# 🧭 Agentic AI là gì và khác gì workflow gọi LLM

By Ngọc Vương Trương

## Xuất phát điểm: từ một lời gọi LLM đến một agent

Bạn đã gọi API LLM rồi: gửi một request, nhận một response, xong. Mỗi lần gọi là một lần độc lập, model không tự nhớ gì và cũng không tự làm gì thêm. Bài này là bậc thang đầu tiên của module: trước khi mổ xẻ vòng lặp ReAct, ta cần nhìn rõ ranh giới giữa "gọi LLM trong pipeline do mình viết" và "để LLM tự điều khiển vòng lặp". Hiểu ranh giới đó giúp bạn tránh việc dựng agent hoành tráng cho một bài toán mà 30 dòng code tuần tự đã giải quyết gọn hơn, rẻ hơn, dễ debug hơn.

Sau bài này, bạn cần:

- Phát biểu được Agentic AI là gì bằng ngôn ngữ của mình.
- Phân biệt pipeline cố định với agent tự chủ qua ví dụ cụ thể.
- Nhận diện dấu hiệu nên dùng agent và dấu hiệu nên dừng lại.
- Ôn nhanh mô hình gọi LLM API, vì mọi agent đều xây trên nó.

## Nhắc lại nhanh: một lời gọi LLM API hoạt động thế nào

Một lời gọi điển hình chỉ có vào và ra:

```python
resp = client.messages.create(
    model="claude-sonnet-4-5",
    messages=[{"role": "user", "content": "Tóm tắt email này giúp tôi: ..."}],
)
print(resp.content[0].text)
```

Ba điểm cần nhớ: nó **stateless**, không tự nhớ lần gọi trước; nó **không tự thực thi hành động** (model chỉ trả về text hoặc một tool call, code của bạn mới là thứ chạy tool); và **bạn** là người quyết định gọi nó bao nhiêu lần, theo thứ tự nào.

## Workflow gọi LLM: đường ray cố định

Workflow (pipeline) là cách dùng LLM phổ biến nhất hiện nay. Bạn chia task thành các bước định trước, mỗi bước gọi LLM một lần, output bước này thành input bước kia:

```python
# Thứ tự do bạn viết cứng trong code
summary = llm("Tóm tắt email sau: ...")
topics  = llm(f"Phân loại chủ đề cho bản tóm tắt: {summary}")
reply   = llm(f"Soạn trả lời ngắn cho: {summary}")
```

Tính chất: số lần gọi LLM biết trước, đường đi tuyến tính, cùng input cho ra cùng đường đi, chi phí và latency dự đoán được, log đọc là hiểu. Nhược điểm là nó chỉ giỏi những gì bạn đã lường trước. Gặp email lạ cần tra cứu thêm hợp đồng rồi mới trả lời, pipeline ba bước trên sẽ tóm tắt sai hoặc bịa.

## Agent: vòng lặp tự quyết định bước tiếp theo

Agentic AI là hệ thống trong đó **LLM quyết định bước tiếp theo**, thay vì chạy theo danh sách bước bạn viết sẵn. Mỗi vòng, model nhìn mục tiêu và những gì đã quan sát được, rồi chọn: gọi tool nào, với tham số gì, hay trả lời luôn và dừng. Code của bạn chỉ cung cấp khung: danh sách tool, vòng lặp, giới hạn, và cách ghi log.

```mermaid
flowchart TD
  subgraph wf["Pipeline co dinh"]
    A1["Input"] --> A2["Buoc 1"] --> A3["Buoc 2"] --> A4["Output"]
  end
  subgraph ag["Agent"]
    B1["Muc tieu"] --> B2["Suy luan"]
    B2 --> B3["Goi tool"]
    B3 --> B4["Observation"]
    B4 --> B2
    B2 --> B5["Ket thuc"]
  end
```

Ba khác biệt cốt lõi: **ai quyết định control flow** (bạn so với model), **số bước** (biết trước so với tùy tình huống), và **khả năng thích nghi** (không có so với có, vì observation của vòng trước đổi hướng vòng sau). Cái giá phải trả là tính bất định: cùng input có thể ra hai đường đi khác nhau, chi phí dao động, và khi sai thì khó lần ra vì sao.

