Hiểu thuật ngữ AI qua công việc kế toán: LLM, skill, MCP, agent và harness là gì?

Bạn không cần trở thành kỹ sư để sử dụng AI. Nhưng hiểu một số thuật ngữ cơ bản sẽ giúp bạn giao việc rõ hơn, chọn giải pháp phù hợp hơn và biết kết quả nào cần kiểm tra.

Đang quen với việc mở AI để đặt câu hỏi, chúng ta lại nghe thêm hàng loạt từ mới: LLM, prompt, skill, MCP, agent, harness… Đọc một bài giới thiệu công nghệ đôi khi còn vất vả hơn đọc một hướng dẫn nghiệp vụ.

Hãy bắt đầu bằng một việc quen thuộc. Cuối tháng, kế toán trưởng giao:

“Kiểm tra công nợ phải thu, tìm những khoản quá hạn cần chú ý và chuẩn bị báo cáo để tôi xem.”

Muốn AI hỗ trợ công việc này, chúng ta cần gì? Một mô hình có khả năng đọc hiểu? Dữ liệu công nợ? Quy trình kiểm tra? Công cụ tính toán? Quyền truy cập? Các thuật ngữ dưới đây mô tả những phần khác nhau của hệ thống đó.

Các ví dụ trong bài là tình huống minh họa, không phải tính năng mặc định của mọi sản phẩm AI. Một số thuật ngữ, đặc biệt là agent và harness, có thể được các nhà cung cấp sử dụng với phạm vi khác nhau.

1. LLM: mô hình có khả năng xử lý ngôn ngữ

LLM là viết tắt của Large Language Model, thường dịch là mô hình ngôn ngữ lớn. Mô hình được huấn luyện trên lượng dữ liệu lớn để học các quy luật trong ngôn ngữ và tạo phản hồi theo đầu vào.

Bạn có thể dùng LLM để giải thích khái niệm, tóm tắt hợp đồng hoặc soạn nhận xét báo cáo. Tuy nhiên, mô hình có thể tạo câu trả lời sai nhưng nghe rất thuyết phục; hiện tượng này thường gọi là hallucination, hay “ảo giác AI”. [1]

Trong ví dụ công nợ, LLM có thể hỗ trợ diễn giải vì sao một khoản nợ cần chú ý. Để xác định đúng số ngày quá hạn, hệ thống vẫn cần dữ liệu ngày đến hạn và phép tính đáng tin cậy.

Điểm cần nhớ: khả năng viết một nhận xét trôi chảy chưa đủ chứng minh nhận xét đó đúng với doanh nghiệp của bạn.

2. Prompt: lời giao việc cho AI

Prompt là nội dung đầu vào dùng để yêu cầu hoặc hướng dẫn mô hình thực hiện nhiệm vụ. Trong sử dụng hằng ngày, có thể hiểu đây là lời giao việc.

Giao “Phân tích công nợ giúp tôi” vẫn để lại nhiều khoảng trống: phân tích tại ngày nào, theo tiêu chí gì, xuất kết quả ra sao?

Một lời giao việc rõ hơn là:

“Từ bảng công nợ đính kèm, lập danh sách hóa đơn còn dư nợ và quá hạn trên 30 ngày tại ngày 30/9. Xuất bảng gồm khách hàng, số hóa đơn, ngày đến hạn, dư nợ và số ngày quá hạn. Nếu thiếu ngày đến hạn, tách riêng để bổ sung; không tự suy đoán.”

Prompt tốt giúp AI hiểu yêu cầu. Nó vẫn cần dữ liệu và công cụ phù hợp để thực hiện.

3. Context và token: hồ sơ đang được đọc và đơn vị xử lý

Context là thông tin được đưa vào để mô hình xử lý trong một lần làm việc. Bạn có thể hình dung đó là hồ sơ đang đặt trên bàn: yêu cầu, nội dung trao đổi, dữ liệu liên quan và kết quả công cụ vừa trả về.

Token là đơn vị mô hình dùng để biểu diễn và xử lý nội dung. Với văn bản, token có thể là một phần của từ, một từ hoặc dấu câu; không nên mặc định một token bằng một từ. Giới hạn lượng token mô hình có thể tiếp nhận trong một lượt thường được gọi là context window, tức cửa sổ ngữ cảnh. [2]

Ví dụ, yêu cầu kiểm tra công nợ có thể cần cả bảng hóa đơn, bảng thu tiền và quy định thời hạn thanh toán. Thiếu một phần hồ sơ, AI có thể hiểu sai tình hình.

Vì vậy, “tôi đã gửi tài liệu từ trước” chưa chắc có nghĩa toàn bộ tài liệu ấy đang được mô hình sử dụng ở bước hiện tại.

