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

Giới thiệu về AI Agent Tự Cải Thiện

AI Agent đang phát triển để hoạt động giống như con người: chúng có thể suy luận, mất tới 30 phút để hoàn thành một nhiệm vụ, và thậm chí có thể kiểm soát trình duyệt của bạn. Tuy nhiên, không giống như con người, các agent hiện tại không học hỏi từ những sai lầm của chúng. Mỗi khi bạn chạy một AI agent, nó giống như thức dậy từ hư không và không có ký ức về những gì đang diễn ra. Bài viết này sẽ cung cấp một cái nhìn tổng quan về bộ nhớ của agent và hướng dẫn thực hành xây dựng các agent có bộ nhớ từ đầu, tập trung vào khả năng tự cải thiện của AI agent.

Bộ Nhớ Agentic là gì?

Để hiểu rõ hơn về bộ nhớ agentic, chúng ta có thể so sánh nó với cách hoạt động của bộ não con người. Trong bộ não con 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, như khi bạn quay số điện thoại mà bạn vừa thấy trên trang web. Trong khi đó, 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 cũng có thể được ánh xạ tới các thành phần cụ thể của agent. Theo một nghiên cứu, bộ nhớ ngắn hạn về cơ bản là lịch sử hội thoại, kết quả của các lệnh gọi công cụ và lớp chú ý của LLM cơ bản, là những gì agent hiện đang tập trung vào. Bộ nhớ dài hạn phức tạp hơn và có thể được chia thành ba loại con: bộ nhớ thủ tục, bộ nhớ ngữ nghĩa và bộ nhớ tình tiết.

• Bộ nhớ thủ tục: Cách chúng ta thực hiện các nhiệm vụ, về cơ bản là lời nhắc hệ thống của bạn.
• Bộ nhớ tình tiết: Ghi nhớ các sự kiện cụ thể trong quá khứ, là một vài lời nhắc nhở ngắn gọn.
• Bộ nhớ ngữ nghĩa: Ghi nhớ các sự kiện và đây là loại bộ nhớ mà chúng ta sẽ tập trung vào hôm nay.

Bộ nhớ ngữ nghĩa trong AI agent tương tự như Retrieval Augmented Generation (RAG), sử dụng cơ sở dữ liệu vector để thực hiện tìm kiếm ngữ nghĩa. Giống như bộ não con người, các thành phần của AI agent tương ứng với bộ nhớ ngữ nghĩa và tìm kiếm ngữ nghĩa.

Các Phương Pháp Xây Dựng Bộ Nhớ Ngữ Nghĩa cho AI Agent

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

• Phương pháp nền tảng: Xử lý dữ liệu trong nền. Ví dụ: sau khi một agent hỗ trợ khách hàng đã xử lý 1.000 vé, bạn trích xuất các chi tiết quan trọng từ các vé này và thêm chúng vào kiến thức của agent, tức là cơ sở dữ liệu vector.
• Phương pháp Agentic: Agent tự xác định xem có cần cập nhật bộ nhớ của chính nó hay không, điều này tự nhiên hơn cho cả agent và người dùng.

Phương pháp agentic cực kỳ mạnh mẽ, agent có thể tự học hỏi gần như sau mỗi tin nhắn và sau mỗi lệnh gọi công cụ. Trong một ví dụ, agent đã ngăn chặn các lỗi tương tự mà nó đã mắc phải trước đó trong cuộc trò chuyện trước.

Lợi Ích Của Bộ Nhớ Agentic

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

Lợi ích quan trọng thứ hai là cá nhân hóa. Cá nhân hóa mang lại cho agent của bạn một lợi thế cạnh tranh độc đáo. Nếu agent của bạn biết mọi thứ về khách hàng hoặc người dùng của bạn, thì nó sẽ trở nên có giá trị hơn đối với họ và khiến họ khó chuyển sang một giải pháp khác. Ví dụ: ngay cả khi Anthropic có một mô hình thông minh hơn ChatGPT, nhiều người dùng vẫn ưu tiên ChatGPT vì nó ghi nhớ mọi thứ về họ và doanh nghiệp của họ.

Các Tùy Chọn Xây Dựng Bộ Nhớ cho AI Agent

Bạn có ba tùy chọn để xây dựng bộ nhớ cho agent của mình:

1. Sử dụng cơ sở dữ liệu vector: Bạn có thể sử dụng bất kỳ cơ sở dữ liệu vector nào bạn chọn, như Pinecone hoặc Weaviate, và xây dựng lớp bộ nhớ của riêng bạn từ đầu. Phương pháp này cho phép bạn kiểm soát nhiều nhất, nhưng nó đòi hỏi nhiều công việc hơn.
2. Sử dụng framework hỗ trợ bộ nhớ tích hợp: Nhiều framework hiện nay, như CrewAI và Langchain, đã hỗ trợ bộ nhớ tích hợp. Tuy nhiên, đây không phải là phương pháp được ưu tiên, vì nó có thể trở nên hạn chế khi bạn triển khai vào sản xuất.
3. Sử dụng nền tảng lớp bộ nhớ chuyên dụng: Một số startup đã cố gắng tạo ra lớp bộ nhớ cho AI agent. Với các nền tảng này, bạn chỉ cần kết nối với API của họ. Tùy chọn này cung cấp cho bạn sự cân bằng tốt giữa kiểm soát và nỗ lực phát triển.

Nền tảng được sử dụng trong bài viết này là M0, một nền tảng mã nguồn mở cho phép bạn chạy nó cục bộ hoặc sử dụng nền tảng của họ, cung cấp một lượng dùng thử miễn phí hào phóng để giúp bạn bắt đầu. Tuy nhiên, OpenAI có thể sớm phát hành bộ nhớ trong API của họ, và đây có thể là lựa chọn được ưu tiên hơn.

Hướng Dẫn Thực Hành: Tạo Agent với M0 Từ Đầu

Để tạo agent có bộ nhớ, chúng ta sẽ sử dụng framework riêng có tên là “Agenesis” trên GitHub. Framework này đi kèm với tài liệu đầy đủ, bao gồm mô tả về các thành phần chính như công cụ và agent, cũng như các tính năng nâng cao khác.

Các Bước Tạo Agent

1. Tạo kho lưu trữ (repository): Trên GitHub, tạo một kho lưu trữ mới và sao chép nó cục bộ bằng GitHub Desktop.
2. Tải xuống tệp quy tắc Cursor: Framework sử dụng một tệp quy tắc Cursor đặc biệt để hoạt động. Tải xuống tệp này và thêm nó vào dự án Cursor của bạn. Hãy nhớ cập nhật tệp này thường xuyên để phù hợp với các tính năng mới nhất trong framework.
3. Tạo môi trường ảo Python: Tạo một môi trường ảo Python bằng cách sử dụng lệnh thích hợp trong Cursor.
4. Xây dựng agent bằng Cursor Composer: Sử dụng chế độ agent composer của Cursor để xây dựng agent. Trong ví dụ này, chúng ta sẽ tạo một agent hỗ trợ khách hàng với một vài công cụ.

Các Công Cụ Cần Thiết

Agent hỗ trợ khách hàng sẽ có các công cụ sau:

• Công cụ đọc bộ nhớ
• Công cụ cập nhật bộ nhớ
• Công cụ xóa bộ nhớ
• Công cụ tạo hoàn tiền đơn giản

Mục đích là để agent hỗ trợ khách hàng tìm hiểu sở thích của người dùng và sửa chữa những sai lầm của chính mình. Công cụ tạo hoàn tiền sẽ được sử dụng để kiểm tra xem agent có thể nhớ và học hỏi từ việc thực hiện hoàn tiền không chính xác trước đó hay không.

Lời Nhắc và Cấu Hình

Sử dụng mô hình Claude 3.5 Sonnet (các mô hình khác có thể không hoạt động đúng cách do các vấn đề với chức năng gọi). Trong lời nhắc của bạn, hãy chỉ định:

• Các agent bạn muốn tạo
• Cách các agent này nên hoạt động
• Mô tả của từng công cụ

Thêm một mô tả rõ ràng về tất cả bốn công cụ, bao gồm các tham số mà các công cụ này nhận, cách chúng nên hoạt động và những gì chúng nên trả về trong đầu ra của chúng. Vì Cursor không biết cách API của M0 hoạt động, bạn cần sao chép tài liệu M0 và thêm nó vào lời nhắc. Điều này cho phép Cursor truy cập vào cách API của M0 hoạt động, giúp tạo ra kết quả chính xác hơn.

Tạo Khóa API M0

Truy cập bảng điều khiển M0 và tạo khóa API của riêng bạn. Sao chép khóa API này, cùng với khóa OpenAI của bạn.

Kiểm Tra và Sửa Lỗi

Cursor sẽ tạo các thư mục agent và các công cụ cần thiết. Tuy nhiên, thường có một số điều chỉnh cần thiết để đảm bảo rằng các công cụ hoạt động chính xác. Để tăng tốc quá trình này, bạn có thể yêu cầu agent Cursor kiểm tra và kiểm tra mã của bạn cho bạn.
Nhập lệnh: `Xin vui lòng kiểm tra tất cả các công cụ để đảm bảo chúng hoạt động chính xác.`

Sau khi kiểm tra, bạn có thể cần thực hiện các điều chỉnh như cài đặt các yêu cầu hoặc sửa các phiên bản gói không chính xác. Cursor có thể phát hiện và sửa nhiều lỗi, nhưng bạn vẫn có thể cần phải điều chỉnh thủ công một số công cụ nhất định.

