Bootcamp LLMs & AI Agents

Nhận tư vấn Tải về chương trình học

Thời lượng

06 buổi

Hình thức đào tạo

Online qua Video

Học phí

600.000đ

Tổng quan

Sự bùng nổ của LLM và các ứng dụng AI hiện đại đang khiến nhu cầu triển khai hệ thống AI Agent thực tế tăng nhanh trong doanh nghiệp. Để xây được một hệ thống hoàn chỉnh, người học không chỉ cần hiểu kiến trúc LLM, Finetuning, RAG mà còn phải biết cách kết nối các thành phần thành một pipeline end-to-end có thể vận hành ổn định.

Bootcamp LLM & AI Agent được thiết kế như một hành trình thực hành chuyên sâu trong 6 buổi, giúp học viên nắm vững nền tảng LLM, thực hiện finetuning, xây dựng RAG, phát triển AI Agent có Tool & Memory và triển khai hệ thống lên web. Chương trình tập trung vào “learn-by-building”, đảm bảo học viên có thể tự tạo ra một AI Agent hoàn chỉnh từ lý thuyết đến triển khai.

Lợi ích khóa học

Học tập linh hoạt, chủ động thời gian

Khóa học được triển khai hoàn toàn qua video bài giảng đã ghi hình, học viên có thể học mọi lúc, mọi nơi, phù hợp với lịch trình cá nhân.

Nội dung kết hợp lý thuyết & thực hành

Mỗi buổi học được thiết kế theo tỉ lệ 60% kiến thức lý thuyết – 40% thực hành, đi kèm ví dụ và case study thực tế. Học viên vừa nắm được nền tảng, vừa biết cách áp dụng ngay.

Tài liệu học tập đầy đủ

Khóa học cung cấp slide, file thực hành, và hướng dẫn chi tiết để học viên dễ dàng theo dõi và thực hành song song với video.

Hỗ trợ học viên qua cộng đồng & trợ giảng

Mặc dù không học live, học viên vẫn được tham gia vào nhóm cộng đồng để đặt câu hỏi và trao đổi cùng trợ giảng, mentor và các học viên khác.

Thực hành với các project thực tế

Học viên không chỉ học lý thuyết mà còn được tự tay xây dựng dự án thực tế cuối khóa, giúp củng cố kỹ năng và tạo ra sản phẩm cuối khóa cho portfolio.

Mục tiêu học tập

Nắm vững kiến trúc LLM, Finetuning và cơ chế hoạt động của RAG trong triển khai thực tế.
Xây dựng được AI Agent hoàn chỉnh với Tool và Memory, có khả năng reasoning và trả lời theo ngữ cảnh.
Thiết lập được pipeline end-to-end từ xử lý dữ liệu, tạo embedding, xây dựng RAG đến triển khai lên web.
Tự tin ứng dụng các framework LangChain, HuggingFace, FAISS vào dự án cá nhân hoặc doanh nghiệp.

Đối tượng học tập

Người mới tìm hiểu LLM/AI Agent có kiến thức nền ML/DL/NLP cơ bản và muốn học triển khai thực tiễn.
Kỹ sư phần mềm, data/AI engineer, sinh viên CNTT muốn xây dựng sản phẩm AI end-to-end.
Người làm doanh nghiệp cần hiểu cách áp dụng LLM và RAG để xây chatbot nội bộ hoặc trợ lý AI chuyên biệt.

Chuẩn đầu ra 

Kiến thức nền tảng LLM & RAG

Kiến thức nền tảng LLM & RAG

Nắm vững kiến trúc LLM, Finetuning và pipeline RAG.

Kỹ năng xây dựng hệ thống RAG

Kỹ năng xây dựng hệ thống RAG

Tự tạo embedding, lưu trữ vector và triển khai RAG từ dữ liệu cá nhân.

Kỹ năng phát triển AI Agent

Kỹ năng phát triển AI Agent

Xây Agent có Tool, Memory, khả năng reasoning và multi-step answering.

Khả năng triển khai thực tế

Khả năng triển khai thực tế

Tự động đưa hệ thống lên Web/App và tạo bản demo có thể chia sẻ.

