
Xem trước toàn cảnh: trong 8 phút, bạn sẽ thấy một AI Agent thực tế hoạt động, để hình dung rõ đích đến của cả khoá học.
Xác định rõ khoá học này dành cho ai — người làm kinh doanh không biết code lẫn developer muốn nâng cấp lên Agentic AI — và điểm đến cụ thể sau 5 tuần: tự động hoá quy trình kinh doanh, có portfolio 8 dự án thực tế, biết deploy sản phẩm AI lên internet, và hiểu kiến trúc hệ thống multi-agent. Bạn sẽ nắm được "từ khoá" của từng tuần (Automate → Upgrade → Code → Connect → System) để biết mình đang ở đâu trong hành trình.
Hiểu rõ sự khác biệt giữa GenAI, LLM, GPT và ChatGPT. Nắm khái niệm API, endpoint, JSON, API key ở mức cần dùng ngay trong n8n. Và quan trọng nhất: định nghĩa AI Agent chuẩn hiện tại — LLM chạy Tools trong một vòng lặp với Memory để đạt mục tiêu — chính là kiến trúc bạn sẽ xây lại nhiều lần suốt khoá học.
Hiểu bản chất n8n (startup automation Berlin, Fair Code License) và so sánh chi tiết Cloud vs Self-hosted về tốc độ setup, chi phí (~$24/tháng), webhooks, OAuth, và quyền kiểm soát dữ liệu. Bạn sẽ biết chính xác vì sao Tuần 1 dùng Cloud (14 ngày free trial, ít ma sát kỹ thuật) và điều gì đang chờ ở Tuần 2 khi chuyển sang self-host với Docker.
Từng bước tạo tài khoản OpenAI Platform, lấy API key, kết nối mô hình vào n8n. Bạn sẽ tự tay thêm Memory để agent nhớ hội thoại (và hiểu vì sao LLM vốn "không có trí nhớ"), rồi tích hợp OpenWeatherMap tool để agent tự quyết định tra thời tiết thành phố nào dựa trên câu hỏi — không hardcode bất cứ điều gì. Đây là bộ khung 3 thành phần (Model – Memory – Tool) bạn sẽ tái sử dụng suốt khoá học.
Thay OpenAI bằng OpenRouter để truy cập hàng loạt model miễn phí (GPT-OSS, Qwen, Gemma...) chỉ với một API key duy nhất. Bạn sẽ học cách lọc model free, xử lý lỗi routing thường gặp (bật "enable free endpoints"), và biết khi nào nên chọn model nhỏ hơn để tránh timeout — một kỹ năng tiết kiệm chi phí quan trọng khi build cho khách hàng thật.
Hiểu cách một Input chuẩn cho LLM được cấu tạo (System Prompt – User Prompt – Conversation History) và vì sao tổ chức đúng cấu trúc này quyết định 80% chất lượng agent. Bạn sẽ thực hành đổi system prompt để biến cùng một agent thời tiết thành "chuyên gia tư vấn trang phục" — chỉ bằng một đoạn text — và hiểu khái niệm Context Engineering: thiết kế toàn bộ Context Window (instructions, memory, tools, structured output) thay vì chỉ tìm "câu thần chú" đúng.
Nắm 3 lý do thực sự nên tách sub-agent — kiểm thử độc lập, tái sử dụng, và quản lý context window — thay vì chia theo cảm tính "mô phỏng cơ cấu công ty". Bạn sẽ hiểu đánh đổi giữa linh hoạt và độ tin cậy, cách n8n hỗ trợ sub-agent qua sub-workflows, và nguyên tắc quan trọng nhất: mọi quyết định kiến trúc phải được kiểm chứng bằng đo lường, không phải vì "nghe có vẻ đúng".
Xây một bảng sales_data thật (kênh Shopee/Lazada/Offline) rồi kết nối agent qua OAuth2 để đọc dữ liệu, trả lời câu hỏi phân tích. Bạn sẽ thấy rõ agent tự quyết định khi nào cần gọi tool và bao nhiêu lần — khác hẳn automation truyền thống chạy cứng từng bước.
Nắm chắc 4 thành phần của JSON — key-value pairs, object { }, array [ ], và nesting — bằng chính dữ liệu sales_data đã xây ở bài trước. Đây là kiến thức nền bắt buộc để đọc output của bất kỳ node nào trong n8n và viết expressions chính xác (ví dụ $json.summary.total_revenue) ở các bài sau.
Kết nối Gmail qua OAuth2, cho agent đọc email mới nhất trong 24 giờ bằng expression động (không hardcode ngày), và tự soạn draft phản hồi phù hợp ngữ cảnh — thay vì gửi thẳng, áp dụng nguyên tắc Human-in-the-loop để bạn luôn kiểm tra trước khi gửi. Đây là workflow thực tế thay thế phần lớn công việc trả lời 20-50 email khách hàng mỗi ngày.
Học cú pháp expression {{ }} để giá trị tự tính lại mỗi lần chạy thay vì hardcode, cách điều hướng dữ liệu JSON lồng nhau, và dùng Luxon xử lý ngày giờ động. Đồng thời phân biệt rõ 3 hình thức xác thực bạn sẽ gặp xuyên suốt khoá học — API Key, OAuth2 có sẵn (Google), và OAuth2 full tự cấu hình (Slack) — để không còn bỡ ngỡ khi kết nối bất kỳ dịch vụ mới nào.
Tạo bot thật, kết nối Telegram Trigger + Gmail/Sheets tool vào agent, xử lý đúng Session Key theo Chat ID để mỗi cuộc hội thoại có memory riêng biệt. Bạn sẽ publish workflow lên production và thấy bot trả lời câu hỏi về doanh thu ngay trong Telegram — hoạt động 24/7 kể cả khi tắt máy tính, không còn là demo.
Tự tạo Slack App, khai báo đúng 6 bot scopes, cấu hình Event Subscriptions và verify Request URL — quy trình OAuth2 + Webhook chuẩn mà bạn sẽ gặp lại ở GitHub, Notion, Shopify sau này. Bạn cũng học kỹ thuật JSON.stringify() để agent tự đọc toàn bộ payload khi chưa rõ cấu trúc dữ liệu — một mẹo tiết kiệm rất nhiều thời gian debug.
