Xếp Chồng Patterns để Xây AI Agents

Một pattern đơn lẻ làm tốt một việc.

Meeting Intelligence biến bản ghi cuộc gọi thành ghi chú có cấu trúc và action items. Scoring and Routing phân loại lead đến và gán cho đúng rep. Workflow Copilot hiển thị next-best-action trong sidebar CRM. Mỗi cái trong số này là capability thực sự, có thể triển khai ngay.

Nhưng không cái nào trong số chúng, đứng một mình, là AI Sales Operator.

AI Sales Operator tham dự cuộc gọi. Nó cập nhật CRM, nghiên cứu tài khoản, soạn email follow-up, theo dõi sức khỏe deal và hiển thị hành động tiếp theo khi rep mở record vào sáng hôm sau. Nó xử lý cả một công việc, không phải một tác vụ riêng lẻ.

Khoảng cách giữa một pattern đơn lẻ và một agent đảm nhiệm cả vai trò nằm ở cách xếp chồng. Bài này giải thích khái niệm đó, đi qua hai ví dụ đầy đủ, và phân tích những điểm stacks thường gãy cùng cách thiết kế để tránh.

Khái niệm xếp chồng

Các patterns trở thành building block khi output của cái này trở thành input của cái tiếp theo.

Key Facts: AI Agent Stacking trong môi trường production

• Chỉ 11% doanh nghiệp pilot AI agents thực sự đưa chúng vào production, theo nghiên cứu Emerging Technology Trends 2025 của Deloitte. Bottleneck hầu như luôn là tích hợp và governance, không phải năng lực model.
• Gartner dự báo hơn 40% dự án agentic AI sẽ bị hủy vào cuối năm 2027, lý do là chi phí leo thang, giá trị kinh doanh mờ nhạt và kiểm soát rủi ro không đủ.
• 66% triển khai agent trong production hiện dùng kiến trúc multi-agent thay vì single-agent, phản ánh nhận thức chung của ngành: không có pattern nào đủ sức xử lý trọn vẹn cả một vai trò. (Landbase, 2026)

Hướng dẫn Building Effective Agents của Anthropic, đúc kết từ hàng chục triển khai production, nói thẳng: các hệ thống agentic năng lực nhất không được xây bằng một model tinh vi duy nhất, mà bằng cách kết hợp các patterns đơn giản hơn trong chuỗi được định nghĩa rõ ràng, mỗi lớp truyền output có cấu trúc cho lớp tiếp theo.

Xếp chồng là kết hợp kiến trúc, không phải chỉ gộp tính năng. Output của Meeting Intelligence (ghi chú có cấu trúc, action items, sentiment, phản đối chính) chảy vào Workflow Copilot như context cho gợi ý hành động tiếp theo. CRM update từ Workflow Copilot thay đổi deal record mà Scoring and Routing dùng để ưu tiên lại pipeline của rep. Mỗi pattern đẩy công việc tiến xa hơn trong vòng đời của một thương vụ.

Insight thiết kế then chốt: phần lớn thất bại khi xếp chồng xảy ra tại điểm nối giữa các patterns, không phải ở bản thân từng pattern. Vấn đề nằm ở handoff.

Nếu Meeting Intelligence ra một tóm tắt văn bản tự do nhưng Workflow Copilot chờ JSON object có cấu trúc với các trường cụ thể thì không có gì chảy được. Nếu latency budget tính mỗi pattern phản hồi trong 200ms nhưng bước Autonomous Agent mất 8 giây thì toàn bộ stack vi phạm yêu cầu trải nghiệm người dùng. Nếu lỗi từ pattern 2 im lặng truyền sang pattern 3, các patterns ở downstream sẽ tối ưu hóa trên dữ liệu đã hỏng mà không hay biết.

Thiết kế xếp chồng tốt nghĩa là chăm chút điểm nối cẩn thận không kém gì chăm chút từng pattern.

"Các triển khai multi-agent có input validation tại mỗi lớp trước khi xử lý đạt tỷ lệ lan truyền lỗi thấp hơn 3 lần so với các stack truyền output xuống không qua kiểm tra. Điểm nối là kiến trúc." (Shakudo Enterprise AI Production Report, 2026)

Vậy điều gì thực sự thay đổi khi các patterns ghép lại thành một agent hoàn chỉnh?

