diephan
Moderator
Nếu Mô hình Ngôn ngữ Lớn (LLM) là một "bộ não" xuất chúng nhưng bị giam cầm trong môi trường tĩnh, vậy một bài toán được đặt ra là: Làm thế nào để giải phóng bộ não đó? Một Tác nhân AI (AI Agent) không chỉ là một thuật toán phản hồi văn bản; nó là một thực thể phần mềm có khả năng nhận thức môi trường, suy luận về mục tiêu và thực thi các hành động một cách tự chủ. Bài viết này sẽ bóc tách chi tiết vòng lặp hoạt động, các thành phần cấu trúc cốt lõi và các mẫu thiết kế kiến trúc (Design Patterns) giúp biến một LLM thụ động thành một cỗ máy hành động mạnh mẽ trong môi trường doanh nghiệp.
1. Vòng lặp tác nhân (The Agentic Loop: Sense - Think - Act)
Bất kỳ hệ thống AI Agent nào, dù đơn giản hay phức tạp, đều vận hành dựa trên một vòng lặp kiểm soát liên tục. Nó tương tự như vòng lặp OODA (Quan sát - Định hướng - Quyết định - Hành động) trong điều khiển tự động học.
Để thực sự hiểu cách AI Agent hoạt động, chúng ta hãy xem xét sơ đồ luồng dữ liệu dưới đây:
1. Pha Nhận thức (Sensing Phase)
2. Pha Suy nghĩ (Thinking / Reasoning Phase)
3. Pha Hành động (Acting Phase)
1. (Think): LLM nghĩ "Mình cần biết tình trạng server trước." -> Sinh ra lệnh gọi công cụ kiểm tra.
2. (Sense): Mã code chạy công cụ kiểm tra, lấy file log về (đây là thu thập thông tin, môi trường thực chưa bị thay đổi).
3. (Think): LLM đọc file log, nghĩ: "Server đang bị lỗi tràn bộ nhớ. Cần khởi động lại." -> Sinh ra lệnh gọi công cụ Restart.
4. (Act): Mã code chạy lệnh Restart (Môi trường thực bị thay đổi - server bị tắt). Hệ thống trả về thông báo "Restart thành công".
5. (Think): LLM nhận thông báo, nghĩ "Nhiệm vụ hoàn tất." -> Đóng vòng lặp và báo cáo lại cho người dùng.
2. Năm thành phần cấu trúc nền tảng
Để duy trì vòng lặp "Sense - Think - Act" một cách trơn tru, kiến trúc của một Agentic AI phải bao gồm 5 thành phần (Components) liên kết chặt chẽ với nhau:
1. Động cơ Suy luận (Reasoning Engine / LLM)
Mô hình Ngôn ngữ Lớn (LLM) đóng vai trò là "bộ não" trung tâm của agent. Tuy nhiên, trong kiến trúc Agentic, LLM không được sử dụng để "trò chuyện" hay "sáng tạo nội dung" đơn thuần, mà nó hoạt động như một cỗ máy ra quyết định logic:
Đừng nhầm lẫn đây chỉ là câu lệnh (prompt) thông thường. Thông điệp hệ thống chính là "bản tuyên ngôn sứ mệnh" định hình vai trò, tính cách, chuyên môn và các ranh giới hành vi cốt lõi của Tác nhân.
LLM vốn dĩ là những hệ thống "không trạng thái" (stateless), chúng quên mọi thứ ngay sau khi trả lời. Để Agent không bị "não cá vàng", nó được trang bị một hệ thống trí nhớ phức tạp phân lớp y hệt nhận thức con người
Nếu LLM là bộ não, thì công cụ chính là "mắt, tai và tứ chi" giúp hệ thống tương tác với thế giới thực. Thông qua cơ chế Gọi hàm (Function Calling), LLM có thể yêu cầu hệ thống thực thi các công cụ.