Bắt đầu dự án thương mại cuối tuần: dựng Form Trigger làm cổng nhận yêu cầu, thiết kế 3 Google Sheet (Daily Sales, Inventory, Analysis_Log) và viết prompt 7-bước để agent tự đọc doanh thu, so sánh kỳ trước, tính tồn kho sắp hết, rồi ghi kết quả. Bạn sẽ học kỹ thuật prompt engineering thực chiến: đủ chi tiết để agent biết thứ tự làm, nhưng đủ linh hoạt để nó tự quyết định cách thực hiện từng bước.
Hoàn thiện toàn bộ 5 tools (đọc/ghi Sheets, gửi email HTML) và học kỹ năng phân biệt automation agency chuyên nghiệp: viết Tool Description không chỉ mô tả tool làm gì, mà cả khi nào gọi, thứ tự gọi, và định dạng output mong muốn. Bạn sẽ chạy thử toàn bộ pipeline và nhận báo cáo kinh doanh HTML tự động gửi thẳng vào email.
Xây hai lớp kiểm tra bằng IF node: lớp 1 kiểm tra agent có hoàn thành đúng không (workflow reliability), lớp 2 đọc Overall_Alert để quyết định gửi cảnh báo khẩn hay báo cáo bình thường qua Telegram. Bạn sẽ hiểu vì sao "automation im lặng khi lỗi" là vấn đề nguy hiểm nhất và cách thiết kế hệ thống luôn "lên tiếng" đúng lúc, đúng nội dung.
Publish workflow, lấy Production URL thật — một web form khách hàng có thể tự mở, điền yêu cầu, và nhận báo cáo qua Telegram + Email trong vài giây, không cần biết gì về n8n phía sau. Bài học khép lại bằng việc đọc Execution Logs để debug và 4 gợi ý cải thiện tiếp theo (calculator tool, summary row, error handling) — chuẩn bị tư duy cho Tuần 2 khi bạn chuyển sang self-hosted.
So sánh chi phí thực tế (€20-50/tháng Cloud vs gần như miễn phí khi self-host local) và yếu tố quan trọng hơn tiền bạc: kiểm soát dữ liệu. Bạn sẽ nhận được framework 4 câu hỏi cụ thể — nền tảng kỹ thuật, số executions cần dùng, yêu cầu bảo mật dữ liệu, thời gian bảo trì — để tự quyết định hướng đi phù hợp, trước khi bước vào cài đặt self-host ở các bài tiếp theo.
Cài Docker Desktop đúng cách trên Mac (Apple Silicon/Intel) hoặc Windows (kèm WSL2), hiểu khái niệm container/image ở mức đủ dùng mà không cần nền tảng DevOps. Đây là bước chuẩn bị bắt buộc trước khi chạy lệnh khởi tạo n8n ở bài tiếp theo.
Tạo Docker volume để lưu dữ liệu bền vững, chạy lệnh docker run với đầy đủ flag (port mapping, timezone, environment variables) và hiểu chính xác từng phần lệnh đang làm gì. Kết thúc bài, bạn có n8n chạy hoàn toàn trên máy mình tại localhost:5678, độc lập với tài khoản Cloud.
Xây lại quy trình AI Agent quen thuộc (chat trigger, model, memory) nhưng lần này hoàn toàn trên instance self-hosted — xác nhận toàn bộ kỹ năng Tuần 1 đều áp dụng được, chỉ khác nơi chạy. Bạn cũng học cách dừng/khởi động lại container đúng cách để không mất dữ liệu.
Cài Ollama, tải model local (Qwen, Gemma), rồi kết nối n8n container với Ollama chạy trên máy host bằng cấu hình extra_hosts — một kỹ thuật Docker networking quan trọng. Bạn sẽ có agent hoạt động hoàn toàn offline, không phụ thuộc API bên ngoài, phù hợp cho dữ liệu nhạy cảm hoặc muốn tiết kiệm chi phí tuyệt đối.
Tự tạo Google Cloud Project, bật Drive API, cấu hình OAuth Consent Screen và tạo OAuth Client ID — quy trình đầy đủ mà nhiều người ngại làm nhưng chỉ cần làm đúng một lần là dùng lại mãi cho mọi dịch vụ Google. Kết quả thực hành: một Google Drive Trigger tự động gửi thông báo Telegram khi có file mới — chính là cơ chế khởi động toàn bộ hệ thống sales automation ở capstone cuối tuần. Bài học cũng giới thiệu Projects/Folders trong n8n để tổ chức workflow không bị rối khi số lượng tăng lên.
Mở rộng Drive Trigger ở bài trước thành pipeline hoàn chỉnh: Download File → Extract from PDF → gửi nội dung qua Telegram. Bạn sẽ hiểu vì sao phải dùng $json.id để tải đúng file, và học cách xử lý nhiều loại file (PDF, Word) bằng IF node dựa trên mimeType — nền tảng cho việc đọc file ICP tự động trong capstone.
Cài Firecrawl node, dùng Search/Scrape để thu thập dữ liệu thị trường Việt Nam, và học kỹ thuật cốt lõi: Structured Output Parser — ép LLM trả về đúng JSON schema thay vì văn bản tự do khó xử lý. Bạn sẽ hiểu rõ khi nào nên và không nên dùng Structured Outputs, một quyết định sẽ lặp lại ở mọi agent phức tạp sau này.
Thiết kế form đăng ký tư vấn thực tế (7 trường, dropdown, validation), chuẩn hoá dữ liệu bằng Edit Fields node, lưu vào Google Sheets CRM, rồi để AI Agent tự soạn tin nhắn tiếp cận cá nhân hoá theo đúng mục tiêu từng khách — tất cả trong một pipeline 6 bước. Đây là mini-CRM hoàn chỉnh bạn có thể tái sử dụng cho bất kỳ doanh nghiệp dịch vụ nào tại Việt Nam.
Đào sâu Structured Outputs với ví dụ phân loại khách hàng, rồi học HTTP Request node để tự gọi bất kỳ REST API nào chưa có sẵn trong n8n — từ Zalo OA đến VNPay, MoMo, KiotViet. Bạn cũng học dùng webhook.site để debug chính xác request đang gửi đi, một công cụ không thể thiếu khi tích hợp API mới.
Phân biệt rõ ràng: Tools mới là bước nhảy vọt thực sự của Agentic AI, còn MCP chỉ là chuẩn kết nối — "cổng USB-C cho ứng dụng AI". Bạn sẽ nắm timeline phát triển MCP (từ Anthropic 11/2024 đến khi được trao cho Linux Foundation 12/2025) và hiểu kiến trúc 3 thành phần Host — Client — Server, nền tảng bắt buộc trước khi thực hành ở các bài sau.
