AI Agent Workflow Template: Research Agent

Research Agent là một hệ thống trí tuệ nhân tạo độc lập, có khả năng tự động tiếp nhận yêu cầu nghiên cứu, tiến hành thu thập dữ liệu từ nhiều nguồn, phân tích thông tin chuyên sâu và đúc kết thành các báo cáo hoàn chỉnh mà không cần sự can thiệp liên tục của con người. Thay vì chỉ trả lời câu hỏi dựa trên kiến thức có sẵn như các chatbot thông thường, Research Agent biết cách lập kế hoạch, sử dụng công cụ tìm kiếm, đọc hiểu tài liệu dài và kiểm chứng chéo thông tin.

Bài viết này cung cấp một bản thiết kế toàn diện (Workflow Template) để xây dựng một Research Agent cấp độ chuyên nghiệp. Chúng ta sẽ đi sâu vào kiến trúc cốt lõi, cách cấu trúc đầu vào/đầu ra, phương pháp quản lý bộ nhớ (ngắn hạn và dài hạn), chiến lược xử lý lỗi, cùng các mã giả và hướng dẫn triển khai trên những framework hàng đầu như LangChain hay CrewAI. Dù bạn là lập trình viên AI hay một nhà quản lý sản phẩm muốn tích hợp AI vào doanh nghiệp, bản thiết kế này sẽ là nền tảng vững chắc để bắt đầu.

1. Research Agent Là Gì? Tại Sao Cần Workflow Template Cho Research Agent?

1.1 Định nghĩa chuyên sâu về Research Agent

Research Agent không đơn thuần là một prompt gọi API của mô hình ngôn ngữ lớn (LLM). Nó là một “chương trình phần mềm có tư duy” (agentic workflow) được thiết kế chuyên biệt cho việc nghiên cứu. Khi nhận một chủ đề, Research Agent có khả năng chủ động lên danh sách các từ khóa cần tìm kiếm, tự động điều hướng qua các trang web, tải xuống và đọc các tệp PDF, Word hay Excel, trích xuất đúng những dữ liệu cốt lõi và lưu trữ chúng vào hệ thống cơ sở dữ liệu véc-tơ để tham chiếu chéo.

Hệ thống này bắt chước quy trình làm việc của một nghiên cứu viên con người: Bắt đầu từ sự tò mò (nhận prompt), lập dàn ý nghiên cứu (planning), thu thập tài liệu (gathering), phân tích và loại bỏ thông tin nhiễu (analyzing), và cuối cùng là chắp bút viết báo cáo (synthesizing). Điểm khác biệt là AI có thể làm điều này với tốc độ đọc hàng vạn từ mỗi phút và duyệt qua hàng trăm nguồn trong thời gian ngắn.

1.2 Tại sao việc thiết lập Workflow Template lại quan trọng?

Rất nhiều nhà phát triển mắc sai lầm khi cho rằng chỉ cần kết nối ChatGPT với tính năng duyệt web là đã có một Research Agent. Thực tế, nếu thiếu một quy trình (workflow) chuẩn chỉnh, hệ thống sẽ gặp phải vô vàn rắc rối:

Ảo giác thông tin (Hallucination): Mô hình tự bịa ra số liệu hoặc trích dẫn nguồn không tồn tại khi không tìm thấy đủ dữ liệu. Workflow chuẩn sẽ ép mô hình phải có bước kiểm chứng (grounding).
Mắc kẹt trong vòng lặp vô hạn (Infinite Loop): Agent liên tục tìm kiếm một từ khóa không mang lại kết quả, làm cạn kiệt tài nguyên API. Template chuẩn cung cấp cơ chế giới hạn số vòng lặp và chiến lược thử lại (retry strategy).
Quá tải ngữ cảnh (Context Overflow): Khi đọc hàng chục trang web, lượng văn bản sẽ vượt quá giới hạn token của LLM. Một workflow được thiết kế tốt sẽ bao gồm cơ chế tóm tắt trung gian và lưu trữ vào bộ nhớ dài hạn thay vì nhồi nhét tất cả vào một prompt.
Đầu ra thiếu nhất quán: Người dùng có thể nhận được một bài luận văn vào lần chạy đầu, nhưng lại nhận được vài gạch đầu dòng hời hợt vào lần chạy sau. Template quy định nghiêm ngặt định dạng output.

2. Kiến Trúc Tổng Thể Của Research Agent (Agent Architecture)

Một kiến trúc mạnh mẽ và có khả năng mở rộng cho Research Agent thường bao gồm 4 phân hệ chính hoạt động tương hỗ lẫn nhau. Các module này tạo thành một chu trình khép kín, từ lúc nhận yêu cầu đến khi trả kết quả.

