Một ứng dụng gọi được mô hình ngôn ngữ lớn chưa chắc đã là một ứng dụng AI tốt. Khi đưa vào sử dụng thực tế, hệ thống còn phải xử lý tài liệu dài, truy xuất đúng dữ liệu, giữ lịch sử hội thoại, lựa chọn công cụ, kiểm soát luồng thực thi và giải thích được điều gì đã xảy ra khi kết quả không đúng.
AI Agents and Applications: With LangChain, LangGraph, and MCP của Roberto Infante được xây dựng để giải quyết chính khoảng cách giữa một đoạn mã thử nghiệm và một ứng dụng AI có cấu trúc. Sách dẫn người đọc qua một lộ trình liên tục: bắt đầu từ prompt và các thành phần LangChain, xây hệ thống tóm tắt và hỏi đáp, đi sâu vào RAG, chuyển quy trình sang LangGraph, phát triển tác tử dùng công cụ, phối hợp nhiều tác tử và cuối cùng kết nối công cụ qua Model Context Protocol (MCP).
Điểm đáng giá của cuốn sách không nằm ở số lượng framework được nhắc đến. Giá trị thực sự là cách tác giả giúp người đọc hiểu mỗi lớp kiến trúc xuất hiện để giải quyết vấn đề gì, khi nào một pipeline cố định đã đủ và khi nào hệ thống cần khả năng quyết định linh hoạt của AI Agent.
Nhiều dự án AI bắt đầu khá thuận lợi: gửi prompt, nhận câu trả lời và tạo một giao diện chatbot. Nhưng khi yêu cầu tăng lên, các điểm yếu nhanh chóng xuất hiện:
Roberto Infante không giải quyết các vấn đề này bằng một “siêu Agent” duy nhất. Tác giả xây hệ thống theo từng lớp, kiểm tra giá trị của mỗi lớp rồi mới tăng độ tự chủ. Nhờ đó, người đọc có thể nhìn thấy đường chuyển đổi từ ứng dụng LLM truyền thống sang quy trình tác tử và hệ thống đa tác tử.
Nội dung được chia thành năm phần có quan hệ chặt chẽ. Mỗi phần tạo ra những thành phần sẽ được sử dụng hoặc mở rộng ở phần sau.
Hai chương đầu phân biệt ba cấp độ thường bị gọi chung là “ứng dụng AI”: engine xử lý một nhiệm vụ, chatbot duy trì hội thoại và AI Agent có khả năng quyết định hành động. Từ đó, sách giới thiệu kiến trúc mô-đun của LangChain, mô hình đối tượng cốt lõi, cách gọi mô hình bằng Python và cách biến prompt thành thành phần có thể tái sử dụng.
Người đọc lần lượt thực hành prompt template, phân loại văn bản, phân tích cảm xúc, tóm tắt, hỏi đáp, one-shot, few-shot và cung cấp các bước lập luận. Phần này không chỉ nhằm dạy cách viết prompt; nó đặt nền móng cho việc tách prompt, mô hình và logic ứng dụng thành những khối có thể kiểm thử và kết hợp.
Khi văn bản vượt quá cửa sổ ngữ cảnh, không thể chỉ đưa toàn bộ tài liệu vào một prompt. Sách hướng dẫn các chiến lược tóm tắt gồm chia đoạn, MapReduce và tinh chỉnh dần. Từ các kỹ thuật này, người đọc xây một trợ lý nghiên cứu có khả năng tìm kiếm web, lấy nội dung từ nhiều nguồn, tóm tắt từng nguồn và tổng hợp báo cáo.
Điểm chuyển quan trọng xảy ra khi quy trình nghiên cứu được đưa sang LangGraph. Thay vì một chuỗi lệnh chạy từ đầu đến cuối, hệ thống được mô hình hóa thành đồ thị gồm trạng thái, nút, cạnh và nhánh điều kiện. Nếu tài liệu tìm được chưa liên quan, quy trình có thể viết lại truy vấn và tìm kiếm lại thay vì tiếp tục tạo một câu trả lời thiếu căn cứ.
Đây là lúc người đọc thấy rõ ưu thế của LangGraph: không làm mô hình “thông minh hơn”, mà làm luồng quyết định minh bạch, có trạng thái và có thể kiểm soát hơn.
Phần RAG bắt đầu từ kiến trúc hai giai đoạn. Giai đoạn nạp dữ liệu trích xuất văn bản, chia thành các đoạn, tạo vector nhúng và lưu vào ChromaDB. Giai đoạn hỏi đáp chuyển câu hỏi thành vector, truy xuất các đoạn liên quan rồi yêu cầu mô hình trả lời dựa trên ngữ cảnh đã tìm được.
