The Agentic AI Engineering Masterclass 2026

Khóa Học Chuyên Sâu Về Kỹ Thuật AI Tác Tử 2026

Xây Dựng AI Agent Sử Dụng OpenAI Agents SDK, LangGraph, N8N, CrewAI, AutoGen, CoPilot, ChatGPT Agents & MCP!

4.6

(927 đánh giá)

6,695 học viên

Giảng viên

Prof. Ryan Ahmed, Ph.D., MBA | 500,000+ Students | Best-Selling Instructor

Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao

50.000đ 349.000đ -86%

✓ Xem giỏ hàng và thanh toán

Bao gồm phụ đề tiếng Việt, tiếng Anh

13.0 giờ video

166 bài giảng

Truy cập vĩnh viễn

Học trên mọi thiết bị

Cập nhật: 29/05/2026

#Ai Agents #Artificial Intelligence #Langgraph #Openai Agents Sdk

Bạn sẽ học được gì

Xây dựng và triển khai các AI Agent tự trị thông minh bằng các framework tiên tiến như OpenAI Agents SDK, N8N, AutoGen, CrewAI, LangGraph và MCP.

Tạo ra các AI Agent có khả năng ghi nhớ, suy luận và hợp tác thông qua bộ nhớ, công cụ, rào chắn và chuyển giao nhiệm vụ.

Tìm hiểu các thành phần cốt lõi của OpenAI Agents SDK, bao gồm đối tượng Agent và lớp Runner.

Xây dựng, chạy AI Agent và giám sát hoạt động của chúng thông qua tính năng traces trên nền tảng OpenAI API.

Xây dựng cơ chế chuyển giao nhiệm vụ mượt mà, truyền tải ngữ cảnh và dữ liệu đầu vào giữa các Agent (ví dụ: Planner → Writer).

Triển khai các rào chắn để thiết lập ranh giới hoạt động (ví dụ: ngăn chặn phản hồi về các chủ đề bị hạn chế như chính trị).

Khám phá CrewAI để xây dựng các quy trình làm việc tác tử nâng cao và mở rộng Agent bằng các công cụ thực thi Python tùy chỉnh cho phân tích và mô hình hóa.

Nắm vững nguyên lý cơ bản của AI Agent đa mô hình trong AutoGen và xây dựng đội ngũ Agent sử dụng các LLM khác nhau (ví dụ: GPT, Gemini, Claude).

Hiểu cách thiết kế quy trình làm việc tác tử trong LangGraph, bao gồm kết nối chúng với các giao diện như Gradio để tương tác với người dùng.

Sử dụng n8n cho tự động hóa low-code, xây dựng các luồng công việc tích hợp AI với Google Sheets, Calendar và Gmail.

Tìm hiểu các nguyên tắc của Model Context Protocol (MCP) để các công cụ tương tác được với nhau và xây dựng Agent có thể giao tiếp với các dịch vụ MCP.

Xây dựng các hàm quản lý để điều phối quy trình làm việc đa Agent từ đầu vào đến kết quả cuối cùng.

Xây dựng AI Agent tích hợp tìm kiếm web Tavily để lấy kết quả tìm kiếm có cấu trúc và thời gian thực.

Mở rộng Agent bằng cách tích hợp các công cụ của OpenAI (ví dụ: Code Interpreter) và kết hợp tìm kiếm thời gian thực, bộ nhớ, suy luận vào quy trình làm việc.

Áp dụng Agent có bộ nhớ vào các trường hợp sử dụng thực tế (ví dụ: trợ lý nghiên cứu thị trường) cho các truy vấn đa lượt.

Phát triển một thư viện các Agent chuyên biệt (Planner, Writer, Analyst, Search Agent) và điều phối tương tác giữa chúng.

Tạo các đội Agent cộng tác cho các nhiệm vụ thực tế như chiến lược marketing, với tùy chọn thêm User Proxy (con người trong vòng lặp) để giám sát.

Xây dựng Agent LangGraph chuyên biệt theo lĩnh vực (ví dụ: đặt vé máy bay và khách sạn) và định nghĩa công cụ tùy chỉnh cho các quy trình công việc cụ thể.

Tạo công cụ dưới dạng Agent bằng cách đóng gói các Agent tự trị đằng sau giao diện function-tool, cho phép các Agent khác gọi chúng một cách liền mạch.

Thiết kế một trợ lý nghiên cứu đa Agent có thể phân loại truy vấn, ủy thác nhiệm vụ và tạo báo cáo sẵn sàng cho cấp điều hành.

