Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp "Thiết kế hệ thống hỏi đáp về du lịch" (Design a question answering system about tourism) được thực hiện bởi sinh viên Nguyễn Khánh (MSSV: 20521449) và Nguyễn Hoàng Ngọc Hải (MSSV: 20521280), dưới sự hướng dẫn của TS. Nguyễn Đình Hiển và ThS. Huỳnh Tuấn Anh tại Khoa Công nghệ Phần mềm, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh (năm 2024).

Lý do chọn đề tài xuất phát từ sự phát triển của công nghệ trí tuệ nhân tạo (AI) và xu hướng chuyển đổi số trong các dịch vụ hỗ trợ khách hàng. Trong lĩnh vực du lịch, nhu cầu tìm kiếm, tham vấn thông tin địa điểm, lên lịch trình và tra cứu dịch vụ ăn uống, lưu trú đòi hỏi tính chuẩn xác và phản hồi tức thời. Các hệ thống chatbot truyền thống thường bộc lộ nhiều điểm hạn chế như: giới hạn khả năng hiểu các câu hỏi phức tạp hoặc có ngữ cảnh đặc biệt, phụ thuộc nhiều vào chất lượng dữ liệu huấn luyện cố định, tiềm ẩn nguy cơ xuất hiện hiện tượng ảo giác (hallucination) và tích lũy lỗi sai (error propagation). Nhóm tác giả định hướng ứng dụng mô hình ngôn ngữ lớn (LLM), kỹ thuật sinh tăng cường truy xuất (Retrieval-Augmented Generation - RAG) và kiến trúc đa tác nhân (Multi-agent) để giải quyết các vấn đề này, đồng thời hỗ trợ quảng bá các điểm đến du lịch địa phương ít được biết tới.

Mục tiêu nghiên cứu của đồ án được chia thành ba nhóm nhiệm vụ chính:

  1. Định hướng áp dụng kiến trúc LLM: Tích hợp mô hình ngôn ngữ tiên tiến (GPT-4 hoặc tương đương); tối ưu hóa nguồn dữ liệu du lịch từ các nguồn đáng tin cậy; cải thiện khả năng học tập liên tục từ phản hồi người dùng; đảm bảo các tiêu chí an toàn và bảo mật thông tin trong quá trình vận hành.
  2. Khả năng trả lời tin nhắn: Đảm bảo tương tác thời gian thực; sử dụng xử lý ngôn ngữ tự nhiên (NLP) để hiểu câu hỏi phức tạp; gợi ý và đề xuất địa điểm, dịch vụ dựa trên nhu cầu; từng bước cá nhân hóa trải nghiệm theo lịch sử trò chuyện.
  3. Hiệu năng vận hành và quản lý: Tối ưu hóa hiệu suất xử lý đồng thời qua HTTP API và WebSocket; quản lý tài nguyên và tối ưu hóa chi phí token; thiết lập cơ chế giám sát, sửa lỗi sớm; bảo đảm khả năng mở rộng kiến trúc hạ tầng và tích hợp công cụ phân tích, báo cáo.

Đối tượng nghiên cứu là hệ thống hỏi đáp tự động ứng dụng AI trong phạm vi thông tin du lịch tại một khu vực cụ thể (bộ dữ liệu thực nghiệm mẫu áp dụng cho địa bàn tỉnh Quảng Bình). Phạm vi phát triển tập trung vào việc thiết kế kiến trúc chatbot, xây dựng hệ sinh thái dịch vụ phụ trợ, giao diện sản phẩm khả dụng tối thiểu (MVP) trên nền tảng web và tích hợp kênh nhắn tin Facebook Messenger, triển khai thử nghiệm trên môi trường máy chủ cá nhân.

Cơ sở lý thuyết và phương pháp

Đồ án thuộc loại hình nghiên cứu thiết kế và xây dựng hệ thống phần mềm kỹ thuật, kết hợp giữa cơ sở lý thuyết xử lý ngôn ngữ tự nhiên, kỹ thuật phần mềm và kiến trúc điện toán phân tán.

