Tuần tin AI: Meta chỉnh điều khoản scraping, Anthropic thay đổi cơ cấu nhân sự, và bài học chunking trong RAG

Tuần này có ba mẩu tin nhìn từ góc kiến trúc hệ thống đều cùng chỉ về một điểm: ranh giới giữa dữ liệu, mô hình và con người đang được vẽ lại — đôi khi bằng chính sách, đôi khi bằng cách ta cắt một tài liệu thành những mẩu nhỏ.

Meta gỡ ngôn ngữ gây lo ngại về scraping trong điều khoản sử dụng

Theo TechCrunch, Meta đã gỡ bỏ những cụm từ trong điều khoản sử dụng vốn khiến cộng đồng lo ngại về việc crawl dữ liệu web phục vụ huấn luyện AI. Người phát ngôn của công ty khẳng định rằng điều khoản cập nhật không phản ánh bất kỳ thay đổi nào trong cách Meta crawl web. Nói cách khác: văn bản đổi, hành vi được tuyên bố là không đổi.

Đứng từ góc độ kiến trúc, đây là một ví dụ kinh điển về việc giao tiếp chính sách và thực thi kỹ thuật bị tách rời. Một hệ thống crawler ở quy mô Meta là một bài toán hạ tầng khổng lồ: robots.txt, rate limiting, dữ liệu xác thực nguồn, pipeline ETL đầu vào cho việc huấn luyện. Khi phần 'hợp đồng' với người dùng thay đổi cách diễn đạt — dù ý định kỹ thuật giữ nguyên — niềm tin của hệ sinh thái bị tổn hại nhiều hơn so với bản chất thay đổi. Bài học cho những ai xây dựng nền tảng có thu thập dữ liệu: mọi thay đổi ngôn từ trong terms of service cần được audit như một thay đổi API. Đó là giao diện công khai, và breaking change ở giao diện thì luôn có chi phí.

Giá trị thực tiễn: nếu bạn vận hành sản phẩm có phần thu thập hoặc dùng dữ liệu người dùng để huấn luyện mô hình, hãy tách biệt rõ ba lớp — dữ liệu được phép thu thập, dữ liệu được phép dùng huấn luyện, và dữ liệu được phép hiển thị lại — rồi phản ánh đúng ba lớp đó trong tài liệu. Đừng gộp chung rồi viết lại văn phạm sau, như Meta vừa phải làm.

Anthropic: đội ngũ bớt junior, họp nhiều hơn

Anthropic chia sẻ rằng cơ cấu nhân sự và loại công việc đang được thực hiện đã thay đổi đáng kể trong năm qua: lực lượng lao động ít junior hơn và dành nhiều thời gian họp hơn. Đây không chỉ là tin tuyển dụng — nó là một tín hiệu về cách các lab AI tự tổ chức khi công cụ nội bộ (do chính họ xây dựng) gánh phần việc cấp thấp.

Trade-off ở đây rất rõ: khi AI hóa phần code "thuần cơ học", công việc con người dịch chuyển về các hoạt động có bandwidth giao tiếp cao — ra quyết định, review kiến trúc, phối hợp liên nhóm. Họp nhiều hơn là chi phí tự nhiên của việc ít người đảm nhận nhiều scope hơn. Với team mid-size đang áp dụng AI coding assistant, mô hình này đáng để tham chiếu: đầu tư vào năng lực review và thiết kế của từng thành viên thay vì mở rộng đầu số junior rồi trông chờ AI 'nâng cấp' họ. AI giúp junior viết code nhanh hơn, nhưng không tự động giúp họ chịu trách nhiệm về hệ thống.

Giá trị thực tiễn: xem lại cơ cấu team của bạn theo hai trục — tỷ lệ công việc có thể tự động hóa và tỷ lệ công việc cần đồng thuận. Nếu nhóm thứ hai đang phình to, vấn đề không nằm ở việc 'họp nhiều', mà ở cách chia ranh giới trách nhiệm kiến trúc.

Chunking trong RAG: khi câu trả lời sai vì tài liệu bị cắt sai

Bài trên DEV Community mô tả một tình huống quá quen thuộc: người dùng hỏi một câu, thông tin rõ ràng có trong tài liệu nguồn, nhưng ứng dụng RAG vẫn trả lời thiếu. Nguyên nhân được chỉ ra nằm ở chiến lược chunking — cách tài liệu được tách trước khi embedding. Ví dụ trong bài rất cụ thể: một chính sách nhân sự gồm hai vế — 'được chuyển tối đa 5 ngày phép chưa dùng' và 'chỉ áp dụng sau một năm làm việc' — nếu hai vế này rơi vào hai chunk khác nhau, retrieval có thể chỉ lấy được một vế, và câu trả lời trở nên sai về mặt logic dù 'tìm thấy' dữ liệu.

Đây chính là điểm mà nhiều kiến trúc RAG bỏ sót: chunking không phải bước tiền xử lý vô tri, nó là quyết định thiết kế ngữ nghĩa. Fixed-size chunking đơn giản, rẻ, dễ cache, nhưng phá vỡ ranh giới logic của tài liệu. Chunk theo cấu trúc (heading, section, bảng) giữ ngữ cảnh tốt hơn nhưng đòi hỏi parser mạnh và xử lý riêng cho từng định dạng. Với tài liệu chính sách — vốn đầy các điều kiện chéo tham chiếu — việc split theo cấu trúc, hoặc giữ overlap hợp lý giữa các chunk, thường đáng cái phí token.

Giá trị thực tiễn: khi debug RAG, đừng chỉ nhìn vào retriever hay prompt. Hãy viết một test truy vấn cho từng mẩu thông tin 'phải tìm thấy' trong tài liệu, rồi kiểm tra xem chunk tương ứng có giữ đủ ngữ cảnh để trả lời đúng không. Nếu bạn đang dùng fixed-size splitter, thử so sánh với splitter theo cấu trúc trên chính bộ tài liệu của mình — khác biệt thường hiện ngay ở những câu hỏi điều kiện kép như ví dụ trên.

Bài học chung của tuần

Ba tin, ba tầng khác nhau — hợp đồng dữ liệu, tổ chức con người, pipeline retrieval — nhưng cùng một nguyên lý: ranh giới thiết kế quyết định chất lượng hệ thống. Crawler của Meta bị đánh giá qua ranh giới văn bản pháp lý, đội ngũ Anthropic tổ chức lại theo ranh giới trách nhiệm, và RAG hỏng vì ranh giới chunk cắt ngang một quy tắc nghiệp vụ.

Nếu bạn đang xây hoặc vận hành hệ thống AI, hướng thử nghiệm tiếp theo nên là: audit các ranh giới dữ liệu trong sản phẩm của mình (bạn thu thập gì, dùng để làm gì, tuyên bố gì ra ngoài), và viết bộ test retrieval dựa trên các 'câu hỏi bẫy' có điều kiện liên chunk. Rủi ro cần phòng tránh: đừng tối ưu chunking hay chính sách dựa trên cảm tính — thiếu bộ đo lường cụ thể, mọi thay đổi chỉ là dịch chuyển vấn đề sang chỗ khác mà thôi.

Nguồn tham khảo

• Meta removes language that raised scraping and AI training concerns
• Anthropic says its workforce has become less junior and is spending more time in meetings
• Day 02/90: Chunking Strategies in RAG — Why Splitting Documents Matters