AI Agents & Agentic AI — Từ tổng quan đến production
Khoá học chuyên sâu về hệ thống AI tự chủ: từ định nghĩa và khung quyết định "có nên xây agent không", qua vòng lặp agent, thiết kế tool, context engineering, bộ nhớ, lập kế hoạch, agentic RAG, MCP và hệ multi-agent, đến đánh giá, bảo mật, human-in-the-loop và vận hành production. Khoá này mở rộng Module 8-9 của AI Engineer Master Course thành một chuyên ngành hoàn chỉnh — mỗi khái niệm đều đi kèm code chạy được, bảng đánh đổi, và bài tập đo bằng số liệu.
🗺️ 4 phần chính của khoá học
Module 1-4
Agent là gì và khi nào cần, tự viết agent loop từ đầu, thiết kế tool, và context engineering — bốn nền móng mà mọi phần sau dựa vào.
Module 5-8
Năm workflow pattern, suy luận và tự kiểm chứng, bộ nhớ và trạng thái, agentic RAG và deep research.
Module 9-12
MCP/A2A/Skills, hệ nhiều agent, lựa chọn framework và nền tảng, coding agent, sandbox và computer use.
Module 13-16
Eval cho agent, guardrail và human-in-the-loop, vận hành production (trace, chi phí, độ bền), và dự án capstone end-to-end.
📘 16 Module học tập
Nhấp vào từng module để xem nội dung chi tiết, bài tập thực hành, và tài nguyên học tập.
🧭 Toàn cảnh Agentic AI — Agent là gì và khi nào cần
Định nghĩa chính xác agent/agentic AI, phổ tự chủ từ 1 lời gọi LLM đến hệ multi-agent, và khung quyết định khi nào nên (và không nên) xây agent.
✓🔁 Giải phẫu một Agent — Tự viết Agent Loop từ đầu
Bốn thành phần của mọi agent, vòng lặp thu thập ngữ cảnh → hành động → kiểm chứng, và code một harness hoàn chỉnh không dùng framework.
✓🛠️ Tool Use chuyên sâu — Thiết kế công cụ cho Agent
Tool là giao diện giữa agent và thế giới. Nguyên tắc thiết kế tool để model dùng đúng: gom theo việc cần làm, đặt tên, mô tả, định dạng kết quả, lỗi có hướng dẫn.
✓🧠 Context Engineering — Quản lý những gì Agent nhìn thấy
Context là tài nguyên hữu hạn. Viết system prompt cho agent, nạp thông tin đúng lúc, và giữ context gọn qua hàng trăm bước bằng compaction, ghi chú, và subagent.
✓🧩 Workflow Patterns — 5 mẫu điều phối trước khi cần Agent
Prompt chaining, routing, parallelization, orchestrator-workers, evaluator-optimizer: năm khối xây dựng giải quyết phần lớn bài toán 'agentic' mà không cần trao toàn quyền cho model.
✓♟️ Suy luận, Lập kế hoạch & Tự kiểm chứng
Từ ReAct đến Plan-and-Execute và Reflection: agent suy nghĩ, lập kế hoạch và tự kiểm tra kết quả như thế nào — và cách các kỹ thuật này thay đổi khi model đã có khả năng suy luận sẵn.
✓💾 Memory & State — Bộ nhớ ngắn hạn, dài hạn và khả năng tiếp tục
Phân loại bộ nhớ của agent, quản lý lịch sử trong phiên, bộ nhớ dài hạn giữa các phiên (file, vector, đồ thị), checkpointing để tạm dừng/tiếp tục, và các rủi ro của bộ nhớ.
✓🔎 Agentic RAG & Deep Research
Từ pipeline RAG một lượt sang truy xuất như một công cụ: agent tự quyết định tìm gì, tìm tiếp hay dừng. Thiết kế tool tìm kiếm, kiến trúc deep research, và trích dẫn nguồn.
