Quy trình làm việc tác nhân

From Systems analysis wiki
Jump to navigation Jump to search

Quy trình làm việc tác nhân (Agentic Workflows) — là các quy trình động đa bước, trong đó các AI-agent tự trị dựa trên các mô hình ngôn ngữ lớn (LLM) tự đưa ra quyết định, thực hiện hành động và phối hợp các nhiệm vụ với sự tham gia tối thiểu của con người[1]. Trong các hệ thống như vậy, LLM được sử dụng không chỉ để tạo ra câu trả lời cho một yêu cầu duy nhất, mà còn để lập kế hoạch chuỗi hành động, tương tác với các công cụ bên ngoài và cải thiện kết quả một cách lặp đi lặp lại.

Khác với tự động hóa truyền thống dựa trên các quy tắc được lập trình cứng, các phương pháp tiếp cận tác nhân có tính linh hoạt — chúng có thể thích nghi với dữ liệu mới và các điều kiện không lường trước. Quy trình làm việc tác nhân khác với một lần gọi LLM đơn giản (ví dụ, để tóm tắt văn bản) ở chỗ tác nhân được trao quyền tự chủ trong việc lựa chọn hành động, bao gồm lập kế hoạch, sử dụng công cụ và tự điều chỉnh[2].

Thành phần và kiến trúc của agentic workflow

Quy trình làm việc tác nhân kết hợp một số thành phần chính để đạt được mục tiêu.

AI-agent và LLM

Trung tâm của quy trình là AI-agent — một chương trình tự trị hoạt động thay mặt người dùng hoặc hệ thống. Thành phần chính của tác nhân là mô hình ngôn ngữ lớn, cung cấp khả năng hiểu các hướng dẫn bằng ngôn ngữ tự nhiên và tạo ra các lý luận cần thiết. Chất lượng hoạt động của tác nhân phụ thuộc đáng kể vào kỹ thuật prompt — các sơ đồ gợi ý khác nhau (ví dụ, Chain-of-Thought) giúp điều chỉnh LLM theo phong cách làm việc yêu cầu[1].

Công cụ (truy cập vào các hành động bên ngoài)

Vì kiến thức của LLM bị giới hạn bởi dữ liệu huấn luyện, tác nhân được cung cấp các công cụ bên ngoài nhằm mở rộng khả năng của nó. Các công cụ có thể bao gồm quyền truy cập vào cơ sở tri thức, công cụ tìm kiếm, API, trình thông dịch mã và các ứng dụng khác. Nhờ chúng, tác nhân nhận được thông tin cập nhật hoặc thực hiện các hành động thực tế bên ngoài chính mô hình[2].

Bộ nhớ và ngữ cảnh

Đặc điểm nổi bật của agentic workflow là sự hiện diện của cơ chế bộ nhớ, cho phép tác nhân tính đến kinh nghiệm và ngữ cảnh trước đó.

  • Bộ nhớ ngắn hạn lưu giữ thông tin gần đây (ví dụ, lịch sử hội thoại) trong phiên làm việc hiện tại.
  • Bộ nhớ dài hạn lưu trữ kiến thức và kết quả tích lũy qua nhiều lần chạy, thường sử dụng các kho lưu trữ bên ngoài (ví dụ, cơ sở dữ liệu vector)[3].

Phản hồi và hiệu chỉnh

Các cơ chế phản hồi đóng vai trò quan trọng trong việc nâng cao độ tin cậy. Tác nhân có thể nhận feedback từ môi trường thực thi nhiệm vụ, từ mô hình phụ trợ đóng vai trò "nhà phê bình" hoặc từ con người (chế độ human-in-the-loop). Ví dụ, hệ thống Reflexion thực hiện phản hồi tự nội tại: tác nhân phân tích các lỗi của chính mình và lưu trữ "các suy ngẫm" trong bộ nhớ để cải thiện các lần thử tiếp theo[4].

Cấu hình đa tác nhân

Trong các kịch bản phức tạp, kiến trúc đa tác nhân được áp dụng, trong đó nhiều tác nhân chuyên biệt tương tác với nhau. Ví dụ, tác nhân "lập kế hoạch" đặt ra các nhiệm vụ con, trong khi một số tác nhân "thực thi" giải quyết các nhiệm vụ hẹp của mình (tìm kiếm dữ liệu, tính toán, v.v.)[1].

Các mẫu và thuật toán điển hình trong hoạt động của tác nhân

Mặc dù chưa có kiến trúc tiêu chuẩn hóa phổ quát cho các hệ thống LLM tác nhân, nhưng trong giai đoạn 2023–2024, các mẫu lặp lại đã bắt đầu xuất hiện[5].

  • Lập kế hoạch từng bước (Prompt Chaining). Nhiệm vụ được chia thành một chuỗi các giai đoạn thông qua chuỗi lời gọi LLM. Mỗi bước nhận kết quả của bước trước làm đầu vào và thực hiện một phần của nhiệm vụ tổng thể. Phương pháp này cải thiện khả năng diễn giải nhưng kém linh hoạt hơn.
  • Định tuyến và lựa chọn công cụ (Router Pattern). Tác nhân trước tiên phân loại loại nhiệm vụ đầu vào, sau đó chọn quy trình hoặc công cụ chuyên biệt để giải quyết nó, hoạt động như một bộ điều phối.
  • Tìm kiếm song song các giải pháp. Thay vì một luồng suy nghĩ tuyến tính duy nhất, nhiều phương án giải pháp được khám phá đồng thời. Ví dụ về phương pháp này là Tree-of-Thoughts, trong đó tác nhân phân nhánh chuỗi lý luận giống như một cây, tạo ra một số "suy nghĩ" ứng viên ở mỗi bước và chọn ra những cái hứa hẹn nhất[6].
  • Phản chiếu và tự điều chỉnh. Tác nhân đánh giá phê phán các quyết định của chính mình và học hỏi từ lỗi lầm. Trong phương pháp Reflexion, sau mỗi lần thử, tác nhân phân tích kết quả và lưu trữ các kết luận để sử dụng trong các chu kỳ tiếp theo[4].

