Học online nhưng có mentor đồng hành
Cá nhân hóa theo mục tiêu của bạn

KHÓA HỌC

Xây dựng Agentic AI – Hệ thống trí tuệ nhân tạo đa tác nhân

Khóa học cung cấp kiến thức toàn diện về Agentic AI, chuyển trọng tâm từ việc chỉ viết prompt sang việc xây dựng các tác nhân AI tự trị có khả năng suy luận, lập kế hoạch và thực hiện nhiệm vụ đa bước. Học viên sẽ làm chủ cách tích hợp LLM với các công cụ bên ngoài, thiết kế quy trình đa tác nhân (Multi-agent) và triển khai hệ thống cấp sản xuất ổn định. Kiến thức này giúp tự động hóa các quy trình doanh nghiệp phức tạp, từ phân tích dữ liệu đến vận hành phần mềm, mang lại hiệu suất vượt trội so với AI truyền thống.

20 buổi - 40 giờ học

10-15 Học viên

Rated 5 out of 5

Trần Trọng MinhChuyên gia IoT & AI

Original price was: 10.990.000 ₫.Current price is: 7.990.000 ₫.

Giới thiệu

• Tại sao chủ đề này quan trọng? Agentic AI đánh dấu một sự thay đổi lớn trong cách hệ thống tự trị suy luận và thực hiện nhiệm vụ. Không giống như việc dùng prompt thông thường, các tác nhân AI có thể sử dụng công cụ, API và cộng tác với nhau để giải quyết các vấn đề thế giới thực mà con người không cần can thiệp trực tiếp.
• Ai nên học? Khóa học dành cho những người đã có nền tảng về AI/Python muốn tiến sâu vào kỷ nguyên tiếp theo của tự động hóa: các kỹ sư phần mềm, chuyên gia AI và kiến trúc sư hệ thống.
• Tóm tắt nội dung: Khóa học đi từ nền tảng Generative AI, các kiến trúc tác nhân (Deliberative, Reactive, Hybrid), đến các kỹ thuật nâng cao như Reflection (Phản hồi), Planning (Lập kế hoạch) và mô hình điều phối Coordinator-Worker-Delegator (CWD). Học viên cũng sẽ học cách đảm bảo an toàn, đạo đức và triển khai hệ thống bằng Docker/Kubernetes.
• Mentor: là các chuyên gia có kinh nghiệm thực chiến với 10 năm kinh nghiệm trong nghiên cứu chuyên sâu về NLP và Computer Vision.

Nội dung

Buổi 1: Giới thiệu về AI agent và Agentic AI:

Định nghĩa AI Agent, hệ thống Agentic AI.

Các đặc tính cốt lõi bao gồm sử dụng LLM để ra quyết định, khả năng tự sửa lỗi và sử dụng công cụ

Thiết lập môi trường lập trình Python và chạy thử một Agent đơn giản bằng OpenAI Agents SDK để chào hỏi và nhận diện ý định người dùng.

Buổi 2: Khái niệm về Agency và Autononmy, quyền tự quản:

Khái niệm về Agency (khả năng hành động độc lập) và Autonomy (mức độ độc lập). Phân biệt quyền tự trị vận hành và chức năng.

Viết thuật toán cho một tác nhân đặt vé du lịch cơ bản (chưa dùng AI) để hiểu cách thiết lập mục tiêu và cập nhật tri thức.

Buổi 3: Kiến trúc Tác nhân thông minh:

Các kiến trúc Deliberative, Reactive và Hybrid

So sánh kiến trúc Deliberative (tư duy dựa trên tri thức), Reactive (phản ứng nhanh) và Hybrid (hỗn hợp).

Thực hành: Xây dựng logic phản ứng (Reactive) dựa trên các quy tắc điều kiện đơn giản cho một Agent dự báo thời tiết

Buổi 4: Biểu diễn Tri thức (Knowledge Representation):

Tìm hiểu về Knowledge representation

Tìm hiểu về mạng ngữ nghĩa (Semantic networks), khung dữ liệu (Frames) và biểu diễn dựa trên logic.

