Phác họa bài post:
Đề dẫn
❶. Agent hoạt động như thế nào?
❷. Các mốc tiến
hóa của Agent từ năm 2023 đến nay
🤔. Suy ngẫm chậm
~
Để giúp anh/chị
quyết định có đọc tiếp hay không, tôi xin phép cung cấp các thông tin liên quan
đến bài post này như sau:
·
Chủ
đề: Machine Learning
·
Tính
thời sự: tháng 05/2026
·
Thời
gian đọc: 10 phút để đọc
ý chính, 15 phút để đọc thêm lý giải nguyên lý kỹ thuật
Đề dẫn
Báo chí và mạng
xã hội đang tràn ngập các bài viết về Agent/Agentic AI. Bài này cũng dài (xin cảnh
báo trước với anh/chị thế) nhưng tôi chỉ tập trung vào các mốc tiến hóa của
Agent từ năm 2023 đến nay (điểm đột phá, bước ngoặt). Do trên diễn đàn toàn là
người làm về khoa học - công nghệ nên nhiều chỗ trong bài viết tôi đi sâu vào
lý giải nguyên lý kỹ thuật đứng đằng sau. Nếu anh/chị thấy “nhức đầu” thì vui
lòng bỏ qua các phần đó.
-
❰Lưu ý❱
Tôi thấy nhiều tài liệu dịch từ “Agent” là “Tác tử” hoặc “Tác nhân”. Trong khuôn khổ bài nhàn đàm này, xin phép anh/chị dùng luôn từ tiếng Anh là “Agent”. Cùng gốc với từ “Agent” trong tiếng Anh có từ “Agency” – có thể dịch là “đại lý”. Đại lý của một doanh nghiệp nào đấy là đơn vị đứng ra thay mặt doanh nghiệp tương tác với khách hàng, thế giới bên ngoài tại điểm đặt đại lý.
-
Ngoài từ “Agent”, theo khuyến cáo của nhiều nguồn, trong bài viết tôi sử dụng một số từ tiếng Anh sau:
Memory: Bộ nhớ
Framework: Khung phát triển
Orchestration: Điều phối
Observability: Khả năng quan sát. Để có khả năng quan sát, LLM cần đến khả năng lưu ký (logging), lưu vết (tracing) và đo lường (metrics).
Workflow: Luồng xử lý
Retrieval: Truy xuất dữ liệu
❰/Lưu ý❱
-
❶.
Agent hoạt động như thế nào?
Cuối năm 2022,
đầu năm 2023, LLM (Large Language Model) hoạt động đơn giản theo nguyên tắc sau:
[Prompt] → {LLM} → [Response]
Nghĩa là LLM “ngồi
đó” chờ chúng ta chất vấn [Prompt] và LLM giải đáp chất vấn [Response].
-
Dần dần LLM tiến
hóa thành LLM Agent. Một cách cô đọng:
[Instruction] → LLM Agent: {Perception, Reasoning,
Action}n → [Report result]
Nghĩa là, bây
giờ LLM, sau khi nhận được câu lệnh [Instruction], thay vì trả lời bằng một văn bản thuần
túy, LLM lập một chu kỳ vòng lặp (iteration) n lần gồm: nhận
thức (Perception),
lập luận (Reasoning)
và hành động (Action).
Sau khi kết thúc vòng lặp, lúc đó LLM mới cho ra “báo cáo kết quả” [Report
result].
-
Ví dụ:
- Đầu
vào (Input):
“Nghiên cứu giá cổ phiếu hiện tại của Apple và gửi email tóm tắt cho sếp của
tôi”.
- Suy
nghĩ (Thought):
Agent tự tư duy và lập kế hoạch: “Mình cần tìm giá cổ phiếu trước. Mình
nên sử dụng công cụ Tìm kiếm Google.”
- Hành
động (Action):
Agent tạo ra một lệnh để sử dụng công cụ tìm kiếm.
- Quan
sát (Observation):
Công cụ trả về giá cổ phiếu ($215.30). Agent quan sát và “đọc” kết quả
này.
- Điều
chỉnh (Refinement):
Agent cập nhật kế hoạch tiếp theo: “Bây giờ đã có giá, mình cần soạn bản
thảo email.”
- Hoàn
tất (Completion):
Agent thực hiện hành động cuối cùng (gửi email) và thông báo cho người
dùng rằng công việc đã hoàn tất.
-
Kiến trúc cốt lõi
Hãy
tưởng tượng Agent giống như một trợ lý chuyên nghiệp. Agent không chỉ cần “bộ
não” để tư duy mà còn cần các công cụ, bộ nhớ và một bản kế hoạch:
|
Thành phần |
Phép ẩn dụ |
Mô tả |
|
Agent Core (Bộ não) |
Trợ lý |
Chính là LLM (như GPT-4o, Claude 3.5).
Nó diễn giải các chỉ dẫn và quyết định nên làm gì tiếp theo. |
|
Planning (Lập kế hoạch) |
Danh mục việc cần làm |
Khả năng chia nhỏ một mục tiêu phức tạp
thành các tác vụ nhỏ (sub-tasks) có thể quản lý được. |
|
Memory (Bộ nhớ) |
Tủ hồ sơ |
Lưu trữ các tương tác và thông tin
trong quá khứ để Agent không “quên” những gì nó đã làm ở các bước trước. |
|
Tools (Công cụ) |
Thiết bị làm việc |
Các API bên ngoài, calculator,
trình duyệt web, … mà Agent có thể “gọi” để hoàn thành công việc. |
Tóm tắt: Agent
là một hệ thống dùng LLM để suy luận, đưa ra quyết định và hành động theo vòng
lặp, kết hợp với công cụ và bộ nhớ để hoàn thành mục tiêu.
