Thực chiến Claude Code — từ cài đặt đến harness

Không phải cách sai AI làm, mà là cách hoàn thành. Đây là khóa học dành cho những người từng thử sai AI làm nhưng vẫn mơ hồ không biết nên bắt đầu từ đâu trong dự án của mình. Bạn sẽ học quy trình: xác định ý định trước, giao phần triển khai và kiểm chứng cho AI, còn con người sẽ sử dụng sản phẩm rồi đưa ra phán đoán. Cùng nhau hoàn thiện đến bước triển khai một lần với bản clone của feedme, sau đó tự mình hoàn thành thêm một lần với ý tưởng của bản thân, qua đó hình thành phương pháp làm việc riêng.

Tài liệu (SDD) → Tự động hóa mã nguồn. Đừng tự gõ prompt, hãy để hệ thống làm việc. Xây dựng đại lý phát triển AI của riêng bạn với Skills, Sub-agents, Commands và hoàn thiện dịch vụ kiếm tiền thông qua 5 dự án thực tế.

Trong thời đại AI tạo sinh, chỉ viết prompt đơn thuần là chưa đủ để giải quyết các vấn đề trong thực tế. Trong các dịch vụ thực tế, bạn cần có khả năng thiết kế hệ thống AI có thể tự đưa ra quyết định, gọi công cụ, tìm kiếm dữ liệu và cho phép nhiều agent phối hợp với nhau. Đây là khóa học thực tiễn dành cho tất cả mọi đối tượng, từ các nhà phát triển lần đầu thiết kế AI agent đến những kỹ sư muốn xây dựng hệ thống có thể vận hành trong môi trường thực tế. Bạn sẽ học từng bước, từ thiết kế kiến trúc agent bằng LangGraph đến quản lý trạng thái (State Management), Tool Calling, tích hợp API và MCP, điều khiển cơ sở dữ liệu bằng ngôn ngữ tự nhiên, xây dựng RAG, tìm kiếm ngữ nghĩa, Few-shot Learning, Reflection và Fine-tuning. Bên cạnh đó, thông qua các dự án thực tế, bạn sẽ tìm hiểu về cấu trúc phối hợp multi-agent, mô hình Supervisor, chiến lược Actor-Critic, giao tiếp bất đồng bộ, hệ thống đánh giá tự động và phương pháp xây dựng Quality Gate. Cuối cùng, bạn cũng sẽ học các chiến lược MLOps và vận hành AI Agent cần thiết trong môi trường thực tế, bao gồm giám sát dựa trên Metrics·Logs·Tracing, Shadow Deployment, Canary Deployment, Drift Detection, tự động hóa RCA và kiểm thử A/B. Sau khi hoàn thành khóa học, bạn sẽ có khả năng trực tiếp thiết kế, phát triển và vận hành các hệ thống AI hiệu năng cao có thể áp dụng vào dịch vụ thực tế bằng cách tận dụng những công nghệ AI agent mới nhất.

Vượt xa một system prompt đơn giản, bạn sẽ triển khai chatbot nhân vật AI biết ghi nhớ người dùng và thay đổi mối quan hệ bằng cách tận dụng thiết kế persona và Structured Outputs. Trong buổi thực hành 30 phút, bạn sẽ hoàn thiện cách gọi API OpenAI một cách an toàn dựa trên dự án khởi đầu được cung cấp, xử lý cảm xúc, mức độ tin cậy và ký ức ở dạng có thể kiểm chứng bằng JSON Schema và Zod, đồng thời sử dụng tác nhân lập trình AI trong phạm vi các điều kiện ràng buộc.