2.1 Module Lập Kế Hoạch (Planning Module)

Thay vì đâm đầu vào tìm kiếm ngay lập tức, Agent cần có một bước lùi lại để vạch ra chiến lược. Module này đóng vai trò như não bộ định hướng. Khi nhận được một chủ đề phức tạp, ví dụ: “Tác động của trí tuệ nhân tạo đến ngành giáo dục đại học tại Đông Nam Á trong thập kỷ tới”, Planning Module sẽ bẻ gãy vấn đề (Decomposition) thành các câu hỏi phụ (Sub-queries) dễ xử lý hơn:

Thực trạng ứng dụng AI tại các trường đại học Đông Nam Á (Việt Nam, Thái Lan, Singapore) hiện nay ra sao?
Những chính sách giáo dục nào đang được ban hành để đối phó với sự trỗi dậy của AI?
Công cụ AI nào đang được sinh viên và giảng viên sử dụng nhiều nhất?
Dự báo về thay đổi mô hình kinh doanh của các trường đại học trong 10 năm tới.

Sau khi có danh sách câu hỏi phụ, module này sẽ tạo ra các truy vấn tìm kiếm tối ưu (Search queries) tương ứng, ví dụ: thay vì tìm “tác động AI giáo dục”, nó sẽ tạo truy vấn “AI adoption higher education Southeast Asia 2024 report”.

2.2 Module Thực Thi Và Tích Hợp Công Cụ (Execution & Tool Integration)

Đây là các “chi của cơ thể” giúp Agent tương tác với thế giới dữ liệu bên ngoài. Các framework như LangChain gọi đây là quá trình Tool Calling. Tùy vào câu hỏi phụ, Agent sẽ quyết định gọi công cụ nào cho phù hợp.

Công cụ tìm kiếm web (Web Search Tools): Google Custom Search API, Tavily Search, Serper, DuckDuckGo. Tavily hiện là một trong những API được tối ưu riêng cho AI Agents vì nó trả về nội dung đã được làm sạch thay vì chỉ trả về link.
Công cụ thu thập dữ liệu (Web Scraper & Crawler): Khi có URL, Agent dùng BeautifulSoup, Puppeteer hoặc các API như Firecrawl, Jina Reader để trích xuất văn bản từ trang web, vượt qua các rào cản captcha cơ bản.
Công cụ đọc tài liệu (Document Parsers): PyMuPDF, PDFMiner, Unstructured.io để bóc tách text từ các file PDF báo cáo tài chính, nghiên cứu khoa học.
Công cụ phân tích mã (Code Execution): Tích hợp môi trường Python REPL để Agent có thể viết code vẽ biểu đồ, tính toán số liệu thống kê hoặc lọc dữ liệu trong file CSV.

2.3 Quản Lý Bộ Nhớ (Memory Management) – Ngắn Hạn Và Dài Hạn

Quản lý bộ nhớ là một trong những khía cạnh cốt lõi định hình mức độ thông minh của một Research Agent. Không có bộ nhớ tốt, Agent sẽ giống như người mắc chứng hay quên, liên tục đọc lại những tài liệu cũ và lặp lại lỗi sai.

Bộ nhớ ngắn hạn (Short-Term Memory / Working Memory)

Bộ nhớ ngắn hạn được duy trì trong suốt một “phiên” (session) làm việc của Agent và thường tồn tại trực tiếp trong Context Window (cửa sổ ngữ cảnh) của LLM. Nó bao gồm:

Trạng thái hiện tại: Agent đang ở bước nào trong kế hoạch nghiên cứu (ví dụ: đã giải quyết xong câu hỏi số 1, đang ở câu hỏi số 2).
Lịch sử hội thoại/suy nghĩ gần nhất: Các bước lập luận (Scratchpad / Chain of Thought) vừa diễn ra.
Dữ liệu thô đang phân tích: Nội dung của 1-2 trang web vừa cào về chưa qua xử lý.

Do giới hạn token của LLM, bộ nhớ ngắn hạn không thể chứa toàn bộ hàng trăm trang tài liệu. Đó là lúc bộ nhớ dài hạn vào cuộc.

Bộ nhớ dài hạn (Long-Term Memory)

Bộ nhớ dài hạn đóng vai trò như một thư viện số (Knowledge Base) của Agent, thường được triển khai dưới dạng Cơ sở dữ liệu Véc-tơ (Vector Database) như ChromaDB, Pinecone, Qdrant, hoặc Milvus. Khi Agent đọc được một báo cáo dài 50 trang, nó sẽ thực hiện quy trình sau:

Chunking: Cắt văn bản dài thành các đoạn nhỏ (chunk) khoảng 500-1000 từ, có sự chồng lấn nhẹ (overlap) để không làm mất ngữ cảnh ở các đoạn cắt.
Embedding: Biến đổi các đoạn text này thành các véc-tơ toán học thông qua các mô hình như OpenAI text-embedding-3-large hoặc BAAI/bge-large.
Storage & Retrieval (Lưu trữ và Truy xuất): Lưu véc-tơ vào database. Sau này, khi Agent cần viết báo cáo và tự hỏi “Số liệu doanh thu quý 3 là bao nhiêu?”, nó sẽ thực hiện truy vấn tương đồng ngữ nghĩa (Semantic Search) vào Vector DB để lấy ra đúng đoạn văn bản chứa câu trả lời, thay vì phải quét lại toàn bộ 50 trang tài liệu.

