Hanoi Agents

Appearance

Learner Agent Workflows: 12 Core Workflows ​

Dưới đây là chi tiết các quy trình cốt lõi (Core Workflows) vận hành trong Hanoi Agents để quản lý và định lượng sự phát triển năng lực của người học:

1. Learner Initialization ​

  • Mục đích: Thiết lập ban đầu Learner Model và khởi tạo instance Learner Agent khi một người học đăng ký chương trình.
  • Trigger: LEARNER_ENROLLED
  • Các bước thực hiện:
    1. Kiểm tra tính hợp lệ của thông tin cá nhân (Learner Profile).
    2. Tạo bản ghi người học mới trong cơ sở dữ liệu Cloudflare D1.
    3. Khởi tạo một thực thể Learner Agent mới dựa trên learnerId thông qua Agents SDK.
    4. Nạp khung năng lực (competency framework) và chương trình học tương ứng.
    5. Ghi nhận các mục tiêu ban đầu của người học (Learner Goals).
    6. Kích hoạt bài kiểm tra đánh giá năng lực đầu vào (Diagnostic Assessment) nếu có cấu hình.
    7. Khởi tạo điểm năng lực ban đầu (indicator scores) với độ tự tin (Confidence) thấp.
    8. Lựa chọn nhiệm vụ đầu tiên cho người học.
    9. Lập lịch hẹn tự động kiểm tra tiến độ đầu tiên (initial check-in).
  • Output:
    typescript
    {
  learnerId: string;
  learnerModelVersion: 1;
  currentTaskId: string;
  diagnosticStatus: "pending" | "completed";
}

2. Learning Event Intake ​

  • Mục đích: Nhận dạng, làm sạch và chuẩn hóa mọi tương tác hoặc sự kiện phát sinh từ phía người học.
  • Trigger: Các sự kiện như QUIZ_COMPLETED, TASK_STARTED, TASK_SUBMITTED, TASK_ABANDONED, FEEDBACK_VIEWED, HINT_REQUESTED, WEBSITE_PUBLISHED, DEADLINE_MISSED, REFLECTION_SUBMITTED.
  • Các bước thực hiện:
    1. Xác thực cấu trúc dữ liệu của sự kiện (Schema Validation).
    2. Kiểm tra trùng lặp sự kiện (Deduplication) để tránh tính điểm/lỗi nhiều lần.
    3. Gán định danh sự kiện (eventId) và mốc thời gian (timestamp).
    4. Liên kết sự kiện với learnerId, taskId, và courseId.
    5. Lưu trữ sự kiện thô vào hệ thống log để phục vụ audit.
    6. Phân loại sự kiện (Event Classification).
    7. Phân tuyến sự kiện (Route) đến workflow chuyên biệt tiếp theo.
  • Quy tắc: Mọi dữ liệu ghi vào hệ thống bắt buộc phải đi qua workflow này. Không cho phép client cập nhật trực tiếp trạng thái Learner Model.

3. Quiz Evaluation ​

  • Mục đích: Chấm điểm tự động, trích xuất bằng chứng (Evidence), phát hiện lỗ hổng tri thức (Knowledge Gap) hoặc hiểu lầm (Misconception).
  • Trigger: QUIZ_COMPLETED
  • Các bước thực hiện:
    1. Nạp cấu trúc và đáp án bài trắc nghiệm (Quiz Definition).
    2. Nạp câu trả lời của học viên cùng mức độ tự tin tự khai báo (nếu có).
    3. Chấm điểm các câu hỏi định lượng dạng đúng/sai (Deterministic Grading).
    4. Sử dụng LLM chấm điểm các câu hỏi tự luận ngắn (Open-ended Grading).
    5. Ánh xạ từng câu hỏi sang các chỉ số năng lực tương ứng.
    6. Tính toán trọng số của bằng chứng thu được (Evidence Strength).
    7. Nhận diện các lỗi sai lặp đi lặp lại.
    8. Phát hiện các câu trả lời sai mà học viên tự tin là đúng (dấu hiệu của Misconception).
    9. Đề xuất các thay đổi về chỉ số năng lực.
    10. Lựa chọn phản hồi sư phạm phù hợp hoặc câu hỏi kiểm tra bổ sung.
  • Quy tắc tính điểm: Một câu trả lời đúng không được phép tăng mạnh cấp độ năng lực:
    • Trả lời đúng 1 câu: Tăng nhẹ độ tự tin (Confidence).
    • Có 3 bằng chứng độc lập: Mới tiến hành tăng cấp độ năng lực thực tế ước lượng (Estimated Level).
    • Trả lời sai nhiều lần với độ tự tin khai báo rất cao: Tạo đề xuất ngộ nhận (Misconception Candidate).

