Năm 2025, giới lập trình chao đảo. Chỉ trong một thời gian ngắn, AI chuyển từ vai trò trợ lý (hỗ trợ, con người vẫn là người thực thi chính) tới coding agents (tác tử lập trình) trực tiếp tham gia viết mã. Và không chỉ dừng ở viết mã, giờ đây AI tham gia gần như tất cả các khâu, từ phân tích, viết mã, kiểm thử, thậm chí cả điều phối các AI agents khác thực thi trong một chuỗi công việc phức tạp. Và không chỉ giới hạn trong lĩnh vực lập trình.

Trên là ví dụ cho thấy AI agents đã trưởng thành và thực tế có thể tham gia công việc một cách trọn vẹn vượt ra ngoài giới hạn công cụ chatbot. Một AI agent gồm ba thành phần chính:

• Một bộ não LLM: các AI models như GPT (Open AI), Gemini, Claude, Deepseek,
• Ngữ cảnh (context): các luồng làm việc (workflows), hướng dẫn (instructions), agent skills - kỹ năng dành cho agents.
• Bộ công cụ (tools): những công cụ cung cấp để AI agents có thể thực hiện. Ví dụ bạn muốn AI agents có thể tìm kiếm trên internet, bạn cung cấp một công cụ websearch hoặc công cụ để điều khiển trình duyệt.

Nhờ đó, AI có thể tham gia hầu hết công việc trên môi trường số, nếu được cung cấp đủ ngữ cảnh và công cụ phù hợp

Bài viết này giới thiệu về BMAD Method - một khung kỹ thuật ngữ cảnh của AI được dùng phổ biến trong lĩnh vực phần mềm nhưng thực tế ngay từ đầu đã vượt ra ngoài phạm vi ngành. Quan trọng hơn, BMAD Method mang lại một tư duy hệ thống để xây dựng và sử dụng AI agents.

BMAD Method là gì?

BMAD Method là một khung kỹ thuật ngữ cảnh được xây dựng trên nền tảng vai trò (role based) với các thành phần:

• vai trò: các AI agents được tổ chức thành các vai trò khác nhau, đảm nhận một nhiệm vụ. Đó có thể là một chuyên viên phân tích (analysis), một quản lý sản phẩm (product developer), một nhà sáng tạo nội dung (content creator) hoặc nhà phát triển tính cách nhân vật (character psychologist)….
• luồng làm việc (workflows): các luồng công việc (quy trình) khá chặt chẽ
• các hướng dẫn và bộ kỹ năng cho các AI agents
• các tiêu chuẩn lượng hoá kết quả một cách rõ ràng.

Một tư duy dễ hiểu về AI Agents

Khác với nhiều khung kỹ thuật ngữ cảnh thường quá tập trung vào lập trình, quá nặng về kỹ thuật; cách tiếp cận của BMAD vượt ra khỏi phạm vi công việc trong lĩnh vực công nghệ.

Khi tôi giới thiệu về AI agents nói chung, khá nhiều anh chị em lúng túng. Hoặc bởi hình dung AI ở phạm vi công cụ - chatbot. Hoặc chưa hình dung mối quan hệ giữa con người với các ai agents như thế nào?

”Trần sao âm vậy” (analogical thinking), nếu coi các AI agents như các “đồng nghiệp số” / “nhân viên số” thì sao? Trong tổ chức công việc thông thường, chúng ta thường cố gắng đưa vào các quy trình (workflows) và các hướng dẫn thực thi để đảm bảo một công việc được triển khai theo từng bước, hiệu quả và ít rủi ro hơn. Cách tiếp cận của BMAD rất gần gũi với tư duy này khiến các quản lý dễ dàng ánh xạ AI tới các hoạt động hiện có.

Tổ chức một hệ AI Agents

Ở trên tôi sử dụng khái niệm hệ AI Agents, hoặc có thể gọi đơn giản hơn là agents team có thể sử dụng tư duy tương đương hình dung với một nhóm làm việc. Mỗi agents team sẽ gồm:

• Một nhiệm vụ chung: team phát triển sản phẩm, team (để làm) marketing, team (nghiên cứu chiến lược).
• Các luồng công việc (kèm hướng dẫn) mà team sử dụng để hoàn thành nhiệm vụ.
• Hạt nhân - các agents: những “nhân sự” với các nhiệm vụ cụ thể, bao gồm các kỹ năng cần thiết để hoàn thành công việc của “anh ta”.

*BMAD Method cũng cung cấp một hướng dẫn để phát triển các agents riêng của các bạn.

Điều này gần như tương đồng với công việc của các nhà quản lý trong vai trò tổ chức hoạt động của đội nhóm “con người”.

Lượng hoá kết quả đầu ra

Khác với các khung kỹ thuật ngữ cảnh khác. BMAD cung cấp ngay từ đâu một bước đánh giá kết quả đầu ra - quality gate.

Một vấn đề phổ biến khi sử dụng AI là kết quả không nhất quán. Nguyên nhân nằm ở bản chất của các mô hình AI tạo sinh (generative AI) mà chúng ta đang sử dụng với thuật toán nền tảng GPT (generative pre-trained transformer). Mọi kết quả của AI tạo ra đều có yếu tố ngẫu nhiên, kể cả quyết định thực thi của chúng (cũng là kết quả của một quá trình tạo sinh). Do vậy đó là chúng ta cần phải lượng hoá các kết quả của chúng. Điều này không khác nhiều so với cách chúng ta đánh giá công việc trong thực tế.

• Nếu giao AI agents việc tạo các bài viết trong một loạt bài đảm bảo tính đồng nhất giữa các bài. Hãy thêm một bước đánh giá, với các tiêu chí như điểm số (ví dụ có trên 5 rủi ro các khái niệm không thống nhất cho cùng một vấn đề -1, …)
• Nếu giao AI thực hiện một thao tác như tạo đơn hàng, hãy thêm bước xác nhận với tiêu chuẩn rõ ràng kiểm tra các thông tin như khách hàng, số điện thoại, địa chỉ, sản phẩm có khớp với yêu cầu không, đánh giá đạt hay không đạt
• ….

Kết lại

Việc triển khai BMAD Method có gì đó vẫn khiến những người không trong lĩnh vực kỹ thuật e ngại. Tuy nhiên tôi nghĩ nó giống như khi chúng ta làm quen với máy tính và phải cài phần mềm của những năm đầu TK 21 này, khi đã vượt qua nó, mọi người sẽ thấy nó không phải vấn đề. Bất cứ ai có kỹ năng công nghệ cơ bản đều có thể hỗ trợ . Ồ chẳng phải nhiều người khi có chiếc máy tính đầu tiên, chúng ta cũng phải có IT hỗ trợ cài đặt sao?

Bạn có thể sử dụng các công cụ như Codex App (nếu bạn trả phí cho ChatGPT) với trải nghiệm như chatbot. Hoặc Antigravity, một công cụ của Google, mặc dù dành cho lập trình nhưng có một cửa sổ chat khá gần gũi với chatbot.

Tôi cho rằng với AI, điều quan trọng không phải công cụ mà là tư duy sử dụng. Tôi từng rất lúng túng khi làm quen với các AI Agents khi vẫn không thoát ra khỏi tư duy chúng là các trợ lý. BMAD Method đã thay đổi hoàn toàn suy nghĩ của tôi.

Xem thêm: http://bmad-method.org/

https://blog.luuhieu.me/articles/ai-agents-va-agentic-ai

https://blog.luuhieu.me/articles/ai-co-cuop-viec-cua-ban-khong