Tác giả: Sarath Krishnan, Santhosh Kuriakose, and Ravi Vijayan
Ngày phát hành: 29 JAN 2026
Chuyên mục: Amazon Bedrock, Amazon Bedrock AgentCore, Intermediate (200), Strands Agents

Các doanh nghiệp đang quản lý khối lượng nội dung ngày càng tăng, từ danh mục sản phẩm và bài viết hỗ trợ đến cơ sở kiến thức và tài liệu kỹ thuật. Đảm bảo thông tin này luôn chính xác, phù hợp và đồng bộ với các sự kiện kinh doanh mới nhất là một thách thức lớn. Các quy trình đánh giá nội dung thủ công thường chậm, tốn kém và không thể theo kịp nhu cầu kinh doanh năng động. Theo một nghiên cứu của McKinsey, các tổ chức sử dụng AI tạo sinh cho công việc tri thức, bao gồm đánh giá nội dung và đảm bảo chất lượng, có thể tăng năng suất lên tới 30–50% và giảm đáng kể thời gian dành cho các tác vụ xác minh lặp đi lặp lại. Tương tự, nghiên cứu từ Deloitte nhấn mạnh rằng các hoạt động nội dung được điều khiển bởi AI không chỉ tăng hiệu quả mà còn giúp các tổ chức duy trì độ chính xác nội dung cao hơn và giảm rủi ro vận hành.

Amazon Bedrock AgentCore, một cơ sở hạ tầng được xây dựng chuyên dụng để triển khai và vận hành các tác nhân AI ở quy mô lớn, kết hợp với Strands Agents, một SDK mã nguồn mở để xây dựng các tác nhân AI, trao quyền cho các tổ chức tự động hóa các quy trình làm việc đánh giá nội dung toàn diện. Phương pháp tiếp cận dựa trên tác nhân này cho phép các doanh nghiệp đánh giá nội dung về độ chính xác, xác minh thông tin dựa trên các nguồn đáng tin cậy và tạo ra các đề xuất có thể hành động để cải thiện. Bằng cách sử dụng các tác nhân chuyên biệt làm việc cùng nhau một cách tự chủ, các chuyên gia con người có thể tập trung vào các nhiệm vụ đánh giá chiến lược trong khi hệ thống tác nhân AI xử lý việc xác thực nội dung quy mô lớn.

Phương pháp tiếp cận dựa trên tác nhân mà chúng tôi trình bày có thể áp dụng cho bất kỳ loại nội dung doanh nghiệp nào, từ tài liệu sản phẩm và cơ sở kiến thức đến tài liệu tiếp thị và thông số kỹ thuật. Để minh họa các khái niệm này trong thực tế, chúng tôi sẽ đi qua một ví dụ thực tế về việc đánh giá nội dung blog về độ chính xác kỹ thuật. Các mẫu và kỹ thuật này có thể được điều chỉnh trực tiếp cho các nhu cầu đánh giá nội dung khác nhau bằng cách điều chỉnh cấu hình tác nhân, công cụ và nguồn xác minh.

Tổng quan giải pháp

Giải pháp đánh giá nội dung triển khai một mẫu quy trình làm việc đa tác nhân, trong đó ba tác nhân AI chuyên biệt được xây dựng bằng Strands Agents và triển khai trên Amazon Bedrock AgentCore hoạt động trong một quy trình phối hợp. Mỗi tác nhân nhận đầu ra từ tác nhân trước đó, xử lý nó theo chức năng chuyên biệt của mình và chuyển thông tin đã được làm giàu cho tác nhân tiếp theo trong chuỗi. Điều này tạo ra một quy trình tinh chỉnh dần dần, trong đó:

1. Tác nhân quét nội dung phân tích nội dung thô và trích xuất thông tin liên quan
2. Tác nhân xác minh nội dung lấy các yếu tố đã trích xuất này và xác thực chúng dựa trên các nguồn đáng tin cậy
3. Tác nhân đề xuất chuyển đổi các phát hiện xác minh thành các bản cập nhật nội dung có thể hành động