So sánh hai cơ chế giao tiếp Client-Server (Stdio cho local, HTTP cho remote), khám phá các marketplace MCP server phổ biến (mcp.so, Glama), và quan trọng nhất: hiểu rủi ro bảo mật thực tế (tool poisoning, prompt injection) khi chạy server từ nguồn không rõ. Bài học kết bằng nguyên tắc quyết định khi nào thực sự cần MCP và khi nào chỉ cần viết tool trực tiếp.
Chỉ bằng cách dán một URL vào MCP Client node, AI Agent có ngay khả năng search và scrape web mà không cần giải thích gì thêm — vì Firecrawl MCP server tự mô tả tools của nó. Bạn sẽ xây Prospecting Sub-agent hoàn chỉnh tìm kiếm doanh nghiệp Việt Nam phù hợp ICP, trả về JSON có cấu trúc, và lưu Project Variables để bảo mật API key — sub-agent đầu tiên cho hệ thống capstone.
Biến chính Prospecting Sub-agent vừa xây thành một MCP Server công khai bằng MCP Server Trigger, rồi kết nối trực tiếp vào Claude qua Custom Connector — để bạn có thể nhắn tiếng Việt tự nhiên với Claude và nó tự động gọi vào n8n workflow của bạn để tìm leads thật. Đây là minh chứng rõ nhất cho việc AI agent, MCP server và workflow tool có thể phối hợp theo chuẩn thống nhất, không cần code hay deploy phức tạp.
Bắt đầu ghép nối hệ thống capstone hai agent điều phối: xây Operations Sub-agent chuyên parse thông tin lead thô thành JSON chuẩn khớp chính xác cấu trúc Google Sheets CRM. Bạn sẽ thấy rõ khi nào nên dùng Structured Output + Workflow node (pipeline tuyến tính, đáng tin cậy) thay vì để AI tự quyết định bằng Tools.
Ngược lại với bài trước, Sales Sub-agent được trao quyền tự chủ hoàn toàn bằng Tools: tự đọc leads mới từ CRM, tự quyết định tạo Gmail Draft hay xếp Zalo Queue tuỳ theo dữ liệu có sẵn. Bạn sẽ học cách viết Tool Description và System Prompt đủ chặt để agent không bịa thông tin, cùng nguyên tắc chọn giữa Structured Output và Tools tuỳ bản chất nhiệm vụ.
Xây agent điều phối cấp cao gọi đúng thứ tự Prospecting → Operations (lặp lại cho từng lead) → Sales, kích hoạt tự động chỉ bằng việc thả file PDF ICP vào Google Drive. Từ lúc thả file đến khi nhận báo cáo Telegram với leads đã lưu CRM và email draft sẵn sàng chỉ mất 5-7 phút — toàn bộ quy trình trước đây tốn cả buổi sáng nhân viên marketing.
Xây nhánh Inbound của hệ thống: Recording Sub-agent kết hợp Tool (tìm kiếm linh hoạt) với Structured Output (ghi chắc chắn) để nhận diện khách hàng cũ/mới trong CRM, và Booking Sub-agent tự kiểm tra lịch trống rồi tạo Google Calendar event. Đây là hai mảnh ghép cuối cùng trước khi kết nối với Voice Agent ở bài sau.
Kết nối Recording và Booking Sub-agent với Vapi — nền tảng voice AI cho điện thoại — để tạo trợ lý ảo "Minh" nói tiếng Việt tự nhiên, tự động gọi đúng webhook n8n tuỳ tình huống hội thoại. Bài học cũng xử lý thẳng thắn 2 lỗi thực chiến thường gặp (cấu trúc JSON lồng nhau từ Vapi, agent không biết năm hiện tại) — kết thúc bằng một hệ thống hotline 24/7 hoạt động thật, không cần nhân viên trực máy, và tổng kết toàn bộ kiến trúc 2 agent của capstone trước khi chuyển sang Tuần 3 viết code Python thuần.
Trước khi viết dòng code Python đầu tiên, nắm 5 kỹ năng nền tảng để làm việc hiệu quả với AI coding assistant: thinking (tư duy rõ vấn đề), frameworks (chọn đúng công cụ), checkpoints (commit từng bước nhỏ), debugging (đọc lỗi có hệ thống), và context (cung cấp đủ thông tin). Bài học đi từ lý thuyết đến quy trình thực hành đầy đủ — từ brainstorm ý tưởng, chọn công cụ (Replit, Cursor, Claude Code), đến bảo mật Rules File — dành cho cả người không biết code lẫn developer muốn tăng tốc.
Hiểu qua ví dụ gọi món ăn: đồng bộ là ngồi chờ từng việc một, bất đồng bộ là làm việc khác trong lúc chờ — chính xác là điều xảy ra khi Agent gọi API và 90% thời gian chỉ đang chờ phản hồi. Bạn sẽ nắm 3 khái niệm cốt lõi: async def tạo coroutine, await để chạy nó, và asyncio.gather() để chạy nhiều coroutine cùng lúc — nền tảng bắt buộc trước khi chạm vào bất kỳ framework Agent nào.
Setup môi trường Conda, cài openai-agents, rồi viết đúng 15 dòng code hoàn chỉnh chứa cả 3 khái niệm cốt lõi của SDK: Agent (khai báo vai trò), Runner (thực thi vòng lặp gọi LLM), và Trace (ghi nhật ký để debug). Bạn cũng hiểu rõ triết lý thiết kế SDK khác Framework như thế nào — nhẹ, không áp đặt kiến trúc, nhưng đủ mạnh để xây hệ thống multi-agent phức tạp sau này.
Trace giống hộp đen máy bay — khi Agent trả lời sai hoặc làm điều khó hiểu, mở Trace trước khi đọc code. Học cách đọc timeline, span, input/output thực tế gửi vào LLM, và token usage trên platform.openai.com, cùng mẹo đặt tên trace có ý nghĩa để tìm lại đúng phiên cần xem trong vài giây thay vì đọc hàng đống print() khó hiểu.
