Phần 1. Khái niệm: từ phần mềm truyền thống đến agent¶

Mục tiêu của phần này: sau khi đọc xong, bạn giải thích được agent là gì, nó khác phần mềm truyền thống, chatbot và workflow ở điểm nào, và biết các thuật ngữ sẽ gặp lại trong Phần 2 khi tự viết code.

Phần này không có code. Hãy đọc chậm, vì mọi thứ sau đó đều dựa vào các khái niệm ở đây.

1.1. Phần mềm truyền thống là gì?¶

Phần mềm truyền thống là chương trình mà lập trình viên viết sẵn mọi quy tắc. Với cùng một đầu vào, nó luôn cho cùng một đầu ra.

Ví dụ: một hàm tính tiền ship.

def phi_ship(khoang_cach_km: float) -> int:
    if khoang_cach_km <= 5:
        return 15_000
    if khoang_cach_km <= 20:
        return 30_000
    return 50_000

Đặc điểm:

Đặc điểm	Ý nghĩa
Xác định (deterministic)	Cùng đầu vào cho cùng đầu ra, kiểm thử bằng `assert` được
Quy tắc tường minh	Muốn chương trình làm gì thì phải viết ra từng trường hợp
Đầu vào có cấu trúc	Số, chuỗi đúng định dạng, JSON, form. Đầu vào "tự do" như một câu văn thì khó xử lý
Luồng điều khiển do con người quyết định	Thứ tự các bước nằm trong code (`if`, `for`, gọi hàm)

Điểm mạnh là nhanh, rẻ, đáng tin cậy. Điểm yếu là cứng: gặp tình huống chưa ai viết quy tắc cho thì chương trình bó tay. Hãy thử viết if/else để xử lý mọi cách một khách hàng có thể phàn nàn về đơn hàng, bạn sẽ thấy ngay giới hạn đó.

1.2. LLM: "bộ não" mới¶

LLM (Large Language Model, mô hình ngôn ngữ lớn) là mô hình được huấn luyện trên lượng văn bản khổng lồ để dự đoán đoạn văn tiếp theo hợp lý. Claude, GPT, Gemini đều là LLM.

Từ góc nhìn của lập trình viên, hãy coi LLM như một hàm đặc biệt:

văn bản vào  →  [ LLM ]  →  văn bản ra

Điểm khác với hàm thông thường:

Hiểu ngôn ngữ tự nhiên: bạn đưa vào một câu tiếng Việt tự do, không cần định dạng cố định.
Không xác định hoàn toàn: hỏi hai lần có thể nhận hai câu trả lời khác nhau về cách diễn đạt.
Có thể sai mà vẫn nói rất tự tin (gọi là hallucination, "ảo giác").
Chỉ biết những gì nằm trong dữ liệu huấn luyện và trong đoạn văn bạn đưa vào. Nó không biết hôm nay là ngày mấy, không biết file nào trên máy bạn.
Chỉ "nói", không "làm". LLM tự nó không đọc được file, không gọi được API, không gửi được email. Nó chỉ sinh ra văn bản.

Điểm cuối cùng là chìa khóa để hiểu agent. Hãy nhớ nó.

1.3. Ba cấp độ: Chatbot, Workflow, Agent¶

Khi đưa LLM vào ứng dụng, có ba mức phổ biến. Điểm phân biệt quan trọng nhất là ai quyết định bước tiếp theo.

	Chatbot	Workflow	Agent
Mô tả	Hỏi một câu, đáp một câu	Chuỗi bước do lập trình viên định sẵn, có bước gọi LLM	LLM tự quyết định bước tiếp theo để đạt mục tiêu
Ai quyết định luồng?	Không có luồng	Code	LLM
Số bước	1	Cố định	Không biết trước
Dùng công cụ bên ngoài?	Không	Có, theo thứ tự cố định	Có, tự chọn công cụ nào, khi nào
Ví dụ	Hỏi "thủ đô Pháp là gì?"	Nhận email → LLM tóm tắt → LLM phân loại → lưu DB	"Tìm lỗi trong repo này và sửa"
Độ dự đoán	Cao	Cao	Thấp hơn

Ví dụ cùng một bài toán "xử lý yêu cầu hoàn tiền":

Chatbot: trả lời "Chính sách hoàn tiền của chúng tôi là…". Hết.
Workflow: code luôn chạy đúng trình tự đọc email → LLM trích mã đơn → tra DB → LLM soạn thư trả lời → gửi. Mỗi bước LLM chỉ làm một việc nhỏ, đường đi cố định.
Agent: bạn đưa mục tiêu "xử lý yêu cầu hoàn tiền này". LLM tự quyết: tra đơn hàng trước, thấy thiếu thông tin thì hỏi lại khách, rồi mới kiểm tra điều kiện hoàn tiền, và dừng khi thấy xong.

