Tool calling: cách AI Agent gọi được phần mềm của bạn

Nếu gần đây bạn đã thử kết nối một AI Agent vào phần mềm quản lý bán hàng của công ty mà cuối cùng nó chỉ trả lời được những câu chung chung kiểu "tồn kho còn tuỳ thời điểm bạn kiểm tra nhé", thì rất có thể vấn đề không nằm ở bản thân con AI mà nằm ở chỗ nó chưa được trao đúng "chìa khoá" để thật sự chạm vào dữ liệu của bạn - và cơ chế trao chìa khoá đó chính là tool calling, thứ bài viết này sẽ giúp bạn hiểu tường tận để tự tin đánh giá độ khó khi tích hợp nhé.

Có thể bạn đã từng ngồi họp với một đơn vị triển khai AI, nghe họ giới thiệu con agent thông minh đến mức trò chuyện trôi chảy như người thật, trả lời mọi câu hỏi về sản phẩm hay chính sách bảo hành, nhưng đến khi bạn hỏi thử "còn bao nhiêu áo size M màu đen trong kho" thì nó lại lúng túng hoặc tệ hơn là bịa ra một con số nghe rất hợp lý nhưng hoàn toàn sai sự thật, khiến bạn vừa mất niềm tin vừa lo nếu đưa vào dùng thật thì nhân viên sale sẽ báo giá nhầm cho khách ngay trong lúc chốt đơn. Đây là tình huống quen thuộc với không ít chủ doanh nghiệp và người quản lý đang tìm hiểu AI Agent, bởi mô hình ngôn ngữ dù giỏi ăn nói đến đâu vẫn không tự nhìn thấy được dữ liệu thật đang nằm trong phần mềm quản lý bán hàng, hệ thống kế toán hay CRM của bạn nếu chưa có ai "dẫn đường" cho nó.

Đừng lo, vì đây không phải giới hạn bất khả kháng của công nghệ mà là một cơ chế đã được các nền tảng AI lớn như Claude của Anthropic hay GPT của OpenAI xây dựng sẵn, gọi là tool calling (gọi công cụ) - cho phép agent tạm dừng việc "đoán mò", gửi một yêu cầu có cấu trúc rõ ràng sang đúng phần mềm của bạn để lấy dữ liệu thật, rồi mới trả lời dựa trên con số chính xác vừa nhận được. Hiểu đúng cơ chế này sẽ giúp bạn biết chính xác cần chuẩn bị gì và nên hỏi đội kỹ thuật của mình (hoặc đơn vị triển khai) những câu nào trước khi quyết định tích hợp.

Tool calling là gì và vì sao agent cần đến nó

Thử tưởng tượng mà xem: bạn vừa tuyển một nhân viên mới cực kì giỏi ăn nói, nắm chắc mọi quy trình lý thuyết của công ty, nhưng lại chưa được cấp thẻ ra vào kho lẫn tài khoản đăng nhập phần mềm bán hàng - dù nhân viên đó thông minh đến đâu, khi khách hỏi về tồn kho thật, họ cũng chỉ có thể đoán hoặc trả lời chung chung. AI Agent lúc chưa có tool calling cũng ở đúng tình cảnh đó: mô hình ngôn ngữ chỉ được huấn luyện từ dữ liệu văn bản khổng lồ nên rất giỏi diễn đạt, nhưng nó không hề "nhìn thấy" dữ liệu tồn kho, đơn hàng hay lịch sử mua hàng đang nằm trong hệ thống riêng của công ty bạn.

Tool calling chính là "tấm thẻ ra vào kho" đó, được các nền tảng AI thiết kế thành một quy ước kỹ thuật rất cụ thể: bạn liệt kê cho agent biết mình có những công cụ (tool) nào - ví dụ tool tra tồn kho, tool tạo đơn hàng, tool kiểm tra trạng thái vận chuyển - kèm mô tả rõ ràng từng tool dùng để làm gì, sau đó để chính agent tự quyết định lúc nào cần gọi tool nào và gọi với thông tin gì. Nhờ vậy agent không chỉ trò chuyện suông mà còn thật sự thao tác được trên phần mềm của bạn, biến một chatbot hỏi-đáp thành một trợ lý có thể tra cứu, đối chiếu và thậm chí tạo ra hành động thật trong hệ thống.

