inflearn logo

Kỹ thuật LangChain Nâng cao: Làm chủ các Ứng dụng RAG - (2026)

Trong khóa học này, bạn sẽ học cách thiết kế, xây dựng và đánh giá các hệ thống RAG nâng cao bằng framework LangChain. Bạn sẽ làm chủ LCEL, Runnables, các kỹ thuật truy xuất nâng cao, chiến lược chunking, cross-encoder reranking, agent-based RAG, tool calling, tích hợp SQL và các kỹ thuật an toàn sử dụng NeMo Guardrails. Bạn cũng sẽ học cách trace, debug và triển khai một chatbot AI full-stack với LangFuse, React, FastAPI và Docker.

(5.0) 1 đánh giá

18 học viên

Độ khó Nhập môn

Thời gian Không giới hạn

LLM
LLM
LangChain
LangChain
RAG
RAG
AI Agent
AI Agent
LLM
LLM
LangChain
LangChain
RAG
RAG
AI Agent
AI Agent

Bạn sẽ nhận được điều này sau khi học.

  • Khả năng xây dựng các pipeline RAG nâng cao bằng LangChain, bao gồm tối ưu hóa truy xuất, xếp hạng lại (reranking), điều hướng (routing) và tích hợp công cụ.

  • Kỹ năng đánh giá và cải thiện các hệ thống RAG bằng cách sử dụng RAGAS và các bộ dữ liệu kiểm thử do AI tạo ra.

  • Kinh nghiệm thực hành xây dựng ứng dụng AI full-stack (React + FastAPI + Docker) với các tính năng sẵn sàng cho triển khai thực tế.

  • Kiến thức để tích hợp NeMo Guardrails nhằm đảm bảo hành vi AI an toàn, đáng tin cậy và được kiểm soát.

  • Kinh nghiệm thực tiễn với LCEL, Runnables và cấu trúc pipeline hiện đại của LangChain.

Xây dựng Ứng dụng RAG Thế hệ mới với LangChain: LCEL, Truy xuất Nâng cao, Đánh giá RAG, Guardrails & Triển khai AI Full-Stack

Một hướng dẫn đầy đủ và thực hành để làm chủ Thế hệ Truy xuất Tăng cường (RAG) nâng cao bằng cách sử dụng khung làm việc LangChain.
Học viên sẽ được học về LCEL, các chiến lược truy xuất nâng cao, đánh giá RAG với RAGAS, NeMo Guardrails, gọi công cụ (tool calling), tác nhân (agents), định tuyến và triển khai AI full-stack—những kỹ năng được sử dụng trong kỹ thuật AI hiện đại, khoa học dữ liệu và phát triển sản phẩm AI.

Được đề xuất cho

Khóa học này dành cho ai (1)

Khóa học này được thiết kế cho những người học đã hiểu các kiến thức cơ bản về LangChain nhưng cảm thấy bế tắc khi xây dựng các hệ thống RAG thực tế ở cấp độ triển khai sản xuất.
Nếu bạn không chắc chắn về cách đánh giá các quy trình RAG, tối ưu hóa việc truy xuất, triển khai các rào cản an toàn hoặc xây dựng các ứng dụng AI full-stack, khóa học này sẽ giải đáp những thắc mắc đó.

Khóa học này dành cho ai (2)

Các kỹ sư đang gặp khó khăn với việc đặt câu lệnh truy vấn, chiến lược chia nhỏ dữ liệu (chunking), xếp hạng lại (reranking) hoặc điều hướng (routing) sẽ nhận được lợi ích từ các bài phân tích chuyên sâu từng bước một.
Nếu bạn là một nhà phát triển muốn vượt xa khỏi các bài hướng dẫn cơ bản và thực sự hiểu cách các hệ thống RAG hiện đại vận hành bên trong, khóa học này dành cho bạn.

Khóa học này dành cho ai (3)

Hoàn hảo cho các Kỹ sư phần mềm, Nhà phát triển AI và Nhà khoa học dữ liệu đã có kỹ năng Python ở mức trung cấp và muốn đưa các ứng dụng RAG của mình lên một tầm cao mới—cho dù là cho các dự án chuyên nghiệp, hệ thống AI của doanh nghiệp hay các công cụ AI cá nhân.

