Knowledge Routing System — LLM Deep Extraction

Khai thác Tri thức trong LLM

Không phải tìm kiếm — mà là định tuyến. Vẽ bản đồ neuron tri thức, chọn trục phân hóa, đào sâu theo mạch có cấu trúc.

Xem Giao thức → Lý thuyết nền tảng
5
Khung lý thuyết nền
4
Lệnh điều hướng
3
Tầng kiểm chứng
Độ sâu tùy chọn

Tại sao tìm kiếm
thông thường thất bại?

Top-k, decomposition, near/adjacent — tất cả đều mở rộng theo độ tương đồng, không tạo ra cấu trúc. Chúng làm dài danh sách, không làm sâu tri thức.

✗ Keyword Expansion

Mở rộng từ khóa

Thêm những thứ cùng loại — hàng xóm ngữ nghĩa. Không có nguyên tắc tổ chức.

  • Lan rộng ngang, không đào sâu
  • 📋 Trả về danh sách 100 mục không validate được
  • "Phổ biến" không có định nghĩa
  • 🔁 Lặp lại, thiếu cấu trúc phân cấp
✓ Knowledge Routing

Định tuyến tri thức

Chọn trục phân hóa (facet) để cắt không gian. Câu hỏi đúng là "cắt theo chiều nào", không phải "thêm cái gì".

  • 🗺️ Bản đồ có ID ổn định, địa chỉ hóa được
  • ⬇️ DEEPEN theo trục — từ tổng quát đến cụ thể
  • 🕸️ CROSS-LINK lộ mạch ngầm liên-facet
  • GROUND kiểm chứng từng node

Ví dụ minh họa: Với "cây ăn quả phổ biến" — phổ biến không phải một danh sách, nó là một trục (facet) bạn phải khai báo. Theo diện tích trồng? Giá trị kinh tế? Độ quen thuộc người tiêu dùng? Vùng miền? Chỉ sau khi chọn trục, việc đào sâu mới có hướng đi.

5 Khung kinh điển
được tổng hợp

Knowledge Routing không phát minh ra "neuron routing" — nó tổng hợp 5 khung đã tồn tại trong khoa học thông tin và nhận thức, chỉ là dưới những tên gọi khác.

Ranganathan · 1933

Faceted Classification

Định nghĩa các trục trực giao (PMEST) để cắt domain MECE. Câu trả lời cho "thế nào là phổ biến" — đó là một facet cần khai báo, không phải một sự thật hiển nhiên.

TRỤC PHÂN HÓA
Collins & Loftus · 1975

Spreading Activation

Mô hình "mạch nước ngầm" trong mạng ngữ nghĩa. Kích hoạt lan theo cạnh có trọng số — cơ sở lý thuyết cho cross-link và độ trung tâm node.

MẠCH NGẦM
Gruber · 1993

Ontology / Typed Edges

Cạnh có kiểu quan hệ: IS-A, PART-OF, CAUSES, USED-FOR, CONTRASTS-WITH. Cho phép duyệt bản đồ theo quan hệ, không chỉ theo độ gần từ khóa.

QUAN HỆ CÓ KIỂU
Luhmann · TK20

Zettelkasten

Hệ thống ID ổn định cho mỗi node (1, 2.1, 2.3.4...) — địa chỉ hóa tri thức. Người dùng có thể nói "DEEPEN 2.3" và bản đồ duy trì trạng thái.

ID ỔN ĐỊNH
HCI / Nielsen

Progressive Disclosure

Kiểm soát độ rộng B (branching factor, 5–7 theo Miller 7±2) và độ sâu D (số tầng). Tránh bùng nổ tổ hợp: B=7, D=4 → 2400 nodes — vô dụng.

KIỂM SOÁT B & D

Bốn lệnh
điều hướng

Mỗi lượt tương tác, Knowledge Router đề xuất đúng 4 lệnh. Mỗi lệnh là một chiến lược duyệt đồ thị khác nhau.

DEEPEN [id]

Mở 1 tầng con dưới node được chỉ định. Đào sâu theo trục đã chọn từ tổng quát xuống cụ thể. Duy trì ID phân cấp ổn định.

↓ Đào sâu
WIDEN [id]

Thêm anh em cùng cấp cho node được chỉ định. Mở rộng độ rộng tại một tầng — thêm facet mới hoặc thêm trường hợp cùng loại.

