Agentic Workflows - Khi AI bắt đầu làm việc thay thế con người
Nếu 2023-2024 là thời kỳ mọi người thi nhau học prompt, thì 2025 là lúc một câu hỏi mới xuất hiện: “Liệu AI có thể tự làm việc mà không cần con người bên cạnh không?”
Câu trả lời là có... và thứ đứng sau chính là AI Agent.
vậy AI agent là gì?
→ AI bắt đầu làm việc giống một trợ lý thật sự hơn là một chiếc máy trả lời câu hỏi.
Thay vì chỉ trả lời theo yêu cầu, agent có thể tự hoạch định một lộ trình để hoàn thành mục tiêu. Bạn nói một lần, nó tự suy nghĩ phần còn lại.
Giống như bạn giao việc cho một trợ lý thông minh: đưa mục tiêu, đưa tài nguyên, đưa một chút bối cảnh… và để người đó tự tìm cách làm.
AI agent cũng vậy. Nó có khả năng lên kế hoạch, truy cập công cụ, sửa sai, rút kinh nghiệm và đôi khi còn biết tự kiểm tra lại trước khi gửi kết quả cuối cùng.
Agentic workflows — bộ não vận hành phía sau
Nếu agent là người làm việc, thì agentic workflow là cách agent thực hiện công việc đó từ đầu đến cuối.
Khác với cách dùng AI truyền thống: hỏi một câu, nhận một đoạn trả lời, agentic workflow hoạt động theo vòng lặp liên tục: phân tích mục tiêu, chia nhỏ nhiệm vụ, đi tìm dữ liệu, thử nghiệm, sửa lỗi, rồi cải thiện kết quả.
Không có sẵn một con đường cố định, Agent tùy cơ ứng biến, thay đổi chiến lược dựa trên tình huống mới, giống như con người làm việc thực tế.
Quy trình làm việc Agentic được xác định bởi khả năng:
• Lập kế hoạch: Sử dụng LLM để phân rã nhiệm vụ phức tạp thành các nhiệm vụ phụ (task decomposition) và xác định lộ trình thực hiện tốt nhất.
• Thực thi hành động bằng công cụ: Sử dụng các công cụ được xác định trước, đi kèm với quyền hạn, để hoàn thành nhiệm vụ và thực hiện kế hoạch đã tạo.
• Phản hồi và Lặp lại: Đánh giá kết quả ở mỗi bước, điều chỉnh kế hoạch nếu cần, và lặp lại cho đến khi kết quả đạt yêu cầu.
Ba mô hình tự chủ định hình tương lai công việc
Các mô hình hành vi cốt lõi này cho phép tác nhân đạt được mục tiêu cuối cùng:
1. Mô hình lập kế hoạch (Planning Pattern): Cho phép tác nhân tự chủ phân rã các nhiệm vụ phức tạp hơn thành chuỗi các nhiệm vụ nhỏ hơn. Sự phân rã nhiệm vụ (task decomposition) này giúp giảm tải nhận thức cho LLM, cải thiện khả năng lý luận, và giảm thiểu ảo giác hoặc thông tin không chính xác. Mô hình này đặc biệt hiệu quả khi phương pháp đạt mục tiêu không rõ ràng và cần sự linh hoạt cao trong quá trình giải quyết vấn đề.
2. Mô hình sử dụng Công cụ (Tool use Pattern): Vượt xa RAG (Retrieval Augmented Generation) đơn thuần bằng cách cho phép LLM tương tác linh hoạt với thế giới thực. Nó mở rộng khả năng của tác nhân bằng cách cho phép chúng tương tác với tài nguyên bên ngoài, dữ liệu thời gian thực (ví dụ: tìm kiếm vector, trình duyệt web), hoặc các ứng dụng khác thông qua API.
3. Mô hình phản hồi (Reflection Pattern): Một cơ chế tự phản hồi mạnh mẽ. Tác nhân đánh giá chất lượng đầu ra hoặc quyết định của chính nó trước khi hoàn tất hành động. Những lời phê bình này sau đó được sử dụng để tinh chỉnh cách tiếp cận, sửa lỗi và cải thiện các phản hồi trong tương lai. Sức mạnh của Phản hồi nằm ở khả năng tự phê bình đầu ra và tích hợp những hiểu biết đó vào quy trình làm việc, cho phép cải tiến liên tục mà không cần phản hồi trực tiếp từ con người.
Vì sao điều này quan trọng với người học về AI?
Bởi vì game đang thay đổi.
Không còn ai dựa vào “prompt thần thánh” nữa. Điều quan trọng trở thành: cách bạn tổ chức thông tin và định nghĩa mục tiêu.
AI chỉ thông minh bằng lượng bối cảnh bạn cung cấp.
Nếu bạn mô tả mục tiêu lỏng lẻo, agent sẽ làm việc mơ hồ.
Nhưng nếu bạn cho nó bức tranh rõ ràng, agent có thể trở thành một đồng đội cực mạnh.
