Agent Là Gì?

Level: L8 — Automation & AI Agents (Bài 4/13) · Đối tượng: Người đã học bài 76-78 (Automation, Workflow Design, Nền

1. Concept

AI Agent là 1 hệ thống AI theo đuổi 1 mục tiêu (goal) bằng cách tự quyết định hành động nào cần làm tiếp theo, quan sát kết quả, và điều chỉnh — thay vì đi theo 1 chuỗi bước đã định sẵn [S19, S20].

Đây chính là câu trả lời cho câu hỏi bài 78 để lại ở cuối: automation platform (bài 78) rất tốt cho workflow xác định — nơi mọi điều kiện đều viết thành quy tắc rõ ràng trước được. Khi 1 tác vụ cần suy luận, lập kế hoạch, ghi nhớ ngữ cảnh, hoặc tự quyết định hành động tiếp theo — những việc 1 Condition cố định (bài 78) không bao quát hết — đó là lúc Agent xuất hiện như câu trả lời.

2. Importance

Toàn bộ phần còn lại của Level 8 (bài 80-88) xây dựng trên đúng định nghĩa này. Nếu định nghĩa “agent” không rõ ràng ngay từ đây, mọi bài sau sẽ chỉ là thuật ngữ trừu tượng khó neo vào đâu. Hiểu đúng bài này còn giúp bạn tránh 1 rủi ro rất phổ biến trong ngành hiện nay: gọi mọi thứ có AI là “agent” — dù nó chỉ là 1 chatbot trả lời 1 câu hỏi rồi dừng.

3. How It Works — 8 đặc điểm hành vi của Agent (chỉ ở mức “vì sao quan

trọng,“ không đi vào cơ chế nội bộ)

• Goal-oriented execution (thực thi hướng mục tiêu) — bạn giao cho agent 1 mục tiêu, không phải 1 kịch bản từng bước — agent tự tìm đường tới mục tiêu đó.
• Environment (môi trường) — không gian agent quan sát và hành động trong đó (dữ liệu, hệ thống, công cụ nó có thể chạm tới) — chi tiết kỹ thuật về cách agent kết nối với môi trường đã học ở Level 7, không nhắc lại ở đây.
• Decision making (ra quyết định) — agent chọn hành động tiếp theo dựa trên trạng thái hiện tại, không phải 1 nhánh đã viết sẵn từ trước (khác Condition ở bài 78).
• Reasoning (suy luận) — agent có thể “nghĩ qua” 1 vấn đề trước khi hành động, thay vì phản xạ tức thời.
• Planning (lập kế hoạch) — agent có thể sắp xếp nhiều bước hướng tới mục tiêu, và điều chỉnh lại kế hoạch nếu tình huống thay đổi giữa chừng.
• Tool use (dùng công cụ) — agent có thể gọi năng lực bên ngoài để thực sự hành động trong thế giới thật, không chỉ trò chuyện (cơ chế kỹ thuật đã học đầy đủ ở Level 7 — bài này chỉ nói vì sao khả năng này quan trọng: nó là thứ biến agent từ “biết nói” thành “biết làm”).
• Memory (trí nhớ, chỉ ở mức khái quát) — agent có thể giữ lại thông tin qua nhiều bước/nhiều lần tương tác để việc ra quyết định sau này tốt hơn. (Chỉ cần biết khả năng này tồn tại — cơ chế hoạt động cụ thể là nội dung bài 85.)
• Feedback (phản hồi) — agent quan sát kết quả thật của hành động vừa thực hiện, không giả định nó luôn đúng.
• Iteration (lặp lại) — agent lặp lại chu trình quan sát-quyết định- hành động cho tới khi đạt mục tiêu, hoặc buộc phải dừng lại (đã học nguyên tắc “khi nào bắt buộc dừng” ở đâu đó trong hành trình bạn sẽ gặp lại ở bài Guardrails, bài 87).

4. Diagram

4 sơ đồ cần cho bài này (visual brief, mô tả để Visual Planning dùng khi kích hoạt):

1. Evolution — 4 khối nối tiếp: Traditional Software → Automation → AI Assistant → AI Agent, mỗi khối có 1 icon minh họa mức độ tự chủ tăng dần.
2. Agent feedback loop — hình tròn khép kín 4 giai đoạn: Goal → Think → Act → Observe → (mũi tên vòng lại) Repeat.
3. Decision tree — đối lập trực quan: 1 cây quyết định cố định (đại diện automation, bài 78) bên cạnh 1 vòng lặp mở (đại diện agent tự quyết định).
4. Automation vs Agent — bảng 2 cột trực quan hóa (dữ liệu lấy từ mục 6).

