AI Agent là gì? Định nghĩa ngắn gọn
AI Agent (tác nhân AI) là một hệ thống phần mềm dùng mô hình ngôn ngữ lớn (LLM) để tự lập kế hoạch, chọn và gọi công cụ, rồi điều chỉnh từng bước dựa trên kết quả nhận được nhằm hoàn thành một mục tiêu thay cho người dùng. Điểm phân biệt cốt lõi: chatbot chủ yếu trả lời, còn AI Agent hành động, và chính mô hình quyết định đường đi, chứ không phải một kịch bản viết sẵn.
Các hãng công nghệ lớn diễn đạt khác nhau nhưng cùng bản chất. IBM định nghĩa AI Agent là hệ thống hoặc chương trình có khả năng tự thực hiện tác vụ thay cho người dùng hoặc một hệ thống khác. Google Cloud mô tả đó là hệ thống phần mềm dùng AI để theo đuổi mục tiêu và hoàn thành tác vụ thay cho người dùng.
Với người làm kỹ thuật, Anthropic vạch ranh giới kiến trúc rõ nhất: workflow là hệ thống trong đó LLM và công cụ được điều phối qua các đường mã định sẵn; agent là hệ thống trong đó LLM tự điều khiển quy trình và cách dùng công cụ. Bài viết dùng định nghĩa này làm trục để so sánh AI Agent với chatbot, RPA và workflow tự động.
5 thành phần cốt lõi của một AI Agent
Dù xây trên nền tảng nào, một AI Agent dùng được trong doanh nghiệp thường có năm khối. Thiếu một khối, hệ thống hoặc chỉ là chatbot, hoặc là tự động hóa khó kiểm soát.
1. Mô hình (bộ não suy luận)
LLM đọc yêu cầu, hiểu ngữ cảnh và quyết định bước tiếp theo. IBM lưu ý rằng LLM thông thường chỉ trả lời dựa trên dữ liệu huấn luyện; khả năng của agent đến từ việc kết hợp mô hình với công cụ để lấy thông tin cập nhật và tự tạo các tác vụ con. Không phải tác vụ nào cũng cần mô hình mạnh nhất: việc đơn giản, khối lượng lớn có thể dùng mô hình nhẹ hơn.
2. Công cụ (tay chân)
Công cụ là các hàm, API hoặc kết nối mà agent được phép gọi: tra cứu CRM, đọc tài liệu, tạo phiếu, gửi email nháp, chạy truy vấn. Tài liệu Google Cloud nêu Model Context Protocol (MCP) là một giao thức chuẩn để agent giao tiếp với công cụ bên ngoài. IBM nhấn mạnh: chỉ biết gọi công cụ chưa làm LLM thành agent; agent phải tự quyết định dùng công cụ nào, khi nào và kết hợp ra sao.
3. Bộ nhớ
Bộ nhớ ngắn hạn giữ ngữ cảnh của tác vụ đang chạy (đã làm bước nào, kết quả ra sao). Bộ nhớ dài hạn lưu sở thích, lịch sử hoặc tri thức truy xuất được (thường qua RAG hay cơ sở dữ liệu vector). Bộ nhớ giúp agent không lặp lại việc đã làm, nhưng cũng là nơi cần kiểm soát dữ liệu cá nhân và nguy cơ bị "đầu độc" ngữ cảnh.
4. Lập kế hoạch và vòng lặp phản hồi
Agent chia mục tiêu thành các bước, thực hiện, quan sát kết quả rồi điều chỉnh. Anthropic nhấn mạnh agent cần nhận "sự thật" từ môi trường ở mỗi bước, ví dụ kết quả gọi công cụ hay kết quả chạy mã, để đánh giá tiến độ, và có thể dừng lại chờ phản hồi của con người tại các điểm kiểm tra.
5. Rào chắn (guardrails) và giám sát
Rào chắn gồm: phân quyền tối thiểu cho từng công cụ, giới hạn số bước và ngân sách, kiểm tra định dạng đầu ra bằng mã, bước phê duyệt của con người cho hành động có hậu quả, và nhật ký hành động để truy vết. IBM khuyến nghị cung cấp cho người dùng nhật ký hành động của agent, gồm cả công cụ bên ngoài đã dùng. Nhiều bài giới thiệu bỏ qua khối này, nhưng chính nó quyết định agent có được đưa vào vận hành thật hay không.
