Hướng dẫn thực tế để làm chủ các đại lý AI vào năm 2026

Từ không đến sản xuất trong 6-9 tháng. những gì để học, những gì để bỏ qua, và tại sao hầu hết các hướng dẫn thất bại. Từ không đến sản xuất trong 6-9 tháng. những gì để học, những gì để bỏ qua, và tại sao hầu hết các hướng dẫn thất bại. Tôi sẽ thành thật với bạn. Hầu hết các hướng dẫn viên AI là rác. Họ cho bạn thấy cách sao chép và dán mã LangChain, xây dựng một bản demo phá vỡ khoảnh khắc bạn thử bất cứ điều gì thực sự, và để bạn cảm thấy như bạn đã học được điều gì đó. ba tháng sau, bạn cố gắng xây dựng một cái gì đó không có trong hướng dẫn và bạn hoàn toàn bị mắc kẹt. Tôi đã xem mọi người lãng phí nhiều năm theo cách này. theo đuổi các khuôn khổ. Thu thập chứng chỉ. Xây dựng các dự án đồ chơi không ai quan tâm. Hướng dẫn này thì khác. Tôi sẽ cho bạn biết mỗi giai đoạn mất bao lâu và “đủ tốt” trông như thế nào trước khi tiếp tục.Tất cả các nguồn lực bạn cần đều ở đây. Những gì bạn đang đọc là kết quả của rất nhiều thử nghiệm và sai lầm tìm ra những gì quan trọng khi học đại lý AI Đây là lời hứa của tôi: nếu bạn nghiêm túc làm theo lộ trình này trong 6-9 tháng, bạn sẽ có thể xây dựng và triển khai các đại lý AI hoạt động trong thế giới thực. Những gì bạn sẽ nhận được: 8 giai đoạn từ 0 đến các đại lý được triển khai (với thời gian thực tế) Tài nguyên nào thực sự xứng đáng với thời gian của bạn Các con đường chuyên môn hóa dẫn đến việc làm thực sự Những gì "đủ tốt" trông như thế nào trước khi chuyển tiếp Những sai lầm tôi đã làm để bạn không phải Nhưng bạn phải làm công việc.Không skim.Không đánh dấu cho sau này.Không nói với bản thân bạn sẽ nhận được vào toán học cuối cùng. Nếu đó là bạn, chúng ta hãy đi. Tại sao Agentic AI quan trọng ngay bây giờ AI truyền thống là phản ứng. Input, output. Bạn hỏi một câu hỏi, bạn nhận được một câu trả lời. Agentic AI theo đuổi mục tiêu. nó nhìn vào môi trường của nó, lập kế hoạch, thực hiện hành động, nhìn thấy những gì đã xảy ra và điều chỉnh. nó có thể sử dụng các công cụ, gọi API, tìm kiếm web, viết mã và làm việc với các đại lý khác để hoàn thành mọi thứ. Đây là một ví dụ cụ thể. Hỏi AI truyền thống để giúp bạn nghiên cứu đối thủ cạnh tranh và nó sẽ tóm tắt những gì nó đã biết. Hỏi một hệ thống đại lý và nó sẽ tìm kiếm web cho các động thái gần đây của đối thủ cạnh tranh của bạn, kéo thông báo báo chí và thông báo tài trợ của họ, phân tích vị trí của họ, tham chiếu chéo với các báo cáo ngành công nghiệp, viết một bản tóm tắt chiến lược, lưu nó vào ổ đĩa của bạn và gửi email cho bạn khi nó được thực hiện trong khi bạn đang ngủ. Đó là lý do tại sao các công ty muốn những người có thể xây dựng các hệ thống này.Vào năm 2026, các đại lý sẽ không còn ấn tượng - họ sẽ được mong đợi. Bản đồ Roadmap Dưới đây là hình ảnh đầy đủ trước khi đi vào chi tiết: Giai đoạn 1: Math 4–6 weeks Bạn muốn bỏ qua điều này, tôi biết. Nhưng nếu không có algebra tuyến tính, tính toán và xác suất, bạn sẽ không hiểu tại sao các đại lý của bạn làm những gì họ làm. Bạn không cần phải trở thành một nhà toán học. bạn cần làm việc trôi chảy trong ba lĩnh vực. Linear Algebra: vectors, matrices, eigenvalues, SVD. Neural networks are matrix math. Embeddings are vectors. Calculus Derivatives, gradients, optimization.This is how models learn.