Agentic AI là gì?

Tóm lại: hệ thống agentic không chỉ trả lời câu hỏi - chúng còn lên kế hoạch, hành động và lặp lại để đạt được mục tiêu với sự giám sát tối thiểu. Chúng gọi các công cụ, duyệt dữ liệu, điều phối các nhiệm vụ phụ và thậm chí hợp tác với các agent khác để đạt được kết quả. Đó là tiêu đề. Phần thú vị nằm ở cách thức hoạt động của nó trong thực tế - và ý nghĩa của nó đối với các nhóm ngày nay. 

Những bài viết bạn có thể muốn đọc sau bài này:

🔗 Khả năng mở rộng AI là gì
Tìm hiểu cách AI có khả năng mở rộng hỗ trợ tăng trưởng, hiệu suất và độ tin cậy.

🔗 Trí tuệ nhân tạo là gì?
Hiểu các khái niệm, khả năng cốt lõi của AI và các ứng dụng kinh doanh thực tế.

🔗 Trí tuệ nhân tạo có thể giải thích được là gì?
Khám phá lý do tại sao AI có thể giải thích được lại cải thiện được lòng tin, sự tuân thủ và đưa ra quyết định tốt hơn.

🔗 AI trainer là gì?
Khám phá những gì người đào tạo AI làm để tinh chỉnh và giám sát các mô hình.

Agentic AI là gì - phiên bản đơn giản 🧭

, Agentic AI là gì : đó là AI có khả năng tự động quyết định việc cần làm tiếp theo để đạt được mục tiêu, chứ không chỉ đơn thuần trả lời lời nhắc. Theo thuật ngữ trung lập với nhà cung cấp, nó kết hợp lý luận, lập kế hoạch, sử dụng công cụ và vòng lặp phản hồi để hệ thống có thể chuyển từ ý định sang hành động - "hoàn thành công việc" nhiều hơn, ít "trao đổi qua lại" hơn. Định nghĩa từ các nền tảng lớn đều thống nhất ở những điểm này: tự động ra quyết định, lập kế hoạch và thực thi với sự can thiệp tối thiểu của con người [1]. Dịch vụ sản xuất mô tả các tác nhân điều phối các mô hình, dữ liệu, công cụ và API để hoàn thành các tác vụ từ đầu đến cuối [2].

Hãy nghĩ đến một đồng nghiệp có năng lực, người có thể đọc tóm tắt, tập hợp các nguồn lực và mang lại kết quả - bằng cách kiểm tra chứ không phải chỉ dẫn.

Điều gì tạo nên một AI đại lý tốt ✅

Tại sao lại có sự cường điệu (và đôi khi là lo lắng)? Một vài lý do:

• Tập trung vào kết quả: Các tác nhân chuyển đổi mục tiêu thành kế hoạch, sau đó thực hiện các bước cho đến khi hoàn thành hoặc không bị chặn công việc xoay ghế cho con người [1].

• Công cụ sử dụng theo mặc định: Chúng không dừng lại ở văn bản; chúng gọi API, truy vấn cơ sở kiến ​​thức, gọi hàm và kích hoạt quy trình làm việc trong ngăn xếp của bạn [2].

• Mẫu điều phối viên: Người giám sát (hay còn gọi là bộ định tuyến) có thể phân công công việc cho các tác nhân chuyên môn, cải thiện thông lượng và độ tin cậy đối với các nhiệm vụ phức tạp [2].

• Vòng phản xạ: Các thiết lập mạnh mẽ bao gồm logic tự đánh giá và thử lại, do đó các tác nhân nhận thấy khi họ đi chệch hướng và điều chỉnh lộ trình (nghĩ: lập kế hoạch → hành động → xem xét → tinh chỉnh) [1].

Một tác nhân không bao giờ phản ánh giống như một thiết bị định vị vệ tinh từ chối tính toán lại - về mặt kỹ thuật thì ổn, nhưng thực tế thì rất khó chịu.

