AI Agent

AI agent là hệ thống theo đuổi mục tiêu bằng cách liên tục quan sát môi trường, quyết định bước tiếp theo và thực hiện bước đó, rồi sử dụng kết quả để lựa chọn hành động tiếp theo. Giáo trình kinh điển Artificial Intelligence: A Modern Approach định nghĩa agent là bất kỳ thực thể nào nhận biết môi trường thông qua cảm biến và tác động lên môi trường bằng cơ cấu chấp hành; định nghĩa này bao gồm bộ điều nhiệt, chương trình chơi game và robot. Từ năm 2023, thuật ngữ này chủ yếu chỉ agent được xây dựng trên mô hình ngôn ngữ lớn (LLM): model đọc mục tiêu, gọi các công cụ như tìm kiếm web, thực thi mã hoặc API doanh nghiệp, đọc kết quả trả về từ từng công cụ và tiếp tục cho đến khi đánh giá tác vụ đã hoàn tất. Trợ lý lập trình chỉnh sửa và kiểm thử toàn bộ repository, trợ lý nghiên cứu tìm kiếm và trích dẫn hàng chục nguồn, cùng agent thao tác máy tính điều khiển desktop thông qua ảnh chụp màn hình và thao tác nhấp chuột đều hoạt động theo cách này.

Cách hoạt động của AI agent#

Agent LLM chạy bên trong một vòng lặp. Model nhận mục tiêu, nội dung hội thoại đến thời điểm hiện tại và danh sách công cụ khả dụng, rồi viết câu trả lời cuối cùng hoặc phát ra một lệnh gọi công cụ. Chương trình bao quanh, gọi là agent harness, kiểm tra hành động có được phép hay không, thực thi hành động rồi thêm kết quả vào ngữ cảnh của model dưới dạng một quan sát mới. Sau đó, model dùng bằng chứng này để quyết định bước tiếp theo. Prompting ReAct định hình cách đan xen lập luận bằng văn bản với hành động; các model suy luận hiện nay được huấn luyện bằng học tăng cường để hoạt động theo cách này qua các chuỗi gọi công cụ dài.

Hầu hết agent kết hợp cùng bốn khối cấu thành. Model—LLM đa dụng hoặc mô hình thị giác-ngôn ngữ—quyết định từng bước. Công cụ là các hàm được mô tả bằng tên, mục đích và JSON schema cho đối số; Model Context Protocol (MCP) cho phép một agent kết nối với các công cụ do nhóm khác phát hành. Bộ nhớ trải rộng từ cửa sổ ngữ cảnh, nơi lưu tác vụ hiện tại, đến các tệp, cơ sở dữ liệu hoặc cơ sở dữ liệu vector mà agent tìm kiếm để lấy thông tin cũ hơn; trong khi đó, kỹ năng agent đóng gói các chỉ dẫn có thể tái sử dụng, chỉ được tải khi tác vụ cần đến. Lập kế hoạch chia mục tiêu thành các bước, theo dõi bước nào đã hoàn thành và điều chỉnh kế hoạch khi một bước thất bại.

AI agent, model và workflow#

Một định nghĩa được sử dụng rộng rãi trong hướng dẫn của Anthropic về xây dựng agent hiệu quả dành thuật ngữ "agent" cho các hệ thống trong đó LLM tự điều phối quy trình và việc sử dụng công cụ.

• AI model: Model ánh xạ một đầu vào thành một đầu ra, chẳng hạn chuyển ảnh thành danh sách các đối tượng được phát hiện. Agent gọi model, thường nhiều lần, rồi quyết định cách xử lý đầu ra.
• Workflow agentic: Các lệnh gọi LLM và công cụ tuân theo những luồng mã được nhà phát triển xác định trước, chẳng hạn trích xuất, rồi phân loại, rồi tóm tắt. Với agent, model tự quyết định tác vụ cần bao nhiêu bước và mỗi bước sử dụng công cụ nào.
• Chatbot: Chatbot trả lời lần lượt từng tin nhắn. Agent thực hiện hành động giữa các tin nhắn và có thể hoạt động trong nhiều phút hoặc nhiều giờ mà không cần người giám sát.
• Hệ thống đa agent: Nhiều agent với vai trò và ngữ cảnh riêng phối hợp thực hiện một tác vụ dưới sự điều phối của lớp orchestration, nơi phân công công việc và hợp nhất kết quả.

