1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

User: "Đặt cho tôi cuộc họp với Sarah thứ Ba tuần này lúc 3 giờ."
         │
         ▼
[LLM Suy nghĩ]: "Tôi cần kiểm tra lịch của Sarah trước."
         │
         ▼ (Tool Call)
[Tool: get_calendar("[email protected]", "thứ Ba này")]
         │ Trả về: "Sarah rảnh từ 2-4 giờ chiều."
         ▼
[LLM Suy nghĩ]: "Tốt, tôi sẽ đặt slot 1 tiếng lúc 3 giờ."
         │
         ▼ (Tool Call)
[Tool: create_event("Họp với Sarah", "Thứ Ba 3pm", attendees=[...])]
         │ Trả về: "Event đã tạo. Thư mời đã gửi."
         ▼
Agent: "Xong! Cuộc họp đã được đặt vào thứ Ba lúc 3 giờ chiều."

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

SUY NGHĨ: "Tôi cần làm gì?"
   ↓
HÀNH ĐỘNG: Gọi một công cụ
   ↓
QUAN SÁT: Xem kết quả của công cụ
   ↓
SUY NGHĨ: "Tôi vừa biết gì? Tiếp theo là gì?"
   ↓
(lặp lại cho đến khi hoàn thành hoặc bỏ cuộc)
CÂU TRẢ LỜI CUỐI CÙNG

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

from openai import OpenAI
import json

client = OpenAI()

# Định nghĩa công cụ mà agent có thể dùng
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Lấy thời tiết hiện tại cho một thành phố",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "Tên thành phố"}
                },
                "required": ["city"]
            }
        }
    }
]

def get_weather(city: str) -> str:
    return f"Nắng, 28°C tại {city}"

messages = [{"role": "user", "content": "Thời tiết Hà Nội như thế nào?"}]

# Lần gọi đầu: LLM quyết định dùng tool
response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    tools=tools
)

# Thực thi tool
tool_call = response.choices[0].message.tool_calls[0]
result = get_weather(**json.loads(tool_call.function.arguments))

# Đưa kết quả về LLM cho câu trả lời cuối
messages.append(response.choices[0].message)
messages.append({"role": "tool", "tool_call_id": tool_call.id, "content": result})

final = client.chat.completions.create(model="gpt-4o", messages=messages)
print(final.choices[0].message.content)
# "Thời tiết tại Hà Nội hiện đang nắng, 28°C."

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

from langgraph.graph import START, END, StateGraph
from typing import TypedDict, Annotated
import operator

# Định nghĩa state chung giữa các agent
class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    task: str
    result: str

def research_agent(state: AgentState) -> AgentState:
    """Tìm kiếm web và trả về kết quả nghiên cứu."""
    return {"messages": [ket_qua_nghien_cuu]}

def writer_agent(state: AgentState) -> AgentState:
    """Lấy kết quả nghiên cứu và viết báo cáo."""
    return {"messages": [bao_cao], "result": bao_cao}

def should_continue(state: AgentState) -> str:
    if not state.get("result"):
        return "writer"
    return END

# Xây dựng đồ thị
workflow = StateGraph(AgentState)
workflow.add_node("researcher", research_agent)
workflow.add_node("writer", writer_agent)

workflow.add_edge(START, "researcher")
workflow.add_conditional_edges("researcher", should_continue)
workflow.add_edge("writer", END)

app = workflow.compile()
result = app.invoke({"task": "Viết báo cáo về xu hướng AI năm 2026"})

1
2
3
4
5
6
7

LLM         -> Bộ não Thông minh. Biết lý luận, nhưng không thể hành động.
Tool        -> Đôi tay. API, truy vấn DB, thực thi code, tìm kiếm web.
Agent       -> Não + Tay. Có thể suy nghĩ và hành động trong vòng lặp.
Multi-Agent -> Công ty. Những bộ não chuyên biệt làm việc song song.

Vòng lặp ReAct -> Suy nghĩ → Hành động → Quan sát → Lặp lại.
LangGraph      -> Phần mềm sơ đồ tổ chức cho công ty AI của bạn.