Sinh sản so với tác nhân - điều gì thực sự đã thay đổi? 🔁

Trí tuệ nhân tạo tạo hình cổ điển trả lời rất tốt. Trí tuệ nhân tạo tác động mang lại kết quả. Sự khác biệt nằm ở sự phối hợp: lập kế hoạch nhiều bước, tương tác với môi trường và thực thi lặp đi lặp lại gắn liền với một mục tiêu bền vững. Nói cách khác, chúng tôi bổ sung bộ nhớ, công cụ và chính sách để hệ thống có thể thực hiện , chứ không chỉ nói [1][2].

Nếu mô hình sinh sản là những thực tập sinh xuất sắc, thì hệ thống agentic là những cộng sự cấp dưới có thể theo dõi các biểu mẫu, gọi đúng API và đẩy nhanh tiến độ công việc. Có thể hơi cường điệu một chút - nhưng bạn hiểu ý tôi rồi đấy.

Hệ thống tác nhân hoạt động như thế nào 🧩

Những khối xây dựng chính mà bạn sẽ nghe nói đến:

1. Bản dịch mục tiêu → bản tóm tắt trở thành kế hoạch hoặc biểu đồ có cấu trúc.

2. Vòng lặp người lập kế hoạch–người thực hiện → chọn hành động tốt nhất tiếp theo, thực hiện, đánh giá và lặp lại.

3. Gọi công cụ → gọi API, truy xuất, trình thông dịch mã hoặc trình duyệt để tác động đến thế giới.

4. Bộ nhớ → trạng thái ngắn hạn và dài hạn để chuyển tiếp bối cảnh và học tập.

5. Người giám sát/người định tuyến → người điều phối phân công nhiệm vụ cho các chuyên gia và thực thi các chính sách [2].

6. Khả năng quan sát và lan can → theo dõi, chính sách và kiểm tra để giữ hành vi trong giới hạn [2].

Bạn cũng sẽ thấy RAG đại lý : chức năng truy xuất cho phép đại lý quyết định thời điểm tìm kiếm, nội dung tìm kiếm và cách sử dụng kết quả trong một kế hoạch nhiều bước. Không chỉ là một thuật ngữ thông dụng, mà là một bản nâng cấp thiết thực cho RAG cơ bản.

Những ứng dụng thực tế không chỉ là bản demo 🧪

• Quy trình làm việc của doanh nghiệp: phân loại vé, các bước mua sắm và tạo báo cáo phù hợp với ứng dụng, cơ sở dữ liệu và chính sách [2].

• Phần mềm và hoạt động dữ liệu: các tác nhân mở các vấn đề, kết nối bảng điều khiển, bắt đầu thử nghiệm và tóm tắt sự khác biệt - với nhật ký mà kiểm toán viên của bạn có thể theo dõi [2].

• Hoạt động của khách hàng: tiếp cận cá nhân hóa, cập nhật CRM, tra cứu cơ sở kiến ​​thức và phản hồi tuân thủ liên quan đến sổ tay hướng dẫn [1][2].

• Nghiên cứu và phân tích: quét tài liệu, làm sạch dữ liệu và ghi chép sổ tay có thể tái tạo với dấu vết kiểm toán.

Một ví dụ cụ thể và nhanh chóng: một "nhân viên bán hàng" đọc ghi chú cuộc họp, cập nhật cơ hội trong CRM, soạn email theo dõi và ghi lại hoạt động. Không có gì phức tạp - chỉ là ít nhiệm vụ nhỏ hơn dành cho con người.

Cảnh quan công cụ - ai cung cấp cái gì 🧰

Một số điểm khởi đầu phổ biến (không đầy đủ):

• Amazon Bedrock Agents → phối hợp nhiều bước với công cụ và tích hợp cơ sở kiến ​​thức, cùng với các mẫu giám sát và lan can [2].

• Vertex AI Agent Builder → Các tính năng ADK, khả năng quan sát và bảo mật để lập kế hoạch và thực hiện các nhiệm vụ với sự can thiệp tối thiểu của con người [1].

Có rất nhiều khuôn khổ phối hợp mã nguồn mở, nhưng dù bạn chọn con đường nào thì các mô hình cốt lõi vẫn giống nhau: lập kế hoạch, công cụ, bộ nhớ, giám sát và khả năng quan sát.

