Xây Dựng Chatbot RAG Hỗ Trợ Khách Hàng Siêu Tốc Trong 10 Phút Với MongoDB Atlas và Thư Viện mongodb-rag

Lê Lân

16/06/2025

Hướng Dẫn Tạo Chatbot RAG Với Thư Viện Mongodb-RAG: Chạy Trong 10 Phút

Mở Đầu

Bạn đã từng thấy hàng loạt tutorial về RAG? Đừng lo! Bài viết này sẽ khác biệt hoàn toàn. Tôi sẽ hướng dẫn bạn tạo một ứng dụng chatbot RAG chỉ trong vòng chưa đến 10 phút bằng một thư viện hoàn toàn mới, giúp đơn giản hóa việc phát triển chatbot tích hợp RAG.

Trí tuệ nhân tạo ngày càng phát triển và mô hình RAG (Retrieval Augmented Generation) trở thành xu hướng mạnh mẽ trong việc xây dựng các chatbot có khả năng truy xuất kiến thức chuyên biệt. Trong bài viết này, bạn sẽ được dẫn dắt từng bước để tạo ra một chatbot giúp hỗ trợ khách hàng bằng cách sử dụng thư viện mongodb-rag , kết hợp sức mạnh từ MongoDB Atlas Vector Search và OpenAI embeddings.

Nội dung bạn sẽ học bao gồm:

Thiết lập MongoDB Atlas và tạo index vector.

Cấu hình môi trường và khởi tạo dự án chatbot.

Tự động ingest tài liệu hỗ trợ dưới dạng markdown.

Chạy thử và tìm kiếm thông tin qua chatbot.

Nếu bạn thích học qua video, đừng quên xem Video Walkthrough . Ngoài ra, hiểu sâu về RAG có thể tham khảo thêm bài viết trên MongoDB .

Tổng Quan Về RAG Và Ứng Dụng Của Nó

RAG Là Gì?

RAG, hay Retrieval Augmented Generation, kết hợp khả năng truy vấn dữ liệu (retrieval) với mô hình tạo nội dung (generation) để tạo ra các phản hồi phù hợp, chi tiết dựa trên tập dữ liệu chuyên biệt thay vì dựa hoàn toàn vào trí tuệ nhân tạo tổng quát.

Ưu Điểm Khi Dùng RAG Trong Chatbot

Tự động trả lời chính xác các câu hỏi chuyên ngành

Không cần đào tạo lại mô hình lớn mà tận dụng nguồn dữ liệu riêng

Tăng hiệu quả truy vấn nhờ vector search

Những doanh nghiệp muốn chatbot hiểu rõ về đặc thù sản phẩm, dịch vụ hoặc hỗ trợ kỹ thuật của họ thì RAG là giải pháp tối ưu.

Chúng Ta Sẽ Xây Dựng Gì?

Giao diện React hiện đại, thân thiện với người dùng

Backend API dùng Express xử lý truy vấn và truy xuất dữ liệu vector

Sử dụng MongoDB Atlas Vector Search truy vấn truy suất ngữ nghĩa thông tin

Hỗ trợ ingest tài liệu dễ dàng, tương thích với nhiều định dạng

Tự động tạo vector embedding cho dữ liệu tài liệu

Chuẩn Bị Trước Khi Bắt Đầu

Yêu Cầu

Có Node.js cài đặt sẵn trên máy.

Tài khoản MongoDB Atlas (đăng ký miễn phí tại đây ).

OpenAI API key để tạo embedding.

Kiến thức cơ bản về JavaScript và Node.js.

Lưu ý: Hãy đảm bảo đã có sẵn API key từ OpenAI, vì đó là thành phần quan trọng để sinh embedding cho tài liệu của bạn.

Các Bước Thực Hiện

Bước 1: Tạo Cluster MongoDB Atlas (3 Phút)

Truy cập MongoDB Atlas , đăng nhập vào tài khoản.

Nhấn Create để tạo cluster mới.

Chọn gói miễn phí FREE (M0).

Lựa chọn nhà cung cấp cloud và khu vực mong muốn.

Nhấn Create Cluster và chờ quá trình triển khai hoàn tất.

Bước 2: Cấu Hình Truy Cập Cơ Sở Dữ Liệu

Vào tab Database Access, tạo người dùng mới với phương thức mật khẩu.

Cấp quyền Read and write to any database.

Lưu lại thông tin đăng nhập.

Bước 3: Thiết Lập Quyền Mạng

Đến phần Network Access, thêm IP truy cập.

Chọn Allow Access from Anywhere (chỉ dùng trong quá trình phát triển).

