AI Agent lấy dữ liệu web hoạt động bằng cơ chế nào

Anh em hỏi tôi nhiều nhất một câu: con AI Agent này có làm được việc kia không. Tôi trả lời thẳng, đó là câu hỏi sai. Hỏi đúng phải là: AI Agent lấy dữ liệu web bằng cơ chế nào, và cơ chế đó gãy ở đâu. Biết cơ chế thì anh em tự trả lời được cho mọi công cụ, cho mọi bài toán, không cần hỏi ai.

Video gốc tôi quay ngày 28/03/2026. Bài này viết lại theo hướng cơ chế và nghiệp vụ, thêm nguồn gốc của từng mốc công nghệ, thêm bảng, thêm mẫu copy về dùng, và thêm hẳn một mục về chuyện tôn trọng điều khoản của trang đích.

Bài này đi qua những gì?

1. Vì sao hỏi "tool này làm được việc kia không" là hỏi sai chỗ
2. Agent đọc được một trang thương mại điện tử tới mức nào
3. Con người tương tác với web bằng cách nào, cây DOM và sự kiện
4. Máy cần đúng hai thứ gì để thay người làm việc trên web
5. Cách làm cũ hỏng ở chỗ nào
6. Vì sao agent bây giờ hiểu được yêu cầu nói bằng tiếng Việt
7. Vì sao agent nhìn được giao diện, từ gán nhãn tới học bằng câu
8. Vì sao cài xong công cụ mà chạy vẫn không ra kết quả
9. Một agent làm hết có ổn không
10. Giới hạn thật, gồm cả phần tôn trọng trang đích

Vì sao hỏi "tool này làm được việc kia không" là hỏi sai chỗ?

Vì công cụ đổi mỗi quý, cơ chế thì không đổi. Anh em học thuộc một công cụ, ba tháng sau nó ra bản mới, anh em lại hỏi lại từ đầu. Chạy theo tool thì chạy mãi không có điểm dừng.

Tôi hay ví với anh em thế này. Anh em ra chợ mua cái thìa. Anh em không cần biết thép được luyện ra sao. Nhưng anh em phải biết cái thìa để xúc, cái bát để đựng, ăn lẩu thì phải cầm cái môi chứ cái thìa không múc nổi. Biết đúng bản chất từng thứ thì ra chợ nhìn phát là chọn được. Không biết thì có người bán cho anh em cái thìa và bảo dùng để uống nước, anh em vẫn mua.

Với AI cũng vậy. Anh em không cần hiểu công nghệ lõi bên trong. Nhưng phải biết nó làm được gì bằng cơ chế nào. Biết rồi thì dùng công cụ nào cũng được, dùng công cụ nội bộ tự dựng cũng được.

Trong bài này tôi chạy demo trên một công cụ cụ thể. Anh em đừng bám vào cái tên đó. Bám vào cơ chế.

Agent đọc được một trang thương mại điện tử tới mức nào?

Đọc được đúng tới mức lấy ra được tên sản phẩm và con số giá đang hiển thị, chứ không phải tóm tắt chung chung.

Tôi đưa cho trợ lý của tôi một đường dẫn sản phẩm trên Amazon, rồi ra đề bài bằng tiếng Việt. Yêu cầu một: tìm các sản phẩm cùng thương hiệu, cho tôi biết giá và mô tả. Yêu cầu hai: vào đúng khu "khách hàng cũng xem và cũng tìm" trên chính trang đó, tìm giúp tôi sản phẩm có giá cao nhất.

Tôi kiểm lại bằng mắt trên trang thật. Khớp. Đấy là điểm quan trọng nhất của cả demo này: nó không tóm tắt, nó đọc.

Việc này mở ra rất nhiều thứ cho anh em làm nghiệp vụ. Trang nào không mở API cho mình thì trước đây coi như bó tay, muốn lấy dữ liệu phải ngồi chép tay. Bây giờ có một con agent vào đọc như người đọc rồi trả về dạng có cấu trúc. Tôi liệt kê vài việc anh em làm được ngay:

• Theo dõi giá và mô tả của một nhóm sản phẩm trên các sàn, chốt lại thành một bảng mỗi sáng
• Vào diễn đàn ngành, gom những lời phàn nàn lặp lại, đúc kết thành đề bài làm sản phẩm
• Vào kênh nội dung của chính mình, đọc bình luận, đúc kết xem khán giả đang thiếu gì
• Vào trang công bố của cơ quan quản lý, kiểm xem một quy định có bản cập nhật mới chưa

Tôi đang chạy nhóm việc thứ ba cho chính kênh của tôi. Tôi có chia sẻ cách nối cả một đội agent vào việc vận hành trong bài đội ngũ AI Agent vận hành doanh nghiệp.

