Xây dựng AI Agent thông minh với RAG bằng LangGraph! Từ lý thuyết đến thực hành, đây là hướng dẫn thực tế (hands-on) giúp người mới bắt đầu cũng có thể dễ dàng làm theo.

Khóa học này sẽ đề cập đến các khái niệm cơ bản và phương pháp triển khai hệ thống RAG (Retrieval-Augmented Generation) sử dụng LangChain. Người tham gia sẽ hiểu các nguyên lý cốt lõi của RAG, và thông qua LangChain, học cách thực hành xây dựng hệ thống cũng như đánh giá hiệu suất.

LangGraph chứa đựng đầy đủ bí quyết của một người phụ trách AI Agent tại tập đoàn lớn. Tôi sẽ truyền đạt những kiến thức thực tế mà mình đã đúc kết được sau những lần "va vấp" trong công việc.

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.

Một chuyên gia đang làm việc sẽ nhanh chóng truyền đạt nội dung trọng tâm, từ kiến thức cơ bản cần cho LLM đến những mẹo thực chiến!

[Cung cấp mã nguồn] Không biết lập trình cũng OK. Hoàn thiện ngay trên trình duyệt với công cụ mới nhất của Google (IDX) mà không cần cài đặt! Đừng học cú pháp lập trình nữa! Đây là khóa học thực chiến siêu tốc giúp bạn xây dựng chatbot RAG hiểu rõ tài liệu nội bộ và triển khai trực tiếp lên web trong môi trường Google IDX thông qua việc trò chuyện với AI (Vibe Coding).

Nếu bạn muốn tạo ra dịch vụ AI riêng của mình mà không cần coding, khóa học này chính là giải pháp hoàn hảo. Sử dụng nền tảng nocode Dify, bạn có thể tạo ra ứng dụng AI chất lượng cao chỉ với ý tưởng. Thay vì lý thuyết phức tạp, khóa học được cấu trúc tập trung vào dự án thực tế, giúp cả người mới bắt đầu với AI và nhân viên văn phòng đều có thể phát triển năng lực thực tiễn.

Khám phá cách các ứng dụng LLM đang thay đổi mô hình phát triển. Thông qua việc so sánh với các công nghệ hiện có, chúng ta sẽ hiểu tại sao LLM đang trở thành một công nghệ cốt lõi bền vững, đồng thời tìm hiểu về những năng lực thiết yếu và sự thay đổi trong tư duy mà một nhà phát triển cần có. Với những hiểu biết sâu sắc từ các giảng viên chuyên gia, bạn có thể nắm bắt được bản chất và định hướng tương lai của việc phát triển ứng dụng LLM.

Tìm hiểu cách dễ nhất để xử lý AI bằng Spring AI. Hãy cùng tìm hiểu Spring AI trong khi xây dựng chatbot RAG.

Chỉ cần một dòng lệnh là xong. Hermes - AI Agent có khả năng ghi nhớ, tự động hóa và tự mình phát triển. Ngay cả khi không phải là nhà phát triển, từ hôm nay bạn vẫn có thể trở thành "người giao việc" cho AI. SMARTFORK sẽ đồng hành cùng bạn từ khâu cài đặt cho đến ứng dụng vào thực tế.

Giải quyết ngay điểm nghẽn khiến 80% thất bại tại Makerthon. Hoàn thành trong 4 tuần: Raspberry Pi · Computer Vision · LLM · Thiết kế 3D! Đạt thứ hạng cao tại Makerthon với PoC gương thông minh có thể trình diễn!

Đây là khóa học thực hành xây dựng hệ thống tìm kiếm tài liệu dựa trên RAG trong môi trường Spring Boot, sử dụng OpenAI API và Spring AI. Từ các khái niệm về Prompt Engineering, Vector Store và Embedding đến tạo mẫu nhanh bằng Dify, tích hợp công cụ MCP, đa phương thức và guardrail, bạn sẽ học toàn bộ quy trình phát triển AI Assistant theo từng bước. Bạn cũng có thể so sánh phương pháp tự triển khai với cách sử dụng các công cụ no-code để nắm được chiến lược áp dụng vào thực tế. 🆕 [Cập nhật] Phần 4 đã được bổ sung bài giảng chuyên đề (1 giờ) về mô hình ra quyết định Jev của TypeSafe, qua đó hướng dẫn cả cách thiết kế logic phán đoán của agent một cách sâu hơn.

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.

Dựa trên kiến trúc LLM Wiki do Andrej Karpathy đề xuất, chúng tôi miễn phí công khai một pipeline thực tiễn cùng bộ khởi động mã nguồn mở MIT, có thể tự động biên dịch 5 ghi chú Markdown rời rạc (8,615 ký tự) thành 9 tài liệu wiki (23,659 ký tự) và một đồ thị tri thức gồm 44 [[liên kết wiki]] hai chiều chỉ trong 1 phút 42 giây.

Đây là hướng dẫn thực hành về cách sử dụng Model Context Protocol (MCP) để liên kết với IntelliJ và phát triển nhanh hơn.

Chúng tôi xây dựng một bộ harness (tệp quy tắc · hook chặn · cổng hoàn tất) từ 8 sự cố thực tế nhằm ngăn AI agent báo cáo 「hoàn tất」 mà không kiểm tra, xóa nguyên cả thư mục và ghi đè công việc của nhau giữa các phiên, rồi phát hành miễn phí dưới dạng Starter Kit. Cùng với kết quả đo thực tế khi chạy cùng một chỉ thị 16 lần — 8 lần không có harness và 8 lần có harness — chúng tôi sẽ chỉ cho bạn trong 10 phút cách khiến AI nói 「hoàn tất」 bằng các con số kiểm tra.

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.

"Mô hình 1 nghìn tỷ tham số được huấn luyện như thế nào" Hãy cùng tìm hiểu chiến lược mở rộng của Kimi K2.5, được Moonshot AI trực tiếp công bố trên sân khấu GTC 2026, bằng tiếng Hàn tại Inflearn. Hiệu suất token gấp 2 lần · Ngữ cảnh 1 triệu token · Swarm 1.000 agent Bước tiếp theo của LLM mã nguồn mở là đây. * Bài giảng này được công khai miễn phí thông qua sự hợp tác chính thức giữa Moonshot AI, đơn vị tạo ra Kimi, và Inflearn.

Nắm vững toàn bộ vòng đời xây dựng các ứng dụng Generative AI hiện đại bằng cách sử dụng Mô hình Ngôn ngữ Lớn, Retrieval-Augmented Generation và các hệ thống AI tác tử. Học cách thiết kế các giải pháp AI cấp doanh nghiệp từ kỹ thuật viết prompt đến triển khai, kết hợp LLM với cơ sở dữ liệu vector và các nguồn kiến thức bên ngoài để tạo ra những ứng dụng sẵn sàng cho môi trường production.

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.