Các mô hình và khái niệm lý thuyết được sử dụng trong đề tài gồm:

  • Mô hình ngôn ngữ lớn (LLM): Cơ chế xử lý ngữ cảnh, tạo sinh văn bản tự động và tương tác ngôn ngữ tự nhiên dựa trên kiến trúc Transformer.
  • ReAct Agent (Reasoning and Acting): Khung hoạt động kết hợp chu trình Suy luận (Thought) $\rightarrow$ Hành động (Action) $\rightarrow$ Quan sát (Observation). Mô hình cho phép tác nhân diễn giải yêu cầu, lựa chọn công cụ tương tác ngoại vi và tiếp nhận phản hồi từ môi trường để ra quyết định tiếp theo thay vì trả lời trực tiếp.
  • Kiến trúc Đa tác nhân (Multi-agent Collaboration): Phân rã bài toán phức tạp cho nhiều tác nhân độc lập giải quyết. Đồ án áp dụng cấu trúc phối hợp (Multi-agent Collaboration) dùng chung một bản thảo ghi nhớ (scratchpad) để các tác nhân cùng theo dõi tiến trình và điều hướng luồng dữ liệu thông qua cơ chế Router.
  • Kỹ thuật biểu diễn vector (Embedding) và RAG: Kỹ thuật chuyển đổi văn bản sang không gian vector nhiều chiều; đo lường độ tương đồng ngữ nghĩa bằng khoảng cách Cosine (Cosine Similarity). Mô hình RAG cho phép hệ thống truy xuất các đoạn ngữ cảnh liên quan trong cơ sở dữ liệu trước khi đưa vào mô hình LLM để tổng hợp câu trả lời.

Phương pháp kỹ thuật và nguồn dữ liệu thực nghiệm:

  • Phương pháp thiết kế hệ thống: Phân tích yêu cầu chức năng/phi chức năng, lập tài liệu Use Case (UC01 đến UC10), mô hình hóa quan hệ thực thể (ERD), thiết kế kiến trúc phân tầng (Model-side và Data-side).
  • Nguồn dữ liệu: Văn bản tài liệu thông tin du lịch bán cấu trúc và phi cấu trúc (định dạng .txt, .pdf, .docx) về danh lam thắng cảnh, phương tiện di chuyển, ẩm thực và lưu trú tại Quảng Bình; kết hợp dữ liệu khí tượng thời gian thực từ OpenWeather API và dữ liệu tìm kiếm công khai qua Google Search.

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Chương mở đầu trình bày lý do chọn đề tài dựa trên sự kết hợp giữa xu hướng ứng dụng AI vào đời sống và nhu cầu khám phá du lịch của người dùng. Tác giả xác định mục tiêu xây dựng một nền tảng tư vấn du lịch tự động, phân tích ba trụ cột nhiệm vụ (áp dụng kiến trúc LLM, hoàn thiện tính năng tương tác hội thoại, tối ưu hiệu năng vận hành). Phạm vi đề tài được khoanh vùng ở quy mô xây dựng chatbot lõi, giao diện trải nghiệm MVP và triển khai thử nghiệm trên máy chủ cá nhân.

Chương 2. Cơ sở lý thuyết

Chương 2 tổng hợp các nền tảng công nghệ và lý thuyết phục vụ việc xây dựng đồ án. Các thành phần công nghệ được phân tích gồm:

  • Phát triển API và Giao diện: FastAPI (hỗ trợ lập trình bất đồng bộ async/await, tự động sinh tài liệu Swagger UI/Redoc) và Streamlit (xây dựng giao diện web khoa học dữ liệu bằng Python).
  • Điều phối mô hình: LangChain (cung cấp bộ công cụ kết nối LLM, công cụ trích xuất) và LangGraph (quản lý luồng trạng thái hội thoại và đồ thị quan hệ giữa các Agent).
  • Lưu trữ dữ liệu: PostgreSQL (hệ quản trị cơ sở dữ liệu quan hệ), Redis (lưu trữ khóa - giá trị trên RAM, phục vụ bộ nhớ đệm và cơ chế Pub/Sub), Qdrant và Chroma (cơ sở dữ liệu vector chuyên dụng cho các tác vụ tìm kiếm tương đồng).
  • Môi trường vận hành: Uvicorn (ASGI server), Docker (đóng gói container), Kubernetes (điều phối cụm container) và NGINX (đóng vai trò reverse proxy, cân bằng tải và HTTP cache).
  • Khái niệm AI: Làm rõ định nghĩa LLM, cơ chế hoạt động của ReAct Agent, kỹ thuật Embedding (Word2Vec, BERT) và kiến trúc RAG.

