Một research agent không phải là chatbot trả lời từ trí nhớ. Nó là một vòng lặp (loop) tự động: nhận mục tiêu → lập kế hoạch → tìm kiếm web → đọc và trích xuất → tổng hợp → xuất báo cáo có trích dẫn nguồn. Khác biệt cốt lõi so với hỏi ChatGPT một câu là agent chủ động lấy dữ liệu mới từ internet thay vì dựa vào kiến thức đã lỗi thời.
Ba loại agent nghiên cứu bạn sẽ gặp
- Q&A research — trả lời một câu hỏi cụ thể ("Đối thủ X vừa ra tính năng gì?").
- Monitoring / theo dõi — chạy định kỳ, phát hiện thay đổi (giá, tính năng, tin tuyển dụng của đối thủ).
- Competitive intelligence (CI) — tổng hợp bức tranh nhiều đối thủ, so sánh theo tiêu chí, xuất bảng.
Ví dụ cụ thể
Một PM của startup fintech Việt cần biết: 3 ví điện tử đối thủ đang tính phí rút tiền bao nhiêu, có chương trình hoàn tiền nào, và vừa tuyển vị trí nào (tín hiệu về hướng đi sản phẩm). Làm tay mất 2 giờ mỗi tuần. Một CI agent làm việc này trong 3 phút, mỗi sáng thứ Hai, và gửi Slack một bản tóm tắt kèm link nguồn.
Kiến trúc tối giản của một research agent
Goal → Planner → [Search tool] → [Fetch tool] → Extractor → Synthesizer → Report
↑___________________ loop cho tới khi đủ thông tin ___________|
Mỗi mũi tên là một bước có thể sai: search trả rác, fetch bị chặn, extractor đọc nhầm. Nhiệm vụ của bạn suốt khóa là làm từng khâu đáng tin và có nguồn.
Các bước quyết định có nên dùng agent không
- Xác định câu hỏi có tính lặp lại không. Hỏi một lần thì làm tay nhanh hơn. Hỏi mỗi tuần thì agent thắng.
- Xác định dữ liệu có công khai trên web không. Agent chỉ mạnh với nguồn công khai; dữ liệu nội bộ đối thủ thì không.
- Xác định mức độ chấp nhận sai. Báo cáo nội bộ tham khảo: chấp nhận 90% đúng. Báo cáo gửi CEO ra quyết định đầu tư: cần verify chặt.
- Ước lượng chi phí. Mỗi lần chạy tốn token LLM + phí search API. Tính xem có rẻ hơn người làm không.
- Định nghĩa "xong". Output cụ thể: bảng so sánh 5 cột, hay đoạn tóm tắt 200 từ có trích dẫn.
Khung tư duy: RACE
- Relevance — thông tin có đúng câu hỏi không?
- Accuracy — có đúng sự thật không, có nguồn không?
- Coverage — đã đủ đối thủ / khía cạnh chưa?
- Efficiency — chi phí/thời gian có hợp lý không?
Sai lầm thường gặp
- Coi agent là oracle biết tuốt. Nó chỉ tốt bằng nguồn nó đọc được. Không nguồn = không tin.
- Bắt agent làm việc dữ liệu không công khai (doanh thu thực của đối thủ). Kết quả là bịa (hallucinate).
- Không định nghĩa output rõ. "Nghiên cứu đối thủ" quá mơ hồ; agent sẽ trả về đủ thứ lan man.
- Bỏ qua chi phí. Một agent lặp không giới hạn có thể đốt hàng chục USD token cho một câu hỏi đơn giản.
Checklist trước khi bắt tay xây
- [ ] Câu hỏi/nhiệm vụ viết thành 1 câu rõ ràng
- [ ] Nguồn dữ liệu là công khai
- [ ] Định dạng output đã chốt
- [ ] Tần suất chạy đã xác định
- [ ] Ngưỡng chấp nhận sai đã thống nhất với người dùng
Ví dụ áp dụng khung RACE vào tình huống thật
Giả sử nhiệm vụ là theo dõi 4 sàn thương mại điện tử về chính sách phí sàn (seller fee). Áp RACE: Relevance — chỉ lấy trang chính sách phí, bỏ tin quảng cáo khuyến mãi. Accuracy — mỗi mức phí phải đến từ trang chính thức của sàn, không phải bài viết lại. Coverage — đủ cả 4 sàn và đủ các nhóm phí (phí cố định, phí thanh toán, phí vận chuyển). Efficiency — chạy 1 lần/tuần, ngân sách dưới 0.3 USD/lần. Chỉ khi cả 4 chữ đều đạt thì báo cáo mới đáng đưa lên bàn họp. Nếu một chữ hụt — ví dụ chỉ tìm được phí của 3/4 sàn — hãy ghi rõ phần thiếu thay vì lấp đầy bằng phỏng đoán.
Sang bài 2, ta sẽ chọn công cụ và dựng môi trường để bắt đầu code.