Con người tương tác với một trang web bằng cách nào?

Bằng hai thứ: một cấu trúc dạng cây, và các sự kiện gửi vào cái cây đó. Mắt anh em nhìn thấy giao diện đẹp, nhưng máy thì không nhìn giao diện.

Anh em mở một trang bất kỳ rồi ấn F12, vào thẻ Elements. Cả trang hiện ra thành một cái cây, có ông cha ông con, thò ra thụt vào.

Còn thao tác của anh em thì máy hiểu thành sự kiện. Di chuột là một sự kiện. Bấm vào một đường dẫn là một sự kiện click. Gõ vào ô tìm kiếm là một sự kiện nhập liệu.

Nghĩa là gì? Nghĩa là con chuột không phải thứ bắt buộc. Anh em gửi thẳng sự kiện vào cây DOM cũng ra kết quả y hệt. Tôi demo ngay trong video: mở thẻ Console, gõ một dòng tìm đúng đường dẫn có tiêu đề "Thể thao" rồi bảo nó tự bấm.

Anh em copy về gõ thử trên bất kỳ trang nào:

document.querySelector('a[title="Thể thao"]').click();

Đây là bản chất của việc tương tác với một trang web. Người làm được. Máy cũng làm được đúng như vậy.

Máy cần đúng hai thứ gì để thay người làm việc trên web?

Cần hai thứ, thiếu một là hỏng.

Thứ nhất, nó phải hiểu được luồng tư duy. Tôi giao cho một bạn nhân viên: em vào kênh của anh, đọc bình luận của khán giả, xem họ chưa rõ chỗ nào, rồi tổng hợp cho anh. Bạn ấy phải tự dịch câu nói của tôi thành các bước: mở kênh, tìm video mới nhất, kéo xuống phần bình luận, đọc, gom nhóm, viết lại. Tôi không hề đọc từng bước cho bạn ấy.

Thứ hai, khi đã vào trang rồi nó phải biết bộ phận nào là bộ phận nào. Nút mua hàng có khi không ghi chữ mua hàng, mà là cái giỏ hàng. Phần bình luận nằm tít dưới cùng. Không biết mấy chỗ này thì hiểu đề bài giỏi mấy cũng đứng chôn chân.

Cách làm cũ hỏng ở chỗ nào?

Hỏng vì cứng. Chuyện cho máy vào web làm việc thay người có từ lâu rồi, không phải tới thời agent mới có. Chỉ là hồi đó giải bằng cách khác.

Điều kiện một, hiểu luồng tư duy, hồi xưa giải bằng cách viết sẵn logic. Ông muốn tìm sản phẩm phải không, vậy bước một vào ô tìm kiếm, bước hai gõ từ khoá, bước ba vào trang sản phẩm, bước bốn lấy mô tả. Người viết ngồi liệt kê hết. Chạy đúng đề bài đã định thì ngon. Nhưng tôi ra một yêu cầu mới thì người ta phải ngồi viết một bộ logic mới. Đổi đề bài là đứt.

Điều kiện hai, biết bộ phận nào là bộ phận nào, hồi xưa giải bằng tọa độ. Nút Thể thao nằm ở điểm x bao nhiêu y bao nhiêu, lần sau cứ đưa chuột tới đúng điểm đó mà bấm. Trang giữ nguyên giao diện thì chạy tốt. Bên kia thay giao diện một phát là hỏng sạch, mà không ai báo cho mình biết.

Kiểu làm đó giống cha mẹ đặt đâu con nằm đấy. Đặt lệch một tí là ngã ngay.

Vì sao agent bây giờ hiểu được yêu cầu nói bằng tiếng Việt?

Vì đằng sau nó là một mô hình ngôn ngữ lớn, và mô hình đó biết suy luận từng bước.

