trả về response.choices[0].message.content
        ngoại trừ Exception như e:
            trả về f"Đã xảy ra lỗi: {e}"

    # Ví dụ sử dụng trong quá trình lập luận của một tác nhân AI
    agent_query = "Giải thích khái niệm về các tác nhân AI bằng các thuật ngữ đơn giản."
    llm_output = get_llm_response(agent_query)
    print(f"Câu trả lời LLM: {llm_output}")

**Giải pháp: Tự lưu trữ các LLM với vLLM để tối ưu hóa hiệu suất**

Đối với các kịch bản yêu cầu kiểm soát nhiều hơn về hiệu suất, chi phí hoặc quyền riêng tư dữ liệu, tự lưu trữ các LLM bằng cách sử dụng các công cụ suy diễn như vLLM là một lựa chọn khả thi. vLLM là một thư viện mã nguồn mở được thiết kế cho suy diễn LLM nhanh chóng, đặc biệt hiệu quả cho các triển khai quy mô lớn nhờ vào kiến trúc phục vụ đã được tối ưu hóa. Cách tiếp cận này thường phổ biến trong các môi trường doanh nghiệp nơi các mô hình tùy chỉnh hoặc cấu hình phần cứng cụ thể được sử dụng.

**Các bước vận hành mã (Python với ví dụ vLLM):**

1.  **Cài đặt vLLM:**
    ```bash
    pip install vllm
    ```

2.  **Chạy máy chủ vLLM:** Lệnh này khởi động một máy chủ cục bộ cho một mô hình cụ thể.
    ```bash
    python -m vllm.entrypoints.api_server --model facebook/opt-125m
    ```
    (Lưu ý: Thay thế `facebook/opt-125m` bằng mô hình bạn mong muốn, ví dụ, một biến thể Llama 3 đã được điều chỉnh. Đảm bảo bạn có đủ tài nguyên GPU.)

3.  **Thực hiện cuộc gọi suy diễn tới máy chủ vLLM:**
    ```python
    import requests
    import json

    def get_vllm_response(prompt_text, api_url="http://localhost:8000/generate"):
        headers = {"Content-Type": "application/json"}
        data = {
            "prompt": prompt_text,
            "max_tokens": 150,
            "temperature": 0.7
        }
        try:
            response = requests.post(api_url, headers=headers, data=json.dumps(data))
            response.raise_for_status()  # Kích hoạt một HTTPError cho các phản hồi xấu (4xx hoặc 5xx)
            return response.json()["text"][0]
        except requests.exceptions.RequestException as e:
            return f"Đã xảy ra lỗi: {e}"

    # Ví dụ sử dụng
    agent_task = "Tóm tắt các điểm chính của máy tính lượng tử."
    vllm_output = get_vllm_response(agent_task)
    print(f"Câu trả lời vLLM: {vllm_output}")
    ```

Việc chọn giữa API dựa trên đám mây và tự lưu trữ phụ thuộc vào yêu cầu dự án, ngân sách và chuyên môn kỹ thuật. Các API đám mây cung cấp sự thuận tiện và khả năng mở rộng, trong khi tự lưu trữ cung cấp kiểm soát chi tiết và khả năng tiết kiệm chi phí khi cần mở rộng. Cả hai đều là phần thiết yếu để tăng cường trí tuệ của một tác nhân AI.

### 2. Quản lý bộ nhớ với cơ sở dữ liệu vector

Một trong những hạn chế cơ bản của các Mô hình Ngôn ngữ Lớn (LLMs) là cửa sổ ngữ cảnh hữu hạn của chúng, có nghĩa là chúng chỉ có thể xử lý một lượng thông tin nhất định tại một thời điểm. Điều này đặt ra một thách thức lớn cho các tác nhân AI cần duy trì các cuộc trò chuyện dài hạn, nhớ lại các tương tác trong quá khứ hoặc truy cập vào các cơ sở kiến thức bên ngoài khổng lồ. Các hệ thống quản lý bộ nhớ giải quyết vấn đề này bằng cách cung cấp cho các tác nhân khả năng lưu trữ, truy xuất và sử dụng thông tin vượt qua ngữ cảnh ngay lập tức của chúng. Cơ sở dữ liệu vector đóng vai trò quan trọng trong quá trình này, cho phép tìm kiếm và truy xuất dữ liệu liên quan một cách hiệu quả.

Cơ sở dữ liệu vector lưu trữ dữ liệu dưới dạng các vector có nhiều chiều (nhúng) mà nắm bắt ý nghĩa ngữ nghĩa của văn bản, hình ảnh hoặc các loại dữ liệu khác. Điều này cho phép thực hiện tìm kiếm tương đồng, nơi cơ sở dữ liệu có thể nhanh chóng tìm các điểm dữ liệu tương tự về mặt ngữ nghĩa với vector truy vấn đã cho. Khi một tác nhân AI cần nhớ thông tin hoặc truy cập kiến thức bên ngoài, nó có thể chuyển đổi truy vấn của mình thành một vector và sử dụng nó để truy xuất các ký ức hoặc tài liệu liên quan từ cơ sở dữ liệu vector. Cơ chế này, thường được gọi là Tạo ra Thông tin với Truy xuất (RAG), tăng cường đáng kể khả năng của một tác nhân trong việc cung cấp các phản hồi chính xác, phong phú về ngữ cảnh và cập nhật.

**Giải pháp: Triển khai bộ nhớ dài hạn với Pinecone**

Pinecone là một cơ sở dữ liệu vector gốc đám mây phổ biến được thiết kế cho tìm kiếm vector quy mô lớn, độ trễ thấp. Nó cung cấp dịch vụ quản lý đơn giản hóa việc triển khai và mở rộng hạ tầng tìm kiếm vector, làm cho nó trở thành lựa chọn xuất sắc cho các tác nhân AI cần bộ nhớ dài hạn mạnh mẽ. Pinecone tích hợp liền mạch với nhiều mô hình nhúng và khung LLM khác nhau, cho phép các nhà phát triển xây dựng các hệ thống RAG tinh vi.

**Các bước vận hành mã (Python với ví dụ Pinecone):**

1.  **Cài đặt thư viện khách hàng Pinecone và OpenAI để tạo nhúng:**
    ```bash
    pip install pinecone-client openai
    ```

2.  **Khởi tạo Pinecone và tạo một chỉ mục:**
    ```python
    import os
    from pinecone import Pinecone, ServerlessSpec
    from openai import OpenAI

