Mở đầu — vì sao bài này quan trọng
Cho đến bài này, hầu hết những gì bạn dùng AI cho vẫn là "hỏi — đáp": bạn gõ một prompt, mô hình trả lời, rồi bạn tự tay làm bước tiếp theo. Đó là AI như một trợ lý biết nói. Nhưng có một lớp công cụ khác đang định hình lại cách chúng ta làm việc — đó là AI agents (tác nhân AI): những hệ thống mà bạn giao mục tiêu thay vì câu hỏi, và chúng tự lập kế hoạch, tự thực thi từng bước, tự sửa sai cho đến khi hoàn thành.
Sự khác biệt này không nhỏ. Nó là ranh giới giữa "AI trả lời giúp tôi email này nên viết gì" và "AI hãy đọc hộp thư đến của tôi, phân loại, trả lời những email đơn giản, và tóm tắt những email cần tôi xử lý". Cái đầu tiên tiết kiệm cho bạn vài phút. Cái thứ hai giải phóng bạn khỏi cả một loại công việc.
Bài này sẽ giúp bạn hiểu bản chất của agent — không phải để bạn trở thành kỹ sư AI, mà để bạn có đủ nền tảng đánh giá đúng những công cụ agent bạn sắp gặp, biết cái nào đáng tin, cái nào chỉ là marketing, và biết khi nào nên tự tay giao việc cho một agent. Chúng ta sẽ đi từ AutoGPT — cột mốc gây sốt năm 2023 — qua BabyAGI, đến thế hệ hiện tại như Claude Computer Use, để bạn thấy rõ ngành này đã học được gì sau ba năm thử-và-sai.
Khái niệm cốt lõi
Agent là gì: công thức LLM + tools + loop
Nếu phải rút gọn định nghĩa xuống một dòng, thì:
> Agent = LLM + công cụ (tools) + vòng lặp (loop).
Hãy tách từng thành phần:
- LLM đóng vai trò "bộ não" — nó suy luận, lập kế hoạch, quyết định bước tiếp theo.
- Tools là "tay chân" — khả năng gọi ra thế giới bên ngoài: tìm kiếm web, chạy code, đọc/ghi file, điều khiển trình duyệt, gọi API, gửi email.
- Loop là thứ biến nó thành agent thay vì chatbot. Thay vì trả lời một lần rồi dừng, agent lặp đi lặp lại: quan sát kết quả → suy nghĩ → hành động → quan sát → suy nghĩ → hành động... cho đến khi đạt mục tiêu hoặc chạm giới hạn.
- Nhận goal (mục tiêu) — ví dụ "tìm 10 nhà cung cấp bao bì ở TP.HCM và lập bảng so sánh giá".
- Plan (lập kế hoạch) — chia mục tiêu lớn thành các bước nhỏ.
- Execute via tools (thực thi bằng công cụ) — tìm kiếm, mở web, trích xuất dữ liệu, ghi vào bảng.
- Self-correct (tự sửa) — nếu một trang không load, một số liệu bị thiếu, agent nhận ra và thử cách khác.
Vòng phản xạ ReAct: nền tảng lý thuyết
Hầu hết agent hiện đại dựa trên một mẫu tư duy gọi là ReAct (Reasoning + Acting — suy luận và hành động xen kẽ). Ý tưởng đơn giản: thay vì để mô hình "nghĩ thầm" rồi trả kết quả cuối, ta buộc nó viết ra suy nghĩ (Thought), chọn một hành động (Action), rồi nhận về kết quả quan sát (Observation), và lặp lại.
Ví dụ một agent đang tìm dân số Đà Nẵng năm 2024 sẽ chạy như thế này:
Thought: Tôi cần số liệu dân số Đà Nẵng 2024, nên tìm web.
Action: search("dân số Đà Nẵng 2024")
Observation: Khoảng 1,25 triệu người (Tổng cục Thống kê).
Thought: Đã có số liệu đáng tin, tôi có thể trả lời.
