Tranh thủ lúc ở xứ người, “cày” xong cuốn Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems của bác Antonio Gulli.
Cuốn này nói về 21 mẫu thiết kế (patterns) để xây dựng “đội quân AI” thật sự — những hệ thống biết hiểu nhiệm vụ, hành động, hợp tác và tự học hỏi từ kho tri thức khổng lồ mà các mô hình ngôn ngữ (LM) đã được huấn luyện trước đó.
Phải nói là mình có một sự đồng cảm sâu sắc với cách tác giả (và thế giới) tiếp cận vấn đề này — rất tự nhiên, thực tế.
Từ Language Model đến Agentic System
Chúng ta bắt đầu từ khái niệm quen thuộc: Language Model (LM) — nơi người hỏi, AI trả lời dựa trên kiến thức đã được huấn luyện.
Nhưng thế giới không dừng lại ở đó.
Giờ đây, AI không chỉ trả lời, mà còn chủ động hành động có mục tiêu.
Đó chính là thế hệ mới mang tên Agentic System — nơi AI cảm nhận môi trường, ra quyết định, hành động, và tự học để đạt mục tiêu.
Một hệ thống AI được gọi là Agent khi nó biết:
Nhận nhiệm vụ (Get the Mission)
Thu thập thông tin (Scan the Scene)
Lên kế hoạch (Think it Through)
Thực thi hành động (Take Action)
Học và cải thiện (Learn and Get Better)
4 cấp độ tiến hóa của Agent
Level 0 – Core Reasoning Engine
LLM chỉ là “bộ não lý luận” — hiểu nhưng không hành động, không ghi nhớ.
Level 1 – Connected Problem Solver
AI được “nối mạng” qua API, RAG, web search… và có thể thực sự hành động.
Level 2 – Strategic Problem Solver
Biết lên kế hoạch, tự tối ưu prompt, tự học qua phản hồi.
Ví dụ: agent đọc email, trích xuất lịch bay, đồng bộ calendar — tất cả tự động.
Level 3 – Collaborative Multi-Agent System
Nhiều agent chuyên biệt làm việc cùng nhau — như một tổ chức số.
“Project Manager” agent phối hợp với “Market Researcher”, “Designer”, “Marketer” để ra mắt sản phẩm mới.
Tương lai của Agentic System sẽ đi về đâu?
Generalist Agent xuất hiện
→ Từ agent chuyên môn hẹp → agent đa năng, biết xử lý nhiệm vụ dài hạn.
→ “Small Language Models” (SLMs) ghép nối như LEGO, linh hoạt và nhẹ hơn.
Deep Personalization & Proactive Goal Discovery
→ Agent hiểu sâu hành vi, thói quen và chủ động hỗ trợ mục tiêu, màn tính cá nhân hóa nhiều hơn.
Embodiment – AI bước ra thế giới vật lý
→ Robot biết sửa ống nước, chăm sóc người già, điều hành nhà máy.
Agent-Driven Economy
→ Agent trở thành “thực thể kinh tế”: mở cửa hàng, thương lượng giá, quản lý logistics tự động.
Goal-Driven Multi-Agent System
→ Hệ thống tự tạo – huỷ – tái cấu trúc team agents để đạt mục tiêu.
Bạn chỉ cần nói: “Launch an e-commerce business”, còn lại hệ thống lo.
Hành trình tiến hóa của một Agent — từ “biết nói” đến “biết sống”
Câu chuyện bắt đầu khi Agent còn rất “non nớt” — chỉ biết phản hồi theo prompt con người đặt ra. Nhưng rồi, nó dần học cách nghĩ, hành động, hợp tác và trưởng thành như một thực thể sống trong thế giới số.
Biết chia nhỏ và hành động theo bước
Với Prompt Chaining, Agent học cách tách một vấn đề lớn thành nhiều bước nhỏ, xử lý từng phần một cách có hệ thống — như đứa trẻ tập đi từng bước vững chắc đầu tiên.
Biết chọn hướng đi phù hợp
Đến khi đủ “trí khôn”, Agent học Routing Pattern — biết tự rẽ nhánh quyết định theo tình huống, thay vì chỉ đi một đường thẳng duy nhất.
