Học Cách Xây Dựng AI Agent

Lê Lân

04/07/2025

Xây Dựng Agent AI Tự Động Hóa Việc Mua Sắm Hàng Tuần Với Google ADK và MongoDB Atlas Vector Search

Mở Đầu

Bạn đã bao giờ cảm thấy việc mua sắm hàng tuần là một công việc nhàm chán và tốn thời gian? Với sự phát triển của trí tuệ nhân tạo (AI), việc tự động hóa những tác vụ thường nhật như thế này trở nên khả thi và hiệu quả hơn bao giờ hết.

Trong bài viết này, chúng ta sẽ cùng tìm hiểu cách xây dựng một agent AI – một chương trình tự động có khả năng làm việc một cách độc lập để hỗ trợ bạn trong việc mua sắm hàng tuần một cách thông minh và thân thiện. Dựa trên Google’s Agent Development Kit (ADK), công nghệ Gemini 2.0 Flash và hệ thống MongoDB Atlas Vector Search, agent này sẽ hiểu và xử lý các truy vấn ngôn ngữ tự nhiên, tìm kiếm sản phẩm tương tự dựa trên ý nghĩa câu hỏi và quản lý giỏ hàng của người dùng.

Bạn sẽ được hướng dẫn chi tiết từ khâu thiết lập MongoDB Atlas, tạo embeddings văn bản đến lập trình agent cùng các công cụ cần thiết. Hãy bắt đầu hành trình tận dụng AI để đơn giản hóa thao tác mua sắm online nhé!

1. Giới Thiệu Về Agent AI và Google Agent Development Kit (ADK)

1.1 Agent AI là gì?

Agent AI là một chương trình tự động có khả năng lập kế hoạch, ra quyết định và hành động dựa trên các công cụ và ngữ cảnh mà nó thu thập được. Nó không chỉ hiểu được câu hỏi mà còn có thể tương tác với các hệ thống bên ngoài, lưu trữ lịch sử tương tác để nâng cao hiệu quả và thông minh hơn theo thời gian.

1.2 Tổng Quan về Google Agent Development Kit (ADK)

Google ADK là một khuôn khổ phát triển agent AI đa năng, linh hoạt, giúp các lập trình viên dễ dàng triển khai các tác vụ từ đơn giản đến phức tạp trên nền tảng Google và các hệ thống khác. ADK cho phép:

Tạo ra các agent tự trị, với khả năng tương tác và phối hợp đa tác vụ.

Hỗ trợ tích hợp nhiều mô hình ngôn ngữ (LLM) khác nhau như Gemini 2.0 Flash, Anthropic.

Dễ dàng kiểm soát, mở rộng và duy trì các hệ thống agent phức tạp.

Việc phát triển agent AI với ADK giúp chuyển đổi quy trình phát triển từ việc xây dựng phần mềm thường sang một kiến trúc có khả năng tự quyết định dựa trên ngữ cảnh.

2. Thiết Lập MongoDB Atlas và Vector Search Cho Dữ Liệu Sản Phẩm

2.1 Tạo Cluster MongoDB Atlas

Để lưu trữ dữ liệu sản phẩm và thực hiện truy vấn vector search, bạn cần:

Đăng ký và tạo cluster trong MongoDB Atlas .

Chọn tier miễn phí (M0), mật khẩu người dùng và cấu hình IP.

Lấy chuỗi kết nối cho ứng dụng của bạn.

2.2 Nạp Dữ Liệu Sản Phẩm

Dữ liệu mẫu sản phẩm yêu cầu trong project được tải về từ repo GitHub của MongoDB Developer. Bạn sử dụng mongoimport để nạp file dataset.csv vào cơ sở dữ liệu.

mongoimport --uri "$CONNECTION_STRING" --db grocery_store --collection inventory --type csv --headerline --file mongodb-groceries-agent/dataset.csv

2.3 Tạo Vector Search Index

Vector Search giúp so sánh ngữ nghĩa bằng cách chuyển mô tả sản phẩm thành các vector số. Bạn cần cấu hình:

Chỉ số	Mô tả
numDimensions	768 (số chiều của vector embedding)
path	"embedding" (trường chứa vector embedding trong tài liệu)
similarity	"cosine" (phương pháp đo độ tương đồng cosine giữa các vector)
type	"vector"

Cấu hình JSON cho index có dạng:

{
  "fields": [
    {
      "numDimensions": 768,
      "path": "embedding",
      "similarity": "cosine",
      "type": "vector"
    }
  ]
}

3. Tạo Embeddings Văn Bản Với Google Vertex AI

3.1 Tạo Project Google Cloud và bật dịch vụ Vertex AI

Bạn cần:

Tạo hoặc chọn Project trên Google Cloud Console .

Bật API Vertex AI.

Kích hoạt tính năng thanh toán (billing) và nhận được credits nếu có.

3.2 Sinh Embeddings

Mã Python sử dụng model text-embedding-004 để chuyển đổi truy vấn tìm kiếm thành vector:

def generate_embeddings(query):
    vertexai.init(project=PROJECT_ID, location=PROJECT_LOCATION)
    model = TextEmbeddingModel.from_pretrained("text-embedding-004")
    embeddings = model.get_embeddings([query])
    return embeddings[0].values

Sau đó, chạy script tạo embeddings cho toàn bộ bộ sản phẩm trong MongoDB:

python mongodb-groceries-agent/create-embeddings.py

Điều này giúp mỗi sản phẩm được biểu diễn bởi một vector, hỗ trợ truy vấn ngữ nghĩa.

