Đỗ Ngọc Minh

Bài đăng

AI AGENTS - BÀI 6: PHÂN LOẠI AI AGENTS VÀ TẠI SAO AGENT LẠI "THÔNG MINH" HƠN?

- tháng 3 10, 2026

Đỗ Ngọc Minh Bài 6: PHÂN LOẠI AI AGENTS VÀ TẠI SAO AGENT LẠI "THÔNG MINH" HƠN? PHẦN 1: PHÂN LOẠI AI AGENT THEO MỤC ĐÍCH SỬ DỤNG Trong thực tế, chúng ta không xây dựng một Agent làm mọi thứ mà xây dựng các "chuyên gia" cho từng lĩnh vực. Dưới đây là 3 nhóm phổ biến nhất: 1. Research Agents (Tác nhân Nghiên cứu) Mục đích và vai trò: Thay thế con người trong việc thu thập, lọc và tổng hợp thông tin từ khối lượng dữ liệu khổng lồ. Cách thức hoạt động: Nó không chỉ tìm kiếm từ khóa; nó đọc nội dung, đánh giá độ tin cậy của nguồn tin và tóm tắt các ý chính theo mục tiêu đề ra. Ví dụ: Một Agent nghiên cứu thị trường sẽ tự động quét các báo cáo tài chính của 5 đối thủ cạnh tranh, so sánh doanh thu, và đưa ra biểu đồ xu hướng tăng trưởng mà không cần con người mở từng file PDF. 2. Coding Agents (Tác nhân Lập trình) Mục đích và vai trò: Hỗ trợ hoặc thay thế lập trình viên trong việc viết code, ...

AI AGENTS - Bài 5: AGENT – SỰ KẾT HỢP HOÀN HẢO

- tháng 3 06, 2026

Đỗ Ngọc Minh Bài 5: AGENT – SỰ KẾT HỢP HOÀN HẢO 1. Công thức "Vàng" cấu thành AI Agent Để một AI không chỉ dừng lại ở việc "nói" mà có thể "làm", chúng ta cần một sự kết hợp đa thành phần . Hãy ghi nhớ công thức sau: Agent=LLM (Brain)+Planning+Tools+Memory LLM (Bộ não): Đóng vai trò chủ chốt, chịu trách nhiệm suy luận, hiểu ngôn ngữ và đưa ra quyết định. Planning (Lập kế hoạch): Khả năng chia nhỏ một mục tiêu lớn thành các bước thực hiện tuần tự. Tools (Công cụ): Các "phương tiện" để tương tác với thế giới thực (Truy cập Web, gọi API, chạy Code, gửi Email). Memory (Bộ nhớ): Khả năng lưu trữ thông tin ngắn hạn (ngữ cảnh hội thoại) và dài hạn (kinh nghiệm, dữ liệu cũ). 2. Giải thích sự vận hành của công thức Hãy tưởng tượng Agent như một Người thợ sửa ống nước thông minh : LLM: Là kiến thức chuyên môn trong đầu người thợ. Planning: Là việc người thợ nhìn vào vòi ...

AI AGENTS - Bài 4: RAG – "THƯ VIỆN" CỦA TRÍ TUỆ NHÂN TẠO

- tháng 3 03, 2026

Đỗ Ngọc Minh Bài 4: RAG – "THƯ VIỆN" CỦA TRÍ TUỆ NHÂN TẠO 1. Khái niệm: RAG là gì? RAG (Retrieval-Augmented Generation) – Tạm dịch: Tạo sinh tăng cường tra cứu . Đây là một kỹ thuật cho phép AI kết nối với các nguồn dữ liệu bên ngoài (như file PDF, Excel, Database nội bộ, hoặc Internet) để lấy thông tin chính xác trước khi trả lời người dùng. Phép so sánh dễ hiểu: Nếu LLM là một học sinh đi thi với kiến thức có sẵn trong đầu, thì RAG giống như việc cho phép học sinh đó được mở sách giáo khoa ngay trong phòng thi để tra cứu dữ liệu thực tế. (Học sinh vào thi với đề mở) 2. Nguyên lý hoạt động của RAG (Quy trình 3 bước) Để "Thư viện" này hoạt động, hệ thống trải qua 3 bước kỹ thuật chính: 1. Tra cứu (Retrieval): Khi người dùng hỏi, hệ thống không trả lời ngay. Nó sẽ quét qua "Thư viện" (các file tài liệu đã được số hóa dưới dạng Vector) để tìm ra những đoạn văn bản liên quan nhất đến câu hỏi. 2. Tăng cường (Augme...

AI AGENTS - Bài 3: LLM "BỘ NÃO" TRUNG TÂM CỦA AI AGENT

- tháng 3 02, 2026

Đỗ Ngọc Minh Bài 3: "BỘ NÃO" TRUNG TÂM CỦA AI AGENT 1. Khái niệm: LLM là gì trong thế giới Agent? Trong một hệ thống AI Agent, LLM (Large Language Model) đóng vai trò là Bộ não (The Brain) . Nếu không có LLM, Agent sẽ không có khả năng hiểu ngôn ngữ, không thể lập luận và không biết phải làm gì tiếp theo. Bản chất: LLM là một mô hình xác suất khổng lồ được huấn luyện trên hàng tỷ văn bản. Nó không "biết" sự thật theo cách của con người, nhưng nó cực giỏi trong việc dự đoán chuỗi logic tiếp theo của một vấn đề. 2. Vai trò cốt lõi của LLM trong Agent LLM thực hiện 3 chức năng "não bộ" sau đây: Thấu hiểu (Understanding): Chuyển đổi yêu cầu mơ hồ của con người (Natural Language) thành các bước logic mà máy tính có thể xử lý. Suy luận (Reasoning): Phân tích vấn đề. Ví dụ: "Để viết một bài báo, mình cần tìm thông tin trước, sau đó mới lập dàn ý, rồi mới viết." Ra quyết định (D...

Tìm kiếm Blog này