Tìm hiểu về Model Context Protocol (MCP) - tiêu chuẩn mới để kết nối Agent với các công cụ, cơ sở dữ liệu và nội dung bên ngoài một cách nhanh chóng và bảo mật.
Học cách thiết kế hệ thống nơi các Agent có thể chủ động chuyển đổi cuộc hội thoại cho nhau dựa trên yêu cầu của người dùng bằng cách cập nhật trạng thái activeAgent.
Học cách xây dựng hệ thống đa Agent chuyên biệt, nơi một Supervisor đóng vai trò điều phối và giao việc cho các Subagents để cô lập ngữ cảnh và tăng hiệu suất.
Học cách sử dụng giao diện Store để lưu trữ thông tin và sở thích người dùng vĩnh viễn, vượt qua giới hạn của từng phiên hội thoại đơn lẻ trên hệ thống chuyên nghiệp.
Học cách sử dụng middleware để thay đổi System Prompt và danh sách Tools của Agent một cách linh hoạt dựa trên vai trò người dùng hoặc trạng thái hệ thống thực tế.
Học cách sử dụng đối tượng Command để gửi lệnh Duyệt (Approve), Sửa (Edit) hoặc Từ chối (Reject) giúp Agent tiếp tục thực thi sau khi bị tạm dừng.
Học cách thiết lập "Phanh an toàn" cho Agent bằng cách sử dụng interrupts để tạm dừng quá trình thực thi ngay trước khi một công cụ nhạy cảm được gọi.
Học cách sử dụng middleware piiMiddleware để tự động phát hiện, che giấu hoặc chặn các thông tin nhạy cảm của người dùng (Email, Số điện thoại, Thẻ tín dụng) trên hệ thống chuyên nghiệp.
Làm chủ cơ chế wrapModelCall và wrapToolCall để xây dựng hệ thống tự động sửa lỗi và thử lại khi AI hoặc công cụ gặp sự cố, đảm bảo tính bền bỉ của Agent.
Học cách sử dụng Node-style hooks để can thiệp vào luồng xử lý của Agent, cho phép bạn quan sát, log dữ liệu hoặc thay đổi trạng thái trước và sau khi AI suy luận.
Học cách sử dụng config.writer bên trong Tool để báo cáo tiến độ xử lý và gửi dữ liệu tùy chỉnh về giao diện người dùng theo thời gian thực.
Học cách sử dụng agent.stream để truyền dữ liệu về giao diện người dùng theo thời gian thực, mang lại trải nghiệm mượt mà và phản hồi tức thì cho Agent.
Sử dụng middleware chuyên nghiệp để tự động nén lịch sử trò chuyện khi quá dài, giúp giải quyết thách thức về chi phí và giới hạn ngữ cảnh trong production.
Giúp Agent ghi nhớ lịch sử cuộc trò chuyện trong một phiên làm việc bằng cách sử dụng MemorySaver và Thread ID, xây dựng trên hệ thống chuyên nghiệp từ Bài 1.
Use Zod's strict validation rules to force the AI to return data that is logically correct and properly formatted, significantly increasing Agent reliability.
Học cách ép Agent trả về dữ liệu định dạng JSON chính xác thay vì văn bản tự do, giúp dễ dàng tích hợp với các hệ thống phần mềm.
Cấp quyền truy cập Internet cho Agent để tìm kiếm thông tin thời gian thực và tin tức mới nhất thông qua Tavily API.
Kết nối Model và Tool thành một Agent tự vận hành, hiểu cách AI suy luận và thực hiện hành động thông qua vòng lặp ReAct.
Học cách biến một hàm JavaScript thông thường thành một công cụ mà AI có thể hiểu và sử dụng thông qua Zod Schema.
Khám phá các thách thức khi đưa AI Agent vào thực tế và học cách thiết lập môi trường phát triển chuyên nghiệp sử dụng hệ thống tiện ích tập trung.
Hoàn thiện dự án AI Email Assistant. Tích hợp cơ chế Human-in-the-loop để phê duyệt bản thảo và sử dụng Persistence để lưu trữ tiến trình.
Bắt đầu xây dựng dự án cuối khóa. Học cách thiết kế State phức tạp và Node phân loại ý định sử dụng Structured Output để điều phối Agent.
Tìm hiểu cách đóng gói các Graph con (Subgraphs) vào trong Graph cha để quản lý sự phức tạp, cô lập trạng thái và phát triển Agent theo từng module độc lập.
Tìm hiểu cách sử dụng Checkpointer cho bộ nhớ ngắn hạn và Store cho bộ nhớ dài hạn, giúp Agent ghi nhớ thông tin xuyên suốt nhiều phiên làm việc.
Khám phá khả năng "du hành thời gian" của LangGraph để truy vấn lịch sử thực thi, sửa đổi trạng thái quá khứ và rẽ nhánh luồng công việc để sửa lỗi cho Agent.
Tìm hiểu cách sử dụng hàm interrupt() để tạm dừng Agent, chờ sự phê duyệt hoặc dữ liệu đầu vào từ con người và tiếp tục quy trình một cách an toàn.
Làm chủ hệ thống Streaming của LangGraph để cập nhật trạng thái Graph và hiển thị thông tin xử lý theo thời gian thực, cải thiện tối đa trải nghiệm người dùng (UX).
Tìm hiểu cách xây dựng các Agent có khả năng tự phục hồi sau sự cố, sử dụng Retry Policies và cơ chế thực thi kiên cố (Durable Execution) với task().
Tìm hiểu tầng lưu trữ bền bỉ của LangGraph, cách sử dụng Checkpointer để chụp ảnh trạng thái (Snapshot) và quản lý bộ nhớ qua Threads.
Khám phá các mẫu thiết kế linh hoạt cho phép Agent tự lập kế hoạch hành động và tự đánh giá để sửa lỗi (Self-Correction).
Làm chủ hai mẫu thiết kế cơ bản nhưng mạnh mẽ nhất để tăng độ chính xác của LLM và giảm độ trễ cho Agent.
Làm chủ mô hình tư duy cần thiết để chuyển đổi các yêu cầu kinh doanh phức tạp thành các AI Agent bền bỉ và có trạng thái.
Tìm hiểu cách sử dụng Conditional Edges và Router Functions để giúp AI Agent tự đưa ra quyết định rẽ nhánh luồng công việc dựa trên dữ liệu thực tế.
Tìm hiểu cách thực thi nhiều tác vụ cùng lúc (Parallel Execution) và sử dụng Reducers để hợp nhất dữ liệu từ nhiều nguồn mà không bị ghi đè.
Tìm hiểu cách sử dụng Edges để kết nối các Node và quản lý luồng thực thi tuần tự (Serial Flow) trong LangGraph.
Tìm hiểu các thành phần cốt lõi của LangGraph thông qua việc xây dựng một Graph đơn giản với State và Nodes, sử dụng Zod để quản lý dữ liệu.
Khám phá các thách thức cơ bản khi xây dựng AI Agent sẵn sàng cho production và tìm hiểu cách LangGraph cung cấp một durable runtime để giải quyết các vấn đề về độ trễ, độ tin cậy và tính dự đoán.