Ngày 3 · Từ chatbot đến agentic agent

Ý chínhGiảng viên đặt câu hỏi xuyên suốt ngày học bằng ba sản phẩm quen thuộc — một trợ lý trò chuyện cơ bản, một trợ lý có thể duyệt web, và một trợ lý lập trình — rồi hỏi từng sản phẩm là chatbot hay agent. Giới thiệu deliverable cuối ngày: một chatbot cơ bản và một ReAct agent cho cùng một bài toán, kèm trace và nhận định rõ khi nào mỗi loại thắng.

Kỹ năngHọc viên biết mình sẽ đạt được gì sau ngày học và giữ được câu hỏi mở đầu trong đầu suốt các module.

Hình thứcVideo giảng viên, 3 phút, giọng dẫn dắt.

Ý chínhMột LLM một mình chỉ có khả năng suy nghĩ và sinh chữ; nó không tự tra cứu, không tự gọi được dữ liệu mới, và không tự hành động ngoài đoạn hội thoại. Vì vậy một chatbot thuần LLM luôn trả lời bằng kiến thức đã học từ trước, kể cả khi câu hỏi cần thông tin mới nhất. Khi được gắn thêm công cụ — tra cứu, gọi một dịch vụ ngoài, thao tác một ứng dụng — mô hình mới có phương tiện để lấy dữ liệu thật và hành động. Đây là ranh giới đầu tiên giữa chatbot và agent, và là điểm khởi đầu của toàn bộ ngày học.

Kỹ năngHọc viên giải thích được vì sao một LLM đơn lẻ không đủ để hành động, và chỉ ra được công cụ nào biến nó thành agent.

Hình thứcỞ nhà: video 4 phút. Trên lớp: tương tác cặp tương phản 3 phút — cùng một câu hỏi "vé máy bay Hà Nội đi Thành phố Hồ Chí Minh hôm nay giá bao nhiêu", một bên mô hình thuần trả lời bằng ước lượng từ dữ liệu huấn luyện cũ, một bên có công cụ tra cứu trả lời giá thật; học viên so sánh hai câu trả lời trước khi xem giải thích. Phương án thay thế: video dựng sẵn hai câu trả lời đặt cạnh nhau.

Ý chínhBốn mức hệ thống xếp theo mức độ tự chủ tăng dần. Bot dựa trên luật cố định, phản hồi dễ đoán nhưng không thích nghi được với tình huống mới. Chatbot dùng LLM, trả lời trôi chảy nhưng chủ yếu xử lý theo một lượt hỏi đáp. Agent phản ứng biết dùng công cụ và điều chỉnh hành động theo từng bước quan sát. Agent tự chủ theo đuổi một mục tiêu xuyên suốt qua nhiều quyết định liên tiếp. Không phải mọi hệ thống dùng LLM đều là agent — agent chỉ xuất hiện khi hệ thống phải quyết định, hành động, quan sát kết quả, rồi lặp lại.

Kỹ năngHọc viên phân biệt được bốn mức hệ thống theo trục dùng công cụ, trí nhớ, và mức rủi ro.

Hình thứcVideo 6 phút, sơ đồ phổ dựng dần từ trái sang phải, mỗi mức kèm một ví dụ sản phẩm quen thuộc.

Ý chínhHọc viên áp bốn mức vừa học vào sáu sản phẩm thật: một tổng đài bấm phím, một trợ lý trò chuyện không kèm công cụ, một trợ lý có thể duyệt web và chạy code, một trợ lý lập trình ở chế độ gợi ý từng dòng, một trợ lý lập trình ở chế độ tự chạy nhiều bước, và một hệ thống kỹ sư phần mềm tự động. Bài tập giúp tự phát hiện nhầm lẫn phổ biến: coi mọi sản phẩm gắn nhãn AI đều ở cùng một mức.

Kỹ năngHọc viên tự phân loại được một sản phẩm mới theo bốn mức đã học.

