PEAS là gì? PEAS là khung mô tả một tác nhân AI qua bốn yếu tố: mục tiêu cần đo (Performance), môi trường hoạt động (Environment), hành động được phép (Actuators) và dữ liệu đầu vào (Sensors). Dùng khung này trước khi thiết kế giúp làm rõ agent cần đạt gì, được truy cập gì và kết quả sẽ được đánh giá ra sao.
Hầu hết người đi làm bắt đầu dùng AI theo cách này: mở ChatGPT hoặc Claude, gõ một câu yêu cầu, nhận kết quả không như ý, thử vài lần rồi bỏ cuộc với kết luận "AI chưa làm được việc này."
Vấn đề thật không phải ở AI. Vấn đề là chưa xác định rõ bài toán trước khi giao việc.
PEAS là cách mô tả môi trường nhiệm vụ của một tác nhân thông minh trong giáo trình Artificial Intelligence: A Modern Approach (AIMA) của Stuart Russell và Peter Norvig. Khung này giúp tách rõ mục tiêu đo lường, nơi agent hoạt động, hành động được phép và thông tin đầu vào trước khi thiết kế giải pháp. Bài viết này giải thích PEAS là gì, ai tạo ra, khi nào cần dùng, và cách áp dụng thực tế cho người đi làm Việt Nam.
PEAS là viết tắt của bốn thành phần dùng để mô tả đầy đủ một tác nhân thông minh (intelligent agent) trước khi thiết kế hoặc triển khai. Bốn thành phần này phụ thuộc lẫn nhau: môi trường quyết định agent cần nhận thông tin gì, thông tin đó quyết định hành động nào phù hợp, hành động dẫn đến kết quả, và kết quả được đo bằng thước đo thành công.
| Chữ | Tiếng Anh | Câu hỏi cốt lõi | Ví dụ thực tế |
|---|---|---|---|
| P | Performance measure | Agent "giỏi" nghĩa là gì? Đo bằng gì? | Ví dụ giả định: tỉ lệ email phân loại đúng trên 90% |
| E | Environment | Agent hoạt động ở đâu? Hệ thống nào? | Gmail, Google Sheet, CRM nội bộ |
| A | Actuators | Agent làm ra thứ gì? Hành động nào được phép? | Gắn nhãn email, tạo task, gửi thông báo |
| S | Sensors | Agent nhận thông tin gì vào? Từ đâu? | Nội dung email, tên người gửi, file đính kèm |
Đây là thành phần bị bỏ qua nhiều nhất trong thực tế. Performance measure không phải là mục tiêu chung chung kiểu "phục vụ khách hàng tốt" mà phải là tiêu chí đo được cụ thể. Một phép đo cần truy về được nguồn dữ liệu hoặc log cụ thể — có thể là cột database, sự kiện trong CRM, dấu thời gian hoặc kết quả được người phụ trách chấm theo rubric.
Môi trường là toàn bộ bối cảnh agent tương tác, bao gồm hệ thống phần mềm, nguồn dữ liệu, người dùng và các agent khác cùng hoạt động. Môi trường ảnh hưởng tới loại thông tin agent phải xử lý, mức độ bất định và yêu cầu kiểm soát; không có công thức đơn giản rằng càng bất định thì cứ cần một agent ‘thông minh hơn’.
Actuators là danh sách cụ thể các hành động agent được phép thực hiện: gửi email, tạo file, gọi API, cập nhật database, chuyển task cho người. Việc giới hạn rõ actuators giúp kiểm soát rủi ro khi agent hoạt động tự động, đặc biệt quan trọng trong môi trường kinh doanh.
Sensors là tất cả thông tin agent có thể tiếp nhận. Trong các ví dụ AI kinh điển, sensor có thể là dữ liệu từ camera, file hoặc API. Với agent dùng LLM như Claude hay ChatGPT, đầu vào vẫn đến từ các nguồn dữ liệu và công cụ đã kết nối. Một giới hạn triển khai thực tế là lượng thông tin mô hình xử lý được trong mỗi lượt; vì vậy cần chọn dữ liệu đưa vào, quản lý ngữ cảnh và thiết kế cách truy xuất thông tin ngoài cuộc hội thoại.