Chương 3. Phân tích thiết kế hệ thống

Tác giả khảo sát hiện trạng của các nền tảng trợ lý ảo lớn (Google Assistant, Amazon Alexa, Apple Siri, Microsoft Cortana) và chatbot trong ngành du lịch (Booking.com, Expedia, TripAdvisor). Từ đó, chương 3 thiết lập các đặc tả kỹ thuật:

  • Mục tiêu và đối tượng: Phục vụ khách du lịch cá nhân và các đơn vị cung cấp tour du lịch địa phương.
  • Yêu cầu chức năng: Đăng ký, đăng nhập và phân quyền (Người dùng/Quản trị viên); quản lý phiên trò chuyện (ChatSession) và tin nhắn (ChatMessage); xử lý ngôn ngữ song ngữ (Anh - Việt); thu thập dữ liệu người dùng (email, đặt phòng); tích hợp Webhook với Facebook Messenger.
  • Yêu cầu phi chức năng: Khả năng phục vụ đồng thời trên cả giao thức HTTP API và WebSocket, kiểm soát thời gian phản hồi, ngắt sớm luồng xử lý khi phát sinh lỗi, cùng tính tương thích hạ tầng khi mở rộng.

Chương 4. Thiết kế Chatbot

Chương 4 là phần kỹ thuật trọng tâm của đồ án, mô tả chi tiết kiến trúc phân chia giữa Model-side và Data-side:

  • Cấu trúc Multi-agent: Sử dụng mô hình Multi-agent Collaboration kết nối qua LangGraph với 3 tác nhân chuyên biệt:
    • Research Agent: Thực hiện tìm kiếm và xác thực dữ liệu du lịch Việt Nam từ các nguồn trực tuyến và tài liệu địa phương.
    • Planning Agent: Tiếp nhận yêu cầu, số lượng người, thời gian lưu trú để lên kế hoạch lịch trình, gợi ý điểm tham quan, ẩm thực.
    • Reply Agent: Tiếp nhận dữ liệu tổng hợp từ scratchpad để biên soạn câu trả lời hoàn chỉnh bằng ngôn ngữ tự nhiên, bảo đảm chuẩn ngữ pháp và lịch sự.
  • Hệ thống công cụ (Tools): Search Google (truy vấn web), Search Weather (truy xuất dữ liệu thời tiết qua OpenWeather API), Scrape Website (thu thập nội dung qua BeautifulSoup4 và tiền xử lý bằng biểu thức chính quy RegEx), Search Local Data (tìm kiếm vector trong cơ sở dữ liệu nội bộ).
  • Xử lý dữ liệu vector: Quy trình chuyển hóa tài liệu thành các đoạn nhỏ (chunks) qua text_splitter, sinh vector đặc trưng 1536 chiều bằng mô hình text-embedding-3-small của OpenAI, sau đó lưu trữ vào Qdrant cùng các trường metadata (id_bot, id_context, văn bản gốc).
  • Các biện pháp tối ưu hóa: Sử dụng chỉ dẫn (prompt) bằng tiếng Anh để mô hình nắm bắt logic tốt hơn; áp dụng Few-shot Learning; tối ưu hóa chi phí bằng cách phân bổ mô hình theo năng lực: sử dụng gpt-3.5-turbo cho Research Agent và Planning Agent nhằm tiết kiệm token, chỉ sử dụng gpt-4 cho Reply Agent để bảo đảm chất lượng văn phong tiếng Việt. Đồng thời, văn bản phân tích việc tiếng Việt tiêu tốn lượng token lớn hơn so với tiếng Anh trên cùng một ngữ nghĩa (ví dụ thực nghiệm trong tài liệu: đoạn văn bản tiếng Việt tiêu tốn 82 tokens cho 150 ký tự).

