Hoàn thành bài "Chương 7 – Bài 4: AI Voice, AI Call Center và AI Meeting Assistant" trước để mở khoá bài này.Đến bài trước

Giới thiệu

Trong bối cảnh doanh nghiệp ngày càng phụ thuộc vào dữ liệu nội bộ, việc để nhân viên mới mất hàng tuần mới nắm được quy trình, hoặc để AI Agent trả lời sai vì thiếu ngữ cảnh công ty — là những vấn đề hoàn toàn có thể giải quyết bằng kỹ thuật. Bài này hướng dẫn bạn xây dựng Knowledge Base (kho tri thức) và SOP (Standard Operating Procedure) có cấu trúc, sau đó kết nối chúng với AI Agent để tạo ra một hệ thống hỗ trợ nội bộ thực sự hữu ích.

Knowledge Base không chỉ là file Word hay trang Notion để đó. Khi được thiết kế đúng và tích hợp với AI, nó trở thành bộ nhớ dài hạn của Agent — giúp Agent trả lời đúng theo chính sách công ty thay vì dựa vào kiến thức chung chung từ quá trình huấn luyện.

Thiết kế cấu trúc Knowledge Base

Một Knowledge Base hiệu quả cần được tổ chức theo cách mà cả con người lẫn AI đều có thể tra cứu dễ dàng. Nguyên tắc cốt lõi là chia nhỏ thông tin thành các đơn vị độc lập, mỗi đơn vị trả lời một câu hỏi cụ thể.

Cấu trúc thư mục gợi ý cho một doanh nghiệp vừa:

text
knowledge-base/
├── products/
│ ├── product-a-overview.md
│ └── pricing-policy.md
├── sop/
│ ├── onboarding-new-employee.md
│ ├── customer-complaint-handling.md
│ └── invoice-processing.md
├── faq/
│ └── common-questions.md
└── policies/
├── refund-policy.md
└── data-privacy.md

Mỗi file nên bắt đầu bằng metadata rõ ràng để AI hiểu ngữ cảnh khi retrieval:

markdown
---
title: Quy trình xử lý khiếu nại khách hàng
category: sop
last_updated: 2024-01-15
owner: customer-success-team
tags: [khiếu_nại, hoàn_tiền, escalation]
---
# Quy trình xử lý khiếu nại khách hàng
## Mục tiêu
Giải quyết mọi khiếu nại trong vòng 24 giờ, đảm bảo khách hàng hài lòng...
sơ đồ cấu trúc phân cấp Knowledge Base gồm 4 nhóm: products, sop, faq, policies với các file bên dưới mỗi nhóm

Số hóa SOP theo định dạng AI-friendly

SOP viết cho người đọc và SOP viết cho AI Agent có sự khác biệt quan trọng. AI hoạt động tốt nhất khi SOP được viết dưới dạng các bước tuần tự, rõ điều kiện, rõ đầu ra. Tránh dùng ngôn ngữ mơ hồ như "xem xét tùy tình huống" mà không có ví dụ cụ thể.

Dưới đây là ví dụ SOP xử lý yêu cầu hoàn tiền được viết theo chuẩn AI-friendly:

markdown
# SOP: Xử lý yêu cầu hoàn tiền
## Điều kiện áp dụng
- Khách hàng yêu cầu hoàn tiền trong vòng 30 ngày kể từ ngày mua
- Đơn hàng có giá trị dưới 5,000,000 VND
## Các bước thực hiện
### Bước 1: Xác minh thông tin đơn hàng
- Yêu cầu: Mã đơn hàng, email đăng ký
- Công cụ: Tra cứu hệ thống CRM
- Đầu ra: Xác nhận đơn hàng tồn tại và còn trong hạn hoàn tiền
### Bước 2: Kiểm tra lý do hoàn tiền
- Nếu lý do là lỗi sản phẩm → Chuyển sang SOP bảo hành
- Nếu lý do là thay đổi quyết định → Tiếp tục bước 3
- Nếu không rõ lý do → Hỏi thêm thông tin từ khách
### Bước 3: Phê duyệt và xử lý
- Đơn dưới 500,000 VND: Tự động phê duyệt
- Đơn từ 500,000 đến 5,000,000 VND: Cần manager xác nhận
- Thời gian hoàn tiền: 3-5 ngày làm việc
## Escalation
Nếu khách không đồng ý với quyết định → Email lên support@company.com với tiêu đề [ESCALATION] + mã đơn hàng

Tích hợp Knowledge Base với AI Agent qua RAG

RAG (Retrieval-Augmented Generation) là kỹ thuật cho phép AI Agent tra cứu Knowledge Base trong thời gian thực thay vì chỉ dựa vào kiến thức được huấn luyện sẵn. Luồng hoạt động cơ bản gồm 3 bước: người dùng đặt câu hỏi, hệ thống tìm kiếm các đoạn văn bản liên quan nhất trong Knowledge Base, sau đó truyền cả câu hỏi lẫn ngữ cảnh tìm được vào LLM để sinh câu trả lời.

Ví dụ tích hợp đơn giản với LangChain và OpenAI:

python
from langchain.document_loaders import DirectoryLoader, UnstructuredMarkdownLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
# Bước 1: Load toàn bộ file markdown trong thư mục knowledge-base
loader = DirectoryLoader(
"./knowledge-base",
glob="**/*.md",
loader_cls=UnstructuredMarkdownLoader
)
documents = loader.load()
# Bước 2: Chia nhỏ tài liệu thành các chunk
splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50
)
chunks = splitter.split_documents(documents)
# Bước 3: Tạo vector store
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(chunks, embeddings, persist_directory="./chroma_db")
# Bước 4: Tạo RAG chain
llm = ChatOpenAI(model="gpt-4o", temperature=0)
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
retriever=vectorstore.as_retriever(search_kwargs={"k": 3}),
return_source_documents=True
)
# Sử dụng
result = qa_chain({"query": "Quy trình hoàn tiền cho đơn hàng 2 triệu là gì?"})
print(result["result"])
print("Nguồn:", [doc.metadata for doc in result["source_documents"]])

Tham số chunk_size=500 nghĩa là mỗi đoạn tối đa 500 ký tự. chunk_overlap=50 giúp giữ lại một phần ngữ cảnh giữa các chunk liền kề, tránh mất thông tin khi cắt đúng giữa câu. Tham số k=3 nghĩa là lấy 3 đoạn liên quan nhất để đưa vào context.

sơ đồ luồng RAG gồm 4 bước: câu hỏi người dùng → vector search trong Knowledge Base → trả về top-K chunks → LLM tổng hợp câu trả lời

Tổng kết

Xây dựng Knowledge Base và SOP thông minh là nền tảng để AI Agent hoạt động đúng trong bối cảnh doanh nghiệp. Ba điểm then chốt cần nhớ: tổ chức tài liệu theo cấu trúc rõ ràng với metadata đầy đủ; viết SOP theo định dạng có điều kiện và đầu ra cụ thể thay vì văn xuôi mơ hồ; và kết nối Knowledge Base với Agent qua kỹ thuật RAG để Agent luôn tra cứu đúng nguồn thay vì đoán mò. Chất lượng của Knowledge Base quyết định trực tiếp chất lượng câu trả lời của Agent — garbage in, garbage out vẫn là quy tắc số một.

Luyện tập sau buổi học

Bài kiểm tra cuối bài

Ôn lại kiến thức, thử sức và nhận góp ý cho bài làm.

0/1
Đã trả lời · 0/1