Lập trình viên AI Agent

Mục tiêu: Trang bị nền tảng Python và hình thành tư duy lập trình, tư duy logic; giúp học viên phân tích bài toán, tổ chức cách giải và xây dựng chương trình Python đơn giản làm nền tảng cho việc phát triển ứng dụng AI.

• Làm quen với tư duy giải bài toán: xác định dữ liệu đầu vào, các bước xử lý và kết quả đầu ra; sử dụng biến, kiểu dữ liệu và toán tử trong Python.
• Diễn đạt logic bằng if/else, for/while; sử dụng hàm để chia nhỏ bài toán, tái sử dụng mã và tổ chức chương trình rõ ràng hơn.
• Sử dụng List, Tuple, Dictionary và Set; đọc - ghi tập tin văn bản, CSV và thao tác thư mục để xử lý các công việc dữ liệu cơ bản.
• Làm quen với lập trình hướng đối tượng, module/package, pip và xử lý ngoại lệ để tổ chức chương trình và vận hành ổn định hơn.
• Sử dụng chatbot AI để giải thích lỗi, gợi ý mở rộng bài toán và tạo thêm test case; rèn thói quen đọc hiểu và tự kiểm tra kết quả chương trình.

Mục tiêu: Nâng kỹ năng Python lên chuẩn phát triển ứng dụng AI; hình thành nề nếp làm việc với môi trường dự án, mã nguồn, kiểm thử, API và tính bất định của mô hình AI.

• Lập trình cùng AI IDE để hỗ trợ viết mã, phân tích nguyên nhân lỗi và tạo unit test bằng pytest; đồng thời đọc hiểu và rà soát mã do AI sinh ra.
• Quản lý môi trường ảo, thư viện theo từng dự án và mã nguồn với Git/GitHub; hạn chế xung đột phiên bản và duy trì cấu trúc dự án rõ ràng.
• Lập trình vector và embedding bằng mảng NumPy; nắm HTTP, REST, JSON và cách đọc tài liệu API.
• Hiểu tokenization, context window, temperature, top-p, top-k và chi phí; gọi API mô hình thương mại và mô hình mã nguồn mở.
• Lập trình bất đồng bộ với async/await, lập lịch tác vụ; kiểm soát tính bất định bằng tiêu chí đánh giá, structured output và thực hành đa phương thức qua API.

Mục tiêu: Trang bị khả năng thu thập, trích xuất, làm sạch, chuẩn hóa và tổ chức dữ liệu từ cơ sở dữ liệu, API/web và tài liệu số thành pipeline có thể tái sử dụng, phục vụ cho các ứng dụng AI và RAG.

• Hiểu vòng đời dữ liệu từ thu thập, lưu dữ liệu gốc, trích xuất, làm sạch, chuẩn hóa đến kiểm tra và xuất dữ liệu; phân biệt dữ liệu có cấu trúc, bán cấu trúc và phi cấu trúc.
• Khai thác dữ liệu có cấu trúc bằng SQL; sử dụng Pandas để làm sạch, lọc, nhóm, tổng hợp và kết hợp dữ liệu từ nhiều nguồn.
• Thu thập dữ liệu từ API, RSS và HTML/DOM; xử lý phân trang, timeout, retry, giới hạn tốc độ, robots.txt và điều khoản sử dụng.
• Trích xuất nội dung từ DOCX, PDF và ảnh quét; tiền xử lý ảnh, OCR tiếng Việt và chuyển bảng biểu thành dữ liệu có cấu trúc.
• Chuẩn bị dữ liệu cho RAG bằng chunking, xử lý mất ngữ cảnh, embedding và tương đồng ngữ nghĩa; xây dựng pipeline tái sử dụng và tập dữ liệu đánh giá cho môn kế tiếp.

Mục tiêu: Phát triển ứng dụng trên nền LLM có khả năng khai thác dữ liệu riêng, quản lý ngữ cảnh, kiểm soát đầu ra và đánh giá được chất lượng cũng như chi phí vận hành.