Biết làm việc song song
Với Parallelization, Agent nhận ra rằng không cần chờ đợi — có thể phân chia nhiệm vụ và làm cùng lúc như một nhóm chuyên gia. Hiệu suất tăng lên rõ rệt.
Biết nhìn lại chính mình
Bước ngoặt đến với Reflection Pattern — khi Agent không chỉ hành động mà còn “nghĩ lại”: điều gì mình làm tốt, điều gì chưa ổn.
Đây chính là mầm mống của học hỏi và tự hoàn thiện.
Biết dùng công cụ để mạnh hơn
Agent học Tool Use & Augmentation – biết gọi API, truy xuất dữ liệu, sử dụng Model Context Protocol (MCP)…
Từ đây, Agent không còn phụ thuộc vào kiến thức huấn luyện sẵn, mà có thể tăng sức mạnh qua công cụ bên ngoài.
Biết lập kế hoạch và ưu tiên
Với Planning & Prioritization, Agent bắt đầu có tư duy chiến lược — biết đặt mục tiêu, xác định việc nào quan trọng hơn, việc nào nên làm sau.
Biết hợp tác với “đồng loại”
Khi có nhiều Agent cùng tồn tại, Multi-Agent Collaboration giúp chúng biết trao đổi, phân vai, phối hợp (A2A) như một tổ chức mini.
Giống như con người, chúng dần học cách làm việc nhóm.
Biết ghi nhớ và học từ kinh nghiệm
Với Memory Pattern, Agent bắt đầu có “ký ức”: nhớ nhiệm vụ cũ, lưu kinh nghiệm, và tái sử dụng trong tương lai — nền tảng cho “tri thức sống”.
Biết tự học và cải thiện
Self-Improvement & Learning biến Agent thành một thực thể đang phát triển: tự điều chỉnh, tự huấn luyện lại để ngày càng tốt hơn.
Biết đặt mục tiêu và giám sát kết quả
Với Goal Setting & Monitoring, Agent không chỉ làm vì “được bảo làm”, mà chủ động đề ra đích đến và theo dõi tiến độ.
1 Biết khi nào cần con người
Human-in-the-Loop / Guardrails dạy Agent rằng — dù thông minh đến đâu, vẫn cần con người trong vòng kiểm soát, để định hướng và đảm bảo an toàn.
1 Biết tìm hiểu thêm khi thiếu dữ liệu
Khi gặp giới hạn, Agent dùng Knowledge Retrieval (RAG) để chủ động đi tìm thông tin mới, mở rộng hiểu biết ngoài dữ liệu huấn luyện ban đầu.
1 Biết tiết kiệm sức lực
Với Resource-Aware Optimization, Agent học cách quản lý tài nguyên, chọn đường ngắn nhất, tốn ít nhất mà vẫn hiệu quả cao.
1 Biết suy luận đa chiều
Nhờ Reasoning Techniques, Agent có thể suy nghĩ theo chuỗi logic (chain-of-thought), hành động xen kẽ (Reason + Act), hay thậm chí suy luận song song và phi tuyến — gần như con người thật sự.
1 Và cuối cùng — Biết khám phá, sáng tạo điều mới
Với Exploration & Discovery, Agent bước sang giai đoạn trưởng thành: không chỉ làm theo lệnh, mà còn dám thử, dám tìm hướng mới, dám “nghĩ khác”.
Đó là khoảnh khắc AI thật sự trở thành đối tác sáng tạo cùng con người.
Từ một mô hình ngôn ngữ bị động, Agent đã tiến hóa thành một thực thể biết nhận thức, hành động và học hỏi.
Một hành trình kỳ diệu — và mới chỉ bắt đầu.
Các bài viết trong chuỗi Agentic Design Patterns này được lấy cảm hứng từ cuốn sách “Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems” của Antonio Gulli, cùng với một số tài liệu tham khảo khác.
Mình có sử dụng GenAI để tóm lược và tổng hợp nội dung theo cách cô đọng nhất, nhằm phục vụ mục đích học tập và tìm hiểu cá nhân.
Transforming Leadership 