Lý thuyết cơ bản về AI agent dựa trên các nghiên cứu mới nhất - Tổng quan, Cơ chế hoạt động, Phương pháp đánh giá, Tương lai

AI agent (AIエージェント) và Agentic AI (エージェンティックAI) đang được chú ý trên toàn thế giới và được kỳ vọng sẽ được ứng dụng trong nhiều lĩnh vực, tuy nhiên dựa trên các nghiên cứu mới nhất, chúng tôi đã tổng hợp lý thuyết về AI agent (tổng quan, cơ chế hoạt động, phương pháp đánh giá và tương lai).

Tổng quan về AI agent

Định nghĩa về AI Agent

AIエージェント là một phần mềm hoặc hệ thống có khả năng cảm nhận môi trường, thực hiện suy luận và hành động một cách tự chủ để đạt được những mục tiêu cụ thể (Akuma et al., 2025; Bandi et al., 2025; Di Maggio, 2025; Liu et al., 2025).
Khác với phần mềm bị động truyền thống (chương trình chỉ trả về đầu ra được xác định trước cho đầu vào), AIエージェント hoạt động thông qua vòng lặp cảm nhận-suy luận-hành động, cố gắng hoàn thành các tác vụ mà không cần sự can thiệp liên tục của con người.

Mối quan hệ giữa AI truyền thống, LLM và AI agent

Hình ảnh dưới đây cho thấy mối quan hệ của các khái niệm liên quan đến AI (Bandi et al., 2025).

Trong khuôn khổ của AI, AIエージェント (Agentic AI) là một lĩnh vực dựa trên LLM (Large Language Model) và RL (Reinforcement Learning). LLM đảm nhận "trí tuệ" như suy luận và lập kế hoạch, trong khi RL đảm nhận "học tập tự chủ và tối ưu hóa dựa trên kinh nghiệm", từ đó AI có thể thực hiện các hành động tự chủ hướng tới mục tiêu.

Ngoài ra, AIエージェント cũng có liên quan mật thiết đến Hệ thống Multi-Agent (MAS). Bằng cách kết hợp khái niệm MAS, nhiều AI có thể phối hợp và bổ sung cho nhau để giải quyết các vấn đề phức tạp. Khi những "Hệ thống bộ nhớ" và "Thuật toán lập kế hoạch" được kết hợp lại, AI phát triển từ chỉ là một công cụ thành một đối tác thông minh có thể tự lập chiến lược và hành động.

Sự khác biệt giữa AI agent và Agentic AI

AI Agent và Agentic AI thường bị nhầm lẫn, nhưng trong các nghiên cứu gần đây có xu hướng phân biệt chúng (Bandi et al., 2025; Sapkota et al., 2025).

AI Agent chỉ "một thể tự chủ riêng lẻ thực hiện một tác vụ cụ thể", trong khi Agentic AI chỉ "một hệ thống hoặc mô hình tiên tiến trong đó nhiều agent phối hợp và điều phối để đạt được những mục tiêu phức tạp".

Ví dụ về du lịch như sau.

• AI Agent: Để trả lời yêu cầu "Tìm chuyến bay đến Chicago", nó sử dụng công cụ tìm kiếm chuyến bay để đưa ra các lựa chọn.

• Agentic AI: Để trả lời yêu cầu "Lập kế hoạch chuyến đi Chicago 3 ngày với ngân sách dưới 1500 đô la", nó phân tách tác vụ (chuyến bay, khách sạn, lịch trình), các agent chuyên gia tìm kiếm, so sánh và đặt thông tin thời gian thực, đồng bộ hóa với lịch và tạo kế hoạch có thể chia sẻ.

Ví dụ về nhà thông minh như sau.

• AI Agent: Giống như "bộ điều nhiệt thông minh" điều chỉnh nhiệt độ dựa trên cài đặt của người dùng, nó kiểm soát một chức năng duy nhất một cách tự chủ.

