Xây dựng quy trình AI với các khung đa tác nhân

Hầu hết các nhà phát triển khi xây dựng tác nhân AI đều bắt đầu với một vòng lặp mô hình ngôn ngữ lớn duy nhất — một lời nhắc hệ thống và có thể thêm một vài công cụ — và với các tác vụ nhỏ, như vậy là đủ.

Nhưng khi bạn cần cấu trúc, hệ thống bắt đầu rối rắm. Kết quả trở nên khó đoán, quy trình khó gỡ lỗi và bạn lãng phí token cho các thao tác lặp lại thay vì tiến bộ.

Quy trình đa tác nhân cho phép bạn xây dựng các tác nhân AI hoạt động như một đội nhóm với vai trò rõ ràng và minh bạch trong cách ra quyết định, cùng hướng tới một mục tiêu chung.

Khung đa tác nhân là gì?

Một framework đa agent là hạ tầng bạn dùng để xây dựng, vận hành và quản lý nhiều AI agent phối hợp với nhau.

Đây là hạ tầng xử lý cách các tác nhân giao tiếp và cách nhiệm vụ được chuyển giữa họ.

Nếu bạn đang làm việc với hệ thống đa agent, framework chính là yếu tố giúp chúng vận hành.

Về cơ bản, nó biến các mô hình ngôn ngữ lớn (LLM) thô thành các tác nhân có phạm vi, mỗi tác nhân có vai trò và cách vận hành dự đoán được.

Thay vì tự viết logic điều phối, framework cung cấp cho bạn cấu trúc, kiểm soát và khả năng lặp lại.

Các khái niệm chính về khung đa tác nhân

Khung đa tác nhân hoạt động như thế nào?

Các framework đa agent giúp xác định cách agent được kích hoạt, truyền dữ liệu và hệ thống theo dõi tiến trình như thế nào.

Chúng cung cấp các thành phần cơ bản để phối hợp các tác nhân theo cách có thể mở rộng với độ phức tạp và dễ triển khai trong thực tế.

Một ví dụ là sử dụng thiết lập đa tác nhân để vận hành chatbot WhatsApp. Trong trường hợp này, các tác nhân khác nhau có thể xử lý các nhiệm vụ như đặt chỗ, xử lý hoàn tiền hoặc xác minh, phối hợp với nhau phía sau mà không cần dựa vào một bot duy nhất.

Các agent được đăng ký như các thành phần có thể gọi trong hệ thống

Trước khi một agent có thể làm gì, framework cần biết về sự tồn tại của nó. Điều này nghĩa là bạn phải khai báo tên agent, nhiệm vụ của nó và các công cụ hoặc thông tin mà nó có thể truy cập.

Trong hầu hết các framework, việc thiết lập này được thực hiện qua file cấu hình hoặc một đoạn mã, nơi bạn định nghĩa vai trò của từng agent và cách kích hoạt nó. Ví dụ, bạn có thể chỉ định cho hệ thống:

“Đây là bộ lập kế hoạch. Nó đọc đầu vào người dùng và quyết định bước tiếp theo.”
“Đây là bộ xác minh. Nó nhận thông tin người dùng và trả về booking_id cùng thông tin người dùng.”

Khi đã đăng ký, framework có thể “gọi” các tác nhân này theo tên, nghĩa là nó biết cách chạy từng tác nhân khi đến lượt trong quy trình.

Tác nhân định tuyến quyết định tác nhân nào sẽ chạy tiếp theo

Một agent lập kế hoạch hoặc hàm điều khiển sẽ xử lý định tuyến agent AI. Nó xem xét đầu ra bot mới nhất, lịch sử hội thoại hiện tại và đôi khi cả đầu vào ban đầu của người dùng để quyết định bước tiếp theo.

Một số planner dựa trên prompt — chúng nhận thông điệp hệ thống và xuất ra tên agent tiếp theo cần chạy.

Những nền tảng khác sử dụng logic mã hóa cứng hoặc sơ đồ luồng, tùy thuộc vào framework tác nhân AI mà bạn đang sử dụng.

Framework nhận kết quả đó và dùng nó để gọi agent tiếp theo. Bộ định tuyến sẽ quyết định ai thực hiện nhiệm vụ thay vì tự làm.

