứng dụng mô hình ngôn ngữ lớn TAIDE dựa trên kiến trúc LLaMA 3. Nền tảng này kết hợp chặt chẽ với framework LangChain để xây dựng hệ thống tác nhân thông minh. Mô hình ngôn ngữ lớn truyền thống thường gặp hiện tượng ảo giác khi xử lý dữ liệu kỹ thuật đặc thù. Kỹ thuật Retrieval-Augmented Generation (RAG) giải quyết triệt để hạn chế này. Cơ chế truy xuất thông tin giúp mô hình tiếp cận nguồn tài liệu khoa học chính xác theo thời gian thực. LangChain đóng vai trò cầu nối tích hợp, điều phối luồng dữ liệu và quản lý bộ nhớ tác nhân. Trường Quốc tế - ĐHQGHN định hướng phát triển các giải pháp tin học ứng dụng phục vụ thực tiễn xã hội. Đề tài tập trung giải quyết bài toán mô phỏng thủy văn phức tạp. Sự kết hợp giữa TAIDE và LangChain mở ra phương thức tương tác tự động với các công cụ tính toán thủy lực. Kết quả nghiên cứu khẳng định tiềm năng lớn của trí tuệ nhân tạo trong nghiên cứu môi trường và phòng chống thiên tai.

1.1. Bối cảnh nghiên cứu đề tài tại Trường Quốc tế ĐHQGHN

Chương trình đào tạo Thạc sĩ Tin học tại Trường Quốc tế - ĐHQGHN chú trọng tính liên ngành. Biến đổi khí hậu toàn cầu gia tăng tần suất bão lũ nghiêm trọng. Các khu vực duyên hải chịu thiệt hại nặng nề về người và tài sản. Mô phỏng thủy văn chính xác là yêu cầu cấp thiết để giảm thiểu rủi ro. Nghiên cứu sinh Obed Verneus đã lựa chọn đề tài này nhằm hiện đại hóa quy trình mô phỏng thủy lực truyền thống. Dự án kết hợp công nghệ AI tiên tiến với bài toán quản lý tài nguyên nước. Sự hỗ trợ học thuật từ các chuyên gia quốc tế giúp hoàn thiện giải pháp kỹ thuật. Đề tài thể hiện năng lực nghiên cứu khoa học chất lượng cao của học viên.

1.2. Vai trò của LangChain và mô hình TAIDE phát triển từ LLaMA 3

Mô hình TAIDE là mô hình ngôn ngữ lớn nguồn mở phát triển dựa trên LLaMA 3. Nền tảng này sở hữu khả năng xử lý ngôn ngữ tự nhiên vượt trội và suy luận logic mạch lạc. Tuy nhiên, mô hình cơ sở vẫn cần kiến thức chuyên ngành để xử lý bài toán thủy lực chuyên biệt. LangChain cung cấp khung làm việc tiêu chuẩn để xây dựng quy trình RAG hoàn chỉnh. Framework này quản lý chuỗi truy xuất tài liệu kỹ thuật từ kho dữ liệu vector. Tác nhân AI nhờ đó có thể hiểu tài liệu hướng dẫn và tạo lệnh điều khiển chính xác. Sự kết hợp giữa TAIDE và LangChain tạo nên hệ thống phản hồi tự động thông minh.