Đây là cách các mô hình học. Probability & Statistics – Bayes’ Theorem, phân phối, giả thuyết thử nghiệm. Tài nguyên Linear Algebra: 3Blue1Brown: Essence of Linear Algebra. Giải thích trực quan tốt nhất về algebra tuyến tính từng được thực hiện. Grant Sanderson có một món quà để làm cho các khái niệm trừu tượng cảm thấy trực quan. Bắt đầu ở đây. Khan Academy Linear Algebra. Truyền thống hơn, toàn diện hơn. Tốt cho việc lấp đầy khoảng trống sau 3Blue1Brown. Cơ sở học máy: Chào mừng bạn đến cuộc hành trình. Được thiết kế đặc biệt cho ML, vì vậy bạn đang học toán với mục đích. Math for Machine Learning. Một tùy chọn ML tập trung. Chọn bất kỳ kiểu nào nhấp chuột cho bạn. 3Blue1Brown: Bản chất của Algebra tuyến tính Học viện Khan Linear Algebra Cơ sở học máy: Chào mừng bạn đến cuộc hành trình Toán học cho Machine Learning Calculus: Tính toán cho Machine Learning. nhắm mục tiêu và thực tế. Bỏ qua những thứ bạn sẽ không cần. Khan Academy Calculus 1. cổ điển. nghiêm ngặt và đáng tin cậy. Calculus 1 Full College Course. Nếu bạn muốn trải nghiệm đại học đầy đủ mà không cần học phí. Tính toán cho Machine Learning Học viện Khan Calculus 1 Calculus 1 toàn bộ khóa học đại học Probability: Khan Academy Thống kê và xác suất. Bao gồm tất cả mọi thứ bạn cần với tốc độ tốt. StatQuest Statistics Fundamentals.Josh Starmer giải thích số liệu thống kê như thể anh ta đang nói chuyện với một người bạn. StatQuest: Bayes’ Theorem. Bayes ở khắp mọi nơi trong AI. Video này làm cho nó nhấp. MIT OpenCourseWare: Giới thiệu về xác suất. nghiêm ngặt cấp đại học nếu bạn muốn đi sâu hơn. Khan Academy Thống kê và xác suất StatQuest Thống kê cơ bản Tác giả: Bayes’ Theorem MIT OpenCourseWare: Giới thiệu về xác suất Textbook: Mathematics for Machine Learning — free PDF. The comprehensive reference. Dens but complete. Good to have on hand when you need to look up something. PDF miễn phí Khi nào để di chuyển Bạn có thể giải thích việc nhân toán ma trận làm gì theo hình học. Bạn có thể tính toán độ dốc bằng tay. Bạn có thể giải thích lý thuyết của Bayes bằng một ví dụ. Bạn không cần làm chủ. Chỉ đủ để bạn không bị mất khi những khái niệm này xuất hiện sau này. Giai đoạn 2: Lập trình 3–4 weeks Python không có lựa chọn nào khác. Bạn cần phải có khả năng đọc mã của người khác mà không gặp khó khăn, viết mã của riêng bạn mà không liên tục Google, và xử lý khi mọi thứ đi sai. Bạn cũng cần các thư viện để làm việc với dữ liệu. Cốt lõi Python Chức năng, lớp học, trang trí, xử lý lỗi, async. Tìm hiểu Python: Khóa học đầy đủ cho người mới bắt đầu. 4 giờ, bao gồm mọi thứ. Python Crash Course cho người mới bắt đầu. nhanh hơn. Tốt hơn nếu bạn đã lập trình bằng các ngôn ngữ khác. Learn Python the Hard Way (học sách). phương pháp học cũ: học bằng cách gõ mã cho đến khi nó dính. Học Python: Khóa học đầy đủ cho người mới bắt đầu Python Crash Course cho người mới bắt đầu Thư viện dữ liệu NumPy cho hàng loạt và tính toán số. nền tảng của tất cả mọi thứ khác được xây dựng trên. Pandas cho thao tác dữ liệu. Bạn sẽ sử dụng điều này mỗi ngày. Matplotlib & Seaborn để hình