Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số và thương mại điện tử phát triển mạnh mẽ, việc kinh doanh trực tuyến đã trở thành một phần thiết yếu của nền kinh tế hiện đại. Song song với xu hướng đó, ngành hàng chăm sóc và cung cấp dịch vụ thú cưng ghi nhận sự gia tăng nhanh chóng về quy mô do nhu cầu nuôi dưỡng, chăm sóc thú cưng của người tiêu dùng ngày càng lớn. Việc xây dựng một nền tảng trực tuyến chuyên biệt không chỉ mở rộng kênh tiếp cận thị trường mà còn tạo ra nguồn thu nhập số bền vững. Tuy nhiên, các hệ thống thương mại điện tử truyền thống thường gặp hạn chế trong khâu tư vấn tự động và cá nhân hóa trải nghiệm mua sắm, đòi hỏi chi phí nhân lực lớn cho đội ngũ chăm sóc khách hàng. Đề tài "Ứng Dụng Mô Hình Ngôn Ngữ Lớn (LLM) Vào Xây Dựng Website Bán Hàng Thú Cưng" được thực hiện nhằm kết hợp các công nghệ web hiện đại với trí tuệ nhân tạo tạo sinh, giải quyết bài toán tư vấn tự động và đề xuất sản phẩm thông minh.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài bao gồm:

  1. Nghiên cứu, làm chủ và ứng dụng hai công nghệ phát triển web hiện đại gồm framework ASP.NET Core ở phía máy chủ (Server-side) và thư viện ReactJS ở phía máy khách (Client-side).
  2. Tìm hiểu nguyên lý hoạt động của mô hình ngôn ngữ lớn (LLM), cơ chế Transformer, kỹ thuật Prompt Engineering và giải pháp Tạo sinh tăng cường truy xuất (Retrieval-Augmented Generation - RAG).
  3. Xây dựng hoàn chỉnh một website thương mại điện tử ngành thú cưng với đầy đủ các phân hệ quản lý sản phẩm, giỏ hàng, thanh toán trực tuyến, xử lý đơn hàng và phân quyền người dùng.
  4. Triển khai mô hình ngôn ngữ lớn thông qua nền tảng Dify để vận hành hệ thống trợ lý ảo tư vấn khách hàng tự động 24/7 và xây dựng cơ chế đề xuất sản phẩm dựa trên dữ liệu tương tác người dùng nhằm thay thế hệ thống recommendation truyền thống.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Khách hàng quan tâm đến thú cưng và các sản phẩm liên quan, tập trung vào nhóm chủ sở hữu thú cưng, người yêu thích thú cưng, các chuyên gia chăm sóc thú cưng và nhóm người dùng có nhu cầu hỗ trợ đặc biệt (như người khiếm thị). Về mặt kỹ thuật, đối tượng nghiên cứu là kiến trúc phần mềm Clean Architecture, các mô hình ngôn ngữ lớn và giải pháp RAG.
  • Phạm vi nghiên cứu:
    • Về mặt nghiệp vụ: Xử lý các quy trình thương mại điện tử cốt lõi và nâng cao cho cửa hàng thú cưng (danh mục thú cưng, thức ăn, phụ kiện, vật dụng y tế; quản lý giỏ hàng; bình luận; thanh toán trực tuyến; lịch sử giao dịch; danh sách yêu thích; quản lý coupon khuyến mãi).
    • Về mặt kỹ thuật: Xây dựng hệ thống RESTful API hoàn chỉnh trên ASP.NET Core, giao diện tương tác đơn trang (SPA) bằng ReactJS, tích hợp đơn vị vận chuyển Giao Hàng Nhanh (GHN), cổng thanh toán điện tử MoMo, gửi thư xác thực qua MailKit và cấu hình quy trình CI/CD.
    • Về mặt trí tuệ nhân tạo: Tích hợp nền tảng Dify, kết nối cơ sở dữ liệu vector Weaviate để thực hiện RAG trên tài liệu nội bộ, tối ưu hóa câu lệnh prompt và xử lý dữ liệu lịch sử tương tác để cá nhân hóa đề xuất sản phẩm.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết và công nghệ dựa trên các chuẩn mực kỹ thuật phần mềm và kiến trúc học máy chuyên sâu:

  • ASP.NET Core và Clean Architecture: Hệ thống máy chủ được xây dựng trên ASP.NET Core – nền tảng mã nguồn mở, đa nền tảng, tối ưu hóa tài nguyên thông qua cấu trúc module hóa và quản lý gói NuGet. Kiến trúc mã nguồn áp dụng Clean Architecture do Robert C. Martin (Uncle Bob) đề xuất, phân tách hệ thống thành 4 tầng độc lập:
    • Domain: Chứa các thực thể cốt lõi (Entities) và logic nghiệp vụ cơ bản, hoàn toàn độc lập với các tầng khác.
    • Application: Chứa các ca sử dụng (Use Cases) và quy trình xử lý nghiệp vụ cụ thể.
    • Infrastructure: Định nghĩa và triển khai giao tiếp với các thành phần ngoài (cơ sở dữ liệu, dịch vụ bên thứ ba).
    • Presentation: Tiếp nhận yêu cầu từ người dùng thông qua Web API RESTful và giao diện điều khiển.
  • ReactJS và cơ chế Virtual DOM: Phía máy khách sử dụng ReactJS để phát triển ứng dụng đơn trang (Single Page Application). Cơ chế Virtual DOM tạo bản sao tạm thời của cây DOM thực tế nhằm so sánh sai khác (diffing) và chỉ cập nhật những phần tử thay đổi tối thiểu, nâng cao hiệu suất kết xuất giao diện. Hệ thống áp dụng luồng dữ liệu một chiều (one-way data binding) thông qua việc truyền props và quản lý trạng thái cục bộ bằng state.
Tiêu chí Props State
Bản chất Dữ liệu truyền từ component cha xuống component con Dữ liệu nội bộ xác định hình dạng và trạng thái component
Khởi tạo Được truyền lại từ component cha Khởi tạo bên trong component (constructor hoặc hook useState)
Khả năng thay đổi Bất biến (Read-only) đối với component nhận Có thể thay đổi thông qua hàm setState
Phạm vi kiểm soát Do component cha điều khiển Riêng tư, chỉ bị thay đổi bởi chính component chứa nó
  • Mô hình Transformer và Large Language Model (LLM): Khóa luận nghiên cứu cấu trúc Transformer từ công trình "Attention is All You Need", tập trung vào cơ chế Chú ý tự thân (Self-Attention), Chú ý đa đầu (Multi-Head Attention), Chú ý có mặt nạ (Masked Self-Attention) và các lớp kết nối dư (Residual Connection), Chuẩn hóa lớp (Layer Normalization), cùng Mạng truyền thẳng (Feed Forward Network - FFN) sử dụng hàm kích hoạt ReLU và biến đổi Softmax để tính phân phối xác suất từ ngữ. Mô hình LLM được khai thác dựa trên nguyên lý học chuyển giao (transfer learning) từ các tập ngữ liệu quy mô lớn.
  • Tạo sinh tăng cường truy xuất (Retrieval-Augmented Generation - RAG): Giải pháp kết hợp truy xuất thông tin từ cơ sở dữ liệu vector bên ngoài với năng lực tạo sinh của LLM nhằm giảm thiểu hiện tượng ảo giác (hallucination) và cập nhật tri thức mới mà không cần tái huấn luyện mô hình.
  • Nền tảng Dify: Sử dụng Dify làm hệ thống điều phối (Orchestration Studio) kết hợp hoàn chỉnh giữa LLM, Agent và giao diện quản trị prompt, hỗ trợ quản lý quy trình RAG Pipeline và công cụ mở rộng (Agents Mode).
  • Dịch vụ tích hợp bên thứ ba: Tích hợp API dịch vụ vận chuyển Giao Hàng Nhanh (GHN) để tự động tính phí vận chuyển và theo dõi đơn hàng; tích hợp cổng thanh toán trực tuyến MoMo; sử dụng thư viện MailKit cho chức năng xác thực tài khoản qua email.