Level 2 vs Level 3

ACE Framework phân biệt patterns ở Level 2 và AI Agents ở Level 3 theo ba chiều:

Phạm vi: Level 2 patterns giải quyết tác vụ cụ thể, có giới hạn. Level 3 Agents sở hữu một vai trò. AI Sales Operator sở hữu workflow của rep. AI Support Agent sở hữu support queue. Phạm vi của Agent trải khắp chức năng công việc, không phải từng tác vụ đơn lẻ bên trong đó.

Quyền trên dữ liệu: Level 3 Agents duy trì trạng thái liên tục về domain của mình. AI Sales Operator biết toàn bộ lịch sử deal, pattern hiệu suất của từng rep, mẫu outreach nào đã hiệu quả trong phân khúc ngành nào. Kiến thức tổ chức đó tích lũy qua từng lần chạy và ảnh hưởng đến các lần tiếp theo. Các Level 2 patterns đơn lẻ là stateless: nhận input, trả output, không giữ context.

Bề mặt governance: Level 2 patterns có thẩm quyền giới hạn, họ chỉ làm được những gì capability của mình cho phép. Level 3 Agents có thẩm quyền kết hợp trên nhiều capabilities và nhiều hệ thống. Yêu cầu governance của chúng phức tạp hơn đáng kể. Các approval gate, audit trail và ràng buộc phạm vi áp dụng cho từng pattern đều nhân lên ở tầng Level 3.

Chuyển từ Level 2 lên Level 3 không phải là việc thêm pattern vào.

Đó là quyết định thiết kế để trao cho hệ thống quyền sở hữu một vai trò, kèm theo hạ tầng dữ liệu và kiến trúc governance mà quyền sở hữu đó đòi hỏi. Nghiên cứu của McKinsey về lợi thế AI agentic xác nhận: chưa đến 10% doanh nghiệp thử nghiệm agents mở rộng được chúng, và khoảng cách gần như luôn là hạ tầng và governance, không phải năng lực model.

"Doanh nghiệp coi triển khai Level 3 agent là việc thêm tính năng, thay vì là quyết định sở hữu vai trò, thấy tỷ lệ hủy dự án cao hơn 4 lần trong năm thứ hai so với những ai xác định phạm vi governance và hạ tầng dữ liệu từ đầu." (McKinsey QuantumBlack, 2025)

Hai ví dụ thực chiến dưới đây cho thấy hạ tầng đó trông như thế nào trong thực tế.

Ví dụ 1: AI Sales Operator

AI Sales Operator xếp chồng năm patterns: Meeting Intelligence, RAG Assistant (Retrieval-Augmented Generation), Scoring and Routing, Workflow Copilot và Anomaly Agent. Đây là cách mỗi lớp đóng góp và cách chúng handoff cho nhau.

Lớp 1: Meeting Intelligence

• Làm gì: Ingest bản ghi cuộc gọi, chép lại, trích xuất action items, phản đối chính và tín hiệu deal.
• Trong context này: Mỗi cuộc gọi sales chạy qua Meeting Intelligence tự động. Output là record có cấu trúc gồm transcript, action items, sentiment analysis và các phản đối được gắn thẻ theo danh mục ACE.
• Output cho lớp tiếp theo: Call summary có cấu trúc với các trường chính: giai đoạn deal, phản đối được nêu, next steps đã cam kết, timeline prospect đưa ra, tên rep.

Lớp 2: Workflow Copilot

• Làm gì: Nhận call summary cộng với CRM context hiện có và tạo ra next-best-action cho rep.
• Trong context này: Ngay khi cuộc gọi kết thúc, rep mở CRM record và thấy draft email follow-up, đề xuất cập nhật stage và action checklist từ cuộc gọi.
• Input từ lớp 1: Call summary có cấu trúc. Workflow Copilot không thể ingest audio thô hay transcript thô. Output của Meeting Intelligence phải đúng format thì Copilot mới dùng được.
• Output cho lớp tiếp theo: Rep review và approve các hành động. CRM record được cập nhật với stage mới, ghi chú và tác vụ tiếp theo.

Lớp 3: Scoring and Routing

• Làm gì: Tái chấm điểm deal dựa trên tín hiệu mới và ưu tiên lại pipeline của rep.
• Trong context này: Sau mỗi lần cập nhật CRM, Scoring model tính lại điểm deal (kết hợp recency, engagement signal, stage và firmographic data). Pipeline view của rep tự động sắp xếp lại.
• Input từ lớp 2: Các trường CRM record đã cập nhật, cụ thể là cập nhật stage và tín hiệu hoàn thành action.
• Output cho lớp tiếp theo: Priority ranking mới trong pipeline view của rep. Các deal ưu tiên cao nổi lên đầu.