Ví dụ về các phương pháp tiếp cận nổi bật

  • ReAct (Reasoning and Acting) — phương pháp nền tảng (2022) kết hợp lý luận và hành động. LLM tạo ra xen kẽ các suy luận logic (thoughts) và các bước hành động cụ thể (actions) được thực hiện bằng các công cụ[7].
  • Reflexion (2023) — framework tự phản chiếu cho phép các tác nhân học hỏi từ các lỗi của chính mình thông qua phản hồi dạng văn bản, mà không cần cập nhật trọng số mô hình[4].
  • Tree-of-Thoughts (ToT) (2023) — framework tổng quát hóa ý tưởng Chain-of-Thought để tổ chức quá trình tìm kiếm giải pháp dưới dạng cây, cho phép mô hình xem xét nhiều phương án phát triển sự kiện[6].
  • Auto-GPT (2023) — một trong những dự án mã nguồn mở được biết đến rộng rãi đầu tiên, minh họa agentic workflow hoàn toàn tự trị. Hệ thống tạo ra một nhóm các GPT-4-agent chuyên biệt cùng nhau lập kế hoạch và thực hiện các bước để đạt được mục tiêu cấp cao do người dùng đặt ra[3].

Ứng dụng và tác động

Các phương pháp tiếp cận tác nhân được ứng dụng trong nhiều lĩnh vực đòi hỏi tự động hóa thông minh và tính linh hoạt.

  • Quy trình kinh doanh: Các hệ thống tác nhân mở rộng khả năng của chatbot hỗ trợ kỹ thuật, có thể tự chẩn đoán các vấn đề và tìm ra giải pháp. Chúng cũng được sử dụng trong tài chính, quản lý nhân sự và marketing[1].
  • Mô phỏng tạo sinh: Các LLM-agent tự trị có thể mô phỏng hành vi phức tạp của cộng đồng hoặc các nhân vật. Trong công trình "Generative Agents" (Park et al., 2023), hàng chục GPT-agent được phú với các cá tính khác nhau đã mô phỏng một cách đáng tin cậy cuộc sống xã hội trong một thị trấn được mô phỏng.

Theo đánh giá của các nhà phân tích Gartner, AI tác nhân (Agentic AI) được đưa vào danh sách các xu hướng công nghệ chiến lược năm 2025[1].

Thách thức và triển vọng phát triển

Bất chấp những thành công đạt được, các hệ thống LLM tác nhân vẫn là một công nghệ mới và phức tạp.

  • Chi phí tài nguyên: Mỗi bước lập kế hoạch, tìm kiếm hoặc tự phân tích bổ sung là một lần gọi LLM riêng biệt, làm tăng thời gian thực thi và chi phí.
  • Tính không thể đoán trước của hành vi: Tác nhân càng có nhiều tự do, càng khó đảm bảo được lộ trình nào nó sẽ chọn. Điều này đòi hỏi phải triển khai các ràng buộc và cơ chế bảo vệ (guardrails).
  • Đánh giá chất lượng và gỡ lỗi: Phân tích các nhật ký rộng lớn của các hệ thống đa bước để tìm lỗi là một nhiệm vụ không hề đơn giản.
  • An toàn và đạo đức: Khi mức độ tự trị của AI tăng lên, nhu cầu đảm bảo rằng các tác nhân hành động vì lợi ích của người dùng và xã hội ngày càng trở nên cấp thiết.

Các nghiên cứu trong tương lai hướng đến việc tạo ra các phương tiện sử dụng công cụ phổ quát, phát triển các agentic workflow xuyên suốt thống nhất và tối ưu hóa hiệu quả của các hệ thống tác nhân[8].

Tham khảo

  • Tổng quan về quy trình làm việc tác nhân từ IBM
  • Hướng dẫn xây dựng AI-agent hiệu quả từ Anthropic

Tài liệu

  • Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
  • Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761.
  • Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
  • Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
  • Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
  • Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
  • Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
  • Bakhtin, A. et al. (2022). Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning. Science. DOI:10.1126/science.ade9097.
  • Wang, L. et al. (2025). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
  • Li, X. (2024). A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components. arXiv:2406.05804.
  • Jung, J. et al. (2024). Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement. arXiv:2407.18370.
  • Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
  • He, G. et al. (2025). Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant. arXiv:2502.01390.
  • Huang, X. et al. (2024). Understanding the Planning of LLM Agents: A Survey. arXiv:2402.02716.
  • Kuang, Z. et al. (2023). PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents. arXiv:2305.14564.

Chú thích

  1. ↑ 1.0 1.1 1.2 1.3 1.4 «What are Agentic Workflows?». IBM. [1]
  2. ↑ 2.0 2.1 «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». Weaviate. [2]
  3. ↑ 3.0 3.1 «What is AutoGPT?». IBM. [3]
  4. ↑ 4.0 4.1 4.2 Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». arXiv:2303.11366, 2023. [4]
  5. ↑ «Agentic Workflows in 2025: The ultimate guide». Vellum.ai. [5]
  6. ↑ 6.0 6.1 Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». arXiv:2305.10601, 2023. [6]
  7. ↑ Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». arXiv:2210.03629, 2022. [7]
  8. ↑ Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». arXiv:2406.05804, 2024. [8]
Retrieved from "https://systems-analysis.ru/int/index.php?title=Quy_trình_làm_việc_tác_nhân&oldid=21057"