-
❷.
Các mốc tiến hóa của Agent từ năm 2023 đến nay
Nếu anh/chị đã
từng sử dụng ChatGPT vào đầu năm 2023, nhớ lại các trải nghiệm vào thời điểm đó
và so sánh với các trải nghiệm vào thời điểm hiện nay (tháng 5/2026) thì quả là
“một trời một vực”. Phần này tôi muốn cùng anh/chị điểm lại các mốc tiến hóa của
Agent, chúng đồng thời cũng là các mốc tiến hóa của LLM.
2023 — Sự ra đời của kỷ nguyên Agentic AI hiện đại
✪ Các ý tưởng đột phá
- ReAct (Google Research – tháng 10/2022)
- Toolformer (Meta AI – tháng 02/2023)
❰Tiếm đàm❱
Chúng
ta biết rằng chức năng ban đầu của LLM là tạo sinh văn bản: từ prompt
nó tạo sinh ra một chuỗi các "từ" (word). Chuỗi này có quy tắc rất đơn giản: từ tiếp theo là “dự đoán” của chuỗi các từ trước đó. Kết quả đầu ra là một chuỗi văn bản. Câu hỏi đặt ra cho cộng đồng nghiên cứu là: Làm thế nào để
biến cái tạo sinh này thành một thứ biết “suy nghĩ”, “lập luận”,
“hành động”? Một câu hỏi khó, đúng không nhỉ?
1.
Ngay từ đầu năm 2022, người ta phát hiện ra rằng nếu yêu cầu nó (LLM) “Let's
think step by step” (suy nghĩ từng bước) - thông qua thiết kế prompt
- thì nó thực hiện tốt hơn nhiều đối với các vấn đề logic, toán, khoa học thường
thức (chain-of-thought). Bằng cách đơn giản đó, người ta kích
hoạt LLM tự chia nhỏ vấn đề lớn thành chuỗi các vấn đề con. [Trong nghiên cứu
khoa học, người ta vẫn hay gặp hiện tượng “serendipity”: phát minh được
thực hiện một cách tình cờ hơn là cố ý. Có lẽ ý tưởng chain-of-thought cũng
là hiện tượng “serendipity”?!]
Một
cách cô đọng:
Chain-of-Thought: [Đầu vào] → {Bước 1} → {Bước 2} → … {Bước n} → [Kết quả]
Đối
với các vấn đề con trong các bước [1→n], LLM tự lấy tri thức của chính nó để giải
quyết vấn đề. Tức là tri thức nội tại của LLM chứ không phải tri thức ngoài.
-
Ý tưởng then chốt của ReAct rất đơn giản: nếu LLM có thể suy luận từng bước,
thì có lẽ nó cũng có thể đưa ra hành động từng bước một?!
Cuối
năm 2022 (tháng 10/2022), nhóm nghiên cứu của Google đăng bài ReAct
(Reasoning + Acting), biến
chuỗi “các bước” trong chain-of-thought thành chuỗi (Lập luận, Hành động,
Quan sát).
Một
cách cô đọng:
ReAct: [Đầu vào] → {Lập luận, Hành động, Quan sát} → {Lập luận,
Hành động, Quan sát} → … → {Lập luận, Hành động, Quan sát} → [Kết quả]
Cái
đặc biệt ở đây: “Hành động” là lấy tri thức ở ngoài LLM. Ví dụ lấy dữ liệu trên
Wikipedia, sử dụng “Search Engine” để tìm kiếm thông tin trên Web, hoặc
chạy một đoạn mã lập trình để xử lý một tính toán phức hợp. Bằng cách này, LLM
không chỉ biết sử dụng tri thức nội tại của chính nó mà còn biết sử dụng tri thức
ngoài. (Trong chain-of-thought, LLM chỉ sử dụng kiến thức nội tại của
chính nó.)
-
2.
Tuy nhiên, để LLM có được chuỗi “Lập luận” tương ứng với “Hành động”, người ta
vẫn phải Fine-Tuning. Nghĩa là con người vẫn cần gắn nhãn để LLM biết bắt
chước “Lập luận” nào tương ứng với “Hành động” gì:
“Lập
luận 1” → “Hành động 1”,
“Lập
luận 2” → “Hành động 2”,
…
Đầu
năm 2023 (tháng 2/2023), nhóm nghiên cứu Meta đăng bài Toolformer.
Ý tưởng cốt lõi của Toolformer là
cho phép LLM tự học (self-supervised learning) cách sử dụng các công cụ—chẳng
hạn như lúc nào thì gọi search engine, lúc nào thì dùng calculator,
lúc nào thì gọi API, … thay vì dựa vào dữ liệu dán nhãn. Tức là LLM tự biết rằng
với “Lập luận x” sẽ phải sử dụng “Hành động y”.
