Các chức năng cốt lõi của giải pháp bao gồm:

• Hệ thống Chat RAG đa ngữ và đa miền thích ứng: Hỗ trợ tương tác hai chiều bằng tiếng Anh và tiếng Việt dựa trên việc định tuyến câu hỏi và khoanh vùng tri thức truy xuất.
• Tính năng hỏi đáp theo ngữ cảnh Blog (Ask AI): Cho phép sinh viên hỏi đáp trực tiếp dựa trên nội dung bài viết và tự động chuyển hướng sang tìm kiếm diện rộng nếu bài viết thiếu thông tin.
• Checklist tương tác cá nhân hóa: Giúp sinh viên quản lý các thủ tục hồ sơ nhập học kèm cơ chế đồng bộ hóa hàng loạt tối ưu kết nối.
• Nền tảng Buddy Matching phân quyền: Kết nối tự động du học sinh mới và sinh viên tình nguyện khóa trước để hỗ trợ hội nhập, bảo vệ quyền riêng tư qua RLS.
• Cơ chế thu thập đánh giá phản hồi (Feedback Loop): Thu thập đánh giá từ người học để liên tục tối ưu cơ sở tri thức.
• Hệ thống Quản lý Admin: Hỗ trợ admin giám sát lịch sử, phân tích hội thoại qua Langfuse và kiểm thử RAG tự động qua Deepeval.

3. CÔNG NGHỆ VÀ TECH STACK SỬ DỤNG

Hệ thống được phát triển trên nền tảng kiến trúc phân tầng hiện đại, phân tách rõ ràng trách nhiệm giữa client-side, server-side, cơ sở dữ liệu và các dịch vụ AI phụ trợ:

3.1. Frontend Layer

• React + Vite (Single Page Application): Đảm bảo tốc độ tải trang tối ưu và khả năng cập nhật giao diện mượt mà.
• React Context API: Quản lý tập trung các trạng thái phiên đăng nhập, ngôn ngữ hiển thị và danh sách phiên hội thoại cục bộ.
• Kiến trúc Local-First: Render giao diện tức thời từ bộ nhớ đệm trình duyệt và đồng bộ hóa ngầm dữ liệu để triệt tiêu độ trễ mạng khi thao tác.

3.2. Backend & RAG Orchestration Layer

• FastAPI (Python): Khung ứng dụng web không đồng bộ (Asynchronous) hiệu năng cao, hỗ trợ Server-Sent Events (SSE) để truyền phát câu trả lời dạng stream token trực tiếp đến trình duyệt.
• LangChain & LangGraph: Công cụ thiết kế và vận hành luồng RAG dưới dạng một đồ thị trạng thái có định hướng (Directed Acyclic Graph), đảm bảo kiểm duyệt chặt chẽ từ khâu đầu vào đến khâu đầu ra.
• Pytest: Khung kiểm thử đơn vị (Unit testing) tự động hóa kiểm tra tính toàn vẹn của mã nguồn backend.

3.3. RAG Core & Search Engine

• FAISS (Facebook AI Similarity Search) & BM25: Tích hợp tìm kiếm tương đồng vector và tìm kiếm cú pháp từ khóa truyền thống để tạo thành hệ thống tìm kiếm lai (Hybrid Search).
• Reciprocal Rank Fusion (RRF) & Cohere Reranker (rerank-multilingual-v3.0): Thực hiện gộp thứ hạng kết quả tìm kiếm thô và tái sắp xếp mức độ ưu tiên ngữ nghĩa để cung cấp ngữ cảnh cô đọng nhất cho mô hình sinh.
• OpenAI API (text-embedding-3-small & gpt-4o-mini): Dịch vụ nhúng văn bản chất lượng cao và mô hình ngôn ngữ lớn tối ưu về mặt chi phí và tốc độ xử lý.

