Đang chạy mực qua máy in — từng lớp màu một, kiên nhẫn nhé!
№ 01
№ 02
№ 03
№ 04
№ 05
№ 06
EVA – EV Advisor (AI Agent trợ lý trạm sạc & chi phí sử dụng xe điện VinFast) · AI·20K Demo Day Zine
№ 06
EVA – EV Advisor (AI Agent trợ lý trạm sạc & chi phí sử dụng xe điện VinFast)
EVA (EV Advisor) là hệ thống AI Agent thông minh đồng hành cùng quá trình chuyển đổi xe điện tại Việt Nam: từ việc giải tỏa nỗi lo chi phí và hạ tầng sạc cho người chuẩn bị mua xe (Pre-Purchase), đến việc tự động lập lộ trình sạc đường dài tối ưu pin cho chủ sở hữu xe điện (Post-Purchase).
Fig. 01 · Ảnh dự án
EVA – EV Advisor
AI Agent trợ lý trạm sạc và chi phí sử dụng xe điện VinFast
Tổng quan dự án
EVA – EV Advisor là nền tảng trợ lý AI dành cho người sử dụng xe điện VinFast, hỗ trợ tìm kiếm trạm sạc, lập kế hoạch hành trình, dự báo mức tiêu thụ pin và ước tính chi phí sử dụng xe thông qua giao diện hội thoại kết hợp bản đồ tương tác.
Thay vì phải tra cứu thông tin từ nhiều nguồn khác nhau, người dùng có thể đặt câu hỏi bằng ngôn ngữ tự nhiên, chẳng hạn:
“Từ Hà Nội đi Hòa Bình bằng VF8 với mức pin 50% thì có cần sạc giữa đường không? Chi phí điện dự kiến là bao nhiêu?”
EVA sẽ phân tích yêu cầu, xác định tuyến đường, mô phỏng mức tiêu thụ pin, tìm các trạm sạc phù hợp và tính toán chi phí dự kiến cho chuyến đi.
1. Bài toán
Người sử dụng xe điện hiện phải đối mặt với nhiều khó khăn trong quá trình lập kế hoạch và vận hành phương tiện:
Khó xác định xe có đủ pin để hoàn thành hành trình hay không.
Không biết trạm sạc nào thực sự phù hợp với tuyến đường đang di chuyển.
Dữ liệu về trạm sạc, thông số phương tiện và chính sách sử dụng còn phân tán.
Khó ước tính chi phí sạc cho từng chuyến đi hoặc chi phí sử dụng xe trong dài hạn.
Thiếu công cụ so sánh trực quan giữa chi phí xe điện và xe sử dụng nhiên liệu.
Không có công cụ mô phỏng ảnh hưởng của mức pin ban đầu đến độ an toàn của hành trình.
Các ứng dụng bản đồ thông thường chủ yếu hiển thị vị trí trạm, chưa kết hợp loại xe, dung lượng pin, mức tiêu thụ và chi phí.
Các công cụ hiện tại thường chỉ giải quyết riêng lẻ từng nhu cầu. Người dùng vẫn phải tự tổng hợp dữ liệu, tính toán và đưa ra quyết định.
EVA giải quyết bài toán này bằng cách kết hợp AI hội thoại, dữ liệu không gian, định tuyến đường bộ, mô phỏng năng lượng và tính toán chi phí trong một hệ thống thống nhất.
2. Giải pháp
EVA cung cấp một quy trình tư vấn tự động gồm các bước:
Người dùng nhập yêu cầu bằng ngôn ngữ tự nhiên hoặc chọn điểm đi, điểm đến trên bản đồ.
AI Agent phân tích ý định, loại xe, mức pin và yêu cầu của chuyến đi.
Hệ thống xác định vị trí và tính toán tuyến đường thực tế.
Các trạm sạc nằm gần hoặc dọc tuyến được tìm kiếm bằng dữ liệu không gian.
Mức tiêu thụ năng lượng và phần trăm pin còn lại khi đến đích được mô phỏng.
Chi phí điện cho chuyến đi được ước tính dựa trên mức tiêu thụ và đơn giá sạc.
Hệ thống có thể so sánh chi phí xe điện với chi phí sử dụng xe xăng tương đương.
§
Phụ lục — Demo & Slides
Video demo
Bản demo trực tiếp
Slide trình bày
Kết quả được hiển thị dưới dạng câu trả lời AI, tuyến đường, trạm sạc đề xuất, mức pin dự kiến và mức độ rủi ro.