Dữ liệu được truyền giữa các tác nhân thông qua tin nhắn

Các agent không chia sẻ bộ nhớ trực tiếp. Khi một agent hoàn thành, kết quả sẽ được đóng gói thành một thông điệp — thường là dictionary hoặc đối tượng JSON — và chuyển cho agent tiếp theo làm đầu vào.

Framework sẽ xử lý việc chuyển tiếp. Nó có thể lưu trữ tin nhắn trong bộ nhớ dùng chung hoặc chuyển trực tiếp vào giao diện đầu vào của agent tiếp theo, tùy thuộc vào cách hệ thống được cấu hình.

Tin nhắn thường bao gồm nhiều hơn chỉ nội dung:

• Ai đã gửi (agent hay người dùng)
• Đã xuất hiện ở đâu trong quy trình
• Cách sử dụng (ví dụ: kích hoạt, nhập liệu, quyết định)
• Các chỉ số tùy chọn như số lượng token hoặc dấu thời gian

Ngữ cảnh này giúp hệ thống phân luồng nhiệm vụ một cách rõ ràng và giữ cho các agent không bị phụ thuộc lẫn nhau.

Quy trình thực thi được theo dõi bằng trạng thái và kích hoạt của luồng công việc

Framework này theo dõi mọi diễn biến – agent nào đã chạy, trả về gì, và còn việc gì cần làm. Tất cả được lưu trong một đối tượng trạng thái, cập nhật sau mỗi bước.

Triggers quyết định bước tiếp theo. Chúng sử dụng giá trị đầu ra hoặc điều kiện để phân nhánh luồng.

Điều này cho phép hệ thống vận hành mà không cần mã hóa logic vào từng tác nhân. Trạng thái sẽ điều khiển quy trình, không phải từng tác nhân.

Lợi ích chính khi sử dụng khung đa tác nhân

Mở rộng logic mà không làm quá tải một agent duy nhất

Một tác nhân AI đơn lẻ chỉ có thể xử lý đến một mức độ nhất định trước khi trở thành mớ hỗn độn các prompt, công cụ và trách nhiệm không rõ ràng. Khung đa tác nhân cho phép bạn chia nhỏ logic thành các tác nhân chuyên biệt, mỗi tác nhân đảm nhận một nhiệm vụ rõ ràng.

Thay vì để một agent đảm nhận quá nhiều việc, bạn có thể giao từng bước cụ thể — như truy xuất, xác thực hoặc thực thi — cho các agent riêng biệt và phát triển hệ thống từng phần.

Gỡ lỗi sự hợp tác giữa các agent với khả năng quan sát đầy đủ

Khi các agent AI phối hợp với nhau, việc xác định vấn đề có thể rất khó. Framework sẽ cho bạn biết mỗi agent nhận được gì, trả về gì và dừng ở đâu.

Bạn không cần đoán điều gì bị lỗi — bạn kiểm tra các bước chuyển giao và sửa trực tiếp. Loại khả năng quan sát này giúp việc phối hợp giữa các tác nhân AI trở nên khả thi.

Tái sử dụng agent trong nhiều quy trình công việc

Nếu một agent hoạt động, hãy tái sử dụng nó. Framework cho phép bạn tích hợp cùng một agent vào nhiều luồng khác nhau mà không cần viết lại. Điều này giúp đảm bảo tính nhất quán và tăng tốc độ kiểm thử.

Ví dụ, một agent kiểm tra đầu vào người dùng hoặc xác thực có thể dùng cho cả chatbot chăm sóc khách hàng và chatbot đặt chỗ, miễn là logic giống nhau.

Tự động xử lý lỗi và thử lại

Khi một tác nhân thất bại, framework có thể thử lại, bỏ qua hoặc tiếp tục. Bạn không cần tự viết logic này.

Tính năng dự phòng tích hợp giúp quy trình làm việc đáng tin cậy hơn mà không cần thêm thao tác, và chính sự ổn định này là nền tảng cho các hệ thống thực tế.

Xây dựng luồng tác nhân dễ dàng thay đổi

Khi bạn phân chia nhiệm vụ cho các tác nhân, bạn không cần phải sửa lại toàn bộ hệ thống mỗi khi có thay đổi.

Bạn có thể cập nhật một planner mà không ảnh hưởng đến phần thực thi, hoặc thay đổi cách một agent phản hồi mà không cần viết lại phần còn lại.