2.4 Module Tổng Hợp Và Định Dạng (Synthesis & Formatting)

Sau khi giai đoạn thực thi hoàn tất, Agent đã tích lũy một khối lượng lớn các “mảnh ghép” thông tin (facts, figures, quotes). Nhiệm vụ của Module Tổng hợp là lắp ráp chúng lại. Quá trình này không chỉ là copy-paste mà đòi hỏi khả năng tư duy bậc cao của LLM:

Khử trùng lặp (Deduplication): Hai nguồn khác nhau cùng nói về một sự kiện, Agent chỉ giữ lại một.
Giải quyết mâu thuẫn (Conflict Resolution): Nguồn A báo cáo doanh số là 100, nguồn B báo cáo là 150. Agent cần đánh giá độ tin cậy của nguồn hoặc nêu rõ cả hai số liệu trong báo cáo, giải thích sự khác biệt.
Gắn trích dẫn (Citation Generation): Đảm bảo mọi luận điểm đưa ra đều có chú thích URL hoặc tên tài liệu rõ ràng, minh bạch.

3. Thiết Kế Input / Output (Đầu Vào / Đầu Ra)

Giao tiếp hiệu quả với hệ thống đòi hỏi phải có cấu trúc dữ liệu chuẩn hóa. Việc sử dụng JSON cho cả Input và Output giúp các ứng dụng dễ dàng tích hợp Research Agent vào hệ thống phần mềm lớn hơn (ví dụ: một ứng dụng web React gọi API của Agent).

3.1 Input Design (Thiết kế đầu vào)

Đầu vào cần cung cấp đủ bối cảnh, giới hạn phạm vi và các tham số kiểm soát chi phí. Một JSON input chuyên nghiệp có cấu trúc như sau:

{
  "research_topic": "Phân tích đối thủ cạnh tranh: Dịch vụ gọi xe công nghệ tại Việt Nam",
  "objectives": [
    "So sánh thị phần năm 2023 và 2024",
    "Phân tích chiến lược giá và khuyến mãi",
    "Đánh giá mức độ hài lòng của tài xế"
  ],
  "constraints": {
    "depth": "comprehensive",
    "language": "Vietnamese",
    "max_sources": 15,
    "time_frame": "last_2_years",
    "trusted_domains_only": ["gso.gov.vn", "vnexpress.net", "forbes.vn", "mckinsey.com"]
  },
  "output_preferences": {
    "format": "markdown_report",
    "include_data_tables": true,
    "require_citations": true
  }
}

3.2 Output Design (Thiết kế đầu ra)

Thay vì chỉ trả về một chuỗi văn bản thuần (plain text), hệ thống nên trả về một object có cấu trúc phân tầng, cho phép hiển thị linh hoạt trên giao diện người dùng (UI):

{
  "metadata": {
    "execution_time_seconds": 345,
    "sources_analyzed": 12,
    "tokens_used": 150400
  },
  "executive_summary": "Thị trường gọi xe năm 2024 chứng kiến sự phân hóa rõ rệt...",
  "detailed_report": "# Báo Cáo Phân Tích... \n\n## 1. Tổng quan thị phần...",
  "structured_data": [
    {
      "entity": "Grab",
      "market_share_2023": "45%",
      "market_share_2024": "42%"
    }
  ],
  "citations": [
    {
      "id": 1,
      "url": "https://vnexpress.net/bao-cao-goi-xe-2024",
      "title": "Báo cáo thị trường gọi xe Việt Nam 2024",
      "snippet_used": "Grab chiếm 42% thị phần..."
    }
  ]
}

4. Thiết Kế Prompt Chain Cho Research Agent

Kỹ thuật chia để trị (Divide and Conquer) được áp dụng triệt để thông qua chuỗi prompt (Prompt Chain). Một agent xuất sắc không bao giờ giải quyết tất cả bằng một prompt khổng lồ.

4.1 Prompt Lập Kế Hoạch (Planner Prompt)

Mục đích của prompt này là tạo ra bản đồ chỉ đường.

