Bài toán

Sinh viên và người mới đi làm ở Việt Nam có hàng trăm giao dịch mỗi tháng qua ví điện tử/ngân hàng nhưng không nắm được tiền đi đâu. Các app sổ thu chi hiện có chỉ liệt kê số liệu thô — người dùng phải tự phân loại, tự nhớ ngân sách, tự nhận ra mình sắp vượt chi. Không có ai "nhắc" đúng lúc, đúng ngữ cảnh.

Giải pháp kỹ thuật

Vunli là một AI agent (LangGraph, tool-calling) tích hợp trong web app quản lý chi tiêu, với các nguyên tắc thiết kế cốt lõi:

• Số liệu tính bằng code, không phải LLM đoán — mọi tổng thu/chi, ngân sách, dự báo đều qua tool Python/SQL thật; LLM chỉ diễn giải kết quả.
• Human-in-the-loop có chọn lọc — giao dịch và mục tiêu tiết kiệm luôn tạo đề xuất chờ duyệt trước khi ghi; riêng ngân sách áp dụng ngay (chỉ là hạn mức theo dõi, không di chuyển tiền) để không làm chậm thao tác thường xuyên, vẫn ghi đầy đủ audit log.
• Đa kênh nhập liệu thật — gõ tay, nói bằng giọng nói (AI đọc trả lời lại), OCR hóa đơn tự nhận diện, import CSV/Excel sao kê ngân hàng, đồng bộ tài khoản ngân hàng thật qua SePay.
• Tách bạch nguồn tiền — theo dõi riêng số dư tiền mặt và từng tài khoản ngân hàng liên kết, thay vì gộp chung một con số dễ gây hiểu nhầm.
• Tự bảo vệ chi phí vận hành — hệ thống tự động tắt AI chat nếu chi phí LLM vượt ngưỡng đặt trước, tránh rủi ro tốn tiền ngoài kiểm soát.

Stack: FastAPI + LangGraph (backend/agent), Next.js (frontend), PostgreSQL, ChromaDB (RAG có trích dẫn nguồn nội bộ chống hallucination), CI/CD tự động (lint + test + type-check + build), triển khai thật trên Railway với domain riêng (vunli.io.vn) và OTP email thật qua Resend. Tuân thủ PDPA — dữ liệu định danh được mask trước khi vào bất kỳ prompt LLM nào.

Tính khả thi

Đã chạy thật, không phải prototype: 488 automated test, CI/CD tự động cho cả backend lẫn frontend, deploy production ổn định trên domain riêng. Toàn bộ luồng chính đã verify bằng dữ liệu thật: đăng ký OTP email thật, đăng nhập, giao dịch, ngân sách, mục tiêu, báo cáo, chat AI, OCR, import CSV, đồng bộ SePay, admin oversight. Nhiều lỗi thật (kể cả một lỗi nghiêm trọng chặn toàn bộ luồng duyệt đề xuất trên production) đã được tự phát hiện và vá trong quá trình phát triển — bằng chứng quy trình review nghiêm túc.

Hướng phát triển

• Mở rộng mô hình ML dự báo rủi ro chi tiêu bằng dữ liệu nhãn thật thay vì công thức tự sinh hiện tại.
• Thu thập phản hồi người dùng thật ngoài nhóm phát triển.
• Thêm tính năng chuyển tiền nội bộ giữa các nguồn (tiền mặt ↔ ngân hàng) để tránh đếm trùng trong báo cáo.
• Xây trang admin phát hiện giao dịch bất thường.