Russell và Norvig trình bày PEAS trong Chương 2, Intelligent Agents, của Artificial Intelligence: A Modern Approach (AIMA). Tài liệu chương 2 trên website chính thức của sách gọi đây là cách mô tả môi trường nhiệm vụ bằng Performance, Environment, Actuators và Sensors. AIMA do Pearson xuất bản; bản thứ tư có các tác giả Stuart Russell và Peter Norvig.
Nên hiểu PEAS là một khung học thuật hữu ích để xác định bài toán, không phải chuẩn pháp lý, chứng nhận bắt buộc hay cam kết rằng mọi agent được thiết kế theo PEAS sẽ hoạt động tốt. Chất lượng kết quả vẫn phụ thuộc dữ liệu, quyền truy cập, cách triển khai và cách đo lường.
Có ba lý do thực tế khiến PEAS quan trọng, không phải chỉ là lý thuyết học thuật.
Thứ nhất: Buộc phải hiểu rõ quy trình công việc của chính mình. Nhiều người không biết mình đang làm gì theo thứ tự nào vì họ làm theo thói quen. Khi phải trả lời "Sensors: tôi nhận thông tin gì?" và "Actuators: tôi tạo ra thứ gì?", họ lần đầu tiên nhìn thấy quy trình của mình một cách rõ ràng. Đây là bước cần thiết để tự động hóa bất kỳ việc gì, không chỉ với AI.
Thứ hai: Phát hiện sớm bài toán không khả thi. Điền PEAS vào sẽ lộ ngay: dữ liệu đầu vào không có, hệ thống không hỗ trợ, thước đo thành công không định nghĩa được. Tốt hơn nhiều so với việc build xong mới phát hiện agent không hoạt động đúng.
Thứ ba: Tạo ngôn ngữ chung giữa người dùng và kỹ thuật. Founder, designer, developer có thể ngồi lại với cùng một bảng PEAS và hiểu nhau mà không cần dịch thuật. Khi brief cho AI engineer, bảng PEAS đầy đủ giúp họ hiểu đúng bài toán ngay lần đầu, tiết kiệm đáng kể thời gian làm lại.
PEAS xác định cái gì, còn phân loại môi trường mới quyết định build agent kiểu gì. AIMA mô tả sáu chiều phổ biến; chúng gợi ý agent cần quan sát, dự đoán và phối hợp như thế nào trong môi trường cụ thể.
| Chiều | Hai thái cực | Ý nghĩa với agent |
|---|---|---|
| Observable | Fully / Partially | Agent thấy toàn bộ hay chỉ một phần thực tế? |
| Deterministic | Deterministic / Stochastic | Kết quả có đoán trước được không? |
| Episodic | Episodic / Sequential | Mỗi task độc lập, hay hành động trước ảnh hưởng sau? |
| Static | Static / Dynamic | Môi trường có thay đổi trong lúc agent đang xử lý không? |
| Discrete | Discrete / Continuous | Dữ liệu đầu vào có hữu hạn, rõ ràng không? |
| Agents | Single / Multi-agent | Agent có tương tác với agent khác không? |
Các đặc điểm partially observable, stochastic, sequential, dynamic thường làm tăng nhu cầu theo dõi trạng thái, xử lý tình huống không chắc chắn và giám sát kết quả. Chúng không tự động đồng nghĩa phải dùng LLM, memory hay cơ chế học; với một số quy trình có giới hạn rõ, luật đơn giản vẫn phù hợp hơn. Hãy chọn kiến trúc theo mức rủi ro, dữ liệu và chi phí sai sót.
Ví dụ, một agent xử lý email có thể thiếu một phần bối cảnh (khách đang trao đổi với ai), nhận nội dung không theo mẫu và gặp chính sách thay đổi. Khi thiết kế, hãy xác định cách lấy thêm bối cảnh, kiểm tra chính sách hiện hành và xử lý email mơ hồ. Nếu việc chỉ là phân loại theo tiêu chí cố định, luật đơn giản có thể đủ; LLM và memory chỉ nên thêm khi tính biến thiên hoặc nhu cầu giữ trạng thái thực sự đòi hỏi.
