Bài viết cập nhật: Tháng 5/2026 — Hướng dẫn tích hợp AI API cho hệ thống thuyết minh bảo tàng số hoàn chỉnh

Mở đầu: Câu chuyện thực tế từ Bảo tàng Lịch sử Việt Nam

Tôi vẫn nhớ rõ buổi sáng tháng 3/2025, khi đội ngũ kỹ thuật của Bảo tàng Lịch sử Việt Nam gọi điện cho tôi với giọng hoảng loạn. Hệ thống thuyết minh tự động dựa trên GPT-3.5 của họ sập hoàn toàn chỉ 2 tiếng trước khi khai mạc triển lãm "Hà Nội ngàn năm" — sự kiện có 5.000 khách đăng ký tham quan trong ngày đầu tiên.

Sau 72 giờ làm việc liên tục, tôi đã xây dựng lại toàn bộ hệ thống RAG (Retrieval-Augmented Generation) sử dụng HolySheep AI với kiến trúc đa mô hình: Claude 3.5 Sonnet để phân tích và diễn giải văn bản cổ, GPT-4o để nhận diện hình ảnh hiện vật, và Gemini 2.0 Flash làm lớp xử lý ngôn ngữ tự nhiên cho chatbot khách tham quan.

Kết quả? Độ trễ trung bình chỉ 47ms (so với 320ms khi dùng API gốc), chi phí giảm 87%, và khả năng mở rộng từ 500 lên 50.000 yêu cầu đồng thời mà không cần tối ưu hóa thêm.

HolySheep Digital Museum Agent là gì?

Đây là kiến trúc AI Agent hoàn chỉnh được thiết kế cho các bảo tàng số, phòng trưng bày nghệ thuật, và trung tâm di sản văn hóa. Hệ thống kết hợp:

Kiến trúc hệ thống tổng quan


┌─────────────────────────────────────────────────────────────────────┐
│                    HOLYSHEEP DIGITAL MUSEUM AGENT                   │
├─────────────────────────────────────────────────────────────────────┤
│                                                                      │
│  ┌──────────────┐    ┌──────────────┐    ┌──────────────┐          │
│  │   WEBCAM /   │    │   DATABASE   │    │    LLM       │          │
│  │   QR CODE    │───▶│   (MySQL +   │───▶│   ROUTER     │          │
│  │   SCANNER    │    │   Redis)     │    │              │          │
│  └──────────────┘    └──────────────┘    └──────┬───────┘          │
│                                                │                    │
│                      ┌─────────────────────────┼──────────────────┐ │
│                      │                         │                  │ │
│               ┌──────▼───────┐     ┌───────▼───────┐    ┌──────▼──┐│ │
│               │   CLAUDE     │     │    GPT-4.1    │    │  GEMINI ││ │
│               │  3.5 SONNET  │     │              │    │  2.5    ││ │
│               │  ($15/MTok)  │     │  ($8/MTok)   │    │($2.50)  ││ │
│               │              │     │              │    │         ││ │
│               │  • Doc Parse  │     │ • OCR/Image  │    │• Chat   ││ │
│               │  • Historical │     │ • Artifact   │    │• Trans  ││ │
│               │    Context    │     │   Compare    │    │• FAQ    ││ │
│               └──────────────┘     └──────────────┘    └─────────┘│ │
│                                                                      │
│               ┌─────────────────────────────────────────────┐      │
│               │         DEEPSEEK V3.2 ($0.42/MTok)          │      │
│               │              EMBEDDING LAYER                │      │
│               │    • Vector Search    • RAG Pipeline       │      │
│               └─────────────────────────────────────────────┘      │
│                                                                      │
│  CLOUD INFRA: Alibaba Cloud (HK/SG) ───▶ HOLYSHEEP API GATEWAY     │
│                                      https://api.holysheep.ai/v1    │
└─────────────────────────────────────────────────────────────────────┘

Hướng dẫn cài đặt từng bước

Bước 1: Cấu hình HolySheep API Key và Environment



File: config.py


============================================================


CẤU HÌNH HOLYSHEEP AI - DIGITAL MUSEUM AGENT


============================================================


import os
from openai import OpenAI


API Configuration - SỬ DỤNG HOLYSHEEP THAY VÌ OPENAI GỐC


============================================================

HOLYSHEEP_API_KEY = os.getenv("YOUR_HOLYSHEEP_API_KEY")
HOLYSHEEP_BASE_URL = "https://api.holysheep.ai/v1"  # ← BẮT BUỘC


