Giới thiệu về Agentic AI

[dangquangminh]

Giới thiệu về Agentic AI


Mục tiêu của bài học này là giới thiệu các khái niệm nền tảng về Agentic AI, từ việc hiểu AI Agent thực sự là gì cho đến cách chúng khác với các công cụ AI mà chúng ta đang sử dụng hàng ngày.
Nếu bạn đã quen thuộc với các công cụ như ChatGPT, bạn có thể tự hỏi: AI Agent khác gì so với ChatGPT?
Câu trả lời nằm ở khả năng hành động.
Trong khi các công cụ AI truyền thống chủ yếu tập trung vào việc tạo ra thông tin hoặc trả lời câu hỏi, AI Agent được thiết kế để tương tác với môi trường, đưa ra quyết định và thực hiện hành động nhằm hoàn thành một mục tiêu cụ thể.
Ví dụ:
Nếu gặp sự cố mạng, bạn có thể hỏi ChatGPT:
"Làm thế nào để khắc phục lỗi mạng này?"
ChatGPT sẽ đưa ra hướng dẫn. Tuy nhiên, một AI Agent có thể:

• Thu thập thông tin sự cố

• Chạy các lệnh kiểm tra

• Phân tích nguyên nhân

• Áp dụng cấu hình sửa lỗi

• Kiểm tra lại kết quả

Chính sự chuyển đổi từ tạo thông tin (information generation) sang thực thi công việc (task execution) đã tạo nên bản chất của Agentic AI. Agentic AI là gì?


Agentic AI là các hệ thống AI có khả năng:

• Nhận thức môi trường xung quanh

• Suy luận dựa trên mục tiêu

• Tự động thực hiện hành động

• Học hỏi từ kết quả thu được

Khác với chatbot hoặc các hệ thống tự động hóa truyền thống, Agentic AI:

• Theo đuổi mục tiêu thay vì chỉ phản hồi yêu cầu

• Tự quyết định cách đạt được mục tiêu

• Thực hiện các hành động có ảnh hưởng đến thế giới thực

• Thích nghi dựa trên phản hồi và kết quả

Điểm quan trọng: AI Agent không chỉ tạo văn bản mà còn có khả năng hành động để hoàn thành công việc.

Bốn đặc điểm cốt lõi của AI Agent

1. Goal-Directed (Hướng mục tiêu)


Agent luôn theo đuổi một mục tiêu cụ thể. Ví dụ:
"Khắc phục sự cố mạng này."
Nó không chỉ trả lời câu hỏi mà liên tục hướng đến kết quả cuối cùng là hệ thống hoạt động trở lại.

2. Autonomous (Tự chủ)


Sau khi nhận nhiệm vụ, Agent có thể hoạt động mà không cần con người hướng dẫn từng bước. Ví dụ Thu thập log, chạy kiểm tra, đưa ra giả thuyết, kiểm chứng giả thuyết. Tất cả diễn ra tự động.

3. Multi-Step Reasoning (Suy luận nhiều bước)


Agent có khả năng lập kế hoạch và thực hiện chuỗi hành động.
Ví dụ trong qui trình troubleshooting: Diagnose → Test → Fix → Verify (Chẩn đoán → Kiểm tra → Khắc phục → Xác nhận)

4. Action-Taking (Thực hiện hành động)


Đây là đặc điểm quan trọng nhất. Agent không chỉ đề xuất hành động mà còn trực tiếp thực hiện chúng. Ví dụ như chạy lệnh trên thiết bị, gọi API, mở ticket ITSM, cập nhật cơ sở dữ liệu, thay đổi cấu hình.

AI Agency Spectrum – Phổ mức độ tự chủ của AI


Không phải mọi hệ thống AI đều có mức độ "agent" như nhau.
Có thể chia thành ba cấp độ chính:

L1 – Reactive Systems


Hệ thống phản ứng.
Chỉ phản hồi theo đầu vào nhận được.
Ví dụ:

• Bộ lọc spam

• Chatbot đơn giản

• Rule Engine

L2 – Adaptive / Generative Systems


Hệ thống thích nghi và tạo sinh.
Ví dụ:

• ChatGPT

• Claude

• Gemini

• Copilot

Các hệ thống này có khả năng tạo nội dung và suy luận nhưng chưa chủ động hành động trong môi trường. L3 – Autonomous / Agentic Systems


Hệ thống tự chủ. Có thể:

• Lập kế hoạch

• Ra quyết định

• Thực hiện hành động

• Theo dõi kết quả

• Điều chỉnh chiến lược

Ví dụ AI NOC Engineer, AI SOC Analyst, AI Customer Support Agent, AI Network Operations Agent.

