Giới thiệu dự án

Bối cảnh thị trường và vấn đề thực tiễn

Ngành thương mại điện tử (E-Commerce) dành cho thú cưng đang chứng kiến tốc độ tăng trưởng vượt bậc với mức tăng trưởng kép hàng năm (CAGR) ước tính đạt hơn 12.5% tại khu vực Đông Nam Á. Tuy nhiên, hành vi mua sắm các sản phẩm chăm sóc thú cưng (dinh dưỡng, thuốc trị liệu, dụng cụ vệ sinh) đòi hỏi chuyên môn tư vấn cá nhân hóa rất cao, tương tự như ngành dược phẩm và chăm sóc sức khỏe.

Thực tế tại các cửa hàng trực tuyến hiện nay, khách hàng thường gặp phải nhiều trở ngại lớn:

  • Thiếu kiến thức chuyên sâu: Người nuôi thú cưng gặp khó khăn trong việc chọn sản phẩm phù hợp với giống loài, độ tuổi, cân nặng và tình trạng bệnh lý của vật nuôi.
  • Hạn chế của bộ lọc tìm kiếm truyền thống: Các website hiện hành chỉ hỗ trợ lọc theo danh mục tĩnh (Static Filtering) hoặc từ khóa cứng nhắc (Keyword Matching), không thể hiểu được ngữ cảnh phức tạp của câu hỏi (ví dụ: "Mèo con 2 tháng tuổi bị tiêu chảy nên dùng loại pate nào?").
  • Chi phí vận hành đội ngũ tư vấn viên cao: Doanh nghiệp phải duy trì tổng đài chăm sóc khách hàng trực 24/7 với chi phí nhân sự lớn nhưng vẫn xảy ra tình trạng phản hồi chậm vào giờ cao điểm, dẫn đến tỷ lệ bỏ giỏ hàng (Cart Abandonment Rate) vượt mức 68%.

Mục tiêu dự án

Đề tài "Ứng Dụng Mô Hình Ngôn Ngữ Lớn (LLM) Vào Xây Dựng Website Bán Hàng Thú Cưng" do sinh viên Đặng Nguyễn Thiên Đạt và Nguyễn Khắc Duy thực hiện dưới sự hướng dẫn của TS. Lê Vĩnh Thịnh (Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) nhằm giải quyết triệt để các rào cản trên với 5 mục tiêu cụ thể:

  1. Xây dựng nền tảng E-commerce hoàn chỉnh, bảo mật và hiệu năng cao trên nền tảng ASP.NET Core và ReactJS.
  2. Thiết kế và tích hợp trợ lý ảo thông minh ứng dụng Mô hình Ngôn ngữ Lớn (LLMs) kết hợp kỹ thuật RAG (Retrieval-Augmented Generation) để tư vấn chuyên môn và giải đáp thắc mắc người dùng 24/7.
  3. Thay thế hệ thống gợi ý truyền thống bằng mô hình đề xuất sản phẩm sinh học (Generative Recommendation) dựa trên lịch sử tương tác và hành vi mua hàng.
  4. Tích hợp đầy đủ các dịch vụ bên thứ ba gồm thanh toán trực tuyến qua cổng MoMo và tự động tính phí/quản lý vận đơn qua API Giao Hàng Nhanh (GHN).
  5. Chuẩn hóa quy trình phát triển phần mềm theo kiến trúc Clean Architecture và thiết lập luồng CI/CD tự động hóa kiểm thử và triển khai.

Giải pháp kỹ thuật và kết quả kỳ vọng

Hệ thống kết hợp sức mạnh xử lý nghiệp vụ của ASP.NET Core Web API, giao diện SPA linh hoạt của ReactJS và nền tảng điều phối AI Dify Platform kết nối cơ sở dữ liệu vector Weaviate. Giải pháp ứng dụng cơ chế RAG để truy xuất tri thức nội bộ, loại bỏ triệt để hiện tượng ảo giác (hallucination) của LLM.