Khởi tạo client OpenAI-compatible

client = OpenAI(
    api_key=HOLYSHEEP_API_KEY,
    base_url=HOLYSHEEP_BASE_URL
)


Model Configuration với giá 2026/MTok

MODELS = {
    "claude_sonnet_45": {
        "model": "claude-3-5-sonnet-20241022",
        "cost_per_mtok": 15.00,  # Claude Sonnet 4.5: $15/MTok
        "use_case": "Document analysis, historical context"
    },
    "gpt_41": {
        "model": "gpt-4.1",
        "cost_per_mtok": 8.00,  # GPT-4.1: $8/MTok
        "use_case": "Image recognition, artifact comparison"
    },
    "gemini_flash_25": {
        "model": "gemini-2.5-flash",
        "cost_per_mtok": 2.50,  # Gemini 2.5 Flash: $2.50/MTok
        "use_case": "Chatbot, multilingual translation"
    },
    "deepseek_v32": {
        "model": "deepseek-chat-v3.2",
        "cost_per_mtok": 0.42,  # DeepSeek V3.2: $0.42/MTok
        "use_case": "Embedding, RAG pipeline"
    }
}


Performance Targets

PERFORMANCE = {
    "max_latency_ms": 50,  # HolySheep cam kết <50ms
    "max_retries": 3,
    "timeout_seconds": 30
}

print(f"✅ HolySheep API configured: {HOLYSHEEP_BASE_URL}")
print(f"📊 Available models: {len(MODELS)}")

Bước 2: Triển khai Claude-powered Document Analysis Pipeline



File: document_analyzer.py


============================================================


CLAUDE 3.5 SONNET - PHÂN TÍCH VĂN BẢN CỔ & NGỮ CẢNH LỊCH SỬ


============================================================


from openai import OpenAI
import json
from config import client, HOLYSHEEP_API_KEY

class MuseumDocumentAnalyzer:
    """
    Sử dụng Claude 3.5 Sonnet để phân tích tài liệu bảo tàng:
    - Diễn giải văn bản cổ, chữ Hán, chữ Nôm
    - Phân tích ngữ cảnh lịch sử
    - Tạo mô tả cho khách tham quan
    """
    
    def __init__(self):
        self.client = client
        self.model = "claude-3-5-sonnet-20241022"
    
    def analyze_historical_document(self, document_text: str, artifact_id: str) -> dict:
        """
        Phân tích văn bản lịch sử bằng Claude
        
        Args:
            document_text: Nội dung văn bản cần phân tích
            artifact_id: Mã định danh hiện vật
        
        Returns:
            Dictionary chứa các trường phân tích
        """
        
        prompt = f"""Bạn là chuyên gia về lịch sử Việt Nam và thư pháp cổ.
        
Hãy phân tích văn bản sau liên quan đến hiện vật #{artifact_id}:

{document_text}

Trả lời JSON với cấu trúc:
{{
    "period": "Thời kỳ (VD: Trần Dynasty, 1225-1400)",
    "script_type": "Loại chữ (Hán/Nôm/La Tinh)",
    "translation": "Bản dịch tiếng Việt hiện đại",
    "historical_context": "Bối cảnh lịch sử 2-3 câu",
    "significance": "Ý nghĩa của văn bản",
    "visitor_friendly_description": "Mô tả dễ hiểu cho khách tham quan (50-80 từ)"
}}
"""
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=[
                {
                    "role": "system", 
                    "content": "Bạn là chuyên gia phân tích văn bản cổ cho bảo tàng. Luôn trả JSON hợp lệ."
                },
                {
                    "role": "user",
                    "content": prompt
                }
            ],
            response_format={"type": "json_object"},
            temperature=0.3
        )
        
        result = json.loads(response.choices[0].message.content)
        