II. Thách thức mô phỏng thủy lực và hạn chế dữ liệu mô hình TAIDE

Mô hình hóa thủy động lực học đóng vai trò trung tâm trong công tác phòng chống thiên tai. Phần mềm Sedimentation and River Hydraulics - One Dimension (SRH-1D) được sử dụng phổ biến để tính toán dòng chảy và lắng đọng trầm tích. Công cụ này hỗ trợ đánh giá tác động của bão lũ và quy hoạch lưu vực sông. Tuy nhiên, phương pháp vận hành truyền thống bộc lộ nhiều điểm nghẽn nghiêm trọng. Kỹ sư thủy văn phải cấu hình thủ công hàng trăm thông số đầu vào phức tạp. Quá trình xử lý tệp dữ liệu hình học và điều kiện biên đòi hỏi nhiều thời gian và công sức. Việc tính toán mô phỏng thường tiêu tốn tài nguyên máy tính lớn và dễ phát sinh sai sót do con người. Ngoài ra, mô hình SRH-1D nguyên bản khó tích hợp trực tiếp dữ liệu quan trắc môi trường theo thời gian thực. Bên cạnh đó, việc áp dụng trực tiếp mô hình ngôn ngữ lớn TAIDE vào thủy lực cũng gặp trở ngại. Mô hình tổng quát thiếu tri thức chuyên sâu về cú pháp lệnh và tham số của SRH-1D. Hiện tượng ảo giác có thể tạo ra các tham số mô phỏng sai lệch, gây nguy hiểm cho công tác điều hành xả lũ. Do đó, việc xây dựng cơ chế kiểm soát dữ liệu thông qua RAG là yêu cầu tất yếu.

2.1. Hạn chế tính toán và vận hành thủ công của mô hình SRH 1D

Mô hình SRH-1D yêu cầu quy trình chuẩn bị dữ liệu đầu vào hết sức nghiêm ngặt. Người vận hành phải biên tập tệp văn bản thô chứa thông tin địa hình lòng dẫn và thủy lực chi tiết. Một sai sót nhỏ về định dạng ký tự có thể khiến toàn bộ tiến trình mô phỏng thất bại. Tốc độ phản ứng chậm chạp gây khó khăn lớn trong các tình huống khẩn cấp như bão lũ. Khi mực nước dâng cao đột ngột, việc hiệu chỉnh tham số thủ công không đáp ứng kịp thời gian thực. Khả năng dự báo trước nguy cơ ngập lụt bị suy giảm đáng kể. Tự động hóa quá trình tính toán trở thành giải pháp sống còn để bảo vệ hạ tầng dân sinh.

2.2. Nguy cơ ảo giác và thiếu hụt dữ liệu thủy văn trong AI

Các mô hình ngôn ngữ lớn dựa trên kiến trúc LLaMA 3 thường phản hồi tự nhiên và lưu loát. Tuy nhiên, khả năng tạo sinh thuần túy dễ dẫn đến thông tin không có căn cứ khoa học. Trong lĩnh vực thủy văn, việc suy đoán sai hệ số nhám Manning sẽ bóp méo kết quả tính toán độ sâu dòng chảy. Mô hình TAIDE không được huấn luyện sẵn với toàn bộ sổ tay kỹ thuật của phần mềm SRH-1D. AI thiếu hụt kiến thức thực nghiệm về các lưu vực sông cụ thể. Nếu không có hệ thống kiểm chứng ngữ cảnh, mô hình không thể đưa ra chỉ dẫn kỹ thuật an toàn. Nhu cầu bổ sung tri thức động qua cơ chế RAG là giải pháp khắc phục triệt để.