Điều Chỉnh Thủ Công Công Cụ Xóa Bộ Nhớ

Trong ví dụ này, công cụ xóa bộ nhớ có thể gặp phải vấn đề. Để khắc phục điều này:

1. Mở công cụ xóa bộ nhớ trong Cursor.
2. Sao chép đoạn mã Python từ tài liệu M0 cho điểm cuối xóa.
3. Gửi tài liệu này cho Cursor và yêu cầu nó sửa công cụ xóa bộ nhớ.

Lưu Ký Ức Theo ID Người Dùng

Để cho phép mỗi người dùng có những ký ức khác nhau, hãy sử dụng tham số ID người dùng trong M0. Trong Agenesis, bạn có thể sử dụng tính năng “trạng thái dùng chung” để chia sẻ các biến khác nhau giữa tất cả các agent và công cụ của bạn. Đặt ID người dùng trong trạng thái dùng chung trước khi khởi động ứng dụng của bạn.

Khi sử dụng công cụ xóa bộ nhớ và tất cả các công cụ khác với M0, bạn có thể truy cập trạng thái dùng chung này bằng cách sử dụng `self.shared_state.get(“user_id”)`. Điều này đảm bảo rằng ký ức được lưu trữ và xóa riêng cho từng người dùng.

Điều Chỉnh Hướng Dẫn

Viết hướng dẫn cho agent theo cách thủ công để đảm bảo rằng nó hoạt động chính xác. Trong hướng dẫn của bạn, hãy chỉ định vai trò của agent, bối cảnh và quy trình làm việc. Đảm bảo rằng agent luôn kiểm tra bộ nhớ trước khi phản hồi người dùng và lưu tất cả thông tin liên quan vào bộ nhớ. Bạn cũng có thể hướng dẫn nó ghi nhớ những lỗi mà nó đã gặp phải trước đó khi sử dụng các công cụ khác.

Ví dụ: chỉ định rằng agent cần ghi nhớ tên khách hàng, email, số điện thoại, lịch sử đơn hàng, v.v. Bạn cũng có thể yêu cầu nó ghi nhớ những lỗi mà nó đã gặp phải trước đó khi sử dụng các công cụ khác.

Ví Dụ Thực Tế: Agent Hỗ Trợ Khách Hàng Tự Cải Thiện

Với các công cụ và hướng dẫn đã được thiết lập, bạn có thể chạy agent. Đây là một ví dụ về cuộc trò chuyện với agent:

• Người dùng: Xin chào, tôi là Reni.
• Agent: Chào Reni! Thật vui khi được gặp bạn.
• (Agent lưu tên người dùng bằng công cụ thêm bộ nhớ)
• Người dùng: Tên tôi là gì?
• Agent: Tên của bạn là Reni.
• Người dùng: Tôi gặp sự cố với đơn hàng gần đây của tôi.
• Agent: Xin lỗi khi bạn gặp sự cố với đơn hàng của mình. Vui lòng cung cấp thêm chi tiết.
• Người dùng: Tôi muốn hoàn tiền một sản phẩm sữa mà tôi vừa đặt hàng.
• Agent: Xin lỗi, tôi không thể xử lý yêu cầu hoàn tiền cho sản phẩm sữa vì nó chứa các mặt hàng không được hoàn tiền.
• (Agent lưu thông tin này vào bộ nhớ)

Bây giờ, nếu người dùng khởi động lại cuộc trò chuyện và yêu cầu hoàn tiền sản phẩm sữa, agent sẽ sử dụng công cụ tìm kiếm bộ nhớ và cho người dùng biết rằng các sản phẩm sữa không được hoàn tiền mà không cần sử dụng công cụ tạo hoàn tiền. Điều này cho thấy khả năng của agent trong việc học hỏi từ những tương tác trước đó và ngăn chặn những sai lầm trong tương lai.

Ví dụ này nhấn mạnh sức mạnh của bộ nhớ trong việc ngăn chặn lỗi và cải thiện hiệu suất của agent. Hãy tưởng tượng nếu công cụ tạo hoàn tiền là một công cụ thực sự và khách hàng thực sự được hoàn tiền cho một sản phẩm không được hoàn tiền. Điều này có thể gây ra các vấn đề lớn hơn về sau.

Các Ứng Dụng Khác của Bộ Nhớ Agentic

Bộ nhớ agentic có thể mang lại lợi ích đáng kể cho các agent cơ sở dữ liệu thực hiện các truy vấn trên hàng trăm bảng. Nếu một agent cơ sở dữ liệu thực hiện một truy vấn không chính xác, khách hàng có thể cho agent biết bảng chính xác cho truy vấn đó là gì. Sau đó, agent có thể ghi nhớ thông tin này và sử dụng bảng chính xác vào lần tới. Điều này làm cho agent ngày càng mạnh mẽ hơn khi nó được sử dụng.