Bước 4: Lấy Chuỗi Kết Nối (Connection String)

Nhấn Connect trong cluster, chọn Connect your application.

Sao chép chuỗi kết nối và thay password đúng.

Bước 5: Khởi Tạo Môi Trường Làm Việc

Chạy lệnh để tạo file cấu hình mongodb-rag :

npx mongodb-rag init

Tinh chỉnh .mongodb-rag.json với thông số như:

{
  "mongoUrl": "mongodb+srv://user:[email protected]/mongorag",
  "database": "helpdesk",
  "collection": "articles",
  "embedding": {
    "provider": "openai",
    "apiKey": "your-embedding-api-key",
    "model": "text-embedding-3-small",
    "dimensions": 1536
  },
  "search": {
    "maxResults": 5,
    "minScore": 0.7
  },
  "indexName": "vector_index"
}

Chuyển sang biến môi trường cho dễ dùng:

npx mongodb-rag create-env

Nội dung .env sẽ gồm:

MONGODB_URI=mongodb+srv://user:[email protected]/mongorag
MONGODB_DATABASE=helpdesk
MONGODB_COLLECTION=articles
PORT=4001

EMBEDDING_PROVIDER=openai
EMBEDDING_API_KEY=your-embedding-api-key
EMBEDDING_MODEL=text-embedding-3-small
EMBEDDING_DIMENSIONS=1536

VECTOR_INDEX=vector_index
MAX_RESULTS=5

Bước 6: Tạo Vector Search Index (1 phút)

Hai cách để tạo index vector:

Cách 1: Dùng CLI (Khuyến nghị)

npx mongodb-rag create-index

Lệnh này sẽ tự động tạo index phù hợp với model OpenAI, dimension 1536, thuật toán cosine similarity.

Cách 2: Tạo thủ công trên giao diện Atlas

Vào cluster, chọn Browse Collections → tab Search.

Tạo mới Search Index, chọn kiểu Atlas Vector Search.

Dùng cấu hình JSON:

{
  "name": "vector_index",
  "type": "vectorSearch",
  "definition": {
    "fields": [{
      "type": "vector",
      "path": "embedding",
      "numDimensions": 1536,
      "similarity": "cosine"
    }]
  }
}

Bước 7: Triển Khai Ứng Dụng Helpdesk Chatbot

Tạo mã nguồn ứng dụng:

npx mongodb-rag create-rag-app my-helpdesk
cd my-helpdesk

Cấu trúc ứng dụng:

Thư mục	Mô tả
frontend/	Giao diện React
backend/	API backend Express
package.json	Quản lý workspace và dependencies

Cài đặt và chạy ứng dụng:

npm install
npm run dev

Frontend chạy tại http://localhost:3000

Backend API tại http://localhost:4001

Bước 8: Thêm Các Tài Liệu Helpdesk

Tạo thư mục helpdesk-docs và thêm các file markdown ví dụ:

wifi-connection.md

### Wi-Fi Connection Issues
**Issue:** My Wi-Fi is not working.
**Solution:**
1. Restart your router and modem
2. Check if other devices can connect
3. Forget the Wi-Fi network and reconnect
4. If the issue persists, contact your ISP

password-reset.md

### Password Reset Guide
**Issue:** I forgot my password.
**Solution:**
1. Go to the login page and click "Forgot Password?"
2. Enter your registered email address
3. Check your email for a password reset link
4. Click the link and enter a new password

software-install.md

### Software Installation Issues
**Issue:** I can't install the application.
**Solution:**
1. Ensure your device meets the system requirements
2. Check if you have administrator privileges
3. Disable any antivirus software temporarily
4. Try reinstalling the application

Bước 9: Ingest Tài Liệu vào MongoDB

Sử dụng CLI để ingest toàn bộ thư mục:

npx mongodb-rag ingest --directory ./helpdesk-docs

Hoặc via API:

await fetch('http://localhost:4001/api/ingest', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    documents: [
      {
        id: 'wifi-help',
        content: fs.readFileSync('./helpdesk-docs/wifi-connection.md', 'utf8'),
        metadata: { category: 'network', topic: 'wifi' }
      }
    ]
  })
});

Bước 10: Thử Nghiệm Chatbot và Tìm Kiếm

Bạn có thể test trực tiếp qua giao diện React hoặc CLI:

npx mongodb-rag search "wifi not connecting"
npx mongodb-rag search "how to reset password"
npx mongodb-rag search "software installation failed"

Tổng Quan Các API Endpoints

Phương thức	Đường dẫn	Mô tả
GET	/api/search?query=