So sánh ảnh chụp nhanh 📊

Các đội bóng thực sự vẫn tranh luận về vấn đề này - hãy coi đây như một bản đồ định hướng.

Giá cả thay đổi tùy theo mức sử dụng; hãy luôn kiểm tra trang giá của nhà cung cấp.

Các mẫu kiến ​​trúc bạn thực sự sẽ tái sử dụng 🧱

• Lập kế hoạch → thực hiện → phản ánh: người lập kế hoạch phác thảo các bước, người thực hiện hành động và người phê bình đánh giá. Lặp lại cho đến khi hoàn thành hoặc được nâng cấp [1].

• Giám sát viên với các chuyên gia: một điều phối viên chuyển hướng nhiệm vụ đến các tác nhân thích hợp - nhà nghiên cứu, người viết mã, người thử nghiệm, người đánh giá [2].

• Thực thi trong hộp cát: các công cụ mã và trình duyệt chạy bên trong hộp cát bị hạn chế với các quyền hạn chặt chẽ, nhật ký và bảng chuyển đổi tắt cho các tác nhân sản xuất [5].

Thú nhận nhỏ: hầu hết các nhóm đều bắt đầu với quá nhiều nhân viên. Thật hấp dẫn. Chỉ nên bắt đầu các vai trò bổ sung tối thiểu khi số liệu cho thấy bạn cần chúng.

Rủi ro, kiểm soát và lý do tại sao quản trị lại quan trọng 🚧

AI đặc vụ có thể làm việc thực sự - nghĩa là nó cũng có thể gây ra thiệt hại thực sự nếu bị cấu hình sai hoặc bị chiếm quyền điều khiển. Tập trung vào:

• Tiêm mã độc tức thời và chiếm quyền điều khiển tác nhân: khi tác nhân đọc dữ liệu không đáng tin cậy, các lệnh độc hại có thể chuyển hướng hành vi. Các viện nghiên cứu hàng đầu đang tích cực nghiên cứu cách đánh giá và giảm thiểu loại rủi ro này [3].

• Tiết lộ quyền riêng tư: ít can thiệp hơn, nhiều quyền hơn - ánh xạ dữ liệu truy cập và danh tính một cách cẩn thận (nguyên tắc đặc quyền tối thiểu).

• Mức độ đánh giá: hãy thận trọng với điểm chuẩn bóng bẩy; ưu tiên các đánh giá có thể lặp lại ở cấp độ nhiệm vụ gắn liền với quy trình làm việc của bạn.

• Khung quản trị: phù hợp với hướng dẫn có cấu trúc (vai trò, chính sách, phép đo, biện pháp giảm thiểu) để bạn có thể chứng minh sự thẩm định cần thiết [4].

Đối với các biện pháp kiểm soát kỹ thuật, hãy kết hợp chính sách với hộp cát : cô lập các công cụ, máy chủ và mạng; ghi lại mọi thứ; và từ chối mặc định mọi thứ bạn không thể theo dõi [5].

Cách bắt đầu xây dựng danh sách kiểm tra thực tế 🛠️

1. Chọn một nền tảng phù hợp với bối cảnh của bạn: nếu bạn đang sử dụng AWS hoặc Google Cloud, thì đại lý của họ sẽ tích hợp trơn tru [1][2].

2. Trước tiên, hãy xác định các rào cản: đầu vào, công cụ, phạm vi dữ liệu, danh sách cho phép và lộ trình leo thang. Liên kết các hành động rủi ro cao với xác nhận rõ ràng [4].

3. Bắt đầu với một mục tiêu hẹp: một quy trình có KPI rõ ràng (thời gian tiết kiệm, tỷ lệ lỗi, tỷ lệ đạt SLA).

4. Đo lường mọi thứ: dấu vết, nhật ký gọi công cụ, số liệu và vòng phản hồi của con người [1].

5. Thêm phản xạ và thử lại: chiến thắng đầu tiên của bạn thường đến từ các vòng lặp thông minh hơn, chứ không phải các mô hình lớn hơn [1].

