AISoftwareFeatured

AI Agent tra cứu tri thức doanh nghiệp

Xây dựng hệ thống RAG hỗ trợ tra cứu và trả lời câu hỏi từ tài liệu của đối tác doanh nghiệp. Thiết kế quy trình xử lý tài liệu, tạo embedding, tìm kiếm ngữ nghĩa và trả lời kèm nguồn tham chiếu.

PythonRAGLangChainLlamaIndexMilvusGPT-4Claude

Tài liệu Trải nghiệm Mã nguồn

Tài liệu kỹ thuật dự án

Vai tròTechnical Leader, Software & AI Engineer - Phát triển cho đối tác của Fosorex

Thời gian02/2026 - Hiện tại

Trạng tháiĐang vận hành

Danh mục

AISoftware

Tổng quan dự án

Hệ thống AI Agent tra cứu tri thức doanh nghiệp được thiết kế và triển khai nhằm tối ưu hóa việc quản lý và truy xuất thông tin từ tài liệu của đối tác thông qua các giải pháp của Công ty Cổ phần Fosorex. Hệ thống ứng dụng quy trình RAG nâng cao kết hợp AI Agent tự trị để tự động hóa việc phân tích cấu trúc văn bản, sinh vector nhúng và thực hiện tìm kiếm ngữ nghĩa trên hàng ngàn tài liệu, cung cấp câu trả lời có tính xác thực cao kèm nguồn trích lục cụ thể.

Trải nghiệm Demo tương tác

* Lưu ý: Đây là bản giả lập mô phỏng một tính năng nhỏ thuộc hệ thống lớn của dự án thực tế.

Chọn mẫu đầu vào:

MILVUS VECTOR STORE

CSDL Vector chứa 24,500 văn bản chính sách nhân sự & tài chính.

SYSTEM CONSOLE LOGS:

Sơ đồ kiến trúc kỹ thuật

* Lưu ý: Đây là sơ đồ khối rút gọn mô tả luồng xử lý chính của dự án thực tế.

Tải tài liệu

Tải lên tệp PDF/Word/Excel

PaddleOCR / PyMuPDF

Phân đoạn

Chia nhỏ & Tạo vector nhúng

text-embedding-3-small

CSDL Vector

Lưu trữ chỉ mục CSDL

Milvus Vector DB

Truy xuất

Truy xuất kết hợp & LLM

LangChain / LangGraph

→ Quy trình dữ liệu: Phân tích tài liệu gốc → Cắt nhỏ theo ngữ nghĩa → Truy vấn so khớp vector → LLM tổng hợp trích dẫn

Tính năng chính

Xử lý văn bản cấu trúc: Tự động phân tích các tiêu đề, bảng biểu và biểu đồ từ định dạng PDF, Word, Excel.

Tìm kiếm kết hợp (Hybrid Search): Kết hợp tìm kiếm từ khóa BM25 và tìm kiếm ngữ nghĩa vector (Milvus) để nâng cao độ chính xác.

Tái xếp hạng kết quả (Re-ranking): Sử dụng mô hình Cohere Re-ranker để tối ưu hóa thứ tự văn bản trước khi đưa vào LLM.

Trích dẫn nguồn chính xác: Chỉ ra số trang, số dòng và tệp tin gốc tạo nên câu trả lời của AI.

Tích hợp mô hình AI hàng đầu: Chuyển đổi linh hoạt giữa GPT-4 và Claude 3.5 Sonnet tùy thuộc vào độ phức tạp của câu hỏi.

Kiến trúc hệ thống

Hệ thống sử dụng Python và LangChain/LlamaIndex làm nền tảng chính để xây dựng pipeline dữ liệu. Các vector nhúng được lưu trữ và truy vấn trên Milvus Vector Database. Backend API viết bằng FastAPI điều phối luồng logic giữa cơ sở dữ liệu và các mô hình GPT-4/Claude thông qua cơ chế quản lý trạng thái của LangGraph. Giao diện trực quan cho phép đối tác nhập câu hỏi và tra cứu tài liệu dễ dàng.

Thành tựu đạt được

Rút ngắn thời gian tra cứu chính sách và hướng dẫn vận hành của đối tác từ 10 phút xuống còn 3 giây.

Đạt độ chính xác câu trả lời trên 96% dựa trên tập dữ liệu đánh giá thực tế của dự án.

Hỗ trợ truy cập và tra cứu thông tin đồng thời ổn định cho toàn bộ đối tác.

Dự án trướcCFT - Học máy lai chẩn đoán năm bệnh lồng ngực từ ảnh X-quang

Dự án tiếp theoHệ thống đa tác tử AI tự động hóa lập trình