EVA không chỉ trả lời câu hỏi “Trạm sạc nào gần nhất?”, mà hướng đến câu hỏi thực tế hơn:
“Trạm sạc nào phù hợp nhất với tuyến đường, loại xe, mức pin và ngân sách của người dùng?”
3. Tính năng chính
3.1. Trợ lý AI hội thoại
Người dùng có thể đặt câu hỏi về:
Lập kế hoạch chuyến đi bằng xe điện.
Tìm trạm sạc gần vị trí hiện tại.
Tìm trạm sạc nằm dọc tuyến đường.
Đánh giá khả năng hoàn thành hành trình.
Ước tính mức pin còn lại khi đến đích.
Tính chi phí sạc và chi phí năng lượng.
So sánh chi phí xe điện với xe xăng.
Tra cứu thông tin và chính sách liên quan đến hạ tầng sạc.
AI Agent sử dụng cơ chế gọi công cụ có kiểm soát để lựa chọn đúng chức năng xử lý, hạn chế việc mô hình tự suy đoán các kết quả liên quan đến tuyến đường, mức pin hoặc chi phí.
3.2. Tìm kiếm trạm sạc theo không gian
Hệ thống quản lý dữ liệu khoảng 57.472 vị trí trạm sạc và hỗ trợ:
Tìm trạm sạc gần một tọa độ.
Tìm trạm trong một bán kính xác định.
Lọc trạm theo vùng bản đồ.
Tìm trạm trong hành lang khoảng 2 km dọc tuyến đường.
Sắp xếp trạm theo khoảng cách và mức độ phù hợp.
Hiển thị trực quan vị trí trạm trên bản đồ.
3.3. Lập kế hoạch hành trình
EVA sử dụng công cụ định tuyến để xác định:
Tuyến đường giao thông thực tế.
Tổng quãng đường của chuyến đi.
Thời gian di chuyển dự kiến.
Hình học tuyến đường dưới dạng GeoJSON.
Các trạm sạc phù hợp nằm dọc hành trình.
Nhu cầu dừng sạc dựa trên mức pin hiện tại.
3.4. Mô phỏng mức tiêu thụ pin
Dựa trên mẫu xe, dung lượng pin, phạm vi hoạt động, quãng đường và mức pin ban đầu, hệ thống có thể ước tính:
Điện năng cần sử dụng.
Phần trăm pin dự kiến tiêu thụ.
Phần trăm pin còn lại khi đến đích.
Khả năng hoàn thành hành trình.
Nhu cầu sạc giữa đường.
Biên an toàn năng lượng.
Mức độ rủi ro được phân thành 5 cấp:
Green: Hành trình an toàn.
Yellow: Pin còn đủ nhưng biên an toàn thấp.
Orange: Nên cân nhắc dừng sạc.
Red: Nguy cơ không hoàn thành hành trình.
Black: Không thể hoàn thành hành trình với mức pin hiện tại.
Thanh trượt What-If Analysis cho phép người dùng thay đổi mức pin khởi hành và xem kết quả được tính lại ngay.
3.5. Tính toán và so sánh chi phí
EVA hỗ trợ:
Ước tính lượng điện tiêu thụ cho một chuyến đi.
Tính chi phí sạc dự kiến.
Tính chi phí sử dụng xe điện theo quãng đường.
Tính chi phí sử dụng xe theo tháng hoặc theo năm.
So sánh chi phí năng lượng giữa xe điện và xe xăng.
Phân tích ảnh hưởng của giá điện, giá nhiên liệu và hiệu suất phương tiện.
Công thức cơ bản:
Chi phí điện = Điện năng tiêu thụ × Đơn giá điện
Chi phí nhiên liệu = Lượng nhiên liệu tiêu thụ × Đơn giá nhiên liệu
Mức tiết kiệm = Chi phí nhiên liệu − Chi phí điện
Kết quả giúp người dùng không chỉ biết xe có thể đi được bao xa mà còn hiểu rõ chi phí thực tế của mỗi chuyến đi.
4. Giải pháp kỹ thuật
4.1. Kiến trúc hệ thống
EVA được xây dựng theo nguyên tắc Clean Architecture, tách biệt giữa giao diện, nghiệp vụ và hạ tầng.
Người dùng
↓
React + MapLibre GL JS
↓
FastAPI REST API
↓
LangGraph AI Agent
↓
Các nghiệp vụ định tuyến, trạm sạc, pin, chi phí và RAG
↓
PostgreSQL/PostGIS, Valhalla, Qdrant và Redis
Cách tổ chức này giúp hệ thống dễ kiểm thử, bảo trì và thay thế các nhà cung cấp hạ tầng mà không ảnh hưởng trực tiếp đến logic nghiệp vụ.