Việc bảo trì nội dung kỹ thuật đòi hỏi nhiều tác nhân chuyên biệt vì việc quét, xác minh và cập nhật tài liệu thủ công là không hiệu quả và dễ xảy ra lỗi. Mỗi tác nhân có một vai trò tập trung – tác nhân quét xác định các yếu tố nhạy cảm về thời gian, tác nhân xác minh kiểm tra độ chính xác hiện tại và tác nhân đề xuất tạo ra các bản cập nhật chính xác. Thiết kế mô-đun của hệ thống, với các giao diện và trách nhiệm rõ ràng, giúp dễ dàng thêm các tác nhân mới hoặc mở rộng khả năng khi độ phức tạp của nội dung tăng lên. Để minh họa cách hệ thống đánh giá nội dung dựa trên tác nhân này hoạt động trong thực tế, chúng tôi sẽ đi qua một triển khai đánh giá các bài đăng blog kỹ thuật về độ chính xác. Các công ty công nghệ thường xuyên xuất bản các bài đăng blog chi tiết về các tính năng mới, cập nhật và các phương pháp hay nhất. Tuy nhiên, tốc độ đổi mới nhanh chóng có nghĩa là một số tính năng trở nên lỗi thời hoặc được cập nhật, gây khó khăn trong việc giữ thông tin hiện tại trên hàng trăm hoặc hàng nghìn bài đăng đã xuất bản. Mặc dù chúng tôi minh họa mẫu này với nội dung blog, kiến trúc này không phụ thuộc vào nội dung và hỗ trợ bất kỳ loại nội dung nào bằng cách cấu hình các tác nhân với các lời nhắc, công cụ và nguồn dữ liệu phù hợp.

Ví dụ thực tế: Giải pháp đánh giá nội dung blog

Chúng tôi sử dụng ba tác nhân chuyên biệt giao tiếp tuần tự để tự động đánh giá các bài đăng và xác định thông tin kỹ thuật lỗi thời. Người dùng có thể kích hoạt hệ thống thủ công hoặc lên lịch chạy định kỳ.

Hình 1: Kiến trúc đánh giá nội dung blog

Quy trình làm việc bắt đầu khi một URL blog được cung cấp cho tác nhân quét blog, tác nhân này truy xuất nội dung bằng công cụ http_request của Strands và trích xuất các tuyên bố kỹ thuật chính cần xác minh. Sau đó, tác nhân xác minh truy vấn máy chủ AWS documentation MCP để tìm nạp tài liệu mới nhất và xác thực các tuyên bố kỹ thuật dựa trên tài liệu hiện tại. Cuối cùng, tác nhân đề xuất tổng hợp các phát hiện và tạo ra một báo cáo đánh giá toàn diện với các đề xuất có thể hành động cho nhóm blog.

Mã nguồn là mã nguồn mở và được lưu trữ trên GitHub.

Quy trình làm việc đa tác nhân

Tác nhân quét nội dung: Trích xuất thông minh để phát hiện lỗi thời

Tác nhân quét nội dung đóng vai trò là điểm vào của quy trình làm việc đa tác nhân. Nó chịu trách nhiệm xác định thông tin kỹ thuật có khả năng lỗi thời. Tác nhân này đặc biệt nhắm mục tiêu các yếu tố có khả năng trở nên lỗi thời theo thời gian. Tác nhân phân tích nội dung và tạo ra đầu ra có cấu trúc phân loại từng yếu tố kỹ thuật theo loại, vị trí trong blog và độ nhạy cảm về thời gian. Định dạng có cấu trúc này cho phép tác nhân xác minh nhận dữ liệu được tổ chức tốt mà nó có thể xử lý hiệu quả.

Tác nhân xác minh nội dung: Xác thực dựa trên bằng chứng

Tác nhân xác minh nội dung nhận các yếu tố kỹ thuật có cấu trúc từ tác nhân quét và thực hiện xác thực dựa trên các nguồn đáng tin cậy. Tác nhân xác minh sử dụng máy chủ AWS documentation MCP để truy cập tài liệu kỹ thuật hiện tại. Đối với mỗi yếu tố kỹ thuật nhận được từ tác nhân quét, nó tuân theo một quy trình xác minh có hệ thống được hướng dẫn bởi các lời nhắc cụ thể tập trung vào các tiêu chí khách quan, có thể đo lường được.

Tác nhân được nhắc để kiểm tra:

• Thông tin cụ thể về phiên bản: Số phiên bản, điểm cuối API hoặc tham số cấu hình được đề cập có còn tồn tại không?
• Tính khả dụng của tính năng: Tính năng dịch vụ được mô tả có còn khả dụng trong các Region hoặc cấp độ được chỉ định không?
• Độ chính xác cú pháp: Các ví dụ mã, lệnh CLI hoặc đoạn cấu hình có khớp với tài liệu hiện tại không?
• Tính hợp lệ của điều kiện tiên quyết: Các yêu cầu, phụ thuộc hoặc bước thiết lập được liệt kê có còn chính xác không?
• Giá cả và giới hạn: Chi phí, hạn ngạch hoặc giới hạn dịch vụ được đề cập có phù hợp với thông tin đã xuất bản hiện tại không?

