Vì sao Agentic Design Patterns được xem là bộ khung tham chiếu cho AI agent?
Bộ khung này đáng tin cậy vì nó không chỉ là một vài blog dạy rời rạc mà là một hệ thống 424 trang gồm 21 chương, 7 phụ lục và hơn 20 notebook thực hành. Tác giả Antonio Gulli đã hệ thống hóa cách xây dựng agent từ nền tảng tới production trong một repository duy nhất.
Thank you for reading this post, don't forget to subscribe!
Khi bắt đầu với AI agent, ai cũng từng xem qua một vài tutorial về LangChain, CrewAI hoặc AutoGen, nhưng thiếu một tiêu chuẩn chung để đối chiếu. Repo này đóng vai trò như một atlas: nó chỉ ra đâu là mẫu lõi, đâu là mẫu nâng cao và đâu là điều kiện sản xuất như guardrails, human-in-the-loop hay evaluation. Cách tư duy này gần với hướng dẫn xây dựng agent hiệu quả của Anthropic: đừng thêm công cụ nếu workflow đơn giản vẫn đáp ứng được nhu cầu.
Điều gì khiến repo này khác các repo AI agent khác?
Điểm khác biệt nằm ở độ sâu và cấu trúc: cuốn sách 424 trang được chia thành 4 phần với 103 trang về 7 mẫu cốt lõi, 61 trang về pattern nâng cao, 34 trang sản xuất và 114 trang enterprise. Không phải repo nào cũng dành riêng một phần cho đánh giá, an toàn và giao tiếp giữa các agent.
Nếu bạn mở các repo như CrewAI hay AutoGen, bạn thường thấy example chạy được ngay nhưng ít tài liệu giải thích vì sao chọn pattern này. Repo của Antonio Gulli cố gắng trả lời câu hỏi đó bằng lộ trình từ simple prompt chaining đến multi-agent. Phần Advanced Patterns bổ sung memory management, learning and adaptation, goal setting; phần Production nói về exception handling và knowledge retrieval dạng RAG.
Điểm thú vị hơn nằm ở phần Enterprise: khi hệ thống có nhiều tác nhân, bạn cần đến Inter-Agent Communication với giao thức A2A, Resource-Aware Optimization, Reasoning Techniques, Guardrails và Evaluation. Nếu bạn đã từng loay hoay vì agent chạy không ổn định ở môi trường thật, đây là phần đáng đọc nhất.
Chạy notebook Prompt Chaining cần làm gì trong 5 phút?
Bạn chỉ cần Python 3.8+, Jupyter và một lệnh clone repo. Sau khi cài dependency, mở file Chapter_01_Prompt_Chaining.ipynb, chạy tuần tự từng ô. Nếu đã có API key OpenAI hoặc dùng mô hình cục bộ, toàn bộ notebook chạy xong chưa đầy 5 phút.
- Clone repository:
git clone https://github.com/evoiz/Agentic-Design-Patterns.gitvà truy cập thư mục. - Tạo môi trường ảo:
python -m venv venv, kích hoạt bằngsource venv/bin/activatetrên Linux/Mac hoặcvenv\Scripts\activatetrên Windows. - Cài gói:
pip install jupyter notebook pandas numpy matplotlib openai langchainhoặcpip install -r requirements.txtnếu repo có sẵn. - Khởi chạy
jupyter notebook, mở thư mụcchapter_notebooks/và chọn file Chapter_01.
Trong notebook này, tác giả minh họa cách tách một yêu cầu phức tạp thành nhiều bước tuần tự: bước trước tạo đầu vào cho bước sau. Cách làm này giúp bạn kiểm soát chất lượng từng bước, sửa lỗi dễ hơn và giảm chi phí khi phải gọi mô hình quá mạnh cho việc đơn giản. Nếu bạn dùng OpenAI AgentKit, bạn có thể map pattern này vào cấu trúc tool call để tái sử dụng code nhanh hơn.
Nên chọn Prompt Chaining hay Routing cho bài toán cụ thể?