• Agentic AI: Nhiều agent quản lý dự báo thời tiết, giá năng lượng, lịch trình của người dùng, thiết bị gia dụng và hệ thống bảo mật phối hợp để điều chỉnh toàn bộ ngôi nhà hướng tới mục tiêu cấp cao hơn là "tối ưu hóa sự thoải mái, an toàn và hiệu quả năng lượng".

Theo cách này, Agentic AI là một hệ thống tổ chức (quản lý tích hợp) nhiều AI Agent và hoạt động như một trí tuệ phân tán, với Agentic AI được vị trí như một giai đoạn tiếp theo của AI Agent.

Tại sao AIエージェント lại được thực hiện và phổ biến nhanh chóng như vậy

Phía sau sự phổ biến nhanh chóng của AIエージェント là sự tiến bộ vượt bậc của LLM. Trong khi AI truyền thống bị giới hạn trong các tác vụ cụ thể (chẳng hạn như mô phỏng multi-agent) (Akuma et al., 2025), với việc có được một "bộ não" đa dụng trong LLM, nó đã phát triển thành một thể có khả năng suy luận và hành động tự chủ (Liu et al., 2025).

Chìa khóa để thực hiện chủ yếu nằm ở 4 điểm sau.

• Suy luận và thích ứng: LLM đã trở thành một công cụ suy luận tiên tiến, cho phép nó thích ứng linh hoạt với các tình huống chưa biết hoặc các hướng dẫn mơ hồ.

• Khả năng lập kế hoạch: Thông qua các kỹ thuật như "Chain-of-Thought (chuỗi tư duy)", nó có thể phân tách các mục tiêu phức tạp thành các bước nhỏ và lập các kế hoạch có thể thực hiện được.

• Sử dụng công cụ: Với khả năng tự chọn và vận hành các API bên ngoài hoặc công cụ tìm kiếm (Tool Use), các công việc thực tế vượt qua các rào cản kỹ thuật số trở nên khả thi.

• Bộ nhớ và tính tự chủ: Được trang bị "bộ nhớ" để giữ lại bối cảnh quá khứ, có một sự thay đổi mô hình từ "AI sinh tạo" chỉ chờ các hướng dẫn của người dùng đến "Agentic AI" theo đuổi mục tiêu của riêng nó.

Theo cách này, lý do chính AIエージェント được thực hiện là LLM hoạt động như một "công cụ suy luận" tiên tiến, có thể tích hợp và kiểm soát các thành phần chính của agent bao gồm lập kế hoạch (Planning), vận hành công cụ (Action) và giữ bộ nhớ (Memory).

Cơ chế hoạt động của AI agent

4 thành phần cấu trúc của AI Agent (Kiến trúc)

Các AIエージェント hiện đại (đặc biệt là các agent dựa trên LLM) thường được định nghĩa là các hệ thống bao gồm 4 thành phần chính sau (Bandi et al., 2025; Di Maggio, 2025; Liu et al., 2025).

① Bộ não (Brain)
Đây là trung tâm suy luận và ra quyết định, LLM đóng vai trò này. Nó hiểu được các hướng dẫn từ người dùng và thông tin từ môi trường, tìm kiếm kiến thức, lập kế hoạch (Planning) để hoàn thành tác vụ và cuối cùng đưa ra quyết định. Nhờ sự phát triển của LLM, nó không chỉ có khả năng sinh tạo văn bản đơn thuần mà còn có khả năng suy luận logic và phân tách các tác vụ phức tạp (Akuma et al., 2025; Di Maggio, 2025).

② Cảm nhận (Perception)
Nó tương ứng với các cơ quan cảm giác của con người (mắt, tai), thu thập thông tin từ môi trường bên ngoài và chuyển đổi chúng thành định dạng mà agent (bộ não) có thể hiểu được.
Khả năng xử lý các modality (định dạng) thông tin đa dạng không chỉ là văn bản mà còn là hình ảnh, âm thanh, dữ liệu cảm biến, v.v. đang được cải thiện (đa phương tiện). Điều này cho phép agent đọc thông tin trên màn hình hoặc được công nhân bởi một robot vật lý để nhận biết môi trường xung quanh (J. Gao et al., 2024).

