Sự Trỗi Dậy Của Các Hệ Thống Agentic: LangChain và LlamaIndex Nói Về AI Agent

Sự Trỗi Dậy Của Các Hệ Thống Agentic: LangChain và LlamaIndex Nói Về AI Agent

Mục lục

1. AI Agent: Sự Phát Triển Từ Hệ Thống RAG
2. LangChain: LangGraph - Giải Pháp Custom Cognitive Architectures
3. LlamaIndex: Knowledge Assistants và Agentic RAG
4. Cái Nhìn Chung Về Tương Lai Của AI Agent

AI Agent: Sự Phát Triển Từ Hệ Thống RAG

Tại Hội Chợ Thế Giới Kỹ Sư AI gần đây, các nhà sáng lập của LangChain và LlamaIndex đã thảo luận về sự tiến hóa từ các hệ thống LLM dựa trên RAG (Retrieval-Augmented Generation) sang AI Agent. Khái niệm hệ thống agentic (hoặc luồng công việc agentic) đã xuất hiện nhiều lần trong sự kiện này, cho thấy sự chú ý ngày càng tăng đối với AI Agent.

AI Agent, về bản chất, là một phần mềm tự động sử dụng các mô hình ngôn ngữ lớn (LLM) để thực hiện các nhiệm vụ khác nhau. Tuy nhiên, trong sự kiện Kỹ Sư AI năm ngoái, AI Agent được xem là khái niệm hot nhưng thiếu tính thuyết phục. AutoGPT, startup AI Agent nổi bật thời điểm đó, đã tạo ra nhiều hoài nghi bởi phần trình bày của họ.

LangChain: LangGraph - Giải Pháp Custom Cognitive Architectures

Tại Hội Chợ Thế Giới năm nay, AutoGPT không còn được tài trợ, nhưng được nhắc đến bởi Harrison Chase, nhà sáng lập và CEO của LangChain. Ông thẳng thắn chỉ ra điểm yếu của các AI Agent: Theo tôi, AutoGPT đại diện cho đỉnh điểm của sự cường điệu về AI Agent. Và tôi thực sự nghĩ rằng, trong vài tháng sau đó, sự quan tâm đã giảm sút khi mọi người nhận ra rằng kiến trúc Agent chung không đủ tin cậy để xây dựng các hệ thống có thể đưa vào sản xuất.

LangChain đã trình bày LangGraph, một giải pháp xây dựng dành riêng cho AI Agent. Ông Chase cho biết: Các công ty đang đưa AI Agent vào sản xuất đang xây dựng các kiến trúc nhận thức tùy chỉnh, mã hóa các khác biệt nhỏ về cách họ muốn AI Agent của mình hoạt động. LangGraph được thiết kế để giải quyết vấn đề này, cung cấp khả năng điều khiển cao và ở mức thấp.

LangChain cũng nhấn mạnh vai trò của con người trong hệ thống AI Agent. LangGraph được tích hợp với lớp lưu trữ dữ liệu, cho phép tương tác theo kiểu vòng lặp con người.

LlamaIndex: Knowledge Assistants và Agentic RAG

Jerry Liu, nhà sáng tạo của LlamaIndex, đã đưa ra một cách tiếp cận khác với AI Agent. Ông giới thiệu AI Agent như là người kế thừa tự nhiên của RAG, phương pháp phổ biến nhất để tích hợp một LLM đã được đào tạo trước với một nguồn dữ liệu bên ngoài.

LlamaIndex đã khôn ngoan khi đổi thương hiệu AI Agent thành trợ lý kiến thức để tạo ấn tượng tốt hơn với các doanh nghiệp. RAG chỉ là bước đầu tiên để xây dựng trợ lý kiến thức. Ông Liu mô tả RAG như một hệ thống tìm kiếm được nâng cấp dựa trên các phương pháp truy xuất đã có từ nhiều thập kỷ.

LlamaIndex cung cấp nhiều tùy chọn nâng cao cho người dùng, cho phép họ xây dựng các AI Agent phức tạp hơn. Người dùng thậm chí có thể xây dựng một bộ giải quyết nhiệm vụ đa AI Agent, nơi họ mở rộng khả năng của một AI Agent duy nhất để đạt được sự phối hợp đa Agent.

Liu cũng giới thiệu Agentic RAG - một khái niệm khiến mọi thứ trở nên phức tạp hơn. Ông giải thích rằng Agentic RAG là LLM tương tác với một tập hợp các dịch vụ dữ liệu như là công cụ.

Cái Nhìn Chung Về Tương Lai Của AI Agent

LangChain và LlamaIndex đã đưa ra các giải pháp khác nhau cho vấn đề AI Agent. LangChain tập trung vào kiến trúc nhận thức tùy chỉnh, trong khi LlamaIndex hướng đến trợ lý kiến thức với luồng công việc phức tạp.

Tuy nhiên, vẫn còn quá sớm để đánh giá hiệu quả của các giải pháp này. Cần phải chờ xem liệu chúng có hoạt động hiệu quả trong môi trường thực tế hay không.