    # Khởi tạo khách hàng OpenAI để tạo nhúng
    openai_client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

    # Khởi tạo Pinecone
    api_key = os.environ.get("PINECONE_API_KEY")
    if not api_key:
        raise ValueError("Biến môi trường PINECONE_API_KEY không được thiết lập.")
    pc = Pinecone(api_key=api_key)
    ```
```vi
index_name = "ai-agent-memory"
    nếu index_name không có trong pc.list_indexes():
        pc.create_index(
            name=index_name,
            dimension=1536,  # Kích thước cho các embedding của OpenAI ada-002
            metric='cosine',
            spec=ServerlessSpec(cloud='aws', region='us-east-1')
        )
    index = pc.Index(index_name)
    print(f"Chỉ mục Pinecone {index_name} đã được khởi tạo.")

3.  **Tạo embedding và upsert dữ liệu:** Hàm này nhận dữ liệu văn bản, tạo embedding sử dụng OpenAI và lưu trữ chúng trong Pinecone.
    ```python
    def get_embedding(text, model="text-embedding-ada-002"):
        text = text.replace("\n", " ")
        return openai_client.embeddings.create(input=[text], model=model).data[0].embedding

    def upsert_memory(id, text, metadata=None):
        embedding = get_embedding(text)
        index.upsert(vectors=[{"id": id, "values": embedding, "metadata": metadata}])
        print(f"ID bộ nhớ {id} đã được upsert.")

    # Ví dụ: Lưu trữ một lượt trò chuyện trước hoặc một đoạn tài liệu
    upsert_memory("conv_123", "Người dùng đã hỏi về lợi ích của các tác nhân AI trong chăm sóc sức khỏe.", {"type": "conversation", "timestamp": "2025-09-04T10:00:00Z"})
    upsert_memory("doc_456", "Các tác nhân AI có thể tự động hóa việc sắp xếp lịch bệnh nhân và cải thiện độ chính xác chẩn đoán.", {"type": "document", "source": "healthcare_report.pdf"})
    ```

4.  **Truy vấn bộ nhớ liên quan:** Khi tác nhân cần thông tin, nó truy vấn cơ sở dữ liệu vector.
    ```python
    def retrieve_memory(query_text, top_k=3):
        query_embedding = get_embedding(query_text)
        results = index.query(vector=query_embedding, top_k=top_k, include_metadata=True)
        retrieved_texts = []
        for match in results.matches:
            retrieved_texts.append(match.metadata["text"] if "text" in match.metadata else f"Điểm số: {match.score}, ID: {match.id}")
            # Đối với ví dụ trên, chúng ta cần lưu trữ văn bản gốc trong metadata.
            # Hãy điều chỉnh upsert_memory để bao gồm văn bản trong metadata cho việc truy xuất dễ hơn.
            # upsert_memory("conv_123", "Người dùng đã hỏi về lợi ích của các tác nhân AI trong chăm sóc sức khỏe.", {"type": "conversation", "timestamp": "2025-09-04T10:00:00Z", "text": "Người dùng đã hỏi về lợi ích của các tác nhân AI trong chăm sóc sức khỏe."})
        return retrieved_texts

    # Ví dụ: Tác nhân cần trả lời một câu hỏi dựa trên các tương tác hoặc tài liệu trước
    agent_question = "Các ứng dụng của các tác nhân AI trong chăm sóc sức khỏe là gì?"
    relevant_info = retrieve_memory(agent_question)
    print(f"Thông tin liên quan đã được truy xuất: {relevant_info}")
    ```

**Giải pháp: Sử dụng ChromaDB cho quản lý bộ nhớ cục bộ hoặc quy mô nhỏ**

Đối với các nhà phát triển xây dựng các tác nhân AI cục bộ hoặc cho các ứng dụng có yêu cầu bộ nhớ nhỏ hơn, ChromaDB cung cấp một cơ sở dữ liệu vector mã nguồn mở nhẹ và dễ sử dụng. Nó có thể chạy trong bộ nhớ hoặc lưu trữ trên đĩa, cung cấp sự linh hoạt mà không cần phí tổn của dịch vụ đám mây. ChromaDB là một lựa chọn tuyệt vời cho việc phát triển và lập trình nhanh chóng.

**Các bước thao tác mã (Ví dụ Python với ChromaDB):**

1.  **Cài đặt ChromaDB và Langchain (cho embedding):**
    ```bash
    pip install chromadb langchain-openai
    ```

2.  **Khởi tạo ChromaDB và thêm tài liệu:**
    ```python
    import chromadb
    from langchain_openai import OpenAIEmbeddings
    from langchain_core.documents import Document

    # Khởi tạo OpenAI Embeddings
    embeddings_model = OpenAIEmbeddings(openai_api_key=os.environ.get("OPENAI_API_KEY"))

    # Khởi tạo khách hàng ChromaDB (trong bộ nhớ cho đơn giản, có thể lưu trữ)
    client = chromadb.Client()
    collection_name = "ai_agent_local_memory"
    try:
        collection = client.get_or_create_collection(name=collection_name)
    except Exception as e:
        print(f"Lỗi khi lấy/tạo bộ sưu tập: {e}")
        # Nếu bộ sưu tập đã tồn tại và lỗi xảy ra do điều đó, hãy thử lấy lại
        collection = client.get_collection(name=collection_name)

    def add_documents_to_chroma(texts, metadatas=None):
        docs = [Document(page_content=text, metadata=meta if meta else {}) for text, meta in zip(texts, metadatas or [{} for _ in texts])]
        # Tạo embedding và thêm vào bộ sưu tập
        # ChromaDB có thể xử lý việc tạo embedding nội bộ nếu được cấu hình, hoặc bạn có thể truyền những cái đã được tính toán trước.
        # Để đơn giản, hãy giả sử chúng ta đang truyền văn bản và ChromaDB sẽ xử lý embedding với mô hình đã cấu hình.
        # Tuy nhiên, tích hợp Chroma của Langchain thường yêu cầu việc embedding được xử lý bởi một hàm embedding.
        # Hãy sử dụng một cách tiếp cận trực tiếp để thêm tài liệu với embedding đã được tính toán trước cho sự rõ ràng.
        ids = [f"doc_{i}" for i in range(len(texts))]
        embeddings = [embeddings_model.embed_query(text) for text in texts]
        collection.add(embeddings=embeddings, documents=texts, metadatas=metadatas, ids=ids)
        print(f"Đã thêm {len(texts)} tài liệu vào ChromaDB.")

documents_to_add = [
    "Nghiên cứu mới nhất chỉ ra rằng các tác nhân AI có thể giảm đáng kể chi phí vận hành.",
    "Các tác nhân AI hỗ trợ khách hàng đang cải thiện thời gian giải quyết lên tới 30%.",
    "Các tác động đạo đức của các tác nhân AI tự động đòi hỏi sự cân nhắc kỹ lưỡng."
]
metadatas_to_add = [
    {"source": "bài_nghiên_cứu"},
    {"source": "nghiên_cứu_trường_hợp"},
    {"source": "hướng_dẫn_đạo_đức"}
]
add_documents_to_chroma(documents_to_add, metadatas_to_add)

```vi
"""Lấy thông tin thời tiết hiện tại cho một vị trí nhất định.
        Vị trí nên là tên thành phố, ví dụ, "London".
        """
        try:
            # Trong một ứng dụng thực tế, bạn sẽ sử dụng một khóa API thời tiết và một dịch vụ mạnh mẽ hơn.
            # Đây là một ví dụ đơn giản.
            api_key = "YOUR_WEATHER_API_KEY" # Thay thế bằng khóa API thực
            base_url = f"http://api.openweathermap.org/data/2.5/weather?q={location}&appid={api_key}&units=metric"
            response = requests.get(base_url)
            response.raise_for_status() # Duy trì một ngoại lệ cho các lỗi HTTP
            weather_data = response.json()
            if weather_data["cod"] == 200:
                main = weather_data["main"]
                weather_desc = weather_data["weather"][0]["description"]
                temp = main["temp"]
                humidity = main["humidity"]
                return f"Thời tiết hiện tại ở {location} là {weather_desc} với nhiệt độ {temp}°C và độ ẩm {humidity}%."
            else:
                return f"Không thể lấy thông tin thời tiết cho {location}. Lỗi: {weather_data.get('message', 'Lỗi không xác định')}"
        except requests.exceptions.RequestException as e:
            return f"Đã xảy ra lỗi khi lấy thông tin thời tiết: {e}"
        except Exception as e:
            return f"Đã xảy ra lỗi không lường trước: {e}"
    ```

2.  **Tích hợp công cụ vào một tác nhân:** Một khi đã định nghĩa, công cụ có thể được truyền đến tác nhân LangChain của bạn.
    ```python
    from langchain_openai import ChatOpenAI
    from langchain.agents import AgentExecutor, create_react_agent
    from langchain import hub

    # Khởi tạo LLM
    llm = ChatOpenAI(model="gpt-4o", temperature=0)

    # Danh sách các công cụ có sẵn cho tác nhân
    tools = [
        get_current_weather, # Công cụ thời tiết tùy chỉnh của chúng tôi
        # Thêm các công cụ khác ở đây nếu cần, ví dụ, calculator_tool từ ví dụ trước
    ]

    # Lấy lệnh để sử dụng
    prompt = hub.pull("hwchase17/react")

    # Tạo tác nhân
    agent = create_react_agent(llm, tools, prompt)

    # Tạo một trình thực thi tác nhân
    agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

    # Ví dụ sử dụng: Tác nhân yêu cầu thông tin thời tiết
    response = agent_executor.invoke({"input": "Thời tiết ở Tokyo như thế nào?"})
    print(f"Phản hồi của Tác nhân: {response['output']}")
    ```

**Giải pháp: Sử dụng Chức năng OpenAI để gọi công cụ**

Khả năng gọi chức năng của OpenAI cho phép các nhà phát triển mô tả các chức năng cho các mô hình GPT, từ đó chúng có thể thông minh chọn xuất ra một đối tượng JSON chứa các đối số để gọi những chức năng đó. Tính năng này đơn giản hóa quy trình cho phép các tác nhân tương tác với các công cụ và API bên ngoài, vì chính LLM sẽ xử lý quyết định về thời điểm và cách thức sử dụng công cụ dựa trên lệnh nhắc của người dùng. Đây là một thành phần cốt lõi của nhiều triển khai công nghệ tác nhân AI hiện đại.

**Các bước vận hành mã (Python với ví dụ Gọi chức năng OpenAI):**

1.  **Định nghĩa một hàm để tác nhân gọi:**
    ```python
    import json
    from openai import OpenAI
    import os

    client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

    # Ví dụ hàm để lấy thời tiết hiện tại
    def get_current_weather_openai(location, unit="celsius"):
        """Lấy thời tiết hiện tại tại một vị trí cho trước"""
        if "tokyo" in location.lower():
            return json.dumps({"location": location, "temperature": "25", "unit": unit})
        elif "san francisco" in location.lower():
            return json.dumps({"location": location, "temperature": "22", "unit": unit})
        elif "paris" in location.lower():
            return json.dumps({"location": location, "temperature": "28", "unit": unit})
        else:
            return json.dumps({"location": location, "temperature": "không xác định"})

    # Định nghĩa các công cụ có sẵn cho mô hình
    tools_openai = [
        {
            "type": "function",
            "function": {
                "name": "get_current_weather_openai",
                "description": "Lấy thời tiết hiện tại tại một vị trí cho trước",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "location": {
                            "type": "string",
                            "description": "Thành phố và tiểu bang, ví dụ: San Francisco, CA",
                        },
                        "unit": {
                            "type": "string",
                            "enum": ["celsius", "fahrenheit"]},
                    },
                    "required": ["location"],
                },
            },
        }
    ]
    ```

2.  **Thực hiện yêu cầu hoàn tất hội thoại với các định nghĩa công cụ:**
    ```python
    def run_conversation(user_message):
        messages = [{"role": "user", "content": user_message}]
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            tools=tools_openai,

tool_choice="auto",  # auto là mặc định, nhưng chúng ta sẽ chỉ định rõ ràng
        )
        response_message = response.choices[0].message
        tool_calls = response_message.tool_calls