| Tiêu chí | Workflow gọi LLM | Agent |
| --- | --- | --- |
| Ai quyết định bước tiếp theo | Lập trình viên, trong code | Model, dựa trên observation |
| Số bước | Biết trước | Không biết trước |
| Chọn tool | Cố định theo từng bước | Model chọn trong danh sách |
| Debug | Dễ, tuyến tính | Khó, cần trace từng vòng |
| Chi phí, latency | Dự đoán được | Biến động |
| Hợp với | Task lặp lại, luồng rõ | Task mở, cần thích nghi |

## Mổ xẻ ba tình huống thực tế

**Tình huống 1, phân loại 500 email mỗi ngày.** Luồng rõ: đọc, gắn nhãn, định tuyến. Không có bước nào cần "suy nghĩ xem nên làm gì tiếp". Chọn workflow, rẻ và ổn định. Dùng agent ở đây chỉ tổ thêm biến động.

**Tình huống 2, điều tra vì sao pipeline deploy fail.** Bạn không biết trước là lỗi do test, do biến môi trường, do quyền IAM, hay do dependency. Số bước phụ thuộc kết quả từng lần kiểm tra. Đây là đất diễn của agent: một tool đọc log, một tool tra cấu hình, một tool xem lịch sử commit, và model tự quyết xem tiếp cái gì.

**Tình huống 3, trợ lý hoàn tiền cho khách.** 80% case là mẫu quen, 20% cần tra đơn rồi đối chiếu chính sách. Cách làm chín muồi nhất là **kiến trúc lai**: workflow bọc ngoài, một bước phân loại, và chỉ nhánh phức tạp mới thả vào một agent nhỏ có 2-3 tool. Bạn giữ được phần lớn tính dự đoán được, vẫn xử lý được case lạ.

## Phổ tự chủ: không phải nhị phân

Đừng nghĩ "workflow hay agent". Có cả một phổ: gọi LLM một lần, prompt chain, router rẽ nhánh, workflow có tool, rồi mới tới agent tự chủ. Mỗi bước lên phổ đổi lấy khả năng thích nghi bằng chi phí, latency và độ khó quan sát. Nguyên tắc thực dụng: **chọn mức tự chủ thấp nhất mà vẫn giải được bài toán**. Agent là lựa chọn cuối, không phải mặc định.

> **Warning:** 
> Đừng đánh giá agent bằng một lần chạy đẹp. Vì nó bất định, một demo may mắn không nói lên gì về độ tin cậy. Bài 2.3 sẽ bàn kỹ cách đánh giá, nhưng ngay từ giờ hãy tập thói quen chạy cùng một task nhiều lần và ghi lại đường đi.

## Mẹo và bẫy thường gặp khi cân nhắc agent

- **Bẫy "agent vì nó ngầu".** Nếu bạn liệt kê được các bước trên giấy, hãy viết workflow. Chỉ khi không liệt kê nổi mới cần agent.
- **Luôn đặt điều kiện dừng cứng.** Giới hạn số vòng và số tiền ở phía code, đừng tin model tự biết dừng. Một agent lặp 40 vòng vẫn trả hóa đơn đều đặn.
- **Tool ít mà rõ tốt hơn tool nhiều mà mờ.** Agent 3 tool chạy ổn định hơn agent 15 tool chồng chéo công dụng.
- **Log mọi vòng.** Lưu prompt, tool call, observation, và lý do dừng. Không có trace thì không debug được agent.
- **Task cần kết quả giống nhau mỗi lần thì đừng dùng agent.** Báo cáo tài chính, hóa đơn, nội dung pháp lý: sai một chữ là phiền, hãy dùng pipeline.

## Chốt lại

Agentic AI khác workflow ở chỗ control flow do model điều khiển trong một vòng lặp, không phải chuỗi bước cố định. Workflow thắng ở chi phí, độ ổn định, khả năng debug; agent thắng ở task mở, không biết trước đường đi. Phần lớn hệ thống production tốt là lai: workflow làm xương sống, agent chỉ đặt ở đúng chỗ cần tự quyết.

Bài sau ta mổ xẻ chính cái vòng lặp đó: Thought, Action, Observation trong ReAct, và cách một vòng lặp trông như thế nào khi viết ra bằng code.

