# Khoá Agentic AI của Berkeley RDI: nên học gì nếu bạn sắp đưa agent vào doanh nghiệp

> Nếu bạn làm FDE, bài nên xem đầu tiên trong khoá này không nói về mô hình mà nói về chuyện đưa agent ra chạy thật.

Bản gốc: https://fdetimes.net/vi/sach-khoa-hoc/khoa-hoc-berkeley-agentic-ai-mooc/

Bản Fall 2025 của khoá CS294/194-196 Agentic AI tại UC Berkeley có một buổi học ngày 10/11 mà người làm FDE nên xem trước tất cả các buổi khác.

Ở buổi đó, Clay Bavor của Sierra nói về những bài học thực tế khi triển khai AI agent ngoài đời thật. Một người học đã ghi lại trên dev.to bài học mình rút ra: agent đang chuyển từ một công nghệ thành một sản phẩm.

Biến agent từ bản demo thành sản phẩm mà khách hàng dùng hằng ngày cũng là việc chính của một FDE ở công ty khách hàng.

Khoá học này thuộc chuỗi MOOC mà Berkeley RDI coi là chương trình hàng đầu. Trang giáo dục của viện ghi đã có hơn 40.000 người theo học.

Nếu bạn là developer có vài năm kinh nghiệm và muốn chuyển sang FDE, đừng học khoá này như một môn lý thuyết về agent. Bạn sẽ được nhiều hơn nếu coi nó là giáo trình về cách đưa agent vào chạy ổn định trong doanh nghiệp.

## Ai dạy bản nào?

Chuỗi MOOC có ba bản: Large Language Model Agents (Fall 2024), CS294/194-280 Advanced Large Language Model Agents (Spring 2025) và Agentic AI (Fall 2025). Dawn Song của UC Berkeley là giảng viên bản Fall 2025 và cũng dạy bản Fall 2024.

Xinyun Chen, nhà nghiên cứu tại Google DeepMind, là đồng giảng viên khách mời ở bản Fall 2024 và Spring 2025. Trang chính thức của bản Fall 2025 không có tên bà. Vì vậy, nếu bạn muốn nghe Chen giảng, hãy tìm hai bản trước.

Ngoài bài của Sierra, bản Fall 2025 còn có các bài về đánh giá agent và huấn luyện agent. Có một bài về multi-agent của Noam Brown (OpenAI) và một bài về an toàn, bảo mật agent do Dawn Song giảng. Bản Fall 2024 có nhiều nội dung về agent trong doanh nghiệp, trong đó có bài AI Agents for Enterprise Workflows của Nicolas Chapados (ServiceNow).

## Nên học theo thứ tự nào?

Berkeley khuyến khích sinh viên của trường có nền tảng machine learning và deep learning trước khi học. Trang khoá học không nêu yêu cầu riêng cho người học MOOC. Dù vậy, nếu bạn chưa từng huấn luyện mô hình nào, các bài về huấn luyện agent có thể khá khó theo.

Nếu bạn làm agent cho khách hàng, hãy bắt đầu với bài của Clay Bavor. Sau đó học các bài về đánh giá agent và về an toàn, bảo mật trong bản Fall 2025.

Tiếp theo, quay lại bản Fall 2024 để xem các bài về quy trình doanh nghiệp. Các bài về huấn luyện agent và multi-agent nên để sau cùng, khi bạn đã có một agent thật cần cải thiện.

Bản Fall 2024 nay đã kết thúc. Khoá từng cấp chứng chỉ theo nhiều bậc: bậc nào cũng cần làm 12 quiz và qua bài viết, bậc Mastery thêm 3 lab, còn bậc Ninja và Legendary thêm hackathon. Cách chia này vẫn dùng tốt để tự học: xem bài giảng, viết bài, làm lab rồi làm một dự án thật.

## Ý tưởng thứ nhất: agent đã là sản phẩm

Nhận xét của người học trên dev.to nghe có vẻ hiển nhiên. Nhưng nó làm thay đổi những câu bạn hỏi trong buổi đầu gặp khách hàng.

Nếu coi agent là công nghệ, bạn sẽ hỏi mô hình nào mạnh nhất. Nếu coi agent là sản phẩm, bạn sẽ hỏi ai dùng nó, ai chịu trách nhiệm khi nó trả lời sai, và có cách chuyển cho người thật xử lý không. Ở khách hàng, hãy viết ra câu trả lời cho ba câu hỏi đó trước khi viết dòng prompt đầu tiên.

