강의

멘토링

커뮤니티

AI Technology

/

AI Agent Development

90 phút hoàn thành: Từ nhập môn đến thực chiến LLM Agent – Học AI Agent qua thực hành

Thời đại AI chỉ đơn thuần trả lời đã kết thúc. Giờ đây là thời đại của LLM Agent tự đưa ra quyết định và hành động. Khóa học này là khóa nhập môn với 90 phút thực hành để học trực tiếp các nguyên lý cốt lõi và cấu trúc của agent thông qua việc tự tay triển khai. Giảm thiểu tối đa lý thuyết phức tạp, tập trung vào luồng thực hành code để trực tiếp trải nghiệm "AI đưa ra quyết định và sử dụng công cụ như thế nào". Vượt qua prompt engineering, hãy cùng bắt đầu bước đầu tiên của tự động hóa AI.

54 học viên đang tham gia khóa học này

  • HappyAI
llmagent
Agent
llm
langchain
rag시스템구축
multi-agent
LLM
LangChain
AI Agent
LangGraph

Bạn sẽ nhận được điều này sau khi học.

  • Hiểu về cấu trúc cơ bản và nguyên lý hoạt động của LLM Agent

  • Cách kết nối LLM với các công cụ, tool bên ngoài (API, tìm kiếm, v.v.)

  • Triển khai logic phán đoán của agent và workflow có điều kiện

  • Thực hành các cấu trúc đa dạng như Memory, Human-in-the-loop, Multi-agent

  • Tự tay xây dựng AI Agent hoạt động trong vòng 1 giờ

Học nguyên lý Agent - AI tự phán đoán và hành động chỉ trong 90 phút.🤔


AI hiện đang tiến hóa từ 'công cụ trả lời' thành 'tác nhân hành động'.

Khóa học này là khóa học nhập môn giúp bạn nắm vững các nguyên lý cốt lõi và cấu trúc của LLM Agent chỉ trong 90 phút thông qua thực hành.

Không cần công thức phức tạp hay giải thích dài dòng,

Bạn có thể trực tiếp xem qua code quá trình AI tự đưa ra quyết định và lựa chọn sử dụng các công cụ cần thiết.

Không cần lý thuyết phức tạp, chỉ cần 90 phút là đủ.

Lưu ý rằng hiện tại chỉ cung cấp bài giảng thực hành mã Agent và dự kiến sẽ tải lên bài giảng về lý thuyết AI LLM Agent trong tháng 11 năm 2025!



Đặc điểm của khóa học này

📌 Khóa học thực hành hoàn thành trong 1 giờ

Chỉ bao gồm những điều cốt lõi cần thiết. Cấu trúc học tập theo cách thực hành, không có lý thuyết phức tạp.

📌 Có thể thực hành ngay với mô hình mới nhất

Đây là bài thực hành dựa trên LLM mới nhất với Google Gemini API và ChatGPT API.

📌 Từ cơ bản đến thực chiến trong một lần

Tải mô hình LLM → Ràng buộc công cụ → Đăng ký công cụ tùy chỉnh → Thiết kế đồ thị theo từng bước thực hành.

📌 Trải nghiệm các cấu trúc agent đa dạng

ReAct, phân nhánh điều kiện, bộ nhớ, Human-in-the-loop, cộng tác đa tác nhân và các cấu trúc mới nhất khác.

📌 Hiểu biết cấu trúc kết nối với thực tế công việc

Học cách thiết kế logic phán đoán của agent, luồng dữ liệu, quản lý trạng thái và các thiết kế khác có thể áp dụng ngay trong thực tế.


💡Điểm khác biệt độc đáo của khóa học này


🔸 Hoàn thành thực hành tập trung trong 90 phút

Ngắn gọn nhưng chất lượng cao.
Chỉ cần đúng 90 phút là bạn có thể hoàn thành quá trình để AI tự đưa ra quyết định và sử dụng công cụ.
Lý thuyết tối thiểu, 'cấu trúc thực hành học qua trải nghiệm trực tiếp'.


🔸 Tự tay tạo ra "AI sử dụng công cụ"

ChatGPT chỉ trả lời, nhưng trong khóa học này, chúng ta sẽ triển khai để AI tự đánh giá và trực tiếp gọi các công cụ tìm kiếm, tính toán, phân tích. Hãy phát triển mô hình đối thoại đơn giản thành 'AI hành động'.


🔸 Cảm giác thực tế về tự động hóa AI trong một lần

Đây không phải là khóa học chỉ đơn thuần chạy code.
Bạn sẽ học các mẫu kiến trúc agent được sử dụng trong môi trường doanh nghiệp thực tế,
và có được tư duy thực tế có thể áp dụng ngay vào dự án.