-
Từ
2 bài báo trên, LLM từ chỗ chỉ biết tạo sinh, bây giờ nó còn biết suy
nghĩ, hành động. Điều đó chứng tỏ rằng LLM theo mô hình GPT được xây
dựng trên nền Transformer còn nhiều bí ẩn chưa khai thác hết!?
Đây là điểm mà những nhà nghiên cứu lạc quan có thể hy vọng mô hình GPT một
ngày nào đó sẽ dẫn tới AGI (Artificial General Intelligence).
❰/Tiếm đàm❱
· · ·
► Cộng đồng
nghiên cứu đã nhanh chóng thống nhất về mô hình ReAct:
Lập luận→Hành động→Quan
sát→Lập luận→ …
· · ·
✪ Function calling
Một bước đột
phá kỹ thuật quan trọng nữa là tính năng function calling của OpenAI,
cho phép LLM gọi API và công cụ theo định dạng có cấu trúc [nguồn].
❰Giải thích – function calling❱
Ý
tưởng chính của function calling là cho phép LLM tương tác với hệ thống ngoài. Trái
với tên gọi, LLM không tự thực thi mã lệnh. Thay vào đó, nó phát hiện khi nào cần
một công cụ, trích xuất thông tin cần thiết từ Prompt, cung cấp tham số
chính xác cần thiết để gọi hàm (chạy đoạn mã đó) trong môi trường của người
dùng.
1.
Define
Tools: Người dùng cung
cấp cho mô hình một danh sách các chức năng có sẵn. Mỗi chức năng được mô tả bằng
lược đồ JSON bao gồm tên hàm, mô tả về những gì hàm sẽ thực hiện và các tham số
của hàm.
2.
Suy
luận của mô hình: Khi
người dùng đặt câu hỏi (ví dụ: "Thời tiết ở Hà Nội như thế nào?"), mô
hình sẽ so sánh câu hỏi đó với mô tả công cụ (Define Tools).
3.
Lệnh
gọi công cụ: Nếu mô
hình quyết định cần một công cụ nào đó, nó sẽ ngừng tạo sinh văn bản thông thường.
Thay vào đó, nó trả về một lệnh gọi công cụ (hàm) — một đối tượng JSON chứa tên
hàm và các tham số được trích xuất (ví dụ: {"location": "HaNoi"}).
4.
Local
Execution: Ứng dụng
trên máy người dùng nhận JSON này, phân tích cú pháp và thực thi hàm (ví dụ: gọi
API thời tiết hoặc truy vấn cơ sở dữ liệu).
5.
Tổng
hợp cuối cùng: Ứng dụng
trên máy người dùng gửi kết quả của hàm đó trở lại mô hình. Mô hình sau đó sử dụng
dữ liệu thực tế đó để tạo ra phản hồi bằng ngôn ngữ tự nhiên cho người dùng.
❰/Giải thích – function calling❱
· · ·
Lợi ích của
function calling mang lại:
·
Đầu
ra dữ liệu có cấu trúc:
Chức năng này buộc mô hình phải xuất ra JSON hợp lệ phù hợp với lược đồ cụ thể
của người dùng, điều này rất cần thiết cho việc tự động hóa đáng tin cậy.
·
Thông
tin thời gian thực: Cho
phép các mô hình truy cập dữ liệu vượt quá thời gian huấn luyện ban đầu
(cutoff), chẳng hạn như giá cổ phiếu hiện tại hoặc hồ sơ nội bộ của công ty.
·
Khả
năng thực hiện hành động:
Điều này biến LLM từ một “trợ lý biết nói” thành một Agent có khả năng thực hiện
các hành động, chẳng hạn như đặt vé máy bay hoặc gửi email.
· · ·
✪ ChatGPT code interpreter
Một đột phá
khác trong khoảng thời gian tháng 7/2023, cũng rất quan trọng, là “ChatGPT
code interpreter” của OpenAI. ChatGPT code interpreter hoạt động bằng
cách nhúng phần mềm thông dịch ngôn ngữ Python vào bên trong ChatGPT. Khi người
dùng cung cấp một Prompt hoặc file, ChatGPT sẽ viết mã Python để giải
quyết tác vụ, chạy ngầm mã đó và trả về kết quả dưới dạng số, dưới dạng hình ảnh
trực quan hoặc dưới dạng file, thả trực tiếp vào cuộc hội thoại của người dùng.
❰Giải thích – ChatGPT code interpreter❱
Công
cụ này hoạt động thông qua một vòng lặp logic liên tục, từng bước một:
1.
Instruction
& Translation: Người
dùng đưa ra một yêu cầu cho ChatGPT (ví dụ: "Phân tích tệp CSV này và tạo
biểu đồ hiển thị doanh số bán hàng hàng tháng").
2.
Tạo
mã: Chatbot đóng vai
trò như một lập trình viên, viết mã Python để thực hiện yêu cầu của người dùng.
3.
Execution: Môi trường Python chạy đoạn mã. Người
dùng có thể nhấp vào menu thả xuống “Show work” để xem chính xác mã đang được
chạy trong thời gian thực.
4.
Iterative
Refinement: Nếu mã lệnh
báo lỗi hoặc kết quả đầu ra không chính xác, ChatGPT sẽ tự động đọc thông báo lỗi,
viết lại mã và thử lại cho đến khi thành công.
5.
