Trong thời gian gần đây, Toàn nhận được rất nhiều câu hỏi xoay quanh AI Agent trong n8n. Hầu hết các bạn đều đã có thể tạo ra những workflow tự động hóa đầu tiên, nhưng lại thường xuyên gặp phải một vấn đề chung: AI Agent hoạt động không ổn định, lúc được lúc không, và kết quả trả về thì “mỗi lần một kiểu”. Các bạn biết cách dùng nó, nhưng để làm chủ nó thực sự thì lại là một câu chuyện khác.
Mục lục
Vấn đề không nằm ở công cụ n8n, mà nằm ở cách chúng ta giao tiếp và ra lệnh cho AI. Một AI Agent mạnh mẽ, đáng tin cậy không được tạo ra từ may mắn, mà từ việc thiết kế một cách có chủ đích, dựa trên sự am hiểu sâu sắc về cách nó suy nghĩ và hoạt động. Bài viết này ra đời chính là để giải quyết vấn đề đó. Toàn sẽ không chỉ hướng dẫn các bạn viết prompt, mà sẽ cùng các bạn mổ xẻ toàn bộ cấu trúc của một AI Agent, từ nền tảng kiến trúc, các kỹ thuật viết lệnh nâng cao, cho đến những mẫu hình thiết kế chuyên nghiệp sẵn sàng cho môi trường làm việc thực tế (production). Mục tiêu của Toàn là giúp bạn đi từ biết dùng đến làm chủ, để bạn có thể tự tin xây dựng những agent thông minh, có khả năng dự đoán cao và phục vụ đắc lực cho công việc tối ưu vận hành của mình.
I. GIẢI PHẪU MỘT AI AGENT – BA TRỤ CỘT NỀN TẢNG
Để xây dựng bất cứ thứ gì vững chắc, ta cần hiểu rõ nền móng của nó. Với AI Agent trong n8n, nền móng đó được cấu thành từ ba trụ cột chính: System Prompt (Bộ não chỉ huy), Tools (Đôi tay), và Memory (Trí nhớ). Hiểu rõ cách chúng tương tác với nhau là bước đầu tiên và quan trọng nhất để bạn có thể kiểm soát hoàn toàn hành vi của Agent.
![[nguyenthieutoan.com] Sơ đồ 3 trụ cột của một AI Agent trong n8n: Bộ Não Chỉ Huy (System Prompt), Đôi Tay Vươn Dài (Tools), và Trí Nhớ (Memory).](https://nguyenthieutoan.com/wp-content/uploads/2025/07/nguyenthieutoan.com-Tao-prompt-cho-AI-Agent-trong-n8n-3-1024x559.webp)
1. Bộ não chỉ huy: System Prompt
Hãy hình dung System Prompt như một “bộ hiến pháp” hay bản mô tả công việc chi tiết dành cho AI Agent của bạn. Nó là yếu tố quan trọng nhất, định hình tất cả mọi thứ: vai trò, nhân cách, nhiệm vụ, giới hạn và quy tắc ứng xử. Một System Prompt được viết tốt sẽ là kim chỉ nam cho mọi hành động của Agent sau này.
Chức năng và cách viết hiệu quả
Về cơ bản, bạn cần nói rõ cho Agent biết:
- Nó là ai? (Role): Ví dụ: “Bạn là một trợ lý marketing chuyên nghiệp, chuyên viết nội dung cho mạng xã hội.”
- Nhiệm vụ của nó là gì? (Task): Ví dụ: “Nhiệm vụ của bạn là nhận một chủ đề, nghiên cứu nó bằng công cụ `web_search`, sau đó viết một bài đăng Facebook dài 300 từ.”
- Nó phải tuân thủ những quy tắc nào? (Rules): Ví dụ: “Không được bịa đặt thông tin. Luôn trả lời bằng giọng văn thân thiện, chuyên nghiệp.”
Một mẹo nhỏ nhưng cực kỳ hiệu quả mà Toàn học được từ cộng đồng chuyên gia n8n, đặc biệt khi làm việc với các mô hình như Claude, là sử dụng các thẻ XML (eXtensible Markup Language)/HTML (ví dụ: `<role>`, `<task>`) thay vì định dạng Markdown. Điều này giúp mô hình ngôn ngữ phân tích và hiểu cấu trúc chỉ dẫn của bạn một cách chính xác hơn. Xem thêm về các kỹ thuật ra lệnh cho AI tại: Prompt Engineering Nâng Cao.
