Các agent framework và việc điều phối

🔄 Tóm tắt nhanh: Trong bài học trước, bạn đã thêm các biện pháp bảo vệ an toàn, những checkpoint của con người và giám sát để đảm bảo an toàn cho các agent. Bây giờ, hãy mở rộng quy mô — từ các agent đơn lẻ đến những hệ thống nơi nhiều agent chuyên biệt cộng tác.

Từ một agent đến nhiều agent

Một agent duy nhất có thể xử lý hầu hết các nhiệm vụ. Nhưng một số quy trình làm việc sẽ hiệu quả hơn nếu được chuyên môn hóa:

Vấn đề chuyên gia đa năng: Một agent được giao nhiệm vụ "nghiên cứu thị trường, phân tích dữ liệu, viết báo cáo và thiết kế bài thuyết trình" phải giỏi 4 việc rất khác nhau. Prompt hệ thống trở nên cồng kềnh. Bộ công cụ của nó quá rộng. Chất lượng bị ảnh hưởng vì không có prompt nào có thể tối ưu hóa cho cả nghiên cứu, phân tích, viết và thiết kế.

Giải pháp của agent chuyên biệt: 4 agent, mỗi agent được tối ưu hóa cho một vai trò. Researcher tìm kiếm dữ liệu. Analyst xử lý dữ liệu. Writer tạo báo cáo. Designer định dạng bài thuyết trình. Một orchestrator phối hợp chúng.

Đây là cách các nhóm người làm việc hiệu quả cao hoạt động — và đó cũng là cách các hệ thống agent tốt nhất hoạt động.

Kiến trúc multi-agent

Mô hình trung tâm và các nhánh (Mô hình điều phối)

Một agent điều phối quản lý nhiều agent chuyên biệt:

📍 Nơi dán: Mở ChatGPT (chat.openai.com), Claude (claude.ai) hoặc Gemini (gemini.google.com) và bắt đầu một cuộc trò chuyện mới.

📋 Cách sao chép prompt này: Nhấp vào bất kỳ đâu bên trong khối màu xám, nhấn Cmd+A rồi Cmd+C (Mac) hoặc Ctrl+A rồi Ctrl+C (Windows). Hoặc sử dụng biểu tượng sao chép xuất hiện.

ORCHESTRATOR → Research Agent → trả về kết quả
ORCHESTRATOR → Analysis Agent →  trả về thông tin chi tiết
ORCHESTRATOR → Writing Agent → trả về báo cáo
ORCHESTRATOR → Review Agent → trả về phản hồi
ORCHESTRATOR → tập hợp kết quả cuối cùng

✏️ ​​Cách điền thông tin chi tiết của bạn: Thay thế mỗi dấu ngoặc vuông [] và trình giữ chỗ trong ngoặc bằng thông tin cụ thể từ tình huống thực tế của bạn. Thông tin đầu vào mơ hồ sẽ tạo ra kết quả mơ hồ — hãy cụ thể.

👀 Những gì bạn sẽ thấy: Trong vòng vài giây, AI sẽ trả về phản hồi có cấu trúc dựa trên prompt ở trên. Hãy đọc kỹ và coi đó là bản nháp, không phải câu trả lời cuối cùng.

📌 Nên làm gì với kết quả: Lưu phản hồi vào file Notes. Chọn đề xuất có tác động cao nhất và thực hiện nó trong tuần này — đừng cố gắng làm mọi thứ cùng một lúc.

⚠️ Nếu thấy không ổn: Nếu các đề xuất có vẻ chung chung, hãy dán nội dung này: "Hãy cụ thể hơn với ngữ cảnh thực tế của tôi. Bỏ những lời khuyên chung chung đi." Nếu bỏ qua các chi tiết quan trọng bạn đã cung cấp, hãy hỏi: "Bạn đã bỏ sót [X] trong ngữ cảnh của tôi — hãy thực hiện lại với đó là ràng buộc chính."

Phù hợp nhất cho: Quy trình làm việc có các giai đoạn rõ ràng và đầu ra được xác định.

Pipeline (Mô hình tuần tự)

Mỗi agent chuyển đầu ra của mình cho agent tiếp theo theo trình tự:

Research Agent → Analysis Agent → Writing Agent → Review Agent → Đầu ra cuối cùng

Phù hợp nhất cho: Quy trình làm việc tuyến tính, trong đó mỗi giai đoạn biến đổi đầu ra của giai đoạn trước đó.

Tranh luận (Đánh giá đối kháng)

Hai hoặc nhiều agent tranh luận về các quan điểm khác nhau, sau đó một agent phán quyết tổng hợp:

Agent A: Tranh luận ủng hộ phương án X
Agent B: Tranh luận ủng hộ phương án Y
Agent phán quyết: Đánh giá cả hai lập luận, đưa ra khuyến nghị cuối cùng

Thích hợp nhất cho: Các nhiệm vụ ra quyết định mà việc xem xét nhiều quan điểm giúp nâng cao chất lượng.