AI Agent hoạt động như thế nào: một vòng lặp đơn giản
Về cơ chế, phần lớn AI Agent hiện nay là một vòng lặp: nhận mục tiêu, suy luận bước tiếp theo, gọi công cụ, đọc kết quả, rồi quyết định tiếp tục, hỏi lại con người hay dừng. Anthropic mô tả agent tự chủ thường "chỉ là" LLM dùng công cụ dựa trên phản hồi từ môi trường trong một vòng lặp.
Ví dụ minh họa: nhân viên kinh doanh yêu cầu "Chuẩn bị bản tóm tắt khách hàng X trước buổi họp chiều nay". Agent (1) tìm khách hàng trong CRM, (2) đọc lịch sử email và báo giá gần nhất, (3) phát hiện một phiếu hỗ trợ còn mở nên tra thêm hệ thống ticket, (4) soạn bản tóm tắt kèm nguồn, (5) gửi cho nhân viên duyệt. Không ai viết sẵn nhánh "nếu có ticket mở thì tra thêm"; mô hình tự quyết định. Đó là khác biệt so với workflow.
Các mức độ tự chủ của AI Agent
"Tự chủ" không phải công tắc bật/tắt. Nhóm nghiên cứu Đại học Washington (Feng, McDonald, Zhang, 2025) đề xuất năm mức tự chủ, xác định theo vai trò của người dùng: người vận hành, cộng tác viên, người tư vấn, người phê duyệt và người quan sát. Điểm đáng chú ý của khung này: mức tự chủ là một quyết định thiết kế, tách biệt với năng lực của mô hình. Một agent rất giỏi vẫn có thể được thiết kế ở mức tự chủ thấp nếu phải hỏi ý người dùng trước mỗi hành động.
Với doanh nghiệp, cách đọc thực tế là: bắt đầu ở mức thấp (con người duyệt mọi hành động ghi dữ liệu), rồi nâng dần cho từng loại tác vụ khi đã có số liệu chất lượng. Xem thêm cách thiết kế điểm duyệt trong bài Human-in-the-loop.
| Mức | Vai trò người dùng | Diễn giải thực tế |
|---|---|---|
| L1 | Người vận hành (operator) | Người dùng điều khiển, agent hỗ trợ theo từng yêu cầu. |
| L2 | Cộng tác viên (collaborator) | Người và agent cùng lập kế hoạch và thực hiện, chuyển quyền điều khiển linh hoạt. |
| L3 | Người tư vấn (consultant) | Agent dẫn dắt, hỏi người dùng khi cần chuyên môn hoặc sở thích. |
| L4 | Người phê duyệt (approver) | Agent tự làm, chỉ cần người dùng khi gặp trở ngại, cần cấp thông tin đăng nhập hoặc duyệt hành động có hậu quả. |
| L5 | Người quan sát (observer) | Agent tự chủ hoàn toàn; người dùng theo dõi và có thể dừng khẩn cấp. |
AI Agent khác chatbot, RPA và workflow tự động thế nào
Bốn khái niệm này hay bị dùng lẫn. Cách phân biệt nhanh nhất là hỏi: ai quyết định bước tiếp theo, và hệ thống có hành động trên hệ thống khác không?
RPA, theo AWS, là công nghệ phần mềm tự động hóa các quy trình văn phòng lặp lại, dựa trên quy tắc, như điền biểu mẫu, tìm thông tin hay phân loại hóa đơn, bằng robot phần mềm thao tác như con người. Workflow tự động (kể cả workflow có gọi LLM) đi theo đường đã định sẵn. Chatbot, hay trợ lý AI, theo IBM có tính phản ứng: làm theo yêu cầu và thường cần người dùng chỉ dẫn liên tục; còn agent có thể tiếp tục làm việc độc lập sau yêu cầu ban đầu.
| Tiêu chí | Chatbot / trợ lý AI | RPA | Workflow tự động | AI Agent |
|---|---|---|---|---|
| Ai quyết định bước tiếp theo | Người dùng, theo từng lượt hỏi | Kịch bản/quy tắc cố định | Đường mã định sẵn (có thể có bước gọi LLM) | Mô hình tự quyết trong phạm vi được cấp |
| Đầu vào phù hợp | Câu hỏi ngôn ngữ tự nhiên | Dữ liệu có cấu trúc, giao diện ổn định | Sự kiện, dữ liệu có cấu trúc | Mục tiêu mơ hồ, dữ liệu không cấu trúc |
| Hành động trên hệ thống khác | Hạn chế hoặc không | Có, qua giao diện người dùng | Có, qua API/tích hợp | Có, qua công cụ/API do agent chọn |
| Xử lý tình huống chưa lường trước | Trả lời, không xử lý | Thường dừng hoặc lỗi | Rơi vào nhánh mặc định/lỗi | Có thể tìm hướng khác hoặc hỏi người |
| Tính dự đoán được | Trung bình | Cao | Cao | Thấp hơn, cần giám sát và đánh giá |
| Chi phí và độ trễ mỗi lần chạy | Thấp | Thấp | Thấp đến trung bình | Cao hơn (nhiều lần gọi mô hình) |
| Phù hợp nhất cho | Hỏi đáp, tra cứu | Thao tác lặp lại trên hệ thống cũ | Quy trình rõ ràng, ổn định | Tác vụ nhiều bước, khó vẽ trước cây quyết định |
Single-agent và multi-agent: khi nào cần nhiều agent?
