AI Agentic là gì? Cách các hệ thống lập kế hoạch, sử dụng công cụ và hoàn thành nhiệm vụ

AI Agentic là trí tuệ nhân tạo có khả năng theo đuổi một mục tiêu bằng cách quyết định hành động tiếp theo, sử dụng công cụ, quan sát kết quả và điều chỉnh cách tiếp cận. Thay vì chỉ tạo ra một phản hồi duy nhất và dừng lại, một tác nhân hoạt động qua một vòng lặp điều khiển cho đến khi hoàn thành nhiệm vụ, đạt giới hạn, hoặc chuyển công việc lại cho con người.

Sự khác biệt này quan trọng vì các hệ thống AI có tác động lớn nhất đang vượt ra ngoài giao tiếp. Chúng có thể tìm kiếm trên nhiều nguồn, truy vấn cơ sở dữ liệu, chạy mã, vận hành phần mềm, cập nhật hệ thống kinh doanh và phối hợp với các tác nhân khác. Tự động hoá cao hơn có thể mở ra nhiều công việc hữu ích hơn, nhưng đồng thời làm tăng tầm quan trọng của độ tin cậy, quyền truy cập, giám sát và kiểm soát của con người.

Điều gì khiến một hệ thống AI trở nên có tính tác nhân?

Không có một ngưỡng duy nhất nào biến một mô hình thành tác nhân. Tính tác nhân tồn tại trên một dải liên tục. Ở một đầu, mô hình ngôn ngữ trả lời một lời nhắc. Ở đầu kia, một hệ thống nhận một mục tiêu rộng, chia nhỏ thành các bước, chọn công cụ, phản hồi với thông tin mới và tiếp tục trong thời gian dài.

Tự chủ cũng đa chiều. Một tác nhân có thể tự chọn các truy vấn nghiên cứu nhưng không thể công bố bất kỳ nội dung nào; một tác nhân khác có thể tuân theo kế hoạch cố định nhưng lại có quyền thay đổi hệ thống sản xuất. Do đó, việc đánh giá “mức độ tác nhân” của một hệ thống đòi hỏi phải xem xét riêng biệt về tự do lập kế hoạch, quyền truy cập công cụ, thời gian hoạt động, khả năng đảo ngược và hậu quả của lỗi.

Một cách kiểm tra hữu ích là hỏi ai quyết định lộ trình. Trong quy trình làm việc truyền thống, nhà phát triển xác định trước chuỗi các bước: thực hiện bước A, sau đó B, rồi C. Trong một hệ thống có tính tác nhân, mô hình có một mức độ tự quyết định về những bước cần thiết và thứ tự thực hiện. Hướng dẫn của Anthropic về xây dựng các tác nhân hiệu quả đưa ra sự phân biệt thực tiễn tương tự giữa quy trình có đường đi mã được xác định trước và các tác nhân tự động chỉ đạo quá trình và việc sử dụng công cụ của mình.

Hầu hết các tác nhân trong môi trường sản xuất kết hợp năm yếu tố:

• Mô hình: động cơ suy luận và ngôn ngữ giải thích mục tiêu và chọn hành động.
• Hướng dẫn: các quy tắc hệ thống, mô tả nhiệm vụ, chính sách và định nghĩa thành công.
• Công cụ: các chức năng cho phép tác nhân tìm kiếm, tính toán, truy xuất dữ liệu, ghi tệp, gọi API, hoặc vận hành giao diện.
• Trạng thái hoặc bộ nhớ: thông tin được chuyển từ bước này sang bước khác, và đôi khi qua các phiên.
• Vòng lặp điều khiển: thời gian chạy trả kết quả cho mô hình và quyết định tiếp tục, thử lại, yêu cầu trợ giúp, hoặc dừng.

Vòng lặp tác nhân: lập kế hoạch, hành động, quan sát và thích nghi

Mặc dù các triển khai khác nhau, một tác nhân thường tuân theo một mẫu bốn giai đoạn lặp lại.