Đây là khóa học tập trung vào thực hành, giúp bạn không chỉ dừng lại ở việc tạo ra những chatbot trả lời câu hỏi đơn thuần, mà còn học được nguyên lý của AI Agent – những thực thể có khả năng tự nhận thức tình huống, đưa ra phán đoán và trực tiếp điều khiển hệ thống thực tế. Khóa học được thiết kế để bạn có thể hiểu rõ từng bước, từ sự khác biệt giữa AI Agent và chatbot, đến cấu trúc cốt lõi của Agent Loop bao gồm Sense-Think-Act (Nhận thức - Suy nghĩ - Hành động), quản lý trạng thái, lập kế hoạch và cấu trúc phản hồi. Không chỉ dừng lại ở lý thuyết, bạn sẽ được thiết lập môi trường phát triển trên Windows và Linux, trực tiếp thực hành cấu trúc cơ bản của Kubernetes và các lệnh kubectl. Sau đó, chúng ta sẽ triển khai quy trình AI Agent tự động phát hiện sự cố máy chủ, phân tích nguyên nhân và khắc phục lỗi. Cuối cùng, thông qua việc trực tiếp phân tích mã nguồn Python và logic bên trong của Agent điều khiển Kubernetes, bạn sẽ hiểu được cách AI Agent kết nối và vận hành với hệ thống thực tế như thế nào. Từ những nhà phát triển mới bắt đầu tiếp cận AI Agent cho đến những người muốn thiết kế Multi-Agent điều khiển hệ thống thực tế, khóa học này sẽ giúp bạn cùng học hỏi về nguyên lý và quy trình triển khai thực chiến của Agent.

Chỉ với những bài hướng dẫn đơn giản thì rất khó để áp dụng vào thực tế. Bằng tất cả bí quyết trong nghề của mình, tôi sẽ truyền đạt một cách chắc chắn cho bạn phương pháp quản lý trạng thái phức tạp và cách thiết kế Multi-agent.

Thay vì viết prompt dài hơn, hãy lần lượt tạo các tệp quy tắc, nhật ký, quyền hạn, hook và quy trình xác thực mỗi khi xảy ra sự cố trong dự án thực tế. Với bot thông báo tin tức đã được xây dựng và đưa lên máy chủ trong năm ngày, gồm 211 ảnh chụp màn hình và 87 chỉ dẫn được giữ nguyên văn.

Có thể thực hiện nguyên trạng phán đoán của AI không? Hãy học cách trực tiếp chạy Laya để kiểm tra kết quả phán đoán, đồng thời kết hợp với các quy tắc mã để phân chia thành xử lý tự động và xét duyệt thủ công.

Đây là khóa học phát triển Claude Code theo dạng hướng dẫn từng bước, đủ dễ để người mới bắt đầu và những người mới làm quen với phát triển phần mềm cũng có thể theo học. Dựa trên kinh nghiệm giảng dạy trực tiếp cho nhà hoạch định, nhà thiết kế và người không chuyên về phát triển phần mềm, khóa học giúp bạn học xuyên suốt từ các ví dụ cơ bản không có trong sách đến các ví dụ phát triển ở trình độ trung cấp. Bạn sẽ trải nghiệm quy trình phát triển theo từng bước bằng Claude Code, từ Hello World, Lucky Draw, trang web quản lý menu quán cà phê được tối ưu cho từng thiết bị thông qua việc kết hợp thiết kế Claude với dữ liệu Excel, cho đến ứng dụng web SaaS có thể kết nối với DB và triển khai lên dịch vụ đám mây. Các nội dung hướng dẫn được cung cấp theo từng giai đoạn gồm lý thuyết/thực hành/dự án. Thông qua phần thực hành theo 6 cấp độ, bạn sẽ làm quen với phương pháp phát triển cộng tác cùng AI và trải nghiệm toàn bộ chu kỳ phát triển, từ triển khai lên đám mây đến vận hành.

Học cách quản lý hiệu quả nhiều tác nhân lập trình AI như Claude Code, Codex, pi trên cùng một màn hình. Thực hành từ các khái niệm về tmux đến session, pane, plugin và CLI của Herdr, qua đó xây dựng quy trình làm việc với tác nhân vẫn được duy trì ngay cả khi kết nối SSH bị ngắt. Hoàn thiện môi trường phát triển thiết yếu trong thời đại Agent chỉ trong một ngày.

Thiết kế là tôi, code là AI: Học thiết kế hướng đối tượng với Unity 6 và C#, prompt cho Copilot / Claude, cùng cách kiểm chứng mã AI để hoàn thiện một trò chơi 3D sinh tồn 60 giây. Hãy trở thành một nhà phát triển game biết cách làm chủ AI.

