Chương 7 — Multi-Agent Systems
👥
Thực chiến — 30 giây
"Cho 5 con agent bàn nhau cho xịn!" → hệ mong manh, đốt ~15× token, mà chưa chắc tốt hơn 1 agent. Chương này dạy khi nào mới nên nhiều agent. Ăn tiền ở đâu: biết lúc nào KHÔNG dùng multi-agent = tiết kiệm cả đống tiền cho khách.
Đây là chủ đề bị hiểu sai nhiều nhất. Tin tốt: ngành đã có câu trả lời rõ sau cuộc tranh luận lớn Cognition vs Anthropic (2025).
Sau chương này bạn sẽ làm được
- Hiểu kết luận của cuộc tranh luận "có nên multi-agent".
- Phân biệt + code Manager (agents-as-tools) vs Decentralized (handoffs).
- Code một orchestrator-workers thật.
- Có khung quyết định khi nào dùng, khi nào đừng (token ~15x).
01 · Cuộc tranh luận lớn (6/2025)
🥊 Hai phe
Cognition — "Đừng build Multi-Agents": multi-agent hiện tại tạo hệ mong manh — agent khó giữ mạch hội thoại dài, dễ "lạc nhau". Đề xuất: một agent đơn luồng + một LLM nén context. Châm ngôn: "context engineering là việc số 1."
Anthropic — "Cách chúng tôi build hệ multi-agent research": một lead agent sinh 3–5 sub-agent song song, mỗi cái context riêng, cộng bước trích dẫn cuối. Kết quả: +90.2% vs single Opus — nhưng tốn ~15x token.
02 · Kết luận đã hội tụ
Consensus 2026 — học thuộc
Một agent chính sở hữu toàn bộ ngữ cảnh, sinh ra các sub-agent tạm thời, chỉ-đọc cho tác vụ con tách biệt; sub-agent trả về một chuỗi tóm tắt — KHÔNG chat ngang hàng, KHÔNG chia sẻ state thay đổi.
- Single-agent cho việc tuần tự (vd coding): một agent giữ mạch.
- Multi-agent chỉ cho việc song song, đọc nhiều (vd research) — nơi chấp nhận trả token đổi tốc độ/độ bao phủ.
03 · Hai kiểu phối hợp (kèm code)
A. Manager — "agents-as-tools"
Một manager điều phối agent chuyên biệt qua lời gọi tool, rồi tổng hợp.
def manager(yeu_cau):
# manager tự quyết gọi "agent con" nào (chúng là tool)
return llm(yeu_cau, tools=[agent_research, agent_viet, agent_thiet_ke])
# mỗi agent_* bên trong là một run_agent riêng → trả kết quả cho manager ┌─────────────┐
User ──►│ Manager │ (gọi như tool) ──► [A] [B] [C] ──► tổng hợp ──► User
└─────────────┘Dùng khi: muốn một agent kiểm soát luồng + giữ mạch với user.
B. Decentralized — "handoffs"
Agent ngang hàng; một agent trao quyền (handoff) hẳn cho agent khác (chuyển một chiều).
def triage(msg):
loai = llm(f"Phân loại: HOAN_TIEN / KY_THUAT\n{msg}")
if loai == "HOAN_TIEN": return refund_agent(msg) # handoff: giao hẳn
return tech_agent(msg)Dùng khi: triage, không cần bộ não trung tâm tổng hợp.
Cả hai là đồ thị
Agent = node. Manager → cạnh là tool call; Decentralized → cạnh là handoff.
04 · Orchestrator-Workers & chi phí thật (code)
Pattern phổ biến nhất production: orchestrator chia việc động, workers chạy song song, orchestrator tổng hợp.
import asyncio
async def orchestrator(de_bai):
subtasks = llm(f"Chia '{de_bai}' thành các việc con độc lập").split("\n") # ĐỘNG
# workers chạy SONG SONG, mỗi worker context riêng (chỉ-đọc)
ket_qua = await asyncio.gather(*[worker(t) for t in subtasks])
return llm("Tổng hợp báo cáo từ:\n" + "\n".join(ket_qua)) # SYNTHESIZE
async def worker(task):
return await llm_async(f"Làm việc này, trả tóm tắt 5 gạch đầu dòng: {task}")Chi phí: ~15x token
Hệ research Anthropic dùng ~15x token so một lượt chat (token budget giải thích ~80% chênh hiệu năng). → Multi-agent chỉ đáng khi giá trị bài toán đủ lớn. Mẹo: orchestrator dùng model mạnh (Sonnet/Opus), workers dùng model rẻ (Haiku) → cắt 40%+ chi phí.