Lời khuyên thực tế: workflow thường là lựa chọn tốt hơn nếu bạn đã biết rõ các bước. Chỉ dùng agent khi không thể biết trước cần bao nhiêu bước hoặc bước nào.

1.4. Agent là gì?¶

Agent = LLM + công cụ (tools) + vòng lặp (loop), hoạt động để đạt một mục tiêu.

Từng thành phần:

a) LLM: bộ não¶

Đọc tình huống hiện tại và quyết định làm gì tiếp.

b) Tools: đôi tay¶

Vì LLM chỉ sinh văn bản, ta cho nó "tay chân" bằng cách định nghĩa các tool (còn gọi là function calling): những hàm do bạn viết, ví dụ doc_file(duong_dan), tim_kiem_web(tu_khoa), gui_email(...).

Cơ chế quan trọng, hãy đọc kỹ vì nhiều người hiểu nhầm:

Bạn mô tả cho LLM biết có những tool nào (tên, công dụng, tham số).
LLM không tự chạy tool. Nó chỉ trả về một yêu cầu có cấu trúc, kiểu: "Hãy gọi doc_file với duong_dan="a.txt"".
Code của bạn thực sự chạy hàm đó, rồi đưa kết quả trở lại cho LLM.

Tức là LLM đề xuất, còn chương trình của bạn thực thi. Điều này có ý nghĩa lớn về an toàn: bạn luôn nắm quyền quyết định cái gì được chạy thật.

c) Vòng lặp: nhịp hoạt động¶

        ┌────────────────────────────────────────┐
        │                                        │
        ▼                                        │
  ┌───────────┐   cần dùng tool    ┌──────────┐  │
  │   LLM     │ ─────────────────► │ Code của │  │
  │ (suy nghĩ │                    │ bạn chạy │  │
  │ & quyết   │ ◄───────────────── │  tool    │  │
  │  định)    │   kết quả tool     └──────────┘  │
  └───────────┘                                  │
        │                                        │
        │ "đã xong"                              │
        ▼                                        │
   Trả lời cuối cùng                (lặp lại ────┘
                                  nếu chưa xong)

Mỗi vòng gồm: quan sát (đọc tình huống và kết quả tool trước đó) → suy nghĩ (quyết định) → hành động (gọi tool) → quay lại quan sát. Vòng lặp kết thúc khi LLM cho rằng đã đạt mục tiêu, hoặc khi chạm giới hạn do bạn đặt.

Ví dụ minh họa¶

Yêu cầu: "Trong thư mục này có bao nhiêu file Python?"

Vòng 1: LLM nghĩ "cần xem thư mục"      → gọi tool liet_ke_file(".")
        Code chạy tool, trả: ["a.py", "b.py", "README.md"]
Vòng 2: LLM nghĩ "có 2 file .py"         → không gọi tool nữa
        Trả lời: "Có 2 file Python: a.py và b.py."

Không có dòng if nào của lập trình viên quyết định "gọi liet_ke_file trước". LLM tự chọn. Đó là điểm làm agent khác workflow.

1.5. Các khái niệm liên quan¶

Các thuật ngữ này sẽ xuất hiện liên tục từ Phần 2.

