Kho kiến thức cho chatbot bán hàng: dữ liệu cứng, lời nói mềm

Trợ lý trả lời trôi chảy nhưng sai một con số

Một trung tâm dạy làm bánh gắn trợ lý AI vào Fanpage. Học phí được ghi ở hai nơi: ghi chú "Giới thiệu khóa" và ghi chú "Ưu đãi tháng". Khi đổi học phí, chủ trung tâm chỉ sửa một nơi. 23 giờ, một khách hỏi giá; trợ lý trả lời rất tự nhiên, kèm câu "lớp còn 3 ngày nữa là bắt đầu", trong khi lớp đã học buổi đầu từ hôm qua. Con số cũ lấy từ ghi chú quên sửa, còn "3 ngày" là do AI tự đếm sai. Sáng hôm sau nhân viên phải nhắn xin lỗi. (Tình huống minh hoạ.)

Lỗi ở đây không nằm ở việc AI kém. Lỗi nằm ở cách tổ chức dữ liệu cho chatbot: một thông tin nằm hai nơi, và việc cần chính xác tuyệt đối (đếm ngày) lại giao cho AI. Bài này bàn ở tầng thiết kế: kho kiến thức nên chia thế nào, phần nào để cứng, phần nào để AI, làm sao mỗi lượt chỉ nạp đúng phần cần.

Kho kiến thức là một mảnh của chặng 4, Chốt, trong Hệ thống Bán lẻ Facebook 4 Chặng (Chọn, Nói, Đẩy, Chốt). Phần cài đặt kỹ thuật, như cho n8n đọc ghi chú, nằm ở Chatbot n8n đọc kịch bản từ Second Brain và AI Agent trong n8n đọc Second Brain. Bức tranh chung của chuỗi: Sale Chat Automation là gì.

Kho kiến thức cho chatbot bán hàng là gì?

Kho kiến thức cho chatbot bán hàng (knowledge base) là bộ ghi chú đã duyệt chứa mọi điều trợ lý được phép nói với khách, mỗi thông tin chỉ nằm ở một nơi, chia rõ phần dữ liệu cứng do hệ thống kiểm và phần lời nói mềm do AI diễn đạt.

Nguyên tắc gốc là nguồn sự thật duy nhất: giá chỉ ở bảng giá, lịch chỉ ở bảng lịch. Ghi chú tư vấn cần nhắc tới giá thì ghi "xem Bảng giá", không chép con số. Nhờ vậy, đổi giá chỉ cần sửa một chỗ, và không bao giờ có hai con số cùng tồn tại để trợ lý chọn nhầm.

Một kho kiến thức bán hàng đủ dùng thường có bảy nhóm ghi chú:

Cách dẫn dắt khách theo quy trình tư vấn được bàn riêng ở Kịch bản chatbot bán hàng 6 bước.

Phần biết và phần nói: cái gì để cứng, cái gì để AI

Mô hình AI tạo câu trả lời theo xác suất. Nó rất giỏi diễn đạt, đổi giọng, hiểu ý khách nói lòng vòng. Nhưng nó có thể sai ở đúng những việc cần chính xác tuyệt đối: cộng tiền, so ngày, chọn đúng một con số giữa hàng chục ghi chú. Vì vậy kho kiến thức nên chia thành hai phần ngay từ khi thiết kế.

Quy tắc dễ nhớ: cái gì tính sẵn được thì đừng để AI tính. Nếu lớp bắt đầu sau 4 ngày, hệ thống ghi thẳng "còn 4 ngày" vào phần nạp; AI chỉ việc nói lại bằng lời của mình. Nếu có giá nhóm, bảng giá ghi sẵn từng mức thay vì để AI nhân chia.

Nếu dựng bằng n8n, phần biết có thể nằm trong bảng tính hoặc trong Data tables của n8n. Theo tài liệu n8n, Data tables là nơi lưu dữ liệu có cấu trúc ngay trong n8n, dùng được làm bảng tra cứu giữa các workflow; mặc định tổng dung lượng mọi bảng trong một instance giới hạn 200 MiB, bản tự cài đổi được bằng biến môi trường. Bảng giá, bảng lịch của một shop thường rất nhỏ so với giới hạn này.

Phần biết còn được kiểm thêm một lần ở bước cuối, trước khi tin rời hệ thống: Lớp bảo vệ trước khi gửi. Cách ghi bảng khách hàng bằng Google Sheets: Google Sheets làm CRM với n8n.

