Đi đến nội dung chính
Quay lại danh sách case study
Graspr AI logoDự án khách hàngĐang chạy

Giáo dục · AI Agent

Nền tảng học tập AI Graspr

Van Data Team xây dựng cho Graspr

Nền tảng học tập full-stack biến tài liệu, âm thanh và video thành hỏi đáp theo tài liệu, câu hỏi trắc nghiệm tự sinh, flashcard, bản tóm tắt và nhận diện chương, phân theo gói thuê bao.

độ chính xác câu trả lời RAG, từ khoảng 80%
95%+
sinh viên dùng nền tảng, theo graspr.ai
130K+
graspr.ai
Graspr home page
Graspr on a phone

Kết quả đo lường được

  1. Kết quả 01

    Độ chính xác câu trả lời RAG trên 95%, từ mức nền khoảng 80% chỉ dùng GPT

  2. Kết quả 02

    Độ chính xác sinh câu hỏi trên 95%, từ mức 70 đến 80%

  3. Kết quả 03

    Ba gói thuê bao đo theo số trang, lượt gọi và phút phiên âm

Thách thức

Sinh viên có tài liệu PDF dày và bài giảng ghi hình nhưng không có cách nhanh để biến chúng thành tài liệu ôn tập có thể đặt câu hỏi.

Bối cảnh

Tài liệu môn học đến dưới dạng PDF dài và bản ghi hàng giờ. Đọc chúng không phải là nút thắt; đặt câu hỏi cho chúng mới là. Sinh viên không thể hỏi một bài giảng, còn việc cắt bài giảng thành tài liệu ôn tập bằng tay tốn nhiều thời gian hơn chính việc ôn tập.

Chúng tôi đã xây gì

Backend NestJS 10 và frontend Next.js 15 với React 19 trong cùng một monorepo. Câu trả lời truyền theo từng token qua Socket.io. Phát hiện giọng nói phía trình duyệt chia nhỏ âm thanh để phiên âm trực tiếp bằng Whisper. Truy hồi chạy trên Supabase Postgres với pgvector, kết hợp tìm kiếm vector và tìm kiếm ngữ nghĩa qua LangChain trên Anthropic Claude và OpenAI. Hạn mức đồng bộ với Stripe đo số trang PDF, số lượt gọi AI và số phút phiên âm theo từng gói, và Playwright kiểm thử toàn bộ luồng.

Điều gì thay đổi

Độ chính xác truy hồi của câu trả lời tăng từ khoảng 80% ở mức nền chỉ dùng GPT lên trên 95%. Việc sinh câu hỏi trắc nghiệm cũng đạt mức tương đương, từ khoảng 70 đến 80% trước đó.

Ràng buộc và quyết định

Ở đây độ chính xác là bài toán truy hồi trước khi là bài toán mô hình: mức tăng đến từ thiết kế embedding và tìm kiếm trên pgvector chứ không phải từ một mô hình lớn hơn. Việc đo hạn mức phải đi cùng lúc với việc sử dụng chứ không phải sau đó, vì hạn mức tính theo trang, lượt gọi và phút chỉ thuyết phục khi không lệch với số Stripe đã tính.

Nền tảng công nghệ

NestJS 10Next.js 15React 19SupabasepgvectorLangChainSocket.ioStripeAWS

Chia sẻ bài này

Bạn cần một hệ thống tương tự?

Nếu dự án này tương đồng với quy trình hiện tại, hãy bắt đầu bằng cuộc trao đổi có phạm vi về ràng buộc, thời gian và nhu cầu tích hợp.

Case study liên quan