4.2. Công nghệ sử dụng
Thành phần
Công nghệ
Vai trò
Frontend
React, Vite
Xây dựng giao diện web
Bản đồ
MapLibre GL JS
Hiển thị tuyến đường và trạm sạc
Quản lý trạng thái
Zustand
Quản lý trạng thái chat và bản đồ
Backend
FastAPI, Pydantic
Cung cấp REST API và kiểm tra dữ liệu
AI Agent
LangGraph, LangChain
Phân tích ý định và điều phối công cụ
Mô hình ngôn ngữ
Google Gemini, OpenAI
Hiểu yêu cầu và tạo câu trả lời
Cơ sở dữ liệu
PostgreSQL/PostGIS
Lưu dữ liệu xe và trạm sạc
Định tuyến
Valhalla
Tính tuyến đường giao thông
Vector Database
Qdrant
Tìm kiếm tri thức cho hệ thống RAG
Embedding
BGE-M3
Biểu diễn và tìm kiếm văn bản
Cache
Redis
Lưu trữ tạm và tối ưu hiệu năng
Giám sát
Prometheus, Grafana, OpenTelemetry
Theo dõi hiệu năng và lỗi
Triển khai
Docker Compose
Chuẩn hóa môi trường vận hành
4.3. Luồng xử lý
Người dùng nhập yêu cầu
↓
FastAPI tiếp nhận và xác thực dữ liệu
↓
LangGraph Agent phân tích ý định
↓
Agent lựa chọn công cụ phù hợp
↓
Valhalla tính tuyến đường
↓
PostGIS tìm trạm sạc dọc tuyến
↓
Dịch vụ năng lượng mô phỏng mức pin
↓
Dịch vụ chi phí tính toán chi phí sử dụng
↓
Qdrant cung cấp tri thức nếu cần
↓
Agent tổng hợp kết quả
↓
Frontend hiển thị tư vấn, tuyến đường và trạm sạc
4.4. Các công cụ chính của AI Agent
find_along_route: tìm trạm sạc dọc tuyến đường.
simulate_trajectory: mô phỏng mức tiêu thụ và quỹ đạo pin.
calculate_ev_cost: tính chi phí sử dụng xe điện.
compare_energy_costs: so sánh chi phí điện và nhiên liệu.
answer_infrastructure_question: trả lời câu hỏi về hạ tầng bằng RAG.
4.5. Dữ liệu phương tiện
Phiên bản hiện tại quản lý thông số của 12 mẫu xe điện VinFast, bao gồm:
VF3
VF5
VF6
VFe34
VF7
VF8
VF9
Evo200
FelizS
KlaraS
VentoS
TheonS
Dữ liệu phương tiện bao gồm dung lượng pin, phạm vi hoạt động và các thông số cần thiết để mô phỏng năng lượng.
4.6. RAG và kho tri thức
EVA sử dụng kiến trúc Retrieval-Augmented Generation – RAG để trả lời các câu hỏi liên quan đến hạ tầng, chính sách và kiến thức xe điện.
Quy trình gồm:
Chuyển câu hỏi thành vector bằng mô hình embedding.
Tìm các đoạn tài liệu liên quan trong Qdrant.
Cung cấp ngữ cảnh tìm được cho mô hình ngôn ngữ.
Sinh câu trả lời dựa trên dữ liệu truy xuất.
Cách tiếp cận này giúp giảm hiện tượng AI tạo ra thông tin không có căn cứ.
5. Tính khả thi
5.1. Khả thi về kỹ thuật
Các công nghệ cốt lõi của EVA đều có tính ổn định và khả năng triển khai thực tế:
FastAPI và React phù hợp để phát triển sản phẩm web.
PostGIS có khả năng xử lý hiệu quả dữ liệu không gian quy mô lớn.
Valhalla có thể triển khai độc lập bằng Docker.
LangGraph phù hợp với các quy trình AI nhiều bước và có trạng thái.
Qdrant đáp ứng tốt nhu cầu tìm kiếm ngữ nghĩa.
Docker Compose giúp tái tạo môi trường phát triển nhất quán.
Kiến trúc phân lớp cũng cho phép thay thế từng thành phần mà không phải viết lại toàn bộ hệ thống.
5.2. Khả thi về dữ liệu
Dự án đã có:
Dữ liệu vị trí trạm sạc.