Khi chúng ta có một bộ não LLM, một kho trí nhớ khổng lồ và hàng chục công cụ, chúng ta cần một phần mềm đứng giữa làm "nhạc trưởng" để phối hợp tất cả. Đây chính là Lớp Điều phối (thường được xây dựng bằng các framework như LangChain, LangGraph hoặc AutoGen)
Các hệ thống Agentic AI không chỉ hoạt động dựa trên các kịch bản tuyến tính mà phát triển mạnh mẽ nhờ vào vòng lặp lặp đi lặp lại của việc: Lập kế hoạch, Thực thi và Học hỏi. Vòng lặp phản hồi này cho phép các tác nhân thích ứng, tinh chỉnh hành động và tối ưu hóa hiệu suất của chúng dựa trên các kết quả thực tế
1. Pha Lập kế hoạch (Plan Phase)
Pha này bao gồm các bước:
Đây là lúc tác nhân tương tác với thế giới bên ngoài thông qua các công cụ. Quá trình thực thi không diễn ra một cách mù quáng mà được kiểm soát chặt chẽ:
Đây là điểm khác biệt lớn nhất giữa một AI Agent và một phần mềm tự động hóa thông thường (RPA). Tác nhân có khả năng tự đánh giá và cải thiện:
Để xây dựng các hệ thống Agentic AI khả thi trên quy mô lớn, các kỹ sư phần mềm không lập trình một cách ngẫu hứng mà tuân theo các mẫu thiết kế (Design Patterns) đã được kiểm chứng. Dưới đây là các mô hình phổ biến nhất:
1. Mẫu ReAct (Reason - Act Cycles)
Đây là mẫu thiết kế cơ bản và cốt lõi nhất cho một Agent hoạt động độc lập. Hệ thống buộc AI phải liên tục đi theo một vòng lặp: Quan sát (Observe) -> Lập luận (Think) -> Hành động (Act) -> Đánh giá lại (Review),. Nó giúp AI vừa làm vừa tự sửa sai trong thời gian thực
2. Mẫu ReAct + RAG (Truy xuất Tăng cường)
Bản nâng cấp của ReAct, trong đó hệ thống chèn thêm một pha "Truy xuất Kiến thức" (Knowledge Retrieval) từ các cơ sở dữ liệu nội bộ. Thay vì chỉ dựa vào trí nhớ có sẵn, Agent sẽ liên tục tra cứu tài liệu theo thời gian thực (ví dụ: quét quy định công ty, đọc lịch sử tài khoản khách hàng) trước khi đưa ra hành động.
3. Mẫu Chuỗi Tuần tự (Sequential Orchestration)
Trong các hệ thống Đa tác nhân (Multi-Agent), đây là cách sắp xếp đơn giản nhất. Các Agent làm việc theo một dây chuyền sản xuất: Đầu ra của Agent này sẽ trở thành đầu vào của Agent tiếp theo,.
Ví dụ: Agent thu thập tin tức -> Agent kiểm chứng sự thật -> Agent viết bài -> Agent đăng bài
4. Mẫu Phân cấp (Hierarchical / Planner & Executors)
Mẫu này mô phỏng cấu trúc công ty: Có một Agent Quản lý (Root Orchestrator/Manager) đứng đầu, nhận lệnh từ người dùng và chia nhỏ nó ra,. Sau đó, nó giao việc cho các Agent Chuyên gia (Specialized Sub-agents) bên dưới. Khi cấp dưới làm xong, Agent Quản lý sẽ tổng hợp lại thành kết quả cuối cùng.
5. Mẫu Cấu trúc Đồ thị (Graph-based Architecture)
Đây là cách thiết kế rất mạnh mẽ, trong đó luồng công việc được vẽ dưới dạng một đồ thị gồm các "Nút" (Nodes) và "Cạnh" (Edges),.
5. Cơ chế Kiểm soát và An toàn (Human-in-the-Loop & Guardrails)
1. Ba cấp độ can thiệp của con người
AI Agent được lập trình để biết tự lượng sức mình. Các kỹ sư thiết lập những ngưỡng định lượng (ví dụ: điểm tự tin của LLM rơi xuống dưới 0.7, hoặc hành động dự kiến tiêu tốn chi phí vượt mức ngân sách). Khi chạm ngưỡng này, tác nhân tự động dừng lại và chuyển tiếp (escalate) vấn đề cho con người hoặc một "LLM Giám khảo" (LLM Judge) phân xử
3. Luồng phê duyệt (Approval Workflows)
Hệ thống AI Agent được tích hợp với các phần mềm quản lý luồng công việc (như Jira, ServiceNow). Đối với các tác vụ nhạy cảm, Agent có thể chuẩn bị sẵn mọi thao tác, nhưng hành động cuối cùng sẽ được đưa vào trạng thái "Chờ duyệt", đi kèm với nhật ký kiểm toán (audit trails) để con người xem xét trước khi bấm nút cho phép chạy.