Hình thứcTương tác kéo-thả 3 phút (dự đoán rồi quan sát): học viên dự đoán mức của từng sản phẩm trước khi kéo vào cột tương ứng; sai thì hệ thống hiển thị lý do. Phương án thay thế: quiz 6 câu.

Ý chínhVới cùng bài toán "tìm vé bay Hà Nội đi Thành phố Hồ Chí Minh dưới hai triệu đồng, kèm gợi ý trang phục nếu trời mưa", bot chỉ trả về một menu cố định và không tổng hợp được nhiều điều kiện cùng lúc. Chatbot viết câu trả lời mượt nhưng giá vé lấy từ dữ liệu huấn luyện cũ, không tự tra cứu giá thật. Agent tách mục tiêu thành nhiều việc nhỏ, gọi từng công cụ tương ứng, rồi tổng hợp kết quả có nguồn kiểm chứng được. Ví dụ này được dùng lại xuyên suốt ngày học.

Kỹ năngHọc viên so sánh được đầu ra của ba hệ thống trên cùng một bài toán, và chỉ ra được đâu là dữ liệu có nguồn, đâu là suy đoán.

Hình thứcVideo 5 phút, ba cách xử lý dựng dần và đặt cạnh nhau, kết bằng câu hỏi "vì sao ba kết quả khác nhau".

Ý chính4 câu kiểm tra: phân biệt bốn mức hệ thống, điều kiện để một hệ thống được gọi là agent, và đọc đúng mức của ví dụ vé máy bay.

Kỹ năngHọc viên tự kiểm tra các ý chính của module.

Hình thứcQuiz 4 câu, chấm ngay, có giải thích khi sai.

Ý chínhTrước khi xây agent, nên chấm bài toán theo bốn tiêu chí. Multi-step reasoning: bài toán có cần chia thành nhiều bước phụ thuộc nhau không. Tool interaction: có cần gọi công cụ bên ngoài như tra cứu, một dịch vụ, hay một cơ sở dữ liệu không. Dynamic decision: bước tiếp theo có phụ thuộc vào kết quả vừa quan sát không. Long horizon: hệ thống có phải giữ mục tiêu xuyên suốt qua nhiều vòng lặp không. Nếu phần lớn tiêu chí chỉ ở mức thấp, chatbot hoặc một quy trình xử lý cố định là đủ.

Kỹ năngHọc viên áp được bốn tiêu chí để đánh giá một bài toán có thật sự cần agent hay không.

Hình thứcVideo 6 phút, bốn tiêu chí hiện lần lượt kèm ví dụ ngắn cho từng tiêu chí.

Ý chínhHọc viên chọn một bài toán, chấm điểm từ một đến năm cho từng tiêu chí trong ba nhóm reasoning, tool use, và dynamic decision; hệ thống tự cộng tổng và đưa ra gợi ý: tổng thấp thì chatbot là đủ, tổng trung bình thì chatbot kèm thêm một vài công cụ cố định, tổng cao thì agent đáng thử. Học viên thực hành trên hai bài toán mẫu trước khi chấm bài toán của chính mình.

Kỹ năngHọc viên tự chấm được một bài toán thật của mình và đọc đúng gợi ý tương ứng với tổng điểm.

Hình thứcTương tác dạng biểu mẫu tự tính 4 phút (dự đoán rồi quan sát): học viên dự đoán tổng điểm của một bài toán mẫu trước khi hệ thống tính, rồi đối chiếu, sau đó tự chấm bài toán của mình. Phương án thay thế: bảng chấm điểm giấy có sẵn công thức cộng.

Ý chínhLầm tưởng thứ nhất: dùng LLM tức là đã có agent — thực tế agent cần một vòng lặp quyết định, hành động, quan sát; gọi mô hình một lần chỉ là chatbot. Lầm tưởng thứ hai: agent thông minh hơn luôn tốt hơn — thực tế agent tốn kém và chậm hơn chatbot đáng kể, dùng cho bài toán đơn giản là lãng phí. Lầm tưởng thứ ba: càng nhiều công cụ agent càng mạnh — thực tế công cụ càng nhiều, agent càng dễ chọn nhầm; mô tả công cụ rõ ràng quan trọng hơn số lượng công cụ.