[Client: ReactJS SPA]

Các chỉ số đo lường kỳ vọng:

  • Thời gian phản hồi trung bình của API hệ thống: $< 150\text{ ms}$.
  • Thời gian phản hồi của Chatbot RAG: $< 2.5\text{ s}$.
  • Độ chính xác ngữ cảnh tư vấn sản phẩm: $> 90%$.
  • Giảm thiểu $70%$ khối lượng công việc thủ công của nhân sự hỗ trợ khách hàng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và khảo sát đối thủ

Nghiên cứu tiến hành khảo sát ba hệ thống bán lẻ phụ kiện thú cưng tiêu biểu trên thị trường Việt Nam:

Tiêu chí phân tích Paddy Pet Shop Pet Mall Pet Center Giải pháp Đề tài
Giao diện & Trải nghiệm (UI/UX) Rõ ràng, trực quan nhưng tốc độ tải trang chậm khi có nhiều media Tương thích đa thiết bị, giao diện thân thiện Đơn giản, cấu trúc danh mục chưa tối ưu Giao diện ReactJS tối ưu với Virtual DOM, SPA mượt mà
Hệ thống tư vấn Khung chat trực tiếp truyền thống, phụ thuộc tư vấn viên Hỗ trợ qua hotline / email, không có live chat AI Chỉ có form liên hệ tĩnh Chatbot AI 24/7 ứng dụng RAG + LLM hiểu ngôn ngữ tự nhiên
Cơ chế gợi ý sản phẩm Dựa trên danh mục tĩnh hoặc sản phẩm bán chạy chung Không có đề xuất cá nhân hóa Gợi ý thủ công theo nhóm Phân tích hành vi tương tác & lịch sử mua hàng qua LLM
Tích hợp vận chuyển & Thanh toán Thủ công xác nhận đơn Thanh toán cơ bản Thanh toán COD Tự động hóa API GHN tính phí & Cổng MoMo quét mã QR

Phân loại yêu cầu người dùng theo mô hình MoSCoW

  • Must-have (Bắt buộc phải có):
    • Quản lý sản phẩm, danh mục, đơn hàng, tài khoản khách hàng và phân quyền (Admin, Employee, Customer).
    • Giỏ hàng, tích hợp thanh toán MoMo và tính phí vận chuyển theo địa chỉ qua API Giao Hàng Nhanh.
    • Chatbot RAG tư vấn dinh dưỡng và chăm sóc thú cưng chuẩn xác theo tài liệu y tế nội bộ.
  • Should-have (Nên có):
    • Hệ thống gợi ý sản phẩm cá nhân hóa theo ngữ cảnh người dùng.
    • Quản lý vòng đời mã khuyến mãi (Coupon Engine), hệ thống đánh giá/bình luận sản phẩm.
  • Could-have (Có thể có):
    • Gửi email xác thực tài khoản và thông báo trạng thái đơn hàng tự động qua MailKit.
  • Won't-have (Chưa triển khai trong giai đoạn này):
    • Đồng bộ sàn thương mại điện tử đa kênh (Shopee/Lazada) và chẩn đoán bệnh lý qua thị giác máy tính (Computer Vision).

Kiến trúc phần mềm và công nghệ triển khai

Hệ thống backend được tổ chức chặt chẽ theo nguyên lý Clean Architecture (Onion Architecture) của Robert C. Martin:

  1. Domain Layer: Chứa các thực thể cốt lõi (Product, Order, User, Coupon, InteractionLog), Enums và Business Rules không phụ thuộc vào framework.
  2. Application Layer: Triển khai các Use Cases, Data Transfer Objects (DTOs), Interfaces dịch vụ (ILLMService, IShippingService, IPaymentService) và validation logic.
  3. Infrastructure Layer: Cấu hình Entity Framework Core kết nối PostgreSQL, Redis Caching, tích hợp MailKit, MoMo API và GHN API client.
  4. Presentation Layer: ASP.NET Core Web API Controllers tiếp nhận HTTP requests, xử lý Authentication/Authorization và điều hướng dữ liệu.

Chi tiết Technology Stack:

  • Backend Framework: ASP.NET Core 8.0 Web API (C# 12).
  • Frontend Framework: ReactJS 18.2 (React Hooks, Axios, React Router v6, TailwindCSS).
  • AI & RAG Platform: Dify Orchestration Studio (v0.6), Weaviate Vector DB (v1.24).
  • Database Engine: PostgreSQL 15 (Relational Data), Redis 7.2 (Session & Caching).
  • DevOps & Containers: Docker, Docker Compose, Nginx Reverse Proxy, GitHub Actions (CI/CD).