Có nhiều khung được nhắc đến trong bối cảnh thiết kế AI và tự động hóa. Mỗi khung phục vụ một mục đích khác nhau và không thay thế được cho nhau.
| Khung | Bối cảnh thường gặp | Mục đích chính | Quan hệ với PEAS |
|---|---|---|---|
| PEAS | AIMA, Chương 2 | Mô tả môi trường nhiệm vụ | Khung mô tả bài toán |
| CO-STAR | Singapore GovTech, prompt engineering community | Viết prompt tốt hơn cho LLM | Không: chỉ cho viết prompt, không cho thiết kế agent |
| OODA | Military, business strategy | Ra quyết định nhanh trong môi trường biến động | Không: không dành cho AI agent |
| BDI (Belief-Desire-Intention) | AI research (Rao & Georgeff, 1991) | Mô hình hóa agent theo trạng thái nội tâm | Không: chi tiết và phức tạp hơn PEAS, dành cho nghiên cứu |
| ReAct (Reason + Act) | AI research, LLM agent community | Vòng lặp suy luận và hành động cho LLM agent | Bổ sung cho PEAS khi implement, không thay thế |
| MDP (Markov Decision Process) | Reinforcement learning research | Tối ưu hóa hành động trong môi trường xác suất | Không: toán học nhiều, dành cho AI engineer |
Kết luận thực tế: PEAS là một cách gọn để mô tả môi trường nhiệm vụ từ góc nhìn bài toán. Các khung khác xử lý những lớp công việc khác nhau — chẳng hạn cấu trúc prompt, vòng lặp suy luận-hành động hoặc tối ưu quyết định — và có thể bổ sung cho nhau.
PEAS sử dụng các thuật ngữ chuyên môn như "actuators" và "sensors"; người đi làm có thể diễn giải chúng thành những câu hỏi đời thường hơn. Với người đi làm muốn ứng dụng AI agent, nội dung là PEAS nhưng ngôn ngữ cần đơn giản hơn. Bốn câu hỏi dưới đây giữ nguyên cấu trúc học thuật của PEAS, chỉ thay đổi cách diễn đạt.
| PEAS gốc | Câu hỏi cho người đi làm |
|---|---|
| Performance measure | Làm tốt nghĩa là gì? Tôi đo bằng gì, cụ thể? |
| Environment | Agent hoạt động ở đâu? Dùng công cụ, hệ thống nào? |
| Actuators | Tôi muốn agent làm ra thứ gì? Hành động gì? |
| Sensors | Agent nhận thông tin gì vào? Từ đâu, định dạng gì? |
Nên trả lời được bốn câu hỏi này trước khi cấu hình hoặc xây dựng AI agent. Nếu còn câu chưa rõ, hãy xem đó là phần cần làm sáng tỏ — không nhất thiết phải dừng mọi thử nghiệm, nhưng cần tránh tự động hóa hành động có rủi ro khi chưa xác định được đầu vào, quyền hạn và cách đánh giá.
Lưu ý quan trọng về Performance measure: đây là câu hỏi bị bỏ qua nhiều nhất. "Làm việc nhanh hơn" hay "chất lượng tốt hơn" không phải thước đo. Thước đo đúng phải là con số đếm được: tỉ lệ, thời gian, số lần, số bước. Ưu tiên chỉ số định lượng nếu có thể. Với tiêu chí chất lượng định tính, hãy định nghĩa rubric và người đánh giá để kết quả vẫn có thể kiểm tra nhất quán.
Lưu ý quan trọng về Environment: người đi làm hay bỏ qua phần này vì nghĩ chỉ cần biết agent làm gì. Nhưng môi trường quyết định agent có thực sự làm được không. Ví dụ: muốn agent đọc email Outlook tự động thì môi trường phải cho phép kết nối API, nếu IT công ty chặn thì bài toán cần redesign.
Dưới đây là ba ví dụ minh họa cho các công việc lặp lại trong môi trường văn phòng. Các ngưỡng phần trăm và thời gian là giả định để minh họa, không phải chuẩn chung; hãy hiệu chỉnh theo dữ liệu nền, chính sách và mức rủi ro thực tế của tổ chức.