“Bạn là Trưởng nhóm Nghiên cứu Chiến lược. Nhiệm vụ của bạn là lập kế hoạch nghiên cứu cho chủ đề: {topic}.
Yêu cầu: Phân tách chủ đề này thành 3 đến 5 hướng nghiên cứu cụ thể (sub-topics). Với mỗi hướng, hãy viết ra 2 câu truy vấn tìm kiếm (search query) được tối ưu hóa cho công cụ tìm kiếm Google. Định dạng đầu ra bắt buộc là JSON mảng.”

4.2 Prompt Trích Xuất Thông Tin (Extractor Prompt)

Prompt này được gọi liên tục mỗi khi Agent tải xong một trang web.

“Bạn là một trợ lý trích xuất dữ liệu mẫn cán. Đọc đoạn văn bản thô sau: {chunk_text}.
Hãy trích xuất tất cả các sự kiện, số liệu, và nhận định chuyên gia có liên quan trực tiếp đến câu hỏi: {sub_query}.
Nếu đoạn văn bản không chứa thông tin hữu ích, hãy trả về chính xác chuỗi: ‘NO_RELEVANT_INFO’. Tuyệt đối không tự suy diễn thông tin nằm ngoài văn bản này.”

4.3 Prompt Đánh Giá & Phản Biện (Reviewer Prompt – Kỹ thuật mới)

Đóng vai trò như một chốt chặn chất lượng (Quality Assurance).

“Bạn là Biên tập viên Cấp cao. Đọc bản nháp báo cáo dưới đây và bộ dữ liệu nguồn đính kèm.
Nhiệm vụ: Tìm kiếm mọi luận điểm trong báo cáo không có sự ủng hộ từ dữ liệu nguồn. Liệt kê các điểm mâu thuẫn, các thông tin bị thiếu trích dẫn và các lỗi logic lập luận. Đề xuất cách sửa đổi cụ thể. Nếu báo cáo đã hoàn hảo, hãy phê duyệt bằng chữ ‘APPROVED’.”

4.4 Prompt Tổng Hợp (Synthesizer Prompt)

Prompt này gom mọi thứ lại để tạo sản phẩm cuối.

“Bạn là Chuyên gia Tổng hợp Báo cáo. Dựa trên danh sách các sự thật đã được kiểm chứng dưới đây: {verified_facts}.
Hãy viết một báo cáo nghiên cứu toàn diện theo định dạng Markdown. Báo cáo phải có phần mở đầu, các tiêu đề phụ rõ ràng, và phần kết luận. Sử dụng footnote dạng [1], [2] để trích dẫn nguồn cho từng đoạn văn. Đảm bảo văn phong chuyên nghiệp, khách quan và mạch lạc.”

5. Xử Lý Lỗi Và Chiến Lược Fallback (Error Handling & Fallback Strategies)

Thế giới thực chứa đầy sự cố: Website chặn bot, server chết, API thay đổi, mô hình AI quá tải. Một Research Agent thực thụ phải là một cỗ máy bền bỉ, biết cách phục hồi sau thất bại.

5.1 Xử lý lỗi Timeout và 404 (Lỗi truy cập Web)

Khi Agent cố gắng cào (scrape) một trang web nhưng bị chặn bởi Cloudflare (lỗi 403) hoặc trang không tồn tại (404), hệ thống cần xử lý duyên dáng.

Chiến lược: Áp dụng cơ chế Exponential Backoff (thử lại với khoảng thời gian trễ tăng dần). Thay vì dùng thư viện requests thông thường, có thể tự động chuyển sang sử dụng Headless Browser (Playwright/Selenium) nếu phát hiện bị chặn bởi Javascript/Captcha.
Fallback: Nếu sau 3 lần thử vẫn thất bại, ghi log lỗi, đánh dấu URL đó là “Dead Link” và yêu cầu Search Tool cung cấp URL thay thế tiếp theo trong danh sách kết quả.

5.2 Xử lý Rate Limit và Token Limit (Lỗi giới hạn mô hình)

Khi gửi quá nhiều yêu cầu đến OpenAI hoặc Anthropic, bạn sẽ gặp lỗi 429 Too Many Requests. Đồng thời, văn bản quá dài sẽ gây ra lỗi vượt quá ngữ cảnh (Token Limit Exceeded).

Chiến lược Rate Limit: Sử dụng hàng đợi (Queue) bất đồng bộ và thư viện kiểm soát tốc độ (Rate Limiter) như aiolimiter trong Python. Chặn việc gọi hàng chục API trích xuất cùng một phần nghìn giây.
Chiến lược Token Limit: Nếu một tài liệu PDF dài 500 trang, Agent không bao giờ được phép đẩy toàn bộ vào LLM. Quy trình Fallback là tự động kích hoạt tính năng Chunking, tạo Vector Index tạm thời (In-memory Vector DB), sau đó dùng câu hỏi (Query) để trích xuất 5 đoạn văn bản liên quan nhất rồi mới gửi cho LLM xử lý.