Kết
quả cuối cùng: Kết quả
được hiển thị dưới dạng văn bản, dưới dạng hình ảnh tương tác hoặc ảnh tĩnh
(như biểu đồ hoặc đồ thị), hoặc file có thể tải xuống.
❰/Giải thích – ChatGPT code interpreter❱
· · ·
Nhờ tính năng đặc biệt này nên ChatGPT vượt ra ngoài khuôn khổ tạo sinh văn bản thông thường:
·
Phân
tích và trực quan hóa dữ liệu:
Người dùng có thể tải lên các file dữ liệu (CSV, Excel, JSON) để nó làm sạch, xử
lý và lập biểu đồ.
·
Chuyển
đổi file: Dễ dàng chuyển
đổi các loại file, chẳng hạn như chuyển đổi PNG thành JPG, nén video hoặc thay
đổi kích thước hình ảnh.
·
Toán
học & Logic: Giải
quyết các phương trình phức tạp, tính toán số liệu thống kê và mô hình hóa thuật
toán một cách hoàn hảo mà không có những "ảo giác" thường thấy ở các
LLM “truyền thống”.
·
Code
Debugging: Tải lên các
đoạn mã bị lỗi của bạn và yêu cầu ChatGPT tìm lỗi, chạy chúng trong môi trường
giả lập và cung cấp file đã sửa để tải xuống.
· · ·
✪ Tháng 3–4/2023: nhiều kiến trúc Agent bùng nổ
Các hệ thống
này đưa ra nhiều ý tưởng sau này đã trở thành cốt lõi của Agent:
- Chia nhỏ
mục tiêu (goal decomposition)
- Lập kế
hoạch một cách đệ quy
- Sử dụng
công cụ
- Bộ nhớ
dài hạn
- Tự tạo prompt
- Thực thi
nhiều bước
· · ·
✪ Cuối 2023: Xuất hiện hệ thống Multi-Agent
Microsoft giới
thiệu AutoGen — kiến trúc nhiều Agent phối hợp với
nhau.
Thay vì một LLM
Agent làm tất cả, hệ thống có thể phối hợp:
- Agent lập
kế hoạch
- Agent
nghiên cứu
- Agent phản
biện (Critic)
- Agent thực
thi
Ý tưởng này về sau trở thành
nền tảng cho điều phối Agent cấp doanh nghiệp.
❰Bên lề❱
Nói
đến Multi-Agent (đa tác nhân), có một bài báo rất đáng chú ý do Đại học
Standford kết hợp với Google đăng vào tháng 4/2023: “Generative
Agents: Interactive Simulacra of Human Behavior”: một thị trấn ảo gồm 25 Agent tương
tác tự trị. Tư tưởng chủ đạo của công trình nghiên cứu này là sự kết hợp giữa
LLM và kiến trúc quản lý bộ nhớ, hoạch định chuyên biệt nhằm xây dựng các Agent
có khả năng tái hiện hành vi nhân bản một cách chân thực.
·
Ký
ức của Agent (Memory Stream):
Một kiến trúc lưu trữ toàn bộ nhật ký trải nghiệm của Agent bằng ngôn ngữ tự
nhiên. Nó đánh giá các “ký ức” dựa trên tính gần đây (recency), tầm quan
trọng và mức độ liên quan.
·
Phản
tư (Reflection):
Khả năng tổng hợp định kỳ những trải nghiệm trong quá khứ và rút ra những kết
luận ở cấp độ cao hơn (ví dụ: hình thành quan điểm hoặc nhận thức về mục
tiêu dài hạn) thay vì chỉ đơn thuần nhớ lại các sự kiện một cách thô sơ.
·
Lập
kế hoạch (Planning):
Chuyển hóa những “ký ức” và “suy ngẫm” này thành các kế hoạch hàng ngày một
cách có cấu trúc, chi tiết đến từng giờ, định hướng hành động và hành vi của
Agent.
Thông
qua việc tương tác trong một môi trường giả lập (sandbox) giống như một
thị trấn nhỏ, các Agent có thể nảy sinh những tương tác xã hội tự nhiên—như mở
tiệc, truyền tai nhau tin tức và kết bạn—hoàn toàn tự động mà không cần con người
nhúng tay vào.
-
[Phản
tư: quá trình tự quan sát, suy ngẫm, và đánh giá sâu sắc về suy nghĩ,
hành động, cảm xúc và trải nghiệm của bản thân nhằm hiểu rõ hơn về mình và thúc
đẩy sự phát triển, cải thiện trong tương lai]
❰/Bên lề❱
· · ·
Một trong những
hạn chế vào thời điểm năm 2023 là vấn đề “vòng lặp” (loop): các Agent dễ
rơi vào “vòng lặp vô tận” và tỷ lệ ảo giác (hallucination) cao. Vào thời
điểm đó, chúng giỏi việc lập kế hoạch hơn là thực sự thực thi. Tức
là chúng chỉ biết vẽ ra luồng điều khiển nhưng chưa biết làm thế nào để thực
thi luồng điều khiển đó.
· · ·
Đánh giá
chung: Mặc dù mang tính
cách mạng, vào thời điểm năm 2023 Agent mới chỉ ở mức thử nghiệm, trong môi trường
giả lập, mới chỉ là “đồ chơi” chứ chưa đi vào triển khai thực tế được.