Chương 5. Thiết kế hệ thống

Chương này hiện thực hóa các thiết kế mức logic sang mức kiến trúc phần mềm cụ thể:

  • Mô hình dữ liệu: Thiết kế 7 thực thể chính bao gồm Account, AccountRole, Bot, BotContext, ChatAccount, ChatSession, ChatMessage.
  • Mô tả Use Case: Chi tiết hóa kịch bản hoạt động của 10 ca sử dụng chính từ UC01 đến UC10 (tạo tài khoản, đăng nhập, quản lý bot, tải lên/xóa bộ dữ liệu, khởi tạo phòng chat và gửi nhận tin nhắn).
  • Giao diện và giao tiếp: Hiện thực giao diện MVP bằng Streamlit (trang đăng nhập, trang chủ, bảng điều khiển tạo bot, cửa sổ tải tập dữ liệu, màn hình chat trực tiếp). Xây dựng các endpoint RESTful API và kênh WebSocket truyền nhận tin nhắn có gắn token xác thực ngắn hạn. Tích hợp Facebook Webhook nhận diện và phản hồi tin nhắn qua Facebook Page.
  • Triển khai: Đóng gói hệ thống thành các container Docker, tự động hóa cập nhật image cho phần backend thông qua quy trình CI/CD với GitHub Actions.

Chương 6. Kết quả thực nghiệm và phương hướng phát triển

Trình bày kết quả thử nghiệm truy vấn dữ liệu tương đồng giữa hai mô hình trích xuất đặc trưng là PhoBERTv2 và mô hình OpenAI (text-embedding-3-small) trên tập dữ liệu du lịch Quảng Bình. Đồ án đưa ra các nhận định về độ chính xác của các đoạn ngữ cảnh trích xuất và đề xuất các định hướng nâng cấp hệ thống trong tương lai.

Thiết kế và triển khai hệ thống

Kiến trúc phân tầng và phân bổ công nghệ

Hệ thống được tổ chức thành hai phân vùng chính: Data-side (quản trị, trích xuất và lưu trữ tri thức) và Model-side (điều phối luồng suy luận của AI), vận hành trên hạ tầng máy chủ đóng gói container.

Phân vùng / Thành phần Công nghệ / Nền tảng áp dụng Chức năng kỹ thuật
Backend API FastAPI, Uvicorn, Python 3.7+ Tiếp nhận yêu cầu, xử lý nghiệp vụ, quản lý kết nối HTTP và WebSocket
Điều phối Agent LangChain, LangGraph Xây dựng ReAct Agent, quản trị trạng thái scratchpad và điều hướng Router
Mô hình ngôn ngữ OpenAI gpt-3.5-turbo, gpt-4 Suy luận, tra cứu công cụ (3.5-turbo) và sinh phản hồi người dùng (gpt-4)
Mô hình Embedding OpenAI text-embedding-3-small Chuyển đổi văn bản thành vector 1536 chiều, so sánh bằng Cosine Similarity
Cơ sở dữ liệu quan hệ PostgreSQL Lưu trữ tài khoản, phiên trò chuyện, cấu hình bot và tin nhắn
Bộ nhớ đệm / Hàng đợi Redis Hỗ trợ lưu trữ tạm thời trong RAM, vận hành cơ chế Pub/Sub
Cơ sở dữ liệu Vector Qdrant Lưu trữ chỉ mục vector, thực thi tìm kiếm ngữ nghĩa theo thời gian thực
Giao diện người dùng Streamlit Giao diện MVP cho người dùng tương tác và quản trị viên nạp dữ liệu
Hạ tầng & Vận hành Docker, NGINX, GitHub Actions Đóng gói môi trường, cân bằng tải, reverse proxy và CI/CD tự động

Phân công vai trò của các Agent trong luồng xử lý

Mô hình Multi-agent Collaboration hoạt động theo chu trình khép kín gồm 8 bước khi có một thông điệp mới xuất hiện:

Tên Agent Mô hình LLM gán kèm Nhiệm vụ chính trong hệ thống
Research Agent gpt-3.5-turbo Tiếp nhận câu hỏi, gọi các công cụ tra cứu (Search Google, Search Weather, Scrape Website, Search Local Data) để lấy dữ liệu thực tế
Planning Agent gpt-3.5-turbo Phân tích yêu cầu về địa điểm, thời gian, số lượng người tham gia để sắp xếp lịch trình du lịch logic và gợi ý hoạt động phù hợp
Reply Agent gpt-4 Tổng hợp thông tin từ scratchpad chung, tạo lập văn bản phản hồi người dùng bằng tiếng Việt chuẩn xác, mạch lạc và tự nhiên

Cấu trúc dữ liệu và các ca sử dụng cốt lõi

Cơ sở dữ liệu quan hệ được chuẩn hóa nhằm quản lý toàn diện vòng đời của một phiên hỏi đáp:

  • Thực thể hệ thống: Account (thông tin người dùng), AccountRole (phân quyền vai trò), Bot (cấu hình chatbot do quản trị viên thiết lập), BotContext (tài liệu tri thức gắn với từng bot), ChatAccount (liên kết tài khoản bên thứ ba như Facebook), ChatSession (phiên hội thoại riêng biệt), ChatMessage (chi tiết nội dung và thời gian gửi tin nhắn).
  • Ca sử dụng chính: Tài liệu chuẩn hóa 10 Use Case từ UC01 đến UC10, bao quát các quy trình từ xác thực (Đăng ký, Đăng nhập, Chỉnh sửa thông tin), quản trị tài nguyên bot (Tạo bot, Sửa thông tin bot, Xóa bot, Nạp tập dữ liệu, Xóa tập dữ liệu) đến nghiệp vụ người dùng cuối (Tạo phòng chat và Gửi nhận tin nhắn qua HTTP/WebSocket/Facebook Messenger).

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu kỹ thuật đề ra theo đúng phạm vi thiết kế ban đầu:

  • Xây dựng thành công hệ thống hỏi đáp du lịch tích hợp kiến trúc Multi-agent phối hợp (Research Agent, Planning Agent, Reply Agent) chia sẻ trạng thái qua LangGraph, loại bỏ sự phụ thuộc vào một tác nhân đơn lẻ.
  • Triển khai hoàn chỉnh đường ống dữ liệu RAG: chuyển đổi tài liệu văn bản du lịch sang vector 1536 chiều bằng text-embedding-3-small, lưu trữ và truy vấn hiệu quả trên cơ sở dữ liệu vector Qdrant dựa trên độ đo Cosine.
  • Tích hợp thành công 4 công cụ hỗ trợ cho Agent: tìm kiếm Google, lấy thông tin thời tiết qua OpenWeather API, cào dữ liệu trang web tự động bằng BeautifulSoup4/RegEx, và tra cứu tài liệu nội bộ.
  • Thiết lập giải pháp tiết kiệm chi phí vận hành thông qua việc tách tầng mô hình: sử dụng gpt-3.5-turbo giá thành thấp cho các bước suy luận trung gian và gpt-4 cho khâu sinh văn bản cuối cùng; đồng thời duy trì luồng tư duy nội bộ bằng tiếng Anh để giảm thiểu số lượng token tiêu thụ.
  • Hoàn thiện hệ thống dịch vụ backend với FastAPI, giao diện MVP bằng Streamlit, hỗ trợ kênh tương tác qua WebSocket và tích hợp Webhook với ứng dụng nhắn tin Facebook Messenger.

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được văn bản đề cập bao gồm:

  • Hệ thống mới dừng lại ở quy mô triển khai trên máy chủ cá nhân phục vụ mục đích thử nghiệm và đánh giá phiên bản MVP, chưa triển khai phân tán trên môi trường thực tế quy mô lớn.
  • Dữ liệu tri thức cục bộ thử nghiệm tập trung chủ yếu vào phạm vi thông tin địa phương của tỉnh Quảng Bình.
  • Hệ thống xử lý tin nhắn phụ thuộc vào tính sẵn sàng và hạn ngạch (rate limit) của các API bên thứ ba (OpenAI API, OpenWeather API, Google Search).

Hướng phát triển tiếp theo được tác giả chỉ ra:

  • Mở rộng quy mô hạ tầng bằng cách áp dụng công nghệ điều phối container chuyên sâu như Kubernetes để tự động co giãn tài nguyên khi lượng truy cập tăng đột biến.
  • Tối ưu hóa sâu hơn mô hình trích xuất đặc trưng (fine-tune mô hình embedding chuyên biệt cho tiếng Việt du lịch).
  • Mở rộng bộ dữ liệu sang nhiều tỉnh thành, khu vực văn hóa, bảo tồn hoặc danh lam thắng cảnh khác; nâng cao khả năng thu thập phản hồi người dùng để cải thiện mô hình liên tục.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo hữu ích cho sinh viên chuyên ngành Kỹ thuật Phần mềm, Khoa học Máy tính và Công nghệ Thông tin đang nghiên cứu hướng ứng dụng AI tạo sinh vào phần mềm thực tế.

