← Chương trước: Phần 4: Active RAG & Strict Tool Calling | Mục lục Series | Chương tiếp theo: Phần 6: Production Operations →

Answer-first: Vòng lặp tự phản biện kết hợp kiểm định luật cứng bằng Golang trong 1ms với phản biện ngữ nghĩa của LLM, triệt tiêu ảo giác dưới 0.05%. Khi sản phẩm vi phạm ràng buộc, hệ thống tự động truy vấn lại tối đa 2 vòng lặp, đảm bảo độ chính xác trong hạn mức 200ms.

📖 Bản tiếng Anh (English Edition): Part 5: The Self-Reflection Critique Loop: Preventing Hallucinations in E-commerce Search

1. Hiểm Họa Ảo Giác Trong E-Commerce: Trách Nhiệm Pháp Lý & Tài Chính

BLUF (Bottom Line Up Front): Các mô hình ngôn ngữ lớn (LLM) thường tự bịa thông số kỹ thuật (pin, chuẩn chống nước, vật liệu) khi tư vấn; trong e-commerce, điều này làm tăng 14% tỷ lệ đổi trả hàng và tiềm ẩn rủi ro pháp lý nghiêm trọng về quảng cáo sai sự thật.

Trong các ứng dụng trò chuyện thông thường, một câu trả lời thiếu chính xác có thể chỉ mang lại tiếng cười hoặc sự thất vọng nhẹ. Tuy nhiên, trong môi trường thương mại điện tử, ảo giác (Hallucination) là một tổn thất tài chính trực tiếp và là rủi ro pháp lý nghiêm trọng:

Các Dạng Ảo Giác Điển Hình Trong Tìm Kiếm Bán Lẻ

  1. Bịa Đặt Thông Số Kỹ Thuật: Khách hàng tìm “laptop có ít nhất 32GB RAM dưới 20 triệu”. Mô hình đề xuất chiếc máy 16GB giá 19 triệu và tự tin khẳng định: “Máy này có khe cắm rời để bạn dễ dàng nâng cấp lên 32GB!"—trong khi thực tế RAM được hàn chết trên bo mạch chủ.
  2. Tự Bịa Khả Năng Tương Thích: Khách hỏi “Baga này có gắn vừa cho xe Honda Winner X 2024 không?” Mô hình khẳng định “Hoàn toàn vừa khít”, khiến khách mua về không lắp được và yêu cầu hoàn tiền.
  3. Hứa Hẹn Sai Về Khuyến Mãi & Giá: Mô hình tự ý tổng hợp các mức giảm giá không có thật trong cơ sở dữ liệu, vi phạm nghiêm trọng Luật Bảo vệ Quyền lợi Người tiêu dùng.

Tại Sao Câu Lệnh Prompt Thông Thường Lại Bất Lực?

Những câu lệnh nhắc nhở như “Bạn là một trợ lý bán hàng trung thực. Tuyệt đối không bịa đặt thông số. Chỉ trả lời dựa trên ngữ cảnh” hoàn toàn vô hiệu khi đối mặt với tải thực tế. Bản chất của mô hình xác suất là dự đoán token tiếp theo. Khi dữ liệu sản phẩm ngắn gọn hoặc không rõ ràng, mô hình sẽ tự động lấp đầy khoảng trống bằng các ảo giác nghe rất thuyết phục.

flowchart TD
    subgraph UnguardedSearch ["Tìm Kiếm Không Có Vòng Lặp Phản Biện"]
        direction TB
        Candidate["Sản Phẩm: Laptop 16GB RAM RAM Hàn Chết (19.5 Triệu)"] --> GenPrompt["Prompt: 'Khách tìm laptop 32GB RAM dưới 20tr'"]
        GenPrompt --> ProbSampling["Mô Hình Ngôn Ngữ Tự Do Sinh Từ Xác Suất"]
        ProbSampling --> HallucinatedText["Ảo Giác: 'Máy này nâng cấp lên 32GB RAM rất dễ dàng!'"]
        HallucinatedText --> CustomerRefund["Khách Mua Về -> Phát Hiện RAM Hàn Chết -> Đổi Trả Hàng (+14% Tỷ Lệ Đổi Trả)"]
    end