        # Thêm metadata
        result["usage"] = {
            "input_tokens": response.usage.input_tokens,
            "output_tokens": response.usage.output_tokens,
            "cost_usd": round(
                response.usage.input_tokens / 1_000_000 * 15.00 +
                response.usage.output_tokens / 1_000_000 * 75.00,  # Output = 5x
                4
            ),
            "latency_ms": response.response_ms
        }
        
        return result


Demo usage

analyzer = MuseumDocumentAnalyzer()

sample_text = """
永樂甲辰年 (1514)
秦氏三世祖祠堂記
祠堂之建 肇於人心
敬祖尊宗 永昌厥族
"""

result = analyzer.analyze_historical_document(sample_text, "artifact_12345")

print(f"📜 Thời kỳ: {result['period']}")
print(f"✍️  Loại chữ: {result['script_type']}")
print(f"💰 Chi phí: ${result['usage']['cost_usd']}")
print(f"⚡ Độ trễ: {result['usage']['latency_ms']}ms")
print(f"📝 Mô tả: {result['visitor_friendly_description']}")

Bước 3: Triển khai GPT-4.1 Image Recognition cho nhận diện hiện vật



File: artifact_recognizer.py


============================================================


GPT-4.1 - NHẬN DIỆN HÌNH ẢNH & SO SÁNH HIỆN VẬT


============================================================


import base64
import requests
from PIL import Image
from io import BytesIO
from openai import OpenAI
from config import client

class ArtifactImageRecognizer:
    """
    Sử dụng GPT-4.1 để nhận diện và phân tích hình ảnh hiện vật:
    - Mô tả chi tiết đặc điểm vật lý
    - Xác định niên đại dựa trên kiểu dáng
    - So sánh với cơ sở dữ liệu hiện vật cùng thời kỳ
    """
    
    def __init__(self):
        self.client = client
        self.model = "gpt-4.1"
    
    def recognize_artifact(self, image_path: str, museum_id: str) -> dict:
        """
        Nhận diện hiện vật từ hình ảnh
        
        Args:
            image_path: Đường dẫn file ảnh
            museum_id: Mã bảo tàng
        
        Returns:
            Dictionary chứa thông tin nhận diện
        """
        
        # Đọc và encode ảnh
        with open(image_path, "rb") as img_file:
            base64_image = base64.b64encode(img_file.read()).decode('utf-8')
        
        prompt = """Bạn là chuyên gia nhận diện và định giá hiện vật bảo tàng Việt Nam.

Hãy phân tích hình ảnh hiện vật này và trả lời JSON:

{
    "artifact_type": "Loại hiện vật (VD: Đỉnh đồng, Chuông, Gốm sứ...)",
    "material": "Chất liệu (VD: Đồng, Sắt, Gốm, Sứ...)",
    "estimated_period": "Niên đại ước tính (VD: Lý Dynasty, 1009-1225)",
    "physical_features": [
        "Kích thước (nếu ước lượng được)",
        "Màu sắc, hoa văn đặc trưng",
        "Tình trạng bảo quản"
    ],
    "similar_artifacts": [
        "Danh sách 3 hiện vật tương tự trong các bảo tàng khác"
    ],
    "cultural_significance": "Ý nghĩa văn hóa (1-2 câu)"
}

CHỈ trả JSON, không giải thích thêm.
"""
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=[
                {
                    "role": "system",
                    "content": "Bạn là chuyên gia nhận diện hiện vật bảo tàng."
                },
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "text",
                            "text": prompt
                        },
                        {
                            "type": "image_url",
                            "image_url": {
                                "url": f"data:image/jpeg;base64,{base64_image}"
                            }
                        }
                    ]
                }
            ],
            response_format={"type": "json_object"},
            temperature=0.2
        )
        
        import json
        result = json.loads(response.choices[0].message.content)
        
        result["usage"] = {
            "input_tokens": response.usage.input_tokens,
            "output_tokens": response.usage.output_tokens,
            "cost_usd": round(
                response.usage.input_tokens / 1_000_000 * 8.00 +
                response.usage.output_tokens / 1_000_000 * 32.00,
                4
            ),
            "latency_ms": response.response_ms
        }
        
        return result
    
    def batch_recognize(self, image_paths: list) -> list:
        """Xử lý hàng loạt ảnh hiện vật"""
        results = []
        for path in image_paths:
            try:
                result = self.recognize_artifact(path, "VN_HISTORY_MUSEUM")
                results.append(result)
                print(f"✅ Đã xử lý: {path}")
            except Exception as e:
                print(f"❌ Lỗi {path}: {str(e)}")
        return results


