Kỹ thuật đồ thị trong đa tác tử: Không phải càng nhiều kết nối càng tốt

Khi xây dựng hệ thống đa tác tử AI, nhiều kỹ sư thường mặc định rằng càng mở nhiều kênh giao tiếp giữa các tác tử thì hệ thống càng hoạt động hiệu quả. Tuy nhiên, một thí nghiệm có kiểm soát với 50 lần chạy hoàn toàn xác định đã bác bỏ giả định này: tỷ lệ thu hồi thông tin duy trì ổn định ở mức 92-98% bất kể mật độ kết nối từ 20% đến 100%. Phát hiện quan trọng nhất là khoảng cách ngày càng lớn giữa số kết nối được cấu hình và số kết nối thực sự được sử dụng, mở ra hướng tư duy mới cho việc thiết kế kiến trúc đa tác tử.

Giả định ban đầu và vấn đề thực sự

Phần lớn các kỹ sư khi gặp hệ thống đa tác tử hoạt động kém thường đổ lỗi cho prompt hoặc chất lượng mô hình ngôn ngữ lớn. Họ viết lại system prompt, nâng cấp lên mô hình lớn hơn, nhưng vấn đề vẫn không được giải quyết triệt để. Tác giả nghiên cứu này nghi ngờ nguyên nhân thực sự nằm ở cấu trúc: tỷ lệ giữa số kênh giao tiếp đang mở so với tổng số kênh có thể có, hay còn gọi là mật độ quan hệ trong lý thuyết đồ thị.

Với hệ thống 8 tác tử, có 56 đường giao tiếp có hướng tiềm năng. Mật độ quan hệ D = E / (N × (N-1)) chính là "núm điều chỉnh" kiểm soát số lượng đường đi trong số 56 đường đó được mở. Câu hỏi đặt ra là liệu thay đổi đòn bẩy cấu trúc duy nhất này có thực sự tạo ra khác biệt về hiệu suất hay không.

Kiến trúc hệ thống cho mô phỏng mạng lưới, làm nổi bật giao thức định tuyến tác tử, tích lũy trạng thái chia sẻ và đánh giá chẩn đoán

Thiết kế thí nghiệm: Cô lập một biến số duy nhất

Điểm mạnh của thí nghiệm này nằm ở cách thiết kế loại bỏ hoàn toàn các yếu tố gây nhiễu. Thay vì so sánh các cấu trúc khác nhau (chuỗi, lưới, đồ thị đầy đủ) — điều làm thay đổi đồng thời cả hình dạng lẫn số cạnh — nghiên cứu này giữ mọi yếu tố khác cố định và chỉ quét một biến số duy nhất: mật độ quan hệ.

Quy trình thí nghiệm bao gồm năm mức mật độ: 20%, 40%, 60%, 80% và 100%. Mỗi mức chạy 10 lần thử nghiệm độc lập với các seed ngẫu nhiên khác nhau, tổng cộng 50 lần chạy. Các yếu tố chính bao gồm:

• Bộ tạo cấu trúc liên kết: Sử dụng đồ thị ngẫu nhiên Erdős–Rényi liên thông, loại bỏ mọi cấu trúc ẩn như hub trung tâm hay star topology
• Chính sách tác tử: Mỗi tác tử tuân theo một chính sách xác định — đóng góp sự kiện ít tương đồng nhất (dùng TF-IDF) với những gì đã được chia sẻ
• Hệ thống chẩn đoán: Năm chỉ số riêng biệt đo lường hiệu quả quan hệ, độ dư thừa, lợi ích thông tin, tỷ lệ sử dụng cạnh và độ sâu giao tiếp

"Các tác tử không được điều khiển bởi LLM API. Thay vào đó, mỗi tác tử tuân theo một chính sách xác định, đơn giản có thể kiểm tra hoàn toàn — cho phép tái tạo kết quả chính xác từng bit với cùng seed ban đầu."

