Hỏi bằng tiếng Việt về số liệu thiết bị và tài liệu kỹ thuật: AI Agent doanh nghiệp đang dùng truy vấn dữ liệu qua MCP, tra tài liệu, trả lời kèm nguồn và không tự điều khiển thiết bị.
Kỹ sư trực ca ở trạm bơm hay nhà máy thường cần trả lời nhanh những câu rất cụ thể: áp lực đầu ra lúc 2 giờ sáng là bao nhiêu, bơm số 2 tuần này chạy bao nhiêu giờ, mã lỗi biến tần vừa báo nghĩa là gì, thanh ghi tần số đặt nằm ở địa chỉ nào. Mỗi câu đòi mở một chỗ khác nhau: dashboard, file Excel xuất từ hệ thống, thư mục PDF datasheet, sổ tay vận hành, hoặc gọi hỏi người có kinh nghiệm.
Chatbot đại trà không giải được việc này: nó không thấy dữ liệu của trạm, không đọc tài liệu nội bộ, và có thể đưa ra một thông số nghe hợp lý nhưng sai. Trợ lý trong bài này được nối vào hai nguồn có thật của doanh nghiệp, dữ liệu vận hành và kho tài liệu kỹ thuật, và phải trả lời kèm nguồn.
Trợ lý có hai đường truy cập: đường dữ liệu (số liệu thiết bị) đi qua MCP, đường tài liệu đi qua tìm kiếm trên kho tài liệu đã lập chỉ mục (RAG). AI Agent nhận câu hỏi, chọn đường phù hợp rồi tổng hợp câu trả lời.
Câu hỏi về số liệu. Với câu “bơm 2 tuần này chạy bao nhiêu giờ”, AI Agent gọi các công cụ MCP: tìm điểm đo theo tên, lấy dữ liệu trong khoảng thời gian, tính tổng hợp. Phép tính do truy vấn thực hiện; mô hình chỉ đọc kết quả và trả lời, nêu rõ điểm đo, khoảng thời gian, đơn vị. Bảng ánh xạ tên gọi nội bộ sang điểm đo là phần cần làm kỹ nhất: hỏi “bơm 2 trạm Đông” thì hệ thống phải biết đó là điểm nào.
Câu hỏi về tài liệu. Datasheet, hướng dẫn sử dụng, bảng địa chỉ Modbus, sơ đồ đấu dây, quy trình vận hành được chia thành đoạn và lập chỉ mục. Khi có câu hỏi, hệ thống tìm các đoạn liên quan và đưa cho mô hình làm căn cứ; câu trả lời ghi tên tài liệu và mục. Với thiết bị PUSR và PROTO, thư viện tài liệu DeviceHub là một nguồn có sẵn; tài liệu nội bộ của doanh nghiệp nằm trong kho riêng, chỉ người có quyền mới truy cập.
Câu hỏi kết hợp. “Biến tần bơm 1 đang báo lỗi gì, xử lý thế nào?” cần cả hai đường: đọc mã lỗi hiện tại từ dữ liệu, rồi tra ý nghĩa và cách xử lý trong hướng dẫn của biến tần. Câu trả lời phải tách rõ phần nào là số đo, phần nào là trích tài liệu.
Nơi chạy. Mô hình ngôn ngữ chạy ở dịch vụ AI Agent doanh nghiệp đã chọn, hoặc trên máy chủ tại chỗ đủ cấu hình nếu dữ liệu không được ra ngoài. Máy chủ MCP và chỉ mục tài liệu nên đặt cạnh nguồn dữ liệu: trên hạ tầng cloud của dự án hoặc trong mạng nội bộ. USR-EG628-ETH (NPU 1 TOPS, RAM 4 GB, Docker) có thể làm điểm cung cấp dữ liệu tại hiện trường và chạy suy luận nhẹ tại biên; nó không dùng để chạy mô hình ngôn ngữ phục vụ hỏi đáp.