Kỹ năngHọc viên chỉ ra được vì sao mỗi lầm tưởng sai, kèm một ví dụ phản chứng.

Hình thứcVideo 4 phút, mỗi lầm tưởng kèm một ví dụ phản chứng ngắn.

Ý chínhGiữa một lệnh gọi mô hình đơn lẻ và một agent tự chủ hoàn toàn còn ba mức trung gian. Nối chuỗi bước cố định xử lý theo trình tự rõ ràng, mỗi bước một nhiệm vụ. Định tuyến chọn đường xử lý phù hợp theo loại câu hỏi, ví dụ tách câu chào hỏi khỏi câu hỏi chuyên môn. Điều phối dùng một tầng lập kế hoạch chia việc cho nhiều tầng thực thi rồi tổng hợp lại. Nên bắt đầu từ cấu trúc đơn giản nhất đủ dùng, vì agent là mức mạnh nhất nhưng cũng nặng nhất về vận hành, đánh giá, và kiểm soát rủi ro.

Kỹ năngHọc viên xếp được một bài toán cụ thể vào đúng mức trong năm mức kiến trúc.

Hình thứcVideo 4 phút, bảng năm mức minh hoạ bằng cùng một bài toán đặt phòng khách sạn.

Ý chính3 câu kiểm tra: bốn tiêu chí Agentic Fit, một lầm tưởng phổ biến về agent, và một mức kiến trúc trung gian giữa chatbot và agent.

Kỹ năngHọc viên tự kiểm tra các ý chính của module.

Hình thứcQuiz 3 câu, chấm ngay.

Ý chínhMột agent gồm bốn khối phối hợp với nhau. Nhận thức tiếp nhận đầu vào từ người dùng và kết quả trả về từ công cụ. Suy luận là LLM phân tích trạng thái hiện tại và chọn bước tiếp theo. Hành động gọi một công cụ hoặc trả lời người dùng. Trí nhớ giữ mục tiêu, dữ kiện, và kết quả trung gian qua các bước. Bốn khối này cũng là bốn nguồn phát sinh chi phí chính của một agent khi vận hành thật: số lượng chữ xử lý, dung lượng lưu trữ, số lần gọi công cụ, và độ trễ.

Kỹ năngHọc viên gọi tên được bốn khối kiến trúc của agent và vai trò của từng khối.

Hình thứcVideo 5 phút, sơ đồ bốn khối dựng dần quanh khối suy luận trung tâm.

Ý chínhBa khái niệm hay bị dùng lẫn. Tool là bất kỳ khả năng nào agent gọi được để lấy dữ liệu hoặc thực hiện việc gì đó — một công cụ tra cứu, một phép tính, một cơ sở dữ liệu, hay một ứng dụng. API là giao thức có sẵn để hai phần mềm trao đổi dữ liệu với nhau, tồn tại từ rất lâu trước khi có agent. MCP là một chuẩn mô tả tool để mô hình hiểu cách dùng một công cụ mà không cần viết hướng dẫn riêng cho từng ứng dụng. Nhầm lẫn phổ biến là coi ba khái niệm này đồng nghĩa, hoặc coi MCP là điều kiện bắt buộc để agent gọi được tool.

Kỹ năngHọc viên phân biệt được tool, API, và MCP, và giải thích được quan hệ giữa ba khái niệm này.

Hình thứcỞ nhà: video 4 phút, dùng ví dụ một dịch vụ chuyển tiền cần số tài khoản và số tiền để minh hoạ tool. Trên lớp: tương tác 3 phút (dự đoán rồi quan sát) — học viên dự đoán năm ví dụ (một công cụ tra cứu thời tiết, một cơ sở dữ liệu nội bộ, một dịch vụ chuyển tiền, một ứng dụng văn phòng, một chuẩn mô tả tool) thuộc khái niệm nào trước khi xem đáp án và lý do. Phương án thay thế: quiz ghép cặp năm câu.

