Xây dựng tác nhân AI từ con số 0 — RAG · đa tác nhân · MCP

Tự xây dựng một AI agent chỉ với Python và một vòng lặp while, không cần framework. Ở phần nhập môn, bạn sẽ lần lượt bổ sung thiết kế công cụ, xử lý thất bại và chi phí, bộ nhớ, phê duyệt của con người, đánh giá và giao diện web để hoàn thiện một coding agent nhỏ. Ở phần thực chiến, bạn sẽ trực tiếp triển khai RAG, multi-agent và máy chủ MCP bằng các báo cáo kinh doanh thực tế (DART), sau đó so sánh bằng số liệu với LangChain và LangGraph.

58 học viên đang tham gia khóa học này

Độ khó Cơ bản

Thời gian Không giới hạn

Python
Python
FastAPI
FastAPI
LLM
LLM
openAI API
openAI API
AI Agent
AI Agent
Python
Python
FastAPI
FastAPI
LLM
LLM
openAI API
openAI API
AI Agent
AI Agent

Một mục mới đã mở — tìm kiếm bằng agent: khi có hàng trăm nghìn tài liệu, hãy kéo chúng về và grep

Xin chào, tôi là Dante.

Mục mới “Thực chiến 9 · Tìm kiếm bằng tác nhân — Khi có hàng trăm nghìn tài liệu, hãy tải về rồi grep” gồm sáu bài (Thực chiến 35–40, khoảng 78 phút) đã được mở.

Các agent tìm kiếm tài liệu chỉ bằng grep và đọc tệp, không dùng tìm kiếm vector, đang thu hút sự chú ý. Trong phần này, chúng tôi sẽ thử mở rộng phương pháp đó lên khoảng 650.000 bài viết trên Wikipedia tiếng Hàn, đồng thời trực tiếp đo xem phương pháp này hiệu quả đến đâu và sẽ vấp phải giới hạn ở đâu.

  • Thực chiến 35: Đọc bài báo cho rằng agent dùng grep đã đánh bại tìm kiếm vector, rồi xem xét họ đã so sánh những gì.

  • Tập thực chiến 36: Đo xem thời gian tìm kiếm thay đổi thế nào khi số tài liệu tăng lên 10.000, 100.000 rồi khoảng 650.000, đồng thời xây dựng công cụ phân biệt giữa không tìm thấy, hết thời gian chờ và lệnh thất bại.

  • Bài thực hành 37: Tạo lại find và read, thao tác bằng số tài liệu thay vì đường dẫn tệp.

  • Tập thực hành 38: Tạo công cụ pull để chỉ kéo các tài liệu do bộ tìm kiếm chọn vào thư mục làm việc rồi tìm kiếm trong đó.

  • Phần 39: Đánh giá và chấm điểm ba cách — chỉ tìm kiếm, rà soát toàn bộ và kéo về rồi rà soát — trong cùng điều kiện.

  • Bài thực chiến 40: Xây dựng tiêu chí chọn phương án phù hợp trong từng trường hợp và tích hợp bộ định tuyến ưu tiên lộ trình ít tốn kém nhất.

Nói trước là cách tìm kiếm toàn bộ khoảng 650.000 tài liệu không sai, nhưng chậm (mất 79–95 giây cho mỗi câu hỏi). Khi dùng công cụ tìm kiếm để lấy các tài liệu tiềm năng rồi mới tìm trong đó, độ chính xác gần như được giữ nguyên mà thời gian giảm xuống còn 15–20 giây. Vì sao lại như vậy, và cách này thất bại ở đâu, sẽ được kiểm chứng qua nhật ký chạy trong buổi học.

Nội dung được gọi trong video là “Bài học tìm kiếm tác tử” và “Bài học chọn đường đi” đã được tổng hợp ở đầu ghi chú của bộ bài học thực chiến gồm 35 phần. Bạn có thể đọc trước rồi bắt đầu.

Cách tải mã thực hành và tài liệu có trong kho lưu trữ công khai. Chỉ cần tải bộ tài liệu gồm 10.000 mục (khoảng 12MB) là bạn có thể theo dõi cả sáu phần.

https://github.com/dante01yoon/embedding-rag-practice/tree/main/c3

Nếu có chỗ nào gặp khó khăn hoặc thắc mắc, hãy để lại câu hỏi trong phần hỏi đáp của từng bài học, tôi sẽ trả lời.

Xin cảm ơn.

Bình luận