Bối cảnh và vấn đề nghiên cứu

Thương mại điện tử đang trở thành xu hướng tất yếu trong kỷ nguyên Cách mạng công nghiệp 4.0, đặc biệt sau giai đoạn bùng nổ của đại dịch COVID-19 khi hành vi mua sắm trực tuyến của người tiêu dùng gia tăng mạnh mẽ. Ngành hàng thời trang là lĩnh vực sở hữu tiềm năng phát triển lớn nhờ sức mua cao cùng sự phong phú về danh mục sản phẩm. Tuy nhiên, trước sức ép cạnh tranh từ các thương hiệu thời trang quốc tế như Zara và H&M, các doanh nghiệp thời trang trong nước đứng trước yêu cầu cấp thiết phải hiện đại hóa nền tảng số, tối ưu hóa trải nghiệm khách hàng thông qua các giải pháp công nghệ như gợi ý sản phẩm thông minh và chuyển đổi số quy trình quản lý. Nghiên cứu tập trung giải quyết bài toán ứng dụng công nghệ phù hợp với điều kiện của các doanh nghiệp vừa và nhỏ (SMEs) – nhóm đối tượng có nguồn lực đầu tư hạn chế nhưng nhu cầu khai thác kênh bán hàng trực tuyến rất lớn.

Mục tiêu nghiên cứu của đề tài được xác định gồm ba nội dung chính:

  1. Xây dựng một website thương mại điện tử cho phép người dùng tìm kiếm, tra cứu thông tin chi tiết và đặt mua các sản phẩm thời trang trực tuyến vào bất kỳ thời điểm nào; đồng thời hỗ trợ theo dõi đơn hàng, gửi đánh giá và bình luận về sản phẩm đã mua.
  2. Thiết kế giao diện người dùng thân thiện, đảm bảo tốc độ phản hồi nhanh, tính chính xác và an toàn bảo mật thông tin cá nhân.
  3. Xây dựng hệ thống quản trị hoàn chỉnh phục vụ công tác vận hành, kiểm soát dữ liệu bán hàng và quản lý kho hàng cho doanh nghiệp hoặc cửa hàng.

Nhiệm vụ nghiên cứu được phân định thành hai nhóm:

  • Về lý thuyết: Nghiên cứu các nền tảng và công nghệ gồm ReactJS, NextJS, framework NestJS, hệ quản trị cơ sở dữ liệu MySQL và kỹ thuật tăng cường truy xuất tạo sinh (Retrieval-Augmented Generation - RAG).
  • Về thực hành: Ứng dụng NestJS để xây dựng hệ thống RESTful API cho các phân hệ nghiệp vụ; sử dụng MySQL để lưu trữ dữ liệu; sử dụng NextJS, Ant Design và Tailwind CSS để phát triển giao diện người dùng; tích hợp mô hình RAG kết hợp cơ sở dữ liệu vector Qdrant và Gemini API để xây dựng trợ lý ảo tư vấn thời trang.

Đối tượng nghiên cứu của khóa luận là các quy trình quản lý, vận hành thực tiễn hệ thống kinh doanh sản phẩm thời trang và tập hợp các công nghệ phần mềm được ứng dụng để xây dựng hệ thống đó. Phạm vi nghiên cứu về mặt nghiệp vụ bao gồm các tác vụ thương mại điện tử cốt lõi: duyệt danh mục, xem chi tiết sản phẩm, tìm kiếm và lọc sản phẩm (theo giá cả, màu sắc, kích thước, thương hiệu), quản lý giỏ hàng, đặt hàng, xử lý thanh toán và hỗ trợ khách hàng bằng chatbot. Về mặt thời gian, đề tài được triển khai theo kế hoạch 18 tuần, hoàn thành vào tháng 6 năm 2025 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống dựa trên sự kết hợp giữa các công nghệ phát triển web hiện đại và các kỹ thuật xử lý ngôn ngữ tự nhiên:

  • Công nghệ Front-end:

