Product Requirements Document (PRD): AI Content Production Loop
Octo101 AI Platform | Version 1.0
| Trường (Field) | Giá trị (Value) |
|---|---|
| Mã tài liệu (Document ID) | EQ-PRD-003 |
| Phiên bản (Version) | 1.0 |
| Ngày tạo (Date) | 2026-07-18 |
| Trạng thái (Status) | Draft |
| Tác giả (Author) | Octo101 Product Team |
1. Tầm nhìn & Mục tiêu (Overview & Vision)
Trong các hệ thống LMS truyền thống, nội dung học tập (Learning Content) là tài liệu tĩnh (static documents) — được viết một lần bởi chuyên gia và hiếm khi thay đổi. Với triết lý AI-First của Octo101, chúng tôi định nghĩa lại nội dung học tập không phải là các file PDF hay video tĩnh, mà là các Knowledge Packages (Gói Tri thức) có khả năng liên tục tiến hóa dựa trên dữ liệu thực tế từ người học.
Nếu Closed Learning Loop (Vòng lặp học tập khép kín) giúp AI thấu hiểu học sinh để cá nhân hóa lộ trình, thì AI Content Production Loop (Vòng lặp sản xuất nội dung AI) giúp AI học cách tạo ra nội dung tốt hơn, cá nhân hóa sâu hơn và liên tục sửa đổi những phần kiến thức gây nhầm lẫn.
Mục tiêu cốt lõi:
- Tự động hóa sản xuất nội dung chất lượng cao: Giảm 90% thời gian và chi phí tạo bài giảng, câu hỏi bài tập, kịch bản video và thử thách lập trình mà vẫn đảm bảo tính sư phạm.
- Kiểm soát chất lượng nghiêm ngặt (Quality Gate): Sử dụng mô hình kiểm định AI kép (AI-Review-AI) và sự tham gia tối thiểu nhưng tối quan trọng của con người (Human-in-the-loop) để đạt độ chính xác 100%.
- Tiến hóa nội dung liên tục (Content Evolution): Phân tích telemetry tương tác của học sinh để tự động phát hiện lỗi sai, sự nhầm lẫn, nâng cấp gói kiến thức gốc và tái sản xuất nội dung cải tiến (v2, v3).
2. Đối tượng Người dùng & Tác nhân (User Personas & Agents)
Hệ thống vận hành dựa trên sự phối hợp giữa người dùng thực tế và các tác nhân AI (AI Agents):
2.1 Đối tượng Người dùng Con người
- Học sinh (Learner):
- Hành vi: Học tập thông qua các Learning Activities được cá nhân hóa, cung cấp dữ liệu telemetry chi tiết (thời gian học, gợi ý sử dụng, câu trả lời sai, điểm rơi bỏ cuộc).
- Tình nguyện viên / Chuyên gia kiểm duyệt (Volunteer / Reviewer):
- Hành vi: Không trực tiếp viết nội dung từ đầu. Họ truy cập màn hình Review để đọc các nội dung đã được AI sinh và AI kiểm định chất lượng (đạt ~92%). Họ thực hiện hiệu chỉnh (khoảng ~8% còn lại), để lại nhận xét hoặc bấm nút Phê duyệt (Approve) để xuất bản nội dung.
2.2 Các Tác nhân AI (AI Agents / Engines)
- Content Generation Engine (AI 1 - Generator): Chịu trách nhiệm đọc Knowledge Package để sinh ra toàn bộ trải nghiệm học tập (Learning Activities) tương ứng.
- Quality Review Engine (AI 2 - Critic): Tác nhân AI độc lập đóng vai trò kiểm duyệt chất lượng sư phạm, độ chính xác khoa học, tính an toàn và mức độ phù hợp của nội dung trước khi chuyển cho con người.
- Knowledge Evolution Engine (AI 3 - Evolver): Phân tích dữ liệu Analytics quy mô lớn từ tương tác của người học để phát hiện lỗ hổng của Knowledge Package hiện tại và đề xuất chỉnh sửa tạo phiên bản V2.
3. Đặc tả Vòng lặp 12 Bước (The 12-Step Lifecycle Specification)
Competency Framework ➔ Learning Objective ➔ Knowledge Package ➔ AI Content Generation
▲ │
│ ▼
Knowledge Evolution Engine ◀ Content Analytics ◀ Evidence ◀ Learner ◀ Publish ◀ Human Review ◀ AI Quality ReviewBước 1: Competency Framework (Khung năng lực)
Nguồn gốc của mọi nội dung học tập. Mọi khái niệm đều phải gắn với một cây năng lực phân rã từ Domain -> Competency Area -> Competency -> Skill.
