Chắc hẳn ai cũng từng bị dòng thông tin trên mạng xã hội cuốn đi: chỉ định lướt vài phút, nhưng rồi hàng loạt topic và cuộc tranh luận khiến thời gian trôi lúc nào không hay.
Điều tương tự cũng xảy ra với mình. Một buổi chiều, năm phút “lướt thành phố sợi chỉ” của mình nhanh chóng biến thành bốn mươi phút, nhưng phần lớn thông tin tiếp nhận lại chẳng thực sự cần thiết.
Từ đó, mình đã quyết định xây một “bé agent nhiều chuyện” cho riêng bản thân: hạn chế thời gian lướt mạng xã hội nhưng vẫn cập nhật nhanh những tin tức và xu hướng đáng chú ý theo đúng chủ đề quan tâm.
Bài viết này chia sẻ lại quá trình xây dựng AI agent tổng hợp tin tức trên GreenNode AgentBase của mình, từ kiến trúc hệ thống và cách đánh giá xu hướng đến những kỹ thuật tối ưu token để kiểm soát chi phí vận hành.
Ý tưởng bắt đầu từ đâu? Ba quyết định định hình AI agent
Về mặt hạ tầng, GreenNode AgentBase đã cung cấp cơ bản những gì mình cần, nên phần quan trọng còn lại chỉ là thiết kế logic và kiến trúc ở tầng cao hơn sao cho phù hợp với use case. Ba quyết định dưới đây định hình toàn bộ hệ thống kiến trúc AI agent của mình
Chọn thiết bị và nền tảng tương tác
Để cập nhật tin tức nhanh chóng, điện thoại là lựa chọn tự nhiên: luôn ở bên cạnh, dễ truy cập và phù hợp với việc nhận thông báo theo thời gian thực.
Từ đó, việc mình lựa chọn OpenClaw cũng khá tự nhiên. OpenClaw hỗ trợ tương tác với nhiều nền tảng nhắn tin, giúp người dùng có thể truy cập và điều khiển agent trực tiếp từ những ứng dụng quen thuộc như Telegram hay Zalo.
Trong kiến trúc này, Telegram được sử dụng làm giao diện tương tác chính giữa người dùng và hệ thống.
Làm sao để agent "nhiều chuyện"?
Một AI agent tổng hợp tin tức không chỉ cần biết đọc thông tin. Nó còn phải biết:
- Truy cập những nền tảng mạng xã hội người dùng quan tâm.
- Tìm kiếm nội dung theo chủ đề.
- Lọc những bài đăng không liên quan.
- Đánh giá bài đăng nào đang có mức độ quan tâm cao.
- Tổng hợp và đưa những thông tin đáng chú ý nhất đến người dùng.
Không phải bài đăng nào có nhiều tương tác cũng thực sự đáng đọc. Một bài viết đáng chú ý có thể được thể hiện qua lượt xem cao, lượng chia sẻ lớn hoặc phần bình luận đang thu hút nhiều tranh luận.
Thay vì tự xây dựng toàn bộ hệ thống crawling và thu thập dữ liệu, giải pháp ở đây là tận dụng các dịch vụ có sẵn. Sau quá trình nghiên cứu và tham khảo gợi ý từ Claude, ChatGPT và Gemini, SocialCrawl được lựa chọn làm công cụ chính, trong khi Zernio được sử dụng như một phương án thay thế cho một số use case cụ thể.
Giữ tài nguyên tính toán ở mức hợp lý
Một agent tổng hợp tin tức cá nhân không cần một kiến trúc quá phức tạp.
Mục tiêu là xây dựng một hệ thống đủ nhanh, đủ thông minh và đủ tiết kiệm cho nhu cầu thực tế. Bởi nếu chi phí vận hành một "bé agent" còn cao hơn cả tiền mua trà sữa thì… có lẽ nên cân nhắc lại kiến trúc.
Từ ba quyết định trên, kiến trúc tổng thể được hình thành như sau.
Kiến trúc tổng quan AI agent tổng hợp tin tức
Hệ thống gồm bốn thành phần chính:
- Datasource: Nền tảng mạng xã hội: X, Reddit, Threads, LinkedIn, TikTok… Đây là các nguồn dữ liệu chính mà agent có thể thu thập. Tùy nhu cầu, mỗi người dùng có thể lựa chọn một tập nền tảng khác nhau.
- Messaging Platform: Nền tảng tương tác: Telegram, một trong những nền tảng nhắn tin được OpenClaw hỗ trợ.
- Gateway: GreenNode AgentBase OpenClaw Runtime, đóng vai trò kết nối giữa nền tảng nhắn tin và các agent phía sau.
- Workload: GreenNode AgentBase Runtime, nơi các agent thực hiện việc xử lý và phân tích dữ liệu.
Vì sao cần tách OpenClaw và runtime?
Một câu hỏi đặt ra là: tại sao không chạy trực tiếp các sub-agent trên OpenClaw?
Trong thực tế, việc chạy và quản lý nhiều sub-agent trực tiếp trên OpenClaw sẽ trở nên phức tạp hơn khi workload tăng lên. Vì vậy, trong thiết kế này, OpenClaw chủ yếu đảm nhận vai trò gateway - kết nối người dùng thông qua nền tảng nhắn tin với nhóm agent phía sau.
Các workload AI agent được triển khai và kiểm soát trên GreenNode AgentBase Runtime.
Cách tách biệt này giúp kiến trúc rõ ràng hơn, đồng thời tạo dư địa để scale workload khi use case mở rộng trong tương lai.
Làm sao để AI agent biết bài nào đáng đọc?
