Khóa học Bootcamp LLMs & AI Agents Thực chiến

Nhận tư vấn Tải về chương trình học

Thời lượng

06 buổi

Hình thức đào tạo

Online qua LMS

Học phí

Liên hệ

Tổng quan

Doanh nghiệp hiện nay cần những kỹ sư có khả năng đưa LLM vào hệ thống thực tế: hiểu sâu cơ chế mô hình, làm chủ Advanced RAG để loại bỏ ảo giác (hallucination), và xây dựng các AI Agent tự chủ (Autonomous Agents) biết sử dụng công cụ, có trí nhớ dài hạn và phối hợp đa luồng.

Khóa học LLMs & Production AI Agents được thiết kế theo phương pháp "Learn-by-Building" (Học qua thực chiến). Bạn không chỉ dừng lại ở việc gọi API OpenAI/Gemini cơ bản, mà sẽ tự tay làm chủ toàn bộ pipeline: từ Finetuning mô hình mã nguồn mở tối ưu chi phí, xây dựng RAG truy xuất chính xác cao, thiết kế Agentic Workflows với LangGraph/MCP, đến đóng gói triển khai ứng dụng web hoàn chỉnh sẵn sàng phục vụ người dùng.

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

Làm chủ nền tảng Core LLM: Hiểu bản chất Attention Mechanism, Tokenization, Context Window và ranh giới giữa Prompt Engineering, Finetuning và RAG.
Finetune mô hình mã nguồn mở: Nắm vững PEFT/LoRA/QLoRA và framework Unsloth để huấn luyện mô hình chuyên biệt với chi phí phần cứng tối thiểu.
Xây dựng Production RAG Pipeline: Tự thiết kế hệ thống RAG hoàn chỉnh với kỹ thuật Chunking thông minh, Hybrid Retrieval và Vector Database (FAISS/ChromaDB).
Kiến trúc AI Agent đa nhiệm: Tự tay phát triển Agent với kỹ thuật ReAct, Plan-and-Solve, tích hợp Tool Calling, State Management và Long-term Memory.
Đón đầu xu hướng Model Context Protocol (MCP): Ứng dụng giao thức MCP để chuẩn hóa cách AI Agent kết nối với dữ liệu cục bộ, cơ sở dữ liệu và các microservices.
Đóng gói & Triển khai End-to-End: Triển khai sản phẩm qua Streamlit/Gradio hoặc RESTful API với FastAPI, tự tin thêm dự án thực chiến vào CV/Portfolio.

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

Machine Learning Team Lead – GMO Runsystem

Học vấn:        
• Thạc sĩ Khoa học Dữ liệu – Đại học Bách Khoa Hà Nội.        
Kinh nghiệm công tác:        
• Machine Learning Team Lead – GMO Runsystem: Dẫn dắt đội ngũ triển khai các hệ thống AI cho doanh nghiệp Nhật.        
• Từng công tác tại FPT Smart Cloud và Sun Asterisk, phụ trách mảng AI ứng dụng và xử lý dữ liệu lớn.        
• 5+ năm kinh nghiệm triển khai sản phẩm AI trong các lĩnh vực KYC, OCR, Smart Agent, hiểu văn bản & trợ lý doanh nghiệp.        
Chuyên môn kỹ thuật:        
• Thành thạo: Llama-cpp, LangChain, FastAPI, HuggingFace, FAISS, Docker.        
• Kinh nghiệm phát triển và huấn luyện mô hình ngôn ngữ (LLMs), ứng dụng AI trong quy trình tự động hóa doanh nghiệp.        
Thành tựu & nghiên cứu:        
• Best Paper Award – MAPR 2023.        
• Đạt thứ hạng cao tại các cuộc thi AI quốc tế: ICDAR 2021, RIVF 2021.        
• Tác giả nhiều mô hình AI đang được ứng dụng thực tế tại các doanh nghiệp Nhật Bản.        