Những giới hạn “bất thành văn”
Có những điều mà tài liệu chính thức không nói rõ. Toàn sẽ chỉ ra cho bạn:
- Giới hạn Token: n8n không giới hạn độ dài System Prompt của bạn, nhưng LLM (Large Language Model – Mô hình ngôn ngữ lớn) mà bạn sử dụng thì có. Toàn bộ ngữ cảnh (System Prompt + Trí nhớ + Đầu vào của bạn + Đầu ra của công cụ) phải nằm trong giới hạn token của LLM (ví dụ: 4096, 8192, hay 128k token). Điều này có nghĩa là một System Prompt quá dài sẽ “ăn” vào phần “bộ nhớ làm việc” của Agent, khiến nó nhanh quên hơn và tốn kém chi phí hơn cho mỗi lần chạy. Hãy viết thật súc tích nhưng đủ ý.
- Khả năng hiểu định dạng: Dù các LLM hiện đại có thể hiểu JSON (JavaScript Object Notation) hay XML, độ tin cậy không phải lúc nào cũng là 100%. Đừng chỉ hy vọng Agent sẽ trả về đúng định dạng. Bạn phải ra lệnh một cách tường minh và có cơ chế kiểm tra lại, điều mà Toàn sẽ nói kỹ ở Phần II.
2. Đôi tay vươn dài: Tools – Các công cụ thực hiện tác vụ
Nếu System Prompt là bộ não, thì Tools chính là đôi tay và các giác quan của Agent, cho phép nó tương tác với thế giới bên ngoài. Một “Tool” trong n8n có thể là bất cứ thứ gì: một node gọi API (Application Programming Interface – Giao diện lập trình ứng dụng), một sub-workflow để tìm kiếm trên Google, một node để đọc/ghi dữ liệu vào Google Sheets. Agent tự nó không thể làm những việc này; nó cần bạn trang bị “công cụ” và hướng dẫn cách dùng.
Mô tả công cụ: Chìa khóa vàng để Agent chọn đúng
Đây là nơi nhiều người mới mắc sai lầm nhất. Agent không biết công cụ của bạn làm gì. Nó chỉ dựa vào duy nhất phần Description (Mô tả) mà bạn viết cho mỗi công cụ để quyết định có nên dùng nó hay không. Một mô tả tốt phải trả lời hai câu hỏi:
- Công cụ này làm gì? (What it does)
- Khi nào nên dùng nó? (When to use it)
Ví dụ, một mô tả tệ sẽ là: “Lấy dữ liệu khách hàng”. Một mô tả tốt sẽ là: “Sử dụng công cụ này khi người dùng yêu cầu thông tin chi tiết về một khách hàng cụ thể. Đầu vào là email của khách hàng, đầu ra là tên, số điện thoại và địa chỉ.” Sự rõ ràng này là yếu tố quyết định sự thành bại của Agent.
Khi Agent “làm sai”: Xử lý lỗi và tự sửa lỗi
Sẽ có lúc Agent chọn sai công cụ hoặc đưa vào tham số sai. Đây là lỗi logic, và n8n sẽ không báo lỗi workflow. Chúng ta phải tự xây dựng cơ chế xử lý. Một chiến lược hiệu quả là dùng node IF hoặc Switch sau khi gọi công cụ để kiểm tra xem kết quả trả về có như mong đợi không. Nếu không, bạn có thể tạo một nhánh để “mắng vốn” Agent (“Bạn đã dùng sai công cụ, hãy suy nghĩ lại và thử công cụ khác dựa trên thông tin này…”) hoặc chuyển cho con người xử lý.
3. Trí nhớ đằng sau cuộc trò chuyện (Memory)
Bộ nhớ là thứ biến một công cụ tự động đơn thuần thành một “Agent” hội thoại thực thụ. Nó giúp Agent nhớ lại những gì bạn và nó đã nói trước đó để cuộc trò chuyện có ngữ cảnh.
- Trí nhớ ngắn hạn (Short-term Memory): Đây là tính năng có sẵn trong n8n, thường là “Window Buffer Memory”. Nó lưu lại một số lượng tin nhắn gần nhất (ví dụ: 20 tin nhắn cuối). Nó rất tiện lợi cho các chatbot đơn giản, nhưng với các cuộc hội thoại dài, Agent sẽ bắt đầu “quên” những thông tin ở đầu cuộc trò chuyện.