Kết Luận

Bộ nhớ agentic là một công cụ mạnh mẽ để tạo ra các AI agent tự cải thiện và có thể cá nhân hóa. Bằng cách trang bị cho agent bộ nhớ, bạn có thể cho phép chúng học hỏi từ những sai lầm của mình, ghi nhớ thông tin quan trọng và cung cấp trải nghiệm người dùng tốt hơn. Mặc dù vẫn còn một số thách thức cần vượt qua, nhưng tiềm năng của bộ nhớ agentic là rất lớn và nó có thể cách mạng hóa cách chúng ta tương tác với AI agent.

Bạn có thể tìm thấy mã cho video này bên dưới. Chúng tôi có thể sẽ cải thiện các công cụ này hơn nữa và nếu bạn không muốn xây dựng chúng từ đầu, bạn có thể sao chép chúng từ thư mục memory agency này và sau đó thêm nó vào các agent hiện có của bạn. Cảm ơn bạn đã theo dõi.

Xây Dựng AI Agent Đơn Giản Cho Người Mới Bắt Đầu (Không Cần Code, n8n)

Giới thiệu về AI Agent

Trong bài viết này, chúng ta sẽ khám phá cách xây dựng một AI Agent đơn giản, ngay cả khi bạn không có kinh nghiệm lập trình. Chúng ta sẽ sử dụng nền tảng n8n, một công cụ tự động hóa quy trình làm việc mạnh mẽ, để tạo ra một AI Agent có khả năng gửi email tự động. Bài viết này sẽ giúp bạn hiểu rõ hơn về AI Agent, các thành phần cơ bản của nó, và cách chúng hoạt động.

Các Thành Phần Cơ Bản của AI Agent

Một AI Agent cơ bản bao gồm các thành phần sau:

1. Brain (Bộ não)

Bộ não của AI Agent là một mô hình ngôn ngữ lớn (Large Language Model – LLM) như ChatGPT hoặc Claude 3.5. LLM cho phép AI Agent hiểu và phản hồi các yêu cầu của người dùng.

2. Memory (Bộ nhớ)

Bộ nhớ giúp AI Agent lưu trữ và truy xuất thông tin từ các tương tác trước đó. Điều này cho phép AI Agent duy trì ngữ cảnh và cung cấp các phản hồi phù hợp hơn theo thời gian. Nó giúp AI Agent trở nên “thông minh” hơn khi tương tác nhiều lần.

3. Instructions (Hướng dẫn)

Hướng dẫn là các quy tắc và hướng dẫn được cung cấp cho AI Agent để xác định vai trò, hành vi và cách sử dụng các công cụ. Hướng dẫn thường được gọi là “system prompt” trong AI Agent.

4. Input (Đầu vào)

Đầu vào là thông tin mà người dùng cung cấp cho AI Agent, thường là các câu hỏi hoặc yêu cầu. Đầu vào được gọi là “user message”.

5. Output (Đầu ra)

Đầu ra là phản hồi hoặc hành động mà AI Agent tạo ra dựa trên đầu vào và hướng dẫn. Đầu ra có thể là một câu trả lời, một hành động như gửi email, hoặc một kết quả tìm kiếm từ cơ sở dữ liệu.

Xây Dựng Email Agent Đơn Giản với n8n

Bây giờ, chúng ta sẽ đi vào phần thực hành và xây dựng một Email Agent đơn giản với n8n. Email Agent này sẽ có khả năng nhận yêu cầu từ người dùng và gửi email tự động.

Bước 1: Thiết lập n8n

Đầu tiên, bạn cần cài đặt và thiết lập n8n. Bạn có thể sử dụng n8n Cloud hoặc tự cài đặt trên máy chủ của mình. Hướng dẫn chi tiết về cách cài đặt n8n có thể được tìm thấy trên trang web chính thức của n8n:

Bước 2: Tạo Workflow Mới

Sau khi cài đặt n8n, hãy tạo một workflow mới bằng cách nhấp vào nút “Add first step”.

Bước 3: Thêm Node “AI Agent”

Tìm kiếm và thêm node “AI Agent” vào workflow của bạn. Node này sẽ là trung tâm của AI Agent của bạn.

Bước 4: Cấu Hình Trigger (Kích hoạt)

Để AI Agent có thể nhận yêu cầu từ người dùng, chúng ta cần một trigger. Trong ví dụ này, chúng ta sẽ sử dụng “Chat Message Received” trigger. Trigger này sẽ lắng nghe các tin nhắn đến và kích hoạt workflow.

• Kết nối trigger “Chat Message Received” với node “AI Agent”.
• Trong node “Chat Message Received”, bạn có thể nhập một tin nhắn mẫu để kiểm tra.

Bước 5: Thêm Chat Model (Mô hình Chat)

AI Agent cần một bộ não để xử lý các yêu cầu. Chúng ta sẽ thêm một chat model vào node “AI Agent”.

