Khoá AI Agents miễn phí của Hugging Face: ngưỡng đỗ 30% mới là bài học đáng giá nhất
Bốn unit, ba framework, 3–4 giờ mỗi tuần. Giá trị thật của khoá nằm ở chỗ bạn phải đưa agent của mình ra benchmark và chấp nhận một ngưỡng đạt thấp hơn hẳn bài quiz.
- 1Unit 1 – Nền tảngĐầu ra: chứng chỉ nền tảng (quiz đạt ít nhất 80%)
- 2Unit 2 – Một frameworkĐầu ra: một ví dụ tự viết lại bằng framework đã chọn, không copy mẫu
- 3Unit 3 – Use caseĐầu ra: ghi chú đầu vào, tool được gọi và định nghĩa thế nào là "xong"
- 4Bonus – EvaluationĐầu ra: cách nhìn agent sai ở bước nào, gọi tool thừa ở đâu
- 5Unit 4 – BenchmarkĐầu ra: điểm trên 30%, câu chuyện tăng điểm và link Hub cho CV
Mỗi chương khoảng một tuần, 3–4 giờ; mỗi chặng nên để lại một sản phẩm cụ thể, không chỉ một bài đã học.
Đồ hoạ: FDE Times
Tóm tắt nhanh
- Khoá do Hugging Face phát hành năm 2025, mã nguồn mở Apache-2.0, miễn phí cả nội dung lẫn chứng chỉ, không có hạn chót
- Chứng chỉ Unit 1 cần đạt ít nhất 80% bài quiz, còn chứng chỉ hoàn thành chỉ cần agent vượt 30% benchmark. Khoảng cách đó chính là nghề FDE
- Nên học bonus unit về observability/evaluation trước Unit 4, vì không đo được thì không cải thiện được điểm
Để lấy chứng chỉ Unit 1 của khoá AI Agents, Hugging Face yêu cầu bạn đạt ít nhất 80% bài quiz cuối. Để lấy chứng chỉ hoàn thành toàn khoá, agent bạn xây chỉ cần vượt 30% trên benchmark của bài tập cuối. Hai con số ấy nói lên gần như mọi thứ về khoá học này, và về nghề FDE.
Trả lời đúng câu hỏi lý thuyết thì dễ. Ngưỡng thấp hơn hẳn ở benchmark gợi ý rằng làm cho một agent thật sự giải được bài toán là chuyện khó hơn nhiều. Với một Forward Deployed Engineer, câu hỏi đáng quan tâm không phải bạn biết gì về tool calling, mà agent của bạn có chạy được trên dữ liệu thật hay không.
Nếu bạn là developer 2–8 năm kinh nghiệm và muốn chuyển sang FDE, khoá này đáng bỏ ra vài tuần. Nhưng không nhất thiết phải học theo đúng thứ tự được sắp sẵn.
Bốn unit, hai bậc chứng chỉ
Khoá có tên chính thức “Welcome to the 🤗 AI Agents Course”, ra mắt năm 2025 tại huggingface.co/learn/agents-course, do Ben Burtenshaw và Sergio Paniego bảo trì, Joffrey Thomas và Thomas Simonini viết và phát triển, toàn bộ repo mở theo giấy phép Apache-2.0.
Hugging Face mô tả mục tiêu là học AI agent “về lý thuyết, thiết kế và thực hành” với ba framework smolagents, LlamaIndex và LangGraph. Đầu vào chỉ cần Python cơ bản và hiểu biết nền về LLM. Mỗi chương được thiết kế cho một tuần, khoảng 3–4 giờ.
Sau phần onboarding là bốn unit: Unit 1 nền tảng, Unit 2 framework, Unit 3 use case, Unit 4 bài tập cuối chấm bằng benchmark. Các unit bonus gồm fine-tuning cho function calling, observability và evaluation, và agent chơi Pokemon. Học viên còn có thể chia sẻ agent lên Hub và thi đấu với nhau.
Chứng chỉ hoàn toàn miễn phí và không có hạn chót. Bậc nền tảng cấp sau Unit 1; bậc hoàn thành đòi thêm một bài use case cùng thử thách cuối.
| Chứng chỉ nền tảng | Chứng chỉ hoàn thành | |
|---|---|---|
| Điều kiện | Xong Unit 1, quiz cuối đạt ít nhất 80% | Unit 1 + bài use case + thử thách cuối, benchmark trên 30% |
| Chứng minh điều gì với nhà tuyển dụng | Bạn hiểu khái niệm agent | Bạn đã ship một agent được đo bằng số |
| Nên đưa vào CV thế nào | Một dòng ngắn | Kèm điểm benchmark và cách bạn đẩy điểm lên |
Học theo thứ tự nào nếu đích đến là FDE?
Lời khuyên là đừng học đều. Nếu đã từng gọi API của một LLM, bạn có thể đi Unit 1 nhanh hơn: mục tiêu ở chặng này là lấy chứng chỉ nền tảng rồi chuyển sang phần thực hành.
Unit 2 dạy ba framework. Chọn một và đi sâu; hai cái còn lại chỉ đọc lướt để biết chúng khác nhau ở chỗ nào. Thứ đáng mang theo là khả năng nhận ra cùng một khái niệm agent dưới ba cách viết khác nhau, chứ không phải thuộc API của cả ba.
Unit 3 use case là nơi bạn nên bắt đầu viết code không nhìn mẫu. Hãy coi đó là bài tập mô phỏng customer discovery: đọc đề như đọc yêu cầu của khách, rồi tự hỏi dữ liệu đầu vào trông thế nào, agent được phép gọi tool gì, và thế nào là “xong”.
Rồi đến phần quan trọng nhất, và đây là chỗ nên đảo thứ tự: học bonus unit về observability và evaluation trước Unit 4, không phải sau. Bạn không thể nâng điểm benchmark nếu không nhìn được agent sai ở bước nào, gọi tool nào thừa, và dừng sớm ở đâu. Vòng lặp chạy, đo, sửa, chạy lại ấy là thói quen đáng tập ngay từ bây giờ.
Unit bonus về fine-tuning cho function calling đáng học nếu bạn đã thấy agent gọi tool sai định dạng quá nhiều lần. Unit Pokemon thì để dành cho cuối tuần rảnh.
Con số 30% dạy điều gì?
Cũng vì thế mà việc khoá xếp smolagents, LangGraph và LlamaIndex chung một unit đáng để ý. Cách sắp xếp ấy ngầm nói rằng khái niệm mới là tài sản lâu dài, còn thư viện thì có thể thay bất cứ lúc nào.
Đặt trong bối cảnh đó, ngưỡng 30% không nên đọc như sự dễ dãi. Có thể hiểu nó là dấu hiệu rằng agent trên bài toán thật vẫn còn xa mức hoàn hảo, và giá trị của bạn nằm ở việc kéo con số lên từng bước có chủ đích.
Với developer Việt Nam, đó cũng là cách viết CV. Đừng dừng ở “đã hoàn thành khoá AI Agents của Hugging Face”. Hãy viết agent của bạn đạt bao nhiêu phần trăm trên benchmark Unit 4, bạn đã thay đổi gì để tăng từ mức nào lên mức đó, và đường link lên Hub để người phỏng vấn tự chạy.
Khi đọc job description cho vị trí FDE, hãy để ý những từ như evaluation, observability, tool calling. Nếu chúng xuất hiện, bạn đã có sẵn một dự án để kể.
Chứng chỉ in tên bạn thì miễn phí. Con số trên benchmark, và câu chuyện bạn kể về cách đẩy nó lên, mới là thứ nhà tuyển dụng FDE muốn nghe.