Điều phối trong hệ thống AI multi-agent: Tuần tự, song song và phân cấp

Các mô hình kiến ​​trúc cho bạn biết cần xây dựng cái gì. Điều phối cho bạn biết cách vận hành nó. Và việc vận hành các hệ thống multi-agent trong môi trường sản xuất là nơi phát sinh hầu hết các vấn đề khó khăn — thời gian chờ, lỗi, thử lại, kiểm soát chi phí và đảm bảo toàn bộ hệ thống không bị sụp đổ khi một agent gặp sự cố.

🔄 Tóm tắt nhanh: Trong Bài học 4, bạn đã học rằng schema có cấu trúc giúp ngăn ngừa lỗi giao tiếp. Bây giờ, bạn sẽ học cách quản lý việc thực thi — đảm bảo các agent chạy theo đúng thứ tự, đúng thời điểm, với những phương án dự phòng phù hợp khi có sự cố xảy ra.

Công việc của trình điều phối

Trình điều phối là người chỉ huy hệ thống multi-agent của bạn. Nó quyết định:

• Cái gì chạy khi nào — agent nào sẽ được kích hoạt và theo thứ tự nào

• Phải làm gì khi có lỗi — thử lại, bỏ qua, sử dụng phương án dự phòng hoặc chuyển giao

• Khi nào dừng lại — thời gian chờ, ngân sách token, ngưỡng chất lượng

• Cái gì sẽ được chuyển tiếp — lọc và định tuyến giữa các agent

Trong CrewAI, việc điều phối hầu hết là tự động. Trong LangGraph, bạn phải xây dựng nó một cách rõ ràng. Trong AutoGen, nó xuất hiện từ các quy tắc hội thoại. Nhưng những nguyên tắc thì vẫn giống nhau.

Điều phối tuần tự trong thực tế

Điều phối tuần tự là điều cơ bản và dễ thực hiện. Nhưng các quy trình tuần tự trong môi trường sản xuất cần nhiều hơn là "Agent A rồi Agent B".

Checkpoint: Lưu kết quả đầu ra của mỗi agent trước khi chuyển sang agent tiếp theo. Nếu Agent 3 gặp lỗi, bạn có thể khởi động lại từ đầu vào của Agent 3 — chứ không phải bắt đầu lại từ đầu.

📍 Nơi dán: Mở ChatGPT (chat.openai.com), Claude (claude.ai) hoặc Gemini (gemini.google.com) và bắt đầu một cuộc hội thoại mới.

📋 Cách sao chép prompt này: Nhấp vào bất kỳ đâu bên trong khối màu xám, nhấn Cmd+A rồi Cmd+C (Mac) hoặc Ctrl+A rồi Ctrl+C (Windows). Hoặc sử dụng biểu tượng sao chép xuất hiện.

Agent 1 → [checkpoint] → Agent 2 → [checkpoint] → Agent 3

✏️ ​​Cách điền thông tin chi tiết của bạn: Thay thế mỗi dấu ngoặc vuông [] và trình giữ chỗ trong ngoặc bằng các chi tiết cụ thể từ tình huống thực tế của bạn. Thông tin đầu vào mơ hồ sẽ tạo ra kết quả đầu ra mơ hồ — hãy cụ thể.

👀 Những gì bạn sẽ thấy: Trong vòng vài giây, AI sẽ trả về một phản hồi có cấu trúc dựa trên prompt ở trên. Hãy đọc kỹ và coi đó là bản nháp, không phải câu trả lời cuối cùng.

📌 Nên làm gì với kết quả đầu ra: Lưu phản hồi vào file Notes. Chọn gợi ý có tác động cao nhất và thực hiện nó trong tuần này — đừng cố gắng làm tất cả mọi thứ cùng một lúc.

⚠️ Nếu kết quả không ổn: Nếu các gợi ý có vẻ chung chung, hãy dán nội dung sau: "Hãy cụ thể hơn với ngữ cảnh thực tế của tôi. Bỏ lời khuyên chung chung." Nếu nó bỏ qua các chi tiết quan trọng bạn đã cung cấp, hãy hỏi: "Bạn đã bỏ sót [X] trong ngữ cảnh của tôi — hãy thực hiện lại với điều đó làm ràng buộc chính."

Nếu Agent 3 gặp lỗi, bạn vẫn còn lưu trữ kết quả đầu ra của Agent 1 và 2. Hãy thử lại Agent 3 mà không cần thực hiện lại toàn bộ pipeline.