Action: finish("Dân số Đà Nẵng 2024 khoảng 1,25 triệu người.")
Việc "nghĩ ra tiếng" này không chỉ để bạn theo dõi — nó thực sự cải thiện độ chính xác, vì mô hình tự kiểm tra logic của mình trước mỗi hành động.
Từ AutoGPT/BabyAGI đến thế hệ hiện tại
Để hiểu tại sao agent ngày nay đáng tin hơn, bạn nên biết ngành này đã đi qua đâu:
- AutoGPT (2023) là cú nổ đầu tiên khiến cả thế giới biết đến khái niệm agent tự trị. Bạn giao một mục tiêu, nó tự sinh ra danh sách công việc, tự thực thi, tự sinh thêm việc. Ấn tượng, nhưng thực tế nó hay rơi vào vòng lặp vô tận, đốt token (và tiền) mà không ra kết quả, hoặc "đi lạc" khỏi mục tiêu ban đầu.
- BabyAGI là phiên bản tối giản hơn, minh họa rõ cơ chế: một hàng đợi công việc (task queue), một mô hình sinh việc mới, một mô hình sắp xếp ưu tiên. BabyAGI có giá trị giáo dục lớn nhưng chưa đủ ổn định cho công việc thật.
- Thế hệ hiện tại — như Claude Computer Use, các agent tích hợp trong Cursor, hay các framework như LangGraph — học được ba bài học: (1) giới hạn phạm vi thay vì để agent tự do vô hạn; (2) con người trong vòng lặp (human-in-the-loop) ở những bước rủi ro; (3) công cụ được định nghĩa chặt chẽ để mô hình gọi đúng.
Ba mức độ "tự trị" bạn cần phân biệt
Khi đánh giá một công cụ tự nhận là "AI agent", hãy hỏi nó thuộc mức nào:
- Workflow cố định có AI — các bước do con người thiết kế sẵn, AI chỉ điền vào chỗ trống. Ổn định, dễ đoán (đây là địa hạt của Zapier/Make/n8n mà bạn sẽ học ở các bài sau).
- Agent bán tự trị — AI tự lập kế hoạch nhưng dừng lại xin phép ở những điểm quan trọng.
- Agent tự trị hoàn toàn — AI chạy từ đầu đến cuối không cần can thiệp.
Tình huống thực tế
Ví dụ 1 — Agent nghiên cứu nhà cung cấp tại một công ty FMCG ở TP.HCM
Chị Linh phụ trách mua hàng (procurement) tại một công ty hàng tiêu dùng quy mô vừa. Mỗi khi cần tìm nhà cung cấp mới, chị mất trung bình một buổi làm việc để Google, mở hàng chục tab, ghi lại thông tin liên hệ và bảng giá.
Nhóm IT của công ty dựng một agent đơn giản: nhận mục tiêu "tìm 15 nhà cung cấp thùng carton ở khu vực Đông Nam Bộ, lập bảng gồm tên, khu vực, số điện thoại, và mức giá tham khảo". Agent dùng công cụ tìm kiếm web, mở từng trang, trích xuất thông tin, và tự phát hiện khi một trang không có giá thì ghi chú "cần liên hệ trực tiếp".
Kết quả: công việc từ 4 tiếng còn khoảng 25 phút agent chạy, cộng 15 phút chị Linh rà soát. Bài học: agent tỏa sáng nhất ở những việc lặp lại, tốn thời gian, mà tiêu chí thành công rõ ràng. Nhưng đừng bỏ qua bước con người rà soát cuối — agent vẫn nhặt nhầm vài số điện thoại đã cũ.
Ví dụ 2 — Kỳ vọng sai với AutoGPT tại một startup
Một startup edtech ở Hà Nội, năm 2023, hào hứng thử AutoGPT với mục tiêu tham vọng: "tự nghiên cứu thị trường và viết một kế hoạch marketing hoàn chỉnh". Họ để nó chạy tự do. Sau hai giờ và khoảng 40 USD tiền token, AutoGPT sản xuất ra một tài liệu dài nhưng lan man, tự bịa vài số liệu thị trường, và có đoạn lặp lại chính nó ba lần vì mắc kẹt trong vòng lặp.
