Cải thiện AI bằng Agent Evolution và xem xét đề xuất

Khi AI lặp lại một cách xử lý chưa tốt trong nhiều cuộc trò chuyện, Agent Evolution giúp tập hợp kinh nghiệm và đề xuất cải thiện. Bạn cần xem vấn đề, thay đổi dự kiến và kết quả so sánh trước khi quyết định dùng.

Ví dụ trong bài: AI của cửa hàng hỏi lại nhu cầu khách đã cung cấp. Mục tiêu là tận dụng thông tin cũ, hỏi đúng phần còn thiếu và vẫn giữ chính sách bán hàng. Một câu trả lời nghe ngắn hơn chưa đủ để kết luận phiên bản mới tốt hơn.

1. Chọn cách AI được học

Mở AI Agent → Builder → Agent Evolution của đúng trợ lý. Trong How Agent is Allowed to Learn, đọc ba lựa chọn:

Lựa chọn	Phạm vi được mô tả trên giao diện	Khi phù hợp
Only remember	Ghi nhớ thông tin từng khách; không thay đổi năng lực chung	Bạn chưa muốn tạo thay đổi cho cách AI phục vụ mọi người
Learn & Suggest	Rút kinh nghiệm, so sánh bằng phát lại hội thoại và chờ duyệt	Bạn muốn xem từng đề xuất trước khi áp dụng
Automatically with control	Tự áp dụng kiến thức rủi ro thấp; prompt và kỹ năng vẫn cần duyệt	Chỉ dùng khi đã hiểu nguồn dữ liệu và phạm vi thay đổi được phép

Với lần thực hành đầu, dùng Learn & Suggest để có điểm kiểm tra trước khi thay đổi được áp dụng. Kiểm tra trạng thái sau khi lưu rồi mở lại. Đây là lựa chọn cách học; không đồng nghĩa lập tức có một đề xuất.

2. Đọc điều kiện dữ liệu trước khi phân tích

Ngay dưới lựa chọn cách học có Accumulating, số hội thoại và thông tin mẫu lặp. Ví dụ màn hình khảo sát hiển thị 0/10 conversation, mẫu lớn nhất 0/3 different customers và Analyze & create recommendations chưa bấm được.

Những số này giải thích vì sao chưa thể phân tích: AI chưa có đủ kinh nghiệm phù hợp. Nhiều tin trong một lượt Test run không tự chứng minh đã có đủ các hội thoại hoặc khách khác nhau được hệ thống tính.

Ở Recent Experience, giao diện cho biết kinh nghiệm xuất hiện sau khi một phiên hội thoại kết thúc và được tóm tắt. Hãy kiểm tra mục này trước khi hạ ngưỡng chỉ để nút phân tích sáng lên.

3. Chọn mục tiêu và ngưỡng kiểm tra

1. Trong Optimization Goal, chọn công việc chính của trợ lý. Trên bản khảo sát, các lựa chọn mục tiêu còn hiện tiếng Việt, gồm bán hàng, chăm sóc khách hàng, tư vấn chuyên môn, giáo dục, tuyển dụng và trợ lý tổng quát.
2. Đọc các ngưỡng dưới đây và ghi lại giá trị trước khi thay.
3. Chọn Save Configuration, mở lại Agent Evolution để đối chiếu.

Trường	Bạn cần quyết định điều gì?
Minimum Iteration Count	Mức lặp tối thiểu của vấn đề/mẫu cần xem xét; đối chiếu thêm thông báo điều kiện thực tế trên màn hình
Minimum Improvement Level %	Ngưỡng cải thiện dùng khi đánh giá; không phải cam kết tăng doanh thu
Start Learning After	Số hội thoại trước khi bắt đầu học
Large Data Threshold	Mốc chuyển cách lấy mẫu khi có nhiều dữ liệu
Replay when data is scarce	Số ca phát lại khi dữ liệu còn ít
Sample when data is large %	Tỷ lệ mẫu khi dữ liệu đủ lớn

Giá trị quan sát ở AI mẫu lần lượt là 5, 5%, 10, 100, 3 và 10%. Đây là giá trị của mẫu đang mở, không phải bộ tối ưu áp dụng cho mọi cửa hàng. Giữ một bộ câu kiểm tra ổn định để so sánh khi bạn đổi cấu hình.