Anh em thử chat với bất kỳ trợ lý nào trên thị trường. Đằng sau đều là cùng một loại bộ não. Bản chất của bộ não đó là dự đoán từ tiếp theo. Tôi gõ "hello", nó đoán từ kế tiếp là "how are you". Đoán tiếp thì ra "I'm fine". Nó chạy trên xác suất.

Nhưng anh em bảo nó lập luận từng bước thì nó lập luận được. Và khi nó suy luận trước rồi tự soi lại kết quả, độ chính xác lên hẳn so với việc bắt nó trả lời ngay một phát. Đây là thứ giới nghiên cứu chốt từ lâu, bài báo ReAct của Princeton và Google đặt tên cho lối chạy đó là ghép suy luận với hành động.

Nên khi tôi nói một câu dài kiểu "vào kênh của tôi, tìm video mới nhất, đọc bình luận, đúc kết cho tôi người bình luận nổi bật", nó tự tách ra thành từng bước. Không ai phải viết sẵn bộ logic nào cả.

Vì sao agent nhìn được cả giao diện?

Vì cây DOM vốn đã là chữ, mà bộ não ngôn ngữ thì chuyên xử lý chữ. Vứt chữ vào là nó hiểu. Nó đọc ra được nút nào ở đâu, tiêu đề nào nghĩa là gì, đường dẫn nào dẫn đi đâu.

Nhưng chỉ chữ thì thiếu một nửa. Con người vào một trang lạ còn dùng mắt để đoán. Thấy cái nút hình điện thoại thì đoán là liên hệ. Thấy cái nút hình người đeo tai nghe thì đoán là chat với bộ phận chăm sóc khách hàng. Không ai đi đọc mã nguồn để đoán mấy thứ đó.

Nên các kỹ sư nghĩ đúng một câu: thế tại sao không cho máy chụp ảnh màn hình rồi dạy nó hiểu ảnh luôn. Ghép ảnh với chữ thì nó hiểu trang web gần như người hiểu. Chặng đường đi tới đó khá dài, tôi kể gọn lại.

Gán nhãn hỏng ở đâu?

Hỏng ở chỗ nó chỉ trả về một từ, mà đời thì cần cả câu.

Cách kinh điển là gán nhãn. Anh em đưa vào nghìn tấm ảnh con mèo, bảo máy đây là mèo, đây là chim. Lần sau gặp con mèo thứ một nghìn lẻ một, lông hơi khác một tí, nó vẫn nhận ra là mèo. Thời dịch bệnh cả thị trường bùng nổ nhóm bài toán này, nhận diện khuôn mặt, điểm danh, đeo khẩu trang vẫn nhận ra.

Nhưng nó chỉ biết "con mèo". Con mèo đang nằm ngủ trên nóc xe thì nó chịu. Nó không mô tả được. Mà cái anh em cần ngoài đời luôn là cả câu, không phải một từ.

Cách mới dạy máy bằng gì?

Mốc đáng nhớ là năm 2021. OpenAI công bố cách huấn luyện tên là CLIP, dịch nôm na là học ghép ảnh với câu theo lối tương phản.

Tư duy của họ rất đời. Chúng ta dạy một con người bằng cả câu, chứ có ai dạy trẻ con bằng cách dán nhãn đâu. Vậy tại sao dạy máy lại đi dán nhãn.

Họ làm thế này. Gom về một tập rất nhiều cặp, mỗi cặp gồm một tấm ảnh và một câu mô tả đúng tấm ảnh đó. Con số trong bài báo gốc là 400 triệu cặp lấy từ internet. Rồi đưa cả cặp cho máy học, không tách riêng con mèo ra nữa.

Học kiểu gì? Chuyển cả ảnh lẫn câu thành toạ độ trên một không gian số. Ảnh nằm ở một điểm, câu nằm ở một điểm. Cặp nào khớp nhau thì kéo hai điểm lại gần. Câu nào tả sai tấm ảnh đó thì đẩy ra xa. Làm đi làm lại với cực nhiều cặp.

Sau đó đưa vào một tấm ảnh mới, máy chỉ việc đo khoảng cách xem câu nào nằm gần nhất. Gần thì tả sát. Xa thì tả trật. Bài báo gốc mô tả đúng cơ chế đó: trong một lô, máy phải đoán xem cặp nào là cặp thật, kéo gần cặp đúng và đẩy xa toàn bộ cặp sai.

