Cloudflare ra mắt Radar Researcher: Công cụ AI giúp truy vấn dữ liệu Internet bằng ngôn ngữ tự nhiên

Kể từ khi ra mắt vào năm 2020, Cloudflare Radar đã cung cấp những thông tin chuyên sâu độc nhất vô nhị về lưu lượng truy cập Internet trên quy mô toàn cầu. Dữ liệu mở mà Radar công bố từ mạng lưới toàn cầu của chúng tôi được sử dụng bởi nhiều chuyên gia trong các lĩnh vực khác nhau: các nhà hoạt động nhân quyền, nhà báo, nhà nghiên cứu học thuật, nhà điều hành mạng, và nhiều đối tượng khác.

Hôm nay, nằm trong khuôn khổ Agents Week, Radar chính thức ra mắt phiên bản beta của một công cụ mới: Radar Researcher.

Giờ đây, nếu bạn muốn tìm câu trả lời bằng dữ liệu của Radar, bạn chỉ cần đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận lại câu trả lời kèm theo các biểu đồ tương tác thực tế, tất cả đều được xây dựng trên nền tảng dành cho nhà phát triển của Cloudflare. Bạn không còn cần phải tìm đúng trang, chọn đúng bộ lọc hay đọc tài liệu API để viết truy vấn nữa.

Tại sao chúng tôi xây dựng Radar Researcher

Trong sáu năm qua, đội ngũ Radar đã nỗ lực cung cấp các hình ảnh trực quan hóa dữ liệu rõ ràng, dễ tiếp cận và đáng tin cậy từ các tập dữ liệu phức tạp. Điều này không phải là không có thách thức: cơ sở người dùng của chúng tôi rất lớn, từ những người mới bắt đầu tò mò đến các chuyên gia kỹ thuật mạng. Mặc dù vậy, chúng tôi vẫn công bố nhiều thông tin chuyên sâu nhất có thể về Internet dưới góc nhìn từ mạng lưới của mình: các truy vấn DNS từ trình phân giải công cộng 1.1.1.1, lưu lượng HTTP từ khắp mạng lưới toàn cầu, dữ liệu chất lượng mạng thu thập từ Cloudflare Speed Test, và nhiều hơn thế nữa. Chúng tôi cũng tin tưởng vào sức mạnh của dữ liệu mở, công khai, đó là lý do tại sao mọi thứ bạn thấy trong các hình ảnh trực quan hóa dữ liệu của Radar đều có sẵn thông qua API miễn phí của chúng tôi. Mỗi năm, chúng tôi lại làm cho Internet trở nên minh bạch hơn.

Nhưng khi Radar phát triển, công nghệ làm việc với dữ liệu cũng vậy. Các công cụ AI đang hạ thấp rào cản chuyên môn: bạn không còn cần phải biết cấu trúc hay từ vựng của một tập dữ liệu để nhận được những câu trả lời hữu ích từ nó. Các chuyên gia trong lĩnh vực trở thành cộng tác viên thay vì là những người kiểm soát thông tin.

Radar luôn muốn làm nhiều hơn nữa cho những người dùng không cần phải nắm vững toàn bộ danh mục và từ vựng của chúng tôi để hiểu rõ các thông tin chuyên sâu. (Xem bài đăng trên blog gần đây của chúng tôi về cách Internet phản ứng với FIFA World Cup 2026.)

Chúng tôi cũng biết rằng nhiều người dùng của mình đang rất bận rộn. Ví dụ, một nhà báo viết về sự cố Internet mới nhất có thể không có thời gian để tìm kiếm trên từng trang nhằm tìm ra biểu đồ hoàn hảo cho câu chuyện của họ. Đây là lý do tại sao chúng tôi xây dựng Radar Researcher.

Giới thiệu Radar Researcher

Radar Researcher được xây dựng để giúp việc truy cập dữ liệu trở nên dễ dàng như việc mô tả những gì bạn đang tìm kiếm. Tất cả thông tin được cung cấp thông qua API của Radar, đảm bảo rằng LLM nền tảng dựa trên dữ liệu thực tế và có thể trả lời câu hỏi của bạn một cách nhanh chóng, theo cùng định dạng mà bạn sẽ dùng để trao đổi với một con người.

