Tweet
6 cấp độ tự động hóa trong ứng dụng sử dụng Mô hình ngôn ngữ lớn (LLM) – từ việc con người kiểm soát hoàn toàn đến mức LLM hoàn toàn tự quyết định. Đây là một khái niệm cực kỳ hữu ích khi bạn muốn xây dựng các hệ thống thông minh có khả năng “tự vận hành” dựa trên AI. Hãy cùng giải thích ngắn gọn từng cấp độ để người mới dễ hiểu:
🚶♂️ Nhóm Human-Driven – con người kiểm soát
1. Code (mã hóa thủ công):
Con người tự viết code, quyết định đầu ra, chọn bước tiếp theo, và cả các bước có thể thực hiện. Không có AI nào tham gia ở đây.
2. LLM Call (gọi LLM từng bước):
LLM chỉ hỗ trợ một bước. Ví dụ: bạn nhập câu hỏi vào ChatGPT, nó trả lời, bạn đọc và quyết định bước tiếp theo.
3. Chain (chuỗi nhiều bước):
LLM thực hiện nhiều bước, nhưng con người vẫn là người điều phối. Ví dụ: bạn xây chuỗi như “Tóm tắt → Dịch → Trả lời email”, nhưng bạn vẫn viết logic từng bước.
4. Router (bộ định tuyến bước):
LLM tự chọn một nhánh để đi trong nhiều bước định sẵn (nhưng không được lặp lại). Con người chỉ định các tùy chọn, LLM chọn hướng đi.
🤖 Nhóm Agent-Executed – AI tác động chủ động hơn
5. State Machine (máy trạng thái):
LLM được phép lặp lại các bước theo điều kiện nhất định. Điều này giống như lập trình workflow có điều kiện, ví dụ: nếu phản hồi chưa đủ → lặp lại hỏi kỹ hơn.
6. Autonomous (tự động hoàn toàn):
LLM tự xác định mọi thứ: đầu ra, bước tiếp theo, và toàn bộ hành trình cần làm gì. Đây là cơ sở của AI Agent hiện đại – ví dụ như AutoGPT, BabyAGI, hay các Agent dùng trong customer support, SEO hoặc nghiên cứu thị trường.
🧠 Ví dụ minh họa dễ hiểu:
Hãy tưởng tượng bạn giao nhiệm vụ cho AI:
💡 Tại sao điều này quan trọng?
Khi xây hệ thống AI thật sự hữu ích, bạn không muốn chỉ gọi API GPT-4, mà cần thiết kế workflow tự động. Mô hình này giúp bạn biết:
👉 Nguồn chính thức từ LangChain:
🚶♂️ Nhóm Human-Driven – con người kiểm soát
1. Code (mã hóa thủ công):
Con người tự viết code, quyết định đầu ra, chọn bước tiếp theo, và cả các bước có thể thực hiện. Không có AI nào tham gia ở đây.
2. LLM Call (gọi LLM từng bước):
LLM chỉ hỗ trợ một bước. Ví dụ: bạn nhập câu hỏi vào ChatGPT, nó trả lời, bạn đọc và quyết định bước tiếp theo.
3. Chain (chuỗi nhiều bước):
LLM thực hiện nhiều bước, nhưng con người vẫn là người điều phối. Ví dụ: bạn xây chuỗi như “Tóm tắt → Dịch → Trả lời email”, nhưng bạn vẫn viết logic từng bước.
4. Router (bộ định tuyến bước):
LLM tự chọn một nhánh để đi trong nhiều bước định sẵn (nhưng không được lặp lại). Con người chỉ định các tùy chọn, LLM chọn hướng đi.
🤖 Nhóm Agent-Executed – AI tác động chủ động hơn
5. State Machine (máy trạng thái):
LLM được phép lặp lại các bước theo điều kiện nhất định. Điều này giống như lập trình workflow có điều kiện, ví dụ: nếu phản hồi chưa đủ → lặp lại hỏi kỹ hơn.
6. Autonomous (tự động hoàn toàn):
LLM tự xác định mọi thứ: đầu ra, bước tiếp theo, và toàn bộ hành trình cần làm gì. Đây là cơ sở của AI Agent hiện đại – ví dụ như AutoGPT, BabyAGI, hay các Agent dùng trong customer support, SEO hoặc nghiên cứu thị trường.
🧠 Ví dụ minh họa dễ hiểu:
Hãy tưởng tượng bạn giao nhiệm vụ cho AI:
“Viết bài giới thiệu sản phẩm, kiểm tra chính tả, đăng lên blog.”
- Level 2 (LLM Call): bạn dùng ChatGPT viết nội dung.
- Level 3 (Chain): bạn viết flow gồm: viết → kiểm lỗi → đăng.
- Level 5 (State Machine): nếu kiểm lỗi phát hiện vấn đề → quay lại viết lại.
- Level 6 (Autonomous): AI tự viết bài, tự kiểm lỗi, tự đăng blog và thậm chí gửi báo cáo.
💡 Tại sao điều này quan trọng?
Khi xây hệ thống AI thật sự hữu ích, bạn không muốn chỉ gọi API GPT-4, mà cần thiết kế workflow tự động. Mô hình này giúp bạn biết:
- Khi nào nên dùng LLM như một công cụ trợ lý.
- Khi nào nên “trao quyền” cho LLM tự vận hành như một agent thông minh.
- Khi nào vẫn cần con người kiểm soát.
👉 Nguồn chính thức từ LangChain:
