AI Agent là gì? Khi AI không chỉ trả lời mà còn biết hành động

Ở bài trước, chúng ta đã tìm hiểu RAG – Retrieval-Augmented Generation, cách kết hợp LLM với nguồn dữ liệu bên ngoài để tạo ra câu trả lời dựa trên thông tin được truy xuất.

Nhưng hãy thử đặt một câu hỏi khác:

Nếu AI không chỉ trả lời câu hỏi mà còn có thể tự tìm kiếm, gọi API, đọc dữ liệu, sử dụng công cụ và thực hiện nhiều bước để hoàn thành một mục tiêu thì sao?

Đó chính là ý tưởng phía sau AI Agent.

1. AI Agent là gì?

AI Agent là một hệ thống sử dụng mô hình AI để nhận mục tiêu, thu thập thông tin, đưa ra quyết định và thực hiện các hành động cần thiết thông qua các công cụ được cung cấp.

Một chatbot thông thường có thể hoạt động như:

User
 ↓
LLM
 ↓
Answer

Trong khi một Agent có thể hoạt động theo chu trình:

Goal
 ↓
Reason
 ↓
Choose Action
 ↓
Use Tool
 ↓
Observe Result
 ↓
Reason Again
 ↓
Final Answer

Điểm quan trọng là Agent không chỉ sinh văn bản. Nó có thể thực hiện hành động trong một môi trường.

2. LLM và AI Agent có giống nhau không?

Không.

LLM là một mô hình ngôn ngữ. AI Agent là một hệ thống có thể sử dụng LLM cùng với các thành phần khác.

AI Agent
   │
   ├── LLM
   ├── Tools
   ├── Memory
   ├── Planning
   ├── Environment
   └── Feedback

LLM có thể đóng vai trò là “bộ não ngôn ngữ” của Agent, nhưng một Agent hoàn chỉnh cần nhiều thành phần hơn.

3. Chatbot truyền thống hoạt động như thế nào?

Với một chatbot đơn giản, người dùng gửi prompt và model tạo ra câu trả lời.

User:
"Tìm doanh thu tháng này."

        ↓

LLM

        ↓

"Doanh thu tháng này là..."

Vấn đề là nếu LLM không được kết nối với hệ thống dữ liệu, nó không thể tự truy cập database để lấy số liệu thực tế.

4. Agent có thể sử dụng Tool

Đây là một trong những điểm khác biệt quan trọng nhất.

Agent có thể được cung cấp các tool như:

• Web Search.
• Calculator.
• Database Query.
• Python Interpreter.
• API.
• File Search.
• Email.
• Calendar.

Ví dụ:

User:
"Doanh thu tháng này là bao nhiêu?"

        ↓

Agent
        ↓
Database Tool
        ↓
SQL Query
        ↓
Database
        ↓
Result
        ↓
LLM
        ↓
Answer

Agent không cần tự “biết” doanh thu. Nó biết cách sử dụng công cụ để tìm ra doanh thu.

5. Tool Calling là gì?

Tool Calling là cơ chế cho phép model yêu cầu hệ thống thực hiện một function hoặc tool cụ thể.

Ví dụ:

User:
"Thời tiết Hà Nội hôm nay thế nào?"

        ↓

LLM

        ↓

Call:
get_weather("Hanoi")

        ↓

Weather API

        ↓

Result

        ↓

LLM

        ↓

Final Answer

LLM không trực tiếp gọi API theo nghĩa tự mình thực thi code. Hệ thống Agent nhận yêu cầu tool call và thực hiện tool tương ứng.

6. Một Tool có cấu trúc như thế nào?

Một tool thường cần mô tả cho model biết:

• Tool làm gì.
• Khi nào nên sử dụng.
• Cần những input nào.
• Output có dạng gì.

Ví dụ:

Tool:
get_stock_price

Description:
Lấy giá cổ phiếu hiện tại.

Input:
ticker

Example:
get_stock_price("AAPL")

LLM có thể sử dụng thông tin này để quyết định khi nào cần gọi tool.

7. Agent Loop

Một Agent thường hoạt động theo một vòng lặp.

        ┌──────────────┐
        │    Goal      │
        └──────┬───────┘
               ↓
        ┌──────────────┐
        │    Reason    │
        └──────┬───────┘
               ↓
        ┌──────────────┐
        │ Choose Tool  │
        └──────┬───────┘
               ↓
        ┌──────────────┐
        │ Execute Tool │
        └──────┬───────┘
               ↓
        ┌──────────────┐
        │   Observe    │
        └──────┬───────┘
               ↓
          Done?
          /   \
        No     Yes
        ↓       ↓
     Reason   Answer

Vòng lặp này cho phép Agent xử lý những nhiệm vụ cần nhiều bước thay vì chỉ tạo một câu trả lời duy nhất.

8. Ví dụ: Agent phân tích dữ liệu

Giả sử người dùng yêu cầu:

“Phân tích file doanh số và tìm ra sản phẩm có doanh thu tăng mạnh nhất.”