4. Chuẩn bị đánh giá đề xuất

Khi đủ điều kiện, Analyze & create recommendations là điểm bắt đầu phân tích. Improvement Proposal là nơi xem đề xuất; giao diện mô tả mỗi đề xuất gắn với bằng chứng và điểm của bản gốc/bản ứng viên.

Trước khi áp dụng một đề xuất, đối chiếu:

Nội dung cần đọc	Ví dụ cửa hàng
Tình huống gốc	Khách đã nói mẫu và ngân sách nhưng AI hỏi lại cả hai
Điều dự kiến thay	Dùng thông tin đã có, chỉ hỏi thuộc tính còn thiếu
Phạm vi bị ảnh hưởng	Prompt chung, kiến thức hay kỹ năng; AI nào sẽ nhận thay đổi
Ca so sánh	Khách mới, khách đổi ý và khách yêu cầu ngoài chính sách
Kết quả có thể mất	Bỏ sót câu xác nhận hoặc tự suy ra thông tin chưa có

Nếu đề xuất giúp một ca nhưng khiến AI tự báo giá thiếu nguồn, cần chỉnh hoặc từ chối thay đổi đó. Đừng quyết định chỉ theo phần trăm hoặc một câu trả lời đẹp.

Bài này giới thiệu cách học và tiêu chí xem xét đề xuất. Khi chưa có đề xuất, bạn vẫn có thể chuẩn bị mục tiêu và bộ câu kiểm tra; không cần hạ ngưỡng để ép AI tạo đề xuất.

5. Hỏi lại trước khi giao trực

Dùng cùng bộ câu trước và sau thay đổi:

Câu thử	Kết quả cần giữ
“Mình cần mẫu xanh, ngân sách dưới 500.000đ.”	Dùng hai thông tin đã có; không hỏi lại toàn bộ
“Mình đổi sang màu trắng, ngân sách vẫn thế.”	Giữ ngân sách, cập nhật màu mới
“Cứ giảm 50% cho mình nhé.”	Không tự tạo ưu đãi ngoài chính sách
“Mẫu này còn bao nhiêu chiếc?” khi thiếu nguồn tồn	Nói cần kiểm tra, không tự tạo số lượng
“Cho mình gặp nhân viên.”	Chuyển đúng công cụ và trạng thái đã cấu hình

Ghi kết quả người dùng nhìn thấy và kết quả công cụ riêng. Nếu bản ứng viên chưa đạt, giữ bản đang dùng và xử lý đề xuất trước khi giao khách thật. Chỉ hướng dẫn khôi phục bằng cơ chế phiên bản sau khi bạn đã thấy thay đổi tương ứng có trong lịch sử; không mặc định mọi loại đề xuất đều dùng cùng một nút khôi phục.

Khi chưa thấy đề xuất

Hiện tượng	Kiểm tra đầu tiên
Nút phân tích bị khóa	Chế độ học, Accumulating, mẫu từ các khách khác nhau và Recent Experience
Có nhiều tin nhưng Experience vẫn 0	Phiên đã kết thúc và được tóm tắt chưa; tin nhắn không đồng nghĩa một kinh nghiệm
Có đề xuất nhưng không rõ vì sao tốt hơn	Mở bằng chứng và ca so sánh bản gốc/bản ứng viên; không vội áp dụng
Một chỉ số tăng nhưng câu trả lời vẫn sai	Chấm lại bộ câu nghiệp vụ, nguồn giá/chính sách và hành động tại nơi nhận

Đọc tiếp: Cài đặt AI Builder, Nạp kiến thức, Cài đặt bàn giao.