4. Xây Dựng Agent AI Với Google ADK

4.1 Cài đặt môi trường phát triển

Thực hiện các bước:

Kích hoạt Cloud Shell và tạo môi trường ảo Python.

Cài đặt gói ADK qua:

pip install google-adk

Clone repo demo và cài đặt dependencies:

git clone https://github.com/mongodb-developer/MongoDB-ADK-Agents
cd MongoDB-ADK-Agents/mongodb-groceries-agent
pip install -r requirements.txt

4.2 Cấu hình biến môi trường (.env)

GOOGLE_GENAI_USE_VERTEXAI=TRUE
GOOGLE_CLOUD_LOCATION=us-central1
GOOGLE_CLOUD_PROJECT=<your_project_id>
DATABASE_NAME=grocery_store
COLLECTION_NAME=inventory
CONNECTION_STRING="mongodb+srv://<user>:<password>@<cluster-url>/"

4.3 Cấu trúc agent và công cụ chính

Agent được tạo với ba thành phần cốt lõi:

Model: Gemini 2.0 Flash.

Instruction: Hướng dẫn giao tiếp thân thiện, hỏi người dùng khi không hiểu câu truy vấn.

Tools: Tập hợp chức năng chính gồm:

Tìm sản phẩm tương tự qua vector search.

Thêm sản phẩm vào giỏ hàng.

root_agent = Agent(
    model="gemini-2.0-flash",
    name="grocery_shopping_agent",
    instruction="""
        Start the Conversation with the user being a positive and friendly agent.
        Introduce yourself as the "Online Groceries Agent" and ask user how can you help them today.
        You are a customer agent for an ecommerce company and you are here to help the user with their shopping needs.
        Additional instructions:
        1. Ask for details only if you don't understand the query and are not able to search.
        2. You can use multiple tools in parallel by calling functions in parallel.
    """,
    tools=[find_similar_products, add_to_cart]
)

5. Hoạt Động Chi Tiết Các Tool Trong Agent

5.1 Tìm kiếm sản phẩm tương tự với MongoDB Vector Search

Bước:

Dùng mô hình để tạo embedding từ truy vấn người dùng.

Sử dụng $vectorSearch trong MongoDB để tìm những sản phẩm có vector embedding gần nhất.

pipeline = [
    {
        "$vectorSearch": {
            "index": "inventory_vector_index",
            "path": "embedding",
            "queryVector": vector_embeddings,
            "numCandidates": 100,
            "limit": 10
        },
    },
    {
        "$project": {
            "_id": 0, "sale_price": 0, "market_price": 0, "embedding": 0,
        }
    }
]

documents = client[DATABASE_NAME][COLLECTION_NAME].aggregate(pipeline).to_list()

5.2 Thêm sản phẩm vào giỏ hàng

Agent cập nhật giỏ hàng của người dùng trong MongoDB, thao tác thêm sản phẩm:

client = pymongo.MongoClient(CONNECTION_STRING, tlsCAFile=certifi.where())
products_collection = client[DATABASE_NAME][COLLECTION_NAME]
product = products_collection.find_one({"product": product})

cart_collection = client[DATABASE_NAME]["carts"]
cart_collection.update_one(
    {"username": username},
    {"$addToSet": {"products": product}},
    upsert=True
)

6. Chạy Agent và Giao Tiếp Với Người Dùng

6.1 Chạy Agent từ terminal

Từ thư mục dự án gốc, chạy lệnh:

adk run mongodb-groceries-agent

Agent bắt đầu hội thoại, trả lời và thực thi chức năng ngay trên terminal.

6.2 Giao diện web

Chạy lệnh:

adk web

Bạn có thể trò chuyện với agent thông qua giao diện web thuận tiện, thân thiện.

Sau khi thêm sản phẩm vào giỏ hàng qua agent, hãy kiểm tra bộ sưu tập carts trong MongoDB để thấy sản phẩm được lưu dưới dạng tài liệu mới.

Kết Luận

Trong bài viết này, chúng ta đã cùng xây dựng một agent AI đa năng, thân thiện hỗ trợ người dùng trong việc mua sắm hàng tuần thông qua việc tìm kiếm sản phẩm theo ngữ nghĩa và quản lý giỏ hàng tự động. Thông qua việc kết hợp Google Agent Development Kit, Gemini 2.0 Flash, và MongoDB Atlas Vector Search, agent đảm bảo một trải nghiệm tương tác tự nhiên và hiệu quả.

Đây chỉ là bước khởi đầu. Bạn hoàn toàn có thể mở rộng agent này với các tính năng như:

Tích hợp đặt hàng trực tiếp trên nền tảng thương mại điện tử.

Bổ sung bộ nhớ giúp ghi nhớ sở thích và lịch sử mua sắm.

Phát triển hệ thống multi-agent cho các chức năng như gợi ý công thức nấu ăn, so sánh giá.

Hãy khám phá thêm tại repository nguồn và bắt tay xây dựng những agent AI giúp tối ưu công việc thường nhật của bạn!

Tham Khảo

Google Agent Development Kit Documentation: http://google.github.io/adk-docs

MongoDB Atlas Vector Search Quick Start: https://www.mongodb.com/docs/atlas/atlas-vector-search/tutorials/vector-search-quick-start

Vertex AI Text Embeddings: https://cloud.google.com/vertex-ai/generative-ai/docs/embeddings/get-text-embeddings

MongoDB ADK Agents GitHub Repository: https://github.com/mongodb-developer/MongoDB-ADK-Agents

Intelligence Amplification - Wikipedia: https://en.wikipedia.org/wiki/Intelligence_amplification

Google Cloud Credits để bắt đầu: https://trygcp.dev/e/cvs10-lab4