Ý chínhMột tool định nghĩa tốt cần năm phần: tên rõ ràng theo dạng động từ cộng danh từ; mô tả một câu nói rõ tool làm gì và khi nào dùng; tham số kèm kiểu dữ liệu và ràng buộc; định dạng kết quả trả về; và các kiểu lỗi có thể xảy ra. Thiếu bất kỳ phần nào, agent phải đoán mò và dễ chọn sai tool hoặc truyền sai tham số. Cặp ví dụ đối lập — một tool tên mơ hồ không ghi định dạng trả về, đặt cạnh một tool tên rõ ràng có đủ năm thành phần — cho thấy khác biệt trực tiếp trong khả năng agent chọn đúng.

Kỹ năngHọc viên viết được một mô tả tool đủ năm thành phần cho một tình huống cho trước.

Hình thứcTương tác cặp tương phản 4 phút: học viên đọc hai mô tả tool cho cùng một chức năng tìm chuyến bay, đoán agent sẽ dùng sai ở đâu với bản mô tả mơ hồ, rồi xem kết quả mô phỏng agent gọi sai tham số với bản đó. Phương án thay thế: bảng so sánh hai mô tả kèm chú thích.

Ý chính3 câu kiểm tra: bốn khối kiến trúc agent, phân biệt tool với API và MCP, và năm thành phần của một mô tả tool tốt.

Kỹ năngHọc viên tự kiểm tra các ý chính của module.

Hình thứcQuiz 3 câu, chấm ngay.

Ý chínhReAct ghép suy luận với hành động: thay vì trả lời ngay, agent lặp qua ba bước. Nghĩ: xác định còn thiếu gì và nên làm gì tiếp theo. Hành động: gọi một công cụ với tham số cụ thể. Quan sát: đọc kết quả trả về. Ba bước này lặp lại đến khi đủ thông tin để trả lời hoặc gặp điều kiện dừng. Nhầm lẫn phổ biến là hình dung agent như một bước xử lý đơn, trong khi bản chất của nó là một vòng lặp — giống vòng lặp của một trò chơi: chạy đi chạy lại, quan sát kết quả, rồi hoàn thiện dần đầu ra.

Kỹ năngHọc viên mô tả được ba bước của vòng lặp ReAct và giải thích được vì sao agent phải lặp thay vì trả lời một lần.

Hình thứcỞ nhà: video 5 phút, animation dựng dần ba bước nghĩ, hành động, quan sát cho đến khi đủ thông tin để trả lời. Trên lớp: tương tác 3 phút (dự đoán rồi quan sát) — học viên dự đoán agent cần bao nhiêu vòng lặp để trả lời bài toán vé máy bay và trang phục, sau đó xem vòng lặp chạy thật và đối chiếu. Phương án thay thế: video minh hoạ vòng lặp chạy hết ba bước.

Ý chínhMột trace ghi lại toàn bộ quá trình agent xử lý bài toán vé máy bay. Bước nghĩ đầu tiên xác định cần tìm chuyến bay; bước hành động gọi công cụ tìm chuyến với các tham số cụ thể; bước quan sát nhận về hai lựa chọn. Bước nghĩ thứ hai nhận ra còn cần kiểm tra thời tiết, gọi công cụ thời tiết, rồi quan sát kết quả. Bước nghĩ cuối tổng hợp cả hai kết quả và đưa ra câu trả lời cuối. Đọc được trace giúp biết chính xác agent dựa vào dữ liệu nào để ra quyết định, thay vì chỉ nhìn câu trả lời cuối cùng.

Kỹ năngHọc viên đọc và diễn giải được từng bước của một trace ReAct hoàn chỉnh.

Hình thứcVideo 6 phút, trace hiện từng dòng theo nhịp đọc.

Ý chínhTrace này trông có vẻ hợp lý nhưng ẩn ba lỗi. Lỗi một: gọi nhầm thứ tự công cụ, kiểm tra thời tiết trước khi biết có chuyến bay hay không, khiến bước sau có thể lãng phí. Lỗi hai: dùng sai mã sân bay, khiến công cụ có thể báo lỗi hoặc trả kết quả sai. Lỗi ba: câu trả lời cuối ghi một con số khác với kết quả đã quan sát được — một dạng bịa dữ liệu. Bài tập rèn thói quen đọc trace kỹ, thay vì tin vào một câu trả lời trông có vẻ đúng.

