Bài viết: Sự tiến hóa của các khung điều phối tác tử: Từ dạng chuỗi, đồ thị đến mã nguồn

Trang chủ InfoQ Bài viết Sự phát triển của các khung điều phối tác tử: Từ Chains, Graphs đến Code Kiến trúc & Thiết kế Sự phát triển của các khung điều phối tác tử: Từ Chains, Graphs đến Code Ngày 26/10/2026 11 phút đọc Tác giả Karthik Ramgopal Hiệu đính Rafał Gancarz Theo dõi chúng tôi trên YouTube 232.000 người theo dõi LinkedIn 26.000 người theo dõi Instagram Mới RSS 19.000 độc giả X 57.100 người theo dõi Facebook 21.000 lượt thích Bluesky Mới Nghe bài viết này - 0:00 Sẵn sàng phát âm thanh Trình duyệt không hỗ trợ phần tử âm thanh. 0:00 0:00 Chuẩn 1,25x 1,5x Thích Danh sách đọc Nội dung trọng tâm Sự phát triển của các khung điều phối tác tử (agentic harnesses) đã diễn ra qua ba mô hình riêng biệt: Chains (chuỗi), Graphs (đồ thị) và Code (mã lệnh), đánh dấu bước chuyển dịch từ các thử nghiệm tình thế, "nỗ lực tối đa" sang các kiến trúc phần mềm bền vững, đạt chuẩn vận hành thực tế. Chains đại diện cho giai đoạn đầu của các quy trình làm việc tuyến tính, mang lại độ trễ và chi phí tính toán thấp nhất cho các tác vụ hẹp như tóm tắt nội dung; tuy nhiên, mô hình này vốn dĩ kém bền vững khi một lỗi đơn lẻ ở đầu nguồn có thể gây hiệu ứng dây chuyền trên toàn bộ luồng thực thi. Graphs thiết lập cấu trúc rõ ràng và khả năng kiểm soát vận hành thông qua các nút (nodes) và cạnh (edges), cho phép triển khai các năng lực phức tạp như rẽ nhánh có điều kiện, xử lý song song và quản lý trạng thái, qua đó nâng cao tính thích ứng trong các môi trường đa bước phức tạp. Các khung điều phối dạng Code coi việc thực thi là một thành phần nguyên hợp cốt lõi (first-class primitive), tận dụng môi trường hộp cát (sandbox) và các vòng lặp tinh chỉnh lặp lại để mang lại kết quả mang tính tất định, có thể kiểm chứng, đồng thời bảo đảm ở mức cao nhất độ tin cậy của hệ thống. Để bảo đảm độ tin cậy ở cấp độ kỹ thuật, các nhà phát triển phải xem đầu ra của LLM là dữ liệu đầu vào chưa được xác thực, tách bạch giữa lập kế hoạch và thực thi, đầu tư trọng điểm vào khả năng giám sát hệ thống (observability), đồng thời tuân thủ kỷ luật lựa chọn mức độ trừu tượng ít phức tạp nhất nhưng vẫn đáp ứng đầy đủ các yêu cầu về độ tin cậy, tốc độ và chi phí. Bài viết này nằm trong chuỗi chuyên đề "Agentic AI Architecture" (Kiến trúc AI tác tử). Loạt bài hướng tới việc định vị kiến trúc AI tác tử như một mô hình kiến trúc phần mềm mới có tiềm năng dẫn dắt ngành công nghệ trong nhiều năm tới. Được biên soạn bởi các chuyên gia trong ngành, các bài viết phân tích nhiều thành tố và khía cạnh khác nhau của kiến trúc AI tác tử, nhằm cung cấp những xu hướng và bước phát triển mới nhất đang định hình mô hình kiến trúc này khi bước vào giai đoạn ứng dụng đại trà. Trong vài năm qua, quá trình xây dựng các tác tử (agent) trên nền tảng mô hình ngôn ngữ lớn (LLM) đã chứng kiến sự chuyển dịch mang tính bước ngoặt. Khởi đầu từ các câu lệnh (prompt) mang tính tình huống được liên kết bằng mã nối (glue code), phương thức này đang hoàn thiện thành các khung điều phối tác tử (agentic harness) – hay còn gọi là các khung thực thi có cấu trúc. Hệ thống này bao bọc các mô hình xác suất bằng một hạ tầng kỹ thuật cần thiết, giúp nâng cao độ tin cậy, khả năng quan sát và đáp ứng tiêu chuẩn vận