Giới thiệu chung

Khóa học AI trong Quy trình phát triển Phần mềm - AI for SDLC tại VTI Academy trang bị cho lập trình viên năng lực thiết kế, phát triển, kiểm thử và triển khai ứng dụng AI với Python, LangGraph và RAG. Chương trình lấy một Running Project (dự án xuyên suốt) làm trục thực hành, kết nối nền tảng mô hình AI với kiến trúc hệ thống, dữ liệu, backend API và giao diện người dùng.
Bạn tự xây khung điều phối AI bằng Python trước khi phát triển workflow với LangGraph, có quản lý trạng thái, phê duyệt và phục hồi thực thi. RAG, kỹ thuật kết hợp truy hồi tài liệu với sinh câu trả lời, giúp ứng dụng khai thác dữ liệu theo quyền truy cập và cung cấp phản hồi có dẫn nguồn.

hình ảnh giới thiệu

Đối tượng tham gia

  • Lập trình viên backend hoặc fullstack muốn tích hợp AI vào phần mềm đang phát triển.
  • Developer muốn phát triển năng lực AI Application Engineering thông qua một ứng dụng có kiến trúc, kiểm thử và quy trình triển khai.
  • Sinh viên CNTT đáp ứng đầu vào thực hành lập trình, Git và API, muốn xây dự án để hoàn thiện hồ sơ năng lực.

Học xong làm ở đâu?

  • Lập trình viên backend/fullstack phụ trách tích hợp mô hình AI, dữ liệu, API và giao diện vào sản phẩm.
  • Developer trong nhóm ứng dụng AI, phát triển trợ lý tri thức, hệ thống hỏi đáp theo tài liệu và workflow sử dụng công cụ có phê duyệt.
  • Lập trình viên phát triển bản thử nghiệm giải pháp AI có kiểm thử và đánh giá kỹ thuật cho bài toán sản phẩm hoặc nghiệp vụ.

LÝ DO LỰA CHỌN CHÚNG TÔI?

LÝ DO LỰA CHỌN CHÚNG TÔI? VTI Academy trực thuộc VTI Group - tập đoàn công nghệ hàng đầu chuyên gia công phần mềm cho thị trường trong và ngoài nước
LÝ DO LỰA CHỌN CHÚNG TÔI? Chương trình đào tạo chất lượng từ cơ bản tới nâng cao, bám sát yêu cầu của doanh nghiệp
LÝ DO LỰA CHỌN CHÚNG TÔI? Đội ngũ giảng viên là các chuyên gia lâu năm kinh nghiệm, luôn hỗ trợ học viên 24/7
LÝ DO LỰA CHỌN CHÚNG TÔI? Tham gia các dự án xuyên suốt khóa học để tăng khả năng thực chiến
LÝ DO LỰA CHỌN CHÚNG TÔI? Cam kết giới thiệu việc làm sau khóa học
LÝ DO LỰA CHỌN VTI ACADEMY?
Giá trị nhận được sau khóa học

Giá trị nhận được sau khóa học

  • Thiết kế và phát triển ứng dụng AI từ đầu đến cuối: Kết nối mô hình, dữ liệu, backend API và giao diện hội thoại; tích hợp xác thực, quản lý phiên và cách ly dữ liệu người dùng.
  • Xây nền tảng kỹ thuật trước khi sử dụng framework: Tự triển khai mini-harness Python với model API, đầu ra có cấu trúc, ngữ cảnh và vòng gọi công cụ; kiểm soát quyền, ngân sách và điều kiện dừng.
  • Điều phối AI Agent với LangGraph: Thiết kế workflow có trạng thái, checkpoint, phê duyệt và phục hồi; kiểm thử khả năng tiếp tục sau gián đoạn và ngăn thực hiện lặp thao tác.
  • Phát triển RAG có kiểm soát quyền và đánh giá chất lượng: Xây pipeline dữ liệu, truy hồi, trích dẫn nguồn và xử lý thiếu bằng chứng; đo kết quả cải tiến trên bộ dữ liệu đánh giá.
  • Kiểm thử, triển khai và giám sát ứng dụng: Đánh giá tối thiểu 30 ca, kiểm thử quyền và phục hồi; triển khai trong môi trường dự án, kiểm thử tải nhỏ và quay lui; theo dõi chất lượng, độ trễ và chi phí.
  • Ứng dụng AI có phương pháp trong công việc Developer: Thiết kế Prompt/Instruction, tổ chức Project và ngữ cảnh, sử dụng Connector và Agent Skill theo mẫu; kiểm chứng đầu ra dựa trên nguồn và tiêu chí chấp nhận.

Lộ trình khóa học

Bắt đầu
Chặng 1. Nền tảng AI và kiểm soát rủi ro

Chặng 1. Nền tảng AI và kiểm soát rủi ro

Học phần: Nền tảng AI cho Developer; AI có trách nhiệm và kiểm soát rủi ro.

Lựa chọn mô hình, thiết kế Prompt/Instruction, tổ chức Project và ngữ cảnh, sử dụng kết nối công cụ và Agent Skill theo mẫu; thiết lập quy tắc bảo vệ dữ liệu và kiểm chứng đầu ra.