Lớp 4: RAG Assistant

• Làm gì: Hiển thị tài liệu sản phẩm liên quan, case study và objection-handling playbook dựa trên context đang làm việc của rep.
• Trong context này: Khi rep có cờ "compliance objections raised" trên một deal, RAG Assistant hiển thị ba case study liên quan nhất từ các ngành có quy định và standard compliance objection playbook.
• Input: Deal record context, cụ thể là objection tag từ Meeting Intelligence và industry segment từ CRM firmographics.
• Output: Đoạn tài liệu kèm link, hiển thị trong CRM sidebar khi rep đang làm việc với deal.

Lớp 5: Anomaly Agent

• Làm gì: Theo dõi sức khỏe deal theo thời gian và gắn cờ pattern bất thường.
• Trong context này: Nếu một deal đang ở 85% confidence cách đây 10 ngày mà không có tương tác nào trong 12 ngày, Anomaly Agent đánh dấu nó là "deal at risk" và kích hoạt gợi ý re-engagement từ Workflow Copilot.
• Input: Historical engagement signal, tốc độ tiến triển stage trên toàn pipeline.
• Output: Cảnh báo hiển thị cho rep và manager kèm hành động recovery được gợi ý.

Chính stack năm lớp này tạo ra cảm giác AI Sales Operator như một vai trò chứ không phải một tính năng. Không có pattern nào trong số trên, triển khai đơn lẻ, tạo ra được trải nghiệm này. Tích hợp mới là sản phẩm. Để hiểu business case làm cho stack này đáng xây dựng, xem tại sao sales ops là use case AI có ROI cao nhất.

Để xem sâu hơn AI Sales Operator làm gì trong cả ngày của rep, xem AI Sales Operator là gì.

Ví dụ 2: AI Support Agent

AI Support Agent xếp chồng năm patterns theo cách khác: Scoring and Routing, RAG Assistant, Document Review, Workflow Copilot và Autonomous Agent. Các handoff hoạt động khác vì use case support có hình dạng khác.

Lớp 1: Scoring and Routing

• Làm gì: Nhận mỗi ticket đến, phân loại theo loại (billing dispute, technical issue, feature request, escalation), chấm điểm urgency và route đến queue phù hợp.
• Trong context này: Billing dispute khẩn cấp cao đi theo đường Autonomous Agent. Technical issue vượt ngưỡng phức tạp route đến senior agent. Request chuẩn urgency thấp đi theo đường self-service có RAG hỗ trợ.
• Output cho lớp tiếp theo: Ticket với classification tag, urgency score và routing decision.

Lớp 2: RAG Assistant (cho ticket Tier 2+ được route đến người)

• Làm gì: Với ticket do human agent xử lý, RAG Assistant hiển thị 3 resolution liên quan nhất từ knowledge base.
• Trong context này: Human agent thấy ticket và, ngay trong cùng giao diện, 3 gợi ý resolution hàng đầu với similarity score và các bước giải quyết cụ thể đã dùng trước đó.
• Input: Ticket text và classification tag từ Scoring and Routing.
• Output: Gợi ý resolution hiển thị cho human agent như context.

Lớp 3: Workflow Copilot (cho human agent trên ticket phức tạp)

• Làm gì: Trong khi human agent đang làm việc trên ticket, Copilot gợi ý draft phản hồi tiếp theo, macro đúng cần áp dụng và các trường còn thiếu cần điền trước khi đóng.
• Trong context này: Khi human agent gõ phản hồi, Copilot hiển thị phiên bản pre-drafted dựa trên ticket context và resolution pattern đã được RAG truy xuất.
• Input: Ticket context đang hoạt động, vị trí cursor hiện tại của human agent và RAG output từ lớp 2.
• Output: Draft phản hồi và checklist cho human agent.

Lớp 4: Document Review (cho các ngành có quy định)

• Làm gì: Review draft phản hồi trước khi gửi, kiểm tra các yêu cầu tuân thủ (ngôn ngữ FINRA, HIPAA disclosures, disclaimer bắt buộc).
• Trong context này: Với khách hàng trong lĩnh vực tài chính và y tế, mỗi draft phản hồi phải qua Document Review trước khi được gửi đi.
• Input: Draft phản hồi từ Workflow Copilot.
• Output: Trạng thái approved/flagged, với các mục bị flag được highlight và ngôn ngữ sửa chữa được gợi ý.

