Posted inAI

Vượt xa Single Prompt: Xây dựng quy trình AI Multi-Agent với CrewAI và Python

AI tutorial - IT technology blog
AI tutorial - IT technology blog

Rào cản của Single-Prompt

Hầu hết chúng ta bắt đầu bằng cách ném một prompt duy nhất, đồ sộ vào một LLM và hy vọng vào điều kỳ diệu. Cách này hiệu quả với một truy vấn SQL nhanh hoặc bản nháp email. Tuy nhiên, phương pháp này sẽ vấp phải rào cản ngay khi bạn cố gắng tự động hóa một quy trình làm việc chuyên nghiệp. Nếu bạn yêu cầu một mô hình AI “phân tích 50 bài báo gần đây về pin mặt trời perovskite và viết một whitepaper dài 1.500 từ kèm trích dẫn”, bạn thường chỉ nhận được một bản tóm tắt nông cạn. Nó thiếu đi chiều sâu kỹ thuật mà một chuyên gia thực thụ mong đợi.

Nút thắt cổ chai nằm ở đâu? Các nhiệm vụ phức tạp đòi hỏi những tư duy khác biệt. Một nhà nghiên cứu sắc sảo phải có tính hoài nghi và dựa trên dữ liệu. Một người viết giỏi cần sự súc tích và rõ ràng. Ép một prompt thực hiện cả hai việc giống như thuê một thực tập sinh thiên tài rồi bắt họ làm CEO, lập trình viên trưởng và cả quản lý nhân sự cùng một lúc. Có quá nhiều ngữ cảnh cho một lần thực thi. Hệ thống multi-agent giải quyết vấn đề này bằng cách chia nhỏ khối lượng công việc nặng nề.

Kiến trúc của CrewAI

CrewAI là một framework được xây dựng để cho phép các AI agent chuyên biệt cộng tác với nhau. Thay vì một prompt nguyên khối, bạn thiết kế một phòng ban ảo. Mỗi agent có một mô tả công việc cụ thể, bộ công cụ riêng biệt và hệ thống báo cáo rõ ràng.

Bốn trụ cột của một Crew hiệu quả

  • Agents: Đây là những nhân viên chuyên gia của bạn. Bạn định nghĩa vai trò, mục tiêu và tính cách của họ. Một “Chuyên gia kiểm định an ninh” sẽ xử lý dữ liệu với sự tập trung chặt chẽ hơn nhiều so với một “Copywriter sáng tạo.”
  • Tasks: Đây là các ticket cụ thể trong sprint của bạn. Một task xác định chính xác những gì cần bàn giao và agent nào chịu trách nhiệm.
  • Tools: Agent cần tương tác với thực tế. Đó có thể là API tìm kiếm DuckDuckGo, một công cụ trích xuất PDF nội bộ, hoặc một script tùy chỉnh để truy vấn cơ sở dữ liệu PostgreSQL của bạn.
  • The Crew: Đây là tầng quản lý. Nó quy định cách các agent giao tiếp với nhau. Chúng có thể làm việc theo một chuỗi đơn giản (Sequential) hoặc dưới sự giám sát của một Manager agent chuyên trách (Hierarchical).

Quản lý trạng thái (State management) từng là phần khó nhất khi xây dựng các hệ thống này. Nếu Agent A hoàn thành, làm thế nào Agent B nhận được dữ liệu? CrewAI xử lý việc chuyển giao này một cách tự động. Trong các thử nghiệm thực tế của tôi, tính mô-đun này đã giảm tỷ lệ ảo tưởng (hallucination) xuống gần 40% vì mỗi agent chỉ tập trung vào một phần hẹp của vấn đề.

Thực hành: Xây dựng đội ngũ nghiên cứu và viết lách

Hãy cùng xây dựng một pipeline thực tế để nghiên cứu một chủ đề kỹ thuật và tạo ra một bản tóm tắt có cấu trúc. Chúng ta sẽ sử dụng Python và thư viện CrewAI.

1. Thiết lập môi trường

Thiết lập một môi trường ảo sạch sẽ và cài đặt các thư viện phụ thuộc. Bạn sẽ cần thư viện lõi và một công cụ tìm kiếm.

mkdir crewai-project
cd crewai-project
python3 -m venv venv
source venv/bin/activate

pip install crewai langchain-community duckduckgo-search

Hãy đảm bảo OPENAI_API_KEY đã có trong biến môi trường của bạn. Mặc dù CrewAI mặc định sử dụng OpenAI, nó vẫn hoạt động tốt với Claude, Gemini hoặc các mô hình chạy cục bộ qua Ollama nếu bạn ưu tiên quyền riêng tư dữ liệu.

