Hãy thành thật một chút. Mỗi tuần bạn dành bao nhiêu giờ để làm những việc sau?
Tại sao bạn nên học khóa này?
- Đọc lại tài liệu API, copy-paste code snippet, hy vọng nó chạy
- Prompt model xong thấy output "gần đúng" nhưng không đủ tin cậy để đưa vào sản phẩm
- Không biết vì sao cùng một prompt mà lần này ra tốt, lần sau ra dở
- Xây demo đẹp trong 2 giờ nhưng mất 2 tuần để ra production
- Nghe nói về RAG, tool use, MCP, agents... nhưng chưa bao giờ tự tin viết được từ đầu
- Chi phí API tăng vùn vụt mỗi khi có nhiều user, không biết cách tối ưu
Nếu bạn dành hơn 5 giờ mỗi tuần cho những việc trên, bạn đang ở đúng chỗ.
Khóa học này không dạy bạn "prompt một cái gì đó với Claude". Nó dạy bạn xây ứng dụng production-grade với Claude — từ request HTTP đầu tiên, qua prompt engineering, evaluation, tool use, RAG, MCP, agents, cho đến Claude Code. Nền tảng bạn xây xong sẽ dùng được cho bất kỳ use case nào của AI trong 5 năm tới.
Bạn sẽ học được gì?
Sau khi hoàn thành 82 bài học, bạn sẽ có thể:
Về tư duy
- Hiểu kiến trúc đầy đủ của một ứng dụng AI — từ client, qua server, đến API và ngược lại
- Phân biệt được 3 lớp trừu tượng: prompt → workflow → agent — biết lúc nào dùng cái nào
- Suy nghĩ như một AI engineer: eval-driven development thay vì "prompt rồi hy vọng"
- Biết khi nào dùng MCP, khi nào viết tool từ đầu — và tại sao điều đó quan trọng cho scale
Về kỹ năng
- Gọi Claude API từ Python một cách chuẩn, an toàn (không leak API key)
- Viết prompt clear, specific, có examples, có XML structure — đủ tin cậy cho production
- Thiết kế test dataset và grader để đo lường chất lượng prompt một cách khoa học
- Triển khai tool use đầy đủ: schema → function → multi-turn loop → fine-grained control
- Xây pipeline RAG: chunking → embeddings → BM25 hybrid → multi-index routing
- Dùng các tính năng bản địa: extended thinking, vision, PDF, citations, code execution, caching
- Xây MCP server + client riêng, expose tools/prompts/resources chuẩn cộng đồng
- Thiết kế agents với các workflow pattern: chaining, parallelization, routing
Về thực hành
- 1 ứng dụng chatbot cơ bản chạy end-to-end trên Jupyter Notebook
- 1 eval suite hoàn chỉnh với test dataset + code grader + model grader
- 1 tool-using assistant với 3-5 tools xử lý tác vụ thật (tra cứu, tính toán, soạn thảo)
- 1 RAG system multi-index có thể trả lời câu hỏi trên tập tài liệu của bạn
- 1 MCP server + client tự viết, deploy được
- 1 agent orchestrator chạy workflow nhiều bước với parallel + routing
Lộ trình 82 bài học
┌─────────────────────────────────────────────────────────────┐
│ MODULE 1: MỞ ĐẦU (6.0 → 6.3) │
│ Tổng quan, welcome, models, apps │
│ │
│ MODULE 2: GỌI CLAUDE API (6.4 → 6.12) │
│ Lifecycle → key → request → multi-turn → streaming → │
│ system prompts → temperature │
│ │
│ MODULE 3: PROMPT ENGINEERING (6.13 → 6.21) │
│ Structured data → clear+direct → specific → examples → │
│ XML tags → exercises + quiz │
│ │
│ MODULE 4: PROMPT EVALUATION (6.22 → 6.29) │
│ Eval workflow → test datasets → code grader → │
│ model grader → run end-to-end │
│ │
│ MODULE 5: TOOL USE (6.30 → 6.40) │
│ Schema → function → message blocks → results → │
│ multi-turn → multi-tool → fine-grained → text-edit tool │
│ │
│ MODULE 6: TÍNH NĂNG NÂNG CAO (6.41 → 6.50) │
│ Extended thinking → vision → PDF → web search → │
│ citations → code execution → prompt caching (3 bài) │
│ │
│ MODULE 7: RAG (6.51 → 6.57) │
│ Nhập môn → chunking → embeddings → full flow → │
│ implementation → BM25 → multi-index pipeline │
│ │
│ MODULE 8: MODEL CONTEXT PROTOCOL (6.58 → 6.69) │
│ Giới thiệu → clients → setup → client impl → │
│ inspector → tools → prompts → resources → review │
│ │
│ MODULE 9: WORKFLOWS & AGENTS (6.70 → 6.78) │
│ Workflows vs agents → agents+tools → env → chaining → │
│ parallelization → routing → MCP enhancements │
│ │
│ MODULE 10: CLAUDE CODE (6.79 → 6.80) │
│ Setup → in action │
│ │
│ MODULE 11: TỔNG KẾT & ĐÁNH GIÁ (6.81 → 6.82) │
│ Wrap-up → final assessment │
└─────────────────────────────────────────────────────────────┘Tổng thời gian ước tính: 25-30 giờ đọc + 40-60 giờ thực hành code + project = ~70 giờ để đi từ zero đến ship được ứng dụng production.