(Nội dung và hình ảnh trong bài viết có sử dụng AI)
1. Vòng lặp tác nhân (The Agentic Loop: Sense - Think - Act)
Bất kỳ hệ thống AI Agent nào, dù đơn giản hay phức tạp, đều vận hành dựa trên một vòng lặp kiểm soát liên tục. Nó tương tự như vòng lặp OODA (Quan sát - Định hướng - Quyết định - Hành động) trong điều khiển tự động học.
Để thực sự hiểu cách AI Agent hoạt động, chúng ta hãy xem xét sơ đồ luồng dữ liệu dưới đây:
1. Pha Nhận thức (Sensing Phase)
- Đây là lúcAgent cảm nhận và thu thập dữ liệu từ môi trường (Internet, Cơ sở dữ liệu nội bộ, tín hiệu cảm biến).
- Khác với con người nhận thức thế giới một cách thụ động qua giác quan, sự "nhận thức" của AI Agent luôn phải được kích hoạt một cách chủ động thông qua một Lệnh gọi công cụ (Tool Call) từ LLM.
- Pha nhận thức mang tính chất "chỉ đọc" (read-only) và hoàn toàn không làm thay đổi trạng thái của thế giới thực. Ví dụ: LLM yêu cầu công cụ [Check_Weather] để xem thời tiết, hoặc gọi công cụ [Read_Database] để lấy thông tin khách hàng.
2. Pha Suy nghĩ (Thinking / Reasoning Phase)
- Dưới góc độ lập trình phần mềm, bản thân bộ khung (framework) của Tác nhân AI hoàn toàn không tự suy nghĩ.
- Cơ chế hoạt động: Vòng lặp Agent chỉ đóng vai trò là một "đường ống" (conduit) để liên tục giao tiếp với Mô hình Ngôn ngữ Lớn (LLM). Toàn bộ quá trình lập kế hoạch, suy luận, phân tích lỗi và ra quyết định đều được ủy quyền 100% cho LLM ở bên dưới.
- LLM sẽ phân tích tình huống hiện tại và quyết định xem nó có thể đưa ra câu trả lời cuối cùng luôn chưa, hay cần sinh ra một "Lệnh gọi công cụ" (Tool Call) để thu thập thêm dữ liệu
3. Pha Hành động (Acting Phase)
- Từ góc nhìn của kiến trúc phần mềm, thao tác "Hành động" trông y hệt như thao tác "Nhận thức" chúng đều là việc mã code thực thi một Công cụ (Tool).
- Pha Hành động tạo ra sự thay đổi trạng thái của thế giới thực. Ví dụ: Agent kích hoạt công cụ để xóa một Pod trong máy chủ, chèn một dòng dữ liệu mới vào bảng SQL, hoặc gửi một email cho khách hàng.
- Sau khi Hành động được thực thi, hệ thống không dừng lại. Kết quả của hành động đó (có thể là thông báo "Thành công" hoặc "Báo lỗi Error 404") sẽ được đẩy ngược trở lại vào pha "Suy nghĩ" (gửi lại cho LLM). Nhờ đó, LLM biết được hành động của mình có hiệu quả hay không để tiếp tục lên kế hoạch
1. (Think): LLM nghĩ "Mình cần biết tình trạng server trước." -> Sinh ra lệnh gọi công cụ kiểm tra.
2. (Sense): Mã code chạy công cụ kiểm tra, lấy file log về (đây là thu thập thông tin, môi trường thực chưa bị thay đổi).
3. (Think): LLM đọc file log, nghĩ: "Server đang bị lỗi tràn bộ nhớ. Cần khởi động lại." -> Sinh ra lệnh gọi công cụ Restart.
4. (Act): Mã code chạy lệnh Restart (Môi trường thực bị thay đổi - server bị tắt). Hệ thống trả về thông báo "Restart thành công".