        # Bước 2: Kiểm tra xem mô hình có muốn gọi công cụ không
        if tool_calls:
            # Bước 3: Gọi công cụ
            # Lưu ý: phản hồi JSON có thể không phải luôn hợp lệ; hãy chắc chắn xử lý lỗi
            available_functions = {
                "get_current_weather_openai": get_current_weather_openai,
            }
            messages.append(response_message)  # Mở rộng cuộc trò chuyện với phản hồi của trợ lý
            for tool_call in tool_calls:
                function_name = tool_call.function.name
                function_to_call = available_functions[function_name]
                function_args = json.loads(tool_call.function.arguments)
                function_response = function_to_call(
                    location=function_args.get("location"),
                    unit=function_args.get("unit"),
                )
                messages.append(
                    {
                        "tool_call_id": tool_call.id,
                        "role": "tool",
                        "name": function_name,
                        "content": function_response,
                    }
                )  # Mở rộng cuộc trò chuyện với đầu ra của công cụ
            second_response = client.chat.completions.create(
                model="gpt-4o",
                messages=messages,
            )
            return second_response.choices[0].message.content
        else:
            return response_message.content

    # Ví dụ sử dụng
    print(run_conversation("Thời tiết ở San Francisco thế nào?"))
    print(run_conversation("Kể cho tôi một câu chuyện cười.")) # Ví dụ không có công cụ nào được gọi
    ```

Tích hợp công cụ là một phần quan trọng của các tác nhân AI chức năng, cho phép họ vượt ra ngoài cuộc trò chuyện đơn thuần để thực hiện các hành động cụ thể và truy cập thông tin thế giới thực. Khả năng này là điều khiến các tác nhân AI trở nên thực sự tự động và có giá trị trong nhiều ứng dụng khác nhau, từ phân tích dữ liệu đến dịch vụ khách hàng tự động. Sự phát triển liên tục của các thư viện công cụ và phương pháp tích hợp là một lĩnh vực đổi mới quan trọng trong ngăn xếp công nghệ tác nhân AI.




### 5. Thu thập và tích hợp dữ liệu

Dữ liệu là nguồn sống của bất kỳ hệ thống AI nào, và các tác nhân AI cũng không ngoại lệ. Trước khi một tác nhân AI có thể lý luận, lập kế hoạch hoặc hành động hiệu quả, nó cần phải hiểu thế giới mà nó hoạt động. Sự hiểu biết này được hình thành từ dữ liệu thực tế, thời gian thực và thường là không cấu trúc. Cho dù đó là đào tạo một mô hình, cung cấp sức mạnh cho hệ thống Tạo Ra Tăng Cường Retrieval (RAG), hay cho phép một tác nhân đáp ứng các thay đổi trên thị trường trực tiếp, dữ liệu là nhiên liệu thúc đẩy hành vi thông minh. Do đó, cơ chế [thu thập dữ liệu](https://www.scrapeless.com/vi/solutions/data-collection) và tích hợp mạnh mẽ là các thành phần quan trọng trong ngăn xếp công nghệ tác nhân AI.

Việc thu thập dữ liệu hiệu quả bao gồm việc thu thập thông tin liên quan từ các nguồn đa dạng, có thể bao gồm dữ liệu web công khai, cơ sở dữ liệu nội bộ, API và đầu vào của người dùng. Tích hợp dữ liệu sau đó đảm bảo rằng thông tin khác biệt này được chuyển đổi thành định dạng có thể sử dụng và được truy cập bởi tác nhân AI. Các thách thức trong lĩnh vực này thường bao gồm việc xử lý các biện pháp bảo vệ chống bot, quản lý các định dạng dữ liệu khác nhau, và đảm bảo chất lượng và độ mới của dữ liệu. Các giải pháp trong lĩnh vực này được thiết kế để tự động hóa và đơn giản hóa quá trình thu thập và chuẩn bị dữ liệu cho việc tiêu thụ của tác nhân.

**Giải pháp: Tận dụng API thu thập dữ liệu web để thu thập dữ liệu thời gian thực**

Đối với các tác nhân AI cần thông tin cập nhật từ web công khai, các API thu thập dữ liệu web cung cấp một giải pháp mạnh mẽ. Những dịch vụ này có thể vượt qua các hạn chế web phổ biến, trích xuất dữ liệu có cấu trúc từ các trang web và cung cấp nó ở định dạng sạch, có thể sử dụng. Điều này đặc biệt có giá trị cho các tác nhân thực hiện phân tích thị trường, trí thông minh cạnh tranh, hoặc tổng hợp nội dung. Ví dụ, một tác nhân trí tuệ [thương mại điện tử](https://www.scrapeless.com/vi/solutions/e-commerce) có thể sử dụng API thu thập dữ liệu web để theo dõi giá cả của đối thủ và tình trạng hàng hóa trong thời gian thực.

**Các bước vận hành mã (Python với Ví dụ về API thu thập dữ liệu web giả định):**

1.  **Cài đặt thư viện requests (nếu chưa được cài đặt):**
    ```bash
    pip install requests
    ```

2.  **Sử dụng API thu thập dữ liệu web để lấy dữ liệu:** Ví dụ này sử dụng một chỗ trống cho API thu thập dữ liệu web tổng quát. Trong một kịch bản thực tế, bạn sẽ sử dụng một dịch vụ như Bright Data, Oxylabs hoặc Scrapeless.
    ```python
    import requests
    import json

    def fetch_product_data(product_url, api_key="YOUR_SCRAPING_API_KEY"):
        """Lấy dữ liệu sản phẩm từ một URL nhất định bằng cách sử dụng API thu thập dữ liệu web."""
        api_endpoint = "https://api.example.com/scrape" # Địa chỉ API chỗ trống
        headers = {"Content-Type": "application/json"}
        payload = {
            "api_key": api_key,
            "url": product_url,

# Ví dụ sử dụng bởi một đại lý AI
competitor_product_url = "https://www.example-competitor.com/product/xyz"
product_info = fetch_product_data(competitor_product_url)
nếu isinstance(product_info, dict) và "data" trong product_info:
    print(f"Đã lấy tên sản phẩm: {product_info['data'].get('name')}")
    print(f"Đã lấy giá sản phẩm: {product_info['data'].get('price')}")
khác:
    print(product_info)
```

['tên_tác_nhân', 'trạng_thái']
    )
    THỜI_GIAN_YÊU_CẦU = Biểu_Đồ(
        'thời_gian_yêu_cầu_tác_nhân_ai', 
        'Thời gian phản hồi của yêu cầu tác nhân AI',
        ['tên_tác_nhân']
    )

    def xử_lý_yêu_cầu_tác_nhân(tên_tác_nhân, dữ_liệu_yêu_cầu):
        thời_gian_bắt_đầu = time.time()
        try:
            # Giả lập logic xử lý tác nhân
            time.sleep(random.uniform(0.1, 1.5)) # Giả lập công việc
            if random.random() < 0.1: # Giả lập tỷ lệ lỗi 10%
                raise ValueError("Lỗi tác nhân giả lập")

            SỐ_LƯỢNG_YÊU_CẦU.labels(tên_tác_nhân=tên_tác_nhân, trạng_thái='thành công').inc()
            return f"Đã xử lý yêu cầu cho {tên_tác_nhân} với dữ liệu: {dữ_liệu_yêu_cầu}"
        except Exception as e:
            SỐ_LƯỢNG_YÊU_CẦU.labels(tên_tác_nhân=tên_tác_nhân, trạng_thái='lỗi').inc()
            return f"Lỗi khi xử lý yêu cầu cho {tên_tác_nhân}: {e}"
        finally:
            THỜI_GIAN_YÊU_CẦU.labels(tên_tác_nhân=tên_tác_nhân).observe(time.time() - thời_gian_bắt_đầu)

    if __name__ == '__main__':
        # Khởi động máy chủ để hiển thị các số liệu.
        start_http_server(8000) # Các số liệu sẽ có sẵn tại http://localhost:8000/metrics
        print("Máy chủ số liệu Prometheus đã khởi động trên cổng 8000")

        # Giả lập yêu cầu từ các tác nhân
        while True:
            tên_tác_nhân = random.choice(["tác_nhân_nghiên_cứu", "tác_nhân_khách_hàng", "tác_nhân_dữ_liệu"])
            dữ_liệu_yêu_cầu = {"truy_vấn": "một truy vấn nào đó", "id_người_dùng": random.randint(1, 100)}
            print(xử_lý_yêu_cầu_tác_nhân(tên_tác_nhân, dữ_liệu_yêu_cầu))
            time.sleep(2)

3. **Cấu hình Prometheus để quét số liệu:** Thêm một công việc vào tệp cấu hình `prometheus.yml` của bạn để quét số liệu từ cổng đã mở của tác nhân của bạn.
    ```yaml
    # prometheus.yml
    scrape_configs:
      - job_name: 'tác_nhân_ai'
        static_configs:
          - targets: ['localhost:8000'] # Thay thế bằng máy chủ và cổng của tác nhân bạn
    ```

4. **Thiết lập bảng điều khiển Grafana:** Nhập Prometheus như một nguồn dữ liệu trong Grafana và tạo các bảng điều khiển để hình dung các số liệu đã thu thập. Bạn có thể tạo đồ thị cho số lượng yêu cầu, thời gian phản hồi, tỷ lệ lỗi, và nhiều thứ khác.

Khả năng quan sát không chỉ đơn thuần là tìm lỗi; nó là về việc xây dựng niềm tin và đảm bảo sự tồn tại lâu dài của các tác nhân AI của bạn. Bằng cách cung cấp cái nhìn rõ ràng về hoạt động của chúng, bạn có thể liên tục tối ưu hiệu suất của chúng, xác định các thiên kiến tiềm ẩn, và đảm bảo chúng phù hợp với các mục tiêu kinh doanh. Cách tiếp cận chủ động này là dấu hiệu của một hệ thống công nghệ tác nhân AI trưởng thành.

### 8. Bảo mật hộp cát cho việc thực thi mã

Khi các tác nhân AI trở nên tinh vi hơn, khả năng thực thi mã động của chúng là một tính năng mạnh mẽ, cho phép chúng thực hiện phân tích dữ liệu phức tạp, chạy các mô phỏng, hoặc tương tác với nhiều môi trường phần mềm khác nhau. Tuy nhiên, cho phép một tác nhân tự động thực thi mã tùy ý sẽ dẫn đến những rủi ro về an ninh đáng kể. Một lời nhắc độc hại hoặc một lỗi không mong muốn trong lập luận của tác nhân có thể dẫn đến các hành động không mong muốn hoặc có hại, chẳng hạn như hư hại dữ liệu, truy cập trái phép, hoặc xâm phạm hệ thống. Do đó, bảo mật hộp cát là một thành phần quan trọng của hệ thống công nghệ tác nhân AI, cung cấp những môi trường biệt lập và kiểm soát cho việc thực thi mã.

Các hộp cát được thiết kế để hạn chế các hành động của một chương trình trong một tập hợp quyền hạn và tài nguyên được định nghĩa trước, ngăn cản nó truy cập vào các thành phần hệ thống nhạy cảm hoặc thực hiện các thao tác ngoài phạm vi đã chỉ định của nó. Đối với các tác nhân AI, điều này có nghĩa là ngay cả khi một tác nhân tạo ra mã sai hoặc độc hại, việc thực thi của nó sẽ bị giới hạn trong hộp cát, giảm thiểu thiệt hại tiềm tàng. Lớp bảo vệ này đảm bảo rằng các tác nhân có thể tận dụng khả năng sinh mã và thực thi của chúng một cách an toàn và có trách nhiệm, tạo dựng niềm tin cho các hoạt động tự động của chúng.

**Giải pháp: Sử dụng Trình Biên Dịch Mã OpenAI cho Thực Thi Python An Toàn**

Trình Biên Dịch Mã của OpenAI (hiện là một phần của phân tích dữ liệu nâng cao trong ChatGPT) cung cấp một môi trường Python an toàn, được hộp cát, nơi các tác nhân có thể viết và thực thi mã Python. Tính năng này đặc biệt hữu ích cho các tác vụ nặng về dữ liệu, các phép tính toán học, và giải quyết các vấn đề phức tạp mà được hưởng lợi từ việc thực thi lập trình. Môi trường này là nhất thời và biệt lập, đảm bảo rằng việc thực thi mã không ảnh hưởng đến hệ thống nền tảng hoặc các người dùng khác. Mặc dù có thể truy cập trực tiếp qua ChatGPT, các nguyên tắc cơ bản có thể được áp dụng cho các triển khai tác nhân tùy chỉnh.

**Các bước hoạt động mã khái niệm (Chỉ mang tính minh họa, vì truy cập API trực tiếp vào hộp cát của Trình Biên Dịch Mã không thường được mở cho việc thực thi mã tùy ý):**

Mặc dù việc truy cập lập trình trực tiếp vào hộp cát chính xác mà Trình Biên Dịch Mã của OpenAI sử dụng cho việc thực thi mã tùy ý không được công khai thông qua một cuộc gọi API đơn giản cho mục đích chung, khái niệm liên quan đến việc gửi mã đến một môi trường an toàn, biệt lập và nhận đầu ra. Đối với việc phát triển tác nhân tùy chỉnh, bạn sẽ thường tích hợp với một dịch vụ cung cấp một hộp cát như vậy.