Nguồn: n8n – Data tables

Thẻ kiến thức: mỗi lượt chỉ nạp phần cần

Kho kiến thức lớn dần theo thời gian: thêm sản phẩm, thêm câu hỏi khó, thêm thương hiệu. Nếu mỗi lượt đều nạp toàn bộ kho cho AI đọc, trả lời chậm hơn, tốn chi phí hơn, và AI dễ lẫn thông tin giữa các sản phẩm. Cách xử lý là thẻ kiến thức.

1. Phần cố định luôn nạp. Vai trò và giọng văn, bảng giá, lịch, thanh toán có mặt ở mọi lượt, vì câu nào của khách cũng có thể chạm tới.
2. Các ghi chú còn lại cắt theo tiêu đề. Mỗi mục có tiêu đề riêng trong ghi chú kiến thức tư vấn hay quy trình sale trở thành một thẻ.
3. Mỗi lượt chọn thẻ liên quan. Hệ thống chọn theo sản phẩm khách đang hỏi, ý định của câu (hỏi giá, chê giá, nghi ngờ…) và từ khoá ghi dưới tiêu đề.
4. Gửi AI gói gọn. Phần cố định cộng vài thẻ vừa chọn. AI đọc ít hơn nhưng đúng phần cần.

Thẻ kiến thức khác với tìm theo nghĩa (RAG). Theo tài liệu n8n, RAG lấy các tài liệu liên quan để câu trả lời bám vào dữ liệu riêng của doanh nghiệp thay vì chỉ dựa vào dữ liệu huấn luyện của mô hình; nội dung được chia nhỏ thành đoạn rồi tìm theo nghĩa trong kho vector. Thẻ kiến thức thì chọn theo luật: tiêu đề, từ khoá, sản phẩm. Ưu điểm của thẻ là dễ hiểu và dễ kiểm: nhìn vào là biết vì sao thẻ được chọn. RAG hợp khi kho rất lớn và câu hỏi đa dạng. Hai cách dùng chung được.

Cách dựng kho vector trong n8n từng bước: AI Agent trong n8n đọc Second Brain.

Nguồn: n8n – RAG · n8n – Simple Vector Store

Tra trước: đừng đợi AI tự đi tìm

Khi gắn cho AI một công cụ tra cứu kho, AI tự quyết lúc nào gọi công cụ. Thực tế có hai kiểu lỗi: gọi thừa ở câu đơn giản (chậm thêm vài giây), hoặc không gọi ở câu cần tra (rồi đoán). Cách khắc phục là tra trước: hệ thống tự đọc câu khách trước khi giao cho AI.

Tra trước không bỏ công cụ tra cứu của AI, mà giảm số lần AI phải tự gọi. Với n8n, công cụ tra cứu thường là một workflow con gắn vào AI Agent qua Call n8n Workflow Tool; theo tài liệu n8n, ô Description của công cụ cho AI biết khi nào dùng nó. Viết ô này rõ ràng ("Gọi khi khách hỏi về chính sách, địa điểm, sản phẩm không có trong phần đã nạp") giúp AI gọi đúng lúc hơn.

Danh sách "từ quan trọng" nên do chủ shop góp ý: tên các dòng sản phẩm phụ, tên chính sách (đổi trả, bảo hành, trả góp), địa danh chi nhánh. Đây cũng là dữ liệu cấu hình, nằm trong kho chứ không viết cứng trong workflow.

Nguồn: n8n – Call n8n Workflow Tool

Lối tắt cho câu cố định: trả lời không cần AI

Không phải câu nào cũng cần AI suy nghĩ. Một phần đáng kể tin nhắn là chào, cảm ơn, hỏi giờ mở cửa, hỏi lịch chung. Với những câu này, hệ thống trả lời nguyên văn một câu đã duyệt, nhanh và không bao giờ sai số.

Lối tắt cũng là kiến thức: câu trả lời mẫu nằm trong kho, chủ shop sửa được, không viết cứng trong workflow. Điều kiện "không dùng lối tắt khi" quan trọng không kém câu trả lời: một khách vừa để số điện thoại rồi nhắn "cảm ơn" cần được xác nhận và báo nhân viên, không phải nhận câu cảm ơn chung chung.