5. (Think): LLM nhận thông báo, nghĩ "Nhiệm vụ hoàn tất." -> Đóng vòng lặp và báo cáo lại cho người dùng.
2. Năm thành phần cấu trúc nền tảng
Để duy trì vòng lặp "Sense - Think - Act" một cách trơn tru, kiến trúc của một Agentic AI phải bao gồm 5 thành phần (Components) liên kết chặt chẽ với nhau:
1. Động cơ Suy luận (Reasoning Engine / LLM)
Mô hình Ngôn ngữ Lớn (LLM) đóng vai trò là "bộ não" trung tâm của agent. Tuy nhiên, trong kiến trúc Agentic, LLM không được sử dụng để "trò chuyện" hay "sáng tạo nội dung" đơn thuần, mà nó hoạt động như một cỗ máy ra quyết định logic:
- LLM tiếp nhận mục tiêu phức tạp và thực hiện quá trình phân rã nhiệm vụ (task decomposition), bẻ gãy mục tiêu lớn thành một chuỗi các bước nhỏ có thể quản lý được
- Tại mỗi bước, LLM có khả năng đưa ra các giả thuyết, dự đoán kết quả và đánh giá các lựa chọn (ví dụ: tối ưu chi phí, giảm độ trễ, hay tuân thủ rủi ro) trước khi quyết định hành động tiếp theo.
Đừng nhầm lẫn đây chỉ là câu lệnh (prompt) thông thường. Thông điệp hệ thống chính là "bản tuyên ngôn sứ mệnh" định hình vai trò, tính cách, chuyên môn và các ranh giới hành vi cốt lõi của Tác nhân.
- Định hình vai trò: Nó biến một LLM đa dụng thành một chuyên gia cụ thể. Ví dụ: "Bạn là một chuyên gia phân tích pháp lý. Bạn chỉ được phép sử dụng dữ liệu từ cơ sở dữ liệu nội bộ, không được tự bịa ra các điều luật".
- Thiết lập quy tắc chiến thuật: Nó chứa các hướng dẫn quy định trình tự gọi công cụ. Ví dụ: "Khi nhận được yêu cầu, hãy LUÔN gọi Công cụ A trước. Nếu Công cụ A thất bại, mới được chuyển sang Công cụ B". Điều này giúp LLM bám sát các luồng quy trình chuẩn của doanh nghiệp
LLM vốn dĩ là những hệ thống "không trạng thái" (stateless), chúng quên mọi thứ ngay sau khi trả lời. Để Agent không bị "não cá vàng", nó được trang bị một hệ thống trí nhớ phức tạp phân lớp y hệt nhận thức con người
- Trí nhớ làm việc / Trí nhớ ngắn hạn (Working / Short-term Memory): Được duy trì trong "cửa sổ ngữ cảnh" (context window) của LLM. Nó lưu trữ bối cảnh của phiên làm việc hiện tại, giúp Agent nhớ được người dùng vừa nói gì cách đây vài phút, hoặc lưu giữ kết quả vừa trả về từ một API để tính toán bước tiếp theo. Khi ngữ cảnh quá dài, hệ thống sẽ dùng LLM để tóm tắt và nén lại.
- Trí nhớ dài hạn (Long-term Memory): Lưu trữ kiến thức vĩnh viễn, thường ứng dụng Cơ sở dữ liệu Vector (Vector Databases) hoặc Đồ thị tri thức (Knowledge Graphs). Trí nhớ dài hạn chia làm hai loại:
- Trí nhớ Ngữ nghĩa (Semantic Memory): Lưu trữ sự thật và kiến thức chung (ví dụ: sổ tay quy định công ty, cẩm nang sản phẩm) thông qua hệ thống RAG.
- Trí nhớ Sự kiện (Episodic Memory): Lưu trữ các sự kiện, nhật ký (logs) tương tác trong quá khứ. Nhờ đó, Agent có thể nhớ rằng "Tuần trước khách hàng này đã phàn nàn về lỗi giao hàng" để tự động điều chỉnh thái độ phục vụ.