- Ví dụ:
Programming->Algorithms->Binary Search->Loop Invariant. - Yêu cầu: Hệ thống định danh chính xác skill nào đang được giảng dạy, prerequisite (kỹ năng tiên quyết) là gì, mức Bloom Taxonomy nào cần đạt.
Bước 2: Learning Objective (Mục tiêu học tập)
Là bản đặc tả kỹ thuật (specification) cho bài học. Xác định rõ ràng đầu ra của học sinh sau khi học xong.
- Ví dụ: Học sinh lớp 7 có thể: giải thích thuật toán Binary Search, phân tích độ phức tạp thời gian $O(\log n)$, tự lập trình và gỡ lỗi (debug) các lỗi phổ biến (lỗi off-by-one).
Bước 3: Knowledge Package (Gói tri thức - K-Pack)
Là Single Source of Truth (nguồn chân lý duy nhất) cho một khái niệm kiến thức, tuyệt đối không dùng prompt đơn giản như "Hãy viết bài Binary Search". Một K-Pack tiêu chuẩn bao gồm:
- Concept & Definition: Định nghĩa chuẩn mực của khái niệm.
- Core Principles: Các nguyên lý vận hành cốt lõi.
- Mental Model: Mô hình tư duy để tiếp cận khái niệm.
- Visual Analogy: Hình ảnh minh họa ẩn dụ trực quan (ví dụ: Tìm kiếm danh bạ điện thoại).
- Examples & Counter Examples: Ví dụ đúng và Phản ví dụ để tránh hiểu nhầm.
- Common Misconceptions: Các quan niệm sai lầm phổ biến của học sinh.
- FAQ & Exercises / Quiz: Câu hỏi thường gặp, ngân hàng bài tập kèm ma trận chấm điểm (Rubric).
- References: Tài liệu tham khảo uy tín.
Bước 4: AI Content Generation (Sinh nội dung tự động)
Từ Knowledge Package ở Bước 3, Generator Engine (AI 1) sẽ sinh ra một loạt các hoạt động học tập đa dạng (Learning Activities), thiết kế toàn bộ trải nghiệm học tập chứ không chỉ là bài viết tĩnh:
- Lesson (Bài giảng tương tác)
- Story (Câu chuyện dẫn dắt thực tế)
- Video Script (Kịch bản video hoạt họa)
- Infographic Outline & Slides (Khung ảnh trực quan và slide)
- Quiz & Coding Exercises (Câu hỏi trắc nghiệm & bài tập lập trình kèm testcases)
- Reflection & Discussion prompts (Câu hỏi tự ngẫm & thảo luận nhóm)
Bước 5: AI Quality Review (Kiểm định chất lượng AI)
AI thứ hai (Critic - AI 2) thực hiện đánh giá độc lập dựa trên bộ Rubric nghiêm ngặt:
- Pedagogy (Sư phạm): Đạt mục tiêu học tập (Learning Objective) đề ra chưa?
- Accuracy (Độ chính xác): Dữ kiện, công thức toán học và mã nguồn có đúng 100% không?
- Coverage (Độ phủ): Có bỏ sót khái niệm cốt lõi nào trong K-Pack không?
- Difficulty (Độ khó): Ngôn ngữ và ví dụ có phù hợp với độ tuổi mục tiêu (ví dụ: học sinh lớp 7)?
- Alignment (Sự đồng bộ): Câu hỏi quiz/bài tập có thực sự đo lường được năng lực (competency) không?
- Safety & Hallucination: Có nội dung độc hại hay tự bịa đặt tài liệu tham khảo (hallucination) không?
- Xử lý lỗi: Nếu kiểm duyệt thất bại, tự động gửi phản hồi chi tiết để Generate Again (tối đa 3 lần).
Bước 6: Human Review (Con người phê duyệt)
Sau khi nội dung đã vượt qua AI Quality Gate (đạt khoảng 92% độ hoàn thiện), hệ thống tạo một yêu cầu phê duyệt trên Dashboard của Volunteer.
- Volunteer chỉ cần thực hiện hiệu chỉnh nhỏ (~8%), thêm bình luận hoặc sửa đổi văn cảnh cho tự nhiên hơn trước khi nhấn Approve & Publish.
Bước 7: Publish Learning Activity (Xuất bản)
Xuất bản nội dung dưới dạng các hoạt động học tập tương tác (Read, Watch, Quiz, Practice, Reflection, Challenge) thay vì một file PDF tĩnh.
Bước 8: Learner Interaction (Tương tác của Học sinh)
Khi học sinh tương tác với nội dung, hệ thống bắt đầu thu thập telemetry thời gian thực:
- Time spent (Thời gian dừng ở từng dòng/trang).