· · ·
2024 — Từ thử nghiệm sang kỹ nghệ (engineering)
✪ Thời kỳ bùng nổ của RAG và Agentic RAG:
- RAG (Retrieval-Augmented Generation):
cho phép LLM trích xuất thông tin ngoài (nằm ngoài tri thức nội tại của
LLM). RAG thực hiện bằng 2 pha:
Pha 1: trích xuất thông tin ngoài;
Pha 2: trộn thông tin truy xuất với Prompt sau đó tạo sinh kết quả. - RAG tiến
hóa thành “Agentic RAG”: Thay vì chỉ trích xuất thông tin
1 lần, nó tự thiết lập một vòng lặp: (trích xuất thông tin, đánh giá thông
tin). Nó có thể dùng nhiều phương thức trích xuất thông tin như search
web, cơ sở dữ liệu vector, API, calculator. Nếu nó chưa tìm thấy
thông tin cần tìm nó tự điều chỉnh tham số và lặp lại quy trình.
· · ·
✪ Agent đa phương thức (multimodal)
GPT-4o (tháng 5/2024) và các mô hình đa phương thức khác đã mở rộng
đáng kể năng lực của Agent. Agent giờ đây có thể:
- Nhìn
giao diện (trên màn hình máy tính)
- Phân
tích hình ảnh
- Đọc tài
liệu (giấy)
- Tương
tác GUI
- Giao tiếp
bằng giọng nói theo thời gian thực
· · ·
✪ Bắt đầu được doanh nghiệp áp dụng
Các nền tảng lớn
tung ra hạ tầng Agent:
· · ·
✪ Tính
năng “Computer Use” (10/2024) của Anthropic ra đời, một cuộc
cách mạng về Agent
“Computer Use” là Agent tự trị (Autonomous Agent), không cần sự can thiệp của con người. Chúng ta hình dung “Computer Use” giống hệt như người ngồi trước màn hình máy tính với bàn phím và chuột. “Computer Use” đọc hiểu màn hình, biết đâu là nút nhấn (button), đâu là menu, đâu là ô nhập dữ liệu, … giống hệt như chúng ta quan sát màn hình vậy.
·
Nhìn
& Chụp ảnh màn hình:
“Computer Use” định kỳ chụp ảnh màn hình: một ảnh tức thời (screenshot) của “giao diện
đồ họa”.
·
Điều
khiển con trỏ:
“Computer Use” có thể tạo ra các lệnh để di chuyển chuột, kéo thả và nhấp chuột
vào các tọa độ hoặc phần tử nào đó trên giao diện.
·
Nhập
liệu bằng bàn phím:
“Computer Use” có thể nhập văn bản, điền vào biểu mẫu và thực hiện các phím tắt
để điều hướng hoặc chỉnh sửa.
· · ·
✪ Tháng 11/2024: MCP thay đổi toàn bộ hệ sinh thái
Anthropic giới
thiệu: MCP — Model Context Protocol
MCP chuẩn hóa
cách AI Agent kết nối với:
- API
- Database
- IDE
- File
system
- Công cụ
ngoài
Điều này cực kỳ
quan trọng vì trước MCP, Agent bị “cô lập”:
- Mỗi tích
hợp phải tự viết riêng
- Hệ sinh
thái phân mảnh
- Khả năng
tương tác rất kém
MCP thường được
ví như “USB-C cho AI agent.”
· · ·
Đánh giá
chung năm 2024: Agent
biết sử dụng “công cụ”.
· · ·
2025 — Năm của Agentic AI
✪ Phổ cập “Computer Use”
Tháng 1/2025,
OpenAI giới thiệu Computer-Using Agent (CUA) và Operator
bắt chước tính năng “Computer Use” của Anthropic.
Tháng 12/2025,
Google giới thiệu Agent-to-User Interfaces (A2UI) bắt chước tính năng “Computer Use” của Anthropic.
· · ·
✪ Phổ cập “Deep Thinking”
OpenAI đã tiên phong trong lĩnh vực “Deep
Thinking” (tư duy sâu với việc ra mắt dòng “o1” từ tháng 9/2024. Đây là những
mô hình đầu tiên được thiết kế để thực hiện “agentic reasoning workflows”
(luồng suy luận Agent) bằng cách tiền xử lý trước khi cho ra kết quả cuối cùng.
Sau OpenAI
là DeepSeek với việc ra mắt dòng “DeepSeek-R1”. Tiếp đó là Google
với mô hình “Gemini Deep Think”. Anthropic tích hợp “Thinking Tokens”
vào các mô hình của họ.
❰Giải thích – Deep Thinking❱
Deep
Thinking (thường được gọi
là “Reasoning” hoặc “Thinking Mode”) trong LLM là quá trình để nó
tạo ra một chuỗi suy luận từng bước nội tại — giống như sử dụng giấy nháp — trước
khi đưa ra câu trả lời cuối cùng.
1.
Cơ
chế cốt lõi: Suy nghĩ
thành lời: Theo truyền thống, mô hình LLM tạo ra câu trả lời cuối cùng ngay lập
tức, tức là phương pháp “bản nháp đầu tiên cũng là bản cuối cùng”. Ngược
lại, các mô hình Deep Thinking dành thời gian inference để "suy
nghĩ". Chúng tạo ra một đoạn độc thoại nội tâm bao gồm các “mã lập luận” ẩn
hoặc riêng biệt, phác thảo vấn đề, đưa ra các phương pháp tiếp cận và tự điều
chỉnh trong quá trình thực hiện.