III. Giải pháp tích hợp RAG bằng LangChain với mô hình TAIDE tiên tiến

Nghiên cứu đề xuất kiến trúc hệ thống thông minh kết hợp RAG, LangChain và mô hình TAIDE. Mục tiêu chính là xây dựng một tác nhân AI có năng lực tự chủ cao trong điều hành mô phỏng thủy lực. Toàn bộ tài liệu hướng dẫn kỹ thuật của SRH-1D được chia nhỏ thành các đoạn thông tin tiêu chuẩn. Hệ thống sử dụng mô hình nhúng để chuyển đổi văn bản thành các vector số học và lưu trữ trong cơ sở dữ liệu chuyên biệt. Khi nhận yêu cầu mô phỏng từ người dùng, LangChain kích hoạt bộ truy xuất ngữ nghĩa tương ứng. Các đoạn tài liệu liên quan mật thiết nhất được trích xuất và đưa vào phần gợi ý của mô hình TAIDE. Mô hình ngôn ngữ lớn phân tích ngữ cảnh được cung cấp để suy luận lệnh thực thi chính xác. Quá trình này loại bỏ hoàn toàn hiện tượng tạo sinh sai lệch thông tin kỹ thuật. Bên cạnh đó, tác nhân AI được trao quyền tương tác trực tiếp với môi trường máy tính thông qua các công cụ chuyên dụng. Tác nhân tự động đọc dữ liệu quan trắc, chỉnh sửa tệp tham số, khởi chạy tệp thực thi SRH-1D và trích xuất kết quả tính toán. Cơ chế phản hồi khép kín giúp hệ thống tự động kiểm tra lỗi cú pháp và khắc phục sự cố tính toán nhanh chóng.

3.1. Thiết kế quy trình RAG chuyên sâu cho tài liệu SRH 1D

Quy trình RAG được thiết kế tối ưu cho các tài liệu kỹ thuật phức tạp. Tài liệu hướng dẫn sử dụng SRH-1D được phân đoạn dựa trên cấu trúc chương mục logic. Kỹ thuật đánh chỉ mục vector giúp hệ thống xác định nhanh chóng các bảng tra cứu tham số và mô tả biến số. Khi có lệnh tính toán, thuật toán tìm kiếm vector so khớp mức độ liên quan ngữ nghĩa. Thông tin chính xác được nạp trực tiếp vào ngữ cảnh xử lý của mô hình TAIDE. Nhờ đó, mô hình sinh mã điều khiển tệp tin chuẩn xác mà không cần tái huấn luyện tốn kém. Phương pháp này bảo đảm tính minh bạch và độ tin cậy tuyệt đối cho quy trình kỹ thuật.

3.2. Triển khai tác nhân tự trị điều khiển mô phỏng bằng LangChain

LangChain cung cấp cơ chế đóng gói công cụ giúp tác nhân AI thao tác trực tiếp trên hệ thống tệp tin. Tác nhân tự động phân tích dữ liệu lượng mưa và mực nước thực tế. Sau đó, hệ thống tự biên dịch các tệp cấu hình đầu vào đúng định dạng của SRH-1D. Mô hình TAIDE đóng vai trò bộ não ra quyết định và giám sát tiến trình tính toán. Nếu phần mềm mô phỏng báo lỗi tràn số hoặc sai hội tụ, tác nhân tự động phân tích nhật ký lỗi. AI sẽ điều chỉnh bước thời gian tính toán và chạy lại mô phỏng. Quá trình tự động hóa khép kín này cắt giảm triệt để sự can thiệp thủ công từ chuyên viên.

IV. Ứng dụng thực tiễn của RAG với mô hình TAIDE tại Trường Quốc tế

Kết quả nghiên cứu tại Trường Quốc tế - ĐHQGHN khẳng định tính khả thi vượt trội của giải pháp đề xuất. Hệ thống tích hợp RAG và TAIDE giúp giảm thiểu hơn 70% thời gian thiết lập mô phỏng thủy lực ban đầu. Tác nhân tự trị thực hiện hoàn hảo chuỗi tác vụ từ tiền xử lý dữ liệu đến trích xuất biểu đồ dòng chảy. Độ chính xác của các tham số đầu vào tương đương với phương pháp thiết lập bởi chuyên gia thủy văn giàu kinh nghiệm. Trong các kịch bản thử nghiệm bão lũ tương tự siêu bão Soudelor, hệ thống đã chứng minh năng lực cảnh báo vượt bậc. Tốc độ mô phỏng nhanh cho phép dự báo sớm nguy cơ tràn đê và ngập lụt cục bộ trước nhiều giờ. Cơ quan quản lý có thêm thời gian quý báu để sơ tán người dân và vận hành hồ chứa an toàn. Thành công của đề tài mở ra triển vọng ứng dụng rộng rãi tại Việt Nam và các quốc gia trong khu vực. Trường Quốc tế - ĐHQGHN tiếp tục khẳng định vai trò tiên phong trong đào tạo và nghiên cứu công nghệ mũi nhọn. Mô hình này có thể mở rộng sang các hệ thống dự báo khí tượng và quản lý rủi ro thiên tai đa thiên tai trong tương lai.

