What is the LLM Council?

The LLM Council is Heavy3's multi-agent AI architecture built on three pillars: (1) different SOTA models with unique training and biases, (2) different adversarial roles that attack problems from different angles, and (3) different sources of truth—GPT searches Bing, Gemini searches Google, Grok searches X. True verification requires diversity at every layer.

How can Heavy3 help me verify my decisions?

Heavy3's LLM Council reviews your critical decisions like a board of expert advisors. Upload your strategy document, contract, or code and get feedback on blind spots, weak arguments, and risks—before you commit. Built by a scientist who needed accuracy for high-stakes decisions.

Why use multiple AI models instead of just ChatGPT?

Research shows multi-model ensembles beat single models by 13.2% on benchmarks. Each AI has different training and blind spots. When GPT-5, Gemini 3.1, and Grok 4 all agree your argument is weak—fix it. When they disagree, you see the risk before you commit.

Heavy3 was built by a scientist and engineer who regularly makes high-stakes decisions requiring depth and accuracy. After years of manually cross-checking AI responses before committing to important decisions, he built Heavy3 to automate the workflow.

What can Heavy3 verify?

Heavy3 verifies: business strategy and roadmaps, contracts and legal documents, pitch decks and investor materials, code architecture decisions, OKRs and planning documents—any high-stakes decision where accuracy matters and blind spots are costly.

Deep Audit is Heavy3's adversarial agentic research engine—the only one that makes AI agents actively argue with each other. Each agent gets a cognitive role: the Analyst digs deep, the Skeptic challenges assumptions, and the Lateral Thinker explores angles you didn't consider. They run 6 chained rounds of web research with parallel tool use, then a Synthesizer cross-examines all findings and delivers a verdict with academic citations. It catches what a single AI would confidently get wrong.

Is my data secure and private?

Yes—your data is encrypted, isolated, and never used for AI training. All data is encrypted in transit (TLS 1.3) and at rest (AES-256). We access AI models through OpenRouter with all privacy protections enabled: training disabled, prompt logging disabled. We never sell your data or use it for advertising. Staff access is limited to debugging and support only. SOC 2 compliant infrastructure with no tracking cookies. Built by a scientist who understands you're sharing sensitive information.

từ tài liệu này hãy phân tích và làm rõ các node giúp tôi thành bảng - đây là gì ? - cách sử dụng (đầu vào là gì, sử dụng thế nào) - ứng dụng vào thực tế