Kỹ năngHọc viên phát hiện được cả ba lỗi và giải thích được vì sao mỗi lỗi lại là lỗi.

Hình thứcTương tác 5 phút (dự đoán rồi quan sát): học viên đọc từng dòng trace, đoán dòng nào có lỗi trước khi bấm xem đáp án và giải thích của từng dòng. Phương án thay thế: trang in trace kèm đáp án gấp riêng.

Ý chínhTrong thực tế công cụ sẽ có lúc lỗi: hết thời gian chờ, trả về rỗng, hoặc sai định dạng. Cách xử lý đúng là thử lại một lần; nếu vẫn lỗi thì báo cho người dùng biết và đề xuất phương án khác, tuyệt đối không tự bịa kết quả để hoàn thành câu trả lời. Một trace tốt phải cho thấy rõ agent không bịa dữ liệu, không lặp lại vô hạn, và có đường lui rõ ràng khi công cụ không phản hồi được.

Kỹ năngHọc viên mô tả được quy trình xử lý khi công cụ lỗi và nhận diện được một câu trả lời bịa dữ liệu.

Hình thứcVideo 4 phút, trace ví dụ công cụ lỗi hai lần liên tiếp rồi agent báo người dùng.

Ý chínhReAct là một cách suy nghĩ — xen kẽ lập luận và hành động — còn function calling (gọi hàm trực tiếp) là một cơ chế kỹ thuật để mô hình trả về lệnh gọi có cấu trúc thay vì một đoạn chữ tự do. ReAct dễ đọc và debug vì lý do được viết ra thành chữ, nhưng phải tự phân tích đoạn chữ đó nên dễ vỡ khi định dạng lệch. Gọi hàm trực tiếp cho kết quả có cấu trúc ổn định hơn, nhưng phần lý do phía sau có thể bị ẩn đi. Trong thực tế, hệ thống production thường kết hợp cả hai: gọi hàm có cấu trúc kèm yêu cầu mô hình viết rõ lý do.

Kỹ năngHọc viên phân biệt được ReAct với cơ chế gọi hàm trực tiếp và chọn được cách phù hợp cho một tình huống cụ thể.

Hình thứcVideo 4 phút, bảng so sánh năm tiêu chí giữa hai cách.

Ý chính4 câu kiểm tra: ba bước của vòng lặp ReAct, cách xử lý đúng khi công cụ lỗi, và phân biệt ReAct với gọi hàm trực tiếp.

Kỹ năngHọc viên tự kiểm tra các ý chính của module.

Hình thứcQuiz 4 câu, chấm ngay.

Ý chínhMột vòng lặp agent tối thiểu chỉ cần vài phần: một danh sách tin nhắn tích luỹ qua từng bước; một vòng lặp giới hạn số lần chạy tối đa; một lời gọi mô hình kèm danh sách công cụ khả dụng; kiểm tra xem mô hình đã trả lời cuối cùng hay còn muốn gọi công cụ; và nếu còn thì chạy công cụ rồi ghi kết quả vào danh sách tin nhắn trước khi lặp lại. Nhìn được cấu trúc này giúp hiểu agent không phải công nghệ bí ẩn, mà là một vòng lặp có kiểm soát quanh một lời gọi mô hình.

Kỹ năngHọc viên đọc hiểu được cấu trúc một vòng lặp agent tối thiểu và chỉ ra được từng phần làm nhiệm vụ gì.

Hình thứcVideo ghi màn hình 6 phút, viết dần từng phần của vòng lặp kèm giải thích.

