Courses
Building AI Agents with Google ADK
1 giờ
5.3K
AI agent là các hệ thống tiên tiến, định hướng mục tiêu, có khả năng nhận biết ngữ cảnh và thực thi quy trình nhiều bước với ít giám sát, khác với chatbot cơ bản. Chúng có thể gọi API, vận hành phần mềm, truy vấn dữ liệu, và tận dụng bộ nhớ cùng vòng lặp phản hồi.
Những agent này đã trở thành một phần cốt lõi của hệ sinh thái AI, và việc tìm hiểu về chúng sẽ giúp bạn khởi động sự nghiệp AI hoặc nâng cao kỹ năng hiện có. Cách tốt nhất để hiểu bất kỳ khái niệm mới nào là xây dựng các ứng dụng thực tế.
Trong bài viết này, chúng tôi sẽ điểm qua 10 dự án AI agent hữu ích cho mọi cấp độ kỹ năng:
- Người mới bắt đầu: Xây nhanh với công cụ low-code như Langflow, Flowise và Make AI.
- Trung cấp: Dùng các framework như LangGraph, Mistral Agents và Qwen-Agent để tạo agent tùy chỉnh.
- Nâng cao: Thiết kế hệ thống đa agent với Haystack, ADK và CrewAI.
Dự án AI Agent cho người mới bắt đầu
Các dự án đơn giản dùng công cụ agent dạng GUI hoặc low‑code. Bạn có thể kéo thả và kết nối các thành phần trực quan, thêm khóa API LLM, và chạy pipeline. Những trình dựng này cho phép bạn tạo nhanh agent có trạng thái, tích hợp nguồn dữ liệu và API, và xâu chuỗi prompt cùng lời gọi công cụ mà không cần mã mẫu lặp lại.
1. Gia sư ngôn ngữ với Langflow
Language Tutor with Langflow là một hệ thống agent nhỏ tạo ra các đoạn đọc ngắn, phù hợp với vốn từ hiện tại của người học. Nó chạy trên Langflow với cơ sở dữ liệu Postgres (qua Docker) và dùng psycopg2 để đọc/ghi từ.
Bạn tải vốn từ của mình từ tệp CSV, thêm từ mới qua một công cụ trong phần chat, và một công cụ tạo truyện sẽ lấy các từ đã lưu để gợi ý LLM viết câu chuyện bằng ngôn ngữ bạn chọn. Agent chính định tuyến yêu cầu của bạn, “thêm từ” hoặc “viết truyện”, và trả về kết quả.
Hướng dẫn: Langflow: Hướng dẫn kèm dự án demo
2. AI Agent phân tích dữ liệu với Flowise
Data Analyst AI Agent with Flowise là một workflow cho phép bạn đặt câu hỏi về cơ sở dữ liệu và nhận câu trả lời kèm chính xác câu lệnh SQL đã dùng.
Bạn kết nối Flowise với cơ sở dữ liệu SingleStore, thêm một khối mã tùy chỉnh để đọc schema bảng, và đưa dữ liệu đó vào một prompt yêu cầu LLM (thông qua LLM Chain với OpenAI) tạo câu truy vấn SQL.
Truy vấn được lưu, làm sạch, thực thi qua một khối mã tùy chỉnh khác, và kết quả cùng truy vấn được định dạng bởi prompt cuối và LLM Chain.
Hướng dẫn: Flowise: Hướng dẫn kèm dự án demo
3. Tự động hóa chăm sóc khách hàng với Make AI
Customer Service AI Agent with Make tự động trả lời các yêu cầu thuê nhà gửi qua biểu mẫu Tally.
Khi có người điền biểu mẫu Tally, Make AI lấy chi tiết thuê nhà từ một Google Doc. Sau đó, module OpenAI soạn câu trả lời dựa trên các chi tiết đó và câu hỏi của người dùng. Cuối cùng, module email gửi phản hồi trực tiếp đến địa chỉ email trong biểu mẫu.
Hướng dẫn: Make AI: Hướng dẫn với ví dụ thực tế
Dự án AI Agent cấp độ trung cấp
Các dự án AI Agent trung cấp tập trung vào xây dựng quy trình hoàn chỉnh bằng các framework và API agent hiện đại. Ở giai đoạn này, bạn không chỉ kết nối API mà còn thiết kế giao diện đơn giản để người dùng tương tác trực tiếp với agent.
4. Huấn luyện viên dinh dưỡng với Mistral Agents
Nutrition Coach with Mistral Agents là một dự án AI agent ghi nhật ký bữa ăn của bạn, ước tính calo và gợi ý bữa ăn tiếp theo lành mạnh, kèm hình ảnh.