• Prompt Engineering ở cấp độ lập trình: phân biệt prompt và system prompt, xây dựng cấu trúc prompt và vận dụng các kỹ thuật viết prompt nâng cao.
• Quản lý lịch sử trò chuyện với LLM để tối ưu ngữ cảnh; nhận diện rủi ro bảo mật ở lớp prompt và áp dụng biện pháp phòng tránh.
• Xây dựng chatbot RAG trên dữ liệu riêng theo quy trình chuẩn; tổ chức kiểm thử và đánh giá kết quả bằng số liệu.
• Đo chất lượng và chi phí của mô hình; xây dựng model routing qua lớp gateway để lựa chọn mô hình phù hợp và tối ưu chi phí.
• Kiểm soát đầu ra theo JSON Schema/Pydantic, kết hợp retry và hậu xử lý; sử dụng Function Calling để mô hình lựa chọn công cụ và tham số.

• Giới thiệu vibe coding: phương pháp lập trình mới dùng AI làm trợ thủ trong toàn bộ quy trình code, từ sinh code, refactor, debug đến kiểm thử.
• Các kỹ thuật Prompt cho lập trình ứng dụng để AI hiểu đúng ý và sinh code chất lượng, đảm bảo đúng logic và không có lỗi tiềm ẩn.
• Kiến trúc client-server: hiểu cách frontend, backend và mô hình AI giao tiếp với nhau trong một ứng dụng web.
• Lập trình web Frontend: HTML, CSS, JavaScript và dựng giao diện chat cho ứng dụng AI trên framework hiện đại (ReactJS, NextJS, VueJS,…).
• Lập trình Backend với FastAPI: Session, Cookie, JWT, Authentication & Authorization; RESTful API (thiết kế RESTful API, kiểm thử với Postman/Curl); bảo mật backend cơ bản (chống injection/XSS/CSRF, caching và tối ưu hiệu năng).
• Kỹ thuật Streaming response cho phép hiển thị câu trả lời của AI ra dần theo thời gian thực.
• Quản lý session và lịch sử hội thoại để mô hình trả lời nhất quán qua nhiều lượt.
• Xử lý lỗi và giới hạn context của mô hình.
• Xử lý theo hàng đợi và webhook để tối ưu hóa xử lý của ứng dụng.
• Giới thiệu Docker và các lệnh cơ bản để deploy toàn bộ trang web lên hosting.

• Tổng quan và giới thiệu cấu trúc các thành phần của AI Agent.
• Giới thiệu LangGraph.
• Xây dựng AI Agent với LangGraph thông qua State, Node, Edge, Conditional Edge, Routing, START/END và Streaming node.
• Thiết kế và tích hợp Tool Calling để mở rộng khả năng xử lý tác vụ của AI Agent.
• Phân tích tác vụ để thiết kế phù hợp cho Agent: mô hình xử lý tuần tự, song song, có điều kiện hay lặp; chiến lược suy luận ReAct, Planner-Executor; chiến lược đánh giá Evaluator-Optimizer; cơ chế điều hướng Routing.
• Quản lý context, short-term và long-term memory của Agent.
• Xây dựng AI Agent hoàn chỉnh xử lý tác vụ theo yêu cầu.

• Tổng quan về multi-agent và giới thiệu các framework hỗ trợ xây dựng Agent/Multi-Agent.
• Thiết kế và tích hợp Skill vào AI Agent.
• Phân biệt Skill với Tool.
• Áp dụng Human-in-the-loop cho các quyết định cần xác nhận hoặc có rủi ro.
• Ứng dụng MCP để chuẩn hóa việc kết nối Agent với Tool, dữ liệu, API và các hệ thống bên ngoài.
• Xây dựng Multi-Agent theo các mô hình Router, Supervisor, Handoff, Agent-as-Tool, Sequential, Parallel, Orchestrator–Worker, Collaborative và Hierarchical.
• Kết nối Multi-Agent với ứng dụng quản lý hiện có của doanh nghiệp.
• Tích hợp Multi-Agent vào ứng dụng bằng FastAPI và đóng gói, triển khai hệ thống bằng Docker.
• Đánh giá và cải thiện hệ thống Multi-Agent.