- Wrong answers (Đáp án sai được chọn nhiều nhất).
- Retries (Số lần thử lại bài tập lập trình).
- Hints used (Các gợi ý đã mở khóa).
- Confidence (Độ tự tin tự đánh giá).
- Dropout point (Học sinh bỏ học ở phần nào).
Bước 9: Evidence Collection (Thu thập bằng chứng)
Chuyển hóa dữ liệu telemetry thành bằng chứng về hiệu quả của nội dung.
- AI phân tích: Ví dụ số 3 giúp 95% học sinh hiểu và vượt qua Quiz ngay lập tức; Ví dụ số 5 bị 80% học sinh bỏ qua (skip) hoặc mất quá nhiều thời gian đọc mà không hiệu quả.
Bước 10: Content Analytics (Phân tích nội dung)
Hệ thống tổng hợp dữ liệu quy mô lớn của hàng nghìn học sinh:
- Completion Rate (Tỷ lệ hoàn thành).
- Confusion Score (Chỉ số gây bối rối - dựa trên số lần dùng gợi ý và thời gian đọc lâu bất thường).
- Quiz Discrimination (Độ phân loại của câu hỏi).
- Misconception Detection (Phát hiện các hiểu lầm thực tế phát sinh chưa có trong K-Pack).
Bước 11: Knowledge Evolution Engine (Tiến hóa tri thức)
AI phát hiện các điểm yếu của nội dung và đề xuất nâng cấp trực tiếp vào Knowledge Package:
- Phát hiện: "Lesson C có tỷ lệ dropout 60% ở trang 3", "Ví dụ A cực kỳ hiệu quả", "Quiz B không phân loại được năng lực học sinh".
- Hành động: AI đề xuất viết lại ví dụ, bổ sung định nghĩa rõ ràng hơn, hoặc cập nhật bộ câu hỏi vào K-Pack để tạo ra Knowledge Package Version 2.
Bước 12: Continuous Improvement (Cải tiến liên tục)
Vòng lặp quay trở lại Bước 3 với K-Pack v2. Nội dung tự động được sinh mới, kiểm duyệt, phê duyệt và xuất bản. Tri thức của hệ thống càng dạy càng thông minh, chất lượng tăng tiến theo thời gian trong khi chi phí sản xuất tiệm cận 0.
4. Các Yêu cầu Giao diện Dashboard & Trải nghiệm (UI/UX Requirements)
Tính năng này được tích hợp vào Dashboard quản trị và vận hành hệ thống tại route /content-loop với 4 màn hình chính:
4.1 Màn hình Quản lý Knowledge Package (K-Pack Editor)
- Cấu trúc hiển thị: Hiển thị Competency Tree bên trái. Khi chọn một Concept, màn hình bên phải hiển thị cấu trúc K-Pack hiện tại (Mental Model, Analogy, Examples, Misconceptions).
- Lịch sử phiên bản (Version Timeline): Hiển thị lịch sử tiến hóa (v1, v2, v3) của K-Pack. Cho phép so sánh (diff) trực quan các thay đổi giữa các phiên bản do AI đề xuất hoặc con người sửa đổi.
4.2 Màn hình Giám sát Workflow (AI Generation & Quality Review Trace)
- Theo dõi tiến trình: Hiển thị trạng thái chạy thực tế của Cloudflare Workflows cho từng bài giảng.
- Visual Review Logs: Hiển thị kết quả đánh giá của AI Quality Review Engine (đánh dấu xanh cho Pass, đỏ cho Fail kèm lý do chi tiết từ AI Critic).
4.3 Màn hình Phê duyệt dành cho Volunteer (Human Review Panel)
- Split View: Màn hình chia đôi. Bên trái là giao diện Markdown hiển thị nội dung AI đã sinh. Bên phải là các gợi ý hiệu chỉnh và các điểm mà AI Critic khuyến nghị lưu ý.
- Hành động: Cho phép chỉnh sửa trực tiếp, để lại phản hồi (feedback) và nút nhấn Publish Content để hoàn tất workflow.
4.4 Màn hình Phân tích Hiệu năng & Đề xuất Tiến hóa (Content Analytics & Evolution Hub)
- Bảng số liệu: Thống kê Completion Rate, Confusion Score, Hint Usage, Dropout Points cho từng Learning Activity.
- Đề xuất nâng cấp (Evolution Prompts): Một khu vực đề xuất tự động từ AI 3. Ví dụ: "AI phát hiện 70% học sinh chọn đáp án sai C do hiểu nhầm về biên trong Binary Search. Đề xuất bổ sung một ví dụ biên vào Knowledge Package. [Xem Đề xuất Tiến hóa K-Pack v2]".