Trả lời ngắn: Agentic AI là hệ AI dùng model để tự chọn các bước và công cụ nhằm đạt một mục tiêu trong giới hạn cho phép. Nó hành động, đọc kết quả, điều chỉnh cách làm rồi lặp lại; khi đạt điều kiện hoàn tất, hết ngân sách hoặc vượt thẩm quyền, hệ phải dừng hay hỏi con người.

Đọc xong, bạn sẽ hiểu:

  • Agentic AI khác chatbot, LLM step và workflow ở đâu.
  • Một agentic loop biến mục tiêu thành nhiều hành động thế nào.
  • Khi nào autonomy tạo giá trị và khi nào chỉ tăng rủi ro.
  • Cách mô phỏng một agent an toàn bằng dữ liệu giả.

Lưu ý giáo dục: Agentic không đồng nghĩa AGI, “AI có ý chí” hoặc hệ hoàn toàn tự chủ. Ví dụ trong bài chỉ dùng tài liệu và tool giấy. Hệ thật cần quyền tối thiểu, kiểm thử, giám sát, bảo mật, privacy và người chịu trách nhiệm rõ ràng.

1. Agentic AI là gì? Tự quyết đường đi trong giới hạn

a. Người đặt đích, hệ chọn một phần đường đi

Hãy hình dung GPS: bạn đặt đích và loại đường được phép; hệ chọn tuyến rồi tính lại khi đường bị chặn. Nó không tự đổi đích. Agentic AI cũng được tự quyết cách làm trong phạm vi, không tự đặt lại mục tiêu của người dùng.

Một agent nhận goal, đọc context, chọn tool/bước tiếp theo và lặp đến outcome hoặc stop. Autonomy là mức hệ tự quyết cách làm. Nó có thể cao ở tra cứu nhưng bằng không ở chuyển tiền.

Hình 1 — Agent tự chọn đường đi bên trong boundary; goal, quyền và ngân sách vẫn do hệ thống và con người đặt.

b. Ba đặc điểm làm một hệ “agentic”

Sau mỗi hành động, hệ thống đọc kết quả quan sát để chọn bước tiếp. Nó cần cửa thoát rõ: hoàn tất, chuyển cho người, dừng vì giới hạn hoặc báo không thể tiếp tục. Như vậy, AI tự chọn đường đi trong giới hạn thay vì chỉ tạo văn bản.

OpenAI mô tả agent là hệ tự hoàn thành task, nơi model điều khiển workflow và dùng tools trong guardrails. Chatbot một lượt không điều khiển workflow thì chưa phải agent. OpenAI — A practical guide to building AI agents

c. Autonomy thuộc về cả hệ thống

Cùng model, tác vụ tóm tắt có ít autonomy hơn hệ được chạy code và thử lại. Khác biệt nằm ở tool, quyền, loop, budget và approval. Hãy hỏi: “deployment cho model được quyết gì, làm gì?”.

Anthropic cũng xem autonomy nảy sinh từ cách triển khai, giám sát và thiết kế sản phẩm, không phải thuộc tính cố định của model. Anthropic — Measuring AI agent autonomy in practice

2. Phân biệt chatbot, workflow và agent

a. Bốn kiểu hệ thường bị gọi chung là AI agent

Kiểu hệ Ai quyết đường đi? Vòng lặp/tool Ví dụ
Chatbot Người hỏi từng lượt Thường không Giải thích một khái niệm
LLM step Code gọi model ở một bước Một phán đoán Phân loại email trong flow
Workflow Code định trước các nhánh Tool theo flow cố định Đọc form → kiểm → tạo ticket
Agent Model chọn bước theo state Lặp và chọn tool động Điều tra lỗi rồi thử cách sửa

LLM step là một phán đoán bằng model trong flow cố định. Workflow có đường đi chủ yếu do code định trước; agent để model chọn bước tiếp theo. “Agent” không mặc nhiên tốt hơn.

Hình 2 — Hãy chọn mức autonomy thấp nhất giải quyết được vấn đề, không chạy theo nhãn gọi.

b. Một tình huống, bốn cách triển khai

Với yêu cầu đổi hàng: chatbot giải thích policy; LLM step trích mã đơn; workflow kiểm điều kiện theo nhánh; agent đọc hồ sơ, phát hiện thiếu ảnh, hỏi bổ sung rồi cập nhật đề xuất.

