Single Agent

Level: L8 — Automation & AI Agents (Bài 7/13) · Đối tượng: Người đã học bài 79-81 (Agent là gì?, Agent Anatomy,

1. Concept

Single Agent là kiến trúc mặc định bạn nên bắt đầu: 1 agent duy nhất (1 bộ Reasoning/Planning, theo đúng 8 bộ phận đã học bài 80) có thể dùng nhiều tool, xử lý nhiều bước phức tạp, và tự tổ chức công việc theo vài mẫu hình khác nhau — tất cả vẫn nằm trong 1 vòng lặp thực thi (Execution Loop) duy nhất, không có agent thứ 2 nào tham gia quyết định.

Nguyên tắc quan trọng nhất bài này, đồng thuận từ cả Anthropic và OpenAI: tối đa hóa năng lực của 1 agent trước khi chuyển sang multi-agent [S19, S20]. Nhiều tool ≠ nhiều agent — 1 agent với 10 tool vẫn là 1 agent, miễn nó vẫn có 1 bộ Reasoning/Planning điều khiển toàn bộ.

2. Why It Matters

Multi-agent (bài 83) nghe “chuyên nghiệp hơn,” nhưng đi kèm chi phí phối hợp thật: nhiều agent cần giao tiếp với nhau, dễ phát sinh lỗi tích lũy qua nhiều tầng, và tốn kém/chậm hơn 1 agent duy nhất. Học cách khai thác hết khả năng của single agent trước giúp bạn tránh rơi vào bẫy phổ biến: nhảy thẳng vào multi-agent vì nghe “hay,” trong khi 1 agent với thiết kế tốt hơn đã đủ [S19, S20].

3. How It Works — 4 mẫu hình tổ chức công việc bên trong 1 agent

(4 trong 5 “workflow pattern” đã học ở phần nền tảng Level 8 — áp dụng được bên trong 1 agent duy nhất, không cần tách agent. Mẫu hình thứ 5, Orchestrator-Workers, đã bắt đầu ngụ ý “nhiều bên xử lý riêng biệt” — xem đầy đủ ở bài 83.)

• Prompt Chaining — chia 1 tác vụ thành các bước tuần tự, mỗi bước xử lý kết quả của bước trước [S19]. Vẫn là 1 agent, chỉ là Reasoning/ Planning của nó tự chia nhỏ công việc.
• Routing — agent tự phân loại input, rồi xử lý khác nhau tùy loại [S19]. Ví dụ: agent hỗ trợ khách hàng tự nhận diện “đây là câu hỏi kỹ thuật hay câu hỏi thanh toán” rồi áp dụng logic tương ứng — vẫn 1 agent, chỉ có nhánh xử lý khác nhau.
• Parallelization — agent chạy nhiều nhánh việc độc lập song song (hoặc chạy cùng 1 việc nhiều lần để lấy nhiều phương án), rồi tổng hợp kết quả [S19].
• Evaluator-Optimizer — agent tự sinh ra 1 kết quả, rồi tự đánh giá lại kết quả đó và cải thiện nếu cần, lặp lại tới khi đạt chất lượng mong muốn [S19]. Đây chính là bộ phận Observation+Feedback (bài 80) áp dụng cho chính kết quả của agent, không chỉ kết quả của 1 lần gọi Tools.

4. Diagram

Sơ đồ đề xuất: 1 vòng tròn Execution Loop duy nhất (đúng sơ đồ bài 80), bên trong có 4 “nhánh nhỏ” minh họa 4 mẫu hình (chuỗi nối tiếp, ngã ba rẽ nhánh, nhiều nhánh song song, vòng lặp tự đánh giá) — tất cả vẫn nằm trong cùng 1 vòng tròn lớn, khác hẳn sơ đồ multi-agent (bài 83) sẽ có nhiều vòng tròn riêng biệt.