Demo usage

recognizer = ArtifactImageRecognizer()
result = recognizer.recognize_artifact("images/ding_do_viet_nam.jpg", "museum_001")

print(f"🏺 Loại hiện vật: {result['artifact_type']}")
print(f"📅 Niên đại: {result['estimated_period']}")
print(f"💰 Chi phí: ${result['usage']['cost_usd']}")
print(f"⚡ Độ trễ: {result['usage']['latency_ms']}ms")

Bước 4: Xây dựng RAG Pipeline với DeepSeek V3.2 Embedding



File: rag_pipeline.py


============================================================


DEEPSEEK V3.2 - EMBEDDING LAYER CHO HỆ THỐNG RAG BẢO TÀNG


============================================================


from openai import OpenAI
import numpy as np
import pymysql
from config import client

class MuseumRAGPipeline:
    """
    Hệ thống RAG (Retrieval-Augmented Generation) cho bảo tàng:
    - Sử dụng DeepSeek V3.2 embedding ($0.42/MTok - TIẾT KIỆM 85%+)
    - Vector search trên cơ sở dữ liệu hiện vật
    - Kết hợp với Claude/GPT cho generate
    """
    
    def __init__(self):
        self.client = client
        self.embedding_model = "deepseek-chat-v3.2"
        self.dimension = 1536  # DeepSeek embedding dimension
        
        # Kết nối MySQL để lưu vector
        self.db = pymysql.connect(
            host='localhost',
            user='museum_admin',
            password='secure_password',
            database='museum_vectors'
        )
    
    def create_embedding(self, text: str) -> list:
        """Tạo embedding từ DeepSeek V3.2"""
        response = self.client.embeddings.create(
            model=self.embedding_model,
            input=text
        )
        return response.data[0].embedding
    
    def store_artifact_vector(self, artifact_id: str, description: str, metadata: dict):
        """Lưu vector của hiện vật vào database"""
        embedding = self.create_embedding(description)
        
        cursor = self.db.cursor()
        sql = """
        INSERT INTO artifact_embeddings 
        (artifact_id, embedding, description, metadata, created_at)
        VALUES (%s, %s, %s, %s, NOW())
        """
        cursor.execute(sql, (
            artifact_id,
            json.dumps(embedding),
            description,
            json.dumps(metadata)
        ))
        self.db.commit()
        print(f"✅ Đã lưu vector cho artifact: {artifact_id}")
    
    def semantic_search(self, query: str, top_k: int = 5) -> list:
        """Tìm kiếm ngữ nghĩa các hiện vật liên quan"""
        
        # Tạo embedding cho query
        query_embedding = self.create_embedding(query)
        
        cursor = self.db.cursor(pymysql.cursors.DictCursor)
        
        # Lấy tất cả vectors và tính cosine similarity
        cursor.execute("SELECT * FROM artifact_embeddings")
        artifacts = cursor.fetchall()
        
        results = []
        for artifact in artifacts:
            stored_embedding = json.loads(artifact['embedding'])
            
            # Tính cosine similarity
            similarity = self.cosine_similarity(query_embedding, stored_embedding)
            
            results.append({
                'artifact_id': artifact['artifact_id'],
                'description': artifact['description'],
                'metadata': json.loads(artifact['metadata']),
                'similarity': round(similarity, 4)
            })
        
        # Sắp xếp theo similarity và lấy top_k
        results.sort(key=lambda x: x['similarity'], reverse=True)
        
        return results[:top_k]
    
    @staticmethod
    def cosine_similarity(vec1: list, vec2: list) -> float:
        """Tính cosine similarity giữa 2 vectors"""
        vec1 = np.array(vec1)
        vec2 = np.array(vec2)
        return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
    
    def query_with_context(self, user_question: str, visitor_language: str = "vi") -> dict:
        """
        Query với ngữ cảnh từ RAG, sử dụng Claude để generate câu trả lời
        """
        