Thiết kế pipeline đa Agent sáng tạo cho các chiến dịch quảng cáo, với các Agent theo vai trò như Giám đốc Sáng tạo, Chiến lược gia và Người viết quảng cáo.

Tạo và triển khai các công cụ MCP dựa trên Gradio như các dịch vụ tiêu chuẩn hóa mà Agent có thể truy cập.

Tạo các đội Agent cộng tác cho các nhiệm vụ thực tế như chiến lược marketing, với tùy chọn thêm User Proxy (con người trong vòng lặp) để giám sát.

Yêu cầu

Bạn cần một máy tính xách tay và kết nối internet!

Không yêu cầu kinh nghiệm lập trình; biết cơ bản Python là một lợi thế.

Đối tượng phù hợp

Các nhà khoa học dữ liệu, kỹ sư ML và nhà nghiên cứu AI muốn xây dựng AI Agent.

Các nhà phát triển phần mềm có kỹ năng Python cơ bản muốn tích hợp các LLM và framework Agent tiên tiến vào ứng dụng thực tế.

Các doanh nhân và nhà sáng lập startup muốn xây dựng Agent tự trị chạy bằng AI.

Các nhóm đổi mới doanh nghiệp hoặc nhóm R&D muốn tạo mẫu các quy trình công việc, trợ lý và tự động hóa chạy bằng AI.

Sinh viên nâng cao và nhà giáo dục tìm kiếm kinh nghiệm thực hành với Kỹ thuật AI Tác tử.

