Từ Điển Thuật Ngữ AI Agent: Giải Thích 60 Thuật Ngữ AI Bằng Lời Lẽ Thường Ngày (2026)

Giờ đây trang giới thiệu sản phẩm AI nào cũng đọc như một bài kiểm tra chính tả: agentic, MCP, RAG, context window, tool calling, guardrail, orchestration. Ý tưởng đằng sau những từ này phần lớn đơn giản, nhưng chẳng ai giải thích chúng ở một chỗ, và khoảng trống đó là lý do rất nhiều người "dùng AI" mà chưa từng giao cho nó một công việc thực sự.

Từ điển AI này lấp đầy khoảng trống đó. Nó bao phủ 60 thuật ngữ bạn sẽ gặp khi đọc về AI agent, mô hình ngôn ngữ lớn và tự động hóa năm 2026, được nhóm theo chủ đề và giải thích bằng lời lẽ thường ngày kèm một ví dụ cụ thể. Hãy lưu lại, chia sẻ với đội của bạn, và dùng nó cùng với các hướng dẫn của chúng tôi về agentic AI là gì và AI subagent hoạt động thế nào. Ở đâu một thuật ngữ quan trọng cho việc dùng Jobbit, chúng tôi sẽ nói rõ điều đó.

Khái niệm cốt lõi: những từ ai cũng dùng

• Artificial intelligence (AI, trí tuệ nhân tạo): phần mềm thực hiện những tác vụ thường cần đến trí thông minh của con người, như hiểu ngôn ngữ, nhận diện hình ảnh hay ra quyết định. Năm 2026, thuật ngữ này chủ yếu chỉ các hệ thống được xây dựng trên mô hình ngôn ngữ lớn.

• Machine learning (ML, học máy): kỹ thuật huấn luyện phần mềm bằng các ví dụ thay vì viết ra từng quy tắc cụ thể. Một bộ lọc spam học từ hàng triệu email đã được gắn nhãn; nó không được dạy từng quy tắc bằng tay.

• Deep learning (học sâu): học máy sử dụng mạng nơ-ron với nhiều lớp. Đây chính là thứ giúp nhận diện hình ảnh, giọng nói và các mô hình ngôn ngữ hiện đại trở nên khả thi.

• Generative AI (AI tạo sinh): AI tạo ra nội dung mới, văn bản, hình ảnh, code, âm thanh hoặc video, từ một câu lệnh. ChatGPT, Claude, Gemini và Midjourney là các sản phẩm AI tạo sinh.

• Large language model (LLM, mô hình ngôn ngữ lớn): một mạng nơ-ron được huấn luyện trên lượng văn bản khổng lồ để dự đoán token tiếp theo trong một chuỗi, và qua đó, học được cách suy luận, viết và làm theo chỉ dẫn. GPT, Claude, Gemini, Llama, DeepSeek và Mistral là các họ LLM.

• Foundation model (mô hình nền tảng): một mô hình lớn được huấn luyện trên dữ liệu đa dạng, có thể thích ứng với nhiều tác vụ. LLM là mô hình nền tảng cho ngôn ngữ; cũng có những mô hình tương đương cho hình ảnh và video.

• Multimodal model (mô hình đa phương thức): một mô hình hiểu và tạo ra nhiều hơn một loại đầu vào, thường là văn bản, hình ảnh, âm thanh và đôi khi cả video. Mô hình đa phương thức cho phép một agent đọc một ảnh chụp màn hình hay một hóa đơn được quét.

• Prompt (câu lệnh): chỉ dẫn bạn đưa cho một mô hình. Viết prompt tốt là một kỹ năng; xem cách viết prompt cho AI agent.

• System prompt: những chỉ dẫn ẩn do người xây dựng sản phẩm thiết lập, định hình cách mô hình hành xử trong mọi cuộc trò chuyện: vai trò, giọng điệu, quy tắc và công cụ của nó.

• Inference (suy luận vận hành): hành động chạy một mô hình đã huấn luyện để tạo ra một câu trả lời. Huấn luyện chỉ diễn ra một lần; inference diễn ra mỗi khi bạn gửi một tin nhắn, và đó là thứ bạn trả tiền cho nó.

Cách mô hình "suy nghĩ": token, ngữ cảnh và suy luận

• Token: đơn vị mà mô hình đọc và viết, tương đương khoảng ba phần tư một từ tiếng Anh. Giá cả, giới hạn và tốc độ đều được đo bằng token. "Một triệu token" tương đương khoảng 750.000 từ.