Phương pháp nghiên cứu thực tế:

  • Phương pháp khảo sát, phân tích và tổng hợp: Khảo sát thực tế hiện trạng của 3 website thương mại điện tử thú cưng trên thị trường (Paddy Pet Shop, Pet Mall, Pet Center) để rút ra ưu, nhược điểm về giao diện, tính năng và luồng tương tác.
  • Phương pháp phân tích và mô hình hóa hệ thống: Đặc tả 19 chức năng cho 4 nhóm tác nhân, xây dựng sơ đồ ca sử dụng (Use Case Diagram), sơ đồ tuần tự (Sequence Diagram), sơ đồ hoạt động (Activity Diagram) và thiết kế cơ sở dữ liệu mức quan niệm/logic.
  • Phương pháp thực nghiệm phần mềm: Triển khai mã nguồn theo Clean Architecture, thiết lập hệ thống kiểm thử hộp đen (Black-box testing), quản lý lỗi bằng công cụ theo dõi lỗi (Bug Management Tool) và thiết lập quy trình tích hợp/triển khai liên tục (CI/CD).
  • Nguồn dữ liệu: Dữ liệu danh mục sản phẩm thú cưng, tài liệu nội bộ về chính sách bán hàng phục vụ RAG, và cơ sở dữ liệu lưu trữ lịch sử tương tác, lịch sử đơn hàng của người dùng.

Thiết kế và triển khai

Hệ thống được thiết kế và triển khai dưới dạng kiến trúc hướng dịch vụ, bảo đảm tính độc lập giữa tầng lưu trữ dữ liệu, tầng logic nghiệp vụ, tầng giao diện và phân hệ trí tuệ nhân tạo.

Kiến trúc phân tầng và công nghệ Backend/Frontend

Backend triển khai trên nền tảng .NET với ASP.NET Core Web API, tổ chức mã nguồn theo mô hình Clean Architecture 4 tầng. Cơ chế Dependency Injection được tích hợp sẵn giúp liên kết các Interfaces giữa tầng Application và Infrastructure, tạo điều kiện thuận lợi cho việc viết Unit Test và bảo trì mà không gây ảnh hưởng đến logic nghiệp vụ cốt lõi. Cơ sở dữ liệu quan hệ lưu trữ thông tin sản phẩm, đơn hàng, người dùng và coupon.

Frontend được xây dựng bằng ReactJS với các Function Components kết hợp React Hooks (như useState, useEffect), tối ưu hóa khả năng tái sử dụng mã nguồn và quản lý luồng dữ liệu một chiều rõ ràng. Hệ thống giao tiếp với máy chủ thông qua các giao thức HTTP RESTful an toàn, có mã hóa SSL.

Kiến trúc phân hệ Trí tuệ nhân tạo Dify

Hệ thống AI được xây dựng trên nền tảng Dify vận hành thông qua cụm các container chuyên biệt:

  • Nginx: Trung tâm xử lý, phân phối kết nối giữa các thành phần và quản trị truy cập của người dùng.
  • Web & API: Container phục vụ giao diện người dùng và xử lý các yêu cầu nghiệp vụ của Dify.
  • Worker: Thực thi các tác vụ nền nặng và bất đồng bộ như phân tách đoạn văn bản (chunking) từ tệp tài liệu lớn cho quy trình RAG.
  • DB (PostgreSQL): Lưu trữ cấu hình chatbot, tài khoản hệ thống và dữ liệu vận hành.
  • Weaviate: Cơ sở dữ liệu vector chuyên dụng, lưu trữ các vector nhúng (vector embeddings) phục vụ tìm kiếm ngữ nghĩa trong RAG.
  • Redis: Đảm nhận việc lưu bộ nhớ đệm (caching), quản lý phiên làm việc (session storage) và truyền dữ liệu thời gian thực.
  • Sandbox: Môi trường cô lập thực thi và kiểm thử các đoạn mã mới một cách an toàn.