- Trí nhớ dài hạn (Long-term Memory): Đây không phải là một tính năng có sẵn, mà là một “mẫu hình kiến trúc” bạn phải tự xây dựng. Đây là bí quyết để tạo ra các agent thực sự thông minh. Cách làm phổ biến nhất là sử dụng một cơ sở dữ liệu bên ngoài (Airtable, Baserow, hoặc SQL) để lưu lại toàn bộ lịch sử cuộc trò chuyện theo ID của người dùng. Trước mỗi lần trả lời, một bước trong workflow sẽ truy xuất các đoạn hội thoại có liên quan trong quá khứ từ CSDL (cơ sở dữ liệu) này và “nhắc bài” cho Agent bằng cách tiêm nó vào prompt. Bằng cách này, Agent của bạn có thể nhớ mọi thứ bạn từng nói với nó.
II. NGHỆ THUẬT VIẾT PROMPT – “GIAO VIỆC” CHO AI MỘT CÁCH HIỆU QUẢ
Khi đã hiểu về ba trụ cột, giờ là lúc chúng ta học cách “viết luật” cho bộ não của Agent. Một prompt tốt không chỉ yêu cầu, mà còn phải hướng dẫn, ràng buộc và định hình đầu ra một cách chính xác.
1. BƯỚC 1: Xây dựng bộ khung prompt “chống thất bại”
Qua nhiều thử nghiệm và tham khảo từ cộng đồng n8n, Toàn đã đúc kết được một bộ khung (template) cho System Prompt có tỷ lệ thành công rất cao. Bạn hãy coi đây là điểm khởi đầu cho mọi Agent của mình.
# Role
You are a [mô tả vai trò ngắn gọn, cụ thể của Agent].# Task
You must perform the following steps in order:
1. [Bước 1]
2. [Bước 2]
…
You are a [mô tả vai trò ngắn gọn, cụ thể của Agent].# Task
You must perform the following steps in order:
1. [Bước 1]
2. [Bước 2]
…
# Tools
You have access to the following tools:
– tool_name_1: [Mô tả rõ ràng khi nào và tại sao nên dùng công cụ này].
– tool_name_2: [Mô tả rõ ràng khi nào và tại sao nên dùng công cụ này].
# Rules
– [Quy tắc 1: ví dụ, Không được bịa đặt thông tin nếu không tìm thấy trong công cụ].
– [Quy tắc 2: ví dụ, Nếu yêu cầu của người dùng không rõ ràng, hãy đặt câu hỏi để làm rõ trước khi hành động].
# Output Format
Your final response MUST be a single, valid JSON object matching this exact schema. Do not include any other text, explanations, or markdown formatting like \`\`\`json.
{
“key_1”: “value_type”,
“another_key”: “value_type”
}
2. BƯỚC 2: Trang bị các “bí kíp” nâng cao
Với bộ khung trên, bạn có thể bổ sung thêm các kỹ thuật sau để tăng cường “trí thông minh” cho Agent:
- Few-Shot Prompting (Dạy bằng ví dụ): Thay vì chỉ giải thích, hãy cho Agent xem vài ví dụ mẫu. Thêm một mục `# Examples` vào prompt của bạn và đưa ra 2-3 cặp `Đầu vào -> Đầu ra` mẫu. Đây là cách cực kỳ hiệu quả để ép Agent tuân thủ một định dạng đầu ra phức tạp hoặc một giọng văn cụ thể.
- Chain-of-Thought – CoT (Chuỗi suy luận): Để giải quyết các vấn đề logic, hãy yêu cầu Agent suy nghĩ từng bước. Chỉ cần thêm một câu vào phần Rules: `Think step-by-step and explain your reasoning before providing the final answer.` Câu lệnh đơn giản này buộc Agent phải phân tích vấn đề một cách có hệ thống, giúp cải thiện đáng kể chất lượng của câu trả lời.
3. Thách thức lớn nhất: Ép buộc đầu ra JSON đáng tin cậy
Đây là nỗi đau của rất nhiều người: bạn yêu cầu Agent trả về JSON, nhưng nó lại trả về một chuỗi văn bản có chứa JSON, được bọc trong dấu markdown (“`json…“`), kèm theo lời giải thích “Đây là đối tượng JSON bạn yêu cầu…”. Điều này làm gãy toàn bộ workflow phía sau vì các node tiếp theo không thể phân tích cú pháp chuỗi này.
Chú ý: Tính năng “Structured Output Parser” có sẵn trong node AI Agent thường không đáng tin cậy. Đừng phụ thuộc vào nó cho các tác vụ quan trọng.