Tôi khuyên dùng cho những người như thế này

Người mới bắt đầu với AI LLM

Những người muốn hiểu nguyên lý của LLM và bắt đầu học Agent lần đầu

Người làm việc bận rộn / Người lập kế hoạch/
Những người muốn học nhanh cấu trúc cốt lõi của hệ thống tự động hóa AI

Trong thời gian ngắn

Những ai muốn học cốt lõi của Agent
Những ai muốn hiểu nguyên lý của agent thông qua 1 giờ thực hành và trực tiếp triển khai


Sau khi hoàn thành khóa học

  • Bạn sẽ hiểu được logic để LLM tự đánh giá và sử dụng các công cụ.

  • Bạn có thể tự tay tạo ra AI agent của riêng mình bằng code.

  • Học cách thiết kế luồng cốt lõi và cấu trúc của logic Agent dựa trên LangChain / LangGraph.

  • Tôi hiểu rõ các khái niệm về bộ nhớ, phân nhánh điều kiện và hệ thống hợp tác của AI agent.

  • Bạn sẽ có được những ý tưởng tự động hóa AI có thể áp dụng ngay trong công việc thực tế.


Bạn sẽ học những nội dung như thế này.

🧠 LLM Agent: Cấu trúc cốt lõi của AI có khả năng phán đoán và hành động

AI hiểu câu hỏi như thế nào và tự chọn công cụ cần thiết? Thông qua việc trực tiếp triển khai cơ chế Tool Call dựa trên LangChain, chúng ta sẽ xác nhận bằng code quá trình mà agent "tự đưa ra quyết định và hành động".

🧠Tool Binding: Kết nối LLM với các công cụ bên ngoài

AI không chỉ đơn thuần trả lời mà còn kết nối để gọi các chức năng bên ngoài như tìm kiếm, API. Thực hành cấu trúc tự động xác định khi nào sử dụng công cụ cho câu hỏi nào bằng cách liên kết các công cụ thực tế như Gemini, Tavily Search với LLM.

⚙️ LangGraph: Thiết kế trực quan luồng hoạt động của agent

Điều gì sẽ xảy ra khi chúng ta biểu diễn suy nghĩ và hành động của agent dưới dạng đồ thị? Sử dụng LangGraph để thiết kế và thực thi trực quan các workflow phức tạp như phân nhánh có điều kiện, xử lý song song, và vòng lặp phản hồi.


🧍‍♂️ Human-in-the-loop: AI đưa ra quyết định cùng với con người

Liệu có ổn khi để AI đưa ra mọi quyết định không? Chúng ta sẽ thực hành phương pháp hybrid kết hợp sự can thiệp của con người vào cấu trúc ra quyết định hợp tác tại những thời điểm quan trọng, bổ sung thêm sự sâu sắc của con người vào phán đoán của AI.



🔄 ReAct Agent: Cấu trúc bộ não của AI biết suy nghĩ và hành động

Thực hành mô hình ReAct với cấu trúc Reason(suy nghĩ) + Action(hành động). Trải nghiệm trực tiếp qua code quá trình agent tự lập kế hoạch và thực thi "làm gì và làm như thế nào", đồng thời hiểu được logic ra quyết định của AI.


🤝 Multi-Agent Collaboration: Hệ thống AI hợp tác

Nếu nhiều agent hợp tác thay vì chỉ một AI? Các agent được phân chia theo vai trò trao đổi thông tin và,

Triển khai cấu trúc giải quyết vấn đề thông qua hợp tác như một đội nhóm. Mở rộng sang các tình huống đa dạng như hỗ trợ khách hàng thực tế, quản lý kiến thức, tạo nội dung, v.v.


Người tạo ra khóa học này

Xin chào, tôi là CEO Lee Jin Kyu của HappyAI, người chân thành với AI tạo sinh và LLM Agent.

Tốt nghiệp chuyên ngành xử lý ngôn ngữ tự nhiên và LLM tại trường đại học AI, sau đó thực hiện hơn 200 dự án AI·RAG cùng với Samsung Electronics, Đại học Seoul, Tập đoàn Điện lực Hàn Quốc và nhiều đơn vị khác, tích lũy kinh nghiệm thực tế trong phát triển giải pháp LLM, xây dựng Private LLM, fine-tuning, RAG đa phương thức và nhiều lĩnh vực khác.

Đặc biệt gần đây, tôi đang tiến hành nhiều khóa học thực hành về LLM như RAG, Agent, fine-tuning cho các doanh nghiệp hàng đầu và cơ quan công quyền trong nước.

