Kỹ năng của Agent là gì? Giải thích các framework Agent AI dạng mô-đun

Khi làm việc với agent AI, hướng dẫn từ prompt có thể xử lý được cho các nhiệm vụ đơn lẻ.

Tuy nhiên, khi tập hợp hướng dẫn phình to, sự chú ý của mô hình bị phân mảnh. Điều này khiến một số hướng dẫn không được “ưu tiên” như cách một kỹ sư con người sẽ làm. Thay vào đó, mọi token đều cạnh tranh trong cửa sổ ngữ cảnh. Hướng dẫn càng dị loại, rủi ro rằng các ràng buộc không liên quan làm loãng chỉ dẫn quan trọng càng lớn.

Với kỹ năng của agent, có một cách tiếp cận tốt hơn. Thay vì xây dựng một prompt “làm-tất-cả”, ta thiết kế các khả năng dạng mô-đun, có thể ghép nối, chỉ được nạp khi cần.

Trong bài viết này, tôi sẽ cho bạn biết kỹ năng của agent là gì, cách kiến trúc progressive disclosure cho phép điều đó, chúng khác gì so với prompt và công cụ, và cách quản trị chúng ở quy mô lớn.

Nếu bạn quan tâm đến những phát triển AI mới nhất, hãy xem các hướng dẫn của chúng tôi về những LLM sau:

• Gemini 3.1
• Claude Sonnet 4.6
• GPT-5.3 Codex
• MiniMax M2.5

Kỹ năng của Agent là gì?

Để bắt đầu, hãy nhanh chóng hiểu định nghĩa về kỹ năng của agent.

Định nghĩa đơn vị kỹ năng

Kỹ năng của agent là các đơn vị kiến thức miền và logic thủ tục có tính di động, tự chứa. Nó bao gồm cách thực hiện một quy trình làm việc, không chỉ là nhớ lại sự kiện hay gọi API nào. Theo thuật ngữ phần mềm, một kỹ năng giống một service object hoặc mô-đun miền hơn là một lệnh gọi hàm đơn lẻ.

Một phân biệt hữu ích để hiểu về kỹ năng:

• Biết-cái-gì (Know-that): Sự kiện hoặc truy xuất dữ liệu.
• Làm-việc-này (Do-this): Thực thi công cụ nguyên tử (ví dụ: gọi một API).
• Biết-cách (Know-how): Lập luận nhiều bước, điều phối, quy tắc quyết định.

Kỹ năng hoạt động ở mức “biết-cách”. Chúng nhúng logic trình tự, các bước kiểm định, rẽ nhánh có điều kiện, và tiêu chuẩn định dạng đầu ra. Quan trọng là chúng mã hóa phán đoán theo miền. Chính phán đoán đó phân biệt một cuộc gọi API máy móc với một quy trình làm việc có ý nghĩa.

Ví dụ, hãy xem qua ví dụ về kỹ năng "Phân tích rời bỏ khách hàng":

• Đầu vào: Lược đồ dữ liệu, định nghĩa rời bỏ.
• Quy trình: Kiểm tra cột, tính toán chỉ số giữ chân, phân khúc cohort, tóm tắt insight.
• Đầu ra: Báo cáo phân tích có cấu trúc.

Trong ví dụ này, kỹ năng là một quy trình có cấu trúc có thể điều phối nhiều công cụ đồng thời áp dụng lý luận theo miền.

Agent AI có thể quyết định chỉ số giữ chân phù hợp dựa trên độ chi tiết dữ liệu. Nó có thể cảnh báo khi định nghĩa rời bỏ không nhất quán với tập dữ liệu.

Thay vì nhúng logic phân tích rời bỏ ở phạm vi toàn cục, agent chỉ nạp kỹ năng khi có yêu cầu phân tích rời bỏ. Sự tách biệt này giúp dễ bảo trì và giảm can nhiễu ngoài ý muốn giữa các tác vụ.