```python
# Đây là một ví dụ khái niệm để minh họa ý tưởng gửi mã đến một hộp cát.

# Mô phỏng việc thực thi thành công cho mã an toàn
if "print(" in code_string:
    return "Đầu ra Sandbox mô phỏng: Xin chào từ sandbox!"
return "Đầu ra Sandbox mô phỏng: Mã đã được thực thi thành công (không có đầu ra print)."

**Giải pháp: Triển khai sandbox tùy chỉnh với Docker Containers**

Đối với các nhà phát triển cần xây dựng môi trường thực thi an toàn riêng của họ, các container Docker cung cấp một giải pháp linh hoạt và mạnh mẽ. Mỗi yêu cầu thực thi mã có thể được chạy trong một container Docker mới, cách ly, mà sẽ bị hủy sau khi thực thi. Điều này cung cấp một mức độ cách ly và an toàn cao, vì container không có quyền truy cập vào tài nguyên của hệ thống chủ trừ khi được cấp quyền rõ ràng. Cách tiếp cận này có tính tùy biến cao và phù hợp cho các kịch bản nơi cần các phụ thuộc hoặc môi trường cụ thể cho việc thực thi mã.

**Các bước thực hiện mã (Khái niệm với Docker):**

1.  **Tạo một Dockerfile cho môi trường sandbox của bạn:**
    ```dockerfile
    # Dockerfile.sandbox
    FROM python:3.9-slim-buster

    WORKDIR /sandbox

    # Cài đặt bất kỳ thư viện cần thiết nào cho việc thực thi mã của tác nhân
    # RUN pip install pandas numpy

    # Tạo một người dùng không phải root để đảm bảo an toàn
    RUN useradd -m sandboxuser
    USER sandboxuser

    # Script điểm vào để thực thi mã được truyền vào
    COPY execute_script.sh /
    CMD ["/execute_script.sh"]
    ```

2.  **Tạo một `execute_script.sh` để chạy mã Python:**
    ```bash
    #!/bin/bash
    # execute_script.sh
    # Script này sẽ nhận mã Python như một đối số hoặc từ stdin
    # và thực thi nó một cách an toàn.

    # Ví dụ: Đọc mã từ một tệp (được gắn vào container)
    python /sandbox/agent_code.py
    ```

3.  **Tổ chức việc tạo và thực thi container Docker từ bộ điều phối của bạn:**
    ```python
    import docker
    import os
    import io

    def run_code_in_docker_sandbox(python_code: str) -> str:
        client = docker.from_env()
        container_name = f"agent_sandbox_{os.urandom(4).hex()}"
        
        try:
            # Tạo một đối tượng tệp tạm thời cho mã
            code_file = io.BytesIO(python_code.encode("utf-8"))

            # Xây dựng một hình ảnh tạm thời với mã (hoặc gắn nó)
            # Để đơn giản, chúng tôi giả định một hình ảnh sandbox đã được xây dựng sẵn và gắn mã vào.
            
            # Tạo và chạy container
            # Giả định rằng Dockerfile.sandbox của bạn đã được xây dựng thành một hình ảnh có tên 'my-agent-sandbox'
            container = client.containers.run(
                image="my-agent-sandbox", 
                name=container_name,
                detach=True,
                # Gắn mã vào container
                volumes={os.path.abspath("temp_agent_code.py"): {"bind": "/sandbox/agent_code.py", "mode": "ro"}},
                # Hạn chế tài nguyên nếu cần
                mem_limit="256m",
                cpu_period=100000,
                cpu_quota=50000,
                network_disabled=True # Vô hiệu hóa quyền truy cập mạng cho mã không đáng tin cậy
            )
            
            # Ghi mã vào một tệp tạm thời sẽ được gắn
            with open("temp_agent_code.py", "w") as f:
                f.write(python_code)

            container.start()
            
            # Chờ container hoàn tất và lấy nhật ký
            result = container.wait(timeout=60) # Chờ tối đa 60 giây
            logs = container.logs().decode("utf-8")
            
