Agentic AI sử dụng LLM để lên kế hoạch và gọi các công cụ bên ngoài theo chuỗi bước như thế nào?

1. Mở đầu: Vì sao nhiều bạn nghe “Agentic AI” là thấy mơ hồ?

Khi mới tìm hiểu về Agentic AI, nhiều bạn thường gặp tình huống: LLM trả lời khá tốt khi hỏi từng câu, nhưng lại “đuối” khi yêu cầu thực hiện một chuỗi hành động như lấy dữ liệu, phân tích, rồi tạo báo cáo. Lúc đó dễ xuất hiện cảm giác “LLM thông minh nhưng không biết xử lý quy trình”. Thực tế, để một mô hình trở thành “agent” thì cần thêm cơ chế lập kế hoạch và khả năng gọi công cụ bên ngoài (tools). Đây là phần nhiều bạn mới ít được giải thích một cách rõ ràng.

2. Agentic AI là gì?

Agentic AI là cách tổ chức LLM sao cho mô hình không chỉ trả lời câu hỏi, mà còn biết:

Xác định nhiệm vụ.
Phân tách nhiệm vụ thành các bước.
Quyết định bước nào cần công cụ hỗ trợ.
Gọi công cụ phù hợp.
Ghép kết quả và đưa ra đầu ra cuối.

Nói cách khác, LLM không trực tiếp ""làm mọi thứ"", mà đóng vai trò ra quyết định và phối hợp các công cụ. Đây là bản chất cốt lõi của agent.

3. LLM lập kế hoạch (planning) như thế nào?

LLM lập kế hoạch dựa trên khả năng suy luận chuỗi bước (chain‑of‑thought). Quy trình thường gồm:

LLM nhận mục tiêu tổng thể.
LLM chia nhỏ mục tiêu thành các bước logic.
LLM xem mỗi bước có thể tự xử lý bằng nội suy ngôn ngữ hay cần công cụ.

Khả năng này gắn với các nhóm kiến thức trong các module Machine Learning cơ bản đến Deep Learning, đặc biệt là cách mô hình học biểu diễn và suy luận từ dữ liệu (thường thấy trong nhóm NLP của module 10 và LLMs của module 12).

Ví dụ khái niệm

Giả sử yêu cầu là: “Tổng hợp dữ liệu giá vàng, phân tích xu hướng 6 tháng gần nhất, rồi tạo bản tóm tắt.” Một LLM thông thường chỉ tạo văn bản mô phỏng. Một Agent có lập kế hoạch sẽ tự chia nhỏ:

Bước 1: Lấy dữ liệu → cần tool gọi API.
Bước 2: Phân tích dữ liệu → cần tool tính toán.
Bước 3: Tạo báo cáo → LLM xử lý.

4. Cơ chế gọi công cụ (tool calling)

Trong Agentic AI, các công cụ được khai báo trước cho LLM. Mỗi tool có:

Tên
Mô tả chức năng
Danh sách tham số

LLM không thực thi phần mềm, mà tạo ra ""yêu cầu gọi tool"" dưới dạng cấu trúc (thường là JSON). Hệ thống bên ngoài chạy tool, rồi đưa kết quả lại cho LLM.

Chu trình này lặp lại cho đến khi toàn bộ kế hoạch hoàn thành. Đây là ý tưởng tương tự pipeline trong MLOps ở nhiều module AIO, nơi dữ liệu đi qua nhiều bước có kiểm soát và ghi vết.

Ví dụ minh họa

Trở lại ví dụ giá vàng:

Khi đến bước lấy dữ liệu, LLM tạo yêu cầu cho tool ""fetch_gold_price"".
Hệ thống chạy tool, trả về dữ liệu thực.
LLM nhận kết quả, tiếp tục bước phân tích.
Đến phần tính toán, LLM gọi tool ""analyze_time_series"".
Cuối cùng, LLM dùng nội suy của chính mình để tạo đoạn tóm tắt.