    • ReactJS: Thư viện JavaScript mã nguồn mở tập trung vào tầng hiển thị giao diện (View). React áp dụng kiến trúc dựa trên thành phần (Component-based architecture) độc lập, có thể tái sử dụng; hỗ trợ cú pháp mở rộng JSX kết hợp mã HTML trong JavaScript; sử dụng cơ chế Virtual DOM giúp tối ưu hóa việc cập nhật giao diện mà không phải render lại toàn bộ cây DOM thực; duy trì nguyên lý luồng dữ liệu một chiều (One-Way Data Binding).
    • NextJS: Framework mở rộng của React hỗ trợ tối ưu hóa việc xây dựng giao diện ứng dụng web.
    • Tailwind CSS: Bộ công cụ CSS theo định hướng tiện ích (utility-first), giúp xây dựng giao diện nhanh chóng, tránh việc định nghĩa CSS lặp lại và kiểm soát kích thước tệp tin giao diện.
    • Ant Design và Redux: Được sử dụng để chuẩn hóa các thành phần giao diện và quản lý luồng trạng thái tập trung trong ứng dụng.

  • Công nghệ Back-end và Cơ sở dữ liệu:

    • NestJS: Framework phát triển ứng dụng phía máy chủ xây dựng trên nền tảng Node.js, sử dụng ngôn ngữ TypeScript. NestJS kế thừa các nguyên lý kiến trúc của Angular, sử dụng cơ chế tiêm phụ thuộc (Dependency Injection) và phân chia mô-đun rõ ràng. Cấu trúc lõi của NestJS bao gồm: Modules (đóng gói chức năng), Controllers (tiếp nhận HTTP request qua các decorator như @Get(), @Post(), @Put()), Providers (chứa logic nghiệp vụ hoặc truy xuất dữ liệu), Middleware (xử lý trung gian), Filters (xử lý ngoại lệ), Guards (xác thực và phân quyền), Interceptors (biến đổi dữ liệu yêu cầu/phản hồi) và cơ chế Exception Handling.
    • MySQL: Hệ quản trị cơ sở dữ liệu quan hệ (RDBMS) hoạt động theo mô hình máy khách - máy chủ (Client-Server), lưu trữ dữ liệu dưới dạng các bảng có ràng buộc quan hệ toàn vẹn, tương tác thông qua ngôn ngữ truy vấn SQL.

  • Kỹ thuật Trí tuệ nhân tạo và Truy xuất thông tin (RAG):

    • Gemini API: Giao diện lập trình ứng dụng do Google DeepMind phát triển, hỗ trợ mô hình đa mô thức (multimodal), xử lý ngôn ngữ tự nhiên và tạo sinh phản hồi giàu ngữ cảnh.
    • Qdrant: Cơ sở dữ liệu vector mã nguồn mở viết bằng Rust, cung cấp khả năng tìm kiếm vector tương đồng ngữ nghĩa tốc độ cao thông qua API và tích hợp cơ chế xếp hạng lại (Reranker).
    • Retrieval-Augmented Generation (RAG): Kỹ thuật tăng cường cho mô hình ngôn ngữ lớn (LLM) bằng nguồn tri thức bên ngoài mà không cần huấn luyện lại mô hình. Cơ chế sử dụng Neural Retriever để mã hóa câu hỏi của người dùng và các phân đoạn văn bản thành các vector mật độ cao (dense vector), tính toán độ tương đồng thông qua độ tương đồng Cosine (Cosine similarity). Quy trình xử lý của RAG gồm 5 giai đoạn: tạo cơ sở dữ liệu vector, tiếp nhận truy vấn của người dùng, truy xuất thông tin ngữ nghĩa tương đồng, kết hợp ngữ cảnh với truy vấn ban đầu và đưa qua LLM để sinh câu trả lời.

Phương pháp nghiên cứu được tác giả áp dụng gồm phương pháp khảo sát thực nghiệm và đối sánh hệ thống thông qua việc phân tích ưu, nhược điểm của các website thời trang hiện hành; phương pháp phân tích và thiết kế hướng đối tượng sử dụng hệ thống lược đồ UML (Use Case diagram, Sequence diagram, Class diagram); cùng phương pháp thiết kế cơ sở dữ liệu quan hệ. Nguồn dữ liệu nghiên cứu bao gồm thông tin khảo sát thực tế từ các thương hiệu thời trang tại Việt Nam và tập dữ liệu thuộc tính sản phẩm phục vụ vận hành và nạp tri thức cho chatbot.

Thiết kế và triển khai

Hệ thống được thiết kế theo kiến trúc Client-Server kết hợp tầng dịch vụ trí tuệ nhân tạo (AI Service). Giao diện người dùng NextJS gửi các yêu cầu thông qua RESTful API đến máy chủ NestJS. Tầng máy chủ thực hiện xác thực, xử lý nghiệp vụ, điều hướng dữ liệu đến MySQL để lưu trữ thông tin có cấu trúc, đồng thời kết nối với cơ sở dữ liệu vector Qdrant và mô hình Gemini API để giải quyết các yêu cầu tư vấn sản phẩm.