Công cụ này có sẵn trên mọi trang của Radar. Hãy mở bảng điều khiển Radar Researcher từ tiêu đề, nó sẽ gắn bên cạnh bất cứ thứ gì bạn đang xem, vì vậy bạn có thể tiếp tục duyệt web trong khi trò chuyện. Dưới đây là một số ví dụ về cách bạn có thể sử dụng nó:

Biến bất kỳ biểu đồ nào thành một cuộc hội thoại

Researcher không chỉ bắt đầu từ một khung nhập liệu trống. Ở bất cứ đâu bạn thấy biểu đồ trên Radar, hành động "Explain with AI" (Giải thích bằng AI) sẽ mở trợ lý với chính hình ảnh trực quan đó đã sẵn sàng.

Thay vì yêu cầu bạn mô tả những gì bạn đang thấy, nó nắm bắt chính xác hình ảnh trực quan bạn đang xem và bắt đầu cuộc hội thoại từ đó. Như bạn có thể thấy bên dưới, Radar Researcher tiếp nhận hình ảnh trực quan trong ngữ cảnh, sau đó phân tích dữ liệu và phản hồi bằng một lời giải thích.

Bên dưới lớp vỏ, trợ lý cung cấp cho mô hình ba thứ cùng lúc: ảnh chụp màn hình của biểu đồ (một mô hình có khả năng thị giác sẽ đọc trực tiếp hình ảnh), dữ liệu chính xác đằng sau nó từ API của Radar, và các tham số về chế độ xem hiện tại của bạn, bao gồm vị trí, phạm vi ngày và bất kỳ bộ lọc nào bạn đã áp dụng. Ảnh chụp màn hình cho phép Radar Researcher nhìn thấy những gì bạn thấy. Dữ liệu thô giúp mọi con số mà nó trích dẫn đều chính xác thay vì ước tính từ các điểm ảnh, và các bộ lọc đồng nghĩa với việc lời giải thích sẽ xoay quanh chế độ xem chính xác của bạn, chứ không phải một phiên bản chung chung của biểu đồ.

Trường hợp sử dụng số 1: Chất lượng Internet ở Bồ Đào Nha như thế nào?

Giả sử bạn tò mò về chất lượng Internet gia đình ở một quốc gia nhất định. Bạn chỉ cần hỏi:

Thay vì gọi API thủ công, chọn tham số hoặc tìm kiếm trên các trang của Radar, Radar Researcher sẽ diễn giải câu hỏi và thực hiện công việc đó cho bạn. Bạn có thể theo dõi từng bước trong ảnh chụp màn hình: nó đọc những gì bạn đã hỏi, truy vấn API chất lượng Internet của Radar, sau đó phân tích kết quả và trả lời bằng ngôn ngữ tự nhiên. Và thay vì một bức tường đầy những con số, nó hiển thị các biểu đồ tương tác giống như những gì bạn thấy trên phần Chất lượng Internet của Radar.

Từ đây, bạn có thể đặt một câu hỏi tiếp nối tự nhiên, chẳng hạn như so sánh Bồ Đào Nha với một quốc gia láng giềng, và Radar Researcher sẽ tìm nạp dữ liệu mới cho từng quốc gia. Nó thậm chí còn tự đề xuất các bước tiếp theo hữu ích, chẳng hạn như cách Bồ Đào Nha so sánh với Tây Ban Nha hoặc các sự cố Internet phổ biến nhất của quốc gia đó. Bằng cách cho phép bạn tìm thấy những gì mình đang tìm kiếm bằng ngôn ngữ tự nhiên, chúng tôi hy vọng việc áp dụng dữ liệu của Radar vào phân tích của riêng bạn sẽ dễ dàng hơn bao giờ hết.

Trường hợp sử dụng số 2: Điều tra sự gián đoạn Internet

Radar Researcher cũng được xây dựng với các chuyên gia kỹ thuật trong tâm trí. Nếu có một điều chúng tôi biết về các kỹ sư, nhà nghiên cứu và nhà điều hành mạng, đó là tự động hóa là chìa khóa cho quy trình làm việc của họ. Việc xem cùng một dữ liệu với các thao tác thủ công có thể trở nên cồng kềnh và hạn chế: làm thế nào để bạn đảm bảo mình luôn xem dữ liệu phù hợp nhất?