Cách viết ghi chú để trợ lý tìm đúng, nói đúng

• Tiêu đề mục là câu khách hỏi. "Khách chê đắt thì nói gì?" dễ được chọn đúng hơn "Xử lý từ chối".
• Một mục, một ý. Mục dài ôm ba chủ đề sẽ bị nạp cả ba khi khách chỉ hỏi một.
• Dòng từ khoá dưới tiêu đề. Ghi các từ khách hay dùng thật, kể cả từ địa phương, viết tắt: "mắc", "bớt", "ship".
• Không chép số. Cần giá thì ghi "xem Bảng giá". Đây là cách giữ nguồn sự thật duy nhất.
• Điều khoản phải có trong kho. Trợ lý không mở đầu bằng điều khoản bất lợi khi khách chưa hỏi, nhưng khi khách hỏi thì trả lời trung thực, đầy đủ, khớp trang chính sách công khai.
• Có câu "khi không có thông tin". Trợ lý cần được dặn sẵn phải nói gì thay vì tự đoán.
• Ngày cập nhật và người duyệt. Ở đầu mỗi ghi chú, để biết bản nào đang hiệu lực, ai chịu trách nhiệm.

Mẫu dưới đây là khung ghi chú kiến thức tư vấn cho một sản phẩm. Chủ shop copy, thay phần trong ngoặc nhọn, mỗi mục ## sẽ trở thành một thẻ. Nếu kho đặt trong Obsidian, mỗi ghi chú là một tệp Markdown thường trong thư mục kho (vault) nên người và hệ thống đều đọc được.

---
loai: kien-thuc-tu-van
thuong_hieu: <tên thương hiệu>
san_pham: <tên sản phẩm hoặc gói>
cap_nhat: <ngày cập nhật>
nguoi_duyet: <tên người duyệt>
---
# Kiến thức tư vấn: <<tên sản phẩm>>

## <Tên sản phẩm> dành cho ai?
tu_khoa: <3 đến 6 từ khách hay dùng, cách nhau dấu phẩy>
- Hợp với: <mô tả người dùng phù hợp>
- Chưa hợp với: <nói thật trường hợp không nên mua>

## <Tên sản phẩm> khác gì <lựa chọn khách hay so sánh>?
tu_khoa: <từ khoá>
- <Điểm khác 1, nói bằng lợi ích cho khách>
- <Điểm khác 2>

## Khách chê đắt thì nói gì?
tu_khoa: đắt, mắc, giá cao, bớt, giảm
- Hỏi lại khách đang so với lựa chọn nào
- Nhắc giá trị khớp với nhu cầu khách đã kể
- Không tự giảm giá. Con số: xem ghi chú "Bảng giá"

## Điều khoản khách cần biết khi hỏi
tu_khoa: <đổi trả, bảo hành, điều kiện>
- <Trả lời trung thực, đầy đủ; khớp trang chính sách công khai>

## Khi không có thông tin
- Nói thật là chưa có thông tin này, hẹn nhân viên trả lời

Thêm mẫu ghi chú bảng giá, lịch: Second Brain cho Sale và chăm sóc khách; bộ 30 mẫu ghi chú Second Brain.

Nguồn: Obsidian – cách lưu ghi chú

Dựng kho kiến thức trong 7 bước

1. Gom câu hỏi thật. Lấy 30 đến 50 câu khách hỏi nhiều nhất từ inbox ba tháng gần đây. Che tên, số điện thoại trước khi đưa cho bất kỳ ai hay công cụ nào.
2. Xếp từng câu vào phần biết hoặc phần nói. Câu nào cần con số chính xác thì thuộc phần biết; câu nào cần giải thích thì thuộc phần nói.
3. Viết phần cố định. Vai trò và giọng văn, bảng giá, lịch, thanh toán. Mỗi ghi chú có một người duyệt; giá nhóm, combo tính sẵn từng mức.
4. Viết kiến thức tư vấn theo mẫu. Mỗi mục một câu hỏi, có dòng từ khoá, không chép số.
5. Đăng ký mọi nguồn vào danh sách trợ lý đọc. Ghi chú hay bộ tài liệu mới chưa đăng ký thì trợ lý không thấy, dù nằm ngay trong kho.
6. Đặt lối tắt cho chào, cảm ơn, lịch chung, địa chỉ, kèm điều kiện không dùng lối tắt.
7. Chạy bộ câu thử từ bước 1, so với đáp án. Trả lời sai thì sửa ghi chú trước, chỉ sửa lời nhắc của AI khi ghi chú đã đúng mà AI vẫn nói sai.