Giai đoạn 1

Chặng 2. Thiết kế kiến trúc và phát triển AI Agent

Học phần: Nền tảng phát triển ứng dụng AI và AI Agent.

Trọng tâm: Kiến trúc ứng dụng, API/SDK, đầu ra có cấu trúc, ngữ cảnh trong mã và mini-harness, khung điều phối AI tối thiểu do học viên tự viết.

  • Mốc 1 - Thiết kế giải pháp (buổi 4): chốt bài toán, câu lệnh, kiến trúc workflow, quyền dữ liệu và hồ sơ rủi ro.

  • Mốc 2 - Kiểm thử khung điều phối AI (buổi 8): mini-harness có công cụ, kiểm thử lỗi, đánh giá sơ bộ, truy vết và chi phí.

Giai đoạn 2
Chặng 2. Thiết kế kiến trúc và phát triển AI Agent
Chặng 3. Tích hợp, kiểm thử và triển khai ứng dụng LLM

Chặng 3. Tích hợp, kiểm thử và triển khai ứng dụng LLM

Học phần: Xây ứng dụng LLM với LangGraph và RAG.

  • Mốc 3 - Tích hợp LangGraph và RAG (buổi 12): workflow có phê duyệt/phục hồi; RAG có kiểm soát quyền, dẫn nguồn và một cải tiến được đo lường.
  • Mốc 4 - Kiểm thử và triển khai ứng dụng (buổi 14): backend/giao diện, xác thực và cách ly dữ liệu; bản triển khai và đánh giá tối thiểu 30 ca.

  • Mốc 5 - Nghiệm thu dự án và bảo vệ kỹ thuật (buổi 15): mã nguồn, hướng dẫn tái chạy, kiểm thử, báo cáo chất lượng/chi phí và tài liệu vận hành; giải trình cá nhân về kết quả thực hiện.

Giai đoạn 3

Chặng 4. Triển khai, giám sát và đánh giá hiệu quả

Học phần: AI trong SDLC Chuẩn Dự án | Unit 10-12.

Thời lượng: Buổi 13-15 | 3 buổi | 7,5 giờ theo lịch.

  • Mốc 4 - Kiểm thử và triển khai (buổi 13): báo cáo chất lượng/bảo mật, CI/CD, phát hành và rollback, giám sát SLO và cảnh báo.

  • Mốc 5 - Nghiệm thu dự án và bảo vệ kỹ thuật (buổi 15): tính năng hoạt động, hồ sơ minh chứng, báo cáo hiệu quả AI và kế hoạch áp dụng 30 ngày.

Giai đoạn 4
Chặng 4. Triển khai, giám sát và đánh giá hiệu quả
Hiển thị thêm [+]
Kết thúc

Khung chương trình

Học phần 1

Nền tảng AI cho Developer

Unit 1. Nền tảng mô hình AI và thiết kế chỉ dẫn hiệu quả

  • Toàn cảnh AI và hệ sinh thái ứng dụng cho Developer
    Cơ chế hoạt động và giới hạn của mô hình AI
    Phân loại và lựa chọn mô hình theo yêu cầu công việc
    Thiết kế Prompt và Instruction theo mục tiêu, ngữ cảnh và ràng buộc
    Kiểm chứng và cải thiện chất lượng đầu ra AI

Unit 2. Context Engineering và tổ chức môi trường làm việc với AI

  • Thiết kế và quản lý ngữ cảnh với Context Engineering
  • Tổ chức Project và quản lý Instruction, Knowledge, Memory
  • Kết nối dữ liệu và công cụ qua Connector, MCP và Plugin
  • Chuẩn hóa tác vụ bằng Agent Skills có thể tái sử dụng
  • Thiết kế quy trình làm việc với AI cho Developer
     
Nền tảng AI cho Developer
Học phần 2

AI có trách nhiệm và kiểm soát rủi ro

Unit 1. Sử dụng AI có trách nhiệm và kiểm soát rủi ro

  • Nhận diện thiên lệch và trách nhiệm của con người khi sử dụng AI
  • Bảo vệ dữ liệu và tuân thủ khi sử dụng AI trong công việc
  • Đánh giá rủi ro và thiết lập điều kiện triển khai ứng dụng AI
AI có trách nhiệm và kiểm soát rủi ro
Học phần 3

AI trong SDLC Chuẩn Dự án

Unit 1. Thiết kế kiến trúc ứng dụng AI và AI Agen

  • Phân biệt mô hình, khung thực thi, workflow và AI Agent
  • Lựa chọn kiến trúc tool loop và router theo bài toán
  • Thiết kế ranh giới hệ thống, quyền thực thi và ngân sách vận hành

Unit 2. Tích hợp mô hình AI qua API và SDK

  • Tích hợp API mô hình với phản hồi streaming và thống kê sử dụng
    Kiểm soát cấu hình, timeout, giới hạn tần suất và retry
    Thiết kế lớp tích hợp và đối chiếu API của các nhà cung cấp mô hình