1. Giải thích mục tiêu

Tác nhân xác định kết quả mong muốn, các ràng buộc liên quan và thông tin còn thiếu. Một định nghĩa nhiệm vụ mạnh không chỉ bao gồm những gì cần làm, mà còn xác định tiêu chí hoàn thành. “Nghiên cứu công ty này” là mơ hồ; “tạo một bản so sánh có trích dẫn của ba báo cáo thường niên gần nhất và đánh dấu các thay đổi quan trọng” tạo ra một mục tiêu có thể kiểm chứng.

2. Chọn hành động

Mô hình có thể trả lời trực tiếp, tạo kế hoạch, gọi công cụ, ủy thác một nhiệm vụ phụ, hoặc yêu cầu làm rõ. Hành động thường được biểu đạt dưới dạng có cấu trúc để phần mềm có thể xác thực trước khi thực thi. Đây là nơi thiết kế tác nhân chuyển đổi đầu ra mô hình xác suất thành một hoạt động hệ thống có kiểm soát.

3. Quan sát kết quả

Thời gian chạy trả về kết quả công cụ, lỗi, giao diện đã thay đổi, hoặc phản hồi môi trường khác. Tác nhân thêm quan sát đó vào ngữ cảnh làm việc của mình. Nếu một tìm kiếm trả về bằng chứng yếu hoặc API từ chối một đối số, quyết định tiếp theo nên phản ánh trạng thái mới này.

4. Điều chỉnh hoặc dừng

Tác nhân đánh giá tiến độ và chọn một hành động khác. Nó có thể sửa đổi kế hoạch, thử công cụ khác, xác minh kết quả, hoặc kết luận rằng mục tiêu đã hoàn thành. OpenAI mô tả loại tương tác này như một vòng lặp giữa mô hình, các công cụ và môi trường trong phần thảo luận về việc chuyển từ mô hình tới tác nhân.

Mẫu này liên quan đến phương pháp ReAct, trong đó suy luận và hành động được xen kẽ để các quan sát bên ngoài có thể cập nhật suy luận tiếp theo. Bài báo ReAct đã giúp thiết lập thiết kế này như một lựa chọn thay thế cho việc tạo ra một kế hoạch hoàn chỉnh mà không có phản hồi môi trường.

AI Agentic vs. AI sinh tạo

AI sinh tạo mô tả các hệ thống tạo ra nội dung mới, như văn bản, hình ảnh, âm thanh, video hoặc mã. AI Agentic mô tả cách một hệ thống theo đuổi một mục tiêu. Hai loại này có phần chồng chéo nhưng không thể hoán đổi cho nhau.

Một mô hình sinh tạo có thể soạn thảo email mà không phải là tác nhân. Một tác nhân có thể sử dụng mô hình sinh tạo để soạn email, tra cứu người nhận đúng, kiểm tra chính sách, tạo tệp đính kèm và đưa tin nhắn vào hàng đợi duyệt. Mô hình cung cấp trí tuệ; hệ thống tác nhân bao quanh cung cấp công cụ, trạng thái, điều phối và kiểm soát.

Nơi các hệ thống có tính tác nhân hữu ích

Tác nhân có giá trị nhất khi con đường tới mục tiêu không thể được xác định đầy đủ trước, nhưng tiến độ vẫn có thể được quan sát và kiểm tra. Các ví dụ phổ biến bao gồm:

• Nghiên cứu: tìm kiếm nhiều nguồn, giải quyết khoảng trống, so sánh bằng chứng, và biên soạn báo cáo có trích dẫn.
• Kỹ thuật phần mềm: điều hướng kho lưu trữ, chỉnh sửa mã, chạy thử nghiệm, giải thích lỗi, và lặp lại.
• Hoạt động khách hàng: thu thập ngữ cảnh tài khoản, áp dụng chính sách, đề xuất giải pháp, và nâng cấp các ngoại lệ.
• Phân tích dữ liệu: lựa chọn bộ dữ liệu, viết truy vấn, kiểm tra bất thường, tạo biểu đồ, và giải thích kết quả.
• Hoạt động CNTT: điều tra cảnh báo, thu thập chẩn đoán, đề xuất khắc phục, và thực thi sổ hướng dẫn đã được phê duyệt.
• Công việc hành chính: phối hợp lịch, tài liệu, mẫu đơn, phê duyệt, và cập nhật trên các hệ thống.