Ứng dụng tích hợp Agents API của Mistral, gồm một agent tìm kiếm web để lấy ước tính calo. Nó cũng có bộ ước tính dự phòng, bộ ghi log để lưu bữa ăn, lượng calo và dấu thời gian, cùng agent tạo ảnh để trực quan hóa món được đề xuất.
Người dùng nhập bữa ăn và sở thích, ứng dụng sẽ tìm hoặc ước tính hàm lượng calo, ghi log mục nhập, đề xuất bữa ăn kế tiếp và hiển thị hình ảnh tự động tạo của món đó, kèm phần tóm tắt rõ ràng về các công cụ đã dùng.
Hướng dẫn: Mistral Agents API: Hướng dẫn kèm dự án demo
5. Trợ lý nghiên cứu chuyên sâu với Jan-v1
Dự án AI Agent Deep Research Assistant with Jan‑v1 là một ứng dụng biến một chủ đề thành báo cáo nghiên cứu chỉnh chu bằng suy luận nội bộ Jan‑v1, tìm kiếm web bất đồng bộ, và định dạng báo cáo nghiêm ngặt. Nó tạo truy vấn thông minh, thu thập nguồn và tổng hợp một bản viết chuyên nghiệp, sạch sẽ.
Ứng dụng dùng Streamlit cho UI, llama‑cpp để chạy model Jan‑v1 GGUF cục bộ, Serper cho tìm kiếm web, và một bộ hàm hỗ trợ để chia mục và làm sạch.
Người dùng nhập chủ đề, chọn độ sâu, trọng tâm, khung thời gian và định dạng; ứng dụng tạo truy vấn, chạy tìm kiếm bất đồng bộ, biên soạn ghi chú, yêu cầu Jan‑v1 tạo báo cáo có cấu trúc, sau đó hiển thị nguồn và cho phép xuất TXT/JSON. Thanh tiến trình theo dõi các bước, và trạng thái phiên giúp tránh tải lại model giữa các lần chạy.
Hướng dẫn: Jan‑V1: Hướng dẫn kèm dự án demo
6. Tiện ích tóm tắt web theo thời gian thực với Qwen-Agent
Real-Time Web Summarizer là tiện ích Chrome thu thập phần văn bản hiển thị của bất kỳ trang nào và phát trực tuyến bản tóm tắt gọn gàng, súc tích theo thời gian thực, chạy cục bộ bởi Qwen3 qua Ollama và backend FastAPI.
Người dùng có thể bấm “Summarize” trong pop-up như bên dưới. Tiện ích lấy văn bản trang, gửi đến http://127.0.0.1:7864/summarize_stream_status và hiển thị phản hồi dạng stream.
Để thiết lập, bạn cần kéo model Qwen bằng Ollama, khởi chạy máy chủ FastAPI, nạp tiện ích chưa đóng gói, và sau đó có thể nhận tóm tắt tức thì trên bất kỳ trang nào, được trình bày theo phong cách biên tập rõ ràng.
Hướng dẫn: Qwen-Agent: Hướng dẫn kèm dự án demo
7. Phân tích thời gian thực với LangGraph
Real-time Analytics là một trợ lý dùng LangGraph để trả lời câu hỏi, tìm kiếm web và thực thi mã Python. Nó kết hợp Mistral Medium 3 cho lập luận, Tavily cho tìm kiếm web và Python REPL để chạy mã dựa trên prompt của người dùng.
Khi người dùng đặt câu hỏi, agent xác định nên tìm kiếm, thực thi mã, hay dùng cả hai. Sau đó cung cấp câu trả lời cuối cùng kèm thông tin về các công cụ đã sử dụng. Quy trình thiết lập gồm thêm khóa API Tavily, cài đặt gói cần thiết, khởi tạo LLM và công cụ, tạo agent LangGraph, và gọi nó với thông điệp người dùng.
Hướng dẫn: Mistral Medium 3 Tutorial: Xây dựng ứng dụng agentic
Dự án AI Agent nâng cao
Các dự án AI Agent nâng cao kết hợp nhiều agent hoạt động với nhiều công cụ trong một quy trình. Những dự án này sử dụng các framework agent mạnh mẽ như Haystack, ADK và CrewAI, cho phép bạn thiết kế hệ thống phức tạp, có tính cộng tác, nơi các agent có thể phối hợp, chuyên môn hóa và xử lý các nhiệm vụ tinh vi hơn.