5.3 Chống Hallucination bằng Grounding & Self-Correction

Đây là vấn đề nghiêm trọng nhất của các AI Agent. Để ngăn LLM bịa chuyện, ta sử dụng cơ chế Grounding (neo thông tin).

Self-Correction Workflow: Thiết lập một vòng lặp kiểm tra. Báo cáo do Agent A viết ra sẽ được Agent B (Reviewer) đọc lại, đối chiếu từng câu với Vector DB. Nếu Agent B phát hiện câu nói “Doanh thu tăng 20%” không có trong cơ sở dữ liệu nguồn, nó sẽ buộc Agent A viết lại đoạn đó hoặc loại bỏ thông tin ảo giác.

5.4 Kế hoạch dự phòng (Fallback Strategy) cuối cùng

Khi chủ đề quá mới (ví dụ một sự kiện vừa xảy ra 5 phút trước) và không có công cụ tìm kiếm nào có dữ liệu, Agent cần biết cách nhận thua một cách thông minh thay vì bịa chuyện. Agent phải trả về báo cáo: “Sau khi tìm kiếm qua 15 nguồn dữ liệu lớn, tôi xác nhận không có đủ thông tin tin cậy để hoàn thành báo cáo này. Các dữ liệu có sẵn tính đến thời điểm hiện tại chỉ bao gồm…”. Sự trung thực này là thước đo của một hệ thống đáng tin cậy.

6. Bảng So Sánh Các Framework Xây Dựng Research Agent

Lựa chọn framework ảnh hưởng lớn đến kiến trúc của dự án. Dưới đây là phân tích chi tiết về 4 thế lực lớn nhất trong lĩnh vực phát triển Agent hiện nay.

Công Cụ / Framework	Triết lý thiết kế (Design Philosophy)	Ưu Điểm Nổi Bật	Nhược Điểm & Thách Thức	Phù hợp nhất cho
LangChain / LangGraph	Graph-based. Xem workflow như một đồ thị có hướng (Directed Graph) với các nút (nodes) và cạnh (edges).	Kiểm soát luồng thực thi cực kỳ chi tiết (State Machine). Cho phép Agent quay lại các bước trước (Cycles) dễ dàng. Có cơ chế “Human-in-the-loop” tuyệt vời.	Đường cong học tập rất dốc. Code cấu trúc phức tạp, khó gỡ lỗi (debug) cho người mới.	Các dự án doanh nghiệp phức tạp, cần kiểm soát chính xác từng bước và tích hợp hàng chục công cụ nội bộ.
CrewAI	Role-playing (Nhập vai). Mô phỏng môi trường công sở: Một phi hành đoàn (Crew) gồm nhiều chuyên viên (Agents) nhận các nhiệm vụ (Tasks).	Cực kỳ dễ học, trực quan, setup nhanh chóng. Prompts mặc định được thiết kế rất thông minh giúp các agent phối hợp nhịp nhàng.	Đôi khi khó can thiệp sâu vào luồng giao tiếp ngầm giữa các Agent. Phụ thuộc lớn vào sức mạnh suy luận của mô hình LLM gốc.	Xây dựng đội ngũ nghiên cứu ảo (Ví dụ: 1 Cố vấn chiến lược, 1 Trợ lý tìm kiếm, 1 Biên tập viên tổng hợp).
AutoGen (Microsoft)	Multi-Agent Conversation. Các tác tử giao tiếp với nhau qua tin nhắn, có thể tự động sinh ra mã (code generation) để giải quyết vấn đề.	Khả năng thực thi code tự động cực kỳ mạnh mẽ. Thích hợp để phân tích dữ liệu dạng số, giải toán học, tạo biểu đồ.	Quá trình hội thoại giữa các agent dễ bị lạc đề (derailed) nếu prompt không chặt. Cấu hình Docker để chạy code an toàn khá phức tạp.	Nghiên cứu định lượng (Quantitative Research), tài chính, chứng khoán, phân tích dữ liệu data science.
LlamaIndex	Data-centric. Lấy dữ liệu và RAG (Retrieval-Augmented Generation) làm trung tâm, Agent chỉ là lớp bọc bên ngoài.	Khả năng đọc hiểu tài liệu, kết nối với đủ loại database (SQL, NoSQL, Vector) là vô địch. Tối ưu cực tốt cho tìm kiếm ngữ nghĩa.	Hệ sinh thái tool-calling không phong phú bằng LangChain.	Nghiên cứu dựa trên kho tài liệu khổng lồ của doanh nghiệp (Internal Knowledge Base, Pháp chế, Y tế).

7. Hướng Dẫn Triển Khai Thực Tế Với Các Framework Phổ Biến

Bên cạnh mã giả thuần túy, việc hiểu cách các framework hiện đại triển khai Research Agent sẽ giúp bạn tiết kiệm hàng trăm giờ code từ con số không.