| Thành phần | Nội dung |
|---|---|
| P | Báo cáo được duyệt không cần sửa nhiều hơn 2 điểm; thời gian tạo báo cáo dưới 15 phút |
| E | Google Sheets số liệu, Google Docs template báo cáo công ty, email Gmail |
| A | Điền số liệu vào template, viết nhận xét từng kênh, tạo file và gửi email cho sếp |
| S | File Sheet được share link, brief tuần từ chat hoặc email, template có sẵn |
| Thành phần | Nội dung |
|---|---|
| P | Tỉ lệ CV được recruiter giữ nguyên phân loại sau 24 giờ đạt trên 85%; thời gian xử lý mỗi CV dưới 3 phút |
| E | Email nhận CV, phần mềm ATS nội bộ, JD được lưu trong Google Drive |
| A | Tạo hồ sơ ứng viên trong ATS, gắn tag theo vị trí, gửi email xác nhận, chuyển cho recruiter phụ trách |
| S | Email đính kèm CV (PDF/Word), nội dung JD từ Drive, danh sách tiêu chí tuyển dụng |
| Thành phần | Nội dung |
|---|---|
| P | Tỉ lệ hóa đơn nhập đúng vào phần mềm không cần chỉnh sửa đạt trên 90%; phát hiện hóa đơn trùng trong vòng 1 giờ |
| E | Email nhận hóa đơn, phần mềm kế toán MISA hoặc Fast Accounting, Google Drive lưu trữ |
| A | Đọc thông tin hóa đơn, nhập vào phần mềm kế toán, lưu file vào đúng folder, gắn cờ nếu có bất thường |
| S | Email đính kèm hóa đơn PDF, file scan từ máy in, danh mục nhà cung cấp trong phần mềm |
Ba ví dụ này có điểm chung: Performance measure đều là con số cụ thể, Environment đều liệt kê tên công cụ thực, Actuators đều là hành động rõ ràng có thể kiểm tra được.
Cách kiểm tra thực tế: mỗi performance measure cần gắn với nguồn dữ liệu hoặc log có thể truy vết — có thể là cột database, sự kiện trong CRM, dấu thời gian hoặc kết quả được người phụ trách chấm theo rubric.
| Viết sai | Viết đúng |
|---|---|
| "Phân loại CV chính xác" | "Tỉ lệ CV recruiter giữ nguyên phân loại, đo sau 24 giờ, mục tiêu trên 85%" |
| "Phản hồi nhanh" | "Thời gian từ email vào đến khi gửi email xác nhận, mục tiêu dưới 3 phút" |
| "Khách hàng hài lòng" | "Tỉ lệ ticket được giải quyết ngay lần đầu không cần escalate, mục tiêu trên 70%" |
Nếu chưa có nguồn đo, hãy xác định event, log hoặc tiêu chí đánh giá trước khi dùng chỉ số đó để quyết định agent đã làm tốt hay chưa.
PEAS mô tả môi trường nhiệm vụ, không phải bản thiết kế triển khai hoàn chỉnh. Khi dùng LLM-based agent (ví dụ Claude hoặc GPT), có thể mở rộng bản mô tả bằng một số câu hỏi thực hành sau; đây là phần bổ sung do người thiết kế lựa chọn, không phải thành phần của PEAS gốc:
| Thành phần bổ sung | Nội dung cần xác định |
|---|---|
| Memory | Agent nhớ được gì? Short-term (trong hội thoại) hay long-term (database, vector store)? |
| Tool list | Danh sách cụ thể các tool agent được gọi: search, calendar, email, CRM, file... |
| Reasoning budget | Context window giới hạn: agent xử lý được bao nhiêu thông tin mỗi lần? |
Làm đủ 5 bước này trước khi viết code hoặc cấu hình agent sẽ tiết kiệm đáng kể thời gian debug về sau:
Khung PEAS không phải công cụ phức tạp chỉ dành cho AI engineer. Đây là cách tư duy có cấu trúc để bất kỳ ai cũng có thể xác định rõ bài toán trước khi giao việc cho AI agent.
Những điểm cần nhớ:
Nếu bạn là người đi làm muốn ứng dụng AI agent vào công việc thực tế, bước đầu tiên không phải là chọn tool hay học code. Bước đầu tiên là điền bảng PEAS cho một quy trình lặp lại mà bạn đang làm thủ công mỗi tuần.
Khi đã có bảng PEAS rõ ràng, việc còn lại là kỹ thuật, và kỹ thuật có thể học được hoặc thuê được.
Học cách ứng dụng AI Agent vào công việc qua 4 buổi online với 15 tình huống thực tế.