Nhóm rút ra: họ đã giao một mục tiêu quá mơ hồ và quá rộng cho một agent không đủ trưởng thành. Khi họ chia nhỏ lại — "tìm 5 đối thủ và tóm tắt điểm mạnh của mỗi bên" — cùng công cụ đó cho kết quả dùng được. Bài học: mục tiêu càng rõ, phạm vi càng hẹp, agent càng đáng tin. "Đường chân trời" (số bước tối đa) càng dài thì rủi ro đi lạc càng lớn.
Ví dụ 3 — Claude Computer Use nhập liệu vào phần mềm nội bộ
Một công ty logistics ở Singapore có một phần mềm quản lý kho nội bộ đời cũ, không có API, và mỗi ngày nhân viên phải copy tay dữ liệu từ file Excel của khách hàng vào đó. Họ thử nghiệm Claude Computer Use: agent nhìn screenshot màn hình, đọc từng dòng Excel, click vào các ô tương ứng trong phần mềm và gõ dữ liệu, giống hệt một nhân viên thật.
Nó chậm hơn con người ở từng thao tác, nhưng chạy được ban đêm và không mệt. Điểm mấu chốt: họ chạy ở chế độ giám sát cho 200 dòng đầu, người thật kiểm tra, rồi mới cho chạy tự động phần còn lại. Bài học: Computer Use mở khóa được những hệ thống "không thể tự động hóa" trước đây, nhưng phải triển khai từng bước với vòng an toàn — một thao tác click nhầm ở phần mềm nội bộ có thể ghi sai đơn hàng.
Hướng dẫn từng bước
Bạn không cần lập trình để bắt đầu dùng agent. Đây là quy trình để giao một việc cho agent (dù bằng công cụ no-code hay bằng chính Claude/ChatGPT ở chế độ agentic):
- Chọn đúng loại việc. Ứng viên tốt: việc lặp lại nhiều lần, tốn thời gian, có thể mô tả tiêu chí "đúng" rõ ràng, và sai sót không gây hậu quả nghiêm trọng nếu bị bắt kịp. Tránh giao ngay những việc có rủi ro tài chính/pháp lý cao.
- Viết mục tiêu cụ thể và có thể đo được. So sánh: "nghiên cứu đối thủ" (tệ) với "tìm 5 đối thủ trực tiếp, mỗi bên ghi giá gói rẻ nhất và một điểm khác biệt, xuất ra bảng" (tốt). Mục tiêu càng đo được, agent càng biết khi nào nên dừng.
- Xác định công cụ agent được phép dùng. Nó cần tìm web? Đọc file của bạn? Gửi email? Chỉ cấp đúng những gì cần — nguyên tắc đặc quyền tối thiểu.
- Đặt "lan can" (guardrails). Giới hạn số bước tối đa, giới hạn ngân sách token/tiền, và quan trọng nhất: đánh dấu những hành động cần bạn phê duyệt (gửi email ra ngoài, xóa dữ liệu, thanh toán).
- Chạy ở chế độ giám sát trước. Lần đầu, hãy theo dõi từng Thought/Action của agent. Bạn đang kiểm tra xem nó suy luận có hợp lý không, chứ không chỉ kết quả cuối.
- Rà soát kết quả một cách hoài nghi. Kiểm tra chéo các con số, đường link, thông tin liên hệ. Agent có thể "bịa" một cách rất thuyết phục.
- Chỉ mở rộng tự trị khi đã tin tưởng. Sau vài lần chạy đúng, bạn mới nới lỏng giám sát — và vẫn giữ lan can ở các bước rủi ro.