Cơ sở dữ liệu quan hệ của hệ thống được chuẩn hóa nhằm quản lý đầy đủ các biến thể sản phẩm và quy trình mua bán thời trang. Một số thực thể và cấu trúc bảng tiêu biểu trong tài liệu thiết kế gồm:

Tên bảng dữ liệu Vai trò và ý nghĩa lưu trữ trong hệ thống
Product_categories Quản lý danh mục phân loại các sản phẩm thời trang.
product_variants Quản lý các biến thể cụ thể của một sản phẩm (theo màu sắc, kích thước, tồn kho).
product_color Lưu trữ danh mục các loại màu sắc của sản phẩm.
product_size Lưu trữ danh mục các loại kích cỡ (size) sản phẩm.
order_items Quản lý thông tin chi tiết từng mặt hàng trong một đơn hàng đã đặt.

Quy trình hoạt động của các chức năng quan trọng được cụ thể hóa bằng các lược đồ tuần tự (Sequence Diagram), tiêu biểu là quy trình đăng nhập, tìm kiếm sản phẩm, xem chi tiết sản phẩm, luồng đặt hàng thanh toán và luồng truy xuất thông tin của trợ lý ảo RAG.

Về mặt giao diện, hệ thống triển khai hai phân hệ trực quan:

  • Phân hệ khách hàng: Bao gồm giao diện trang chủ, danh mục sản phẩm, sản phẩm theo danh mục, trang chi tiết sản phẩm, giỏ hàng, trang đặt hàng, trang thanh toán và cửa sổ chatbot tư vấn.
  • Phân hệ quản trị viên: Bao gồm giao diện đăng nhập quản trị, trang tổng quan (dashboard), giao diện quản lý danh sách sản phẩm, màn hình thêm mới sản phẩm, quản lý danh mục, quản lý nhãn hàng, quản lý loại màu, quản lý kích thước (size) và màn hình theo dõi đơn hàng.

Kiểm thử hệ thống được xây dựng với các kịch bản kiểm thử chức năng cho cả hai nhóm người dùng, xác định các trường hợp biên, các rủi ro vận hành và đánh giá độ chính xác của các luồng nghiệp vụ trên hệ thống thực tế.

Nội dung chính theo từng chương

Chương 1: Cơ sở lý thuyết

Chương này tập trung trình bày tổng quan lý thuyết về các công nghệ phần mềm được lựa chọn. Tác giả phân tích sâu về đặc điểm của ReactJS với mô hình component, Virtual DOM, cú pháp JSX và luồng dữ liệu một chiều; giới thiệu framework CSS Tailwind với triết lý utility-first. Ở phần Back-end, chương làm rõ cấu trúc module hóa của NestJS và nguyên lý Dependency Injection, chi tiết hóa vai trò của Controllers, Providers, Middleware, Guards và Interceptors. Về cơ sở dữ liệu và trí tuệ nhân tạo, tác giả phân tích nguyên lý RDBMS của MySQL, năng lực đa mô thức của Gemini API, kiến trúc tìm kiếm vector của Qdrant và quy trình 5 bước của kỹ thuật RAG ứng dụng Neural Retrieval để mở rộng tri thức cho mô hình ngôn ngữ lớn.

Chương 2: Khảo sát hiện trạng và mô hình hóa yêu cầu

Chương 2 trình bày kết quả khảo sát các website thương mại điện tử thời trang trên thị trường Việt Nam bằng từ khóa tìm kiếm "quần áo thời trang", từ đó chỉ ra cơ sở thực tiễn để định hình các yêu cầu chức năng của hệ thống.

Website khảo sát Ưu điểm ghi nhận Nhược điểm còn tồn tại
FM Giao diện trực quan, đa dạng phương thức thanh toán, nhiều khuyến mãi, có gợi ý trang phục, nhiều cửa hàng. Khó thao tác điều chỉnh chiều cao cân nặng khi mua sắm; không thể theo dõi trạng thái giao hàng.
Yame Đa dạng sản phẩm, chăm sóc khách hàng nhanh chóng, phân chia danh mục cụ thể theo đối tượng tiêu dùng. Giao diện đơn sơ, không có thanh toán trực tuyến, hình ảnh chưa sắc nét, ít chương trình khuyến mãi.
Coolmate Giao diện trực quan, đa dạng thanh toán, dịch vụ chăm sóc khách hàng tốt, hỗ trợ chế tác theo yêu cầu. Giao diện chưa thực sự thu hút, chưa tối ưu trên đa thiết bị, không thể theo dõi trạng thái đơn hàng.