Việc dễ dàng truy cập này thực sự mang lại hiệu quả—Salesforce báo cáo rằng các nhóm sử dụng AI agentic tiết kiệm được 11 giờ mỗi nhân viên mỗi tuần, một phần nhờ vào khả năng thích ứng của các quy trình làm việc.

Top 5 khung đa tác nhân hàng đầu

Việc lựa chọn framework đa tác nhân phụ thuộc vào thứ bạn đang xây dựng và mức độ kiểm soát bạn muốn đối với cách các tác nhân hoạt động, giao tiếp và phục hồi khi gặp lỗi.

Các framework tốt nhất mang lại những điểm đánh đổi khác nhau — một số rất phù hợp cho quy trình làm việc có cấu trúc, số khác mang lại nhiều sự linh hoạt hơn nhưng phải đánh đổi về độ rõ ràng.

Bạn nên chọn giải pháp phù hợp với nhu cầu của đội ngũ và mục tiêu phát triển hệ thống.

1. Botpress

Botpress là nền tảng phát triển trực quan để xây dựng AI agent có thể phối hợp qua nhiều bước, vai trò và kênh.

Thay vì lập trình logic bằng mã, bạn xác định cách các agent hoạt động thông qua flows, bộ nhớ, điều kiện và các lệnh gọi công cụ.

Hành vi đa tác nhân được xây dựng dựa trên hướng dẫn, quy trình làm việc và công cụ bên ngoài. Mỗi nút trong flow của Botpress hoạt động như một đơn vị tập trung, với hướng dẫn và phạm vi riêng.

Bạn có thể chia nhỏ quá trình suy luận qua nhiều Nút Tự động và Tĩnh, thêm lớp xác thực hoặc định tuyến đầu vào người dùng qua logic quyết định dựa trên công cụ thay vì xử lý tất cả trong một bước.

Bộ nhớ được giới hạn cho từng flow, nên agent chỉ dùng những gì cần thiết. Đầu vào và đầu ra được xác định rõ ràng, và có thể thêm các lệnh gọi công cụ trực tiếp qua các tích hợp sẵn có.

Tính năng nổi bật

• Điều phối tác nhân trực quan bằng flows và nodes
• Kiểm soát phạm vi bộ nhớ và biến giữa các node
• Ghi nhớ nhiều lượt, logic dự phòng và thử lại
• Sử dụng công cụ qua API, webhook và nhập liệu chức năng

2. LangChain

LangChain là một framework ưu tiên cho lập trình viên để xây dựng ứng dụng sử dụng LLM bằng cách kết nối chuỗi các prompt, công cụ và bộ nhớ.

Ban đầu nó là cách để cấu trúc các cuộc gọi LLM với các công cụ như tìm kiếm và máy tính, nhưng dần dần mở rộng thành một hệ sinh thái rộng lớn.

Một bản phát hành ưu tiên “tác nhân”, sau đó là “trợ lý”, rồi “runnables”. Kết quả là một bộ công cụ mạnh mẽ có thể làm gần như mọi thứ, nhưng thường mất thời gian để làm quen.

Bạn có thể gán bộ công cụ và xây dựng logic định tuyến giữa các agent. Điểm mạnh là tính mô-đun — các thành phần có thể tái sử dụng, kết hợp linh hoạt và tích hợp tốt với API bên ngoài.

Nhưng bạn sẽ phải viết nhiều mã kết nối hơn dự kiến. Và vì các lớp trừu tượng thay đổi nhanh, hãy kiểm tra xem phương pháp bạn dùng có còn là cách được khuyến nghị không.

Tính năng nổi bật

• Xâu chuỗi linh hoạt các lời nhắc, công cụ và bộ nhớ
• Tích hợp với LLM, kho vector và API
• Tùy chọn theo dõi và đánh giá với LangSmith

3. CrewAI

CrewAI giúp bạn dễ dàng xây dựng quy trình nhiều agent, mỗi agent có vai trò và nhiệm vụ riêng. Bạn tạo một nhóm, đặt mục tiêu và các agent phối hợp thông qua một quản lý chung.

Đây là một trong những cách nhanh nhất để mô hình hóa sự phối hợp giữa các agent mà không cần tự viết logic điều phối từ đầu.