Nội dung khóa học

10 phần • 166 bài giảng

1 Chào mừng đến với Khóa học & Demo AI Agent!

2 Đề cương Khóa học & Các Mục tiêu Học tập Chính

3 Mẹo Quan trọng để Thành công

4 Thiết lập Môi trường & Tải Anaconda cho Mac, Windows và Linux

5 Tải Tài liệu Khóa học

1 Dự án 1: Xây dựng AI Agent Đơn giản Không có Bộ nhớ & Công cụ

2 Nhiệm vụ 1. Giới thiệu & Mục tiêu Module - Xây dựng AI Agent Đơn giản

3 Nhiệm vụ 2. Thiết lập Môi trường và Cấu hình OpenAI API

4 Nhiệm vụ 3. Xây dựng và Chạy AI Agent Đầu tiên của Chúng ta (Không Bộ nhớ & Công cụ)

5 Câu hỏi Thực hành: Đổi Model & Kiểm tra Agent với Đầu vào Mới

6 Lời giải Thực hành: Đổi Model & Kiểm tra Agent với Đầu vào Mới

7 Nhiệm vụ 4. Kiểm tra Bộ nhớ, Token hóa & Traces trên OpenAI API

8 Câu hỏi Thực hành: Xây dựng AI Agent Tạo Tweet

9 Lời giải Thực hành: Xây dựng AI Agent Tạo Tweet

10 Dự án 2: Xây dựng AI Agent có Bộ nhớ

11 Nhiệm vụ 1. Tổng quan Dự án và Mục tiêu Học tập Chính - AI Agent có Bộ nhớ

12 Nhiệm vụ 2. Xây dựng AI Agent không trạng thái (Không có Bộ nhớ)

13 Nhiệm vụ 3. Xây dựng AI Agent có Bộ nhớ

14 Câu hỏi Thực hành: Xây dựng AI Agent Lập Kế hoạch Du lịch + Bộ nhớ

15 Lời giải Thực hành: Xây dựng AI Agent Lập Kế hoạch Du lịch + Bộ nhớ

16 Dự án 3: Xây dựng AI Agent với Công cụ

17 Nhiệm vụ 1. Tổng quan Dự án và Mục tiêu Học tập Chính - AI Agent với Công cụ

18 Nhiệm vụ 2. Thiết lập Tavily Search API

19 Nhiệm vụ 3. Tạo Hàm Tìm kiếm Tavily và Phát triển một Công cụ

20 Câu hỏi Thực hành: Hàm & Công cụ Tìm kiếm Tavily

21 Lời giải Thực hành: Hàm & Công cụ Tìm kiếm Tavily

22 Nhiệm vụ 4. Xây dựng và Chạy AI Agent với Công cụ Tìm kiếm Tavily

23 Câu hỏi Thực hành: Kiểm tra AI Agent Với Công cụ & Bộ nhớ

24 Lời giải Thực hành: Kiểm tra AI Agent Với Công cụ & Bộ nhớ

25 Nhiệm vụ 5. Tận dụng Các Công cụ Tích hợp Sẵn của OpenAI

1 Nhiệm vụ 1. Tổng quan Dự án & Mục tiêu Học tập Chính - Xây dựng Đội ngũ Đa Agent

2 Nhiệm vụ 2. Thiết lập OpenAI API & Các Công cụ Cần thiết

3 Nhiệm vụ 3. Định nghĩa Hai AI Agent trong OpenAI Agents SDK (Agent Nghiên cứu & Phân tích)

4 Câu hỏi Thực hành: Chạy Cả Hai AI Agent

5 Lời giải Thực hành: Chạy Cả Hai AI Agent

6 Nhiệm vụ 4. Định nghĩa Agent Viết cho Tự động Tạo Báo cáo

7 Câu hỏi Thực hành: Cập nhật Hướng dẫn cho Agent Viết

8 Lời giải Thực hành: Cập nhật Hướng dẫn cho Agent Viết

9 Nhiệm vụ 5. Xây dựng Trình Quản lý để Điều phối Nhiều AI Agent + Theo dõi Thực thi

10 Câu hỏi Thực hành - Phát triển Đội ngũ AI Agent Quảng cáo Sáng tạo

11 Lời giải Thực hành - Phát triển Đội ngũ AI Agent Quảng cáo Sáng tạo

12 Nhiệm vụ 1. Tổng quan Dự án & Mục tiêu Học tập Chính - Rào chắn & Chuyển giao

13 Nhiệm vụ 2. Thiết lập OpenAI API & Công cụ

14 Xây dựng AI Agent với Rào chắn

15 Câu hỏi Thực hành: AI Agent với Rào chắn

16 Lời giải Thực hành: AI Agent với Rào chắn

17 Nhiệm vụ 4. Định nghĩa Một Đội ngũ AI Agent (Agent Cơ bản & Phân tích)

18 Nhiệm vụ 5. Tạo AI Agent Như Một Công cụ

19 Câu hỏi Thực hành: Theo dõi Đa Agent trên Nền tảng OpenAI API

20 Lời giải Thực hành: Theo dõi Đa Agent trên Nền tảng OpenAI API

21 Nhiệm vụ 6. AI Agent với Chuyển giao Nhiệm vụ

22 Câu hỏi Thực hành: AI Agent như Công cụ

23 Lời giải Thực hành - AI Agent như Công cụ

1 Nhiệm vụ 1: Giới thiệu & Mục tiêu – Xây dựng Đội ngũ AI Agent với AutoGen

2 Nhiệm vụ 2: Khám phá Khả năng & Tính năng Chính của AutoGen

3 Câu hỏi Thực hành: Thiết kế Đội ngũ AI Agent

4 Lời giải Thực hành: Thiết kế Đội ngũ AI Agent

5 Nhiệm vụ 3: Lần Xây dựng Đầu tiên – Tạo AI Agent trong AutoGen (GPT-4o)

6 Câu hỏi Thực hành: Xây dựng AI Agent trong AutoGen

7 Lời giải Thực hành: Xây dựng AI Agent trong AutoGen

8 Nhiệm vụ 4. Kiểm tra Hội thoại AI Agent với LLM Tương tự (OpenAI GPT-4o)

9 Câu hỏi Thực hành: Sửa đổi Tham số Hàm initiate_chat()

10 Lời giải Thực hành: Sửa đổi Tham số Hàm initiate_chat()

11 Nhiệm vụ 5. Cấu hình AI Agent Đa Mô hình trong AutoGen với Gemini & GPT-4o của OpenAI

12 Câu hỏi Thực hành: Cấu hình AI Agent sử dụng Claude của Anthropic

13 Lời giải Thực hành: Cấu hình AI Agent sử dụng Claude của Anthropic

14 Nhiệm vụ 6. Kích hoạt Hội thoại Đa Mô hình AI Agent trong AutoGen

15 Câu hỏi Thực hành: Điều chỉnh Mức độ Sáng tạo của AI Agent

16 Lời giải Thực hành: Điều chỉnh Mức độ Sáng tạo của Agent

