“…I”

Dockerfile

@@ -1,33 +1,12 @@
-# Sử dụng base image Python tối ưu (nhẹ gọn)
 FROM python:3.12-slim
-
-# Ngăn chặn Python sinh ra file .pyc
 ENV PYTHONDONTWRITEBYTECODE 1
-# Ghi log trực tiếp lên console không qua buffer
 ENV PYTHONUNBUFFERED 1
-
-# Tạo thư mục làm việc trong container
-WORKDIR /app
-
-# Cài đặt các thư viện hệ thống cần thiết (nếu cần thiết cho compiler của một số package)
 RUN apt-get update && apt-get install -y --no-install-recommends \
     build-essential \
     && rm -rf /var/lib/apt/lists/*
-
-# Copy requirements trước để tận dụng Docker Cache
 COPY requirements.txt .
-
-# Cài đặt thư viện Python
 RUN pip install --no-cache-dir -r requirements.txt
-
-# Copy toàn bộ source code vào container
 COPY . .
-
-# Tạo sẵn thư mục data và VectorDB để tránh lỗi quyền ghi (Permissions)
 RUN mkdir -p /app/data /app/VectorDB
-
-# Expose cổng 8000 (cổng FastAPI chạy)
 EXPOSE 8000
-
-# Lệnh khởi chạy server khi container start
 CMD ["uvicorn", "api:app", "--host", "0.0.0.0", "--port", "8000"]

README.md

@@ -1,8 +1,8 @@
-# 🚀 Advanced Enterprise RAG Chatbot
+# Advanced Enterprise RAG Chatbot
 
 Hệ thống Chatbot RAG (Retrieval-Augmented Generation) thông minh, được thiết kế để xử lý đa luồng câu hỏi, hỗ trợ giao diện Web trực quan và tích hợp sâu với các mô hình ngôn ngữ tiên tiến của Google và HuggingFace.
 
-## 📊 Sơ đồ Kiến trúc Hệ thống
+## Sơ đồ Kiến trúc Hệ thống
 
 Dưới đây là sơ đồ luồng hoạt động (Workflow) của hệ thống, bao gồm quá trình Nạp dữ liệu (Offline Ingestion) và quá trình Truy vấn thời gian thực (Online Querying):
 
@@ -19,7 +19,7 @@ flowchart TD
     D1 -- Save to Qdrant --> VDB[(Vector DB)]
 
     %% Query Pipeline
-    U1((Student)) --> Q1([Query])
+    U1((Client)) --> Q1([Query])
     
     Q1 --> QT[Query Transform]
     QT --> QR[Query Router]
@@ -45,7 +45,7 @@ flowchart TD
     LLM --> ANS
 ```
 
-## 🛠 Frameworks & Toolkits Sử dụng
+## Frameworks sử dụng
 
 Dự án này được xây dựng trên một stack công nghệ hiện đại và chuyên nghiệp:
 
@@ -72,7 +72,7 @@ Dự án này được xây dựng trên một stack công nghệ hiện đại
 
 ---
 
-## ⚙️ Cài đặt & Sử dụng (Môi trường Local)
+## Cài đặt & Sử dụng (Môi trường Local)
 
 ### 1. Chuẩn bị
 Yêu cầu: `Python 3.10+`.
@@ -106,7 +106,7 @@ python api.py
 
 ---
 
-## 🐳 Triển khai bằng Docker (Production)
+## Triển khai bằng Docker (Production)
 
 Để chạy dự án một cách chuyên nghiệp và độc lập, hãy sử dụng Docker.
 

api.py

@@ -12,7 +12,6 @@ app = FastAPI(
     version="1.0.0"
 )
 
-# Cấu hình CORS để cho phép frontend gọi API
 app.add_middleware(
     CORSMiddleware,
     allow_origins=["*"],
@@ -21,10 +20,8 @@ app.add_middleware(
     allow_headers=["*"],
 )
 
-# Gắn các route đã định nghĩa vào app chính
 app.include_router(router, prefix="/api/v1")
 
-# Phục vụ các file tĩnh (Frontend UI)
 app.mount("/static", StaticFiles(directory="static"), name="static")
 
 @app.get("/", summary="Giao diện Web Chatbot")

app/api/routes.py

@@ -6,11 +6,7 @@ router = APIRouter()
 
 @router.post("/chat", response_model=ChatResponse, summary="Gửi câu hỏi cho RAG Chatbot")
 async def chat_endpoint(request: ChatRequest):
-    """
-    Endpoint nhận câu hỏi từ người dùng và trả về câu trả lời sử dụng hệ thống RAG Agent.
-    """
     try:
-        # Gọi RAG agent đã có
         response_text = run_advanced_rag_agent(request.query, request.session_id)
         return ChatResponse(response=response_text, session_id=request.session_id)
     except Exception as e:
@@ -20,7 +16,4 @@ async def chat_endpoint(request: ChatRequest):
 
 @router.get("/health", summary="Kiểm tra trạng thái API")
 async def health_check():
-    """
-    Endpoint đơn giản để kiểm tra xem API có đang hoạt động không.
-    """
     return {"status": "ok", "message": "API is running"}

app/core/config.py

@@ -3,21 +3,15 @@ from dotenv import load_dotenv
 from langchain_google_genai import ChatGoogleGenerativeAI
 from langchain_huggingface import HuggingFaceEmbeddings
 
-# Load environment variables from .env file
 load_dotenv()
 
-# Paths
 BASE_DIR = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
 DATA_PATH = os.path.join(BASE_DIR, "data")
 QDRANT_PATH = os.path.join(BASE_DIR, "VectorDB")
 
-# Collection Names
 COLLECTION_NAME = "rag_input"
-# If the router uses specific categories, we should define them or handle them
 CATEGORIES = ["ky_thuat", "doanh_nghiep", "chung"]
 
-# Model Names
-# Sử dụng BERT
 EMBED_MODEL_NAME = "sentence-transformers/all-MiniLM-L6-v2"
 LLM_MODEL_NAME = "gemini-2.5-flash"
 RERANK_MODEL_NAME = "cross-encoder/ms-marco-MiniLM-L-6-v2"
@@ -34,6 +28,4 @@ def get_llm(temperature=0.2):
         google_api_key=api_key
     )
 
-
-# Shared Instances
 shared_llm = get_llm()

run.sh

@@ -1,16 +1,14 @@
 #!/bin/bash
 
-# Hiển thị màu sắc cho đẹp
 GREEN='\033[0;32m'
 BLUE='\033[0;34m'
 RED='\033[0;31m'
-NC='\033[0m' # No Color
+NC='\033[0m' 
 
 echo -e "${BLUE}=======================================${NC}"
 echo -e "${BLUE}    MULTIMODAL RAG CHATBOT RUNNER      ${NC}"
 echo -e "${BLUE}=======================================${NC}"
 
-# Kiểm tra file .env
 if [ ! -f .env ]; then
     echo -e "${RED}[!] Không tìm thấy file .env. Vui lòng tạo file .env và thêm GOOGLE_API_KEY.${NC}"
     exit 1