    subgraph CritiqueLoopArchitecture ["Chuẩn 2027: Vòng Lặp Phản Biện Tự Động Hai Tầng"]
        direction TB
        Candidate2["Sản Phẩm: Laptop 16GB RAM RAM Hàn Chết (19.5 Triệu)"] --> Tier1Engine{"Tầng 1: Kiểm Định Luật Cứng Golang (<1ms)"}
        Tier1Engine -- "Thất Bại: RAM Không Đạt Ràng Buộc (16GB < 32GB)" --> TriggerReSearch["Từ Chối Sản Phẩm & Tự Động Tái Truy Vấn"]
        TriggerReSearch --> NewQuery["Truy Vấn Lại Qdrant Kèm Bộ Lọc: ram_gb >= 32"]
        NewQuery --> VerifiedItem["Tìm Thấy: ThinkPad Cũ Chuẩn 32GB RAM (19.8 Triệu)"]
        VerifiedItem --> Tier2Engine["Tầng 2: Phản Biện Ngữ Nghĩa Bằng SLM"]
        Tier2Engine --> SafeOutput["Trả Về Kết Quả Đúng Sự Thật 100% Cho Khách"]
    end

2. Kiến Trúc Vòng Lặp Phản Biện Hai Tầng (Code Luật Cứng vs LLM Reflection)

BLUF (Bottom Line Up Front): Việc dùng chính LLM để tự chấm điểm bài làm của nó vừa chậm vừa dễ bị thiên kiến xác nhận; kiến trúc phản biện hai tầng giao toàn bộ việc kiểm tra số học cho Golang (Tầng 1) và chỉ dùng SLM nhỏ cho việc thẩm định ngữ nghĩa tinh tế (Tầng 2).

Để vừa triệt tiêu 100% các vi phạm ràng buộc kinh doanh, vừa giữ trọn vẹn độ trễ P99 dưới 45ms, hệ thống thiết kế cỗ máy Two-Tier Critique Engine:

Tầng 1: Bộ Kiểm Định Luật Cứng Bằng Golang (Deterministic Verifier)

  • Thời Gian Thực Thi: Dưới 0.5 mili-giây.
  • Phạm Vi Kiểm Tra: Tất cả các điều kiện mang tính toán học và logic nhị phân:
    • price <= max_price
    • available_sizes CONTAINS user_requested_size
    • is_in_stock == true
    • brand == requested_brand
  • Hiệu Suất: Đánh chặn và loại bỏ hơn 92% sản phẩm không hợp lệ ngay lập tức mà không tốn bất kỳ chu kỳ GPU hay token LLM nào.

Tầng 2: Thẩm Định Ngữ Nghĩa Bằng Mô Hình Nhỏ SLM (Semantic Reflection)

  • Thời Gian Thực Thi: Từ 15ms đến 25ms (chạy mô hình Qwen 2.5 3B trên vLLM cục bộ).
  • Phạm Vi Kiểm Tra: Đánh giá các tuyên bố mang tính sắc thái ngữ nghĩa:
    • Sản phẩm có thực sự phù hợp với mục đích sử dụng phức tạp không (“chạy trail trên địa hình đá dăm ẩm ướt” có khớp với chất liệu đế giày không)?
    • Các câu từ miêu tả có bị phóng đại quá mức so với bảng thông số kỹ thuật gốc không?
flowchart TD
    RawList["Danh Sách Ứng Viên Từ Qdrant Hybrid (Top 15)"] --> T1Check{"Tầng 1: Kiểm Định Luật Cứng Bằng Golang"}
    
    subgraph T1Rules ["Quy Chuẩn Kiểm Định Tầng 1 (Sub-1ms)"]
        T1Check --> R1["Luật 1: Giá Có Nhỏ Hơn Trần Giá Khách Đặt?"]
        T1Check --> R2["Luật 2: Còn Hàng Vật Lý Tại Kho?"]
        T1Check --> R3["Luật 3: Size Số Khách Yêu Cầu Có Sẵn?"]
        T1Check --> R4["Luật 4: Thương Hiệu Khớp 100%?"]
    end
    
    R1 & R2 & R3 & R4 -- "Thỏa Mãn 100% Luật" --> T2Input["Ứng Viên Đạt Chuẩn (Top 5)"]
    R1 & R2 & R3 & R4 -- "Vi Phạm Ràng Buộc" --> DiscardItem["Loại Bỏ Ứng Viên Vi Phạm"]
    
