Công Nghệ Cốt Lõi: Gemini, DeepMind và Kiến Trúc Vertex AI
Để hiểu rõ về AI Agent của Google, bạn cần biết rằng những hệ thống tự hành này không xuất hiện từ hư không. Chúng được xây dựng trên nền tảng của ba công nghệ cốt lõi: Gemini AI làm "bộ não" xử lý ngôn ngữ, Google DeepMind cung cấp khả năng suy luận phức tạp, và Vertex AI đóng vai trò là "xương sống" cho việc triển khai thực tế. Hiểu rõ ba thành phần này sẽ giúp bạn nắm bắt được tại sao AI Agent của Google lại mạnh mẽ và cách vận dụng nó hiệu quả.
Gemini: "Bộ não" đa chiều của AI Agent
Gemini không chỉ là một mô hình ngôn ngữ thông thường. Đây là một hệ thống AI đa phương thức (multimodal) có khả năng hiểu và xử lý text, hình ảnh, video và âm thanh cùng lúc. Điểm khác biệt quan trọng là Gemini được thiết kế để hiểu ngữ cảnh sâu hơn so với các mô hình cùng thời đại.
Trong thực tế triển khai, tôi đã thấy Gemini tỏ ra đặc biệt hiệu quả trong các tình huống yêu cầu suy luận đa bước. Ví dụ, khi một AI Agent cần phân tích một báo cáo tài chính kèm biểu đồ, sau đó viết email tóm tắt cho quản lý, Gemini không chỉ đọc chữ mà còn hiểu mối quan hệ giữa các con số trong hình ảnh và ngữ cảnh kinh doanh. Đây chính là lý do tại sao khi bạn xây dựng AI Agent thông qua Vertex AI, việc chọn Gemini làm nền tảng mô hình sẽ ảnh hưởng trực tiếp đến chất lượng quyết định của agent.
Google DeepMind: Công cụ suy luận và lập kế hoạch
DeepMind là đơn vị nghiên cứu AI của Google, nơi ra đời AlphaGo, AlphaZero và AlphaFold. Những thành quả này không phải chỉ để chiếm tiêu đề báo chí – chúng thể hiện một tiến bộ căn bản: khả năng lập kế hoạch và suy luận lâu dài.
Khi triển khai AI Agent cho doanh nghiệp, sự khác biệt này rất thực tế. Một AI Agent chỉ có Gemini có thể trả lời câu hỏi, nhưng một agent kết hợp thêm kỹ thuật từ DeepMind có thể phân rã một vấn đề phức tạp thành các bước nhỏ, lên kế hoạch chiến lược, và thực hiện liên tiếp. Ví dụ, thay vì agent chỉ "thực hiện lệnh một cách máy móc", nó có thể tự đánh giá: "Để hoàn thành nhiệm vụ này, tôi cần gọi API A trước, sau đó xử lý dữ liệu, rồi gọi API B". Khả năng này giúp agent hoạt động độc lập hơn, giảm sự phụ thuộc vào hướng dẫn chi tiết từ con người.
Vertex AI: Khung xương để triển khai AI Agent thực tế
Nếu Gemini là "bộ não" và DeepMind là "kỹ năng suy luận", thì Vertex AI chính là môi trường vận hành nơi AI Agent thực sự hoạt động. Vertex AI là nền tảng được Google Cloud cung cấp, cho phép bạn:
- Xây dựng AI Agent tùy chỉnh mà không cần viết code phức tạp từ đầu
- Kết nối Agent với các API, cơ sở dữ liệu và công cụ của riêng bạn
- Quản lý các cuộc hội thoại đa bước (multi-turn conversations) một cách ổn định
- Giám sát, thử nghiệm và cải thiện hiệu suất agent trong môi trường sản xuất
Trong các dự án tôi tham gia, Vertex AI đóng vai trò là "trung gian thông minh". Nó không chỉ quản lý việc gọi Gemini mà còn xử lý logic kinh doanh, kiểm soát flow, và đảm bảo rằng agent hoạt động an toàn và đáng tin cậy. Ví dụ, khi xây dựng một AI Agent để tự động xử lý yêu cầu hỗ trợ khách hàng, Vertex AI sẽ điều phối: agent hiểu câu hỏi (nhờ Gemini) → kiểm tra quyền truy cập của khách hàng (qua API riêng) → tìm kiếm dữ liệu từ cơ sở dữ liệu → trả lời hoặc chuyển tiếp cho nhân viên con người.