Vấn đề ô nhiễm ngữ cảnh

Một trong những vấn đề chính của cách tiếp cận ngữ cảnh dựa trên prompt hiện nay là nguy cơ quá tải agent.

Khi agent bị nhồi hướng dẫn cho mọi kịch bản có thể, hiện tượng loãng sự chú ý sẽ xảy ra. Các mô hình ngôn ngữ lớn (LLM) dựa vào dự đoán token xác suất có điều kiện theo toàn bộ cửa sổ ngữ cảnh. Khi các hướng dẫn không liên quan cùng tồn tại, chúng ảnh hưởng đến xác suất sinh nội dung theo những cách tinh vi.

Những hướng dẫn không liên quan vẫn ở trong ngữ cảnh, cạnh tranh sự chú ý với nhau. Mô hình có thể nhấn quá mức vào giọng điệu phong cách hoặc tuyên bố tuân thủ trong một nhiệm vụ thuần kỹ thuật. Những hiệu ứng phụ này khó lần vết.

Kỹ năng của agent giải quyết vấn đề này bằng cách giữ cho cửa sổ ngữ cảnh sạch. Chỉ khi một khả năng được yêu cầu, hệ thống mới tiêm khối hướng dẫn liên quan. Điều này cô lập quy trình làm việc và giảm “nhiễu nhận thức” cho mô hình.

Trên thực tế, điều này giúp mô hình lập luận dự đoán hơn và giảm tỷ lệ ảo giác.

Tính di động và tiêu chuẩn hóa

Một trong những lợi ích mang tính chiến lược của kỹ năng là tính di động.

Một kỹ năng được thiết kế tốt nên có các thuộc tính sau:

• Có thể tái sử dụng giữa các agent.
• Có thể chia sẻ giữa các dự án.
• Có thể quản lý phiên bản và cải tiến tập trung.

Kỹ năng trở thành giao diện tiêu chuẩn giữa ý định của con người và thực thi của mô hình. Thay vì viết lại hướng dẫn cho mỗi dự án, tổ chức duy trì các kho kỹ năng. Agent có thể tự động khám phá và gọi các thành phần tiêu chuẩn này.

Ở khía cạnh này, kỹ năng giống các gói trong kỹ thuật phần mềm. Chúng có thể có số phiên bản ngữ nghĩa, changelog, kiểm thử hồi quy và siêu dữ liệu sở hữu. Theo thời gian, tổ chức tích lũy một thư viện lý luận mang tính tổ chức được mã hóa dưới dạng có thể tái sử dụng.

Ví dụ về kỹ năng của Agent

Một số framework agent AI hiện tại minh họa những ý tưởng này trong thực tiễn:

• LangChain toolkits
• AutoGen skills của Microsoft
• Claude Skills
• “Capabilities” của CrewAI 1.x

Một triển khai kinh điển là một thư mục chứa tệp SKILL.md và hướng dẫn cho các tác vụ.

Nguồn: Agentskills.io

Dù các quy ước như bao gồm manifest SKILL.md hữu ích cho việc ghi chép, cần lưu ý rằng hiện chưa có tiêu chuẩn công nghiệp chính thức cho việc đóng gói kỹ năng.

Các framework khác nhau dùng định dạng khác nhau: một số dùng manifest YAML (như trong LangChain và CrewAI), số khác định nghĩa kỹ năng dưới dạng mô-đun Python hoặc schema JSON (như AutoGen của Microsoft). Để so sánh ba framework multi-agent, hãy xem hướng dẫn CrewAI vs LangGraph vs AutoGen.

Kiến trúc Kỹ năng của Agent

Kỹ năng của agent độc đáo nhờ định dạng progressive disclosure. Ta sẽ xem các khái niệm liên quan dưới đây.

Progressive Disclosure

Progressive disclosure tách biệt khám phá khỏi thực thi. Mẫu kiến trúc này trong kỹ năng của agent giảm thiểu việc tiêm ngữ cảnh không cần thiết và cải thiện độ chính xác khi định tuyến.