Người mới học AI thường nghĩ “AI sẽ làm giúp tôi”, nhưng sự thật là AI cần được dạy cách hiểu bạn trước. Agentic workflows chính là cách giúp AI bắt đầu hiểu con người theo thời gian.
Bạn có thể làm gì với agentic workflows?
Một trong những điều thú vị là agent có thể xử lý các nhiệm vụ mang tính quy trình, không chỉ câu trả lời.
Ví dụ, thay vì hỏi AI viết một bài blog, bạn có thể yêu cầu:
“Lập kế hoạch nội dung 30 ngày cho thương hiệu của tôi, sau đó viết dàn ý, rồi viết bản nháp cho từng bài. Nếu thiếu dữ liệu, hãy tự hỏi tôi.”
Agent sẽ liên tục tìm thông tin, phân tích nguồn, kiểm tra lỗi, rồi tự tối ưu dần.
Hoặc trong học tập, bạn có thể nhờ AI tạo lộ trình học tập, kiểm tra kiến thức, ghi nhớ tiến độ và điều chỉnh bài tập dựa trên khả năng của bạn.
Trong công việc, agent có thể quét web tìm dữ liệu, đọc file, tính toán bảng số liệu, phân tích báo cáo, viết lại nội dung, so sánh đối thủ… tất cả trong một quy trình liền mạch.
Nói cách khác, thay vì làm thay bạn từng mảnh nhỏ, AI bắt đầu làm thay bạn một quy trình trọn vẹn.
Trong thế giới thực, các công ty như Clay đã triển khai Claygent để tự động hóa nghiên cứu khách hàng tiềm năng bằng cách tìm kiếm web và cơ sở dữ liệu nội bộ để thu thập thông tin chi tiết theo thời gian thực. Hay ServiceNow AI Agents được sử dụng để giải quyết các trường hợp hỗ trợ kỹ thuật bằng cách tìm kiếm cơ sở kiến thức IT nội bộ, phân tích các trường hợp tương tự, và đưa ra khuyến nghị cho chuyên gia hỗ trợ.
Nhưng không phải lúc nào cũng nên dùng agent
Dù mạnh mẽ, agentic workflows không phải giải pháp thần kỳ. Một số việc đơn giản như hỏi thông tin nhanh, viết một đoạn text ngắn… hoàn toàn không cần agent.
Agent phù hợp với các nhiệm vụ phức tạp, nhiều bước, hoặc đòi hỏi phải tra cứu dữ liệu liên tục.
Quan trọng hơn, bạn vẫn phải là người đặt ra mục tiêu đúng. Agent có thể tự điều chỉnh trong quá trình làm, nhưng nó không thể thay bạn quyết định điều gì là quan trọng.
Tương lai làm việc cùng AI: từ “người viết prompt” thành “người thiết kế hệ thống”
Agentic workflows đang âm thầm thay đổi kỹ năng nghề nghiệp của rất nhiều người.
Trong khi trước đây bạn phải biết viết prompt hay, thì giờ bạn cần biết:
mô tả mục tiêu rõ ràng,
cung cấp bối cảnh phù hợp,
xây dựng tài liệu nền cho AI hiểu bạn,
và dạy AI cách bạn muốn nhìn nhận một vấn đề.
Đây chính là năng lực “context engineering” và nó đang trở thành kỹ năng AI quan trọng nhất.
Lời kết
Nếu nhìn toàn cảnh, agentic workflows vẫn là một bước nhảy công nghệ đầy hứa hẹn.
Chúng không chỉ hỗ trợ hoàn thành các tác vụ phức tạp, mà còn tạo ra cách làm việc mới, nơi AI có thể lập kế hoạch, dùng công cụ, tự kiểm tra sai sót và liên tục cải thiện. Một kỷ nguyên mà AI không chỉ phản hồi, mà thực sự hành động, học hỏi và thích ứng như một cộng sự tự chủ bên cạnh con người.
Nhưng như mọi công nghệ mạnh mẽ khác, điều quan trọng nhất vẫn nằm ở người sử dụng: hiểu khi nào nên dùng, khi nào nên tránh, và khi nào phải giữ quyền quyết định cho chính mình.
Liên hệ để được huấn luyện chuyên sâu về tư duy tự học cùng AI (cá nhân) hoặc tư vấn chiến lược ứng dụng AI cho doanh nghiệp (cho lãnh đạo, quản lý):
NHẮN VỀ TẠI ĐÂY (Ms. Ngọc Bích)
Nếu thấy những nội dung từ Tự Học cùng AI hữu ích và muốn ủng hộ để cộng đồng tiếp tục có thêm những kiến thức chọn lọc và chất lượng về AI Ứng Dụng cho Công việc dưới góc độ Tư Duy Hệ Thống, bạn có thể gửi sự đóng góp của mình về:
- Ngân hàng Tiên Phong TPBank | STK: 0868355261 | Chủ TK: Le Ngoc Bich
- Nội dung: Họ tên của bạn + Ung Ho THCAI