2.
Reinforcement
Learning: Các mô hình
này không chỉ được “khuyến khích” suy luận; chúng được huấn luyện bài bản bằng
cách sử dụng phương pháp Reinforcement Learning chuyên biệt. Thay vì chỉ
tối ưu hóa cho luồng hội thoại, mô hình được nhận phần thưởng (Reward)
trong quá trình huấn luyện khi nó hoàn thành công trong việc:
·
Phân
tích các vấn đề phức tạp thành các phần nhỏ hơn, dễ giải quyết.
·
Phê
bình và loại bỏ các hướng suy luận sai.
·
Khám
phá các giải pháp thay thế trước khi đưa ra câu trả lời cuối cùng.
3.
Test-time
Compute: Không giống
như quá trình tạo sinh thông thường tuân theo trình tự tuyến tính, Deep
Thinking sử dụng khả năng tính toán biến đổi trong quá trình kiểm tra. LLM dành
nhiều tài nguyên tính toán hơn —thường tạo ra số lượng token gấp 10 đến
20 lần so với bình thường—để kiểm tra kỹ lưỡng một câu hỏi trước khi đưa ra câu
trả lời cuối cùng.
❰/Giải thích – Deep Thinking❱
Cơ chế này giúp Agent vượt qua những giới hạn của việc tạo sinh thông thường:
·
Giảm
Hallucination (ảo giác):
Mô hình kiểm tra logic của chính nó bằng toán học, phát hiện lỗi trước khi
chúng hiển thị kết quả cuối cùng.
·
Xử
lý logic đa bước: Nó hoạt
động tốt trên lý luận phức tạp, toán học cao cấp và gỡ lỗi.
· · ·
✪ OpenAI xây dựng hệ sinh thái Agent
Tháng 3/2025:
OpenAI ra mắt Agents SDK cùng với Responses API, cung cấp cho developers
các thành phần cơ bản để xây dựng Agent.
Tháng 10/2025:
OpenAI giới thiệu AgentKit,
bổ sung các tính năng nâng cao để giúp xây dựng các Agent “Deep Research”
(nghiên cứu sâu) và Agent “Customer Support” (hỗ trợ khách hàng) đáng
tin cậy hơn.
Mô hình kiến
trúc Agent dần rõ ràng hơn:
- Suy luận
bằng LLM
- Chọn
công cụ
- Vòng lặp
thực thi
- Memory /
state (bộ nhớ / trạng thái)
- Kiểm chứng
kết quả
- Có con
người giám sát
· · ·
✪ Kỷ nguyên CLI: Agent tự lập trình
Có thể nói sự
ra đời của Claude Code
(Anthropic) vào tháng 5/2025 (preview tháng 2/2025) là điểm khởi đầu cho kỷ
nguyên “Agent tự lập trình” (Code Agent). Ý tưởng mang tính cách mạng của
Claude Code là đưa LLM Agent vào nằm ngay trong terminal hoặc IDE của người lập
trình. Thay vì chỉ trả lời câu hỏi trên trình duyệt, Agent giờ đây đọc toàn bộ
mã nguồn trên máy, chạy các công cụ phát triển (development tools) ngay
trên máy, chỉnh sửa file và tự động chạy các bước cần thiết để hoàn thành các
tác vụ của “Prompt”. Đại ý: thay vì người lập trình gõ từng dòng lệnh,
lưu lên file hay chạy thử, … thì bây giờ người lập trình chỉ nói cần làm gì (Prompt)
bằng ngôn ngữ tự nhiên là Agent tự hiểu ý rồi tự đọc file, tự gõ lệnh, chạy linter,
tự lưu file, chạy thử, kiểm lỗi, tự debug, … cho đến khi hoàn thành.
Cùng ý tưởng,
chúng ta phải nói đến Codex
(tháng 5/2025) của OpenAI. Thật ra, Codex phiên bản đầu ra đời từ rất sớm: năm
2021 nhưng lúc đó Codex chỉ là một plug-in vào VS Code.
Đến tháng 6,
cùng ý tưởng, Google cho ra đời Gemini CLI (open source).
Ngoài 3 “ông lớn”
trên, rất nhiều giải pháp tương tự ra đời. Có thể kể đến một vài ví dụ như
Cline (open source), Aider (open source), GitHub Copilot, Cursor,
Replit, Windsurf, Amazon Q Developer, Continue.dev.
❰Giải thích – Claude Code❱
Nguyên
lý hoạt động của Claude Code?
(Xem hình minh họa ở dưới) [Nguồn]
Khi
giao việc cho Claude bằng lời (Prompt), nó sẽ thực hiện qua 3 pha: thu
thập context (ngữ cảnh), triển khai hành động và xác thực kết quả. Các pha này đan xen
linh hoạt với nhau. Claude sử dụng các công cụ xuyên suốt quá trình này—dù là
tìm kiếm file để hiểu mã nguồn, chỉnh sửa để thực hiện thay đổi, hay chạy các
bài test để kiểm tra lại công việc.
Ở
cấp độ tổng quan, Claude Code hoạt động như một vòng lặp:
1.