• Nhấp vào dấu “+” trong node “AI Agent” và chọn “Chat Model”.
• Chọn “OpenAI Chat Model”.
• Kết nối credential (chứng chỉ) OpenAI của bạn. Nếu bạn chưa có, hãy tạo một API key từ trang web OpenAI:
• Chọn mô hình ngôn ngữ bạn muốn sử dụng, ví dụ: “GPT-4” hoặc “GPT-3.5”.

Bước 6: Thêm Memory (Bộ nhớ)

Để AI Agent có thể nhớ các tương tác trước đó, chúng ta sẽ thêm một memory node.

• Nhấp vào dấu “+” trong node “AI Agent” và chọn “Memory”.
• Chọn “Window Buffer Memory”.
• Kết nối memory node với trigger “Chat Message Received”.
• Thiết lập “Context Window Length” để xác định số lượng tin nhắn mà AI Agent sẽ nhớ.

Bước 7: Thêm Tool (Công cụ) – Gmail

Để AI Agent có thể gửi email, chúng ta cần thêm một công cụ Gmail.

• Nhấp vào dấu “+” trong node “AI Agent” và chọn “Tool”.
• Chọn “Gmail”.
• Kết nối credential Google của bạn. Bạn có thể xem video hướng dẫn cách kết nối Google credentials tại đây:
• Trong node Gmail, bạn cần cấu hình các thông số sau:
  • To: Sử dụng expression để lấy địa chỉ email từ yêu cầu của người dùng. Ví dụ: {{$json["emailRecipient"]}}
  • Subject: Sử dụng expression để lấy chủ đề email từ yêu cầu của người dùng. Ví dụ: {{$json["subject"]}}
  • Message: Sử dụng expression để lấy nội dung email từ yêu cầu của người dùng. Ví dụ: {{$json["emailBody"]}}
• Thay đổi “Email Type” thành “Text”.
• Chọn “Append Attribute” và tắt nó đi để tránh dòng chữ “This email was sent by n8n” ở cuối email.
• Đặt tên cho node Gmail là “Send Email”.

Bước 8: Cấu Hình System Message (Hướng dẫn hệ thống)

System message là hướng dẫn cho AI Agent về cách hành động và sử dụng các công cụ. Chúng ta sẽ tạo một system message để hướng dẫn AI Agent gửi email.

• Nhấp vào dấu “+” trong node “AI Agent” và chọn “System Message”.
• Nhập một system message chi tiết, ví dụ:
  “`markdown
  ## Tổng quan
  Bạn là một trợ lý ảo hữu ích có khả năng gửi email dựa trên yêu cầu của người dùng.

  ## Ngữ cảnh
  Người dùng sẽ cung cấp cho bạn một yêu cầu để gửi email. Bạn cần phân tích yêu cầu và xác định địa chỉ email, chủ đề và nội dung email.

  ## Hướng dẫn
  1. Phân tích yêu cầu của người dùng để xác định địa chỉ email, chủ đề và nội dung email.
  2. Sử dụng công cụ “Send Email” để gửi email với các thông số đã xác định.
  3. Trả lời người dùng xác nhận rằng email đã được gửi.

  ## Công cụ
  Bạn có các công cụ sau:
  – Send Email: Gửi email. Bạn cần cung cấp địa chỉ email, chủ đề và nội dung email.

  ## Ví dụ
  Người dùng: “Gửi email đến nate.herk88@gmail.com với chủ đề ‘Chào buổi sáng’ và nội dung ‘Chúc bạn một ngày tốt lành!'”.
  Bạn: “Tôi đã gửi email đến nate.herk88@gmail.com với chủ đề ‘Chào buổi sáng’ và nội dung ‘Chúc bạn một ngày tốt lành!’. Chúc bạn một ngày tốt lành!”.

  ## Quy trình hoạt động tiêu chuẩn
  1. Nhận yêu cầu từ người dùng.
  2. Phân tích yêu cầu và xác định các thông số cần thiết cho công cụ “Send Email”.
  3. Sử dụng công cụ “Send Email” để gửi email.
  4. Trả lời người dùng xác nhận rằng email đã được gửi.

  ## Lưu ý cuối cùng
  – Luôn luôn trả lời người dùng bằng một giọng điệu thân thiện và hữu ích.
  – Đảm bảo rằng bạn đã gửi email thành công trước khi trả lời người dùng.
  – Luôn ký tên ở cuối email là “Frank”.
  “`

Bước 9: Kiểm Tra Email Agent

Bây giờ, chúng ta sẽ kiểm tra Email Agent của chúng ta.

• Trong trigger “Chat Message Received”, nhập một yêu cầu ví dụ: “Gửi email đến nate.herk88@gmail.com với chủ đề ‘Kiểm tra’ và nội dung ‘Đây là email kiểm tra từ AI Agent của bạn.'”.
• Nhấp vào nút “Execute Workflow”.
• Kiểm tra hộp thư đến của bạn để xem email đã được gửi thành công hay chưa.

Thêm Liên Lạc từ Google Sheets

Để AI Agent có thể tìm kiếm địa chỉ email từ cơ sở dữ liệu liên lạc, chúng ta sẽ kết nối nó với Google Sheets.

Bước 1: Thêm Tool “Google Sheets”

• Thêm một tool “Google Sheets” vào workflow của bạn.
• Kết nối credential Google của bạn.
• Chọn document “Contact Database” và sheet chứa dữ liệu liên lạc.
• Đặt tên cho node Google Sheets là “Contact Database”.

Bước 2: Cập Nhật System Message

Chúng ta cần cập nhật system message để hướng dẫn AI Agent sử dụng công cụ “Contact Database”.

• Sử dụng ChatGPT hoặc một LLM khác để chỉnh sửa system message của bạn. Cung cấp cho LLM system message hiện tại và yêu cầu nó thêm một công cụ “Contact Database” để lấy thông tin liên lạc.
• Ví dụ: “Bạn có thể tinh chỉnh prompt này và thêm một công cụ có tên là ‘Contact Database’ mà agent sẽ sử dụng để truy xuất dữ liệu liên lạc như địa chỉ email không?”
• Sao chép system message đã chỉnh sửa và dán nó vào node “System Message” trong n8n.

Bước 3: Kiểm Tra Email Agent với Google Sheets

• Trong trigger “Chat Message Received”, nhập một yêu cầu ví dụ: “Gửi email cho Phil thông báo rằng tôi sẽ không đi làm hôm nay”.
• Nhấp vào nút “Execute Workflow”.
• Kiểm tra hộp thư đến của Phil để xem email đã được gửi thành công hay chưa.

Phân Tích Log của AI Agent

Để hiểu rõ hơn về cách AI Agent hoạt động, bạn có thể xem log của nó.

• Nhấp vào node “AI Agent” và chọn “Logs”.
• Bạn có thể xem các bước mà AI Agent đã thực hiện, bao gồm:
  • Thêm tin nhắn chat vào window buffer memory.
  • Sử dụng OpenAI chat model để phân tích yêu cầu.
  • Sử dụng công cụ “Send Email” để gửi email.
  • Cập nhật memory.

Kết luận

Trong bài viết này, chúng ta đã tìm hiểu cách xây dựng một AI Agent đơn giản có khả năng gửi email tự động bằng cách sử dụng n8n. Chúng ta đã khám phá các thành phần cơ bản của AI Agent, cách cấu hình chúng trong n8n, và cách kết nối AI Agent với các công cụ khác như Gmail và Google Sheets. Với kiến thức này, bạn có thể bắt đầu xây dựng các AI Agent phức tạp hơn để tự động hóa các tác vụ khác nhau trong cuộc sống và công việc của bạn.

Hãy nhớ rằng, đây chỉ là một ví dụ đơn giản. Bạn có thể tùy chỉnh và mở rộng AI Agent này để đáp ứng nhu cầu cụ thể của bạn. Ví dụ: bạn có thể thêm các công cụ khác như Slack, Telegram, hoặc các cơ sở dữ liệu khác để tạo ra một AI Agent đa năng và mạnh mẽ.

Mở Khóa Sức Mạnh của Công Cụ Video Faceless với API Duy Nhất (n8n+?): Hướng Dẫn Chi Tiết

Giới Thiệu

Bạn đang tìm kiếm một cách dễ dàng và hiệu quả để tạo ra các video faceless ấn tượng? Bạn mệt mỏi với việc phải thiết lập và quản lý nhiều mô hình AI khác nhau để chuyển đổi hình ảnh thành video? Nếu câu trả lời là có, thì bài viết này chính là dành cho bạn! Chúng ta sẽ cùng nhau khám phá một công cụ mạnh mẽ, giúp bạn kết nối tới 97 mô hình AI chỉ với một API duy nhất, tiết kiệm thời gian và công sức đáng kể. Hãy cùng bắt đầu hành trình khám phá thế giới video faceless đầy tiềm năng!

Vấn Đề: Sự Phức Tạp trong Việc Tạo Video Faceless

Trong thế giới nội dung số ngày nay, video faceless đang trở nên ngày càng phổ biến. Tuy nhiên, quá trình tạo ra chúng có thể gặp nhiều khó khăn, đặc biệt là khi bạn phải làm việc với nhiều công cụ và nền tảng khác nhau. Dưới đây là một số vấn đề chính mà người tạo video faceless thường gặp phải:

• Thiết lập phức tạp: Mỗi mô hình AI yêu cầu một quy trình thiết lập riêng biệt, tốn thời gian và công sức.
• Quản lý nhiều tài khoản: Việc đăng ký và quản lý tài khoản trên nhiều nền tảng khác nhau có thể trở nên rắc rối.
• Chi phí cao: Sử dụng nhiều mô hình AI khác nhau có thể dẫn đến chi phí đáng kể.
• Khó khăn trong việc thử nghiệm: Việc thử nghiệm các mô hình AI khác nhau để tìm ra lựa chọn tốt nhất có thể tốn thời gian và tiền bạc.