Từ đó bộ não ngôn ngữ có thêm mắt. Người ta gọi nó là mô hình đa phương thức. Đưa chữ vào hiểu được, đưa ảnh vào hiểu được, giờ đưa cả âm thanh vào cũng hiểu được.

Ghép hai thứ lại thì xong: agent vừa đọc được cây DOM dạng chữ, vừa nhìn được ảnh chụp màn hình. Nó hiểu trang web ở mức đủ để làm việc. Đấy là toàn bộ lý do mấy năm gần đây loạt công cụ cho agent vào web nở rộ, còn trước đó thì hiếm.

Vì sao cài xong công cụ mà chạy vẫn không ra kết quả?

Vì bản cài mặc định không có sẵn kỹ năng vào web theo cách anh em cần. Đây là chỗ nhiều anh em vấp rồi kết luận nhầm là công cụ dở.

Anh em nhìn màn hình quản trị của tôi. Phần kỹ năng cài sẵn có đấy, nhưng nhiều cái đang ở trạng thái chặn vì máy thiếu thành phần đi kèm.

Tôi cài thêm một kỹ năng tên là agent browser. Có nó thì trợ lý mới biết cách mở trang ở chế độ chạy ngầm bằng dòng lệnh, không cần bật cửa sổ trình duyệt lên. Chạy ngầm thì tôi cho nó làm nhiều trang một lúc được. Nó cũng biết cách điền biểu mẫu và bấm nút.

Vậy kỹ năng đó bản chất là cái gì? Là một thư mục và mấy file hướng dẫn. Hết.

Anh em thấy chưa. Không có phép màu nào ở đây cả. Người ta viết sẵn hướng dẫn bằng chữ, trợ lý đọc hướng dẫn rồi làm theo. Anh em tự viết một bộ hướng dẫn cho nghiệp vụ của mình cũng được, không phải đi mua.

Kỹ năng thì tìm ở các chợ chung. Nhưng tôi khuyến cáo anh em hai việc, và tôi nói kỹ hơn ở mục giới hạn phía dưới: đọc đánh giá của người dùng trước khi cài, và cho nó chạy trong một máy ảo riêng không chứa dữ liệu quan trọng.

Một agent làm hết mọi việc có ổn không?

Không ổn. Chất lượng sẽ trồi sụt, và anh em không biết vì sao.

Lý do nằm ở bộ nhớ làm việc. Bộ não ngôn ngữ chỉ nhớ được một lượng nhất định trong một mạch làm việc. Đó là giới hạn công nghệ, không phải lỗi ai cả. Bây giờ anh em giao cho một con agent làm hết: mở ứng dụng, tìm mười trang web, vào từng trang đọc, rồi phân tích, rồi viết báo cáo. Nó tràn.

Tràn thì nó quên đoạn đầu. Mà bản chất nó là máy dự đoán. Dự đoán trên nền một trí nhớ đã sứt mẻ thì ra kết quả sai. Sai mà vẫn nói rất trôi chảy, đó mới là chỗ nguy.

Cách tôi làm là chia việc. Một con chuyên đi gom đường dẫn sản phẩm rồi đổ ra một chỗ. Một con khác chuyên vào từng đường dẫn để đọc và tách thông tin. Và một con nữa làm nhiệm vụ soi lại kết quả, đúng nghĩa một bạn kiểm thử.

Vì sao phải có con soi lại? Vì nội bộ một con agent tự phản biện chính nó rất kém. Tôi có phân tích chuyện này kèm dẫn chứng khoa học trong một video khác. Anh em cứ tách hẳn ra một con riêng, cho nó quyền bảo con kia làm lại tới khi đạt. Cách nối nhiều con vào một mạch, tôi có chia sẻ trong bài điều phối subagent bằng dynamic workflow.

Bức tranh tổng, năm chặng của một mạch lấy dữ liệu web

Anh em nhìn bảng này rồi soi lại hệ thống đang chạy của mình. Thiếu chặng nào là biết ngay phải bù chỗ nào.

Còn đây là mẫu đề bài tôi hay dùng khi giao một việc lấy dữ liệu web. Anh em chép về sửa lại theo nghiệp vụ của mình:

VAI TRÒ: mày là trợ lý đi lấy dữ liệu web cho tao.

