TL;DR
- AgentBase là hạ tầng, không phải một framework khác. Giữ nguyên stack hiện có (LangGraph, CrewAI, LlamaIndex, hay Python thuần), không cần viết lại code mà chỉ cần đóng gói thành container Docker và expose HTTP endpoint.
- Lớp quản trị nằm bên ngoài framework, không phụ thuộc vào nó. RBAC, cảnh báo ngân sách, lưu trữ bộ nhớ, và observability hoạt động như nhau bất kể agent được xây bằng framework nào.
- Mỗi framework có một giá trị gia tăng riêng: LangGraph được hỗ trợ cầu nối bộ nhớ (memory bridge) cho cơ chế checkpointing, CrewAI được cô lập agent và theo dõi ngân sách cho hệ thống đa agent theo vai trò, LlamaIndex được bảo vệ dữ liệu RAG qua VPC riêng.
- Có ví dụ thực tế minh chứng: agent phiên âm cuộc họp bằng Python (Mee Agent) và agent thu thập tài liệu dạng RAG (vllm-wiki Agent, dùng Firecrawl + Gemma) đều chạy trên cùng một lớp platform.
Khi cân nhắc một nền tảng để triển khai AI agent, câu hỏi đầu tiên hầu hết developer đặt ra không phải là về tính năng, mà là về stack: "Team mình đang dùng LangGraph rồi, có phải đổi không?" hoặc: "Mình đang build bằng CrewAI, nền tảng có chạy được không?"
Đối với GreenNode AgentBase, câu trả lời là: không cần đổi gì cả.
AgentBase không phải một framework mới yêu cầu bạn học lại từ đầu. Đây là nơi bạn chạy agent bất kể agent đó được viết bằng gì. LangGraph, CrewAI, LlamaIndex, Strands, hay Python thuần đều ship được lên AgentBase mà không cần thay đổi logic bên trong.
AgentBase chạy được framework nào và tại sao không cần đổi stack?
AgentBase Runtime hoạt động theo mô hình container. Agent của bạn được đóng gói thành Docker image, deploy lên Runtime, và expose một HTTP endpoint. Bên trong container đó, bạn toàn quyền quyết định: dùng framework nào, version nào, dependency nào cũng được.
Đối với layer Governance và infrastructure bao gồm RBAC, Private VPC, MCP Gateway, Memory Service, Budget Alert , tất cả hoạt động ở tầng bên ngoài container. AgentBase không can thiệp vào code của bạn, không inject middleware, không yêu cầu bạn dùng SDK riêng của platform.
Nói cách khác: bạn giữ nguyên stack quen thuộc, AgentBase lo phần còn lại.
| Framework | Điểm mạnh | Phù hợp với loại agent nào | AgentBase thêm gì |
|---|---|---|---|
| LangGraph | Stateful graph, kiểm soát flow rõ ràng, human-in-the-loop | Workflow phê duyệt nhiều bước, production agent cần audit trail | Native memory bridge (AgentBaseMemoryEvents), RBAC per node, observability |
| CrewAI | Multi-agent role-based, prototype nhanh, mental model trực quan | Quy trình phân công rõ vai trò: research, draft, review | Isolation giữa các agent, budget tracking theo crew, Private VPC |
| LlamaIndex | RAG và knowledge retrieval, data connector phong phú | Internal knowledge agent, document Q&A, enterprise search | Private VPC giữ data trong mạng nội bộ, MCP Gateway log retrieval |
| AutoGPT / MetaGPT | Autonomous agent, code generation, task decomposition tự động | R&D agent, automation pipeline phức tạp | Runtime isolation, memory persistence, budget control |
| Python thuần | Toàn quyền kiểm soát, không dependency ngoài | Bất kỳ use case nào cần custom logic hoàn toàn | Toàn bộ platform layer — AgentBase wrap bên ngoài, code bên trong không cần thay đổi |
LangGraph: có thể deploy lên AgentBase mà không mất native checkpointing?
LangGraph là lựa chọn phổ biến nhất cho production agent hiện tại — đặc biệt khi workflow có nhiều bước, cần kiểm soát state rõ ràng, hoặc có human-in-the-loop. Graph-based architecture của LangGraph map tự nhiên với các quy trình doanh nghiệp phức tạp: phê duyệt nhiều cấp, conditional routing, retry logic.