            if result["StatusCode"] != 0:
                return f"Thực thi Sandbox thất bại với trạng thái {result['StatusCode']}:\n{logs}"
```vi
return f"Đầu ra Sandbox:\n{logs}"

        except docker.errors.ContainerError as e:
            return f"Lỗi container: {e}\nLogs:\n{e.container.logs().decode('utf-8')}"
        except docker.errors.ImageNotFound:
            return "Lỗi: Không tìm thấy hình ảnh Docker 'my-agent-sandbox'. Vui lòng xây dựng trước."
        except Exception as e:
            return f"Đã xảy ra lỗi: {e}"
        finally:
            # Dọn dẹp: xóa container và tệp tạm
            if 'container' in locals() and container:
                container.remove(force=True)
            if os.path.exists("temp_agent_code.py"):
                os.remove("temp_agent_code.py")

    # Ví dụ sử dụng
    safe_code = "print(\"Kết quả tính toán:\", 5 * 5)"
    print(run_code_in_docker_sandbox(safe_code))

    # Ví dụ về mã có thể không an toàn
    unsafe_code = "import os; print(os.listdir(\"/\"))" # Cố gắng liệt kê thư mục gốc
    print(run_code_in_docker_sandbox(unsafe_code))
    ```

Bảo vệ sandbox là một lớp không thể thiếu cho các tác nhân AI tương tác với mã, đảm bảo rằng khả năng mạnh mẽ của chúng được khai thác một cách an toàn và không tạo ra các lỗ hổng. Khi các tác nhân AI trở nên tích cực hơn trong các hệ thống quan trọng, tầm quan trọng của các biện pháp an toàn vững chắc, bao gồm sandboxing, sẽ chỉ tiếp tục gia tăng. Đây là một lĩnh vực chủ chốt mà các công nghệ tác nhân AI phải ưu tiên an toàn và độ tin cậy.

### 9. Hợp tác Đa Tác Nhân

Trong khi các tác nhân AI đơn lẻ có thể thực hiện những kỳ tích ấn tượng, sức mạnh thực sự của các tác nhân AI thường nằm ở khả năng hợp tác của chúng. Các hệ thống đa tác nhân bao gồm nhiều tác nhân AI, mỗi tác nhân có vai trò, chuyên môn và mục tiêu riêng, cùng nhau làm việc để đạt được một mục tiêu chung phức tạp hơn. Cách tiếp cận hợp tác này phản ánh động lực nhóm của con người, nơi các cá nhân chuyên biệt đóng góp kỹ năng của họ để giải quyết những vấn đề ngoài khả năng của bất kỳ thực thể đơn lẻ nào. Do đó, ngăn xếp công nghệ tác nhân AI cần hỗ trợ các cơ chế vững chắc cho việc giao tiếp giữa các tác nhân, phân công nhiệm vụ và giải quyết xung đột.

Hợp tác đa tác nhân đặc biệt hữu ích cho các nhiệm vụ vốn đã phức tạp, yêu cầu các lĩnh vực kiến thức đa dạng, hoặc có thể được chia nhỏ thành các nhiệm vụ con nhỏ hơn, có thể thực hiện song song. Các ví dụ bao gồm các dự án nghiên cứu phức tạp, phát triển phần mềm tự động hoặc tự động hóa quy trình kinh doanh tinh vi. Các khung và công cụ trong lĩnh vực này tập trung vào việc cho phép tương tác liền mạch, chia sẻ thông tin và hành động phối hợp giữa các tác nhân, cho phép các giải pháp AI có thể mở rộng và bền vững hơn.

**Giải pháp: Tổ chức Quy trình làm việc Đa Tác Nhân với AutoGen**

AutoGen, được phát triển bởi Microsoft, là một khung công tác đơn giản hóa việc tổ chức các cuộc hội thoại đa tác nhân. Nó cho phép các nhà phát triển định nghĩa nhiều tác nhân với các khả năng và vai trò khác nhau, sau đó tạo điều kiện cho việc giao tiếp và hợp tác của họ để giải quyết các nhiệm vụ. AutoGen hỗ trợ nhiều mẫu hội thoại khác nhau, bao gồm tuần tự, phân cấp và thậm chí là các luồng tùy chỉnh phức tạp hơn, làm cho nó linh hoạt cao cho các kịch bản đa tác nhân khác nhau. Nó nhấn mạnh khái niệm

con người trong vòng lặp, cho phép can thiệp và phản hồi của con người trong quá trình hợp tác của các tác nhân.

**Các bước vận hành mã (Python với Ví dụ AutoGen):**

1.  **Cài đặt AutoGen:**
    ```bash
    pip install pyautogen
    ```

2.  **Định nghĩa các tác nhân và khởi động một cuộc hội thoại:** Ví dụ này thiết lập một cuộc hội thoại đơn giản giữa một tác nhân đại diện người dùng và một tác nhân trợ lý.
    ```python
    import autogen
    import os

    # Cấu hình LLM cho các tác nhân AutoGen
    config_list = [
        {
            "model": "gpt-4o", # Hoặc "gpt-3.5-turbo"
            "api_key": os.environ.get("OPENAI_API_KEY"),
        }
    ]

    # Tạo một tác nhân trợ lý
    assistant = autogen.AssistantAgent(
        name="assistant",
        llm_config={
            "config_list": config_list,
            "cache_seed": 42 # Để đảm bảo tính tái lập
        },
        system_message="Bạn là một trợ lý AI hữu ích. Bạn có thể trả lời câu hỏi và viết mã."
    )

    # Tạo một tác nhân đại diện người dùng (đại diện cho người dùng)
    user_proxy = autogen.UserProxyAgent(
        name="user_proxy",
        human_input_mode="NEVER", # Đặt thành "ALWAYS" hoặc "TERMINATE" để tương tác với con người
        max_consecutive_auto_reply=10,
        is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
        code_execution_config={
            "work_dir": "coding", # Thư mục để thực thi mã
            "use_docker": False, # Đặt thành True để sử dụng Docker cho việc thực thi trong môi trường cách ly
        },
    )

    # Khởi động cuộc hội thoại
    user_proxy.initiate_chat(
        assistant,
        message="Viết một tập lệnh Python để tính giai thừa của 5. Sau đó, giải thích mã."
    )
    ```

**Giải pháp: Xây dựng Đội ngũ Hợp tác với CrewAI (Đã xem xét lại)**
Như đã thảo luận trong phần Các Khung Đại Diện, CrewAI là một khung mạnh mẽ khác cho hợp tác đa tác nhân, tập trung vào việc xác định vai trò, mục tiêu và nhiệm vụ rõ ràng cho mỗi tác nhân trong một nhóm. Trong khi AutoGen nhấn mạnh vào các mẫu hội thoại linh hoạt, CrewAI cung cấp một cách tiếp cận có cấu trúc hơn cho việc hình thành nhóm và thực hiện nhiệm vụ, làm cho nó rất phù hợp để tự động hóa các quy trình kinh doanh phức tạp, nhiều bước cần sự chuyên môn khác nhau từ các tác nhân AI khác nhau.

**Các Bước Thực Hiện Code (Python với CrewAI cho Nhóm Nghiên Cứu và Viết):**

(Có thể tham khảo lại ví dụ CrewAI trong phần 3 để xem mã chi tiết. Ý tưởng cốt lõi là định nghĩa nhiều phiên bản `Agent` với `vai trò` và `mục tiêu` cụ thể, và sau đó gán các đối tượng `Task` cho chúng trong một `Crew`.)

Sự hợp tác đa tác nhân đại diện cho một bước tiến lớn trong khả năng của AI, cho phép tạo ra các hệ thống tự động rất tinh vi và độc lập. Bằng cách phân chia các vấn đề phức tạp giữa các tác nhân chuyên biệt, các hệ thống này có thể đạt được các mức độ trí tuệ và hiệu quả mà khó có tác nhân đơn lẻ nào có thể đạt được. Lớp này của công nghệ tác nhân AI là rất quan trọng để giải quyết những thách thức trong thế giới thực đòi hỏi các kỹ năng đa dạng và nỗ lực phối hợp.

### 10. AI Đạo Đức và Rào Cản

Khi các tác nhân AI ngày càng đạt được sự tự chủ và khả năng ra quyết định, việc đảm bảo hành vi đạo đức của chúng và sự phù hợp với các giá trị của con người trở nên quan trọng hàng đầu. Công nghệ tác nhân AI phải bao gồm các cơ chế vững chắc cho AI đạo đức và các rào cản để ngăn chặn các hậu quả không mong muốn, thành kiến và các hành động gây hại. Lớp này không chỉ liên quan đến việc tuân thủ; nó còn liên quan đến việc xây dựng các hệ thống AI đáng tin cậy hoạt động có trách nhiệm và duy trì lòng tin của công chúng. Nếu không có những xem xét đạo đức và biện pháp an toàn phù hợp, ngay cả những tác nhân AI tiên tiến nhất cũng có thể gây ra rủi ro đáng kể.

Các rào cản là một tập hợp các quy tắc, hạn chế và hệ thống giám sát được thiết kế để hướng dẫn hành vi của tác nhân AI trong các giới hạn chấp nhận được. Điều này có thể bao gồm các bộ lọc nội dung, phân loại an toàn, chính sách hành vi và các cơ chế giám sát của con người. Các nguyên tắc AI đạo đức, chẳng hạn như công bằng, minh bạch, trách nhiệm và quyền riêng tư, phải được tích hợp trong suốt quy trình thiết kế, phát triển và triển khai của tác nhân. Cách tiếp cận chủ động này giúp giảm thiểu rủi ro và đảm bảo rằng các tác nhân AI phục vụ nhân loại theo cách tích cực.