    T2Input --> T2Check{"Tầng 2: Phản Biện Ngữ Nghĩa Bằng SLM 3B"}
    
    subgraph T2Rules ["Thẩm Định Tầng 2 (Sub-25ms)"]
        T2Check --> S1["Độ Trung Thực: Câu Chữ Có Được Chứng Thực Bởi Payload?"]
        T2Check --> S2["Không Có Bất Kỳ Tính Năng Bịa Đặt Nào?"]
    end
    
    S1 & S2 -- "Đạt Chuẩn Trung Thực" --> StreamOut([Phát Luồng Kết Quả Cho Khách Hàng])
    S1 & S2 -- "Phát Hiện Ảo Giác" --> TriggerReSearch["Kích Hoạt Tự Động Tái Truy Vấn (Max 2 Lần)"]

3. Xây Dựng Bộ Kiểm Định Luật Cứng Dưới 1ms Bằng Golang

BLUF (Bottom Line Up Front): Bộ kiểm định luật cứng viết bằng Golang thực thi các phép so sánh số học và bitwise trực tiếp trên mảng struct trong bộ nhớ RAM; với tốc độ dưới 0.5ms, nó bảo đảm không một sản phẩm sai giá hay sai kích cỡ nào có thể lọt qua.

Đoạn mã Golang dưới đây minh họa bộ kiểm định Tier 1 Deterministic Constraint Verifier:

package critique

import (
	"context"
	"fmt"
	"strings"
)

// SearchConstraints chứa các điều kiện ràng buộc do khách đặt ra
type SearchConstraints struct {
	CeilingPrice float64  `json:"ceiling_price"`
	FloorPrice   float64  `json:"floor_price"`
	RequiredSize string   `json:"required_size"`
	TargetBrand  string   `json:"target_brand"`
	MustInStock  bool     `json:"must_in_stock"`
	Colors       []string `json:"colors"`
}

// CatalogPayloadItem chứa dữ liệu chuẩn xác từ Qdrant Payload
type CatalogPayloadItem struct {
	ProductSKU      string            `json:"product_sku"`
	Title           string            `json:"title"`
	Brand           string            `json:"brand"`
	CurrentPrice    float64           `json:"current_price"`
	InStock         bool              `json:"in_stock"`
	SupportedSizes  []string          `json:"supported_sizes"`
	TechnicalSpecs  map[string]string `json:"technical_specs"`
}

// ValidationDecision lưu trữ kết quả và lý do từ chối
type ValidationDecision struct {
	IsValid      bool   `json:"is_valid"`
	RejectionMsg string `json:"rejection_msg"`
	RuleViolated string `json:"rule_violated"`
}

// PureGoRuleEngine thực thi kiểm tra luật trong RAM
type PureGoRuleEngine struct{}

func NewPureGoRuleEngine() *PureGoRuleEngine {
	return &PureGoRuleEngine{}
}

// ValidateProductCandidate thẩm định một ứng viên trong dưới 0.1ms
func (e *PureGoRuleEngine) ValidateProductCandidate(p CatalogPayloadItem, c SearchConstraints) ValidationDecision {
	// 1. Kiểm tra tồn kho
	if c.MustInStock && !p.InStock {
		return ValidationDecision{
			IsValid:      false,
			RejectionMsg: fmt.Sprintf("Mã SKU %s hiện đã hết hàng", p.ProductSKU),
			RuleViolated: "OUT_OF_STOCK",
		}
	}

	// 2. Kiểm tra trần giá
	if c.CeilingPrice > 0 && p.CurrentPrice > c.CeilingPrice {
		return ValidationDecision{
			IsValid:      false,
			RejectionMsg: fmt.Sprintf("Giá sản phẩm %.0f VND vượt quá ngân sách %.0f VND", p.CurrentPrice, c.CeilingPrice),
			RuleViolated: "PRICE_EXCEEDED",
		}
	}

	// 3. Kiểm tra sàn giá
	if c.FloorPrice > 0 && p.CurrentPrice < c.FloorPrice {
		return ValidationDecision{
			IsValid:      false,
			RejectionMsg: fmt.Sprintf("Giá sản phẩm %.0f VND dưới mức tối thiểu %.0f VND", p.CurrentPrice, c.FloorPrice),
			RuleViolated: "PRICE_TOO_LOW",
		}
	}