Agent không nên tự hoàn tiền vì “đã hiểu case”. Action tài chính cần authorization, hạn mức và approval ngoài model; agent chỉ xử lý phần mơ hồ.

c. Workflow và agent có thể sống cùng nhau

Anthropic phân biệt workflow có code path định trước với agent để model tự điều hướng, đồng thời khuyên bắt đầu đơn giản vì agent tăng latency và cost. Anthropic — Building effective agents

Thiết kế “khung cứng, lõi mềm” để workflow giữ quyền, approval, audit; agent xử lý phần cần suy luận. Code vẫn kiểm schema và policy trước action.

3. Agentic loop hoạt động như thế nào?

a. Vòng sáu bước

Một agentic loop là vòng lặp gồm:

  1. Goal: nhận mục tiêu, constraint và success rule.
  2. Decide: đọc state, chọn bước hoặc tool phù hợp.
  3. Act: thực thi một hành động được phép.
  4. Observe: nhận result, lỗi hoặc thay đổi môi trường.
  5. Update: ghi evidence, tiến độ, budget và điều chỉnh kế hoạch.
  6. Stop/continue: kiểm exit condition; dừng, hỏi người hoặc sang vòng mới.

Tính agentic nằm ở phản hồi: observation vòng trước đổi quyết định vòng sau. Không tìm thấy tài liệu, agent có thể đổi query, dùng nguồn khác được phép hoặc hỏi người.

b. State giúp hệ không “quên mình đang làm gì”

State ghi goal, step, evidence, tool result, error và budget. Conversation chỉ là một phần; coding agent còn cần file/diff/test, research agent cần nguồn và claim chưa đủ bằng chứng.

Tool result cần contract: dữ liệu hoặc loại lỗi và khả năng retry. Access denied không chứng minh thông tin không tồn tại; timeout cũng không cho phép model bịa kết quả.

c. Dừng đúng cũng là năng lực

Exit condition xác định complete, escalate, blocked hoặc budget stop. Research agent hoàn tất khi claim có nguồn và report đúng schema; gặp mâu thuẫn high-risk thì hỏi người.

Loop không giới hạn dễ lặp tool hoặc side effect. Harness cần max steps, budget, duplicate-action detector và kill switch. “Chưa đủ dữ liệu” có thể là outcome đúng.

4. Khi nào nên và không nên dùng Agentic AI?

a. Ba dấu hiệu đáng cân nhắc agent

  • Công việc có mục tiêu rõ nhưng đường đi thay đổi theo thông tin mới.
  • Dữ liệu nhiều dạng, cần suy luận qua nhiều bước hoặc xử lý ngoại lệ khó viết rule.
  • Hành động có thể kiểm chứng bằng tool result, test, citation hoặc acceptance gate.

Coding agent có test làm bằng chứng; research agent có claim và nguồn. “Hãy làm công ty tốt hơn” lại quá mơ hồ để kiểm chứng.

b. Khi workflow đơn giản tốt hơn

Không cần agent nếu quy trình ổn định, luật rõ và kết quả phải lặp lại chính xác. Tính thuế, kiểm field hoặc email định kỳ phù hợp với code/workflow.

Tránh autonomy cao khi action khó đảo ngược hoặc outcome không thể xác minh. Agent có thể soạn đề xuất; quyết định y tế, pháp lý, tài chính vẫn cần chuyên gia và approval.

c. Autonomy ladder 0–3

  • Mức 0 — Suggest: AI chỉ đề xuất; người thực hiện.
  • Mức 1 — Read: agent tự tra cứu nguồn được phép, không ghi dữ liệu.
  • Mức 2 — Reversible action: agent được ghi/sửa việc có thể hoàn tác, với limit và audit.
  • Mức 3 — High-impact action: chỉ trong boundary rất chặt, approval và giám sát tương xứng.

Oversight là cách người quan sát, phê duyệt và can thiệp. Read-only risk thấp có thể audit sau; gửi tiền hoặc xóa dữ liệu phải chặn trước. Cấp quyền theo action, không cấp toàn quyền.

5. Bài tập 20 phút: mô phỏng agent trên giấy

a. Chuẩn bị case giả

Tạo bốn thẻ khóa học giả D1–D4 có giá, trình độ và lịch. Goal: “Chọn tối đa hai khóa cho người mới, dưới 2 triệu, học cuối tuần; thiếu thông tin phải hỏi.” Tool giấy: READ_DOC, COMPARE, ASK_HUMAN.

