Giới thiệu
Trong thực tế doanh nghiệp, một lượng lớn thời gian bị tiêu tốn vào các công việc lặp lại: tổng hợp dữ liệu từ nhiều nguồn, tạo báo cáo tuần/tháng, rồi gửi cho đúng người. AI Agent có thể đảm nhiệm toàn bộ pipeline này — từ lấy dữ liệu, phân tích, viết narrative báo cáo, đến phân phối kết quả — mà không cần con người can thiệp thủ công.
Bài này xây dựng một hệ thống thực tế gồm ba tầng: tầng thu thập dữ liệu (từ database hoặc API ERP), tầng xử lý và sinh báo cáo bằng LLM, và tầng phân phối (email, Slack, hoặc ghi lại file). Toàn bộ được kết nối bằng một pipeline Python có thể chạy theo lịch.
Xây dựng pipeline thu thập dữ liệu
Bước đầu tiên là lấy dữ liệu thô từ nguồn thực tế. Ví dụ dưới đây kết nối tới PostgreSQL để lấy dữ liệu doanh thu 30 ngày qua, nhưng logic tương tự áp dụng cho bất kỳ nguồn nào (MySQL, REST API ERP, Google Sheets).
Hàm summarize_for_llm chuyển DataFrame thành chuỗi văn bản có cấu trúc. Đây là bước quan trọng — LLM làm việc tốt nhất với dữ liệu dạng text rõ ràng, không phải JSON thô hay binary.
Sinh báo cáo tự động bằng LLM
Sau khi có dữ liệu tóm tắt, bước tiếp theo là gọi LLM để sinh báo cáo dạng văn bản tự nhiên. Đoạn code dưới dùng OpenAI API với system prompt được thiết kế cho vai trò phân tích kinh doanh.
Temperature 0.3 là lựa chọn hợp lý cho báo cáo — đủ để văn viết tự nhiên nhưng không hallucinate số liệu. Nếu đặt quá cao (0.8+), LLM có thể tự bịa ra con số không có trong dữ liệu.
Tích hợp vào hệ thống ERP và phân phối kết quả
ERP như Odoo, SAP, hay các hệ thống nội bộ thường có REST API để đọc/ghi dữ liệu. Ví dụ dưới đây minh họa cách lấy dữ liệu từ Odoo qua XML-RPC (giao thức mặc định của Odoo) và gửi báo cáo qua email.
Để chạy pipeline theo lịch, dùng cron (Linux/macOS) hoặc Task Scheduler (Windows). Ví dụ cron chạy mỗi sáng thứ Hai lúc 7h:
Nếu hệ thống ERP của bạn không phải Odoo, nguyên tắc vẫn giống nhau — chỉ cần thay phần kết nối bằng client phù hợp (SAP có thư viện pyrfc, các hệ thống khác thường có REST API JSON). Phần LLM và phân phối giữ nguyên.
Lỗi thường gặp
Lỗi phổ biến nhất là LLM trả về số liệu không khớp với dữ liệu gốc. Nguyên nhân thường do prompt không đủ rõ ràng hoặc temperature quá cao. Luôn yêu cầu LLM chỉ dùng số liệu được cung cấp, không tự suy luận thêm.
Lỗi thứ hai là kết nối database/ERP bị timeout khi chạy tự động vào ban đêm. Nên thêm retry logic và giới hạn timeout tường minh cho mọi kết nối bên ngoài.
Lỗi thứ ba là pipeline chạy xong nhưng không ai biết khi nào nó lỗi — luôn ghi log có timestamp và gửi alert khi pipeline thất bại, không chỉ khi thành công.
Tổng kết
Một pipeline báo cáo tự động hoàn chỉnh gồm ba phần cốt lõi: thu thập dữ liệu có cấu trúc, sinh nội dung bằng LLM với prompt rõ ràng và temperature thấp, và phân phối kết quả đến đúng người đúng lúc. Kết nối vào ERP không phức tạp nếu hệ thống có API — phần quan trọng hơn là thiết kế dữ liệu đầu vào cho LLM đủ rõ để tránh hallucination số liệu.
Bài kiểm tra cuối bài
Ôn lại kiến thức, thử sức và nhận góp ý cho bài làm.