Áp dụng toàn bộ Day 1 vào một agent có ý nghĩa thực tế: thiết kế "nhân cách" qua instructions (hỏi ngân sách, giải thích lý do thay vì liệt kê, không đoán mò), viết code hoàn chỉnh, và quan trọng nhất — học vòng lặp cải thiện agent bằng cách sửa instructions trước khi nghĩ đến sửa code. Kết thúc bài, bạn có một agent tư vấn thực chạy được, đánh giá được, và đọc được trace của chính nó.
Học decorator @function_tool — chỉ cần thêm một dòng vào function Python bình thường, SDK tự đọc docstring và type hint để biến nó thành tool AI hiểu được, không cần tự viết JSON schema dài dòng như trước đây. Bắt đầu dự án xuyên suốt Day 2 — AutoReach, hệ thống AI Sales Agent cho startup GrowthVN — với tool đầu tiên: gửi email thật qua Resend API (free 3.000 email/tháng), và thấy agent tự soạn nội dung rồi tự gọi tool gửi đi mà không cần bạn viết sẵn nội dung.
Biến kiến thức lý thuyết asyncio.gather() từ Day 1 thành kết quả đo lường được: 3 agent viết email theo 3 phong cách khác nhau chạy tuần tự mất ~9 giây, chạy song song chỉ còn ~3 giây — và với 10 agent thì vẫn chỉ ~3 giây. Bạn cũng học một chi tiết quan trọng dễ bị bỏ sót: gather() luôn trả kết quả đúng thứ tự truyền vào, dù agent nào hoàn thành trước.
Phân biệt hai cách agent tương tác với agent hoàn toàn khác nhau về tư duy thiết kế: Agent-as-Tool (.as_tool()) là nhờ agent khác làm rồi nhận kết quả về xử lý tiếp — như nhờ nhân viên viết nháp; Handoff là chuyển giao toàn bộ quyền điều khiển, không quay lại nữa — như bàn giao dự án cho team khác. Bạn sẽ xây dựng Sales Manager dùng cả hai cơ chế: as-tool để lấy 3 phiên bản email so sánh, rồi handoff sang Email Manager để hoàn thiện và gửi.
Ghép toàn bộ Day 2 thành một hệ thống end-to-end: Sales Manager dùng Agent-as-Tool gọi 3 agent viết email (chuyên nghiệp/thân thiện/ngắn gọn), tự chọn phiên bản phù hợp nhất, rồi handoff sang Email Manager để viết tiêu đề, chuyển HTML, và gửi qua Resend — tất cả từ một câu lệnh duy nhất. Bạn học cách đọc trace để thấy chính xác điểm handoff xảy ra, và thực hành mở rộng bằng cách test với nhiều đối tượng khách hàng khác nhau để đánh giá agent chọn đúng phong cách hay không.
Học cách không "bỏ hết trứng vào một giỏ": kết nối OpenAI Agents SDK với Groq (chip LPU tốc độ cực nhanh, host Llama miễn phí), Google AI Studio (Gemini), và OpenRouter (cổng tổng hợp hàng chục model) — tất cả qua cùng một cơ chế base_url vì chúng đều tương thích chuẩn OpenAI API. Bạn sẽ chạy 3 model miễn phí song song cho AutoReach và so sánh trực tiếp chất lượng, tốc độ qua Trace — kỹ năng chọn đúng model cho đúng việc, không phụ thuộc một nhà cung cấp duy nhất.
Structured Outputs Với Pydantic — Agent Trả JSON Chuẩn, Không Cần Parse Text Thủ Công
Thay vì để agent trả về đoạn văn tự do khó xử lý, dùng Pydantic BaseModel định nghĩa schema và output_type=... để ép agent trả đúng object Python với các trường truy cập trực tiếp như email.tieu_de, email.diem_thuyet_phuc. Bài học cũng hé lộ lý do quan trọng nhất để nắm vững kỹ thuật này: đây chính là nền tảng bắt buộc để xây dựng Guardrails ở bài tiếp theo.
Từ một case study có thật về rò rỉ dữ liệu khách hàng qua chatbot AI, học cách xây Input Guardrail (người gác cổng kiểm tra trước khi vào) và Output Guardrail (kiểm duyệt trước khi ra) bằng @input_guardrail kết hợp Structured Output để quyết định tripwire_triggered. Bạn sẽ gắn guardrail vào Sales Manager để tự động chặn yêu cầu chứa tên người cụ thể, và học phân tích đánh đổi quan trọng: khi nào dùng Regex (nhanh, rẻ, có quy luật rõ) và khi nào cần AI Guardrail (hiểu ngữ cảnh) theo mô hình Cascading Guardrails.
Dự án tổng hợp cả 3 kỹ thuật trong ngày: Classifier Agent phân loại review (tích cực/tiêu cực/cần xử lý) bằng Structured Output, sau đó multi-model routing tự động chọn Llama cho review tiêu cực cần đồng cảm, Gemini cho review tích cực đơn giản, GPT-4o-mini cho review trung lập — và một Escalation Guardrail chặn ngay từ đầu những review nguy hiểm (đe doạ kiện tụng, sản phẩm gây hại) để chuyển cho nhân viên thật xử lý. Qua trace, bạn thấy rõ sự khác biệt: review escalate có trace cực ngắn vì mọi xử lý phía sau bị chặn hoàn toàn.
Phá vỡ giới hạn lớn nhất của Agent từ đầu khoá học — dữ liệu đóng băng theo thời điểm training — bằng cách trang bị khả năng tìm kiếm thời gian thực. Học phân biệt Hosted Tool (chạy trên server provider) và Function Tool, rồi dùng Tavily (free 1.000 searches/tháng, dữ liệu đã được làm sạch cho LLM) thay vì WebSearchTool của OpenAI đắt gấp 10-15 lần — bắt đầu dự án MarketIQ, AI Research Agent nghiên cứu thị trường Việt Nam.
Giải quyết giới hạn của Search Agent chỉ tìm được một từ khoá mỗi lần bằng một "kiến trúc sư" biết tự lập kế hoạch nghiên cứu đa chiều. Dùng Structured Output với Pydantic Field description để ép model tạo ra cặp từ khoá + lý do rõ ràng, và áp dụng mẹo thiết kế schema thông minh: đặt ly_do trước tu_khoa để buộc model "suy nghĩ" trước khi chốt từ khoá — một biến thể của Chain-of-Thought nhúng vào structured output.