Unit 3. Quản lý đầu ra có cấu trúc và ngữ cảnh trong mã nguồ

  • Thiết kế schema và kiểm tra tính hợp lệ của đầu ra mô hình
    Quản lý phiên bản và kiểm thử prompt, mẫu ngữ cảnh trong mã nguồn
    Quản lý lịch sử hội thoại, bộ nhớ và ngân sách token

Unit 4. Xây dựng mini-harness với tool calling có kiểm soát

  • Thiết kế công cụ với schema, validation và phân quyền thực thi
    Xây dựng vòng lặp công cụ với trạng thái, ngân sách và điều kiện dừng
    Xử lý phê duyệt, lỗi công cụ và nguyên lý phục hồi thực thi

Unit 5. Đánh giá chất lượng và quan sát mini-harness

  • Xây dựng bộ ca đánh giá, bộ chấm và hệ thống phân loại lỗi
    Phân tích trace, độ trễ, token và chi phí thực thi
    Kiểm thử tình huống lỗi và nghiệm thu mini-harness
AI trong SDLC Chuẩn Dự án
Học phần 4

Xây ứng dụng LLM với LangGraph và RAG

Unit 1. Thiết kế đồ thị thực thi và trạng thái trong LangGraph

  • Xây dựng đồ thị LangGraph với node, edge và vòng đời thực thi
  • Thiết kế state schema, cập nhật từng phần và reducer
  • Điều hướng có điều kiện và kiểm soát vòng lặp trong đồ thị

Unit 2. Tích hợp mô hình và công cụ vào LangGraph

  • Tích hợp model node, lịch sử message và đầu ra có cấu trúc
  • Thiết kế tool node với validation, phân quyền và xử lý lỗi
  • Chuyển mini-harness sang LangGraph và đối chiếu hành vi thực thi

Unit 3. Lưu trạng thái và kiểm soát thực thi trong LangGraph

  • Quản lý thread, checkpoint và bộ nhớ xuyên phiên
  • Triển khai phê duyệt với interrupt và resume đúng quyền
  • Phục hồi sau gián đoạn và ngăn thực thi lặp bằng idempotency

Unit 4. Quan sát và kiểm thử workflow LangGraph

  • Truyền kết quả và sự kiện thực thi theo luồng
  • Đọc trace và chẩn đoán lỗi từ trạng thái của đồ thị
  • Kiểm thử đường đi, quyền truy cập và khả năng phục hồi

Unit 5. Chuẩn bị dữ liệu và xây dựng pipeline nạp tri thức

  • Thiết kế nguồn dữ liệu và tách luồng lập chỉ mục với truy vấn
  • Làm sạch, chia đoạn và tổ chức metadata cho tài liệu
  • Kiểm soát quyền truy cập và cập nhật dữ liệu trong pipeline

Unit 6. Xây dựng và đo chất lượng truy hồi thông tin

  • Lựa chọn embedding, độ đo tương đồng và cơ sở dữ liệu vector
  • Thiết kế truy hồi top-k, lọc metadata và so sánh truy hồi lai
  • Đánh giá chất lượng truy hồi trên bộ câu hỏi gán nhãn

Unit 7. Tích hợp RAG vào luồng hội thoại có kiểm soát

  • Xây dựng luồng retrieve-generate và tổ chức ngữ cảnh trả lời
  • Thiết kế trích dẫn nguồn, phản hồi người dùng và xử lý thiếu bằng chứng
  • Phòng vệ trước dữ liệu không đáng tin và prompt injection trong RAG

Unit 8. Đánh giá và cải tiến chất lượng hệ thống RAG

  • Phân tách đánh giá truy hồi và đánh giá câu trả lời
  • Đo mức liên quan, độ bám nguồn và tính đúng đắn của câu trả lời
  • Thực nghiệm cải tiến RAG và báo cáo kết quả trước - sau

Unit 9. Tích hợp ứng dụng LLM từ backend đến giao diện

  • Tích hợp backend API và giao diện hội thoại có streaming
  • Quản lý xác thực, phiên hội thoại và cách ly dữ liệu người dùng
  • Kết nối LangGraph, RAG và công cụ có phê duyệt trong ứng dụng

Unit 10. Kiểm thử, triển khai và vận hành ứng dụng LLM

  • Kiểm thử hồi quy, tình huống đối kháng, quyền truy cập và tải nhỏ
  • Đóng gói, quản lý cấu hình và triển khai có khả năng rollback
  • Theo dõi chất lượng, chi phí và xây dựng hướng dẫn vận hành

Unit 11. Bảo vệ và bàn giao sản phẩm ứng dụng AI

  • Trình diễn kịch bản nghiệp vụ và bằng chứng chất lượng sản phẩm
  • Giải trình kiến trúc và xử lý tình huống lỗi trong phần bảo vệ cá nhân
  • Bàn giao mã nguồn, kết quả đánh giá và kế hoạch cải tiến
     
Xây ứng dụng LLM với LangGraph và RAG

Các khóa học khác

Banner chi tiết khóa học

Đối tác

Học viên nói gì về chúng tôi?

Đăng ký tư vấn
cùng đội ngũ chuyên gia VTI ACADEMY!!

icon đăng ký