Model chọn hành động; harness kiểm quyền, state và budget. Giới hạn ba vòng; không web, dữ liệu thật hoặc mua hàng.

b. Chạy ba vòng có observation

Vòng 1: READ_DOC(D1,D2). D1 học thứ Bảy nhưng thiếu trình độ; D2 vượt ngân sách. State: loại D2, D1 thiếu evidence.

Vòng 2: READ_DOC(D3,D4). D3 học thứ Hai; D4 đủ điều kiện. State: D4 candidate, D1 unresolved.

Vòng 3: ASK_HUMAN về D1. Agent không tự suy diễn trình độ. Outcome gồm D4 và câu hỏi về D1, kèm evidence ID.

c. Mẫu đối chiếu: Agentic Decision Card

Trường Mẫu điền
Goal/success Tối đa 2 khóa; đúng budget, level, cuối tuần
Unknown/change Thiếu level hoặc lịch có thể mâu thuẫn
Tools Read, compare, ask; không purchase
Risk/autonomy Low-risk, Mức 1 read-only
Budget Tối đa 3 vòng, đọc 4 thẻ
Stop Đủ evidence, cần hỏi người hoặc hết vòng
Human gate Mọi giả định về điều kiện bắt buộc
Evidence D1–D4 cho từng tiêu chí

Hình 3 — Decision Card đặt autonomy cạnh control, budget và evidence trước khi xây agent thật.

Thử viết lại bằng workflow cố định. Nếu vẫn giải quyết tốt, bạn chưa cần agent; nếu observation thường đổi bước tiếp theo, loop có lý do tồn tại.

6. Tổng kết: autonomy phải đi cùng control

a. Năm ý chính

  • Agentic AI tự chọn một phần đường đi để đạt goal, không tự đặt lại goal.
  • Chatbot, LLM step, workflow và agent khác nhau ở quyền điều khiển flow và vòng phản hồi.
  • Agentic loop đi qua goal, decide, act, observe, update và stop/continue.
  • Autonomy là thuộc tính của deployment gồm model, tools, quyền, budget và oversight.
  • Chọn mức autonomy thấp nhất đạt mục tiêu; dừng hoặc hỏi người là hành vi đúng.

b. Câu hỏi tự kiểm tra

  • Agentic AI khác chatbot ở điểm nào?
  • Workflow khác agent ra sao?
  • Vì sao observation quan trọng trong agentic loop?
  • Khi nào không nên tăng autonomy?

c. Gợi ý đáp án

Xem gợi ý câu 1Chatbot thường trả lời theo từng lượt; agent dùng model để chọn nhiều bước/tool và lặp đến outcome hoặc stop. → Xem mục 1–2.
Xem gợi ý câu 2Workflow chủ yếu đi theo code path định trước; agent để model chọn bước tiếp theo dựa trên state và observation. → Xem mục 2.
Xem gợi ý câu 3Observation đưa kết quả hoặc lỗi của hành động trở lại state, giúp quyết định vòng sau thích nghi thay vì chạy mù. → Xem mục 3.
Xem gợi ý câu 4Khi rule cố định đã đủ tốt, outcome khó kiểm chứng, action khó đảo ngược hoặc chưa có approval/oversight tương xứng. → Xem mục 4.

d. Thuật ngữ cần nhớ

Thuật ngữ Giải thích ngắn
Agentic AI Hệ AI tự chọn bước/tool trong giới hạn.
Autonomy Mức hệ tự quyết cách làm.
Agent Hệ lặp từ goal đến outcome hoặc stop.
Workflow Flow chủ yếu do code định trước.
LLM step Một phán đoán model trong flow cố định.
Agentic loop Vòng quyết định, hành động và phản hồi.
Observation Kết quả/lỗi sau một hành động.
State Bản ghi tiến độ, evidence và budget.
Exit condition Quy tắc complete, escalate hoặc stop.
Oversight Cơ chế người giám sát và can thiệp.

e. Nguồn tham khảo

f. Học tiếp gì?

Xem lại Framework Harness Engineering #30 nếu chưa rõ boundary, tool permission, budget và exit condition. Học tiếp ReAct Framework #32: cách tổ chức vòng quyết định–hành động–quan sát để agent dùng evidence mới cho bước kế tiếp.

Nhắc lại giáo dục: Agent càng được làm nhiều việc, control, eval và trách nhiệm con người càng phải rõ. “Tự chủ” không xóa accountability.