Bài toán

Lễ tân resort xử lý hàng trăm yêu cầu lặp đi lặp lại mỗi ngày — bổ sung khăn, đặt bàn nhà hàng, gọi dịch vụ phòng, hỏi trạng thái yêu cầu. Các giải pháp hiện tại không đủ: chatbot tĩnh thì khách bỏ giữa chừng; LLM agent tự trị thì gây ra hành động sai trong môi trường vận hành nhạy cảm. Chưa có sản phẩm nào chuyển đổi được ý định khách thành hành động vận hành đáng tin cậy trong khi vẫn giữ con người kiểm soát những gì thực sự được thực thi.

Giải pháp kỹ thuật

Hệ thống tổ chức theo các lớp tách biệt rõ ràng:

• Agent layer (LangGraph): phân loại intent, chọn tool, soạn phản hồi. Agent không bao giờ ghi trực tiếp vào database — với mọi booking hoặc service request, agent chỉ trả về pending_action; khách xác nhận qua confirmation card trước khi service layer commit hành động thật.
• Tool layer: 6 agent tool gồm get_resort_info (RAG theo resort_id), check_availability, suggest_booking, suggest_service_request, get_request_status, escalate_to_staff.
• Service layer: sở hữu toàn bộ trạng thái thật — phân tuyến bộ phận, tạo ticket, phát hiện trùng yêu cầu, tính SLA, leo thang ưu tiên, broadcast realtime qua WebSocket/SSE.
• RAG (Qdrant + OpenAI-compatible embeddings): knowledge base được scope theo resort_id, hỗ trợ triển khai đa cơ sở mà không lẫn dữ liệu.
• Database: PostgreSQL / SQLAlchemy / Alembic với các entity đủ cho vận hành thật: ServiceRequest, Alert, BookingResource, RestaurantSlot, SlotAssignment, KBDocument, IntentLog.
• Frontend: React/Vite với guest chat (confirmation card, quick actions, trạng thái yêu cầu) và staff dashboard (inbox, booking slots, alert feed, conversation view).

Tính khả thi

Repo đã có kiến trúc end-to-end hoàn chỉnh: JWT auth, guest stay lifecycle, LangGraph agent, RAG pipeline, ticketing với SLA, realtime dashboard, booking slot management và Alembic migrations. Test suite bao gồm 62 test cases trải dài qua security, schema, service và API layer. Ranh giới rõ ràng giữa AI và nghiệp vụ là điểm mạnh lớn nhất — hệ thống có thể kiểm soát tác vụ nhạy cảm thay vì tin hoàn toàn vào model, phù hợp với môi trường khách sạn thực tế.

Hướng phát triển

1. Hoàn thiện eval: integration test với PostgreSQL/Qdrant thật, đo latency, tỷ lệ auto-resolve và chất lượng citation RAG.
2. Nâng cấp service recovery: scoring urgency/sentiment độc lập ngoài LLM, alert critical cho tình huống khẩn, audit trail chi tiết cho từng quyết định escalate.