Giải pháp Vàng được cộng đồng phát triển và chứng thực là xây dựng một “Vòng lặp Xác thực & Thử lại” (Validation & Retry Loop). Nghe có vẻ phức tạp nhưng logic của nó rất đơn giản và mạnh mẽ:
![[nguyenthieutoan.com] Sơ đồ vòng lặp xác thực và thử lại (Validation & Retry Loop) trong n8n để đảm bảo đầu ra JSON.](https://nguyenthieutoan.com/wp-content/uploads/2025/07/nguyenthieutoan.com-Tao-prompt-cho-AI-Agent-trong-n8n-2-1024x559.webp)
- BƯỚC 1: Node AI Agent: Ra lệnh cho Agent tạo JSON như trong template ở trên.
- BƯỚC 2: Node Code (Validator): Ngay sau node AI Agent, thêm một node Code dùng JavaScript để thử `JSON.parse()` trên đầu ra của Agent. Nếu thành công, nó sẽ trả về đối tượng JSON đã được phân tích. Nếu thất bại (do JSON không hợp lệ), nó sẽ bắt lỗi và trả về một tín hiệu lỗi.
- BƯỚC 3: Node Switch (Router): Node này sẽ kiểm tra đầu ra từ Node Code. Nếu là JSON hợp lệ, workflow tiếp tục. Nếu là tín hiệu lỗi, nó sẽ định tuyến workflow quay trở lại Node AI Agent ở Bước 1.
- BƯỚC 4: Logic Thử lại: Để tránh vòng lặp vô tận, bạn cần một bộ đếm. Đồng thời, khi quay lại Bước 1, bạn cần sửa đổi prompt một chút để nó mang tính sửa lỗi: “Phản hồi trước của bạn không phải là JSON hợp lệ. Vui lòng sửa lại và CHỈ trả về đối tượng JSON.”
Đây là cách làm mạnh mẽ nhất để đảm bảo 100% bạn nhận được JSON sạch, vì nó buộc Agent phải tự sửa lỗi cho đến khi thành công.
| Kỹ thuật | Mô tả | Độ tin cậy | Độ phức tạp & Chi phí |
|---|---|---|---|
| Structured Output Parser (Gốc) | Node tích hợp chỉ thị agent sử dụng một lược đồ cụ thể. | Thấp. Thường xuyên thất bại hoặc bị agent bỏ qua. | Thấp, nhưng các lần chạy thất bại gây tốn kém. |
| Mã lệnh Xử lý Hậu kỳ | Dùng node Code để làm sạch chuỗi đầu ra (xóa markdown, v.v.) trước khi phân tích. | Trung bình. Sửa lỗi định dạng phổ biến nhưng không sửa được lỗi cú pháp JSON. | Thấp, chi phí không đáng kể. |
| Vòng lặp Xác thực & Thử lại | Xác thực JSON thủ công bằng node Code và lặp lại với agent khi thất bại. | Cao. Phương pháp mạnh mẽ nhất, buộc agent phải tự sửa lỗi. | Cao để thiết lập ban đầu, nhưng hiệu quả về chi phí lâu dài. |
III. VƯỢT LÊN GIỚI HẠN – CÁC MẪU HÌNH THIẾT KẾ AGENT CHUYÊN NGHIỆP
Khi đã làm chủ một agent đơn lẻ, bạn có thể bắt đầu xây dựng các hệ thống phức tạp hơn bằng cách kết hợp nhiều agent lại với nhau. Đây là lúc sức mạnh của n8n với vai trò là một công cụ điều phối (orchestration) được phát huy tối đa.
1. Người Điều phối & Nhân viên (Supervisor/Worker)
Đây là mẫu hình mạnh mẽ và linh hoạt nhất. Hãy tưởng tượng bạn xây dựng một đội ngũ nhân viên AI, mỗi người chuyên một việc, và một “sếp” AI có nhiệm vụ phân công công việc.
![[nguyenthieutoan.com] Mô hình thiết kế Supervisor và Worker cho AI Agent trong n8n.](https://nguyenthieutoan.com/wp-content/uploads/2025/07/nguyenthieutoan.com-Tao-prompt-cho-AI-Agent-trong-n8n-1-1024x559.webp)
- The Supervisor (Người giám sát): Đây là một AI Agent chủ đạo. Nhiệm vụ duy nhất của nó là phân tích yêu cầu của người dùng và quyết định xem “nhân viên” nào phù hợp nhất để xử lý.
- The Workers (Các nhân viên): Mỗi “nhân viên” là một sub-workflow riêng biệt, chứa một AI Agent được chuyên môn hóa cho một tác vụ duy nhất (ví dụ: `ResearchAgent`, `CalendarAgent`, `EmailAgent`).