Kiểm thử và Triển khai CI/CD

Quy trình kiểm thử áp dụng phương pháp kiểm thử hộp đen (Black-box testing) để kiểm tra tính đúng đắn của toàn bộ 19 chức năng hệ thống theo góc nhìn của người dùng cuối mà không can thiệp cấu trúc mã nguồn bên trong. Mọi lỗi phát sinh được ghi nhận và theo dõi xử lý thông qua Bug Management Tool. Hệ thống tích hợp quy trình CI/CD tự động hóa việc kiểm tra mã nguồn, xây dựng ứng dụng và triển khai lên máy chủ.

Nội dung chính theo từng chương

Giới thiệu đề tài

Chương này thiết lập nền tảng định hướng cho toàn bộ đồ án, chỉ rõ sự gia tăng nhu cầu mua sắm thú cưng trực tuyến và tính tất yếu của việc ứng dụng công nghệ hiện đại. Tác giả xác định mục tiêu làm chủ ASP.NET Core, ReactJS, Clean Architecture và LLM; phân định rõ đối tượng hưởng lợi (người nuôi thú cưng, chuyên gia, người có yêu cầu đặc biệt) và giới hạn phạm vi nghiên cứu trong các nghiệp vụ thương mại điện tử kết hợp AI.

Cơ sở lý thuyết

Chương 2 trình bày chi tiết nền tảng lý thuyết và công nghệ:

  • Phân tích cơ chế hoạt động của ASP.NET Core, ưu thế của Clean Architecture trong việc phân tách logic nghiệp vụ và hỗ trợ bảo trì.
  • Cấu trúc thư viện ReactJS, cơ chế Virtual DOM, so sánh bản chất giữa props và state.
  • Chi tiết toán học và cấu trúc khối của Transformer (Self-Attention, FFN, Softmax, Residual Connection).
  • Khái niệm LLM, kỹ thuật RAG, quy trình xử lý vector embedding.
  • Kiến trúc lập trình và vận hành của nền tảng Dify cùng cụm container hỗ trợ (Weaviate, Redis, Worker, Sandbox).
  • Tài liệu tích hợp API của đơn vị vận chuyển Giao Hàng Nhanh (GHN).

Khảo sát hiện trạng và mô hình hóa yêu cầu

Chương này tiến hành khảo sát thực tiễn 3 nền tảng:

  • Paddy Pet Shop: Bố cục giao diện rõ ràng, dễ đặt và đổi trả hàng; nhược điểm là tốc độ tải trang chậm và cấu trúc phân loại chưa thật sự tối ưu.
  • Pet Mall: Đa dạng sản phẩm, giao diện thân thiện; nhược điểm là thiếu thông tin chi tiết về thành phần và hướng dẫn sử dụng sản phẩm.
  • Pet Center: Cung cấp đa dạng sản phẩm và thuốc thú y uy tín; nhược điểm là giao diện cần cải thiện khả năng điều hướng và công cụ tìm kiếm.

Từ kết quả khảo sát, nhóm tác giả phân tích và xây dựng danh mục 19 chức năng cho 4 nhóm tác nhân, đồng thời xác lập các yêu cầu phi chức năng về hiệu năng, bảo mật SSL, cổng thanh toán MoMo, COD và chất lượng đầu ra tự nhiên của Chatbot. Chương này hoàn thiện lược đồ Use Case tổng thể và đặc tả chi tiết 5 Use Case trọng tâm:

  1. Thanh toán: Luồng cơ bản với phương thức COD và địa chỉ giao hàng; luồng rẽ nhánh áp dụng mã coupon và quét mã qua cổng MoMo.
  2. Trò chuyện với chatbot: Tiếp nhận câu hỏi, chào hỏi, xử lý phản hồi; luồng rẽ nhánh xử lý khi người dùng hỏi các chủ đề sai thuần phong mỹ tục hoặc ngoài phạm vi; xử lý ngoại lệ lỗi kỹ thuật.
  3. Đưa ra sản phẩm phù hợp với người dùng: Phân tích lịch sử xem, thêm vào giỏ hàng và mua hàng để gợi ý sản phẩm; luồng rẽ nhánh hiển thị sản phẩm phổ biến khi thiếu dữ liệu tương tác.
  4. Tạo coupon: Quản trị viên khởi tạo các mã ưu đãi giảm giá vào hệ thống.
  5. Vô hiệu coupon: Quản trị viên vô hiệu hóa các mã khuyến mãi hết hạn hoặc không còn áp dụng.