	// 4. Kiểm tra thương hiệu
	if c.TargetBrand != "" && !strings.EqualFold(p.Brand, c.TargetBrand) {
		return ValidationDecision{
			IsValid:      false,
			RejectionMsg: fmt.Sprintf("Thương hiệu %s không khớp với %s", p.Brand, c.TargetBrand),
			RuleViolated: "BRAND_MISMATCH",
		}
	}

	// 5. Kiểm tra kích cỡ
	if c.RequiredSize != "" {
		foundSize := false
		for _, s := range p.SupportedSizes {
			if strings.EqualFold(s, c.RequiredSize) {
				foundSize = true
				break
			}
		}
		if !foundSize {
			return ValidationDecision{
				IsValid:      false,
				RejectionMsg: fmt.Sprintf("Size %s không có trong danh sách hỗ trợ %v", c.RequiredSize, p.SupportedSizes),
				RuleViolated: "SIZE_UNAVAILABLE",
			}
		}
	}

	return ValidationDecision{IsValid: true}
}

4. Tái Định Tuyến Truy Vấn Tự Động & Chặn Trần Độ Sâu Đệ Quy (Max 2 Lần)

BLUF (Bottom Line Up Front): Khi toàn bộ ứng viên bị loại bỏ bởi vòng lặp phản biện, việc trả về trang trắng lặp lại thất bại của BM25; hệ thống tự động kích hoạt tái truy vấn nới lỏng thuộc tính ít quan trọng nhất với chặn trần tối đa 2 vòng lặp để bảo vệ hạn mức 200ms.

Nếu khách hàng đưa ra một yêu cầu quá khắt khe:

"Giày chạy địa hình màu đỏ chống nước size 42 giá dưới 800 ngàn"

Và trong toàn bộ kho hàng không có đôi giày nào thỏa mãn đồng thời cả 5 điều kiện, cỗ máy Agentic Search không trả về trang rỗng. Thay vào đó, nó kích hoạt Vòng Lặp Tái Truy Vấn Tự Động (Autonomous Re-Search Loop):

stateDiagram-v2
    [*] --> TimKiemBanDau
    TimKiemBanDau --> KiemDinhTang1: Danh Sách Ứng Viên Trả Về
    
    KiemDinhTang1 --> TraVeKetQua: Có Ít Nhất 3 Sản Phẩm Đạt Chuẩn
    KiemDinhTang1 --> KiemTraSoVongLap: Dưới 3 Sản Phẩm Đạt Chuẩn
    
    KiemTraSoVongLap --> NoiLongRangBuoc: Số Lần Thử < 2
    KiemTraSoVongLap --> GoiYThongMinh: Số Lần Thử >= 2 (Chặn Trần Đệ Quy)
    
    NoiLongRangBuoc --> TimKiemVong2: Nới Lỏng Màu Sắc HOẶC Tăng Trần Giá 15%
    TimKiemVong2 --> KiemDinhTang1
    
    GoiYThongMinh --> TraVeKetQua: Trả Về Lựa Chọn Gần Nhất Kèm Giải Thích Minh Bạch
    TraVeKetQua --> [*]

Thứ Bậc Nới Lỏng Điều Kiện (Relaxation Priority)

  1. Tuyệt Đối Không Đổi Ngành Hàng Cốt Lõi: Khách tìm giày, không bao giờ gợi ý vớ.
  2. Nới Lỏng Màu Sắc Đầu Tiên: Nếu không có giày màu đỏ, tìm kiếm tất cả các màu sắc khác của đúng mẫu giày đó.
  3. Nới Lỏng Giá Thứ Hai (+10% đến +20%): Nếu không có giày dưới 800k, tìm các mẫu từ 850k đến 950k và giải thích rõ ràng cho khách hàng: “Không tìm thấy giày chống nước dưới 800k, nhưng đây là các mẫu chống nước tốt nhất giá từ 890k”.
  4. Chặn Trần Đệ Quy Nghiêm Ngặt: Số vòng lặp tối đa là 2 lần, bảo đảm tổng thời gian tìm kiếm không bao giờ vượt quá trần 200ms.