Ghép Planner và Search Agent lại bằng asyncio.create_task() kết hợp gather() để toàn bộ 5 từ khoá tìm kiếm chạy đồng thời thay vì xếp hàng tuần tự. Bài học đi sâu vào một chi tiết kỹ thuật quan trọng mà nhiều lập trình viên nhầm lẫn: sự khác biệt giữa tạo task trước rồi gather so với truyền coroutine trực tiếp — và tại sao cách đầu tiên phù hợp hơn cho pipeline nghiên cứu phức tạp, dài hơi.
Nối toàn bộ pipeline Planner → Search song song → Writer → Email Agent thành một hệ thống end-to-end: nhập một câu hỏi kinh doanh, nhận lại báo cáo chuyên sâu 800-1500 từ định dạng HTML gửi thẳng vào email, chỉ trong khoảng 1 phút với chi phí chưa đến 0,02 USD — so với thuê tư vấn tốn 5-10 triệu đồng và 3-5 ngày. Bạn học đọc trace của pipeline 4 tầng để thấy rõ tìm kiếm song song, structured output ở từng bước, và cách dữ liệu được nén dần từ thô đến báo cáo tinh gọn.
Chuyển toàn bộ "lab code" từ Jupyter Notebook thành cấu trúc dự án chuẩn production với 7 file module riêng biệt (planner_agent.py, search_agent.py, writer_agent.py, email_agent.py, research_manager.py...), mỗi file một trách nhiệm rõ ràng. Điểm kỹ thuật quan trọng nhất: research_manager.py dùng async generator với yield thay vì return — vì pipeline mất 30-60 giây, và người dùng cần thấy tiến trình cập nhật liên tục thay vì màn hình trắng chờ đợi.
Dùng gr.Blocks (linh hoạt hơn gr.ChatInterface) để tự thiết kế layout MarketIQ hoàn chỉnh — ô nhập câu hỏi, nút chạy, câu hỏi mẫu click nhanh, khung hiển thị báo cáo dạng Markdown — hoàn toàn bằng Python, không một dòng HTML/CSS/JS. Bài học giải đáp một lỗi kinh điển: vì sao phải tích luỹ toàn bộ nội dung rồi yield lại từ đầu mỗi lần, thay vì chỉ yield phần mới — do Gradio thay thế toàn bộ output mỗi lần nhận yield chứ không tự động nối chuỗi.
Nâng cấp kỹ năng đọc trace từ Day 1 lên cấp độ pipeline nhiều agent: xác định bước nào chậm nhất qua timeline chồng lấp của các search song song, debug case thực tế "báo cáo quá chung chung" bằng cách truy ngược từ output của Planner đến Search Agent, và học đọc token usage để chủ động cắt giảm chi phí (giảm số lượng tìm kiếm, giảm max_results, giảm độ dài báo cáo) khi cần scale production.
Từng bước đưa MarketIQ lên internet thật: tạo Space với SDK Gradio, chuẩn bị app.py/requirements.txt/README.md đúng chuẩn, bảo mật API key bằng HuggingFace Secrets (tuyệt đối không đẩy file .env công khai), và push code bằng Git. Kết thúc bài, bạn có một đường link public thật để chia sẻ cho khách hàng, đối tác, hoặc đính kèm CV — kèm danh sách các lỗi deploy kinh điển (thiếu module, thiếu API key, lỗi asyncio) và cách xử lý nhanh.
Nhìn lại 5 ngày đi từ Agent nói "xin chào" đơn giản đến một hệ thống multi-agent hoàn chỉnh có giao diện, có giám sát, và đang chạy thật trên internet — qua bảng tổng kết kỹ thuật từng ngày (Async & Trace → Tools & Handoffs → Multi-model & Guardrails → Deep Research → Deploy). Bài học khép lại tuần Python SDK và mở hướng cho Tuần 4: Model Context Protocol (MCP) — chuẩn kết nối giúp Agent dùng hàng trăm dịch vụ có sẵn mà không cần viết lại integration từ đầu.
Hiểu đúng ngay từ đầu: MCP không cạnh tranh với n8n hay OpenAI Agents SDK — nó là lớp hạ tầng giao tiếp bên dưới, giống như VietQR đã thống nhất mọi ngân hàng thành một chuẩn quét mã duy nhất. Qua timeline phát triển từ Anthropic (11/2024) đến khi OpenAI, Google, Microsoft cùng adopt, bạn nắm được 3 thành phần MCP cung cấp — Tools, Resources, Prompts — và vì sao hiệu ứng mạng lưới đang khiến chuẩn này bùng nổ với hàng nghìn server có sẵn.
Thay vì sơ đồ khô khan, hiểu 3 tầng kiến trúc MCP qua trải nghiệm quen thuộc: Host là toàn bộ trải nghiệm nhà hàng (ứng dụng AI của bạn), Client là người phục vụ chuyển lệnh (thường đã tích hợp sẵn trong framework), Server là nhà bếp thực thi (thường chỉ là một process nhỏ chạy ngay trên máy bạn, không phải server cloud như nhiều người lầm tưởng). Bài học làm rõ 3 mô hình triển khai server và phân biệt hai giao thức truyền tải stdio (local siêu tốc) và Streamable HTTP (remote chuẩn hiện đại, đã thay thế SSE).
Setup Node.js và uvx, rồi kết nối lần lượt 3 MCP server (fetch, memory, filesystem) để hiểu cơ chế 4 bước đằng sau MCPServerStdio: spawn process, tạo transport, handshake giao thức, và list tools. Đỉnh điểm bài học: ghép cả 3 server vào một agent duy nhất tự động cào dữ liệu tuyển dụng IT Việt Nam, xây knowledge graph kỹ năng, và xuất báo cáo Markdown xuống ổ cứng — không viết một dòng code xử lý dữ liệu nào.
Tham quan hai marketplace lớn nhất — Smithery.ai (2.500+ server) và Glama.ai (29.000+ server, có rating bảo mật) — để thấy hệ sinh thái MCP đã phong phú đến mức nào cho database, Google Workspace, Slack. Điểm đáng chú ý nhất: tìm "Vietnam" trên các nền tảng này gần như trống — đây chính là khoảng trống thị trường mà bài học Day 3-4 sẽ hướng dẫn bạn tự lấp đầy.