### Synthesized Answer Dựa trên phân tích từ **The Direct Expert**, **The Critical Analyst**, và **The Lateral Thinker**, dưới đây là bảng tổng hợp chi tiết về các **Node trong Agentflow V2 của FlowiseAI**, bao gồm: - **Đây là gì?** - **Cách sử dụng (đầu vào & cách dùng)** - **Ứng dụng thực tế** --- ### Bảng Tổng Hợp Các Node Trong Agentflow V2 | Node | Đây là gì? | Cách sử dụng (Đầu vào & Cách dùng) | Ứng dụng thực tế | |-----------------------|----------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------| | **Start** | Điểm khởi đầu bắt buộc của mọi luồng. Nhận input từ chat/form và khởi tạo Flow State. | **Đầu vào**: Tin nhắn chat hoặc dữ liệu từ Form. **Cách dùng**: Chọn kiểu input (Chat/Form) → Khai báo Flow State ban đầu (ví dụ: `{ "user_id": "" }`) → Xuất ra 1 anchor. | Khởi động chatbot hỗ trợ khách hàng, thu thập thông tin ban đầu qua form. | | **LLM** | Gọi trực tiếp mô hình ngôn ngữ để tạo văn bản/JSON (không suy luận phức tạp). | **Đầu vào**: Thông điệp từ node trước/`$flow.state`. **Cách dùng**: Chọn mô hình → Thiết lập Messages (vai trò + biến động) → Cấu hình Memory/JSON schema → Cập nhật Flow State → Xuất kết quả. | Tóm tắt văn bản, dịch thuật, trích xuất thông tin từ email thành dữ liệu cấu trúc. | | **Agent** | Tác nhân tự chủ: suy luận và sử dụng công cụ/retriever để giải quyết nhiệm vụ đa bước. | **Đầu vào**: Mục tiêu/thông điệp từ node trước. **Cách dùng**: Chọn mô hình → Cấu hình Tools/Knowledge → Thiết lập Memory/Input Msg (`{{ $flow.state.query }}`) → Cho phép Human Input khi cần → Xuất kết quả cuối. | Tác nhân nghiên cứu tự tìm kiếm tin tức và tổng hợp báo cáo; Supervisor phân công nhiệm vụ cho Worker. | | **Tool** | Chạy công cụ cố định (không cần suy luận từ LLM). | **Đầu vào**: Thông số đầu vào từ node trước/Flow State. **Cách dùng**: Chọn công cụ → Cấu hình tham số (ví dụ: `{{previous.output}}` cho máy tính) → Cập nhật Flow State → Xuất kết quả thô. | Gọi API cụ thể (ví dụ: tính toán tài chính), gửi email, ghi dữ liệu vào DB. | | **Retriever** | Truy vấn ngữ nghĩa từ kho lưu trữ tài liệu/Bộ nhớ vector. | **Đầu vào**: Truy vấn từ Flow State/node trước. **Cách dùng**: Chọn kho dữ liệu → Nhập truy vấn (`{{ $flow.state.searchTerm }}`) → Chọn định dạng kết quả (văn bản/metadata) → Xuất các đoạn trích dẫn. | Hỏi đáp với tài liệu nội bộ, chatbot truy vấn kiến thức riêng. | | **HTTP (Request)** | Gọi API/webhook (GET/POST). | **Đầu vào**: URL/headers/body từ Flow State. **Cách dùng**: Chọn phương thức (GET/POST) → Cấu hình URL, Headers, Body (có thể dùng biến động như `{{apiKey}}`) → Chọn kiểu phản hồi → Xuất kết quả. | Tích hợp API bên ngoài (ví dụ: lấy dữ liệu thời tiết, gửi thông báo qua Slack). | | **Condition** | Nhánh rẽ logic cứng (If/Else) dựa trên điều kiện xác định. | **Đầu vào**: Giá trị từ node trước/Flow State. **Cách dùng**: Thêm điều kiện (ví dụ: `{{output}} > 10`) → Tạo nhiều nhánh (true/false) → Xuất theo kết quả. | Quyết định đơn giản (ví dụ: nếu đơn hàng > 1 triệu thì áp dụng giảm giá). | | **Condition Agent** | Nhánh rẽ logic mềm sử dụng AI để phân loại ý định/phương án. | **Đầu vào**: Thông điệp/tình huống từ người dùng. **Cách dùng**: Chọn mô hình → Cung cấp hướng dẫn/phân tích → Định nghĩa các kịch bản (Scenarios) → Xuất theo nhánh tương ứng. | Phân loại ý định người dùng trong chatbot (ví dụ: Hỗ trợ kỹ thuật, Đơn hàng, Thay đổi mật khẩu). | | **Iteration** | Lặp lại luồng con cho từng phần tử trong mảng (for-each). | **Đầu vào**: Mảng từ Flow State/node trước. **Cách dùng**: Nhập mảng (`{{itemList}}`) → Kéo thả các node con vào → Xuất kết quả sau khi xử lý tất cả phần tử. | Xử lý batch (ví dụ: phân tích từng sản phẩm trong danh sách). | | **Loop** | Lặp lại một node trước đó đến khi điều kiện đạt (tối đa 5 lần). | **Đầu vào**: Tín hiệu thực thi. **Cách dùng**: Chọn node để lặp lại → Thiết lập số lần lặp tối đa → Không xuất kết quả tiếp theo. | Thử lại gọi API nếu thất bại, kiểm tra trạng thái định kỳ. | | **Human Input** | Tạm dừng luồng chờ phản hồi từ con người (Human-in-the-loop). | **Đầu vào**: Thông báo/hướng dẫn cho người dùng. **Cách dùng**: Thiết lập mô tả cố định/theo biến