Định dạng bị hỏng.
Chương trình không thể đọc được vì có thêm lời chào hoặc bị thiếu dấu ngoặc kép.
Chỉ với việc gọi API AI thì khó có thể hoàn thiện dịch vụ phân loại. Dựa trên kinh nghiệm thực tế, tôi sẽ hướng dẫn từ khâu triển khai đến triển khai.
3 học viên đang tham gia khóa học này
Độ khó Cơ bản
Thời gian Không giới hạn


Chạy mô hình AI xác định cục bộ và triển khai logic phân loại, kiểm duyệt dựa trên ngưỡng xác suất và mức độ ưu tiên
Phát triển dịch vụ web AI với FastAPI·Next.js·SQLite, bao gồm xác thực, xử lý bất đồng bộ và ứng phó với ngoại lệ
Thiết kế monolith mô-đun dễ kiểm thử và mở rộng bằng cách áp dụng kiến trúc phân lớp cùng các mẫu Strategy, Factory và Observer
Triển khai và cấu hình quy trình vận hành dịch vụ phân loại yêu cầu khách hàng và kiểm duyệt nội dung dựa trên Docker
AI quyết định · mô hình cục bộ · thiết kế full-stack
Dịch vụ full-stack được xây dựng bằng Open-Jev
Tự mình chạy AI quyết định trả lời bằng xác suất thay vì văn bản trên máy Mac, rồi xây dựng trọn vẹn bằng FastAPI, Next.js và SQLite một dịch vụ phân loại yêu cầu của khách hàng và kiểm duyệt bài đăng dựa trên những xác suất đó.
Đã một tuần rồi mà vẫn không tra cứu được thông tin giao hàng. Rốt cuộc bao giờ hàng mới đến vậy? Tôi thực sự rất tức giận.
teamlựa chọnđộ tin cậy 71.7%tức giậnnoulPhân công cho đội vận chuyển
Phân công cho đội giao hàng với độ tin cậy 72%.
Quy tắc trong mã của chúng tôi: nếu độ tin cậy từ 50% trở lên thì phân công cho nhóm phụ trách, nếu thấp hơn thì chuyển cho nhân viên xử lý.
Tại sao lại là AI quyết định
"Hãy phân loại yêu cầu này vào một trong các nhóm billing, shipping hoặc technical và chỉ trả lời bằng JSON." Phần lớn đều hoạt động tốt. Tuy nhiên, khi vận hành dưới dạng dịch vụ, chắc chắn sẽ có những câu trả lời như thế này lẫn vào.
Chương trình không thể đọc được vì có thêm lời chào hoặc bị thiếu dấu ngoặc kép.
Đã được yêu cầu chọn một trong ba, nhưng lại tạo ra câu trả lời thứ tư.
Không thể biết đó là câu trả lời chắc chắn hay chỉ là câu trả lời đoán đại.
Câu trả lời trên chỉ là ví dụ để giải thích.
AI dạng quyết định không viết văn bản. Nó chỉ chấm điểm xác suất cho từng lựa chọn mà chúng ta cung cấp rồi trả về, nên không xảy ra lỗi hỏng định dạng hay bịa ra câu trả lời không tồn tại, đồng thời mức độ chắc chắn được thể hiện bằng con số. Jev, được công bố vào tháng 9 năm 2026, đã thu hút sự chú ý nhờ phương pháp này, và trong khóa học này, bạn sẽ thực hành với Open-Jev, một bản triển khai độc lập mã nguồn mở lấy cảm hứng từ Jev.
Một câu được lặp lại trong suốt khóa học
Mô hình chỉ đưa ra xác suất,
còn việc sẽ làm gì là do ứng dụng quyết định.
Dựa trên độ tin cậy của câu hỏi, quyết định nhóm phụ trách.
Được quyết định dựa trên xác suất “có” của các mục chửi tục · thư rác · thông tin cá nhân
Xem trước sản phẩm hoàn chỉnh
Đây là kết quả chạy thực tế xuất hiện trong video bài giảng. Cả mô hình, backend và giao diện đều chạy trên máy tính của tôi.
Đã một tuần rồi mà tôi vẫn không thể tra cứu tình trạng giao hàng. Rốt cuộc bao giờ hàng mới đến vậy? Tôi thật sự rất tức giận.
teamlựa chọn · đội phụ tráchđộ tin cậy 71.7%mức độ khẩn cấpđiểm · mức độ khẩn cấpđộ tin cậy 23.9%Giá trị kỳ vọng 1.15 / 3
tức giậnnoul · Cảm xúc của khách hàngPhân công cho đội giao hàng
Với độ tin cậy 72%, yêu cầu được phân cho đội giao hàng.
Nếu độ tin cậy về nhóm phụ trách đạt từ 50% trở lên thì phân công, nếu thấp hơn thì con người sẽ phân loại.
Đây là kết quả thực thi thực tế xuất hiện trong video bài giảng (0-1) · Open-Jev 2B
Số của tôi là 010-1234-5678. Hãy liên lạc với tôi.
abusenoul · Lời lẽ thô tục / xúc phạmspamnoul · Quảng cáo / Spamprivacynoul · quyền riêng tưCần xem xét
Cần con người kiểm tra: Lộ thông tin cá nhân 80%
Nếu xác suất 'có' từ 0.8 trở lên thì chặn, từ 0.5 trở lên thì để người kiểm tra.
