Bài toán

• Tốn kém thời gian: Thực hiện một Systematic Literature Review (SLR) đòi hỏi các nhà nghiên cứu phải dành hàng trăm đến hàng nghìn giờ để tìm kiếm, sàng lọc, đọc hiểu và tổng hợp tài liệu một cách thủ công.
• Rủi ro "ảo giác" của AI: Các công cụ LLM truyền thống có thể tạo ra thông tin hoặc trích dẫn không tồn tại, làm ảnh hưởng nghiêm trọng đến tính chính xác và liêm chính học thuật. Điều này khiến giới nghiên cứu khó tin tưởng sử dụng AI trong các báo cáo và công trình khoa học chính thức.

Giải pháp kỹ thuật

Lumen giải quyết bài toán trên thông qua một workflow nghiên cứu tự động cùng hệ thống phòng thủ chống ảo giác nhiều lớp:

• Multi-source Search & AI Screening: Tích hợp trực tiếp các nguồn học thuật lớn như Semantic Scholar, arXiv, OpenAlex, Exa và Firecrawl. Hệ thống tự động loại bỏ tài liệu trùng lặp, đánh giá mức độ liên quan bằng AI và ưu tiên các bài báo có chất lượng cao, nhiều trích dẫn và dễ trích xuất nội dung.
• Hybrid RAG & Reranking: Kết hợp tìm kiếm ngữ nghĩa (Vector Search qua pgvector) và tìm kiếm từ khóa (BM25), bổ sung cơ chế Section Boost để ưu tiên các phần chứa phương pháp nghiên cứu và kết quả thực nghiệm. Kết quả sau đó được tinh lọc bằng mô hình Cross-Encoder Reranker nhằm tăng độ chính xác.
• Matrix Verification: Khi tạo Literature Matrix, hệ thống sử dụng mô hình AI thứ hai để đối chiếu kết quả trích xuất với nguồn dữ liệu gốc. Các thông tin không được xác thực sẽ bị sửa đổi hoặc gắn cảnh báo cùng điểm tin cậy (Confidence Score).
• Gap Detection bằng Hierarchical Map-Reduce: Hệ thống chia nhỏ tập dữ liệu để phát hiện các khoảng trống nghiên cứu tiềm năng, sau đó tổng hợp và loại bỏ kết quả trùng lặp. Mọi đề xuất đều phải được hỗ trợ bởi ít nhất hai tài liệu tham chiếu hợp lệ.
• Tech Stack: Next.js 16 (Frontend), FastAPI (Backend), PostgreSQL + pgvector (Database), DeepSeek V4 và LangGraph để điều phối workflow AI.

Tính khả thi

• Sẵn sàng triển khai: MVP của Lumen đã hoàn thiện các tính năng cốt lõi gồm Dashboard, Search, Auto-Matrix, Knowledge Map và Report Export, đồng thời có thể triển khai nhanh chóng thông qua Docker.
• Chi phí vận hành tối ưu: Pipeline được thiết kế theo hướng tối ưu tài nguyên, kết hợp Hybrid RAG cục bộ với các mô hình AI hiệu quả về chi phí, giúp giảm đáng kể chi phí vận hành cho cá nhân, nhóm nghiên cứu và tổ chức học thuật.
• Giải quyết đúng nhu cầu thực tế: Hệ thống kiểm chứng dữ liệu được tích hợp ngay từ backend, tạo ra khác biệt rõ rệt so với các công cụ "Chat với PDF" thông thường và nâng cao độ tin cậy cho nghiên cứu học thuật.