Nắm 5 rủi ro thực chiến khi dùng MCP trong production: prompt injection ẩn trong tool response, rò rỉ dữ liệu qua kết hợp quyền đọc-ghi, lòng tin sai chỗ vào server bên thứ ba, cấp quyền quá đà (ví dụ trỏ filesystem server vào root ổ đĩa), và lộ secrets trong dữ liệu trả về. Bài học khép ngày đầu bằng checklist bảo mật 8 điểm và góc nhìn pháp lý Việt Nam — Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân — bắt buộc phải biết nếu bạn build agent xử lý dữ liệu khách hàng cho doanh nghiệp trong nước.
Câu trả lời thành thật: nếu chỉ build tool cho dự án cá nhân, @function_tool đơn giản hơn nhiều — không cần protocol, không cần server riêng. Bài học đưa ra ma trận quyết định 4 tình huống thực sự cần tự xây MCP Server (chia sẻ với nhiều người, kết nối hệ thống nội bộ, yêu cầu bảo mật/compliance, học để hiểu sâu), và giới thiệu dự án xuyên suốt 2 ngày tới: hệ thống quản lý đơn hàng tự động cho shop online Việt Nam.
Hiểu chi tiết 3 thành phần MCP Server expose ra ngoài, với trọng tâm vào Tools — nơi FastMCP tự động biến function Python thành JSON Schema chuẩn chỉ bằng một decorator @mcp.tool(), đọc thẳng từ type hints và docstring. Nguyên tắc cốt lõi được nhấn đi nhấn lại: LLM chọn tool dựa trên description chứ không nhìn vào code bên trong — một description mơ hồ như "Get order" sẽ khiến agent gọi sai hoặc không dùng tool, trong khi description trả lời rõ 3 câu hỏi (làm gì, khi nào gọi, trả về gì) sẽ định hướng AI chính xác.
Xây 3 file theo đúng kiến trúc production: donhang.py chứa business logic thuần Python hoàn toàn không biết MCP tồn tại, donhang_server.py là lớp vỏ FastMCP mỏng expose 5 tools và 1 resource, và donhang_client.py giả lập client thủ công để thấy rõ cơ chế bắt tay giao thức. Nguyên tắc Separation of Concerns này giúp bạn áp dụng pattern MCP lên bất kỳ code Python có sẵn nào mà không cần sửa logic nghiệp vụ gốc.
Kiểm thử toàn diện hệ thống quản lý đơn hàng: test business logic độc lập trước (nguyên tắc luôn kiểm tra từng phần trước khi tích hợp AI), rồi xem JSON Schema được FastMCP tự sinh ra, và cuối cùng giao cho agent một yêu cầu 4 bước liên tiếp (xem đơn, cập nhật trạng thái, tạo đơn mới, báo cáo doanh thu) để agent tự suy luận thứ tự gọi tool. Bài học kết bằng bước xác minh bắt buộc: truy vấn trực tiếp SQLite để chứng minh agent đã thực sự thay đổi dữ liệu thật, không chỉ "nói" là đã làm.
Tạm gác SDK để tự viết MCP Client bằng stdio_client + ClientSession thuần túy — kỹ năng giúp bạn debug production khi gặp mất kết nối, timeout, hay tool gọi sai mà không hiểu tại sao. Bạn sẽ thấy chính xác pattern 4 bước (kết nối → session → initialize → gửi yêu cầu) mà mọi SDK cấp cao đều đang wrap lại, và học quy trình debug chuẩn 4 tầng (MCP Inspector → client thủ công → agent đơn giản → task phức tạp) trước khi kết thúc bằng bảng so sánh 3 cách expose function cho agent.
Trước khi code, nắm 4 nguyên tắc sống còn khi MCP Server kết nối API thật: quy trình Wrap-Transform-Return (không trả nguyên dữ liệu thô để tiết kiệm token), cache bằng @lru_cache theo ngày để tránh vượt rate limit miễn phí, luôn đặt timeout kèm fallback để không làm treo agent, và tuyệt đối không hardcode hay trả API key về cho AI. Đây là nền tảng lý thuyết cho việc xây MCP Server dữ liệu tài chính Việt Nam ở bài tiếp theo.
Áp dụng trọn vẹn 4 nguyên tắc ở bài trước vào một MCP Server thật: lấy tỷ giá từ API Vietcombank và giá vàng SJC với cache theo ngày + fallback khi lỗi, cùng bộ công cụ phân tích bất động sản (tìm kiếm, thống kê thị trường, tính ROI cho thuê) từ SQLite local. Đây chính là mô hình phổ biến nhất trong thực tế — server local nhưng gọi API bên ngoài — mà bạn có thể tái sử dụng cho bất kỳ dữ liệu Việt Nam nào khác như giá điện EVN hay tra cứu mã số thuế.
Chạy thử cả 3 loại MCP server trong cùng một notebook để thấy rõ khác biệt: Memory Server giúp agent nhớ thông tin khách hàng xuyên suốt hội thoại (không cần nhắc lại tuổi, ngân sách ở câu hỏi sau), dulieu_vn_server cung cấp số liệu tài chính chính xác kèm khả năng tự tính toán quy đổi, và Tavily Search giúp agent tìm tin tức thị trường mới nhất mà hai loại kia không có. Bài học làm nổi bật: một agent thực chiến thường cần cả ba — trí nhớ, dữ liệu đáng tin, và khả năng cập nhật thông tin mới.
Dự án tổng hợp của Ngày 3: một agent đóng vai chuyên gia tư vấn BĐS 10 năm kinh nghiệm, tự thực hiện quy trình phân tích 5 bước — bối cảnh vĩ mô, khảo sát thị trường, tính ROI top 3 khu vực, nghiên cứu xu hướng qua Tavily, rồi đọc lại toàn bộ Memory trước khi viết báo cáo đầu tư hoàn chỉnh cho khách hàng có ngân sách 4 tỷ. Bài học nhấn mạnh bước xác minh bắt buộc: đối chiếu số liệu trong báo cáo với dữ liệu gọi trực tiếp từ Python để đảm bảo agent không bịa số, một nguyên tắc quan trọng khi triển khai AI cho doanh nghiệp thật.
Trước khi chạm vào code, trả lời 5 câu hỏi kiến trúc quan trọng (Agent làm gì cụ thể, cần tool nào, thông tin nào vào system prompt, ai nói chuyện với ai, dùng as_tool hay handoff) để thiết kế đội ngũ 4 nhân viên AI — An (CSKH), Bình (phân tích), Chi (vận hành), Dũng (giám sát) — kết nối với 6 MCP server khác nhau. Bài học nhấn mạnh nguyên tắc "lab trước, đóng gói sau": luôn thử nghiệm từng agent trong Jupyter Notebook trước khi viết thành module Python hoàn chỉnh, và giới thiệu kỹ thuật AsyncExitStack để quản lý gọn nhiều MCP server cùng lúc.