Ba công nghệ hoạt động như thế nào cùng nhau?
Hình ảnh hoàn chỉnh là: khi một người dùng đưa ra một yêu cầu, Vertex AI nhận nó và chuyển cho Gemini để xử lý ngôn ngữ tự nhiên. Nếu yêu cầu phức tạp, các thuật toán suy luận từ DeepMind sẽ được áp dụng để phân rã vấn đề. Sau đó, Vertex AI điều phối agent thực hiện các hành động cần thiết (gọi API, truy vấn dữ liệu, v.v.). Kết quả cuối cùng được gửi lại cho người dùng dưới dạng mà Gemini đã định dạng.
Điểm mạnh của kiến trúc này là tính linh hoạt. Bạn có thể chọn phiên bản Gemini khác nhau tùy theo nhu cầu (có bản gọn hơn, bản tối ưu chi phí, bản có khả năng suy luận cao), tích hợp các kỹ thuật mới từ DeepMind khi chúng ra mắt, và mở rộng khả năng agent mà không cần viết lại toàn bộ hệ thống. Đây chính là tại sao các doanh nghiệp từ startup đến enterprise đều có thể sử dụng nền tảng này – vì nó có thể co dãn từ các use case đơn giản đến những hệ thống tự động phức tạp.
Trong các bài tiếp theo, chúng ta sẽ tìm hiểu cách thực tế để tích hợp những công nghệ này vào quy trình làm việc của bạn, cũng như các thách thức và cách khắc phục khi triển khai AI Agent.
Ứng Dụng Thực Tế: Từ Tự Động Hóa Kinh Doanh Đến Phát Triển Phần Mềm
AI Agent của Google không chỉ tồn tại trong các bài báo kỹ thuật hay dự án nghiên cứu. Chúng đang được triển khai trong các quy trình kinh doanh thực tế, giúp các tổ chức từ startup đến enterprise giải quyết những bài toán phức tạp mà con người cần hàng giờ để hoàn thành. Bản chất của AI Agent là khả năng tự chủ trong việc phân tích tình huống, lập kế hoạch hành động và thực thi các bước cần thiết mà ít cần can thiệp từ người dùng. Điều này tạo ra giá trị thực sự khi áp dụng vào công việc hàng ngày.
Tự Động Hóa Quy Trình Kinh Doanh: Từ Lý Thuyết Đến Thực Hành
Trong một công ty fintech hoặc dịch vụ tài chính ở Việt Nam, quy trình xử lý hóa đơn và báo cáo chi phí vẫn phụ thuộc nhiều vào công việc thủ công. Nhân viên kế toán phải kiểm tra từng hóa đơn, trích xuất dữ liệu, so sánh với ngân sách dự kiến, và gửi báo cáo cho quản lý. Quy trình này không chỉ tốn thời gian mà còn dễ xảy ra lỗi con người.
Khi triển khai một AI Agent trên nền tảng như Vertex AI, hệ thống có thể tự động nhận diện loại hóa đơn, trích xuất các thông tin quan trọng (mã số, ngày tháng, số tiền), so sánh với các chính sách công ty, phân loại chi phí vào đúng danh mục, và thậm chí phát hiện các bất thường (như chi phí vượt quá ngân sách cho bộ phận). Agent này tích hợp với hệ thống ERP hoặc cơ sở dữ liệu hiện có của công ty, cho phép nó truy cập thông tin thực tế và đưa ra quyết định dựa trên ngữ cảnh đầy đủ.
Kết quả là: thời gian xử lý giảm từ 2-3 ngày xuống còn vài phút, tỷ lệ lỗi giảm đáng kể, và nhân viên kế toán có thể tập trung vào các công việc phân tích chiến l略và tư vấn quản lý tài chính cao cấp hơn.
Cơ chế hoạt động ở đây là AI Agent nhận tín hiệu đầu vào (hóa đơn mới), phân tích nội dung thông qua khả năng hiểu ngôn ngữ tự nhiên và xử lý hình ảnh, tạo lên một "bản đồ" của tình huống hiện tại, sau đó lập ra một chuỗi hành động cần thực hiện. Agent này có khả năng multi-step reasoning – tức là nó không chỉ thực hiện một hành động đơn lẻ, mà có thể suy luận qua nhiều bước để đạt tới mục tiêu cuối cùng.