AgentBase có sẵn AgentBaseMemoryEvents hoạt động như LangGraph CheckpointSaver — tức là conversation state của LangGraph được lưu vào AgentBase Memory Service mà không cần tự build bridge. Deploy LangGraph agent lên AgentBase, bạn được thêm long-term memory, RBAC, và observability mà hầu như không cần sửa code.
CrewAI multi-agent có chạy được trên AgentBase không?
CrewAI phù hợp khi bạn muốn tổ chức nhiều agent theo kiểu phân công vai trò — một Research Agent lo tìm kiếm, một Writer Agent lo soạn thảo, một QA Agent lo kiểm tra. Mental model trực quan, prototype nhanh, dễ giải thích cho stakeholder.
Ship CrewAI lên AgentBase nghĩa là crew của bạn chạy trong môi trường có isolation giữa các agent, có budget tracking theo từng crew, và có thể gắn Private VPC nếu crew cần truy cập data nội bộ. Phần CrewAI giữ nguyên — phần infrastructure AgentBase lo.
LlamaIndex và RAG pipeline: data có thực sự ở lại trong mạng nội bộ?
LlamaIndex tỏa sáng ở các use case RAG-heavy: agent cần đọc, index, và truy vấn tài liệu nội bộ — knowledge base, tài liệu kỹ thuật, database nội bộ. Nếu team bạn đang build internal knowledge agent hay document Q&A, LlamaIndex là lựa chọn solid.
Khi deploy LlamaIndex agent lên AgentBase với Private VPC, toàn bộ pipeline — từ indexing đến retrieval — chạy trong mạng nội bộ của doanh nghiệp. Dữ liệu nhạy cảm không cần ra ngoài để được xử lý. Đây là điểm mà nhiều team fintech và healthcare đặc biệt quan tâm.
Ứng dụng thực tế: Triển khai đa dạng agent trên AgentBase
Một vài ví dụ từ những gì đã được build và deploy trên AgentBase:
- Mee Agent — ghi âm họp và tạo biên bản tự động. Agent lắng nghe cuộc họp real-time, transcribe, và generate minutes of meeting tự động. Được viết bằng Python, deploy lên AgentBase Runtime, và toàn bộ team dùng chung qua một endpoint — không ai cần cài thêm gì trên máy. Use case này không cần framework phức tạp: Python thuần, một vài model call, và AgentBase lo phần serve và scale.
Xem tutorial đầy đủ tại Xây dựng Mee Agent: AI gent ghi âm họp real-time và tạo biên bản tự động.
- vllm-wiki Agent — knowledge base tự cập nhật từ docs. Agent dùng Firecrawl để crawl tài liệu, index và truy vấn bằng Gemma 4-31B chạy trực tiếp trên GreenNode MaaS, trả về câu trả lời kèm citation. RAG agent điển hình — và toàn bộ chạy trên AgentBase mà không cần tự setup vector store infrastructure riêng.
Xem tutorial tại Xây dựng vllm-wiki agent: knowledge base tự duy trì cho team.
Hai use case khác nhau hoàn toàn, hai approach khác nhau nhưng cùng một nơi deploy.
Bạn lựa chọn framework, GreenNode AgentBase đảm bảo hạ tầng
Framework-agnostic không phải chỉ về technical compatibility. Điểm quan trọng hơn là: dù bạn chọn framework nào, bạn vẫn được toàn bộ governance layer của AgentBase — RBAC phân quyền theo team, Private VPC giữ data trong mạng nội bộ, MCP Gateway quản lý kết nối tool tập trung, Memory Service cho long-term memory, Budget Alert theo dõi chi phí.
Bạn không phải chọn giữa "dùng framework quen" và "có infrastructure đúng chuẩn". AgentBase cho bạn cả hai.
Và nếu sau này team quyết định đổi từ CrewAI sang LangGraph vì nó đơn giản hơn cho một use case cụ thể — toàn bộ cấu hình RBAC, VPC, memory store, và budget đã setup vẫn còn nguyên. Không cần build lại từ đầu.