4.1. Tối ưu hóa hiệu năng và độ chính xác trong dự báo lũ lụt

Thử nghiệm thực nghiệm chứng minh hệ thống AI tự động hóa hoàn toàn chu trình tính toán thủy lực SRH-1D. Thời gian chuẩn bị dữ liệu giảm từ nhiều ngày xuống chỉ còn vài chục phút. Sự can thiệp thủ công của con người được loại bỏ ở hầu hết các bước lặp tính toán. Hơn nữa, độ tin cậy của mô phỏng được duy trì ở mức rất cao. Các kết quả mô phỏng mực nước đỉnh lũ và thời gian truyền lũ khớp chặt chẽ với số liệu quan trắc thực tế. Khả năng tự động hiệu chỉnh thông số giúp hạn chế tối đa sai số tích lũy. Đây là bước đột phá kỹ thuật phục vụ đắc lực cho công tác quy hoạch thủy lợi và phòng chống thiên tai.

4.2. Định hướng mở rộng công nghệ AI trong đào tạo và nghiên cứu

Thành công của luận văn tại Trường Quốc tế - ĐHQGHN tạo nền tảng vững chắc cho các nghiên cứu tiếp theo. Phương pháp tích hợp tác nhân thông minh có thể triển khai cho các mô hình thủy lực hai chiều phức tạp hơn. Các nhà nghiên cứu có thể tích hợp thêm dữ liệu ảnh viễn thám và trạm quan trắc tự động. Mô hình kết hợp giữa LangChain và LLM nguồn mở mở ra hướng đi mới trong việc ứng dụng AI vào khoa học trái đất. Trường Quốc tế - ĐHQGHN tiếp tục khuyến khích các đề tài nghiên cứu liên ngành có giá trị thực tiễn. Giải pháp góp phần thúc đẩy chuyển đổi số trong công tác quản lý tài nguyên và ứng phó biến đổi khí hậu.

Trích đoạn nội dung tài liệu

UNIVERSITÉ NATIONALE DU VIETNAM , HANOI L'ÉCOLE INTERNATIONALE OBED VERNEUS —————————————————— EXPLORING RAG USING LANGCHAIN IN TAIWAN LLM MODEL BASED ON LLAMA3, TAIDE ———————————————————- KHÁM PHÁ RAG BẰNG LANGCHAIN TRONG MÔ HÌNH LLM CỦA ĐÀI LOAN DỰA TRÊN LLAMA3, TAIDE. MÉMOIRE DE FIN D’ÉTUDE DU MASTER INFORMATIQUE HANOÏ - 2025 UNIVERSITÉ NATIONALE DU VIETNAM , HANOI L'ÉCOLE INTERNATIONALE OBED VERNEUS —————————————————— EXPLORING RAG USING LANGCHAIN IN TAIWAN LLM MODEL BASED ON LLAMA3, TAIDE ———————————————————- KHÁM PHÁ RAG BẰNG LANGCHAIN TRONG MÔ HÌNH LLM CỦA ĐÀI LOAN DỰA TRÊN LLAMA3, TAIDE. Filière : Systèmes Intelligents et Multimédia code: Programme Pilote MÉMOIRE DE FIN D’ÉTUDE DU MASTER INFORMATIQUE Sous la direction de : Wen-Yi Chang : - PhD Lu et Approuvé : HANOÏ - 2025 UNIVERSITÉ NATIONALE DU VIETNAM , HANOI L'ÉCOLE INTERNATIONALE EXPLORING RAG USING LANGCHAIN IN TAIWAN LLM MODEL BASED ON LLAMA3, TAIDE CAS D'ÉTUDE SPÉCIFIQUE ÉVALUATION DE LA FAISABILITÉ DE L’INTÉGRATION D’UN AGENT INTELLIGENT (IA) AU MODÈLE SEDIMENTATION AND RIVER HYDRAULICS – ONE DIMENSION (SRH-1D). ĐÁNH GIÁ TÍNH KHẢ THI CỦA VIỆC TÍCH HỢP MỘT TÁC NHÂN THÔNG MINH (AI) VÀO MÔ HÌNH SEDIMENTATION AND RIVER HYDRAULICS – ONE DIMENSION (SRH-1D) MÉMOIRE DE FIN D’ÉTUDE DU MASTER INFORMATIQUE HANOÏ - 2025 ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs.