4. Task Submission Evaluation ​

  • Mục đích: Đánh giá sản phẩm thực hành của học viên theo tiêu chí đánh giá (Rubric).
  • Trigger: TASK_SUBMITTED
  • Các bước thực hiện:
    1. Kiểm tra tính đầy đủ của các tệp tin/sản phẩm nộp.
    2. Xác minh các liên kết (URL website, GitHub link) có thể truy cập được công khai.
    3. Nạp mục tiêu nhiệm vụ, tiêu chí thành công và barem điểm (Rubric).
    4. Phân tích nội dung sản phẩm (Artifact Analysis - sử dụng các verifier scripts hoặc LLM).
    5. Đánh giá chi tiết từng tiêu chí trong Rubric.
    6. Trích xuất bằng chứng cụ thể cho từng chỉ số năng lực.
    7. Phân tích phân biệt nguồn gốc bài làm (học viên tự làm, sao chép code, hay chỉ tạo ra kết quả mà không hiểu cốt lõi).
    8. Phát hiện lỗi kỹ thuật hoặc ngộ nhận tư duy.
    9. Tạo phản hồi phân cấp ưu tiên (Priority Feedback).
    10. Đưa ra đề xuất: Đạt (PASS), Yêu cầu sửa đổi (REVISE), hoặc Cần bổ túc (REMEDIATE).

5. Evidence Processing ​

  • Mục đích: Chuẩn hóa dữ liệu thô (Raw observation) thành một bản ghi bằng chứng có giá trị phục vụ suy luận.
  • Trigger: NEW_RAW_EVIDENCE
  • Các bước thực hiện:
    1. Xác định nguồn gốc bằng chứng.
    2. Ánh xạ bằng chứng vào các chỉ số năng lực cụ thể (Indicator Mapping).
    3. Đánh giá tính liên quan (Relevance Score) của bằng chứng đối với năng lực đó.
    4. Xác định độ mạnh của bằng chứng (Evidence Strength) dựa trên loại tác vụ (Quiz, Task thực hành, hay Phản hồi của Mentor).
    5. Ghi nhận độ tự tin của người đánh giá (Evaluator Confidence).
    6. Kiểm tra xem bằng chứng này có độc lập với các bằng chứng trước đó không.
    7. Kiểm tra xem bằng chứng mới có mâu thuẫn trực tiếp với các dữ liệu cũ không.
    8. Ghi nhận bằng chứng vào sổ cái (Evidence Ledger).
    9. Đề xuất cập nhật điểm năng lực.

6. Learner Model Update ​

  • Mục đích: Cập nhật trạng thái Learner Model một cách nhất quán và có lịch sử đối chiếu (Audit Trail).
  • Trigger: EVALUATION_COMPLETED hoặc NEW_VALIDATED_EVIDENCE
  • Các bước thực hiện:
    1. Nạp phiên bản Learner Model hiện tại.
    2. Nạp danh sách các đề xuất cập nhật điểm và bằng chứng mới.
    3. Xác thực liên kết của bằng chứng (Evidence References validation).
    4. Áp dụng các quy tắc tính toán điểm số (Scoring Rules).
    5. Tính toán lại độ tự tin mới (Confidence) và xu hướng phát triển mới (Trend).
    6. Cập nhật trạng thái ngộ nhận (Active/Resolved Misconceptions).
    7. Cập nhật danh sách lỗ hổng tri thức (Knowledge Gaps).
    8. Tăng số phiên bản của mô hình (model_version = model_version + 1).
    9. Ghi nhật ký quyết định (Decision Log).
    10. Đồng bộ hóa tóm tắt trạng thái mới (Summary State) về Learner Agent thông qua Agents SDK.
  • Quy tắc Concurrency: Sử dụng kiểm tra phiên bản (version checking) để tránh xung đột dữ liệu:
    • Nếu Expected Version == Current Version -> Thực hiện ghi đè cập nhật.
    • Nếu Expected Version != Current Version -> Từ chối ghi (Reject) và tiến hành tính toán lại dựa trên trạng thái mới nhất.