Các nội dung có giá trị tham khảo cao gồm:

  • Quy trình tích hợp LangChain và LangGraph để xây dựng hệ thống Multi-agent cộng tác có chia sẻ bộ nhớ tạm thời (scratchpad).
  • Thiết kế luồng dữ liệu RAG từ khâu trích xuất, làm sạch văn bản, phân đoạn (chunking), tạo chỉ mục vector trên Qdrant đến khâu truy vấn theo độ tương đồng Cosine.
  • Kỹ thuật kết hợp nhiều mô hình LLM (gpt-3.5-turbo và gpt-4) và tối ưu hóa chi phí token thông qua ngôn ngữ prompt trung gian.
  • Mô hình tích hợp đa kênh giao tiếp đồng thời (REST API, WebSocket hai chiều và Facebook Messenger Webhook) trên nền tảng backend FastAPI.

Câu hỏi thường gặp

Hệ thống phân chia vai trò giữa các Agent như thế nào và mỗi Agent sử dụng mô hình LLM nào?
Hệ thống sử dụng 3 ReAct Agent chính phối hợp qua một scratchpad chung: Research Agent (chuyên tìm kiếm, xác thực dữ liệu từ công cụ) và Planning Agent (chuyên lập kế hoạch tour, điểm ăn uống, lịch trình) đều sử dụng mô hình gpt-3.5-turbo để tối ưu chi phí token. Riêng Reply Agent sử dụng mô hình gpt-4 nhằm đảm bảo câu trả lời cuối cùng gửi tới người dùng bằng tiếng Việt mạch lạc, chính xác và tự nhiên.

Quy trình biến đổi và lưu trữ dữ liệu văn bản nội bộ thành vector diễn ra qua các bước nào?
Dữ liệu văn bản tải lên (.txt, .pdf, .docx) được trích xuất thành plain text, làm sạch bằng RegEx rồi chia nhỏ bằng text_splitter. Các đoạn văn bản sau đó được đưa qua mô hình text-embedding-3-small của OpenAI để sinh vector 1536 chiều và nạp vào Qdrant cùng metadata gồm: ID file gốc, ID bot sở hữu, tên mô hình embedding và nội dung văn bản gốc. Khi truy vấn, hệ thống dùng Cosine Similarity để trích xuất $k$ đoạn dữ liệu có độ tương đồng cao nhất.

Hệ thống tích hợp những công cụ (Tool) nào để hỗ trợ Agent thu thập thông tin?
Hệ thống tích hợp 4 công cụ chính: Search Google (tìm kiếm thông tin tổng quát trên Internet), Search Weather (kết nối OpenWeather API lấy dữ liệu thời tiết theo địa điểm), Scrape Website (sử dụng BeautifulSoup4 và RegEx để bóc tách, làm sạch nội dung trang web từ URL), và Search Local Data (truy xuất các mẩu tin liên quan trong cơ sở dữ liệu vector nội bộ).

Những giải pháp nào đã được tác giả áp dụng để tối ưu hóa chi phí token khi vận hành LLM?
Tác giả áp dụng các biện pháp: sử dụng gpt-3.5-turbo cho hai tác nhân thực hiện tác vụ trung gian thay vì dùng toàn bộ gpt-4; thiết kế prompt điều khiển bằng tiếng Anh và duy trì toàn bộ luồng suy luận của ReAct Agent bằng tiếng Anh để tiết kiệm token (do tiếng Việt tốn nhiều token hơn trên cùng một dung lượng ký tự); rút gọn ngữ cảnh lịch sử hội thoại và rút gọn dữ liệu thô trả về từ các công cụ trước khi nạp vào bộ nhớ tạm.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Khánh và Nguyễn Hoàng Ngọc Hải đã thiết kế và hiện thực hóa thành công hệ thống hỏi đáp du lịch thông minh dựa trên kiến trúc Multi-agent và RAG. Bằng việc phối hợp linh hoạt giữa FastAPI, Qdrant, LangGraph cùng các mô hình ngôn ngữ gpt-3.5-turbo và gpt-4, hệ thống đã giải quyết được bài toán tra cứu thông tin địa phương chính xác và tối ưu chi phí vận hành. Công trình thể hiện quy trình phát triển phần mềm chặt chẽ từ khảo sát, thiết kế cơ sở dữ liệu đến đóng gói triển khai Docker, đóng góp một giải pháp tham khảo giá trị cho việc ứng dụng AI tạo sinh vào lĩnh vực du lịch và dịch vụ khách hàng.