Vượt xa khỏi một chatbot chỉ đơn thuần tạo câu trả lời, bạn sẽ trực tiếp triển khai các AI Agent tự hành có khả năng tự phán đoán, gọi công cụ và thực hiện các tác vụ nhiều bước. Khóa học bao gồm các bài thực hành từng bước từ Tool Calling, Handoff, Guardrail, Session và Tracing của OpenAI Agents SDK, đến việc kết nối các công cụ và cơ sở dữ liệu bên ngoài bằng MCP, cũng như Planning, Subagents, Filesystem và Memory của LangChain và Deep Agents. Mục tiêu cuối cùng là trang bị cho bạn khả năng thiết kế và triển khai các AI Agent liên kết công cụ có thể áp dụng vào công việc thực tế.

AI chỉ giỏi đúng bằng bạn. Vibe coding hoàn hảo được hoàn thiện qua 3 bước: cách sử dụng AI → kiến thức nền tảng cốt lõi → phát triển dự án. Dành cho những ai muốn học vibe coding một cách bài bản, chúng tôi sẽ chia nhỏ và truyền đạt những khái niệm cốt lõi không thay đổi dù bạn sử dụng bất kỳ AI nào, theo cách ngắn gọn, dễ tiếp thu.

AI agent, bạn vẫn còn mơ hồ về nó phải không? Chúng tôi sẽ truyền đạt bí quyết giải quyết vấn đề từ kinh nghiệm thực tế, từ prompt, loop cho đến hệ thống kỹ thuật đồ thị.

Liệu tôi có thể tạo ra một dịch vụ từ ý tưởng của mình ngay cả khi không biết lập trình? Với AI, điều đó hoàn toàn có thể! Trong khóa học này, bạn sẽ trải nghiệm toàn bộ quy trình biến ý tưởng thành một dịch vụ web thực tế bằng cách sử dụng các công cụ "Vibe Coding" đang được sử dụng trong công việc thực tế như Gemini, Lovable, Antigravity, Cursor và Claude Code. Bạn không chỉ đơn thuần học cách sử dụng công cụ, mà còn được học phương pháp phát triển dịch vụ mới trong kỷ nguyên AI: từ trực tiếp lập kế hoạch dịch vụ, triển khai cho đến kết nối hệ thống thanh toán. Điểm 1. Chinh phục 5 công cụ Vibe Coding cốt lõi - Thực hành các tính năng chính và cách sử dụng Gemini, Lovable, Antigravity, Cursor, Claude Code. - Hiểu phương thức phát triển Vibe Coding thông qua việc cộng tác với AI. Điểm 2. Tự tay tạo dịch vụ thực tế mà không cần lập trình - Thực hành quy trình tự lập kế hoạch và hiện thực hóa dịch vụ gợi ý sách thành một dịch vụ web. - Hiểu toàn bộ luồng sản xuất dịch vụ: Ý tưởng → Phát triển → Triển khai. Điểm 3. Kỹ năng thực chiến từ ra mắt đến vận hành dịch vụ - Hiểu quy trình mua tên miền, thiết lập máy chủ và triển khai. - Học các kỹ thuật vận hành dịch vụ cốt lõi như tích hợp mô-đun thanh toán và thiết lập SEO.

Yêu cầu ChatGPT cung cấp kết quả mong muốn, đồng thời học cách kiểm tra căn cứ của tài liệu và kết quả. Đây là khóa học gồm 70 buổi, từng bước mở rộng từ thực hành với tài liệu, dữ liệu và viết lách đến OpenAI API, RAG, tác nhân, đánh giá và vận hành.

Hãy bắt đầu bằng việc tìm hiểu JEV là gì theo cách dễ hiểu. Bạn sẽ kiểm tra kết quả phán đoán trong TypeSafe AI Playground và làm theo quá trình tạo một ứng dụng Mac đề xuất emoji phù hợp với câu bằng cách yêu cầu Claude Code qua lời nói. Từ việc đăng ký, kết nối khóa API cho đến công khai mã nguồn trên GitHub, bạn sẽ cùng học qua 5 video và tài liệu học tập có ảnh chụp màn hình cùng các prompt có thể sao chép.