↔ Mở rộng
CROSS-LINK [id]

Lộ các cạnh ngang phi-cây — node thuộc nhiều facet đồng thời. Đây chính là "mạch ngầm" mà top-k không bao giờ tạo ra được.

⟷ Mạch ngầm
GROUND [id]

Truy hồi nguồn, đối chiếu khung chuẩn ngành, gắn citation. Hạ nhãn về [HYPO] nếu không tìm được nguồn. Kiểm tra MECE và negative.

✓ Kiểm chứng

Các pha của giao thức

0

Pha 0 — Khung hóa

Phân loại truy vấn (đếm được / khái niệm mở / thời sự). Ép khai báo trục định tuyến + ý định (tổng quan / quyết định / thành thạo). Đặt D và B mặc định.

1

Pha 1 — Bản đồ L1

Node gốc → B facet trực giao MECE, mỗi node có ID, kiểu cạnh, định nghĩa 1 dòng, nhãn epistemic và độ trung tâm. Trả về cây đánh số.

2

Pha 2 — Vòng lặp tương tác

Sau mỗi bản đồ đề xuất 4 lệnh DEEPEN/WIDEN/CROSS-LINK/GROUND. Cập nhật sổ ID — không bao giờ vứt bỏ ID cũ.

n

Pha n — Tổng hợp nhánh

Khi người dùng khóa nhánh: bản đồ mạng đầy đủ + citations + lộ trình học theo thứ tự phụ thuộc (điều kiện tiên quyết học trước).

Ba tầng
tri thức luận

Taxonomy do AI sinh ra trông uy tín nhưng có thể sai. Mỗi node bắt buộc gắn nhãn để người dùng biết mức độ tin cậy trước khi ra quyết định.

[CANON]

Canonical

Đối chiếu được với khung chuẩn ngành. DSM-5 cho tâm lý, APG IV cho thực vật, luật FIFA cho bóng đá. Nêu tên chuẩn.

[EMPIR]

Empirical

Dựa trên nghiên cứu / dữ liệu lịch sử. Cần GROUND với web search để truy nguồn. Nêu tác giả, năm, nghiên cứu.

[HYPO]

Hypothesis

Mô hình tự suy luận — không tìm được nguồn. Phải gắn cờ rõ ràng, không trộn lẫn với sự kiện đã kiểm chứng.

🔍

MECE Check

Các facet có vét cạn không gian và không chồng lấn không? Kiểm tra trước khi chốt bản đồ.

🚫

Negative Check

Một chuyên gia thật sẽ thêm / bỏ / sửa gì? Bắt lỗi thiếu sót mà MECE check bỏ qua.

⚠️

Thiên lệch dữ liệu

Bản đồ có phản ánh thiên lệch tiếng Anh / phương Tây / chủ đề thịnh hành không?

📎

Citation Limit

Khi GROUND: trích <15 từ/nguồn, diễn giải bằng lời mình. Ưu tiên nguồn gốc (paper, cơ quan chính thức).

Hai hướng
deployment

Từ việc dán vào system prompt trong vài giây, đến xây trợ lý AI sản phẩm hóa đầy đủ trạng thái.

Hướng 1 — Skill / Prompt

Dán khối system instruction vào Claude Project, Custom GPT, hoặc Gemini Gem. Triển khai trong 1 phút, chạy mọi nền tảng.

  • Claude Project Custom Instructions
  • OpenAI Custom GPT Instructions (bật Web Browsing)
  • Gemini Gem (bản nhẹ, ít công cụ)
  • Anthropic Agent SKILL.md format
Portable 1 phút setup Nhẹ
🏗️

Hướng 2 — AI Sản phẩm hóa

Thêm 3 lớp: knowledge base chuẩn ngành, công cụ web search, và lưu trạng thái bản đồ qua phiên với map-state JSON.

  • Project Knowledge — tải taxonomy chuẩn của ngành
  • Web search bật — GROUND truy hồi thực
  • map-state JSON — tái dựng bản đồ qua phiên
  • Claude Memory — giữ sổ ID xuyên hội thoại
Có trạng thái Grounded Sản xuất

Bắt đầu định tuyến
tri thức ngay hôm nay

Tải file Skill + Guidelines hoàn chỉnh — bao gồm system prompt dán trực tiếp, lý thuyết nền tảng, ví dụ few-shot và hướng dẫn triển khai cho Claude, GPT và Gemini.