**Giải pháp: Triển Khai Kiểm Soát Nội Dung và Phân Loại An Toàn**

Một trong những cách chính để triển khai rào cản đạo đức là thông qua kiểm soát nội dung và phân loại an toàn. Những hệ thống này phân tích đầu ra và đầu vào của tác nhân để tìm các nội dung có hại, thành kiến hoặc không phù hợp, ngăn chặn tác nhân sinh ra hoặc xử lý thông tin như vậy. Nhiều nhà cung cấp LLM cung cấp các tính năng an toàn được tích hợp sẵn, nhưng các giải pháp tùy chỉnh có thể được phát triển cho các trường hợp sử dụng cụ thể hoặc các yêu cầu tuân thủ nghiêm ngặt hơn.

**Các Bước Thực Hiện Code (Python với Ví Dụ API Kiểm Soát của OpenAI):**

1. **Cài đặt thư viện OpenAI:**
    ```bash
    pip install openai
    ```

2. **Sử dụng API Kiểm Soát của OpenAI để kiểm tra nội dung:**
    ```python
    from openai import OpenAI
    import os

    client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

    def moderate_content(text_to_check: str) -> dict:
        """Kiểm tra văn bản được đưa ra cho nội dung có hại bằng cách sử dụng API Kiểm Soát của OpenAI."""
        try:
            response = client.moderations.create(input=text_to_check)
            moderation_output = response.results[0]
            return moderation_output.model_dump()
        except Exception as e:
            return {"error": f"Có lỗi xảy ra trong quá trình kiểm soát: {e}"}

    # Ví dụ sử dụng của một tác nhân AI trước khi tạo phản hồi hoặc thực hiện hành động
    agent_output_1 = "Tôi sẽ giúp bạn tìm thông tin về cách xây dựng một cây cầu an toàn."
    agent_output_2 = "Tôi có thể cung cấp hướng dẫn về cách tạo một thiết bị hóa học nguy hiểm."

    print("Kiểm soát cho đầu ra 1:", moderate_content(agent_output_1))
    print("Kiểm soát cho đầu ra 2:", moderate_content(agent_output_2))

    # Một tác nhân sẽ sau đó sử dụng thông tin này để quyết định có nên tiếp tục hay không
    moderation_result = moderate_content(agent_output_2)
    if moderation_result.get("flagged"):
        print("Tác nhân: Nội dung này đã bị đánh dấu là không an toàn. Tôi không thể tiếp tục với yêu cầu này.")
    else:
        print("Tác nhân: Nội dung là an toàn, tiếp tục.")
    ```

**Giải pháp: Triển Khai Rào Cản Dựa Trên Quy Tắc và Con Người Trong Quy Trình**

Ngoài các phân loại tự động, rào cản dựa trên quy tắc cung cấp các hạn chế rõ ràng về hành vi của tác nhân. Những quy tắc này có thể là các chính sách được lập trình sẵn, cây quyết định hoặc logic hình thức để ngăn tác nhân thực hiện một số hành động hoặc thảo luận về các chủ đề bị cấm. Kết hợp điều này với một phương pháp con người trong quy trình (HITL) cho phép giám sát và can thiệp của con người khi một tác nhân gặp phải các tình huống mơ hồ hoặc có khả năng vi phạm quy tắc. Cách tiếp cận kết hợp này đảm bảo cả hiệu quả và trách nhiệm.

**Các Bước Thực Hiện Code (Python với Rào Cản Dựa Trên Quy Tắc Đơn Giản):**
1. **Định nghĩa một tập hợp các quy tắc hoặc chính sách:**
    ```python
    def apply_guardrails(agent_action: str, context: dict) -> (bool, str):
        """Áp dụng các rào cản dựa trên quy tắc cho hành động dự kiến của một tác nhân.
        Trả về (được phép, thông điệp).
        """
        # Quy tắc 1: Ngăn chặn lời khuyên tài chính trừ khi được cho phép rõ ràng
        if "give financial advice" in agent_action.lower() and not context.get("authorized_financial_advisor", False):
            return False, "Hành động bị chặn: Tác nhân không được phép đưa ra lời khuyên tài chính."

        # Quy tắc 2: Ngăn chặn truy cập vào dữ liệu khách hàng nhạy cảm nếu không có quyền truy cập hợp lệ
        if "access customer database" in agent_action.lower() and not context.get("has_customer_data_access", False):
            return False, "Hành động bị chặn: Thiếu quyền truy cập vào dữ liệu khách hàng."

        # Quy tắc 3: Đảm bảo tất cả các cuộc gọi công cụ bên ngoài đều được ghi lại
        if "call external tool" in agent_action.lower():
            print(f"[LOG RÀO CẢN] Phát hiện cuộc gọi công cụ bên ngoài: {agent_action}")

        return True, "Hành động được phép."

    # Ví dụ sử dụng trong quá trình ra quyết định của một tác nhân
    proposed_action_1 = "Phân tích các xu hướng thị trường và đưa ra lời khuyên tài chính."
    context_1 = {"user_role": "investor"}
    allowed_1, message_1 = apply_guardrails(proposed_action_1, context_1)
    print(f"Hành động 1: {message_1} (Được phép: {allowed_1})")

    proposed_action_2 = "Lấy lịch sử mua hàng của khách hàng từ cơ sở dữ liệu."
    context_2 = {"user_role": "support_agent", "has_customer_data_access": True}
    allowed_2, message_2 = apply_guardrails(proposed_action_2, context_2)
    print(f"Hành động 2: {message_2} (Được phép: {allowed_2})")

    # Ví dụ có con người trong vòng lặp:
    def human_review_needed(agent_decision: str) -> bool:
        # Tiêu chí đơn giản: nếu quyết định chứa một số từ khóa nhất định, đánh dấu để xem xét
        return "sensitive decision" in agent_decision.lower() or "unusual request" in agent_decision.lower()

    agent_final_decision = "Tiến hành quyết định nhạy cảm về việc di chuyển dữ liệu."
    if human_review_needed(agent_final_decision):
        print("\nCần can thiệp của con người: Vui lòng xem xét quyết định của tác nhân.")
        # Trong hệ thống thực tế, điều này sẽ kích hoạt một cảnh báo cho một điều phối viên con người
    else:
        print("Quyết định của tác nhân được phê duyệt để thực hiện.")
    ```

Trí tuệ nhân tạo đạo đức và các rào cản không phải là một suy nghĩ sau mà là một lớp cơ bản của công nghệ tác nhân AI. Chúng là điều cần thiết để xây dựng các tác nhân AI không chỉ thông minh và có khả năng, mà còn an toàn, công bằng và phù hợp với các giá trị xã hội. Khi các tác nhân AI trở nên tích hợp hơn vào các ứng dụng quan trọng, việc phát triển và thực hiện các khung đạo đức mạnh mẽ cùng với các rào cản kỹ thuật sẽ là điều cần thiết cho việc triển khai có trách nhiệm và sự chấp nhận rộng rãi.

## Tóm tắt so sánh: Các khuôn khổ tác nhân AI hàng đầu

Chọn đúng khuôn khổ tác nhân AI là rất quan trọng cho sự thành công của dự án của bạn. Mỗi khuôn khổ cung cấp một tập hợp các tính năng độc đáo, triết lý thiết kế, và điểm mạnh, khiến chúng phù hợp với các loại ứng dụng khác nhau. Dưới đây là tóm tắt so sánh một số khuôn khổ tác nhân AI hàng đầu, nêu bật các đặc điểm chính, trường hợp sử dụng lý tưởng và các tính năng đáng chú ý.

| Tính năng / Khuôn khổ | LangChain | CrewAI | AutoGen | Letta (như mô tả trong nghiên cứu) |
|---------------------|-----------|--------|---------|---------------------------------|
| **Tập trung chính**   | Phát triển ứng dụng LLM chung, xâu chuỗi các thành phần | Hợp tác đa tác nhân, quy trình làm việc dựa trên nhóm | Cuộc trò chuyện đa tác nhân, điều phối linh hoạt | Lưu trữ tác nhân, quản lý trạng thái, triển khai |
| **Điểm mạnh cốt lõi**   | Tính mô-đun, tích hợp rộng rãi, điều phối công cụ | Hệ thống đa tác nhân có cấu trúc, nhiệm vụ dựa trên vai trò | Giao tiếp tác nhân linh hoạt, có con người trong vòng lặp | Triển khai sản xuất, trạng thái liên tục, quản lý bộ nhớ |
| **Quản lý bộ nhớ** | Tích hợp với nhiều cơ sở dữ liệu vector khác nhau (ví dụ: Pinecone, ChromaDB) | Bộ nhớ dựa trên RAG | Bộ nhớ dựa trên RAG | Bộ nhớ tự chỉnh sửa, tóm tắt đệ quy, dựa trên cơ sở dữ liệu |
| **Sử dụng công cụ**        | Tích hợp công cụ mạnh mẽ, công cụ tùy chỉnh, chức năng OpenAI | Sử dụng công cụ tích hợp cho các tác nhân | Gọi công cụ cho từng tác nhân | Hỗ trợ các công cụ tùy ý thông qua sơ đồ JSON, thực thi trong môi trường cách ly |
| **Hỗ trợ đa tác nhân** | Hỗ trợ các tác nhân, nhưng đa tác nhân thường được xây dựng tùy chỉnh | Điều phối đa tác nhân mạnh mẽ và gốc | Cuộc trò chuyện đa tác nhân gốc, mô hình linh hoạt | Gọi tác nhân trực tiếp, giao tiếp tập trung/phân tán |