dung.Bạn không thể xử lý những gì bạn không thể nhìn thấy. Tài nguyên : Phân tích dữ liệu với Python (NumPy, Pandas, Matplotlib, Seaborn). tất cả trong một hướng dẫn bao gồm toàn bộ stack. NumPy, Matplotlib và Pandas hướng dẫn bởi Bernd Klein. Định dạng viết với chiều sâu tốt. Phân tích dữ liệu với Python (NumPy, Pandas, Matplotlib, Seaborn) NumPy, Matplotlib và Pandas Tutorials của Bernd Klein Tùy chọn: R Nếu bạn đến từ thống kê hoặc muốn nghiên cứu vai trò, R là hữu ích. R lập trình trong một giờ. chính xác như âm thanh. định hướng nhanh. R for Data Science (trực tuyến miễn phí). cuốn sách R dứt khoát.Hadley Wickham biết mình đang làm gì. Lập trình R trong 1 giờ online miễn phí Khi nào để di chuyển Bạn có thể viết một kịch bản từ đầu mà không cần phải tìm kiếm bản phác thảo cơ bản. Bạn có thể tải CSV, làm sạch dữ liệu, chạy một số phân tích và phác thảo kết quả. Khi bạn thấy mã NumPy, bạn hiểu nó đang làm gì. Giai đoạn 3: Machine Learning 6–8 weeks Đây là nơi người ta bị mắc kẹt mãi mãi. Họ xem khóa học sau khi khóa học, không bao giờ cảm thấy sẵn sàng để tiếp tục. Đừng làm điều đó. Mục tiêu không phải là trở thành một nhà nghiên cứu ML. Đó là để hiểu các cách tiếp cận chính đủ tốt để biết ai phù hợp với vấn đề nào. Ba loại Học tập giám sát. Bạn hiển thị các ví dụ mô hình với câu trả lời chính xác, nó học các mô hình. Thuật toán để biết: hồi quy tuyến tính, hồi quy hậu cần, cây quyết định, SVMs, k-nhà hàng xóm gần nhất, mạng lưới thần kinh. Khi sử dụng nó: phân loại, dự đoán, bất cứ nơi nào bạn đã dán nhãn dữ liệu. Học tập không được giám sát. Mô hình tìm thấy các mô hình trong dữ liệu mà không được cho biết phải tìm kiếm gì. Các thuật toán để biết: k-means clustering, hierarchical clustering, DBSCAN, PCA. Khi sử dụng nó: nhóm những thứ tương tự, giảm kích thước, tìm cấu trúc. Học tập tăng cường. Một đại lý thực hiện hành động, nhận được phần thưởng hoặc hình phạt, và học hỏi từ kinh nghiệm. Khái niệm để biết: trạng thái, hành động, phần thưởng, chính sách, Q-learning.Khi sử dụng nó: quyết định liên tiếp, trò chơi, robot, lập kế hoạch. Điều này rất quan trọng đối với các đại lý. Tài nguyên The main course: Machine Learning Specialization bởi Andrew Ng. Đây là một. Ng là giáo viên tốt nhất trong lĩnh vực này. Giải thích rõ ràng, nhịp điệu tốt, bao gồm những gì quan trọng. Khóa học tương tự trên YouTube. nếu bạn chỉ muốn học mà không cần giấy chứng nhận. Chuyên ngành Machine Learning của Andrew Ng Khóa học tương tự trên YouTube Other options: Machine Learning cho mọi người.Thêm dễ tiếp cận nếu Ng cảm thấy quá học tập. Kaggle: Giới thiệu về Machine Learning. ngắn gọn, thực hành, giúp bạn xây dựng nhanh chóng. bổ sung tốt. Edureka: Machine Learning Full Course. thay thế toàn diện nếu phong cách của Ng không làm việc cho bạn. Fast.ai Thực hành học tập sâu. Cách tiếp cận từ trên xuống: bắt đầu xây dựng, học lý thuyết khi cần thiết. Machine Learning cho mọi người Kaggle: Giới thiệu về Machine Learning Edureka: Machine Learning toàn bộ khóa học Fast.ai Thực hành học tập sâu For practice: Scikit-learn hướng dẫn. Thực hiện những gì bạn đang học. lý thuyết mà không có mã là vô ích. Tìm hiểu Tutorials Khi nào để di