Lý tưởng cho các thiết lập như cặp lập kế hoạch–thực thi, quy trình nghiên cứu–duyệt lại, hoặc bất kỳ nhiệm vụ nhóm nào có phân chia trách nhiệm rõ ràng.

Nhưng khi bạn bắt đầu thêm phức tạp, mức trừu tượng trở nên chặt chẽ. Sẽ ít linh hoạt hơn về cách và thời điểm agent chạy, và việc thay đổi hành vi thường đòi hỏi phải vượt ra ngoài mặc định của framework.

Tính năng nổi bật

• Thiết lập agent theo vai trò với tên, mục tiêu và bộ nhớ riêng
• Hỗ trợ thực thi agent tuần tự và song song
• Bộ nhớ dùng chung cho cộng tác giữa các agent
• Dễ dàng tích hợp với các công cụ, chức năng và prompt tùy chỉnh

4. AutoGPT

AutoGPT là dự án đầu tiên cho thấy điều gì xảy ra khi bạn giao cho chatbot GPT một mục tiêu và để nó tự vận hành — lập kế hoạch, suy nghĩ, nghiên cứu và thực thi mà không cần con người can thiệp liên tục.

Bạn xác định mục tiêu, và AutoGPT sẽ lặp qua các bước suy luận, tạo mục tiêu phụ, gọi công cụ và điều chỉnh chiến lược khi cần.

Đây là một bước tiến lớn giúp hành vi agentic trở nên tự động và linh hoạt hơn. Tuy nhiên, nó không được thiết kế cho độ chính xác cao.

Vòng lặp nhiệm vụ dễ bị lỗi, và các tác nhân thường bị kẹt trong việc lặp lại cùng một kế hoạch hoặc theo đuổi các nhiệm vụ không liên quan.

Bạn có thể tích hợp bộ nhớ, công cụ và API — nhưng việc kết nối mọi thứ lại với nhau thường dẫn đến các luồng xử lý khó dự đoán, gây khó khăn cho việc gỡ lỗi hoặc điều hướng.

Tính năng nổi bật

• Agent định hướng mục tiêu với khả năng tự tạo prompt và lập kế hoạch tác vụ
• Tự động tạo và thực thi các nhiệm vụ con
• Hỗ trợ sử dụng công cụ qua plugin và gọi API
• Có thể mở rộng với script, hàm và tích hợp tùy chỉnh

5. Autogen

Autogen là một framework mã nguồn mở của Microsoft tập trung vào hội thoại đa tác nhân, nơi các tác nhân tương tác thông qua tin nhắn có cấu trúc, theo lượt.

Nó đặc biệt hữu ích khi bạn muốn kiểm soát từng trao đổi, như trong các vòng lặp lập kế hoạch – thực thi hoặc các hệ thống con người kiểm soát.

Autogen nổi bật về tính minh bạch. Bạn có thể chèn chức năng vào giữa hội thoại, điều hướng quyết định qua logic tùy chỉnh và theo dõi chính xác từng tác nhân đã nói gì và lý do tại sao.

Nhưng để mở rộng quy mô thì cần nỗ lực. Điều phối tin nhắn rất linh hoạt nhưng không trừu tượng hóa — bạn vẫn phải tự quản lý lịch sử, cấu hình tác nhân và logic từng bước.

Đối với nghiên cứu, kiểm thử kiểm soát hoặc hành vi agent có thể tái tạo, đây là một trong những framework chính xác nhất hiện nay.

Tính năng nổi bật

• Khung giao tiếp đa tác nhân theo lượt
• Hỗ trợ agent có người giám sát và gọi hàm
• Theo dõi thông điệp minh bạch và chèn logic tuỳ chỉnh

Cách xây dựng với khung đa tác nhân

Cách dễ nhất để bắt đầu là chọn một quy trình thực tế – thứ vốn đã quá phức tạp đối với một agent duy nhất – rồi chia nhỏ thành vài phần đơn giản.

Hãy nghĩ đến chatbot tạo khách hàng tiềm năng, quy trình đặt chỗ hoặc bất kỳ trường hợp nào mà logic, xác minh và hành động bị rối.

Giao từng bước cho một tác nhân, sau đó kết nối chúng bằng công cụ định tuyến và nhắn tin của framework.

