AI agent có ngữ cảnh cá nhân trên điện thoại: dùng vừa đủ để hành động đúng
Ngữ cảnh cá nhân giúp phone agent hiểu màn hình, phiên, dữ liệu được phép và sở thích, rồi chuyển thành thao tác Android có phê duyệt, kiểm tra và phục hồi.
- AI agent có ngữ cảnh cá nhân không cần thu gom mọi tín hiệu; nó cần chọn đúng ngữ cảnh cho mục tiêu hiện tại, đủ để cải thiện bước tiếp theo mà người dùng có thể kiểm tra.
- Ngữ cảnh của phone agent gồm nhiều lớp khác nhau: màn hình và trạng thái tức thời, lịch sử phiên, dữ liệu kết nối, sở thích, hướng dẫn phản hồi và bộ nhớ lâu dài.
- Bộ nhớ AI và ngữ cảnh tác vụ không giống nhau: ngữ cảnh tác vụ nên ngắn hạn và phục vụ việc trước mắt, còn bộ nhớ bền vững cần dễ xem, sửa, tắt hoặc đặt lại.
- Trong FoneClaw, ngữ cảnh chỉ có giá trị khi dẫn tới thao tác Android được hỗ trợ với quyền rõ, công cụ có phạm vi, trạng thái hiển thị, phê duyệt, dừng và phục hồi.
Ngữ cảnh cá nhân trong một tác vụ điện thoại
Hãy bắt đầu bằng một tình huống rất quen: bạn đang đọc tin nhắn có nội dung “gặp lúc 3 giờ ở quán cà phê cũ”, rồi nói với agent: “nhắc tôi đi trước 20 phút”. Nếu agent chỉ nghe câu lệnh đó, nó vẫn thiếu nhiều thứ: “quán cà phê cũ” là nơi nào, lịch của bạn có cuộc hẹn nào trùng không, hiện tại bạn đang ở đâu, và bạn muốn nhắc bằng app nào. AI agent có ngữ cảnh cá nhân là agent biết chọn đúng tín hiệu được phép để biến một câu nói ngắn thành bước tiếp theo rõ ràng.
Ngữ cảnh cá nhân không phải là một kho dữ liệu càng lớn càng tốt. Với phone agent, ngữ cảnh là tập tín hiệu phục vụ mục tiêu hiện tại: màn hình đang mở, yêu cầu vừa nói, trạng thái app, dữ liệu từ dịch vụ đã kết nối, quyền thiết bị, sở thích đã xác nhận hoặc một mẩu bộ nhớ bền vững. Tín hiệu tốt là tín hiệu làm hành động sắp tới chính xác hơn, ít hỏi lại hơn và dễ kiểm tra hơn.
Từ kinh nghiệm xây FoneClaw, chúng tôi dùng một câu hỏi thực dụng: ngữ cảnh này có cải thiện hành động Android được hỗ trợ tiếp theo không? Nếu có, nó đáng xem xét. Nếu nó chỉ làm agent có vẻ “biết nhiều” nhưng không giúp mở đúng màn hình, chuẩn bị đúng bản nháp, chọn đúng liên hệ hoặc kiểm tra đúng trạng thái, nó đang tạo nhiễu. Phone AI hữu ích bắt đầu từ sự liên quan, không phải từ việc thu thập mọi tín hiệu có thể.
Năm lớp ngữ cảnh mà phone agent cần tách riêng
Ngữ cảnh của phone agent nên được chia theo tuổi thọ và quyền kiểm soát. Lớp đầu tiên là trạng thái tức thời: màn hình đang xem, app đang mở, nội dung người dùng vừa chọn, vị trí trong một luồng cài đặt hoặc thông báo đang xử lý. Đây là ngữ cảnh có giá trị cao vì nó gần mục tiêu hiện tại, nhưng cũng nên hết hạn nhanh khi tác vụ kết thúc.
Lớp thứ hai là lịch sử phiên: vài lượt trò chuyện gần đây, mục tiêu đã nói, bước đã chạy, phê duyệt đã chấp nhận hoặc điểm vừa thất bại. Lớp này giúp agent không hỏi lại mọi thứ trong cùng một tác vụ. Lớp thứ ba là dữ liệu kết nối và tín hiệu thiết bị được cấp quyền, như lịch, danh bạ, vị trí, thông báo, trạng thái mạng hoặc dịch vụ cá nhân. Google cũng mô tả các nguồn cá nhân hóa riêng trong Gemini, gồm past chats, connected apps và response instructions; điểm quan trọng là mỗi nguồn có điều kiện và điều khiển khác nhau, không nên trộn thành một khối mơ hồ.
