Hầu hết các nhóm tác tử (agent swarms) đều đưa cho bạn những thông tin sai lệch một cách tự tin. Nhóm này thì tự kiểm tra lại công việc của nó, loại bỏ những thứ không đạt, và chạy lại cho đến khi mọi con số đều có thể truy xuất được nguồn.
- 300 tác tử song song
- 4,000 bước cho mỗi lần chạy
- 5 nguồn dữ liệu trực tiếp
- 3 lần xác thực để loại bỏ hoàn toàn lỗi
Bí mật động trời của các nhóm tác tử là càng nhiều tác tử thường đồng nghĩa với càng nhiều thông tin vô nghĩa được đưa ra một cách tự tin.
Hãy giao cho 300 tác tử một nhiệm vụ nghiên cứu, chúng chắc chắn sẽ hoàn thành nhanh chóng. Nhưng chúng cũng sẽ mang về những con số cũ kỹ, những trích dẫn bịa đặt một nửa, và ba công ty không hề tồn tại. Tốc độ chưa bao giờ là vấn đề khó khăn. Niềm tin mới là thứ khó xây dựng.
Vì vậy, tôi đã ngừng coi nhóm tác tử là vạch đích và biến nó thành một giai đoạn trong một vòng lặp. Opus 4.8 lên kế hoạch cho công việc và, quan trọng hơn, kiểm tra lại nó. Nhóm tác tử Kimi K2.6 thực thi. Sau đó, Opus xác thực mọi đầu ra so với nguồn của nó, loại bỏ bất cứ thứ gì không đạt, và gửi lại những nhiệm vụ đó để chạy lại. Vòng lặp chỉ dừng lại khi không còn gì bị lỗi.
Để kiểm tra nó, tôi đã giao cho vòng lặp một công việc trừng phạt ảo giác (hallucination) hơn bất cứ thứ gì: phân tích 100 công ty trong thị trường xe điện và tạo ra một báo cáo đạt chuẩn nghiên cứu với ma trận so sánh, mọi con số đều được truy xuất từ một nguồn trực tiếp.
Một nhóm tác tử (swarm) mang lại cho bạn tốc độ. Một vòng lặp (loop) mang lại cho bạn tốc độ mà bạn thực sự có thể tin tưởng. Sự khác biệt nằm ở bước xác thực (verify), và nó thay đổi mọi thứ.
Mảnh ghép còn thiếu
Tại sao không thể tin tưởng các nhóm tác tử thô (raw swarms)
Một nhóm tác tử không có bộ xác thực chỉ có duy nhất một thiết lập chất lượng: ngang bằng với những gì tác tử tệ nhất tạo ra. Nếu 97 tác tử hoàn thành chính xác thông tin công ty của chúng và 3 tác tử âm thầm bịa ra một con số doanh thu, báo cáo hoàn chỉnh của bạn sẽ chứa ba quả bom hẹn giờ và trông giống hệt một báo cáo hoàn hảo. Bạn sẽ không biết ba cái nào cho đến khi nó phát nổ trong một cuộc họp.
Đây là lý do tại sao việc "chỉ thêm nhiều tác tử hơn" đi vào ngõ cụt. Khối lượng (volume) làm tăng tỷ lệ đầu ra và lỗi với cùng một tốc độ. Càng nhiều người, càng nhiều sai lầm, nhưng vẫn thiếu người kiểm tra.
Vòng lặp khắc phục điều này bằng cách biến việc xác thực thành một giai đoạn hạng nhất với thực quyền. Opus 4.8 đọc lại đầu ra của mỗi tác tử so với nguồn trực tiếp mà nó tuyên bố đã sử dụng. Một con số không khớp sẽ bị từ chối. Một trích dẫn không thể truy cập được sẽ bị từ chối. Bất cứ thứ gì bị từ chối sẽ quay lại hàng đợi và chạy lại. Không có gì được xuất bản cho đến khi nó sống sót qua bài kiểm tra.
