---
title: "RAG tiếng Ả Rập: chuẩn hóa, chunking và embedding | BroadRouter"
description: "RAG trên tài liệu tiếng Ả Rập: chuẩn hóa alef, ya và ta marbuta, chia chunk hợp lý, chọn embedding đa ngôn ngữ và kết hợp tìm kiếm từ khóa."
url: https://broadrouter.com/vi/blog/arabic-rag-search/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/arabic-rag-search/) (cập nhật ngày 2026-11-14).

# RAG tiếng Ả Rập: chuẩn hóa, chia chunk và truy xuất hiệu quả

Đội ngũ BroadNet Inference · 6 phút đọc · Đăng ngày 2026-11-14

RAG tiếng Ả Rập chạy tốt khi bạn chuẩn hóa văn bản trước khi index (thống nhất alef, ya và alef maqsura, ta marbuta, bỏ dấu phụ và tatweel), chia chunk theo đoạn, kết hợp embedding đa ngôn ngữ với tìm kiếm từ khóa, và để LLM context dài trả lời từ các đoạn truy xuất được, có trích dẫn. Áp dụng cùng cách chuẩn hóa cho truy vấn.

## Ý chính

-   Chuẩn hóa tài liệu và truy vấn theo cùng một cách: أ/إ/آ thành ا, ى thành ي, ة thành ه, không dấu phụ, không tatweel.
-   Giữ văn bản gốc để hiển thị; index bản đã chuẩn hóa.
-   Kết hợp tìm kiếm từ khóa có analyzer tiếng Ả Rập với embedding đa ngôn ngữ, rồi test hybrid so với từng cách riêng trên truy vấn của bạn.
-   Chọn model embedding đa ngôn ngữ mà bạn đã test với truy vấn tiếng Ả Rập. BroadNet Inference không có endpoint embedding.
-   Model context dài cho phép truy xuất rộng tay: DeepSeek V4.1 Flash và GLM 5.3 nhận 1.048.576 token.

**Trong trang này**

1.  Pipeline RAG tiếng Ả Rập trông như thế nào?
2.  Nên chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm như thế nào?
3.  Nên chia chunk tài liệu tiếng Ả Rập như thế nào?
4.  Vì sao nên kết hợp tìm kiếm từ khóa và embedding?
5.  Sinh câu trả lời có trích dẫn như thế nào?
6.  Đánh giá RAG tiếng Ả Rập như thế nào?

_[image: A man speaking into a microphone beside the Arabic word "حوار" (conversation), with the text "Conversations, ready to search."]_

Để [retrieval-augmented generation](https://broadrouter.com/vi/glossary/rag/) (RAG) chạy tốt với tiếng Ả Rập, hãy chuẩn hóa tài liệu và truy vấn theo cùng quy tắc chính tả, chia chunk theo đoạn, tìm kiếm bằng cả analyzer từ khóa tiếng Ả Rập lẫn model embedding đa ngôn ngữ, và để LLM chỉ trả lời từ các đoạn truy xuất được, có trích dẫn.

Mô hình từ [bài báo RAG gốc](https://arxiv.org/abs/2005.11401) là truy xuất rồi sinh. Phần lớn lỗi RAG tiếng Ả Rập xảy ra ở nửa đầu. Người dùng gõ “الفاتوره” mà index lại chứa “الفاتورة”; chính sách ghi “إلغاء” còn người dùng viết “الغاء”; model embedding thì học chủ yếu bằng tiếng Anh. Sửa được phần truy xuất thì phần LLM thường tự ổn.

## Pipeline RAG tiếng Ả Rập trông như thế nào?

1.  **Trích xuất** văn bản từ PDF, trang web và bài trong help center. Với PDF tiếng Ả Rập dạng scan, xem [OCR tiếng Ả Rập và LLM vision](https://broadrouter.com/vi/blog/arabic-ocr-vision-llm/).
2.  **Chuẩn hóa** một bản sao văn bản để index.
3.  **Chia chunk** theo cấu trúc: tiêu đề và đoạn văn.
4.  **Index** hai lần: một index từ khóa và một index vector.
5.  **Truy xuất** bằng truy vấn đã chuẩn hóa từ cả hai, gộp và xếp hạng lại.
6.  **Sinh** câu trả lời từ các đoạn đứng đầu, có trích dẫn.