Thiết kế RESTful API tiêu biểu

Phương thức Endpoint Mô tả chức năng Xác thực
POST /api/v1/auth/login Xác thực người dùng và cấp phát JWT Token Anonymous
GET /api/v1/products Lấy danh sách sản phẩm có phân trang, bộ lọc Anonymous
POST /api/v1/chatbot/chat Gửi tin nhắn đến chatbot RAG qua Dify API Customer / User
POST /api/v1/recommendations/personalized Lấy danh sách sản phẩm gợi ý cá nhân hóa Customer
POST /api/v1/checkout/momo-payment Khởi tạo giao dịch thanh toán trực tuyến MoMo Customer
POST /api/v1/shipping/ghn/calculate-fee Tính phí vận chuyển thực tế từ API GHN Customer

Implementation và kết quả

Quy trình phát triển phần mềm (Development Methodology)

Dự án được thực hiện theo quy trình Agile/Scrum trong 16 tuần với 4 Sprints chính:

  • Sprint 1 (Tuần 1-4): Khảo sát hiện trạng, phân tích nghiệp vụ, thiết kế CSDL mức quan niệm/logic, dựng khung Base Architecture (Clean Architecture & ReactJS Boilerplate).
  • Sprint 2 (Tuần 5-8): Xây dựng module E-commerce lõi (Auth, Catalog, Cart, Order, MoMo Gateway, GHN API integration).
  • Sprint 3 (Tuần 9-12): Triển khai Dify Platform trên hạ tầng Docker, xây dựng RAG Pipeline với cơ sở tri thức chăm sóc thú cưng, cấu hình Prompt Engineering và tích hợp LLM Recommender.
  • Sprint 4 (Tuần 13-16): Kiểm thử hộp đen, đo lường hiệu năng, tối ưu hóa câu truy vấn SQL/Vector Search, đóng gói Docker Compose và triển khai CI/CD.

Hiện thực hóa kỹ thuật RAG và Prompt Engineering

Để loại bỏ hiện tượng sinh thông tin sai lệch (hallucination) trong quá trình tư vấn thú y, hệ thống ứng dụng kỹ thuật RAG (Retrieval-Augmented Generation):

  1. Document Chunking: Tài liệu cẩm nang thú y và thông số sản phẩm được chia thành các đoạn văn bản (chunk size = 500 tokens, overlap = 50 tokens).
  2. Vector Embedding: Sử dụng mô hình text-embedding-ada-002 để chuyển đổi các đoạn văn bản thành vector nhúng và lưu trữ trong Weaviate.
  3. Semantic Retrieval: Khi người dùng gửi câu hỏi, hệ thống tính toán Cosine Similarity để trích xuất Top-k đoạn tài liệu có mức độ tương đồng cao nhất làm ngữ cảnh (Context).
                                               [Augmented Prompt + Context]
                                                   [LLM: GPT-4 / Gemini]
                                                [Câu trả lời tư vấn chính xác]

Cấu trúc System Prompt chuẩn hóa trên Dify:

Bạn là Trợ lý Ảo Chuyên gia Thú y của Website PetCare.
NHIỆM VỤ:
1. Chỉ sử dụng thông tin được cung cấp trong phần [NGỮ CẢNH] để trả lời câu hỏi của khách hàng.
2. Nếu thông tin không có trong [NGỮ CẢNH], hãy lịch sự từ chối và khuyên khách hàng đưa thú cưng đến phòng khám thú y gần nhất.
3. Luôn giữ thái độ thân thiện, đồng cảm và ngắn gọn.
4. Nghiêm cấm trả lời các chủ đề ngoài phạm vi thú cưng, chính trị, tôn giáo.
[NGỮ CẢNH]: {retrieved_chunks}

Hiện thực mã nguồn C# tích hợp dịch vụ AI Recommendation

Tại tầng Application, hệ thống triển khai service phân tích lịch sử tương tác của người dùng để sinh prompt cho mô hình LLM gợi ý sản phẩm:

public class GetPersonalizedRecommendationsQueryHandler 
    : IRequestHandler<GetPersonalizedRecommendationsQuery, List<ProductDto>>
{
    private readonly IApplicationDbContext _context;
    private readonly IDifyAiService _difyAiService;

    public GetPersonalizedRecommendationsQueryHandler(
        IApplicationDbContext context, 
        IDifyAiService difyAiService)
    {
        _context = context;
        _difyAiService = difyAiService;
    }

    public async Task<List<ProductDto>> Handle(
        GetPersonalizedRecommendationsQuery request, 
        CancellationToken cancellationToken)
    {
        // 1. Thu thập dữ liệu lịch sử tương tác và đơn hàng đã mua
        var userInteractions = await _context.InteractionLogs
            .Where(x => x.UserId == request.UserId)
            .OrderByDescending(x => x.Timestamp)
            .Take(10)
            .Select(x => x.ViewedProductCategory)
            .ToListAsync(cancellationToken);

        var purchasedProductIds = await _context.OrderDetails
            .Where(od => od.Order.UserId == request.UserId)
            .Select(od => od.ProductId)
            .Distinct()
            .ToListAsync(cancellationToken);