Sau khi hoàn thành khóa học này

  • Kết thúc khóa học này, học viên sẽ có thể:

    • Sử dụng LCEL và Runnables để xây dựng các luồng xử lý LangChain mạnh mẽ và dễ bảo trì

    • Thiết kế các hệ thống RAG nâng cao với các kỹ thuật như MultiQuery Retrieval, HyDE, truy xuất tài liệu gốc (parent-document retrieval), xếp hạng lại (reranking), định tuyến (routing), tác nhân (agents) và các mô hình mã hóa chéo (cross-encoder models)

    • Xây dựng và đánh giá các hệ thống AI với RAGAS (bao gồm các bộ dữ liệu kiểm thử được tăng cường bởi AI)

    • Triển khai các kho lưu trữ tài liệu tùy chỉnh, chiến lược phân mảnh (chunking) nâng cao và các quy trình lập chỉ mục (indexing pipelines)

    • Áp dụng tính an toàn và độ tin cậy bằng cách sử dụng NeMo Guardrails tích hợp vào LangChain

    • Ngăn chặn tấn công SQL injection và xây dựng các hệ thống lai SQL-LLM

    • Triển khai gọi công cụ (tool calling), lịch sử trò chuyện (chat history) và truy vết chuỗi (chain tracing) với LangFuse

    • Xây dựng và triển khai chatbot RAG full-stack (React + FastAPI + Docker)

    • Tự tin xây dựng các ứng dụng RAG sẵn sàng cho môi trường thực tế từ con số 0

    Khóa học này giúp học viên chuyển đổi kiến thức lý thuyết thành các dự án thực tế, sẵn sàng cho hồ sơ năng lực (portfolio), phù hợp cho việc phỏng vấn, làm tự do (freelancing) và phát triển trong doanh nghiệp.

Câu hỏi thường gặp

Hỏi: Tại sao tôi nên học RAG Nâng cao với LangChain?

Bởi vì RAG đang trở thành xương sống của các ứng dụng AI thực tế—từ chatbot, trợ lý ảo, tìm kiếm doanh nghiệp, đến tự động hóa và quản lý tri thức.
RAG cơ bản hiện nay là chưa đủ. Các công ty hiện đang cần khả năng truy xuất nâng cao, đánh giá, rào chắn an toàn và tích hợp full-stack. Khóa học này sẽ cung cấp cho bạn chính xác những điều đó.

H. Tôi có thể làm được gì sau khi học những chủ đề này?

Bạn sẽ có thể xây dựng:

  • Các hệ thống RAG cấp độ triển khai thực tế (Production-grade)

  • Trợ lý tri thức AI

  • Chatbot tăng cường tìm kiếm

  • Các công cụ LLM sẵn sàng cho doanh nghiệp với các rào chắn an toàn (safety railguards)

  • Các ứng dụng AI full-stack kết nối với API, cơ sở dữ liệu SQL và kho lưu trữ vector
    Đây là những kỹ năng hữu ích ngay lập tức cho các công việc trong lĩnh vực kỹ thuật AI, kỹ thuật backend và khoa học dữ liệu.

H. Nội dung khóa học chuyên sâu đến mức nào?

Đây là một khóa học trung cấp → nâng cao.
Chúng tôi không chỉ dừng lại ở những giải thích bề mặt mà sẽ đi sâu vào nội bộ LCEL, tối ưu hóa truy xuất, quy trình đánh giá (evaluation pipelines), RAG dạng tác nhân (agentic RAG), kho tài liệu tùy chỉnh (custom docstores), tích hợp Guardrails và triển khai toàn diện (full-stack deployment).

H. Tôi có cần chuẩn bị gì trước khi tham gia khóa học này không?

Có—kiến thức Python trung cấp, kiến thức cơ bản về LangChain, và sử dụng thành thạo terminal cũng như Docker.
Không yêu cầu GPU; CPU là đủ cho tất cả các phần trình diễn.

H. Khóa học có bao gồm một dự án hoàn chỉnh không?

Có. Bạn sẽ xây dựng một ứng dụng chatbot RAG hoàn chỉnh từ đầu bằng cách sử dụng React, FastAPI, LangChain và Docker.

Trước khi bạn đăng ký

Trước khi bạn đăng ký

Môi trường Thực hành

Hệ điều hành được hỗ trợ

  • Windows

  • macOS

  • Linux

Công cụ bắt buộc

  • Python (môi trường ảo)

  • Docker

  • Terminal (Bash, PowerShell, hoặc zsh)

  • VS Code hoặc bất kỳ trình soạn thảo nào

  • Quyền truy cập vào OpenAI hoặc các API LLM thay thế (tùy chọn cho một số học phần nhất định)

Cấu hình máy tính khuyến nghị

  • CPU: Lõi tứ

  • RAM: tối thiểu 8GB, khuyến nghị 16GB

  • Dung lượng lưu trữ: 10GB trống

  • GPU: KHÔNG yêu cầu

Tài liệu học tập được cung cấp

  • Mã nguồn (toàn bộ kho lưu trữ)

  • Các kịch bản hỗ trợ (helper scripts) cho việc nạp, làm sạch và kiểm tra dữ liệu

  • Dự án chatbot RAG full-stack

  • Các giải thích theo phong cách PPT (PowerPoint) bên trong video

  • 3,5 giờ video theo yêu cầu

  • Các bài viết bổ sung

  • Môi trường Docker hóa giúp thiết lập dễ dàng

Tất cả tài nguyên đều nhẹ và được thiết kế để dễ dàng tái hiện.