Đúng tinh thần "thử nghiệm trước, tích hợp sau": seed dữ liệu đơn hàng mẫu, kiểm tra Researcher Agent độc lập trước để hiểu nó tìm kiếm và lưu vào Memory Graph như thế nào, rồi mới ghép thành nhân viên CSKH đầy đủ bằng cách biến Researcher thành tool qua as_tool(). Bài học kết bằng nguyên tắc quan trọng: đừng tin lời agent tự báo cáo — luôn xác minh bằng cách đọc trực tiếp file trong sandbox và bản ghi trong database thật.
Chuyển toàn bộ logic đã thử nghiệm thành class NhanVien gọn gàng với 3 thuộc tính cốt lõi (tên, chức vụ, bộ đếm nhiệm vụ luân phiên) và phương thức run() dùng AsyncExitStack để khởi động nhiều MCP server cùng lúc mà không bị lồng nhau rối mắt. Đỉnh điểm bài học: chạy 4 nhân viên AI song song bằng asyncio.gather() — lần đầu tiên trong khoá học một hệ thống multi-agent thực sự với mỗi agent có researcher riêng, MCP server riêng, tự phối hợp hoàn thành công việc.
Tổng kết 10 nguyên tắc thực chiến rút ra từ quá trình xây dựng cả tuần: luôn test từng phần trước khi ghép hệ thống lớn, viết description rõ ràng hơn là thêm nhiều tool, tránh dùng npx trực tiếp trong production vì dễ timeout, tách biệt trách nhiệm từng file, luôn có fallback cho API ngoài, không bao giờ tin lời agent tự báo cáo mà phải xác minh bằng dữ liệu thật, dùng đường dẫn tuyệt đối, và hiểu rằng Memory không chỉ để lưu mà còn giúp agent tích luỹ kinh nghiệm qua nhiều phiên làm việc.
Khám phá tính năng mở rộng ít người biết của OpenAI Agents SDK: tự viết TracingProcessor để intercept mọi sự kiện trace (bắt đầu, kết thúc, từng bước nhỏ span) thay vì chỉ xem trên dashboard OpenAI. Kỹ thuật hay nhất trong bài: nhúng thẳng tên nhân viên vào trace_id (trace_an0xyz...) để không cần dictionary mapping riêng, giúp mọi log tự động biết thuộc về ai khi ghi xuống SQLite — nền tảng cho giao diện giám sát thời gian thực ở bài cuối.
Xây "người quản lý vận hành" chạy vòng lặp while True kích hoạt cả 4 nhân viên AI làm việc song song theo lịch định kỳ, với các biến cấu hình linh hoạt qua .env (tần suất chạy, giờ hành chính hay 24/7, một model hay đa nhà cung cấp cho từng nhân viên). Bài học cũng giới thiệu khoi_dong.py — nơi định hình "tính cách" ban đầu cho từng nhân viên (An tận tâm khách hàng, Bình dựa vào số liệu, Chi theo quy trình, Dũng tư duy chiến lược) mà agent có thể tự điều chỉnh theo thời gian.
Ghép mọi mảnh ghép của cả tuần lại trong notebook: kiểm tra cơ chế trace_id, ghi log thủ công để xác nhận database hoạt động đúng, rồi đăng ký tracer thật và chạy cả 4 nhân viên song song để xem log thời gian thực đổ về SQLite. Bài học kết bằng con số ấn tượng thể hiện quy mô hệ thống đã xây: 6 MCP server cung cấp tổng cộng 42 tools khác nhau cho 4 agent cùng sử dụng — minh chứng rõ ràng cho sức mạnh của kiến trúc multi-agent kết hợp MCP.
Chạy hệ thống hoàn chỉnh qua 2 terminal song song — một chạy giao diện Gradio giám sát, một chạy engine san_van_cskh.py — để tận mắt thấy 4 nhân viên AI xử lý đơn hàng, phân tích thị trường, và báo cáo chiến lược cùng lúc, cập nhật trực tiếp lên dashboard mỗi lần làm mới. Bài học khép lại toàn bộ Tuần 4 bằng bảng tổng kết 13 file Python đã tự tay xây dựng từ đầu, lưu ý quan trọng về theo dõi chi phí API khi chạy vòng lặp vô hạn, và mở hướng sang Tuần 5 — LangGraph cho hệ thống multi-agent dạng đồ thị.
Phân biệt rõ LangChain, LangGraph và LangSmith — ba cái tên dễ gây nhầm lẫn nhất khi mới bắt đầu. Bạn sẽ hiểu vì sao LangGraph ra đời, nó giải quyết vấn đề gì mà LangChain không làm được, và định vị chính xác vai trò của từng công cụ trong hệ sinh thái trước khi bắt tay vào code.
Qua ví dụ chatbot CSKH cho shop quần áo, bài học chỉ ra giới hạn chí mạng của workflow tuyến tính (linear) khi gặp yêu cầu phức tạp, nhiều bước. Từ đó giới thiệu tư duy Graph — nền tảng giúp AI Agent biết rẽ nhánh, lặp lại và tự ra quyết định thay vì chỉ trả lời một lần rồi kết thúc.
Học "ngữ pháp" cốt lõi của LangGraph qua ẩn dụ dễ nhớ: State là hồ sơ công việc, Node là nhân viên xử lý, Edge là quy trình chuyển tiếp. Nắm vững ba khái niệm này là nắm được 80% cách LangGraph vận hành.
Bắt tay viết code thực chiến — dựng một chatbot tự động phân loại yêu cầu khách hàng (đổi trả / hỏi sản phẩm / khác) và định tuyến đến đúng bộ xử lý bằng Conditional Edge. Đây là project nền tảng cho mọi hệ thống CSKH tự động phức tạp hơn sau này.
Giải thích nguyên lý immutable trong LangGraph và lý do State không bao giờ bị chỉnh sửa trực tiếp mà luôn tạo phiên bản mới. Bạn sẽ hiểu Reducer (đặc biệt là add_messages) hoạt động như thế nào để gộp dữ liệu an toàn khi nhiều Node cùng cập nhật State.