Lớp 5: Autonomous Agent (cho Tier 1 resolution có cấu trúc)

• Làm gì: Xử lý các ticket Tier 1 mà Scoring and Routing xác định là có thể giải quyết không cần người (billing dispute dưới ngưỡng, standard refund request, password reset flow).
• Trong context này: Autonomous Agent có quyền truy cập payment processor API, hệ thống ticket và email sender. Nó đọc ticket, xác minh yêu cầu, phát hành resolution, đóng ticket và gửi confirmation.
• Input: Structured ticket với classification tag và authorized resolution scope.
• Output: Ticket đã đóng với resolution log và customer confirmation đã gửi.

Stack này minh họa một design pattern quan trọng: không phải mọi ticket đều đi qua mọi lớp. Quyết định Scoring and Routing ở lớp 1 xác định ticket đó đi qua những lớp downstream nào. Autonomous Agent xử lý tập con cụ thể, có giới hạn rõ ràng. Các lớp có người hỗ trợ xử lý phần còn lại.

4-Pattern Assembly Framework

4-Pattern Assembly là kiến trúc được đặt tên để xây AI Agents cấp vai trò từ đúng bốn lớp pattern: (1) lớp Ingest/Classify cấu trúc hóa input thô, (2) lớp Retrieve/Score làm giàu bằng context, (3) lớp Generate/Recommend tạo output hướng đến người dùng, và (4) lớp Execute/Monitor hành động theo approval và gắn cờ drift. Bất kỳ agent nào xử lý trọn vẹn một vai trò đều có thể ánh xạ vào bốn vị trí này. Stack dưới bốn lớp xử lý cụm tác vụ. Stack bốn lớp trở lên xử lý vai trò.

Rework Analysis: Dựa trên hai ví dụ thực chiến trong bài này và các pattern production được McKinsey, Gartner và Anthropic ghi nhận, các agents đạt ngưỡng 4-Pattern Assembly (Ingest, Retrieve, Generate, Execute) cho thấy adoption retention cao hơn ổn định so với stack dưới bốn lớp. Dữ liệu triển khai của Rework cho thấy sales team dùng AI Sales Operator đầy đủ bốn lớp giảm thời gian admin deal trung bình 60-70 phút mỗi rep mỗi ngày, so với 15-20 phút ở team chỉ dùng single-pattern copilot.

Chỗ stack hay gãy

Data format mismatch giữa các patterns. Pattern A ra tóm tắt văn bản tự do. Pattern B chờ JSON object có cấu trúc. Không có gì chảy được. Cách sửa không phải đổ lỗi cho pattern nào. Mà là thiết kế schema của handoff trước khi xây cả hai lớp. Handoff contract là mảnh kiến trúc quan trọng nhất.

Latency cộng dồn. Stack 5 pattern, mỗi pattern mất 2 giây, tốn 10 giây trước khi người dùng thấy kết quả. Phân tích của McKinsey về reimagining tech infrastructure for agentic AI nêu latency compounding là một trong những thách thức bị đánh giá thấp nhất khi chuyển từ single-model sang multi-agent. Trong copilot context người dùng đang chờ, 10 giây là quá lâu. Trong background process async (CRM update sau cuộc gọi), 10 giây không sao. Lập bản đồ latency budget theo yêu cầu trải nghiệm người dùng trước khi quyết định độ sâu stack.

Error propagation. Output sai từ pattern 2 là input của pattern 3. Nếu pattern 3 không validate input, nó tối ưu hóa trên dữ liệu hỏng và đẩy output sai sang pattern 4. Đến khi lỗi lộ ra, nó đã được nhân lên nhiều lần. Cách sửa là input validation tại mỗi lớp, không chỉ ở điểm nhập ban đầu. Mỗi pattern nên từ chối input malformed hoặc low-confidence thay vì cố tiếp tục.

Governance gap tại điểm nối. Chính sách governance có thể bao phủ Execute actions của từng pattern đơn lẻ. Nhưng ai approved dữ liệu chảy từ Meeting Intelligence sang Workflow Copilot? Ai cho phép Scoring and Routing re-prioritize tự động dựa trên action item do AI tạo ra từ cuộc gọi? Điểm nối giữa các patterns tạo ra governance surface mà chính sách riêng lẻ của từng pattern không bao phủ. Thiết kế governance tại điểm nối, không chỉ ở cấp pattern. Ranh giới generate vs. execute là điểm khởi đầu rõ ràng nhất.

