📑 KHÓA HỌC XÂY DỰNG AI AGENTS TỰ HÀNH TOÀN TẬP (AI AGENTS A-Z & N8N)
BÀI 3 / 4
AI Agents A-Z • Bài 3
Khóa Học AI Agents A-Z (Phần 3): Xây Dựng Deep Research Agent & Viết Báo Cáo Tự Động
Sự khác biệt giữa Google Search thông thường và Deep Research: Một lượt tìm kiếm thông thường chỉ trả về 10 liên kết xanh và đoạn trích ngắn (snippet). Trong khi đó, một Deep Research Agent hoạt động như một nhà phân tích nghiên cứu cấp cao: Nó đọc toàn văn các bài phân tích, nhận diện các mâu thuẫn số liệu, tự sinh ra các truy vấn tìm kiếm thứ cấp để đào sâu, và tổng hợp thông tin đa nguồn thành một bản báo cáo hoàn chỉnh dài 2.000 - 3.000 từ. Bài viết này hướng dẫn bạn cách dựng hệ thống Deep Research hoàn toàn tự động trên n8n.
1. Giải Mã Cơ Chế Hoạt Động Của Vòng Lặp Tìm Kiếm Đệ Quy (Recursive Search Loop)
Khái niệm Deep Research đòi hỏi Agent phải sở hữu khả năng tự đánh giá thông tin và tư duy nhiều tầng (Multi-hop Reasoning):
Tầng 1: Broad Exploration
Khảo Sát Diện Rộng
Truy vấn các chủ đề vĩ mô ban đầu (ví dụ: "chính sách thuế quan Mỹ ảnh hưởng xuất khẩu thép Việt Nam 2026").
Tầng 2: Deep Extraction
Cào & Bóc Tách Chi Tiết
Sử dụng công cụ cào web thông minh (Firecrawl / Jina Reader) để chuyển nội dung trang web thành tệp Markdown sạch.
Tầng 3: Gap Detection
Nhận Diện Lỗ Hổng
Đọc nội dung và tự hỏi: "Dữ liệu biên lợi nhuận của HPG ở đâu? Thuế chống bán phá giá bao nhiêu %?" để sinh câu hỏi tiếp theo.
Tầng 4: Synthesis & Citation
Tổng Hợp & Trích Dẫn
Tổng hợp các số liệu đã kiểm chứng chéo vào một dàn ý hoàn chỉnh, đính kèm nguồn trích dẫn URL rõ ràng.
2. Vũ Khí Cào Dữ Liệu Thông Minh: Tavily & Firecrawl
Tại sao các AI Agent hàng đầu không dùng các công cụ cào web truyền thống như BeautifulSoup hay Selenium?
- Tavily Search API: Được thiết kế chuyên biệt cho LLM, tự động lọc bỏ các trang web chứa mã độc, trang chặn bot (anti-bot) và trích xuất trực tiếp câu trả lời tổng quan kèm trích dẫn gốc.
- Firecrawl / Jina Reader: Chỉ cần truyền vào một URL bất kỳ (kể cả các trang web dùng SPA React phức tạp), Firecrawl tự động render JavaScript và trả về định dạng Markdown sạch 100%, loại bỏ toàn bộ quảng cáo, thanh menu, popup và mã CSS rác.
// Cấu hình Node HTTP Request gọi Tavily Search trong n8n
{
"method": "POST",
"url": "https://api.tavily.com/search",
"body": {
"api_key": "{{ $env.TAVILY_API_KEY }}",
"query": "{{ $json.search_query }}",
"search_depth": "advanced",
"include_answer": true,
"max_results": 5
}
}
{
"method": "POST",
"url": "https://api.tavily.com/search",
"body": {
"api_key": "{{ $env.TAVILY_API_KEY }}",
"query": "{{ $json.search_query }}",
"search_depth": "advanced",
"include_answer": true,
"max_results": 5
}
}
3. Kỹ Thuật Phân Đoạn (Chunking) & Tổng Hợp Báo Cáo Không Bị Mất Dữ Liệu
Khi gom về 5-10 bài viết dài từ internet, tổng dung lượng văn bản có thể lên tới 30.000 - 50.000 từ. Nếu nhét toàn bộ vào một lần gọi LLM, bạn sẽ gặp hiện tượng Lost-in-the-Middle (mô hình bỏ sót các chi tiết nằm ở giữa).
Quy trình xử lý chuẩn Map-Reduce Synthesis:
- Giai đoạn Map (Tóm tắt cục bộ): Mỗi bài viết sau khi cào về được chuyển qua một sub-agent nhỏ để bóc tách: Luận điểm chính là gì? Con số thống kê đáng chú ý là gì?
- Giai đoạn Reduce (Hội tụ tri thức): Agent trưởng tập hợp các bản tóm tắt cục bộ, đối chiếu các điểm chung và mâu thuẫn để tổng hợp thành bài viết toàn diện.
- Fact-checking Gate: Kiểm tra lại các con số (Doanh thu, Lợi nhuận, Tỷ lệ nợ) so với nguồn gốc để triệt tiêu hoàn toàn ảo giác.