8. RAG và Web AI Agents với Haystack AI
Haystack Agentic RAG and Web Access là một trợ lý trả lời câu hỏi bằng kho tri thức riêng và, khi cần, kết quả web trực tiếp. Nó định tuyến truy vấn sang generation có tăng cường truy xuất trước, rồi chuyển sang tìm kiếm web cho thông tin mới, thời gian thực.
Hệ thống dùng pipeline và agent của Haystack, kho tài liệu trong bộ nhớ với embedding OpenAI, công cụ RAG tùy chỉnh, và công cụ tìm kiếm web Tavily tùy chỉnh gói dưới dạng ComponentTool. Agent chạy bằng GPT 4.1 Mini với system prompt hướng dẫn lựa chọn công cụ.
Người dùng có thể đặt câu hỏi, và agent sẽ truy xuất thông tin từ kho tri thức hoặc thực hiện tìm kiếm Tavily cho chủ đề thời sự. Sau đó, nó cung cấp câu trả lời kèm danh sách công cụ đã dùng.
Hướng dẫn: Haystack AI Tutorial: Xây dựng quy trình agentic
9. Lập kế hoạch du lịch với ADK và A2A
Travel Planner with ADK and A2A là một ứng dụng đa agent toàn diện để lập kế hoạch chuyến đi từ đầu đến cuối. Người dùng chỉ cần nhập điểm đến, ngày đi và ngân sách. Các agent chuyên biệt sau đó sẽ đề xuất chuyến bay, chỗ ở và hoạt động. Một agent chủ trì điều phối sắp xếp mọi thành phần, còn giao diện người dùng Streamlit hiển thị lịch trình hoàn chỉnh.
Người dùng điền biểu mẫu trong Streamlit, agent chủ trì gửi payload đến cả ba agent, trộn các phản hồi JSON của họ và trả về kế hoạch có cấu trúc với chuyến bay, khách sạn và hoạt động.
Hướng dẫn: Agent Development Kit (ADK): Hướng dẫn kèm dự án demo
10. Agentic RAG với CrewAI
Agentic RAG pipeline là hệ thống định tuyến truy vấn trả lời với ngữ cảnh vững chắc từ PDF cục bộ hoặc, khi cần, từ web trực tiếp.
Hệ thống dùng FAISS trên các đoạn PDF, Groq cho phản hồi LLM nhanh, và workflow web của crewAI để lấy ngữ cảnh bên ngoài. Một prompt định tuyến quyết định “Có/Không” về việc dữ liệu cục bộ có đủ hay không, và các tiện ích xử lý truy xuất, thu thập web và tổng hợp.
Người dùng đặt câu hỏi và bộ định tuyến kiểm tra ngữ cảnh PDF. Nếu câu trả lời là "Có", hệ thống truy xuất các khớp hàng đầu từ cơ sở dữ liệu vector. Nếu là "Không", nó tìm kiếm web, kết hợp thông tin thu thập được, và mô hình ngôn ngữ soạn câu trả lời cuối cùng.
Hướng dẫn: Agentic RAG: Hướng dẫn từng bước kèm dự án demo
Tổng kết
Tự tay xây dựng các dự án AI từ đầu là một trong những cách tốt nhất để thúc đẩy sự nghiệp. Nó giúp bạn vượt qua lý thuyết và có được kỹ năng thực hành. Bạn sẽ học cách xác định vấn đề, kết nối công cụ và agent, kiểm chứng kết quả, tạo giao diện người dùng đơn giản, và cải tiến dựa trên phản hồi thực tế từ người dùng.
Mỗi dự án bạn hoàn thành sẽ bổ sung vào danh mục của bạn, có thể chia sẻ trên các nền tảng như GitHub hoặc Hugging Face, hoặc dưới dạng demo trực tiếp. Điều này cho thấy với nhà tuyển dụng tiềm năng rằng bạn có thể thiết kế và triển khai hệ thống đáng tin cậy, không chỉ sử dụng các mô hình sẵn có. Nó thể hiện hiểu biết của bạn về phát triển sản phẩm và kỹ thuật, giúp bạn hấp dẫn hơn với các nhà tuyển dụng trong những lĩnh vực như machine learning ứng dụng và kỹ sư AI.
Tôi khuyên bạn hãy bắt đầu với các dự án nhỏ và cố gắng phát hành thường xuyên. Hãy để sản phẩm của bạn tự nói lên tất cả, mỗi dự án kể câu chuyện về sự trưởng thành và chuyên môn của bạn trong lĩnh vực AI. Nếu bạn mới làm quen với agentic AI, tôi cũng khuyên nên tham gia khóa học Introduction to AI Agents và xem AI Agents Cheat Sheet của chúng tôi.