- Andrew Ng đề xuất tập trung vào AI agent và các hệ thống agentic, đồng thời thay vì tranh luận về định nghĩa agent, hãy chú ý đến phổ mức độ tự chủ
- Hiện nay, cơ hội kinh doanh thực tế nằm nhiều hơn ở các workflow đơn giản, tuyến tính hoặc chỉ có nhánh nhỏ hơn là các tác tử hoàn toàn tự chủ và phức tạp
- Các kỹ năng thực chiến cần thiết để thiết kế và vận hành hệ thống agentic như phân rã công việc, hệ thống đánh giá, kết nối dữ liệu... vẫn còn khan hiếm, và năng lực tận dụng nhiều công cụ là rất quan trọng
- Đánh giá (evals), voice stack, trợ lý code AI được xem là những công cụ cốt lõi nhưng chưa được chú ý đúng mức
- Yếu tố then chốt để startup thành công là tốc độ thực thi và hiểu biết kỹ thuật sâu sắc; cùng với sự phát triển của công cụ AI, việc nhiều người không phải lập trình viên cũng có năng lực code cơ bản sẽ giúp nâng cao năng suất
Introduction
- Giới thiệu bối cảnh Andrew Ng đã đóng góp cho nhiều dự án và cộng đồng AI/agent khác nhau như LangChain
- Thay vì tranh luận về định nghĩa agent, ông nhấn mạnh rằng các hệ thống agentic có thể có nhiều mức độ tự chủ khác nhau
- Ông đề xuất cách tiếp cận thực dụng: thay vì hỏi “có phải agent thật không”, hãy xem mức độ tự chủ như một phổ liên tục
Opportunities: Cơ hội kinh doanh thực tế
- Trên thực tế, nhiều workflow kinh doanh chỉ gồm luồng tuyến tính hoặc một vài nhánh nhỏ
- Ví dụ: điền biểu mẫu web, truy vấn cơ sở dữ liệu, tìm kiếm đơn giản và các tác vụ lặp lại khác
- Các năng lực thực tế như phân rã công việc và tinh chỉnh chi tiết (chia nhỏ thành micro-task), thiết kế chỉ số đánh giá, cải thiện workflow... đang khan hiếm
- Workflow agentic phức tạp cũng quan trọng, nhưng phần lớn giá trị được tạo ra từ các cấu trúc lặp lại đơn giản
Skills: Năng lực mà người xây dựng agent cần có
- Sau khi nắm bắt quy trình kinh doanh, cần có năng lực thiết kế có hệ thống như thu thập/tích hợp dữ liệu, prompt, phân tách quy trình
- Hệ thống đánh giá tự động (theo dõi hiệu năng theo hệ thống/thành phần, xây dựng framework đánh giá...) là rất quan trọng
- Các đội ngũ giàu kinh nghiệm không bị ám ảnh bởi những “cải tiến không cần thiết”, mà biết cách lách qua hoặc thay thế vấn đề một cách hiệu quả
- Họ trực tiếp thử nghiệm nhiều công cụ và framework AI khác nhau, đồng thời có tốc độ ra quyết định, thử nghiệm và kết hợp công cụ (kiểu khối Lego) rất nhanh
AI Tools & thay đổi
- Trong 2~3 năm gần đây, hệ sinh thái công cụ AI (ví dụ: Langgraph, RAG, chatbot, quản lý bộ nhớ, đánh giá/guardrail...) đã trở nên đa dạng hơn
- Các công cụ có thể được kết hợp linh hoạt như khối Lego, nên càng tích lũy nhiều kinh nghiệm sử dụng thực tế càng có thể ra quyết định nhanh hơn
- Khi cửa sổ ngữ cảnh của LLM tăng lên, vai trò thực tế của một số kỹ thuật như RAG cũng thay đổi — tầm quan trọng của tinh chỉnh siêu tham số giảm đi
Underrated Tools: Những công cụ cốt lõi bị đánh giá thấp