✅ Kiểm tra nhanh: Agent điều phối đóng vai trò gì trong kiến ​​trúc hình sao?

Agent điều phối nhận mục tiêu tổng thể, chia nhỏ nó thành các nhiệm vụ phụ, giao từng nhiệm vụ cho agent chuyên biệt phù hợp, theo dõi tiến độ, xử lý lỗi và tập hợp kết quả cuối cùng. Chính agent điều phối đảm bảo tất cả các phần kết hợp lại thành một kết quả mạch lạc.

Thiết kế các agent chuyên biệt

Mỗi agent chuyên biệt sẽ nhận được một yêu cầu hệ thống cụ thể:

Thiết kế một nhóm gồm 4 agent chuyên biệt cho một dự án phân tích thị trường:

AGENT 1 — RESEARCHER:
- Vai trò: Tìm kiếm và thu thập dữ liệu thị trường từ nhiều nguồn
- Công cụ: tìm kiếm web, trình đọc tài liệu
- Đầu ra: thu thập dữ liệu có cấu trúc kèm nguồn

AGENT 2 — ANALYST:
- Vai trò: Xử lý dữ liệu, tìm ra các mẫu, tạo ra những hiểu biết sâu sắc
- Công cụ: thực thi CODE (để tính toán), định dạng dữ liệu
- Đầu ra: phân tích với biểu đồ và các phát hiện chính

AGENT 3 — WRITER:
- Vai trò: Chuyển đổi phân tích thành một báo cáo hoàn chỉnh
- Công cụ: ghi FILE
- Đầu ra: báo cáo có cấu trúc với tóm tắt điều hành

AGENT 4 — REVIEWER:
- Vai trò: Kiểm tra sự thật, tìm ra những thiếu sót, đề xuất cải tiến
- Công cụ: tìm kiếm trên web (để xác minh), đọc file
- Đầu ra: phản hồi với các vấn đề cụ thể và khuyến nghị

Đối với mỗi agent, hãy viết:
1. Yêu cầu hệ thống (tập trung vào vai trò cụ thể của họ)
2. Bộ công cụ (tối thiểu cần thiết cho vai trò của họ)
3. Kỳ vọng đầu vào (những gì chúng nhận được) (từ các agent trước đó)
4. Định dạng đầu ra (những gì chúng chuyển giao cho agent tiếp theo)
5. Tiêu chí chất lượng (cách chúng đánh giá công việc của chính mình)

Giao tiếp giữa các agent

Các agent cần truyền đạt thông tin một cách hiệu quả. Hãy xác định rõ ràng các định dạng chuyển giao thông tin:

ĐỊNH DẠNG CHUYỂN GIAO THÔNG TIN (giữa các agent):

TỪ: [Tên agent]
ĐẾN: [Tên agent tiếp theo]
ID NHIỆM VỤ: [mã định danh theo dõi]
TRẠNG THÁI: hoàn thành | một phần | thất bại
TÓM TẮT: [mô tả 1-2 câu về những việc đã làm]
ĐẦU RA: [sản phẩm thực tế]
MỨC ĐỘ TIN CẬY: [cao | trung bình | thấp]
GHI CHÚ: [bất cứ điều gì agent tiếp theo cần biết — thiếu sót, không chắc chắn, trường hợp đặc biệt]
CẢNH BÁO: [các vấn đề cần con người xem xét]

Định dạng có cấu trúc này giúp ngăn ngừa mất mát thông tin giữa các agent và giúp việc gỡ lỗi dễ dàng hơn.

Tổng quan về framework

Đối với những người muốn xây dựng hệ thống multi-agent, có một số framework sau:

Các tùy chọn không cần lập trình/ít lập trình:

• Claude Projects với nhiều cấu hình "hướng dẫn tùy chỉnh"
• GPT tùy chỉnh gọi các GPT khác thông qua những hành động
• Nền tảng tự động hóa (Make, n8n) với các bước AI trong quy trình làm việc

Các framework dành cho nhà phát triển:

• LangGraph — xây dựng quy trình làm việc của agent dưới dạng đồ thị với các node và ranh giới
• CrewAI — định nghĩa các agent với vai trò, mục tiêu và câu chuyện nền tảng cộng tác
• AutoGen — framework của Microsoft cho các cuộc hội thoại multi-agent
• Agent SDK của Anthropic — hỗ trợ gốc cho việc sử dụng công cụ và các agent đa bước

Tôi muốn xây dựng một hệ thống multi-agent cho [nhiệm vụ]. So sánh các phương pháp sau:

1. Không cần lập trình: Sử dụng Claude Projects + nền tảng tự động hóa
2. Ít lập trình: Sử dụng nền tảng tự động hóa với các node AI
3. Lập trình đầy đủ: Sử dụng framework như CrewAI hoặc LangGraph

Đối với trường hợp sử dụng của tôi, phương pháp nào mang lại sự cân bằng tốt nhất giữa:
- Dễ xây dựng
- Tính linh hoạt và khả năng tùy chỉnh
- Độ tin cậy khi sử dụng trong môi trường sản xuất
- Hiệu quả chi phí

Các mô hình điều phối

Điều phối tuần tự: Orchestrator chạy các agent lần lượt, mỗi agent xây dựng dựa trên kết quả đầu ra trước đó.

