Xây dựng Quy trình Agent Gemini 3: Từ CSV đến Insights
Gemini3 Team · 7 tháng 8, 2026 · 8 min read
Đối Tượng Phù Hợp Với Quy Trình Này
Các nhà phân tích dữ liệu, quản lý vận hành và founder thường xuyên chìm trong biển bảng tính. Bạn có số liệu bán hàng hàng quý, nhật ký tồn kho hoặc phản hồi khách hàng lưu trữ trong file CSV, nhưng việc trích xuất các mẫu hình ý nghĩa đòi hỏi hàng giờ lọc thủ công và bảng pivot. Hướng dẫn này dành cho những người thực hành muốn tự động hóa lớp phân tích ban đầu mà không cần viết script Python hay quản lý các pipeline ETL phức tạp.
Chúng ta đang xây dựng một mẫu agent có thể lặp lại sử dụng Gemini 3 trên MidassAI Chat. Mục tiêu không chỉ là đọc dữ liệu, mà là lập kế hoạch phân tích, thực thi và xác thực kết quả trước khi bạn đưa ra quyết định kinh doanh. Cách tiếp cận này giảm thiểu rủi ro ảo giác (hallucination) và đảm bảo AI hoạt động như một nhà phân tích đáng tin cậy thay vì một người viết sáng tạo.
Chuẩn Bị Dữ Liệu Để Agent Xử Lý
Trước khi ra lệnh cho agent, bạn phải làm sạch đầu vào. Gemini 3 xử lý dữ liệu có cấu trúc tốt, nhưng các header lộn xộn hoặc định dạng không nhất quán sẽ gây ra lỗi logic. Một sai lầm phổ biến là tải lên CSV có ô gộp (merged cells) hoặc header nhiều dòng xuất từ Excel.
Bắt đầu bằng cách mở bảng tính và đảm bảo hàng đầu tiên chứa các tên cột duy nhất, phẳng (flat). Tránh khoảng trắng trong header; thay vào đó hãy dùng dấu gạch dưới. Ví dụ, đổi Order Date thành order_date và Total Revenue ($) thành revenue_usd. Xóa mọi ghi chú chân trang hoặc hàng tổng hợp ở cuối sheet. Agent chỉ nên nhìn thấy các bản ghi thô.
Nếu file của bạn vượt quá 50MB, hãy chia nhỏ theo quý hoặc khu vực. Mặc dù Gemini 3 hỗ trợ ngữ cảnh lớn, nhưng các chunk nhỏ hơn cho phép gỡ lỗi chính xác hơn nếu agent hiểu sai một đoạn cụ thể. Lưu file đã làm sạch dưới dạng CSV mã hóa UTF-8. Mã hóa này đảm bảo các ký tự đặc biệt trong tên khách hàng hoặc mô tả sản phẩm không làm hỏng logic phân tích trong giai đoạn tải lên trên MidassAI Chat.
Xác Định Vai Trò và Giới Hạn Của Agent
Khi dữ liệu đã sẵn sàng, bạn cần thiết lập các rào chắn hành vi. Đừng chỉ hỏi đơn giản "Phân tích cái này". Điều đó mời gọi các bản tóm tắt mơ hồ. Thay vào đó, hãy gán một persona cụ thể và bộ ràng buộc. Trong chỉ dẫn hệ thống hoặc lệnh ban đầu, định nghĩa agent là "Senior Data Analyst tập trung vào tối ưu hóa doanh thu".
Nêu rõ những gì agent không được làm. Ví dụ, hướng dẫn nó không được suy đoán các giá trị thiếu mà hãy đánh dấu chúng là null. Bảo nó tránh đưa ra giả định bên ngoài về điều kiện thị trường trừ khi được cung cấp trong cửa sổ ngữ cảnh. Điều này giảm thiểu rủi ro AI bịa đặt các yếu tố kinh tế bên ngoài để giải thích cho việc doanh số giảm.
Dưới đây là cấu trúc robust cho lệnh hệ thống ban đầu của bạn:
- Vai trò: Senior Data Analyst.
- Nhiệm vụ: Xác định các khu vực hoạt động tốt nhất và đánh dấu các bất thường.
- Ràng buộc: Không tính toán phần trăm mà không hiển thị số liệu thô trước.
- Định dạng đầu ra: Bảng Markdown với header rõ ràng.
Bằng cách cố định persona, bạn đảm bảo tính nhất quán qua nhiều phiên làm việc. Nếu bạn chia sẻ quy trình này với thành viên trong nhóm, họ sẽ nhận được độ sâu phân tích tương tự mà không cần huấn luyện lại agent theo sở thích của bạn.