chuyển Bạn có thể giải thích giám sát vs không giám sát vs tăng cường học tập và cung cấp ví dụ về khi bạn sẽ sử dụng mỗi. Giai đoạn 4: Làm thế nào các đại lý làm việc 4–6 weeks Các đại lý có bộ nhớ, sử dụng các công cụ và lập kế hoạch trước. Hiểu được những phần này là điều tách biệt giữa những người có thể dán API lại với những người có thể thiết kế các hệ thống có thể hỗ trợ. Loop cơ bản Mỗi đại lý làm một số phiên bản của điều này: Lấy thông tin (đăng nhập người dùng, kết quả tìm kiếm, phản hồi API). Lý do: xử lý nó, tìm ra điều gì quan trọng. Decide what to do. Plan. Do it (gọi một công cụ, tạo văn bản, nhấn một API). Xem những gì đã xảy ra, điều chỉnh. Các khái niệm bạn cần Memory: ngắn hạn: những gì đang ở trong cửa sổ ngữ cảnh ngay bây giờ Dài hạn: cơ sở dữ liệu vector, kiến thức được lưu trữ Episodic: hồ sơ tương tác trong quá khứ Reasoning patterns: Chain-of-thought: suy nghĩ từng bước Tree-of-thought: khám phá nhiều con đường ReAct: chuyển đổi giữa lý luận và hành động Tool use: Làm thế nào các đại lý gọi các công cụ bên ngoài Cách đối phó với thất bại Orchestrating nhiều công cụ Planning: Chia các mục tiêu thành các bước Các thuật toán tìm kiếm (A*, v.v.) Lập kế hoạch hierarchical Multi-agent systems: Nhiều đại lý làm việc cùng nhau Làm thế nào họ giao tiếp Chuyên môn hóa Tài nguyên Concepts: The Power of AI Agents and Agentic AI Explained. điểm khởi đầu tốt. bao gồm cảnh quan mà không bị quá kỹ thuật. Các đại lý AI ở 5 cấp độ khó khăn. Bắt đầu đơn giản, trở nên phức tạp. Mã đầy đủ cho mỗi cấp độ. Tuyệt vời để xem mức độ phức tạp của các đại lý. The Complete Guide to Building Your First AI Agent. Hands-on walkthrough. Tốt nếu bạn muốn xây dựng một cái gì đó ngày hôm nay. The Power of AI Agents and Agentic AI Explained Nhân viên AI ở 5 mức độ khó khăn Hướng dẫn hoàn chỉnh để xây dựng đại lý AI đầu tiên của bạn Reinforcement learning (important for agents): Hugging Face Deep RL Course. Tuyệt vời và miễn phí. Đây là cách các đại lý học cách đưa ra quyết định theo thời gian. Đừng bỏ qua nó. Curated RL Resources trên GitHub. bộ sưu tập lớn nếu bạn muốn đi sâu hơn. Lời bài hát Hugging Face Deep RL Course Tài nguyên RL trên GitHub Khi nào để di chuyển Bạn có thể vẽ vòng tròn đại lý trên bảng trắng và giải thích từng phần. Bạn có thể mô tả các kiến trúc bộ nhớ khác nhau. Bạn hiểu ReAct và tại sao nó hoạt động. Giai đoạn 5: Xây dựng với frameworks 6–8 weeks Bây giờ bạn xây dựng Một điều cần lưu ý: các frameworks thay đổi. LangChain là thống trị bây giờ; trong hai năm, ai biết. nhưng các mô hình (ReAct, plan-and-execute, multi-agent) vẫn còn. Tìm hiểu các mô hình thông qua các frameworks, không phải ngược lại. Patterns Các đại lý nghĩ về những gì để làm, làm nó, quan sát kết quả, suy nghĩ một lần nữa. đơn giản và làm việc cho rất nhiều trường hợp. Plan-and-Execute.The agent tạo ra một kế hoạch đầy đủ đầu tiên, sau đó thực hiện từng bước.Better for complex multi-step tasks. Nhiều đại lý. Nhiều đại lý chuyên gia làm việc cùng nhau. Một nghiên cứu, một viết, một đánh giá. Framework LangChain / LangGraph. tiêu chuẩn hiện tại. LangChain cho những thứ đơn giản hơn, LangGraph khi bạn cần quản lý trạng thái