Agentic Automation không chỉ là demo – đó là cách iBASE biến AI thành sản phẩm thực tế

Tại iBASE, chúng tôi chia sẻ cùng tư duy với UiPath: Agentic mindset – tư duy xây dựng các AI Agent thực sự có thể “sống” trong môi trường doanh nghiệp. Chúng tôi không chỉ tạo ra các bản demo bắt mắt, mà tập trung vào các agent có thể triển khai, mở rộng và vận hành ổn định trong thực tế.

Nếu bạn từng đưa một mô hình ngôn ngữ lớn (LLM) vào hệ thống sản xuất, bạn sẽ hiểu: không phải prompt bị lỗi, mà là mọi thứ xung quanh nó. Từ quản lý ngữ cảnh, xử lý lỗi, đến kiểm soát công cụ và khả năng truy vết. Chính vì vậy, UiPath đã phát triển Agent Builder trong Studio, và iBASE đã ứng dụng triệt để công cụ này trong các dự án automation tại Việt Nam để đảm bảo AI Agent hoạt động như một thành phần phần mềm thực thụ, có kiểm soát và khả năng quan sát đầy đủ.

Dưới đây là những bài học và best practices mà iBASE rút ra khi xây dựng và triển khai Agentic Automation ở quy mô doanh nghiệp.

1. Thiết kế Agent “an toàn khi lỗi”, không chỉ “chạy nhanh”

• Không nhúng agent trực tiếp vào REFramework, trừ khi thật cần thiết. Agent mang tính phi định (non-deterministic), nên cần kiểm soát riêng về lỗi và phản hồi.

• Tránh cơ chế retry tự động: vì cùng prompt có thể cho kết quả khác nhau. Hãy xử lý lỗi ngay trong agent hoặc trong công cụ của nó.

• Bắt đầu nhỏ, rõ mục tiêu: mỗi agent chỉ nên đảm nhận một nhiệm vụ rõ ràng, phạm vi hẹp.

• Xây dựng hệ thống modular: kết hợp nhiều agent chuyên biệt và robot để xử lý quy trình phức tạp.

• Dùng UiPath automations hoặc API cho các tác vụ định tính: tăng độ an toàn, giảm rủi ro.

• Đặt mục tiêu và KPI rõ ràng: xác định tiêu chí thành công ngay từ giai đoạn thiết kế.

2. Cấu hình ngữ cảnh đúng cách

• Lập chỉ mục nguồn dữ liệu: từ kho tri thức nội bộ, KB, đến tài liệu kỹ thuật.

• Chọn chiến lược tìm kiếm phù hợp: semantic search (ý nghĩa) và structured search (chính xác) hoặc DeepRAG cho dữ liệu phức tạp.

• Chọn mô hình phù hợp: Agent Builder hỗ trợ nhiều LLM (model-agnostic), ví dụ GPT-5 cho độ tin cậy cao hơn GPT-4.

• Đặt tên công cụ rõ ràng, nhất quán: dùng ký tự thường, không có khoảng trắng hoặc ký tự đặc biệt.

3. Xem mọi năng lực bên ngoài là “tool”

• Mỗi công cụ phải có đầu vào/đầu ra rõ ràng, có tiêu chí thành công cụ thể.

• Tái sử dụng UiPath automation như một tool bất cứ khi nào có thể.

• Kiểm soát schema của prompt, xác thực kết quả null hoặc rỗng.

• Phiên bản hóa và ghi nhận lịch sử: mỗi công cụ cần được version control và đánh giá độc lập.

• Dùng tool để đảm bảo tính toán chính xác: LLM không giỏi với số học hoặc so sánh ngày tháng.

4. Viết prompt như viết tài liệu sản phẩm

• Prompt engineering là một quy trình lặp lại thử, đánh giá, cải tiến liên tục.