✓🔗 MCP, A2A & Skills — Giao thức và hệ sinh thái của Agent
MCP dưới góc nhìn người xây agent: nối tool chuẩn hoá, kiểm soát chi phí context khi có nhiều server, bảo mật. Thêm A2A cho giao tiếp agent-agent và Skills cho đóng gói quy trình.
✓🕸️ Multi-agent Systems — Khi nào nhiều agent tốt hơn một
Lý do thật sự để dùng nhiều agent (cách ly context, song song hoá), các kiểu tổ chức, nghệ thuật viết bản giao việc, và những trường hợp multi-agent làm mọi thứ tệ đi.
✓🧰 Frameworks & Platforms — Chọn công cụ xây Agent
Bản đồ các lớp công cụ từ API thô đến nền tảng được quản lý; LangGraph, OpenAI Agents SDK, Claude Agent SDK qua ví dụ; và khung tiêu chí chọn công cụ không phụ thuộc trào lưu.
✓🖥️ Coding Agents, Computer Use & Môi trường thực thi
Giải phẫu coding agent, cho agent một máy tính an toàn (sandbox, mạng, filesystem), chạy code phía server, và agent điều khiển trình duyệt/màn hình.
✓📏 Evaluation cho Agent — Đo lường thứ không tất định
Vì sao đánh giá agent khó hơn đánh giá LLM, từ vựng chuẩn (task, trial, grader, transcript), ba loại grader, các chỉ số, và quy trình xây bộ eval từ 20 nhiệm vụ đầu tiên.
✓🛡️ Guardrails, Bảo mật & Human-in-the-loop
Mô hình mối đe doạ của agent, prompt injection và 'bộ ba chết người', phòng thủ nhiều lớp, hệ thống quyền hạn, và thiết kế điểm dừng cho con người duyệt.
✓🚀 Đưa Agent lên Production — Kiến trúc, Quan sát, Chi phí & Độ bền
Kiến trúc chạy agent bất đồng bộ và bền, tracing theo chuẩn OpenTelemetry, kiểm soát chi phí và độ trễ, xử lý lỗi, và quy trình phát hành an toàn.
✓🏆 Dự án Capstone — Xây một Agent Production-ready
Ghép toàn bộ khoá học thành một hệ agent hoàn chỉnh: thiết kế, tool, context, đánh giá, bảo mật, vận hành — kèm tài liệu đủ để trình bày khi phỏng vấn.
🔗 Khoá học liên quan
Nên hoàn thành AI Engineer Master Course (ít nhất Module 4-9) trước khi học khoá này. Các khoá còn lại cung cấp nền tảng hạ tầng mà phần production (Module 12, 14, 15) dùng lại trực tiếp.
🚀 AI Engineer Master Course
🧬 Fine-tuning & Model Customization
🔌 Backend API Engineering for AI Engineers
🗄️ Database Engineering for Backend & AI Engineers
🐳 Docker for Backend & AI Engineers
🏛️ System Architecture for Senior Engineers
🧪 Advanced QA & Test Engineering
📖 Cách sử dụng khoá học này
Module 1-4 học tuần tự và làm đủ bài tập — đặc biệt là tự viết agent loop ở Module 2, vì mọi module sau đều mở rộng chính đoạn code đó. Module 5-8 có thể chọn theo bài toán bạn đang làm. Module 9-12 học khi cần mở rộng hệ thống (nhiều tool, nhiều agent, chạy code). Đừng bỏ qua Module 13-14: eval và bảo mật là thứ phân biệt demo với sản phẩm, và nên bắt đầu viết eval ngay từ khi có agent đầu tiên. Ví dụ code dùng Python và Claude API, nhưng các nguyên tắc áp dụng cho mọi model và framework. Lĩnh vực này thay đổi nhanh: tên tham số và phiên bản API có thể khác khi bạn đọc — hãy đối chiếu tài liệu chính thức, còn các nguyên tắc thiết kế thì bền hơn nhiều. Tiến độ được lưu tự động trên trình duyệt này khi bạn nhấn "Đánh dấu đã hoàn thành" ở cuối mỗi trang.