- Evals (đánh giá tự động): nhiều nhóm cho rằng quá khó, nhưng điều quan trọng là tạo nhanh từ những ví dụ nhỏ rồi cải thiện dần
- Voice stack (workflow dựa trên giọng nói): nhu cầu và mức độ ứng dụng trong các doanh nghiệp lớn đang tăng nhanh, nhưng cộng đồng lập trình viên vẫn chưa quan tâm đủ
- Trợ lý code AI: lập trình có AI hỗ trợ giúp tăng năng suất; nếu mọi thành viên đều có năng lực code cơ bản thì năng suất theo từng vai trò cũng được cải thiện
- Trường hợp của AI Fund: từ lễ tân, CFO đến luật sư đều học code để tăng hiệu quả công việc
Đặc điểm của ứng dụng giọng nói
- Đầu vào bằng giọng nói giúp giảm gánh nặng cho người dùng và thúc đẩy nhập thông tin nhanh hơn so với prompt văn bản
- Với agent dựa trên giọng nói, thời gian phản hồi (độ trễ) là yếu tố cực kỳ quan trọng (lý tưởng là dưới 1 giây), và có thể áp dụng nhiều mẹo UX cho tương tác thời gian thực (ví dụ: pre-response, tiếng ồn nền)
- Giao diện giọng nói có phạm vi ứng dụng và tiềm năng rất lớn, nhưng vẫn cần thêm công cụ cho nhà phát triển và hạ tầng hỗ trợ
MCP: Chuẩn hóa và tích hợp dữ liệu
- MCP (Mesh Capability Protocol): xu hướng trong ngành nhằm kết nối nhiều nguồn dữ liệu, API và công cụ qua giao diện chuẩn hóa
- Tiêu chuẩn MCP vẫn đang ở giai đoạn đầu, nhưng được kỳ vọng sẽ trở thành trục cốt lõi giúp đơn giản hóa việc tích hợp dữ liệu và công cụ phức tạp
- Tầm nhìn là khi kết nối n agent với m nguồn dữ liệu, có thể tích hợp với chi phí n+m thay vì n*m
Hệ thống Agent-to-Agent
- Đa agent và tương tác giữa các agent vẫn còn ở giai đoạn rất sớm; hiện tại phần lớn các trường hợp thành công thực tế vẫn chỉ nằm trong cùng một đội ngũ
- Tương tác agent giữa các nhóm hoặc công ty khác nhau là lĩnh vực sẽ phát triển trong tương lai
Vibe Coding và lập trình với AI
- Hiện tượng “Vibe Coding” khi code cùng trợ lý AI thực tế đòi hỏi mức độ tập trung cao và lao động trí óc đáng kể; khác với tên gọi, đó không phải là kiểu code chỉ dựa vào “cảm giác”
- Sự phát triển của trợ lý code AI khiến tầm quan trọng của năng lực lập trình ngày càng tăng ở nhiều nhóm lao động và cả những người không phải lập trình viên
- Học code là chìa khóa cho năng suất trong tương lai — nên thành thạo ít nhất một ngôn ngữ lập trình (đặc biệt là Python)
Advice for Startups: Lời khuyên cho startup AI
- Yếu tố số một quyết định thành công của startup là tốc độ thực thi, số hai là hiểu biết sâu về công nghệ
- Marketing/bán hàng/định giá đều quan trọng, nhưng hiểu được công nghệ thực sự vận hành thế nào và những thay đổi kỹ thuật mới nhất còn khan hiếm hơn và quan trọng hơn
- Những đội ngũ có cảm nhận sâu sắc về bản chất kỹ thuật có thể giải quyết vấn đề nhanh và hiệu quả hơn
2 bình luận
Phần MCP (Mesh Capability Protocol) này chắc là lỗi gõ đúng không?
Có vẻ mấu chốt thành công là cách phân chia chức năng và quyền hạn trong agent, rồi cấu thành workflow như thế nào.
Có vẻ vì MCP là thuật ngữ mới nổi gần đây nên LLM chưa được học, thành ra dùng từ nghe khá lạ haha