3.4. Database, Auth & Security Layer

• Supabase PostgreSQL & Auth: Hệ quản trị cơ sở dữ liệu quan hệ lưu trữ thông tin nghiệp vụ và quản lý định danh người dùng qua mã JWT.
• Row Level Security (RLS): Cơ chế bảo mật phân quyền ở tầng cơ sở dữ liệu, đảm bảo sinh viên chỉ có thể truy vấn dữ liệu cá nhân của chính mình.

3.5. Observability & Evaluation Layer (Quan sát & Đánh giá)

• Langfuse: Công cụ ghi nhật ký và giám sát toàn diện ứng dụng LLM. Từng bước trung gian trong luồng đồ thị RAG đều được ghi vết (trace) chi tiết để hỗ trợ phân tích hiệu năng và phát hiện lỗi.
• Deepeval: Thư viện kiểm thử tự động RAG sử dụng phương pháp đánh giá dựa trên LLM (LLM-as-a-judge). Deepeval đo lường định lượng các chỉ số chất lượng câu trả lời gồm: Faithfulness (độ trung thực), Answer Relevancy (độ liên quan), Contextual Recall (khả năng khôi phục ngữ cảnh), Contextual Relevancy (độ nhiễu ngữ cảnh) và Completeness & Safety (tính toàn vẹn và an toàn).

4. CHI TIẾT KIẾN TRÚC VÀ XÂY DỰNG BỘ MÁY RAG (RAG ENGINE & KNOWLEDGE PIPELINE)

Bộ máy RAG của dự án VISA được thiết kế theo mô hình nâng cao nhằm giải quyết bài toán suy giảm độ chính xác của thông tin (hallucination) và nâng cao khả năng định vị văn bản tham chiếu. Quy trình xây dựng đường ống tri thức được thực hiện qua các giai đoạn kỹ thuật cụ thể dưới đây:

flowchart TD
    subgraph Data_Preparation["1. Chuẩn bị Dữ liệu & Phân cấp Độ tin cậy"]
        Docs["Tài liệu Thô (PDF, DOCX, TXT)"]
        Clean["Làm sạch & Cấu trúc hóa Markdown"]
        Tiers{"Phân cấp Độ tin cậy"}
        T1["Tier 1: Pháp lý Nhà nước"]
        T2["Tier 2: Quy chế Nội bộ"]
        T3["Tier 3: Cẩm nang Đời sống"]
    end

    subgraph Chunking_Layer["2. Chiến lược Chunking & Làm giàu Siêu dữ liệu"]
        FAQ_C["FAQ Chunking\n(Direct QA mapping)"]
        Sem_C["Semantic Chunking\n(500-1000 chars, 10% overlap)"]
        Meta["Làm giàu Metadata\n(category, subgroup, trust_level, lang)"]
    end

    subgraph Retrieval_Pipeline["3. Quy trình Định tuyến & Truy xuất Lai nâng cao"]
        Query["Truy vấn người dùng"]
        LangN["Language & Intent Node"]
        Router["Domain Router (Rule + LLM)"]
        BM25_S["BM25 Lexical Search"]
        Vec_S["FAISS Vector Search"]
        RRF_F["Reciprocal Rank Fusion (RRF)"]
        Cohere_R["Cohere Rerank (Multilingual v3.0)"]
    end

    subgraph Generation_Fallback["4. Sinh câu trả lời & Kiểm soát Fallback"]
        Gate{"Sufficiency Gate"}
        Gen["GPT-4o-mini Generator"]
        Global["Global Index Fallback"]
        Safety["Crisis / Guardrail Node"]
        Out["Câu trả lời kèm Trích dẫn"]
    end

    Docs --> Clean --> Tiers
    Tiers --> T1 & T2 & T3
    T1 & T2 & T3 --> FAQ_C & Sem_C
    FAQ_C & Sem_C --> Meta
    
    Query --> LangN --> Router
    Router -->|Lọc Metadata| BM25_S & Vec_S
    BM25_S & Vec_S --> RRF_F --> Cohere_R
    Cohere_R --> Gate
    