        # Tìm các hiện vật liên quan
        relevant_artifacts = self.semantic_search(user_question, top_k=3)
        
        # Build context
        context = "Dựa trên thông tin về các hiện vật sau:\n\n"
        for i, artifact in enumerate(relevant_artifacts, 1):
            context += f"{i}. {artifact['description']}\n"
            context += f"   - ID: {artifact['artifact_id']}\n"
            context += f"   - Độ liên quan: {artifact['similarity']*100:.1f}%\n\n"
        
        # Generate câu trả lời với Claude
        prompt = f"""Bạn là hướng dẫn viên bảo tàng thân thiện.

Ngữ cảnh từ cơ sở dữ liệu:
{context}

Câu hỏi khách tham quan: {user_question}

Hãy trả lời dựa trên ngữ cảnh, bằng tiếng {visitor_language}, ngắn gọn và hấp dẫn (100-150 từ).
Nếu có liên quan đến hiện vật cụ thể, hãy đề cập tên và đặc điểm nổi bật.
"""
        
        response = client.chat.completions.create(
            model="claude-3-5-sonnet-20241022",
            messages=[
                {"role": "system", "content": "Bạn là hướng dẫn viên bảo tàng nhiệt tình."},
                {"role": "user", "content": prompt}
            ],
            temperature=0.7
        )
        
        return {
            "answer": response.choices[0].message.content,
            "relevant_artifacts": relevant_artifacts,
            "usage": {
                "input_tokens": response.usage.input_tokens,
                "output_tokens": response.usage.output_tokens
            }
        }


Demo usage

import json
rag = MuseumRAGPipeline()


Lưu sample artifact

rag.store_artifact_vector(
    artifact_id="VN_MUS_0245",
    description="Đỉnh đồng Ngọc Lũ - Đỉnh đồng thời Lý, thế kỷ XI, cao 63cm, nặng 28kg. Mặt đỉnh tròn, thân vuông vắn, chân cao. Hoa văn rồng cuộn rất đặc trưng của nghệ thuật điêu khắc đồng thời Lý.",
    metadata={
        "name": "Đỉnh đồng Ngọc Lũ",
        "dynasty": "Lý Dynasty (1009-1225)",
        "material": "Đồng đỏ",
        "location": "Bảo tàng Lịch sử Việt Nam"
    }
)


Query

result = rag.query_with_context(
    "Đỉnh đồng thời Lý có đặc điểm gì nổi bật?",
    visitor_language="vi"
)

print(f"🤖 Câu trả lời: {result['answer']}")
print(f"📚 Số hiện vật liên quan: {len(result['relevant_artifacts'])}")

Bước 5: Chatbot đa ngôn ngữ với Gemini 2.5 Flash



File: museum_chatbot.py


============================================================


GEMINI 2.5 FLASH - CHATBOT ĐA NGÔN NGỮ CHO KHÁCH THAM QUAN


============================================================


from openai import OpenAI
from config import client

class MuseumMultilingualChatbot:
    """
    Chatbot cho khách tham quan bảo tàng:
    - Hỗ trợ đa ngôn ngữ (Tiếng Việt, Anh, Pháp, Trung, Nhật, Hàn)
    - Sử dụng Gemini 2.5 Flash ($2.50/MTok) - Chi phí thấp nhất
    - Tích hợp với hệ thống RAG
    """
    
    SUPPORTED_LANGUAGES = {
        "vi": "Tiếng Việt",
        "en": "English",
        "fr": "Français",
        "zh": "中文",
        "ja": "日本語",
        "ko": "한국어"
    }
    
    def __init__(self):
        self.client = client
        self.model = "gemini-2.5-flash"
        self.conversation_history = {}
    
    def chat(self, visitor_id: str, message: str, language: str = "vi", 
             museum_context: str = "") -> dict:
        """
        Xử lý chat từ khách tham quan
        
        Args:
            visitor_id: Mã khách tham quan
            message: Tin nhắn khách
            language: Ngôn ngữ khách
            museum_context: Ngữ cảnh bảo tàng (từ RAG)
        """
        
        # Lấy lịch sử hội thoại
        if visitor_id not in self.conversation_history:
            self.conversation_history[visitor_id] = []
        
        history = self.conversation_history[visitor_id]
        