Đối với mỗi yếu tố kỹ thuật nhận được từ tác nhân quét, tác nhân thực hiện các bước sau:

1. Tạo các truy vấn tìm kiếm mục tiêu dựa trên loại và nội dung của yếu tố
2. Truy vấn máy chủ tài liệu để biết thông tin hiện tại
3. So sánh tuyên bố gốc với các nguồn đáng tin cậy bằng cách sử dụng các tiêu chí cụ thể ở trên
4. Phân loại kết quả xác minh là CURRENT, PARTIALLY_OBSOLETE hoặc FULLY_OBSOLETE
5. Ghi lại các điểm khác biệt cụ thể với bằng chứng

Ví dụ về xác minh trong thực tế: Khi tác nhân quét xác định tuyên bố “Amazon Bedrock chỉ khả dụng ở các Region us-east-1 và us-west-2,” Tác nhân xác minh tạo truy vấn tìm kiếm “Amazon Bedrock available regions” và truy xuất tính khả dụng theo Region hiện tại từ tài liệu AWS. Sau khi phát hiện ra rằng Bedrock hiện đã có sẵn ở hơn 8 Region bao gồm eu-west-1 và ap-southeast-1, nó phân loại đây là PARTIALLY_OBSOLETE với bằng chứng: “Tuyên bố gốc liệt kê 2 Region, nhưng tài liệu hiện tại cho thấy tính khả dụng ở us-east-1, us-west-2, eu-west-1, ap-southeast-1 và 4 Region bổ sung kể từ ngày xác minh.”

Đầu ra của tác nhân xác minh duy trì cấu trúc yếu tố từ tác nhân quét trong khi thêm các chi tiết xác minh và phân loại dựa trên bằng chứng này.

Tác nhân đề xuất: Tạo bản cập nhật có thể hành động

Tác nhân đề xuất đại diện cho giai đoạn cuối cùng trong quy trình làm việc đa tác nhân, chuyển đổi các phát hiện xác minh thành các bản cập nhật nội dung sẵn sàng triển khai. Tác nhân này nhận kết quả xác minh và tạo ra các đề xuất cụ thể duy trì phong cách của nội dung gốc trong khi sửa các lỗi kỹ thuật.

Điều chỉnh mẫu quy trình làm việc đa tác nhân cho các trường hợp sử dụng đánh giá nội dung của bạn

Mẫu quy trình làm việc đa tác nhân có thể nhanh chóng được điều chỉnh cho bất kỳ kịch bản đánh giá nội dung nào mà không cần thay đổi kiến trúc. Cho dù đánh giá tài liệu sản phẩm, tài liệu tiếp thị hay tài liệu tuân thủ quy định, cùng một quy trình làm việc tuần tự ba tác nhân đều được áp dụng. Các lời nhắc của hệ thống cần được sửa đổi cho từng tác nhân để tập trung vào các yếu tố cụ thể theo miền và có thể hoán đổi các công cụ hoặc nguồn kiến thức. Ví dụ, trong khi ví dụ đánh giá blog của chúng tôi sử dụng công cụ http_request để tìm nạp nội dung blog và AWS Documentation MCP Server để xác minh, một hệ thống đánh giá danh mục sản phẩm có thể sử dụng công cụ kết nối cơ sở dữ liệu để truy xuất thông tin sản phẩm và truy vấn API quản lý kho để xác minh. Tương tự, một hệ thống đánh giá tuân thủ sẽ điều chỉnh lời nhắc của tác nhân quét để xác định các tuyên bố quy định thay vì các tuyên bố kỹ thuật, kết nối tác nhân xác minh với cơ sở dữ liệu pháp lý thay vì tài liệu kỹ thuật và cấu hình tác nhân đề xuất để tạo báo cáo sẵn sàng kiểm toán thay vì cập nhật nội dung. Các bước tuần tự cốt lõi là trích xuất, xác minh và đề xuất vẫn không đổi trong tất cả các kịch bản này, cung cấp một mẫu đã được chứng minh có thể mở rộng từ các blog kỹ thuật đến bất kỳ loại nội dung doanh nghiệp nào. Chúng tôi đề xuất các thay đổi sau để tùy chỉnh giải pháp cho các loại nội dung khác.