    Gate -->|Đủ thông tin| Gen
    Gate -->|Thiếu thông tin| Global --> BM25_S
    Gen --> Safety --> Out

4.1. Thu thập dữ liệu và Phân cấp độ tin cậy nguồn tin (Data Trust Tiering)

Nhóm phát triển đã thu thập dữ liệu từ các văn bản chính thức của trường và các văn bản luật liên quan trực tiếp đến người nước ngoài tại Việt Nam. Để đảm bảo chatbot không đưa ra các câu trả lời sai lệch gây hậu quả pháp lý cho người học, nguồn dữ liệu được phân loại rõ ràng thành 3 cấp độ tin cậy (Trust Tiers) được cấu hình trực tiếp vào siêu dữ liệu (metadata) của hệ thống:

• Độ tin cậy Cấp 1 (Tier 1 — Luật và Quy định Nhà nước): Bao gồm các văn bản quy phạm pháp luật chính thức của Việt Nam (như Nghị định 144/2021/ND-CP về xuất nhập cảnh và lưu trú). Đây là nguồn thông tin có trọng số pháp lý cao nhất, được ưu tiên trích xuất nguyên văn khi sinh viên hỏi về rủi ro pháp lý hoặc mức phạt quá hạn visa.
• Độ tin cậy Cấp 2 (Tier 2 — Quy chế và Quy trình Nội bộ trường): Bao gồm Sổ tay Sinh viên Quốc tế (International Student Handbook), Sổ tay Học thuật (Academic Handbook), Hướng dẫn thủ tục xin Thị thực của phòng Tuyển sinh (SAM Study Visa Guidelines), Quy định Ký túc xá và Quy trình biểu mẫu hành chính của Registrar.
• Độ tin cậy Cấp 3 (Tier 3 — Cẩm nang Đời sống & Tham chiếu cộng đồng): Bao gồm các bài viết blog giới thiệu văn hóa bản địa, kinh nghiệm giao tiếp với giảng viên, thông tin mua sắm, ẩm thực và chỉ đường tại Hà Nội. Các nguồn tin này có độ biến động cao và tính chủ quan của người viết, do đó hệ thống luôn đính kèm cảnh báo khuyến nghị tham khảo khi trích xuất thông tin thuộc Tier này.

4.2. Chiến lược Cắt nhỏ Dữ liệu và Làm giàu Siêu dữ liệu (Chunking Strategy)

Để tối ưu hóa việc phân tích ngữ nghĩa của mô hình nhúng (Embedding Model), tài liệu thô sau khi được chuyển đổi sang định dạng Markdown sạch sẽ được xử lý qua hai kỹ thuật chunking chuyên biệt:

• FAQ Chunking (Ánh xạ câu hỏi - trả lời trực tiếp): Đối với các câu hỏi thường gặp thu thập từ các bộ phận hỗ trợ, hệ thống giữ nguyên cấu trúc cặp Câu hỏi - Câu trả lời trong một chunk đơn lẻ. Phương pháp này đảm bảo tính toàn vẹn của logic lập luận, ngăn chặn việc mô hình cắt rời câu hỏi khỏi câu trả lời làm mất đi mối quan hệ ngữ nghĩa trực tiếp.
• Semantic Chunking (Cắt phân đoạn ngữ nghĩa): Đối với các văn bản chính sách dài hoặc cẩm nang hướng dẫn dạng văn xuôi, hệ thống áp dụng bộ chia văn bản dựa trên cấu trúc ngữ nghĩa (Heading-based và Paragraph-based splitting). Kích thước của mỗi chunk được khống chế từ 500 đến 1000 ký tự với độ gối đầu (overlap) là 10% chiều dài đoạn để tránh việc đứt gãy thông tin quan trọng nằm giữa ranh giới các chunk.
• Làm giàu Siêu dữ liệu (Metadata Enrichment): Mỗi chunk sau khi cắt sẽ được gắn thêm các nhãn thuộc tính tĩnh bao gồm: doc_id (mã tài liệu gốc), category (Visa, KTX, Học vụ...), subgroup (Gia hạn visa, Đăng ký xe...), trust_level (Tier 1/2/3) và language (en/vi). Bộ siêu dữ liệu này cho phép backend thực hiện lọc thông tin ở mức cơ sở dữ liệu (hard filtering) trước khi thực hiện tìm kiếm vector, tăng tốc độ và độ chính xác của kết quả.