Giao
việc cho nó bằng ngôn ngữ tự nhiên (Prompt).
2.
Nó
xây dựng context (ngữ cảnh) từ Project (nằm trên máy).
3.
Mô
hình quyết định hành động cần thực hiện.
4.
Công
cụ thực thi hành động đó là cục bộ (ngay trên máy).
5.
Kết
quả được đưa trở lại mô hình.
6.
Lặp
lại cho đến khi tác vụ hoàn thành.
Cấu
trúc cốt lõi khá giống với vòng lặp giả lập sau (đối với anh/chị biết lập
trình):
while
task_not_finished:
context
= gather_state()
response = model(context)
if response requests tool:
execute_tool()
return_result_to_model()
else:
show_answer_to_user()
break
Chú
ý rằng lập trình viên (người) cũng là một phần của vòng lặp này (xem hình minh
họa). Họ có thể can thiệp bất cứ lúc nào để hướng Claude theo một hướng khác,
cung cấp thêm context (ngữ cảnh) hoặc yêu cầu nó thử một cách tiếp cận khác. Claude Code hoạt
động tự chủ nhưng vẫn phản hồi lại đầu vào của con người.
❰/Giải thích – Claude Code❱
· · ·
✪ Tích hợp Agent vào hệ điều hành và bộ duyệt
·
Giữa
năm 2025: Microsoft & Apple tích hợp Agent vào hệ điều hành: Agent có quyền
đọc email, lên lịch họp và điều chỉnh cài đặt hệ thống mà không cần hướng dẫn từng
bước rõ ràng từ người dùng.
·
Giữa
năm 2025: Các bộ duyệt (Browser) bắt đầu tích hợp Agent: Microsoft Edge
tích hợp Copilot, Google Chrome tích hợp “AI Mode”, Apple Safari tích hợp
“Apple Intelligence”.
· · ·
✪ Google giới thiệu Agent2Agent (A2A)
Google đưa ra: Agent2Agent (A2A)
Nếu MCP tập
trung vào kết nối công cụ, thì A2A tập trung vào giao tiếp giữa các Agent: Mạng
lưới các Agent phối hợp với nhau.
· · ·
Đánh giá
chung năm 2025: Agent được
“chuẩn hóa” và “tích hợp”.
· · ·
2026 (Hiện tại) - Digital Coworker
✪ Tính năng “Computer Use” đã trưởng thành
Các Agent giờ
đây có thể “nhìn” màn hình máy tính, di chuyển con trỏ và tương tác với các phần
mềm cũ không có API, giống hệt như một nhân viên thực thụ.
· · ·
✪ Agent chủ động
Các hệ thống đã
chuyển từ phản ứng (chờ lệnh) sang chủ động. Trong logistics, Agent
giờ đây có thể phát hiện lỗi (như đơn hàng bị chậm) và tự giải quyết (hoàn tiền
cho khách, điều hướng lại đơn hàng) trước khi con người kịp báo cáo.
· · ·
✪ Agent được phổ cập, “bình dân hóa”
Các mô hình nguồn
mở như GLM-5.1 và Falcon-H1R đã đạt hoặc vượt qua các ông lớn độc
quyền trong các bài kiểm tra suy luận, cho phép doanh nghiệp vận hành các Agent
hiệu suất cao ngay tại máy chủ nội bộ để bảo mật dữ liệu tuyệt đối.
· · ·
✪ Xuất hiện “Hệ điều hành Agent”
❰Giải thích – HĐH Agent❱
Khái
niệm HĐH Agent:
Hệ
điều hành Agent (Agent Operating System - AOS) là một hạ tầng phần mềm
quản lý nhiều Agent tự trị (User ở đây là Agent chứ không phải là con người).
Nó đóng vai trò như một “Kernel” tập trung xử lý việc lập lịch tác vụ,
quản lý Context (ngữ cảnh), phân bổ Tools (công cụ) và Memory (bộ nhớ), cho
phép các Agent làm việc cùng nhau một cách an toàn và đáng tin cậy trên quy mô
lớn.
Tại
sao lại cần AOS?
Các
hệ điều hành truyền thống (như Windows hay Linux) được xây dựng cho con người sử
dụng file và thư mục, trong khi các Agent được thiết kế để thực hiện các tác vụ
phức tạp, nhiều bước trên nhiều phần mềm khác nhau. Nếu không có một hệ thống tổng
thể, các Agent sẽ gặp khó khăn trong việc chia sẻ ngữ cảnh (context), dẫn
đến "lệch hướng nhận thức" hoặc tiêu thụ Memory (bộ nhớ) không hiệu
quả. Một hệ điều hành Agent (AOS) cung cấp những điều sau:
·
Quản
lý Context và Memory:
Hoạt động như RAM và ổ cứng cho Agent, đảm bảo các Agent “ghi nhớ” các tác vụ
đã thực hiện mà không vượt quá giới hạn token của chúng.
·
Điều
phối: Lên lịch cho
Agent nào nhận nhiệm vụ nào và phối hợp việc chuyển giao công việc liền mạch giữa
chúng (ví dụ: chuyển một khách hàng tiềm năng đủ điều kiện từ Agent Research
sang Agent tiếp cận khách hàng).