Có hai lớp, một lớp để khám phá siêu dữ liệu và một lớp để thực thi phần thân hướng dẫn.

Lớp khám phá:

• Tên kỹ năng
• Mô tả ngắn
• Thẻ và từ khóa
• Lược đồ đầu vào/đầu ra

Lớp thực thi:

• Các bước lập luận chi tiết
• Danh sách kiểm có cấu trúc
• Ví dụ few-shot

Khi người dùng gửi yêu cầu, agent trước hết chỉ quét siêu dữ liệu nhẹ. Nó thực hiện khớp ngữ nghĩa để xác định kỹ năng liên quan. Chỉ sau khi lựa chọn, nó mới nạp bộ hướng dẫn nặng vào ngữ cảnh hoạt động.

Thiết kế này ngăn việc quá tải cửa sổ ngữ cảnh với mọi hướng dẫn của mọi kỹ năng có thể.

Gọi ngầm định so với gọi tường minh

Kỹ năng có thể được kích hoạt theo hai cách:

• Gọi tường minh: Người dùng ra lệnh, “Chạy kỹ năng SEO Audit.”
• Gọi ngầm định: Agent suy ra nhu cầu dựa trên ngữ nghĩa.

Gọi ngầm định dựa vào sự tương đồng ngữ nghĩa giữa đầu vào người dùng và mô tả kỹ năng.

Ví dụ, khi được hỏi, “Bạn có thể xem blog của tôi và đề xuất cải thiện thứ hạng không?”, agent có thể khớp với một kỹ năng gắn thẻ “SEO”, “đánh giá nội dung” và “tối ưu hóa thứ hạng tìm kiếm”. Việc khớp này thường dùng độ tương đồng embedding.

Mô tả kỹ năng hiệu quả đóng vai trò như các móc định tuyến. Nếu mô tả mơ hồ, việc chọn sẽ thất bại. Nếu mô tả chính xác và giàu từ khóa, agent có khả năng chọn đúng cao hơn.

Quản lý ngữ cảnh động

Progressive disclosure cho phép nạp và dỡ ngữ cảnh một cách động.

Điều này có nghĩa là thay vì giữ toàn bộ logic kỹ năng thường trú, hệ thống hoán đổi các khả năng vào/ra khi cuộc trò chuyện diễn tiến.

• Khi một kỹ năng được kích hoạt, hướng dẫn của nó được tiêm vào.
• Khi bước hoàn tất, hướng dẫn có thể được gỡ bỏ.
• Một kỹ năng khác có thể được nạp cho giai đoạn tiếp theo.

Trong một phiên nhiều bước, cơ chế hoán đổi này cải thiện hiệu suất và giảm áp lực token. Nó cũng tạo ra ranh giới lập luận rõ ràng hơn. Hãy hình dung quy trình như sau:

1. Nạp kỹ năng làm sạch dữ liệu.
2. Thực thi và dỡ nạp.
3. Nạp kỹ năng trực quan hóa.
4. Thực thi và dỡ nạp.

Mỗi giai đoạn công việc được điều khiển bởi một bộ hướng dẫn tập trung thay vì một prompt ngày càng phình to.

Kỹ năng của Agent so với các lớp trong stack

Kỹ năng có một số khác biệt quan trọng so với stack hiện dùng trong agentic AI. Ta sẽ xem xét bên dưới.

Kỹ năng của agent so với system prompt

System prompt là toàn cục và luôn bật. Chúng xác định giọng điệu, danh tính và các ràng buộc cấp cao như thế an toàn hay giọng thương hiệu. Chúng nên ổn định và tối giản.

Kỹ năng thì nhất thời và theo tác vụ. Chúng đưa vào logic thực thi chi tiết chỉ khi cần.

Thực tiễn tốt:

• Giữ system prompt tập trung vào danh tính, an toàn và chính sách cấp cao.
• Chuyển các quy trình theo tác vụ vào kỹ năng.