17 Nhiệm vụ 7. Thêm Con người (User Proxy Agent) & Tận dụng Group Chat

18 Câu hỏi Thực hành: Thêm Chiến lược gia Mạng xã hội của Claude vào Chat

19 Lời giải Thực hành: Thêm Chiến lược gia Mạng xã hội của Claude vào Chat

20 Kết luận, Tóm tắt & Lời Cảm ơn!

1 Nhiệm vụ 1. Khởi động Dự án: Xây dựng Quy trình Làm việc Tác tử AI trong LangGraph

2 Nhiệm vụ 2. Làm chủ Các Thành phần LangGraph: Node, Edge & Kiến thức Cốt lõi về State Graph

3 Nhiệm vụ 3. Xây dựng Quy trình Làm việc Tác tử AI Đầu tiên của Bạn – Phần 1

4 Nhiệm vụ 3. Xây dựng Quy trình Làm việc Tác tử AI Đầu tiên của Bạn – Phần 2

5 Câu hỏi Thực hành: Kiểm tra AI Agent Tóm tắt trong LangGraph

6 Lời giải Thực hành: Kiểm tra AI Agent Tóm tắt trong LangGraph

7 Nhiệm vụ 4. Tạo Quy trình Làm việc Tác tử AI Đa Node trong LangGraph

8 Câu hỏi Thực hành: Thêm Node Phân tích Cảm xúc vào Quy trình Làm việc Tác tử AI

9 Lời giải Thực hành: Thêm Node Phân tích Cảm xúc vào Quy trình Làm việc Tác tử AI

10 Nhiệm vụ 5. Xây dựng Quy trình Làm việc AI với Một Công cụ & Conditional Edges – Phần 1

11 Nhiệm vụ 5. Xây dựng Quy trình Làm việc AI với Một Công cụ & Conditional Edges – Phần 2

12 Câu hỏi Thực hành: Gọi Công cụ trong LangGraph

13 Lời giải Thực hành: Gọi Công cụ trong LangGraph

14 Nhiệm vụ 6. Tạo & Tích hợp Công cụ Tùy chỉnh trong Quy

15 Practice Opportunity Question: Define New Custom Tools in LangGraph

16 Practice Opportunity Solution: Define New Custom Tools in LangGraph

17 Task 7. Use LangGraph + Amadeus to Build a Flight Search Tool with ToolNode

18 Practice Opportunity Question: Adding Hotel Search Tool Using Amadeus

19 Practice Opportunity Solution: Adding Hotel Search Tool Using Amadeus

20 Task 8. Combine All Features to Build the AI Booking Agent

21 Practice Opportunity Question: Test the AI Agent Booking Tool

22 Practice Opportunity Solution: Test the AI Agent Booking Tool

23 Task 9. Integrate the AI Booking Agent with Gradio in LangGraph

24 Summary, Wrap-Up, & Thank You Message!

1 Task 1. Project Kickoff: Building a Data Science AI Team with CrewAI

2 Task 2. Regression Models: Training & Evaluation Overview

3 Task A. Hands-On Project Intro: ML Regression

4 Task B. Regression 101: Foundations of Machine Learning

5 Practice Challenge Question: Test Your Regression Basics

6 Practice Challenge Solution: Test Your Regression Basics

7 Task C. Data Inspection Part 1: Importing Libraries & First Look

8 Task C. Data Inspection Part 2: Importing Libraries & First Look

9 Practice Opportunity Question: Inspecting Data in Python

10 Practice Opportunity Solution: Inspecting Data in Python

11 Task D. Managing Missing Data: Imputation Techniques

12 Practice Opportunity Question: Data Imputation & Handling Missing Dataset

13 Practice Opportunity Solution: Data Imputation & Handling Missing Dataset

14 Task E. Data Visualization & Exploration

15 Practice Opportunity Question: Visualization & Exploration

16 Practice Opportunity Solution: Visualization & Exploration

17 Task F. Data Pre-Processing & Splitting (Training Vs. Testing)

18 Practice Opportunity Question: Data Pre-Processing & Splitting

19 Practice Opportunity Solution: Data Pre-Processing & Splitting

20 Task G. Scikit-Learn for ML Regression

21 Practice Opportunity Question: Scikit-Learn for ML Regression

22 Practice Opportunity Solution: Scikit-Learn for ML Regression

23 Task H. Scikit-Learn for Random Forest Regression

24 Practice Opportunity Question: XG-Boost Regression

25 Practice Opportunity Solution: XG-Boost Regression

26 Task I. Feature Importance Analysis

27 Practice Opportunity Question: Feature Importance Analysis

28 Practice Opportunity Solution: Feature Importance Analysis

29 Task 3. Explore CrewAI Core Elements (Agents, Tasks, Tools)

30 Task 4. Load & Validate the NotebookCodeExecutor Tool

31 Practice Opportunity Question: Run the NotebookCodeExecutor Tool

32 Practice Opportunity Solution: Running the NotebookCodeExecutor Tool

33 Task 5. Set Up Multiple AI Agents in CrewAI

34 Practice Opportunity Question: Adjust Existing AI Agents

35 Practice Opportunity Solution: Adjusting Existing AI Agents

36 Task 6. Map Out Key Tasks in CrewAI & Responsible Agents

37 Task 7. Build & Assemble the Crew + Automate a Data Science Workflow