phức tạp. AutoGen. khung đa đại lý của Microsoft. Tốt khi các đại lý cần có các cuộc thảo luận ngược lại. CrewAI. Orchestration đa đại lý cấp cao hơn. Nhanh hơn để prototype, ít linh hoạt hơn. Tài nguyên Courses: DeepLearning.AI: Agentic AI. Andrew Ng giảng dạy mô hình thiết kế đại lý. Bao gồm phản ánh, sử dụng công cụ, lập kế hoạch và đa đại lý. Miễn phí và xứng đáng với thời gian của bạn. Master ALL 20 Agentic AI Design Patterns. Covering patterns you will use constantly. Bookmark it. DeepLearning.AI: Cơ quan AI Master ALL 20 Agentic AI Design Patterns LangChain: LangChain Crash Course. Bắt đầu nhanh chóng. Nhận bạn xây dựng trong một buổi chiều. LangChain Mastery: Full 5 Hour Course. The Deep Dive. Xem điều này khi bạn đã sẵn sàng để trở nên nghiêm túc. LangChain docs. Nguồn của sự thật. bạn sẽ sống ở đây. LangGraph docs. Đối với khi các đại lý của bạn cần quản lý nhà nước thực sự. LangChain Crash Chạy LangChain Mastery: Khóa học 5 giờ đầy đủ Cấu hình LangChain Docs Tải LangGraph Docs Multi-agent: . Practical walkthrough. Good for your first multi-agent project. Simplilearn: How to Build a Multi-Agent System Simplilearn: Làm thế nào để xây dựng một hệ thống đa đại lý Khi nào để di chuyển Bạn đã xây dựng ít nhất ba đại lý: một đại lý ReAct đơn giản, một cái gì đó với RAG, và một quy trình làm việc nhiều bước. Bước 6: Chọn chuyên môn 8–12 weeks, then ongoing Tại một số điểm bạn cần phải đi sâu vào một khu vực. tổng quát có thể nói về các đại lý. chuyên gia được thuê để xây dựng chúng. Chọn một trong số này và cam kết ít nhất 3 tháng trước khi quyết định nó không dành cho bạn. Bước A: Kinh doanh tự động hóa Thị trường lớn nhất hiện nay. đại lý xử lý nghiên cứu, hỗ trợ, hoạt động. ngân sách thực sự, công việc thực sự. What to focus on: RAG (Retrieval-Augmented Generation): Giáo dục đại lý để tìm kiếm và sử dụng kiến thức. API integrations. Connecting agents to the tools businesses already use. Các quy trình phức tạp với handoffs và xử lý lỗi. Người trong vòng mô hình. Biết khi nào để leo lên một người. Projects to build: Trợ lý email thiết kế câu trả lời dựa trên bối cảnh Đại lý nghiên cứu đối thủ cạnh tranh theo dõi tin tức và tóm tắt thay đổi Bot hỗ trợ khách hàng biết khi nào nó ra khỏi chiều sâu của nó Báo cáo Generator kéo từ nhiều nguồn dữ liệu Bước B: Robot Rào cản cao hơn, ít cạnh tranh hơn.Các đại lý hoạt động trong thế giới vật lý. What to focus on: ROS (Robot Operating System): Hệ điều hành robot. Làm thế nào robot có thể nhìn thấy Làm thế nào để robot điều hướng Mô phỏng: Thử nghiệm mà không phá vỡ phần cứng đắt tiền. Resources: Giới thiệu về Robot tự trị. Điểm khởi đầu vững chắc cho lĩnh vực này. Tạp chí Robotics and Autonomous Systems.Academic nhưng hữu ích để xem những gì là tiên tiến. PyBullet cho mô phỏng vật lý, Gazebo cho môi trường robot, OpenAI Gym cho vòng đào tạo RL. Giới thiệu về Robot tự trị Tạp chí Robotics and Autonomous Systems PyBullet Gazebo Mở Gym Path C: Research & Model Development Ít công việc, trần nhà cao hơn.