Bài toán

Các chatbot AI phổ thông có thể trả lời rất trôi chảy nhưng không bảo đảm nội dung bám theo giáo trình chính thức. Sinh viên khó kiểm chứng nguồn, có thể nhận citation không tồn tại, đồng thời dễ sử dụng AI để xin đáp án hoàn chỉnh cho bài tập hoặc bài thi được chấm điểm. Tài liệu PDF và slide của từng môn cũng thường phân tán, khó tìm kiếm và quản lý quyền truy cập.

Giải pháp

GroundEd là nền tảng trợ lý học tập AI đa tác tử, chỉ sử dụng tài liệu học thuật đã được phê duyệt và nằm trong phạm vi môn học mà người dùng được phép truy cập.

Hệ thống gồm ba trợ lý chuyên biệt:

• Academic Assistant: giải thích kiến thức chuyên sâu dựa trên giáo trình và gắn citation tới đúng tài liệu, trang hoặc slide.
• Learning Assistant: gợi ý lộ trình ôn tập và gợi ý với bài tập được chấm điểm.
• Knowledge Hub: tìm kiếm tài liệu, đề xuất nội dung nên đọc và mở trực tiếp tài liệu gốc.

Điểm khác biệt

• Hybrid Retrieval kết hợp tìm kiếm vector và full-text search.
• Candidate pool rộng, reranker và evidence gate để loại nguồn yếu trước khi sinh câu trả lời.
• Hệ thống có thể trả lời đầy đủ, trả lời một phần hoặc chủ động từ chối khi tài liệu không đủ hỗ trợ.
• Mỗi nhận định học thuật được liên kết với chunk nguồn thực tế; backend kiểm tra nguồn và tự dựng citation thay vì để mô hình tự bịa marker.
• Follow-up như “giải thích ngắn hơn” hoặc “nói lại bằng tiếng Việt” vẫn giữ đúng chủ đề hội thoại.
• Guardrail liêm chính học thuật phân biệt giữa đọc đề, giải thích khái niệm, hướng dẫn, gợi ý và từ chối yêu cầu lấy đáp án cuối cùng.
• Phân quyền Student, Faculty và Admin được áp dụng ngay từ tầng truy xuất dữ liệu.
• Quy trình Human-in-the-Loop: giảng viên upload PDF, kiểm tra metadata; admin phê duyệt trước khi tài liệu được chunk, embedding và đưa vào kho tri thức.

Kiến trúc kỹ thuật

GroundEd sử dụng Next.js và React cho giao diện, FastAPI cho backend, LangGraph để điều phối agent, OpenAI cho mô hình ngôn ngữ và embedding, PostgreSQL/pgvector cho hybrid retrieval, Cloudflare R2 cho tài liệu gốc.

Hệ thống được triển khai trên Vercel, Render và Neon PostgreSQL. Các luồng chính được kiểm tra bằng Pytest, Ruff, Playwright và bộ đánh giá Golden Set/RAGAS.

Tính khả thi và hướng phát triển

MVP hiện hỗ trợ hỏi đáp song ngữ Việt–Anh, tài liệu PDF, ba vai trò người dùng và kho tài liệu theo môn học.

Giai đoạn tiếp theo tập trung vào mở rộng corpus, thu thập phản hồi người học, hiệu chỉnh reranker và evidence threshold bằng dữ liệu đánh giá, tích hợp SSO/LMS, tăng cường quan sát chi phí–độ trễ và mở rộng hạ tầng cho nhiều người dùng đồng thời.