Bước 1: Xác định nơi logic agent đơn lẻ bị phá vỡ

Hãy tìm một khu vực trong bot hoặc hệ thống của bạn nơi mọi thứ bắt đầu trở nên rối rắm — các đoạn nhắc dài hoặc chuỗi lệnh công cụ nối tiếp nhau khiến mọi thứ như được gắn ghép tạm bợ. Đó chính là điểm bắt đầu của bạn. Dưới đây là một số ví dụ phổ biến dễ nhận ra:

1. Quy trình hoàn tiền tự động phân tích đầu vào người dùng, kiểm tra điều kiện, thực hiện hoàn tiền và gửi xác nhận — tất cả trong một quy trình khép kín.
2. Chuỗi onboarding thu thập dữ liệu, xác thực biểu mẫu, phân loại người dùng và gửi email chỉ trong một chuỗi nhắc duy nhất

Thay vì thiết kế lại toàn bộ hệ thống, bạn chỉ cần cô lập quy trình đang có dấu hiệu trục trặc.

Bước 2: Xác định vai trò trước khi làm việc với framework

Khi bạn đã xác định được logic rối rắm, hãy chia nhỏ nó thành các nhiệm vụ thực sự.

Nếu một tác vụ xác thực đầu vào, đó là một tác nhân. Nếu một tác vụ xử lý hành động bên ngoài, đó là một tác nhân khác.

Viết ra bằng ngôn ngữ đơn giản — đủ để xác định rõ các điểm chuyển giao.

Và khi mọi thứ đã hiện ra trước mắt, bạn sẽ biết phần nào cần tách riêng, phần nào có thể gộp lại. Điều này cũng giúp bạn hình dung được framework cần thiết.

Mỗi vai trò nên được thiết kế sao cho có thể kiểm tra độc lập.

Bước 3: Chọn framework

Chọn nền tảng phù hợp với phong cách làm việc của bạn.

• Trực quan: Botpress, nếu bạn muốn luồng dạng node và bộ nhớ phạm vi.
• Ưu tiên code: LangChain hoặc CrewAI nếu bạn quen lập trình bằng Python.

Framework quyết định cách các agent được đăng ký, kích hoạt và kết nối với nhau.

Bước 4: Xây dựng quy trình đầu tiên

Bây giờ hãy biến các vai trò đó thành agent. Định nghĩa chúng trong framework của bạn — đặt tên, nhiệm vụ và quyền truy cập công cụ hoặc API cần thiết.

Khi đã thiết lập xong, hãy kết nối chúng lại. Sử dụng bất kỳ phương thức điều hướng nào mà framework cung cấp để chuyển từ agent này sang agent khác.

Mục tiêu ở đây là xây dựng một quy trình hoàn chỉnh chạy từ đầu đến cuối, với các tác nhân đảm nhận đúng vai trò của mình.

Bước 5: Chạy hệ thống và kiểm tra từng lần chuyển giao

Kích hoạt toàn bộ quy trình — từ đầu đến cuối — và theo dõi diễn biến. Bạn nên quan sát từng agent nhận gì, trả về gì và luồng có chuyển tiếp mượt mà giữa các agent không.

Nếu một tác nhân nhận được đầu vào gây nhầm lẫn, có thể bạn đã xác định phạm vi sai. Nếu logic chuyển bước bất ngờ, bạn cần điều chỉnh lại phân luồng.

Khi các bước chuyển giao đã rõ ràng, bạn sẽ có một hệ thống hoạt động.

Các thực tiễn tốt nhất khi sử dụng khung đa tác nhân

Việc chọn framework chỉ là điểm khởi đầu. Quan trọng hơn là cách bạn thiết kế, kiểm thử và quản lý các luồng công việc xây dựng bằng framework đó.

Khi các hệ thống AI ngày càng mô-đun hóa và tự động hơn, việc truy vết trở nên khó khăn hơn.

Giữ logic cốt lõi tập trung

Tránh phân tán các quyết định quan trọng cho nhiều agent. Việc bảo trì và kiểm thử sẽ dễ dàng hơn khi các logic chính tập trung ở một nơi thay vì bị chia nhỏ.

Xác định đầu vào và đầu ra của tác nhân ngay từ đầu

Mỗi tác nhân nên có hợp đồng rõ ràng — nhận gì, trả về gì. Điều này giúp dễ dàng thay thế hoặc tích hợp tác nhân vào quy trình mới mà không làm gián đoạn logic luồng.