Đây là dành cho những người muốn tự làm việc trên các mô hình, không chỉ sử dụng chúng. What to focus on: Fine-tuning LLMs with LoRA and PEFT. Making models better at specific tasks. RLHF và mô hình phần thưởng. mô hình đào tạo từ phản hồi của con người. Đánh giá và Benchmarking: Đo lường những gì thực sự hoạt động. Đọc và thực hiện giấy tờ. ở lại biên giới. Projects to build: Fine-tune một mô hình cho một miền cụ thể Xây dựng một đường ống đánh giá cho đầu ra đại lý Thực hiện một bài báo gần đây từ đầu Đóng góp cho một mô hình nguồn mở Resources: Hugging Face Transformers docs. tài liệu tham khảo để làm việc với các mô hình. Khóa học RLHF. Làm thế nào để đào tạo mô hình từ sở thích của con người. arXiv AI Papers và ML Papers.Nơi những ý tưởng mới xuất hiện đầu tiên. Trang chủ » Hugging Face Transformers Docs Khóa RLHF arXiv AI papers ML giấy tờ Giai đoạn 7: triển khai 3–4 weeks Đại lý của bạn làm việc trong sổ ghi chép của bạn. Sau đó, một người dùng gửi một đầu vào mà bạn không mong đợi và toàn bộ điều thất bại. Sản xuất phơi bày mọi phím tắt bạn đã thực hiện. Hầu hết những người tự học bỏ qua phần này, đó là lý do tại sao việc học nó làm cho bạn nổi bật. Những gì bạn cần API. Hiển thị đại lý của bạn như một dịch vụ. FastAPI là tiêu chuẩn. Đóng gói tất cả mọi thứ để nó chạy giống nhau ở bất cứ đâu. Chọn AWS, GCP, hoặc Azure và tìm hiểu một cách tốt. Theo dõi. Theo dõi những gì đại lý của bạn đang làm trong sản xuất. Bạn sẽ ngạc nhiên về mức độ thường xuyên của hành vi sai trái. Quản lý chi phí. cuộc gọi LLM bổ sung nhanh chóng. bộ nhớ cache, lựa chọn mô hình, hiệu quả nhanh chóng tất cả các vấn đề. Tài nguyên Overview: Việc triển khai AI đại lý trong sản xuất. Hình ảnh lớn về những gì triển khai liên quan. Tại sao hầu hết các đại lý AI thất bại trong sản xuất. Tìm hiểu từ những sai lầm của người khác. Bao gồm các chế độ thất bại phổ biến và cách tránh chúng. Beyond the Prototype: 15 bài học khó kiếm được. bài học thực sự từ các đại lý vận chuyển. Đọc điều này trước khi bạn triển khai. Sử dụng Agentic AI trong sản xuất Tại sao hầu hết các đại lý AI thất bại trong sản xuất Ngoài nguyên mẫu: 15 bài học khó kiếm Hands-on: Xây dựng và triển khai các đại lý AI với Docker, FastAPI, LangChain. toàn bộ bước đi từ mã đến dịch vụ được triển khai. FastAPI docs. Well-written docs. Bạn có thể học FastAPI chỉ từ những điều này. Docker cho người mới bắt đầu. Container không còn là tùy chọn. Tìm hiểu điều này. Xây dựng và triển khai các đại lý AI với Docker, FastAPI, LangChain Tốc độ Docs Docker cho người mới bắt đầu Cloud: Phát triển một đại lý AI với Amazon Bedrock. AWS cụ thể nhưng cho thấy cách tiếp cận dịch vụ được quản lý. AWS Bedrock Agent docs. Reference cho khi bạn thực sự làm điều đó. Phát triển một đại lý AI với Amazon Bedrock Cấu hình AWS Bedrock Agent Docs Monitoring: LangSmith. Được xây dựng đặc biệt cho LangChain. Cho bạn thấy chính xác những gì đại lý của bạn đang làm. Trọng lượng & Biases. Theo dõi ML tổng quát hơn. Tốt nếu bạn đang thực hiện đào tạo tùy chỉnh. LangSmith Trọng lượng & Biases Khi nào để di chuyển Bạn đã triển khai một đại lý từ đầu đến cuối. Containerized, phục vụ thông qua API, chạy trong đám mây, với một số giám sát. Bạn có thể giải thích thiết lập của bạn và lý do tại sao bạn đã thực hiện các lựa chọn bạn đã thực hiện. Giai đoạn 8: Portfolio and