Xem thêm

Dự án học viên

Feedback học viên 

Đặng Thế Vinh

Senior Software Engineer - ★★★★★

"Trước đây mình chỉ biết gọi API của OpenAI và làm Prompt cơ bản, nhưng khi đụng vào bài toán thực tế như xử lý dữ liệu nội bộ khổng lồ thì bị tắc vì lỗi 'hallucination' (ảo giác AI). Khóa Bootcamp này tại Cole thực sự khai sáng cho mình về kỹ thuật RAG và cách tối ưu Vector Database. Lộ trình học rất thực chiến, từ việc xử lý Chunking dữ liệu đến cách xây dựng Agentic Workflows có khả năng tự suy luận và ra quyết định. Hiện tại mình đã tự tay build được một hệ thống AI Assistant hỗ trợ kỹ thuật cho công ty với độ chính xác cực cao. Một khóa học không thể bỏ qua nếu bạn muốn làm chủ làn sóng AI Agents!"

Hoàng Bảo Ngọc

AI Product Manager - ★★★★★

"Điều mình tâm đắc nhất ở Bootcamp LLMs của Cole.vn là tư duy thiết kế hệ thống AI bền vững. Giảng viên dạy rất sâu về LangChain và cách kết nối các công cụ (Tools) để AI Agent có thể tự thực hiện task thay vì chỉ trả lời văn bản thuần túy. Khung chương trình cực kỳ chất lượng, bám sát các thư viện mới nhất hiện nay. Phần thực hành về Multi-Agent (nhiều AI cộng tác với nhau) là một điểm sáng giúp mình giải quyết được bài toán tự động hóa quy trình nghiệp vụ phức tạp cho khách hàng. Cảm ơn đội ngũ Mentor đã hỗ trợ nhiệt tình suốt quá trình hoàn thiện dự án cuối khóa!"

Nguyễn Anh Tuấn

Junior AI Developer - ★★★★★

"Là một người mới tiếp cận mảng LLMs, mình từng bị ngợp bởi lượng kiến thức thay đổi quá nhanh trên internet. Bootcamp này đã giúp mình hệ thống hóa lại toàn bộ từ nền tảng Transformer đến việc triển khai (Deployment) một ứng dụng AI Agent lên Cloud. Mình cực kỳ thích phần học về tối ưu hóa Latency và quản lý Memory cho Agent – những kiến thức cực kỳ 'đắt giá' khi làm sản phẩm thực tế. Mentor đồng hành rất sát sao, hướng dẫn mình cách debug luồng suy nghĩ của AI (Chain-of-Thought). Kết thúc khóa học, mình đã có đủ tự tin và Portfolio để apply thành công vào vị trí AI Engineer tại một Startup công nghệ lớn."

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

Khóa học học qua video ghi hình thì có được hỗ trợ khi code bị lỗi không?
Chắc chắn có. Mỗi bài thực hành đều có source code chuẩn đi kèm. Khi gặp bug hoặc thắc mắc về logic dự án, bạn được hỗ trợ trực tiếp trong nhóm hỗ trợ kỹ thuật riêng bởi trợ giảng và Mentor.
Hoàn toàn được. Toàn bộ các bài thực hành Finetuning và chạy Vector DB trong khóa học đều được tối ưu hóa để chạy mượt mà trên môi trường Google Colab (sử dụng GPU T4 miễn phí) và các nền tảng Cloud Serverless.
Tài liệu trên mạng thường bị phân mảnh, nhanh lỗi thời và chỉ dừng ở mức gọi API cơ bản (Hello World). Khóa học tập trung giải quyết các bài toán "đau đầu" khi làm sản phẩm thật: quản lý state của Agent, xử lý dữ liệu phức tạp trong RAG, chống hallucination và tối ưu chi phí hạ tầng.
Bạn có thể tự tay xây dựng: Trợ lý tra cứu tri thức nội bộ công ty (Knowledge Base Agent), Bot hỗ trợ chăm sóc khách hàng tự động tra cứu dữ liệu đơn hàng (Customer Support Agent), Hệ thống tự động phân tích và tóm tắt hồ sơ/hợp đồng, hoặc các Agent tự động hóa thu thập và xử lý dữ liệu từ web.
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