Chiến lược thử lại: Khi một agent gặp lỗi, đừng chỉ thử lại cùng một thao tác. Hãy sử dụng phương pháp từng bước:

1. Thử lại như cũ (lỗi API tạm thời sẽ nhanh chóng được khắc phục)

2. Thử lại với prompt đơn giản hơn (có thể prompt ban đầu quá phức tạp)

3. Thử lại với một mô hình khác (chuyển từ GPT-4 sang Claude, hoặc ngược lại)

4. Nâng cao mức độ hỗ trợ (lưu checkpoint, thông báo cho người dùng)

Hầu hết các lỗi đều là tạm thời — lỗi hết thời gian chờ API, giới hạn tốc độ, sự cố mạng. Một lần thử lại duy nhất sẽ khắc phục được 70-80% sự cố.

✅ Kiểm tra nhanh: Pipeline 5 agent của bạn gặp lỗi ở Agent 4. Agent 1, 2 và 3 hoạt động tốt. Nếu bạn không có tính năng lưu checkpoint, điều gì sẽ xảy ra?

Câu trả lời: Bạn khởi động lại toàn bộ quy trình từ Agent 1, chạy lại 3 agent đã tạo ra kết quả tốt. Điều đó lãng phí thời gian, token và tiền bạc. Việc tạo checkpoint có nghĩa là bạn lưu lại kết quả đầu ra của mỗi agent và chỉ khởi động lại từ điểm xảy ra lỗi. Đối với các hệ thống sản xuất, việc tạo checkpoint không phải là tùy chọn — mà là bắt buộc.

Điều phối song song trong thực tế

Chạy các agent song song rất nhanh nhưng lại tạo ra những thách thức mới.

Giới hạn phân bổ: Không nên chạy 50 agent cùng lúc. Giới hạn tốc độ API, bộ nhớ và chi phí đều tăng tuyến tính. Giới hạn việc thực thi song song của bạn ở mức 5-10 agent mỗi loạt.

Quản lý thời gian chờ: Đặt thời hạn. Nếu một agent song song vẫn đang chạy khi các agent khác đã hoàn thành, đừng chờ đợi mãi mãi. Hãy xử lý những gì bạn có.

Thời gian chờ: 30 giây
Agent A: ✅ hoàn thành trong 5 giây
Agent B: ✅ hoàn thành trong 12 giây
Agent C: ⏰ vẫn đang chạy sau 30 giây → đánh dấu là chưa hoàn thành
→ Trình kết hợp xử lý A + B, ghi chú C không khả dụng

Chuẩn hóa kết quả: Ngay cả với schema, các agent chạy song song có thể trả về những mức độ chi tiết khác nhau. Trình kết hợp của bạn cần xử lý sự khác biệt - Agent A viết 200 từ, Agent B viết 800 từ, Agent C chỉ trả về các gạch đầu dòng. Chuẩn hóa trước khi kết hợp.

Nhận thức về chi phí: 3 agent chạy song song tốn gấp 3 lần một agent. Nếu bạn thực hiện 100 tác vụ mỗi ngày, đó là 300 lần gọi agent. Lập ngân sách cho phù hợp. Đôi khi chạy 3 agent song song là lựa chọn đúng đắn, nhưng 10 agent chạy song song là quá mức cần thiết cho cùng một tác vụ.

Điều phối phân cấp trong thực tế

Supervisor agent là bộ điều phối mạnh nhất — và dễ gặp lỗi nhất.

Giai đoạn lập kế hoạch: Supervisor chia nhiệm vụ thành các nhiệm vụ nhỏ hơn trước khi giao việc. Một gợi ý tốt từ Supervisor bao gồm:

<instructions>
1. Phân tích nhiệm vụ được giao
2. Chia nhiệm vụ thành 2-5 nhiệm vụ nhỏ (không nhiều hơn)
3. Phân công mỗi nhiệm vụ nhỏ cho worker phù hợp nhất
4. Sau khi worker hoàn thành, hãy xem xét chất lượng
5. Nếu chất lượng không đạt yêu cầu, hãy phân công lại hoặc cung cấp phản hồi
6. Kết hợp các kết quả thành sản phẩm cuối cùng
</instructions>

Các mô hình giám sát: Supervisor thực hiện mức độ kiểm soát như thế nào?

Hãy bắt đầu với vai trò Micro-manager trong quá trình xây dựng. Chuyển sang vai trò Delegator khi bạn đã tin tưởng các agent. Mô hình Micro-manager giúp phát hiện vấn đề sớm. Mô hình Delegator giúp quá trình vận hành nhanh hơn.

✅ Kiểm tra nhanh: Supervisor agent của bạn liên tục chia nhỏ nhiệm vụ thành hơn 10 nhiệm vụ con, tạo ra nhiều công việc hơn mức cần thiết. Làm thế nào để khắc phục điều này?

Câu trả lời: Thêm một ràng buộc rõ ràng vào prompt của Supervisor: "Chia nhiệm vụ thành không quá 5 nhiệm vụ con. Nếu một nhiệm vụ có vẻ cần nhiều hơn, hãy kết hợp các công việc liên quan thành những nhiệm vụ con lớn hơn." Đồng thời cung cấp các ví dụ về việc phân chia nhiệm vụ tốt để Supervisor hiểu được mức độ chi tiết mà bạn mong muốn. Ít nhiệm vụ con hơn nhưng lớn hơn sẽ giảm chi phí phối hợp.