③ Hành động và sử dụng công cụ (Action & Tools)
Nó tương ứng với tay chân của con người, can thiệp vào thế giới bên ngoài. Nó thực hiện kế hoạch được quyết định bởi bộ não và mang lại thay đổi cho môi trường. Agent sử dụng "công cụ" để làm những điều mà LLM đơn lẻ không thể làm được. Điều này bao gồm tìm kiếm web, thực thi mã (Code Interpreter), gọi API (vận hành lịch, gửi email, truy vấn cơ sở dữ liệu, v.v.). Thông qua các giao thức tiêu chuẩn như Model Context Protocol (MCP), nó kết nối với nhiều dữ liệu bên ngoài và công cụ khác nhau, nâng cao khả năng mở rộng (Di Maggio, 2025; Ganesh et al., 2025).

④ Bộ nhớ (Memory)
Nó lưu trữ các hành động quá khứ, sở thích của người dùng, quy trình, v.v., và gọi chúng lại khi cần thiết.

Nó được phân loại thành bộ nhớ ngắn hạn (Short-term Memory) và bộ nhớ dài hạn (Long-term Memory), mỗi cái đóng những vai trò như sau.

• Bộ nhớ ngắn hạn: Nó giữ bối cảnh của tác vụ hiện tại hoặc cuộc trò chuyện và được sử dụng cho suy luận ngay lập tức.

• Bộ nhớ dài hạn: Sử dụng cơ sở dữ liệu vectơ (Vector DB) và các kỹ thuật khác, nó lưu trữ vĩnh viễn một lượng lớn kinh nghiệm quá khứ và kiến thức. Bằng cách sử dụng kỹ thuật RAG (Retrieval-Augmented Generation), nó tìm kiếm và lấy thông tin phù hợp khi cần (Retrieve), thực hiện học tập lâu dài và hành vi nhất quán (Liu et al., 2025).

Quy trình thực thi của AI agent

AIエージェント hoàn thành tác vụ bằng cách lặp lại vòng lặp sau đây. Quy trình này còn được gọi là ReAct (Reason + Act) hoặc OODA Loop (Observe-Orient-Decide-Act) (Akuma et al., 2025; Bandi et al., 2025; Karim, Khan, et al., 2025; Karim, Van, et al., 2025).

1. Đặt mục tiêu
   Nhận mục tiêu cấp cao từ người dùng như "Lập kế hoạch chuyến đi Chicago".

2. Lập kế hoạch (Planning)
   Phân tách tác vụ và suy luận.
   ・Phân tách tác vụ: Bộ não (LLM) phân tách mục tiêu phức tạp thành các tác vụ phụ nhỏ như "tìm kiếm chuyến bay", "đặt phòng khách sạn", "tạo lịch trình".
   ・Suy luận: Xây dựng logic về công cụ nào cần sử dụng và theo thứ tự nào.

3. Thực thi (Execution/Action)
   Dựa trên kế hoạch, gọi các công cụ cụ thể (ví dụ: API tìm kiếm chuyến bay).

4. Quan sát và sửa chữa (Observation & Reflection)

   • Quan sát: Quan sát kết quả thực thi công cụ (ví dụ: danh sách chuyến bay hoặc thông báo lỗi).

   • Sửa chữa: Nếu kết quả không như mong đợi, sửa đổi kế hoạch hoặc thử các từ khóa tìm kiếm khác.

5. Hoàn tất: Khi tất cả các tác vụ phụ hoàn tất và mục tiêu được xác định là đã đạt được, trình bày câu trả lời cuối cùng cho người dùng.

Single-Agent và Multi-Agent (Agentic AI)

Cơ chế hoạt động của agent khác nhau tùy thuộc vào việc nó hoạt động riêng lẻ (single-agent) hay theo nhóm (multi-agent) (Bandi et al., 2025).

Sự khác biệt giữa single-agent và multi-agent như sau.