ĐẦU VÀO
[1] Danh sách địa chỉ trang cần vào: <dán vào đây>
[2] Trường dữ liệu cần lấy: <tên, giá, ngày cập nhật, ...>

RÀNG BUỘC BẮT BUỘC
[1] Trước khi vào bất kỳ tên miền nào, đọc /robots.txt của tên miền đó.
    Đường dẫn nào bị disallow thì bỏ qua, ghi vào sổ lý do bỏ qua.
[2] Không đăng nhập, không dùng tài khoản của người khác, không đi vòng
    bất kỳ lớp kiểm tra nào. Gặp tường chặn thì DỪNG và báo lại ngay.
[3] Tối đa 1 lượt gọi mỗi 5 giây trên cùng một tên miền.
    Tối đa 100 trang cho mỗi lần chạy.
[4] Chỉ lấy dữ liệu đang hiện công khai.
    Không lưu thông tin cá nhân của người dùng trang đó.

ĐẦU RA
[1] Một bảng, mỗi dòng một sản phẩm, cột đúng tên tao liệt kê ở trên.
[2] Mỗi dòng kèm địa chỉ nguồn và mốc thời gian lấy.
[3] Ô nào không đọc được thì ghi "không đọc được", tuyệt đối không đoán.

TIÊU CHÍ HOÀN THÀNH
[1] Số dòng bằng số trang đã vào thành công.
[2] Không có ô nào do mày tự suy ra.
[3] Có một mục riêng liệt kê trang đã bỏ qua và lý do.

Để ý khối này siết chứ không mở. Nó bắt trợ lý ghi sổ, bắt nó dừng khi gặp tường, và cấm nó đoán. Anh em mang về dùng thì thành người kiểm soát con agent, không thành người thả rông nó.

Giới hạn thật

Đây là mục tôi viết kỹ nhất, vì demo trong video trông rất trơn còn thực tế thì không.

Lấy dữ liệu trang của người khác, được phép tới đâu?

Việc agent vào đọc được không có nghĩa là anh em được phép lấy. Hai chuyện khác nhau hoàn toàn. Trước khi cho một con agent chạm vào trang của ai đó, anh em phải qua ba cửa.

Cửa một là điều khoản sử dụng của trang đích. Nhiều sàn ghi rõ trong điều khoản là cấm thu thập tự động. Anh em cứ đọc, mất mười phút. Không đọc rồi chạy thì rủi ro là của doanh nghiệp anh em chứ không phải của con agent.

Cửa hai là file robots.txt. Đây là chuẩn thật, có số hiệu, tên đầy đủ là Robots Exclusion Protocol, được IETF chuẩn hoá thành RFC 9309 từ tháng 9 năm 2022. File nằm cố định ở gốc tên miền, kiểu https://ten-mien.com/robots.txt. Trong đó chủ trang ghi đường dẫn nào cho vào, đường dẫn nào không. Chuẩn còn nói rõ mấy điều đáng nhớ: không dùng bản đã lưu tạm quá 24 giờ, và nếu máy chủ trả lỗi nhóm 500 thì phải coi như chủ trang cấm hết.

Cửa ba là tần suất. Trang của người ta chạy bằng tiền của người ta. Anh em bắn một nghìn lượt gọi trong một phút thì đó là làm nghẽn dịch vụ của họ, dù ý định chỉ là lấy vài con số. Đặt hạn mức ngay trong đề bài, như khối mẫu ở trên.

Có một chuyện tôi nói thẳng luôn cho khỏi hiểu nhầm. Trong video tôi có nhắc tới việc cho agent hành động giống người dùng thật. Ý tôi là để trang không hiểu nhầm mình là một đợt tấn công. Ý tôi không phải là đi vòng qua lớp kiểm tra của người ta. Gặp tường chặn, gặp ô xác thực, gặp yêu cầu đăng nhập thì đó là câu trả lời "không" của chủ nhà. Dừng lại và đi tìm đường chính thức. Bài này không có một dòng nào chỉ cách vượt rào, và tôi cố ý không viết.

Nó có giỏi như đoạn demo trong video không?

Demo tôi chạy là việc ngắn, một trang, một mục tiêu rõ. Việc dài nhiều chặng thì tỷ lệ rớt cao hẳn.