Sự tách biệt này giảm rủi ro ảo giác và cải thiện tính mô-đun. Khi logic tác vụ tồn tại trong các đơn vị rời thay vì bị chôn trong system prompt, việc gỡ lỗi và lặp lại trở nên dễ hơn mà không làm bất ổn toàn bộ agent.

Điều này đặt kỹ năng là lựa chọn tốt hơn khi tiến hành các phát triển agentic AI.

Kỹ năng của agent so với công cụ

Hãy so sánh kỹ năng với các công cụ mà agent AI dùng.

Công cụ cung cấp khả năng nguyên tử:

• Truy vấn cơ sở dữ liệu
• Gọi API
• Lấy tài liệu

Kỹ năng cung cấp quy trình để sử dụng các công cụ đó.

Bạn có thể hình dung công cụ là người thợ và kỹ năng là người quản lý. Người thợ thực hiện một hành động cụ thể. Người quản lý quyết định khi nào, vì sao và cách điều phối nhiều người thợ.

Ví dụ:

Một công cụ sẽ chạy khối mã sau để thực hiện nhiệm vụ.

get_sales_data(start_date, end_date)

Một kỹ năng sẽ cung cấp ngữ cảnh và hướng dẫn sau:

1. Kiểm tra phạm vi ngày.
2. Gọi get_sales_data.
3. Phân khúc theo vùng.
4. Tính tốc độ tăng trưởng.
5. Tạo bản tóm tắt cho lãnh đạo.

Vậy khi nào nên dùng cái nào?

• Nếu khả năng là tất định và bên ngoài (ví dụ: gọi API), hãy viết công cụ.
• Nếu khả năng đòi hỏi lập luận, trình tự và phán đoán, hãy viết kỹ năng.

Kỹ năng so với rule engine

Rule engine là lan can để áp đặt ràng buộc. Chúng trả lời “điều gì không được xảy ra?”. Một rule engine có thể chặn rò rỉ PII ("Không bao giờ đưa địa chỉ email khách hàng vào báo cáo") hoặc áp đặt giọng điệu ("Từ chối đầu ra chứa tục tĩu").

Ngược lại, kỹ năng của agent kích hoạt các khả năng. Chúng trả lời, “Làm thế nào để hoàn thành việc này?” Nói đơn giản, rule engine cung cấp ranh giới cần thiết của một tác vụ để tuân thủ, còn kỹ năng cung cấp các bước hướng dẫn cho tác vụ.

Rule engine nằm ở lớp ngoài (luôn hoạt động, không thể thương lượng), còn kỹ năng vận hành ở lớp thực thi bên trong (nạp theo điều kiện). Kết hợp lại, chúng tạo nên các agent cân bằng: ranh giới an toàn + quy trình có năng lực.

Khi nào dùng cái nào:

• Dùng rule engine cho tuân thủ, an toàn và cổng chất lượng
• Dùng kỹ năng của agent cho quy trình miền và lập luận nhiều bước

Sự tách biệt này ngăn quy tắc làm phình logic đặc thù tác vụ, đồng thời đảm bảo kỹ năng không bao giờ vượt rào quản trị.

Nguyên tắc thiết kế cho Kỹ năng của Agent

Để agent duy trì độ tin cậy, bạn có thể áp dụng một số nguyên tắc thiết kế cốt lõi làm kim chỉ nam.

Tối ưu cho khám phá ngữ nghĩa

Mô tả kỹ năng rất quan trọng vì giai đoạn khám phá thường diễn ra trước khi mô hình thấy logic thực thi. Bạn sẽ phải tối ưu chúng để cải thiện khám phá.

Một cách là xem xét siêu dữ liệu của bạn, vốn hoạt động như chỉ mục vào thư viện kỹ năng.

