Agent dựa trên tri thức là gì?
Agent dựa trên tri thức là một hệ thống AI sử dụng một cơ sở tri thức và một cỗ máy suy luận để suy luận và hành động. Cơ sở tri thức lưu trữ thông tin chuyên ngành, còn cỗ máy suy luận áp dụng các quy tắc lên những sự kiện đã biết và rút ra kết luận. Chu trình cơ bản của nó là Percepts → Knowledge Base → Inference → Action. Ví dụ, một agent hỗ trợ kỹ thuật có thể khớp một sự cố máy in với các quy tắc khắc phục sự cố, đề xuất giải pháp, và giải thích cơ sở của đề xuất đó.
Agent dựa trên tri thức hoạt động như thế nào?
Một agent dựa trên tri thức trong trí tuệ nhân tạo thường tuân theo một chu trình suy luận được lặp lại. Nó nhận thông tin từ môi trường. Nó chuyển đổi thông tin đó thành các sự kiện có cấu trúc. Sau đó, nó truy vấn cơ sở tri thức của mình trước khi chọn một phản hồi hoặc hành động.
Giai đoạn nhận thức
Giai đoạn nhận thức thu thập thông tin từ môi trường. Nguồn thông tin có thể là một tin nhắn của người dùng, một chỉ số từ cảm biến, một bản ghi giao dịch, hoặc một sự kiện hệ thống.
Dữ liệu đầu vào thô không phải lúc nào cũng sẵn sàng cho việc suy luận logic. Agent có thể cần chuẩn hóa dữ liệu đầu vào trước. Nó có thể xác định các thực thể quan trọng, phát hiện các điều kiện, và chuyển đổi kết quả thành các percept có cấu trúc.
Ví dụ:
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printingViệc chuyển đổi này mang lại cho cỗ máy suy luận một định dạng nhất quán để khớp quy tắc.
Chu trình TELL–ASK–PERFORM
Một agent dựa trên tri thức kiểu cổ điển sử dụng ba hoạt động cốt lõi:
| Hoạt động | Mục đích | Ví dụ |
|---|---|---|
| TELL | Thêm thông tin mới vào cơ sở tri thức | Ghi nhận rằng một đơn hàng bị trễ |
| ASK | Truy vấn cơ sở kiến thức để tìm kết luận | Kiểm tra xem đơn hàng có đủ điều kiện hỗ trợ không |
| PERFORM | Thực hiện hành động đã chọn | Gửi cập nhật theo dõi vận đơn |
Các giai đoạn suy luận và hành động
Bộ suy luận kiểm tra những quy tắc nào khớp với các dữ kiện hiện có. Sau đó nó rút ra một hoặc nhiều kết luận. Một bộ lập kế hoạch hoặc bộ chọn hành động có thể dùng những kết luận đó để chọn bước tiếp theo.
Một agent đáng tin cậy cần phân biệt được giữa một kết luận đã được xác nhận và một cách giải thích chỉ mang tính khả năng. Khi cơ sở kiến thức không có đủ thông tin, agent nên hỏi thêm để làm rõ hoặc chuyển vụ việc cho con người xử lý.
Các thành phần chính của một agent dựa trên tri thức là gì?
Kiến trúc của các agent dựa trên tri thức kết hợp nhiều lớp. Mỗi lớp có một trách nhiệm riêng biệt. Sự phân tách này giúp hệ thống dễ kiểm thử và duy trì hơn.
Cơ sở kiến thức
Cơ sở kiến thức lưu trữ các dữ kiện và quy tắc mà agent dùng để suy luận. Ví dụ, nó có thể ghi lại rằng một khách hàng có gói đăng ký còn hiệu lực và những người đăng ký còn hiệu lực có thể truy cập một kênh hỗ trợ cụ thể.
Một cơ sở kiến thức có thể sử dụng cơ sở dữ liệu, đồ thị tri thức, hoặc bộ máy quy tắc, tùy vào lĩnh vực. Chất lượng của nó rất quan trọng vì thông tin thiếu hoặc sai có thể dẫn đến các kết luận và hành động không đáng tin cậy.
Biểu diễn tri thức
Biểu diễn tri thức xác định cách thông tin được thể hiện trong hệ thống. Logic mệnh đề xử lý các phát biểu đúng-sai đơn giản, còn logic vị từ bậc nhất sử dụng biến và quan hệ để biểu diễn những tri thức phức tạp hơn.