Hãy xem xét một sự kiện thực tế. Đầu năm 2026, Iran đã trải qua một loạt các đợt cắt Internet do chính phủ chỉ đạo, bao gồm một đợt kéo dài gần ba tháng trước khi lưu lượng truy cập phục hồi một phần vào tháng 5. Việc đưa tin về một câu chuyện như vậy đồng nghĩa với việc phải lấy nhiều chế độ xem và làm mới chúng khi tình hình phát triển. Để điều tra, bạn chỉ cần hỏi Radar Researcher:

Lần này câu hỏi mang tính mở, vì vậy Radar Researcher thực hiện một cuộc điều tra ngắn. Nó tra cứu các sự kiện mất kết nối mà Cloudflare Radar đã ghi lại cho Iran và thu thập dữ liệu lưu lượng truy cập tương ứng, sau đó giải thích dòng thời gian bằng ngôn ngữ tự nhiên: chỉ số lưu lượng HTTP của Iran đã giảm từ khoảng 0,58 vào ngày 7 tháng 1 xuống gần bằng 0 vào ngày 9 tháng 1, bắt đầu phục hồi một phần vào khoảng ngày 17 tháng 1 và trở lại gần mức trước khi bị ngắt kết nối vào ngày 27 tháng 1. Nó trình bày điều này dưới dạng biểu đồ chỉ số lưu lượng HTTP với cửa sổ mất kết nối được chú thích trực tiếp trên đường biểu đồ, cộng với một bảng các sự cố mất kết nối đã ghi lại, trong đó cũng đánh dấu một đợt ngắt kết nối thứ hai bắt đầu từ ngày 28 tháng 2.

Từ đó, nó gợi ý các hướng điều tra tiếp theo, chẳng hạn như so sánh lưu lượng truy cập với các quốc gia láng giềng.

Cách chúng tôi xây dựng công cụ này

Radar Researcher được xây dựng hoàn toàn trên nền tảng dành cho nhà phát triển của chính Cloudflare. Đây là một minh chứng cho các công cụ tương tự mà bất kỳ nhà phát triển nào cũng có thể sử dụng để xây dựng một AI agent.

Cốt lõi của nó là một Cloudflare Worker chạy Cloudflare Agents SDK. Mỗi cuộc hội thoại là một Durable Object có trạng thái với cơ sở dữ liệu SQLite riêng, vì vậy lịch sử trò chuyện, tiêu đề và các phản hồi truyền phát của bạn được lưu giữ. Chúng thậm chí còn tồn tại ngay cả khi bạn rời khỏi trang giữa chừng khi đang nhận câu trả lời, vì quá trình tạo vẫn tiếp tục ở phía máy chủ và sẽ tiếp tục khi bạn kết nối lại. "Bộ não" là Workers AI, chạy các mô hình mở như Kimi K2.7. Thay vì đặt cược vào một mô hình duy nhất, chúng tôi chạy một chuỗi dự phòng có thứ tự trên ba dòng mô hình khác nhau. Nếu một mô hình tạm thời quá tải, yêu cầu sẽ tự động chuyển sang mô hình tiếp theo, vì vậy sự cố tại bất kỳ nhà cung cấp đơn lẻ nào cũng không làm gián đoạn Researcher. Mọi cuộc gọi đều được định tuyến qua AI Gateway để ghi nhật ký, theo dõi chi phí, lưu vào bộ nhớ đệm và thiết lập các rào chắn an toàn.

Phần thú vị nhất là cách Researcher tiếp cận dữ liệu của Radar. Thay vì viết thủ công một công cụ cho mỗi điểm cuối trong hàng trăm điểm cuối của Radar, chúng tôi kết nối agent với máy chủ Cloudflare MCP thống nhất bằng Code Mode. Mô hình chỉ nhận ba công cụ (tìm kiếm, thực thi và tài liệu) và viết mã để truy vấn trực tiếp API của Radar. Nó tìm kiếm đặc tả OpenAPI để tìm đúng điểm cuối, sau đó thực thi một đoạn mã nhỏ để tìm nạp dữ liệu trực tiếp. Vì đặc tả API đầy đủ nằm trên máy chủ MCP, không có gì về API của Radar được mã hóa cứng vào lời nhắc (prompt). Khi Radar thêm các tập dữ liệu, Researcher có thể sử dụng chúng mà không cần thay đổi mã.