Dưới đây là siêu dữ liệu hiệu quả:

• Tên rõ ràng, cụ thể
• Từ khóa giàu tính miền
• Trường hợp sử dụng tường minh

Xem ví dụ nên và không nên làm:

• Mô tả kém: “Giúp viết lách.”
• Mô tả tốt hơn: “Phân tích bài blog kỹ thuật dạng dài và tạo khuyến nghị tối ưu hóa SEO, bao gồm tái cấu trúc tiêu đề và chiến lược liên kết nội bộ.”

Mật độ từ khóa và quy ước đặt tên ảnh hưởng đáng kể đến hiệu suất định tuyến. Do đó, bạn nên coi việc đặt tên kỹ năng như thiết kế API để giảm mơ hồ.

Tính tất định thông qua cấu trúc

Kỹ năng nên chứa các yếu tố cấu trúc chặt để giảm biến thiên trong đầu ra. Mô hình ngôn ngữ là xác suất. Có cấu trúc chặt sẽ giới hạn và thu hẹp không gian lời giải.

Ví dụ:

• Danh sách kiểm được đánh số.
• Cây quyết định.
• Lược đồ đầu ra tường minh.

Khung kỹ năng ví dụ:

1. Kiểm định đầu vào.
2. Nếu thiếu trường, yêu cầu làm rõ.
3. Thực thi quy trình cốt lõi.
4. Tạo đầu ra theo schema JSON: tóm tắt, rủi ro và khuyến nghị

Phạm vi để đảm bảo độ tin cậy

Một điểm khác cần lưu ý là tránh phản mẫu “Kỹ năng Thượng Đế”, nơi một kỹ năng cố gắng giải quyết quá nhiều vấn đề lỏng lẻo liên quan.

Ví dụ là một kỹ năng duy nhất xử lý:

• Làm sạch dữ liệu
• Dự báo
• Trực quan hóa
• Báo cáo cho lãnh đạo

Kỹ năng này sẽ suy giảm độ tin cậy vì phần thân hướng dẫn trở nên cồng kềnh và tự mâu thuẫn.

Thay vào đó, hãy chia nhỏ quy trình thành các đơn vị có thể xâu chuỗi. Mỗi kỹ năng nên có phạm vi hẹp và độ chính xác cao. Kỹ năng nhỏ dễ kiểm thử, dễ quản lý phiên bản và dễ gỡ lỗi hơn.

Quản trị Kỹ năng của Agent

Khi mở rộng agent, có một số khía cạnh quản trị cần cân nhắc.

Thứ bậc sở hữu

Quản trị kỹ năng vận hành ở nhiều cấp:

• Cấp hệ thống: Hướng dẫn bất biến, trọng yếu về an toàn.
• Cấp tổ chức: Quy trình miền dùng chung.
• Cấp người dùng: Kỹ năng cá nhân hoặc mang tính thử nghiệm.

Xung đột nảy sinh khi một kỹ năng do người dùng định nghĩa mâu thuẫn với tiêu chuẩn của tổ chức. Chính sách quản trị nên xác định quy tắc ưu tiên, thường theo hướng từ trên xuống, để đảm bảo an toàn.

Quản lý phiên bản rõ ràng, siêu dữ liệu sở hữu và quy trình phê duyệt cũng giúp giảm mơ hồ.

Bảo mật và sandboxing

Kỹ năng đặt ra cân nhắc bảo mật vì chúng có thể điều phối công cụ và truy cập dữ liệu.

Rủi ro gồm:

• Prompt injection.
• Rò rỉ dữ liệu.
• Quyền truy cập công cụ quá rộng.

Để giảm thiểu các rủi ro đó:

• Giới hạn kỹ năng với các công cụ cụ thể.
• Xác định ranh giới quyền hạn.
• Áp dụng chế độ chỉ đọc cho dữ liệu nhạy cảm.

Ví dụ, một kỹ năng báo cáo tài chính không nên có quyền ghi vào hệ thống giao dịch trừ khi thật sự cần. Mô hình phân quyền tinh chỉnh, được thiết kế cẩn thận sẽ cần thiết cho triển khai doanh nghiệp.