Cách chấm bộ câu thử và đọc kết quả: Đo lường và kiểm thử chatbot.

Aduca áp dụng thế nào

Hệ thống Sale Chat của Aduca trả lời khách trên Messenger, Zalo OA và chat website. Câu trả lời lấy từ kho kiến thức đã duyệt trong Second Brain (Obsidian); giá, lịch, chính sách được code kiểm trước khi gửi. Dưới đây là các nguyên tắc trong bài và cách Aduca đang làm.

Các con số trên là đo nội bộ trên bộ câu thử của Aduca, phụ thuộc kho kiến thức, sản phẩm và cách hỏi; chúng mô tả hệ thống của Aduca, không phải con số hệ thống khác chắc chắn đạt được.

Đọc thêm cách Aduca cho chatbot đọc kho: Chatbot n8n đọc kịch bản từ Second Brain, Second Brain cho Sale và chăm sóc khách.

Bắt đầu từ đâu?

1. Tuần này: tìm mọi chỗ đang ghi giá và lịch (tin nhắn nhóm, tệp rời, lời nhắc của chatbot cũ), gom về một bảng giá và một bảng lịch.
2. Tuần sau: viết ghi chú kiến thức tư vấn cho sản phẩm bán chạy theo mẫu trong bài.
3. Tuần thứ ba: nối kho với trợ lý, đặt lối tắt, chạy bộ câu thử và sửa ghi chú theo kết quả.

Kho kiến thức tốt là nền cho các bước sau: phân loại khách và xin số ở Phân loại khách, xin số đúng lúc, kiểm số liệu ở Lớp bảo vệ trước khi gửi.

Muốn Aduca dựng trọn hệ thống theo đúng sản phẩm và bảng giá của bạn, xem Hệ thống Sale Chat tự động. Muốn tự dựng cùng đội của mình, khóa Aduca AI Business System có phần thực hành sale chat với n8n.

Câu hỏi thường gặp

Tài liệu liên quan

• Sale Chat · AI AgentSale Chat Automation là gì? Hệ thống chốt sale qua inbox bằng AISale Chat Automation là gì: hệ thống chatbot bán hàng trả lời, dẫn dắt, chăm sóc khách qua Fanpage, Zalo OA, website; 4 tầng, 6 nguyên tắc vàng, ví dụ Aduca.
• Sale Chat · AI AgentKiến trúc Sale Chat: một lõi, nhiều kênh, nhiều thương hiệuKiến trúc chatbot bán hàng đa kênh: tin chuẩn, 4 tầng, 10 làn hành trình, gom tin nhắn dồn, đọc ảnh, đa thương hiệu bằng bảng cấu hình, chọn công cụ n8n.
• Sale Chat · AI AgentKịch bản chatbot bán hàng: dẫn dắt 6 bước như người thậtKịch bản chatbot bán hàng 6 bước: điều kiện lên bước, khai thác một ý mỗi lượt, tín hiệu mua, công thức trả lời, xử lý từ chối, chuyển người, mẫu để điền.
• OpenClaw · AI AgentCài đặt OpenClaw trên VPS an toànNền tảng cho mọi Agent: cài VPS bảo mật, OpenClaw chạy 24/7, Telegram, nhiều Agent, Google, Meta, Zalo, sao lưu 3 lớp.

Xem tất cả tài liệu hướng dẫn →

Bước tiếp theo

Nhận báo giá Hệ thống Sale Chat tự động

Aduca dựng trợ lý AI bán hàng cho Fanpage, Zalo OA, website theo đúng sản phẩm, bảng giá và kịch bản của bạn, có báo Sale và chăm sóc khách tự động. Báo giá sau buổi khảo sát, theo số kênh, số sản phẩm và lượng tin nhắn.

Nhận báo giá Hệ thống Sale Chat tự độngXem thư viện tài liệu

Nguồn tham khảo

• n8n Docs – RAG: lấy ngữ cảnh liên quan, chia nhỏ tài liệu, tìm theo nghĩa
• n8n Docs – Data tables (bảng dữ liệu, giới hạn dung lượng)
• n8n Docs – Call n8n Workflow Tool (ô Description)
• n8n Docs – Simple Vector Store (cảnh báo mất dữ liệu khi khởi động lại)
• Obsidian Help – ghi chú là tệp Markdown trong vault

Lịch sử cập nhật

• 02/11/2026 — Bản đầu.

Miễn trừ trách nhiệm