Hỗ Trợ Phát Triển Phần Mềm: Tăng Năng Suất Lập Trình Viên
Với các lập trình viên và kỹ sư phần mềm, AI Agent đóng vai trò như một "cộng sự thông minh" trong quá trình viết code. Thay vì chỉ gợi ý hoàn thành code đơn giản, một AI Agent hiểu rõ kiến trúc dự án, có thể phân tích các file code hiện có, hiểu logic của hệ thống, và từ đó tạo ra các giải pháp phù hợp với cơ sở hạ tầng đã có.
Ví dụ cụ thể: một developer đang xây dựng API endpoint để lấy danh sách sản phẩm từ cơ sở dữ liệu. Thay vì phải tìm kiếm document hoặc hỏi đồng nghiệp, anh/chị có thể yêu cầu Agent phân tích schema database hiện tại, kiểm tra các endpoint tương tự đã tồn tại, hiểu pattern code của team, rồi tự động sinh ra code hoàn chỉnh kèm theo validation, error handling, và logging phù hợp. Agent thậm chí có thể phát hiện những vấn đề tiềm ẩn về hiệu suất hoặc bảo mật trước khi code được merge vào production.
Cách tiếp cận này khác biệt so với các công cụ autocomplete thông thường. AI Agent không phải là bộ máy đơn giản "dự đoán từ kế tiếp", mà là một hệ thống có khả năng reasoning phức tạp. Nó có thể đặt câu hỏi cho nhau (qua internal dialogue), kiểm tra giả thuyết, và điều chỉnh giải pháp dựa trên feedback từ môi trường (ví dụ: output của test cases).
Điều này dẫn tới một ứng dụng thực tiễn khác: tự động hóa kiểm thử (test automation). Agent có thể viết các bộ test cho code mới, chạy chúng, phân tích kết quả, và thậm chí tạo ra test case cho các edge case mà human developer có thể bỏ sót.
Dữ Liệu Kinh Doanh: Phân Tích và Báo Cáo Tự Động
Đối với các product manager, founder hoặc data analyst, AI Agent mang lại khả năng trích xuất insight từ dữ liệu mà không cần phải biết lập trình SQL hay Python. Agent có thể tiếp nhận một yêu cầu bằng ngôn ngữ tự nhiên như "Hãy cho tôi biết tỷ lệ churn của khách hàng tháng này, phân tích theo từng bộ phận địa lý và đưa ra những khuyến nghị để cải thiện".
Thay vì phải chờ data team viết query SQL, xử lý dữ liệu, và tạo báo cáo, Agent có thể tự động kết nối với data warehouse, trích xuất dữ liệu cần thiết, thực hiện các phép tính thống kê, tạo hình biểu đồ minh họa, và thậm chí áp dụng các mô hình phân tích để dự báo xu hướng trong tương lai.
Quy trình này đặc biệt hữu ích cho những công ty SME ở Việt Nam, nơi mà nguồn lực data analyst có thể hạn chế. Thay vì thuê thêm nhân viên, một Agent thông minh có thể đảm nhiệm phần lớn công việc phân tích dữ liệu cơ bản, giải phóng thời gian cho các chuyên gia để tập trung vào strategy và decision-making mức cao hơn.
Để triển khai các ứng dụng này thành công, tổ chức cần xác định rõ: vấn đề cụ thể cần giải quyết là gì, dữ liệu hiện có có sẵn không, hệ thống hiện tại có thể tích hợp được không. Từ đó, có thể bắt đầu bằng những pilot project nhỏ, kiểm định kết quả, rồi mở rộng quy mô. Quá trình này không chỉ mang lại lợi ích tức thời mà còn xây dựng được nền tảng để AI Agent có thể học hỏi và cải thiện theo thời gian, trở thành một tài sản công nghệ có giá trị lâu dài cho tổ chức.
Thách Thức Triển Khai: Bảo Mật, Độ Chính Xác và Chi Phí
Khi triển khai AI Agent từ Google vào môi trường thực tế, các tổ chức không chỉ phải đối mặt với những thử thách công nghệ mà còn các vấn đề về quản lý rủi ro, chi phí vận hành và tuân thủ quy định. Ba thách thức này—bảo mật dữ liệu, độ chính xác của hệ thống và chi phí triển khai—thường là những yếu tố quyết định sự thành công hoặc thất bại của một dự án AI tại doanh nghiệp Việt Nam.