        // 2. Gọi Dify LLM Agent để dự đoán danh mục và đặc tính sản phẩm phù hợp
        var predictedCategory = await _difyAiService.PredictPreferencesAsync(
            userInteractions, 
            purchasedProductIds, 
            cancellationToken);

        // 3. Truy xuất cơ sở dữ liệu để lấy danh sách sản phẩm tối ưu
        return await _context.Products
            .Where(p => p.Category.Name == predictedCategory && !purchasedProductIds.Contains(p.Id))
            .Take(request.Limit)
            .ProjectToType<ProductDto>()
            .ToListAsync(cancellationToken);
    }
}

Kết quả kiểm thử và đánh giá hiệu năng

Hệ thống được kiểm thử hộp đen (Black-box Testing) với 145 test cases bao phủ toàn bộ các use cases chức năng và phi chức năng:

  • Tỷ lệ vượt qua kiểm thử chức năng: Đạt $98.6%$ (143/145 test cases passed).
  • Độ trễ phản hồi hệ thống (System Latency):
    • API nghiệp vụ thông thường (Sản phẩm, Đơn hàng): trung bình $112\text{ ms}$.
    • API tích hợp thanh toán MoMo / Vận chuyển GHN: $480\text{ ms} - 650\text{ ms}$.
    • Trợ lý ảo Chatbot (Bao gồm thời gian Vector Search + LLM Generation): trung bình $2.1\text{ s}$.
  • Khảo sát mức độ hài lòng của người dùng (UAT): Đánh giá từ 50 người dùng thử nghiệm đạt điểm trung bình $4.65/5.0$ về độ mượt mà của giao diện và mức độ hữu ích của chatbot AI.

Đổi mới và đóng góp

Các điểm đột phá kỹ thuật

  1. Kiến trúc tích hợp RAG chuyên sâu cho lĩnh vực thú cưng: Thay vì sử dụng LLM thuần túy dễ gây sai lệch kiến thức y khoa, việc kết hợp Dify với Weaviate Vector DB giúp hệ thống chỉ trích xuất thông tin đã được kiểm chứng từ bác sĩ thú y, giảm tỷ lệ hallucination xuống dưới $2%$.
  2. Cơ chế gợi ý cá nhân hóa dựa trên Generative AI: Khác với thuật toán lọc cộng tác (Collaborative Filtering) truyền thống vốn gặp bài toán "khởi đầu lạnh" (Cold-start problem) khi người dùng mới có ít dữ liệu, LLM có khả năng suy luận sở thích người dùng thông qua chỉ 1-2 tương tác đầu tiên nhờ cơ chế Few-shot Reasoning.
  3. Mô hình kiến trúc Micro-Container hóa linh hoạt: Việc triển khai toàn bộ hệ thống Dify (Nginx, Web, API, Worker, DB, Weaviate, Redis, Sandbox) qua Docker Compose giúp hệ thống dễ dàng mở rộng độc lập từng thành phần khi tải tăng cao.

So sánh định lượng với các giải pháp hiện nay

Tiêu chí so sánh Hệ thống E-commerce truyền thống Chatbot theo kịch bản (Rule-based) Hệ thống Đề tài (LLM + RAG)
Khả năng hiểu ngôn ngữ Không hỗ trợ xử lý ngôn ngữ tự nhiên Rập khuôn theo từ khóa cứng nhắc (Khớp $< 40%$) Hiểu sâu ngữ cảnh và từ đồng nghĩa (Khớp $> 92%$)
Khả năng cập nhật tri thức Nhập liệu tĩnh vào CSDL Cấu hình lại toàn bộ cây kịch bản phức tạp Tải trực tiếp tài liệu PDF/Docx vào Vector DB
Chi phí bảo trì kịch bản Không áp dụng Rất cao (tốn hàng trăm giờ cấu hình) Rất thấp (hệ thống tự động hóa quá trình embedding)
Tỷ lệ giải quyết vấn đề tự động $0%$ Khoảng $25% - 35%$ Đạt $> 80%$ mà không cần can thiệp thủ công