Lỗi thường gặp & mẹo
- Giao mục tiêu quá rộng. Đây là lỗi số một. Agent giỏi ở việc hẹp và rõ, dở ở việc "tự tìm hiểu xem tôi nên làm gì". Hãy tự chia nhỏ giúp nó.
- Bỏ mặc không giám sát ngay từ đầu. Sự cám dỗ lớn nhất là "để nó tự chạy". Với việc thật, luôn có người trong vòng lặp ở giai đoạn đầu và ở các bước rủi ro.
- Không đặt giới hạn số bước/ngân sách. Đây là cách nhanh nhất để đốt tiền vào một vòng lặp vô tận như AutoGPT thuở đầu. Luôn đặt trần.
- Tin số liệu agent đưa ra mà không kiểm tra. Agent có thể tìm sai nguồn hoặc bịa. Với thông tin quan trọng, yêu cầu nó trích dẫn nguồn và bạn tự kiểm.
- Cấp quyền quá rộng. Đừng cho agent quyền xóa, quyền thanh toán, hay truy cập toàn bộ dữ liệu khi việc chỉ cần đọc một thư mục.
- Mẹo — bắt agent nói to kế hoạch trước. Yêu cầu "hãy liệt kê các bước bạn định làm trước khi thực thi" giúp bạn bắt lỗi kế hoạch từ sớm, trước khi nó tiêu tốn thời gian.
- Mẹo — dùng agent cho "bản nháp việc", con người cho "quyết định". Để agent làm phần thu thập, sắp xếp, tổng hợp; giữ lại cho mình phần phán đoán và chịu trách nhiệm.
Bài tập thực hành
- Phân loại 3 công việc. Chọn 3 việc bạn làm hằng tuần. Với mỗi việc, xếp nó vào một trong ba mức tự trị (workflow cố định / bán tự trị / tự trị hoàn toàn) và giải thích tại sao. Việc nào phù hợp giao cho agent nhất?
- Viết lại một mục tiêu mơ hồ. Lấy một mục tiêu rộng như "giúp tôi nghiên cứu khách hàng tiềm năng". Viết lại thành một mục tiêu cụ thể, đo được, có tiêu chí dừng rõ ràng, và liệt kê những công cụ agent cần dùng.
- Chạy thử một agent research. Dùng chế độ agentic của Claude hoặc ChatGPT, giao một việc research nhỏ (ví dụ "tìm 5 quán cà phê làm việc ở quận 1 có ổ cắm điện và ghi giờ mở cửa"). Theo dõi từng bước Thought/Action, rồi kiểm chứng lại kết quả — ghi lại nó sai/bịa ở đâu.
- Thiết kế lan can. Giả sử bạn giao cho agent việc trả lời email khách hàng. Liệt kê ít nhất 4 "lan can" bạn sẽ đặt (bước nào cần phê duyệt, giới hạn nào, quyền nào không cấp).
Tóm tắt
- Agent = LLM + tools + loop: nhận mục tiêu, lập kế hoạch, thực thi bằng công cụ, và tự sửa sai qua vòng lặp — khác hẳn chatbot trả lời một lần.
- Mẫu ReAct (suy luận xen kẽ hành động) là nền tảng của agent hiện đại; việc "nghĩ ra tiếng" giúp tăng độ chính xác và cho bạn theo dõi.
- Ngành đã đi từ AutoGPT/BabyAGI (ấn tượng nhưng dễ đi lạc, đốt token) đến thế hệ hiện tại như Claude Computer Use (điều khiển máy tính như người, mở khóa cả phần mềm không có API) — với ba bài học: giới hạn phạm vi, con người trong vòng lặp, công cụ chặt chẽ.
- Phân biệt ba mức tự trị; với công việc thật năm 2026, agent bán tự trị thường là lựa chọn khôn ngoan.
- Nguyên tắc triển khai: mục tiêu rõ và hẹp, cấp quyền tối thiểu, đặt lan can (giới hạn bước/ngân sách, điểm phê duyệt), giám sát trước rồi mới mở rộng, và luôn rà soát kết quả một cách hoài nghi.