5. Workflow — Agent Feedback Loop (vòng lặp hành vi của agent, chỉ ở

mức khái quát)

Goal (mục tiêu được giao)
    ↓
Think (agent suy luận: bước tiếp theo nên là gì?)
    ↓
Act (agent hành động — có thể là gọi 1 tool, hỏi thêm thông tin...)
    ↓
Observe (agent quan sát kết quả thật của hành động vừa làm)
    ↓
Repeat (quay lại Think, dựa trên những gì vừa quan sát được) — cho tới
khi đạt Goal, hoặc buộc phải dừng

Lưu ý ranh giới quan trọng: đây là vòng lặp hành vi (behavior), không phải sơ đồ kiến trúc kỹ thuật — cách agent thực sự “Think” (mô hình nào, prompt ra sao) và “Act” (gọi tool bằng cơ chế gì) là nội dung của các bài sau (80, và cơ chế tool calling đã học ở Level 7), không phải bài này.

6. So sánh 4 tầng: Traditional Software → Automation → AI Assistant →

AI Agent

Tiêu chí	Traditional Software	Automation (bài 76-78)	AI Assistant	AI Agent
Goal	Không có — chỉ thực hiện đúng chức năng đã lập trình	Không có — chỉ chạy đúng quy tắc khi trigger xảy ra	Trả lời 1 yêu cầu cụ thể của bạn	Theo đuổi 1 mục tiêu tổng quát, tự tìm đường đạt được
Autonomy (tự chủ)	Không — cần người vận hành từng thao tác	Thấp — tự chạy khi trigger xảy ra, nhưng theo đúng quy tắc cố định	Thấp — chỉ phản hồi khi được hỏi, không tự tiếp tục	Cao — tự quyết định chuỗi hành động tiếp theo
Reasoning (suy luận)	Không	Không	Có, trong phạm vi 1 câu trả lời	Có, xuyên suốt nhiều bước hướng tới mục tiêu
Memory (trí nhớ)	Không	Không (mỗi lần chạy độc lập)	Thường chỉ trong 1 phiên hội thoại	Có thể giữ lại qua nhiều bước/phiên (bài 85)
Tool Usage (dùng công cụ)	Không	Có, nhưng cố định theo Node đã cấu hình (bài 78)	Hạn chế, thường chỉ trả lời bằng văn bản	Có, tự quyết định khi nào cần dùng tool nào
Adaptability (thích nghi)	Không	Không — cùng input luôn ra cùng output	Thấp — không tự đổi cách tiếp cận giữa chừng	Cao — tự điều chỉnh kế hoạch nếu tình huống đổi

Đối chiếu với mô hình 3 tầng đã học bài 76 (Automation→AI Workflow→ Agent, dựa trên “ai kiểm soát luồng thực thi”): bảng 4 tầng ở đây nhìn cùng 1 bức tranh qua góc nhìn khác — mức độ tự chủ/năng lực sản phẩm, không phải kiến trúc kỹ thuật. “AI Assistant” ở đây tương ứng gần với tầng “AI Workflow” đã học — cả 2 đều mô tả tình huống có AI tham gia nhưng chưa tự kiểm soát luồng thực thi.

7. Example — 4 Agent nghiệp vụ (mô tả hành vi, không phải cách xây)

Travel Planning Agent (Agent lên kế hoạch du lịch): được giao mục tiêu “lên kế hoạch chuyến đi 5 ngày trong ngân sách X” — agent tự tìm chuyến bay, so sánh khách sạn, kiểm tra thời tiết, điều chỉnh lịch trình nếu 1 lựa chọn ban đầu không còn phù hợp (ví dụ chuyến bay đã hết chỗ) — đây là Planning + Adaptability thể hiện rõ nhất, không phải 1 quy trình cố định như “luôn đặt khách sạn X trước, vé máy bay sau.”

Customer Support Agent (Agent hỗ trợ khách hàng): nhận 1 yêu cầu hỗ trợ, tự tra cứu lịch sử khách hàng, quyết định có cần hoàn tiền hay chỉ cần hướng dẫn, và tự nhận ra khi nào cần chuyển cho con người — khác 1 automation trả lời cố định theo kịch bản, agent này suy luận ngữ cảnh của từng khách hàng cụ thể.

Sales Follow-up Agent (Agent theo dõi cơ hội bán hàng): được giao mục tiêu “duy trì liên hệ với lead cho tới khi họ phản hồi hoặc từ chối rõ ràng” — agent tự quyết định thời điểm gửi tin nhắn tiếp theo, tự điều chỉnh nội dung dựa trên phản hồi trước đó (Memory + Feedback), khác hẳn automation gửi email nhắc theo lịch cố định (bài 78, ví dụ 1).