Đánh giá hiệu năng kỹ năng

Kỹ năng của agent cũng có thể được đo lường hiệu năng.

Hai chỉ số chính được dùng:

• Recall: Kỹ năng có được kích hoạt khi cần không?
• Precision: Nó có thực thi chính xác không?

Pipeline đánh giá có thể dùng khung LLM-as-a-Judge:

1. Tạo đầu ra.
2. Chuyển đầu ra cho mô hình đánh giá.
3. Chấm điểm theo rubric.
4. Lưu trữ chỉ số để giám sát.

Theo thời gian, các kỹ năng recall thấp có thể được tinh chỉnh bằng cách cải thiện siêu dữ liệu. Kỹ năng precision thấp có thể được cải thiện bằng cách siết chặt cấu trúc và ví dụ. Để có giải thích chi tiết và so sánh hai chỉ số, tôi gợi ý đọc hướng dẫn Precision vs Recall.

Kỹ năng của Agent trong hệ sinh thái AI tương lai

Về tương lai của kỹ năng agent, ta có thể dự đoán một số xu hướng nổi lên. Dưới đây là một vài xu hướng.

Phối hợp đa agent

Trong các hệ thống tiên tiến, nhiều agent có thể chuyên trách:

• Agent nghiên cứu
• Agent mô hình tài chính
• Agent tuân thủ

Kỹ năng trở thành hợp đồng giữa chúng. Một agent có thể xuất một kỹ năng như một giao diện có thể gọi. Agent khác có thể gọi nó như một phần của quy trình lớn hơn.

Liên kết này tách rời khả năng khỏi triển khai và cho phép kiến trúc lập luận phân tán.

Sự trỗi dậy của marketplace kỹ năng

Khi hệ sinh thái trưởng thành, các tổ chức có lẽ sẽ tải về kỹ năng đã được xác minh thay vì xây mọi thứ từ đầu.

Điều này tạo ra nhu cầu mới cho:

• Quản lý phiên bản
• Quản lý phụ thuộc
• Chấm điểm độ tin cậy

Những điều này đảm bảo kỹ năng AI đáng tin cậy và chính xác.

Prompt engineering cũng có thể tiến hóa thành quản lý gói. Kỹ năng có thể được ký, kiểm toán và phân phối qua registry, tương tự thư viện phần mềm ngày nay.

Tiêu chuẩn hóa ý định

Nỗ lực trong ngành đang hướng đến schema chung để định nghĩa kỹ năng:

• Các trường siêu dữ liệu có cấu trúc.
• Hợp đồng đầu vào/đầu ra tường minh.
• Định nghĩa độc lập mô hình.

Mục tiêu dài hạn là có kỹ năng “viết-một-lần, chạy-mọi-nơi” hoạt động trên các họ mô hình và nền tảng khác nhau.

Việc tiêu chuẩn hóa cũng giảm khóa chặt nhà cung cấp và tăng tốc tăng trưởng hệ sinh thái.

Kết luận

Kỹ năng của agent là một phần của sự chuyển dịch từ chuỗi prompt thuần túy sang các hệ thống AI được kỹ sư hóa vững chắc. Chúng là phần then chốt giúp agent AI có thể mở rộng theo cách bền vững. Thực tế, chúng như chiếc cầu nối giữa trí thông minh thô của mô hình và các quy trình làm việc cấp sản xuất, đáng tin cậy.

Bước tiếp theo dành cho bạn: hãy nghĩ về các quy trình agent hiện tại. Xác định các mẫu lập luận lặp lại, tách chúng ra và tái cấu trúc thành các kỹ năng mô-đun.

Tìm kiếm một lộ trình bài bản để học sâu hơn? Khóa học Introduction to AI Agents và lộ trình AI Agent Fundamentals là điểm khởi đầu tuyệt vời.