Vậy, có giải pháp nào đơn giản và hiệu quả hơn không?

Giải Pháp: Segmind – Công Cụ “Tất Cả trong Một” cho Video Faceless

Segmind là một nền tảng đột phá, cung cấp một giải pháp “tất cả trong một” cho việc tạo video faceless. Với Segmind, bạn có thể:

• Kết nối tới 97 mô hình AI: Truy cập vào một loạt các mô hình AI hàng đầu, bao gồm Cling AI, RunwayML, Stable Diffusion và nhiều hơn nữa.
• Sử dụng một API duy nhất: Đơn giản hóa quy trình làm việc của bạn bằng cách sử dụng một API duy nhất để truy cập tất cả các mô hình AI.
• Tiết kiệm thời gian và công sức: Loại bỏ nhu cầu thiết lập và quản lý nhiều tài khoản khác nhau.
• Dễ dàng thử nghiệm: Thử nghiệm các mô hình AI khác nhau một cách dễ dàng để tìm ra lựa chọn tốt nhất cho nhu cầu của bạn.
• Quản lý chi phí hiệu quả: Quản lý chi phí của bạn một cách tập trung và hiệu quả.

Segmind không chỉ là một công cụ, mà còn là một trợ thủ đắc lực, giúp bạn biến những ý tưởng sáng tạo thành những video faceless ấn tượng.

Hướng Dẫn Chi Tiết: Sử Dụng Segmind để Tạo Video Faceless

Bây giờ, chúng ta sẽ cùng nhau khám phá cách sử dụng Segmind để tạo video faceless. Dưới đây là hướng dẫn từng bước:

Bước 1: Đăng Ký và Đăng Nhập

Truy cập trang web Segmind và đăng ký tài khoản. Sau khi đăng ký, hãy đăng nhập vào bảng điều khiển của bạn.

Bước 2: Khám Phá Model Hub

Trong bảng điều khiển, bạn sẽ thấy một loạt các thống kê và mẫu quy trình làm việc. Để khám phá các mô hình AI có sẵn, hãy nhấp vào “Model Hub” ở bên trái. Bạn sẽ thấy một danh sách dài các mô hình khác nhau mà bạn có thể kết nối.

Bước 3: Lọc và Chọn Mô Hình

Để tìm các mô hình phù hợp cho việc tạo video faceless, hãy sử dụng chức năng tìm kiếm và nhập “image to video”. Bạn sẽ thấy một số tùy chọn, bao gồm Cling AI 1.6, RunwayML và các mô hình khác. Chọn một mô hình mà bạn muốn thử nghiệm.

Bước 4: Khám Phá Trang Tổng Quan của Mô Hình

Sau khi chọn một mô hình, bạn sẽ được chuyển đến trang tổng quan của mô hình đó. Tại đây, bạn có thể tìm thấy thông tin chi tiết về mô hình, bao gồm các tính năng, giá cả và cách sử dụng.

Bước 5: Thử Nghiệm Mô Hình (Tùy Chọn)

Trước khi sử dụng mô hình thông qua API, bạn có thể thử nghiệm nó trực tiếp trên trang tổng quan. Tải lên hình ảnh của bạn và nhập một prompt để tạo video. Điều này giúp bạn hiểu rõ hơn về khả năng của mô hình.

Bước 6: Kiểm Tra Giá Cả

Mỗi mô hình AI trên Segmind có một cấu trúc giá riêng. Truy cập phần “Pricing” để xem chi phí cụ thể cho mỗi mô hình. Ví dụ, Cling AI có thể tính phí 50 cent cho 5 giây video.

Bước 7: Lấy API Key

Để sử dụng mô hình thông qua API, bạn cần lấy API key của mình. Nhấp vào phần “API” và tạo một API key mới. Bạn sẽ nhận được một khoản tín dụng miễn phí để thử nghiệm.

Bước 8: Thiết Lập Workflow trong n8n

Bây giờ, chúng ta sẽ tích hợp Segmind vào n8n, một nền tảng tự động hóa workflow mạnh mẽ. Dưới đây là các bước:

1. Tạo Workflow Mới: Tạo một workflow mới trong n8n.
2. Thêm Manual Trigger: Thêm một node “Manual Trigger” để kích hoạt workflow.
3. Thêm Set Node: Thêm một node “Set” để đặt URL hình ảnh đầu vào.
4. Thêm HTTP Request Node: Thêm một node “HTTP Request” để gửi yêu cầu đến API của Segmind.