## Nên chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm như thế nào?

Tiếng Ả Rập cho phép nhiều cách viết cùng một từ, và người dùng hiếm khi gõ dấu phụ hay hamza nhất quán. Hãy chuẩn hóa bản index và mọi truy vấn bằng cùng một hàm:

| Quy tắc | Ký tự | Vì sao |
| --- | --- | --- |
| Thống nhất alef | أ إ آ ٱ → ا | Hamza thường bị bỏ khi gõ |
| Alef maqsura | ى → ي | Phổ biến khi gõ kiểu Ai Cập và viết lỏng |
| Ta marbuta | ة → ه | Người dùng gõ ه ở cuối từ |
| Bỏ dấu phụ | U+064B đến U+0652, U+0670 | Phần lớn văn bản và truy vấn không có nguyên âm |
| Bỏ tatweel | ـ (U+0640) | Ký tự kéo dài để trang trí |
| Chữ số | ٠–٩ → 0–9 | Khớp số ở cả hai dạng |

Thử từng tùy chọn trên văn bản của bạn với [công cụ chuẩn hóa văn bản tiếng Ả Rập](https://broadrouter.com/tools/arabic-text-normalizer/), công cụ này cũng viết sẵn một hàm Python tương ứng.

```python
import re

_DIAC = re.compile(r"[ً-ْٰ]")

def normalise(text: str) -> str:
    text = _DIAC.sub("", text).replace("ـ", "")
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    return text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
```

Các code point có trong [bảng mã Unicode tiếng Ả Rập](https://www.unicode.org/charts/PDF/U0600.pdf). Hai lưu ý:

-   **Đừng bao giờ hiển thị văn bản đã chuẩn hóa.** Lưu bản gốc bên cạnh và dùng bản gốc để hiển thị, trích dẫn và gửi cho LLM. Tiếng Ả Rập đã chuẩn hóa trông như viết sai chính tả với người đọc.
-   **Một số phép gộp làm mất nghĩa.** ة → ه gộp vài cặp từ, và ى → ي gộp “على” (trên) với “علي” (Ali). Vì recall của tìm kiếm, đánh đổi này thường đáng; hãy test trên truy vấn của bạn.

Các quy tắc này cũng là trọng tâm khi [đo độ chính xác nhận dạng giọng nói tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-asr-wer-explained/), nên bạn có thể dùng chung một hàm trên toàn hệ thống.

## Nên chia chunk tài liệu tiếng Ả Rập như thế nào?

-   **Cắt theo cấu trúc.** Tiêu đề, các điều khoản đánh số trong hợp đồng (المادة ١، المادة ٢) và ngắt đoạn là ranh giới tự nhiên.
-   **Vài trăm từ mỗi chunk,** chồng lấn một hai câu. Từ tiếng Ả Rập mang nhiều hình vị hơn từ tiếng Anh, nên một chunk chứa nhiều nghĩa trên mỗi từ hơn độ dài của nó gợi ý.
-   **Ranh giới câu:** chỉ cắt theo . ؟ ! và dấu phẩy tiếng Ả Rập ، khi không còn cách nào khác. Nhiều văn bản tiếng Ả Rập dùng câu dài nối bằng و, nên cắt theo đoạn an toàn hơn.
-   **Mang theo ngữ cảnh.** Thêm tiêu đề tài liệu và tiêu đề mục bằng tiếng Ả Rập vào đầu mỗi chunk, để một chunk ghi “تُطبَّق هذه الرسوم” (các khoản phí này được áp dụng) vẫn cho biết là phí nào.

[Máy tính chia chunk RAG](https://broadrouter.com/tools/rag-chunking-calculator/) đổi kích thước chunk, độ chồng lấn và top-k thành số chunk, số token mỗi truy vấn và chi phí hằng tháng.

## Vì sao nên kết hợp tìm kiếm từ khóa và embedding?

### Tìm kiếm từ khóa

Hình thái học tiếng Ả Rập đánh bại việc so khớp từ khóa ngây thơ: كتاب, الكتاب, بالكتاب, وكتابه và كتب đều liên quan đến “sách”. Hãy dùng analyzer xử lý được tiếng Ả Rập. Elasticsearch có sẵn [arabic language analyzer](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html) nối chuỗi stop word tiếng Ả Rập, chuẩn hóa chữ số, chuẩn hóa tiếng Ả Rập và stemmer tiếng Ả Rập, nên các dạng có tiền tố như الكتاب và وكتاب khớp thường xuyên hơn. Hãy kiểm tra nó gộp những gì trên từ vựng của bạn trước khi dựa vào nó.