5. Công Thức Toán Học Đo Lường Độ Trung Thực Dữ Liệu ($F_{ ext{score}}$)

BLUF (Bottom Line Up Front): Đo lường nguy cơ ảo giác đòi hỏi công thức toán học định lượng; tỷ lệ trung thực $F_{\text{score}} \ge 0.95$ được tích hợp vào pipeline kiểm thử tự động CI/CD để ngăn ngừa hiện tượng suy thoái chất lượng câu trả lời.

Để đánh giá một cách khoa học xem cỗ máy tìm kiếm có đang trung thực với danh mục sản phẩm hay không, hệ thống áp dụng công thức Chỉ Số Trung Thực Dữ Liệu (Factual Faithfulness Index):

Gọi $C = {c_1, c_2, \dots, c_n}$ là tập hợp các mệnh đề khẳng định thực tế được trích xuất từ câu trả lời của Agent (ví dụ: “Đôi giày này có đế gai Vibram”, “Trọng lượng 280g”, “Chuẩn chống nước Gore-Tex”). Gọi $K = {k_1, k_2, \dots, k_m}$ là các trường thuộc tính có trong Payload của Qdrant:

$$F_{ ext{score}}(C, K) = rac{|{c_i \in C \mid \exists k_j \in K ext{ thỏa mãn } ext{Entail}(k_j, c_i) = 1}|}{|C|}$$

Trong môi trường Production, bất kỳ câu trả lời tổng hợp nào có $F_{ ext{score}} < 1.0$ (tức chứa ít nhất một mệnh đề không được chứng thực bởi dữ liệu kho) đều bị bộ lọc đánh chặn ngay lập tức và thay thế bằng thẻ hiển thị dữ liệu thô.

6. Hồ Sơ Sự Cố Thực Tế: Vụ Bê Bối Ảo Giác Giày Vải Chống Nước Gây Thiệt Hại

BLUF (Bottom Line Up Front): Mô hình AI tìm kiếm thử nghiệm tự ý bịa đặt rằng đôi giày vải thời trang có “màng chống nước Gore-Tex 10,000mm”, dẫn đến 1,400 khách hàng mua đi leo núi bị ướt chân, gây bão chỉ trích trên mạng xã hội và tiêu tốn hơn $200,000 chi phí thu hồi đổi trả.

Tóm Tắt Sự Cố

  • Thời Điểm: Ngày 18 Tháng 9 Năm 2025 (Chiến Dịch Bán Hàng Mùa Mưa).
  • Hệ Thống: Trợ lý tìm kiếm AI thử nghiệm (agentic-search-v1-beta).
  • Hậu Quả: 1,420 đôi giày vải canvas thời trang bị khách hàng trả lại; tỷ lệ hoàn hàng tăng vọt thêm 22.4%; video bóc phốt “AI lừa đảo” đạt hàng triệu lượt xem trên TikTok.
  • Thiệt Hại Thực Tế: $165,000 chi phí vận chuyển hoàn hàng và bồi thường voucher thiện chí.
sequenceDiagram
    autonumber
    actor Hiker as "Khách Hàng Leo Núi Cuối Tuần"
    participant AIAssistant as "Trợ Lý Tìm Kiếm AI Thử Nghiệm"
    participant Qdrant as "Qdrant Vector DB"
    participant Postgres as "PostgreSQL Catalog DB"

    Hiker->>AIAssistant: "Tìm giày chống nước đi phượt Tây Bắc mùa mưa"
    AIAssistant->>Qdrant: Hybrid Search
    Qdrant-->>AIAssistant: Trả về: "Giày Vải Canvas Cổ Điển" (Điểm thời trang cao)
    Note over AIAssistant: Trợ lý KHÔNG có bộ kiểm định luật cứng Tầng 1!<br/>LLM tự do sinh lời quảng cáo hấp dẫn!
    AIAssistant-->>Hiker: "Đôi Giày Vải Canvas Cổ Điển cực kỳ hoàn hảo cho mùa mưa Tây Bắc! Giày được trang bị màng chống nước Gore-Tex 10,000mm giúp chân bạn luôn khô ráo!"
    Note over Hiker: Khách tin lời AI và mua đi leo núi.<br/>Giày ngấm nước ướt sũng ngay phút đầu tiên!<br/>Khách đăng video bóc phốt viral mạng xã hội!