·
Tool
Resolution: Quản lý các
Skill và API bên ngoài — coi Tools như System Calls mà các Agent có thể sử dụng
một cách an toàn mà không làm sập hệ thống cốt lõi.
·
Trust,
Safety, & Guardrails:
Thiết lập các giới hạn quyền hạn để các Agent không hành động mà không được ủy
quyền hoặc truy cập thông tin nhạy cảm một cách bất hợp pháp.
❰/Giải thích – HĐH Agent❱
· · ·
Bức tranh hiện
tại và các giải pháp mới nổi
Thế giới đang trải qua một sự dịch chuyển lớn từ việc sử dụng các chatbot AI riêng lẻ sang triển khai các hệ thống mạng lưới các Agent tự trị. Các giải pháp đang xuất hiện cho cả môi trường doanh nghiệp và các nhà phát triển (developer):
·
Nền
tảng doanh nghiệp: Các
nền tảng lớn đang tích cực kết nối quy trình làm việc của Agent với cơ sở hạ tầng
hiện có. Ví dụ, PwC's agent OS cho phép các doanh nghiệp điều phối và
quản lý các Agent trên các hệ sinh thái doanh nghiệp khổng lồ.
·
Open-Source
Frameworks & Research:
Các dự án như GitHub -
agiresearch/AIOS và GitHub - buildermethods/agent-os cung cấp các Kernel nền tảng để phân lập tài
nguyên và duy trì các tiêu chuẩn mã nguồn cho các Agent.
·
Kiến
trúc chuyên biệt: Các nền
tảng như MindStudio cho phép các nhà phát triển xây dựng trực quan các lớp
Orchestration (điều phối), Memory (bộ nhớ) và định tuyến cần thiết để vận hành
các Agent nghiệp vụ tự trị.
· · ·
✪ Xuất hiện “nền kinh tế Agent”
Dựa trên nền
giao thức A2A, các Agent từ các công ty khác nhau có thể “đàm phán” với nhau.
Ví dụ: Agent du lịch của công ty A đàm phán trực tiếp với Agent định giá của
hãng hàng không B mà không cần sự can thiệp của con người.
Nguồn:
·
Agent Exchange: Shaping the Future of AI
Agent Economics (tháng
7/2025)
·
Token Economics for LLM Agents: A
Dual-View Study from Computing and Economics (tháng 5/2026)
· · ·
🤔.
Suy ngẫm chậm
✪
Ấn
tượng nhất cuối năm 2025, đầu năm 2026 có lẽ là Agent tự lập trình (Coding
Agent). Người lập trình không còn gõ câu lệnh vào trình soạn thảo như trước
đây nữa, kể từ khi máy tính ra đời, kỷ nguyên đó đã qua rồi. Coder giờ đây chỉ
cần khởi tạo các Agent, giao nhiệm vụ cho chúng *bằng tiếng Anh* và quản lý
cũng như xem xét, đánh giá công việc của chúng (xem tweet của Andrej
Karpathy trên X).
Liệu
tất cả các Agent khác đã đạt đến mức hoàn thiện như Agent tự lập trình (Coding
Agent)? Câu trả lời vào thời điểm hiện nay là “Chưa” – căn cứ theo nhiều nguồn.
Vì sao vậy? Lý do chính: mã nguồn (source code) cũng là văn bản, và mọi
chỉnh sửa phần mềm đều có thể được thực thi, kiểm tra và đánh giá lỗi ngay lập
tức, mang lại cho Agent một vòng phản hồi nghiêm ngặt và khách quan. Trong lúc
các Agent loại khác thường phải xử lý sự “mơ hồ”. Một Agent nghiên cứu thị trường
hoặc trả lời email phức tạp của khách hàng dựa vào sự chấp thuận chủ quan
của con người hơn là các bài kiểm tra khách quan, đen trắng rõ ràng như trong lập
trình.
✪
Một
loại Agent gần đây nổi lên như là một hiện tượng “siêu trí tuệ” là các Agent khám
phá khoa học, đặc biệt là các Agent khám phá khoa học liên ngành. Thường con người
chỉ giỏi trong một lĩnh vực nhất định. Trong khi các hệ thống Multi-Agent lại có
khả năng giải quyết các vấn đề phức tạp, liên ngành đòi hỏi kiến thức và kỹ
năng đa dạng.
✪
Gần
đây rộ lên trên mạng xã hội xem Agent như là Digital Worker (nhân viên kỹ
thuật số). Liệu các doanh nghiệp đã sẵn sàng giao việc cho các nhân viên “mới”
này chưa?
Để
trả lời câu hỏi này, chúng ta quay trở lại bản chất của Agent: Agent làm việc
theo “Probabilistic” chứ không phải “Deterministic”. Mà đã là “Probabilistic”
thì không bao giờ chắc chắn rằng Agent hoàn thành công việc theo đúng 100% như “đặc
tả”.
Cũng
trên mạng xã hội, người ta đề cập đến một nghề nghiệp mới: “Quản lý các Agent”.
Con người sẽ chuyển từ người thực hiện sang người đánh giá. Công việc của con người
sẽ là xác định mục tiêu, đặt ra các giới hạn (ngân sách) và “kiểm toán” công việc
do một đội ngũ Agent tạo ra.
~~~
Chúc anh/chị đọc
vui nhã
LeVanLoi
Không có nhận xét nào:
Đăng nhận xét