4. Tool và API: công cụ để thực hiện thao tác

Tool là công cụ mà hệ thống AI có thể gọi để làm một việc cụ thể. Ví dụ: đọc bảng tính, chạy phép tính, tìm tài liệu hoặc tạo tệp báo cáo. [3]

API có thể hiểu là giao diện để các phần mềm trao đổi dữ liệu và yêu cầu thực hiện chức năng. Một công cụ lấy công nợ có thể sử dụng API của phần mềm kế toán; công cụ khác có thể đọc trực tiếp tệp Excel được cung cấp. [4]

Hãy phân biệt hai kết quả:

• AI viết trong cửa sổ trò chuyện: “Tôi đã tạo báo cáo.”
• Hệ thống thực sự tạo ra một tệp, có thể mở và kiểm tra.

Khi ứng dụng vào công việc, chúng ta cần xem sản phẩm đầu ra và kết quả thao tác, thay vì chỉ dựa vào lời thông báo của AI.

5. Skill: bộ hướng dẫn để làm một loại công việc

Trong hệ sinh thái agent, skill thường là một gói hướng dẫn chuyên biệt, có thể kèm tài liệu tham khảo, biểu mẫu hoặc mã thực thi. Hệ thống hỗ trợ skill có thể nạp gói này khi gặp nhiệm vụ phù hợp. [5]

Hãy hình dung doanh nghiệp có một bộ hướng dẫn “Kiểm tra công nợ cuối tháng”, quy định phải kiểm tra gì, dùng mẫu nào và gặp thiếu dữ liệu thì xử lý ra sao. Skill đóng vai trò tương tự khi tổ chức công việc cho AI.

Ví dụ, skill có thể yêu cầu:

• Đối chiếu tổng công nợ chi tiết với số liệu tổng hợp được cung cấp.
• Phân nhóm theo thời gian quá hạn.
• Tách các khoản đang tranh chấp hoặc thiếu hồ sơ.
• Trình bày báo cáo theo mẫu của kế toán trưởng.

Skill không tự cấp quyền truy cập và không đồng nghĩa mô hình đã được huấn luyện lại. Có hướng dẫn kiểm tra công nợ vẫn chưa có nghĩa AI đã được phép đọc phần mềm kế toán.

6. MCP: chuẩn kết nối ứng dụng AI với dữ liệu và công cụ

MCP là viết tắt của Model Context Protocol, một chuẩn mở giúp ứng dụng AI kết nối với các nguồn dữ liệu và công cụ bên ngoài theo cách thống nhất. [6]

Để dễ hình dung, nếu tool là chức năng “lấy danh sách hóa đơn”, MCP là một cách chuẩn hóa việc ứng dụng AI tìm hiểu và sử dụng chức năng đó.

Trong tình huống minh họa, một kết nối phù hợp có thể cung cấp công cụ đọc công nợ từ hệ thống doanh nghiệp. Nhưng việc đó còn phụ thuộc phần mềm có hỗ trợ tích hợp, công cụ nào được cung cấp và tài khoản được cấp quyền gì.

Có MCP không đồng nghĩa AI tự truy cập được mọi dữ liệu. MCP cũng không thay thế API của phần mềm; một hệ thống cung cấp công cụ qua MCP có thể tiếp tục gọi API phía sau.

Khi nghe giới thiệu “đã hỗ trợ MCP”, câu hỏi thực tế nên là: Kết nối được hệ thống nào, đọc được dữ liệu gì và có thể thay đổi những gì?

7. Workflow và agent: quy trình định sẵn và khả năng chọn bước tiếp theo

Workflow là luồng công việc được tổ chức theo các bước và điều kiện. Ví dụ: nhận tệp công nợ → kiểm tra cột dữ liệu → tính quá hạn → tạo báo cáo → chuyển người phụ trách duyệt.

Agent là hệ thống trong đó mô hình có thể lựa chọn bước tiếp theo và công cụ cần dùng để tiến tới mục tiêu, dựa trên kết quả vừa nhận được. Mức tự chủ tùy thiết kế. [3]

Ví dụ, khi thấy một khách hàng có dư nợ bất thường, agent có thể chọn kiểm tra thêm bảng thu tiền được phép truy cập, rồi cập nhật báo cáo theo bằng chứng tìm được.

Đặc điểm đáng chú ý là vòng lặp: thực hiện một bước, xem kết quả rồi quyết định làm gì tiếp. Agent vẫn có thể hoạt động trong một workflow có các điểm dừng và phê duyệt.

Với doanh nghiệp, không phải việc nào cũng cần agent. Một phép đối chiếu có quy tắc rõ ràng có thể được xử lý tốt bằng công thức hoặc quy trình tự động thông thường.