động → Cho phép phản hồi → Xuất kết quả sau khi người dùng duyệt/từ chối. | Phê duyệt nhạy cảm (ví dụ: xác nhận trước khi gửi email quan trọng). | | **Direct Reply** | Kết thúc luồng và gửi phản hồi cuối cùng cho người dùng. | **Đầu vào**: Thông điệp từ Flow State/node trước. **Cách dùng**: Nhập nội dung (`{{finalResponse}}`) → Kết thúc luồng. | Trả kết quả cuối cùng cho khách hàng (ví dụ: thông báo hoàn thành yêu cầu). | | **Custom Function** | Chạy mã JavaScript phía server để xử lý logic tùy chỉnh. | **Đầu vào**: Biến từ Flow State (`$flow.state`). **Cách dùng**: Cung cấp biến đầu vào → Viết hàm JS (trả về chuỗi) → Cập nhật Flow State → Xuất kết quả. | Xử lý dữ liệu phức tạp (ví dụ: chuyển đổi định dạng không có node sẵn). | | **Execute Flow** | Gọi một luồng con khác (modular hóa). | **Đầu vào**: Thông số đầu vào cho luồng con. **Cách dùng**: Chọn luồng mục đích → Thiết lập đầu vào/ghi đè → Xuất kết quả từ luồng con. | Xây dựng hệ thống module (ví dụ: gọi luồng phân tích dữ liệu từ luồng chính). | > **Lưu ý**: `Flow State` không phải là một node mà là **bộ nhớ toàn cục** quản lý dữ liệu xuyên suốt luồng. Nó được khởi tạo tại **Start Node** và có thể cập nhật/gọi từ bất kỳ node nào thông qua cú pháp `{{ $flow.state.tên_biến }}`. --- ### Key Insights & Nuance #### **The Caution: Cảnh Báo Từ Trái Phê Phân Tích** 1. **Phụ thuộc vào Flow State**: - **Bắt buộc phải khai báo biến tại Start Node**. Nếu cố cập nhật biến chưa khai báo ở giữa luồng, hệ thống **không báo lỗi** nhưng dữ liệu sẽ **trống (null)**, gây lỗi logic không dễ phát hiện. 2. **Chi phí và độ trễ của Condition Agent**: - **Không lạm dụng Condition Agent** cho logic đơn giản. Mỗi lần sử dụng tốn token và gây tăng độ trễ ~1–3 giây. Ưu tiên **Condition Node** khi có thể. 3. **Bẫy vòng lặp (Loop Trap)**: - Dù giới hạn **lặp tối đa 5 lần**, nếu thiết kế sai điều kiện giữa Condition và Loop có thể gây **luồng chạy vô hạn**, lãng phí tài nguyên. Luôn thiết kế **lối thoát rõ ràng**. 4. **Tính bền vững của Flow State**: - Flow State **chỉ tồn tại trong một lần chạy** và **không lưu trữ dữ liệu giữa các phiên**. Để lưu dài hạn, cần kết nối với DB bên ngoài qua Tool/HTTP. #### **The Perspective: Góc Nhìn Tư Duy Mở Rộng** - **Ứng dụng thực tiễn sáng tạo**: - **Hệ thống hỗ trợ khách hàng đa tác nhân**: ```plaintext Start → Condition Agent (phân loại intent) → → Retriever (tra cứu FAQ) → → Agent (xử lý trường hợp phức tạp) → → Direct Reply ``` - **Quy trình phê duyệt có con người tham gia (HITL)**: ```plaintext Start → LLM (tóm tắt yêu cầu) → → Human Input (phê duyệt/từ chối) → → Condition → → Tool (thực thi hành động) → → Direct Reply ``` - **So sánh với công cụ khác**: - **So với n8n/Zapier**: Agentflow V2 mạnh ở khả năng duy trì ngữ cảnh hội thoại và suy luận AI, nhưng n8n/Zapier tốt hơn trong tự động hóa chuyển dữ liệu đơn giản giữa API. - **So với LangGraph**: LangGraph linh hoạt hơn khi code, nhưng Agentflow V2 dễ thiết kế hơn qua giao diện kéo-thả và hỗ trợ HITL sẵn có. - **Lưu ý dài hạn**: - **Tính đóng gói**: flow chỉ hoạt động trong nền tảng Flowise. Xuất sang định dạng JSON để chuyển đổi sang các giải pháp mã nguồn mở như LangGraph khi cần. - **Công nghệ mới**: Cập nhật 2026, Flowise tích hợp MCP Tools (GitHub/Jira native), mở rộng khả năng tích hợp bên ngoài. ### Points of Disagreement - **Flow State là node hay không?** - **The Critical Analyst** xem Flow State như một thành phần thiết yếu nhưng **không phải node** (do nó không xuất hiện trên canvas và chỉ quản lý dữ liệu). - **The Lateral Thinker** và **The Direct Expert** đồng thuận rằng Flow State là **cơ chế nền tảng**, không phải node trực tiếp thao tác được. Cả ba đồng ý cần khai báo biến tại Start Node để tránh lỗi. ### Confidence: 9/10 **Lý do**: Bảng tổng hợp này dựa trên **tài liệu chính thức** và phân tích chuyên sâu từ ba góc nhìn (trực tiếp, phê phán, tư duy mở rộng). Các điểm rủi ro (ví dụ: phụ thuộc Flow State, chi phí Condition Agent) được xác định rõ ràng và có đề xuất giải pháp. Chỉ cần lưu ý rằng **Flow State không lưu trữ dữ liệu vĩnh viễn** và **làm lạm dụng Condition Agent có thể tăng chi phí và độ trễ**.