- Trí nhớ Quy trình (Procedural Memory): Ghi nhớ "cách làm một việc gì đó". Trong Agent, trí nhớ này được mã hóa dưới dạng các trọng số (weights) của chính LLM và các đoạn mã lập trình luồng công việc của hệ thống.
Nếu LLM là bộ não, thì công cụ chính là "mắt, tai và tứ chi" giúp hệ thống tương tác với thế giới thực. Thông qua cơ chế Gọi hàm (Function Calling), LLM có thể yêu cầu hệ thống thực thi các công cụ.
- Bản chất của Công cụ: Mỗi công cụ là một đoạn mã phần mềm (ví dụ mã Python) được đính kèm một văn bản miêu tả bằng ngôn ngữ tự nhiên. LLM sẽ đọc miêu tả này để hiểu công cụ đó dùng làm gì, đầu vào cần gì và đầu ra là gì, từ đó tự quyết định lúc nào nên gọi nó.
- Các loại Công cụ cốt lõi:
- Web APIs: Lấy dữ liệu thời tiết, giá chứng khoán, tìm kiếm Google,..
- Enterprise APIs: Kết nối vào các hệ thống nội bộ (CRM, ERP, Slack) để kiểm tra hàng tồn kho, tự động gửi email, hay hủy đơn hàng,..
- Công cụ truy xuất (Retrieval Tools): Biến Cơ sở dữ liệu Vector thành một công cụ để LLM chủ động tìm kiếm tài liệu khi thấy thiếu kiến thức.
Khi chúng ta có một bộ não LLM, một kho trí nhớ khổng lồ và hàng chục công cụ, chúng ta cần một phần mềm đứng giữa làm "nhạc trưởng" để phối hợp tất cả. Đây chính là Lớp Điều phối (thường được xây dựng bằng các framework như LangChain, LangGraph hoặc AutoGen)
- Thực thi hành động: LLM chỉ nghĩ ra lệnh gọi công cụ, Lớp Điều phối mới là nơi chứa đoạn mã code thực sự chạy lệnh API đó, sau đó hứng kết quả và trả lại LLM.
- Quản lý ngoại lệ và bắt lỗi (Error Handling): Nếu API bị lỗi, server sập hoặc định dạng dữ liệu sai, Lớp Điều phối sẽ chặn lỗi này, tóm tắt nó và báo lại cho LLM (ví dụ: "Công cụ vừa gọi bị lỗi 404, bạn hãy thử công cụ khác") thay vì làm sập toàn bộ ứng dụng.
- Giám sát và An toàn (Guardrails & Monitoring): Quản lý giới hạn số lượng token, thiết lập cơ chế "Con người trong vòng lặp" (chờ con người bấm nút phê duyệt trước khi cho phép LLM thực hiện một giao dịch tài chính), và ghi log (tracing) mọi bước tư duy của LLM để gỡ lỗi.
Các hệ thống Agentic AI không chỉ hoạt động dựa trên các kịch bản tuyến tính mà phát triển mạnh mẽ nhờ vào vòng lặp lặp đi lặp lại của việc: Lập kế hoạch, Thực thi và Học hỏi. Vòng lặp phản hồi này cho phép các tác nhân thích ứng, tinh chỉnh hành động và tối ưu hóa hiệu suất của chúng dựa trên các kết quả thực tế
1. Pha Lập kế hoạch (Plan Phase)
Pha này bao gồm các bước:
- Phân rã mục tiêu (Goal decomposition): Bước đầu tiên là bẻ gãy một mục tiêu cấp cao, phức tạp thành các nhiệm vụ nhỏ hơn hoặc các cột mốc (milestones) có thể quản lý được. Điều này đảm bảo tác nhân có một bản đồ thực thi rõ ràng, giảm thiểu sự quá tải cho mô hình LLM.
- Phân bổ tài nguyên (Resource allocation): Tác nhân tự động phân bổ tài nguyên tính toán, lựa chọn các biến thể LLM phù hợp (ví dụ: dùng model nhỏ cho tác vụ dễ, model lớn cho tác vụ khó), và chuẩn bị sẵn các công cụ hoặc API cần thiết cho từng giai đoạn.
