👋 Chào mừng đến với Nocoem — kiến thức Backend, System Design và lập trình. Khám phá ngay

AI Agents

Lộ trình học AI Agents: xây dựng ứng dụng và agent chạy trên mô hình ngôn ngữ lớn (LLM) dưới góc nhìn của một kỹ sư backend, tập trung vào code chạy được và các quyết định kỹ thuật thật, không hô hào lý thuyết.

Vì sao nên học AI Agents?

Backend developer giờ không chỉ viết CRUD. Ngày càng nhiều sản phẩm cần một lớp thông minh: chatbot tra cứu tài liệu nội bộ, agent tự gọi tool, hệ thống tóm tắt hay phân loại tự động. Về bản chất, dựng một agent tốt là bài toán backend và system design quen thuộc: pipeline dữ liệu, cache, chi phí, độ trễ, độ tin cậy. Học series này giúp bạn:

  • Biết agent thật sự hoạt động thế nào: hiểu tool calling, RAG, context và token thay vì coi LLM như hộp đen thần kỳ.
  • Dựng được sản phẩm AI đưa vào production: đánh giá, chống prompt injection, kiểm soát chi phí và độ trễ, không dừng ở demo chạy một lần.
  • Bắt kịp thị trường: kỹ năng đang thiếu người, nhu cầu tuyển dụng tăng nhanh trong năm 2025 tới nay.
  • Tận dụng nền tảng sẵn có: kiến thức Python, System Design và Security của bạn dùng lại được gần như trọn vẹn.
Nên có nền trước: series này giả định bạn biết Python cơ bản và quen gọi API. Tư duy System Design sẽ rất hữu ích khi dựng pipeline RAG chịu tải. Không cần biết trước về máy học (machine learning).

Định hướng nội dung: ưu tiên nền tảng bền (cách agent hoạt động, RAG, đánh giá, bảo mật, chi phí) hơn là bám một framework cụ thể vốn thay đổi rất nhanh. Mỗi bài đều kèm ví dụ code chạy được và output thật.

Ô số vàng = đã có bài để đọc. Ô xám nhạt = đang viết (sắp có).

Nhóm 1 · Nền tảng LLM cho developer

Đủ để dùng LLM đúng cách, không cần học sâu về máy học.

  1. LLM dưới góc dev: token, context window, temperature, chi phí
  2. Prompt engineering thực dụng cho backend
  3. Tool calling (function calling) hoạt động thế nào
  4. Agent khác gì chatbot và workflow?
  5. Structured output: bắt LLM trả JSON đúng schema

Nhóm 2 · Khối xây dựng (RAG và bộ nhớ)

Cho agent biết về dữ liệu của bạn, không chỉ dữ liệu lúc train.

  1. RAG là gì? Vì sao cần Retrieval-Augmented Generation
  2. Embeddings và Vector Database
  3. Chunking: chia tài liệu sao cho tìm đúng
  4. Xây một RAG chatbot đầu tiên
  5. Memory: cho agent nhớ hội thoại và trạng thái

Nhóm 3 · Agent patterns

Các cách tổ chức vòng lặp suy nghĩ và hành động của agent.

  1. ReAct: reason và act xen kẽ
  2. Plan-and-Execute
  3. Reflection: agent tự đánh giá và sửa
  4. Router: chọn tool hoặc nhánh xử lý phù hợp
  5. Single-agent vs Multi-agent: khi nào cần nhiều agent

Nhóm 4 · Framework và giao thức

Công cụ giúp đi nhanh, và khi nào nên gọi API trần.

  1. LangChain và LlamaIndex: khi nào cần, khi nào KHÔNG
  2. MCP (Model Context Protocol) là gì
  3. Thiết kế tool và function schema tốt
  4. Tự viết một agent loop bằng API trần

Nhóm 5 · Đưa vào production

Chỗ backend developer tạo khác biệt: agent tin cậy, an toàn, rẻ.

  1. Đánh giá và test agent (evaluation) khi output không cố định
  2. Prompt injection và bảo mật agent
  3. Guardrails: chặn output và hành vi ngoài ý muốn
  4. Tối ưu chi phí và độ trễ: caching, chọn model, streaming
  5. Observability: tracing và log cho hệ thống LLM
  6. Retry, timeout và idempotency khi agent gọi tool
  7. Human-in-the-loop: người duyệt ở đúng chỗ

Nhóm 6 · Build thật

Ghép mọi thứ thành sản phẩm nhỏ nhưng đầy đủ.

  1. Agent tra cứu tài liệu nội bộ (RAG trên dữ liệu của bạn)
  2. Agent gọi tool: thời tiết, tìm kiếm, tính toán
  3. Agent truy vấn cơ sở dữ liệu bằng ngôn ngữ tự nhiên
  4. Một coding agent nhỏ (đọc, sửa, chạy code)
Series này áp dụng lại nền tảng bạn đã có: Python để viết code, tư duy System Design để dựng pipeline RAG chịu tải, và Security để chống prompt injection. Không cần học lại từ đầu, chỉ ghép chúng cho một bài toán mới.