Trân trọng mời bạn trở thành ‘Kiến trúc sư hệ thống AI doanh nghiệp cấp cao nhất’ Đừng chỉ dừng lại ở vai trò một kỹ thuật viên vi mô (Prompt Writer) chuyên lấy các thư viện do người khác xây dựng rồi gắn vào, hoặc mải miết trau chuốt câu chữ trong prompt. Từ các nguyên lý nền tảng toán học đến kernel vòng lặp điều khiển runtime và hạ tầng tự phục hồi — thông qua 40 năm hiểu biết kỹ thuật thực tiễn dẫn dắt các hiện trường công nghiệp của Hàn Quốc, tôi sẽ giúp bạn vững vàng trở thành ‘kiến trúc sư hệ thống AI doanh nghiệp’ ở đẳng cấp cao nhất, có khả năng bảo vệ hoạt động kinh doanh và chủ quyền số của doanh nghiệp. Ngay bây giờ, hãy bắt đầu hành trình vĩ đại biến AI mất kiểm soát thành một lõi công nghiệp hoàn hảo. “Tại sao AI vốn vận hành hoàn hảo trong bản demo lại bắt đầu nói những điều vô nghĩa hoặc khiến cả pipeline dừng lại ngay khi triển khai production?” “Tại sao các dự án AI mà vô số doanh nghiệp hồ hởi khởi động cuối cùng lại không thể thoát khỏi ‘đầm lầy PoC (Proof of Concept – kiểm chứng khái niệm)’ và bị loại bỏ?” Đó là những câu hỏi cấp thiết nhất mà vô số nhà phát triển và kiến trúc sư hệ thống tôi gặp tại hiện trường đã đặt ra. Xin chào. Tôi là Kim Hong-jip, người đã dẫn dắt hoạt động xuất khẩu công nghệ động cơ và hệ truyền động trị giá 1,300 tỷ won trong hơn 40 năm làm việc tại bộ phận R&D hệ thống truyền động ô tô của Hàn Quốc (17 năm là lãnh đạo R&D của Tập đoàn Hyundai Motor), đồng thời chỉ huy thực địa với tư cách Tổng giám đốc (CEO/CTO) của một doanh nghiệp sản xuất hạng trung niêm yết. Với góc nhìn của một kỹ sư đã dành hàng chục năm trong lĩnh vực cơ khí và điều khiển chính xác, tôi nhận thấy đằng sau làn sóng triển khai AI tạo sinh hiện nay đang tiềm ẩn ‘rủi ro bất định mang tính chí mạng’. Trong các hiện trường công nghiệp mission-critical, nơi chỉ 0.1% sai số hoặc lỗi cũng có thể trực tiếp dẫn đến hư hỏng thiết bị vật lý trị giá hàng trăm triệu won và shutdown toàn doanh nghiệp, việc tích hợp nguyên trạng một chatbot xác suất chỉ dựa vào xác suất để tạo ra văn bản có vẻ hợp lý vào dịch vụ chẳng khác nào cầm bom hẹn giờ bước vào đám cháy. Khóa học này được thiết kế nhằm truyền đạt chính “phương pháp kỹ thuật thực tiễn để rèn luyện AI xác suất mất kiểm soát thành lõi điều khiển công nghiệp vững chắc nhất, không cho phép dù chỉ 0.000% lỗi cú pháp”. 1. 3 điểm nghẽn chí mạng mà bạn phải đối mặt tại hiện trường (Problem) Nhiều kỹ sư tiếp cận môi trường production bằng phương pháp chỉ dừng ở cấp độ tinh chỉnh prompt đơn lẻ (Vibe Prompting), rồi thất vọng khi đụng phải 3 khiếm khuyết mang tính cấu trúc sau: Context hữu hạn và ‘Lost in the Middle’: Khi cuộc trò chuyện hoặc quá trình thực thi multi-turn kéo dài, các chỉ thị hệ thống quan trọng bị đẩy ra ngoài, cửa sổ context cạn kiệt, khiến hệ thống mất trí nhớ và làm khuếch đại hiện tượng hallucination. Đầu ra phi tất định và sự sụp đổ của pipeline liên hoàn: Những biến động xác suất cực nhỏ như thiếu một dấu ngoặc đóng JSON hoặc sai kiểu dữ liệu có thể làm tê liệt các lệnh gọi API ERP/CRM của hệ thống lõi, đồng thời phá vỡ tính nhất quán dữ liệu. Thực thi mã không đáng tin cậy và sự phá sản về bảo mật hạ tầng: Khi các script do agent tự động tạo ra được thực thi trong môi trường host OS không được cách ly, chúng gây ra rủi ro thoát khỏi kernel hoặc rò rỉ dữ liệu nhạy cảm. Như vậy, sự cố AI trong môi trường công nghiệp không chỉ là vấn đề về độ chính xác định lượng, mà còn ập đến như một thảm họa tài chính khổng lồ mang tên tổn thất kinh doanh bất đối xứng (Asymmetric Business Loss). 