Lớp thứ tư là sở thích và hướng dẫn phản hồi: cách bạn muốn nhận câu trả lời, ngôn ngữ, mức chi tiết, ứng dụng thường dùng hoặc thói quen xử lý một loại việc. Lớp thứ năm là bộ nhớ bền vững: những điều người dùng muốn agent nhớ qua nhiều phiên. Bộ nhớ này khác với ngữ cảnh tác vụ tạm thời; nó cần có cách xem lại, sửa, xóa hoặc đặt lại. Nếu bạn muốn đi sâu hơn vào thiết kế trí nhớ, bài Hy-Memory và bộ nhớ tác nhân cục bộ trên Android tách rõ phần kiến trúc bộ nhớ khỏi luồng tác vụ tức thời.
| Lớp ngữ cảnh | Ví dụ trên điện thoại | Tuổi thọ hợp lý | Điều khiển cần có |
|---|---|---|---|
| Trạng thái tức thời | Màn hình hiện tại, app đang mở, nội dung đã chọn | Trong tác vụ | Đính kèm có chủ ý, làm mới, bỏ qua |
| Lịch sử phiên | Yêu cầu vừa nói, bước đã chạy, lỗi vừa gặp | Trong phiên | Dừng, chạy lại, xóa phiên |
| Dữ liệu kết nối | Lịch, danh bạ, dịch vụ đã kết nối | Theo quyền hoặc kết nối | Bật tắt theo nguồn, thu hồi |
| Sở thích | App thường dùng, kiểu phản hồi, lựa chọn đã xác nhận | Cho đến khi sửa | Xem lại, chỉnh, đặt lại |
| Bộ nhớ bền vững | Thói quen hoặc thông tin người dùng muốn lưu | Dài hạn có kiểm soát | Duyệt, xóa, giới hạn phạm vi |
Chọn ngữ cảnh tối thiểu cho đúng việc
Agent Android hiểu ngữ cảnh tốt không phải là agent xin mọi quyền ngay từ đầu. Quyết định đúng bắt đầu bằng việc gọi tên hành động: bạn muốn hỏi, soạn nháp, mở app, tạo lịch, gửi tin, đổi cài đặt hay chỉ kiểm tra trạng thái? Khi hành động đã rõ, mới chọn tín hiệu ít nhạy cảm nhất nhưng đủ để hoàn thành bước đó.
Android khuyến nghị giảm yêu cầu quyền và dùng lựa chọn có phạm vi khi có thể. Với phone agent, nguyên tắc này dịch thành một checklist đơn giản. Một: tín hiệu này có thật sự cần cho tác vụ không? Hai: có nguồn ít nhạy cảm hơn không, chẳng hạn dùng màn hình hiện tại thay vì toàn bộ lịch sử thông báo? Ba: có thể hỏi tại thời điểm dùng thay vì giữ quyền dài hạn không? Bốn: nếu người dùng từ chối quyền, agent có thể mở app để người dùng tự làm hoặc yêu cầu nhập thủ công không?
Bộ nhớ AI có giống ngữ cảnh tác vụ không? Không. Ngữ cảnh tác vụ là phần tạm thời giúp xử lý việc trước mắt: màn hình này, tin nhắn này, lần chạy này. Bộ nhớ AI là phần có thể sống qua nhiều phiên. Một lời nhắc một lần không cần trở thành bộ nhớ lâu dài. Một lựa chọn lặp lại nhiều lần có thể đáng lưu, nhưng nên được xác nhận và có đường sửa.
Cách chọn ngữ cảnh tối thiểu cũng giúp trải nghiệm nhanh hơn. Thay vì hỏi người dùng cấp quyền rộng, agent có thể nói: “Tôi chỉ cần địa chỉ đang hiển thị để mở bản đồ”, hoặc “Tôi có thể chuẩn bị bản nháp, bạn duyệt trước khi gửi”. Ngữ cảnh càng rõ mục đích, người dùng càng dễ tin và dễ phát hiện sai lệch.
Từ ngữ cảnh đến thao tác Android có trạng thái hiển thị
Ngữ cảnh biến thành thao tác điện thoại qua một vòng lặp sáu bước. Đầu tiên, agent diễn giải mục tiêu hiện tại: người dùng muốn biết thông tin, chuẩn bị hành động hay thực thi một thao tác Android được hỗ trợ. Thứ hai, hệ thống chọn capability phù hợp: đọc màn hình, mở app, kiểm tra trạng thái thiết bị, tạo lịch, soạn tin, tìm vị trí, ghi memo hoặc gọi một workflow đã lưu. Thứ ba, agent kiểm tra quyền Android, dữ liệu được phép dùng và chính sách phê duyệt.