7.1 Triển khai bằng CrewAI (Phương pháp nhanh nhất)

Trong CrewAI, bạn định nghĩa các thực thể (Agent) và giao việc (Task) cho chúng. Trọng tâm nằm ở việc thiết kế “Persona” – tính cách và vai trò.

Bước 1: Khởi tạo Agent tìm kiếm (Researcher Agent). Bạn định nghĩa Role: Senior Data Researcher, Goal: Tìm kiếm những số liệu chính xác và cập nhật nhất trên internet, Backstory: Bạn là cựu chuyên gia phân tích của McKinsey.... Cung cấp cho Agent này công cụ SerperDevTool để search Google.
Bước 2: Khởi tạo Agent viết bài (Writer Agent). Định nghĩa Role: Tech Content Strategist, Goal: Biến dữ liệu thô thành báo cáo hấp dẫn.
Bước 3: Định nghĩa Task. Task 1: Nghiên cứu thị trường AI. Giao cho Researcher Agent. Task 2: Viết báo cáo tổng hợp từ kết quả của Task 1. Giao cho Writer Agent.
Bước 4: Chạy Crew. Lắp ghép 2 agent và 2 task vào một đối tượng Crew, nhấn crew.kickoff(). Hệ thống sẽ tự động điều phối: Researcher tìm xong sẽ “gửi email” kết quả cho Writer, Writer đọc và viết báo cáo cuối cùng.

7.2 Triển khai bằng LangGraph (Phương pháp linh hoạt nhất)

LangGraph cho phép bạn xây dựng một cỗ máy trạng thái (State Graph). Phù hợp cho những workflow phức tạp cần tính lặp (Loops).

Định nghĩa State: Tạo một class (TypedDict) chứa các biến dùng chung: topic, search_queries, documents, report_draft, feedback.
Định nghĩa Nodes (Các hàm xử lý):
- node_plan(state): Gọi LLM tạo danh sách search_queries.
- node_search(state): Duyệt qua queries, cào web, lưu vào documents.
- node_draft(state): LLM viết bản nháp lưu vào report_draft.
- node_review(state): Đánh giá nháp, trả về feedback.
Định nghĩa Edges (Điều hướng): Nối Plan -> Search -> Draft -> Review. Tại Review, thêm một Conditional Edge (Cạnh điều kiện): Nếu bài viết đạt yêu cầu -> Kết thúc (END). Nếu bài viết thiếu thông tin -> Quay ngược lại nút node_search để tìm thêm (Đây chính là sức mạnh vòng lặp của LangGraph).

8. Mã Giả (Pseudo-code) Chi Tiết Cho Hệ Thống Research Agent

Dưới đây là phiên bản mở rộng, hướng đối tượng (OOP) của Research Agent, phác thảo cách cấu trúc code trong một dự án thực tế. Mã giả này bao gồm cả xử lý lỗi, quản lý trạng thái và tính năng phân mảnh dữ liệu (chunking).

import time
from llm_provider import ChatOpenAI
from tools import GoogleSearchAPI, WebScraper, VectorDB

class ResearchAgent:
    def __init__(self, llm_model="gpt-4o"):
        # Khởi tạo não bộ và công cụ
        self.llm = ChatOpenAI(model=llm_model, temperature=0.2)
        self.search_engine = GoogleSearchAPI()
        self.scraper = WebScraper()
        self.memory_db = VectorDB()
        self.max_retries = 3

    def generate_research_plan(self, topic):
        """Bẻ gãy vấn đề thành câu hỏi nhỏ"""
        prompt = f"Phân tích chủ đề '{topic}' thành 4 câu hỏi nghiên cứu cốt lõi. Trả về dạng List."
        return self.llm.predict_json(prompt)

    def gather_information(self, sub_query):
        """Tìm kiếm, cào dữ liệu và lưu vào trí nhớ dài hạn"""
        urls = self.search_engine.search(sub_query, num_results=5)
        
        for url in urls:
            retries = 0
            while retries < self.max_retries:
                try:
                    # Cố gắng cào nội dung
                    html_content = self.scraper.scrape(url, timeout=10)
                    text_content = self.scraper.extract_main_text(html_content)
                    
                    # Xử lý giới hạn Token bằng Chunking
                    chunks = self.chunk_text(text_content, chunk_size=1000)
                    
                    # Vector hóa và lưu vào bộ nhớ
                    for chunk in chunks:
                        embedding = self.llm.get_embedding(chunk)
                        self.memory_db.insert(content=chunk, vector=embedding, source=url)
                    
                    break # Thành công, thoát vòng lặp retry
                except Exception as e:
                    print(f"Lỗi truy cập {url}, thử lại lần {retries+1}: {e}")
                    retries += 1
                    time.sleep(2 ** retries) # Exponential backoff

    def synthesize_report(self, topic):
        """Tổng hợp báo cáo từ Vector DB sử dụng RAG"""
        # Trích xuất ngữ nghĩa (Semantic Search) tất cả thông tin liên quan đến topic
        relevant_context = self.memory_db.search_similar(query=topic, top_k=20)
        
        context_str = "\n".join([f"Nguồn ({doc.source}): {doc.content}" for doc in relevant_context])
        
        synthesis_prompt = f"""
        Bạn là chuyên gia phân tích. Dựa CHỈ VÀO các thông tin sau:
        {context_str}
        
