Bài báo Agentic Artifact Creation: Systems, Evaluation, Principles, and Opportunities định nghĩa Agentic Artifact Creation. Đây là quá trình AI tạo sản phẩm qua nhiều bước có trạng thái thay vì sinh một lần. Hệ thống dùng quan sát trung gian để phát hiện lỗi. Từ đó, AI chọn hành động sửa đổi và kiểm tra lại sản phẩm trước khi bàn giao.
Nghiên cứu tìm ra điều gì
Theo phân tích 259 công trình của nhóm Tianfu Wang, việc tạo nội dung trực tiếp thường không đủ khi sản phẩm có nhiều tiêu chí phụ thuộc lẫn nhau. Cấu trúc agentic có thể hỗ trợ sửa đổi có mục tiêu nếu quan sát xác định được lỗi ở phạm vi mà các thao tác sẵn có xử lý được. Quy trình này giúp duy trì trạng thái, thu thập phản hồi và khoanh vùng phần cần sửa.
Mô hình nền tảng cung cấp các thao tác tạo và sửa nội dung nhưng không tự duy trì trạng thái, chọn hành động, tiếp nhận quan sát hay quyết định khi nào hoàn tất. Việc tạo sản phẩm hoàn chỉnh đòi hỏi cấu trúc điều khiển rõ ràng. Cấu trúc này chuyển quy trình sinh một chiều thành chu trình lặp. Hệ thống có thể phát hiện lỗi, sửa đổi và tích lũy bằng chứng nghiệm thu qua từng bước.
Nghiên cứu này quan trọng thế nào
Nghiên cứu chuyển trọng tâm thiết kế AI từ tối ưu một lần sinh sang kiểm soát toàn bộ quá trình. Thay vì chỉ tinh chỉnh câu lệnh, kỹ sư có thể thiết kế trạng thái trung gian. Họ cũng xây dựng giao diện chỉnh sửa và cơ chế xác minh bám sát tiêu chí bàn giao.
Phương pháp này phù hợp với sản phẩm có nhiều phần phụ thuộc như kho mã nguồn, mô hình 3D và báo cáo học thuật. Ở những sản phẩm đó, lỗi cục bộ dễ lan rộng. Việc lưu trạng thái khi kết hợp tương thích với cơ chế xác minh và giao diện chỉnh sửa có thể hỗ trợ hệ thống khoanh vùng phạm vi cần sửa chữa.
Các quy trình như AI coding agent là gì và cách thức hoạt động có thể áp dụng giao diện này. Nhờ đó, hệ thống sửa từng phần mà vẫn giữ tính toàn vẹn của dự án.
Phương pháp hoạt động thế nào
Agentic Artifact Creation vận hành qua chu trình ba vai trò chức năng. Operational Representation lưu trạng thái sản phẩm. Construction Policy chọn hành động tiếp theo. Runtime Verification đánh giá kết quả. Phản hồi từ bước xác minh sẽ định hướng lần sửa đổi kế tiếp.
Operational Representation
Operational Representation lưu giữ trạng thái sản phẩm và cung cấp giao diện chỉnh sửa. Trạng thái có thể là Artifact Instance như bản nháp hoặc lưới hình học. Nó cũng có thể là Structured Model như cây SVG, hoặc Executable Program như mã nguồn.
Giao diện chỉnh sửa có thể tác động đến một phần tử, quan hệ giữa các phần hoặc toàn bộ sản phẩm. Khi quan sát lỗi tương thích với phạm vi thao tác của giao diện, hệ thống có thể hỗ trợ sửa đổi có mục tiêu mà không phải tạo lại phần đã đạt yêu cầu.
Construction Policy
Construction Policy nhận yêu cầu nhiệm vụ, trạng thái hiện tại và phản hồi tích lũy để chọn hành động. Chính sách có thể theo quy trình cố định hoặc tự hành. Cấu trúc có thể là đơn agent, đa agent tập trung hoặc phi tập trung.
Runtime Verification
Runtime Verification đánh giá quan sát sau mỗi hành động theo tiêu chí chấp nhận. Tùy theo cách triển khai, thành phần này có thể xác định trạng thái tiêu chí, chẩn đoán nguyên nhân thất bại hoặc cung cấp hướng sửa đổi cho Construction Policy.
Ba thành phần phối hợp tạo nên ba năng lực chính. Đó là Composability để lắp ghép thành phần, Traceability để truy vết quyết định, và Revisability để sửa đổi cục bộ an toàn.
Khác gì so với trước đây
Khác biệt chính nằm ở đơn vị phân tích. Các khảo sát trước phân loại theo mô hình hoặc kiến trúc agent. Khảo sát của Tianfu Wang và cộng sự đặt sản phẩm bàn giao và trạng thái biến đổi ở vị trí trung tâm.
Các hướng như ReAct và Reflexion tập trung vào suy luận bằng công cụ hoặc phản hồi văn bản. Điểm phân biệt cốt lõi là sinh trực tiếp không dùng quan sát trung gian để chuyển hướng hành động, còn Agentic Artifact Creation duy trì trạng thái và dùng quan sát trung gian để thay đổi hành động, mục tiêu sửa đổi hoặc quyết định dừng.
Khung nghiên cứu tách dữ liệu đánh giá sản phẩm cuối khỏi dữ liệu đánh giá quỹ đạo thực thi. Nhờ đó, người đánh giá xem xét cả chất lượng đầu ra lẫn cách hệ thống tạo và sửa đổi sản phẩm.
