#langchain

What Is a Multi-Agent System?

Hệ thống đa tác nhân (MAS) gồm nhiều AI agent tự chủ phối hợp giải quyết nhiệm vụ phức tạp, với các thành phần chính như worker agents, orchestrator agents, môi trường thực thi, bộ nhớ chia sẻ, giao thức (MCP, A2A) và chính sách quản trị. Các ứng dụng thực tế bao gồm quản lý hạ tầng của NTT Data, nền tảng nghiên cứu dược phẩm của Madrigal Pharmaceuticals (dựa trên LangChain/LangSmith) và hệ thống chăm sóc sức khỏe của Fujitsu. Gartner ghi nhận sự quan tâm từ doanh nghiệp tăng 1.445% nhờ khả năng tự động hóa quy trình phức tạp ở quy mô lớn.

Lập trình viên nên đọc bài này để hiểu cách xây dựng hệ thống tự động hóa công việc phức tạp bằng cách kết hợp nhiều agent độc lập, từ đó tối ưu hóa hiệu suất và linh hoạt cho các ứng dụng doanh nghiệp tương lai.

Why I Stopped Using One Agent and Built a Multi-Agent Pipeline Instead

A practical walkthrough explaining why a single LLM agent fails at complex tasks like text-to-SQL, and how to replace it with a multi-agent pipeline. The author breaks the problem into five specialized agents: Intent Parser, Schema Agent, Query Builder, Critic, and Response Agent, wired together using LangGraph with explicit state management and conditional retry logic. The post covers the LangGraph graph definition, node implementations using Gemini 2.5 Flash, feedback loops that pass critic output back to the builder, and production failure modes including context bleed, schema hallucination on large databases, compounding token costs, and silent JSON parsing failures. Ends with honest guidance on when NOT to use multi-agent architecture.

From LLMs to LangChain: Understanding How Modern AI Applications Actually Work

Bài viết hướng dẫn thực tế cách xây dựng ứng dụng AI hiện đại, từ những lời gọi API đơn giản đến các workflow đa bước với LangChain. Nó trình bày các khái niệm như tool-calling, MCP (Model Context Protocol) và cách orchestrate workflows, kèm theo ví dụ code JavaScript và giới thiệu bộ công cụ mã nguồn mở ai-chat-toolkit.

Lập trình viên cần đọc bài này để hiểu cách xây dựng các ứng dụng AI thực sự hiệu quả hơn chỉ là gọi API LLM đơn giản, từ việc tích hợp công cụ đến quản lý chuỗi lệnh phức tạp với LangChain.

Build real agentic apps using CUGA: two dozen working examples on a lightweight harness

CUGA (Configurable Generalist Agent) is an open-source agent harness from IBM Research that handles orchestration, planning, tool execution, state management, and guardrails so developers only need to define a tool list and a prompt. The post walks through a working IBM Cloud architecture advisor app built as a single FastAPI file, demonstrating how inline Python tools and shared MCP servers combine with a CugaAgent constructor. Key features include CodeAct execution, reflection-based self-correction, six declarative policy types (Intent Guard, Tool Approval, Tool Guide, Playbook, Output Formatter, CustomPolicy) with semantic matching via sqlite-vec, multi-agent delegation via CugaSupervisor over A2A, and on-the-job skill refinement via ALTK-Evolve. A library of two dozen single-file example apps covers research, productivity, RAG, ops monitoring, and multi-agent patterns. The same agent definition runs air-gapped inside IBM Sovereign Core with per-tool approval, OpenTelemetry tracing, and no external telemetry.