Vòng lặp
Bốn giai đoạn, chạy cho đến khi sạch sẽ
Toàn bộ hệ thống là một chu trình, không phải một đường thẳng. Mỗi nửa chỉ làm những gì nó giỏi nhất, và chu trình tiếp tục quay cho đến khi giai đoạn xác thực không còn gì để từ chối.
Giai đoạn thứ tư đó là toàn bộ ý tưởng. Một nhóm tác tử thông thường chạy các bước 1 đến 3 một lần và đưa cho bạn kết quả, bao gồm cả lỗi. Vòng lặp từ chối dừng lại trong khi bất cứ thứ gì vẫn còn sai.
Lần chạy
Theo dõi vòng lặp tự bắt lỗi của chính nó
Đây là lời nhắc (prompt) tôi đã đưa cho Opus 4.8. Hãy chú ý đến danh sách kiểm tra ở cuối. Danh sách kiểm tra đó là thứ giai đoạn xác thực sử dụng để từ chối công việc tồi sau này, vì vậy nó là phần quan trọng nhất của toàn bộ lời nhắc.
1# Vai trò: lên kế hoạch công việc, sau đó xác thực mọi kết quả.23MỤC TIÊU: nghiên cứu 100 công ty trong thị trường xe điện.4ĐẦU RA: ma trận so sánh + báo cáo nghiên cứu, mọi5 con số được truy xuất từ một nguồn trực tiếp.67DANH SÁCH KIỂM TRA THEO TỪNG CÔNG TY (xác thực dựa trên điều này):8- doanh thu + biên lợi nhuận được lấy từ một nguồn cấp dữ liệu trực tiếp9- URL nguồn được đính kèm và có thể truy cập10- con số khớp với nguồn trong phạm vi cho phép11- không có trường nào bị bỏ trống1213# sau khi nhóm tác tử chạy, hãy KIỂM TRA MỌI công ty.14# từ chối bất kỳ công ty nào không đạt. gửi chúng trở lại. lặp lại.
Opus đã lên kế hoạch cho 100 nhiệm vụ nghiên cứu, mỗi công ty một nhiệm vụ, và chuyển giao chúng cho nhóm tác tử Kimi K2.6. Lần chạy đầu tiên hoàn thành sau vài phút. Sau đó, phần thú vị bắt đầu.
Trong lần xác thực đầu tiên, Opus đã từ chối 12 trong số 100 công ty. Một số có con số doanh thu không khớp với nguồn cấp dữ liệu mà nó trích dẫn. Hai công ty trích dẫn một nguồn không thể truy cập. Một công ty để trống trường biên lợi nhuận. Không có lỗi nào trong số này sẽ rõ ràng trong báo cáo cuối cùng. Tất cả chúng đều sẽ sai.
12 công ty đó quay trở lại hàng đợi kèm theo lý do bị từ chối. Lần chạy thứ hai: 3 công ty vẫn không đạt. Lần chạy thứ ba: không còn công ty nào. Vòng lặp tự động dừng lại, vì không còn gì để từ chối.
Một nhóm tác tử thô sẽ xuất bản 12 lỗi đó và coi như đã hoàn thành. Vòng lặp đã bắt được tất cả chúng mà tôi không cần đọc một hàng dữ liệu nào.
Năm nguồn cấp dữ liệu trực tiếp là lý do tại sao việc xác thực có thể nghiêm ngặt thay vì mơ hồ. Mọi con số trong báo cáo đều trỏ đến Binance, Yahoo Finance, Ngân hàng Thế giới (World Bank), Quỹ Tiền tệ Quốc tế (IMF), hoặc thị trường chứng khoán trực tiếp. Khi Opus xác thực, nó không hỏi mô hình xem nó có cảm thấy tự tin hay không. Nó kiểm tra con số được tuyên bố so với nguồn cấp dữ liệu thực tế. Đó là sự khác biệt giữa đạt chuẩn nghiên cứu và nghe có vẻ tự tin.