2. ‘Làm thế nào’ để giải quyết triệt để vấn đề này (Solution) Khóa học này đi theo một hướng hoàn toàn khác với các khóa học trên thị trường vốn chỉ dạy cách sử dụng những công cụ thương mại rời rạc. Kết hợp kinh nghiệm thực tiễn 40 năm với kỹ thuật hệ thống máy tính, chúng tôi truyền đạt 3 kiến trúc hardcore cốt lõi để kiểm soát AI xác suất theo chiều dọc ở cấp độ hệ thống: ① Chuyển dịch từ prompting sang ‘LLM-OS & điều phối context’ Theo mô hình tư duy của Andrej Karpathy, chúng ta định nghĩa lại LLM không phải là đối tượng trả lời hội thoại, mà là lõi tính toán trung tâm (CPU) của máy tính. Chúng ta hệ thống hóa cửa sổ context thành RAM biến động có độ trễ cực thấp, cơ sở dữ liệu vector nội bộ thành Disk và các API bên ngoài thành bus I/O. Thông qua cơ chế phân trang bộ nhớ ảo phân cấp của MemGPT, trạng thái cốt lõi được bảo toàn mà không bị bão hòa ngay cả trong các cuộc hội thoại vô hạn; đồng thời, bằng trí tuệ bầy đàn linh hoạt (Liquid Swarm MAS) dựa trên MCP, chúng ta mở rộng mạng lưới agent động trong khi giảm thiểu chi phí token. ② ‘Kỹ thuật harness tất định’ nhằm ràng buộc hallucination xác suất ở mức 0.000% Tính linh hoạt sáng tạo của mô hình ngôn ngữ chỉ được mở trong giai đoạn tư duy (Reasoning), còn đầu ra vật lý tương tác với hệ thống bên ngoài được khóa chặt bằng đại số Boolean và trình biên dịch. Áp dụng cơ chế che logit CUDA dựa trên EBNF / XGrammar, chúng ta buộc xác suất tạo ra các token không hợp lệ bị chặn cứng ở mức P = 0.000%. Mã do agent tạo ra chỉ được phép vận hành một lần bên trong sandbox vi ảo hóa Firecracker MicroVM, có khả năng khôi phục snapshot trong 5ms, qua đó hình thành một vòng cách ly bảo mật vật lý. ③ Hạ tầng MLOps·LLMOps tự phục hồi có độ tin cậy cao, ‘không lãng phí GPU’ Xây dựng vLLM PagedAttention và S-LoRA hot-swap để kiểm soát tỷ lệ lãng phí VRAM nhàn rỗi xuống dưới 4%. Khi API của multi-agent thất bại, khôi phục 100% tính nhất quán dữ liệu về trạng thái ban đầu bằng giao dịch bù trừ theo thứ tự ngược của SagaLLM. Thông qua mạng lưới quan sát phân tán OpenTelemetry/Langfuse, khi phát hiện điểm số trung thành RAGAS suy giảm (Data Drift), hệ thống tự động thực hiện rollback canary không cần người vận hành, bảo vệ tính khả dụng của hệ thống. 3. Giá trị thực tiễn dẫn dắt tăng trưởng theo hình xoắn ốc (Pedagogy & ROI) Khóa học này được thiết kế có hệ thống theo 5 cấp độ của phân loại học tập Bloom đã chỉnh sửa (Bloom's Taxonomy). Người học sẽ xuất phát từ việc ghi nhớ lý thuyết đơn thuần (Remember), sau đó trực tiếp lập trình và kiểm chứng pipeline debug 5 cấp độ (phân tích mã nguồn cái bẫy Deceptive Baseline ➔ tháo rời kỹ thuật đối kháng ➔ thiết lập pipeline toàn vẹn Robust ➔ tính toán công thức ROI TEI ➔ quản trị SOTIF/ISO 42001). Vượt lên trên sự thỏa mãn cảm tính đơn thuần rằng “nó hoạt động tốt”, chúng tôi sẽ áp dụng mô hình tài chính Forrester TEI (Total Economic Impact) để trực quan hóa dưới góc nhìn của ban lãnh đạo các chỉ số cho thấy hệ thống AI bạn xây dựng có thể giảm chi phí làm lại (Rework Cost) của doanh nghiệp đến mức nào, đồng thời tránh được các rủi ro sự cố trị giá hàng trăm triệu won và chứng minh ROI trên 200%.