Các loại AI agent#

Hệ phân loại trong giáo trình của Russell và Norvig sắp xếp agent theo mức độ suy luận về thế giới:

• Agent phản xạ đơn giản: Phản ứng với đầu vào hiện tại bằng các quy tắc điều kiện-hành động cố định, chẳng hạn bộ điều nhiệt hoặc đèn kích hoạt theo chuyển động.
• Agent phản xạ dựa trên model: Duy trì trạng thái nội bộ để theo dõi những phần của thế giới hiện không thể quan sát được, chẳng hạn những người đã được nhìn thấy.
• Agent dựa trên mục tiêu: Tìm kiếm hoặc lập kế hoạch cho các chuỗi hành động đạt được mục tiêu đã nêu, chẳng hạn công cụ lập lộ trình.
• Agent dựa trên utility: Lựa chọn giữa các kết quả dựa trên điểm utility, cân bằng giữa tốc độ, chi phí và rủi ro.
• Agent học tập: Cải thiện hành vi từ kinh nghiệm, thường thông qua phần thưởng.

Agent LLM là agent dựa trên mục tiêu, trong đó việc lập kế hoạch diễn ra bằng văn bản; agent được huấn luyện bằng học tăng cường trên các tác vụ sử dụng công cụ cũng là agent học tập.

Xây dựng một agent thị giác đơn giản#

Agent dùng camera nhận biết môi trường qua model phát hiện và hành động bằng mã. Trong agent phản xạ dựa trên model này, tracking của Ultralytics YOLO26 gán cho mỗi người một ID duy trì qua các khung hình video; agent lưu các ID đã xử lý để mỗi người chỉ kích hoạt một cảnh báo thay vì một cảnh báo cho mỗi khung hình:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
alerted = set()  # The agent's memory of people it has already acted on

for frame, result in enumerate(model.track(video, stream=True, classes=[0])):
    # Perceive: IDs of the people tracked in this frame
    ids = set(result.boxes.id.int().tolist()) if result.boxes.is_track else set()

    # Decide and act: alert once for each person not seen before
    for track_id in sorted(ids - alerted):
        print(f"Frame {frame}: person {track_id} entered, alert sent")
    alerted |= ids

Log được in ra có một dòng cho mỗi người mới xuất hiện, cho thấy trạng thái tạo nên khác biệt như thế nào: chỉ riêng model sẽ báo cáo lại từng người ở mọi khung hình.

Ứng dụng thực tế#

• Lập trình agentic: Agent lập trình đọc repository, chỉnh sửa tệp, chạy kiểm thử và lặp lại quy trình khi có lỗi cho đến khi thay đổi vượt qua kiểm thử.
• Nghiên cứu và phân tích: Các agent nghiên cứu thực hiện nhiều lượt tìm kiếm, đọc các nguồn và viết báo cáo có trích dẫn, thường bằng cách chia câu hỏi cho một số subagent.
• Sản xuất: Agent kiểm tra trực quan kết hợp bộ phát hiện lỗi với các hệ thống nhà máy, tạm dừng băng chuyền, ghi nhận lỗi và mở phiếu bảo trì khi lỗi xuất hiện thành cụm.
• AI vật lý: Robot trong kho hàng và gia đình nhận biết môi trường bằng camera, lập kế hoạch gắp vật thể hoặc di chuyển theo lộ trình, rồi hành động thông qua động cơ, khép kín vòng điều khiển nhiều lần mỗi giây.

Độ tin cậy và an toàn#

Lỗi tích lũy qua các tác vụ dài vì chỉ một bước sai cũng có thể làm chệch hướng mọi bước tiếp theo, do đó các nhóm đo lường agent từ đầu đến cuối bằng benchmark đánh giá agent và trace từ các lần chạy thực tế. Agent đọc trang web, email hoặc tệp có thể gặp phải prompt injection, tức các chỉ dẫn được cài vào nội dung nhằm chuyển hướng agent, vì vậy các harness giới hạn quyền của từng công cụ, chạy mã trong sandbox và yêu cầu con người xác nhận trước những hành động không thể đảo ngược như thanh toán hoặc xóa dữ liệu. Năng lực đang tăng nhanh: METR phát hiện rằng độ dài của các tác vụ phần mềm mà những agent tiên tiến nhất có thể hoàn thành với độ tin cậy 50% đã tăng gấp đôi khoảng mỗi bảy tháng từ năm 2019 đến đầu năm 2025.