Quyền và nhật ký. Trợ lý không nên có quyền riêng. Yêu cầu thiết kế: mỗi câu hỏi nên chạy với quyền của người hỏi, để kỹ sư trạm A không truy vấn được trạm B khi trên nền tảng họ không được xem trạm B. Câu hỏi, công cụ được gọi, phạm vi dữ liệu và câu trả lời nên được ghi nhật ký để rà soát. Ủy quyền theo người dùng, nhật ký truy vấn và bước xác nhận lệnh cần kiểm tra trên nền tảng khi khảo sát; nền tảng chưa hỗ trợ thì máy chủ MCP phải tự làm.
| Vai trò | Thành phần | Ghi chú |
|---|---|---|
| Thu thập dữ liệu hiện trường | USR-M300 | Modbus RTU/TCP, giao thức PLC, DLT645, BACnet TCP/IP; gửi MQTT(S), HTTP, OPC UA |
| Thu thập I/O nhẹ | USR-M100 | DI, DO, AI 4–20 mA, Modbus RTU master; MQTT, HTTP(S); bản 4G hoặc Ethernet |
| Nền tảng dữ liệu | Proto IoT Cloud hoặc bản cài tại chỗ | Lịch sử, cảnh báo, phân quyền, API; nguồn cho công cụ MCP |
| Kho tài liệu | DeviceHub và tài liệu nội bộ | Bản đang dùng, dạng văn bản tìm kiếm được, phân quyền theo thư mục |
| Lớp kết nối | Máy chủ MCP và chỉ mục tài liệu | Xây theo từng dự án. Công cụ mặc định chỉ đọc; yêu cầu thực thi với quyền của người hỏi (kiểm tra theo dự án) |
| AI Agent | Claude, ChatGPT hoặc AI Agent doanh nghiệp đang dùng | Tài khoản và điều khoản dữ liệu do doanh nghiệp chọn |
| Máy chủ biên (tùy chọn) | USR-EG628-ETH | Ubuntu 20.04, Docker, Node-RED; NPU 1 TOPS, RAM 4 GB, eMMC 32 GB |
Dùng AI Agent sẵn có qua MCP là cách triển khai gọn: người dùng hỏi ngay trong công cụ đã quen, doanh nghiệp không phải duy trì một giao diện chatbot riêng. Chỉ nên tự dựng giao diện riêng khi cần nhúng vào phần mềm nội bộ hoặc khi toàn bộ hệ thống phải chạy trong mạng kín.
| Nhóm | Ví dụ |
|---|---|
| Hỏi đáp số liệu | Giá trị hiện tại; giá trị tại một thời điểm; tổng, trung bình theo ca, ngày; số giờ chạy; so sánh giữa các trạm; cảnh báo nào chưa xử lý |
| Hỏi đáp tài liệu | Ý nghĩa mã lỗi; địa chỉ thanh ghi Modbus; cách đấu dây; các bước cấu hình gateway; quy trình khởi động lại một cụm thiết bị |
| Điều khiển | Chỉ soạn đề xuất; người có quyền xác nhận mới thực hiện (yêu cầu thiết kế, xem lưu ý ở trên) |
| Cảnh báo | Cảnh báo vẫn do nền tảng phát theo ngưỡng, sự kiện; khi nhận cảnh báo, người trực hỏi trợ lý để xem nhanh giá trị trước đó, lần xảy ra gần nhất, hướng dẫn xử lý |
Giới hạn cần nói rõ
Các AI Agent phổ biến hiện nay đọc và trả lời được tiếng Việt. Phần dễ sai là tên gọi riêng của từng doanh nghiệp, như tên trạm, tên bơm, cách gọi tắt; vì vậy bảng ánh xạ tên và bộ câu hỏi kiểm thử là bắt buộc.
Không nhất thiết. Điều kiện là dữ liệu truy cập được qua API hoặc cơ sở dữ liệu; máy chủ MCP được xây trên lớp đó. Gateway USR-M300, USR-M100 đã gửi MQTT, HTTP lên Proto IoT Cloud hay hệ thống khác đều dùng được.
PROTO cung cấp thiết bị và nền tảng dữ liệu (Proto IoT Cloud hoặc bản cài tại chỗ). Máy chủ MCP, chỉ mục tài liệu và bảng ánh xạ tên được xây theo từng dự án. Phạm vi kết nối MCP hiện có của Proto IoT Cloud được xác nhận ở bước khảo sát.
Phụ thuộc điều khoản và gói dịch vụ của nhà cung cấp AI Agent. Doanh nghiệp cần đọc kỹ điều khoản trước khi kết nối dữ liệu; nếu không chấp nhận được, đặt mô hình và dữ liệu trong mạng nội bộ.
Phần tìm kiếm tài liệu dùng cùng cách làm, nhưng phải tách hẳn: chatbot công khai chỉ đọc tài liệu công khai và không có công cụ nào truy cập dữ liệu vận hành. Phân tích xu hướng, phát hiện bất thường xem thêm giải pháp AI công nghiệp.
Gửi mô tả hiện trường, thiết bị đang có và nơi cần xem dữ liệu. Kỹ sư PROTO trao đổi phương án kiến trúc và thiết bị phù hợp.