Thực hành: Tạo một cơ sở tri thức (Knowledge Base) bằng JSON, Vector Database để cung cấp tri thức cho AI Agent.

Buổi 5: Các cơ chế Suy luận của AI agent (Reasoning):

Phân biệt các cơ chế suy luận và ứng dụng cho AI Agent trong chuẩn đoán lỗi.

Phân biệt suy luận Diễn dịch (Deductive), Quy nạp (Inductive) và Suy luận giả định (Abductive) – tìm kiếm lời giải thích hợp lý nhất.

Thực hành: Viết script cho Agent thực hiện nhiệm vụ chẩn đoán lỗi hệ thống dựa trên suy luận giả định.

Buổi 6: Cơ chế Học tập và Thích nghi:

Học máy có giám sát, không giám sát và học tăng cường

Tìm hiểu học máy có giám sát, không giám sát và Học tăng cường (RL) cho Agent.

Thực hành: Thiết lập vòng lặp phản hồi (Feedback loop) để Agent học từ đánh giá của người dùng nhằm cải thiện gợi ý.

Buổi 7: Kiến trúc Bộ nhớ (Memory):

Phát triển các loại bộ nhớ cho AI Agent

Ba loại bộ nhớ: Bộ nhớ ngắn hạn (Working memory), Bộ nhớ dài hạn (Knowledge base) và Bộ nhớ tình tiết (Episodic memory).

Thực hành: Triển khai class WorkingMemory và EpisodicMemory trong Python để lưu trữ lịch sử tương tác.

Buổi 8: Mô hình hóa Môi trường và Trạng thái:

Không gian trạng thái và theo dõi thực thi.

Thiết kế không gian trạng thái (State space) để theo dõi tiến trình thực hiện nhiệm vụ của AI Agent.

Thực hành: Lập trình hệ thống cập nhật trạng thái dựa trên sự kiện (Event-driven) khi có sự thay đổi từ môi trường bên ngoài.

Buổi 9: Tool Use và Function Calling:

Tool use, Function Calling

Cách Agent tương tác với thế giới thực qua API và database. Cơ chế LLM tạo lời gọi hàm có cấu trúc.

Thực hành: Xây dựng công cụ cho AI Agent xử dụng qua function calling hay tool use.

Buổi 10: Model Context Protocol (MCP):

Giới thiệu giao thức MCP và ứng dụng

Giới thiệu giao thức MCP để chuẩn hóa giao tiếp giữa Agent và các dịch vụ bên ngoài như Google Search hay GitHub

Thực hành: Tích hợp Agent với một máy chủ MCP có sẵn để thực hiện tra cứu thông tin trực tuyến.

Buổi 11: Lập kế hoạch:

Thuật toán Lập kế hoạch (Planning)

Tìm hiểu lập kế hoạch dựa trên LLM và Hierarchical Task Network (HTN) – phân rã nhiệm vụ phức tạp thành các bước nhỏ.

Thực hành: Sử dụng CrewAI, Agno để lập trình một Agent “Chiến lược gia” có khả năng phân rã yêu cầu du lịch của khách hàng thành các nhiệm vụ cụ thể cho các tác nhân khác.

Buổi 12: Mô hình Coordinator-Worker-Delegator (CWD):

Cách thức cấu trúc tổ chức của hệ thống đa tác nhân Agentic AI.

Cấu trúc tổ chức gồm: Coordinator (điều phối chiến lược), Worker (thực thi chuyên biệt) và Delegator (quản lý phân bổ).

Thực hành: Thiết kế sơ đồ phân cấp và gán vai trò cho hệ thống Agentic AI (ví dụ: hệ thống Agentic đặt tour du lịch đa quốc gia.)

Buổi 13: Thiết kế Vai trò và Backstory:

Phát triển quy định hành vì của agent

Tầm quan trọng của Role và Backstory trong việc định hình hành vi và khung tư duy của Agent.

Thực hành: Viết mã lệnh định nghĩa Agent với các backstory chuyên sâu (ví dụ: một chuyên gia quản lý doanh thu hàng không với 15 năm kinh nghiệm).

