Learner Agent Workflows: Supporting Workflows
Dưới đây là mô tả chi tiết của 6 quy trình hỗ trợ (Supporting Workflows) bổ trợ cho hệ thống Hanoi Agents (áp dụng trong các giai đoạn phát triển nâng cao sau MVP):
1. Recommendation Outcome Evaluation
- Mục đích: Đo lường mức độ hiệu quả thực tế của các gợi ý cũ do AI đưa ra để cải tiến thuật toán gợi ý tiếp theo.
- Các bước thực hiện:
- Quét lịch sử các bài học, bài tập được gợi ý cho học viên trong 7 ngày gần nhất.
- Đo lường tỷ lệ hoàn thành (Completion Rate) và thời gian thực hiện trung bình của các task được gợi ý đó.
- Phân tích xem các gợi ý đó có thực sự giúp tăng chỉ số năng lực của học viên lên không.
- Nếu học viên liên tục bỏ dở các task được gợi ý, AI ghi nhận phản hồi tiêu cực (negative feedback loop) để giảm trọng số của loại bài tập đó trong thuật toán Recommendation Engine.
2. Contradictory Evidence Resolution
- Mục đích: Xử lý và giải quyết các mâu thuẫn dữ liệu đầu vào khi thu thập bằng chứng từ nhiều nguồn khác nhau.
- Các bước thực hiện:
- Phát hiện mâu thuẫn: Ví dụ, học viên làm bài Quiz lý thuyết đạt điểm tối đa (10/10) nhưng bài code thực hành nộp lên lại bị lỗi cú pháp căn bản và bài tự phản hồi (reflection) viết cực kỳ hời hợt.
- Hệ thống tự động giảm độ tự tin (Confidence Score) của năng lực tương ứng xuống dưới ngưỡng an toàn.
- AI đề xuất giao một bài test chuyển đổi (Transfer Question) - ví dụ yêu cầu giải thích dòng code của chính họ - để xác thực lại mức độ hiểu bài thực tế của học viên.
3. Learning Plan Adjustment
- Mục đích: Tự động tái cấu trúc lộ trình học tập cá nhân hóa khi có sự thay đổi lớn từ phía học viên.
- Các bước thực hiện:
- Ghi nhận các sự kiện thay đổi: Học viên thay đổi mục tiêu nghề nghiệp, rút ngắn thời gian cam kết hoàn thành khóa học, hoặc học vượt tiến độ quá nhanh.
- Quét lại đồ thị kiến thức (Knowledge Graph) để xác định các nhánh bài học có thể lược bỏ hoặc cần bổ sung.
- AI tính toán lại lịch trình phân phối các bài thực hành chủ ý tiếp theo và cập nhật lộ trình mới vào cơ sở dữ liệu.
4. Notification and Reminder
- Mục đích: Điều phối các kênh gửi thông điệp và quản lý lịch nhắc nhở cá nhân hóa tối ưu nhất cho học viên.
- Các bước thực hiện:
- Xác định thời gian gửi tin tốt nhất dựa trên thói quen hoạt động trong Learner Behaviour (Ví dụ: tránh gửi tin vào giờ làm việc của học viên).
- Tự động kiểm tra múi giờ (Timezone) của học viên để cấu hình "khung giờ yên lặng" (quiet hours).
- Phân phối tin nhắn qua các kênh đã kết nối (Slack, Discord, Email, hoặc In-app notification).
- Kiểm soát tần suất gửi tin nhắn (Rate limiting) để tránh gây cảm giác phiền phức cho học viên.
5. Certification Readiness
- Mục đích: Đánh giá tự động mức độ sẵn sàng tốt nghiệp và cấp chứng nhận năng lực cho học viên.
- Các bước thực hiện:
- Quét đồ thị bằng chứng (Evidence Graph) xem đã phủ đủ 100% các chỉ số năng lực bắt buộc của khóa học chưa.
- Kiểm tra xem chỉ số độ tự tin đánh giá (Confidence Score) của tất cả các năng lực cốt lõi có vượt qua ngưỡng an toàn (ví dụ: > 85%) hay không.
- Xác minh kết quả đánh giá của dự án tốt nghiệp (Capstone Project) đã được Mentor phê duyệt.
- Tạo bản thảo đề xuất cấp chứng chỉ gửi về cho ban quản trị duyệt lần cuối.
6. Exception and Escalation
- Mục đích: Xử lý các trường hợp ngoại lệ mà hệ thống AI không thể tự giải quyết.
- Các bước thực hiện:
- Phát hiện ngoại lệ: Lỗi sập API của mô hình ngôn ngữ lớn (LLM), học viên có dấu hiệu vi phạm chính sách học tập nghiêm trọng, hoặc học viên liên tục thi trượt 5 lần cùng một bài tập.
- Hệ thống đóng băng trạng thái của Learner Agent để tránh suy luận sai lệch lan truyền.
- Đẩy thông báo khẩn cấp (Escalate) kèm theo log lịch sử chi tiết vào hàng đợi xử lý của Mentor hoặc Quản trị viên con người để can thiệp thủ công.