Điều phối song song: Orchestrator chạy các agent độc lập đồng thời, sau đó kết hợp những kết quả.

Điều phối có điều kiện: Orchestrator chọn các agent cần chạy dựa trên đặc điểm của nhiệm vụ. "Nếu dữ liệu là định lượng, chuyển đến phân tích dữ liệu. Nếu là định tính, chuyển đến phân tích nội dung".

Điều phối lặp lại: Orchestrator lặp lại giữa các agent. "Writer tạo bản nháp → Reviewer đưa ra phản hồi → Writer sửa đổi → Reviewer đánh giá lại → lặp lại cho đến khi đạt ngưỡng chất lượng".

✅ Kiểm tra nhanh: Một nhóm cần viết 50 mô tả sản phẩm, mỗi mô tả dành cho một SKU khác nhau nhưng sử dụng cùng một template. Mô hình điều phối nào phù hợp, và tại sao "lặp lại" lại là lựa chọn sai?

Điều phối song song — mỗi SKU là độc lập nên 50 agent viết có thể chạy đồng thời. Điều phối lặp lại sẽ lặp cùng một agent viết 50 lần liên tiếp, làm mất đi tính song song vốn là điểm mấu chốt. Điều phối có điều kiện và tuần tự cũng là quá mức cần thiết — không có logic phân nhánh và không có sự phụ thuộc chuyển giao giữa các SKU.

Khi nào KHÔNG nên sử dụng hệ thống multi-agent?

Hệ thống multi-agent làm tăng độ phức tạp. Không sử dụng khi:

• Một agent duy nhất xử lý tốt nhiệm vụ
• Chi phí giao tiếp giữa các agent vượt quá lợi ích
• Việc gỡ lỗi các sự cố phân tán sẽ khó hơn cả vấn đề
• Nhiệm vụ không tự nhiên phân tách thành các vai trò chuyên biệt

Nguyên tắc: Bắt đầu với một agent. Chỉ thêm agent khi bạn có thể xác định rõ ràng các chuyên môn giúp cải thiện chất lượng hoặc tốc độ.

Bài tập: Thiết kế một hệ thống multi-agent

Hãy thiết kế (trên giấy) một hệ thống multi-agent cho một trong những nhiệm vụ sau:

Phương án A: Quy trình tiếp thị nội dung — nghiên cứu các chủ đề đang thịnh hành, viết bài đăng blog, tạo phiên bản cho mạng xã hội, lên lịch đăng tải.

Phương án B: Thu thập thông tin bán hàng — nghiên cứu khách hàng tiềm năng, phân tích công ty của họ, cá nhân hóa thông điệp tiếp cận, theo dõi phản hồi.

Phương án C: Quy trình đánh giá code — phân tích các thay đổi code, kiểm tra lỗi, đánh giá hiệu suất, đề xuất cải tiến, viết tóm tắt đánh giá.

Đối với nhiệm vụ bạn đã chọn:

1. Xác định 3-4 agent chuyên biệt với vai trò và công cụ
2. Chọn một kiến ​​trúc (mô hình trung tâm và các nhánh, mô hình pipeline, hoặc mô hình lai)
3. Thiết kế định dạng chuyển giao giữa các agent
4. Xác định vị trí cần có các checkpoint của con người
5. Xác định logic của Orchestrator

Những điểm chính cần ghi nhớ

• Hệ thống multi-agent sử dụng các agent chuyên biệt, mỗi agent được tối ưu hóa cho một vai trò cụ thể — nghiên cứu, phân tích, viết, đánh giá
• Ba kiến ​​trúc chính: Mô hình trung tâm và các nhánh (Orchestrator quản lý tất cả), mô hình pipeline (chuyển giao tuần tự), tranh luận (cải tiến đối kháng)
• Orchestrator điều phối quy trình làm việc: phân công nhiệm vụ, giám sát tiến độ, xử lý lỗi, tập hợp kết quả đầu ra
• Các định dạng chuyển giao có cấu trúc giúp ngăn ngừa mất thông tin giữa các agent
• Các framework đa dạng từ không cần code (Claude Projects, những công cụ tự động hóa) đến được code đầy đủ (LangGraph, CrewAI)
• Đừng thiết kế quá phức tạp: hãy bắt đầu với một agent duy nhất và chỉ thêm agent khi việc chuyên môn hóa rõ ràng cải thiện kết quả