Bài 2 — Bộ kỹ năng cốt lõi và lộ trình học 12 tuần

Bài này biến mục tiêu mơ hồ "học AI agent" thành một lộ trình có thể hành động theo tuần. Nguyên tắc: học để làm ra sản phẩm, không học để "biết".

Bản đồ kỹ năng (skill map)

Chia làm 4 tầng, học từ dưới lên:

• Nền tảng: Python (hoặc JS/TS) đủ dùng — biến, hàm, dict/list, async cơ bản, gọi HTTP, xử lý JSON, đọc/ghi env. Git + terminal.
• LLM cơ bản: gọi API (OpenAI/Anthropic), tham số temperature, max_tokens; prompt engineering (system prompt, few-shot); structured output (JSON mode / function calling).
• Agent core: tool-calling, ReAct loop, RAG (embedding + vector DB), memory, xử lý lỗi & retry.
• Sản xuất (production): evaluation, observability (tracing), quản lý chi phí token, bảo mật (prompt injection), triển khai (deploy).

Lộ trình 12 tuần

Tuần 1-2:  Python/JS đủ dùng + gọi LLM API đầu tiên (script tóm tắt văn bản)
Tuần 3-4:  Structured output + function calling (agent gọi 1 tool: máy tính, tra thời tiết)
Tuần 5-6:  RAG (chatbot trả lời từ tài liệu PDF của bạn)
Tuần 7-8:  Multi-tool agent + LangGraph/state machine (Bài 4-6)
Tuần 9-10: Eval + observability + xử lý lỗi (Bài 7)
Tuần 11-12: Deploy + hoàn thiện 2 dự án portfolio (Bài 5, 8)

Mỗi tuần ~8-10 giờ. Cuối mỗi 2 tuần phải có một artifact chạy được đẩy lên GitHub.

Ví dụ cụ thể: mục tiêu tuần 1

Viết một script nhận file .txt, gọi LLM tóm tắt thành 5 gạch đầu dòng:

import os
from openai import OpenAI
client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

def summarize(text: str) -> str:
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Tom tat thanh 5 gach dau dong."},
            {"role": "user", "content": text},
        ],
        temperature=0.2,
    )
    return resp.choices[0].message.content

if __name__ == "__main__":
    with open("input.txt", encoding="utf-8") as f:
        print(summarize(f.read()))

Nếu bạn chạy được đoạn này cuối tuần 1, bạn đã đi trước 80% người "đang định học".

Khung tư duy "T-shaped"

• Thanh ngang của chữ T: kiến thức rộng — biết đủ về mọi tầng trên để nói chuyện với team.
• Thanh dọc: đi sâu 1 mảng (ví dụ RAG chất lượng cao, hoặc eval). Chuyên sâu là thứ khiến bạn được tuyển thay vì bị coi là "người biết loáng thoáng".

Các bước xây lộ trình cá nhân

• Kiểm kê: liệt kê thứ bạn đã biết so với skill map, đánh dấu lỗ hổng.
• Đặt cột mốc 2 tuần/lần với 1 artifact cụ thể, không phải "học xong chương X".
• Chọn 1 framework chính (khuyến nghị: bắt đầu code thuần + OpenAI/Anthropic SDK, rồi LangGraph) — tránh nhảy framework.
• Lên lịch cố định trong tuần (ví dụ 20h-22h T2/T4/T6) và bảo vệ nó.
• Cuối mỗi mốc, viết 1 đoạn ngắn "tôi làm được gì" — dùng lại cho CV/LinkedIn.

Checklist "đã sẵn sàng lên tầng tiếp theo"

• [ ] Tầng dưới đã có ít nhất 1 sản phẩm chạy thật.
• [ ] Code đã đẩy lên GitHub kèm README.
• [ ] Tôi giải thích được cho người khác cách nó hoạt động.

Nên học framework nào trước

Một câu hỏi khiến người mới tê liệt. Nguyên tắc thực chiến:

• Bắt đầu bằng SDK thuần (OpenAI/Anthropic) + Python. Bạn sẽ hiểu tận gốc vòng lặp tool-calling thay vì bị framework che giấu.
• Sau khi tự viết được agent loop, mới học LangGraph để quản lý luồng nhiều bước phức tạp (state machine) một cách gọn gàng.
• Nếu bạn không có nền code, n8n (mã nguồn mở, kéo-thả) là điểm vào tốt cho nhánh workflow automation.

Tránh học cùng lúc LangChain + LlamaIndex + CrewAI + AutoGen; chúng chồng chéo và làm bạn rối. Một cái đến khi ra sản phẩm, rồi mới so sánh.

Cách học hiệu quả gấp đôi

• Xây trước, đọc doc sau (just-in-time). Khi vướng lỗi cụ thể mới tra tài liệu — kiến thức bám lâu hơn học chay.
• Học công khai (build in public). Mỗi mốc viết một post ngắn kể bạn làm được gì. Nó vừa ép bạn hoàn thành, vừa tạo dấu ấn nghề nghiệp.
• Đọc code người khác. Clone 1-2 repo agent thật, chạy, sửa, phá để hiểu.

Checklist "đã sẵn sàng lên tầng tiếp theo"

• [ ] Tầng dưới đã có ít nhất 1 sản phẩm chạy thật.
• [ ] Code đã đẩy lên GitHub kèm README.
• [ ] Tôi giải thích được cho người khác cách nó hoạt động.
• [ ] Tôi đã chốt 1 framework chính, không nhảy lung tung.

Sai lầm thường gặp

• Học lý thuyết quá lâu trước khi code. Xây trước, thiếu đâu học đó (just-in-time learning).
• Nhảy framework liên tục. Mỗi lần đổi mất 1 tuần làm quen; hãy chốt 1 cái đến khi ra sản phẩm.
• Không có artifact. Không có gì đẩy GitHub nghĩa là không có gì để nhà tuyển dụng thấy.
• Đặt mục tiêu kiểu "xem hết khóa X". Mục tiêu phải là "làm ra Y", đo được, dùng được.
• Bỏ qua nền tảng software (Git, async, JSON). Agent engineering 80% là kỹ thuật phần mềm tốt; thiếu nền tảng là mọi thứ về sau chông chênh.