Agent có thể thực hiện:

1. Nhận yêu cầu
       ↓
2. Đọc file
       ↓
3. Kiểm tra dữ liệu
       ↓
4. Chạy Python / SQL
       ↓
5. Tính growth rate
       ↓
6. So sánh sản phẩm
       ↓
7. Tạo biểu đồ
       ↓
8. Viết insight
       ↓
9. Trả kết quả

Đây là điểm rất khác so với việc chỉ hỏi LLM:

"Doanh thu sản phẩm nào tăng mạnh nhất?"

Agent có thể thực sự thực hiện quy trình phân tích nếu được cung cấp những tool cần thiết.

9. Planning là gì?

Những nhiệm vụ phức tạp thường cần được chia thành nhiều bước.

Đây là vai trò của Planning.

Ví dụ:

Goal:
"Phân tích hiệu quả marketing."

        ↓

Plan

1. Đọc dữ liệu
2. Làm sạch dữ liệu
3. Tính KPI
4. So sánh campaign
5. Tìm anomaly
6. Tạo visualization
7. Viết report

Agent có thể sử dụng kế hoạch này để xác định thứ tự hành động.

10. Không phải Agent nào cũng cần Planning phức tạp

Không phải mọi bài toán đều cần một hệ thống planning nhiều tầng.

Với một nhiệm vụ đơn giản:

Question
   ↓
One Tool
   ↓
Answer

một workflow đơn giản có thể đã đủ.

Trong khi nhiệm vụ phức tạp có thể cần:

Goal
 ↓
Plan
 ↓
Multiple Actions
 ↓
Observations
 ↓
Re-planning
 ↓
Final Result

Thiết kế Agent vì vậy phụ thuộc rất nhiều vào bài toán thực tế.

11. Memory trong AI Agent

Agent có thể cần lưu lại thông tin từ những bước trước hoặc những tương tác trước đó.

Có thể phân biệt đơn giản:

• Short-term memory: thông tin trong context hoặc task hiện tại.
• Long-term memory: thông tin được lưu trữ để sử dụng trong những lần tương tác sau.

Current Conversation
        ↓
Short-term Context

Persistent Storage
        ↓
Long-term Memory

Memory có thể được triển khai bằng database, vector store hoặc những cơ chế lưu trữ khác tùy hệ thống.

12. RAG có phải AI Agent không?

Không nhất thiết.

Một pipeline RAG đơn giản có thể chỉ là:

Question
   ↓
Retriever
   ↓
Relevant Documents
   ↓
LLM
   ↓
Answer

Đây là một workflow có retrieval nhưng không nhất thiết có khả năng tự quyết định nhiều hành động.

Một Agent có thể sử dụng RAG như một trong những tool:

AI Agent
   │
   ├── Search Tool
   ├── Calculator
   ├── Database
   ├── RAG
   └── Python

Do đó:

RAG ≠ Agent

RAG → Một kỹ thuật / kiến trúc retrieval

Agent → Một hệ thống có khả năng điều phối hành động

13. Agentic Workflow là gì?

Agentic Workflow là workflow trong đó AI có vai trò quyết định một phần hoặc toàn bộ bước tiếp theo dựa trên trạng thái hiện tại.

Ví dụ:

Input
 ↓
LLM
 ↓
Decision
 ├── Search
 ├── Database
 ├── Python
 └── API
        ↓
Observation
        ↓
LLM
        ↓
Next Decision

Điểm quan trọng nằm ở khả năng điều phối và phản hồi theo kết quả.

14. Agentic Workflow và Automation khác nhau thế nào?

Một workflow automation truyền thống thường có logic được xác định trước.

Trigger
 ↓
Step 1
 ↓
Step 2
 ↓
Step 3
 ↓
Done

Trong Agentic Workflow, một số quyết định có thể được model đưa ra dựa trên tình huống:

Trigger
 ↓
Agent
 ↓
Choose Action
 ↓
Observe
 ↓
Choose Next Action
 ↓
Done

Automation phù hợp với quy trình ổn định và có thể xác định trước.

Agent có thể hữu ích hơn khi nhiệm vụ có nhiều biến số hoặc cần quyết định dựa trên context.

15. Agent có thể mắc lỗi không?

Có.

Vì Agent thường thực hiện nhiều bước nên lỗi có thể xảy ra ở nhiều vị trí:

• LLM hiểu sai yêu cầu.
• Chọn sai tool.
• Truyền sai input.
• Tool trả về dữ liệu lỗi.
• Diễn giải sai kết quả.
• Lặp lại quá nhiều bước.

Có thể hình dung:

Input
 ↓
Reasoning
 ↓
Tool Selection
 ↓
Tool Execution
 ↓
Observation
 ↓
Reasoning
 ↓
Answer

Mỗi bước đều có thể trở thành một nguồn lỗi.

16. Vì sao Agent cần Guardrails?

Agent có khả năng thực hiện hành động nên cần có giới hạn rõ ràng.