LLM: parse_goal({ task, constraints, output_format })目标：找 3 篇文章；输出：标题 + 一句话总结（Markdown 列表）05 · Sub-agent & cô lập ngữ cảnh
Lợi ích lớn nhất của sub-agent không phải "nhiều cho oai" mà là cô lập ngữ cảnh: mỗi sub-agent khảo sát trong context sạch riêng, chỉ trả tóm tắt cô đọng → giữ context chính gọn (Chương 5).
06 · Khung quyết định
Việc SONG SONG hoá được không (đọc nhiều, ít phụ thuộc)?
┌─┴──┐
KHÔNG CÓ
│ │
▼ ▼
SINGLE Giá trị bài toán có đáng ~15x token?
agent ┌┴───┐
+context CÓ KHÔNG
eng. │ │
▼ ▼
MULTI SINGLE🚨 3 sai lầm
- Vội multi-agent khi single chưa tối ưu → phức tạp vô ích.
- Cho sub-agent chat ngang hàng + sửa state chung → mong manh, khó debug.
- Quên token cost → hoá đơn gấp chục lần.
07 · Lab: research đối thủ shop VN (orchestrator + workers)
Bài thực hành (60–90 phút) — code
async def research_doi_thu(nganh="trà sữa HN"):
# orchestrator chia việc động
doi_thu = llm(f"Liệt kê 3 đối thủ lớn ngành {nganh}, mỗi dòng 1 tên").split("\n")
# 3 worker SONG SONG, mỗi cái research 1 đối thủ trong context riêng
bao_cao = await asyncio.gather(*[
worker(f"Research {d}: giá, menu nổi bật, điểm mạnh/yếu. Tóm tắt 5 ý.")
for d in doi_thu])
# orchestrator tổng hợp SWOT
return llm("Viết bảng SWOT tổng từ:\n" + "\n".join(bao_cao))
print(asyncio.run(research_doi_thu()))Đo: tổng token + so với làm tuần tự bằng 1 agent. Tiêu chí đạt: thấy rõ đánh đổi token↔tốc độ; mỗi worker context tách biệt, trả tóm tắt (chỉ-đọc).
08 · Bài tập
- Đổi lab trên cho workers dùng Haiku, orchestrator dùng Sonnet — đo chênh chi phí.
- Một dev định cho 3 agent "chat qua lại bàn bạc" để chốt giá. Theo consensus mục 02, vì sao đây là ý tồi? Thiết kế lại.
👉 Gợi ý câu 2
Sub-agent chat ngang hàng + sửa state chung = mong manh (đúng cảnh báo Cognition). Thiết kế lại: 1 agent chính giữ context, sinh sub-agent chỉ-đọc trả tóm tắt, agent chính tự chốt.
09 · Kiểm tra nhanh
- Kết luận hội tụ của cuộc tranh luận multi-agent?
- Manager vs Decentralized khác nhau ở đâu (cạnh đồ thị là gì)?
- Multi-agent tốn ~bao nhiêu token so single?
- Lợi ích chính của sub-agent (ngoài "nhiều")?
- Khi nào single, khi nào multi?
👉 Gợi ý đáp án
- Một agent chính giữ context + sinh sub-agent tạm thời, chỉ-đọc, trả tóm tắt; không chat ngang hàng.
- Manager: cạnh = tool call, có tổng hợp trung tâm; Decentralized: cạnh = handoff một chiều, không tổng hợp.
- ~15x.
- Cô lập ngữ cảnh — giữ context chính gọn.
- Single cho tuần tự; multi cho song song/đọc nhiều đáng trả token.
10 · Tóm tắt & đọc tiếp
Mang theo
- Mặc định single-agent. Multi-agent chỉ cho việc song song đáng ~15x token.
- Mô hình chuẩn: agent chính + sub-agent tạm thời, chỉ-đọc, trả tóm tắt.
- Manager (agents-as-tools) vs Decentralized (handoffs) — đã có code.
- Lợi ích cốt lõi của sub-agent = cô lập ngữ cảnh.
Agent cần kết nối thế giới thật theo chuẩn mở. Chương sau: MCP, Agent Skills, code execution.
→ Chương 8 — MCP, Skills & Code Execution
I Built the Ultimate Team of AI Agents in n8n With No Code (Free Template)
Orchestrator điều phối 4 sub-agent — bản build orchestrator-workers cực phổ biến. (2025, 1.1M view)
LangGraph Tutorial - How to Build Advanced AI Agent Systems
Code-first LangGraph: hệ stateful/multi-agent (supervisor routing). (2025, 200K view)