Điều kiện tiên quyết & Thông báo

  • Kiến thức tiên quyết: Python trung cấp, kiến thức cơ bản về LangChain và quen thuộc với API.

  • Chất lượng video: Full HD.

  • Phương pháp học tập được đề xuất: Hãy thực hành lập trình cùng lúc trong các bài học để ghi nhớ tốt nhất.

  • Hỗ trợ: Học viên có thể đặt câu hỏi thông qua phần Hỏi & Đáp (Q&A) của nền tảng.

  • Cập nhật: Khóa học sẽ được cập nhật khi LangChain, RAGAS và Guardrails phát triển.

Thông báo Bản quyền:
Tất cả tài liệu khóa học—bao gồm mã nguồn, kịch bản, video và tài sản—chỉ dành cho mục đích sử dụng cá nhân. Nghiêm cấm việc phân phối lại hoặc tái sử dụng cho mục đích thương mại.


💡Khi bạn hoàn thành khóa học này

Khóa học này cung cấp chứng nhận hoàn thành với định dạng phù hợp cho sơ yếu lý lịch và hồ sơ năng lực.

Bằng cách hoàn thành khóa học, bạn có thể nhận được chứng chỉ này, thứ có thể dùng làm bằng chứng chính thức cho những thành tựu học tập của bạn.

💡Học tập thông minh với các tùy chọn ngôn ngữ cho Âm thanh và Phụ đề

Bạn có thể thay đổi cả âm thanh và phụ đề tùy theo phong cách học tập của mình. Hãy chọn ngôn ngữ mà bạn ưu tiên.

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Các lập trình viên hoặc nhà khoa học dữ liệu đã nắm vững kiến thức cơ bản về LangChain nhưng đang gặp khó khăn trong việc xây dựng các ứng dụng RAG chất lượng cao và sẵn sàng triển khai thực tế.

  • Những kỹ sư đang nản lòng với độ chính xác truy xuất kém, phân đoạn dữ liệu không hiệu quả hoặc hành vi AI không đáng tin cậy, và cần một phương pháp bài bản để cải thiện quy trình của mình.

  • Bất kỳ ai đang thực hiện dự án AI có nhu cầu đánh giá các hệ thống RAG, tích hợp guardrails hoặc triển khai ứng dụng RAG full-stack.

Cần biết trước khi bắt đầu?

  • Đúng vậy. Người học nên có kiến thức Python ở mức trung cấp và sự quen thuộc cơ bản với các khái niệm LangChain. Việc hiểu về các kiểu dữ liệu, hàm, OOP và cách làm việc với API sẽ giúp bạn theo dõi các ví dụ một cách trôi chảy hơn. Kiến thức cơ bản về các lệnh terminal và Docker cũng được khuyến nghị.

Xin chào
Đây là Markus Adam

Xin chào, tôi là Markus, một nhà phát triển phần mềm chuyên về Trí tuệ nhân tạo và Python. Tôi làm việc trong lĩnh vực tài chính và có kinh nghiệm sâu rộng trong việc phát triển các ứng dụng LLM với LangChain cũng như triển khai chúng vào môi trường vận hành thực tế một cách thành công.

Tôi đam mê giảng dạy và luôn nỗ lực để biến các chủ đề phức tạp trở nên dễ tiếp cận và thực tế cho học viên của mình, tập trung vào việc cung cấp những trải nghiệm học tập rõ ràng và thực hành thực tế.

Tôi rất hào hứng được chia sẻ kiến thức của mình với bạn và giúp bạn phát triển các kỹ năng của mình.

Tôi rất mong được chào đón bạn đến với các khóa học của tôi và trở thành một phần trong hành trình học tập của bạn!

Thêm

Chương trình giảng dạy

Tất cả

36 bài giảng ∙ (3giờ 28phút)

Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Tất cả

1 đánh giá

5.0

1 đánh giá

  • eedo님의 프로필 이미지
    eedo

    Đánh giá 8

    Đánh giá trung bình 5.0

    5

    61% đã tham gia

    Khóa học tương tự

    Khám phá các khóa học khác trong cùng lĩnh vực!

    Truy cập bị hạn chế đối với các khóa học không công khai.