Bảo Mật Dữ Liệu: Rủi Ro Ẩn Trong Tự Động Hóa
Một trong những nguyên tắc cơ bản của AI Agent là chúng cần truy cập vào dữ liệu để hoạt động. Khi bạn kết nối AI Agent với cơ sở dữ liệu khách hàng, hệ thống CRM hoặc email công ty, bạn đang mở ra một cánh cửa mới cho các rủi ro bảo mật.
Vấn đề không nằm ở chính Google—các dịch vụ cloud của Google có tiêu chuẩn bảo mật quốc tế. Vấn đề nằm ở cách bạn cấu hình quyền truy cập, cách bạn quản lý khóa API, và cách bạn kiểm soát dữ liệu được gửi tới hệ thống AI. Trong kinh nghiệm xây dựng các hệ thống AI tự động tại các doanh nghiệp SME Việt Nam, tôi thường gặp tình huống: một AI Agent được kết nối với toàn bộ dữ liệu khách hàng mà không có bất kỳ lớp lọc hoặc kiểm soát truy cập nào. Điều này có nghĩa là nếu hệ thống bị lỗi hoặc bị khai thác, tất cả dữ liệu có thể bị tiếp xúc.
Để giảm thiểu rủi ro, bạn cần áp dụng nguyên tắc "least privilege" (quyền tối thiểu). Cụ thể:
- Hạn chế quyền truy cập: AI Agent chỉ được phép truy cập dữ liệu cần thiết để hoàn thành nhiệm vụ cụ thể. Nếu agent chỉ cần xử lý đơn hàng, nó không nên có quyền truy cập danh sách lương nhân viên.
- Mã hóa dữ liệu: Dữ liệu được truyền giữa ứng dụng của bạn và AI Agent phải được mã hóa end-to-end.
- Kiểm toán và ghi nhật ký: Mỗi tương tác của AI Agent với dữ liệu cần được ghi lại để có thể kiểm tra sau này.
- Tuân thủ GDPR hoặc Nghị định 34/2021/NĐ-CP: Nếu xử lý dữ liệu người dùng, bạn phải tuân thủ các quy định bảo vệ dữ liệu cá nhân ở Việt Nam.
Độ Chính Xác: Khi AI Agent Đưa Ra Quyết Định Sai
Một vấn đề phổ biến mà các nhà phát triển thường không dự liệu là "hallucination"—tình trạng AI Agent tạo ra thông tin không tồn tại hoặc không chính xác. Với các mô hình ngôn ngữ lớn như Gemini, hệ thống có thể tự tin đưa ra câu trả lời sai lệch.
Hãy tưởng tượng bạn xây dựng một AI Agent để tự động xử lý khiếu nại khách hàng. Agent đó đọc email khách hàng, phân tích vấn đề, và đưa ra giải pháp. Nếu AI Agent hiểu sai nội dung email hoặc đưa ra kết luận không dựa trên dữ liệu thực tế, nó có thể gửi một lời xin lỗi hoặc giải pháp không phù hợp cho khách hàng. Điều này làm giảm độ tin cậy của doanh nghiệp bạn.
Để đảm bảo độ chính xác:
- Sử dụng Retrieval-Augmented Generation (RAG): Thay vì để AI Agent dựa vào kiến thức huấn luyện, hãy cho nó truy cập vào một kho tài liệu hoặc cơ sở dữ liệu đáng tin cậy. Nó sẽ tìm kiếm thông tin từ những nguồn này trước khi trả lời.
- Xác minh con người: Với các quyết định quan trọng (chuyển tiền, xóa tài khoản, v.v.), hãy yêu cầu AI Agent đưa ra kết quả cho con người kiểm duyệt trước khi thực hiện.
- Kiểm thử thường xuyên: Tạo một bộ test case để kiểm tra độ chính xác của AI Agent. Ví dụ, nếu bạn xây dựng agent phân loại email, hãy kiểm tra nó với 100 email mẫu và đo độ chính xác (accuracy), độ thu hồi (recall), và độ chính xác (precision).