Single-agent là một agent làm trọn tác vụ với một bộ công cụ. Multi-agent là nhiều agent chuyên biệt phối hợp; IBM mô tả hệ thống đa tác nhân là nhiều AI Agent cùng làm việc để thực hiện tác vụ. Kiến trúc có thể theo chiều dọc (một agent "nhạc trưởng" giao việc cho agent khác) hoặc ngang hàng; IBM lưu ý kiểu dọc phù hợp quy trình tuần tự nhưng dễ nghẽn, còn kiểu ngang hàng có thể chậm hơn.
Lời khuyên thực tế: bắt đầu bằng một agent đơn mục đích làm tốt một việc, chỉ tách thành nhiều agent khi có lý do rõ ràng như ngữ cảnh quá dài, cần quyền truy cập tách biệt, hoặc cần một agent kiểm tra độc lập công việc của agent khác. Chúng tôi phân tích sâu các mô hình điều phối trong bài nghiên cứu điều phối AI Agent.
Giới hạn thật của AI Agent: ảo giác, chi phí và bảo mật
Hiểu AI Agent là gì cũng có nghĩa là biết nó chưa làm được gì. Ba nhóm rủi ro dưới đây cần có phương án trước khi triển khai, đừng đợi đến khi có sự cố.
Ảo giác (hallucination) bị khuếch đại qua nhiều bước
Các khảo sát học thuật mô tả LLM có xu hướng tạo nội dung nghe hợp lý nhưng sai sự thật. Ở chatbot, một câu trả lời sai là một lỗi; ở agent, một bước sai có thể dẫn tới chuỗi hành động sai trên hệ thống thật. Khảo sát của Huang và cộng sự còn chỉ ra RAG giúp giảm nhưng không loại bỏ ảo giác. Biện pháp: buộc agent dựa trên kết quả công cụ thật, kiểm tra đầu ra bằng mã, và đặt điểm duyệt trước hành động không đảo ngược được.
Chi phí và độ trễ
Anthropic lưu ý hệ thống agentic thường đánh đổi độ trễ và chi phí để lấy hiệu quả tác vụ, và khuyên tìm giải pháp đơn giản nhất trước; với nhiều ứng dụng, một lần gọi LLM được tối ưu cùng truy xuất dữ liệu là đủ. Google Cloud cũng nêu việc phát triển và vận hành agent phức tạp có thể tốn nhiều tài nguyên tính toán. Hãy đặt giới hạn số bước, theo dõi chi phí mỗi tác vụ thành công, và so với cách làm hiện tại.
Bảo mật: prompt injection và quyền quá rộng
OWASP xếp prompt injection là rủi ro LLM01 và nêu rằng do bản chất ngẫu nhiên của mô hình, chưa rõ có biện pháp phòng ngừa tuyệt đối hay không. Với agent, nguy cơ lớn hơn vì agent đọc nội dung bên ngoài (email, web, tệp) có thể chứa chỉ dẫn độc hại gián tiếp, và lại có quyền hành động. OWASP khuyến nghị kiểm soát đặc quyền, nguyên tắc quyền tối thiểu và yêu cầu người dùng phê duyệt các thao tác đặc quyền. Chi tiết trong bài prompt injection và bảo mật AI Agent.
Khi nào doanh nghiệp nên dùng AI Agent (và khi nào không)
Anthropic nhận định agent mang lại nhiều giá trị nhất cho tác vụ vừa cần hội thoại vừa cần hành động, có tiêu chí thành công rõ, có vòng phản hồi và có sự giám sát có ý nghĩa của con người. Ngược lại, nếu bạn vẽ được toàn bộ cây quyết định, workflow hoặc RPA thường rẻ hơn và dễ kiểm soát hơn.