Có một bộ bài kiểm chuẩn tên WebArena, dựng hẳn bốn trang web đủ chức năng để đo. Bộ đó có 812 đề bài mô phỏng việc người ta làm hằng ngày trên mạng. Kết quả trong bài báo: agent tốt nhất chạy trên GPT-4 hoàn thành 14,41 phần trăm, còn người thật làm cùng bộ đề đó đạt 78,24 phần trăm. Khoảng cách đó là thật, và nó nằm ở chỗ agent kém xoay xở khi gặp tình huống lệch kịch bản.

Con số đó đo trên lứa mô hình thời điểm ấy, giờ đã khá hơn nhiều. Nhưng cái nết thì chưa đổi: việc càng nhiều chặng, xác suất trượt càng dồn lại. Nên anh em đừng giao một mạch mười chặng cho một con. Cắt nhỏ ra, cắm chốt kiểm ở giữa.

Chạy thật mỗi ngày thì giá rổ ra sao?

Cho agent đọc nguyên cây DOM của một trang lớn thì tốn rất nhiều. Cộng thêm ảnh chụp màn hình nữa thì còn tốn hơn. Chạy vài lần thì không thấy gì, chạy hằng ngày trên trăm trang thì cuối tháng mới giật mình.

Cách chữa không phải là mua gói to hơn. Cách chữa là chỉ đưa cho nó phần cần đọc, và chọn đúng cỡ mô hình cho từng chặng. Tôi có chia sẻ cách hạ giá rổ khi chạy thật trong bài tối ưu chi phí token khi vận hành kênh YouTube. Chuyện chọn mô hình nào cho việc nào thì nằm ở bài ba thay đổi cho doanh nghiệp khi có Claude Fable 5.

Cài kỹ năng tải từ chợ chung có rủi ro gì?

Một kỹ năng chỉ là thư mục chứa file hướng dẫn, tôi vừa cho anh em xem. Nghĩa là ai cũng viết được, và cũng nghĩa là trong đó viết gì thì trợ lý của anh em làm nấy.

Nên trước khi cài, đọc phần đánh giá và bình luận của người đã dùng. Và nếu anh em thích nghịch nhiều thứ, hãy dựng một máy ảo riêng để chạy, trong đó không để dữ liệu quan trọng nào. Lỡ có dính thì thiệt hại nằm gọn trong cái máy ảo đó.

Lấy được dữ liệu về rồi là xong chưa?

Đây là chỗ nhiều anh em quên. Lấy được dữ liệu về là xong một phần ba. Còn hai phần ba là lưu ở đâu, gộp trùng thế nào, tra ra sao cho nhanh khi bảng phình lên. Ba tháng sau anh em có vài triệu dòng và câu truy vấn bắt đầu ì ra.

Tôi có phân tích nhóm nguyên nhân đó trong bài vì sao có index mà câu lệnh SQL vẫn chậm. Nếu anh em định đổ dữ liệu web vào một kho dạng tài liệu thì đọc thêm bài MongoDB lúc nhanh lúc chậm.

Loại hỏng nào hay gặp nhất mà không ai báo?

Cuối cùng, và đây là loại hỏng hay gặp nhất. Con agent chạy đúng, nhưng anh em giao sai.

Giao một đề bài mơ hồ thì nó tự hiểu theo cách của nó, chạy trơn tru, trả về một bảng đẹp, và bảng đó sai. Không ai báo lỗi. Anh em cầm bảng đó đi họp. Đây là lý do tôi bắt buộc phải có chặng số năm trong bảng trên, và bắt buộc ô nào không đọc được thì phải ghi là không đọc được.

Bảy ngày tới anh em làm được gì?

Đừng đi mua công cụ mới. Bảy việc dưới đây làm bằng thứ anh em đang có.

1. Chọn đúng một việc lặp lại mà nhân sự đang vào web chép tay. Một việc thôi.
2. Mở trang đó lên, ấn F12, nhìn cây DOM. Xem dữ liệu mình cần nằm ở khối nào.
3. Mở robots.txt của trang đó và đọc. Kiểm luôn trang điều khoản.
4. Tìm xem họ có API chính thức không. Có thì bỏ hẳn hướng đọc giao diện.
5. Viết đề bài theo mẫu ở trên. Ghi rõ trường cần lấy và trần tần suất.
6. Chạy thử trên đúng 5 trang. Tự tay kiểm lại từng ô so với trang thật.
7. Đúng rồi mới nới lên, và cắm thêm một con soi kết quả trước khi nới.