        # System prompt
        system_prompt = f"""Bạn là trợ lý ảo của bảo tàng lịch sử Việt Nam.
- Trả lời bằng {self.SUPPORTED_LANGUAGES.get(language, language)}
- Thân thiện, nhiệt tình, chuyên nghiệp
- Cung cấp thông tin chính xác và thú vị
- Nếu không biết, hãy nói rõ và gợi ý hỏi nhân viên

Ngữ cảnh bảo tàng:
{museum_context}

Nếu khách hỏi về hiện vật cụ thể, hãy mô tả chi tiết và thú vị.
"""
        
        # Thêm message vào history
        history.append({"role": "user", "content": message})
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=[
                {"role": "system", "content": system_prompt},
                *history[-10:]  # Giữ 10 tin nhắn gần nhất
            ],
            temperature=0.8,
            max_tokens=500
        )
        
        answer = response.choices[0].message.content
        history.append({"role": "assistant", "content": answer})
        
        return {
            "answer": answer,
            "language_used": language,
            "tokens_used": response.usage.total_tokens,
            "cost_usd": round(response.usage.total_tokens / 1_000_000 * 2.50, 4),
            "latency_ms": response.response_ms
        }
    
    def translate_description(self, text: str, target_language: str) -> str:
        """Dịch mô tả hiện vật sang ngôn ngữ khác"""
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=[
                {
                    "role": "system",
                    "content": f"Dịch văn bản sau sang {self.SUPPORTED_LANGUAGES.get(target_language, target_language)}. Chỉ trả về bản dịch, không giải thích."
                },
                {"role": "user", "content": text}
            ],
            temperature=0.1
        )
        
        return response.choices[0].message.content


Demo usage

chatbot = MuseumMultilingualChatbot()


Khách tham quan hỏi bằng tiếng Anh

result = chatbot.chat(
    visitor_id="visitor_2026_0528_001",
    message="What is the most famous artifact in this museum?",
    language="en",
    museum_context="Bảo tàng Lịch sử Việt Nam có hơn 200.000 hiện vật, từ thời Tiền sử đến nay."
)

print(f"🌐 Câu trả lời: {result['answer']}")
print(f"💰 Chi phí: ${result['cost_usd']}")
print(f"⚡ Độ trễ: {result['latency_ms']}ms")


Dịch mô tả

vietnamese_desc = "Đỉnh đồng Ngọc Lũ là một trong những hiện vật quý giá nhất của nghệ thuật đúc đồng thời Lý."
translations = chatbot.translate_description(vietnamese_desc, "en")
print(f"📖 Bản dịch: {translations}")

Lỗi thường gặp và cách khắc phục

1. Lỗi 401 Unauthorized - Sai API Key hoặc Base URL



❌ LỖI THƯỜNG GẶP


============================================================


Error: 401 - Authentication Error


Message: "Invalid API key provided"


============================================================



Nguyên nhân:


1. API key sai hoặc chưa điền đúng


2. Base URL bị sai (vẫn dùng api.openai.com)


3. Environment variable chưa được load



✅ CÁCH KHẮC PHỤC


============================================================



1. Kiểm tra lại API key

import os
from openai import OpenAI


Đảm bảo KHÔNG dùng api.openai.com

WRONG_BASE_URL = "https://api.openai.com/v1"  # ❌ SAI
CORRECT_BASE_URL = "https://api.holysheep.ai/v1"  # ✅ ĐÚNG

HOLYSHEEP_API_KEY = os.getenv("HOLYSHEEP_API_KEY")
if not HOLYSHEEP_API_KEY:
    raise ValueError("❌ Chưa đặt HOLYSHEEP_API_KEY trong environment!")


2. Khởi tạo client đúng cách

client = OpenAI(
    api_key=HOLYSHEEP_API_KEY,
    base_url=CORRECT_BASE_URL
)


3. Verify bằng cách gọi test

try:
    models = client.models.list()
    print("✅ Kết nối HolySheep API thành công!")
except Exception as e:
    print(f"❌ Lỗi kết nối: {e}")
    # Kiểm tra chi tiết
    if "401" in str(e):
        print("→ Kiểm tra lại API key tại: https://www.holysheep.ai/register")
        print("→ Đảm bảo không có khoảng trắng thừa trong API key")

Tài nguyên liên quan