AI Agent suy nghĩ như thế nào? Hướng dẫn chi tiết về ReAct và Plan-and-Execute

Từ chatbot đến nhân viên số — kiến trúc đằng sau AI tự động

Nếu bạn đang theo dõi sự phát triển của AI gần đây, chắc hẳn bạn đã thấy Claude Code và GitHub Copilot ở khắp mọi nơi. Chúng không chỉ viết vài dòng code nữa — chúng đảm nhận các nhiệm vụ như "nhân viên số": nhận ticket, sửa lỗi, chạy test. Kiến trúc tạo nên sự tự động này là AI Agent (Tác tử AI).

Trong hướng dẫn này, chúng tôi phân tích cách AI Agent thực sự "suy nghĩ" — thông qua hai mẫu kiến trúc cốt lõi: ReAct (Lý luận + Hành động) và Plan-and-Execute (Lập kế hoạch và Thực thi).

---

01 | AI Agent thực sự là gì?

Trong ngành AI, có một công thức được chấp nhận rộng rãi:

Agent = Não bộ (LLM) + Lập kế hoạch + Bộ nhớ + Công cụ

Thành phần	Vai trò
LLM (Não bộ)	Trung tâm chỉ huy — cung cấp khả năng suy luận logic
Lập kế hoạch	Chiến lược — phân giải tác vụ phức tạp thành các bước
Bộ nhớ	Ngữ cảnh — ghi nhớ quyết định quá khứ và sở thích người dùng
Công cụ	Tay và chân — gọi API, đọc file, thực thi code

Đây không chỉ là lý thuyết. Mọi công cụ lập trình AI chính — từ Claude Code đến Cursor và GitHub Copilot — đều triển khai một phiên bản nào đó của kiến trúc này. Và cách tốt nhất để kết nối các agent này với các mô hình chúng cần là thông qua một cổng thống nhất như TokenSmind — 200+ mô hình, một API key, tối ưu chi phí thông minh.

---

02 | Chế độ ReAct: Suy nghĩ trong khi hành động

ReAct (Reason + Act) là mẫu kiến trúc được sử dụng rộng rãi nhất. Triết lý của nó: không lập kế hoạch mọi thứ từ đầu, mà lặp từng bước một.

Cách hoạt động

Vòng lặp ReAct có ba pha:

1. Suy nghĩ (Thought) — LLM phân tích trạng thái hiện tại
2. Hành động (Action) — Quyết định công cụ nào cần gọi (tìm kiếm, đọc file, chạy lệnh, v.v.)
3. Quan sát (Observation) — Nhận kết quả thực tế từ công cụ
4. Vòng lặp: Đưa kết quả quan sát trở lại và lặp từ Suy nghĩ
5. Kết thúc: Khi đạt được mục tiêu, xuất ra Câu trả lời cuối cùng

Ví dụ: Sửa lỗi

Lệnh người dùng: "Sửa lỗi crash trong main.py do chia cho zero."

Bước	Loại	Nội dung
1	Suy nghĩ	"Cần đọc main.py để tìm vị trí crash."
2	Hành động	read_file("main.py")
3	Quan sát	Tìm thấy dòng 15: result = a / b không có kiểm tra zero
4	Suy nghĩ	"Đã tìm thấy vấn đề. Thêm kiểm tra chia cho zero."
5	Hành động	write_to_file("main.py", fixed_code)
6	Quan sát	Ghi thành công ✓
Cuối	Trả lời	"Đã sửa lỗi — thêm kiểm tra số chia ở dòng 15."

Khi ReAct tỏa sáng: Các lần lặp nhanh, quy trình nhiều công cụ, gỡ lỗi tương tác.

Khi ReAct gặp khó khăn: Các tác vụ dài, nhiều bước mà agent có thể "lạc hướng."

---

03 | Chế độ Plan-and-Execute: Suy nghĩ trước, hành động sau

Đối với các tác vụ phức tạp, dài hạn, ReAct có thể giống như "người mù dẫn voi." Hãy đến với Plan-and-Execute — lập bản đồ trước, sau đó hành quân.

Kiến trúc ba vai trò

Mẫu này hoạt động như một đội dự án trưởng thành với ba vai trò chuyên biệt:

Vai trò	Trách nhiệm
Người lập kế hoạch (Planner)	Nhận hướng dẫn mơ hồ, chia thành danh sách việc cần làm có thứ tự
Người thực thi (Executor)	Thực hiện từng tác vụ một (bên trong thường là agent ReAct)
Người tái lập kế hoạch (Replanner)	Sau mỗi bước, đánh giá kết quả và điều chỉnh kế hoạch ban đầu nếu cần

Ví dụ: Báo cáo nghiên cứu thị trường

Lệnh người dùng: "Nghiên cứu thị trường chip AI và tạo báo cáo tóm tắt trong ngân sách 500 đô la cho các nguồn dữ liệu."