Một quy trình cố định thường tốt hơn khi quy trình ổn định và mọi bước đã được biết. Thêm một tác nhân vào nơi tự động hoá thông thường đã đủ có thể tăng chi phí và tính biến động mà không mang lại giá trị thực.

Khi nào nên sử dụng tác nhân thay vì tự động hoá?

Kiến trúc tốt nhất phụ thuộc vào hai câu hỏi: lộ trình có độ dự đoán như thế nào, và hành động sai lầm có tốn kém bao nhiêu? Một hệ thống không trở nên tiên tiến hơn chỉ vì nó cho mô hình nhiều tự do hơn. Trong nhiều bối cảnh có rủi ro cao, thiết kế mạnh mẽ nhất cố ý kết hợp phần mềm xác định với một thành phần tác nhân hẹp.

Một sự thỏa hiệp hữu ích là tác nhân có giới hạn. Tác nhân có thể quyết định cách thu thập thông tin, công cụ đã được phê duyệt để gọi, hoặc cách sửa đổi bản nháp, trong khi mã xác định thực thi các schema, quy tắc truy cập, ngân sách và phê duyệt cuối cùng. Điều này duy trì khả năng thích nghi mà không yêu cầu mô hình xác suất tự kiểm soát quyền hạn của mình.

Tại sao AI Agentic lại khó

Một tác nhân có thể đưa ra quyết định hợp lý cục bộ nhưng dẫn toàn bộ nhiệm vụ đi sai hướng. Những lỗi nhỏ có thể tích lũy qua một hành trình dài, trong khi câu trả lời cuối cùng thuyết phục có thể che giấu một quy trình sai hoặc không an toàn.

Hiệu ứng tích lũy này là một trong những lý do đánh giá tác nhân khác với đánh giá câu trả lời thông thường. Một nhiệm vụ thất bại có thể bắt nguồn từ kế hoạch của mô hình, kết quả công cụ gây hiểu lầm, cập nhật trạng thái sai, quyết định dừng sớm, hoặc ranh giới quyền hạn không an toàn. Ngược lại, một câu trả lời cuối cùng đúng có thể là sản phẩm của một lộ trình dễ vỡ sẽ thất bại trong lần chạy tiếp theo. Do đó, các nhóm cần cả chỉ số kết quả và bằng chứng ở mức độ hành trình.

Các thách thức chính bao gồm:

• Độ tin cậy: cùng một nhiệm vụ có thể tạo ra các lộ trình và kết quả khác nhau qua các lần thử lặp lại.
• Cơ sở thực tế: mô hình có thể hiểu sai đầu ra công cụ, trạng thái giao diện, hoặc ý định thực tế của người dùng.
• Quyền truy cập: một tác nhân hữu ích có thể cần quyền truy cập có ý nghĩa, nhưng quyền truy cập rộng mở làm tăng hậu quả của lỗi.
• Tiêm lệnh: nội dung không tin cậy có thể chứa các chỉ thị được thiết kế để chuyển hướng tác nhân hoặc lộ dữ liệu.
• Chi phí và độ trễ: mỗi lần gọi mô hình bổ sung, kích hoạt công cụ, bước xác minh, hoặc phụ tác nhân đều tăng tài nguyên và thời gian.
• Đánh giá: chỉ đánh giá kết quả cuối cùng có thể bỏ qua lý luận mong manh, vi phạm chính sách, hoặc thành công may mắn.