### Embedding

[Model embedding](https://broadrouter.com/vi/glossary/embeddings/) ánh xạ văn bản thành vector để các đoạn có nghĩa giống nhau nằm gần nhau, kể cả khi không chung từ nào. Với tiếng Ả Rập, hãy chọn model đa ngôn ngữ và test nó:

-   **Ưu tiên model huấn luyện trên nhiều ngôn ngữ,** như [BGE M3](https://arxiv.org/abs/2402.03216), được tác giả mô tả là hỗ trợ hơn 100 ngôn ngữ làm việc. Model chỉ tiếng Anh cho vector tiếng Ả Rập kém.
-   **Test truy xuất khác ngôn ngữ** nếu người dùng hỏi bằng tiếng Anh về tài liệu tiếng Ả Rập, hoặc ngược lại.
-   **Embed bản gốc hay bản chuẩn hóa đều được, nhưng phải nhất quán** giữa tài liệu và truy vấn. Test cả hai; kết quả khác nhau tùy model.

BroadNet Inference không có endpoint embedding: các endpoint được ghi trong tài liệu là chat completions và chép lời âm thanh. Hãy dùng nhà cung cấp embedding bạn tin tưởng, hoặc tự host một model embedding đa ngôn ngữ mở trong [cơ sở dữ liệu vector](https://broadrouter.com/vi/glossary/vector-database/), và dùng BroadNet cho bước sinh. [Máy tính chi phí embedding](https://broadrouter.com/tools/embedding-cost-calculator/) tính giá index và truy vấn giữa các nhà cung cấp.

### Gộp và xếp hạng lại

Chạy cả hai tìm kiếm, gộp kết quả bằng reciprocal rank fusion (chấm mỗi tài liệu bằng tổng 1 / (k + thứ hạng) trên các danh sách), và giữ 10 đến 30 đoạn đầu. Reranker hoặc một bước LLM kiểm tra độ liên quan nhanh có thể lọc thêm, nhưng với model context dài bạn thường bỏ qua được.