18/09/2025 - Chiến dịch mùa mưa bắt đầu. Khách hàng tìm kiếm đồ chống nước tăng mạnh.
22/09/2025 - Hàng trăm đơn hàng giày vải bị yêu cầu hoàn tiền vì ngấm nước.
25/09/2025 - Xuất hiện video lan truyền trên mạng xã hội quay cảnh cắt đôi chiếc giày vải để chứng minh hoàn toàn không có màng chống nước Gore-Tex như AI quảng cáo.
26/09/2025 - Đội ngũ kỹ thuật vào cuộc điều tra: Phát hiện prompt của mô hình ngôn ngữ được viết quá thoáng: "Hãy tư vấn nhiệt tình và nêu bật các ưu điểm của sản phẩm cho khách hàng".
27/09/2025 - Đóng ngay lập tức tính năng sinh văn bản tự do của trợ lý AI.

Nguyên Nhân Gốc Rễ

Nhóm phát triển đã tin tưởng tuyệt đối vào khả năng sinh văn bản của mô hình ngôn ngữ mà không thiết lập bất kỳ chốt chặn kiểm chứng dữ liệu thực tế nào giữa đầu ra của AI và màn hình hiển thị của khách hàng. Khi mô hình thấy từ khóa “mùa mưa”, nó đã tự động lấy các cụm từ quen thuộc trong tập dữ liệu huấn luyện (“màng chống nước Gore-Tex 10,000mm”) để gán ghép vào sản phẩm giày vải thông thường.

Biện Pháp Khắc Phục Triệt Để

  1. Xây Dựng Danh Sách Thuộc Tính Cho Phép (Specification Whitelist): Bất kỳ khẳng định kỹ thuật nào (chống nước, chống sốc, RAM, thời lượng pin) đều phải có trường dữ liệu tương ứng trong PostgreSQL.
  2. Đánh Chặn Từ Khóa Độc Quyền: Nghiêm cấm mô hình nhắc đến các thương hiệu công nghệ (Gore-Tex, Vibram, Snapdragon) nếu trong trường materials của sản phẩm không có từ khóa đó.
  3. Gắn Nhãn Thuộc Tính Đã Chứng Thực: Mọi thông số trên thẻ sản phẩm đều được lấy trực tiếp từ database, LLM chỉ đóng vai trò hỗ trợ điều hướng cấu trúc câu văn.

❓ Câu Hỏi Thường Gặp (FAQ)

Vòng lặp tự phản biện hai tầng có làm chậm tốc độ tìm kiếm không?

Không đáng kể. Tầng 1 kiểm định luật cứng bằng Golang thực thi trong dưới 0.5 mili-giây đối với mảng struct trong RAM. Tầng 2 chỉ kích hoạt đối với tối đa 5 sản phẩm ứng viên hàng đầu bằng mô hình nhỏ 3B chạy cục bộ, hoàn tất trong 15ms đến 25ms. Toàn bộ vòng lặp tiêu tốn dưới 30ms, hoàn toàn nằm trong hạn mức tổng 120ms của một yêu cầu tìm kiếm.

Làm thế nào để đánh giá các câu hỏi mang tính cảm tính như 'giày chạy êm chân'?

Các đặc tính cảm tính như “êm chân” hay “thoáng mát” không thể đo đạc bằng số học ở Tầng 1. Đối với các tiêu chí này, Tầng 1 vẫn kiểm tra các giới hạn cứng (giá, size, tồn kho), còn Tầng 2 sẽ đối chiếu với vector cảm xúc từ các đánh giá (Reviews) của những người mua trước được lưu trong Qdrant để xác nhận xem đa số người dùng có đồng tình rằng sản phẩm này “rất êm chân” hay không.

Điều gì xảy ra nếu sau 2 vòng lặp tự động tái truy vấn vẫn không tìm thấy sản phẩm?

Vòng lặp đệ quy sẽ dừng lại dứt khoát ở lần thứ 2. Hệ thống sẽ trả về các sản phẩm có độ liên quan gần nhất kèm theo thông báo minh bạch (ví dụ: “Không tìm thấy giày chạy trail chống nước dưới 800k size 42, nhưng đây là các mẫu chống nước tốt nhất giá từ 950k, hoặc các mẫu giày trail thoáng khí giá 750k”). Cách tiếp cận này giúp khách hàng không bao giờ bị rơi vào ngõ cụt trang trắng.