Kế hoạch ban đầu của Planner:

1. Xác định các nhà sản xuất chip AI hàng đầu (NVIDIA, AMD, Intel, Google TPU)
2. Truy vấn dữ liệu quy mô thị trường từ các nguồn được ủy quyền
3. So sánh điểm chuẩn hiệu suất
4. Phân tích xu hướng giá
5. Tạo báo cáo tóm tắt

Executor thực hiện từng bước.

Điều chỉnh động của Replanner:

• Bất ngờ: Thu nhập mới nhất của NVIDIA vượt dự báo 20%
• Điều chỉnh: Replanner thêm bước mới — "Phân tích tác động của thu nhập NVIDIA lên bối cảnh cạnh tranh"
• Đánh giá lại ngân sách: Truy vấn dữ liệu bổ sung tốn 80 đô la, nằm trong ngân sách 500 đô la

Khi Plan-and-Execute tỏa sáng: Dự án nghiên cứu, thiết kế kiến trúc phần mềm, lập kế hoạch du lịch, quy trình đa pha.

Khi cần thận trọng: Pha lập kế hoạch có thể chậm và tiêu tốn token trước.

---

04 | So sánh hai chế độ

Đặc điểm	ReAct	Plan-and-Execute
Đặc tính cốt lõi	Linh hoạt, thích ứng	Có cấu trúc, phương pháp
Phù hợp nhất	Tác vụ ngắn, nhiều công cụ	Quy trình dài cần nhất quán
Điểm mạnh	Phản hồi nhanh, sửa lỗi tức thì	Logic mạnh, không lạc hướng
Điểm yếu	Lạc hướng khi chạy dài, lãng phí token	Khởi động chậm, nhiều lần gọi LLM
Ví dụ sử dụng	Chỉnh sửa file của Claude Code	Tự động hóa nghiên cứu đa agent

---

05 | Thực hành tốt nhất kỹ thuật

Sử dụng thẻ XML cho suy nghĩ có cấu trúc

Trong System Prompt của agent, yêu cầu mô hình xuất ra bằng thẻ <thought> và <action>. Điều này không chỉ để phân tích cú pháp — nó buộc mô hình suy nghĩ rõ ràng trước khi hành động.

Luôn thêm Human-in-the-Loop

Đối với các thao tác nguy hiểm (như rm -rf hoặc thực thi lệnh terminal không xác định), hãy yêu cầu bước "xác nhận của con người" trước khi agent tiến hành. An toàn là trên hết.

Phân tầng bộ nhớ

• Bộ nhớ dài hạn: Lưu trong cơ sở dữ liệu vector (RAG)
• Tiến trình ngắn hạn: Giữ trong bộ nhớ đệm ngữ cảnh
• Bộ nhớ phiên: Theo dõi trạng thái tác vụ hiện tại

Sử dụng mô hình phù hợp cho từng tác vụ

Với API thống nhất của TokenSmind, bạn có thể định tuyến các tác vụ đơn giản đến các mô hình hiệu quả về chi phí như GPT-4o Mini hay Gemini Flash, và các suy luận phức tạp đến GPT-5 hay Claude Opus — tất cả thông qua một tích hợp duy nhất. Không còn quản lý 5 API key khác nhau.

---

06 | Bức tranh lớn hơn: Từ tạo nội dung đến tạo hành động

AI Agent đại diện cho một sự thay đổi căn bản: AI đang chuyển từ tạo nội dung sang tạo hành động.

• ReAct mang lại sự nhanh nhẹn — khả năng phản hồi và sửa lỗi trong thời gian thực
• Plan-and-Execute mang lại độ tin cậy — cấu trúc để giải quyết các nhiệm vụ phức tạp, nhiều bước

Cùng nhau, chúng tạo thành kiến trúc của lực lượng lao động số trong tương lai:

• Lập trình viên AI tự động gỡ lỗi và triển khai
• Nhà phân tích AI nghiên cứu thị trường và viết báo cáo
• Vận hành AI quản lý triển khai và giám sát
• Trợ lý AI điều phối giữa các nhóm và công cụ

---

Sẵn sàng xây dựng AI Agent của riêng bạn? TokenSmind cung cấp cơ sở hạ tầng: truy cập API thống nhất đến 200+ mô hình, định tuyến thông minh để tối ưu chi phí, ghi log và thanh toán cấp doanh nghiệp, và sự linh hoạt để kết nối bất kỳ framework agent nào — tất cả đằng sau một API key duy nhất.

Được xuất bản lần đầu trên TokenSmind Blog. Theo dõi chúng tôi để có thêm những bài viết chuyên sâu về kiến trúc AI Agent và hướng dẫn thực tế.