La source des informations citées dans ce mémoire a été bien précisée. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc.

Obed Verneus 1 OBED VERNEUS —————————————————— EXPLORING RAG USING LANGCHAIN IN TAIWAN LLM MODEL BASED ON LLAMA3, TAIDE ———————————————————- KHÁM PHÁ RAG BẰNG LANGCHAIN TRONG MÔ HÌNH LLM CỦA ĐÀI LOAN DỰA TRÊN LLAMA3, TAIDE. Résumé La modélisation hydrodynamique joue un rôle essentiel dans la prévision des crues, le suivi du transport sédimentaire et la gestion durable des ressources en eau. Dans ce contexte, le modèle Sedimentation and River Hydraulics, One Dimension (SRH-1D) est largement employé pour simuler le comportement des systèmes fluviaux. Ce modèle repose cependant sur une forte intervention humaine, présente une lourdeur computationnelle importante et ne s’adapte que difficilement aux flux de données environnementales en temps réel.

Ces limitations freinent les capacités d’anticipation dans les contextes de gestion de crise et d’aménagement du territoire. Dans ce mémoire, nous proposons d’évaluer l’intégration d’un agent intelli- gent fondé sur l’intelligence artificielle (IA) au sein du modèle SRH-1D, afin d’automatiser le fonctionnement, d’enrichir l’analayse de données d’améliorer la précision prédictive. Nous développons un système autonome basé sur les Large Language Models (LLMs) et la génération augmentée par récupération (RAG), capable d’exécuter le modèle de simulation SRH-1D, d’identifier les tronçons fluviaux à risque d’inondation et de produire des rapports en temps réel. Le cadre proposé repose sur l’architecture modulaire de LangChain, per- mettant une interaction fluide entre l’agent IA, le simulateur hydraulique et le RAG.

L’assistant intelligent conçu interagit dynamiquement avec les données hydrologiques, interroge des sources externes pertinentes, traite les condi- tions fluviales en temps réel et lance des simulations prédictives de manière autonome. Nous évaluons les performances de ce système en analysant les gains en efficacité et en précision. Nos résultats montrent une réduction significative de l’intervention humaine et de la charge computationnelle, ainsi qu’une amélioration notable de la détection des zones à risque d’inondation. L’approche proposée facilite la prise de décision en temps réel, en fournissant des analyses hydrodynamiques enrichies et adaptées aux situations critiques.

Nos contributions ouvrent la voie à des applications en gestion des catastro- phes naturelles et en aménagement hydraulique, présentant une avancée vers des systèmes intelligents et adaptatifs de modélisation fluviale. À terme, ce travail participe au développement d’outils IA fiables et évolutifs pour une gestion proactive et durable des ressources en eau. Keywords: Intelligence Artificielle (AI) , AI Agent, SRH-1D, Hydrodynamic Modeling, Large Language Models (LLMs), Retrieval-Augmented Genera- tion(RAG), Disaster Risk Management, Process Automation.