Khóa học này được thiết kế với cấu trúc ❝ để người mới bắt đầu cũng có thể dễ dàng học và thực hành LLM Agent ❞ dựa trên vô số kinh nghiệm thực tế, học qua thực hành trực tiếp các điểm cốt lõi một cách nhanh chóng.


📌 Tóm tắt kinh nghiệm chính

  • 2024~ Đại diện Công ty HappyAI (Vận hành doanh nghiệp chuyên về AI tạo sinh·RAG)

  • Hoàn thành chương trình Tiến sĩ Thạc sĩ AI (Chuyên ngành LLM & Xử lý ngôn ngữ tự nhiên)

  • Cựu nghiên cứu viên thỉnh giảng tại Viện Nghiên cứu Chính sách Phần mềm

  • Cựu nghiên cứu viên tại viện nghiên cứu được chính phủ tài trợ

  • Tổng cộng có hơn 200 dự án thực tế về LLM·RAG


📚 Ví dụ về bài giảng và hoạt động

  • KT – Khóa học phát triển Agent LLM dựa trên LLM

  • Samsung SDS – Bài giảng thực hành LangChain & RAG

  • Quỹ Seoul Digital - Lý thuyết LLM và phát triển chatbot RAG

Ngoài ra còn tiến hành các bài gi강 về LLM Big Data tại nhiều doanh nghiệp khác

Những lưu ý trước khi học

Môi trường thực hành

  • Khóa học này sẽ thực hành trên Google Colab.

  • Google Gemini API (miễn phí)

  • ChatGPT API(trả phí)

Tài liệu học tập

  • Tôi sẽ cung cấp cho bạn dưới dạng file Excel với link code!

Kiến thức tiên quyết và lưu ý

Khóa học này được thiết kế để người mới bắt đầu cũng có thể theo kịp một cách dễ dàng,
nhưng nếu bạn đã biết những nội dung sau đây thì tốc độ học tập sẽ nhanh hơn rất nhiều.

  • Cú pháp Python cơ bản

  • Các khái niệm cơ bản của LangChain
    Nếu bạn đã hiểu đơn giản về cấu trúc Chain, Tool, và Prompt
    thì quá trình thực hành sẽ diễn ra mượt mà hơn rất nhiều.

  • Kiến thức cơ bản về LLM
    Nếu bạn hiểu cách LLM xử lý đầu vào (prompt) và tạo ra phản hồi (output),
    cũng như nguyên lý hoạt động cơ bản thì sẽ dễ dàng hiểu hơn về cấu trúc Agent.


Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • AI LLM người mới bắt đầu – Những ai muốn thoát khỏi mức độ ChatGPT và mở rộng việc sử dụng LLM

  • Người mới bắt đầu phát triển / Người lập kế hoạch – Những ai muốn tự tay triển khai agent hoạt động thực tế bằng code

  • Kỹ sư Prompt / Người thực hành – Dành cho những ai muốn hiểu về quy trình làm việc dựa trên Agent

  • Người học tập trung trong thời gian ngắn – Những ai muốn học nhanh chỉ những điều cốt lõi trong vòng 1 giờ

Cần biết trước khi bắt đầu?

  • Cú pháp cơ bản Python

  • Nếu bạn biết các khái niệm cơ bản về LLM (ví dụ: ChatGPT) thì sẽ hiểu nhanh hơn.

  • Nếu bạn đã biết những kiến thức cơ bản về Langchain thì sẽ hiểu nhanh hơn.

Xin chào
Đây là

4,139

Học viên

180

Đánh giá

50

Trả lời

4.7

Xếp hạng

10

Các khóa học

안녕하세요 AI와 빅데이터 분석에 진심인 해피AI 이진규입니다.

[강사약력]

이진규 (Lee JinKyu)

해피AI (Happy AI CEO)

생성 AI 및 빅데이터 분석 분야의 최신 트렌드, 인사이트, 기술 활용 방법을 깊이 있게 전달합니다.

 

🎒  강연 및 외주 문의

[email] leejinkyu0612@naver.com

[Blog] 📺https://blog.naver.com/leejinkyu0612

[YouTube] 📺 https://www.youtube.com/@HappyAI_0612

[github] https://github.com/leejin-kyu/

[Homepage] https://happyaidata.kr

[H.P] 010-9973-2113

[kakao] jinkyu0612

 

📘 크몽 Prime 전문가(상위 2%)📺https://kmong.com/gig/345782

 삼성전자, 서울대, 교육청, 경기연구원, 산림청, 국립공원관리공단, 서울시 등 다수의 정부기관 및 교육기관 프로젝트 진행

의료,커머스,생태,법학,경제,예체능 등 다양한 도메인의 연구경험(총 연구 프로젝트 200회 이상 진행)