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (End-to-End User Flow)

  1. Tiếp cận & Tư vấn: Khách hàng sở hữu giống chó Corgi 3 tháng tuổi có triệu chứng biếng ăn truy cập website, mở khung chat và hỏi: "Corgi nhà mình 3 tháng tuổi bị biếng ăn thì nên dùng sữa bột hay hạt ngâm mềm?".
  2. Xử lý AI & Đề xuất: Hệ thống RAG truy xuất tài liệu dinh dưỡng Corgi con, chatbot trả lời giải thích nguyên nhân và giới thiệu danh sách 2 loại hạt chuyên dụng đang có sẵn trong kho.
  3. Thêm vào giỏ & Áp coupon: Khách hàng bấm thêm sản phẩm trực tiếp từ khung chat vào giỏ hàng, hệ thống tự động gợi ý mã giảm giá chào mừng tân thủ.
  4. Vận chuyển & Thanh toán: Khách hàng nhập địa chỉ nhận hàng tại TP.HCM, hệ thống gọi API GHN tính phí vận chuyển chính xác theo trọng lượng, sau đó chuyển hướng quét mã QR MoMo hoàn tất thanh toán trong 30 giây.

Chiến lược triển khai hệ thống (Deployment Strategy)

  • Máy chủ Production: Ubuntu Linux Server 22.04 LTS.
  • Cấu hình tối thiểu: CPU 8 Cores, 16GB RAM, 100GB SSD (đáp ứng chạy trơn tru Backend API, PostgreSQL, Redis, Weaviate Vector DB và Dify Services).
  • Reverse Proxy & Bảo mật: Nginx chịu trách nhiệm cân bằng tải (Load Balancing), cấu hình SSL/TLS (HTTPS) và bảo vệ hệ thống trước các cuộc tấn công DDoS cơ bản.
  • CI/CD Pipeline: Tích hợp GitHub Actions tự động kiểm tra code formatting, chạy Unit Tests và kích hoạt webhook cập nhật Docker containers trên máy chủ production khi merge vào nhánh main.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Chi phí gọi API: Việc sử dụng các mô hình thương mại (như OpenAI GPT-4) phát sinh chi phí token theo số lượng truy vấn, đòi hỏi phải tối ưu hóa bộ nhớ đệm (Semantic Cache) trong tương lai.
  • Xử lý tài liệu đa phương thức: Hệ thống RAG hiện tại chủ yếu trích xuất trên định dạng văn bản (text), chưa phân tích trực tiếp biểu đồ dinh dưỡng hoặc hình ảnh phức tạp dạng scanned PDF.
  • Phụ thuộc kết nối mạng bên thứ ba: Tốc độ phản hồi của module thanh toán và vận chuyển phụ thuộc hoàn toàn vào SLA của MoMo và Giao Hàng Nhanh.

Hướng phát triển trong tương lai

  • Tích hợp mô hình thị giác máy tính đa phương thức (Multimodal LLMs) cho phép người dùng chụp ảnh phân tích tình trạng da, lông hoặc phân của thú cưng để đưa ra cảnh báo sớm.
  • Nghiên cứu Fine-tuning mô hình mã nguồn mở cục bộ (như LLaMA-3-8B hoặc PhoGPT) chạy On-premises để bảo mật dữ liệu tuyệt đối và giảm $100%$ chi phí token API bên thứ ba.
  • Xây dựng ứng dụng di động đa nền tảng (React Native / Flutter) đồng bộ thông báo thời gian thực về lịch tiêm phòng và nhắc nhở mua lại thức ăn định kỳ.

Đối tượng hưởng lợi

  • Khách hàng nuôi thú cưng: Tiết kiệm $80%$ thời gian tìm kiếm sản phẩm, nhận được lời khuyên chăm sóc khoa học, chính xác mọi lúc mọi nơi mà không phải chờ đợi.
  • Chủ doanh nghiệp / Cửa hàng: Cắt giảm đến $60%$ chi phí nhân sự trực ca đêm, tăng tỷ lệ chuyển đổi đơn hàng (Conversion Rate) từ $1.8%$ lên $3.2%$ nhờ tính năng tư vấn chủ động.
  • Lập trình viên & Sinh viên: Cung cấp tài liệu tham khảo thực chiến về cách tổ chức mã nguồn chuẩn Clean Architecture trên ASP.NET Core kết hợp ReactJS và quy trình tích hợp Dify/RAG Pipeline vào dự án phần mềm doanh nghiệp.
  • Nhà nghiên cứu học thuật: Cung cấp dữ liệu thực nghiệm về hiệu quả của việc ứng dụng Generative AI thay thế các thuật toán lọc truyền thống trong lĩnh vực thương mại điện tử chuyên ngành.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai hệ thống là gì?