Lộ trình học tập 

Buổi 1: Tổng quan về LLM và hệ thống RAG
  • Tổng quan về LLM: Kiến trúc, cách hoạt động (transformer, attention), các kiến trúc LLM (encoder-decoder, decoder only).
  • Giới thiệu về Pretraining → Finetuning → Inference.
  • Tổng quan RAG (Retrieval-Augmented Generation): Khái niệm và ứng dụng thực tiễn.
  • Mối liên hệ giữa LLM, RAG và các ứng dụng doanh nghiệp.
  • Cài đặt môi trường phát triển: Python, Jupyter Notebook, VSCode, Git, Conda.
  • Cài đặt LangChain, OpenAI SDK/Gemini SDK.
  • Gọi thử LLM qua API (OpenAI hoặc Gemini) bằng Curl và Python.
  • Kỹ thuật Finetune: Full vs PEFT (LoRA, QLoRA).
  • Giới thiệu về RLHF (Reinforcement Learning with Human Feedback).
  • Cấu trúc prompt và template chat cho các LLM khác nhau.
  • Các framework phổ biến: Transformers, PEFT, QLoRA, Unsloth.
  • Demo finetuning mô hình LLM cơ bản sử dụng Hugging Face Transformers.
  • Sử dụng LoRA để thực hiện parameter-efficient finetuning với một mô hình LLM.
  • Hướng dẫn sử dụng Unslothai hoặc các framework finetuning khác (như PEFT, QLoRA) để tối ưu mô hình LLM.
  • Pipeline RAG: Embedding → Vector DB → Truy xuất → LLM trả lời.
  • Các công cụ lưu trữ vector phổ biến: FAISS, ChromaDB, Weaviate.
  • Cách tích hợp RAG vào hệ thống AI Agent, sử dụng LangChain để dễ dàng kết nối các bước.
  • Tạo Embedding từ tài liệu PDF (thư viện pháp luật).
  • Lưu trữ dữ liệu vào FAISS và kết nối với LangChain.
  • Xây dựng hệ thống RAG cơ bản với LangChain để truy xuất dữ liệu và trả lời câu hỏi từ tài liệu thư viện pháp luật.
  • Giới thiệu về AI Agent: zero-shot, react, plan-and-act.
  • Cách thức hoạt động của Agent: lập kế hoạch và thực hiện hành động (Plan-and-Act).
  • Memory trong LangChain: Làm sao lưu trữ lịch sử hội thoại để cải thiện tương tác.
  • Các công cụ hỗ trợ trong LangChain: Tools, Memory, Agent Types (React, Plan-and-Act).
  • Xây dựng AI Agent với khả năng gọi các Tool (ví dụ: Calculator, Search Tool).
  • Tích hợp Memory để ghi nhớ thông tin và lịch sử hội thoại trong LangChain.
  • Xây dựng Agent thực hiện các tác vụ lập kế hoạch và phản hồi thông minh.
  • Kiến trúc tổng thể: Agent sử dụng RAG như một Tool truy xuất tri thức.
  • Các chiến lược thiết kế Agent: Multi-agent, Modular agent.
  • Cách tích hợp RAG vào Agent như một bước trong quy trình trả lời câu hỏi thông minh.
  • Giới thiệu về MCP (Model Context Protocol).
  • Kết hợp hệ thống RAG và Agent: sử dụng RAG Tool trong Agent để truy xuất tri thức và thực hiện reasoning.
  • Xây dựng một Agent có khả năng trả lời câu hỏi từ tài liệu PDF hoặc dữ liệu cá nhân thông qua RAG.
  • Thực hiện các tác vụ phức tạp, như tìm kiếm thông tin và trả lời câu hỏi đa bước.
  • Các lựa chọn triển khai AI Agent: Gradio, Streamlit, FastAPI, HuggingFace Spaces.
  • Tạo giao diện chatbot sử dụng Gradio.
  • Các vấn đề cần lưu ý khi triển khai AI Agent vào sản phẩm thực tế.
  • Dùng Gradio hoặc Streamlit để xây dựng giao diện web cho AI Agent.
  • Chia sẻ link demo hệ thống AI Agent hoạt động.
  • QA về khóa học, học viên tự xây dựng và triển khai hệ thống.
Tìm hiểu ngay

Giảng viên

Ths. Nguyễn Việt Hoài

Thạc sĩ Khoa học dữ liệu - ĐHBKHN
Machine Learning Team Lead tại GMO Runsystem
– 5+ năm kinh nghiệm xây dựng hệ thống AI cho doanh nghiệp Nhật
– Từng công tác tại FPT Smart Cloud, Sun Asterisk
– Thành thạo: Llama-cpp, LangChain, FastAPI, HuggingFace, FAISS, Docker
– Tác giả nhiều mô hình OCR, Smart Agent, các hệ thống AI ứng dụng vào KYC, hiểu văn bản, trợ lý doanh nghiệp...
- Best Paper Award tại hội thảo MAPR 2023
- Đạt thứ hạng cao trong các cuộc thi AI như ICDAR2021, RIVF2021

Dự án học viên

Feedback học viên 

Lợi ích chỉ có tại COLE

Giới thiệu việc làm sau khóa học

Học lại free

Cộng đồng chuyển đổi số 1

Câu hỏi thường gặp

1. Khóa học có phải học trực tiếp với giảng viên không?
Không. Đây là khóa học online qua video đã được ghi hình, học viên có thể học theo tốc độ của riêng mình, không phụ thuộc vào lịch học live.
Video được cung cấp trọn đời, bạn có thể xem lại không giới hạn số lần cho đến khi nắm vững kiến thức.
Có. Học viên sẽ được nhận slide bài giảng, file dữ liệu thực hành, hướng dẫn chi tiết để dễ dàng thực hành song song với video.
Nội dung được thiết kế theo tỉ lệ 60% lý thuyết – 40% thực hành, kèm các bài tập & case study từ tình huống thực tế.
Bạn có thể đặt câu hỏi và nhận hỗ trợ từ trợ giảng & cộng đồng học viên riêng.
Có. Bạn sẽ nhận toàn bộ video, tài liệu và quyền tham gia cộng đồng học viên.
Tìm hiểu ngay
Liên hệ với chúng tôi

Để biết thêm thông tin chi tiết đừng ngần ngại gọi cho chúng tôi.

Hoặc để lại thông tin

COLE - Lựa chọn hàng đầu cho nhân
sự về Digital Skills

5000+

Học viên theo học

30%

Thu nhập học viên tăng lên sau khi học

30+ Khóa học

Hàng đầu về ứng dụng công nghệ

50+

Chuyên gia hàng đầu về chuyển đổi số

300+ Doanh nghiệp hàng đầu lựa chọn Cole để nâng cấp kỹ năng

Hình ảnh lớp học