Series này nối tiếp LLM từ zero: khi bạn đã hiểu attention, fine-tuning, inference, câu hỏi tiếp theo là “ghép LLM với thế giới ngoài thì sao”. Đó là agent: LLM cộng với tools, memory, và một control loop quyết định bước tiếp theo.

Agent là một abstraction lỏng. Mỗi framework gọi khác nhau, mỗi paper định nghĩa hơi khác. Series này không cố hợp nhất các định nghĩa. Mỗi bài tập trung một concept cụ thể, code chạy được, và một pitfall mà tôi (hoặc người khác) đã va vào trong production.

Cách tiếp cận: build from scratch trước, framework sau. Bài 5 sẽ có một agent ~100 dòng Python chỉ dùng Anthropic SDK. Đến bài 19, mới so sánh LangGraph, CrewAI, AutoGen. Lý do: framework che mất control loop, mà control loop là phần dễ sai nhất khi agent vào production.

Đối tượng

  • Senior dev 3+ năm, đã đọc qua LLM từ zero hoặc đã hiểu attention/tokenization/inference ở mức “không còn hỏi LLM là gì”
  • Backend / fullstack dev đang build AI feature trong sản phẩm, muốn vượt qua mức “gọi API trong một vòng for loop”
  • Engineer đã thử agent một lần thấy nó loop vô hạn / hallucinate / đốt $200 trong 1 giờ, muốn hiểu tại sao
  • Không yêu cầu background ML chuyên sâu. Cần Python ổn, biết async, biết JSON schema

Approach

Không phải course. Không có quiz, không có certificate. Đây là working notes của một dev đang build agent thật: viết lại những gì đã hiểu, kèm code chạy được, kèm fail mode đã gặp.

Mỗi bài có:

  • Mental model trước, abstraction sau, code sau cùng
  • Code Python với Anthropic SDK (Claude Sonnet 4.6) hoặc OpenAI SDK khi phù hợp
  • Pitfall thật: incident, fail mode, cost surprise, security gotcha
  • So sánh với phần quen thuộc: nếu bạn biết queue / state machine / RPC thì agent có analog rõ
  • Cross-link sang LLM series khi đụng attention, tokenization, eval

Cấu trúc series

Part 1: Foundation

Mục tiêu: hiểu agent là gì, build được một agent tối giản từ đầu.

#TitleStatus
1Agent là gì: LLM cộng tools cộng memory cộng loopĐã xuất bản
2Tool use cơ bản: function calling, JSON schema, error handlingĐã xuất bản
3Control loop: ReAct, agentic loop, điều kiện dừngĐã xuất bản
4Memory cho agent: context window, scratchpad, summarizationĐã xuất bản
5Build agent từ đầu: 100 dòng Python với Anthropic SDKĐã xuất bản

Part 2: Planning và Reasoning

Mục tiêu: agent biết “nghĩ” trước khi hành động, không chỉ phản xạ một bước.

#TitleStatus
6ReAct: thought, action, observation cycleĐã xuất bản
7Plan-and-Execute: tách planning khỏi executionĐã xuất bản
8Tree of Thoughts và tree search cho agentĐã xuất bản
9Self-reflection: critic, verifier, retry patternĐã xuất bản
10Chain-of-Thought so với structured reasoningĐã xuất bản

Part 3: Tools và Environment

Mục tiêu: agent tương tác được với thế giới thật, an toàn.

#TitleStatus
11Tool design: schema, validation, idempotencyĐã xuất bản
12Code execution sandbox: subprocess, Docker, e2bĐã xuất bản
13Browser automation cho agent: Playwright và computer useĐã xuất bản
14RAG cho agents: retrieval trong vòng lặp, không phải QAĐã xuất bản
15MCP (Model Context Protocol): chuẩn hoá tool layerĐã xuất bản

Part 4: Multi-agent

Mục tiêu: nhiều agent phối hợp, khi nào nên, khi nào không.

#TitleStatus
16Multi-agent patterns: supervisor, handoff, debateĐã xuất bản
17Communication: shared state so với message passingĐã xuất bản
18Specialized agent roles: planner, executor, reviewerĐã xuất bản
19LangGraph, CrewAI, AutoGen: framework so sánhĐã xuất bản
20Case study: Anthropic SDK agents và Claude Code agentsĐã xuất bản

Part 5: Production

Mục tiêu: agent chạy được trên user thật, không cháy ngân sách, không bị inject.

#TitleStatus
21Eval cho agent: trace, replay, golden set, regressionĐã xuất bản
22Cost và latency: token budget, streaming, prompt cachingĐã xuất bản
23Failure modes: hallucination, infinite loop, hijackingĐã xuất bản
24Security: prompt injection, tool sandboxing, secretsĐã xuất bản
25On-call cho agent: monitoring, alerts, rollback, A/B testĐã xuất bản

Hai bài bonus deep-dive vào hai framework agent đang dẫn đầu 2026. Không bắt buộc đọc, nhưng đáng xem nếu muốn benchmark tool đang trend.

#TitleStatus
26OpenClaw: open-source agent framework đang dẫn đầu 2026Đã xuất bản
27Hermes Agent: AI tự học, persistent memory, chạy trên $5 VPSĐã xuất bản

Cách đọc series

Mỗi bài đứng được một mình. Nhưng đọc tuần tự sẽ tốt hơn vì Part 1 build mental model, Part 2-3 mở rộng từ đó, Part 4-5 giả định bạn đã code được một agent đơn giản.

Nếu đã build agent rồi và chỉ quan tâm vận hành: Part 5 đọc trước được. Nếu đã quen với LangGraph nhưng chưa hiểu control loop bên dưới: Part 1-2 sẽ làm sáng tỏ.

Không có thứ tự sai. Chỉ có thứ tự hiệu quả hơn.

Bài 1, Agent là gì: LLM cộng tools cộng memory cộng loop, khởi động series. Bắt đầu từ đó.

Cập nhật lần cuối: 2026-05-18 Trạng thái series: 25/25 đã xuất bản + 2 bonus (OpenClaw, Hermes Agent)