Buổi 14: Mẫu thiết kế Manager Pattern:

Agent như một người quản lý các agent khác trong hệ thống

Một Agent trung tâm điều phối các Agent chuyên biệt khác thông qua lời gọi công cụ.

Thực hành: Xây dựng một “Manager Agent” điều phối các Agent dịch thuật ngôn ngữ khác nhau (Tây Ban Nha, Pháp, Ý).

Buổi 15: Mẫu thiết kế Decentralized Pattern:

Team work giữa các agent

Các Agent ngang hàng tự bàn giao (handoff) nhiệm vụ cho nhau dựa trên chuyên môn.

Thực hành: Triển khai quy trình phân loại (triage) yêu cầu khách hàng: từ Agent hỗ trợ kỹ thuật chuyển giao sang Agent bán hàng nếu cần thiết.

Buổi 16: Reflection và Introspection:

Cách AI Agent tự đánh giá và điều chỉnh

Khả năng tự đánh giá và điều chỉnh chiến lược của Agent (Self-explanation, Meta-reasoning).

Thực hành: Lập trình Agent cung cấp lý do (rationale) đằng sau mỗi đề xuất để tăng tính minh bạch và rõ ràng hơn trong các quyết định.

Buổi 17: XAI (Explanable AI):

Niềm tin và Giải thích được (XAI)

Các kỹ thuật xây dựng AI Agent đáng tin cậy: Minh bạch, kiểm soát bối cảnh và xử lý ảo tưởng (Hallucination).

Thực hành: Sử dụng các bản đồ chú ý (Attention maps) và giải thích ngôn ngữ tự nhiên để hiểu cách Agent đưa ra quyết định.

Buổi 18: Guardrails và An toàn AI:

Xây dựng hệ thống agentic AI an toàn.

Thiết kế rào chắn (Guardrails) để ngăn chặn rò rỉ dữ liệu cá nhân (PII), lọc nội dung độc hại và kiểm soát quyền hạn công cụ.

Triển khai một Tripwire guardrail để ngăn chặn Agent thực hiện các giao dịch tài chính vượt ngưỡng cho phép khi chưa có sự xác nhận của con người.

Buổi 19: Triển khai Hệ thống ở môi trường production.:

Đóng gói và triển khai một hệ thống Agentic AI

Đóng gói Agent bằng Docker và điều phối qua Kubernetes. Áp dụng nguyên lý KISS (Keep It Simple, Stupid).

Thực hành:Viết Dockerfile cho một Agentic Workflow và thiết lập API REST để truy cập workflow.

Buổi 20: Tổng kết và Case Study thực tế:

Hướng dẫn hoàn thiện và trình bày dự án cuối khóa

Đối tượng học

• Ai nên học: Các kỹ sư Machine Learning (ML), lập trình viên phần mềm, kỹ sư dữ liệu, lãnh đạo kỹ thuật và những người ra quyết định muốn tìm hiểu về hệ thống tự trị.
• Khi nào nên học: Khi cá nhân hoặc tổ chức muốn chuyển dịch từ việc sử dụng các chatbot đơn giản sang các hệ thống AI có khả năng tự lập kế hoạch, sử dụng công cụ và thực thi quy trình phức tạp thay mặt con người.

Mục tiêu đầu ra

Hiểu rõ sự khác biệt giữa AI truyền thống và Autonomous Agents.
Thiết kế được các hệ thống AI có khả năng tự sửa lỗi (Self-correction) và tự kiểm chứng quyết định.
Xây dựng được quy trình đa tác nhân cộng tác (Manager pattern & Decentralized pattern).
Triển khai được các Agentic Workflows lên môi trường đám mây sử dụng Containerization.
Thiết lập được các rào chắn an toàn (Guardrails) để ngăn chặn lỗi và hành vi không mong muốn.

Yêu cầu

Yêu cầu kỹ thuật: Người học cần có máy tính cá nhân, cấu hình tương đối để có thể chạy thử các mô hình SLM (Small Language Model).
Yêu cầu về kiến thức đầu vào: Có kỹ năng lập trình cơ bản.