Bức tranh toàn cảnh
Đây là một khoảnh khắc DeepSeek khác
Hãy lùi lại một bước khỏi lần chạy này, bởi vì bức tranh chiến lược mới là câu chuyện thực sự.
Trong khi các phòng thí nghiệm khép kín (closed labs) tung ra các chatbot tác tử đơn lẻ, một phòng thí nghiệm mở của Trung Quốc được định giá 20 tỷ đô la đã tung ra nhóm tác tử giúp cho một vòng lặp như thế này trở nên khả thi. Mô hình trọng số mở (open-weight model) của họ, Kimi K2.6, hiện đang đứng ở vị trí số 1 trên bảng xếp hạng hàng tuần của OpenRouter. Xét về mức độ sử dụng, nó là LLM được sử dụng nhiều nhất trên thế giới hiện nay.
Và nó mạnh nhất chính xác ở những lĩnh vực mà việc xác thực quan trọng nhất:
- Tài chính và tư vấn. Biểu đồ chuyên nghiệp, bản đồ nhiệt, phân tích báo cáo nhiều năm, đầu ra đạt chuẩn McKinsey theo mặc định.
- Học thuật và nghiên cứu. Hiển thị công thức LaTeX, đánh giá tài liệu với ma trận so sánh, trích dẫn có thể truy xuất nguồn.
- Quy mô vượt xa các công cụ khác. Hơn 200.000 từ ngữ cảnh trong một lần xử lý, bộ dữ liệu 100 công ty, bản trình bày 100 slide.
- Khả năng truy xuất. Mọi điểm dữ liệu đều liên kết đến một nguồn có thể nhấp vào. Đạt chuẩn nghiên cứu là mặc định, không phải là một cài đặt.
Hãy tự chạy thử
Vòng lặp, từ đầu đến cuối
Bạn không cần một phòng thí nghiệm. Bạn cần hai nửa được kết nối thành một chu trình và một danh sách kiểm tra đủ nghiêm ngặt để xác thực dựa trên đó.
1{2 "pass": 1,3 "checked": 100,4 "passed": 88,5 "rejected": [6 { "company":"co_041", "reason":"doanh thu != nguồn" },7 { "company":"co_067", "reason":"trích dẫn 404" },8 { "company":"co_092", "reason":"biên lợi nhuận trống" }9 ],10 "action": "yêu cầu lại những cái bị từ chối -> nhóm tác tử"11}
Sự khác biệt trong một khung hình
Nhóm tác tử thô (Raw swarm)
❌ Chạy một lần, đưa cho bạn kết quả
❌ Lỗi ẩn được xuất bản cùng với báo cáo
❌ Chất lượng bằng với tác tử tệ nhất
❌ Bạn tự kiểm tra từng hàng bằng tay
❌ Những con số nghe có vẻ tự tin, không thể xác minh
Vòng lặp tự xác thực (Self-verifying loop)
✔️ Chạy cho đến khi lần xác thực sạch sẽ
✔️ Lỗi được phát hiện và tự động chạy lại
✔️ Chất lượng bằng với danh sách kiểm tra
✔️ Bạn không cần kiểm tra gì cả, vòng lặp đã làm điều đó
✔️ Mọi con số được truy xuất từ một nguồn trực tiếp
Một nhóm tác tử (swarm) mang lại cho bạn tốc độ. Một vòng lặp (loop) mang lại cho bạn tốc độ mà bạn có thể tin tưởng.
Kỷ nguyên tác tử đơn lẻ đang khép lại, nhưng kỷ nguyên nhóm tác tử có một điểm hạn chế (catch) mà không ai đề cập đến: khối lượng (volume) mà không có xác thực chỉ là những sai lầm nhanh hơn. Những người chiến thắng trong kỷ nguyên tiếp theo không phải là những người chạy nhiều tác tử nhất. Họ là những người chạy những tác tử biết tự kiểm tra công việc của chính mình.