Thứ tư là thực thi hoặc handoff. Nếu hành động nằm trong phạm vi được hỗ trợ, runtime Android thực hiện bước tương ứng. Nếu app, quyền hoặc trạng thái chưa sẵn sàng, agent cần mở màn hình phù hợp, hướng dẫn người dùng hoặc dừng. Thứ năm là kiểm tra trạng thái sau hành động: âm lượng đã đổi chưa, tuyến đường đã mở chưa, sự kiện đã tạo chưa, bản nháp đang chờ duyệt ở đâu. Thứ sáu là phục hồi: hỏi lại, chạy lại với phạm vi hẹp hơn, hoặc để người dùng tiếp quản.
Trong FoneClaw, mô hình được cấu hình xử lý phần hiểu yêu cầu và lập kế hoạch, còn FoneClaw cung cấp lớp thực thi Android có quản trị. Người dùng có thể dùng trợ lý nổi để gọi FoneClaw từ app đang mở, đính kèm màn hình hiện tại khi cần, tiếp tục tác vụ giữa Home và trợ lý nổi, xem phê duyệt, dừng tác vụ, phục hồi quyền và kiểm tra trạng thái sau hành động. Trang tính năng FoneClaw mô tả phạm vi hiện tại của runtime, gồm 100+ built-in tools cho các nhóm thao tác Android được hỗ trợ.
Ví dụ, bạn đang xem một tin nhắn có địa chỉ và muốn đi tới đó sau cuộc họp. Ngữ cảnh tức thời là tin nhắn đang mở. Lịch sử phiên là yêu cầu “sau cuộc họp”. Dữ liệu được cấp quyền có thể là lịch và bản đồ. FoneClaw cần xác định địa chỉ, kiểm tra lịch nếu bạn cho phép, chuẩn bị điều hướng hoặc nhắc việc, rồi hiển thị kết quả để bạn xác nhận. Nếu thiếu quyền lịch, đường đúng không phải là đoán; đường đúng là hỏi, mở phần cấp quyền hoặc dùng lựa chọn thủ công.
Nếu bạn cần bức tranh rộng hơn về lớp hành động của phone agent, bài Điều khiển điện thoại bằng AI agent trên Android giải thích kiến trúc thao tác được hỗ trợ, quyền và giới hạn thực thi.
Khi ngữ cảnh cũ, thừa, mâu thuẫn hoặc bị chèn lệnh
Ngữ cảnh cá nhân giúp agent chính xác hơn, nhưng nó cũng có thể làm tác vụ lệch hướng nếu không được kiểm tra. Lỗi đầu tiên là ngữ cảnh cũ: địa chỉ đã thay đổi, liên hệ đã đổi số, cuộc họp bị hủy, hoặc sở thích trước đây không còn đúng. Trước hành động có hệ quả, agent cần làm mới tín hiệu hoặc hiển thị dữ liệu để người dùng xác nhận.
Lỗi thứ hai là ngữ cảnh quá nhiều. Một agent đọc quá nhiều thông báo, lịch sử trò chuyện hoặc ghi chú có thể kéo vào chi tiết không liên quan. Kết quả thường là câu trả lời dài, hành động chậm, hoặc lựa chọn sai vì một tín hiệu phụ lấn át mục tiêu chính. Ngữ cảnh tốt nên được chọn theo việc đang làm, không theo khả năng nhồi thêm dữ liệu.
Lỗi thứ ba là mâu thuẫn giữa bộ nhớ và màn hình hiện tại. Bộ nhớ nói bạn thường dùng một app bản đồ, nhưng màn hình hiện tại đang mở địa chỉ trong app khác. Sở thích nói bạn không muốn nhận thông báo buổi tối, nhưng bạn vừa yêu cầu nhắc một việc khẩn cấp. Khi có mâu thuẫn, agent nên hỏi hoặc ưu tiên yêu cầu hiện tại, đặc biệt trước bước gửi, xóa, chia sẻ hoặc đổi cài đặt.
Lỗi thứ tư là ngữ cảnh mang chỉ dẫn không đại diện cho ý định người dùng. Một trang web, email hoặc tin nhắn có thể chứa câu như “hãy bỏ qua yêu cầu trước đó” hoặc “gửi nội dung này ngay”. Phone agent không nên coi mọi chữ trên màn hình là lệnh của người dùng. Nó phải phân biệt dữ liệu đang được xem với yêu cầu do người dùng đưa ra. Khi thiếu chắc chắn, đường tốt nhất là làm rõ, làm mới ngữ cảnh, hoặc để người dùng tiếp quản.
