Tóm tắt 30 giây
Một mô hình phổ biến trong doanh nghiệp là mỗi nhóm xây một agent chuyên môn, sau đó một nhóm nền tảng đặt thêm router hoặc orchestrator ở phía trên. Cấu trúc này trông hợp lý vì nó phản ánh cách doanh nghiệp phân chia trách nhiệm. Tuy nhiên, bài phân tích của nhóm Applied AI tại Anthropic cho rằng kiến trúc agent không nhất thiết nên sao chép sơ đồ phòng ban.
Họ ghi nhận năm nhóm vấn đề thường xuất hiện: mất chi tiết khi chuyển ngữ cảnh qua lại; subagent tăng nhanh và chồng lấn; system prompt trở thành “Frankenprompt” do nhiều nhóm cùng chèn quy tắc; eval bị tối ưu cục bộ; và độ trễ tăng theo mỗi vòng gọi model. Trong một phép so sánh của khách hàng được Anthropic nêu, vòng lặp một agent chạy nhanh xấp xỉ gấp đôi so với multi-agent harness. Đây là quan sát từ một triển khai cụ thể, không phải kết quả mặc định cho mọi hệ thống.
Lập luận chính không phải là “dồn mọi thứ vào một prompt”. Cách tiếp cận được đề xuất là progressive disclosure — chỉ nạp đầy đủ nội dung của skill, tool hoặc tài liệu khi agent thực sự cần. Ban đầu, model chỉ thấy mô tả ngắn gọn để biết khi nào nên gọi.
Cách này giải quyết hai vấn đề cùng lúc. Agent chính giữ được lịch sử công việc và kết quả thô từ các bước trước, nên có thể kết nối thông tin mà không phải dựa vào bản tóm tắt bị hao hụt. Đồng thời, nó không cần mang toàn bộ hướng dẫn và schema của mọi chuyên môn trong system prompt.
Hàm ý kiến trúc: system prompt chứa những quy tắc gần như luôn cần; skill chứa quy trình và phán đoán theo từng lĩnh vực; tool thực hiện hành động hoặc đọc dữ liệu sống; kho tri thức chứa tài liệu tham khảo chỉ dùng thỉnh thoảng.
Một chuỗi “viết tính năng → viết kiểm thử → review code” có thể được giao cho ba subagent. Nhưng agent viết kiểm thử cần hiểu các quyết định trong phần triển khai; agent review cũng cần biết yêu cầu và trade-off ban đầu. Nếu mỗi lần bàn giao chỉ còn một bản tóm tắt, chất lượng có thể giảm dần theo kiểu “tam sao thất bản”.
Ngược lại, một verifier chỉ nhận artifact, chạy test và trả về kết quả là một ranh giới tốt. Nó không cần toàn bộ cuộc hội thoại hoặc lịch sử suy luận của agent chính. Nguyên tắc tổng quát là: gộp những bước chia sẻ nhiều ngữ cảnh; tách những bước có đầu vào, đầu ra và tiêu chí xác minh rõ ràng.
Anthropic nêu ba tín hiệu chính cho thấy không nên gộp vội:
Ngay cả khi giữ subagent, full handoff — để subagent tiếp quản cuộc hội thoại — chỉ phù hợp khi nó cần trao đổi trực tiếp với người dùng. Trong các trường hợp khác, agent chính có thể gọi subagent như một tool, yêu cầu kết quả theo schema chung rồi tự kiểm chứng trước khi tổng hợp.
Một hệ thống multi-agent đang chạy production không nên được viết lại toàn bộ trong một lần. Quy trình an toàn hơn gồm bốn bước:
Anthropic đã phát hành single-agent-loop-kit trên GitHub để hỗ trợ audit, tạo baseline, merge, fold và so sánh trước/sau. Repo nêu rõ đây là reference implementation, không được bảo trì và cần được fork, kiểm thử, điều chỉnh trước khi dùng trong hệ thống thật.
| Thành phần | Dùng khi | Ví dụ |
|---|---|---|
| Skill | Agent cần biết cách một nhóm thực hiện công việc: trình tự, quy tắc và phán đoán. | Quy trình review hợp đồng, checklist xử lý sự cố. |
| Tool | Cần đọc dữ liệu sống, thực hiện hành động hoặc trả kết quả theo schema cố định. | Tra đơn hàng, tạo ticket, tính báo giá. |
| Kho tri thức | Chứa facts và tài liệu tham khảo chỉ cần trong một số tình huống. | Chính sách, định nghĩa KPI, đặc tả sản phẩm. |
| Subagent | Cần context window riêng, xử lý độc lập/song song hoặc xác minh black-box. | Deep research, security verifier, nhánh phân tích dữ liệu lớn. |
Một lưu ý thực dụng từ Anthropic: nên nhóm tool theo ý định của người dùng thay vì tạo một tool cho mỗi endpoint API. Theo quan sát của họ, khi system prompt phải chứa trên khoảng 30–50 định nghĩa tool, khả năng chọn đúng tool có xu hướng suy giảm. Tool search và deferred loading giúp chỉ nạp định nghĩa cần thiết.
Nếu câu trả lời cho hai câu đầu là “có”, subagent đó là ứng viên mạnh để gộp. Nếu đầu ra nhỏ, nhiệm vụ độc lập và cần context riêng, hãy giữ subagent nhưng gọi nó qua tool. Nếu chưa có eval, chưa nên tranh luận kiến trúc bằng cảm tính.
Kiến trúc agent tốt không được đo bằng số lượng agent. Mục tiêu là giữ đủ ngữ cảnh để model hoàn thành công việc, trong khi các ranh giới tool, quyền hạn, ngân sách và phê duyệt vẫn rõ ràng. Cách làm thận trọng nhất là đo baseline, thay đổi một thành phần, chạy lại eval và chỉ giữ những gì thực sự cải thiện hệ thống.
Subagent: agent con có prompt, context window và tool riêng, được agent chính hoặc orchestrator giao một phần việc.
Agent loop: vòng lặp trong đó model quan sát ngữ cảnh, chọn hành động/tool, nhận kết quả và tiếp tục cho đến khi trả lời hoặc chạm giới hạn.
Progressive disclosure: chỉ nạp thêm hướng dẫn hoặc định nghĩa tool khi tác vụ cần đến, thay vì đặt tất cả trong prompt ngay từ đầu.
Học cách ứng dụng AI Agent vào công việc qua 4 buổi online với 15 tình huống thực tế.