Ví dụ một Agent có quyền gửi email không nên tự động gửi mọi email mà không có cơ chế kiểm soát.

Một hệ thống có thể yêu cầu:

Agent proposes action
        ↓
Validation
        ↓
Human Approval
        ↓
Execute

Đặc biệt với những hành động có tác động lớn, việc kiểm soát quyền truy cập và yêu cầu xác nhận có thể rất quan trọng.

17. Multi-Agent System

Một hệ thống phức tạp có thể sử dụng nhiều Agent với những vai trò khác nhau.

                Manager Agent
                     │
        ┌────────────┼────────────┐
        ↓            ↓            ↓
   Research      Data Agent   Writer Agent
     Agent
        │            │            │
        ↓            ↓            ↓
    Search        Python       Report

Ví dụ:

• Research Agent tìm thông tin.
• Data Agent phân tích dữ liệu.
• Writer Agent tổng hợp báo cáo.
• Manager Agent điều phối công việc.

Đây là một hướng tiếp cận được gọi là Multi-Agent System.

18. AI Agent trong Data Science

AI Agent có thể hỗ trợ nhiều công việc trong Data Science.

• Data cleaning.
• Exploratory Data Analysis.
• SQL generation.
• Feature engineering.
• Visualization.
• Report generation.
• Model evaluation.

Ví dụ một Data Science Agent:

User Goal
   ↓
Data Agent
   ├── File Reader
   ├── Python
   ├── SQL
   ├── Visualization
   └── Report Generator
   ↓
Final Analysis

Điều này tạo ra một hướng kết hợp giữa Data Science và AI Agent.

19. AI Agent không phải “AI tự suy nghĩ như con người”

Khái niệm Agent đôi khi dễ bị hiểu sai.

Agent không nhất thiết có ý thức, mục tiêu riêng hoặc khả năng suy nghĩ giống con người.

Trong kỹ thuật, Agent thường được hiểu là một hệ thống có thể:

• Nhận trạng thái hoặc mục tiêu.
• Đưa ra quyết định.
• Thực hiện hành động.
• Quan sát kết quả.
• Tiếp tục hành động dựa trên kết quả.

Đây là cách tiếp cận mang tính hệ thống và kỹ thuật hơn.

20. Từ LLM đến AI Agent

Có thể nhìn toàn bộ chuỗi kiến thức đã học như sau:

Machine Learning
       ↓
Deep Learning
       ↓
Transformer
       ↓
GPT
       ↓
LLM
       ↓
Prompt Engineering
       ↓
RAG
       ↓
AI Agent

Mỗi bước bổ sung thêm một lớp khả năng.

LLM
→ Generate Language

RAG
→ Retrieve Knowledge

Agent
→ Decide + Use Tools + Act

21. Tổng kết

AI Agent là một hệ thống có khả năng sử dụng mô hình AI để lựa chọn hành động, sử dụng công cụ, quan sát kết quả và tiếp tục xử lý nhằm hoàn thành một mục tiêu.

Những khái niệm quan trọng cần nhớ:

• LLM: mô hình ngôn ngữ.
• Tool: công cụ mà Agent có thể sử dụng.
• Tool Calling: cơ chế yêu cầu hệ thống thực hiện tool.
• Planning: chia mục tiêu thành các bước.
• Memory: lưu trữ thông tin cần thiết.
• Agent Loop: Reason → Act → Observe → Repeat.
• RAG: một kỹ thuật có thể được sử dụng như một thành phần của Agent.
• Multi-Agent: nhiều Agent phối hợp để giải quyết một nhiệm vụ.

Có thể ghi nhớ bằng một câu:

LLM tạo ra câu trả lời, RAG cung cấp kiến thức, còn AI Agent có thể sử dụng công cụ và điều phối nhiều bước để hoàn thành mục tiêu.

Ở bài tiếp theo, chúng ta sẽ đi sâu vào một thành phần quan trọng của Agent: Prompt Engineering là gì? và vì sao cách chúng ta đặt câu hỏi có thể ảnh hưởng lớn đến output của AI.

Tài liệu tham khảo

• AutoGen: Enabling Next-Gen LLM Applications
  
• ReAct: Synergizing Reasoning and Acting in Language Models
  
• Anthropic – Building Effective Agents
  
• Hugging Face – Agents Course
  

🚀 Học Data Science & AI cùng MCNA Technology School

Nếu bạn muốn xây dựng nền tảng từ Python, Data Analysis đến AI và Machine Learning, có thể tham khảo:

• Combo 5 khóa AI & Power BI
  
• Combo Python
  

Tác giả: Bùi Đình Tuyển – Data Analyst tại MCNA Technology School

Hotline: 0939.866.825 (Mr. Minh Khang)

Website: mcna.vn

Hà Nội: 30 Trung Liệt, Đống Đa | Liền kề 44B TT2 Văn Quán, Hà Đông

TP.HCM: 50B Phan Tây Hồ, Cầu Kiệu