7. Next Best Action ​

  • Mục đích: Lựa chọn hoạt động học tập tối ưu nhất dựa trên trạng thái năng lực hiện tại của người học.
  • Trigger: LEARNER_MODEL_UPDATED, TASK_COMPLETED, TASK_FAILED, hoặc LEARNER_STUCK.
  • Các bước thực hiện:
    1. Nạp mục tiêu cuối cùng của người học.
    2. Nạp cấu trúc năng lực hiện tại từ Learner Model.
    3. Định vị lỗ hổng năng lực mục tiêu (Target Gap).
    4. Kiểm tra các điều kiện tiên quyết (Prerequisites) chưa đạt.
    5. Thu thập danh sách các hành động ứng viên (Candidate Actions).
    6. Lọc bỏ các hành động vi phạm chính sách học tập (ví dụ: lặp lại bài tập quá nhiều lần).
    7. Chạy thuật toán tính toán ước lượng: Giá trị học tập mang lại, Độ tương quan mục tiêu, Nhu cầu thu thập bằng chứng, Xác suất thành công và Gánh nặng nhận thức.
    8. Xếp hạng các hành động khả thi.
    9. Chọn lựa hành động có điểm số cao nhất.
    10. Ghi lại lý do lựa chọn (Rationale) và kết quả kỳ vọng (Expected Outcome).
  • Công thức gợi ý: $$\text{Action Score} = (\text{Learning Value} \times \text{Goal Relevance} \times \text{Evidence Need} \times \text{Completion Probability}) - \text{Cognitive Load} - \text{Repetition Cost}$$

8. Task Assignment ​

  • Mục đích: Giao bài tập chính thức và khởi tạo trạng thái bắt đầu thực hiện cho học viên.
  • Trigger: NEXT_ACTION = ASSIGN_TASK
  • Các bước thực hiện:
    1. Nạp cấu trúc bài tập (Task Definition).
    2. Xác minh học viên đã học đủ các bài học tiên quyết chưa.
    3. Cá nhân hóa bối cảnh đề bài và ví dụ (Personalized context & explanation) dựa trên Learning Behaviour.
    4. Xác định các tiêu chí chấm điểm thành công (Success Criteria).
    5. Khởi tạo danh sách bằng chứng cần thu thập khi học viên nộp bài.
    6. Tạo bản ghi phân công nhiệm vụ (Assignment Record) trong database.
    7. Cập nhật tác vụ hiện tại (currentTask) trong Agent State.
    8. Lập lịch kiểm tra tự động xem học viên có bị kẹt hay không (Stuck Check).
    9. Gửi thông báo (Notification) cho học viên.
  • Chính sách: AI chỉ được cá nhân hóa về bối cảnh, ví dụ, gợi ý, độ scaffold, tuyệt đối không được tự ý sửa đổi mục tiêu cốt lõi, rubric chấm điểm và tiêu chuẩn đạt.

9. Feedback and Revision ​

  • Mục đích: Cung cấp phản hồi có tính xây dựng, tập trung vào hành động sửa sai cụ thể.
  • Trigger: TASK_EVALUATED, QUIZ_EVALUATED hoặc REVISION_REQUIRED
  • Các bước thực hiện:
    1. Xác định tối đa từ 1 đến 3 lỗi nghiêm trọng nhất của bài nộp.
    2. Phân loại lỗi: Lỗi kiến thức thực tế (factual error), lỗi quy trình (process error), ngộ nhận (misconception), hay thiếu bằng chứng (missing evidence).
    3. Soạn thảo phản hồi bám sát bằng chứng dựa trên khung: Cái gì đã làm tốt, Cái gì còn thiếu, Tại sao quan trọng, và Cần sửa gì tiếp theo.
    4. Đề xuất hành động sửa lỗi cụ thể.
    5. Đưa ra các tiêu chí kiểm duyệt lại bài sửa (Revision Criteria).
    6. Đảm bảo feedback không tiết lộ đáp án trực tiếp để giữ tính thử thách.
    7. Gửi phản hồi đến học viên và thiết lập trạng thái theo dõi bài sửa.