Agentic AI và Automation khác nhau như thế nào?


Đây là phần đặc biệt quan trọng đối với kỹ sư CNTT. Nhiều người nghĩ AI Agent chỉ là Automation nâng cấp. Thực tế không hoàn toàn như vậy. Automation hoạt động dựa trên các quy tắc được định nghĩa trước. Ví dụ:
Nếu CPU > 90%
→ Gửi Email
Hoặc:
Nếu Interface Down
→ Restart Interface
Script chỉ làm đúng những gì đã được lập trình.
Nếu gặp tình huống mới, nó sẽ thất bại hoặc yêu cầu con người can thiệp. Agent thì khác. Agent nhận một mục tiêu:
"Khôi phục dịch vụ."
Sau đó tự tìm cách thực hiện. Nếu một giải pháp không hiệu quả, Agent có thể thử phương án khác. Chúng ta có thể hình dung Automation giống như một người đầu bếp làm theo công thức.
Agent giống như một bếp trưởng có thể sáng tạo món ăn dựa trên nguyên liệu hiện có. Điểm khác biệt lớn nhất là Automation làm theo kịch bản. Agent theo đuổi mục tiêu. Các rủi ro của Agentic AI


Khả năng càng cao thì rủi ro càng lớn.

1. Reliability (Độ tin cậy)


Agent có thể Tạo ra ảo giác Hallucinate, Hiểu sai vấn đề, Đưa ra quyết định không chính xác. Ví dụ Agent cho rằng một thiết bị đang lỗi và tự động loại bỏ nó khỏi hệ thống dù thực tế thiết bị hoạt động bình thường.

2. Security (Bảo mật)


Agent thường được cấp quyền truy cập hệ thống. Điều này mở ra các nguy cơ Prompt Injection, Data Leakage, Privilege Abuse. Ví dụ:
Kẻ tấn công chèn Prompt Injection khiến Agent xuất dữ liệu cấu hình nhạy cảm ra ngoài.

3. Governance (Quản trị)


Nhiều quyết định của Agent khó giải thích. Điều này gây khó khăn cho quá trình Audit, Compliance, Regulatory Reporting. Ví dụ Agent thay đổi tuyến định tuyến mạng và khắc phục được sự cố nhưng không thể giải thích rõ lý do lựa chọn đó.

4. Cost (Chi phí)


Agent tiêu tốn API Calls, Token, Compute Resources, GPU Resources. Ví dụ: Agent bị mắc kẹt trong vòng lặp troubleshooting và tạo ra hàng trăm lệnh gọi API vô ích. Chi phí có thể tăng đột biến.

Lợi ích và Chi phí khi triển khai AI Agent trong IT Operations

Lợi ích


Agent có thể giúp Giảm MTTR (Mean Time To Resolution), Hoạt động 24/7; Thực hiện quy trình nhất quán; Tự động hóa tài liệu và báo cáo; Giảm khối lượng công việc lặp lại. Đây là những giá trị rất hấp dẫn đối với NOC, SOC, DevOps và Cloud Operations. Chi phí


Tuy nhiên doanh nghiệp cũng phải cân nhắc về chi phí API và GPU, chi phí phát triển Agent, chi phí bảo trì, chi phí kiểm thử, chi phí giám sát và quản trị. Ngay cả những Agent tiên tiến nhất hiện nay vẫn cần con người giám sát.

Góc nhìn dành cho kỹ sư mạng và AI Infrastructure


Nếu nhìn từ góc độ của cộng đồng VnPro, Agentic AI chính là bước chuyển tiếp từ: Automation → AI-Assisted Automation → Autonomous Operations. Trong vài năm tới, chúng ta sẽ chứng kiến sự xuất hiện của:

• AI Network Engineer

• AI SOC Analyst

• AI Cloud Operations Agent

• AI Data Center Agent

• AI AIOps Platform

Tuy nhiên, điều đáng chú ý là Agent chỉ thực sự phát huy giá trị khi được kết hợp với hạ tầng mạng, bảo mật, cloud và observability đủ mạnh. Nói cách khác LLM là bộ não, nhưng mạng và hạ tầng mới là hệ thần kinh của Agentic AI. Đó cũng là lý do vì sao các hãng như Cisco, NVIDIA, Microsoft và Google hiện đều đang tập trung xây dựng các nền tảng AI Agent gắn chặt với hạ tầng vận hành doanh nghiệp thay vì chỉ phát triển mô hình ngôn ngữ đơn thuần.