Cơ chế tool calling qua ví dụ tra tồn kho

Để không còn mơ hồ, hãy đi qua đúng 5 bước xảy ra phía sau một câu hỏi rất đời thường: khách hàng nhắn "còn áo thun size M màu đen không shop?" vào khung chat trên website của bạn. Toàn bộ quá trình dưới đây thường chỉ mất chưa tới một giây, nhưng nắm được từng bước sẽ giúp bạn hình dung chính xác chỗ nào cần chuẩn bị dữ liệu, chỗ nào cần kiểm soát quyền hạn.

1. 1

   Agent nhận yêu cầu và hiểu ý định của khách

   Agent đọc tin nhắn "còn áo thun size M màu đen không shop?" và nhận ra đây là câu hỏi cần dữ liệu tồn kho thật, không phải câu hỏi chung chung về chính sách hay sản phẩm mà nó có thể trả lời ngay từ kiến thức đã học.

2. 2

   Agent chọn đúng tool cần dùng

   Trong danh sách tool được khai báo sẵn (tra tồn kho, tạo đơn, tra vận chuyển...), agent so khớp câu hỏi với phần mô tả từng tool và chọn ra tool "tra_ton_kho" - việc chọn đúng phụ thuộc gần như hoàn toàn vào việc bạn mô tả tool đó rõ ràng đến đâu, phần này sẽ nói kỹ ở mục sau.

3. 3

   Agent gọi tool kèm tham số cụ thể

   Agent không gọi tool suông mà tự trích ra các tham số cần thiết từ câu hỏi của khách, ví dụ {"san_pham": "ao thun", "size": "M", "mau": "den"}, rồi gửi yêu cầu này sang đúng hệ thống của bạn - giống hệt cách một nhân viên điền phiếu tra cứu trước khi nộp cho bộ phận kho, giúp hệ thống hiểu chính xác cần tìm cái gì thay vì đoán mò.

4. 4

   Hệ thống của bạn trả kết quả thật về cho agent

   Phần mềm quản lý bán hàng xử lý yêu cầu và trả về kết quả thật, ví dụ "còn 12 chiếc". Kết quả này được đưa ngược lại vào cuộc hội thoại như một dữ kiện mới mà agent phải dựa vào, thay vì được phép tự suy đoán hay lấy từ trí nhớ huấn luyện.

5. 5

   Agent dùng kết quả thật để trả lời hoặc hành động tiếp

   Agent diễn đạt lại con số "12 chiếc" thành câu trả lời tự nhiên cho khách, và nếu khách nói tiếp "vậy đặt giúp mình 1 cái", agent hoàn toàn có thể lặp lại đúng quy trình này với một tool khác là "tao_don_hang" - đây là lý do một agent có tool calling có thể vừa trả lời vừa thao tác thật, chứ không chỉ dừng ở việc trò chuyện.

Tuy quy trình 5 bước nghe có vẻ nhiều công đoạn nhưng toàn bộ diễn ra tự động phía sau, người dùng cuối chỉ thấy một câu trả lời mượt mà xuất hiện sau vài giây; cái bạn cần quan tâm với vai trò người quản lý hay chủ doanh nghiệp không phải là lập trình từng dòng, mà là hiểu rõ agent đang "chạm" vào đâu trong hệ thống của mình - điều này giúp bạn đặt đúng giới hạn quyền hạn ngay từ đầu, tránh cấp thừa những gì không cần thiết.