Các cách tiếp cận khác bao gồm các quy tắc sản xuất dạng IF–THEN, dễ xem xét trong các hệ chuyên gia. Bản thể học (ontology) định nghĩa các khái niệm trong một lĩnh vực và quan hệ giữa chúng, còn đồ thị tri thức sử dụng những quan hệ đó để kết nối các thực thể.
Bộ suy luận
Bộ suy luận áp dụng các quy tắc lên thông tin trong cơ sở kiến thức. Suy luận tiến (forward chaining) bắt đầu từ các dữ kiện đã biết và áp dụng các quy tắc khớp cho đến khi đạt được kết luận.
Suy luận lùi (backward chaining) bắt đầu từ một mục tiêu và tìm kiếm các dữ kiện hỗ trợ. Các hệ thống tiên tiến hơn có thể sử dụng các kỹ thuật như phân giải (resolution) hoặc hợp nhất (unification) để xử lý các phát biểu logic có biến.
Giải thích và điều chỉnh niềm tin
Mô-đun giải thích xác định các dữ kiện và quy tắc đứng sau một kết luận. Dấu vết suy luận này giúp người dùng hiểu vì sao agent chọn một câu trả lời hoặc hành động cụ thể.
Điều chỉnh niềm tin (belief revision) quản lý các thay đổi và mâu thuẫn trong cơ sở kiến thức. Nó dùng các chính sách ưu tiên để xác định thông tin nào nên tiếp tục có hiệu lực, điều này đặc biệt quan trọng trong các quy trình chịu quản lý chặt chẽ.
Các agent dựa trên tri thức được dùng ở đâu?
Agent dựa trên tri thức hữu ích khi hệ thống cần tuân theo tri thức chuyên môn được diễn giải rõ ràng. Chúng đặc biệt có giá trị khi quá trình suy luận cần được xem xét lại sau khi thực hiện hành động.
Hỗ trợ quyết định y tế
Một hệ thống hỗ trợ quyết định y tế có thể so sánh triệu chứng với các quy tắc lâm sàng. Nó có thể xác định các tình trạng khả dĩ hoặc gợi ý thông tin cần thu thập tiếp theo.
Một hệ thống như vậy nên hỗ trợ các chuyên gia y tế thay vì thay thế họ. Kết quả của nó cần được xem xét kỹ, đặc biệt khi quyết định ảnh hưởng đến việc chăm sóc bệnh nhân.
Tự động hóa hỗ trợ khách hàng
Một agent hỗ trợ khách hàng có thể tra cứu cơ sở kiến thức sản phẩm trước khi trả lời khách hàng. Nó có thể dùng các quy tắc kinh doanh để xác định liệu vấn đề có đủ điều kiện hoàn tiền, chuyển cấp xử lý, hay luồng khắc phục sự cố.
Quy trình này giúp giữ cho các câu trả lời nhất quán. Nó cũng cho phép nhóm hỗ trợ lưu lại lý do vì sao một hành động cụ thể được chọn.
Tuân thủ và hỗ trợ ra quyết định
Các hệ thống tuân thủ có thể kiểm tra giao dịch theo các chính sách nội bộ. Chúng cũng có thể đánh dấu những trường hợp cần phê duyệt bổ sung.
Hệ thống dựa trên kiến thức rất hữu ích ở đây vì các chính sách có thể được biểu diễn dưới dạng quy tắc rõ ràng. Khi chính sách thay đổi, quy tắc liên quan có thể được xem xét và cập nhật.
Giáo dục và chẩn đoán thiết bị
Một hệ thống dạy học thông minh có thể sử dụng các câu trả lời trước đó của học sinh để xác định lỗ hổng kiến thức. Sau đó nó có thể chọn cách giải thích hoặc bài tập phù hợp.
Một hệ thống chẩn đoán thiết bị có thể kết hợp dữ liệu cảm biến với các quy tắc bảo trì. Nó có thể đề xuất kiểm tra hoặc tạo yêu cầu sửa chữa khi một số điều kiện được đáp ứng.
Lợi ích và hạn chế là gì?
Lợi ích
Các agent dựa trên kiến thức mang lại một số lợi thế thực tiễn:
Khả năng giải thích: Hệ thống có thể liên kết một kết luận với các dữ kiện và quy tắc đã tạo ra nó.