Cơ chế này giúp mô hình tránh tạo thông tin sai vì đã có dữ liệu thật từ công cụ.

5. Góc nhìn khi làm dự án AI/ML

Khi triển khai thực tế, một agent hiệu quả cần:

Hệ thống tool rõ ràng, mô tả đúng chức năng.
Kiểm soát đầu vào và đầu ra của từng tool.
Lưu lại toàn bộ quá trình để dễ debug (tương tự logging trong MLOps).
Thiết kế để agent biết khi nào cần dùng tool, khi nào không.

Agentic AI thường gắn với các dự án cần nhiều bước xử lý, ví dụ:

Pipeline phân tích dữ liệu tự động.
Hệ thống tư vấn kết hợp truy xuất dữ liệu thật.
Ứng dụng GenAI tạo nội dung dựa trên dữ liệu cập nhật, liên quan tới nhóm kiến thức module 11–12.

Khi hiểu cơ chế này, việc thiết kế agent trở nên rõ ràng: LLM là bộ não ra quyết định, còn công cụ là tay chân xử lý.

6. Liên hệ kiến thức nền trong hành trình học AI

Để hiểu Agentic AI từ gốc, người học thường đi qua các nhóm kiến thức như:

Python và xử lý dữ liệu (tương ứng module 1–3).
Machine Learning và Deep Learning để hiểu cách mô hình suy luận (module 4–7).
NLP và LLM để biết cơ chế mô hình ngôn ngữ tạo lập kế hoạch (module 10–12).
MLOps để hiểu cách tổ chức pipeline, quản lý tool và luồng chạy.

Những kiến thức này kết nối thành nền tảng cho việc xây dựng hệ thống agent lớn hơn.

7. Lời khuyên cho người bắt đầu

Bạn có thể thử:

Tạo một agent nhỏ chỉ dùng 1 tool, ví dụ tool tính toán số học.
Quan sát cách LLM quyết định thời điểm gọi tool.
Mở rộng lên nhiều tool hơn khi đã quen.

Bạn có thể bắt đầu bằng các bài toán nhỏ để hiểu rõ hơn về khái niệm này.

8. Hỏi đáp nhanh về Agentic AI

Q: Agentic AI có thể tự làm mọi việc không?
A: Không, agent cần công cụ và dữ liệu từ hệ thống bên ngoài.

Q: Agent dùng LLM làm thành phần cốt lõi đúng không?
A: Đúng, LLM đóng vai trò ra quyết định và lập kế hoạch.

Q: Agent có thể gọi nhiều tool trong một nhiệm vụ không?
A: Có, tùy cách thiết kế.

Q: Agent có thể chạy sai nếu tool trả về dữ liệu lỗi không?
A: Có, vì agent phụ thuộc vào chất lượng đầu vào.

9. FAQ về AIO

Q1. Con số 0 thì học nổi không?
Ans: Chỉ cần bạn có thời gian học. Điều quan trọng nhất không phải giỏi hay không, mà là có học đều mỗi ngày. Kiến thức – tài liệu – môi trường đã có team lo. Nếu bạn không có thời gian thì nên cân nhắc.

Q2. Ai dạy AIO?
Ans: Đội admin dạy toàn bộ. Admin trực tiếp hướng dẫn và hỗ trợ mọi câu hỏi của bạn trong suốt quá trình học.

Q3. Admin có “xịn” không?
Ans: Admin đều là người làm nghề thật, mỗi người một cách dạy. Quan trọng là bạn cảm thấy hợp cách truyền đạt. Admin không dám nói xịn, chỉ dạy bằng hết sức.

Q4. AIO có gì khác những nơi khác?
Ans: AIO không phải trung tâm. Đây là dự án học tập cộng đồng, được cải tiến qua từng khóa. Tinh thần của AIO: Cùng nhau học – cùng nhau khổ – cùng nhau lớn. Nếu hợp tinh thần đó, bạn sẽ thấy phù hợp.