Hello-Agents: Cách Hướng Dẫn AI Agent Mã Nguồn Mở Của Datawhale Giúp Bạn Xây Dựng Agent Cấp Sản Xuất Từ Con Số 0

{</* resource-info */>}

Hello-Agents Là Gì? #

Hello-Agents là hướng dẫn AI agent mã nguồn mở có hệ thống được tạo bởi cộng đồng giáo dục AI mã nguồn mở nổi tiếng Datawhale của Trung Quốc. Dự án đã đạt 45,600+ Stars trên GitHub, trở thành điểm khởi đầu uy tín cho bất kỳ ai muốn chuyển từ “người dùng LLM” thành “người xây dựng hệ thống Agent”.

GitHub: https://github.com/datawhalechina/hello-agents Stars: 45,600+ Giấy phép: Apache 2.0

Tại Sao Cần Hello-Agents? #

Năm 2025 được công nhận rộng rãi là “Năm của AI Agent”. Từ Operator của OpenAI đến giao thức A2A của Google, từ MCP của Anthropic đến UI-TARS của ByteDance, toàn bộ ngành công nghiệp đang chuyển hướng sang các hệ thống thông minh tự chủ có thể nhận thức, lập kế hoạch và hành động thay mặt người dùng.

Tuy nhiên, đối với hầu hết các nhà phát triển, khoảng cách giữa “sử dụng chatbot” và “xây dựng Agent thực sự” vẫn còn rất lớn. Hello-Agents chính là giải pháp toàn diện lấp đầy khoảng trống này.

Chương Trình Học 16 Chương Đầy Đủ #

Phần 1: Nền Tảng Agent & Mô Hình Ngôn Ngữ #

• Chương 1: Lần Đầu Gặp Gỡ Agent — Định nghĩa, lịch sử tiến hóa và các mô hình chính
• Chương 2: Lịch Sử Phát Triển Agent — Từ AI biểu tượng qua AlphaGo đến hệ thống tự chủ dựa trên LLM
• Chương 3: Nền Tảng LLM — Kiến trúc Transformer, cơ chế attention, kỹ thuật prompting

Phần 2: Xây Dựng Agent LLM Đầu Tiên #

• Chương 4: Các Mô Hình Agent Cổ Điển — Triển khai ReAct, Plan-and-Solve, Reflection từ con số 0
• Chương 5: Agent Nền Tảng Low-Code — Thực chiến với Coze, Dify, n8n
• Chương 6: Thực Hành Phát Triển Framework — So sánh thực chiến AutoGen, AgentScope, LangGraph
• Chương 7: Tự Xây Dựng Framework Agent — Xây dựng framework agent tối thiểu chỉ với OpenAI API và thư viện chuẩn

Phần 3: Mở Rộng Kiến Thức Nâng Cao #

• Chương 8: Bộ Nhớ & Truy Xuất — Bộ nhớ ngắn hạn, bộ nhớ dài hạn, hệ thống tìm kiếm vector RAG
• Chương 9: Kỹ Thuật Ngữ Cảnh — Chiến lược cửa sổ, kỹ thuật tóm tắt, cấu trúc ngữ cảnh phân cấp
• Chương 10: Giao Thức Liên Lạc Agent — Phân tích sâu 3 giao thức MCP, A2A, ANP
• Chương 11: Agentic RL — Pipeline huấn luyện đầy đủ SFT, RLHF, GRPO
• Chương 12: Đánh Giá Hiệu Suất Agent — Các bài kiểm tra benchmark AgentBench, SWE-bench

Phần 4: Các Case Study Toàn Diện #

• Chương 13: Trợ Lý Du Lịch Thông Minh — Thực chiến gọi công cụ MCP với đa agent hợp tác
• Chương 14: Agent Nghiên Cứu Sâu Tự Động — Tái tạo khả năng DeepResearch của OpenAI
• Chương 15: Xây Dựng Thị Trấn Mạng — Mô phỏng động lực xã hội đa agent và hành vi nổi lên

Phần 5: Dự Án Tổng Hợp & Triển Vọng #

• Chương 16: Dự Án Tổng Hợp — Thiết kế và xây dựng ứng dụng agent thông minh hoàn chỉnh từ con số 0

Điểm Nổi Bật Cốt Lõi #

Bắt Đầu Nhanh #

# Đọc trực tuyến
# https://datawhalechina.github.io/hello-agents/

# Thiết lập cục bộ
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents
# Tham khảo Extra-Chapter/07 để cấu hình môi trường

# Chạy ReAct Agent chương 4
python code/chapter4/react_agent.py

Ví Dụ Mã: Xây Dựng ReAct Agent Từ Con Số 0 #

import openai
import json

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_web",
            "description": "Tìm kiếm thông tin trên web",
            "parameters": {
                "type": "object",
                "properties": {"query": {"type": "string"}},
                "required": ["query"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "Thực hiện phép tính toán học",
            "parameters": {
                "type": "object",
                "properties": {"expression": {"type": "string"}},
                "required": ["expression"]
            }
        }
    }
]

def search_web(query): return f"Kết quả tìm kiếm: {query}"
def calculate(expr): return str(eval(expr))

messages = [
    {"role": "system", "content": "Bạn là trợ lý hữu ích. Sử dụng công cụ khi cần."},
    {"role": "user", "content": "Dân số Tokyo chia cho 1000 là bao nhiêu?"}
]

for step in range(5):
    response = openai.chat.completions.create(
        model="gpt-4", messages=messages, tools=tools, tool_choice="auto"
    )
    message = response.choices[0].message
    messages.append(message)
    
    if message.tool_calls:
        for tc in message.tool_calls:
            name = tc.function.name
            args = json.loads(tc.function.arguments)
            result = search_web(**args) if name == "search_web" else calculate(**args)
            messages.append({"role": "tool", "tool_call_id": tc.id, "content": result})
    else:
        print("Câu trả lời cuối cùng:", message.content)
        break

Vòng lặp “suy nghĩ → gọi công cụ → quan sát kết quả → suy nghĩ lại” này chính là cơ chế cốt lõi mà các Agent hàng đầu như OpenAI Operator và Claude Computer Use sử dụng.

Đối Tượng Phù Hợp #

Tóm Tắt #

Hello-Agents là tài nguyên học phát triển AI agent toàn diện nhất, dễ hiểu nhất và có hỗ trợ cộng đồng mạnh mẽ nhất hiện có. Nó kết hợp độ sâu của khóa học đại học, tính thực tiễn của bootcamp, sức sống cộng đồng của dự án mã nguồn mở, và mức giá của tài liệu miễn phí.

Cuộc cách mạng agent không phải sắp đến — nó đã ở đây. Hello-Agents đảm bảo bạn không chỉ là người quan sát, mà là người xây dựng.

💡 Muốn biết thêm công cụ AI và dự án mã nguồn mở? Theo dõi dibi8.com để nhận các lựa chọn được chọn lọc hàng tuần.