4.3. Định tuyến và Phân miền Thích ứng (Domain Routing)

Khi nhận được câu hỏi từ người dùng, luồng xử lý RAG không tìm kiếm trên toàn bộ cơ sở dữ liệu ngay lập tức nhằm tránh nhiễu ngữ cảnh. Thay vào đó, hệ thống thực hiện hai bước phân loại:

1. Phát hiện ngôn ngữ & Phân tích Ý định (Language & Intent Detection): Đồ thị LangGraph sử dụng mô hình LLM gọn nhẹ để xác định ngôn ngữ (EN/VI) và phân loại ý định người dùng (Hỏi thông tin hành chính, Tìm bạn đồng hành, Xem checklist hay Tin nhắn khẩn cấp).
2. Định tuyến miền thông tin (Domain Routing): Hệ thống phân tích từ khóa kết hợp LLM để ánh xạ câu hỏi vào tối đa 3 miền liên quan nhất trong 4 phân miền tri thức. Quá trình tìm kiếm lai tiếp theo sẽ chỉ thực hiện trên các bộ chỉ mục FAISS của các phân miền được chỉ định, giúp cô lập thông tin rác và cải thiện độ chính xác ngữ cảnh.

4.4. Truy xuất lai kết hợp và Tái xếp hạng (Hybrid Search & Reranking)

Đường ống truy xuất tri thức của hệ thống là sự kết hợp giữa hai phương pháp bổ trợ lẫn nhau:

• Truy xuất ngữ nghĩa (Vector Search): Sử dụng mô hình nhúng text-embedding-3-small của OpenAI để chuyển hóa câu hỏi và so khớp khoảng cách Cosine trên cơ sở dữ liệu FAISS cục bộ. Phương pháp này mạnh mẽ trong việc nhận diện các câu hỏi đồng nghĩa hoặc diễn đạt khác biệt nhưng có cùng ý định.
• Truy xuất cú pháp (BM25 Lexical Search): Đối chiếu các từ khóa chính xác, số hiệu điều khoản luật hoặc tên riêng phòng ban hành chính viết tắt. BM25 giải quyết điểm yếu của Vector Search khi đối phó với các thuật ngữ viết tắt hoặc số hiệu văn bản pháp lý cụ thể.
• Tổng hợp kết quả RRF: Điểm số từ FAISS và BM25 được gộp lại bằng thuật toán Reciprocal Rank Fusion (RRF) để xếp hạng các đoạn văn bản thô.
• Tái xếp hạng nâng cao (Cohere Rerank): Top-25 kết quả từ RRF sẽ được đưa qua mô hình rerank-multilingual-v3.0 của Cohere để đánh giá lại độ tương quan ngữ nghĩa một cách chi tiết hơn. Cohere Rerank đặc biệt hữu ích trong môi trường ngôn ngữ pha trộn (code-switching Anh-Việt) phổ biến ở du học sinh. Top-10 đoạn văn bản có điểm số cao nhất sau khi rerank sẽ được chọn làm ngữ cảnh (context) đưa vào Prompt sinh câu trả lời.

