ORCHGRAPH-RAG: MÔ HÌNH ĐA TÁC TỬ ĐIỀU PHỐI BẰNG ĐỒ THỊ CHO TUYỂN DỤNG THÔNG MINH VÀ TRUY XUẤT TRI THỨC CÁ NHÂN HÓA

Abstract

Trong thị trường lao động công nghệ thông tin cạnh tranh, các hệ thống ATS truyền thống hay kiến trúc RAG vector hiện tại đều bộc lộ hạn chế về suy luận ngữ nghĩa, phân mảnh dữ liệu và bảo mật quyền riêng tư nhân sự. Để giải quyết vấn đề này, luận văn đề xuất ORCHGRAPH-RAG, mô hình đa tác nhân điều phối bằng đồ thị. Kiến trúc này tích hợp đồ thị tri thức (Neo4j) và cơ sở dữ liệu vector (Supabase/pgvector) theo thiết kế Dual-DB nhằm phân tách dữ liệu công khai và riêng tư ở tầng dữ liệu. Hệ thống sử dụng một Tác nhân Điều phối Chính để định tuyến truy vấn đến Tác nhân Tìm kiếm Kết hợp (tận dụng cả cấu trúc đồ thị và độ tương đồng vector) hoặc Tác nhân Bản sao Số (thực hiện phỏng vấn AI cá nhân hóa theo đồ thị tri thức riêng của ứng viên). Thực nghiệm trên dữ liệu tuyển dụng tại Việt Nam cho thấy cấu hình Hybrid+ đạt Mức độ Liên quan của câu trả lời là 0.7474 và Độ thu hồi Ngữ cảnh là 0.9615 (RAGAS), với độ an toàn quyền riêng tư cực kỳ cao trong các kịch bản kiểm thử tấn công. GTE-multilingual-base là mô hình đạt hiệu suất ổn định nhất trong cả tác vụ truy xuất ứng viên (Recall@5: 0.9722) và trả lời phỏng vấn (Recall: 0.7949). Từ khóa: Đồ thị tri thức, GraphRAG, Hệ thống đa tác tử, Bản sao số, Truy xuất bảo mật cá nhân, Tuyển dụng thông minh, Mô hình ngôn ngữ lớn. In increasingly competitive IT labor markets, recruitment teams face the challenge of identifying the most suitable candidates rather than simply filtering qualified ones. Traditional ATS keyword-matching approaches fail to capture semantic equivalences and cannot reason over holistic career trajectories. While LLMs and RAG offer promising alternatives, conventional vector-based RAG architectures struggle with HR data due to relational fragmentation, multi-hop hallucination, and the absence of fine-grained privacy enforcement. This thesis proposes ORCHGRAPH-RAG, a graph-orchestrated multi-agent paradigm for privacy-aware recruitment and personalized knowledge retrieval. The architecture integrates a knowledge graph (Neo4j) with a vector store (Supabase/pgvector) in a Dual-DB design enforcing public/private data separation at the data layer. A Master Orchestrator Agent routes natural-language queries to either a Hybrid Search Agent combining graph-structural signals with dense vector similarity or a Digital Twin Agent conducting personalized AI-driven interviews grounded strictly on each candidate's knowledge subgraph. Experiments on a synthesized Vietnamese IT recruitment dataset show the Hybrid+ configuration achieves Answer Relevancy of 0.7474 and Context Recall of 0.9615 (RAGAS), with an extremely high privacy safety rate across all red-teaming scenarios. The GTE-multilingual-base model is the most consistent performer across both candidate retrieval (Recall@5: 0.9722) and interview question answering (Recall: 0.7949). Keywords: Knowledge Graph, GraphRAG, Multi-Agent System, Digital Twin, Privacy-Aware Retrieval, Recruitment Intelligence, Large Language Models.