## Ý tưởng thứ hai: ổn định quan trọng hơn xuất sắc

Cũng người học đó viết rằng khi agent xử lý hàng triệu cuộc hội thoại, độ tin cậy quan trọng hơn vài lần nó làm rất tốt. Đây là nhận xét cá nhân của người học, không phải ý kiến của ban tổ chức khoá học. Một phép tính nhỏ cho thấy nhận xét này có lý.

Giả sử một agent chăm sóc khách hàng trả lời đúng 99% câu hỏi. Khi demo với 20 câu, rất có thể nó không sai câu nào. Nhưng với 1.000.000 hội thoại, 1% lỗi nghĩa là 10.000 khách hàng nhận câu trả lời sai, và mỗi trường hợp có thể thành một ticket khiếu nại.

**Điểm mấu chốt:** Ở khách hàng, một agent ổn định đáng giá hơn một agent thỉnh thoảng xuất sắc.

Vì thế, khi demo cho khách, đừng chỉ chọn những câu agent trả lời hay nhất. Hãy đưa ra tỉ lệ lỗi trên một bộ kiểm thử đủ lớn và giải thích agent làm gì khi nó không chắc câu trả lời.

## Ý tưởng thứ ba: dùng agent để chấm agent

Bản Fall 2025 gắn với cuộc thi AgentX–AgentBeats. Trong cuộc thi này, benchmark được biến thành một agent đánh giá, gọi là green agent, để chấm điểm các agent dự thi. Bạn có thể dùng ngay ý tưởng này ở khách hàng.

Giả sử bạn làm agent xử lý yêu cầu hoàn tiền cho một sàn thương mại điện tử. Thay vì để đội QA của khách đọc từng dòng log, bạn xây một agent đánh giá đóng vai người mua. Có lúc nó cố đòi hoàn tiền cho đơn đã quá hạn, có lúc nó đưa mã đơn sai.

Mỗi lần sửa prompt hay đổi công cụ, bạn chạy lại toàn bộ kịch bản và có ngay số liệu để so sánh. Bộ đánh giá này cũng đáng đưa vào CV hơn chứng chỉ.

Một dòng như "xây bộ đánh giá tự động cho agent, phát hiện lỗi trước khi phát hành" cho nhà tuyển dụng thấy bạn biết đo chất lượng agent. Khi đọc mô tả công việc FDE, nếu thấy các từ evaluation, deployment và safety, hãy xem trước các bài giảng cùng chủ đề trong khoá.

Chứng chỉ của khoá này rồi sẽ có lúc hết giá trị. Còn thói quen chấm agent bằng số liệu trước khi giao cho khách hàng thì bạn sẽ dùng được rất lâu.

**Thử ngay tuần này:**

- Xem bài 'Practical Lessons from Deploying Real-World AI Agents' của Clay Bavor trong bản Fall 2025, rồi ghi ra ba lỗi triển khai bạn từng gặp hoặc có thể gặp ở khách hàng.
- Chọn một agent bạn đang làm, viết 20 kịch bản kiểm thử, dựng một agent đánh giá nhỏ để chấm tự động rồi ghi lại tỉ lệ đạt.
- Xem bài 'AI Agents for Enterprise Workflows' của Nicolas Chapados (ServiceNow) trong bản Fall 2024, sau đó vẽ lại một quy trình doanh nghiệp mà bạn có thể giao cho agent.

## Nguồn

- [CS294/194-196 Agentic AI, Fall 2025 (Berkeley RDI)](http://rdi.berkeley.edu/agentic-ai/f25)

- [Large Language Model Agents MOOC, Fall 2024](https://llmagents-learning.org/f24)

- [CS294/194-280 Advanced Large Language Model Agents, Spring 2025](https://rdi.berkeley.edu/adv-llm-agents/sp25)

- [Education @Berkeley RDI](https://rdi.berkeley.edu/education)

- [AgentX–AgentBeats Competition (Berkeley RDI)](https://rdi.berkeley.edu/agentx-agentbeats)

- [Shaping the Future with Agentic AI: Reflections from the UC Berkeley Agentic AI MOOC Fall 2025](https://dev.to/ajay_kumarkv_ad4e59dc31/shaping-the-future-with-agentic-ai-reflections-from-the-uc-berkeley-agentic-ai-mooc-fall-2025-3cp2)