Mangle: Ngôn ngữ logic mới cho kỷ nguyên AI và Knowledge Graph

Trong thế giới công nghệ, dữ liệu ngày càng trở nên phức tạp và kết nối theo dạng đồ thị (graph). Các công cụ truyền thống như SQL, vốn được sinh ra cho các bảng dữ liệu có cấu trúc, đang dần bộc lộ những giới hạn của mình. Để cung cấp một nền tảng lý luận vững chắc cho AI, chúng ta cần một phương pháp tiếp cận mới có khả năng xây dựng các đồ thị tri thức (knowledge graph) tinh vi, vốn là 'bộ não' logic cho các hệ thống thông minh.

Vì lý do đó, Google đã giới thiệu Mangle - một ngôn ngữ logic hoàn toàn mới, hỗ trợ lập trình CSDL lý luận. Dù được xây dựng trên nền tảng Datalog kinh điển, Mangle được thiết kế từ đầu để giải quyết các bài toán hiện đại, cụ thể như: hợp nhất dữ liệu phân mảnh, mô hình hóa các mối quan hệ phức tạp, và quan trọng nhất là tạo ra một lớp lý luận đáng tin cậy cho các hệ thống thông minh.

Mangle là gì?

Về cốt lõi, Mangle là một ngôn ngữ lập trình logic mã nguồn mở, hoạt động theo triết lý khai báo (declarative). Thay vì ra lệnh cho máy tính cách làm từng bước (how), bạn chỉ cần mô tả kết quả bạn muốn (what). Mọi thứ xoay quanh hai khái niệm cơ bản:

• Facts: Đây là những mẩu thông tin/dữ liệu gốc mà bạn cung cấp, được coi là chân lý. Ví dụ, chúng ta có thể khai báo một dịch vụ đang chạy trên một nhà cung cấp đám mây: runs_on("compute-service", "gcp").
• Rules: Đây là các mệnh đề logic dùng để tìm ra những fact mới từ những fact đã có. Ví dụ, để định nghĩa một dịch vụ là "multi-cloud" nếu nó chạy trên cả GCP và AWS, ta có thể viết: is_multicloud(S) :- runs_on(S, "gcp"), runs_on(S, "aws").

Nếu bạn thấy quen thuộc, đó là vì Mangle được xây dựng trên nền tảng của Datalog, một ngôn ngữ logic mạnh mẽ ra đời từ những năm 80. Tuy nhiên, Mangle không chỉ đơn thuần là một bản sao, nó đã biến Datalog từ một công cụ logic cổ điển thành một giải pháp thực dụng cho các nhà phát triển phần mềm hiện đại.

Vậy, Mangle đã làm gì để 'nâng cấp' Datalog?

• Thực dụng hơn: Datalog kinh điển thường chỉ hoạt động trên một tập hợp dữ liệu khép kín và thiếu các tính năng thiết yếu cho ứng dụng thực tế. Mangle đã giải quyết những điểm yếu này bằng cách trang bị thêm hai năng lực quan trọng: hàm tổng hợp (aggregation) (như sum, count) và khả năng gọi hàm ngoại vi (external functions). Nhờ đó, bạn có thể thực hiện các phép tính phức tạp hoặc tích hợp trực tiếp với các API ngay bên trong các quy tắc logic của mình.
• Xử lý đệ quy dễ dàng: Điểm 'ăn tiền' nhất của Mangle (và cả Datalog) là khả năng xử lý các mối quan hệ bắc cầu một cách tự nhiên. Những gì bạn phải vật lộn với WITH RECURSIVE trong SQL, Mangle giải quyết chỉ bằng một quy tắc đơn giản.
• Xây dựng cho kiến trúc hiện đại: Thay vì là một hệ thống database độc lập, Mangle là một thư viện Go/Rust có thể nhúng. Bạn có thể tích hợp nó trực tiếp vào microservices của mình, tạo ra một lớp lý luận mạnh mẽ, độc lập mà không cần thêm một thành phần hạ tầng cồng kềnh.

Nói một cách ngắn gọn, Mangle giữ lại sức mạnh suy diễn của Datalog và bổ sung những tính năng thực dụng để trở thành công cụ mà các developer thực sự muốn dùng trong các hệ thống cloud-native.

Lý do bạn cần Mangle

Mangle ra đời để giải quyết trực tiếp những 'nỗi đau' mà developer thường gặp phải hàng ngày.

Lấy ví dụ chỉ để phân tích một chuỗi phụ thuộc trong phần mềm hoặc truy vết nguồn gốc sản phẩm trong chuỗi cung ứng, nếu dùng SQL để truy vấn WITH RECURSIVE bạn sẽ thấy mọi thứ rối rắm và rất khó để gỡ lỗi. Lúc này, bạn sẽ thấy logic đệ quy tự nhiên của Mangle là một sự giải thoát thực sự. Các bài toán đồ thị phức tạp vốn đòi hỏi phải suy nghĩ theo từng bước lặp, thì giờ đây, với các quy tắc khai báo rõ ràng, Mangle sẽ giúp code của bạn dễ đọc, dễ bảo trì và gần gũi hơn với cách con người suy luận.

Vấn đề không chỉ dừng lại ở việc truy vấn. Logic nghiệp vụ quan trọng (các quy tắc kiểm soát truy cập, thuật toán phát hiện gian lận, hay các chính sách tuân thủ, ...) thường bị phân mảnh, nằm rải rác trong code của nhiều microservices khác nhau hoặc bị chôn vùi trong các stored procedures khó quản lý. Tình trạng này dẫn đến việc lặp lại logic, gây ra sự thiếu nhất quán và biến việc cập nhật một quy tắc đơn giản thành một cơn ác mộng về bảo trì. Mangle cung cấp một giải pháp vô cùng gọn gàng: module hóa những logic này thành các rules độc lập, tập trung, có thể tái sử dụng và kiểm thử dễ dàng, biến chúng thành một nguồn chân lý duy nhất cho toàn hệ thống.

Trong kỷ nguyên AI, vai trò của Mangle còn trở nên cấp thiết và mang tính chiến lược hơn bao giờ hết. Mangle được thiết kế để trở thành nền tảng cho các ứng dụng AI thế hệ mới, giải quyết những thách thức cố hữu về sự tin cậy và minh bạch.

Hãy bắt đầu với vấn đề lớn nhất của các mô hình ngôn ngữ lớn (LLM): hiện tượng ảo giác (hallucination). LLM có thể tự tin bịa ra thông tin sai lệch vì chúng hoạt động dựa trên xác suất, không phải sự thật. Mangle giải quyết vấn đề này bằng cách cho phép bạn xây dựng một đồ thị tri thức từ các nguồn dữ liệu đã được xác thực, tạo ra một nền tảng sự thật (ground truth) vững chắc. Khi một tác tử AI cần thông tin, thay vì đoán, nó sẽ truy vấn lớp lý luận của Mangle, đảm bảo câu trả lời luôn được neo vào thực tế.

Lớp lý luận này không chỉ giúp chống lại ảo giác, nó còn là trái tim của các ứng dụng AI thế hệ mới, nơi nó giúp khám phá ra những mối liên hệ ẩn sâu trong dữ liệu. Đây chính là lúc sức mạnh mô hình hóa của Mangle tỏa sáng. Nhiều công nghệ đồ thị tri thức hiện tại bị giới hạn ở các mối quan hệ nhị phân (chủ thể - thuộc tính - đối tượng).

Bài toán: Mô tả sự kiện "Giao dịch A, trong đó Alice trả cho Bob $50"

Để mô tả một sự kiện đơn giản như trên, bạn sẽ cần nhiều cặp dữ liệu rời rạc, làm cho mô hình trở nên cồng kềnh.

Mangle vượt qua giới hạn này với sự hỗ trợ cho các vị từ n-ngôi (n-ary predicates). Thay vì chia nhỏ, bạn có thể mô tả toàn bộ sự kiện trên một cách trực tiếp và tự nhiên: transaction("A", "Alice", "Bob", 50.00).

Sự khác biệt này không chỉ là về cú pháp, nó cho phép bạn xây dựng các domain models phong phú, có độ trung thực cao, phản ánh đúng bản chất phức tạp của thế giới thực. Chính khả năng này cho phép Mangle xây dựng một lớp lý luận vượt trội, cung cấp nền tảng cần thiết để các tác tử AI đưa ra quyết định đáng tin cậy, minh bạch và có thể kiểm chứng được.

Show me the code!

Mangle cung cấp một trình thông dịch CLI (interpreter/mg/mg.go) để bạn có thể nhanh chóng thử nghiệm và gỡ lỗi logic của mình. Dưới đây là cách nó hoạt động.

Bài toán: Tìm tất cả các kỹ sư phần mềm (Software Engineer) đang làm việc trong các dự án "AI", và người quản lý của họ cũng phải là một kỹ sư.

Bước 1: Chuẩn bị các file Mangle

Tạo hai file riêng biệt: một cho dữ liệu, một cho logic.

** facts.mgl (Dữ liệu gốc của bạn) **
employee("E1", "Alice", "Software Engineer").  
employee("E2", "Bob", "Software Engineer").  
employee("E3", "Charlie", "Product Manager").  
employee("E4", "David", "Software Engineer").  
manages("E4", "E1").  
manages("E4", "E2").  
manages("E3", "E4").  
project("P101", "Gemini", "AI").  
project("P102", "Search Ads", "Ads").  
project("P103", "Mangle", "AI").  
works_on("E1", "P101").  
works_on("E2", "P103").  
works_on("E4", "P103").

**program.mgl (Logic có thể tái sử dụng)**

works_on_ai_project(EmployeeID) :-  
  works_on(EmployeeID, ProjectID),  
  project(ProjectID, _, "AI").  
  
is_engineer(EmployeeID) :-  
  employee(EmployeeID, _, "Software Engineer").  
  
ai_engineer_with_engineer_manager(EngineerName, ManagerName) :-  
  works_on_ai_project(EngineerID),  
  is_engineer(EngineerID),  
  manages(ManagerID, EngineerID),  
  is_engineer(ManagerID),  
  employee(EngineerID, EngineerName, _),  
  employee(ManagerID, ManagerName, _).

Bước 2: Chạy trình thông dịch và đặt câu hỏi

go run interpreter/mg/mg.go -load facts.mgl,program.mgl

Sau khi chạy lệnh trên, Mangle sẽ khởi động ở chế độ tương tác. Giờ bạn có thể đặt câu hỏi (query) về các mối quan hệ đã được quy định trong file program.mgl. Bạn sẽ nhận được kết quả từ các facts đã được load vào Mangle.

Dưới đây là biểu đồ trực quan hóa các mối quan hệ trong dữ liệu. Các dữ liệu David, Alice, và Bob đại diện cho kết quả từ truy vấn ai_engineer_with_engineer_manager.

Thật dễ dàng phải không!

Kết luận

Mangle không chỉ là một công cụ truy vấn thông thường, nó đại diện cho một tư duy mới trong việc xử lý dữ liệu. Bằng cách kế thừa sức mạnh của Datalog và bổ sung các tính năng thực dụng, nó giải quyết những bài toán hóc búa, từ việc phân tích các mối quan hệ đệ quy phức tạp mà SQL phải chật vật xử lý, cho đến việc hợp nhất các nguồn dữ liệu rời rạc thành một thể logic thống nhất. Quan trọng hơn cả, trong kỷ nguyên AI, Mangle cung cấp một thứ mà các LLM đang rất cần: một lớp lý luận đáng tin cậy, giúp ngăn chặn ảo giác và đảm bảo các quyết định thông minh được xây dựng trên nền tảng sự thật.

Tất nhiên, Mangle không phải là viên đạn bạc. Nó không được sinh ra để thay thế cho các database giao dịch (OLTP) và hệ sinh thái của nó vẫn còn non trẻ. Việc tiếp cận một tư duy lập trình logic cũng đòi hỏi sự đầu tư học hỏi từ các developer.

Tuy nhiên, đối với những bài toán về đồ thị tri thức hoặc xây dựng các ứng dụng AI thế hệ mới, Mangle không chỉ là một lựa chọn, nó là một bước tiến cần thiết và là một công cụ dành cho những ai muốn xây dựng các hệ thống không chỉ xử lý dữ liệu, mà còn thực sự hiểu được nó.