Danh sách kiểm tra dưới đây giúp sàng lọc nhanh. Nếu trả lời "có" cho phần lớn câu hỏi, tác vụ đáng thử nghiệm với AI Agent. Lộ trình bắt đầu cho doanh nghiệp Việt có trong bài AI Agent cho doanh nghiệp Việt Nam, còn cách vẽ quy trình trước khi tự động hóa có trong bài lập bản đồ quy trình AI.
| Câu hỏi | Nếu "có" | Nếu "không" |
|---|---|---|
| Các bước thay đổi theo từng trường hợp, khó vẽ trước? | Agent có lợi thế | Dùng workflow/RPA |
| Đầu vào phần lớn là văn bản, email, tài liệu không cấu trúc? | Agent có lợi thế | Tự động hóa truyền thống đủ dùng |
| Có tiêu chí rõ để kiểm tra kết quả đúng/sai? | Có thể đo và cải tiến | Khó triển khai an toàn |
| Sai sót có thể phát hiện và đảo ngược trước khi gây hại? | Có thể nâng mức tự chủ dần | Giữ con người duyệt mọi bước |
| Giá trị mỗi tác vụ đủ lớn để bù chi phí gọi mô hình nhiều lần? | Đáng thử nghiệm | Cân nhắc một lần gọi LLM đơn giản |
| Dữ liệu và hệ thống đã có API hoặc quyền truy cập rõ ràng? | Sẵn sàng tích hợp | Ưu tiên chuẩn hóa dữ liệu trước |
EYC tiếp cận AI Agent như thế nào
Tại EYC, chúng tôi xem AI Agent là một thành phần trong hệ thống do con người dẫn dắt: con người đặt mục tiêu, quyền hạn và điểm duyệt; agent thực thi phần việc lặp lại có thể kiểm chứng. EYC đang xây dựng hướng tới mô hình vận hành trong đó AI Agent thực hiện phần lớn công việc lặp lại dưới sự chỉ đạo của con người, và áp dụng cùng nguyên tắc khi tư vấn cho khách hàng.
Nếu bạn đang cân nhắc thử nghiệm, xem dịch vụ AI Agent và tự động hóa hoặc R&D AI ứng dụng của EYC, và tham khảo mô hình vận hành AI Agent.
Câu hỏi thường gặp
AI Agent là gì, giải thích đơn giản?
AI Agent là phần mềm dùng mô hình AI để tự quyết định các bước và công cụ cần dùng nhằm hoàn thành một mục tiêu bạn giao, thay vì chỉ trả lời câu hỏi. Nó lặp lại chu trình: lập kế hoạch, hành động, xem kết quả, điều chỉnh, cho đến khi xong hoặc cần con người quyết định.
AI Agent khác chatbot ở điểm nào?
Chatbot phản hồi từng câu hỏi và cần người dùng chỉ dẫn liên tục. AI Agent nhận một mục tiêu, tự chia thành các bước, gọi công cụ như CRM, email hay cơ sở dữ liệu để hành động, và tiếp tục làm việc sau yêu cầu ban đầu. Một chatbot có thể trở thành giao diện của một agent.
AI Agent có thay thế RPA không?
Không hẳn. RPA phù hợp với thao tác lặp lại, dựa trên quy tắc, trên giao diện ổn định, với chi phí thấp và kết quả dễ dự đoán. AI Agent phù hợp với tác vụ có dữ liệu không cấu trúc và nhiều ngoại lệ. Nhiều hệ thống thực tế kết hợp cả hai: agent xử lý phần cần suy luận, RPA hoặc workflow thực hiện thao tác cố định.
Agentic AI và AI Agent có giống nhau không?
Hai thuật ngữ liên quan chặt chẽ. AI Agent thường chỉ một hệ thống tác nhân cụ thể, còn agentic AI là cách gọi chung cho các hệ thống AI có khả năng tự chủ hành động, có thể gồm một hoặc nhiều agent. Anthropic gọi chung là "agentic systems", gồm cả workflow và agent.
Doanh nghiệp nhỏ có nên dùng AI Agent không?
Có thể, nếu bắt đầu từ một tác vụ hẹp, có tiêu chí kiểm tra rõ và con người duyệt các hành động quan trọng. Trước khi xây agent, hãy thử giải pháp đơn giản hơn như một lần gọi LLM hoặc workflow; chỉ dùng agent khi các bước thực sự khó định trước và giá trị đủ bù chi phí.
Dùng AI Agent có an toàn không?
An toàn phụ thuộc vào thiết kế. Rủi ro chính là ảo giác, prompt injection và quyền truy cập quá rộng. Các biện pháp nên có gồm: quyền tối thiểu cho từng công cụ, phê duyệt của con người cho hành động có hậu quả, giới hạn số bước, kiểm tra đầu ra bằng mã và nhật ký hành động để truy vết.