Tóm tắt nhanh
Giai Đoạn Thực Thi: Ra Lệnh Phân Tích
Khi ngữ cảnh đã thiết lập, hãy chuyển sang giai đoạn thực thi. Đây là lúc bạn tận dụng khả năng suy luận của Gemini 3. Thay vì yêu cầu báo cáo cuối cùng ngay lập tức, hãy chia yêu cầu thành một chuỗi suy nghĩ (chain of thought). Yêu cầu agent phác thảo kế hoạch phân tích trước.
Dưới đây là ví dụ lệnh bạn có thể sử dụng: "Review the uploaded CSV. Outline three steps you will take to identify revenue anomalies before generating the final report."
Điều này buộc model phải hiển thị cách nó làm việc. Nếu kế hoạch trông không chính xác — ví dụ: nếu nó định so sánh dữ liệu tháng hiện tại với một cột không tồn tại — bạn có thể sửa lỗi trước khi nó lãng phí token tạo ra output vô dụng. Khi kế hoạch được phê duyệt, hãy hướng dẫn agent tiến hành.
Khi yêu cầu các chỉ số cụ thể, hãy chính xác về múi giờ và chuyển đổi tiền tệ. Nếu CSV của bạn chứa timestamp theo UTC nhưng doanh nghiệp của bạn hoạt động theo EST, hãy chỉ định logic chuyển đổi rõ ràng. Gemini 3 có thể xử lý chuyển đổi này, nhưng chỉ khi được hướng dẫn. Sự mơ hồ ở đây dẫn đến lỗi báo cáo có vẻ đúng khi nhìn nhanh nhưng về cơ bản là sai.
Xác Thực và Xử Lý Lỗi
Không bao giờ tin tưởng tuyệt đối vào output đầu tiên. Các model AI có thể mắc lỗi số học hoặc lệch hàng trong quá trình xử lý. Hãy triển khai bước xác thực nơi bạn yêu cầu agent tự phê bình.
Ra lệnh cho agent: "Review your generated table. Check three random rows against the original CSV data to verify accuracy. Report any discrepancies."
Vòng lặp xác minh đơn giản này bắt được hầu hết các ảo giác. Nếu agent báo cáo có sự khác biệt, hãy yêu cầu nó tạo lại phần cụ thể đó thay vì toàn bộ báo cáo. Một vấn đề phổ biến khác là trôi định dạng. Agent có thể chuyển từ bảng Markdown sang gạch đầu dòng giữa chừng. Hãy nhắc lại ràng buộc định dạng đầu ra nếu bạn thấy tính nhất quán đang giảm sút.
Đối với dữ liệu tài chính quan trọng, hãy đối chiếu tổng số của AI với hàm sum native của phần mềm bảng tính. Sử dụng AI để nhận diện mẫu hình và phát hiện bất thường, nhưng dựa vào các công cụ xác định (deterministic) để xác thực kế toán cuối cùng. Cách tiếp cận hybrid này tối đa hóa tốc độ trong khi vẫn duy trì tính toàn vẹn.
Mở Rộng Quy Trình
Khi bạn đã có cấu trúc lệnh đã xác thực, hãy lưu nó làm mẫu trong MidassAI Chat. Bạn không nên viết lại lệnh hệ thống cho mỗi dataset mới. Hãy tham số hóa lệnh wherever possible. Ví dụ: sử dụng các placeholder như [TARGET_METRIC] hoặc [TIME_PERIOD] để bạn có thể hoán đổi biến mà không làm thay đổi logic cốt lõi.
Khi khối lượng dữ liệu tăng, hãy cân nhắc tự động hóa bước làm sạch file. Nếu bạn thấy mình đang đổi tên header thủ công mỗi tuần, hãy viết một script đơn giản để tiền xử lý CSV trước khi tải lên. Điều này giữ cho tương tác AI tập trung vào phân tích giá trị cao thay vì công việc dọn dẹp dữ liệu.
Hợp tác nhóm là một yếu tố mở rộng khác. Chia sẻ chuỗi lệnh thành công với đồng nghiệp. Tính nhất quán trong việc ra lệnh đảm bảo rằng khi đội marketing và đội sales chạy phân tích trên cùng một dữ liệu, họ nhận được các insights có thể so sánh được. Sự liên kết này ngăn ngừa các tranh chấp nội bộ về các diễn giải dữ liệu mâu thuẫn.
Xây dựng một quy trình agent đáng tin cậy đòi hỏi sự lặp lại. Lệnh đầu tiên của bạn có thể chỉ đạt độ chính xác 80%. Tinh chỉnh các ràng buộc và bước xác thực để đẩy con số đó lên 95%. Sức mạnh của Gemini 3 không chỉ nằm ở trí thông minh của nó, mà còn ở cách bạn chỉ đạo chính xác trí thông minh đó vào ngữ cảnh kinh doanh cụ thể của mình.
Sẵn sàng tinh gọn phân tích dữ liệu của bạn? Hãy thử quy trình này với dataset của riêng bạn và xem bạn có thể tiết kiệm bao nhiêu thời gian từ công việc bảng tính thủ công.