4.5. Cơ chế Sufficiency Gate & Fallback Đa tầng

Nhằm duy trì độ tin cậy vận hành của hệ thống trong mọi tình huống kỹ thuật, dự án đã triển khai cơ chế kiểm soát chất lượng và Fallback tự động:

• Sufficiency Gate (Cổng đánh giá đủ thông tin): Áp dụng trong tính năng "Ask AI" trên giao diện Blog. Khi người dùng đặt câu hỏi, hệ thống ban đầu chỉ truy xuất thông tin giới hạn trong chính bài viết đó (Scoped Retrieval). Một nút đánh giá LLM (Sufficiency Gate) sẽ kiểm tra xem thông tin trích xuất có đủ để trả lời câu hỏi hay không. Nếu phát hiện thiếu thông tin (ví dụ: bài viết hướng dẫn ăn uống nhưng sinh viên lại hỏi cách gia hạn visa), hệ thống sẽ kích hoạt Global Index Fallback để mở rộng tìm kiếm ra toàn bộ cơ sở tri thức hệ thống.
• Cohere Reranker Fallback: Khi kết nối internet đến dịch vụ Cohere bị gián đoạn hoặc vượt hạn ngạch API, backend tự động phát hiện lỗi và kích hoạt chế độ Fallback (_FALLBACK_ON_ERROR = True). Hệ thống sẽ bỏ qua bước Rerank và sử dụng trực tiếp kết quả xếp hạng từ RRF để gửi đến LLM sinh câu trả lời, đảm bảo dịch vụ chat không bao giờ bị gián đoạn đối với sinh viên.
• Out-of-Scope Fallback: Khi câu hỏi nằm ngoài phạm vi hỗ trợ (ví dụ: giải toán, lập trình Python, thời tiết thời gian thực), hệ thống sẽ không cố gắng bịa đặt câu trả lời. Bộ lọc Intent và Guardrail Node sẽ nhận diện và kích hoạt câu trả lời từ chối được soạn thảo sẵn nhằm bảo vệ tính nghiêm túc và định hướng chuyên biệt của ứng dụng.

5. TRIỂN KHAI CÁC DỊCH VỤ TƯƠNG TÁC VÀ QUẢN TRỊ (INTERACTIVE SERVICES & ADMIN SYSTEM)

Hệ sinh thái VISA mở rộng phạm vi hỗ trợ thông qua việc tích hợp chặt chẽ các phân hệ tương tác và hệ thống vận hành dành cho quản trị viên:

5.1. Phân hệ Checklist và Cơ chế Batch Sync

Để hỗ trợ sinh viên chuẩn bị đầy đủ các thủ tục hành chính phức tạp trước khi nhập học, hệ thống cung cấp giao diện Checklist trực quan. Điểm đặc biệt trong thiết kế là việc tối ưu hóa hiệu năng truyền thông:

• Người dùng có thể đánh dấu check/uncheck các đầu việc. Trạng thái thay đổi được ghi nhận tức thì vào cache trình duyệt và hiển thị đèn trạng thái trực quan (Unsaved/Saving/Synced).
• Khi người dùng nhấn nút lưu, toàn bộ thay đổi sẽ được gửi trong một yêu cầu API duy nhất (Batch Sync) lên server để cập nhật vào bảng dữ liệu Supabase, tránh việc gửi hàng chục yêu cầu ghi đè liên tiếp gây nghẽn hàng đợi ghi của cơ sở dữ liệu.

5.2. Hệ thống Buddy Matching độc lập bảo mật bằng RLS

Để giải quyết nhu cầu kết nối hỗ trợ giữa du học sinh mới và sinh viên khóa trước, phân hệ Buddy Matching được thiết kế độc lập và bảo mật cao:

• Cơ chế phân quyền Row Level Security (RLS): Thiết lập chính sách bảo mật cho phép mọi tài khoản đã xác thực có thể xem các hồ sơ supporter đang mở hiển thị, nhưng chỉ tài khoản chính chủ mới có quyền thay đổi thông tin cá nhân.
• Ngăn chặn xung đột đồng thời (Race Condition): Trước khi tạo một liên kết ghép đôi (buddy_matches), backend thực hiện kiểm tra điều kiện slot trống của supporter (current_slots < max_slots). Luồng xử lý sử dụng cơ chế giao dịch (transaction) để đảm bảo không xảy ra tình trạng một supporter bị ghép đôi vượt quá số lượng đăng ký do các yêu cầu gửi đến cùng một thời điểm.
• Tự động hết hạn lời mời: Các yêu cầu ghép đôi (buddy_invitations) được gắn thời gian hết hạn (expires_at = now() + INTERVAL '48 hours'), tự động giải phóng các yêu cầu không được phản hồi để nhường cơ hội ghép cặp cho các sinh viên khác.

