Bài 5 — Xây agent đầu tiên (no-code): luồng CSKH trên n8n từng bước

Bài này bạn xây một agent chăm sóc khách hàng (CSKH) thật, chạy được, bằng n8n — đại diện cho nhóm no-code có kiểm soát cao. Nguyên tắc và tư duy chuyển được sang Make/Zapier.

Bài toán

Khách gửi câu hỏi qua form/website. Agent phải: hiểu câu hỏi → tra tài liệu FAQ/đơn hàng → nếu trả lời được thì trả lời, nếu không thì chuyển cho người thật. Đây là bài toán agent thật (cần quyết định), không phải workflow cố định.

Kiến trúc

[Webhook nhận câu hỏi]
   -> [AI Agent node]
        model: Claude / GPT
        system prompt: "Bạn là CSKH của công ty X, chỉ trả lời dựa trên tài liệu."
        tools:
          - search_faq (Vector Store)
          - get_order  (HTTP Request tới API nội bộ)
          - escalate   (gửi Slack cho nhân viên)
   -> [Respond to Webhook]

Các bước xây dựng

• Tạo trigger: thêm node Webhook, đặt method POST, copy URL để website gọi vào.
• Chuẩn bị tri thức: nạp FAQ vào một Vector Store (n8n có node vector store + embeddings). Đây là nguồn để agent tra cứu.
• Thêm AI Agent node: chọn model, dán system prompt rõ ràng (giới hạn phạm vi trả lời để tránh bịa).
• Gắn tool 1 — search_faq: nối agent tới vector store để nó tra tài liệu khi cần.
• Gắn tool 2 — get_order: node HTTP Request gọi API đơn hàng nội bộ, nhận order_id từ agent.
• Gắn tool 3 — escalate: node Slack; agent gọi khi không tự tin trả lời, đính kèm câu hỏi gốc.
• Nối Respond to Webhook: trả câu trả lời cuối về cho website.
• Chạy thử với 5–10 câu hỏi thật: câu dễ (FAQ), câu cần tra đơn, câu ngoài phạm vi (phải escalate).

Khi test ở bước 8, hãy chuẩn bị ba nhóm câu hỏi có chủ đích. Nhóm một là câu "dễ" có sẵn trong FAQ (ví dụ "chính sách đổi trả trong bao nhiêu ngày?") để kiểm tra agent có tra vector store đúng không. Nhóm hai là câu cần dữ liệu động (ví dụ "đơn hàng DH12345 giao tới đâu rồi?") để kiểm tra agent có gọi đúng tool get_order với đúng tham số không. Nhóm ba là câu "bẫy" nằm ngoài phạm vi (ví dụ "cho tôi vay tiền được không?") để kiểm tra agent có escalate thay vì bịa không. Chính nhóm ba mới lộ ra chất lượng thật của agent — nhiều người chỉ test nhóm một rồi tưởng agent đã tốt.

Một kỹ thuật giúp agent no-code đáng tin hơn là buộc trích dẫn nguồn. Yêu cầu trong system prompt rằng mỗi câu trả lời phải dựa trên kết quả tool, và nếu là chính sách thì nêu rõ trích từ tài liệu nào. Điều này vừa giảm bịa, vừa giúp nhân viên kiểm tra lại nhanh khi khách khiếu nại. Kết hợp với log từng lượt, bạn có một hệ thống vừa hữu ích vừa giải trình được — yếu tố sống còn khi agent chạm tới thông tin có ràng buộc pháp lý như giá, bảo hành, hợp đồng.

System prompt mẫu

Bạn là trợ lý CSKH của công ty X.
- Chỉ trả lời dựa trên kết quả từ tool search_faq và get_order.
- Nếu thiếu thông tin hoặc không chắc, GỌI tool escalate, không được đoán.
- Trả lời ngắn gọn, lịch sự, bằng tiếng Việt.

Checklist "agent chạy được"

• [ ] Trả lời đúng cho câu hỏi có trong FAQ.
• [ ] Tra được đơn hàng khi khách hỏi trạng thái.
• [ ] Biết escalate khi ngoài phạm vi (không bịa).
• [ ] Có log mỗi lượt để kiểm tra.
• [ ] Thời gian phản hồi chấp nhận được (< vài giây).

Khung tư duy no-code

> Agent no-code = 1 model + system prompt kỷ luật + vài tool được định nghĩa rõ. Chất lượng nằm ở prompt và ở việc "buộc" agent chỉ dùng tool, không bịa.

Sai lầm thường gặp

• System prompt lỏng: không cấm bịa nên agent trả lời sai về chính sách/giá — rủi ro pháp lý.
• Không có đường escalate: agent cố trả lời mọi thứ, gồm cả những gì nó không biết.
• Nhồi cả tài liệu vào prompt thay vì dùng vector store: tốn token, dễ vượt context, khó cập nhật.
• Không test câu "ngoài phạm vi": chỉ test câu dễ nên không phát hiện agent hay bịa.
• Bỏ qua log: khi khách phàn nàn, không có dữ liệu để tra lại agent đã làm gì.