Kết quả: Đường cong phẳng và phát hiện bất ngờ

Trái với kỳ vọng về một đường cong chữ U ngược (mật độ thấp thiếu kết nối, mật độ cao chết chìm trong nhiễu), kết quả cho thấy tỷ lệ thu hồi thông tin nằm trong một dải hẹp đáng kinh ngạc từ 92% đến 98% trên toàn bộ phạm vi quét. Mạng thưa nhất (20% mật độ) thu hồi gần như tương đương mạng kết nối hoàn toàn (100%).

Mật độ	Thu hồi thông tin	Hiệu quả quan hệ	Độ dư thừa
20%	0.959 ± 0.070	0.457 ± 0.034	0.240 ± 0.019
40%	0.924 ± 0.083	0.440 ± 0.039	0.243 ± 0.027
60%	0.971 ± 0.039	0.469 ± 0.019	0.240 ± 0.025
80%	0.976 ± 0.039	0.471 ± 0.023	0.249 ± 0.019
100%	0.959 ± 0.046	0.463 ± 0.021	0.250 ± 0.026

Mức 40% cho thấy hiệu suất thấp nhất (0.924), nhưng với cỡ mẫu 10 lần chạy, đây chỉ nên được xem là ứng viên cần kiểm tra thêm thay vì bằng chứng xác đáng về hiệu ứng phi tuyến.

Bí ẩn nằm ở tỷ lệ sử dụng cạnh

Điều thú vị nhất không phải là đường cong phẳng, mà là những gì diễn ra bên dưới nó. Tỷ lệ sử dụng cạnh — chỉ số duy nhất phân tách số đường dẫn tồn tại với số đường dẫn thực sự mang thông điệp — cho thấy một xu hướng giảm sạch sẽ, đơn điệu:

Mật độ	Số cạnh cấu hình	Số cạnh sử dụng TB	Tỷ lệ sử dụng TB
20%	11	10.7	97.3% ± 6.1%
40%	22	15.8	71.8% ± 11.1%
60%	34	21.3	62.6% ± 5.4%
80%	45	24.8	55.1% ± 7.1%
100%	56	26.4	47.1% ± 4.6%

So sánh hiệu quả mạng lưới cho thấy mật độ cạnh thấp (20%) tạo ra tỷ lệ sử dụng cạnh thực tế cao hơn đáng kể (97,3%) so với mạng kết nối hoàn toàn (47,1%)

Ở mật độ 20%, mạng sử dụng gần như mọi cạnh được cấp, hoạt động gần với công suất cấu trúc tối đa. Nhưng ở mật độ 100%, mạng chỉ sử dụng chưa đến một nửa số cạnh được cấu hình. Số cạnh tuyệt đối được sử dụng vẫn tăng (từ 11 lên 26), nhưng tăng theo tỷ lệ giảm dần so với số cạnh bổ sung. Việc tăng gấp đôi ngân sách cạnh từ 60% lên 100% mật độ chỉ thêm khoảng 5 cạnh hoạt động.

"Kết nối được cấu hình và kết nối hành vi không phải là một, và chúng phân kỳ ngày càng xa khi đồ thị trở nên dày đặc hơn."

Chi phí hiệu suất: Toàn bộ thí nghiệm tốn 0 đồng

Một khía cạnh ấn tượng khác của nghiên cứu là chi phí gần như bằng không. Toàn bộ thí nghiệm chạy trên Python 3.12, CPU-only, không có bất kỳ lời gọi API nào:

• Pha 0: Kiểm thử đơn vị (16 bài kiểm tra) — dưới 0.25 giây
• Pha 1: Xác thực engine đồ thị, 50 lần chạy với DummyAgent — dưới 1 giây
• Pha 2: Thí nghiệm thực tế, 50 lần chạy với PureAgent — chưa đo riêng
• Chi phí API cho toàn bộ thí nghiệm: 0 đồng

Điều này có được nhờ lựa chọn thiết kế táo bạo: thay thế LLM bằng chính sách xác định dựa trên TF-IDF. Đây là sự đánh đổi có chủ đích — đảm bảo khả năng tái tạo tuyệt đối và chi phí bằng không, nhưng kết quả phản ánh hành vi của chiến lược định tuyến cố định dưới các cấu trúc mạng khác nhau, chứ không phải cách hoạt động của quần thể LLM ngẫu nhiên.