Kết quả thực nghiệm
Theo báo cáo của Tianfu Wang và các cộng sự, nhóm tác giả rà soát tài liệu từ tháng 1 năm 2023 đến ngày 20 tháng 8 năm 2026 trên năm cơ sở dữ liệu lớn. Tập khảo sát gồm 259 công trình. Trong đó có 230 hệ thống kiến tạo và 29 bộ tiêu chuẩn đánh giá.
| Hạng mục | Số lượng | Nội dung được ghi nhận |
|---|---|---|
| Tổng số công trình | 259 | 230 hệ thống và 29 bộ tiêu chuẩn |
| Họ sản phẩm chính | 6 | Textual, 2D Visual, Audio, Video, Spatial, Behavioral |
| Hồ sơ phân tích chuyên sâu | 16 | Các trường hợp kiến tạo được phân loại chi tiết |
| Công trình đã xuất bản hoặc được chấp nhận | 120 | Công trình đáp ứng định nghĩa kiến tạo của khảo sát |
| Hồ sơ phân loại theo họ sản phẩm | 251 | Bản ghi được gán vào từng họ sản phẩm |
Theo bài báo của Tianfu Wang và các cộng sự, khảo sát còn xây dựng 16 hồ sơ phân tích chuyên sâu và phân loại sản phẩm thành sáu họ: văn bản, hình ảnh 2D, âm thanh, video, không gian và hành vi có thể thực thi.
Những hạn chế cần lưu ý
Nghiên cứu có một số hạn chế về chi phí điều phối và tính độc lập khi đánh giá. Hiệu quả sửa đổi cũng phụ thuộc vào sự tương thích giữa quan sát lỗi và phạm vi thao tác của giao diện.
- Khảo sát không lưu các tệp xuất truy vấn riêng cho từng cơ sở dữ liệu hoặc nhãn phân loại ban đầu.
- Chia việc cho nhiều agent làm giảm độ phức tạp cục bộ nhưng tăng chi phí điều phối trạng thái.
- Mô hình đánh giá học máy có thể chia sẻ điểm mù với mô hình sinh nội dung.
- Hệ thống khó sửa chữa cục bộ nếu quan sát không khớp với phạm vi công cụ hỗ trợ.
- Họ Spoken Audio không có bản ghi nào đáp ứng định nghĩa kiến tạo nghiêm ngặt trong tập dữ liệu.
Hướng nghiên cứu tiếp theo
Nhóm tác giả đề xuất duy trì kiểm soát khi sản phẩm và ý định của người dùng cùng thay đổi. Mục tiêu là biến phản hồi thành sửa đổi chính xác. Hệ thống cần giữ cam kết minh bạch và xác minh lại trạng thái sau mỗi thay đổi.
Các vấn đề mở gồm xử lý lỗi khó chẩn đoán và đánh giá tác vụ có nhiều kết quả hợp lệ. Kho mã nguồn awesome-agentic-artifact-creation tiếp tục tổng hợp tài liệu về Agentic Artifact Creation.
Nguồn nghiên cứu
Nguồn chính của bài viết là bài báo Agentic Artifact Creation: Systems, Evaluation, Principles, and Opportunities của Tianfu Wang, Zhezheng Hao, Xilin Xia, Lixin Liu, Mengkang Hu, Hongzhang Liu, Xi Chen, Ziyan Liu, Xiankun Lin, Weijia Zhang, Nicholas Jing Yuan và Hui Xiong.
Câu hỏi thường gặp
Agentic Artifact Creation là gì?
Agentic Artifact Creation là quá trình AI xây dựng một sản phẩm qua nhiều bước có trạng thái. Hệ thống quan sát kết quả trung gian, kiểm tra chúng theo tiêu chí nhiệm vụ và dùng phản hồi thu được để quyết định phần cần sửa trước khi bàn giao.
Agentic Artifact Creation khác gì so với sinh nội dung trực tiếp?
Sinh nội dung trực tiếp tuân theo lịch điều khiển cố định, trong đó các quan sát trung gian không làm đổi hướng những hành động tiếp theo dù quy trình có thể gồm một hay nhiều bước. Ngược lại, Agentic Artifact Creation duy trì trạng thái sản phẩm và dùng phản hồi từ Runtime Verification để định hướng các quyết định xây dựng hoặc sửa đổi tiếp theo.
Ba thành phần chức năng chính của hệ thống là gì?
Ba thành phần gồm Operational Representation để lưu trạng thái và cung cấp giao diện chỉnh sửa, Construction Policy để lựa chọn hành động dựa trên mục tiêu và phản hồi, cùng Runtime Verification để kiểm tra kết quả và có thể phản hồi trạng thái tiêu chí, chẩn đoán lỗi hoặc gợi ý sửa đổi tùy triển khai.
Sáu họ sản phẩm trong khảo sát gồm những gì?
Sáu họ sản phẩm là văn bản (Textual), hình ảnh 2D (2D Visual), âm thanh (Audio), video (Video), không gian 3D (Spatial) và hành vi có thể thực thi (Behavioral). Mỗi họ có dạng trạng thái, phụ thuộc và cơ chế quan sát lỗi khác nhau.
Trong phát triển phần mềm, quy trình sửa đổi và xác minh này liên quan trực tiếp đến cách Claude Code xử lý lỗi và vận hành terminal. Các cơ chế kiểm tra độc lập cũng có vai trò trong nghiên cứu tự động giảm sự cố alignment AI.