• Một system prompt tốt cần có:

  • Vai trò & persona

  • Hướng dẫn rõ ràng

  • Mục tiêu & ngữ cảnh

  • Tiêu chí đánh giá thành công

  • Giới hạn & ràng buộc

• Dùng reasoning theo từng bước (chain-of-thought) cho các quy trình phức tạp.

• Định nghĩa rõ output schema trong UiPath Data Manager.

• Mô tả điều cần làm thay vì điều cấm: “Thay vì hỏi thông tin cá nhân, hãy hướng người dùng đến…”.

• Tối ưu prompt bằng bộ đánh giá (evaluation sets) và dùng Markdown để nhấn mạnh nội dung quan trọng.

• Tránh gọi biến đầu vào trực tiếp trong prompt ({{input}}), vì giá trị này sẽ được thay thế runtime.

5. Đánh giá trong điều kiện thực tế

• Bộ dữ liệu đánh giá tối thiểu 30 tình huống: gồm cả thành công, edge case và lỗi.

• Kiểm tra toàn quy trình: từ đầu vào đến xử lý lỗi và khôi phục.

• Theo dõi trace log: để phân tích reasoning loop, quyết định và hành động của agent.

• Thiết lập chỉ số sức khỏe (health score) và ngưỡng cho phép trước khi đưa vào production.

6. Xây dựng bảo mật, tuân thủ và kiểm soát

• Chạy agent qua Orchestrator hoặc Maestro: để tận dụng cơ chế quản lý vòng đời, audit, và governance.

• Sử dụng AI Trust Layer: ẩn PII, kiểm soát truy cập và giới hạn sử dụng.

• Giữ yếu tố con người trong vòng lặp: mọi quyết định rủi ro cao đều cần escalations.

• Đặt guardrail rõ ràng: quy định hành vi được phép và điều kiện leo thang.

7. Quản lý phiên bản và phát hành có kiểm soát

• Version mọi thứ: từ prompt, tool, dataset đến kết quả đánh giá.

• Chỉ triển khai production sau khi đạt tiêu chuẩn đánh giá.

• Gắn version tag với đánh giá: đảm bảo khả năng truy vết từ thiết kế đến vận hành.

8. Thiết kế tương tác để tạo niềm tin

• Thông báo rõ khả năng và giới hạn của agent.

• Xác nhận trước khi thực hiện hành động không thể đảo ngược.

• Minh bạch reasoning: hiển thị trích đoạn hoặc logic xử lý khi cần.

9. Tối ưu chi phí mà không hy sinh chất lượng

• Chọn mô hình phù hợp với nhiệm vụ: mô hình lớn cho reasoning, mô hình nhỏ cho routing.

• Giới hạn token, tóm tắt ngữ cảnh dài, cache phản hồi ổn định.

• Phân tầng tác vụ: chỉ gọi mô hình mạnh khi cần.

10. Cải tiến liên tục nhờ trace, memory và phản hồi con người

• Ghi lại và học từ trace log: cải thiện độ tin cậy qua từng phiên bản.

• Phản hồi từ escalations và đánh giá giúp agent học tốt hơn.

• Mở rộng quy mô từ từ: chỉ khi tính ổn định và hiệu suất đã được chứng minh.

Agent Builder – bước khởi đầu cho AI Agent vận hành thực tế

Với UiPath Agent Builder, các nhóm RPA tại iBASE có thể xây dựng, kiểm thử và triển khai agent hoạt động ổn định trong môi trường doanh nghiệp Việt Nam. Đây là công cụ thiết kế cho production, không chỉ để thử nghiệm, và đặc biệt phù hợp cho các hệ thống cần tích hợp sâu với quy trình nghiệp vụ, ứng dụng UI hoặc xử lý tài liệu thông minh (IDP).

Tại iBASE, chúng tôi tin rằng “Agentic Automation” là giai đoạn tiếp theo của tự động hóa doanh nghiệp – nơi AI không chỉ hiểu, mà còn hành động một cách có kiểm soát.