5.3. Hệ thống Giám sát & Quản trị Admin

Admin hệ thống được trang bị bộ công cụ kiểm soát chất lượng chuyên sâu:

• Giám sát thời gian thực với Langfuse: Toàn bộ các dấu vết hội thoại (traces) được đẩy tự động từ backend FastAPI lên Langfuse. Khi sinh viên nhấn "Dislike" một câu trả lời, admin có thể dễ dàng định vị trace đó trên Langfuse để xem chatbot đã truy xuất những chunk nào, điểm số tương đồng ra sao và LLM đã nhận được Prompt như thế nào, từ đó thực hiện tinh chỉnh kịp thời.
• Hệ thống Kiểm thử tự động với Deepeval: Tích hợp bộ script chạy đánh giá tự động. Khi admin cập nhật tài liệu hướng dẫn mới hoặc thay đổi mã nguồn backend, hệ thống sẽ tự động chạy tập câu hỏi kiểm thử thông qua Deepeval để chấm điểm các chỉ số chất lượng RAG, đảm bảo phiên bản mới hoạt động ổn định và chính xác trước khi phát hành chính thức.

6. KẾT QUẢ ĐẠT ĐƯỢC (RESULTS)

Quá trình nghiên cứu và phát triển thực nghiệm dự án đã mang lại những kết quả quan trọng về mặt kỹ thuật và kiến trúc hệ thống hỗ trợ sinh viên:

6.1. Xây dựng thành công Bộ máy RAG Đa miền Ổn định

Dự án đã nghiên cứu và triển khai thành công một đường ống RAG hiệu năng cao:

• Chuẩn hóa dữ liệu tri thức: Toàn bộ hệ thống tài liệu hướng dẫn, cẩm nang và quy định của nhà trường được thu thập, tiền xử lý và cấu trúc hóa dưới dạng Markdown sạch.
• Cấu trúc chỉ mục phân mảnh chuyên biệt: Triển khai 4 bộ chỉ mục FAISS độc lập tương ứng với 4 miền thông tin trọng tâm. Việc này giúp cải thiện đáng kể tốc độ truy xuất vector và hạn chế hiện tượng chồng chéo thông tin giữa các văn bản pháp lý và các tài liệu hướng dẫn đời sống xã hội thông thường.
• Tối ưu hóa độ trễ phản hồi: Nhờ áp dụng cơ chế truyền phát dữ liệu Server-Sent Events (SSE), giao diện người dùng hiển thị các token câu trả lời ngay khi được mô hình sinh ra, giúp giảm cảm giác chờ đợi của người học. Việc lưu trữ lịch sử được chuyển hoàn toàn xuống tiến trình chạy ngầm không đồng bộ của FastAPI (asyncio.create_task), giải phóng luồng xử lý chính khỏi các thao tác ghi cơ sở dữ liệu tốn tài nguyên.
• Cơ chế Cache Xác thực hiệu quả: Tích hợp bộ nhớ đệm xác thực cục bộ với thời gian sống 60 giây ở backend để lưu trữ thông tin kiểm tra token JWT từ Supabase. Điều này giúp triệt tiêu hoàn toàn hiện tượng nghẽn cổ chai mạng tại lớp xác thực và giảm thời gian phản hồi trung bình của mỗi lượt chat đi 200ms.