Tính nhất quán: Cùng một quy tắc có thể được áp dụng theo cùng một cách trong các trường hợp tương tự.
Chuyên môn theo lĩnh vực: Các nhóm có thể mã hóa kiến thức chuyên sâu cho một ngành cụ thể.
Khả năng duy trì: Một quy tắc thường có thể được cập nhật mà không cần huấn luyện lại toàn bộ mô hình.
Khả năng kiểm toán: Hồ sơ quyết định có thể cho thấy thông tin nào đã ảnh hưởng đến một hành động.
Suy luận hướng mục tiêu: Agent có thể suy luận hướng tới một mục tiêu được xác định trước, thay vì tạo ra một câu trả lời không liên quan.
Những ưu điểm này khiến các agent dựa trên kiến thức phù hợp với các quy trình làm việc có cấu trúc. Chúng ít phụ thuộc vào hành vi ẩn của mô hình khi các quyết định dựa trên các quy tắc rõ ràng.
Hạn chế
Các agent dựa trên kiến thức cần được duy trì liên tục để giữ độ chính xác và hiệu quả. Việc xây dựng cơ sở kiến thức tốn thời gian và cần chuyên môn theo lĩnh vực, còn thông tin lỗi thời hoặc các quy tắc mâu thuẫn có thể dẫn đến quyết định không đáng tin cậy. Vì vậy, kiểm soát phiên bản, rà soát thường xuyên và thứ tự ưu tiên quy tắc rõ ràng là điều cần thiết.
Các hệ thống quy tắc truyền thống cũng có thể gặp khó khăn với đầu vào mơ hồ, nhiễu, hoặc nằm ngoài lĩnh vực. Khi cơ sở kiến thức lớn dần, quá trình suy luận có thể trở nên tốn kém hơn, vì vậy cần đánh chỉ mục và tổ chức quy tắc cẩn thận để duy trì hiệu suất.
Cách xây dựng một agent dựa trên kiến thức đơn giản
Ví dụ sau sử dụng một tình huống hỗ trợ IT. Nó cho thấy cấu trúc cơ bản mà không coi một bản mẫu dựa trên quy tắc như một hệ thống sản xuất thực tế.
Bước 1: Xác định cơ sở kiến thức
Bắt đầu với các dữ kiện và quy tắc cho một lĩnh vực hẹp:
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]Một cơ sở kiến thức nhỏ dễ rà soát hơn. Các dữ kiện nên dùng tên nhất quán để bộ máy suy luận có thể khớp chúng một cách đáng tin cậy.
Bước 2: Chuyển đầu vào thành các dữ kiện có cấu trúc
Lớp tri giác chuyển đầu vào của người dùng thành các dữ kiện. Một hệ thống thực tế có thể sử dụng xử lý ngôn ngữ tự nhiên cho bước này.
Một bản mẫu đơn giản có thể bắt đầu với các đầu vào được xác định trước:
percepts = {
"printer_has_power",
"printer_not_printing",
}Điều này giúp ví dụ tập trung vào suy luận thay vì phân tích ngôn ngữ.
Bước 3: Áp dụng các quy tắc suy luận
Bộ máy suy luận kiểm tra xem tất cả điều kiện của một quy tắc đã được đáp ứng hay chưa:
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusionsHàm này trả về các kết luận được hỗ trợ bởi các percept hiện tại. Nó không tự tạo ra kết luận khi thiếu các dữ kiện cần thiết.
Bước 4: Chọn hành động
Lớp hành động ánh xạ một kết luận thành một phản hồi:
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."Một agent trong môi trường sản xuất sẽ áp dụng các quyền và kiểm tra an toàn trước khi gọi một công cụ bên ngoài.
Bước 5: Giải thích kết quả
Một agent hữu ích cần cho thấy lý do nó chọn hành động đó:
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)Hệ thống cũng có thể ghi lại quy tắc đã khớp. Điều này tạo ra một dấu vết lập luận cơ bản mà nhà phát triển hoặc chuyên gia hỗ trợ có thể kiểm tra.
Ví dụ này thể hiện một agent dựa trên kiến thức ở mức tối thiểu. Một triển khai lớn hơn sẽ cần đến việc xác thực đầu vào, thứ tự ưu tiên quy tắc, quản lý phiên bản kiến thức, xử lý lỗi và cơ chế chuyển lên con người khi cần.