Ý chínhVòng lặp tối thiểu dễ vỡ khi công cụ lỗi hoặc khi agent lặp lại cùng một lệnh gọi nhiều lần. Ba lớp bổ sung giúp vòng lặp chịu lỗi tốt hơn: bắt lỗi khi gọi công cụ thay vì để chương trình dừng đột ngột, phát hiện lệnh gọi trùng lặp để cảnh báo thay vì lặp vô hạn, và giới hạn số vòng lặp tối đa kèm phương án dừng an toàn. Học viên quan sát cùng một bài toán chạy trên vòng lặp có và không có ba lớp bổ sung này.

Kỹ năngHọc viên dự đoán được điểm vòng lặp tối thiểu sẽ vỡ, và giải thích được từng lớp bổ sung sửa đúng lỗi nào.

Hình thứcMô phỏng 4 phút (dự đoán rồi quan sát): học viên dự đoán vòng lặp không có lớp chịu lỗi sẽ dừng ở đâu khi công cụ lỗi hai lần liên tiếp, chạy mô phỏng đối chiếu, rồi xem lại cùng bài toán với ba lớp bổ sung đã bật. Phương án thay thế: video so sánh hai lần chạy có và không có lớp chịu lỗi.

Ý chínhCùng một câu hỏi, chatbot chỉ cần một lượt gọi mô hình, còn agent thường cần nhiều lượt gọi mô hình cộng thêm các lượt gọi công cụ, nên tổng khối lượng xử lý và độ trễ đều tăng theo cấp số nhân so với chatbot. Câu hỏi cần đặt ra không phải "agent có tốn kém hơn không" mà là "mức tăng độ chính xác nhờ dữ liệu thật có đáng với mức tăng chi phí vận hành đó không". Với bài toán mà chatbot hay bịa dữ liệu, hậu quả của câu trả lời sai có khi còn tốn kém hơn cả agent.

Kỹ năngHọc viên giải thích được vì sao agent tốn kém hơn chatbot và biết cách đặt câu hỏi đúng khi cân nhắc dùng agent.

Hình thứcVideo 4 phút, so sánh số lượt gọi và độ trễ giữa chatbot và agent trên cùng bài toán vé máy bay.

Ý chínhChatbot chỉ nhận đầu vào trực tiếp từ người dùng, còn agent còn nhận cả kết quả trả về từ công cụ — một trang web, một tài liệu — và những nguồn này có thể chứa chỉ dẫn ẩn nhằm đánh lừa agent làm việc ngoài ý muốn. Ví dụ: một trang đánh giá chứa dòng chữ ẩn yêu cầu agent gửi dữ liệu người dùng ra một địa chỉ ngoài. Ba lớp phòng vệ cơ bản: lọc bỏ chỉ dẫn khả nghi khỏi kết quả công cụ trước khi đưa vào ngữ cảnh xử lý, giới hạn agent chỉ được gọi công cụ nằm trong danh sách cho phép, và yêu cầu người xác nhận trước một hành động không thể hoàn tác. Ngày 4 và Ngày 11 đi sâu vào kỹ thuật tấn công và phòng thủ.

Kỹ năngHọc viên giải thích được vì sao thêm công cụ đồng nghĩa với thêm bề mặt tấn công, và liệt kê được ba lớp phòng vệ cơ bản.

Hình thứcVideo 5 phút, kịch bản tấn công dựng theo bốn bước, kèm ba lớp phòng vệ minh hoạ ngay sau đó.

Ý chính3 câu kiểm tra: các phần của một vòng lặp chịu lỗi, vì sao agent tốn kém hơn chatbot, và một lớp phòng vệ trước tấn công qua kết quả công cụ.

Kỹ năngHọc viên tự kiểm tra các ý chính của module.

Hình thứcQuiz 3 câu, chấm ngay.

Ý chínhMột agent tối thiểu được lắp ráp qua năm bước, từ đầu đến cuối. Định nghĩa hai công cụ: một tra thời tiết, một gợi ý trang phục. Viết lời hướng dẫn hệ thống yêu cầu agent chỉ kết luận khi đã có dữ liệu thời tiết. Chạy vòng lặp và đọc trace từng bước. Cố tình tạo lỗi — một công cụ hết thời gian chờ, hoặc agent chọn sai gợi ý trang phục — để xem agent phản ứng ra sao. Sửa lại lời hướng dẫn hoặc mô tả công cụ. Xem toàn bộ quá trình kể cả phần lỗi giúp hiểu debug agent quan trọng không kém viết agent.