5. Step-by-Step — Khi nào thêm mẫu hình nào cho single agent

1. Tác vụ có các bước tuần tự rõ ràng? → thêm Prompt Chaining.
2. Input cần phân loại rồi xử lý khác nhau tùy loại? → thêm Routing.
3. Có nhiều việc độc lập có thể làm song song? → thêm Parallelization.
4. Chất lượng output cần được kiểm tra/cải thiện qua nhiều vòng? → thêm Evaluator-Optimizer.
5. Trước khi thêm bất kỳ mẫu hình nào: tự hỏi — đây có phải cách hợp lý nhất để đạt Goal, hay tôi đang làm phức tạp hóa 1 việc lẽ ra đơn giản (worksheet bài 79 vẫn áp dụng được ở đây)?

6. Real Examples

Research Agent (đã giới thiệu bài 79) áp dụng 2 mẫu hình cùng lúc, vẫn là 1 agent duy nhất:

• Routing: agent tự phân loại câu hỏi nghiên cứu thuộc dạng nào (thị trường, kỹ thuật, pháp lý…) để chọn nguồn tìm kiếm phù hợp.
• Evaluator-Optimizer: sau khi tổng hợp câu trả lời sơ bộ, agent tự kiểm tra: “câu trả lời này đã đủ nguồn đáng tin cậy chưa?” — nếu chưa, tự tìm thêm rồi tổng hợp lại, lặp tới khi đạt chất lượng đủ tốt.

Cả 2 mẫu hình đều nằm trong 1 Execution Loop — không có “agent tìm kiếm” và “agent đánh giá” riêng biệt, chỉ có 1 agent tự làm cả 2 việc.

7. Prompt/Template

Agent của tôi (từ bài 79-81) có cần thêm mẫu hình nào không?
[ ] Có bước tuần tự rõ ràng cần chia nhỏ? → Prompt Chaining
[ ] Input cần phân loại trước khi xử lý? → Routing
[ ] Có việc độc lập làm song song được? → Parallelization
[ ] Kết quả cần agent tự kiểm tra/cải thiện? → Evaluator-Optimizer

Nếu KHÔNG dòng nào đúng: agent đơn giản (không cần mẫu hình) là đủ,
đừng thêm phức tạp không cần thiết.

8. Exercise

Quay lại agent bạn đã mô tả ở bài tập bài 80-81. Áp dụng worksheet mục 7 — xác định agent đó có cần thêm mẫu hình nào trong 4 mẫu hình đã học không, và giải thích tại sao (không phải “vì nghe hay”).

9. Checklist

Hình 8.7 — Single Agent: 4 mẫu hình tổ chức công việc, tất cả trong 1 Execution Loop.

10. Common Mistakes

(Suy luận từ nguyên tắc [S19, S20], không phải quan sát độc lập.)

• Tách thành nhiều agent khi 1 agent với Routing/Parallelization đã đủ — thêm chi phí phối hợp không cần thiết.
• Dùng Evaluator-Optimizer cho mọi việc — vòng lặp tự đánh giá tốn thêm thời gian/chi phí, chỉ nên dùng khi chất lượng output thực sự quan trọng và khó đạt đúng ngay lần đầu.
• Nhầm “nhiều tool” với “nhiều agent” — số lượng tool không quyết định đây là single hay multi-agent; số lượng Reasoning/Planning độc lập mới quyết định.

11. Advanced

Đặt lại checklist

• Tôi đã hiểu khái niệm cốt lõi của bài học Single Agent.

12. References

• [S19] Building Effective Agents, Anthropic — 4/5 mẫu hình (Prompt Chaining, Routing, Parallelization, Evaluator-Optimizer), nguyên tắc tối đa hóa single agent.
• [S20] A Practical Guide to Building Agents, OpenAI — nguyên tắc đồng thuận “tối đa hóa 1 agent trước khi tách nhiều agent.”
• Dẫn chiếu (không trích dẫn mới): bài 80 (8 bộ phận, Execution Loop — dùng làm khung sơ đồ mục 4); bài 79 (worksheet quyết định, tái dùng ở bước 5 mục 5).

13. Ngày kiểm chứng

Nội dung kiểm chứng qua nguồn Tier 1 (S19, S20), tái sử dụng nguyên vẹn từ nghiên cứu đã có (2026-07-11), không cần freshness audit lại lần 2 trong cùng Level. Nguyên lý orchestration ổn định, rủi ro lỗi thời thấp.