inflearn logo

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

Tin tức

3 bài viết

  • dante님의 프로필 이미지

    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.

    0
  • dante님의 프로필 이미지

    ・

    Đã chỉnh sửa

    Xin chào, tôi là Dante.

    Phần thực hành như đã thông báo hôm nay đã được công bố đầy đủ. Nếu bạn đang tham gia khóa học, bạn có thể xem ngay mà không cần thanh toán thêm.

    Cấu trúc phần thực hành (23 bài + phụ lục hướng dẫn triển khai)

    · Thực hành 1 · Định hướng và bảng điểm: Bản demo hoàn chỉnh, kiểm tra môi trường, vòng lặp tác nhân và bảng điểm

    · Thực hành 2 · Thiết kế công cụ: 15 công cụ tra cứu công bố thông tin, 40 công cụ và tìm kiếm công cụ

    · Thực hành 3 · Kỹ thuật ngữ cảnh: đưa toàn bộ báo cáo kinh doanh vào, quản lý các tác vụ dài, kỹ năng và tác nhân phụ

    · Thực hành 4 · RAG: Hỏi & Đáp về báo cáo kinh doanh, BM25 · vector · sắp xếp lại, xác minh trích dẫn và số liệu, so sánh LangChain · LlamaIndex

    · Thực hành 5 · Đa tác tử: nhóm nghiên cứu doanh nghiệp, trình xác minh trích dẫn, chuyển sang LangGraph

    · Thực hành 6 · MCP: Tự triển khai máy chủ MCP tìm kiếm báo cáo công bố thông tin, triển khai từ xa · bảo mật · đến bộ điều hợp LangChain

    · Thực chiến 7 · Capstone: Backend FastAPI + SSE, giao diện React, triển khai và bảng điểm cuối cùng, hướng dẫn triển khai trên Render

    Từ một tác nhân ban đầu chỉ có một vòng lặp while, đến bảng điểm cuối khóa, với cùng tiêu chuẩn 20 câu hỏi, tỷ lệ trả lời đúng tăng từ 90% → 95%, còn số câu có kèm nguồn tăng từ 0/63 → 71/72.

    Hãy bắt đầu từ Phần 0 thực hành: kiểm tra môi trường. Bạn cần khóa OpenRouter và khóa OpenDART (miễn phí).

    Vui lòng để lại những chỗ gặp khó khăn trong mục câu hỏi của khóa học. Xin cảm ơn.

    0
  • dante님의 프로필 이미지

    Xin chào, tôi là Dante.


    Khóa học này sẽ được bổ sung phần thực hành. Dựa trên vòng lặp agent đã tạo ở phần nhập môn, chúng ta sẽ xây dựng một workbench nghiên cứu đầu tư AI bằng các báo cáo kinh doanh thực tế của các công ty niêm yết (DART), đồng thời tìm hiểu các nội dung sau.


    - Thực hành thiết kế công cụ: từ 15 công cụ tra cứu công bố thông tin → 40 công cụ, tìm kiếm công cụ và bộ nhớ đệm

    - Kỹ thuật ngữ cảnh: xử lý tài liệu dài · tác vụ dài, kỹ năng và tác nhân phụ trợ

    - RAG: BM25 · kết hợp · sắp xếp lại, ghi nguồn và đối chiếu số liệu, so sánh LangChain · LlamaIndex

    - Đa tác tử: nhóm nghiên cứu doanh nghiệp, trình xác minh trích dẫn, chuyển sang LangGraph

    - MCP: tự triển khai máy chủ → SDK chính thức → triển khai từ xa và xác thực bằng token → bảo mật → kết nối LangGraph

    - Capstone: Hoàn thiện workbench bằng FastAPI · React và bảng điểm cuối cùng


    Tất cả đều được tiến hành bằng cách trực tiếp đo lường bằng các con số, và 23 bài học sẽ được chia thành 7 phần, lần lượt công khai.

    Những bạn đã tham gia học có thể tiếp tục xem mà không cần thanh toán thêm.


    Xin cảm ơn.

    0

Ưu đãi có thời hạn, kết thúc sau 20:22:47 ngày

1.692.464 ₫

24%

2.246.892 ₫