| **Tập trung vào triển khai** | Tập trung vào phát triển, triển khai thường tùy chỉnh | Tập trung vào phát triển, triển khai thường tùy chỉnh | Tập trung vào phát triển, triển khai thường tùy chỉnh | Triển khai sản xuất, tác nhân như một dịch vụ, REST APIs |
| **Đường cong học hỏi**  | Trung bình đến Cao | Trung bình | Trung bình | Trung bình |
| **Hỗ trợ cộng đồng** | Rất lớn, Năng động | Đang phát triển, Năng động | Đang phát triển, Năng động | Ngách, đang phát triển |
| **Trường hợp sử dụng lý tưởng** | Hệ thống RAG phức tạp, chatbot tùy chỉnh, tương tác dữ liệu | Quy trình kinh doanh tự động, nhóm nghiên cứu, tạo nội dung | Giải quyết vấn đề phức tạp, tạo mã, nghiên cứu | Dịch vụ đại lý có thể mở rộng, đại lý chạy lâu dài, trạng thái bền vững |

Bảng này cung cấp cái nhìn tổng quan ở cấp độ cao, và lựa chọn tốt nhất cuối cùng sẽ phụ thuộc vào yêu cầu cụ thể của dự án, chuyên môn của đội ngũ và mức độ kiểm soát mong muốn đối với vòng đời của đại lý. Nhiều dự án thậm chí có thể kết hợp các yếu tố từ các khung khác nhau để tận dụng những điểm mạnh riêng của chúng.

## Ứng dụng thực tế và nghiên cứu điển hình

Các đại lý AI không còn là những cấu trúc lý thuyết; chúng đang được triển khai tích cực trên nhiều ngành công nghiệp, biến đổi hoạt động và tạo ra những khả năng mới. Khả năng tự động hóa các nhiệm vụ phức tạp, xử lý một lượng lớn thông tin và tương tác thông minh với các hệ thống và người dùng khiến chúng trở thành tài sản vô giá. Dưới đây là một vài ứng dụng thực tế và nghiên cứu điển hình nổi bật sự linh hoạt và tác động của công nghệ đại lý AI.

### Nghiên cứu điển hình 1: Trợ lý nghiên cứu tự động

**Vấn đề:** Các nhà nghiên cứu thường dành một khoảng thời gian đáng kể để sàng lọc các bài báo học thuật, bài viết tin tức và báo cáo để thu thập thông tin về một chủ đề cụ thể. Quá trình này tốn thời gian và có thể dẫn đến việc bỏ lỡ những hiểu biết do quá tải thông tin.

**Giải pháp đại lý AI:** Một trợ lý nghiên cứu tự động có thể được phát triển để tự động hóa quy trình này. Đại lý này tận dụng nhiều thành phần của công nghệ đại lý AI:

*   **Thu thập & Tích hợp Dữ liệu:** Sử dụng công cụ thu thập dữ liệu từ web (như Scrapeless) và API tìm kiếm học thuật để thu thập các tài liệu và bài viết có liên quan từ nhiều nguồn online khác nhau. Nó cũng có thể tích hợp với các kho tài liệu nội bộ.
*   **LLMs & Dịch vụ Mô hình:** Sử dụng LLM tiên tiến (ví dụ: GPT-4o, Claude) để hiểu các truy vấn nghiên cứu, tóm tắt nội dung và trích xuất các phát hiện chính từ các tài liệu đã thu thập.
*   **Quản lý Bộ nhớ:** Sử dụng cơ sở dữ liệu vector (ví dụ: Pinecone, Qdrant) để lưu trữ các embedding của các bài báo nghiên cứu và bài viết, cho phép tìm kiếm và truy xuất thông tin có liên quan một cách hiệu quả dựa trên các truy vấn của nhà nghiên cứu.
*   **Khung Đại lý:** Một khung đại lý (ví dụ: LangChain, AutoGen) điều phối quy trình nghiên cứu, xác định các bước như hình thành truy vấn, truy xuất tài liệu, trích xuất thông tin và tổng hợp.
*   **Tích hợp Công cụ:** Tích hợp với các công cụ bên ngoài cho việc phân tích PDF, quản lý trích dẫn và có thể cả thư viện trực quan hóa dữ liệu để trình bày các phát hiện.

**Kết quả:** Trợ lý nghiên cứu tự động có thể nhanh chóng tạo ra các báo cáo toàn diện, xác định các xu hướng mới nổi và thậm chí hình thành giả thuyết dựa trên các phát hiện của nó. Điều này giảm thiểu đáng kể thời gian mà các nhà nghiên cứu dành cho việc thu thập thông tin, cho phép họ tập trung vào phân tích và đổi mới. Ví dụ, một công ty dược phẩm có thể sử dụng một đại lý như vậy để nhanh chóng xem xét nghiên cứu thuốc mới, thúc đẩy quá trình phát hiện và phát triển thuốc.

### Nghiên cứu điển hình 2: Đại lý thông minh thương mại điện tử

**Vấn đề:** Các doanh nghiệp thương mại điện tử cần liên tục theo dõi giá cả của đối thủ, tình trạng sẵn có sản phẩm và đánh giá của khách hàng để duy trì tính cạnh tranh và tối ưu hóa chiến lược của họ. Việc theo dõi thủ công những chỉ số này trên nhiều đối thủ rất tốn công sức và thường dẫn đến thông tin lỗi thời.

**Giải pháp đại lý AI:** Một đại lý thông minh thương mại điện tử do AI điều khiển có thể tự động hóa việc theo dõi liên tục động lực thị trường. Đại lý này tích hợp nhiều lớp của công nghệ đại lý AI:

*   **Thu thập & Tích hợp Dữ liệu:** Tận dụng các dịch vụ thu thập dữ liệu từ web chuyên biệt (như Scrapeless) và API để thu thập dữ liệu theo thời gian thực từ các trang web đối thủ, các nhà tổng hợp sản phẩm và nền tảng đánh giá. Điều này bao gồm giá cả, mức tồn kho, mô tả sản phẩm và phản hồi của khách hàng.
*   **LLMs & Dịch vụ Mô hình:** Sử dụng các LLM để phân tích dữ liệu phi cấu trúc, chẳng hạn như đánh giá của khách hàng, nhằm xác định cảm xúc, các khiếu nại phổ biến và các xu hướng nổi bật. Nó cũng có thể tóm tắt các tính năng sản phẩm và so sánh chúng trên các đối thủ.
*   **Quản lý Bộ nhớ:** Lưu trữ dữ liệu giá lịch sử và thông tin sản phẩm trong một cơ sở dữ liệu vector, cho phép đại lý theo dõi sự biến động giá, xác định chiến lược giá và phân tích xu hướng thị trường lâu dài.
*   **Khung Đại lý:** Một khung đại lý điều phối quy trình thu thập dữ liệu, phân tích và báo cáo. Nó có thể kích hoạt cảnh báo khi có sự thay đổi giá đáng kể hoặc khi một đối thủ giới thiệu sản phẩm mới.
*   **Tích hợp Công cụ:** Tích hợp với các bảng điều khiển thông minh nội bộ, hệ thống CRM và dịch vụ thông báo (ví dụ: Slack, email) để cung cấp thông tin có thể hành động và cảnh báo đến các đội ngũ liên quan.
**Kết quả:** Đại lý trí tuệ thương mại điện tử cung cấp cho các doanh nghiệp cái nhìn tổng quan, thời gian thực về bối cảnh cạnh tranh. Điều này cho phép điều chỉnh giá cả linh hoạt, quản lý hàng tồn kho chủ động và đưa ra quyết định phát triển sản phẩm có thông tin. Chẳng hạn, một công ty bán lẻ có thể sử dụng một đại lý như vậy để tự động điều chỉnh giá sản phẩm của mình phản ứng với hành động của đối thủ cạnh tranh, tối đa hóa doanh thu và thị phần.

### Nghiên cứu trường hợp 3: Hỗ trợ khách hàng tự động

**Vấn đề:** Các hệ thống hỗ trợ khách hàng truyền thống thường gặp khó khăn với khối lượng yêu cầu cao, dẫn đến thời gian chờ đợi lâu, phản hồi không nhất quán và chi phí hoạt động tăng cao. Nhiều câu hỏi thông thường có thể được AI trả lời, nhưng các vấn đề phức tạp cần can thiệp của con người.

**Giải pháp AI Agent:** Một đại lý hỗ trợ khách hàng tự động có thể xử lý một phần lớn yêu cầu của khách hàng một cách tự động, leo thang các trường hợp phức tạp lên đại lý con người khi cần. Đại lý này tận dụng một công nghệ đại lý AI phức tạp:

*   **LLMs & Phục vụ mô hình:** Về cơ bản, đại lý sử dụng các LLM mạnh mẽ để hiểu yêu cầu của khách hàng, tạo ra phản hồi bằng ngôn ngữ tự nhiên và tham gia vào đối thoại.
*   **Quản lý bộ nhớ:** Một cơ sở dữ liệu vector lưu trữ một kho kiến thức gồm các câu hỏi thường gặp, tài liệu sản phẩm và tương tác trước đây với khách hàng. Điều này cho phép đại lý nhanh chóng truy xuất thông tin liên quan và cung cấp câu trả lời chính xác, nhất quán.
*   **Tích hợp công cụ:** Đại lý tích hợp với các công cụ khác nhau:
    *   **Hệ thống CRM:** Để truy xuất thông tin cụ thể của khách hàng (ví dụ: trạng thái đơn hàng, thông tin tài khoản).
    *   **Hệ thống Ticketing:** Để tạo, cập nhật hoặc leo thang vé hỗ trợ đến đại lý con người.
    *   **API Kho kiến thức:** Để truy cập và tìm kiếm tài liệu nội bộ.
*   **Khung đại lý:** Một khung đại lý tổ chức dòng chảy của cuộc trò chuyện, xác định khi nào sử dụng các công cụ cụ thể, và quyết định khi nào leo thang lên con người. Nó có thể quản lý các cuộc đối thoại đa lượt và duy trì ngữ cảnh qua các tương tác.
