Rất nhiều người nghĩ "AI Agent Engineer" là người huấn luyện mô hình (train model). Sai. Trong 95% công việc thực tế, bạn không train model — bạn ghép nối một LLM có sẵn (GPT, Claude, Gemini) với công cụ (tools), bộ nhớ (memory) và quy trình nghiệp vụ để tạo ra một hệ thống tự động làm được việc thật.
Agent khác chatbot ở điểm nào
Chatbot chỉ trả lời. Agent thì hành động: gọi API, đọc/ghi database, gửi email, đặt lịch, tra cứu tài liệu rồi ra quyết định bước tiếp theo. Vòng lặp cốt lõi của một agent:
quan sát (observe) -> suy nghĩ (reason) -> chọn tool -> thực thi -> quan sát kết quả -> lặp lại
Ví dụ cụ thể: một agent xử lý đơn hoàn tiền. Khách gửi email "tôi muốn hoàn tiền đơn #A123". Agent: (1) đọc email, (2) gọi tool get_order(A123) từ database, (3) kiểm tra chính sách hoàn tiền, (4) nếu đủ điều kiện thì gọi create_refund(), (5) soạn email trả lời khách. Không con người nào chạm vào — đó là giá trị mà doanh nghiệp trả tiền.
Ba nhóm công việc bạn sẽ làm
- Workflow automation (n8n, Make, Zapier + LLM): nối các ứng dụng SaaS, chèn bước LLM để phân loại/tóm tắt/trích xuất. Rào cản kỹ thuật thấp, nhu cầu tuyển dụng cực lớn ở doanh nghiệp vừa và nhỏ.
- Agent development (LangChain, LangGraph, code thuần): xây agent có tool-calling, RAG, multi-step. Cần code Python/JS.
- Agent platform / infra: đánh giá (eval), giám sát (observability), tối ưu chi phí token, bảo mật. Vị trí cao cấp hơn.
Khung tư duy "3 lớp giá trị"
Khi nhìn một bài toán, hãy phân tích theo 3 lớp:
- Lớp 1 — Deterministic: việc nào chỉ cần if/else hay gọi API? Đừng dùng LLM cho việc này (tốn tiền, thiếu ổn định).
- Lớp 2 — LLM đơn: việc cần hiểu ngôn ngữ tự nhiên nhưng một lượt là xong (phân loại email, tóm tắt).
- Lớp 3 — Agentic: việc cần nhiều bước, ra quyết định động, dùng tool. Chỉ dùng agent khi thật sự cần.
Các bước để định vị bản thân
- Xác định nền tảng hiện tại của bạn: dev? ops? analyst? domain expert (kế toán, HR, logistics)?
- Chọn nhóm công việc phù hợp: không có nền code -> bắt đầu từ workflow automation; có code -> nhắm agent development.
- Chọn 1 domain bạn hiểu sâu (ví dụ: bạn từng làm CSKH -> agent hỗ trợ CSKH). Domain knowledge là lợi thế cạnh tranh mà dev thuần không có.
- Viết ra 3 bài toán tự động hóa thực tế trong domain đó — đây sẽ là nguyên liệu cho portfolio (Bài 5).
Checklist tự đánh giá điểm xuất phát
- [ ] Tôi hiểu sự khác biệt agent vs chatbot vs workflow.
- [ ] Tôi biết ít nhất 1 LLM API và cách gọi nó.
- [ ] Tôi có 1 domain hiểu sâu để khai thác.
- [ ] Tôi phân biệt được lớp 1/2/3 khi nhìn một bài toán.
Sai lầm thường gặp
- Nghĩ phải giỏi toán/ML mới làm được. Không. Bạn dùng model có sẵn qua API; kỹ năng chính là kỹ thuật phần mềm + thiết kế hệ thống + prompt.
- Học tràn lan mọi framework. Chọn 1 hướng, đi sâu, có sản phẩm chạy được rồi mới mở rộng.
- Nhồi LLM vào mọi bước. Lãng phí token và làm hệ thống kém ổn định; phần lớn giá trị nằm ở việc phối hợp đúng lớp deterministic và LLM.
- Bỏ qua domain. Người có domain + kỹ năng agent thắng người chỉ có kỹ năng agent, vì họ hiểu bài toán thật.