Cách mô tả một tool để agent hiểu đúng

Đây là phần quyết định gần như toàn bộ chất lượng tích hợp, nên dù bạn không trực tiếp viết code thì cũng nên nắm được nguyên lý để trao đổi đúng trọng tâm với đội kỹ thuật. Theo tài liệu chính thức của Anthropic (Claude) và OpenAI, tính đến tháng 8/2026, một tool luôn cần khai báo tối thiểu ba phần: tên tool (để agent gọi tên khi cần), mô tả bằng ngôn ngữ tự nhiên nói rõ tool dùng để làm gì và khi nào nên dùng, và khung tham số theo chuẩn JSON Schema quy định agent được phép gửi những thông tin gì, kiểu dữ liệu ra sao. Cả hai nền tảng lớn này cũng như Gemini của Google đều đi theo đúng bộ ba đó, chỉ khác nhau chút ít ở tên gọi trường dữ liệu.

Ví dụ một tool tra tồn kho được khai báo tối thiểu sẽ trông như sau, bạn có thể đưa nguyên đoạn này cho đội kỹ thuật hoặc đơn vị triển khai để giúp họ hình dung nhanh việc cần làm:

{
  "name": "tra_ton_kho",
  "description": "Tra số lượng tồn kho thật của một sản phẩm theo tên, size và màu. Dùng khi khách hỏi còn hàng hay không, hoặc hỏi số lượng cụ thể.",
  "input_schema": {
    "type": "object",
    "properties": {
      "san_pham": { "type": "string", "description": "Tên sản phẩm, ví dụ: ao thun" },
      "size": { "type": "string", "description": "Size sản phẩm, ví dụ: S, M, L" },
      "mau": { "type": "string", "description": "Màu sản phẩm" }
    },
    "required": ["san_pham"]
  }
}

Điều nhiều người mới tìm hiểu hay bỏ qua là phần description quan trọng không kém gì phần kỹ thuật, bởi agent chọn tool dựa trên việc đọc hiểu mô tả này giống như đọc một bản hướng dẫn sử dụng ngắn gọn - mô tả càng rõ ràng, càng nêu cụ thể "khi nào nên dùng tool này", càng giúp agent chọn đúng ngay từ lần đầu thay vì chọn nhầm hoặc bỏ sót. Ngoài ra, cả Anthropic và OpenAI đều khuyến nghị không nên đưa quá nhiều tool vào cùng một lượt gọi: OpenAI gợi ý giữ dưới khoảng 20 tool khả dụng mỗi lượt (đây là khuyến nghị thực hành tốt chứ không phải giới hạn kỹ thuật cứng), vì càng nhiều tool cùng lúc, agent càng dễ "hoa mắt" và chọn sai - một thông tin rất đáng lưu ý nếu công ty bạn có hàng chục API nội bộ muốn kết nối cùng lúc.

Checklist lỗi tích hợp thường gặp

Dưới đây là những lỗi lặp lại nhiều nhất khi doanh nghiệp bắt đầu nối AI Agent vào phần mềm nội bộ, bảng này giúp bạn rà soát nhanh cùng đội kỹ thuật hoặc đơn vị triển khai trước khi đưa agent vào dùng thật, tránh vừa mất thời gian sửa lỗi vừa ảnh hưởng đến trải nghiệm khách hàng ngay từ những ngày đầu.

Nhìn qua có thể thấy phần lớn lỗi tích hợp không nằm ở việc mô hình AI "chưa đủ thông minh" mà nằm ở cách con người mô tả và cấp quyền cho nó - việc rà đúng những điểm này ngay từ đầu giúp bạn vừa dễ kiểm soát vừa dễ khắc phục, thay vì để đến lúc khách hàng phàn nàn mới đi tìm nguyên nhân.

Câu hỏi thường gặp

Đặc biệt, một khi đã hiểu tool calling hoạt động ra sao, bạn sẽ không còn bị choáng ngợp trước những lời chào bán "AI Agent thông minh vượt trội", mà biết cách hỏi thẳng: agent này gọi được vào những phần mềm nào của mình, mô tả tool đã kiểm thử kỹ chưa, và quyền ghi dữ liệu được kiểm soát ra sao - ba câu hỏi này thôi cũng đủ giúp bạn phân biệt một giải pháp làm nghiêm túc với một bản demo chỉ đẹp trên sân khấu.