Cách Dễ Nhất Để Tạo Ra Các AI Agent Tự Cải Thiện

Giới thiệu về AI Agent Tự Cải Thiện

Trong thế giới AI đang phát triển nhanh chóng, AI Agent đang nổi lên như
một công cụ mạnh mẽ, có khả năng làm việc giống như con người. Chúng có
thể suy luận, mất đến 30 phút để hoàn thành một nhiệm vụ và thậm chí điều
khiển trình duyệt của bạn. Tuy nhiên, khác với con người, các AI Agent
hiện tại thường không học hỏi từ những sai lầm của mình. Mỗi khi bạn chạy
một AI Agent, nó giống như thức dậy từ hư không và hoàn toàn không có ký
ức về những gì đã xảy ra. Bài viết này sẽ hướng dẫn bạn cách tạo ra các
AI Agent tự cải thiện bằng
cách tích hợp bộ nhớ vào chúng.

Tổng quan về Bộ Nhớ Agentic

Trước khi đi sâu vào phần thực hành, hãy cùng tìm hiểu xem bộ nhớ agentic
là gì và nó hoạt động như thế nào. Cách dễ nhất để làm điều này là so
sánh nó với cách bộ nhớ hoạt động trong não người.

Bộ Nhớ Ngắn Hạn và Dài Hạn

Trong não người, có bộ nhớ ngắn hạn và bộ nhớ dài hạn. Bộ nhớ ngắn hạn
chịu trách nhiệm ghi nhớ một vài thứ trong một khoảng thời gian rất ngắn,
chẳng hạn như khi bạn đang quay số điện thoại mà bạn vừa thấy trên trang
web. Bộ nhớ dài hạn chịu trách nhiệm ghi nhớ thông tin từ nhiều ngày,
nhiều tuần hoặc thậm chí nhiều năm trước, ví dụ như sinh nhật của bạn đã
diễn ra như thế nào.

Đối với AI Agent, cả hai loại bộ nhớ này đều có thể được ánh xạ tới các
thành phần agent cụ thể.

Các Loại Bộ Nhớ Dài Hạn trong AI Agent

Bộ nhớ dài hạn có thể được chia thành ba loại:

• Bộ nhớ thủ tục (Procedural Memory): Cách chúng ta thực hiện
  các nhiệm vụ, về cơ bản là lời nhắc hệ thống của bạn.
• Bộ nhớ hồi ức (Episodic Memory): Nhớ lại các sự kiện cụ
  thể trong quá khứ, là một vài lời nhắc nhở.
• Bộ nhớ ngữ nghĩa (Semantic Memory): Nhớ lại các sự kiện,
  sử dụng cơ sở dữ liệu vector để thực hiện tìm kiếm ngữ nghĩa.

Trong bài viết này, chúng ta sẽ tập trung vào
bộ nhớ ngữ nghĩa, còn được
gọi là
retrieval augmented generation (RAG).

Xây Dựng Bộ Nhớ Ngữ Nghĩa cho AI Agent

Khi xây dựng bộ nhớ ngữ nghĩa trong AI Agent, bạn thường có hai lựa chọn:
phương pháp nền tiêu chuẩn và phương pháp agentic hoàn toàn mới.

Phương Pháp Nền Tiêu Chuẩn

Phương pháp nền tiêu chuẩn là cách mọi thứ thường được thực hiện trước đây.
Bạn chỉ cần xử lý dữ liệu của mình trong nền. Ví dụ: sau khi một agent hỗ
trợ khách hàng đã xử lý 1.000 vé, bạn trích xuất các chi tiết chính từ các
vé này và sau đó thêm nó vào kiến thức của agent, đó là một cơ sở dữ liệu
vector.

Phương Pháp Agentic Hoàn Toàn Mới

Phương pháp agentic hoàn toàn mới là cách agent tự xác định xem nó có cần
cập nhật bộ nhớ của chính mình hay không. Điều này tự nhiên hơn nhiều cho
cả agent và người dùng. Agent thực sự học hỏi gần như sau mỗi tin nhắn và
gần như sau mỗi lần gọi công cụ. Nó ngăn chặn những sai lầm tương tự mà
nó đã mắc phải trước đó trong cuộc trò chuyện trước đó.

Lợi Ích Của Bộ Nhớ Agentic

Lợi ích của bộ nhớ agentic lớn hơn bạn nghĩ. Lợi ích chính thậm chí không
phải là khả năng truy xuất ngữ cảnh hoặc sự kiện. Thay vào đó, đó là
khả năng tự cải thiện. Bộ
nhớ là cách dễ nhất để bạn tạo ra các AI Agent tự cải thiện vì agent có
thể ghi nhớ những sai lầm của chính mình. Bạn chỉ cần thêm ba công cụ vào
một agent và sau đó agent có thể tự cải thiện ngay lập tức.