• Single-agent: Một LLM duy nhất đảm nhận tất cả các vai trò (lập kế hoạch, thực thi, đánh giá). Nó phù hợp với các tác vụ đơn giản, nhưng có thể bị nhầm lẫn nếu quá phức tạp.

• Multi-agent: Nhiều agent chuyên môn hóa như "đảm nhận lập kế hoạch", "đảm nhận tìm kiếm", "đảm nhận tạo mã" phối hợp với nhau. Đây là cơ chế của Agentic AI.

Multi-agent được thực hiện thông qua Orchestration và Protocol.

• Orchestration: Một agent chính (Orchestrator) phân công tác vụ cho các agent khác và tích hợp kết quả.

• Protocol: Các agent giao tiếp thông qua các phương tiện tiêu chuẩn hóa như giao thức Agent-to-Agent (A2A), cho phép các agent giao tiếp và hợp tác mà không cần can thiệp của con người để giải quyết vấn đề.

Phương pháp đánh giá AI agent

Đánh giá AIエージェント có thể được tổng hợp thành ba điểm: chỉ số định lượng (Hiệu suất), chỉ số định tính (Chất lượng và Hành vi) và Phương pháp đánh giá như sau.

Chỉ số định lượng

Nó được sử dụng để đo lường hiệu suất khách quan của agent (Akuma et al., 2025; Bandi et al., 2025; Liu et al., 2025).

• Tỷ lệ thành công tác vụ và độ chính xác (Success Rate & Accuracy): Tỷ lệ thành công (Success Rate): Tỷ lệ mà agent có thể đạt được mục tiêu. Ví dụ, trong các tác vụ duyệt web hoặc vận hành API, nó đo lường xem có thể đến được mục tiêu cuối cùng hay không.

• Độ chính xác (Accuracy): Mức độ mà đầu ra phù hợp với đáp án chính xác. Nó được sử dụng trong các tác vụ có câu trả lời rõ ràng như chẩn đoán y tế hoặc dự đoán tài chính.

• Độ chính xác (Precision) và Độ bao phủ (Recall): Đo lường mức độ mà agent có thể lấy được thông tin liên quan một cách chính xác và toàn diện khi thực hiện tìm kiếm hoặc trích xuất thông tin.

• Hiệu quả (Efficiency): Thời gian hoàn thành tác vụ (Task Completion Time, TCT): Thời gian từ khi lập kế hoạch đến khi hoàn thành thực hiện. Cho thấy agent có thể xử lý các quy trình công việc phức tạp nhanh đến mức nào so với AI truyền thống.

• Số bước (Number of Steps): Số lần hành động (suy nghĩ, sử dụng công cụ, v.v.) cần thiết để đạt được mục tiêu. Càng giải quyết được bằng ít bước thì càng được coi là hiệu quả.

• Chi phí (Cost): Dựa trên số lần gọi API hoặc lượng token được sử dụng, đánh giá chi phí tiền tệ và tính toán để hoàn thành tác vụ.

• Chỉ số cấu trúc và logic: Khoảng cách chỉnh sửa đồ thị (Graph Edit Distance, GED): Chỉ số đo độ tương tự cấu trúc giữa kế hoạch tác vụ (cấu trúc đồ thị) mà agent sinh ra và kế hoạch chính xác (chẳng hạn như kế hoạch do con người tạo). Được sử dụng để đánh giá khả năng lập kế hoạch (Planning).

• Độ trung thành quy tắc (Rule Fidelity): Đo lường mức độ mà agent tuân thủ chặt chẽ các quy tắc logic hoặc hạn chế.

Chỉ số định tính

Đây là những chỉ số liên quan đến hành vi của agent, độ tin cậy và trải nghiệm người dùng (Akuma et al., 2025; Bandi et al., 2025; Zhou et al., 2025).

• Độ tin cậy và An toàn (Trust & Safety): Không ảo giác (Faithfulness/Hallucination): Liệu câu trả lời có hoàn toàn dựa trên các nguồn hoặc sự thật được cung cấp hay không. Trong các hệ thống RAG (Retrieval-Augmented Generation), tính trung thành (Faithfulness) của câu trả lời đối với các tài liệu tham khảo được coi là quan trọng.