Kỹ năngHọc viên mô tả lại được năm bước để lắp một agent tối thiểu, từ định nghĩa công cụ đến khi chạy được.

Hình thứcVideo ghi màn hình 10 phút, từng bước có lời dẫn kèm đoạn mã và kết quả chạy, giữ nguyên phần lỗi cố ý.

Ý chínhKhi agent trả lời sai, nên đọc trace trước khi sửa: bước nghĩ có đúng mục tiêu không, agent có chọn đúng công cụ không, tham số truyền vào có hợp lệ không, và kết quả quan sát có thiếu phần quan trọng không. Đánh giá một agent cũng không dừng ở câu trả lời cuối: cần chấm cả trace theo 5 câu hỏi — lý do ở mỗi bước có rõ ràng không, công cụ được chọn có đúng không, tham số có hợp lệ không, agent có dừng đúng lúc không, và câu trả lời cuối có khớp với dữ liệu đã quan sát không. Bốn chỗ thường phải sửa: mô tả công cụ quá mơ hồ, lời hướng dẫn hệ thống thiếu điều kiện dừng, thiếu cơ chế an toàn cho việc thử lại hay lặp vô hạn, và cách đánh giá chỉ chấm câu trả lời cuối mà không chấm trace.

Kỹ năngHọc viên áp dụng được danh sách kiểm tra khi agent lỗi, và chấm được một trace theo 5 câu hỏi đánh giá.

Hình thứcVideo 6 phút, danh sách kiểm tra và 5 câu hỏi đánh giá minh hoạ trên cùng một trace lỗi.

Ý chínhQuay lại ba sản phẩm nêu ở đầu ngày, giờ có đủ khái niệm để phân loại chính xác. Một trợ lý trò chuyện cơ bản là chatbot vì trả lời một lượt, không tự chủ dùng công cụ. Một trợ lý có thể duyệt web và chạy code là dạng lai vì chuyển giữa trả lời trực tiếp và mở vòng lặp công cụ khi cần. Một trợ lý điều hướng cố định là bot vì định tuyến theo luật hơn là lập kế hoạch động. Một trợ lý lập trình ở chế độ tự chạy nhiều bước là agent phản ứng vì phân tích, chọn công cụ, quan sát, rồi lặp lại. Thiết kế thực dụng nhất thường không chọn hẳn một phe: phân loại nhanh câu hỏi đơn giản đi theo đường chatbot, câu hỏi phức tạp mới mở vòng lặp agent.

Kỹ năngHọc viên phân loại chính xác một sản phẩm AI theo bốn mức đã học, và giải thích được vì sao mô hình lai thường thực dụng nhất.

Hình thứcVideo giảng viên 4 phút, chốt lại câu hỏi mở đầu ngày bằng bảng phân loại ba sản phẩm đã nêu ở Mở ngày.

Ý chính3 câu kiểm tra: bốn chỗ thường phải sửa khi agent lỗi, 5 câu hỏi đánh giá một trace, và phân loại một sản phẩm theo đúng mức.

Kỹ năngHọc viên tự kiểm tra các ý chính của module.

Hình thứcQuiz 3 câu, chấm ngay.

Ý chínhGiảng viên trả lời câu hỏi mở đầu bằng bốn điểm chính: agent không phải "chatbot thông minh hơn" mà là một LLM đặt trong một vòng lặp có suy luận, công cụ, và trí nhớ; ReAct là cách đơn giản nhất để biến LLM thành hệ thống hành động được và debug được; chỉ nên dùng agent khi bài toán thật sự cần nhiều bước phụ thuộc nhau, cần gọi công cụ, và cần quyết định động; và vận hành thật cần thêm cơ chế chịu lỗi, kiểm soát chi phí, và phòng vệ bảo mật, chứ không chỉ chất lượng mô hình. Giới thiệu Ngày 4.