2. Lập trình các Agent

Mở file main.py. Chúng ta sẽ định nghĩa hai nhân vật: Nhà phân tích (Analyst) và Nhà chiến lược (Strategist).

import os
from crewai import Agent, Task, Crew, Process
from langchain_community.tools import DuckDuckGoSearchRun

search_tool = DuckDuckGoSearchRun()

# Analyst: Tập trung vào thu thập dữ liệu
researcher = Agent(
    role='Trưởng nhóm Phân tích Nghiên cứu',
    goal='Xác định 3 đột phá hàng đầu về {topic} trong 6 tháng qua',
    backstory="""Bạn là một trinh sát kỹ thuật tại một quỹ đầu tư mạo hiểm ở Thung lũng Silicon.
    Bạn xuất sắc trong việc lọc tín hiệu từ nhiễu và xác minh các tuyên bố 
    từ nhiều nguồn khác nhau.""",
    tools=[search_tool],
    allow_delegation=False,
    verbose=True
)

# Strategist: Tập trung vào truyền thông
writer = Agent(
    role='Chiến lược gia Nội dung Kỹ thuật',
    goal='Chuyển đổi các nghiên cứu phức tạp thành một bài đăng blog thân thiện với lập trình viên',
    backstory="""Bạn là một biên tập viên công nghệ kỳ cựu. Bạn biết cách làm cho các 
    dữ liệu kỹ thuật khô khan trở nên thú vị mà không làm mất đi những 
    sắc thái chuyên môn về kỹ thuật.""",
    allow_delegation=True,
    verbose=True
)

3. Xác định nhiệm vụ

Bây giờ, hãy giao nhiệm vụ cho họ. Lưu ý cách nhiệm vụ của người viết tiếp nối kết quả của nhà nghiên cứu một cách tự nhiên.

# Task: Tìm kiếm dữ liệu
research_task = Task(
    description="""Quét web để tìm {topic}.
    Tìm 3 cột mốc kỹ thuật quan trọng nhất kể từ tháng 1.
    Liệt kê các lợi ích cụ thể cho kỹ sư phần mềm đối với mỗi cột mốc.""",
    expected_output="Một báo cáo dạng danh sách bao gồm 3 đột phá kèm liên kết nguồn.",
    agent=researcher
)

# Task: Đóng gói các thông tin chi tiết
write_task = Task(
    description="""Chuyển đổi báo cáo nghiên cứu thành một bài viết 
    Markdown gồm 4 đoạn văn. Sử dụng giọng văn chuyên nghiệp, tập trung vào kỹ thuật.""",
    expected_output="Một bài đăng Markdown 4 đoạn văn đã được trau chuốt.",
    agent=writer
)

4. Bắt đầu thực thi (Kickoff)

Bước cuối cùng là tập hợp crew và thực hiện trình tự.

tech_crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    verbose=True
)

# Chạy chương trình
result = tech_crew.kickoff(inputs={'topic': 'LLM Quantization Methods'})
print("\n\n--- SẢN PHẨM CUỐI CÙNG ---\n")
print(result)

Tại sao phương pháp này có khả năng mở rộng

Hãy quan sát log khi script chạy. Bạn sẽ thấy Nhà nghiên cứu từ chối các kết quả tìm kiếm kém chất lượng và Người viết yêu cầu Nhà nghiên cứu làm rõ thông tin. Đây không chỉ là một script; đây là một cuộc hội thoại.

Việc gỡ lỗi trở nên chính xác như phẫu thuật. Nếu dữ kiện sai, bạn tinh chỉnh công cụ của Nhà nghiên cứu. Nếu giọng văn quá đậm chất doanh nghiệp, bạn điều chỉnh backstory của Người viết. Bạn không còn phải vật lộn với một prompt 2.000 token nữa. Bạn đang quản lý một đội ngũ. Đối với các dự án lớn hơn với hơn 10 agent, tôi khuyên bạn nên sử dụng Process.hierarchical để CrewAI tự tạo ra một agent “Manager” nhằm giám sát chất lượng của mỗi lần chuyển giao.

Kết luận

Xây dựng hệ thống multi-agent đòi hỏi bạn phải ngừng tư duy như một prompt engineer và bắt đầu tư duy như một trưởng nhóm kỹ thuật (technical lead). Bạn định nghĩa các vai trò, thiết lập rào cản và cung cấp công cụ. CrewAI cung cấp một lớp trừu tượng đậm chất Python sạch sẽ để xử lý thực tế lộn xộn của việc điều phối LLM. Bằng cách chia nhỏ quy trình làm việc thành các thành phần chuyên biệt, bạn xây dựng các ứng dụng AI có thể dự đoán, kiểm thử được và hiệu quả hơn đáng kể so với bất kỳ giải pháp tạm thời nào dùng single-prompt.

Share:
Tags: