Camel-AI so với Agentic AI: Mô hình nào chiến thắng cho quy trình làm việc tự động?
Khi danh sách công việc tồn đọng của bạn tăng nhanh hơn khả năng giải quyết của nhóm, lời hứa về AI tự động là vô cùng hấp dẫn. Hai ý tưởng đang chiếm ưu thế trong cuộc trò chuyện đó hiện nay: Camel-AI và Agentic AI. Chúng thường bị gộp chung với nhau, nhưng chúng giải quyết các vấn đề khác nhau và đòi hỏi các mô hình tư duy khác nhau. Nếu bạn đang đánh giá nơi để đặt cược—cho dù bạn đang xây dựng trợ lý ảo, tự động hóa hay các sản phẩm AI hoàn chỉnh—việc hiểu rõ Camel-AI so với Agentic AI sẽ tạo ra sự khác biệt giữa một chiến thắng nhanh chóng và một đường vòng tốn kém.
Trong phân tích thực tế, hướng đến giải pháp này, chúng ta sẽ so sánh kiến trúc, điểm mạnh, sự đánh đổi và tiêu chí quyết định, sau đó ánh xạ chúng vào các trường hợp sử dụng thực tế với các mẹo thiết lập mà bạn có thể áp dụng ngay hôm nay.
: Tóm tắt nhanh về Camel-AI so với Agentic AI
- Camel-AI: Một mẫu phối hợp trong đó hai hoặc nhiều tác nhân LLM chuyên biệt (ví dụ: tác nhân “người dùng” và tác nhân “trợ lý”) cộng tác thông qua cuộc trò chuyện có cấu trúc để giải quyết các tác vụ. Nhẹ, có thể tái tạo, tuyệt vời cho các miền có phạm vi và quy trình làm việc theo mẫu.
- Agentic AI: Một mô hình rộng hơn về các tác nhân tự động với khả năng lập kế hoạch, bộ nhớ, sử dụng công cụ và vòng phản hồi. Mạnh mẽ cho các mục tiêu mở, nhiều bước đòi hỏi sự thích ứng.
- Chọn Camel khi bạn cần các quy trình làm việc có thể dự đoán được, có giới hạn. Chọn Agentic khi các tác vụ không rõ ràng, liên quan đến khám phá hoặc trải rộng trên nhiều hệ thống với các mục tiêu đang phát triển.
Ý nghĩa của Camel-AI là gì?
Camel-AI bắt đầu như một mô hình tác nhân cộng tác: một tác nhân đóng vai trò là một chuyên gia trong lĩnh vực; một tác nhân khác đóng vai trò là người điều khiển tác vụ. Hai tác nhân trò chuyện theo một giao thức ràng buộc (như một kịch bản nhập vai) cho đến khi chúng tạo ra một đầu ra. Hãy coi nó như một công cụ phân tách dựa trên đối thoại.
- Ý tưởng cốt lõi: Chuyên môn hóa vai trò và phối hợp đối thoại.
- Triển khai: Hai lời nhắc (vai trò), một vòng lặp hội thoại và các công cụ tùy chọn.
- Kết quả: Đầu ra nhanh chóng, nhất quán cho các tác vụ được xác định rõ (ví dụ: đoạn mã, tóm tắt, kế hoạch có cấu trúc).
Tại sao các nhóm thích nó:
- Đơn giản: Dễ lý giải hơn so với các mạng tác nhân lớn, mở.
- Cảm giác xác định: Với các lời nhắc và ràng buộc mạnh mẽ, đầu ra có thể lặp lại.
- Kiểm soát chi phí: Vòng lặp hẹp, ít lệnh gọi công cụ hơn, số lượng token có thể dự đoán được.
Nơi nó có thể gặp khó khăn:
- Khám phá: Nếu tác vụ đòi hỏi khám phá sâu rộng, cuộc đối thoại có thể bị trì trệ.
- Mục tiêu dài hạn: Thiếu bộ nhớ lập kế hoạch tích hợp trong các quỹ đạo dài trừ khi được mở rộng.
Agentic AI là gì?
Agentic AI đề cập đến các hệ thống trong đó một tác nhân AI theo đuổi các mục tiêu thông qua lập kế hoạch, hành động, quan sát và lặp lại—thường là với các công cụ, lập luận nhiều bước và bộ nhớ. Đây là mô hình bao trùm đằng sau các nghiên cứu như ReAct, Reflexion, các khung công tác kiểu AutoGen và điều phối đa tác nhân hiện đại.
- Ý tưởng cốt lõi: Tính tự chủ với vòng phản hồi và hệ sinh thái công cụ.
- Triển khai: Người lập kế hoạch + (các) người thực thi, bộ nhớ vector hoặc bảng nháp, registry công cụ, bộ đánh giá.
- Kết quả: Giải quyết vấn đề linh hoạt trong môi trường ồn ào, không đầy đủ.
Tại sao các nhóm thích nó:
- Khả năng thích ứng: Xử lý các tác vụ không rõ ràng; có thể điều chỉnh hướng đi một cách nhanh chóng.
- Sức mạnh tích hợp: Điều phối API, mã, RAG và bộ đánh giá.
- Khả năng mở rộng: Có thể được mở rộng cho các nhóm tác nhân cho các quy trình phức tạp.
Nơi nó có thể gặp khó khăn:
- Độ phức tạp: Nhiều bộ phận chuyển động hơn, nhiều chế độ lỗi hơn.
- Chi phí & độ trễ: Vòng lặp dài hơn, lệnh gọi công cụ thường xuyên.
- Khả năng quan sát: Khó gỡ lỗi và đảm bảo an toàn nếu không có lan can bảo vệ.
Camel-AI so với Agentic AI: Đối đầu trực tiếp
1) Kiến trúc & Kiểm soát
- Camel-AI: Cuộc trò chuyện giữa hai tác nhân với các ràng buộc vai trò. Mô-đun lập kế hoạch tối thiểu; cấu trúc nổi lên từ cuộc đối thoại.
- Agentic AI: Người lập kế hoạch rõ ràng, sử dụng công cụ, bộ nhớ, bộ đánh giá; có thể bao gồm nhiều tác nhân với các trách nhiệm được xác định.
2) Mức độ phù hợp của trường hợp sử dụng
- Camel-AI: Mẫu tạo nội dung, soạn thảo yêu cầu, tạo khung mã, phác thảo nghiên cứu, danh sách kiểm tra QA.
- Agentic AI: Tự động hóa hoạt động dữ liệu, quy trình làm việc đa API, hoạt động bán hàng với làm phong phú và tiếp cận, phân loại bảo mật, bot hỗ trợ sản phẩm toàn diện.
3) Độ tin cậy & An toàn
- Camel-AI: Dễ dàng xác định với các lời nhắc và lược đồ nghiêm ngặt. Tốt cho các đầu ra tuân thủ cao.
- Agentic AI: Yêu cầu lan can bảo vệ—kiểm tra chính sách, hộp cát, cổng phê duyệt, giới hạn chi phí, tự đánh giá.
4) Chi phí & Độ trễ
- Camel-AI: Thấp hơn và có thể dự đoán được; ít bước hơn.
- Agentic AI: Phương sai cao hơn; tối ưu hóa bằng bộ nhớ cache, RAG và sử dụng công cụ có chọn lọc.
5) Kỹ năng nhóm cần thiết
- Camel-AI: Kỹ thuật nhanh chóng, thiết kế lược đồ, điều phối nhẹ.
- Agentic AI: Tư duy hệ thống, tích hợp công cụ, khả năng quan sát, khung đánh giá.
Khung Quyết định: Cách chọn cho quy trình làm việc của bạn
Sử dụng bảng đánh giá ngắn này khi cân nhắc Camel-AI so với Agentic AI:
- Trung bình/Cao → Agentic AI
- Nhu cầu về công cụ (API, DB, thực thi mã)
- Nhiều công cụ + logic phân nhánh → Agentic AI
- Khả năng chấp nhận trôi dạt
- Phải nhất quán → Camel-AI với các lược đồ nghiêm ngặt
- Có thể đánh đổi tính nhất quán để khám phá → Agentic AI
- Ràng buộc về ngân sách/độ trễ
- Linh hoạt → Agentic AI với bộ nhớ cache
- Mẫu nghiêm ngặt → Camel-AI
- Tính tự chủ có kiểm soát chính sách → Agentic AI với phê duyệt
Các tình huống thực tế: Từ chiến thắng nhanh chóng đến tự chủ hoàn toàn
Tình huống A: Soạn thảo yêu cầu sản phẩm
- Mục tiêu: Biến các ghi chú lỏng lẻo của các bên liên quan thành PRD rõ ràng.
- Cách tiếp cận Camel-AI: Nhập vai giữa “Quản lý sản phẩm” và “Trưởng nhóm kỹ thuật”. PM làm rõ phạm vi; TL nêu ra tính khả thi và các trường hợp đặc biệt; đầu ra chung là PRD trong một lược đồ (mục tiêu, câu chuyện người dùng, tiêu chí chấp nhận).
- Tại sao nó hoạt động: Miền giới hạn, định dạng lặp lại, sử dụng công cụ tối thiểu.
Tình huống B: Tìm kiếm khách hàng tiềm năng bán hàng với làm phong phú
- Mục tiêu: Xác định tài khoản ICP, làm phong phú với các chức danh, soạn thảo thông tin tiếp cận được cá nhân hóa.
- Cách tiếp cận Agentic AI: Người lập kế hoạch truy vấn API xác định ngành, loại bỏ trùng lặp thông qua CRM, làm phong phú thông qua dữ liệu giống LinkedIn, chạy bộ đánh giá kiểu và lên lịch gửi với giới hạn tốc độ.
- Tại sao nó hoạt động: Điều phối đa API, phân nhánh động, cần phê duyệt.
Tình huống C: Trợ lý tái cấu trúc mã
- Camel-AI: Các tác nhân "Kỹ sư cao cấp" và "Người đánh giá" tranh luận về các bước tái cấu trúc và tạo ra một bản vá + kế hoạch kiểm tra.
- Agentic AI: Thêm lập chỉ mục kho lưu trữ, kiểm tra phụ thuộc, chạy thử nghiệm cục bộ và sửa lỗi lặp đi lặp lại dựa trên lỗi.
Tình huống D: Xem xét tuân thủ cho bản sao tiếp thị
- Camel-AI: Các tác nhân "Nhà tiếp thị" và "Nhân viên tuân thủ" hội tụ trên bản sao tuân thủ bằng cách sử dụng lời nhắc chính sách và danh sách kiểm tra.
- Agentic AI: Kéo các tạo tác chính sách mới nhất, chạy trình phân loại, yêu cầu phê duyệt pháp lý nếu vượt quá ngưỡng.
Các mẫu triển khai bạn có thể tái sử dụng
Vòng lặp tối thiểu của Camel-AI (Mã giả)
roles = [PM_AGENT_PROMPT, TL_AGENT_PROMPT]
state = {"task": user_input, "notes": []}
for turn in range(MAX_TURNS):
speaker = roles[turn % 2]
msg = llm(speaker, state)
state["notes"].append(msg)
if done(msg, state):
break
output = format_prd(state["notes"], SCHEMA)
Lời khuyên:
- Giữ
MAX_TURNS nhỏ (3–7). Xác định done rõ ràng (lược đồ đã được đáp ứng?).
- Sử dụng lược đồ đầu ra (
JSONSchema) và các hàm xác thực.
- Gieo mỗi vai trò với các ưu tiên và ràng buộc miền.
Bộ khung Người lập kế hoạch–Người thực thi của Agentic AI
goal = parse_goal(user_input)
plan = planner.generate_plan(goal, tools)
while not goal_satisfied(plan, state):
step = next(plan)
obs = tools[step.tool].run(step.args)
state = memory.update(step, obs)
plan = evaluator.revise(plan, state)
final = formatter.render(state, schema)
Lời khuyên:
- Thêm trình quản lý ngân sách để giới hạn các bước và token.
- Giới thiệu cổng phê duyệt cho các hành động nhạy cảm.
- Ghi nhật ký mọi bộ ba (kế hoạch, hành động, quan sát) để có khả năng quan sát.
Đánh giá và Lan can bảo vệ
Cho dù bạn chọn Camel-AI hay Agentic AI, hãy xây dựng một lớp đánh giá ngay từ ngày đầu tiên:
- Kiểm tra tĩnh: Xác thực lược đồ JSON, kiểm tra chính sách regex, loại bỏ PII.
- Đánh giá dựa trên mô hình: Một LLM nhỏ hơn như một nhà phê bình; điểm số cho mức độ liên quan, độ chính xác, giọng điệu.
- Con người trong vòng lặp: Phê duyệt bắt buộc đối với các danh mục rủi ro (thanh toán, pháp lý, tiếng nói thương hiệu).
- Khả năng quan sát chi phí: Đồng hồ đo token và giới hạn trên cho mỗi tác vụ.
Đối với Agentic AI nói riêng, hãy thêm:
- Hoàn nguyên và thử lại: Giữ ảnh chụp nhanh trạng thái; triển khai các lần thử lại có giới hạn.
- Hộp cát công cụ: Giới hạn tốc độ, danh sách cho phép, dấu vết kiểm tra.
- Vệ sinh bộ nhớ: Làm suy giảm hoặc tóm tắt các lịch sử dài để tránh trôi dạt.
Điểm chuẩn Camel-AI so với Agentic AI trong thực tế
Đây là một cách thực dụng để so sánh chúng cho quy trình làm việc của bạn:
- Xác định một tập dữ liệu tiêu chuẩn vàng gồm 30–50 tác vụ với các bài kiểm tra chấp nhận.
- Triển khai một vòng lặp Camel tối thiểu và một quy trình Agentic tối thiểu.
- Đo lường: tỷ lệ thành công, chi phí trung bình, độ trễ P95, tỷ lệ can thiệp.
- Chạy cắt bỏ: có/không có bộ nhớ, với lược đồ nghiêm ngặt hơn, với ít công cụ hơn.
- Chọn thiết lập đơn giản nhất đáp ứng ngưỡng thành công và chi phí của bạn.
Mẹo: Không khớp quá mức với một loại tác vụ duy nhất. Bao gồm các trường hợp đặc biệt và các lời nhắc không rõ ràng để kiểm tra khả năng phục hồi.
Kỹ thuật chi phí: Giữ cho tính tự chủ có giá cả phải chăng
- Bộ nhớ cache: Lưu vào bộ nhớ cache các bước phụ (câu trả lời truy xuất, phản hồi API) để tránh tính toán lại.
- RAG một cách thông minh: Chỉ sử dụng truy xuất khi cần thiết; thêm một trình phân loại để quyết định khi nào tìm kiếm.
- Cổng công cụ: Hãy hỏi, “LLM có thể trả lời từ ngữ cảnh không?” trước khi gọi công cụ.
- Nén: Tóm tắt các ngữ cảnh dài bằng các ghi chú có cấu trúc thay vì bản ghi thô.
- Xử lý hàng loạt: Xử lý hàng loạt các tác vụ tương tự (ví dụ: 20 email tiếp cận) để sử dụng lại ngữ cảnh một cách hiệu quả.
Camel-AI hưởng lợi nhiều nhất từ các lời nhắc đầu tiên theo lược đồ; Agentic AI hưởng lợi nhiều nhất từ các chính sách gọi công cụ và trình quản lý ngân sách.
Cấu trúc liên kết nhóm cho các hệ thống tự động
- Sản phẩm + Lời nhắc: Sở hữu lược đồ, lời nhắc vai trò, tiêu chí chấp nhận. Lý tưởng cho Camel-AI.
- Nền tảng tác nhân: Registry công cụ, người lập kế hoạch/người đánh giá, đo từ xa. Rất quan trọng đối với Agentic AI.
- An toàn & Chính sách: Các nhóm đỏ nhắc nhở, duy trì lan can bảo vệ.
- Dữ liệu & MLOps: Quản lý nhúng, kho lưu trữ vector, cờ tính năng, phiên bản mô hình.
Bắt đầu tinh gọn: một đội gồm 3–5 người có thể vận chuyển các mẫu Camel trong một vòng chạy nước rút; Các hệ thống Agentic thường cần một trưởng nhóm có tư duy nền tảng cùng với các kỹ sư tích hợp.
Khi Camel-AI phát triển thành Agentic AI
Nhiều nhóm bắt đầu với Camel và dần dần thêm các tính năng agentic:
- Thêm một bước truy xuất cho các sự kiện miền (RAG nhẹ).
- Giới thiệu một tác nhân “nhà phê bình” để tự đánh giá.
- Kết nối một hoặc hai công cụ (Jira, Git, HubSpot) dưới cổng phê duyệt.
- Thăng chức nhà phê bình thành người lập kế hoạch để cập nhật vòng lặp một cách linh hoạt.
Kết quả: một sản phẩm lai—đối thoại vẫn là giao diện điều khiển, nhưng lập kế hoạch và các công cụ cho phép tính tự chủ ở những nơi quan trọng.
Hệ sinh thái công cụ: Những gì cần tìm
Khi chọn khung hoặc nền tảng để xây dựng Camel-AI so với Agentic AI, hãy đánh giá:
- Tạo mẫu lời nhắc/vai trò: Các biến, ví dụ ít lần bắn, hỗ trợ ràng buộc.
- Thực thi lược đồ: JSONSchema, Pydantic, đầu ra an toàn về kiểu.
- Giao diện công cụ: Bộ điều hợp đơn giản cho API, mã, web và DB.
- Lập kế hoạch & bộ nhớ: Người lập kế hoạch plug-in, kho lưu trữ vector, tái phát.
- Khả năng quan sát: Nhật ký bước, dấu vết, ngân sách và bộ khai thác thử nghiệm.
- Triển khai: Móc máy chủ, hàng đợi, trạng thái bền bỉ.
Đáng chú ý: nếu quy trình làm việc của bạn pha trộn giữa viết, mã hóa và nghiên cứu, thì một không gian làm việc AI hỗ trợ hội thoại + các công cụ có thể tăng tốc tạo mẫu. Nhân tiện, các nhóm sử dụng Sider.AI (https://sider.ai/) để soạn thảo lời nhắc, kiểm tra các luồng đa tác nhân và lặp lại trên các lược đồ trong một giao diện duy nhất—tiện dụng cho trò chơi nhập vai kiểu Camel và phát triển thành các quy trình agentic với truy xuất và lệnh gọi công cụ. Cạm bẫy và Chống mẫu
- Quá nhiều tác nhân: Đừng sinh ra 6 tác nhân khi 2 vai trò là đủ.
- Chỉ định không đầy đủ: Các vai trò mơ hồ tạo ra các cuộc đối thoại quanh co. Hãy rõ ràng.
- Vòng lặp không giới hạn: Giới hạn lượt và bước. Sử dụng điều kiện
done.
- Đập công cụ: Thêm một lớp quyết định để ngăn chặn các lệnh gọi dư thừa.
- Phình bộ nhớ: Tóm tắt một cách tích cực. Chỉ giữ lại những gì bước tiếp theo cần.
Nghiên cứu mini trường hợp
- Fintech KYC: Cặp Camel tạo ra một danh sách kiểm tra và bản ghi nhớ quyết định; con người ký tắt. Sau đó, một người đánh giá agentic tích hợp các API sàng lọc lệnh trừng phạt. Kết quả: Giảm thời gian 40% với khả năng kiểm toán mạnh mẽ.
- Ecommerce SEO: Các tác nhân Camel đồng tạo ra tóm tắt và phác thảo; một trình chạy agentic tìm nạp dữ liệu SERP và phân tích nội bộ để tinh chỉnh các từ khóa. Kết quả: tóm tắt có thể dự đoán được + nghiên cứu thích ứng.
- Tự động hóa hỗ trợ: Camel xử lý các bản nháp phản hồi; Agentic phân loại vé, truy vấn cơ sở kiến thức, chạy chẩn đoán và leo thang với ngữ cảnh. Kết quả: SLA phản hồi đầu tiên được cải thiện từ 30–50%.
Cân nhắc về bảo mật và tuân thủ
- Cư trú dữ liệu: Đảm bảo nhúng/bộ nhớ tuân thủ các quy tắc khu vực.
- Xử lý PII: Che, mã hóa hoặc tránh lưu trữ hoàn toàn.
- Phê duyệt hành động: Cổng con người cho các hành động bên ngoài (email, hợp nhất mã, phí).
- Nhật ký kiểm tra: Lưu trữ dấu vết của lời nhắc, công cụ, đầu ra để điều tra.
Camel-AI đơn giản hóa các nỗ lực chứng nhận bằng cách thu hẹp hành vi; Agentic AI cần các mặt phẳng điều khiển mạnh hơn nhưng vẫn có thể được chứng nhận với các lan can bảo vệ phù hợp.
Những gì tiếp theo: Xu hướng cần theo dõi
- Người lập kế hoạch thông minh hơn: Người lập kế hoạch đã học được tối ưu hóa trình tự công cụ một cách tự động.