• Tính bền vững (Robustness): Liệu agent có thể tiếp tục hoạt động khi đối mặt với đầu vào lỗi, các tình huống không dự kiến hoặc các cuộc tấn công đối kháng.

• Thiên vị và Công bằng (Fairness & Bias): Liệu có đưa ra các quyết định không công bằng đối với các nhóm cụ thể hay không, hoặc liệu đầu ra có có xu hướng nào đó hay không.

• Tính minh bạch và Khả năng giải thích (Transparency & Explainability): Agent có thể giải thích cho con người hiểu được "tại sao nó đưa ra quyết định đó" hay không. Điều này được coi là đặc biệt quan trọng trong các lĩnh vực rủi ro cao như y tế và tài chính.

• Tính tự chủ (Autonomy): Mức độ mà agent có thể hoàn thành tác vụ mà không cần sự can thiệp của con người.

• Hành vi hợp tác (Cooperative Behavior): Trong các hệ thống đa agent, agent có thể phối hợp và điều phối hiệu quả với nhau đến mức nào.

• Tự phản ánh (Self-Reflection): Khả năng phát hiện và sửa chữa các sai lầm của chính agent.

Phương pháp đánh giá và Benchmark

Để đo lường các chỉ số này, đã có nhiều khung đánh giá được đề xuất (Akuma et al., 2025; Bandi et al., 2025; Ferrag et al., 2025).

Tập dữ liệu Benchmark:

• AgentBench: Một benchmark toàn diện để đánh giá các agent LLM trong nhiều môi trường khác nhau (OS, DB, Knowledge Graph, v.v.).

• GAIA (General AI Assistants benchmark): Một tập hợp các câu hỏi thực tế yêu cầu suy luận, sử dụng công cụ và đa phương thức. Bao gồm các tác vụ dễ với con người nhưng khó với AI.

• SWE-bench: Đánh giá khả năng giải quyết các vấn đề GitHub thực tế (viết mã, gỡ lỗi).

• MMLU (Massive Multitask Language Understanding): Kiểm tra kiến thức thế giới rộng và khả năng giải quyết vấn đề.

Đánh giá bằng AI (LLM-as-a-Judge / Agent-as-a-Judge):
Vì đánh giá bằng con người tốn kém, phương pháp "sử dụng một LLM mạnh mẽ (như GPT-4) làm tr裁判và cho nó chấm điểm đầu ra của các agent khác" đã trở nên phổ biến. Hơn nữa, một khung công tác được gọi là "Agent-as-a-Judge" cũng được đề xuất, trong đó agent đánh giá quy trình suy nghĩ và các sản phẩm trung gian của các agent khác, và đã được chỉ ra rằng nó có tỷ lệ phù hợp cao với con người.

Đánh giá có sự tham gia của con người (Human-in-the-Loop):
Sự hài lòng của người dùng (User Satisfaction) và kiểm tra chấp nhận (UAT), v.v., dựa trên trải nghiệm người dùng cuối cùng vẫn là những yếu tố không thể thiếu.

Tương lai của AI Agent

AI Agent đang phát triển nhanh chóng từ một công cụ thực thi tác vụ đơn giản sang Agentic AI (AI có tính tự chủ cao) và Hệ thống tự tiến hóa (Self-Evolving Systems) có khả năng học tập và tiến hóa tự động, đồng thời phối hợp với các agent khác và con người để hình thành các hệ thống xã hội phức tạp.
Chúng tôi sẽ tổng hợp những phát triển trong tương lai từ 4 góc độ sau đây.

Sự tiến hóa từ AI Agent sang Agentic AI

Trong tương lai, AI sẽ trải qua một sự thay đổi mô hình từ "AI Agent" thực hiện các tác vụ đơn lẻ sang "Agentic AI" với tính tự chủ ở cấp độ tổ chức (Bandi et al., 2025).