8. Harness: hệ thống tổ chức và kiểm soát quá trình agent làm việc

Harness khó dịch gọn sang tiếng Việt. Trong ngữ cảnh AI, có thể hiểu đây là phần mềm bao quanh mô hình để tổ chức quá trình agent thực hiện nhiệm vụ. Nó có thể quản lý việc gọi công cụ, lưu tiến độ, xử lý lỗi, giới hạn số bước và các điểm cần con người can thiệp. [7]

Ví dụ, với nhiệm vụ kiểm tra công nợ, thiết kế vận hành có thể quy định: dữ liệu nguồn chỉ được đọc; báo cáo phải ghi rõ ngày chốt; thiếu dữ liệu quan trọng thì dừng; kết quả được chuyển kế toán trưởng duyệt.

Một cách dễ nhớ: mô hình cung cấp năng lực xử lý, còn harness tổ chức cách năng lực ấy được sử dụng trong một công việc cụ thể.

Hai giải pháp dùng cùng một mô hình vẫn có thể cho trải nghiệm và kết quả rất khác nhau vì cách tổ chức công việc khác nhau.

9. RAG: tìm tài liệu liên quan rồi dùng để trả lời

RAG, viết tắt của Retrieval-Augmented Generation, là cách kết hợp tìm kiếm thông tin với việc tạo câu trả lời. Hệ thống tìm những nội dung liên quan trong nguồn tài liệu rồi đưa chúng cho mô hình sử dụng. [1]

Ví dụ, nhân viên hỏi: “Khách hàng nhóm A được hưởng thời hạn thanh toán bao lâu?” Hệ thống có thể tìm đúng phần trong chính sách bán hàng nội bộ, sau đó trả lời kèm nguồn.

RAG thường không đòi hỏi huấn luyện lại mô hình mỗi khi thay đổi tài liệu. Tuy nhiên, tìm nhầm phiên bản hoặc bỏ sót điều khoản vẫn có thể dẫn đến trả lời sai.

Với câu hỏi nghiệp vụ, nên yêu cầu AI chỉ rõ căn cứ để người đọc có thể kiểm tra.

Bảng tra nhanh

Ghép lại: một yêu cầu kiểm tra công nợ sẽ diễn ra thế nào?

Giả sử doanh nghiệp đã xây dựng hệ thống phù hợp, nhiệm vụ có thể được tổ chức như sau:

1. Kế toán trưởng đưa prompt, nêu mục tiêu, ngày chốt và giới hạn công việc.
2. Hệ thống sử dụng skill hướng dẫn kiểm tra công nợ và đưa hồ sơ cần thiết vào context.
3. Agent sử dụng LLM để xử lý yêu cầu, lựa chọn tool lấy dữ liệu qua kết nối được cấp quyền. Kết nối đó có thể sử dụng MCP và API của phần mềm.
4. Công cụ tính toán xử lý số liệu; khi cần, RAG giúp tìm chính sách liên quan. Agent dùng kết quả để lập báo cáo và ghi rõ những điểm chưa đủ bằng chứng.
5. Harness quản lý quá trình thực hiện và điểm dừng; workflow chuyển báo cáo đến kế toán trưởng xem xét.

Đây là một cách thiết kế minh họa. Không phải mọi giải pháp đều cần đầy đủ các thành phần trên, và các thành phần cũng không nhất thiết chạy theo một đường thẳng cố định.

Hiểu thuật ngữ để hỏi đúng khi chọn giải pháp

Khi được giới thiệu một giải pháp AI, kế toán trưởng và chủ doanh nghiệp có thể bắt đầu bằng năm câu hỏi:

• Giải pháp xử lý công việc cụ thể nào, đầu ra có thể kiểm tra là gì?
• Nó lấy dữ liệu từ đâu và có ghi rõ nguồn không?
• Nó chỉ đọc dữ liệu hay có thể sửa, gửi, ghi nhận giao dịch?
• Thiếu dữ liệu hoặc phát hiện bất thường thì xử lý thế nào?
• Ai duyệt kết quả và kiểm tra lại quá trình thực hiện bằng cách nào?

Bạn không cần thuộc hết tên gọi mới bắt đầu sử dụng AI. Hãy chọn một công việc nhỏ, xác định dữ liệu đầu vào, kết quả mong đợi và người kiểm tra. Khi đó, từng thuật ngữ sẽ trở nên dễ hiểu vì đã gắn với một nhu cầu thực tế.

Tài liệu tham khảo

[1] IBM — What is RAG?

[2] IBM Research — Why larger LLM context windows are all the rage

[3] Anthropic — Building effective agents

[4] IBM — What is an API?

[5] Agent Skills — Overview

[6] Model Context Protocol — What is MCP?

[7] Anthropic — Effective harnesses for long-running agents