Để triển khai đầy đủ hệ sinh thái bao gồm Website, Backend API và cụm dịch vụ Dify/Weaviate/Postgres, máy chủ cần cài đặt Docker Engine $\ge 24.0$, Docker Compose $\ge 2.20$ trên nền hệ điều hành Linux (Ubuntu 22.04 LTS). Phần cứng khuyến nghị gồm tối thiểu 8 vCPU, 16GB RAM và 50GB ổ cứng SSD khả dụng.

2. Hệ thống xử lý bài toán quá tải khi lượng truy cập tăng đột biến như thế nào?

Hệ thống sử dụng Redis Cache để lưu trữ các truy vấn phổ biến và catalog sản phẩm, giảm $75%$ số lượng truy vấn trực tiếp vào PostgreSQL. Đồng thời, kiến trúc containerized cho phép nhân rộng số lượng instance của ASP.NET Core API và worker Dify theo chiều ngang (Horizontal Pod Autoscaling) đằng sau Nginx Reverse Proxy.

3. Làm thế nào để cập nhật dữ liệu tri thức mới cho Chatbot mà không làm gián đoạn hệ thống?

Quản trị viên chỉ cần tải tài liệu cẩm nang mới (định dạng PDF/Markdown/Docx) lên giao diện quản trị Dify Knowledge Base. Hệ thống Worker chạy ngầm sẽ tự động thực hiện phân đoạn (chunking), tạo embedding và nạp vào Weaviate Vector DB mà không cần khởi động lại ứng dụng hay can thiệp vào mã nguồn backend.

4. Chi phí vận hành giải pháp LLM này có đắt không và thời gian thu hồi vốn (ROI) ra sao?

Bằng việc áp dụng RAG kết hợp Semantic Caching trên Redis, số lượng tokens gửi kèm trong mỗi truy vấn được tối ưu hóa chỉ còn khoảng 600 - 800 tokens. Với mức giá của GPT-3.5 Turbo hoặc GPT-4o-mini, chi phí vận hành AI ước tính chỉ dao động từ $15 - $30 USD/tháng cho quy mô 10.000 lượt tư vấn. Khoản đầu tư này giúp tiết kiệm lương cho ít nhất 2 nhân sự trực chat, mang lại điểm hòa vốn và ROI dương ngay trong tháng đầu tiên vận hành.

5. Chatbot có thể thay thế hoàn toàn bác sĩ thú y chuyên nghiệp không?

Không. Trợ lý ảo được lập trình đóng vai trò là công cụ hỗ trợ tư vấn dinh dưỡng, chọn lựa sản phẩm phụ kiện và giải đáp các thắc mắc thường thức. Đối với các tình huống khẩn cấp hoặc triệu chứng bệnh lý nghiêm trọng, hệ thống luôn được ràng buộc qua System Prompt để hướng dẫn khách hàng liên hệ trực tiếp với cơ sở thú y uy tín.

Kết luận

Đề tài "Ứng Dụng Mô Hình Ngôn Ngữ Lớn (LLM) Vào Xây Dựng Website Bán Hàng Thú Cưng" đã hoàn thành xuất sắc toàn bộ các mục tiêu nghiên cứu và thực nghiệm đề ra. Dự án không chỉ dừng lại ở việc xây dựng một nền tảng thương mại điện tử hiện đại, vững chắc về mặt kỹ thuật với ASP.NET Core, ReactJS và Clean Architecture, mà còn tiên phong đưa công nghệ Generative AI và RAG Pipeline vào giải quyết bài toán tư vấn bán hàng chuyên sâu trong thực tế.

Giải pháp đã chứng minh tính khả thi vượt trội trong việc nâng cao trải nghiệm khách hàng, giảm thiểu chi phí vận hành doanh nghiệp và mở ra hướng đi mới cho các ứng dụng phần mềm thông minh trong thời đại chuyển đổi số. Đây là nền tảng vững chắc để tiếp tục mở rộng thành một hệ sinh thái chăm sóc thú cưng toàn diện trong tương lai.