Giới thiệu
Nếu bạn đã từng dùng ChatGPT để hỏi đáp thông thường, bạn đang tương tác với một mô hình ngôn ngữ — nó nhận câu hỏi, trả lời, rồi dừng lại. Mỗi lượt hội thoại là độc lập, mô hình không tự quyết định bước tiếp theo là gì.
AI Agent khác ở chỗ này: nó không chỉ trả lời, mà còn tự đặt ra mục tiêu con, chọn công cụ phù hợp, thực thi hành động, quan sát kết quả, rồi lặp lại cho đến khi hoàn thành nhiệm vụ. Nói đơn giản, chatbot phản ứng theo yêu cầu còn Agent chủ động giải quyết vấn đề.
Chương này sẽ giúp bạn hiểu rõ AI Agent là gì, kiến trúc bên trong nó gồm những thành phần nào, và tại sao đây là mô hình quan trọng trong việc xây dựng ứng dụng AI thực chiến.
Chatbot vs AI Agent
Sự khác biệt cốt lõi nằm ở vòng lặp hành động. Chatbot hoạt động theo mô hình một chiều: người dùng gửi input, mô hình tạo output, kết thúc. Agent hoạt động theo vòng lặp Observe-Think-Act: nó nhận thông tin từ môi trường, suy luận bước tiếp theo, thực thi hành động, rồi quan sát kết quả mới và lặp lại.
Ví dụ thực tế: bạn yêu cầu "Nghiên cứu thị trường smartphone tầm trung tại Việt Nam và tạo báo cáo". Một chatbot sẽ viết văn bản dựa trên kiến thức đã có sẵn trong tham số mô hình, không cập nhật thông tin mới. Một Agent sẽ tự động tìm kiếm web để lấy dữ liệu mới nhất, đọc các trang kết quả, tổng hợp thông tin, sau đó viết báo cáo — tất cả không cần bạn chỉ đạo từng bước.
Kiến trúc của một AI Agent
Một Agent hiện đại được xây dựng từ bốn thành phần chính phối hợp với nhau.
Thành phần đầu tiên là LLM Core — bộ não của Agent. Đây là mô hình ngôn ngữ lớn (GPT-4, Claude, Gemini...) chịu trách nhiệm đọc hiểu ngữ cảnh, lập kế hoạch, và quyết định hành động tiếp theo. LLM không thực thi trực tiếp mà đưa ra chỉ thị dạng văn bản hoặc function call.
Thành phần thứ hai là Memory — bộ nhớ lưu trữ thông tin qua các bước. Có hai loại: short-term memory (ngữ cảnh trong một phiên làm việc, thường là conversation history được nhét vào context window) và long-term memory (lưu trữ ngoài như vector database, cho phép Agent nhớ thông tin giữa các phiên khác nhau).
Thành phần thứ ba là Tools — công cụ cho phép Agent tương tác với thế giới bên ngoài. Ví dụ điển hình: công cụ tìm kiếm web, đọc/ghi file, gọi API bên thứ ba, chạy code Python, truy vấn database. Agent sử dụng các tool này thông qua cơ chế function calling.
Thành phần thứ tư là Planning & Reasoning — cơ chế Agent dùng để phân rã nhiệm vụ phức tạp thành các bước nhỏ hơn. Các pattern phổ biến là ReAct (Reasoning + Acting), Chain-of-Thought, và Tree-of-Thoughts. Ở mức đơn giản nhất, Agent viết ra "kế hoạch" dưới dạng văn bản trước khi hành động.
Vòng lặp trên sẽ tiếp tục cho đến khi LLM quyết định rằng nhiệm vụ đã hoàn thành và trả về câu trả lời cuối cùng.
Các loại Agent phổ biến
Trong thực tế, bạn sẽ gặp một số pattern Agent thường dùng. Single Agent là Agent đơn hoạt động độc lập, phù hợp với tác vụ có phạm vi rõ ràng như "đọc file CSV và phân tích dữ liệu". Multi-Agent System là nhiều Agent phối hợp với nhau, mỗi Agent chuyên một vai trò — ví dụ một Agent nghiên cứu, một Agent viết nội dung, một Agent kiểm duyệt. Framework như LangGraph hay AutoGen được xây dựng để điều phối loại hệ thống này.
Hiện tại các framework Agent phổ biến nhất gồm LangChain/LangGraph (Python, hệ sinh thái lớn), AutoGen (Microsoft, tập trung vào multi-agent), CrewAI (dễ dùng cho multi-agent), và OpenAI Assistants API (managed service, ít cần tự quản lý infrastructure).
Tổng kết
AI Agent là hệ thống tự chủ hoạt động theo vòng lặp Observe-Think-Act, khác với chatbot truyền thống chỉ phản ứng một chiều. Bốn thành phần cốt lõi là LLM Core, Memory, Tools, và Planning phối hợp để Agent có thể giải quyết các tác vụ phức tạp, nhiều bước mà không cần người dùng chỉ đạo từng bước một.
Các chương tiếp theo sẽ đi sâu vào từng thành phần này: bạn sẽ thực sự viết code để xây dựng Agent có memory, tích hợp tool tìm kiếm web, và kết nối nhiều Agent lại với nhau.
Bài kiểm tra cuối bài
Ôn lại kiến thức, thử sức và nhận góp ý cho bài làm.