Core Concepts for AI Development
Dưới đây là phần giới thiệu tổng quan về Core Concepts for AI Development – những khái niệm nền tảng bạn cần hiểu để phát triển hệ thống AI hiện đại, đặc biệt là các ứng dụng sử dụng LLM (Large Language Models):
1. Foundation Models (FM)
Là mô hình học sâu được huấn luyện trên lượng dữ liệu cực lớn, dùng được cho nhiều tác vụ khác nhau:
-
Ví dụ: GPT (OpenAI), Claude (Anthropic), Gemini (Google)
-
Đặc điểm: tự học từ dữ liệu để hiểu ngôn ngữ, lập luận, dịch thuật, viết mã...
2. Prompt Engineering
Là nghệ thuật thiết kế câu lệnh đầu vào (prompt) để dẫn dắt LLM trả lời theo ý bạn.
-
Prompt tốt = kết quả tốt
-
Gồm: Zero-shot, Few-shot, Chain-of-Thought...
🔹 Ví dụ:
Bạn là chuyên gia tài chính. Hãy phân tích bảng sau và tóm tắt kết quả.3. Tool Use / Function Calling
LLM có thể được kết nối với các công cụ bên ngoài như:
-
Truy xuất cơ sở dữ liệu
-
Gọi API
-
Đọc file PDF, Excel...
📦 Trong OpenAI, ta dùng functions= hoặc tools= để định nghĩa các công cụ cho agent.
4. Memory / Context Management
LLM không có "trí nhớ dài hạn" tự nhiên. Để xây dựng hội thoại dài, ta cần:
-
Quản lý lịch sử hội thoại
-
Gọi vector store (semantic search)
-
Tạo context window hiệu quả
🔸 Framework hỗ trợ: LangChain, Semantic Kernel...
5. Agentic Reasoning
Là khả năng để LLM tự đưa ra kế hoạch, chọn công cụ, thực thi nhiều bước – như một "agent thông minh".
Ví dụ:
-
Đọc hóa đơn → trích thông tin → tính tổng → gửi email
📦 Hỗ trợ bởi:
-
OpenAI Agent SDK
-
LangGraph (LangChain)
-
CrewAI, AutoGPT, etc.
6. Retrieval-Augmented Generation (RAG)
Kết hợp kiến thức bên ngoài (từ database, PDF, Notion...) vào LLM để trả lời chính xác hơn.
▶️ Quy trình:
-
Index tài liệu thành vector
-
Nhận truy vấn → tìm đoạn liên quan
-
Ghép vào prompt → trả về kết quả
7. Evaluation & Tracing
Cần kiểm tra chất lượng kết quả AI:
-
Dùng trace (OpenAI) để xem agent làm gì
-
Tự viết test case cho prompt
-
So sánh kết quả với ground truth
8. Workflow Design Patterns
Kết hợp các pattern như:
-
Prompt Chaining
-
Routing
-
Parallelization
-
Orchestrator-Worker
-
Evaluator-Optimizer
Tùy bài toán mà chọn pattern phù hợp (đọc tài liệu, hỏi-đáp, xử lý file...)