Module II - AI Agent

Tổng quan

Module II chuyển từ "LLM trả lời câu hỏi" sang "LLM tự hành động": xây dựng agent có khả năng lập kế hoạch, gọi tool, ghi nhớ ngữ cảnh qua nhiều lượt, phối hợp với agent khác, và được đánh giá/giám sát trong production. Module dùng LangGraph làm framework chính xuyên suốt.

---

Lộ trình học

graph LR
    A[What Is an Agent?] --> B[LangGraph Basics]
    B --> C[Memory & Context]
    B --> D[Tool Design & MCP]
    C --> E[Agent Evaluation]
    D --> E
    E --> F[Multi-Agent Systems]
    F --> G[Capstone Project]
    G --> H[Workshop + Mock Interview]

---

Danh sách bài học

#	Bài	Chủ đề chính
1	What Is an AI Agent?	Định nghĩa, core components, agent paradigms, landscape 2026
2	Building Agents với LangGraph	State, Nodes, Edges, tool execution loop, HITL
3	Agent Memory & Context Engineering	Memory types, management strategies, context compression
4	Agentic Tool Design & Integration	Tool design, tool selection, security, MCP
5	Agent Evaluation & Observability	Eval dimensions, methodologies, LangSmith/LangFuse
6	Multi-Agent Systems	Patterns, framework comparison, hands-on
7	Capstone: Vietnamese Research Assistant	Planner/Researcher/Analyzer/Writer, custom MCP server
8	Workshop + Mock Interview	Capstone showcase, guest speaker

---

Framework tư duy: Khi nào cần Agent?

graph TD
    Q{Vấn đề của bạn?} --> A[Task cố định, 1 lượt gọi LLM<br/>đủ để giải quyết]
    Q --> B[Cần model tự quyết định<br/>bước tiếp theo / gọi tool]
    Q --> C[Cần nhiều bước reasoning,<br/>quan sát kết quả rồi điều chỉnh]
    A --> SINGLE[→ Single LLM call / RAG<br/>xem Module I]
    B --> AGENT[→ Agent với tool calling]
    C --> LOOP[→ ReAct / Planning agent]
    AGENT --> MULTI{Task quá lớn<br/>cho 1 agent?}
    LOOP --> MULTI
    MULTI -->|Có| MA[→ Multi-Agent System]
    MULTI -->|Không| SINGLE_AGENT[→ Single Agent đủ dùng]

Agent không phải lúc nào cũng là câu trả lời đúng

Nếu task có thể giải quyết bằng một lời gọi LLM cố định (không cần model tự quyết định bước tiếp theo), đừng dùng agent - độ trễ cao hơn, chi phí cao hơn, và khó debug hơn nhiều so với pipeline tuyến tính.

---

Phụ thuộc từ Module I

Module II xây dựng trực tiếp trên nền tảng Module I:

• RAG Pipeline (Bài 5) và Vector DB (Bài 4) trở thành một tool mà agent có thể gọi, thay vì một pipeline cố định.
• Function Calling (Bài 1) là nền tảng của tool calling trong agent.
• Evaluation & Guardrails (Bài 7) mở rộng sang đánh giá cả trajectory (chuỗi hành động), không chỉ output cuối.
• Capstone của Module II (Vietnamese Research Assistant) tái sử dụng vector store từ capstone Module I (Vietnamese Legal Assistant) như một retrieval tool cho agent Researcher.