Lợi ích quan trọng thứ hai là
cá nhân hóa. Cá nhân hóa
mang lại cho agent của bạn một lợi thế cạnh tranh rất độc đáo. Nếu agent
của bạn biết mọi thứ về khách hàng hoặc người dùng của bạn, thì nó ngay
lập tức có giá trị hơn đối với họ và do đó, họ cũng khó chuyển sang một
giải pháp khác hơn.

Ví dụ: ngay cả khi Anthropic có mô hình thông minh hơn một chút so với
ChatGPT, nhiều người dùng vẫn thích ChatGPT vì ChatGPT ghi nhớ mọi thứ về
họ và doanh nghiệp của họ. Vì vậy, khi họ yêu cầu nó soạn thảo một email,
kết quả luôn tốt hơn gấp 10 lần.

Các Tùy Chọn Xây Dựng Bộ Nhớ cho AI Agent

Khi xây dựng bộ nhớ trong agent của bạn, bạn có ba tùy chọn:

• Sử dụng cơ sở dữ liệu vector.
• Sử dụng một framework hỗ trợ bộ nhớ “out of the box”.
• Sử dụng một nền tảng lớp bộ nhớ đặc biệt.

Cơ Sở Dữ Liệu Vector

Bạn có thể sử dụng bất kỳ cơ sở dữ liệu vector nào bạn chọn, chẳng hạn như
Pinecone hoặc V8, và xây dựng lớp bộ nhớ của riêng bạn từ đầu. Phương pháp
này cho phép bạn kiểm soát nhiều nhất, nhưng rõ ràng nó đòi hỏi nhiều công
việc hơn.

Framework Hỗ Trợ Bộ Nhớ “Out of the Box”

Nhiều framework hiện nay, như CrewAI và Langchain, đã hỗ trợ bộ nhớ “out
of the box”. Tuy nhiên, đây có lẽ không phải là phương án được ưu tiên, vì
nó hoạt động tốt khi bắt đầu vì nó đòi hỏi nỗ lực phát triển rất ít, nhưng
ngay khi bạn đưa nó vào sản xuất, nó ngay lập tức trở nên hạn chế vì bạn
không có quyền kiểm soát cách bộ nhớ được xử lý và agent thực sự ghi nhớ
những gì.

Nền Tảng Lớp Bộ Nhớ Chuyên Dụng

Một số startup có tư duy tiến bộ đã cố gắng tạo ra lớp bộ nhớ cho AI
Agent. Vì vậy, tất cả những gì bạn cần làm với các nền tảng như vậy là
kết nối với API của họ và thế là xong. Tùy chọn này cung cấp cho bạn sự
cân bằng rất tốt giữa quyền kiểm soát và nỗ lực phát triển. Một nền tảng
được gọi là M0, mã nguồn mở hoàn toàn nên bạn thậm chí có thể chạy nó cục
bộ hoặc bạn có thể sử dụng nền tảng của họ.

Tuy nhiên, OpenAI có thể sớm phát hành bộ nhớ trong API, đó sẽ là lựa chọn
được ưu tiên.

Hướng Dẫn Thực Hành: Tạo AI Agent với Bộ Nhớ Sử Dụng M0

Trong phần này, chúng ta sẽ xây dựng một AI Agent có bộ nhớ từ đầu bằng
cách sử dụng M0 và framework Agent của riêng chúng ta.

Bước 1: Tạo Kho Lưu Trữ (Repository)

Truy cập kho lưu trữ của bạn trên GitHub, nhấp vào “New” và sau đó đặt tên
cho kho lưu trữ của bạn và nhấp vào “Create”. Bây giờ, hãy nhấp vào “Open
with GitHub Desktop” và đảm bảo sao chép nó cục bộ.

Bước 2: Chuẩn Bị Môi Trường Phát Triển

Chúng ta sẽ xây dựng các agent của mình bằng các AI Agent khác, cụ thể là
sử dụng Agent con trỏ để xây dựng các agent này cho chúng ta. Sao chép tệp
quy tắc con trỏ đặc biệt này. Tải xuống tệp, quay lại con trỏ và sau đó
thêm nó vào bên trái. Liên tục cập nhật tệp này để phù hợp với các tính
năng mới nhất trong framework.

Bước 3: Tạo Môi Trường Ảo Python

Nhấp vào Command Shift P hoặc Control Shift P trên Windows, nhấp vào
“Select Interpreter”, “Create Virtual Environment” và sau đó chọn VN và
Python mới nhất mà bạn đã cài đặt.