Thu thập bài đăng từ các nền tảng mạng xã hội tương đối đơn giản. Phần khó hơn là xác định bài nào thực sự đáng để người dùng dành thời gian đọc.
Bài đăng có liên quan đến chủ đề đang theo dõi không? Có phải scam không? Mức độ quan tâm của cộng đồng hiện tại như thế nào? Đây có thực sự là một xu hướng hay chỉ là một nội dung nhất thời?
Để giải quyết bài toán này, mỗi bài đăng phải đi qua hai cổng xử lý: tiền xử lý và đánh giá xu hướng.
Cổng 1: Tiền xử lý
Ở bước đầu tiên, hệ thống lọc những bài đăng không liên quan đến chủ đề mà người dùng đã thiết lập.
Mục tiêu của bước này khá đơn giản: không đưa dữ liệu rác vào những bước xử lý tốn tài nguyên hơn.
Những bài đăng phù hợp sẽ tiếp tục được đưa sang bước đánh giá xu hướng.
Cổng 2: Đánh giá xu hướng.
Tại đây, hệ thống xem xét các tín hiệu như:
- Lượt xem và mức độ tương tác.
- Lượt chia sẻ.
- Số lượng và nội dung bình luận.
- Mức độ thảo luận xung quanh bài đăng.
Dựa trên những tín hiệu này, agent xác định mức độ đáng chú ý của từng bài đăng.
Cuối cùng, chỉ top 3 bài đăng nổi bật nhất vượt qua cả hai cổng và được gửi đến người dùng.
Explore More - Tính năng giúp đào sâu một xu hướng mạng xã hội cho người dùng
Việc biết một bài đăng đang nổi bật đôi khi vẫn chưa đủ. Người dùng có thể muốn biết thêm:
- Đây có thực sự là một sự kiện đang diễn ra?
- Cộng đồng đang phản ứng như thế nào?
- Những thông tin nào đang được nhắc đến nhiều nhất?
- Xu hướng này đang hạ nhiệt hay có khả năng tiếp tục tăng?
Đó là lúc tính năng Explore More được kích hoạt.
Khi người dùng yêu cầu phân tích sâu hơn, các model sẽ xử lý thêm những dữ liệu thu thập được từ bài đăng, bao gồm lượt tương tác, nội dung bình luận và các nguồn thông tin liên quan trên Internet.
Từ dữ liệu tương tác đến đánh giá xu hướng
Thay vì chỉ dựa vào một chỉ số như số lượt tương tác, agent tổng hợp nhiều tín hiệu để có góc nhìn đầy đủ hơn về một xu hướng.
Sau đó, agent tiếp tục phân tích diễn biến của cuộc thảo luận để xác định xu hướng đang:
Nhờ đó, người dùng không chỉ biết "chuyện gì đang hot", mà còn có thêm bối cảnh để hiểu "vì sao nó hot" và "chuyện gì có thể xảy ra tiếp theo".
Tối ưu token: Làm sao để agent không "đốt tiền"?
Một trong những bài toán quan trọng khi xây dựng AI agent là kiểm soát chi phí inference.
Đặc biệt với một chatbot được sử dụng thường xuyên trên Telegram, việc mọi tương tác đều đi qua LLM có thể tạo ra lượng token không cần thiết.
Trong hệ thống này, hai kỹ thuật được áp dụng để giảm những lần gọi model không cần thiết.
LLM Bypass: Bỏ qua LLM cho các tác vụ thuần logic
Điểm đáng chú ý đầu tiên là mọi tương tác trên Telegram đều có thể đi qua LLM bên trong OpenClaw. Nếu không kiểm soát, ngay cả những thao tác đơn giản cũng có thể tiêu tốn token.
Giải pháp là xây dựng một skill định tuyến (routing skill) để phân loại yêu cầu:
- Tác vụ có thể xử lý bằng logic → chạy trực tiếp.
- Tác vụ cần khả năng suy luận → gọi LLM/agent.
Ví dụ, những thao tác như thiết lập chủ đề cho nền tảng mạng xã hội, chuyển sang tin tiếp theo trong cùng một nhóm, bật/tắt thông báo… đều là các tác vụ thuần logic và không nhất thiết phải gọi LLM. Hình bên dưới thể hiện luồng chạy độc lập của hai loại dữ liệu khác nhau
Cách tiếp cận này giúp giảm những lần gọi model không tạo thêm giá trị, đồng thời khiến trải nghiệm tương tác nhanh hơn.
Lazy Agent: Chỉ gọi agent khi thật sự cần
Một kỹ thuật khác được áp dụng là Lazy Agent. Thay vì để agent hoạt động liên tục, workload được chia thành hai layer.
Layer đầu tiên xử lý các logic cơ bản mà không cần LLM. Chỉ khi người dùng yêu cầu một tác vụ phức tạp hơn, chẳng hạn Explore More, hệ thống mới trigger những workload liên quan đến agent.
Điều này giúp hệ thống tránh việc sử dụng tài nguyên AI cho những tác vụ đơn giản, đồng thời kiểm soát tốt hơn chi phí vận hành.
Kết luận
Một “bé agent” nhỏ xinh, vừa đủ cho use case tổng hợp tin tức theo chủ đề trên các nền tảng mạng xã hội cá nhân. Tuy nhiên, tiềm năng của social platform còn lớn hơn nhiều, đặc biệt với các doanh nghiệp cần lắng nghe dòng chảy dư luận, theo dõi xu hướng và khai thác dữ liệu mạng xã hội.
Cuối cùng, quan trọng hơn, từ khi có “bé”, những buổi chiều thư giãn cùng một ly trà sữa của mình cũng trở nên nhẹ nhàng hơn.