Front: Agentic AI là gì?
Back: Hệ thống trong đó LLM tự quyết định bước tiếp theo, chọn tool và quyết định khi nào dừng.

Front: Trong workflow gọi LLM, ai quyết định thứ tự các bước?
Back: Lập trình viên, thứ tự được viết cứng trong code.

Front: Dấu hiệu rõ nhất để nhận ra một agent?
Back: Control flow do model điều khiển trong một vòng lặp, không phải chuỗi bước cố định.

Front: Vì sao workflow thường rẻ và nhanh hơn agent?
Back: Số lần gọi LLM biết trước, ít bước thừa, latency ổn định.

Front: Một lời gọi LLM API có tự thực thi tool không?
Back: Không, model chỉ trả về text hoặc tool call, code của bạn mới chạy tool.

Front: Observation là gì?
Back: Kết quả sau khi thực thi action, được đưa ngược vào context cho vòng suy luận tiếp theo.

Front: Khi nào nên chọn pipeline cố định?
Back: Task lặp lại, luồng rõ ràng, cần kết quả ổn định và chi phí dự đoán được.

Front: Khi nào nên chọn agent?
Back: Task mở, không biết trước số bước, cần thích nghi theo kết quả trung gian.

Front: Rủi ro lớn nhất của agent khi lên production?
Back: Khó debug và khó dự đoán chi phí vì hành vi bất định qua nhiều vòng lặp.

Front: Kiến trúc lai (hybrid) giữa workflow và agent là gì?
Back: Workflow làm xương sống, chỉ bước thật sự cần tự quyết mới đặt agent vào.

Front: Tiêu chí đầu tiên để cân nhắc dùng agent?
Back: Mức độ không chắc chắn của đường đi: không liệt kê nổi các bước thì agent mới có lợi.

Front: Vòng lặp cơ bản của agent gồm những pha nào?
Back: Suy luận, hành động, quan sát, lặp lại tới khi đạt điều kiện dừng.

Front: Ai nên là người đặt điều kiện dừng cứng?
Back: Code của bạn, qua giới hạn số vòng và ngân sách, đừng chỉ dựa vào model.

Trong workflow, thứ tự các bước được viết cứng trong _____ bởi lập trình viên.
Trong agent, control flow do _____ điều khiển dựa trên kết quả quan sát được.
Một lời gọi LLM API đơn lẻ là _____, không tự nhớ các lần gọi trước.
Kết quả trả về sau khi agent thực thi một action gọi là _____.
Agent phù hợp khi không thể liệt kê trước _____ cần thiết để hoàn thành task.
Nên đặt giới hạn cứng về _____ ở phía code để tránh agent lặp vô hạn.

---

## Contents

Part of [🤖 Agentic AI: hiểu vòng lặp ReAct và chọn kiến trúc agent phù hợp](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop.md)

- **🔄 Nền tảng Agentic AI và vòng lặp suy luận**
  - [🧭 Agentic AI là gì và khác gì workflow gọi LLM](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/agentic-ai-la-gi.md) — this lesson
  - [🔁 Vòng lặp ReAct: Thought, Action, Observation](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/vong-lap-react.md) (sign-in required)
  - [🗺️ Planning và reflection: ReAct so với Plan-and-Execute](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/planning-va-reflection.md)
  - [✅ Checkpoint: Vòng lặp suy luận và ra quyết định](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/checkpoint-vong-lap-suy-luan.md)
- **🧰 Tool use, memory và chọn kiến trúc agent**
  - [🔧 Function calling và thiết kế tool cho agent](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/function-calling-va-thiet-ke-tool.md)
  - [🧠 Memory và quản lý trạng thái trong agent](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/memory-va-quan-ly-trang-thai.md)
  - [⚖️ Đánh giá agent và tiêu chí chọn kiến trúc](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/danh-gia-va-chon-kien-truc.md) (premium content)
  - [✅ Checkpoint: Tool, memory và kiến trúc agent](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/checkpoint-tool-memory-kien-truc.md) (premium content)
- [Course cheatsheet](https://everwise.study/courses/agentic-ai-hieu-vong-lap-react-va-chon-kien-truc-agent-phu-hop/cheatsheet.md) (premium content)