Cách giữ một tác nhân AI dưới kiểm soát

Tự chủ an toàn cần được thiết kế, không phải giả định. Tác nhân nên nhận được tối thiểu các công cụ và dữ liệu cần thiết cho nhiệm vụ. Các hành động có tác động lớn—như gửi tin nhắn, chuyển tiền, xóa dữ liệu, hoặc thay đổi hệ thống sản xuất—nên yêu cầu phê duyệt rõ ràng hoặc chính sách được hạn chế chặt chẽ.

Các hệ thống mạnh mẽ cũng tách riêng việc lập kế hoạch và thực thi. Các đối số công cụ có thể được xác thực dựa trên schema; hành động có thể chạy trong sandbox; các hoạt động nhạy cảm có thể được liệt kê cho phép; và đầu ra có thể được kiểm tra trước khi trở thành đầu vào cho hệ thống khác. Ngân sách thời gian, token và hành động ngăn chặn tác nhân bị rối vòng lặp vô hạn.

Khả năng quan sát cũng quan trọng không kém. Các nhóm cần một bản ghi các hướng dẫn, lời gọi công cụ, quan sát trung gian, phê duyệt, lỗi và kết quả cuối cùng. Hành trình đó cho phép gỡ lỗi và đánh giá. Công trình của Anthropic về các tác nhân đáng tin cậy trong thực tiễn nhấn mạnh ranh giới quyền hạn rõ ràng và kiểm soát con người có ý nghĩa như là yêu cầu thiết kế cốt lõi.

Tính khả năng đảo ngược nên định hình các kiểm soát này. Đọc một trang web công khai dễ dàng hoàn tác vì không thay đổi gì; phát hành hoàn tiền, gửi email cho khách hàng, hoặc xóa tài nguyên đám mây thì không như vậy. Một hệ thống tác nhân trưởng thành phân loại hành động theo hậu quả, yêu cầu ủy quyền mạnh hơn cho các thao tác khó đảo ngược, và giao quyền quyết định cuối cùng cho thời gian chạy—không phải mô hình—về việc cho phép thực thi.

AI Agentic không có nghĩa là

“Agentic” không đồng nghĩa với có ý thức, tự nhận thức, hay động cơ độc lập. Sự chủ động bề ngoài của hệ thống xuất phát từ một mô hình hoạt động trong phần mềm, liên tục yêu cầu nó chọn bước tiếp theo. Mục tiêu, công cụ, quyền truy cập, điều kiện dừng và môi trường của nó đều do con người thiết kế.

Nó cũng không đảm bảo trí tuệ chung. Một tác nhân có thể rất năng lực trong môi trường hẹp nhưng lại dễ gãy khi giao diện, dữ liệu hoặc nhiệm vụ thay đổi. Vì vậy, mức độ tự chủ nên được điều chỉnh dựa trên hiệu suất đã chứng minh chứ không phải dựa trên độ lưu loát của mô hình.

Kết luận

AI Agentic biến một mô hình từ công cụ tạo phản hồi thành một thành phần của hệ thống hướng mục tiêu. Đặc điểm định nghĩa không phải là một mô hình hay giao thức cụ thể; mà là vòng lặp khép kín trong đó hệ thống chọn hành động, sử dụng công cụ, quan sát những gì đã xảy ra và thích nghi.

Những tác nhân hiệu quả nhất kết hợp tính linh hoạt này với phạm vi chặt chẽ, quyền truy cập tối thiểu, hành trình có thể quan sát, đánh giá nghiêm ngặt và kiểm soát con người ở các ranh giới quan trọng. Câu hỏi trung tâm không còn chỉ là “Mô hình có thể tạo ra câu trả lời đúng không?” mà còn là “Toàn bộ hệ thống có thể đạt được kết quả đúng thông qua một quy trình mà chúng ta tin tưởng không?”