- Đặt ngưỡng tin cậy: Nếu AI Agent không chắc chắn về kết quả (độ tin cậy dưới một ngưỡng nhất định), nó sẽ yêu cầu can thiệp của con người.
Chi Phí Triển Khai: Vấn đề Thường Bị Bỏ Qua
Chi phí sử dụng AI Agent không chỉ là giá của API. Nó bao gồm chi phí lưu trữ dữ liệu, chi phí xử lý mỗi lần gọi API, chi phí duy trì hạ tầng, và chi phí huấn luyện nhân viên để quản lý hệ thống.
Một doanh nghiệp công nghệ tại TP.HCM tôi từng tư vấn bắt đầu với AI Agent đơn giản, dùng 500 lần gọi API mỗi ngày. Chi phí tương đối rẻ—chỉ vài triệu đồng mỗi tháng. Nhưng khi họ mở rộng quy mô lên 50.000 lần gọi mỗi ngày (để tự động hóa toàn bộ quy trình), chi phí tăng lên hàng chục triệu đồng mỗi tháng. Nếu không lập kế hoạch tài chính phù hợp, chi phí này có thể vô tình phá vỡ ngân sách của dự án.
Để quản lý chi phí hiệu quả:
- Tính toán chi phí trước: Ước tính số lần gọi API dự kiến mỗi tháng, tra cứu giá cụ thể của dịch vụ, và tính tổng chi phí hàng năm.
- Optimize lời gọi API: Gộp nhiều yêu cầu thành một lời gọi duy nhất, cache các kết quả không thay đổi, hoặc sử dụng batch processing thay vì xử lý thời gian thực nếu có thể.
- Sử dụng các lớp miễn phí và thử nghiệm: Hầu hết các nền tảng AI đều cung cấp mức sử dụng miễn phí hoặc tín dụng thử nghiệm. Hãy tận dụng để kiểm validate ý tưởng trước khi đầu tư lớn.
- Lên kế hoạch mở rộng dần: Thay vì triển khai toàn bộ quy trình cùng lúc, hãy bắt đầu với các use case nhỏ, đo lường ROI, và sau đó mở rộng.
Ba thách thức này—bảo mật, độ chính xác, và chi phí—không phải là những rào cản không thể vượt qua. Chúng là những yếu tố cần được xem xét và quản lý kỹ lưỡng từ giai đoạn lập kế hoạch. Doanh nghiệp nào hiểu rõ những điểm này sẽ có lợi thế cạnh tranh lớn trong việc triển khai AI Agent một cách bền vững và có lợi nhuận.
Tương Lai: AI Agent Tự Hành, Lập Luận Nâng Cao và Hệ Sinh Thái Đa Sản Phẩm
Khi nhìn lại những gì AI Agent có thể làm ngày hôm nay, chúng ta thấy rõ rằng tương lai không chỉ là về những chiếc robot hoặc chatbot trả lời câu hỏi. Đó là về các hệ thống tự hành thực sự có khả năng suy luận phức tạp, lập kế hoạch đa bước, và hành động độc lập để giải quyết vấn đề mà loài người chưa từng tưởng tượng được trước đây. Chiến lược của Google trong lĩnh vực này phản ánh một tầm nhìn rõ ràng: xây dựng một hệ sinh thái AI Agent tích hợp xuyên suốt các sản phẩm và dịch vụ, biến AI từ công cụ hỗ trợ thành một phần cốt lõi của cách chúng ta làm việc.
Để hiểu rõ hơn bản chất của bước tiến này, cần nhận thức rằng AI Agent hiện tại còn tương đối hạn chế. Chúng hoạt động tốt nhất khi được giao một nhiệm vụ cụ thể, trong phạm vi dữ liệu được định nghĩa sẵn. Tương lai sẽ khác biệt. AI Agent tự hành thực sự là những hệ thống có khả năng hiểu bối cảnh rộng lớn, đưa ra quyết định mà không cần hướng dẫn chi tiết, và thích ứng động khi tình huống thay đổi. Điều này không phải là khoa học viễn tưởng – các nước như Singapore, Hàn Quốc, và Mỹ đang đầu tư mạnh vào lĩnh vực này, và Google DeepMind đã chứng minh được tiềm năng thông qua những thành tựu như AlphaGo và AlphaFold.