• Context window (cửa sổ ngữ cảnh): lượng văn bản một mô hình có thể xem xét cùng lúc, bao gồm cuộc trò chuyện của bạn, tài liệu và chính câu trả lời của mô hình. Cửa sổ càng lớn càng cho phép một agent giữ trong đầu cả một codebase hay một hợp đồng trăm trang.

• Context engineering (kỹ thuật ngữ cảnh): nghệ thuật quyết định điều gì được đưa vào cửa sổ ngữ cảnh: tài liệu nào, ví dụ nào, kết quả công cụ và bộ nhớ nào, để mô hình có đúng thứ nó cần và không có gì gây xao nhãng. Nó phần lớn đã thay thế "prompt engineering" trở thành kỹ năng quan trọng trong thiết kế agent.

• Reasoning model (mô hình suy luận): một mô hình được huấn luyện để "suy nghĩ" trước khi trả lời, tạo ra các bước trung gian giúp cải thiện độ chính xác cho toán học, code và lập kế hoạch. Chế độ suy luận tốn nhiều token hơn nhưng khiến agent đáng tin cậy hơn hẳn.

• Chain of thought (chuỗi suy luận): quá trình suy luận từng bước một mà mô hình viết ra trên đường đến câu trả lời. Các reasoning model làm điều này một cách tự nhiên; các mô hình cũ hơn có thể được yêu cầu làm vậy qua prompt.

• Temperature: một thiết lập kiểm soát mức độ ngẫu nhiên. Temperature thấp cho ra kết quả nhất quán, dễ đoán; temperature cao hơn cho ra kết quả đa dạng, sáng tạo hơn.

• Hallucination (ảo giác): một phát biểu sai nhưng đầy tự tin từ một mô hình, chẳng hạn một trích dẫn bịa đặt hay một tính năng sản phẩm không tồn tại. Agent giảm ảo giác bằng cách kiểm tra nguồn và thử nghiệm kết quả thay vì tin vào một câu trả lời duy nhất.

• Grounding: việc gắn câu trả lời của một mô hình với dữ liệu, tài liệu, kết quả tìm kiếm hay kết quả công cụ có thật, để nó thuật lại điều thực sự tồn tại thay vì điều nghe có vẻ hợp lý.

• Fine-tuning (tinh chỉnh): huấn luyện thêm một mô hình trên các ví dụ của riêng bạn để nó tiếp thu một phong cách, định dạng hay kiến thức chuyên ngành. Hữu ích cho các tác vụ hẹp; thường không cần thiết với agent, vốn lấy kiến thức từ công cụ và ngữ cảnh.

• Retrieval-augmented generation (RAG): lấy các tài liệu liên quan ngay tại thời điểm đặt câu hỏi và đưa chúng vào cửa sổ ngữ cảnh để mô hình trả lời dựa trên dữ liệu của bạn. Đây là cách các sản phẩm "trò chuyện với tài liệu của bạn" hoạt động.

• Embeddings: các biểu diễn số của văn bản nắm bắt được ý nghĩa, để những đoạn văn tương tự nhau nằm gần nhau. Embeddings là nền tảng cho tìm kiếm ngữ nghĩa và RAG.

• Vector database (cơ sở dữ liệu vector): một cơ sở dữ liệu được tối ưu hóa để lưu trữ và tìm kiếm embeddings. Pinecone, Weaviate, pgvector và Chroma là những lựa chọn phổ biến.

• Knowledge cutoff (mốc kiến thức): thời điểm mà sau đó một mô hình không còn dữ liệu huấn luyện. Agent vượt qua giới hạn này bằng cách tìm kiếm trên web và đọc các nguồn hiện hành.

Agent: từ vựng của sự tự chủ

• AI agent: phần mềm dùng một mô hình cộng với công cụ để tự chủ hoàn thành tác vụ: nó lập kế hoạch, hành động, quan sát kết quả và điều chỉnh. Đây là chủ đề của phần lớn từ điển này.

• Agentic AI (AI tác tử): cách tiếp cận rộng hơn trong việc xây dựng các hệ thống AI hướng mục tiêu, biết dùng công cụ, thường có nhiều agent cùng làm việc. Được giải thích đầy đủ trong agentic AI là gì?.

• AI assistant / copilot (trợ lý AI): sự hỗ trợ giống agent nhưng vẫn nằm dưới quyền kiểm soát trực tiếp của bạn, gợi ý chứ không hành động. GitHub Copilot trong trình soạn thảo là ví dụ kinh điển; "agent mode" là khi một copilot trở thành một agent.