Cuốn sách giải thích vì sao tìm kiếm ngữ nghĩa khác tìm kiếm từ khóa và vì sao việc “tìm được nội dung gần nghĩa” vẫn chưa đảm bảo câu trả lời đúng. Từ một tài liệu đơn, hệ thống được mở rộng thành chatbot có lịch sử hội thoại, nhận biết ngữ cảnh của câu hỏi tiếp nối và sử dụng LangSmith để theo dõi từng lần gọi mô hình, truy xuất và tạo câu trả lời.
Giá trị thực hành của phần này là người đọc không chỉ có một đoạn code RAG, mà hiểu toàn bộ đường đi của dữ liệu: từ tài liệu nguồn đến đoạn văn được chọn và câu trả lời cuối cùng.
Ba chương RAG nâng cao là một trong những phần nổi bật nhất của sách. Tác giả chia bài toán chất lượng truy xuất thành hai phía: cách chuẩn bị dữ liệu và cách biến đổi truy vấn.
Ở phía lập chỉ mục, sách trình bày:
Ở phía truy vấn, người đọc thực hành:
Phần này giúp người đọc hiểu RAG không phải một kỹ thuật duy nhất. Đó là một hệ thống gồm nhiều quyết định về biểu diễn dữ liệu, truy vấn, định tuyến và hậu xử lý; chất lượng cuối cùng phụ thuộc vào việc chọn đúng chiến lược cho loại dữ liệu và câu hỏi cụ thể.
Sau khi đã có nền tảng về prompt, dữ liệu, trạng thái và truy xuất, sách mới chuyển sang AI Agent. Dự án tác tử du lịch cho thấy cách mô hình lựa chọn công cụ, gọi công cụ để lấy thông tin điểm đến hoặc thời tiết, đọc kết quả rồi quyết định bước tiếp theo trong LangGraph.
Từ một tác tử với vài công cụ, kiến trúc được mở rộng thành hệ thống nhiều tác tử chuyên trách. Sách trình bày hai mô hình quan trọng:
Việc đặt Router và Supervisor cạnh nhau giúp người đọc thấy sự khác biệt giữa định tuyến một lần và điều phối nhiều bước. Đây là kiến thức quan trọng khi thiết kế hệ thống gồm tác tử tìm kiếm, tác tử đặt chỗ, tác tử thời tiết hoặc các vai trò chuyên môn khác.
Model Context Protocol thường được mô tả như một chuẩn kết nối Agent với công cụ, nhưng cuốn sách đưa người đọc đi qua cả phía cung cấp lẫn phía sử dụng.
Bạn sẽ xây một máy chủ MCP cung cấp công cụ thời tiết, kiểm thử bằng MCP Inspector, tạo máy khách và đưa công cụ từ máy chủ MCP vào tác tử LangGraph. Nhờ quy trình này, người đọc hiểu rõ MCP giải quyết vấn đề chuẩn hóa việc khám phá và gọi công cụ như thế nào.
Sách cũng cho thấy một giới hạn quan trọng: MCP giúp giảm công sức tích hợp, nhưng không tự giải quyết mọi vấn đề về quyền truy cập, dữ liệu đầu vào, lỗi công cụ hoặc kiểm soát hành động. Những lớp bảo vệ này vẫn phải được thiết kế ở cấp ứng dụng và tác tử.
Các chương cuối bổ sung những năng lực cần thiết khi hệ thống tiến gần production. Bộ nhớ ngắn hạn và checkpoint giúp duy trì trạng thái hội thoại, tiếp tục quy trình và quay lại trạng thái trước khi cần. Guardrails giới hạn loại yêu cầu hoặc hành động được phép thực hiện. Human-in-the-loop tạo điểm dừng để con người xem xét trước những bước có rủi ro.
Kết hợp với LangSmith, người đọc có thể truy vết hệ thống, xem dữ liệu đi qua từng bước, đánh giá kết quả và tìm nguyên nhân khi tác tử hành xử không như mong đợi. Sách cũng đề cập các đánh đổi thực tế về cửa sổ ngữ cảnh, chi phí và độ trễ – những yếu tố thường quyết định một nguyên mẫu có thể trở thành sản phẩm hay không.
Sách không đưa người đọc thẳng vào đa tác tử. Prompt, chuỗi xử lý, RAG, trạng thái và gọi công cụ được xây lần lượt, giúp hiểu mỗi lớp phức tạp mới giải quyết một giới hạn cụ thể của lớp trước.
Workflow phù hợp khi các bước và nhánh có thể xác định trước. Agent phù hợp khi hệ thống phải lựa chọn công cụ hoặc hành động dựa trên tình huống. Sự phân biệt này giúp tránh dùng Agent cho mọi bài toán và giữ hệ thống đơn giản khi một pipeline đã đủ.