Khám phá cách xây dựng thẩm phán trí tuệ nhân tạo bằng cách kết hợp các hệ thống suy luận, biểu đồ tri thức và nhiều framework agent như CrewAI, LangChain, AutoGen, những công cụ cho phép triển khai công nghệ đa tác nhân (multi-agent) dựa trên LLM.

Khóa học này gồm 37 bài, kéo dài khoảng 14 giờ, bao quát toàn bộ về Codex, tác nhân lập trình AI của OpenAI, từ đầu đến cuối. Các công cụ lập trình AI giờ đây đã trở nên phổ biến. Tuy nhiên, hầu hết người dùng chỉ dừng lại ở việc chấp nhận nội dung tự động hoàn thành hoặc đặt câu hỏi trong khung trò chuyện. Những công cụ dạng tác nhân như Codex có thể làm được nhiều hơn thế. Chúng có thể đọc toàn bộ dự án, chỉnh sửa nhiều tệp cùng lúc, chạy các bài kiểm thử và tự phát hiện lỗi. Vấn đề là chúng cũng cần được kiểm soát tương xứng. Nếu không biết nên cho phép điều gì, ngăn chặn điều gì và dạy các quy tắc của dự án như thế nào, bạn sẽ phải mất công xử lý lại phần mã do công cụ tạo ra. Khóa học này tập trung vào các phương pháp kiểm soát đó. Ở phần nhập môn, bạn sẽ học cách cài đặt và thực hiện cuộc trò chuyện đầu tiên, chỉnh sửa tệp và quản lý phiên làm việc, sử dụng các lệnh gạch chéo, đồng thời xây dựng nền tảng về cách viết prompt. Bạn sẽ thực hành để nắm vững ba nguyên tắc: yêu cầu rõ ràng, phân tách công việc và kiểm chứng. Phần trung cấp mới là nội dung trọng tâm. Bạn sẽ thiết lập cách hoạt động bằng config .toml, dạy các quy tắc của dự án thông qua AGENTS .md và quản lý bộ nhớ bằng Memories. Bạn cũng sẽ trực tiếp thiết kế ranh giới an toàn bằng cách kết hợp sandbox với 4 loại chính sách phê duyệt. Tiếp đó, khóa học sẽ đề cập đến việc tách luồng và thực hiện công việc song song, chế độ lập kế hoạch, kết nối máy chủ MCP, cũng như xây dựng skill tùy chỉnh dựa trên SKILL .md. Cuối khóa học, sau khi tìm hiểu về tìm kiếm trên web, tự động hóa Git, tích hợp với VS Code·Cursor và thực hành FastAPI, bạn sẽ khám phá cả giao thức nội bộ của Codex mang tên mô hình hàng đợi SQ/EQ. Khi hiểu cách công cụ hoạt động, cách ứng phó khi xảy ra vấn đề cũng sẽ thay đổi. Toàn bộ khóa học được triển khai xuyên suốt qua quá trình xây dựng một dịch vụ duy nhất mang tên TaskFlow. Thay vì học từng tính năng một cách riêng lẻ, bạn sẽ lần lượt trải nghiệm trong một dự án thực tế xem khi nào và cần sử dụng tính năng nào.