• Mở rộng định nghĩa: Trong khi AI Agent hiện tại là "một thực thể tự chủ thực hiện các tác vụ cụ thể", Agentic AI trong tương lai sẽ là một hệ thống trong đó các agent chuyên biệt hợp tác, phối hợp và lập kế hoạch để đạt được các mục tiêu phức tạp ở cấp cao.

• Tiêu chuẩn hóa Hệ thống đa Agent (MAS): Trong tương lai, kiến trúc chính sẽ không phải là một LLM (Mô hình Ngôn ngữ Lớn) duy nhất mà là một nhóm các agent phân công vai trò (ví dụ: agent lập kế hoạch, agent thực thi, agent phê bình) hoạt động cùng nhau. Điều này sẽ cho phép giải quyết các vấn đề phức tạp không thể giải quyết được một mình thông qua sự phân công công việc xã hội.

• Tăng trưởng thị trường nhanh chóng: Sự quan tâm đến Agentic AI trong ngành công nghiệp đang tăng nhanh, và quy mô thị trường dự kiến sẽ tăng từ khoảng 3,66 tỷ USD năm 2023 lên 139,12 tỷ USD vào năm 2033, với tỷ lệ tăng trưởng hàng năm trên 43% (Market. us, 2025).

Tự tiến hóa (Self-Evolving) và Học tập suốt đời (Lifelong Learning)

• Cho đến nay, phát triển AI phụ thuộc vào "Học tập trước mô hình (MOP)", nhưng trong tương lai, các agent sẽ có khả năng học tập liên tục trong khi hoạt động (Bandi et al., 2025; Hettiarachchi, 2025).

• AI Agent tự tiến hóa: Các hệ thống xuất hiện có khả năng tự động tối ưu hóa và cập nhật prompt, chiến lược sử dụng công cụ, bộ nhớ, và thậm chí cả cấu trúc liên kết giữa các agent (topology) thông qua tương tác với môi trường.

• Học tập suốt đời (Lifelong Learning): Chuyển tiếp từ việc học trên các tập dữ liệu tĩnh sang các hệ thống "học tập suốt đời" tiếp tục tích lũy kinh nghiệm để thích ứng với các tác vụ và môi trường mới. Điều này sẽ loại bỏ nhu cầu con người phải can thiệp thường xuyên để làm cho agent học lại, cho phép cải thiện hiệu suất liên tục.

Tiêu chuẩn hóa Cơ sở hạ tầng và Giao thức

Các "ngôn ngữ chung" và cơ sở hạ tầng sẽ được thiết lập để các agent có thể phối hợp vượt qua các ranh giới công ty và nền tảng (Di Maggio, 2025).
Các giao thức như MCP (Model Context Protocol) và A2A (Agent-to-Agent) sẽ được tiêu chuẩn hóa để các agent có thể tương tác lẫn nhau và đàm phán, và một hệ sinh thái Internet of Agents sẽ được xây dựng để các agent do các nhà phát triển khác nhau tạo ra có thể giao tiếp và hợp tác một cách an toàn.

Những thách thức và rủi ro phía trước

Bên cạnh những triển vọng tươi sáng, vẫn còn những thách thức nghiêm trọng cần giải quyết (Ganesh et al., 2025; S. Gao et al., 2024; Karim, Van, et al., 2025).
・Suy luận nhân quả và Độ tin cậy: Các agent hiện tại mạnh với các mối tương quan thống kê nhưng yếu trong việc hiểu các mối quan hệ nhân quả (Why), dễ thất bại trong suy luận và lập kế hoạch trong các tình huống chưa biết. Ngoài ra, vấn đề ảo giác (những lời nói dối thuyết phục) trong các agent tự chủ có rủi ro gây hại thực tế.
・An ninh và An toàn: Các hệ thống đa agent có diện tích tấn công rộng, và có những lo ngại về các lỗ hổng đối với prompt injection và các cuộc tấn công khai thác tương tác giữa các agent (ví dụ: sự lây lan của việc làm nhiễm dữ liệu).
・Đạo đức và Quản trị: Khi agent tự chủ ký hợp đồng hoặc thực hiện các hành động mang lại trách nhiệm pháp lý, cần phải có các quy định mới và khung công tác quản trị để giải quyết vấn đề về trách nhiệm (Liability) và vấn đề "sự phù hợp (Alignment)" khi hành vi thay đổi theo hướng không mong muốn của con người.

