Bài 1 — Bức tranh toàn cảnh: Agent là gì và tại sao chọn công cụ lại quyết định thành bại

Trước khi so sánh n8n với LangGraph hay Make với CrewAI, bạn cần một bản đồ tư duy rõ ràng. 80% dự án agent thất bại không phải vì model kém, mà vì chọn sai công cụ so với bài toán: dùng LangGraph cho một workflow gửi email đơn giản (over-engineering), hoặc cố nhét logic ra quyết định phức tạp vào Zapier (under-powered).

Agent khác Workflow ở điểm nào?

• Workflow (automation): bạn định sẵn các bước A → B → C. Máy chạy đúng kịch bản. Ví dụ: có form mới → tạo dòng Google Sheet → gửi Slack.
• Agent: có một LLM đứng ra quyết định bước tiếp theo dựa trên ngữ cảnh, gọi tool khi cần, lặp lại cho tới khi đạt mục tiêu. Ví dụ: "Trả lời email khách hàng" → agent tự đọc email, tra cứu đơn hàng qua API, quyết định có cần hỏi lại kho hay không, rồi soạn trả lời.

Ranh giới này rất thực tế: nếu bài toán của bạn có thể vẽ hết thành sơ đồ cố định, bạn thường KHÔNG cần agent — một tool automation là đủ và rẻ hơn nhiều.

Ba trục quyết định (framework RCS)

Hãy nhớ 3 chữ RCS mỗi khi chọn công cụ:

• R — Reliability/Kiểm soát: bài toán cần độ chính xác cao, có kiểm soát từng bước, audit được không?
• C — Complexity/Độ phức tạp logic: agent cần suy luận nhiều bước, phối hợp nhiều tác nhân, hay chỉ chạy tuyến tính?
• S — Skill/Kỹ năng đội ngũ: đội của bạn là business user (no-code) hay có developer (pro-code)?

Một mẹo thực chiến: hãy tưởng tượng bạn thuê một nhân viên mới. Nếu bạn đưa được cho họ một bản quy trình chi tiết "làm bước này rồi bước kia" và họ chỉ cần làm theo, thì bạn cần một automation. Nếu công việc đòi hỏi họ phải đọc tình huống, tự phán đoán "trường hợp này nên xử lý thế nào", thì bạn mới thật sự cần một agent. Phần lớn bài toán trong doanh nghiệp Việt Nam nằm lẫn lộn giữa hai loại này, nên bước tách bạch ngay từ đầu tiết kiệm cho bạn rất nhiều tiền và công sức về sau.

Bản đồ 9 công cụ

NO-CODE / LOW-CODE          PRO-CODE (SDK/Framework)
----------------------      -------------------------
Zapier AI    (dễ nhất)      Anthropic tool use (nền tảng nhất)
Make         (linh hoạt)    OpenAI Agents SDK (gọn, chính thống)
n8n          (tự host)      CrewAI (multi-agent theo vai trò)
Copilot Studio (hệ MS)      AutoGen (multi-agent hội thoại)
                            LangGraph (kiểm soát state cao nhất)

Các bước áp dụng ngay

• Viết một câu mô tả mục tiêu agent: "Tôi muốn agent [làm gì] cho [ai], dựa trên [dữ liệu nào]."
• Trả lời: bài toán có vẽ được thành sơ đồ cố định không? Nếu có → nghiêng về no-code automation; nếu không (cần suy luận) → cân nhắc framework agent.
• Chấm điểm 3 trục RCS từ 1–5.
• Xác định ràng buộc cứng: ngân sách, yêu cầu bảo mật/tự host, hệ sinh thái sẵn có (Microsoft 365? Google?).
• Rút danh sách ngắn 2–3 công cụ, để dành so sánh sâu ở các bài sau.

Khung tư duy: "Đủ dùng thắng hoành tráng"

Luôn chọn công cụ đơn giản nhất giải quyết được bài toán. Bạn có thể nâng cấp sau. Bắt đầu bằng LangGraph cho một chatbot FAQ giống như dùng xe tải chở một thùng nước.

Checklist trước khi rời Bài 1

• [ ] Đã viết được câu mô tả mục tiêu 1 dòng.
• [ ] Đã phân biệt bài toán của mình là workflow hay agent thật sự.
• [ ] Đã chấm điểm RCS.
• [ ] Đã liệt kê ràng buộc cứng (budget, bảo mật, hệ sinh thái).

Sai lầm thường gặp

• Chọn theo hype: thấy LangGraph/CrewAI "xịn" trên mạng nên dùng, dù bài toán chỉ cần Zapier.
• Nhầm workflow thành agent: nhồi một pipeline cố định vào framework agent, làm hệ thống khó debug và tốn token vô ích.
• Bỏ qua kỹ năng đội ngũ: chọn pro-code framework nhưng cả team không ai code được, dự án chết yểu sau khi người xây nghỉ việc.
• Không xác định ràng buộc cứng từ đầu: đến giữa dự án mới phát hiện dữ liệu không được đưa lên cloud, phải làm lại từ đầu.