## Sinh câu trả lời có trích dẫn như thế nào?

Đưa cho model các đoạn có id và yêu cầu chỉ trả lời từ chúng:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def answer(question: str, passages: list[dict]) -> str:
    context = "\n\n".join(f"[{p['id']}] {p['title']}\n{p['text']}" for p in passages)
    system = ("أجب عن سؤال المستخدم بالعربية الفصحى المبسطة، اعتماداً فقط على المقاطع المرفقة. "
              "اذكر رقم المقطع بين قوسين مربعين بعد كل معلومة. "
              "إذا لم تجد الإجابة في المقاطع فقل ذلك بوضوح.")
    r = client.chat.completions.create(
        model="broadnet/deepseek-v4.1-flash",
        max_tokens=4000,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": f"المقاطع:\n{context}\n\nالسؤال: {question}"}],
    )
    return r.choices[0].message.content
```

System prompt tiếng Ả Rập có nghĩa: “Trả lời câu hỏi của người dùng bằng tiếng Ả Rập chuẩn hiện đại đơn giản, chỉ dựa trên các đoạn đính kèm. Ghi số đoạn trong ngoặc vuông sau mỗi thông tin. Nếu không tìm thấy câu trả lời trong các đoạn, hãy nói rõ điều đó.” Chỉ dẫn bằng tiếng Anh cũng chạy tốt như vậy; điều quan trọng là quy tắc chỉ trả lời từ các đoạn và có trích dẫn.

Đặt các đoạn trước câu hỏi. Nếu cùng tài liệu xuất hiện trong nhiều request, hãy giữ chúng theo cùng thứ tự ở đầu prompt để được tính giá input cache; xem [token input được cache](https://broadrouter.com/vi/blog/cached-input-tokens-explained/).

### Model nào?

| Model | Context | Vì sao |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/deepseek-v4.1-flash/) | 1.048.576 | Giá input cache thấp nhất trong ba model này trên BroadNet ($0.0055 mỗi 1 triệu token), đủ chỗ cho nhiều đoạn, có gói giá cố định |
| [GLM 5.3](https://broadrouter.com/vi/models/glm-5.3/) | 1.048.576 | Tool calling và structured output cho truy xuất kiểu agent |
| [Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/) | 262.144 | BroadNet đã test bằng tiếng Ả Rập: viết trôi chảy, hiểu phương ngữ vùng Vịnh và Ai Cập |

Với context một triệu token, bạn có thể truy xuất rộng tay, chẳng hạn 50 đoạn thay vì 5, và để model tự chọn. Điều đó giảm thiệt hại khi bước truy xuất xếp đoạn đúng ở vị trí thứ 12. Với bộ tài liệu nhỏ, có khi bạn không cần truy xuất; xem [context dài và RAG](https://broadrouter.com/vi/blog/long-context-vs-rag/) và kiểm tra kho văn bản của bạn có vừa không bằng [máy tính context window](https://broadrouter.com/tools/context-window-calculator/). Giá của mọi model có trên [trang giá](https://broadrouter.com/vi/pricing/).

## Đánh giá RAG tiếng Ả Rập như thế nào?

1.  Viết 50 đến 100 câu hỏi thật, pha trộn MSA, phương ngữ và tiếng Anh đúng như người dùng của bạn gõ.
2.  Đánh dấu đoạn trả lời cho mỗi câu.
3.  Đo truy xuất trước: đoạn đúng có nằm trong top 10 không? So sánh chỉ từ khóa, chỉ embedding và hybrid, có và không có chuẩn hóa.
4.  Sau đó đo câu trả lời: đúng, có trích dẫn, và nói “không tìm thấy” khi không có câu trả lời.
5.  Cố ý đưa vào truy vấn sai chính tả và truy vấn phương ngữ. Người dùng viết “وين الفاتوره” (vùng Vịnh/Levant: hóa đơn đâu rồi), không phải “أين الفاتورة”.

Sửa phần truy xuất trước khi đổi model sinh: nếu đoạn đúng không bao giờ vào được prompt thì không model nào trích dẫn được nó.

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

[Embedding (vector nhúng)](https://broadrouter.com/vi/glossary/embeddings/)

Embedding là danh sách số thực (vector) mà một model tạo ra để biểu diễn đoạn văn bản, hình ảnh hay đầu vào khác. Đầu vào có nghĩa tương tự nhận vector gần nhau, nên khoảng cách giữa vector dùng được để xếp hạng kết quả tìm kiếm, gom cụm tài liệu hoặc tìm mục liên quan.

[Token](https://broadrouter.com/vi/glossary/token/)

Token là đơn vị văn bản mà model ngôn ngữ đọc và viết: một từ, một phần của từ, một dấu câu hoặc một chuỗi byte do tokenizer của model tạo ra. API LLM đếm, giới hạn và thường tính phí theo token.

[Tool calling (gọi tool, function calling)](https://broadrouter.com/vi/glossary/tool-calling/)

Tool calling, còn gọi là function calling, là tính năng của API LLM trong đó model trả về một yêu cầu có cấu trúc để chạy một hàm do nhà phát triển định nghĩa, kèm đối số JSON. Ứng dụng chạy hàm rồi gửi kết quả lại; model không bao giờ tự chạy code.

[Chuẩn hóa văn bản tiếng Ả Rập](https://broadrouter.com/vi/glossary/arabic-text-normalization/)

Chuẩn hóa văn bản tiếng Ả Rập là bước đưa các cách viết khác nhau của cùng một từ về một dạng trước khi so khớp: xóa dấu phụ và tatweel, thống nhất các dạng alef, thường đổi ى thành ي, ة thành ه. Chỉ áp dụng cho khóa tìm kiếm và đánh giá, không cho văn bản hiển thị.