Các quyết định thiết kế trung thực và bài học rút ra

1. Giới hạn ngân sách và hiệu ứng trần

Ngân sách 35 thông điệp cho kịch bản 17 sự kiện tỏ ra khá hào phóng, tạo ra hiệu ứng trần khiến hầu hết các lần chạy thu hồi gần như toàn bộ sự kiện trước khi cạn kiệt ngân sách. Điều này nén không gian cho mật độ thể hiện tác động rõ ràng. Một thí nghiệm phụ với ngân sách thắt chặt hơn cho thấy mô hình tương tự xuất hiện trở lại ở mức 40%, gợi ý rằng mạng mật độ trung bình có thể mất nhiều hơn trong điều kiện hạn chế nghiêm trọng — một hướng đáng nghiên cứu chuyên sâu.

2. Lỗi logic vòng tròn trong thiết kế ban đầu

Một sai lầm cơ bản trong giao thức ban đầu là đặt điều kiện thoát "khi thu hồi đạt 70%". Điều này tạo ra logic vòng tròn: tỷ lệ thu hồi vừa là điều kiện kết thúc vừa là chỉ số đầu ra. Mọi kết quả bị ghim một cách cơ học vào ngưỡng đầu tiên được chạm tới, khiến việc phát hiện hiệu ứng mật độ trở nên bất khả thi về mặt cấu trúc. Giải pháp đơn giản: loại bỏ hoàn toàn điều kiện thoát sớm.

3. Hạn chế về phạm vi và hướng phát triển

Nghiên cứu thừa nhận một số hạn chế quan trọng:

• Tác tử mô hình thực: Giao diện Agent được thiết kế mô-đun, sẵn sàng cho việc cắm LLM thực vào để kiểm tra liệu các mô hình cấu trúc này có giữ vững khi mô hình đưa vào tính phi xác định và nhiễu lý luận
• Kịch bản phong phú hơn: Hiện tại chỉ xoay quanh ba mẫu kịch bản sự cố; cần mười kịch bản hoàn toàn khác biệt cho phiên bản xuất bản
• Mật độ có trọng số: Phiên bản tương lai nên cân nhắc trọng số theo tần suất thông điệp thực tế thay vì chỉ sự tồn tại của cạnh

Biểu đồ mật độ cho thấy sự phân bố các sự kiện và mức độ tương đồng giữa các thông điệp trong hệ thống

Kết luận: Đo lường trước khi tối ưu

Kết quả của thí nghiệm này mang một thông điệp tinh tế và thực dụng: trong phạm vi thí nghiệm này — họ tô pô này, số tác tử này, nhiệm vụ này và chính sách giao tiếp xác định này — đồ thị không cải thiện chỉ vì có thêm cạnh, cũng không suy giảm. Yếu tố quyết định hiệu suất không phải là số lượng kênh giao tiếp mở, mà là số lượng kênh mà mạng thực sự cần. Lõi hoạt động đó duy trì ổn định đáng kinh ngạc, ngay cả khi đồ thị được cấp thêm nhiều năng lực cấu trúc để mở rộng.

Đối với cộng đồng phát triển AI tại Việt Nam, nơi chi phí API là một ràng buộc đáng kể, cách tiếp cận thí nghiệm có chi phí bằng không này đặc biệt hữu ích. Nó cho phép các kỹ sư thử nghiệm và xác thực các giả định về kiến trúc trước khi đầu tư vào các lời gọi LLM đắt đỏ. Bài học quan trọng nhất: số cạnh được cấu hình không phải là hành vi thực tế của đồ thị, và cách duy nhất để nhận ra sự khác biệt là trang bị công cụ đo lường và đo trực tiếp.

Mã nguồn đầy đủ và giao thức thí nghiệm chi tiết có sẵn tại github.com/Emmimal/graph-density-engine — hoàn toàn miễn phí cho bất kỳ ai muốn tái tạo hoặc điều chỉnh thí nghiệm cho trường hợp sử dụng riêng của mình.