Kỹ năngHọc viên tóm tắt được bốn điểm chính bằng ngôn ngữ của mình.

Hình thứcVideo giảng viên, 3 phút.

Ý chínhCách đánh giá agent tự chủ đã thay đổi qua từng giai đoạn. Ban đầu chỉ đo khả năng viết đúng một hàm nhỏ theo đề bài cho sẵn. Giai đoạn sau đo khả năng đọc cả một kho mã nguồn, tự tìm đúng tệp cần sửa, tự chạy thử, và tự gửi thay đổi. Giai đoạn gần đây bắt đầu đo khả năng agent chạy liên tục trong nhiều giờ để hoàn thành một mục tiêu dài hơi. Xu hướng thời lượng nhiệm vụ agent xử lý được đang tăng đều theo thời gian — đây là lý do câu trả lời cho "agent tự chủ đã đến chưa" thay đổi theo từng năm. Mở rộng cho item 1.2.

Kỹ năngHọc viên mô tả được xu hướng agent tự chủ đang tiến hoá qua ba giai đoạn đo lường.

Hình thứcVideo 4 phút, biểu đồ xu hướng thời lượng nhiệm vụ theo thời gian.

Ý chínhVòng lặp viết tay phù hợp để hiểu bản chất ReAct, nhưng khi hệ thống có nhiều nhánh rẽ, nhiều trạng thái cần lưu lại, hay cần dừng giữa chừng rồi tiếp tục sau, cách biểu diễn bằng đồ thị trạng thái — với các nút và điều kiện chuyển nhánh rõ ràng — dễ bảo trì hơn một vòng lặp đơn. Đây là hướng mở rộng tự nhiên sau khi đã quen với vòng lặp ReAct cơ bản. Mở rộng cho item 5.1.

Kỹ năngHọc viên giải thích được khi nào nên chuyển từ vòng lặp viết tay sang cách biểu diễn theo đồ thị trạng thái.

Hình thứcVideo 3 phút, sơ đồ đồ thị trạng thái đối chiếu với vòng lặp for.

Ý chínhLỗi của agent thường rơi vào một trong năm nhóm: không phân tích được lệnh gọi công cụ do sai định dạng, gọi một công cụ không tồn tại, truyền tham số sai hoặc bịa, nhận kết quả rỗng mà vẫn tiếp tục như đã có dữ liệu, hoặc lặp quá thời gian cho phép. Nhận diện đúng nhóm lỗi giúp sửa đúng chỗ: sai định dạng thì sửa cách yêu cầu định dạng đầu ra, còn gọi sai tham số thì sửa mô tả công cụ. Mở rộng cho item 6.2.

Kỹ năngHọc viên xếp được một lỗi agent quan sát được vào đúng một trong năm nhóm.

Hình thứcVideo 4 phút, năm nhóm lỗi kèm một ví dụ trace ngắn cho mỗi nhóm.

Ý chínhHọc viên chọn lại một bài toán đã có từ trước, xây một chatbot cơ bản chỉ dùng một lời gọi mô hình, rồi nâng cấp thành một ReAct agent có ít nhất một đến hai công cụ. Chạy 5 tình huống kiểm thử giống nhau trên cả hai hệ thống, trong đó có tình huống chatbot đủ tốt, tình huống agent vượt trội rõ rệt, và một tình huống biên như công cụ lỗi hoặc thông tin thiếu. Vẽ lại luồng xử lý và ghi nhận rõ agent tạo thêm giá trị ở đâu. Học viên nộp cả hai hệ thống, 5 tình huống kiểm thử, một trace đầy đủ, và một flowchart.

Kỹ năngHọc viên tự xây được một ReAct agent chạy được từ một chatbot cơ bản, và so sánh được hai hệ thống bằng dẫn chứng cụ thể.

Hình thứcLab 2,5 giờ tại lớp với người hướng dẫn, theo mã nguồn khung có sẵn. Kèm bảng tiêu chí chấm điểm và mốc thời gian gợi ý cho phiên làm việc.