38 Practice Opportunity Question: Modify Tasks to Create Decision Trees

39 Practice Opportunity Solution: Modifying Tasks for Decision Tree Creation

40 Summary & Closing Insights

1 Task 1. Project Overview & Introduction to Model Context Protocol (MCP)

2 Task 2. Deep Dive into Model Context Protocol (MCP)

3 Task 3. Setting Up Libraries & API Configuration

4 Task 4A (Part 1). Building the MCP Server with Tools

5 Task 4A (Part 2). Continuing MCP Server Build & Tool Integration

6 Task 4B. Launching the MCP Server

7 Practice Opportunity Question: Adding a New Tool to the MCP Server

8 Practice Opportunity Solution: Adding a New Tool to the MCP Server

9 Task 5. Explore Tools on MCP Server and Fetch the Manifest (Schema)

10 Practice Opportunity Question: MCP Server Manifest (Schema)

11 Practice Opportunity Solution: MCP Server Manifest (Schema)

12 Task 6. Create an AI Agent Using OpenAI Agents SDK With MCP Tools

13 Conclusion, Summary, & Thank You!

1 Introduction to n8n: Features, Workflow Basics, and Learning Goals

2 Build Your First Agentic AI Summarization Workflow in n8n

3 Export Workflows, Manage Variables, and Track Logs

4 Practice Opportunity Question: Create Translation Agentic Workflow with Claude

5 Practice Opportunity Solution: Create Translation Agentic Workflow with Claude

6 Adding Search, Memory, and Exploring n8n Templates

7 Practice Opportunity Question: Test Agent Search Capabilities

8 Practice Opportunity Solution: Test Agent Search Capabilities

9 Integrating Google Sheets into Agentic Workflows with n8n

10 Practice Opportunity Question: Build a Python Conversion Agentic Workflow

11 Thực hành: Xây dựng Quy trình Tác tử Chuyển đổi bằng Python

12 Tạo Dữ liệu Đầu ra Có cấu trúc với Bộ Phân tích trong n8n

13 Tự động hóa Lịch trình với Quy trình làm việc trên Google Calendar

14 Bổ sung Khả năng Kích hoạt qua Email

1 Tác tử AI trong Môi trường Thực tế

1 Xin chúc mừng!

Giới thiệu khóa học

In this hands-on masterclass, you’ll learn how to design, build, and deploy next-generation AI agents that combine memory, tools, collaboration, and automation to solve real-world problems. Starting with the OpenAI Agents SDK, you’ll explore how to create simple agents and gradually extend them with advanced features such as persistent memory, guardrails, and smooth handoffs between workflows.

You’ll then dive into multi-agent systems, where specialized agents, like researchers, analysts, and writers, work together, passing context and outputs to build complex deliverables. Along the way, you’ll learn how to orchestrate these systems with manager functions, enforce ethical and domain boundaries with guardrails, and design creative pipelines for use cases from market research to advertising campaigns.

The course introduces multiple frameworks for building production-ready agentic workflows. You’ll explore AutoGen for multi-model collaboration, LangGraph for modular pipelines connected to user interfaces, and CrewAI for advanced orchestration. You’ll also learn how to extend agents with custom tools, from Python code execution for data analysis to classical machine learning models like linear regression, random forest, and XGBoost.

You’ll gain practical experience with the Model Context Protocol (MCP), enabling agents to interoperate with standardized external services, and learn how to build and deploy MCP tools using Gradio. Finally, you’ll see how low-code platforms like n8n can bring everything together into seamless automation flows, integrating Gmail, Google Sheets, Google Calendar, and AI models to create complete end-to-end systems.

By the end of the course, you’ll have the skills to:

Build AI agents with memory, tools, and reasoning capabilities.
Orchestrate multi-agent workflows for research, analysis, and creative tasks.
Integrate guardrails, handoffs, and oversight to ensure safe, reliable outputs.
Deploy advanced agentic workflows across AutoGen, LangGraph, CrewAI, and MCP.
Automate business processes with low-code tools like n8n connected to real-world apps.

Whether you’re a developer, data scientist, or business innovator, this course equips you with the full toolkit to design AI systems that collaborate, automate, and scale in production.