Ghi lại mọi tin nhắn trao đổi giữa các agent

Nếu bạn không thể xem các agent đang trao đổi gì với nhau, bạn sẽ không thể gỡ lỗi. Hãy đảm bảo mọi đầu vào và đầu ra đều được ghi lại với đủ ngữ cảnh để truy vết toàn bộ luồng.

Sử dụng bộ nhớ phạm vi để giảm nhiễu và tiết kiệm chi phí

Chỉ cung cấp cho mỗi agent đúng ngữ cảnh cần thiết. Truy cập toàn bộ bộ nhớ sẽ làm prompt phình to, tăng số lượng token sử dụng và khiến agent hành xử khó lường dù lẽ ra phải tập trung.

Bắt đầu xây dựng AI có khả năng phối hợp

Hầu hết hệ thống sẽ thất bại khi cần phối hợp thực sự. Botpress cho bạn quyền kiểm soát cách các agent chuyển giao nhiệm vụ — với vai trò và logic rõ ràng, bạn có thể kiểm thử và hiểu được.

Nó cũng cho phép bạn truyền dữ liệu giữa các flow một cách rõ ràng. Bạn có thể theo dõi từng bước với nhật ký nhiều lượt cho thấy công cụ nào đã được gọi, lý do chạy và cách nó được sử dụng trong quy trình.

Thay vì tinh chỉnh prompt và kiểm soát ảo giác, bạn tập trung vào chức năng thực tế — xây dựng các agent hoạt động như phần mềm.

Bắt đầu xây dựng ngay hôm nay — hoàn toàn miễn phí.

Câu hỏi thường gặp

Làm sao để biết dự án AI của tôi thực sự cần framework đa tác nhân, hay chỉ một tác nhân là đủ?

Dự án AI của bạn có thể cần khung đa tác nhân nếu prompt hoặc quy trình của một agent đã quá dài hoặc khó gỡ lỗi, đặc biệt khi xử lý nhiều nhiệm vụ khác nhau, trong khi các trường hợp đơn giản như hỏi đáp cơ bản hoặc bot một chức năng thường chỉ cần một agent.

Xây dựng với framework đa agent chỉ dành cho dự án doanh nghiệp lớn, hay cũng phù hợp với startup nhỏ?

Xây dựng với framework đa agent không chỉ dành cho doanh nghiệp lớn — các startup nhỏ cũng được lợi, vì ngay cả dự án nhỏ cũng dễ debug hơn khi chia nhỏ các tác vụ phức tạp cho các agent chuyên biệt thay vì dồn hết vào một vòng lặp lớn khó kiểm soát.

Việc sử dụng hệ thống đa agent có bắt buộc tôi phải tách mọi thứ thành các agent riêng biệt không, hay tôi có thể kết hợp logic đơn agent và đa agent?

Sử dụng hệ thống đa agent không có nghĩa bạn phải tách mọi thứ thành các agent riêng biệt; bạn có thể kết hợp logic agent đơn cho các tác vụ đơn giản và chỉ dùng điều phối đa agent cho các quy trình phức tạp.

Hệ thống đa tác nhân khác gì so với chỉ sử dụng nhiều API hoặc microservice trong ứng dụng của tôi?

Hệ thống đa tác nhân khác với việc sử dụng nhiều API hoặc microservice vì nó phối hợp các tác nhân AI chuyên biệt với vai trò và khả năng suy luận riêng, truyền thông điệp và trạng thái có cấu trúc, trong khi API và microservice chỉ xử lý các chức năng riêng lẻ mà không tự động điều phối quy trình phức tạp.

Chi phí vận hành hệ thống đa tác nhân so với vận hành một LLM lớn duy nhất như thế nào?

Chi phí vận hành hệ thống đa tác nhân có thể thấp hơn so với sử dụng một LLM lớn duy nhất vì các tác nhân nhỏ, chuyên biệt có thể xử lý từng nhiệm vụ hiệu quả mà không lãng phí token cho prompt dài hoặc lặp lại ngữ cảnh, nhưng cũng phát sinh thêm chi phí quản lý điều phối và giao tiếp giữa các tác nhân, nên mức tiết kiệm phụ thuộc vào độ phức tạp của trường hợp sử dụng.