Research Agent (Agent nghiên cứu): được giao 1 câu hỏi nghiên cứu mở (“thị trường X có tiềm năng không”) — agent tự quyết định cần tìm nguồn nào, đọc bao nhiêu là đủ, và khi nào đã có đủ thông tin để kết luận — không có 1 danh sách bước cố định nào bao quát hết được mọi câu hỏi nghiên cứu có thể có.

8. Prompt — Worksheet “Đây có phải tình huống cần Agent không?”

1. Mục tiêu tôi muốn đạt được là gì? (không phải "làm bước A rồi bước B")
2. Tác vụ này có thay đổi thường xuyên, không lặp lại y hệt mỗi lần?
3. Có cần suy luận/phán đoán ngữ cảnh, thay vì áp 1 quy tắc cố định?
4. Có cần lập kế hoạch nhiều bước, có thể phải điều chỉnh giữa chừng?
5. Có liên quan tới nhiều công cụ/nguồn dữ liệu khác nhau, agent cần tự
   chọn dùng cái nào?
6. Môi trường có nhiều điều không chắc chắn trước (uncertain environment)?

Nếu phần lớn câu trả lời là CÓ → ứng viên cho Agent.
Nếu phần lớn câu trả lời là KHÔNG → quay lại bài 77/78, workflow +
automation platform vẫn là lựa chọn đúng.

9. Exercise

Hình 8.4 — Agent là gì: từ Traditional Software tới Agent Feedback Loop (Goal-Think-Act-Observe).

10. Checklist

• Định nghĩa được AI Agent: theo đuổi mục tiêu, tự quyết định hành động, quan sát và điều chỉnh.
• Giải thích được vì sao Agent xuất hiện — đúng chỗ automation (bài 76-78) không còn đủ.
• Liệt kê được 8 đặc điểm hành vi (Goal/Environment/Decision/ Reasoning/Planning/Tool use/Memory/Feedback/Iteration) ở mức “vì sao quan trọng.”
• So sánh được 4 tầng Traditional Software→Automation→AI Assistant→ Agent theo 6 tiêu chí.
• Áp dụng được worksheet quyết định “có cần Agent không” cho 1 tình huống thật.
• Nhận diện được ít nhất 2 tình huống KHÔNG nên dùng Agent.

11. Common Mistakes

Đặt lại checklist

• Tôi đã hiểu khái niệm cốt lõi của bài học Agent Là Gì?.

12. Advanced

Bản đồ những gì bài này CHƯA giải thích (đúng chủ đích, không phải thiếu sót) — để bạn biết chính xác đi tìm ở đâu khi cần:

• Kiến trúc agent chi tiết (agent thực sự cấu thành từ gì) → bài 80.
• Khung Trigger→Process→Skills→Tools → bài 81.
• 1 agent với nhiều tool, khi nào tách thành nhiều agent → bài 82, 83.
• Cơ chế memory hoạt động thế nào → bài 85.
• Guardrail, giới hạn hành vi agent → bài 87.
• Cách đánh giá agent có hoạt động tốt không → bài 86.
• Cơ chế tool calling nội bộ (model quyết định gọi hàm ra sao) — đã học đầy đủ ở Level 7, không lặp lại.
• MCP (chuẩn hóa cách agent kết nối tool/dữ liệu ngoài) — đã học đầy đủ ở Level 7, không lặp lại.
• Bất kỳ framework build agent cụ thể nào (LangGraph, CrewAI, AutoGen, Claude Code, Claude Agent SDK…) — nằm ngoài phạm vi khái niệm của bài này; Claude Agent SDK được đề cập ở bài 88 (Production Agent) đúng vai trò công cụ triển khai, không phải ở đây.

13. References

• [S19] Building Effective Agents, Anthropic — định nghĩa agent, ranh giới “ai kiểm soát luồng thực thi,” nguyên tắc đánh đổi chi phí/độ trễ.
• [S20] A Practical Guide to Building Agents, OpenAI — 3 tiêu chí khi nào thật sự cần agent, ví dụ minh họa hành vi agent.
• Dẫn chiếu (không trích dẫn mới, không lặp lại giải thích): bài 76 (mô hình 3 tầng Automation→AI Workflow→Agent, đối chiếu ở mục 6); bài 77- 78 (Trigger/Node/Condition/giới hạn automation platform — điểm agent bắt đầu từ đó); Level 7 (cơ chế Tool Calling, MCP — không giảng lại).

14. Ngày kiểm chứng

Nội dung kiểm chứng qua nguồn Tier 1 (S19, S20), đã re-verify khi viết chapter nền tảng Level 8 trước đó (2026-07-11), tái sử dụng nguyên vẹn cho bài này (không cần freshness audit lại lần 2 trong cùng Level, đúng nguyên tắc hiệu quả đã thiết lập). Nội dung mang tính nguyên lý/định nghĩa, rủi ro lỗi thời thấp.