hành thực tế (production-grade). Tiến trình phát triển này diễn ra mang tính tích lũy, bắt nguồn từ yêu cầu ngày càng khắt khe của các ứng dụng thực tế. Xuyên suốt quá trình này, ba mô hình rõ rệt đã lần lượt xuất hiện, phản ánh năng lực kiểm soát và chuẩn hóa trí tuệ nhân tạo mang tính phi tiền định thành các hệ thống phần mềm ổn định, tin cậy. Chuỗi (Chains): Nghệ thuật điều phối câu lệnh Các hệ thống tác tử thời kỳ đầu được xây dựng dựa trên quy trình tuyến tính, đơn giản, được định danh là các "chuỗi" (chains). Phương pháp tiếp cận trực quan này cho phép đẩy nhanh tiến độ đưa sản phẩm ra thị trường. Quy trình được thiết lập bằng cách liên kết một chuỗi các câu lệnh, trong đó kết quả đầu ra của bước thứ nhất trở thành dữ liệu đầu vào cho bước thứ hai. Khung điều phối khi đó chỉ đóng vai trò là mã nối phục vụ việc gọi công cụ và lưu trữ ngữ cảnh hội thoại, đồng thời xử lý LLM như một hàm "hộp đen": đưa văn bản vào và nhận văn bản ra, kèm theo một số cú pháp bổ trợ. Điển hình tại LinkedIn, một trong những tác tử Generative AI ban đầu đã áp dụng quy trình chuỗi 3 bước cố định, được xây dựng trên nền tảng framework LangChain: Hình 1: Quy trình chuỗi đơn giản tích hợp RAG (Nguồn: tác giả thực hiện) Điều hướng (Routing): Bước phân loại nhằm xác định truy vấn có thuộc phạm vi xử lý hay không và "chuyên gia" AI chuyên biệt nào sẽ đảm nhiệm. Truy xuất (Retrieval): Bước định hướng thu hồi thông qua việc kích hoạt các công cụ phù hợp (như công cụ tìm kiếm web Bing hoặc các API nội bộ của LinkedIn) để thu thập thông tin cụ thể, tạo lập hồ sơ dữ liệu làm cơ sở cho mô hình Tạo sinh có Tăng cường Truy xuất (Retrieval Augmented Generation - RAG). Tạo sinh (Generation): Bước định hướng độ chính xác nhằm chọn lọc và tổng hợp dữ liệu đã truy xuất thành câu trả lời cuối cùng mạch lạc. Dù tương đối nhanh trong khâu xây dựng và triển khai, sự đơn giản này lại dẫn đến tính thiếu ổn định. Quy trình vận hành, đơn cử như việc giải đáp câu hỏi của người dùng thông qua một chuỗi lệnh gọi công cụ trên Đồ thị Kinh tế LinkedIn (LinkedIn Economic Graph), phụ thuộc hoàn toàn vào độ chính xác về mặt văn bản của bước liền trước. Một sai sót ở khâu thượng nguồn có thể kéo theo hiệu ứng dây chuyền làm sai lệch toàn bộ quy trình, do hệ thống chưa có cơ chế tích hợp sẵn để phát hiện hoặc khắc phục lỗi một cách bài bản. Cách tiếp cận này phản ánh rõ bản chất "nỗ lực tối đa" (best-effort) của các sản phẩm tác tử (agent) thời kỳ đầu. Việc xây dựng 80% trải nghiệm ban đầu diễn ra tương đối nhanh, song để thu hẹp khoảng cách chất lượng phục vụ môi trường vận hành thực tế đòi hỏi nhiều vòng lặp thử nghiệm thông qua các đánh giá khắt khe, tinh chỉnh câu lệnh gợi ý (prompt) và sự đầu tư kỹ thuật bền bỉ. Đồ thị: Thiết lập cấu trúc và khả năng kiểm soát Khi các tình huống ứng dụng hệ thống tác tử ngày càng phức tạp, những hạn chế và sự thiếu ổn định cố hữu của chuỗi tuyến tính đã bộc lộ rõ rệt. Các nhà phát triển đã giải quyết vấn đề này bằng cách ứng dụng đồ thị – một cơ chế trừu tượng tự nhiên cho phép đưa các nhánh rẽ, logic điều kiện, xử lý song song và cơ chế thử lại vào quy trình làm việc. Theo phương pháp này, các khung điều phối dựa trên đồ thị sử dụng các nút (node) để biểu diễn các tác vụ riêng biệt (chẳng hạn như lệnh gọi LLM, kích hoạt công cụ,