6. Thí điểm trong môi trường thử nghiệm: chạy với quyền hạn hạn chế và cô lập mạng trước khi triển khai rộng rãi [5].

Thị trường đang hướng đến đâu 📈

Các nhà cung cấp đám mây và doanh nghiệp đang tập trung mạnh vào các khả năng của đại lý: chính thức hóa các mô hình đa đại lý, bổ sung các tính năng quan sát và bảo mật, đồng thời đặt chính sách và danh tính lên hàng đầu. Điểm mấu chốt là sự chuyển đổi từ trợ lý gợi ý sang đại lý thực hiện - với các rào cản để giữ họ trong khuôn khổ [1][2][4].

Mong đợi nhiều tác nhân chuyên biệt hơn - hoạt động tài chính, tự động hóa CNTT, hoạt động bán hàng - khi các nền tảng cơ bản hoàn thiện.

Những cạm bẫy cần tránh - những phần lỏng lẻo 🪤

• Quá nhiều dụng cụ lộ ra: thắt lưng dụng cụ càng lớn thì bán kính nổ càng lớn. Hãy bắt đầu từ những thứ nhỏ.

• Không có con đường leo thang: nếu không có sự chuyển giao của con người, các tác nhân sẽ bị lạc hướng - hoặc tệ hơn, hành động tự tin và sai trái.

• Tầm nhìn hạn hẹp: xây dựng các đánh giá của riêng bạn để phản ánh quy trình làm việc của bạn.

• Bỏ qua quản trị: chỉ định chủ sở hữu cho các chính sách, đánh giá và nhóm đỏ; ánh xạ các biện pháp kiểm soát vào một khuôn khổ được công nhận [4].

Hỏi đáp nhanh ⚡

Liệu AI agentic chỉ là RPA với các chương trình LLM? Không hẳn. RPA tuân theo các kịch bản xác định. Hệ thống agentic lập kế hoạch, lựa chọn công cụ và thích ứng tức thời - với sự không chắc chắn và các vòng lặp phản hồi [1][2].
Liệu nó có thay thế con người không? Nó giảm tải các tác vụ lặp đi lặp lại, nhiều bước. Công việc thú vị - đánh giá, nếm thử, đàm phán - vẫn mang tính con người.
Tôi có cần nhiều agent ngay từ đầu không? Không. Nhiều thành công đến từ một agent được trang bị tốt với một vài công cụ; hãy thêm vai trò nếu số liệu của bạn cho phép.

Dài quá nên tôi chưa đọc🌟

Agentic AI trong thực tế là gì ? Đó là tập hợp các kế hoạch, công cụ, bộ nhớ và chính sách hội tụ cho phép AI chuyển từ giao tiếp sang tác vụ. Giá trị sẽ được thể hiện khi bạn xác định phạm vi các mục tiêu hẹp, đặt ra các giới hạn từ sớm và đo lường mọi thứ. Rủi ro nằm ở chỗ: bị xâm phạm, lộ thông tin riêng tư, đánh giá không chắc chắn - vì vậy hãy dựa vào các khuôn khổ đã được thiết lập và thử nghiệm. Xây dựng quy mô nhỏ, đo lường một cách nghiêm túc, mở rộng một cách tự tin [3][4][5].

Tài liệu tham khảo

1. Google Cloud - AI tác nhân là gì? (định nghĩa, khái niệm). Liên kết

2. AWS - Tự động hóa các tác vụ trong ứng dụng của bạn bằng tác nhân AI. (Tài liệu về Bedrock Agents). Liên kết

3. Blog Kỹ thuật NIST - Tăng cường Đánh giá Tấn công Tác nhân AI. (rủi ro & đánh giá). Liên kết

4. NIST - Khung quản lý rủi ro AI (AI RMF). (quản trị và kiểm soát). Liên kết

5. Viện An toàn AI Vương quốc Anh - Kiểm tra: Sandboxing. (hướng dẫn kỹ thuật về sandboxing). Liên kết

Tìm kiếm những công nghệ AI mới nhất tại Cửa hàng Trợ lý AI chính thức

Về chúng tôi