Điều này cũng hiển thị với bạn: mọi câu trả lời đều bao gồm một dấu vết có thể mở rộng về suy luận của mô hình và các lệnh gọi công cụ chính xác mà nó đã thực hiện để thu thập dữ liệu, vì vậy bạn luôn có thể thấy cách nó đạt được kết quả đó.

Từ Markdown đến các biểu đồ Radar thực tế

Có một vấn đề cần giải quyết trong quá trình thực hiện. Các mô hình ngôn ngữ trả lời bằng Markdown: văn bản, bảng và danh sách gạch đầu dòng. Nhưng chúng tôi không muốn những bức tường đầy con số; chúng tôi muốn các biểu đồ tương tác, phong phú giống như bạn thấy ở mọi nơi khác trên Radar. Tệ hơn nữa, khi một mô hình cố gắng viết dữ liệu trực tiếp vào câu trả lời của nó, nó có xu hướng làm tròn, tóm tắt hoặc cắt bớt, đó chính xác là điều bạn không muốn từ một công cụ dữ liệu.

Giải pháp của chúng tôi giữ dữ liệu hoàn toàn tách biệt khỏi văn bản của mô hình. Khi Radar Researcher tìm nạp dữ liệu, mã của nó trả về một phong bì nhỏ ghép nối đường dẫn API với kết quả. Sau đó, thay vì dán các con số, mô hình phát ra một đặc tả biểu đồ nhẹ chỉ đơn giản tham chiếu đến cùng đường dẫn đó:

Giao diện người dùng của Radar khớp `dataFrom` của biểu đồ với kết quả đã tìm nạp và hiển thị nó bằng chính các thành phần trực quan hóa được sử dụng trên phần còn lại của trang web. Biểu đồ luôn trung thực với API, và Radar Researcher có thể tận dụng toàn bộ từ vựng hình ảnh của chúng tôi: chuỗi thời gian và các vùng xếp chồng, biểu đồ tròn, biểu đồ cột, bản đồ, biểu đồ tần suất, v.v.

Một vài điểm nhấn nhỏ

Không phải mọi thứ đều cần đến mô hình lớn. Các mô hình nhỏ, nhanh xử lý các tác vụ phụ: một mô hình viết tiêu đề ngắn cho mỗi cuộc hội thoại mới, và một mô hình khác gợi ý các câu hỏi tiếp theo bên dưới mỗi câu trả lời. Cả hai đều chạy ở phía bên cạnh, vì vậy chúng không bao giờ làm chậm phản hồi thực tế của bạn.

Radar Researcher cũng nhận được một chút ngữ cảnh về thời gian và địa điểm hiện tại. Chúng tôi chuyển cho nó ngày giờ hiện tại, cộng với các chi tiết cấp cao về kết nối của bạn mà bạn sẽ tìm thấy trên trang IP của Radar, chẳng hạn như vị trí IP và mạng của bạn. Bằng cách đó, khi bạn hỏi những câu như "lưu lượng truy cập ở đây thế nào?", nó có thể điều chỉnh câu trả lời phù hợp với nơi bạn đang ở.

Mọi thứ đến với bạn thông qua giao diện người dùng của Radar (cũng là một Worker) qua một liên kết dịch vụ, với giới hạn tốc độ theo IP và các cuộc hội thoại có thể chia sẻ được lưu trữ trong R2. Mọi lớp, từ tính toán đến suy luận, cổng kết nối đến lưu trữ và dữ liệu, đều là của Cloudflare.

Được hỗ trợ bởi các agent — và sẵn sàng cho chúng

Radar Researcher cho thấy cách chúng tôi sử dụng một AI agent để giúp mọi người khám phá dữ liệu của mình. Nhưng còn một khía cạnh khác của câu chuyện về agent: điều gì sẽ xảy ra khi agent đó không phải của chúng tôi, mà là một trợ lý đa năng chạy trong trình duyệt của bạn, hành động thay mặt cho bạn?