Thiết kế phần mềm

Chương 4 thực hiện việc chuyển hóa các yêu cầu thành mô hình kỹ thuật chi tiết:

  • Xây dựng lược đồ tuần tự (Sequence Diagram) và lược đồ hoạt động (Activity Diagram) cho 5 nghiệp vụ chính: Thanh toán, Trò chuyện với chatbot, Đưa ra sản phẩm phù hợp, Tạo coupon và Vô hiệu coupon.
  • Thiết kế cơ sở dữ liệu quan hệ ở mức quan niệm và mức logic, chuẩn hóa các thực thể sản phẩm, người dùng, đơn hàng, chi tiết đơn hàng, giỏ hàng, đánh giá và mã giảm giá.

Kiểm thử phần mềm

Chương 5 trình bày phương pháp và quy trình kiểm thử hộp đen. Toàn bộ các ca kiểm thử (test cases) được xây dựng dựa trên đặc tả yêu cầu chức năng. Chương này cũng trình bày việc sử dụng công cụ quản lý lỗi (Bug Management Tool) để theo dõi, phân loại mức độ nghiêm trọng và kiểm soát tiến độ khắc phục lỗi trong quá trình phát triển.

Triển khai CI/CD

Chương 6 mô tả việc xây dựng quy trình tích hợp liên tục và triển khai liên tục (CI/CD), tự động hóa các khâu từ kiểm tra chất lượng mã nguồn, đóng gói ứng dụng thành các container độc lập đến triển khai tự động lên môi trường máy chủ thực tế, đảm bảo hệ thống vận hành ổn định.

Ứng dụng mô hình ngôn ngữ lớn

Chương 7 tập trung vào các kết quả thực nghiệm trí tuệ nhân tạo:

  • Triển khai Chatbot chăm sóc khách hàng bằng cách tích hợp Dify vào giao diện web; áp dụng kỹ thuật Prompt Engineering để định hình tính cách, phạm vi tư vấn và ngữ điệu thân thiện 24/7.
  • Xây dựng hệ thống gợi ý sản phẩm bằng LLM: Tận dụng khả năng tạo sinh để phân tích tổ hợp 3 nguồn dữ liệu gồm Lịch sử tương tác, Lịch sử mua hàng và Danh sách sản phẩm hiện có trên trang web nhằm đưa ra danh mục đề xuất cá nhân hóa.
  • Ứng dụng RAG giải quyết bài toán dữ liệu nội bộ: Đưa dữ liệu tài liệu chính sách, sản phẩm vào hệ sinh thái vector của Dify, hỗ trợ truy xuất chính xác ngữ cảnh để LLM trả lời chuẩn xác thông tin riêng của cửa hàng.

Kết quả và đóng góp

Khóa luận đã hoàn thành đầy đủ các mục tiêu nghiên cứu và phát triển hệ thống với các kết quả cụ thể:

  • Xây dựng hoàn chỉnh nền tảng Web thương mại điện tử: Triển khai thành công hệ thống với 19 chức năng nghiệp vụ, phân quyền chặt chẽ cho 4 nhóm tác nhân (Khách hàng, Quản lý, Nhân viên, Người dùng). Hệ thống đáp ứng các yêu cầu phi chức năng về mã hóa bảo mật SSL, tối ưu hóa giao diện ReactJS mượt mà và thời gian tải trang nhanh.
  • Tích hợp dịch vụ thanh toán và vận chuyển thực tế: Kết nối hoàn chỉnh API Giao Hàng Nhanh (GHN) để tính toán cước phí và quản lý trạng thái đơn hàng; tích hợp cổng thanh toán trực tuyến MoMo và thanh toán khi nhận hàng (COD); tích hợp thư viện MailKit gửi email xác thực.
  • Ứng dụng thành công LLM và kỹ thuật RAG: Tích hợp nền tảng Dify với cơ sở dữ liệu vector Weaviate để xây dựng Chatbot tư vấn 24/7 có khả năng trả lời tự nhiên, chính xác dựa trên tài liệu nội bộ, giảm thiểu tối đa hiện tượng ảo giác (hallucination).
  • Đổi mới cơ chế đề xuất sản phẩm: Ứng dụng thành công năng lực tạo sinh của LLM trong việc tổng hợp lịch sử tương tác, lịch sử giao dịch và danh mục hàng hóa để cá nhân hóa đề xuất sản phẩm cho người dùng thay vì sử dụng các thuật toán gợi ý truyền thống.
  • Đánh giá chuyên môn: Đề tài được Giảng viên hướng dẫn (TS. Lê Vĩnh Thịnh) đánh giá đạt loại Giỏi với nhận xét tích cực về tính thực tiễn cao, nắm bắt xu hướng công nghệ mới, quy trình phát triển rõ ràng từ khảo sát, thiết kế, triển khai đến kiểm thử.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ các hạn chế kỹ thuật và phạm vi phát triển trong tương lai đúng như văn bản trình bày:

  • Hạn chế:

    • Yêu cầu tài nguyên phần cứng lớn: Việc vận hành và huấn luyện mô hình ngôn ngữ lớn đòi hỏi cấu hình rất cao (huấn luyện cần 4-8 GPU chuẩn 40GB VRAM, CPU tối thiểu 32 cores; quá trình suy luận - inference cần tối thiểu GPU 16GB VRAM, CPU 16 cores), gây khó khăn cho việc tự lưu trữ tại chỗ (on-premises).
    • Rào cản ngôn ngữ tiếng Việt: Dữ liệu huấn luyện tiếng Việt của các mô hình nền tảng chưa thật sự phong phú và đồng nhất giữa các vùng miền, đôi khi dẫn đến câu văn thiếu tự nhiên hoặc lủng củng.
    • Hạn chế của kiến trúc RAG: RAG chỉ xử lý tối ưu trên dữ liệu dạng văn bản (text), chưa hỗ trợ trực tiếp dữ liệu hình ảnh phức tạp; việc phân đoạn văn bản (chunking) trên các tập tài liệu quá lớn làm tăng dung lượng lưu trữ vector và ảnh hưởng đến thời gian truy vấn; các câu hỏi mang tính mơ hồ, đa nghĩa có thể khiến bước truy xuất context bị nhầm lẫn.
    • Tích hợp đa sàn thương mại điện tử: Theo nhận xét của giảng viên hướng dẫn, ứng dụng chưa có tính năng đồng bộ và tích hợp với các sàn thương mại điện tử khác hoặc mở rộng nhiều đơn vị giao hàng khác ngoài GHN.

  • Hướng nghiên cứu tiếp:

    • Nghiên cứu mở rộng khả năng tích hợp đa kênh với các nền tảng thương mại điện tử phổ biến trên thị trường.
    • Nâng cấp đường ống RAG đa phương thức (Multimodal RAG) để xử lý cả văn bản và hình ảnh sản phẩm.
    • Tinh chỉnh (Fine-tuning) mô hình mã nguồn mở trên tập dữ liệu chuyên ngành chăm sóc thú cưng bằng tiếng Việt nhằm nâng cao độ chuẩn xác thuật ngữ.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo hữu ích cho sinh viên chuyên ngành Công nghệ thông tin, Kỹ thuật phần mềm và các nhà phát triển hệ thống:

  • Cung cấp tài liệu tham khảo thực tế về việc áp dụng kiến trúc Clean Architecture trong việc xây dựng hệ thống RESTful API bằng ASP.NET Core kết hợp với Frontend ReactJS.
  • Đóng vai trò là mô hình mẫu trong việc tích hợp các công cụ trí tuệ nhân tạo hiện đại (nền tảng Dify, Vector Database Weaviate, kỹ thuật Prompt Engineering, kiến trúc RAG) vào một sản phẩm phần mềm thương mại điện tử hoàn chỉnh.
  • Cung cấp quy trình bài bản từ khảo sát hiện trạng, phân tích mô hình hóa yêu cầu (Use Case, Sequence, Activity Diagram), thiết kế cơ sở dữ liệu quan niệm/logic đến kiểm thử hộp đen và thiết lập CI/CD.