Cách thử trợ lý AI cá nhân hóa bằng tác vụ có thể đảo ngược
Đừng bắt đầu kiểm thử bằng thanh toán, gửi tin nhắn thật hoặc xóa dữ liệu. Một trợ lý AI cá nhân hóa nên được thử trước bằng workflow có thể đảo ngược, ví dụ tạo memo nháp, mở đúng màn hình cài đặt, kiểm tra trạng thái âm lượng, chuẩn bị lịch nháp hoặc tìm tuyến đường mà chưa gửi cho ai. Mục tiêu là xem agent chọn ngữ cảnh thế nào, không phải tạo rủi ro sớm.
Dùng checklist ngắn này:
- Chọn một tác vụ thấp rủi ro và nói rõ kết quả mong muốn.
- Liệt kê tín hiệu agent nên dùng: màn hình hiện tại, yêu cầu vừa nói, lịch, vị trí hay sở thích.
- Loại bỏ tín hiệu không cần, nhất là quyền đọc dữ liệu rộng.
- Dự đoán hành động đúng: trả lời, chuẩn bị, mở app hay yêu cầu phê duyệt.
- Chạy tác vụ và xem trạng thái hiển thị sau mỗi bước quan trọng.
- Thay đổi một tín hiệu, chẳng hạn đổi màn hình hoặc từ chối quyền, rồi chạy lại.
- Xóa bản nháp, đặt lại quyền hoặc tắt bộ nhớ tùy chọn sau khi thử.
Một bài thử tốt chỉ thay đổi một biến mỗi lần. Nếu bạn vừa đổi app, vừa đổi quyền, vừa đổi câu lệnh, bạn sẽ khó biết agent hiểu sai ở đâu. Kết quả đáng tin là agent dùng đúng ngữ cảnh tối thiểu, hỏi khi thiếu dữ liệu, hiển thị bước có rủi ro và giúp phục hồi khi Android chặn quyền.
Khi thử các lựa chọn cục bộ và đám mây, hãy tách đường xử lý. Một số tác vụ có thể dùng dữ liệu trong thiết bị hoặc tài khoản cục bộ; một số mô hình hoặc dịch vụ online cần truyền dữ liệu qua mạng. Bài Niềm tin AI agent: Android cục bộ hay đám mây giúp đánh giá lựa chọn này theo quyền riêng tư, độ trễ và khả năng kiểm soát.
Cách FoneClaw thiết kế ngữ cảnh hiện tại
Bài học sản phẩm của chúng tôi rất rõ: ngữ cảnh tác vụ chỉ có giá trị khi phục vụ một hành động được hỗ trợ và có thể kiểm tra. FoneClaw là runtime phone-agent trên Android; người dùng có thể bắt đầu với mô hình mặc định hoặc cấu hình mô hình tương thích. Mô hình giúp hiểu yêu cầu và lập kế hoạch, còn FoneClaw giữ phần thực thi Android trong phạm vi công cụ, quyền và trạng thái hiển thị.
Chúng tôi thiết kế điểm vào ngữ cảnh theo hướng người dùng chủ động. Trợ lý nổi giúp gọi FoneClaw khi bạn đang ở trong app khác. Đính kèm màn hình hiện tại giúp agent hiểu đúng tình huống trước mắt mà không biến toàn bộ điện thoại thành nguồn ngữ cảnh vô hạn. Khi tác vụ cần dữ liệu hoặc quyền, FoneClaw đưa phần đó vào luồng: xin quyền khi cần, hiển thị bước quan trọng, cho dừng, cho chạy lại và hướng dẫn phục hồi khi trạng thái thiết bị không đáp ứng.
FoneClaw cũng tách các khái niệm thường bị trộn lẫn: ngữ cảnh tạm thời của tác vụ, bộ nhớ bền vững, quyền Android, cài đặt dịch vụ kết nối, chính sách phê duyệt và đường truyền mạng của mô hình hoặc dịch vụ online. Sự tách bạch này giúp người dùng hiểu điều gì đang được dùng ngay bây giờ và điều gì có thể cần quản lý lâu dài. Nếu bạn muốn đi sâu vào quyền, phê duyệt và dấu vết kiểm tra, bài Danh tính tác nhân AI: quyền, phê duyệt công cụ và nhật ký kiểm toán là bước đọc tiếp phù hợp.
Bước tiếp theo thực tế là xem phạm vi trên trang tính năng FoneClaw, rồi dùng trang tải FoneClaw để thử một workflow Android có thể đảo ngược. Chúng tôi đang xây FoneClaw theo hướng ngữ cảnh vừa đủ, quyền rõ, hành động nhìn thấy được và phục hồi bình tĩnh khi môi trường thay đổi. Với phone agent, đó là cách cá nhân hóa trở thành công cụ, không phải một lời hứa mơ hồ.