Kết luận

Chúng tôi đã tổng hợp các nội dung về lý thuyết cơ bản liên quan đến AI Agent, có sự phát triển nhanh chóng trong thời gian gần đây. Cần phải tiếp tục phát triển và ứng dụng với sự xem xét kỹ lưỡng về sự phát triển của AI và các rủi ro mà nó gặp phải trong tương lai.

Tài liệu tham khảo

• Akuma, C. F., Hewage, P., Garg, A., & Amaechi, C. V. (2025). AI agents: A comprehensive review of evolution, architectures, applications, and future directions. 2025 12th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), 1–5.

• Bandi, A., Kongari, B., Naguru, R., Pasnoor, S., & Vilipala, S. V. (2025). The rise of agentic AI: A review of definitions, frameworks, architectures, applications, evaluation metrics, and challenges. Future Internet, 17(9), 404.

• Di Maggio, L. G. (2025). Toward autonomous LLM-based AI agents for Predictive Maintenance: State of the art, challenges, and future perspectives. Applied Sciences (Basel, Switzerland), 15(21), 11515.

• Ferrag, M. A., Tihanyi, N., Hamouda, D., Maglaras, L., Lakas, A., & Debbah, M. (2025). From prompt injections to protocol exploits: Threats in LLM-powered AI agents workflows. ICT Express. https://doi.org/10.1016/j.icte.2025.12.001

• Ganesh, S., Ardon, L., Borrajo, D., Garg, D., Sehwag, U. M., Narayanan, A. L., Canonaco, G., & Veloso, M. M. (2025). Generative AI agents for knowledge work augmentation in finance. Annual Review of Control, Robotics, and Autonomous Systems, 8(1), 189–210.

• Gao, J., Qiao, H., & Zhang, Y. (2024). Intelligent recognition of tool wear with artificial intelligence agent. Coatings, 14(7), 827.

• Gao, S., Fang, A., Huang, Y., Giunchiglia, V., Noori, A., Schwarz, J. R., Ektefaie, Y., Kondic, J., & Zitnik, M. (2024). Empowering biomedical discovery with AI agents. Cell, 187(22), 6125–6151.

• Hettiarachchi, I. (2025). Exploring Generative AI Agents: Architecture, Applications, and Challenges. Journal of Artificial Intelligence General Science (JAIGS) ISSN:3006-4023, 8(1), 105–127.

• Karim, M. M., Khan, S., Van, D. H., Liu, X., Wang, C., & Qu, Q. (2025). Transforming data annotation with AI agents: A review of architectures, reasoning, applications, and impact. Future Internet, 17(8), 353.

• Karim, M. M., Van, D. H., Khan, S., Qu, Q., & Kholodov, Y. (2025). AI agents meet blockchain: A survey on secure and scalable collaboration for multi-agents. Future Internet, 17(2), 57.

• Liu, F., Niu, Y., Zhang, Q., Wang, K., Dong, Z., Wong, I. N., Cheng, L., Li, T., Duan, L., Li, K., Li, G., Hou, T. W., Fok, M., Luo, H., Chen, X., Zhang, K., & Yin, Y. (2025). A foundational architecture for AI agents in healthcare. Cell Reports. Medicine, 6(10), 102374.

• Market. us. (2025). AI Agents Market size, share, trends | CAGR of 43.8% [Dataset]. https://market.us/report/ai-agents-market/

• Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025). AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. In arXiv [cs.AI]. arXiv. http://arxiv.org/abs/2505.10468

• Zhou, Z., Zhang, H., Song, C., Ming, C., & Sun, Y.-Y. (2025). Construction of an artificial-intelligence agent for the discovery of next-generation white-LED phosphors. Physical Chemistry Chemical Physics, 27(43), 22885–22893.