Điểm kỹ thuật quan trọng nhất là pipeline AI dùng LangGraph. Thay vì gọi một prompt dài để sinh toàn bộ giáo án, hệ thống chia quá trình thành các node: validate, retrieve, core generation, extras generation, merge, checklist và regenerate. Nhờ đó, hệ thống có thể rẽ nhánh khi có tài liệu nguồn, kiểm tra an toàn thí nghiệm, và sinh lại đúng phần còn thiếu thay vì sinh lại toàn bộ.

RAG được dùng để giảm rủi ro AI bịa nội dung hoặc lệch SGK. Tài liệu nguồn được trích xuất, chia chunk, tạo embedding và lưu vào vector store. Khi sinh giáo án, hệ thống truy hồi các đoạn liên quan theo project_id, đưa vào prompt và gắn citation để giáo viên biết nội dung đến từ đâu.

Hệ thống cũng có nhiều lớp guardrails:

• Validate input bằng Pydantic.
• Chặn prompt injection ở biên API.
• Kiểm tra quyền sở hữu project để tránh truy cập chéo dữ liệu.
• Rate limit và quota để giảm lỗi do giới hạn LLM.
• Retry/backoff và mock fallback khi LLM gặp lỗi.
• Checklist 13 tiêu chí theo CV 5512 để kiểm chất lượng output.
• Safety gate cho bài thí nghiệm Hóa học thiếu cảnh báo an toàn.
• Output scan để chặn rò rỉ API key hoặc thông tin cá nhân.

Triết lý kỹ thuật của EduDraft AI là kết hợp AI với workflow có kiểm soát. AI giúp sinh nháp và đề xuất, còn hệ thống rule-based giúp kiểm tra những lỗi rõ ràng, và giáo viên giữ quyền duyệt cuối cùng trước khi export hoặc chia sẻ.

3. Tính khả thi

EduDraft AI có tính khả thi vì sản phẩm đã được triển khai thành hệ thống chạy được, không chỉ dừng ở ý tưởng. Repo hiện có frontend, backend, agent pipeline, RAG layer, database models, API routes, editor, export DOCX/PDF, admin pages, test suite và báo cáo evaluation.

Về mặt sản phẩm, workflow phù hợp với thói quen thật của giáo viên: không yêu cầu giáo viên viết prompt phức tạp, mà đi theo từng bước quen thuộc như chọn mẫu, nhập thông tin bài, nạp tài liệu, rà nội dung, chỉnh sửa và xuất file. Điều này giúp sản phẩm dễ dùng hơn so với một chatbot tổng quát.

Về mặt kỹ thuật, stack được chọn tương đối thực tế cho một MVP:

• React + Vite giúp frontend phát triển nhanh và deploy tĩnh.
• FastAPI phù hợp với API typed, validation rõ và dễ tích hợp AI services.
• LangGraph phù hợp với workflow nhiều bước có điều kiện.
• Postgres + pgvector giúp lưu dữ liệu và vector bền vững.
• Vercel + Render + Supabase giúp triển khai nhanh trong điều kiện team nhỏ.

Về mặt đo lường, dự án đã có các chỉ số đánh giá từ eval/results/:

Những số liệu này cho thấy hệ thống đã có khả năng vận hành ở mức demo/beta. Một số điểm vẫn cần tối ưu, ví dụ chi phí mỗi lần sinh khoảng $0.0378, cao hơn target $0.03, và latency p95 còn bị ảnh hưởng bởi giới hạn free tier của LLM. Tuy nhiên, đây là các vấn đề có hướng xử lý rõ ràng bằng model routing, cache, nén prompt, nâng gói provider hoặc tách job background.

4. Hướng phát triển

Trong giai đoạn tiếp theo, EduDraft AI nên tập trung vào bốn hướng chính: tối ưu hiệu năng, mở rộng loại học liệu và slides, mở rộng workflow giáo viên, và chuẩn hóa vận hành production.

Thứ nhất, cần tối ưu chi phí và latency. Team có thể định tuyến các tác vụ đơn giản sang model rẻ hơn, giữ model mạnh cho phần cần reasoning cao, cache kết quả OCR/RAG, nén prompt, tái sử dụng context và chuyển các tác vụ dài sang background job để frontend phản hồi mượt hơn.

Thứ hai, cần phát triển thêm đa dạng các loại học liệu và bổ sung chức năng slides. Hiện tại sản phẩm đã hỗ trợ giáo án, học liệu, quiz và đáp án; giai đoạn tiếp theo có thể mở rộng sang phiếu học tập theo nhóm, bài tập phân hóa theo mức độ, câu hỏi trắc nghiệm nhiều dạng, câu hỏi tự luận, rubric chấm điểm, đề kiểm tra ngắn, bảng trò chơi ôn tập, thẻ ghi nhớ, kịch bản thí nghiệm, hướng dẫn quan sát hiện tượng, bài tập về nhà, tài liệu tóm tắt kiến thức, ngân hàng câu hỏi theo bài và hoạt động khởi động/kết thúc tiết học. Bên cạnh đó, chức năng sinh slides có thể giúp giáo viên tạo nhanh bộ trình chiếu từ giáo án đã duyệt, gồm slide mục tiêu bài học, slide hoạt động, slide câu hỏi, slide thí nghiệm, slide tổng kết và slide bài tập vận dụng.

Thứ ba, có thể mở rộng trải nghiệm human-in-the-loop. Ví dụ: cho giáo viên sinh lại từng phần theo mức độ khó, tùy biến hoạt động theo năng lực lớp, lưu feedback sau khi dạy, so sánh phiên bản giáo án, hỗ trợ tổ chuyên môn duyệt và bình luận sâu hơn.

Thứ tư, cần củng cố production readiness. Các hướng quan trọng gồm refresh token/revocation, RBAC đầy đủ hơn, audit log chi tiết hơn, queue cho tác vụ AI dài, monitoring theo từng provider, dashboard cost/latency theo user, backup dữ liệu và quy trình rollback khi deploy lỗi.

Sau khi sản phẩm ổn định cho Hóa học lớp 10, team có thể mở rộng sang đa môn như Vật lý, Sinh học, Toán, Ngữ văn, Lịch sử, Địa lý và Ngoại ngữ. Cách mở rộng phù hợp là giữ lại khung kỹ thuật chung gồm workflow, RAG, checklist, editor và export, sau đó thay template, rubric, nguồn học liệu và bộ kiểm tra chuyên môn cho từng môn học. Ngoài ra, sản phẩm có thể bổ sung chức năng chia sẻ giáo án giữa giáo viên và tổ chuyên môn, cung cấp thư viện mẫu giáo án có sẵn theo môn/lớp/bộ sách, cho phép nhân bản và tùy chỉnh mẫu nhanh, đồng thời tích hợp với các nền tảng khác như Google Drive, Google Classroom, Microsoft Teams, LMS của trường hoặc hệ thống quản lý học tập nội bộ.

Tóm lại, hướng phát triển của EduDraft AI không nên là "AI tự động thay giáo viên", mà là một copilot đáng tin cậy cho quy trình chuẩn bị bài dạy: nhanh hơn, có nguồn hơn, kiểm soát tốt hơn và phù hợp hơn với thực tế nhà trường.