Quản lý chi phí và token

Hệ thống multi-agent rất cần token. Một quy trình 5 agent có thể sử dụng số token gấp 5-10 lần so với một agent đơn lẻ. Quản lý chi phí là trách nhiệm của điều phối.

Ngân sách token cho mỗi agent: Đặt giới hạn token tối đa cho phản hồi của mỗi agent. Một agent nghiên cứu không cần đến 10.000 token — hãy giới hạn ở mức 2.000. Một agent tóm tắt? Tối đa 500 token.

Lựa chọn mô hình cho mỗi agent: Không phải agent nào cũng cần mô hình đắt nhất của bạn. Một mô hình phổ biến:

Chiến lược "kết hợp mô hình" này có thể giảm chi phí từ 40-60% so với việc chạy mọi agent trên mô hình đắt nhất của bạn.

Dừng sớm: Nếu trình điều phối xác định nhiệm vụ đã hoàn thành trước khi đến agent cuối cùng, hãy dừng lại. Không nên chạy các agent chỉ vì mục đích chạy chúng. Một Supervisor theo cấp bậc nên kiểm tra: "Tôi đã có đủ đầu ra chất lượng để trả lời câu hỏi ban đầu chưa?" Nếu có, hãy bỏ qua các agent còn lại.

Tổng hợp lại: Quy trình sản xuất nội dung

Đây là cách một hệ thống sản xuất nội dung thực tế có thể hoạt động với sự điều phối hợp lý:

1. Supervisor nhận yêu cầu "Viết một bài đăng blog về X"
2. Supervisor lập kế hoạch: Nghiên cứu → Dàn ý → Bản nháp → Chỉnh sửa → SEO
3. Research Agent (Sonnet, giới hạn 2000 từ, thời gian chờ 30 giây)
  → Lưu checkpoint
4. Outline Agent (Haiku, giới hạn 500 từ, thời gian chờ 10 giây)
  → Lưu checkpoint
5. Draft Agent (Opus, giới hạn 4000 từ, thời gian chờ 60 giây)
  → Lưu checkpoint
6. Edit Agent (Sonnet, giới hạn 3000 từ, thời gian chờ 30 giây)
  → Nếu ​​điểm chất lượng < 0.7, thử lại với phản hồi
7. SEO Agent (Haiku, giới hạn 500 từ, thời gian chờ 10 giây)
  → Kết quả cuối cùng

Mỗi agent có một mô hình, một ngân sách token, thời gian chờ và checkpoint. Bước chỉnh sửa có cổng kiểm soát chất lượng. Toàn bộ quy trình có chi phí thấp hơn khoảng 60% so với việc chạy từng bước trên Opus.

✅ Kiểm tra nhanh: Bạn đang xây dựng một quy trình và muốn sử dụng mô hình rẻ nhất cho mỗi bước để tiết kiệm chi phí. Tại sao điều này có thể phản tác dụng?

Câu trả lời: Các mô hình giá rẻ hoạt động tốt cho những tác vụ đơn giản — định tuyến, định dạng, tóm tắt. Nhưng đối với các suy luận phức tạp — phân tích, viết sáng tạo, những quyết định tinh tế — chúng tạo ra đầu ra chất lượng thấp hơn, cần sự chỉnh sửa của con người hoặc làm gián đoạn quy trình. Chi phí sửa chữa đầu ra kém thường vượt quá khoản tiết kiệm từ việc sử dụng mô hình rẻ hơn. Hãy lựa chọn mô hình phù hợp với độ khó của nhiệm vụ.

Những điểm chính cần ghi nhớ

• Việc lưu checkpoint giúp lưu lại đầu ra của mỗi agent để các lỗi không làm khởi động lại toàn bộ quy trình

• Chiến lược thử lại: Cùng một đầu vào → prompt đơn giản hóa → mô hình khác → chuyển giao

• Giới hạn song song: Giới hạn ở 5-10 agent, đặt thời gian chờ, chuẩn hóa kết quả trước khi kết hợp

• Các agent giám sát cần có giới hạn nhiệm vụ phụ rõ ràng và tiêu chí chất lượng rõ ràng

• Việc kết hợp các mô hình giúp giảm chi phí 40-60% — chỉ sử dụng các mô hình đắt tiền khi độ phức tạp yêu cầu

• Ngân sách token cho mỗi agent ngăn ngừa chi phí vượt quá tầm kiểm soát

• Việc kết thúc sớm giúp tiết kiệm tiền — dừng lại khi nhiệm vụ hoàn thành, không chạy thêm agent