        Hãy viết báo cáo toàn diện về '{topic}'. 
        Yêu cầu bắt buộc: Mọi số liệu phải có trích dẫn nguồn URL gốc ở cuối câu.
        """
        
        report = self.llm.predict(synthesis_prompt)
        return report
        
    def run_workflow(self, topic):
        print(f"Bắt đầu nghiên cứu chủ đề: {topic}")
        # Bước 1: Plan
        plan = self.generate_research_plan(topic)
        print("Đã lập kế hoạch:", plan)
        
        # Bước 2: Execute & Gather
        for query in plan:
            print(f"Đang đào sâu: {query}")
            self.gather_information(query)
            
        # Bước 3: Synthesize
        print("Đang viết báo cáo tổng hợp...")
        final_report = self.synthesize_report(topic)
        
        return final_report

# Thực thi thử nghiệm
if __name__ == "__main__":
    agent = ResearchAgent()
    result = agent.run_workflow("Tác động của điện toán lượng tử đến an ninh mạng blockchain")
    print(result)

9. Case Study Thực Tế: Agent Phân Tích Thị Trường AI Tại Việt Nam

Để hiểu rõ hơn sự khác biệt giữa Research Agent và ChatGPT, hãy xem xét một kịch bản ứng dụng thực tế. Đội ngũ phát triển tại một startup công nghệ cần báo cáo về “Tình hình đầu tư và ứng dụng AI tạo sinh (Generative AI) tại các doanh nghiệp Việt Nam năm 2024”.

Quá trình hệ thống tự vận hành

Khi chạy đoạn prompt trên qua ChatGPT thuần túy, kết quả trả về thường rất chung chung, đề cập đến xu hướng toàn cầu và gắn vài cái tên tập đoàn lớn (FPT, VNG) mà thiếu đi số liệu cụ thể mới nhất, do giới hạn dữ liệu huấn luyện.

Khi đưa vào hệ thống Research Agent (được xây dựng bằng LangGraph):

Phút thứ 1: Agent phân tách vấn đề thành 4 mảng: Quy mô vốn đầu tư quỹ mạo hiểm vào AI tại VN, Các startup AI nổi bật 2024, Mức độ sẵn sàng ứng dụng AI của khối ngân hàng/bán lẻ, và Các quy định pháp lý hiện hành.
Phút thứ 2 – 5: Agent kích hoạt tool Google Search, tìm thấy 15 báo cáo định dạng PDF từ PwC Vietnam, Bộ Thông tin và Truyền thông, và các bài báo trên VnEconomy. Hệ thống tự động tải các file PDF, dùng PDFMiner đọc nội dung, băm nhỏ và nhét vào ChromaDB (Vector Database).
Phút thứ 6: Trong quá trình tổng hợp, Reviewer Agent phát hiện một sự mâu thuẫn: Nguồn A nói tỷ lệ ứng dụng AI là 30%, nguồn B nói 45%. Reviewer ra lệnh cho Researcher đi kiểm tra lại phương pháp thống kê. Agent tự động ghi chú vào báo cáo cuối: “Theo khảo sát của tổ chức A với khối SME là 30%, trong khi báo cáo của B tập trung vào khối doanh nghiệp lớn cho con số 45%”.
Phút thứ 8: Hệ thống xuất bản báo cáo dài 2.500 từ định dạng Markdown. Kèm theo một bảng tổng hợp các startup đáng chú ý và danh sách 15 link tài liệu tham khảo chính xác từng trang.

Sự kiên nhẫn, khả năng đọc khối lượng dữ liệu khổng lồ và tư duy phản biện (critical thinking) được lập trình sẵn chính là điểm làm nên giá trị của workflow này.