Trên cơ sở khắc phục các hạn chế trên, tác giả xác định danh mục yêu cầu hệ thống và lập bảng đặc tả Use Case chi tiết:

Mã Use Case Tên Use Case Tác nhân chính Mục tiêu nghiệp vụ
UC-1 / UC-USER-XCSP Xem chi tiết sản phẩm Khách hàng Xem thông tin mô tả, giá cả, hình ảnh và đánh giá sản phẩm.
UC-2 Tìm kiếm sản phẩm Khách hàng Tra cứu sản phẩm theo từ khóa hoặc bộ lọc (giá, màu sắc, kích thước).
UC-3 Xem danh mục sản phẩm Khách hàng Duyệt danh sách các nhóm sản phẩm thời trang trên hệ thống.
UC-5 Quản lý giỏ hàng / Đặt hàng Khách hàng Xem, điều chỉnh số lượng sản phẩm trong giỏ và tiến hành thanh toán.
UC-6 Nhận tư vấn từ chatbot Khách hàng Tương tác với chatbot AI để nhận gợi ý sản phẩm phù hợp nhu cầu.
UC-7 / UC-8 Thao tác giỏ hàng Khách hàng Thêm sản phẩm vào giỏ, cập nhật số lượng hoặc xóa sản phẩm khỏi giỏ.
UC-11 Đăng nhập Quản trị viên / User Xác thực tài khoản, kiểm tra xác nhận email và phân quyền điều hướng.
UC-11 (Admin) Quản lý sản phẩm Quản trị viên Thêm mới, chỉnh sửa thông tin hoặc xóa sản phẩm khỏi hệ thống.
UC-12 Quản lý danh mục Quản trị viên Thêm, sửa, xóa các nhóm danh mục sản phẩm.
UC-13 / UC-14 / UC-15 Quản lý đơn hàng Quản trị viên Xem danh sách đơn hàng, xem chi tiết và cập nhật trạng thái đơn hàng.
UC-16 Báo cáo và thống kê Quản trị viên Theo dõi báo cáo doanh thu, số lượng đơn hàng và sản phẩm bán chạy.

Chương 3: Thiết kế phần mềm

Chương này chuyển hóa các yêu cầu đã phân tích thành các mô hình kỹ thuật. Tác giả xây dựng các lược đồ tuần tự (Sequence Diagram) mô tả luồng tương tác giữa người dùng, giao diện, bộ điều khiển và cơ sở dữ liệu cho các ca sử dụng then chốt: đăng nhập, xem chi tiết, tìm kiếm, đặt hàng, tương tác với chatbot AI, quản trị sản phẩm, quản trị danh mục và quản lý đơn hàng. Về mặt dữ liệu, chương cung cấp lược đồ lớp (Class Diagram) và lược đồ cơ sở dữ liệu quan hệ, làm rõ cấu trúc liên kết giữa bảng sản phẩm và các biến thể kích thước, màu sắc, chi tiết đơn mua. Phần thiết kế giao diện được minh họa qua hệ thống 15 bản vẽ màn hình chi tiết từ phía khách hàng đến các màn hình nghiệp vụ phía quản trị viên.

Chương 4: Cài đặt và kiểm thử

Chương 4 mô tả quá trình hiện thực hóa các mô-đun phần mềm từ thiết kế sang mã nguồn thực tế. Nội dung bao gồm việc cài đặt API bằng NestJS, thiết lập kết nối cơ sở dữ liệu MySQL, xây dựng giao diện NextJS kết hợp Tailwind CSS và Ant Design, đồng thời cấu hình kết nối giữa Qdrant và Gemini API để chạy mô hình RAG. Tác giả xây dựng kế hoạch kiểm thử, xác định phạm vi kiểm thử, phân tích các rủi ro vận hành và lập các bảng kết quả kiểm thử chức năng cho phân hệ người dùng và phân hệ quản trị viên, xác nhận mức độ hoàn thiện của các chức năng nghiệp vụ.