Câu hỏi thường gặp

1. Khóa luận sử dụng kiến trúc phần mềm nào cho phân hệ máy chủ Backend và gồm những tầng nào?
Phân hệ Backend được xây dựng trên ASP.NET Core và tổ chức theo mô hình Clean Architecture gồm 4 tầng độc lập: tầng Domain (chứa entities và logic cốt lõi), tầng Application (chứa use cases và quy trình xử lý), tầng Infrastructure (chứa giao tiếp cơ sở dữ liệu và dịch vụ bên ngoài) và tầng Presentation (chứa Web API và giao diện điều khiển).

2. Nền tảng Dify được cấu thành từ những container dịch vụ nào trong hệ thống?
Hệ thống Dify được triển khai dưới dạng cụm container gồm 8 thành phần: Nginx (điều phối kết nối), Web (giao diện Dify), API (xử lý logic nghiệp vụ), Worker (xử lý tác vụ nặng bất đồng bộ và chunking RAG), DB (PostgreSQL lưu trữ cấu hình hệ thống), Weaviate (cơ sở dữ liệu vector lưu trữ embeddings), Redis (lưu bộ nhớ đệm và phiên làm việc) và Sandbox (môi trường cô lập kiểm thử mã nguồn).

3. Kỹ thuật RAG được ứng dụng nhằm giải quyết vấn đề gì của mô hình ngôn ngữ lớn trong đồ án?
RAG được ứng dụng để khắc phục hiện tượng ảo giác (hallucination) và hạn chế thiếu hụt thông tin mới của LLM. Bằng cách tìm kiếm các đoạn văn bản (chunking) liên quan từ cơ sở dữ liệu nội bộ đã được vector hóa trong Weaviate và ghép vào ngữ cảnh (context) của câu hỏi trước khi gửi đến LLM, mô hình có thể trả lời chính xác các thông tin và chính sách riêng của cửa hàng thú cưng.

4. Hệ thống đề xuất sản phẩm (Recommendation) bằng LLM sử dụng những nguồn dữ liệu đầu vào nào?
Thay vì sử dụng các thuật toán đề xuất truyền thống, hệ thống tận dụng năng lực tạo sinh của LLM để phân tích đồng thời 3 nguồn dữ liệu: Lịch sử tương tác của người dùng trên website (xem sản phẩm, thêm vào giỏ), Lịch sử mua hàng thực tế và Danh sách các sản phẩm hiện có trên hệ thống để đưa ra các gợi ý phù hợp nhất với sở thích cá nhân.

5. Đồ án tích hợp những dịch vụ bên thứ ba nào cho các khâu vận chuyển, thanh toán và xác thực?
Hệ thống tích hợp API của công ty Giao Hàng Nhanh (GHN) để tính toán cước phí và theo dõi trạng thái vận chuyển, tích hợp cổng thanh toán ví điện tử MoMo bên cạnh phương thức thanh toán khi nhận hàng (COD), và sử dụng thư viện MailKit để gửi thư xác thực tài khoản qua email.

Kết luận

Khóa luận tốt nghiệp "Ứng Dụng Mô Hình Ngôn Ngữ Lớn (LLM) Vào Xây Dựng Website Bán Hàng Thú Cưng" của sinh viên Đặng Nguyễn Thiên Đạt và Nguyễn Khắc Duy đã xây dựng thành công một nền tảng thương mại điện tử hoàn chỉnh trên nền tảng ASP.NET Core, ReactJS và Clean Architecture. Đề tài ghi nhận đóng góp nổi bật trong việc tích hợp công nghệ AI tạo sinh thông qua nền tảng Dify và kỹ thuật RAG, mang lại giải pháp tư vấn khách hàng tự động 24/7 và hệ thống đề xuất sản phẩm thông minh. Quy trình nghiên cứu được triển khai chặt chẽ từ khảo sát, thiết kế, kiểm thử hộp đen đến tự động hóa CI/CD, đáp ứng tốt yêu cầu thực tiễn và được hội đồng chuyên môn đánh giá cao.