Kiến thức nền tảng

• Python – học cú pháp, kiểu dữ liệu, OOP và các tính năng hiện đại như async, type hint. Thực hành viết script và API.
• Git & GitHub – quản lý mã nguồn, tạo nhánh, hợp nhất, giải quyết xung đột và quy trình làm việc nhóm chuyên nghiệp.
• Docker – container hoá ứng dụng, tạo image, quản lý volume, triển khai dịch vụ AI trong môi trường cô lập.
• Pydantic – xác thực và chuyển đổi dữ liệu an toàn, giúp xây dựng API AI đáng tin cậy.

Cơ sở AI: LLM và Transformer

• LLM – hiểu mô hình ngôn ngữ lớn, cách GPT hoạt động, từ tiền huấn luyện tới fine‑tuning.
• Tokenization, embeddings, attention và transformer – giải thích bằng ví dụ thực tế, hỗ trợ xử lý tiếng Việt và tiếng Anh.
• Multi‑head attention, positional encoding và bài báo “Attention is All You Need” – nắm bắt lý thuyết nền tảng.

Kỹ thuật Prompt Engineering

• Chiến lược prompt – zero‑shot, one‑shot, few‑shot, chain‑of‑thought, giúp khai thác khả năng suy luận của LLM.
• Định dạng Alpaca, ChatML, LLaMA‑2 – tùy chỉnh đầu ra, kết hợp Pydantic để tạo JSON cấu trúc.
• Thực hành tạo prompt cho viết mã, tóm tắt, đề xuất kinh doanh, kèm ví dụ thực tế.

Triển khai và sử dụng LLMs

• Thiết lập API OpenAI và Gemini bằng Python, quản lý key và xử lý lỗi.
• Chạy LLM cục bộ với Ollama + Docker – giảm phụ thuộc cloud và tùy chỉnh mô hình.
• Sử dụng mô hình Hugging Face và INSTRUCT‑tuned, đạt hiệu năng cao cho các tác vụ đặc thù.
• Kết nối LLM với FastAPI, tạo dịch vụ RESTful cho front‑end hoặc app di động.

Agents & RAG (Retrieval‑Augmented Generation)

• Xây dựng AI Agent từ đầu – chương trình tự quyết định, thực thi lệnh trên hệ thống.
• Phát triển coding agent dựa trên Claude, hỗ trợ viết mã qua CLI.
• Thiết kế pipeline RAG đầy đủ – thu thập tài liệu, lập chỉ mục, truy xuất, trả lời, dùng LangChain.
• Sử dụng Redis/Valkey để xử lý truy xuất bất đồng bộ, tăng tốc độ phản hồi.
• Mở rộng RAG bằng workers và FastAPI, kiến trúc micro‑service cho môi trường doanh nghiệp.

LangGraph & Memory (Bộ nhớ AI)

• LangGraph – mô hình hoá trạng thái, nút, cạnh, xây dựng workflow AI phức tạp.
• Checkpointing với MongoDB, lưu trạng thái giữa các phiên để tránh mất dữ liệu.
• Bộ nhớ ngắn hạn, dài hạn, episodic, semantic – tích hợp vào agent để cải thiện suy luận.
• Sử dụng Mem0 và Vector DB để lưu trữ và truy vấn ngữ nghĩa nhanh.
• Graph memory với Neo4j và ngôn ngữ Cypher, cung cấp khả năng quan hệ dữ liệu mạnh mẽ.

AI Đối thoại & Đa phương tiện

• Xây dựng agent thoại, tích hợp STT và TTS, tạo trải nghiệm người dùng tự nhiên.
• Phát triển trợ lý giọng nói AI cho lập trình, giống Cursor IDE, nhận lệnh bằng giọng và trả lời mã.
• Khai thác LLM đa phương tiện xử lý ảnh và văn bản đồng thời, mở ra ứng dụng mô tả hình ảnh.

Model Context Protocol (MCP)

• MCP – giao thức truyền tải ngữ cảnh mô hình, hỗ trợ tương tác liên tục và streaming.
• Transport STDIO và SSE, cho phép server AI trả lời thời gian thực.
• Viết server MCP bằng Python, tích hợp trực tiếp với mô hình đã huấn luyện.

• Tokenizer tự xây dựng – viết trình phân tách token, hiểu cách LLM xử lý chuỗi ký tự.
• Ứng dụng AI cục bộ (Ollama + FastAPI) – triển khai dịch vụ trả lời qua HTTP trên máy cá nhân.
• Trợ lý lập trình CLI – công cụ hỗ trợ viết code, tìm lỗi, đề xuất cải tiến bằng LLM.
• Pipeline RAG tài liệu – dùng LangChain và Vector DB xây dựng hệ thống truy xuất và trả lời tài liệu.
• Hệ thống RAG mở rộng (Redis & FastAPI) – đáp ứng high‑throughput cho doanh nghiệp.
• Agent thoại AI (STT + GPT + TTS) – tạo trợ lý ảo giao tiếp bằng giọng nói thực tế.
• Agent nhớ đồ thị với Neo4j – lưu trữ và truy vấn mối quan hệ phức tạp, nâng cao suy luận.
• Server AI dựa trên MCP – triển khai giao thức bối cảnh để hỗ trợ các phiên trò chuyện liên tục.

• Người mới bắt đầu – lộ trình học toàn diện, phù hợp với Complete AI & LLM Engineering Bootcamp cho người mới bắt đầu.
• Nhà phát triển – tích hợp LLM, RAG, agent vào sản phẩm thực tế.
• Kỹ sư dữ liệu & backend – mở rộng hệ thống hiện có với AI.
• Học sinh, sinh viên, chuyên gia – nâng cao kỹ năng AI, tăng sức cạnh tranh.