Staying Current Ongoing Các lĩnh vực di chuyển nhanh chóng. những gì mới hôm nay là tiêu chuẩn trong sáu tháng. Bạn cần thói quen, không phải là một buổi học một lần. Nếu bạn không học liên tục, bạn đang tụt hậu. đơn giản như vậy. Portfolio của bạn Danh mục đầu tư của bạn là bằng chứng bạn có thể xây dựng chứ không phải chứng chỉ. What makes it strong: Deployed projects. Running systems, not just repos. Anyone can push code to GitHub. Các vấn đề thực sự đã được giải quyết. Không phải là các giải trí hướng dẫn. Một cái gì đó bạn thực sự cần hoặc giải quyết một nỗi đau thực sự. Các quyết định được ghi chép. tại sao bạn xây dựng nó theo cách đó. những thỏa thuận bạn đã thực hiện. Clean code. Hiển thị bạn có thể làm việc trong một nhóm. Mục tiêu cho 2-3 dự án vững chắc, ít nhất một dự án được triển khai và dễ tiếp cận. a) Đóng góp Không có gì cho thấy năng lực như PR sáp nhập. đóng góp cho LangChain, AutoGen, hoặc các dự án nhỏ hơn. tài liệu sửa chữa đếm. b) Giữ hiện tại Đặt ra một vài giờ một tuần cho điều này. Where to look: Trending Papers. Xem những gì đang thu hút sự chú ý trong cộng đồng nghiên cứu ngay bây giờ. OpenAI: Key Papers in Deep RL. Danh sách các bài báo cơ bản. Tốt cho việc xây dựng chiều sâu. Trend giấy OpenAI: Key Papers trong Deep RL Who to follow: Andrej Karpathy. hướng dẫn YouTube của ông giải thích những điều phức tạp một cách rõ ràng. Jim Fan. Bài viết về AI thể hiện và các đại lý. Lilian Weng. bài đăng trên blog của cô ấy tốt hơn hầu hết các khóa học. Simon Willison. Xây dựng với LLM liên tục, chia sẻ những gì hoạt động. Swyx. Theo dõi những gì thực sự hữu ích trong kỹ thuật AI. Blog nghiên cứu của Anthropic. làm thế nào các mô hình biên giới thực sự hoạt động. Andrej Karpathy Jim Fan Lilian Weng bởi Simon Willison Thụy Blog nghiên cứu của Anthropic Đó là nó Đây là tất cả những gì bạn cần. Không phải tất cả những gì tồn tại. luôn có nhiều hơn. nhưng tất cả mọi thứ bạn cần để đi từ zero để xây dựng các đại lý sản xuất. Một vài điều cần lưu ý khi bạn đi: Xây dựng liên tục. Mỗi giai đoạn nên bao gồm các dự án. Xem và đọc không phải là học. Xây dựng là. Sự nhầm lẫn là bình thường.Nếu bạn không bao giờ bị nhầm lẫn, bạn không đẩy đủ.Không thoải mái có nghĩa là bạn đang học. Dạy những gì bạn học. bài đăng blog, video, giải thích cho người khác. Đây là cách bạn tìm ra những gì bạn thực sự hiểu. Tìm người. Discord server, meetups, LinkedIn. Học một mình là khó khăn hơn và cô đơn hơn. Hãy kiên nhẫn. 6-9 tháng là thực tế. Một số tuần bạn sẽ cảm thấy tuyệt vời, những tuần khác bạn sẽ cảm thấy bị mắc kẹt. Cả hai đều bình thường. Khoảng cách giữa những người “muốn học các đại lý AI” và những người thực sự xây dựng chúng chỉ đến một điều: bắt đầu. Không bắt đầu hoàn hảo. Không có thiết lập lý tưởng. chỉ bắt đầu. Sáu tháng sau, bạn có thể có một danh mục đầu tư của các đại lý được triển khai, các kỹ năng thực sự mà các công ty trả tiền và sự tự tin đến từ việc thực sự xây dựng mọi thứ. Thời điểm thích hợp là bây giờ. lĩnh vực này còn trẻ. cơ hội là có thật. và bạn có mọi thứ bạn cần ngay tại đây. Chuyển sang Giai đoạn 1: Mở tài nguyên đầu tiên. Bắt đầu ngay hôm nay. Trả lời câu hỏi: Leave a comment.