Bước 9: Cấu Hình HTTP Request Node

Trong node “HTTP Request”, cấu hình các thông số sau:

• Method: Chọn “POST” (vì chúng ta đang gửi dữ liệu).
• URL: Nhập URL API của mô hình bạn muốn sử dụng. URL này có dạng api.segmind.com/v1/{tên-mô-hình}. Bạn có thể tìm thấy URL này trong phần “API” trên trang tổng quan của mô hình trên Segmind. Ví dụ: api.segmind.com/v1/runwayml-gen-3-alpha-turbo.
• Headers: Thêm một header có tên X-API-Key và giá trị là API key bạn đã lấy ở bước 7. Lưu ý: Để bảo mật, bạn nên sử dụng predefined credential type thay vì trực tiếp nhập API key vào header.
• Body: Điền vào các tham số mà mô hình yêu cầu. Bạn có thể tìm thấy danh sách các tham số này trong phần “Playground” trên trang tổng quan của mô hình trên Segmind. Các tham số thường bao gồm:
  • prompt: Mô tả hình ảnh bạn muốn tạo video.
  • image: URL của hình ảnh đầu vào.
  • seed: Một số ngẫu nhiên để tạo ra các kết quả khác nhau (tùy chọn).
  • aspect_ratio: Tỉ lệ khung hình của video (ví dụ: 16:9).
  • duration: Độ dài của video (ví dụ: 5 giây).

Bước 10: Chạy Workflow và Xem Kết Quả

Sau khi cấu hình xong node “HTTP Request”, hãy chạy workflow của bạn. Bạn sẽ nhận được một video được tạo ra từ hình ảnh đầu vào của bạn. Kết quả sẽ được hiển thị trong output của node “HTTP Request”.

Ví Dụ Thực Tế: Chuyển Đổi Ảnh Phong Cảnh Thành Video

Hãy cùng xem một ví dụ cụ thể. Giả sử bạn có một bức ảnh phong cảnh với một người phụ nữ đang đi bộ trong một cánh đồng hoa hướng dương. Bạn muốn chuyển đổi bức ảnh này thành một video động. Dưới đây là cách bạn có thể làm điều đó với Segmind và n8n:

1. Chọn Mô Hình: Chọn mô hình RunwayML Gen-3 Alpha Turbo.
2. Nhập Prompt: Nhập prompt “Người phụ nữ đi bộ qua cánh đồng hoa hướng dương dọc theo bờ sông”.
3. Nhập URL Hình Ảnh: Nhập URL của bức ảnh phong cảnh.
4. Cấu Hình Tham Số: Đặt aspect_ratio thành 16:9 và duration thành 5.
5. Chạy Workflow: Chạy workflow và xem kết quả.

Kết quả là một video động, trong đó người phụ nữ đang đi bộ qua cánh đồng hoa hướng dương. Mô hình AI đã hiểu rõ prompt và tạo ra một video ấn tượng.

Lời Khuyên và Mẹo

Dưới đây là một số lời khuyên và mẹo để bạn tận dụng tối đa Segmind:

• Thử Nghiệm Nhiều Mô Hình: Đừng ngại thử nghiệm các mô hình AI khác nhau để tìm ra lựa chọn tốt nhất cho nhu cầu của bạn.
• Tối Ưu Hóa Prompts: Viết prompts rõ ràng và chi tiết để có được kết quả tốt nhất.
• Sử Dụng Các Tham Số Nâng Cao: Khám phá các tham số nâng cao để tùy chỉnh video của bạn.
• Theo Dõi Chi Phí: Theo dõi chi phí của bạn để đảm bảo bạn không vượt quá ngân sách.
• Tham Gia Cộng Đồng: Tham gia cộng đồng Segmind để học hỏi kinh nghiệm từ những người dùng khác.

Ứng Dụng Thực Tế của Video Faceless

Video faceless có rất nhiều ứng dụng thực tế trong nhiều lĩnh vực khác nhau, bao gồm:

• Marketing: Tạo video quảng cáo sản phẩm và dịch vụ mà không cần sử dụng diễn viên.
• Giáo dục: Tạo video hướng dẫn và giải thích mà không cần xuất hiện trước ống kính.
• Giải trí: Tạo video hoạt hình và hiệu ứng đặc biệt mà không cần kỹ năng vẽ hoặc làm phim hoạt hình.
• Nội dung sáng tạo: Tạo video nghệ thuật và thử nghiệm các ý tưởng mới.

Với Segmind, bạn có thể dễ dàng tạo ra các video faceless chất lượng cao cho bất kỳ mục đích nào.

Kết Luận

Segmind là một công cụ mạnh mẽ và linh hoạt, giúp bạn mở khóa sức mạnh của video faceless. Với một API duy nhất, bạn có thể kết nối tới 97 mô hình AI khác nhau và tạo ra những video ấn tượng một cách dễ dàng và hiệu quả. Hãy bắt đầu khám phá Segmind ngay hôm nay và biến những ý tưởng sáng tạo của bạn thành hiện thực!

Nếu bạn thấy bài viết này hữu ích, hãy chia sẻ nó với bạn bè và đồng nghiệp của bạn. Đừng quên đăng ký theo dõi để nhận thêm nhiều thông tin hữu ích về video faceless và các công cụ AI khác.