Thuật ngữ	Giải thích ngắn
Prompt	Văn bản bạn gửi cho LLM
System prompt	Chỉ dẫn nền do lập trình viên đặt: vai trò, quy tắc, giọng điệu. Người dùng thường không thấy
Message / hội thoại	LLM không "nhớ" gì giữa các lần gọi. Mỗi lần gọi bạn phải gửi lại toàn bộ lịch sử các lượt `user` và `assistant`
Token	Đơn vị văn bản mà LLM xử lý (khoảng một âm tiết hoặc một mảnh từ). Tính phí và giới hạn đều theo token
Context window	Tổng lượng token tối đa LLM xử lý được trong một lần gọi (cả vào lẫn ra). Hội thoại và kết quả tool dài quá sẽ chạm trần
Tool / function calling	Cơ chế để LLM yêu cầu code của bạn chạy hàm (mục 1.4b)
Memory (bộ nhớ)	Cách agent giữ thông tin: ngắn hạn là lịch sử hội thoại trong context, dài hạn là lưu ra file hoặc DB rồi nạp lại khi cần
Planning	Agent chia mục tiêu lớn thành các bước nhỏ trước khi hành động
Điều kiện dừng	Khi nào vòng lặp kết thúc: LLM báo xong, hoặc chạm giới hạn số bước. Thiếu điều kiện này agent có thể lặp vô hạn và đốt tiền
Guardrails	Các rào chắn an toàn: giới hạn tool nào được dùng, hành động nào cần con người xác nhận
Human-in-the-loop	Con người duyệt các bước quan trọng (xóa dữ liệu, gửi tiền, gửi email)
RAG	Tìm tài liệu liên quan rồi nhét vào prompt để LLM trả lời dựa trên đó
MCP (Model Context Protocol)	Chuẩn mở để các tool/nguồn dữ liệu cắm vào agent theo cùng một kiểu, khỏi viết tích hợp riêng cho từng ứng dụng
Multi-agent	Nhiều agent phối hợp, mỗi agent một vai trò. Chủ đề nâng cao, ngoài phạm vi bài này

1.6. Khi nào nên và không nên dùng agent?¶

Agent không phải lúc nào cũng tốt hơn. Đổi lại sự linh hoạt, bạn trả giá:

Chi phí	Giải thích
Tiền	Mỗi vòng lặp là một lần gọi LLM, và lịch sử càng dài càng tốn token
Thời gian	Nhiều vòng lặp nghĩa là chậm hơn nhiều so với một hàm thường
Độ tin cậy	Có thể chọn sai tool, đi vòng, hoặc dừng sớm. Khó dự đoán và khó kiểm thử hơn
Rủi ro	Có tool thật nghĩa là có thể gây hậu quả thật

Dùng bảng này để quyết định:

Tình huống	Nên dùng
Bài toán có quy tắc rõ, đầu vào có cấu trúc	Phần mềm truyền thống
Cần hiểu hoặc sinh văn bản, nhưng các bước cố định	Workflow
Mục tiêu mở, không biết trước cần bao nhiêu bước hay tool nào	Agent

Nguyên tắc: bắt đầu từ giải pháp đơn giản nhất và chỉ tăng độ phức tạp khi thật sự cần.

1.7. Tóm tắt phần 1¶

Phần mềm truyền thống: quy tắc do người viết, kết quả xác định, nhưng cứng.
LLM: hiểu ngôn ngữ tự nhiên và linh hoạt, nhưng chỉ sinh văn bản, không xác định hoàn toàn.
Chatbot trả lời một lượt. Workflow đi theo đường định sẵn. Agent tự quyết đường đi.
Agent = LLM + tools + vòng lặp. LLM đề xuất hành động, code của bạn thực thi và trả kết quả về.
Agent linh hoạt nhưng tốn kém và khó đoán hơn, nên chỉ dùng khi bài toán thật sự mở.

Câu hỏi tự kiểm tra¶

Vì sao nói LLM "chỉ nói, không làm"? Điều gì biến nó thành agent?
Trong ví dụ hoàn tiền, đâu là điểm khác nhau căn bản giữa workflow và agent?
Ai thực sự chạy tool: LLM hay code của bạn? Vì sao điều này quan trọng với an toàn?
Cho ba bài toán: (a) tính thuế thu nhập, (b) tóm tắt mỗi email đến rồi gắn nhãn, (c) "tìm và sửa lỗi test đang fail trong repo". Bài nào hợp với phần mềm thường, workflow, agent?

Gợi ý đáp án câu 4: (a) phần mềm thường, (b) workflow, (c) agent.

Tiếp theo: Phần 2, tự tay xây một agent từ con số không.