Người đọc không chỉ biết tạo kho vector mà còn hiểu cách chia đoạn, biểu diễn tài liệu, biến đổi câu hỏi, định tuyến nguồn và hợp nhất kết quả. Đây là những kỹ thuật ảnh hưởng trực tiếp tới chất lượng hệ thống hỏi đáp.
Đồ thị trạng thái làm rõ dữ liệu đang ở đâu, nút nào được thực thi, điều kiện nào quyết định bước tiếp theo và vòng lặp dừng khi nào. Nhờ đó, quy trình tác tử dễ quan sát và kiểm thử hơn một chuỗi gọi mô hình khó theo dõi.
Router, Supervisor, máy chủ MCP, MCP Inspector và tác tử sử dụng công cụ MCP đều được triển khai trong các dự án cụ thể. Người đọc thấy được mối liên hệ giữa phân vai, điều phối và chuẩn hóa tích hợp công cụ.
LangSmith, bộ nhớ, checkpoint, guardrails, human-in-the-loop, đánh giá, chi phí và độ trễ đều được đặt trong luồng xây dựng. Cuốn sách không coi “Agent chạy được một lần” là tiêu chuẩn hoàn thành.
Dù ví dụ dùng LangChain và LangGraph, các vấn đề về chia đoạn, truy xuất, trạng thái, định tuyến, gọi công cụ, bộ nhớ và kiểm soát hành động vẫn có giá trị với những nền tảng Agent khác.
Code Companion lập chỉ mục mã theo chương, mục và trang bản dịch, giúp tìm nhanh listing Python, lệnh terminal, prompt, JSON và cấu hình mà không phải dò lại toàn bộ 532 trang sách chính.
Đây không phải sách dạy Python từ đầu. Người đọc nên biết Python cơ bản, cách cài thư viện, làm việc với API và hiểu khái niệm mô hình ngôn ngữ lớn. Cuốn sách tập trung mạnh vào hệ sinh thái LangChain nên người chỉ tìm hiểu lý thuyết Agent độc lập với framework có thể cần thêm tài liệu bổ sung.
Ngược lại, nếu mục tiêu là xây dự án thực tế và muốn nhìn thấy sự liên kết từ prompt, RAG đến LangGraph và MCP, đây là một lộ trình có tính ứng dụng cao.
Bản Expert Version gồm bản dịch chính 532 trang, được đối chiếu với sách gốc và sử dụng hệ thuật ngữ kỹ thuật nhất quán. Code Companion 220 trang hỗ trợ tra cứu mã nguồn theo chương; eBook tiếng Anh tặng kèm giúp đối chiếu thuật ngữ và nội dung khi cần.
Sách in ruột đen trắng, bìa mềm full màu, giấy chống lóa mắt hiện đại và chữ in sắc nét. Nội dung được cam kết chuẩn 100% từ sách gốc; sản phẩm áp dụng bảo hành lỗi in 1 đổi 1 trong 90 ngày kể từ ngày nhận sách.
Sách hướng dẫn xây ứng dụng LLM và AI Agent bằng Python, LangChain, LangGraph, LangSmith, RAG và MCP; đi từ prompt, tóm tắt, hỏi đáp đến tác tử dùng công cụ, hệ đa tác tử, bộ nhớ và guardrails.
Có, nếu người đọc đã biết Python cơ bản và hiểu khái niệm LLM. Sách xây nền từ prompt và ứng dụng LLM trước khi chuyển sang RAG, LangGraph và hệ đa tác tử.
LangChain cung cấp các thành phần có thể kết hợp như prompt, mô hình, tài liệu, trình chia đoạn, kho vector và retriever. LangGraph tổ chức chúng thành đồ thị có trạng thái, nhánh điều kiện và vòng lặp để xây workflow tác tử dễ kiểm soát hơn.
Có. Ngoài RAG cơ bản với ChromaDB, sách còn trình bày ParentDocumentRetriever, MultiVectorRetriever, câu hỏi giả định, đa truy vấn, step-back question, HyDE, phân rã câu hỏi, truy vấn SQL và đồ thị, định tuyến cùng RAG Fusion.
Có. Người đọc xây máy chủ MCP cung cấp công cụ thời tiết, kiểm thử bằng MCP Inspector, tạo máy khách và tích hợp công cụ MCP vào một tác tử LangGraph.
Có. Sách trình bày các tác tử chuyên trách và phối hợp chúng bằng kiến trúc Router hoặc Supervisor, giúp người đọc hiểu cách định tuyến, phân công và chuyển giao nhiệm vụ.
Gồm bản dịch tiếng Việt chính 532 trang, Code Companion 220 trang và eBook tiếng Anh tặng kèm. Sách được bảo hành lỗi in 1 đổi 1 trong 90 ngày kể từ ngày nhận sản phẩm.