Cách học hiệu quả nhất
Quy tắc 60/30/10 cho khóa này
- 60% thực hành — Không có cách nào học API bằng đọc. Mở Jupyter, gõ code. Mỗi bài đều có exercise — làm hết.
- 30% đọc & quan sát — Đọc kỹ output của Claude. Đọc log lỗi. Đọc token count.
- 10% lý thuyết — Concept (token, embedding, workflow pattern) quan trọng nhưng chỉ để orient. Thực hành mới tạo skill.
3 nhóm người đọc — 3 cách tiếp cận
Nếu bạn là developer mới biết Python, chưa từng gọi API AI:
- Đi từng bài theo thứ tự, không skip
- Dành 2-3 ngày cho Module 2 để cài đặt và chạy request đầu tiên — đừng vội
- Skip Module 8 (MCP) trong lần đọc đầu, quay lại sau khi đã quen tool use
- Focus vào 3 module: 2, 3, 5 (API + prompting + tools) — đây là 80% use case
Nếu bạn là developer có kinh nghiệm REST API, chưa làm với LLM:
- Xem Module 1-2 trong 1-2 giờ, nhảy nhanh qua phần giới thiệu
- Tập trung Module 4 (Eval) — đây là phần khác nhiều nhất so với software engineering truyền thống
- Module 5-8 là phần chính — đi chậm, làm exercise kỹ
- Module 9 (Agents) là nơi kiến thức hợp lại — không skip
Nếu bạn đã xây chatbot/RAG trước đây, đang muốn nâng lên production:
- Skim Module 1-3 trong 1 ngày
- Deep-dive Module 4 (eval) — đây là gap phổ biến nhất của dev đã quen LLM nhưng chưa có quy trình đo lường
- Module 6 (advanced features) và Module 7 (RAG) có nhiều pattern mới bạn có thể chưa biết
- Module 8 (MCP) — chuẩn mới của industry, học sớm để khỏi refactor sau
Những gì bạn cần chuẩn bị
Bắt buộc
- Python 3.9+ cài sẵn trên máy
- Jupyter Notebook hoặc JupyterLab (cài qua
pip install jupyterlab) - Anthropic API key (hướng dẫn lấy ở Bài 6.5) — cần nạp ~$5 tín dụng để hoàn thành toàn khóa
- Tài khoản GitHub — để clone repo ví dụ và version control code của bạn
- Editor — VS Code khuyến nghị (có extension Python, Jupyter rất tốt)
Nên có
- Kiến thức Python cơ bản (function, list, dict, for-loop) — nếu chưa có, dành 1 tuần học trước qua Python Tutorial chính thống
- Biết dùng command line (cd, ls, mkdir, git)
- Hiểu REST API cơ bản (GET, POST, JSON request/response)
- Đã đọc qua docs.anthropic.com một lần (chưa hiểu hết cũng OK)
Không cần
- Không cần kiến thức Machine Learning sâu — chúng ta dùng Claude như "hộp đen thông minh", không cần hiểu transformer architecture
- Không cần đã có kinh nghiệm với LangChain, LlamaIndex — khóa này dạy bạn xây từ ground-up, tự chủ hoàn toàn
- Không cần GPU — mọi bài đều chạy trên máy thường, tính toán diễn ra trên Anthropic server
Triết lý xuyên suốt khóa học
Có 5 nguyên tắc sẽ lặp lại nhiều lần. Hãy ghi nhớ từ đầu:
1. "Prompt là code" (Prompts are code)
Prompt không phải là hội thoại với chatbot — nó là specification của một function. Một prompt tốt có input schema rõ ràng, behavior có thể dự đoán, và output format thống nhất. Điều đó có nghĩa: prompt phải được version control (Git), test (eval suite), review (code review), và refactor khi cần.