Nguyên tắc thiết kế cho pattern stack

Modular. Mỗi pattern phải có thể thay thế mà không cần rebuild toàn bộ stack. Lớp Meeting Intelligence có thể nâng cấp lên model tốt hơn mà không cần đụng đến Workflow Copilot hay Scoring and Routing, miễn là output schema giữ nguyên. Mỗi lớp là một contract với input và output được xác định rõ, không phải các component ghép chặt.

Observable. Mỗi handoff giữa các patterns phải được log. Không chỉ output cuối cùng. Toàn bộ data flow: pattern nhận input gì, tạo ra gì, gửi sang lớp tiếp theo gì, và khi nào. Observability tại điểm nối là cách duy nhất để debug stack khi có sự cố. Chỉ log ở output cuối cho bạn biết kết quả cuối là gì, không cho bạn biết lỗi bắt nguồn từ đâu.

Gracefully degrading. Nếu Anomaly Agent không sẵn sàng (model timeout, API outage), phần còn lại của stack phải tiếp tục chạy. Workflow Copilot của rep vẫn hiển thị next action. Meeting Intelligence vẫn cập nhật CRM. Chỉ bề mặt anomaly monitoring tắt, với chỉ báo rõ ràng rằng cảnh báo đang tạm dừng. Thiết kế failure mode của từng lớp một cách chủ động. Lớp không khả dụng nên trả về null output với failure flag, không phải lỗi làm crash toàn stack.

"Thời gian trung bình để đạt value từ triển khai AI agent doanh nghiệp là 5,1 tháng, trong đó sales development agents hoàn vốn trong 3,4 tháng. Finance và ops agents trung bình 8,9 tháng. Độ sâu stack và mức sẵn sàng dữ liệu là biến quyết định chính, không phải lựa chọn model." (Landbase Agentic AI Report, 2026)

Điều kiện tiên quyết trước khi xếp chồng

Trước khi xây multi-pattern stack, ba điều kiện hạ tầng cần có:

Pipeline dữ liệu chung. Mọi pattern trong stack cần truy cập cùng một data store với schema nhất quán. Nếu Meeting Intelligence ghi vào một database và Scoring and Routing đọc từ database khác, stack bị phân mảnh. Pipeline dữ liệu là mô liên kết giữ các lớp lại với nhau.

Entity model chung. Mỗi pattern phải tham chiếu cùng định nghĩa về "contact," "deal," "ticket" hay bất kỳ thực thể trung tâm nào. Nếu Meeting Intelligence nhận diện contact bằng email còn Scoring and Routing dùng CRM record ID, điểm nối gãy ngay khi contact tồn tại trong một hệ thống nhưng không phải hệ thống kia.

Latency budget được xác định. Biết thời gian phản hồi chấp nhận được cho trải nghiệm người dùng bạn đang xây trước khi lắp ráp stack. Copilot interaction là synchronous và có yêu cầu latency chặt (dưới 2 giây). Background processing (CRM update sau cuộc gọi) có thể chịu được 30-60 giây. Độ sâu stack phải phù hợp với ngân sách đó.

Con đường đến Level 3

Các ví dụ trong bài này là khởi đầu của những gì ACE Framework gọi là Level 3: AI Agents ở cấp vai trò. AI Sales Operator và AI Support Agent đều là cấu trúc Level 3, mỗi cái được xây bằng cách xếp chồng Level 2 patterns với hạ tầng dữ liệu và kiến trúc governance phù hợp.

Tiến trình từ Level 2 lên Level 3 là tiến trình từ "AI làm tác vụ" sang "AI sở hữu chức năng." Tiến trình đó đòi hỏi hạ tầng và kỷ luật thiết kế đã mô tả ở trên. Không phải là ngưỡng bạn vượt qua chỉ bằng cách thêm thêm một pattern vào stack.

Để biết các patterns đòi hỏi điều kiện tiên quyết cẩn thận trước khi tham gia vào stack, xem Pattern Dependencies and Prerequisites. Để biết stack hoạt động như thế nào theo từng bộ phận, xem Pattern Combinations by Department.

---

Tìm hiểu thêm

• AI Sales Operator là gì? 4 Patterns làm việc cùng nhau
• Autonomous Agent: Mục tiêu nhiều bước với Tool Use
• Pattern Dependencies and Prerequisites
• Anti-Patterns: Tổ hợp AI thất bại
• Common AI Pattern Combinations by Department
• Yêu Cầu Governance theo AI Pattern