Gặp Kimi Agent: biến kiến thức thành thành quả hoàn chỉnh
Các agent dựa trên kiến thức truyền thống phụ thuộc vào các dữ kiện và quy tắc rõ ràng. Kimi Agent tiếp cận công việc thâm dụng kiến thức theo cách rộng hơn và hiện đại hơn. Chỉ cần đưa ra kết quả mong muốn, nó có thể lập kế hoạch cho nhiệm vụ trước khi hoàn thành các bước cần thiết bằng các công cụ tích hợp sẵn. Bạn có thể dùng nó để nghiên cứu một chủ đề, xử lý tài liệu gốc, hoặc tạo ra một sản phẩm có thể chỉnh sửa mà không cần xây dựng một lớp điều phối riêng.
Đưa kiến thức nguồn của bạn vào nhiệm vụ
Một agent hữu ích cần có quyền truy cập vào ngữ cảnh phù hợp. Kimi cho phép bạn tải lên tối đa 50 tệp, mỗi tệp không vượt quá 100 MB. Nó hỗ trợ PDF và các tài liệu văn phòng phổ biến. Bạn cũng có thể thêm hình ảnh, tệp TXT, hoặc video khi nhiệm vụ cần thêm ngữ cảnh.
Điều này giúp đưa tài liệu sẵn có trở thành một phần của quy trình làm việc. Ví dụ, bạn có thể yêu cầu Kimi Agent phân tích một tập hợp báo cáo, xác định những phát hiện quan trọng, và biến kết quả thành một tài liệu có cấu trúc. Các tệp cung cấp kiến thức đặc thù cho nhiệm vụ, còn prompt của bạn xác định kết quả mong muốn.
Biến kết quả nghiên cứu thành sản phẩm có thể chỉnh sửa
Kimi Agent có thể hoạt động trên nhiều bề mặt sản phẩm khác nhau, nên kết quả không cần chỉ dừng lại ở một phản hồi trò chuyện:
Tạo báo cáo nghiên cứu kèm nguồn tham khảo thông qua Kimi Deep Research.
Xây dựng một trang web nhiều trang hoạt động được từ một bản yêu cầu ngắn.
Tạo ra một bài thuyết trình PPT có thể chỉnh sửa từ tài liệu gốc.
Kimi cũng có thể xử lý các quy trình làm việc với tài liệu và bảng tính. Điều này cho phép một nhiệm vụ đi từ giai đoạn thu thập thông tin đến kết quả có thể sử dụng ngay mà bạn không cần chuyển nội dung qua lại giữa các công cụ riêng lẻ.
Mở rộng quy mô cho mục tiêu lớn với Kimi Agent Swarm
Một số nhiệm vụ quá lớn để xử lý trong một quy trình tuần tự đơn lẻ. Kimi Agent Swarm có thể chia một mục tiêu cho hơn 300 sub-agent và hỗ trợ tới 4.500 lệnh gọi công cụ song song.
Cấu trúc song song này được thiết kế cho việc tìm kiếm quy mô lớn và viết nội dung dài. Nó cũng có thể hỗ trợ các nhiệm vụ theo lô mà nếu xử lý từng mục một sẽ tốn nhiều thời gian hơn đáng kể. Các sub-agent làm việc trên từng phần riêng của mục tiêu, trong khi toàn bộ quy trình vẫn gắn liền với kết quả được yêu cầu.
Kết luận
Các agent dựa trên kiến thức trong AI sử dụng kiến thức có cấu trúc để lập luận về các tình huống và chọn hành động. Các quy tắc rõ ràng của chúng giúp việc giải thích và xem xét các quyết định dễ dàng hơn. Thách thức chính của chúng nằm ở việc duy trì kiến thức, các quy tắc mâu thuẫn, và đầu vào không đầy đủ. Các hệ thống hiện đại có thể kết hợp lập luận dựa trên kiến thức với machine learning, RAG, và AI tạo sinh. Kimi là một điểm tham chiếu hữu ích cho các quy trình làm việc thâm dụng kiến thức, còn các agent dựa trên kiến thức truyền thống vẫn có giá trị khi các quyết định cần tuân theo các quy tắc lĩnh vực rõ ràng.