6.2. Tích hợp Hệ sinh thái Dịch vụ Tương tác Toàn diện

Hệ thống không dừng lại ở mức hỏi đáp đơn thuần mà đã vận hành ổn định các phân hệ phụ trợ mang tính thực tiễn cao:

• Phân hệ Blog kết hợp Ask AI: Triển khai thành công cơ chế Scoped Retrieval, cho phép sinh viên hỏi đáp trực tiếp dựa trên nội dung bài viết hiện hành, tăng tính tương tác và cá nhân hóa trải nghiệm tiếp nhận thông tin.
• Phân hệ Checklist tương tác: Cho phép người dùng theo dõi các đầu việc cần làm và thực hiện lưu trạng thái cục bộ, sau đó đồng bộ hóa hàng loạt một lần duy nhất lên Supabase Database thông qua cơ chế Batch Sync, tối ưu hóa lưu lượng tải máy chủ.
• Hệ thống Buddy Matching độc lập: Vận hành thành công quy trình kết nối tự động giữa Newcomer và Supporter. Dữ liệu được bảo vệ an toàn thông qua cơ chế Row Level Security (RLS) của PostgreSQL, đảm bảo tính riêng tư của hồ sơ sinh viên khóa trước và ngăn chặn lỗi tranh chấp tài nguyên (race condition) thông qua các ràng buộc số lượng vị trí hỗ trợ tối đa (max_slots).

6.3. Kết quả Kiểm thử Định lượng bằng Deepeval

Thông qua quá trình đánh giá tự động trên bộ 80 câu hỏi tình huống thực tế, hệ thống đã chứng minh độ tin cậy vượt trội qua các chỉ số định lượng cụ thể:

• Faithfulness (Độ trung thực): Đạt mức trung bình 93.1%. Kết quả này chỉ ra trợ lý ảo tuân thủ nghiêm ngặt ngữ cảnh được cung cấp, không bịa đặt số liệu hay hướng dẫn sai lệch so với tài liệu gốc.
• Answer Relevancy (Độ phù hợp của phản hồi): Đạt mức trung bình 88.6%. Phản hồi của hệ thống tập trung trực tiếp giải quyết câu hỏi của người dùng, loại bỏ các thông tin dư thừa không liên quan.
• Contextual Recall (Khả năng khôi phục ngữ cảnh): Đạt 61.8%. Hệ thống truy xuất được hầu hết các điều khoản quy định quan trọng làm cơ sở sinh câu trả lời.
• Completeness & Safety (Tính toàn vẹn và An toàn): Đạt 86.3%. Hệ thống từ chối thành công các yêu cầu ngoài phạm vi hỗ trợ (như viết mã nguồn, giải thích khoa học đại cương) và phản hồi nhanh chóng thông tin cứu hộ đối với các trường hợp khẩn cấp về tâm lý học đường.

7. HƯỚNG PHÁT TRIỂN

Để nâng cao hơn nữa giá trị thực tiễn và khả năng phục vụ của hệ thống, dự án định hướng triển khai các cải tiến trong tương lai bao gồm:

1. Nâng cấp thuật toán ghép cặp Buddy thông minh: Ứng dụng mô hình học máy để phân tích ngữ nghĩa các đoạn tự giới thiệu bản thân (bio), sở thích cá nhân (interests) và nguyện vọng hỗ trợ của sinh viên để đưa ra các gợi ý ghép cặp đồng hành có độ tương thích cao nhất thay vì chỉ lọc theo thuộc tính tĩnh.
2. Tích hợp mô-đun Đặt lịch hẹn trực tuyến (Appointment Booking): Xây dựng tính năng cho phép du học sinh đặt lịch hẹn tư vấn trực tiếp 1-1 với cán bộ các phòng ban chức năng (International Affairs, Student Affairs, Academic Advisor) trực tiếp trên giao diện của chatbot.
3. Mở rộng quy mô hệ thống phục vụ toàn quốc: Cải tiến kiến trúc cơ sở dữ liệu và tổng quát hóa bộ máy RAG của dự án VISA để có thể triển khai diện rộng, hỗ trợ cho toàn bộ cộng đồng sinh viên quốc tế đang theo học tại các trường đại học khác trên toàn lãnh thổ Việt Nam, góp phần thúc đẩy hình ảnh quốc tế hóa giáo dục của quốc gia.