Inflearn - Lifetime Career Platform

강의 sẽ tập trung vào cách sử dụng Docker ở chế độ Swarm. Chúng tôi sẽ hướng dẫn các quản trị viên mới bắt đầu cách dễ dàng xây dựng và vận hành máy chủ.

Tìm hiểu cách phát triển các ứng dụng Cloud Native bằng cách sử dụng Kubernetes, tiêu chuẩn trong điều phối container. Bạn có thể tiếp thu các kỹ năng thực hành có thể áp dụng ngay tại nơi làm việc, từ các khái niệm cốt lõi của Kubernetes đến việc triển khai ứng dụng thực tế và tự động hóa vận hành. Tìm hiểu cách xây dựng quy trình triển khai và quản lý tài nguyên hiệu quả bằng cách tích hợp môi trường phát triển và môi trường vận hành.

Nếu bạn theo dõi OpenClaw đến phần 1 và 2, cuối cùng bạn sẽ thấy mình đang yêu cầu một agent duy nhất làm mọi thứ. Đến một lúc nào đó, các prompt sẽ bị rối, bộ nhớ bị lẫn lộn, các thư mục trở nên lộn xộn và bạn sẽ cảm thấy bế tắc, không biết phải sắp xếp lại như thế nào. Bài giảng này là "Phần nhập môn Multi-Agent (Phần 2.5)", giúp bạn tiến thêm một bước nữa từ điểm bế tắc đó. Trong khi vẫn duy trì chỉ một bot duy nhất, chúng ta sẽ tách vai trò thành hai agent: planner (người lập kế hoạch) / editor (người biên tập). Bằng cách kết nối mỗi agent với các workspace và chủ đề diễn đàn Telegram khác nhau, chúng ta sẽ trực tiếp tạo ra một cấu trúc mà "agent phản hồi sẽ khác nhau tùy thuộc vào việc bạn nói chuyện ở phòng nào". Sau khi hoàn thành thực hành, trong môi trường của bạn sẽ thực sự có: - File cấu hình định nghĩa hai agent: `content_planner` và `content_editor`, - Cấu trúc thư mục nội dung được tách biệt giữa lập kế hoạch và bản thảo, - Nhóm Telegram với các chủ đề diễn đàn có các agent khác nhau phụ trách, - Và một bản thảo giới thiệu khóa học Infrun được tạo ra bởi sự hợp tác của hai agent này. Nói cách khác, bài giảng này là một lớp học thực hành giúp bạn thiết kế bước đầu tiên để nâng cấp bot Telegram từ "một trợ lý AI" thành "một đội ngũ AI nhỏ với các vai trò chuyên biệt".

Khóa học này là chương trình nâng cao tập trung vào việc thiết kế và triển khai hệ thống Agent (Main/Sub, Tool, Task Runtime, Agent Registry) và kiến trúc Multi-LLM bằng cách kết hợp chiến lược GPT, Gemini, LLaMA (local) dựa trên Spring AI và Spring Boot. Vượt xa việc gọi LLM đơn lẻ, khóa học bao gồm quy trình áp dụng Agentic Workflow Pattern (Chain, Parallel, Routing, Orchestrator–Workers, Evaluator–Optimizer) và cấu trúc Multi-Agent; tách biệt các lớp thực thi như RAG, API/DB bên ngoài bằng Tool·ToolRegistry; đồng thời xây dựng hệ thống AI có khả năng mở rộng, ổn định và liên tục cải thiện chất lượng thông qua công cụ DAG engine, quy trình làm việc khai báo bằng YAML và xác thực ngay sau khi tải (Validated DSL). Ngoài ra, khóa học còn bao gồm Circuit Breaker, Reactive Stream, giám sát Redis, xử lý song song và vòng lặp đánh giá lặp lại. Bên cạnh thực hành Thymeleaf (SSR), khóa học còn mở rộng việc chia tách Front-end/Back-end bằng React·REST và kết nối runtime của công cụ/agent thông qua giao thức tiêu chuẩn MCP, giúp học viên trang bị năng lực thiết kế kiến trúc AI ở cấp độ môi trường vận hành thực tế. Mục tiêu cuối cùng là giúp bạn phát triển thành một nhà phát triển có khả năng thiết kế hệ thống AI — không chỉ dừng lại ở mức người dùng AI đơn thuần chỉ biết gọi API đơn lẻ hay viết prompt, mà là người có thể giải thích và cân nhắc việc kết hợp Multi-LLM, Agent, Workflow, khai báo và kiểm chứng thành một kiến trúc thực thi thống nhất.

Khóa học này bao gồm lý thuyết chi tiết và thực hành về các cơ chế cốt lõi của Apache Airflow, từ DAG, Operator, Hook, Scheduling, Timezone, tính lũy đẳng (idempotency) cho đến Template. Đây là khóa học làm chủ Airflow tập trung vào thực tiễn, giúp bạn hiểu rõ "tại sao Airflow lại hoạt động như vậy" và có thể tự mình thiết kế cũng như gỡ lỗi (debug) các đường ống dữ liệu (data pipeline).