- Bộ nhớ thống nhất: Bộ nhớ theo giai đoạn + ngữ nghĩa kết hợp với các mô hình phân rã tốt hơn.
- Bộ đánh giá tự lưu trữ: Các nhà phê bình thân thiện với quyền riêng tư cho các ngành công nghiệp được quản lý.
- Tác nhân đa phương thức: Tác nhân tầm nhìn + văn bản điều hướng UI và tài liệu.
- Định giá theo hướng kết quả: Các nền tảng tính phí cho mỗi tác vụ thành công thay vì token.
Mong đợi sự hội tụ: Các mẫu Camel-AI sẽ tiếp tục như các lớp vỏ công thái học xung quanh các lõi agentic ngày càng tăng.
Các bước tiếp theo có thể hành động
- Bắt đầu với một nguyên mẫu Camel-AI cho một tác vụ lặp lại. Xác định vai trò, lược đồ và
done.
- Thêm một tác nhân đánh giá nhẹ để tính điểm chất lượng.
- Tích hợp một công cụ có tác động cao với cổng phê duyệt.
- Đo lường thành công, chi phí và độ trễ; lặp lại trước khi mở rộng phạm vi.
- Đối với các tác vụ nặng về nghiên cứu hoặc đa API, hãy chuyển sang người lập kế hoạch agentic.
Những điểm chính
- Camel-AI so với Agentic AI không phải là cái này hay cái kia—mà là một sự liên tục.
- Chọn Camel cho các quy trình làm việc có thể dự đoán được, đầu tiên theo lược đồ; chọn Agentic cho các mục tiêu mở, đa công cụ.
- Đầu tư sớm vào đánh giá, khả năng quan sát và lan can bảo vệ; chúng trả cổ tức kép.
- Bắt đầu đơn giản, sau đó kiếm được quyền tự chủ khi các số liệu của bạn chứng minh điều đó.
FAQ
Q1:Sự khác biệt chính giữa Camel-AI và Agentic AI là gì?
Camel-AI sử dụng đối thoại có cấu trúc giữa các vai trò chuyên biệt để tạo ra các đầu ra nhất quán, trong khi Agentic AI sử dụng lập kế hoạch, bộ nhớ và sử dụng công cụ để theo đuổi các mục tiêu một cách tự động. Chọn Camel-AI cho các quy trình làm việc có thể dự đoán được và Agentic AI cho các tác vụ mở, nhiều bước.
Q2:Khi nào tôi nên sử dụng Camel-AI so với Agentic AI trong sản phẩm của mình?
Sử dụng Camel-AI cho các tác vụ theo mẫu như tóm tắt, PRD hoặc khung mã nơi tính nhất quán là quan trọng. Sử dụng Agentic AI khi tác vụ yêu cầu khám phá, nhiều công cụ và lập kế hoạch thích ứng, chẳng hạn như làm phong phú dữ liệu hoặc tự động hóa hỗ trợ toàn diện.
Q3:Camel-AI có thể phát triển thành Agentic AI theo thời gian không?
Có. Bắt đầu với đối thoại và lược đồ dựa trên vai trò, sau đó thêm truy xuất, một tác nhân phê bình và sử dụng công cụ được kiểm soát. Theo thời gian, hãy thăng chức nhà phê bình thành người lập kế hoạch và bạn sẽ có một sản phẩm lai duy trì sự đơn giản của Camel với tính tự chủ agentic.
Q4:Làm cách nào để kiểm soát chi phí với Agentic AI so với Camel-AI?
Thêm trình quản lý ngân sách, bộ nhớ cache và cổng công cụ vào Agentic AI. Camel-AI rẻ hơn theo mặc định do ít bước hơn—giữ chi phí thấp bằng cách giới hạn lượt, thực thi lược đồ và tóm tắt ngữ cảnh một cách tích cực.
Câu hỏi 5: Sider.AI có hữu ích cho việc xây dựng quy trình làm việc Camel-AI hoặc Agentic AI không?
Cần lưu ý: Sider.AI (https://sider.ai/) giúp các nhóm tạo mẫu nhanh các role prompt, lặp lại các lược đồ (schema) và kiểm tra các luồng đa tác nhân (multi-agent flows) ở cùng một nơi. Nó hữu ích cho sự hợp tác theo kiểu Camel và để phát triển thành các pipeline agentic hơn với khả năng truy xuất và các công cụ. 