2. "Eval-driven development" (EDD)
Trong software truyền thống có TDD (test-driven). Với AI, chúng ta có EDD: viết eval trước, prompt sau. Nếu bạn chưa có cách đo lường chất lượng output, bạn không thể cải thiện nó có hệ thống. Module 4 tồn tại vì 80% developer bỏ qua bước này và trả giá bằng bugs ở production.
3. "Delegate, don't converse" (Ủy thác, không trò chuyện)
Khi xây app sản phẩm, bạn không muốn dùng Claude như chatbot "hỏi qua hỏi lại". Bạn muốn delegate một task có đầy đủ context (input, constraints, expected output format) và nhận kết quả hoàn chỉnh. Điều này thay đổi cách bạn viết prompt — từ "câu hỏi mở" sang "đặc tả công việc".
4. "Tool use là cửa ngõ vào agents"
Nếu prompt engineering là bài học lớp 1, thì tool use là bài học lớp 5. Nắm chắc tool use (Module 5), bạn sẽ hiểu ngay mọi khái niệm về agents, workflows, MCP. Nếu bỏ qua tool use, phần sau sẽ như đọc tiếng Hy Lạp. Đừng nhảy.
5. "MCP là standard, không phải tùy chọn"
Model Context Protocol (công bố 11/2024) là chuẩn mở cho cách AI kết nối với tools và data. Trong 2026, nó đã thành lingua franca của industry — Google, OpenAI, AWS đều đã adopt. Học MCP sớm để khỏi phải rebuild integration của bạn khi scale. Module 8 dành trọn vẹn cho chủ đề này.
Một lời khuyên từ kinh nghiệm thực tế
Sai lầm 1: Copy code từ docs mà không hiểu
Docs Anthropic rất tốt, nhưng nếu bạn chỉ copy-paste, bạn sẽ không biết sửa khi hỏng. Mỗi bài trong khóa này giải thích tại sao code viết như vậy, không chỉ viết cái gì. Hãy gõ lại code thay vì copy — cơ tay sẽ nhớ.
Sai lầm 2: Tối ưu hóa quá sớm
Học viên thường thấy Module 6 (caching, streaming) và muốn áp dụng ngay từ bài 3. Đừng. Xây được một cái chạy đã, rồi mới tối ưu. Caching tiết kiệm 50% chi phí, nhưng không có ích gì nếu prompt của bạn không chạy đúng.
Sai lầm 3: Bỏ qua eval
"Prompt của tôi ổn rồi mà" — câu này luôn đến trước một incident production. Module 4 dạy bạn cách biến "ổn rồi" thành một số cụ thể (ví dụ: 87% accuracy trên dataset 200 cases). Đây là kỹ năng phân biệt hobbyist với AI engineer.
Sai lầm 4: Tự viết tool khi có MCP server sẵn
Trước khi viết tool get_github_pr(), google "MCP server GitHub" — 99% đã có. MCP servers chính thức từ AWS, Google, GitHub, Slack, Notion... ngày càng nhiều. Dùng lại là thắng.
Sai lầm 5: Xây agent từ đầu trước khi thuần workflow
Agents hấp dẫn nhưng khó debug. 80% use case production thực ra chỉ cần workflows (chaining, routing, parallel) — đơn giản, rẻ, dự đoán được. Module 9 dạy bạn khi nào cần agent thật, khi nào workflow là đủ.
Bạn sẵn sàng chưa?
Hãy dành 10 phút ngay bây giờ để viết ra:
- 1 ứng dụng cụ thể bạn muốn xây sau khóa này — càng cụ thể càng tốt. "Chatbot" → không tốt. "Chatbot trả lời câu hỏi của nhân viên về policy HR nội bộ công ty" → tốt.
- 1 kỹ năng bạn yếu nhất hiện tại mà khóa này cần chạm vào — ví dụ "chưa bao giờ viết eval", "không biết RAG khác gì fine-tuning", "không hiểu MCP".
- 1 deadline cho bản thân — ví dụ "trong 6 tuần sẽ ship bản demo internal". Không có deadline, khóa học sẽ lê thê 6 tháng không xong.
Giữ 3 thứ này trong đầu. Chúng là "sân tập" cá nhân của bạn — mọi exercise trong khóa sẽ map về đó.
Phản hồi và hỗ trợ
- Docs chính thống: docs.anthropic.com
- Console & API key: console.anthropic.com
- Discord cộng đồng Anthropic: anthropic.com/discord
- MCP registry: modelcontextprotocol.io
- Anthropic Cookbook (code examples): github.com/anthropics/anthropic-cookbook