10. Stuck Learner Detection ​

  • Mục đích: Phát hiện sớm trường hợp học viên bị bế tắc, không có tiến độ trước khi họ quyết định từ bỏ.
  • Trigger: Lịch kiểm tra định kỳ (SCHEDULED_CHECK), không phát sinh hoạt động (NO_ACTIVITY), thi trượt nhiều lần (REPEATED_FAILURE), hoặc yêu cầu gợi ý liên tục (EXCESSIVE_HINT_REQUEST).
  • Các bước thực hiện:
    1. Xác định học viên có đang thực hiện dở dang nhiệm vụ nào không.
    2. Đo lường khoảng thời gian không ghi nhận sự thay đổi trạng thái hoặc chỉnh sửa mã nguồn.
    3. Đếm số lần nộp bài sửa bị từ chối liên tiếp.
    4. Định vị nguyên nhân gây kẹt (do kiến thức tiên quyết, lỗi môi trường kỹ thuật, hướng dẫn không rõ ràng, hay thiếu động lực).
    5. Lựa chọn mức độ can thiệp nhẹ nhàng nhất (Intervention Ladder) từ gửi nhắc nhở, cung cấp gợi ý, ví dụ mẫu đến chuyển tiếp cho Mentor là con người.
    6. Lên lịch kiểm tra lại tiến độ sau can thiệp.

11. Misconception Management ​

  • Mục đích: Phát hiện, xác minh độ bám rễ và điều trị ngộ nhận trong tư duy học viên.
  • Trigger: POSSIBLE_MISCONCEPTION_DETECTED
  • Các bước thực hiện:
    1. Thu thập chuỗi bằng chứng liên quan đến lỗi sai.
    2. Phân tích phân biệt lỗi sai do bất cẩn (careless mistake) hay do hiểu lầm bản chất (misconception).
    3. Chuyển ngộ nhận sang trạng thái Nghi vấn (SUSPECTED).
    4. Tự động đưa ra câu hỏi chẩn đoán (Diagnostic Question) hoặc câu hỏi chuyển đổi ngữ cảnh (Transfer Question) để xác thực.
    5. Nếu học viên tiếp tục sai theo cùng một lối tư duy lệch lạc: Chuyển sang trạng thái Xác nhận (CONFIRMED).
    6. Giao tác vụ sửa sai chuyên biệt (Corrective Action / Remediation).
    7. Thu thập bằng chứng mới sau khi học viên hoàn thành bài sửa để đánh giá lại.
    8. Cập nhật trạng thái ngộ nhận sang Đã giải quyết (RESOLVED) hoặc Tái diễn (RECURRED).

12. Progress Review ​

  • Mục đích: Tổng hợp kết quả học tập theo chu kỳ dài (tuần/tháng) để có cái nhìn toàn cảnh, tránh các hành động điều chỉnh lộ trình quá nhạy cảm khi chỉ dựa trên một sự kiện đơn lẻ.
  • Trigger: Đánh giá cuối tuần (WEEKLY_REVIEW), trạm kiểm soát (COURSE_CHECKPOINT), hoặc khi đạt cột mốc (MILESTONE_REACHED).
  • Các bước thực hiện:
    1. Nạp tất cả bằng chứng thu thập được trong khu vực đánh giá.
    2. Vẽ biểu đồ xu hướng năng lực tổng thể.
    3. Đo lường tốc độ tiến tới mục tiêu cuối cùng của học viên.
    4. Phát hiện các năng lực còn thiếu bằng chứng (missing evidence indicators).
    5. Nhận diện các bài tập quá dễ hoặc quá khó đối với học viên để đề xuất điều chỉnh cơ sở dữ liệu bài tập.
    6. Đánh giá mức độ hiệu quả của các quyết định gợi ý cũ.
    7. Điều chỉnh nhẹ cấu trúc lộ trình học tập tiếp theo.
    8. Xuất báo cáo tóm tắt tiến trình (Progress Summary) cho học viên và Mentor.

Tài liệu được phân phối nội bộ phục vụ AI Hackathon.

Copyright © 2026 Hanoi Agents Team