Bước 4: Xây Dựng AI Agent Hỗ Trợ Khách Hàng

Chúng ta sẽ xây dựng một AI Agent hỗ trợ khách hàng với một vài công cụ.
Đầu tiên, nó sẽ có ba công cụ để đọc bộ nhớ, cập nhật bộ nhớ và xóa bộ
nhớ. Sau đó, nó cũng sẽ có một công cụ “make a refund” đơn giản. Ý tưởng
là agent hỗ trợ khách hàng cần tìm hiểu sở thích của người dùng và sửa chữa
những sai lầm của chính mình. Mục đích của công cụ “make a refund” là để
kiểm tra xem agent có thể ghi nhớ để học hỏi từ việc thực hiện hoàn tiền
không chính xác trước đây hay không.

Bước 5: Cung Cấp Hướng Dẫn cho Agent

Giải thích tất cả điều này cho một mô hình ngôn ngữ lớn. Trong lời nhắc
của bạn, hãy đảm bảo chỉ định những agent bạn muốn tạo, cách các agent này
sẽ hoạt động và cả mô tả của từng công cụ. Thêm mô tả rõ ràng về tất cả
bốn công cụ, bao gồm các tham số mà các công cụ này chấp nhận, cách chúng
sẽ hoạt động và những gì chúng sẽ trả về trong kết quả đầu ra của chúng.

Vì một LLM có thể không biết cách API M0 hoạt động, hãy truy cập tài liệu
M0 và sao chép tài liệu đó vào lời nhắc. Bây giờ, LLM sẽ có quyền truy
cập vào cách API M0 hoạt động, điều này sẽ giúp nó tạo ra kết quả chính
xác hơn nhiều. Bất kỳ API nào bạn sử dụng, hãy nhớ làm tương tự.

Bước 6: Tạo Khóa API M0

Truy cập trang tổng quan M0 và tạo khóa API của riêng bạn. Đi tới tab có
tên “API keys” và ở đây chỉ cần nhấp vào “create new API key”, đặt tên cho
khóa API và sau đó nhấp vào “create API key”. Sau đó, sao chép khóa API
này.

Bước 7: Kiểm Tra và Sửa Lỗi

Yêu cầu agent kiểm tra tất cả các công cụ để đảm bảo rằng chúng hoạt động
chính xác. Thêm khóa API M0 vào tệp .env. Mở terminal và sau đó chạy lệnh
“pip install requirements.txt”.

Nếu có vấn đề, hãy quay lại tài liệu và sửa đổi cho phù hợp. Bạn cần lặp
lại với LLM trước khi có thể nhận được bản demo hoạt động.

Bước 8: Điều Chỉnh Bộ Nhớ và Hướng Dẫn

Điều chỉnh các công cụ không hoạt động theo cách thủ công. Lưu bộ nhớ theo
ID người dùng để mỗi người dùng trong ứng dụng của bạn có những ký ức hoàn
toàn khác biệt so với những người dùng khác. Truy cập trạng thái được chia
sẻ bằng cách sử dụng “self.shared_state.get_user_id” để những ký ức sẽ
được lưu trữ và xóa cho từng người dùng riêng biệt.

Trong hướng dẫn của bạn, hãy chỉ định vai trò của agent, ngữ cảnh và quy
trình làm việc. Đừng dựa vào LLM để tạo ra các hướng dẫn. Viết tất cả các
hướng dẫn từ đầu.

Bước 9: Chạy AI Agent và Kiểm Tra Bộ Nhớ

Nhắc agent của bạn luôn kiểm tra bộ nhớ trước khi trả lời người dùng. Đảm
bảo rằng agent lưu tất cả thông tin có liên quan. Lưu những lỗi mà nó gặp
phải trước đó khi sử dụng các công cụ khác.

Chạy tệp agent và xem AI Agent đang hoạt động. Nếu bạn khởi động lại cuộc
trò chuyện, agent sẽ không khởi động lại từ đầu trên mọi tương tác duy
nhất, nó thực sự ghi nhớ những thứ từ các cuộc trò chuyện trước đó.

Ví Dụ: Hoàn Tiền Sản Phẩm Sữa

Yêu cầu hoàn lại sản phẩm sữa. Agent có thể trả về lỗi rằng nó không thể
xử lý hoàn tiền cho sản phẩm sữa vì nó chứa loại mặt hàng không được hoàn
tiền. Sau đó, agent thực sự lưu thông tin này vào bộ nhớ.

Nếu bạn khởi động lại cuộc trò chuyện và sau đó nói lại rằng bạn muốn hoàn
lại sản phẩm sữa, agent sẽ sử dụng công cụ tìm kiếm bộ nhớ và sau đó cho
bạn biết rằng các sản phẩm sữa không được hoàn tiền mà không cần sử dụng
công cụ “make refund”.

Kết Luận

Bộ nhớ giúp bạn ngăn ngừa sai lầm và cải thiện hiệu suất của agent.
AI Agent tự cải thiện là
tương lai và bộ nhớ là chìa khóa để mở ra tiềm năng đó.