Hãy chọn Prompt Chaining khi bài toán cần nhiều bước suy luận phụ thuộc nhau. Hãy chọn Routing khi đầu vào có thể rơi vào nhiều nhánh xử lý khác nhau. Parallelization phù hợp khi cần xử lý song song nhiều tác vụ độc lập. Cả ba mẫu đều nằm trong 7 mẫu lõi của repo.
| Tiêu chí | Prompt Chaining | Routing | Parallelization |
|---|---|---|---|
| Cơ chế | Chuỗi bước tuần tự, kết quả trước làm đầu vào sau. | Chọn một nhánh hoặc mô hình dựa trên ngữ cảnh. | Chạy nhiều tác vụ độc lập cùng lúc rồi tổng hợp. |
| Dùng khi | Nhiều bước logic, cần kiểm tra chất lượng giữa chừng. | Nhiều loại câu hỏi, cần mô hình hoặc pipeline phù hợp. | Nhiều nguồn dữ liệu, so sánh hoặc thu thập phản hồi. |
| Ví dụ trong repo | Chapter_01: xâu chuỗi prompt để viết tài liệu. | Chapter_02: chọn LLM hoặc template theo loại yêu cầu. | Chapter_03: chạy nhiều truy vấn và gộp kết quả. |
Ngoài ba mẫu trên, câu hỏi Multi-Agent hay Single-Agent cũng thường gặp. Single-Agent đủ dùng khi tác vụ gọn, ngữ cảnh không vượt quá cửa sổ mô hình. Multi-Agent chỉ cần khi có các chuyên gia độc lập, mỗi agent cần công cụ riêng hoặc dữ liệu riêng; nếu không, việc điều phối sẽ tăng độ trễ và chi phí mà không tăng chất lượng.
Lộ trình 7 ngày học 7 mẫu agent cốt lõi
Bắt đầu bằng Prompt Chaining và Routing trong hai ngày đầu, sau đó dành ngày thứ ba cho Parallelization. Ngày thứ tư học Reflection, ngày thứ năm làm Tool Use. Ngày thứ sáu đọc Planning và Multi-Agent. Ngày cuối cùng chạy lại toàn bộ notebook trong phần sách 103 trang.
- Ngày 1: Prompt Chaining – làm quen cách chia bài toán thành bước nhỏ.
- Ngày 2: Routing – học cách chọn đường xử lý phù hợp với ngữ cảnh.
- Ngày 3: Parallelization – thực hành chạy song song và gộp kết quả.
- Ngày 4: Reflection – dạy agent tự kiểm tra và sửa đầu ra.
- Ngày 5: Tool Use – tích hợp API, tìm kiếm, tính toán vào agent.
- Ngày 6: Planning – xây lập kế hoạch dài hạn; xem khi nào cần Multi-Agent.
- Ngày 7: Ghép 3 mẫu trở lên để tạo agent hoàn chỉnh có guardrails.
Trong lộ trình này, đừng chỉ đọc PDF. Hãy mở notebook tương ứng và tự sửa tham số. Khi gặp lỗi, bạn sẽ hiểu pattern hoạt động ra sao. Ngày cuối, hãy thử kết hợp 3 mẫu với nhau để xây một agent có lập kế hoạch, dùng tool và tự đánh giá đầu ra. Trong vòng 7 ngày, đừng quên đối chiếu với các hướng dẫn nền tảng về LLM đã có sẵn trên Ngọc Trai MKT để bổ sung kiến thức.
Câu hỏi thường gặp
Repo này có phải mã nguồn chính thức của Antonio Gulli không?
Đúng. Repository là nơi lưu bản PDF 424 trang và toàn bộ notebook thực hành do Antonio Gulli cung cấp. Bạn có thể dùng tài liệu cho mục đích giáo dục, trích dẫn nguồn đầy đủ, kể cả khi sử dụng trong dự án nội bộ.
Có cần GPU hoặc tài khoản trả phí để chạy notebook không?
Không. Các notebook nền tảng chỉ cần CPU và các thư viện Python thông thường. Một số ví dụ gọi API OpenAI hoặc mô hình đám mây cần API key; bạn có thể dùng mô hình cục bộ miễn phí để thay thế, nhưng tốc độ và chất lượng có thể khác.
Nên dùng repo này hay LangChain/AutoGen?
Repo này dùng để học và đối chiếu pattern; framework như LangChain, CrewAI hay AutoGen dùng để đưa agent vào sản phẩm. Nên đọc repo trước để hiểu bản chất, sau đó chọn framework phù hợp. Ví dụ, nếu cần nhiều agent hợp tác, Microsoft AutoGen mạnh về điều phối; nếu cần gọi công cụ đa dạng, LangChain agents tiện hơn.
Phần Enterprise Patterns có đáng đọc không?
Đáng, đặc biệt với người đưa agent lên production. 114 trang viết về Inter-Agent Communication, Resource-Aware Optimization, Reasoning Techniques, Guardrails và Evaluation. Đây là những mẫu giúp hệ thống ổn định hơn, chứ không chỉ chạy demo cho vui.