• Autonomy (tự chủ): mức độ một agent làm việc mà không cần hỏi. Các hệ thống hữu ích điều chỉnh mức độ tự chủ theo khả năng đảo ngược của hành động: soạn thảo tự do, chỉ chi tiêu khi có phê duyệt.

• Tool use / function calling: cơ chế mà một mô hình dùng để gọi phần mềm: tìm kiếm trên web, chạy code, truy vấn cơ sở dữ liệu, gửi email. Công cụ là thứ biến một chatbot thành một agent.

• Model Context Protocol (MCP): một tiêu chuẩn mở, do Anthropic giới thiệu, để kết nối các mô hình với công cụ và nguồn dữ liệu theo một cách nhất quán. Hãy hình dung nó như một phích cắm vạn năng cho agent; sự hỗ trợ đã lan rộng khắp các nền tảng AI lớn trong suốt năm 2025 và 2026.

• Agent-to-agent protocol (A2A): một tiêu chuẩn để agent từ các nhà cung cấp khác nhau phát hiện và giao tiếp với nhau, do Google đề xuất. Cùng với MCP, nó hướng tới một tương lai nơi agent hợp tác xuyên suốt các công ty.

• Orchestration (điều phối): việc phối hợp nhiều bước, công cụ hay agent thành một quy trình duy nhất: quyết định điều gì chạy, theo thứ tự nào, và điều gì xảy ra khi thất bại.

• Multi-agent system (hệ thống đa agent): nhiều agent với vai trò khác nhau cùng làm việc hướng tới một mục tiêu, thường là một agent chính lập kế hoạch và giao việc cộng với các agent chuyên trách nghiên cứu, xây dựng hoặc kiểm tra.

• Subagent: một agent được một agent khác tạo ra để xử lý một phần của công việc theo cách song song. Jobbit dùng subagent để nghiên cứu nhiều nguồn hoặc xây dựng và kiểm tra nhiều tính năng cùng lúc; xem AI subagent được giải thích.

• Planner (bộ lập kế hoạch): phần của một agent chia một mục tiêu thành các bước và điều chỉnh kế hoạch khi có kết quả mới.

• Memory (bộ nhớ): những gì một agent giữ lại vượt ra ngoài một tin nhắn. Bộ nhớ ngắn hạn là ngữ cảnh hiện tại; bộ nhớ dài hạn lưu trữ sở thích, các quyết định trong quá khứ và thông tin về bạn để agent tốt hơn theo thời gian.

• Agent loop (vòng lặp agent): chu trình lặp đi lặp lại gồm lập kế hoạch, hành động, quan sát, điều chỉnh, chạy cho đến khi đạt mục tiêu hoặc agent cần một quyết định.

• Human in the loop (con người trong vòng lặp): một cách thiết kế trong đó một con người xem xét hoặc phê duyệt một số bước nhất định, chẳng hạn gửi email cho khách hàng hay thực hiện một khoản thanh toán.

• Computer use / browser agent: một agent vận hành phần mềm bằng cách nhìn vào màn hình rồi nhấp chuột và gõ phím như một con người, điều này cho phép nó làm việc với những công cụ không có API. Được giải thích trong computer-use AI agent.

• Deep research (nghiên cứu chuyên sâu): một quy trình agentic trong đó agent đọc hàng chục nguồn, đối chiếu chéo các tuyên bố và tạo ra một báo cáo có trích dẫn. Xem cách chạy nghiên cứu chuyên sâu bằng AI.

• Workflow automation (tự động hóa quy trình): những chuỗi hành động được xác định trước, dựa trên quy tắc, xuyên suốt các ứng dụng, lãnh địa của Zapier, Make và n8n. Agent bổ sung thêm khả năng phán đoán vào các quy trình; chúng tôi so sánh hai cách tiếp cận này trong Zapier so với Make so với n8n so với AI agent.

• Multipurpose AI agent (AI agent đa năng): một agent duy nhất xử lý nhiều loại công việc, nghiên cứu, viết lách, xây dựng phần mềm, thiết kế, tự động hóa, chỉ từ một cuộc trò chuyện, thay vì một công cụ riêng cho từng việc. Jobbit được xây dựng theo cách này.