10. Câu Hỏi Thường Gặp (FAQ) Về Research Agent

Q1: Chi phí để vận hành một Research Agent là bao nhiêu? Có đắt không?
Trả lời: Chi phí phụ thuộc vào khối lượng tài liệu Agent phải đọc (Context token). Nếu bạn cấu hình Agent đọc hàng trăm trang PDF bằng GPT-4o, chi phí cho một báo cáo có thể lên đến 1-2 USD. Tuy nhiên, bằng cách sử dụng các mô hình nhỏ, tốc độ cao và cực rẻ như GPT-4o-mini hoặc Claude 3.5 Haiku, kết hợp với Vector DB để lọc ngữ cảnh, chi phí cho một báo cáo chuyên sâu 3000 từ thường được ép xuống dưới ngưỡng 0.05 – 0.1 USD.
Q2: Làm sao để ngăn Research Agent đưa ra thông tin giả mạo (Hallucination)?
Trả lời: Chìa khóa nằm ở “Grounding”. Trong System Prompt, bạn phải đưa ra mệnh lệnh tuyệt đối: “Chỉ được phép trả lời dựa trên văn bản được cung cấp. Nếu không có dữ liệu, phải nói ‘Không biết’.” Kết hợp với kỹ thuật Self-Correction (sử dụng Reviewer Agent) sẽ giảm thiểu tối đa hiện tượng ảo giác.
Q3: Research Agent có thể đọc được file nội bộ của công ty (PDF, Word, Excel) không?
Trả lời: Hoàn toàn được. Đây là kiến trúc RAG (Retrieval-Augmented Generation). Bạn chỉ cần tắt công cụ Web Search, và thay thế bằng công cụ File Reader. Agent sẽ biến thành trợ lý nghiên cứu bảo mật hoàn toàn, chuyên đào xới kho dữ liệu nội bộ khổng lồ của doanh nghiệp.
Q4: Thời gian chạy trung bình của một workflow nghiên cứu là bao lâu?
Trả lời: Không giống như chat realtime (trả lời trong 2-3 giây), một Research Agent tốn thời gian để duyệt web, tải file và phân tích. Một luồng cơ bản mất khoảng 30 giây đến 2 phút. Các báo cáo phân tích ngành sâu sắc có thể yêu cầu Agent chạy ngầm (background job) từ 10 đến 30 phút.
Q5: Sự khác biệt lớn nhất giữa ChatGPT Plus (có Web Search) và một Research Agent độc lập là gì?
Trả lời: Tính tự chủ (Autonomy) và tính hệ thống. Tính năng duyệt web của ChatGPT khá lười biếng; nó thường chỉ xem 2-3 kết quả đầu tiên rồi vội vàng viết câu trả lời. Research Agent có workflow được thiết lập để lặp lại quá trình tìm kiếm hàng chục lần, tự đào sâu vào các link phụ, kiểm chứng chéo và không dừng lại cho đến khi thu thập đủ dữ liệu chất lượng cao.
Q6: Tôi không biết code, làm sao để tạo Research Agent?
Trả lời: Bạn có thể sử dụng các nền tảng No-Code/Low-Code AI Builders như Coze, Dify, Flowise, hoặc Langflow. Các công cụ này cho phép bạn kéo thả các block (Nút tìm kiếm, LLM, Database) để lắp ráp thành một luồng Agent phức tạp mà không cần viết một dòng code Python nào.
Q7: Legal và Copyright – Việc Agent cào dữ liệu web có vi phạm bản quyền không?
Trả lời: Đây là ranh giới xám. Để an toàn, hãy cấu hình các công cụ scraper của Agent tuân thủ file robots.txt của các website. Luôn yêu cầu Agent trích dẫn rõ ràng URL nguồn và tên tác giả trong báo cáo đầu ra, tuyệt đối không được đạo văn 1:1 mà phải tổng hợp bằng ngôn ngữ của LLM.

11. Tổng Kết

Việc xây dựng một AI Agent Workflow Template bài bản cho tác vụ nghiên cứu không chỉ nâng cao chất lượng đầu ra mà còn đảm bảo hệ thống vận hành ổn định, tiết kiệm chi phí API và kiểm soát được rủi ro ảo giác thông tin. Bằng cách kết hợp khéo léo giữa tư duy lập kế hoạch (Planning), thực thi công cụ đa dạng (Tool Execution), khả năng ghi nhớ không giới hạn (Memory Management) và khâu tổng hợp chặt chẽ (Synthesis), bạn hoàn toàn có thể triển khai một “phòng nghiên cứu ảo” hoạt động không biết mệt mỏi 24/7.

Cho dù bạn chọn LangChain vì sức mạnh điều hướng vi mô, hay CrewAI vì tính trực quan dễ dùng, nền tảng cốt lõi vẫn nằm ở việc bạn thiết kế workflow xuất sắc đến mức nào. Tương lai của AI không nằm ở việc chúng ta liên tục chat với một chatbot, mà nằm ở việc chúng ta giao phó những nhiệm vụ phức tạp cho các Agent tự chủ và nhận về kết quả hoàn mỹ.

Hãy tiếp tục khám phá thêm các kiến thức, ứng dụng và xu hướng AI mới nhất tại chuyên mục ỨNG DỤNG AI của chúng tôi để luôn dẫn đầu trong kỷ nguyên công nghệ này.