- Xây dựng chiến lược (Strategy formulation): Tác nhân sử dụng các mẫu nhắc lệnh (prompt templates) hoặc các mô-đun chính sách kết hợp với dữ liệu hiệu suất trong quá khứ để xây dựng các chuỗi hành động tiềm năng. Điều này đảm bảo mỗi hành động được lên kế hoạch dựa trên những kiến thức mà tác nhân đã tích lũy được.
Đây là lúc tác nhân tương tác với thế giới bên ngoài thông qua các công cụ. Quá trình thực thi không diễn ra một cách mù quáng mà được kiểm soát chặt chẽ:
- Hành động theo bước (Stepwise action): Tác nhân thực hiện tuần tự các nhiệm vụ đã chia nhỏ, gọi các công cụ hoặc API theo thứ tự đã định. Mỗi hành động được thiết kế để có tính "idempotent" (thực hiện nhiều lần không làm sai lệch hệ thống) và khả năng phục hồi, đảm bảo việc thử lại (retries) khi lỗi mạng không làm hỏng toàn bộ luồng công việc.
- Xác thực tạm thời (Interim validation): Sau mỗi nhiệm vụ phụ, hệ thống áp dụng các quy trình kiểm tra nhẹ, chẳng hạn như kiểm tra sự phù hợp của cấu trúc dữ liệu (schema) và các quy tắc nghiệp vụ cơ bản. Việc này giúp phát hiện sớm các dấu hiệu sai lệch (drift) hoặc điểm bất thường để giữ cho tác nhân luôn đi đúng hướng.
- Làm giàu ngữ cảnh (Context enrichment): Khi các hành động được thực thi, tác nhân ghi nhận các kết quả và quan sát mới vào bộ nhớ (trạng thái phiên hoặc cơ sở dữ liệu vector). Dữ liệu này tạo thành một bản ghi về quá trình ra quyết định của tác nhân để sử dụng cho các bước tiếp theo
Đây là điểm khác biệt lớn nhất giữa một AI Agent và một phần mềm tự động hóa thông thường (RPA). Tác nhân có khả năng tự đánh giá và cải thiện:
- Phân tích kết quả (Outcome analysis): Sau khi hoàn thành pha thực thi, tác nhân so sánh kết quả thực tế đạt được với các mục tiêu đã đề ra ban đầu. Nó đánh giá các số liệu như thời gian hoàn thành, chi phí tiêu hao, và độ chính xác để làm nổi bật những điểm hệ thống đã làm tốt hoặc còn thiếu sót.
- Bơm phản hồi (Feedback injection): Các khoảng trống hiệu suất được xác định sẽ được nạp ngược lại vào hệ thống. Việc này có thể bao gồm điều chỉnh trọng số nhắc lệnh (prompt weights), tinh chỉnh các ngưỡng ra quyết định, hoặc cập nhật bảng chính sách để các hành động trong tương lai trở nên chính xác hơn.
- Hiệu chuẩn mô hình (Model calibration): Theo thời gian, tác nhân có thể tận dụng các tín hiệu từ học tăng cường (reinforcement learning) hoặc các chú thích sửa lỗi từ con người để hiệu chuẩn lại mô hình của chúng. Quá trình này giúp mô hình dần dần cải thiện khả năng ra quyết định và thích ứng với các hoàn cảnh thay đổi.
Để xây dựng các hệ thống Agentic AI khả thi trên quy mô lớn, các kỹ sư phần mềm không lập trình một cách ngẫu hứng mà tuân theo các mẫu thiết kế (Design Patterns) đã được kiểm chứng. Dưới đây là các mô hình phổ biến nhất:
1. Mẫu ReAct (Reason - Act Cycles)
Đây là mẫu thiết kế cơ bản và cốt lõi nhất cho một Agent hoạt động độc lập. Hệ thống buộc AI phải liên tục đi theo một vòng lặp: Quan sát (Observe) -> Lập luận (Think) -> Hành động (Act) -> Đánh giá lại (Review),. Nó giúp AI vừa làm vừa tự sửa sai trong thời gian thực
2. Mẫu ReAct + RAG (Truy xuất Tăng cường)
Bản nâng cấp của ReAct, trong đó hệ thống chèn thêm một pha "Truy xuất Kiến thức" (Knowledge Retrieval) từ các cơ sở dữ liệu nội bộ. Thay vì chỉ dựa vào trí nhớ có sẵn, Agent sẽ liên tục tra cứu tài liệu theo thời gian thực (ví dụ: quét quy định công ty, đọc lịch sử tài khoản khách hàng) trước khi đưa ra hành động.