*   **Quan sát & Giám sát:** Các công cụ được thiết lập để theo dõi hiệu suất của đại lý, theo dõi tỷ lệ giải quyết, xác định các vấn đề phổ biến của khách hàng, và đánh dấu các trường hợp mà đại lý gặp khó khăn, cho phép cải tiến liên tục.
*   **AI Đạo đức & Giới hạn:** Các giới hạn đảm bảo rằng đại lý cung cấp thông tin chính xác, công bằng và tránh các chủ đề nhạy cảm hoặc phản hồi không phù hợp. Cơ chế con người trong vòng lặp là rất quan trọng để xem xét các trường hợp được leo thang và cung cấp phản hồi.

**Kết quả:** Đại lý hỗ trợ khách hàng tự động giảm đáng kể khối lượng công việc trên các đại lý con người, cải thiện thời gian phản hồi và đảm bảo chất lượng dịch vụ nhất quán. Các đại lý con người có thể tập trung vào các tương tác phức tạp, có giá trị cao hơn. Ví dụ, một công ty viễn thông có thể triển khai một đại lý như vậy để xử lý các yêu cầu thông thường về thanh toán và xử lý sự cố kỹ thuật, giải phóng đại lý con người để giải quyết các sự cố dịch vụ hoặc thay đổi tài khoản phức tạp.

## Nâng cao khả năng của đại lý AI của bạn với Scrapeless

Trong suốt cuộc khám phá hạ tầng công nghệ đại lý AI này, một chủ đề quay vòng đã là vai trò quan trọng của dữ liệu chất lượng cao, thời gian thực. Các đại lý AI, bất kể mức độ tinh vi của chúng, chỉ hiệu quả như thông tin mà chúng xử lý. Đây là nơi **Scrapeless** nổi lên như một tài sản vô giá, cung cấp một giải pháp mạnh mẽ và đáng tin cậy cho việc thu thập và tích hợp dữ liệu, một lớp nền tảng cho bất kỳ đại lý AI mạnh mẽ nào.

Scrapeless chuyên cung cấp quyền truy cập liền mạch vào dữ liệu web công khai, vượt qua các thách thức phổ biến như biện pháp chống bot, cấu trúc trang web đa dạng và nhu cầu về việc duy trì dữ liệu tươi mới. Bằng cách tích hợp Scrapeless vào hạ tầng công nghệ đại lý AI của bạn, bạn trang bị cho các đại lý của mình khả năng thu thập dữ liệu chính xác, có cấu trúc từ hầu như bất kỳ nguồn web nào, theo yêu cầu. Khả năng này là điều cần thiết cho các đại lý thực hiện phân tích thị trường, trí tuệ cạnh tranh, tổng hợp nội dung hoặc bất kỳ công việc nào phụ thuộc vào thông tin bên ngoài cập nhật.

**Tại sao Scrapeless cho đại lý AI của bạn?**

*   **Thu thập dữ liệu đáng tin cậy:** Scrapeless được thiết kế để xử lý những phức tạp của việc thu thập dữ liệu từ web, đảm bảo truyền dữ liệu nhất quán và chính xác, ngay cả từ các trang web khó khăn.
*   **Khả năng mở rộng:** Bất kể đại lý của bạn cần thu thập dữ liệu từ vài trang hay hàng triệu trang, Scrapeless cung cấp cơ sở hạ tầng để mở rộng nỗ lực thu thập dữ liệu của bạn mà không làm giảm hiệu suất.
*   **Hiệu quả:** Tự động hóa quá trình trích xuất dữ liệu, giải phóng đội ngũ phát triển của bạn để tập trung vào logic và trí tuệ cốt lõi của đại lý.
*   **Đầu ra có cấu trúc:** Nhận dữ liệu ở định dạng sạch, có cấu trúc, sẵn sàng cho việc tiêu thụ ngay lập tức bởi các hệ thống LLM và bộ nhớ của bạn.

Bằng cách cung cấp cho các đại lý AI của bạn một dòng dữ liệu liên tục, liên quan và chất lượng cao, Scrapeless cải thiện trực tiếp khả năng lập luận, ra quyết định và hiệu quả tổng thể của chúng. Đó là phần thiếu hụt đảm bảo rằng các đại lý AI của bạn luôn hoạt động với sự hiểu biết đầy đủ và cập nhật nhất về môi trường của chúng.
Sẵn sàng tăng cường các đại lý AI của bạn với dữ liệu vượt trội? [Hãy thử Scrapeless hôm nay!](https://app.scrapeless.com/passport/login?utm_source=blog-ai)

## Kết luận

Công nghệ đại lý AI là một hệ sinh thái năng động và đang phát triển, đại diện cho giới hạn của trí tuệ nhân tạo. Xây dựng các đại lý AI hiệu quả và có trách nhiệm đòi hỏi một sự hiểu biết toàn diện về các lớp khác nhau của nó, từ các mô hình ngôn ngữ lớn cơ bản và hệ thống bộ nhớ tinh vi đến các khung công tác mạnh mẽ, tích hợp công cụ và các rào cản đạo đức quan trọng. Mỗi thành phần đóng một vai trò quan trọng trong việc cho phép các đại lý nhận thức, lý luận, hành động và học hỏi một cách tự chủ, biến đổi cách chúng ta tương tác với công nghệ và tự động hóa các quy trình phức tạp.

Khi các đại lý AI tiếp tục trưởng thành, ảnh hưởng của chúng trên các ngành công nghiệp chỉ ngày càng tăng, thúc đẩy đổi mới trong các lĩnh vực như dịch vụ khách hàng, nghiên cứu, thương mại điện tử và hơn thế nữa. Khả năng điều phối những thực thể thông minh này, cung cấp cho chúng dữ liệu chính xác và đảm bảo hoạt động của chúng một cách có đạo đức sẽ là những yếu tố phân biệt chính cho cả doanh nghiệp và các nhà phát triển. Bằng cách tiếp nhận các nguyên tắc và công nghệ được nêu trong bài viết này, bạn có thể khai thác tiềm năng to lớn của các đại lý AI để tạo ra các giải pháp không chỉ thông minh và hiệu quả mà còn an toàn, đáng tin cậy và phù hợp với các giá trị nhân văn.

## Câu hỏi thường gặp

**Q1: Công nghệ đại lý AI là gì?**

A1: Công nghệ đại lý AI đề cập đến tập hợp các công nghệ, công cụ và khung công tác theo lớp được sử dụng để xây dựng, triển khai và quản lý các đại lý AI tự trị. Nó bao gồm các thành phần cho mô hình ngôn ngữ lớn, bộ nhớ, tích hợp công cụ, điều phối, thu thập dữ liệu, lưu trữ, quan sát và các rào cản đạo đức.

**Q2: Các đại lý AI khác với các mô hình AI truyền thống như thế nào?**

A2: Không giống như các mô hình AI truyền thống thường thực hiện các nhiệm vụ cụ thể, được định nghĩa trước, các đại lý AI được thiết kế để hoạt động một cách tự trị, lý luận, lập kế hoạch và hành động độc lập trong các môi trường động. Chúng có thể sử dụng công cụ, duy trì bộ nhớ và điều chỉnh hành vi của mình để đạt được các mục tiêu phức tạp, thường liên quan đến nhiều bước và tương tác.

**Q3: Tại sao cơ sở dữ liệu vector lại quan trọng đối với các đại lý AI?**

A3: Cơ sở dữ liệu vector rất quan trọng đối với các đại lý AI vì chúng cho phép bộ nhớ lâu dài và truy xuất thông tin hiệu quả ngoài cửa sổ ngữ cảnh của mô hình ngôn ngữ lớn. Bằng cách lưu trữ dữ liệu dưới dạng nhúng, chúng tạo điều kiện cho việc tìm kiếm ngữ nghĩa, cho phép các đại lý nhanh chóng tìm và sử dụng kiến thức bên ngoài hoặc các tương tác trong quá khứ thông qua Generation Tăng cường bằng Retrieval (RAG).

**Q4: Vai trò của các khung đại lý như LangChain hoặc CrewAI là gì?**

A4: Các khung đại lý cung cấp cấu trúc kiến trúc để xây dựng và điều phối các đại lý AI. Chúng đơn giản hóa các nhiệm vụ phức tạp như lập trình đầu vào, gọi công cụ, quản lý trạng thái và hợp tác đa đại lý, cho phép các nhà phát triển định nghĩa logic và quy trình công việc của đại lý một cách hiệu quả hơn.

**Q5: Cách thức sandboxing góp phần vào bảo mật của đại lý AI?**

A5: Sandboxing cung cấp các môi trường tách biệt và kiểm soát cho các đại lý AI để thực hiện mã hoặc thực hiện các hành động. Điều này ngăn chặn các hoạt động có thể gây hại hoặc không mong muốn ảnh hưởng đến hệ thống nền tảng hoặc dữ liệu nhạy cảm, đảm bảo rằng các đại lý có thể tận dụng các khả năng mạnh mẽ của chúng một cách an toàn và có trách nhiệm.

## Tài liệu tham khảo

1.  <a href="https://openai.com/blog/function-calling-and-the-openai-api" rel="nofollow">**Gọi chức năng của OpenAI**</a>
2.  <a href="https://www.microsoft.com/en-us/research/project/autogen/" rel="nofollow">**Microsoft AutoGen**</a>
3.  <a href="https://www.langchain.com/" rel="nofollow">**Trang web chính thức của LangChain**</a>
4.  <a href="https://www.pinecone.io/" rel="nofollow">**Trang web chính thức của Pinecone**</a>
5.  <a href="https://www.chromadb.com/" rel="nofollow">**Trang web chính thức của ChromaDB**</a>
6.  <a href="https://aws.amazon.com/lambda/" rel="nofollow">**Trang chính thức của AWS Lambda**</a>
7.  <a href="https://www.docker.com/" rel="nofollow">**Trang web chính thức của Docker**</a>
8.  <a href="https://prometheus.io/" rel="nofollow">**Trang web chính thức của Prometheus**</a>
9.  <a href="https://grafana.com/" rel="nofollow">**Trang web chính thức của Grafana**</a>
10. <a href="https://www.crewai.com/" rel="nofollow">**Trang web chính thức của CrewAI**</a>