Cứ làm đi, sai lại sửa. Đợt đầu ra kết quả lem nhem là bình thường. Chạy được đã, đẹp tính sau.

Câu hỏi hay gặp

Không biết lập trình thì có làm được không?

Được. Anh em không viết mã, anh em viết đề bài. Thứ quyết định kết quả là mô tả rõ trường dữ liệu cần lấy, ràng buộc, và tiêu chí nghiệm thu. Phần chạm vào trang là việc của kỹ năng trình duyệt đã có sẵn.

Trang đích đổi giao diện thì có phải làm lại từ đầu không?

Phần lớn là không. Agent đọc cấu trúc chứ không thuộc lòng tọa độ, nên nó tự tìm lại. Chỗ phải sửa thường là mô tả trong đề bài, ví dụ tên khối nội dung đã đổi. Đây đúng là điểm khác lớn nhất so với cách làm bằng tọa độ ngày xưa.

Có nên cho agent đăng nhập vào tài khoản của mình để lấy dữ liệu không?

Cân nhắc rất kỹ, và tôi thường trả lời là không cho tới khi anh em có một tài khoản riêng dành cho việc đó, quyền hẹp nhất có thể. Tuyệt đối không dùng tài khoản cá nhân của nhân sự. Và không bao giờ dùng tài khoản của người khác.

Dữ liệu lấy về sai lệch thì làm sao phát hiện?

Cắm một agent kiểm thử ở chặng cuối, và bắt nó đối chiếu ngẫu nhiên vài dòng với trang gốc. Thêm một luật cứng: ô nào không đọc được thì ghi là không đọc được, cấm đoán. Ô trống thì con người còn thấy mà đi kiểm. Ô đoán bừa thì không ai thấy.

Việc này nối vào nghiệp vụ kế toán được không?

Được, và đó là nhóm việc dễ thấy tiền nhất. Đọc trang tra cứu công khai, đối chiếu với chứng từ đang có, chỉ ra chỗ lệch. Tôi có chia sẻ nguyên một mạch như vậy trong bài AI Agent kiểm tra hóa đơn đầu vào.

Nên bắt đầu bằng công cụ nào?

Bằng công cụ anh em đã trả tiền rồi. Cơ chế trong bài này đúng cho mọi công cụ có kỹ năng trình duyệt. Chọn công cụ là việc cuối cùng, không phải việc đầu tiên. Việc đầu tiên là chọn đúng một việc lặp lại đang ngốn giờ của nhân sự.

Đúc kết

Agent làm việc được với web nhờ đúng hai thứ. Bộ não ngôn ngữ tách đề bài của anh em thành từng bước. Cây DOM dạng chữ cộng ảnh chụp màn hình cho nó biết bấm vào đâu. Hết, không có gì huyền bí.

Hiểu hai thứ đó thì anh em tự trả lời được câu hỏi công cụ nào làm được việc gì, và biết trước nó sẽ gãy ở chặng nào. Còn nếu nhìn tất cả như một cái hố đen thì anh em sẽ đi tìm tool mãi mãi.

Việc còn lại là của anh em: chọn một việc thật, đọc điều khoản của trang đích cho tử tế, giao đề bài có ràng buộc, rồi chạy thử trên năm trang. Nếu anh em muốn đi từ gốc rễ và dựng hẳn một đội agent cho công việc của mình, tôi có các nhóm coaching, tùy anh em.

Nguồn tham khảo

• WebArena, bộ đề đo agent trên môi trường web thật, có con số 14,41 phần trăm và 78,24 phần trăm: arxiv.org/abs/2307.13854
• Robots Exclusion Protocol, chuẩn RFC 9309, tháng 9 năm 2022: rfc-editor.org/rfc/rfc9309
• CLIP, học ghép ảnh với câu trên 400 triệu cặp, OpenAI 2021: arxiv.org/abs/2103.00020
• Show and Tell, sinh câu mô tả ảnh, Google 2015: arxiv.org/abs/1411.4555
• Show, Attend and Tell, thêm cơ chế tập trung vào vật thể, 2016: arxiv.org/abs/1502.03044
• ReAct, ghép suy luận với hành động trong mô hình ngôn ngữ: arxiv.org/abs/2210.03629