3. Mẫu Chuỗi Tuần tự (Sequential Orchestration)
Trong các hệ thống Đa tác nhân (Multi-Agent), đây là cách sắp xếp đơn giản nhất. Các Agent làm việc theo một dây chuyền sản xuất: Đầu ra của Agent này sẽ trở thành đầu vào của Agent tiếp theo,.
Ví dụ: Agent thu thập tin tức -> Agent kiểm chứng sự thật -> Agent viết bài -> Agent đăng bài
4. Mẫu Phân cấp (Hierarchical / Planner & Executors)
Mẫu này mô phỏng cấu trúc công ty: Có một Agent Quản lý (Root Orchestrator/Manager) đứng đầu, nhận lệnh từ người dùng và chia nhỏ nó ra,. Sau đó, nó giao việc cho các Agent Chuyên gia (Specialized Sub-agents) bên dưới. Khi cấp dưới làm xong, Agent Quản lý sẽ tổng hợp lại thành kết quả cuối cùng.
5. Mẫu Cấu trúc Đồ thị (Graph-based Architecture)
Đây là cách thiết kế rất mạnh mẽ, trong đó luồng công việc được vẽ dưới dạng một đồ thị gồm các "Nút" (Nodes) và "Cạnh" (Edges),.
- Mỗi Nút là một Agent, một công cụ hoặc một tác vụ.
- Cạnh là đường đi của dữ liệu (ví dụ: Nếu Agent A tìm thấy lỗi, rẽ nhánh sang Agent B; nếu không có lỗi, rẽ nhánh sang Agent C),. Mẫu này cho phép xử lý các vòng lặp phức tạp và điều kiện rẽ nhánh linh hoạt. LangGraph là một framework điển hình sử dụng kiến trúc này.
5. Cơ chế Kiểm soát và An toàn (Human-in-the-Loop & Guardrails)
1. Ba cấp độ can thiệp của con người
- Con người trong vòng lặp (Human-in-the-loop - HITL): Con người phải phê duyệt một số quyết định cụ thể trước khi AI được phép hành động (ví dụ: AI chẩn đoán bệnh nhưng bác sĩ phải ký xác nhận mới được xuất phác đồ).
- Con người trên vòng lặp (Human-on-the-loop - HOTL): AI Agent hoạt động hoàn toàn tự chủ, nhưng con người đóng vai trò giám sát trên bảng điều khiển (dashboard) và có quyền bấm nút "dừng" hoặc can thiệp nếu thấy AI đi chệch hướng.
- Con người ngoài vòng lặp (Human-out-of-the-loop): AI tự chủ 100%, không có sự can thiệp theo thời gian thực (chỉ áp dụng ở các tác vụ rủi ro cực thấp hoặc cần tốc độ mili-giây như giao dịch chứng khoán tần suất cao).
AI Agent được lập trình để biết tự lượng sức mình. Các kỹ sư thiết lập những ngưỡng định lượng (ví dụ: điểm tự tin của LLM rơi xuống dưới 0.7, hoặc hành động dự kiến tiêu tốn chi phí vượt mức ngân sách). Khi chạm ngưỡng này, tác nhân tự động dừng lại và chuyển tiếp (escalate) vấn đề cho con người hoặc một "LLM Giám khảo" (LLM Judge) phân xử
3. Luồng phê duyệt (Approval Workflows)
Hệ thống AI Agent được tích hợp với các phần mềm quản lý luồng công việc (như Jira, ServiceNow). Đối với các tác vụ nhạy cảm, Agent có thể chuẩn bị sẵn mọi thao tác, nhưng hành động cuối cùng sẽ được đưa vào trạng thái "Chờ duyệt", đi kèm với nhật ký kiểm toán (audit trails) để con người xem xét trước khi bấm nút cho phép chạy.
(Nội dung và hình ảnh trong bài viết có sử dụng AI)
Sửa lần cuối:
Bài viết liên quan