[Chunking (RAG)](https://broadrouter.com/vi/glossary/chunking/)

Chunking là bước trong pipeline truy xuất chia tài liệu thành các mảnh nhỏ hơn, gọi là chunk, trước khi embed và index. Chunk size quyết định mỗi mảnh chứa bao nhiêu văn bản, còn chunk overlap lặp lại một phần văn bản giữa các chunk liền kề để ý bị cắt ở ranh giới không bị mất.

[Reranking (xếp hạng lại)](https://broadrouter.com/vi/glossary/reranking/)

Reranking là giai đoạn truy xuất thứ hai, trong đó một model chính xác hơn nhưng chậm hơn, thường là cross-encoder, chấm điểm từng cặp truy vấn và tài liệu ứng viên từ lượt tìm kiếm đầu rồi sắp xếp lại, để chỉ vài kết quả liên quan nhất được chuyển cho language model.

[BM25](https://broadrouter.com/vi/glossary/bm25/)

BM25 (Okapi BM25) là hàm xếp hạng cho tìm kiếm từ khóa, chấm điểm tài liệu dựa trên tần suất các từ trong truy vấn xuất hiện trong đó, độ hiếm của các từ ấy trong cả bộ tài liệu và độ dài tài liệu. Đây là hàm similarity mặc định của Lucene và Elasticsearch.

[Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/)

Chuyển giọng nói thành văn bản, hay nhận dạng giọng nói tự động (ASR), là công nghệ biến lời nói thành chữ viết. API nhận tệp hoặc luồng âm thanh, trả về bản chép lời, thường tính theo phút. Độ chính xác đo bằng tỷ lệ lỗi từ, thay đổi theo giọng, phương ngữ và chất lượng ghi âm.

## Câu hỏi thường gặp

### BroadNet Inference có cung cấp embedding không?

Không. Các endpoint được ghi trong tài liệu là chat completions và chép lời âm thanh. Hãy dùng model embedding của nhà cung cấp khác hoặc tự chạy một model embedding đa ngôn ngữ mở, và dùng BroadNet cho bước sinh câu trả lời.

### Có nên chuẩn hóa ta marbuta thành ha không?

Với tìm kiếm thì thường nên, vì người dùng gõ cả hai. Việc này gộp một vài từ khác nhau, nhưng ở hầu hết kho văn bản, lợi ích về recall lớn hơn. Giữ văn bản gốc để hiển thị và trích dẫn.

### Chunk tiếng Ả Rập nên lớn cỡ nào?

Bắt đầu với một đến ba đoạn, vài trăm từ, có chồng lấn nhỏ. Cắt theo tiêu đề và ngắt đoạn, không cắt giữa câu, và giữ tiêu đề tài liệu trong mỗi chunk.

### Model embedding nào dùng được cho tiếng Ả Rập?

Dùng model đa ngôn ngữ và test trên truy vấn tiếng Ả Rập của bạn. Ví dụ BGE M3 được tác giả mô tả là hỗ trợ truy xuất trên hơn 100 ngôn ngữ làm việc. Model embedding chỉ tiếng Anh cho vector tiếng Ả Rập kém.

### Người dùng tìm bằng tiếng Anh có ra tài liệu tiếng Ả Rập không?

Có, với model embedding đa ngôn ngữ ánh xạ cả hai ngôn ngữ vào một không gian, hoặc bằng cách dùng LLM dịch truy vấn trước khi tìm kiếm từ khóa. Hãy test riêng các truy vấn khác ngôn ngữ.

## Đọc tiếp

-   [Long context và RAG: khi 1M token thay được vector DB](https://broadrouter.com/vi/blog/long-context-vs-rag/)
-   [Tỷ lệ lỗi từ (WER) trong nhận dạng giọng nói tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-asr-wer-explained/)
-   [Prompt engineering tiếng Ả Rập: văn phong, RTL, chữ số và văn bản trộn](https://broadrouter.com/vi/blog/arabic-prompt-engineering/)
-   [Chọn API LLM cho tiếng Ả Rập: cần test những gì](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/)
-   [Thêm dấu cho tiếng Ả Rập bằng LLM: prompt, kiểm tra, DER](https://broadrouter.com/vi/blog/arabic-diacritization-llm/)
-   [Sửa ngữ pháp và chính tả tiếng Ả Rập bằng LLM: hướng dẫn](https://broadrouter.com/vi/blog/arabic-grammar-spelling-correction-llm/)
-   [Hướng dẫn: Dùng LangChain với BroadNet Inference](https://broadrouter.com/vi/guides/langchain-openai-base-url/)
-   [Hướng dẫn: Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-rag-search&utm_content=page-cta) ·

**Nguồn**

-   [Lewis và cộng sự, Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv 2005.11401; kiểm tra ngày 2026-11-14)](https://arxiv.org/abs/2005.11401)
-   [Chen và cộng sự, M3-Embedding: hơn 100 ngôn ngữ làm việc (arXiv 2402.03216; kiểm tra ngày 2026-11-14)](https://arxiv.org/abs/2402.03216)
-   [Các language analyzer của Elasticsearch, bộ lọc của arabic analyzer (kiểm tra ngày 2026-11-14)](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html)
-   [Bảng mã Unicode tiếng Ả Rập, U+0600 đến U+06FF (kiểm tra ngày 2026-11-14)](https://www.unicode.org/charts/PDF/U0600.pdf)
-   [Tài liệu tham chiếu API BroadNet Inference, các endpoint hiện có (kiểm tra ngày 2026-11-14) (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-rag-search&utm_content=sources)