 

📘 Bio

- 2024.07~ 생성 AI 및 빅데이터 분석 전문기업 해피AI 대표

- 2023~ 퍼블릭 뉴스 AI 칼럼니스트(AI편향 및 RAG챗봇 전문)

- 2022. AI대학원 박사과정 수료(자연어처리 및 LLM 전공)

- 2021~2023 AI/빅데이터 전문 기업 스텔라비전 개발자

- 2018~2021 정부출연연구기관 자연어처리/빅데이터 분석 연구원 (인문사회과학 데이터 연구)

 

🎒Courses & Activities

 

2025

LLM/sLLM 애플리케이션 개발 강의-파인튜닝, RAG, Agent 기반 . KT(2025)

 

2024

Langchain 및 RAG 등 LLM 프로그래밍.삼성SDS(2024)

ChatGPT 기반 빅데이터 분석 입문. 렛유인에듀 (2024)

인공지능 기초 및 데이터 분석 기초 강의. 한국직업개발원 (2024)

LLM 실무자를 위한 LLM이론 및 Langchain 기반 RAG챗봇 개발 강의. 서울디지털 재단 (2024)

쉽게 따라하는 LDA & 감성분석 빅데이터분석법 with ChatGPT. 인프런 (2024)

파이썬을 활용한 텍스트 분석 강의. 서울과학기술대학교 (2024)

랭체인(LangChain)을 활용한 LLM 챗봇 만들기(feat.ChatGPT). 인프런 (2024)

 

2023

ChatGPT를 활용한 파이썬 기초 강의. 경기대학교 (2023)

빅데이터 전문가 과정 특강. 단국대학교 (2023)

빅데이터 분석 기초 강의. 렛유인에듀 (2023)

 

 

💻 Projects

LLM 기반 산림 복원 빅데이터 분석(국립산림과학원)

Private LLM 기반 RAG 챗봇 모델 구축 (한국전력공사)

AI 기반 빅데이터 분석 기법을 적용한 설문 데이터 분석 (A정부기관)

내부망 전용 PrivateLLM을 활용한 텍스트마이닝 솔루션 개발 (D 정부기관)

빅데이터 분석을 통한 한우시장 트렌드 분석 (이화브리오)

Instruction Tuning 및 강화학습(RLHF)을 통한 LLM 모델 개발 (서울디지털재단)

AI 언어모델 기반 헬스케어 서비스의 사용자 리뷰 텍스트 분석 (삼성전자)

자연어 처리 기술 기반 텍스트마이닝을 활용한 연구동향 분석 (한국대기환경학회)

AI 모델 kopatBERT 기반 특허 논문 QA 모델 개발 (한국기술마켓)

딥러닝 기반 토픽모델링을 활용한 법학 설문 빅데이터 분석 (서울대학교)

AI 모델 Word2Vec과 감성분석을 적용한 설문 문항 빅데이터 분석 (경기연구원)

AI 모델 RNN 기반 리뷰 인사이트 추출 및 분석 프로그램 개발 (서클플랫폼)

빅데이터를 활용한 2022년 국립공원 탐방 키워드 분석 (국립공원관리공단)

이외에도 다수의 공공기관, 기업체와 개인적 의뢰 등 총 200건 이상 프로젝트 진행

 

📖 Publication

 [주요 논문 ]

Improving Commonsense Bias Classification by Mitigating the Influence of Demographic Terms.2024.

Improving Generation of Sentiment Commonsense by Bias Mitigation" International Conference on Big Data and Smart Computing.2023.

언론기사 빅데이터 분석을 통한 대규모 언어모델에 대한 기술 인식 분석: ChatGPT 등장 전후를 중심으로, 2024

자연어 처리(NLP)기반 텍스트마이닝을 활용한 소나무에 대한 국내외 연구동향(2001∼2020)분석 | 농업생명과학연구 | 2022

숲길에 대한 10 년간의 언론 인식분석-텍스트 마이닝 분석을 중심으로 | 산림경제연구 | 2021

이외에도 타 분야에서 다수의 학술논문, 학술발표, 연구보고서 등의 성과 창출

Others

Python을 활용한 데이터분석 및 시각화

LLM을 활용한 데이터분석

ChatGPT와 LangChain,Agent을 활용한 업무 생산성 향상

Chương trình giảng dạy

Tất cả

16 bài giảng ∙ (1giờ 26phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Chưa có đủ đánh giá.
Hãy trở thành tác giả của một đánh giá giúp mọi người!

477.854 ₫

Khóa học khác của HappyAI

Hãy khám phá các khóa học khác của giảng viên!

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!