Kết quả và đóng góp

Về mặt kết quả kỹ thuật, đề tài đã hoàn thành các mục tiêu đề ra:

  • Xây dựng thành công website bán sản phẩm thời trang hoàn chỉnh với hai phân hệ độc lập: phân hệ khách hàng hỗ trợ tìm kiếm, lọc sản phẩm theo nhiều tiêu chí, quản lý giỏ hàng, đặt hàng thanh toán và tương tác với trợ lý ảo; phân hệ quản trị viên hỗ trợ quản lý sản phẩm, biến thể màu sắc, kích cỡ, danh mục, đơn hàng và báo cáo thống kê.
  • Xây dựng hệ thống RESTful API chuẩn mực trên nền tảng NestJS, áp dụng cấu trúc mô-đun hóa, cơ chế bảo vệ Guards và xử lý ngoại lệ Exception Filters.
  • Triển khai thành công kiến trúc RAG với cơ sở dữ liệu vector Qdrant và Gemini API, cho phép chatbot hiểu ngữ cảnh câu hỏi bằng ngôn ngữ tự nhiên và truy xuất chính xác thông tin sản phẩm thời trang từ kho tri thức nội bộ mà không cần huấn luyện lại toàn bộ mô hình ngôn ngữ.

Về mặt đóng góp khoa học và thực tiễn:

  • Đề tài đóng góp vào cơ sở lý luận về việc ứng dụng các công nghệ tiên tiến như mô hình ngôn ngữ lớn (LLM), truy xuất thông tin dựa trên mạng nơ-ron (Neural Retrieval) và cơ sở dữ liệu vector vào lĩnh vực thương mại điện tử.
  • Đề tài mang lại giải pháp thực tiễn có tính ứng dụng cao, cung cấp một mô hình kiến trúc tham khảo khả thi với chi phí tối ưu cho các doanh nghiệp vừa và nhỏ (SMEs) ngành thời trang trong quá trình chuyển đổi số và nâng cao năng lực cạnh tranh trên thị trường trực tuyến.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận một số hạn chế nhất định dựa trên phạm vi triển khai thực tế:

  • Hiệu năng của hệ quản trị cơ sở dữ liệu MySQL gặp rào cản khi số lượng bản ghi tăng cao, dẫn tới khó khăn trong truy xuất dữ liệu quy mô lớn do những hạn chế về dung lượng và cơ chế lưu trữ quan hệ truyền thống.
  • Hiệu suất và độ chính xác của chatbot tư vấn RAG phụ thuộc trực tiếp vào chất lượng của mô hình truy xuất (retrieval model) và độ bao phủ của kho dữ liệu tri thức ban đầu; tài nguyên tính toán để xử lý embedding vector cũng đòi hỏi cấu hình nhất định.
  • Mặc dù bối cảnh đề tài có đề cập đến các xu hướng công nghệ như thực tế tăng cường (AR) phục vụ thử đồ ảo và tìm kiếm bằng hình ảnh, phiên bản triển khai hiện tại mới chỉ tập trung hoàn thiện các tính năng thương mại điện tử cốt lõi và chatbot RAG dạng văn bản, chưa tích hợp được tính năng AR thử đồ ảo.

Hướng nghiên cứu tiếp theo của đề tài bao gồm việc tối ưu hóa hiệu năng truy vấn cơ sở dữ liệu, mở rộng kho tri thức cho hệ thống RAG, phát triển tính năng tìm kiếm bằng hình ảnh và tích hợp công nghệ thử đồ ảo (AR) nhằm nâng cao hơn nữa trải nghiệm mua sắm trực tuyến của người dùng.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo hữu ích cho:

  • Sinh viên chuyên ngành Công nghệ thông tin và Kỹ thuật phần mềm đang thực hiện đồ án tốt nghiệp hoặc các dự án phát triển hệ thống web quy mô hoàn chỉnh.
  • Các lập trình viên quan tâm đến mô hình kiến trúc phân tầng kết hợp giữa NextJS ở tầng giao diện và NestJS ở tầng máy chủ ứng dụng theo hướng chuẩn hóa mã nguồn.
  • Những người nghiên cứu ứng dụng trí tuệ nhân tạo trong thương mại điện tử, đặc biệt là quy trình triển khai kỹ thuật Retrieval-Augmented Generation (RAG) kết hợp với cơ sở dữ liệu vector Qdrant và Gemini API để xây dựng hệ thống hỏi đáp thông minh.