Xây dựng từng dòng code một chatbot tư vấn thời trang có khả năng ghi nhớ hội thoại trong phiên làm việc, sử dụng Annotated và Reducer để quản lý lịch sử tin nhắn. Quy trình 5 bước chuẩn (State → Builder → Node → Edge → Compile) sẽ trở thành khung sườn cho mọi project LangGraph về sau.
Nâng cấp chatbot với Conditional Edge nâng cao — Agent tự nhận diện khách đang ở giai đoạn tìm hiểu, so sánh hay sắp mua để tự động đổi chiến lược tư vấn tương ứng. Một ví dụ rất sát thực tế cho các hệ thống sales/marketing tự động.
Lý giải vì sao chatbot của bạn quên sạch mọi thứ sau mỗi lần chạy, thông qua khái niệm Super Step. Từ đó hướng dẫn triển khai Checkpointing với MemorySaver và SQLite để Agent ghi nhớ hội thoại qua nhiều phiên làm việc — kể cả khi tắt máy rồi mở lại.
Ngừng đoán mò khi Agent trả lời sai. Bài học hướng dẫn setup LangSmith để quan sát toàn bộ prompt, tool call, token và độ trễ của từng lần chạy — công cụ bắt buộc phải có khi debug bất kỳ hệ thống AI Agent nào ở mức độ nghiêm túc.
Kết hợp Checkpointing + Tool Calling + LangSmith vào một hệ thống CSKH y tế hoàn chỉnh: tra cứu lịch khám, đặt lịch tự động và ghi nhớ bệnh nhân xuyên suốt nhiều lần liên hệ. Đồng thời làm rõ cơ chế ReAct — cách LLM, ToolNode và Conditional Edge phối hợp trong vòng lặp gọi công cụ.
Vượt qua giới hạn của Single Agent bằng mô hình Supervisor — một "trưởng nhóm AI" điều phối nhiều Worker Agent chuyên môn hóa. Học cách dùng Structured Output (Pydantic) để biến quyết định của LLM thành logic điều hướng chính xác cho graph.
Khám phá kỹ thuật "LLM làm giám khảo" (LLM-as-a-Judge): một Agent tạo nội dung, một Agent khác độc lập đánh giá và đưa phản hồi cụ thể để Agent đầu tiên cải thiện — lặp lại đến khi đạt chuẩn. Đây là chìa khóa để nâng chất lượng output vượt xa một lần gọi LLM đơn thuần.
Ghép Supervisor Pattern và Worker-Evaluator Pattern thành một hệ thống sản xuất nội dung marketing hoàn chỉnh — tự nghiên cứu, tự viết, tự chấm điểm, tự sửa đến khi đạt tiêu chuẩn. Lần đầu tiên bạn tự tay xây một "Agent Harness" thu nhỏ, nền tảng của các hệ thống AI Agent trong thực tế.
Học cách tổ chức tools (web search, đọc/ghi file, chạy Python, tính toán) thành một module riêng biệt, dễ tái sử dụng và bảo trì — thay vì nhồi nhét tất cả vào một file. Đặc biệt chú trọng cơ chế sandbox để giới hạn an toàn quyền truy cập hệ thống của Agent.
Giải quyết bài toán thực chiến khi đưa Agent lên production: làm sao đảm bảo dữ liệu, workspace và lịch sử hội thoại của người dùng này không lẫn với người dùng khác. Bốn tầng cô lập (thread_id, workspace, session object, giới hạn tài nguyên) là điều kiện bắt buộc trước khi deploy cho nhiều người dùng.
Tổng hợp toàn bộ kiến thức của cả tuần (Tool Calling, Checkpointing, LangSmith, Supervisor, Worker-Evaluator, Session Isolation) thành một sản phẩm hoàn chỉnh có giao diện Gradio, sẵn sàng demo hoặc đưa vào portfolio. Đây là một "Operator Agent" thực thụ — nhận nhiệm vụ, tự dùng công cụ, tự kiểm tra và hoàn thành công việc như một đồng nghiệp AI tự chủ.
AI Agent không còn là công nghệ của tương lai — đó là công cụ đang giúp hàng ngàn doanh nghiệp Việt Nam tự động hoá sales, chăm sóc khách hàng và vận hành ngay hôm nay. Khoá học này sẽ đưa bạn đi từ con số 0 đến khả năng tự xây dựng, triển khai và vận hành AI Agent thực chiến, qua 5 tuần học có lộ trình rõ ràng.
Bạn sẽ bắt đầu với n8n — nền tảng automation kéo-thả không cần biết code, xây dựng AI Agent đầu tiên kết nối Gmail, Google Sheets, Telegram và Slack chỉ trong vài ngày. Sau đó, bạn sẽ tự host n8n bằng Docker, kết nối các mô hình AI miễn phí như DeepSeek và Llama, và học Model Context Protocol (MCP) — chuẩn kết nối AI đang được cả ngành công nghệ áp dụng — để xây dựng hệ thống Sales Agent tự động tìm kiếm và chăm sóc khách hàng tiềm năng.
Từ tuần 3, bạn sẽ chuyển sang lập trình AI Agent thực sự bằng Python SDK: xử lý bất đồng bộ, structured outputs, guardrails bảo vệ Agent, và triển khai ứng dụng lên HuggingFace Spaces miễn phí. Tuần 4 đào sâu vào MCP Server/Client, giúp bạn tự xây dựng công cụ kết nối Agent với dữ liệu và API thực tế của doanh nghiệp, kèm dự án phân tích thị trường bất động sản. Cuối cùng, tuần 5 giới thiệu LangGraph — framework xây dựng hệ thống Multi-Agent chuyên nghiệp với Supervisor Pattern, Checkpointing và bộ nhớ hội thoại, khép lại bằng dự án capstone: xây dựng một trợ lý AI doanh nghiệp hoàn chỉnh cho thị trường Việt Nam.
Khoá học phù hợp cho cả người mới bắt đầu (không cần biết code ở 2 tuần đầu) lẫn lập trình viên muốn nâng cấp kỹ năng lên AI Agent chuyên sâu. Toàn bộ nội dung đi kèm ví dụ thực tế, dự án capstone mỗi tuần, và hướng dẫn từng bước — giúp bạn không chỉ học lý thuyết mà thực sự xây được sản phẩm AI Agent có thể đưa vào vận hành ngay.