Xây dựng phần mềm bằng AI

• Vibe coding: xây dựng phần mềm bằng cách mô tả điều bạn muốn bằng ngôn ngữ tự nhiên và để một AI agent viết, chạy và sửa code, đánh giá kết quả qua cách nó vận hành thay vì đọc từng dòng. Hướng dẫn đầy đủ: vibe coding là gì?.

• AI app builder (trình xây dựng ứng dụng AI): một sản phẩm biến một mô tả thành một ứng dụng hoạt động, thường kèm hosting. Lovable, Bolt, v0, Replit và Jobbit là các ví dụ; được so sánh trong công cụ vibe coding tốt nhất.

• Coding agent (agent lập trình): một agent làm việc bên trong một codebase: đọc file, viết code, chạy kiểm thử và sửa lỗi. Claude Code, OpenAI Codex, agent mode của Cursor và Devin đều là coding agent.

• No-code / low-code: các công cụ trực quan để xây dựng phần mềm mà không cần (hoặc cần rất ít) lập trình, như Bubble, Webflow, Airtable và Retool. Cách chúng so sánh với vibe coding được trình bày trong vibe coding so với no-code so với low-code.

• Sandbox: một môi trường cô lập nơi một agent có thể chạy code an toàn mà không chạm vào các hệ thống thật của bạn. Thiết yếu với bất kỳ agent nào chạy code.

• Deployment (triển khai): đưa phần mềm lên hoạt động thật trên một máy chủ để mọi người có thể dùng. Những agent tự triển khai giúp bạn, kèm hosting, loại bỏ bước vốn cản trở hầu hết những người không phải lập trình viên.

• API (application programming interface): cách có cấu trúc để một phần mềm giao tiếp với một phần mềm khác. Agent dùng API để đọc và thay đổi dữ liệu trong các hệ thống khác.

• Webhook: một thông điệp mà một hệ thống gửi cho hệ thống khác khi có điều gì đó xảy ra ("có đơn hàng mới"), thường được dùng để kích hoạt các tự động hóa.

• MVP (minimum viable product, sản phẩm khả dụng tối thiểu): phiên bản nhỏ nhất của một sản phẩm cho phép người dùng thật dùng thử. Agent đã rút ngắn thời gian làm MVP từ nhiều tháng xuống còn vài ngày; xem cách xây dựng một SaaS bằng AI.

• Technical debt (nợ kỹ thuật): những lối tắt trong code khiến các thay đổi trong tương lai chậm hơn và rủi ro hơn. Code do AI tạo ra tích lũy nợ kỹ thuật rất nhanh nếu không ai xem xét cấu trúc, một trong những rủi ro được trình bày trong sai lầm và bảo mật của vibe coding.

An toàn, chất lượng và niềm tin

• Guardrails (rào chắn): các quy tắc và kiểm tra giới hạn những gì một agent được phép làm hoặc nói: hành động bị chặn, giới hạn chi tiêu, bộ lọc nội dung, các phê duyệt bắt buộc.

• Prompt injection: một kiểu tấn công trong đó văn bản mà agent đọc (một trang web, một email, một tài liệu) chứa các chỉ dẫn được thiết kế để chiếm quyền điều khiển nó. Những agent vững chắc coi mọi thứ chúng đọc là dữ liệu, không bao giờ là mệnh lệnh.

• Alignment (căn chỉnh giá trị): nỗ lực rộng lớn nhằm khiến các mô hình hành xử phù hợp với ý định và giá trị của con người, từ việc từ chối các yêu cầu có hại đến việc làm theo chỉ dẫn một cách trung thực.

• Evaluation (evals): những bài kiểm tra có hệ thống về chất lượng của một mô hình hay agent trên một tập tác vụ cố định. Các đội ngũ nghiêm túc chạy evals trước khi tin tưởng giao một quy trình cho agent.

• Benchmark: một bài đánh giá công khai dùng để so sánh các mô hình, chẳng hạn SWE-bench cho các tác vụ kỹ thuật phần mềm. Đây là tín hiệu hữu ích, nhưng hiệu suất thực tế trên chính công việc của bạn mới quan trọng hơn.

• Observability (khả năng quan sát): ghi lại những gì một agent đã làm, nó gọi công cụ nào và vì sao, để bạn có thể kiểm toán kết quả và gỡ lỗi khi thất bại.

• Red teaming: chủ động tấn công một mô hình hay agent để tìm ra điểm yếu trước khi ai đó khác làm điều này.