Bước tiến lớn nhất trong tương lai là lập luận nâng cao (advanced reasoning). Hiện tại, hầu hết AI Agent được huấn luyện chủ yếu để hoàn thành tác vụ theo các mẫu đã biết. Tương lai sẽ là thời đại của những agent có thể suy luận từng bước, phân tích các tình huống phức tạp, và giải thích được logic đằng sau quyết định của chúng. Ví dụ thực tế: một AI Agent không chỉ nhìn vào dữ liệu bán hàng của công ty điện tử Việt Nam mà còn có thể tự hành phân tích tại sao tháng này bán kém, xem xét hàng chục yếu tố từ mùa vụ, cạnh tranh, xu hướng tiêu dùng, đến vấn đề chuỗi cung ứng – tất cả mà không cần một con người phải hướng dẫn từng bước.
Thứ hai, hệ sinh thái đa sản phẩm (multi-product ecosystem) sẽ là điểm định hình cách AI Agent hoạt động trong thực tế. Thay vì các AI Agent bị cô lập hoạt động trong một ứng dụng duy nhất, tương lai là những agent có thể kết nối và làm việc với nhau trên nhiều nền tảng, công cụ, và dữ liệu nguồn khác nhau. Hãy tưởng tượng một workflow như này: một AI Agent nhận được yêu cầu từ email của khách hàng (được xử lý bởi agent một), tự động trích xuất thông tin cần thiết, gọi sang agent thứ hai để phân tích dữ liệu từ cơ sở dữ liệu công ty, rồi agent thứ ba tạo báo cáo chi tiết và gửi lại cho khách hàng – tất cả diễn ra liền mạch mà không cần sự can thiệp của con người.
Điều này có ý nghĩa gì với các doanh nghiệp Việt Nam? Nó có nghĩa rằng tự động hóa sẽ không còn giới hạn trong các tác vụ đơn lẻ, mà có thể mở rộng đến toàn bộ quy trình kinh doanh. Một công ty logistics có thể sử dụng AI Agent để tự động quản lý đơn hàng từ khách hàng đặt cho đến khi giao hàng, tối ưu hóa lộ trình, xử lý ngoại lệ, và báo cáo kết quả – mọi thứ diễn ra song song mà không cần một team điều phối lớn.
Về công nghệ, Gemini AI – mô hình cơ bản của Google – sẽ tiếp tục được cải thiện với khả năng lập luận sâu hơn. Vertex AI sẽ trở thành nền tảng không chỉ để xây dựng agent, mà còn để quản lý toàn bộ hệ sinh thái agent này. Các nhà phát triển sẽ có thể viết code để xây dựng agent độc lập, sau đó chúng sẽ tự động "tham gia" vào một mạng lưới agent lớn hơn, cộng tác với các agent khác mà không cần lập trình thêm.
Tuy nhiên, để đạt được tương lai này, cần giải quyết ba thách thức lớn. Thứ nhất là tin cậy (trustworthiness) – AI Agent phải đủ thông minh để hiểu khi nào nên hỏi người để xác nhận quyết định, chứ không tự ý hành động. Thứ hai là hiệu suất chi phí (cost efficiency) – chạy các agent với lập luận nâng cao tốn nhiều năng lượng tính toán, và các công ty phải tìm cách làm điều này một cách tiết kiệm. Thứ ba là quy định (compliance) – khi AI Agent có quyền tự hành quyết định, cần đảm bảo chúng hoạt động trong khuôn khổ pháp luật và đạo đức.
Đối với những người đang làm việc trong ngành công nghệ hoặc quản lý doanh nghiệp, tương lai này không phải là mơ mộng xa vời. Các nền tảng xây dựng AI Agent đã có sẵn ngay bây giờ, và bắt đầu thử nghiệm với chúng là cách tốt nhất để chuẩn bị cho kỷ nguyên tới. Công ty nào hiểu rõ cách tận dụng kỹ thuật lập luận và tối ưu hóa prompts cho AI Agent ngay hôm nay sẽ có lợi thế cạnh tranh không nhỏ khi những khả năng này trở thành tiêu chuẩn công nghiệp. Hãy bắt đầu từ những bài toán nhỏ, kiểm chứng giá trị thực tế, rồi mở rộng dần – đó là cách thông minh để đón bắt tương lai của AI Agent.