1. Thay thế các giá trị của biến CONTENT_SCANNER_PROMPT, CONTENT_VERIFICATION_PROMPT và RECOMMENDATION_PROMPT bằng các hướng dẫn lời nhắc tùy chỉnh của bạn:

  CONTENT_SCANNER_PROMPT = """<replace with your prompt instructions>"""
  CONTENT_VERIFICATION_PROMPT = """<replace with your prompt instructions>"""
  RECOMMENDATION_PROMPT = """<replace with your prompt instructions>"""

2. Cập nhật máy chủ MCP tài liệu chính thức cho tác nhân xác minh nội dung:

  product_db_mcp_client = MCPClient(
      lambda: stdio_client(StdioServerParameters(
          command="uvx", args=["<replace with your official documentation MCP server>"]
      ))
  )

3. Thêm các công cụ truy cập nội dung phù hợp như database_query_tool và cms_api_tool cho tác nhân quét nội dung khi công cụ http_request không đủ:

python
   scanner_agent = Agent(
       model="us.anthropic.claude-3-7-sonnet-20250219-v1:0",
       system_prompt=CONTENT_SCANNER_PROMPT,
       tools=[database_query_tool, cms_api_tool]  # Replace http_request
   )

Những sửa đổi có mục tiêu này cho phép cùng một mẫu kiến trúc xử lý bất kỳ loại nội dung nào trong khi vẫn duy trì cấu trúc quy trình làm việc ba tác nhân đã được chứng minh, đảm bảo độ tin cậy và nhất quán trên các miền nội dung khác nhau mà không yêu cầu thay đổi logic điều phối cốt lõi.

Kết luận và các bước tiếp theo

Trong bài đăng này, chúng tôi đã giải thích cách kiến trúc một hệ thống đánh giá nội dung được hỗ trợ bởi tác nhân AI bằng cách sử dụng Amazon Bedrock AgentCore và Strands Agents. Chúng tôi đã trình bày mẫu quy trình làm việc đa tác nhân, nơi các tác nhân chuyên biệt làm việc cùng nhau để quét nội dung, xác minh độ chính xác kỹ thuật dựa trên các nguồn đáng tin cậy và tạo ra các đề xuất có thể hành động. Ngoài ra, chúng tôi đã thảo luận về cách điều chỉnh mẫu đa tác nhân này cho các loại nội dung khác nhau bằng cách sửa đổi lời nhắc tác nhân, công cụ và nguồn dữ liệu trong khi vẫn duy trì cùng một khung kiến trúc.

Chúng tôi khuyến khích bạn thử nghiệm mã mẫu có sẵn trên GitHub trong tài khoản của riêng bạn để có được trải nghiệm trực tiếp với giải pháp. Là các bước tiếp theo, hãy xem xét bắt đầu với một dự án thí điểm trên một tập hợp con nội dung của bạn, tùy chỉnh lời nhắc tác nhân cho miền cụ thể của bạn và tích hợp các nguồn xác minh phù hợp cho trường hợp sử dụng của bạn. Bản chất mô-đun của kiến trúc này cho phép bạn lặp lại tinh chỉnh khả năng của từng tác nhân khi bạn mở rộng hệ thống để xử lý tất cả các nhu cầu đánh giá nội dung của tổ chức bạn.

Về tác giả

Sarath Krishnan là Kiến trúc sư giải pháp chuyên gia cấp cao về Gen AI/ML tại Amazon Web Services, nơi anh giúp khách hàng doanh nghiệp thiết kế và triển khai các giải pháp AI tạo sinh và máy học mang lại kết quả kinh doanh có thể đo lường được. Anh mang đến chuyên môn sâu sắc về AI tạo sinh, Máy học và MLOps để xây dựng các hệ thống AI có khả năng mở rộng, bảo mật và sẵn sàng sản xuất.

Santhosh Kuriakose là Kiến trúc sư giải pháp chuyên gia AI/ML tại Amazon Web Services, nơi anh tận dụng chuyên môn của mình về AI và ML để xây dựng các giải pháp công nghệ mang lại kết quả kinh doanh chiến lược cho khách hàng.

Ravi Vijayan là Giám đốc giải pháp khách hàng tại Amazon Web Services. Anh mang đến chuyên môn với tư cách là Nhà phát triển, Giám đốc chương trình công nghệ và Đối tác khách hàng, và hiện đang tập trung giúp khách hàng nhận ra đầy đủ tiềm năng và lợi ích của việc di chuyển lên đám mây và hiện đại hóa với AI tạo sinh.