Đây là kết quả chạy thực tế xuất hiện trong video bài giảng (0-1) · Open-Jev 2B
Cấu trúc tổng quan trên một trang
Xem kết quả dưới dạng thanh xác suất và phán định.
Lớp API, các hook và component dùng chung
Qwen3.5-2B + LoRA, GPU Mac (MPS)
Không chỉ là mã chạy được, mà còn là mã có cấu trúc
Triển khai dưới dạng một thể thống nhất, nhưng mã nguồn được chia thành các mô-đun theo từng đơn vị nghiệp vụ — đó là mô hình monolith mô-đun. Bên trong mỗi mô-đun được chia thành các lớp Controller, Service và Mapper; các quy tắc này được kiểm tra tự động bằng các bài kiểm thử kiến trúc.
| Mẫu hình | Dùng ở đâu | Điều gì được cải thiện? |
|---|---|---|
| MVC | Router FastAPI · Domain · Màn hình Next.js | Tách nơi nhận, nơi xử lý và nơi hiển thị. |
| Strategy + Factory | Mock và client mô hình thực tếPhần 7 | Chỉ với một dòng cấu hình là có thể thay đổi mô hình. |
| Strategy + Registry | Chính sách phán định theo từng presetPhần 8 | Chính sách mới chỉ cần tạo một lớp và đăng ký là xong. |
| Mặt tiền | DecisionFacade.decide()Phần 8 | Các mô-đun khác chỉ cần biết một đầu mối duy nhất. |
| Observer | Bus sự kiện và mô-đun ghi logPhần 9 | Ngay cả khi loại bỏ mô-đun ghi log, chức năng quyết định vẫn hoạt động bình thường. |
| Bộ ánh xạ dữ liệu · DTO | Kết quả SQL, miền, đầu vào/đầu ra API Phần 6 · 7 | Có thể nhìn thấy SQL và ngăn chặn trước các yêu cầu sai. |
Bạn có thể học được những điều như thế này.
Chương trình học
Gồm 12 phần và 32 bài học. Trước tiên, bạn sẽ trải nghiệm sản phẩm hoàn thiện và AI mang tính quyết định, sau đó xác định thiết kế rồi xây dựng mã nguồn từng lớp một.
Môi trường thực hành
Cả hai môi trường đều có định dạng phản hồi giống nhau, nên bạn có thể thực hành backend và frontend theo cùng một cách.
Mac Apple Silicon (M1 trở lên) · Bộ nhớ từ 16GB trở lên · Dung lượng đĩa trống 10GB
./dev.sh --model
Chạy trực tiếp Open-Jev 2B trên GPU Mac của tôi. Mô hình sẽ tải xuống khoảng 5GB trong lần đầu tiên.
Windows · Linux · Intel Mac
./dev.sh
Tất cả các bài thực hành mã đều sử dụng mô hình giả trả lời theo cách giống với mô hình thực tế. Đối với Windows, chúng tôi sẽ cung cấp PDF hướng dẫn chuẩn bị môi trường bằng WSL.
Công cụ chung: Python 3.12 trở lên, uv, Node.js 20 trở lên, pnpm, VS Code hoặc Cursor
Câu hỏi thường gặp
Ngăn xếp công nghệ và tài liệu khóa học
Mã thực hànhToàn bộ dự án hoàn chỉnh (backend, frontend, model-server)
PDF hướng dẫn dành cho người dùng WindowsTừ cài đặt WSL đến chạy chế độ Mock
Khóa học này dành cho ai?
Nhà phát triển cấp dưới muốn học thiết kế FastAPI thực tiễn và tích hợp dịch vụ AI dựa trên nền tảng Python và phát triển web cơ bản
Nhà phát triển muốn xây dựng dịch vụ tự động hóa kết hợp xác suất của mô hình cục bộ và các quy tắc nghiệp vụ, vượt qua việc chỉ sử dụng API AI
Người học trình độ trung cấp đang muốn áp dụng kiến trúc phân lớp và các mẫu thiết kế vào dự án thực tế để thiết kế backend dễ bảo trì.
Những người làm công việc thực tế muốn tự động hóa các tác vụ lặp đi lặp lại như phân loại yêu cầu của khách hàng, kiểm duyệt nội dung bằng dịch vụ web AI.
Cần biết trước khi bắt đầu?
Hiểu cú pháp cơ bản của Python và các khái niệm về hàm, lớp
Các khái niệm cơ bản về phát triển web (HTTP, REST API, cấu trúc frontend–backend)
Môi trường có Mac Apple Silicon 16GB trở lên hoặc có thể thực hành ở chế độ Mock
Xác minh sự nghiệp
2,761
Học viên
326
Đánh giá
26
Trả lời
4.4
Xếp hạng
11
Các khóa học
Xin chào. 😄
Đôi khi tôi cảm thấy kiệt sức và mệt mỏi vì việc chăm sóc con cái và công việc, 😅
Tôi là một nhân viên IT luôn sống mỗi ngày với lòng biết ơn và niềm vui. 😅
Blog cá nhân : https://may9noy.tistory.com
GitHub : https://github.com/Nanninggu
Chúc bạn luôn tràn ngập những điều tốt đẹp trong cuộc sống và gia đình. 😀
Tất cả
33 bài giảng ∙ (4giờ 38phút)
Tài liệu khóa học:
Hãy khám phá các khóa học khác của giảng viên!
Khám phá các khóa học khác trong cùng lĩnh vực!
Ưu đãi có thời hạn
1.118.220 ₫
29%
1.589.049 ₫