- The Connection (Kết nối): Supervisor không tự làm việc. “Công cụ” của nó chính là node `Execute Workflow`, cho phép nó gọi đến các sub-workflow của các nhân viên, giao nhiệm vụ cho họ và nhận lại kết quả.
Với mô hình này, bạn có thể xây dựng những hệ thống cực kỳ phức tạp. Ví dụ, khi bạn ra lệnh: “Nghiên cứu về xu hướng AI mới nhất và gửi email tóm tắt cho đội ngũ”, Supervisor sẽ: 1. Gọi `ResearchAgent` để thu thập thông tin. 2. Nhận kết quả từ `ResearchAgent`. 3. Gọi `EmailAgent`, đưa bản tóm tắt vào và ra lệnh gửi đi.
2. Dây chuyền lắp ráp (Chained Agents)
Đây là một dạng đơn giản hơn của mô hình trên, nơi các agent được nối với nhau theo một chuỗi tuần tự. Đầu ra của agent này là đầu vào của agent kế tiếp. Ví dụ: Agent 1 tóm tắt một văn bản dài. Agent 2 nhận bản tóm tắt đó và viết một bài đăng Twitter. Agent 3 nhận bài đăng Twitter và dịch nó sang tiếng Anh. Mỗi agent chỉ làm một việc nhỏ, giúp tăng tính chuyên môn và độ tin cậy.
IV. NHỮNG “BÍ MẬT” KHÔNG CÓ TRONG TÀI LIỆU
Cuối cùng, Toàn muốn chia sẻ một vài kinh nghiệm “xương máu” mà bạn sẽ không dễ dàng tìm thấy trong tài liệu chính thức. Đây là những kỹ thuật giúp bạn chuyển từ mức độ “amateur” lên “pro”. Hay dễ hiểu hơn, nếu muốn sử dụng trong môi trường production, bạn cần biết những điều sau:
- Cái giá của sự trừu tượng hóa: Node `AI Agent` chung rất tiện lợi để thử nghiệm, nhưng khi làm việc thực tế (đặc biệt với OpenAI), Toàn khuyên bạn nên dùng thẳng node `OpenAI` hoặc node `HTTP Request` (kết hợp với các node logic khác như If, Swich…). Việc này cho phép bạn truy cập tất cả các tham số gốc của API, giúp kiểm soát tốt hơn và cải thiện đáng kể độ tin cậy của việc chọn công cụ và tuân thủ định dạng.
- Vòng lặp xác thực JSON là bắt buộc: Toàn nhắc lại lần nữa, đừng tin vào các parser có sẵn. Hãy đầu tư thời gian xây dựng Vòng lặp Xác thực & Thử lại. Đây là tiêu chuẩn vàng để có đầu ra đáng tin cậy trong môi trường production.
- Kiến trúc hóa bộ nhớ: Đừng chỉ dùng Window Buffer Memory. Hãy coi “bộ nhớ” là một hệ thống bạn phải tự thiết kế. Sử dụng cơ sở dữ liệu ngoài và xây dựng logic truy xuất/tiêm ngữ cảnh. Đó là cách duy nhất để Agent của bạn thực sự “thông minh” trong thời gian dài.
- Tiêm Prompt động: Đối với các ứng dụng nâng cao, đừng mã hóa cứng prompt vào workflow. Hãy lưu trữ các prompt trong một CSDL như Airtable. Workflow n8n của bạn sẽ đọc prompt từ CSDL tại thời điểm chạy. Điều này cho phép bạn (hoặc cả người dùng cuối) thay đổi hành vi của AI mà không cần chạm vào workflow, tạo ra các agent cực kỳ linh hoạt và có thể tái sử dụng.
Hành trình làm chủ AI Agent là một quá trình liên tục học hỏi và thử nghiệm. Nó không chỉ đơn thuần là việc viết một vài câu lệnh, mà là nghệ thuật của việc thiết kế hệ thống, kiến trúc hóa thông tin và giao tiếp một cách rõ ràng với trí tuệ nhân tạo. Toàn hy vọng rằng với bộ khung kiến thức và các kỹ thuật chi tiết trong bài viết này, bạn đã có một tấm bản đồ rõ ràng để tự tin chinh phục những con AI Agent phức tạp nhất trong n8n.
Nếu bạn thấy bài viết này hữu ích, đừng ngần ngại chia sẻ nó cho những người khác cũng đang trên con đường tìm hiểu về tự động hóa và AI. Và để không bỏ lỡ những bài viết chuyên sâu tiếp theo từ Toàn, hãy đăng ký nhận thông tin mới nhất qua form trên website nhé. Chúc các bạn thành công!