Nội dung đáng tham khảo nhất trong tài liệu là hệ thống đặc tả Use Case chi tiết ở Chương 2, thiết kế các bảng dữ liệu quản lý biến thể sản phẩm thời trang (product_variants, product_color, product_size) ở Chương 3 và phương pháp tích hợp công nghệ RAG vào ứng dụng web thực tế.

Câu hỏi thường gặp

1. Khóa luận sử dụng các công nghệ nào để xây dựng hệ thống chatbot tư vấn bán hàng?
Tác giả sử dụng kỹ thuật Tăng cường truy xuất tạo sinh (RAG), kết hợp cơ sở dữ liệu vector Qdrant viết bằng Rust để lưu trữ dense vector và tìm kiếm tương đồng ngữ nghĩa bằng Cosine similarity, cùng với Gemini API của Google DeepMind đóng vai trò mô hình ngôn ngữ lớn (LLM) để sinh câu trả lời tư vấn cho khách hàng.

2. Framework NestJS được tổ chức theo kiến trúc nào và gồm các thành phần cốt lõi nào?
NestJS được tổ chức theo kiến trúc mô-đun hóa lấy cảm hứng từ Angular, áp dụng cơ chế tiêm phụ thuộc (Dependency Injection). Các thành phần cấu trúc cốt lõi bao gồm: Modules (mô-đun chức năng), Controllers (bộ điều khiển xử lý HTTP request), Providers (nhà cung cấp dịch vụ/nghiệp vụ), Middleware (xử lý trung gian), Filters (bộ lọc xử lý ngoại lệ), Guards (bảo vệ, kiểm tra quyền), Interceptors (bộ chặn thay đổi response) và Exception handling.

3. Kết quả khảo sát các website thời trang hiện hành (FM, Yame, Coolmate) chỉ ra những nhược điểm chung nào?
Khảo sát thực tế trong khóa luận chỉ ra các hạn chế phổ biến gồm: website FM khó thao tác điều chỉnh chiều cao cân nặng và không theo dõi được trạng thái giao hàng; website Yame có giao diện đơn sơ và không có thanh toán trực tuyến; website Coolmate chưa tối ưu hiển thị đa thiết bị và cũng chưa cho phép theo dõi trạng thái giao hàng chi tiết.

4. Dữ liệu thuộc tính sản phẩm thời trang nhiều biến thể được thiết kế qua các bảng nào trong cơ sở dữ liệu?
Hệ thống chuẩn hóa thuộc tính sản phẩm thông qua việc phân tách thành nhiều bảng quan hệ, bao gồm bảng Product_categories (danh mục sản phẩm), product_variants (các biến thể cụ thể của sản phẩm), product_color (loại màu sắc), product_size (kích cỡ sản phẩm) và bảng order_items (chi tiết mặt hàng trong đơn).

5. Vì sao tác giả lựa chọn kỹ thuật RAG thay vì huấn luyện lại toàn bộ mô hình ngôn ngữ lớn (fine-tuning)?
Theo lý giải trong cơ sở lý thuyết, RAG cho phép mô hình ngôn ngữ lớn tận dụng trực tiếp tri thức chuyên biệt từ nguồn dữ liệu bên ngoài mà không yêu cầu huấn luyện lại mô hình, giúp tiết kiệm đáng kể thời gian và tài nguyên tính toán, đồng thời duy trì hiệu quả cao ngay cả khi nguồn dữ liệu gán nhãn bị hạn chế.

Kết luận

Đồ án tốt nghiệp của tác giả Nguyễn Bá Phước đã hoàn thành việc nghiên cứu và xây dựng website bán sản phẩm thời trang sử dụng NextJS và NestJS, kết hợp cơ sở dữ liệu MySQL. Điểm nhấn kỹ thuật của đề tài là việc tích hợp thành công mô hình trợ lý ảo RAG sử dụng cơ sở dữ liệu vector Qdrant và Gemini API nhằm hỗ trợ tư vấn sản phẩm thông minh cho người dùng. Toàn bộ quy trình từ khảo sát thực tế, mô hình hóa yêu cầu, thiết kế kiến trúc phần mềm đến cài đặt và kiểm thử đều được trình bày có hệ thống, tạo nên một tài liệu kỹ thuật có giá trị tham khảo thiết thực cho các dự án thương mại điện tử hiện đại.