Tổng quan
LLM → Agentic AI
Bức tranh chung trước khi chúng ta đi sâu vào kiến trúc và 21 design pattern.
01 · Vì sao Agentic AI?
Thị trường & giới hạn của LLM một mình
02 · Tiến trình phát triển AI
Specialized AI → Early GenAI → AI Agent → Agentic AI
03 · Agent là gì?
Định nghĩa, vòng lặp 5 bước, sơ đồ kinh điển
04 · Vòng đời Context (teaser)
Cái mà LLM "nhìn thấy" trong mỗi turn — sẽ đào sâu ở S-02
05 · Roadmap 12 buổi
Bản đồ khoá học & chuẩn bị cho buổi sau
Vì sao chúng ta
nói về Agentic AI?
96%
Doanh nghiệp lớn đang dùng hoặc mở rộng AI agent (Cloudera, 04/2025).
$5.2B → ~$200B
Quy mô thị trường Agentic AI 2024 → 2034 (Market.us).
~24 tháng
Paradigm dịch: Prompt → RAG → Agent → Agentic.
$2B+ vốn
Startup agent gọi vốn riêng trong 2024.
"Nếu 18 tháng vừa qua là về động cơ (LLM), kỷ nguyên tới là về chiếc xe ta dựng quanh nó — các framework biến LLM thành một tác nhân biết hành động."
— Marco Argenti, CIO Goldman Sachs
Một LLM, một prompt — không đủ
• Knowledge cutoff — không biết dữ liệu mới.
• No action — không gọi API, không truy hồi, không nhớ phiên trước.
• Hallucination — bịa khi vượt tri thức.
• Instruction neglect — bỏ sót khi prompt dài.
• Error propagation — sai đầu chuỗi, sai cả chuỗi.
Bổ sung CẤU TRÚC quanh LLM
• Chia nhỏ task — Chaining, Routing.
• Gắn dữ liệu thật — RAG, MCP.
• Tool / API — function calling, code exec.
• Bộ nhớ — short + long term.
• Rào chắn — guardrails, HITL, eval.
21 design pattern của khoá học chính là cấu trúc mà ta dựng quanh LLM.
Tiến trình phát triển AI
từ Specialized AI đến Agentic AI
Specialized AI
"AI Chuyên Biệt"
Thiết kế cho một tác vụ cụ thể. Không hiểu ngữ cảnh, không tạo nội dung mới. Mỗi hệ thống giỏi đúng 1 việc.
Early Generative AI
"Hỏi – Đáp, một lượt"
Nhận prompt, trả output, xong. Không memory, không tool, không tương tác hệ thống ngoài. Hoàn toàn reactive.
GenAI · AI Agent
"Giao mục tiêu, tự hoàn thành"
Vòng lặp Quan sát → Suy luận → Hành động. Sử dụng tool (API, file, code, web). Tự phân rã task lớn.
GenAI · Agentic AI
"Đa agent phối hợp, tự chủ cao"
Kiến trúc đa agent — chuyên biệt cộng tác. Có uỷ quyền, tự đánh giá, hoạt động xuyên phiên. Chủ động thay vì chờ lệnh.
AI Agent và Agentic AI là các bước tiến hoá nằm trong GenAI — từ tạo sinh đến hành động tự chủ. Mỗi thế hệ bao trùm năng lực của thế hệ trước.
| Tiêu chí | LLM | RAG | AI Agent | Agentic AI |
|---|---|---|---|---|
| Nguồn tri thức | Đã huấn luyện | + DB truy hồi | + Tool / API live | + Nhiều agent & tool |
| Hành động | Chỉ sinh text | Chỉ sinh text | Hành động đa bước | Phối hợp đa luồng |
| Bộ nhớ | Không | Theo phiên | Ngắn + dài hạn | Chia sẻ giữa agent |
| Mức tự chủ | Thấp | Thấp | Trung bình → cao | Cao |
| Rủi ro chính | Hallucination | Retrieval kém | Lỗi tool, loop vô tận | Chi phí, đồng bộ state |
Quy tắc thực chiến: chỉ leo cấp khi cấp dưới đã đủ tốt. Agent kém + dữ liệu bẩn = "thảm hoạ có tổ chức".
Agent là gì?
Vòng lặp 5 bước
Get the Mission
Nhận mục tiêu. Vd: "Sắp lịch tuần."
Scan the Scene
Thu thập context: email, calendar, DB.
Think It Through
Lập kế hoạch các bước.
Take Action
Gọi API, gửi mail, cập nhật lịch.
Learn & Get Better
Quan sát kết quả, cập nhật memory.
Mọi design pattern trong khoá học đều xoay quanh việc củng cố một trong 5 bước này.
© Lilian Weng — "LLM Powered Autonomous Agents" (2023)
Đọc sơ đồ
- Agent (LLM): bộ não trung tâm — sinh kế hoạch & ra quyết định.
- Planning: chia mục tiêu, reflection, self-critique.
- Memory: ngắn hạn (in-context) + dài hạn (vector DB).
- Tools: gọi API, search, code, calendar…
- Action: tác động lên môi trường, nhận feedback.
Đây là khung tham chiếu mà chúng ta sẽ bóc tách kỹ ở S-03 — kiến trúc AI Agent.
Reasoning Engine
LLM thuần — không tool, không memory.
Connected Solver
+ Tools (search, RAG, API).
Strategic Solver
+ Planning & reflection. Context engineering.
Multi-Agent
Đội ngũ chuyên môn hoá + orchestrator.
Metamorphic
Tự sinh / loại bỏ agent theo mục tiêu.
Càng leo cấp, năng lực càng cao — nhưng độ tin cậy & chi phí kiểm soát cũng tăng theo. Chi tiết từng level: S-03 & S-04.
Vòng đời Context
— teaser cho S-02 —
3 vai trò cơ bản
System
Định hình hành vi: tone, vai trò, ràng buộc, danh sách tool có thể gọi.
User
Yêu cầu của người dùng, lịch sử trao đổi, dữ liệu đính kèm.
Assistant
Phản hồi của model + lời gọi tool + kết quả tool đã có.
Mỗi turn = một "ảnh chụp" context
Ví dụ minh hoạ: model 200k tokens · ~68.6k đang dùng (34%).
1. Cost
Mỗi token = tiền. Context phình to → bill phình to. Phải biết cái gì always-in vs on-demand.
2. Accuracy
Context càng dài, model càng dễ "lạc trôi" (contextual drift). Context engineering = chọn lọc thông tin tối quan trọng.
3. Reliability
Tự động compact khi đầy có thể "ăn mất" thông tin quan trọng. Cần thiết kế persistence ngoài context.
👉 S-02 sẽ đi sâu: anatomy chi tiết, vòng đời (load → grow → compact), token economics, CLAUDE.md / GEMINI.md, context engineering best practices.
Roadmap khoá học
12 buổi · 4 track
S-01 → S-02
- · Tổng quan LLM → Agentic
- · Vòng đời Context & LLM
S-03 → S-04
- · Kiến trúc AI Agent
- · Kiến trúc Agentic (multi-agent)
S-05 → S-10
- · Prompt Chaining
- · Routing & Parallelization
- · Tool Use
- · Planning & Reflection
- · Memory & RAG
- · MCP & A2A
S-11 → S-12
- · Guardrails, HITL, Eval
- · Cost, Monitor, Deploy
Mỗi buổi 45–60 phút. Có sơ đồ thực chiến + so sánh framework + bài tập về nhà.
AI đang chuyển từ "sinh nội dung" sang "thực hiện hành động" — đó là vì sao chúng ta nói về Agentic.
AI đã đi qua 4 thế hệ: Specialized → Generative → Agent → Agentic. Agent & Agentic AI nằm trong GenAI — từ tạo sinh tới hành động tự chủ.
Agent = LLM + Planning + Memory + Tools + Action loop. Vòng lặp Perceive → Plan → Act → Learn.
Context là tài nguyên hữu hạn của LLM. Cost, accuracy & reliability đều xoay quanh nó — sẽ học sâu ở S-02.
Đừng leo cấp tự chủ khi cấp dưới chưa ổn — dữ liệu sạch + tool tin cậy + guardrails phải có trước.
Tự kiểm tra
- Mô tả 1 sản phẩm AI bạn đang dùng — nó đang ở Level nào?
- Chỉ ra 3 giới hạn khi thay nó bằng LLM thuần.
- Để leo lên Level kế — cần thêm thành phần nào?
Đọc trước
- Thử chat dài với 1 LLM. Bao giờ nó "quên" thông tin đầu?
- Xem system prompt của Cursor / Claude Code (có public).
- Tạo file
CLAUDE.md/.cursorrulescho repo của bạn.
Tham khảo
- A. Gulli — Agentic Design Patterns (Springer, 2025), Foreword + Introduction.
- Lilian Weng — LLM Powered Autonomous Agents (Lil'Log, 2023).
- Anthropic — Building Effective Agents.
Buổi 2 — Vòng đời Context & LLM
Bóc tách cái mà LLM thực sự "nhìn thấy" mỗi turn.