Dữ liệu thông số xe điện VinFast.
Kho tài liệu phục vụ RAG.
Công cụ nhập và cập nhật dữ liệu.
Cơ chế truy vấn dữ liệu không gian.
Trong tương lai, dữ liệu có thể được cập nhật từ nhà vận hành trạm sạc, API đối tác hoặc các nguồn dữ liệu bản đồ mở.
5.3. Khả thi về triển khai
Hệ thống có thể chạy cục bộ bằng Docker Compose. Khi triển khai production, các thành phần có thể chuyển sang:
Cloud SQL hoặc PostgreSQL/PostGIS được quản lý.
Qdrant Cloud.
Máy chủ Valhalla độc lập.
Secret Manager để quản lý khóa API.
Prometheus và Grafana để giám sát.
Hạ tầng đám mây như Google Cloud Platform.
5.4. Khả thi về sản phẩm
Nhu cầu sử dụng xe điện và hạ tầng sạc tại Việt Nam đang tăng. EVA có thể bắt đầu với hệ sinh thái VinFast, sau đó mở rộng sang:
Người dùng các thương hiệu xe điện khác.
Doanh nghiệp vận tải.
Đội xe dịch vụ.
Nhà vận hành trạm sạc.
Đơn vị quy hoạch hạ tầng giao thông.
5.5. Giới hạn hiện tại
Kết quả phụ thuộc vào độ chính xác và độ mới của dữ liệu trạm sạc.
Mô phỏng pin hiện là kết quả ước tính, chưa thay thế dữ liệu thực tế từ xe.
Chưa kết nối trực tiếp với CAN bus hoặc hệ thống telemetry.
Chưa theo dõi GPS liên tục theo thời gian thực.
Chưa có dữ liệu tức thời về tình trạng trống, bận hoặc lỗi của trạm sạc.
Cần kiểm soát chi phí và độ trễ của API AI, geocoding và routing.
6. Hướng phát triển
Giai đoạn 1: Hoàn thiện sản phẩm MVP
Hoàn thiện tính năng tìm trạm sạc và lập kế hoạch hành trình.
Bổ sung dữ liệu giá sạc.
Cải thiện khả năng nhận diện địa danh tiếng Việt.
Hoàn thiện lịch sử chuyến đi và hồ sơ phương tiện.
Tăng độ chính xác của mô hình dự báo pin.
Mở rộng kiểm thử cho các luồng AI, định tuyến và tính chi phí.
Giai đoạn 2: Cá nhân hóa và dữ liệu thời gian thực
Kết nối trạng thái hoạt động của trạm sạc.
Hiển thị số cổng sạc đang trống hoặc đang bận.
Cá nhân hóa dự báo dựa trên thói quen lái xe.
Tích hợp dữ liệu giao thông, thời tiết và địa hình.
Tối ưu tuyến đường theo thời gian, chi phí hoặc số lần sạc.
Phát triển ứng dụng mobile hoặc Progressive Web App.
Giai đoạn 3: Mở rộng hệ sinh thái
Hỗ trợ nhiều thương hiệu và mẫu xe điện.
Tích hợp đặt chỗ và thanh toán tại trạm sạc.
Kết nối dữ liệu trực tiếp từ phương tiện.
Cung cấp API cho doanh nghiệp vận tải và đội xe.
Xây dựng dashboard cho nhà vận hành trạm sạc.
Phân tích nhu cầu để đề xuất vị trí xây dựng trạm mới.
Dự báo nhu cầu sạc theo khu vực và thời gian.
Tối ưu hoạt động của mạng lưới trạm sạc.
7. Giá trị kỳ vọng
EVA – EV Advisor giúp người dùng:
Chủ động lập kế hoạch trước mỗi chuyến đi.
Giảm nguy cơ hết pin giữa đường.
Tìm được trạm sạc phù hợp với tuyến và mẫu xe.
Biết trước chi phí điện của chuyến đi.
Đánh giá chi phí sở hữu và vận hành xe điện.
So sánh khách quan giữa xe điện và xe sử dụng nhiên liệu.
Tiếp cận thông tin hạ tầng bằng giao diện hỏi đáp tự nhiên.
Tiết kiệm thời gian tra cứu và tính toán thủ công.
Về lâu dài, EVA có thể trở thành một lớp trợ lý thông minh kết nối người dùng xe điện, phương tiện, nhà vận hành trạm sạc và các dịch vụ giao thông xanh trong cùng một hệ sinh thái.