• Data residency and privacy (nơi lưu trữ dữ liệu và quyền riêng tư): dữ liệu của bạn được lưu ở đâu và ai có thể thấy nó. Hãy kiểm tra xem một nhà cung cấp AI có huấn luyện trên dữ liệu đầu vào của bạn không, và máy chủ của họ đặt ở đâu, trước khi tải lên bất cứ điều gì nhạy cảm.

Thuật ngữ kinh doanh và giá cả

• Credits: đơn vị sử dụng mà nhiều nền tảng agent bán thay vì token thô, để một credit có thể bao gồm một tin nhắn, một bước xây dựng hay một lượt nghiên cứu. Hãy đọc kỹ tỷ lệ quy đổi; chúng tôi phân tích điều này trong AI agent tốn bao nhiêu tiền?.

• Rate limit (giới hạn tốc độ): mức trần cho số lượng yêu cầu hay token bạn có thể dùng trong một khoảng thời gian. Chạm giới hạn này giữa chừng một tác vụ là lý do phổ biến nhất khiến một lượt chạy agent bị khựng lại.

• Latency (độ trễ): thời gian một câu trả lời cần để hoàn thành. Agent đánh đổi độ trễ để lấy sự thấu đáo: một lượt nghiên cứu hai phút vẫn hơn một phỏng đoán hai giây.

• Seat-based vs usage-based pricing (định giá theo tài khoản và định giá theo mức dùng): trả tiền theo mỗi người dùng mỗi tháng so với trả tiền theo mức bạn tiêu thụ. Các sản phẩm agent ngày càng kết hợp cả hai kiểu.

• Automation ROI (ROI của tự động hóa): lợi nhuận thu về từ một tự động hóa, thường được đo bằng số giờ tiết kiệm, thời gian phản hồi nhanh hơn hoặc doanh thu bị tác động, so với chi phí công cụ và thời gian thiết lập.

• Digital worker / AI employee (nhân viên số): ngôn ngữ marketing cho một agent cấp 4 sở hữu cả một vai trò chứ không chỉ một tác vụ. Hãy đối xử với cụm từ này với sự hoài nghi tương tự như khi bạn đọc một bản CV.

Câu hỏi thường gặp

Sự khác biệt giữa một AI agent và một LLM là gì?

LLM là mô hình đọc và viết văn bản. AI agent là một hệ thống được xây dựng quanh một mô hình, bổ sung thêm khả năng lập kế hoạch, công cụ, bộ nhớ và vòng phản hồi để nó có thể hoàn thành tác vụ chứ không chỉ trả lời câu hỏi. LLM là động cơ; agent là chiếc xe.

MCP nghĩa là gì trong AI?

MCP là viết tắt của Model Context Protocol, một tiêu chuẩn mở để kết nối các mô hình AI với công cụ và nguồn dữ liệu theo một cách nhất quán. Thay vì mỗi sản phẩm phải tự xây dựng tích hợp riêng, các công cụ mở ra một máy chủ MCP và bất kỳ agent tương thích nào cũng có thể dùng chúng.

Cửa sổ ngữ cảnh là gì và vì sao nó quan trọng?

Cửa sổ ngữ cảnh là lượng văn bản một mô hình có thể xem xét cùng lúc, được đo bằng token. Nó quan trọng vì mọi thứ agent biết về công việc hiện tại, chỉ dẫn của bạn, tài liệu, kết quả công cụ, đều phải nằm vừa trong đó. Cửa sổ lớn hơn cho phép agent xử lý những codebase lớn hơn và tài liệu dài hơn.

Sự khác biệt giữa RAG và fine-tuning là gì?

RAG lấy các tài liệu liên quan ngay tại thời điểm đặt câu hỏi và đưa chúng cho mô hình, để nó trả lời dựa trên dữ liệu hiện hành mà không cần huấn luyện lại. Fine-tuning thay đổi chính mô hình bằng cách huấn luyện nó trên các ví dụ, phù hợp với những phong cách hay định dạng cố định. Với hầu hết doanh nghiệp, RAG cộng với công cụ tốt là đủ, và agent khiến cả hai trở nên ít cần thiết hơn bằng cách đơn giản là đọc thẳng nguồn.

Vibe coding là gì, trong một câu?

Vibe coding là xây dựng phần mềm bằng cách mô tả điều bạn muốn và để một AI agent viết, chạy và sửa code, để bạn đánh giá kết quả qua cách ứng dụng vận hành thay vì đọc từng dòng.

Giờ khi vốn từ vựng đã sáng tỏ, hãy đưa nó vào thực hành: bắt đầu miễn phí trên Jobbit và giao cho một agent một công việc đáng làm.