6.1 · Chào mừng bạn đến với khóa học — Building with the Claude API

Hãy tưởng tượng bạn là một developer có 5 năm kinh nghiệm. Bạn đã dùng ChatGPT hàng ngày, thậm chí viết vài script nhỏ gọi OpenAI API. Một hôm, sếp đặt trên bàn bạn task:

Mở đầu: Khoảng cách giữa "biết Claude" và "xây app với Claude"

Tuần sau ship cho tôi một nội bộ chatbot trả lời câu hỏi của 200 nhân viên về policy HR, tích hợp vào Slack, có log lại câu hỏi cho team legal review, và không được tốn quá $500/tháng.

Bạn ngồi xuống, mở IDE, và... dừng lại. Vì bạn nhận ra:

Prompt nào đủ tin cậy để không trả lời nhầm chính sách lương?
Làm sao đo được "tin cậy" bằng con số cụ thể?
Tool use hay RAG cho trường hợp này?
Khi 200 người hỏi trùng câu, làm sao không trả tiền 200 lần?
Log thế nào cho legal đọc được nhưng không leak PII?
Nếu Claude ra bản mới, app của tôi có tự migrate được không?

Đây chính xác là khoảng cách giữa biết Claude và xây app production với Claude. Khóa học này lấp đầy khoảng cách đó.

Trong 82 bài sắp tới, bạn sẽ không học thêm tính năng mới của Claude — bạn sẽ học cách dùng những tính năng đã có để xây một hệ thống có thể ship, có thể đo, có thể scale, và có thể maintain.

Khóa học này dạy gì?

Khóa học cấu thành từ 11 module, đi từ HTTP request đầu tiên đến agents phức tạp chạy workflow nhiều bước:

┌──────────────────────────────────────────────────┐
│                                                  │
│   Foundation           Build                     │
│   ┌─────────┐         ┌──────────┐              │
│   │  API    │  ───▶   │ Prompts  │              │
│   │  basics │         │  + Evals │              │
│   └─────────┘         └──────────┘              │
│                             │                    │
│                             ▼                    │
│                       ┌──────────┐              │
│                       │  Tools   │              │
│                       │   + RAG  │              │
│                       └──────────┘              │
│                             │                    │
│                             ▼                    │
│   Scale                ┌──────────┐              │
│   ┌──────────┐         │   MCP    │              │
│   │  Agents  │  ◀───   │  servers │              │
│   │  + flows │         └──────────┘              │
│   └──────────┘                                   │
│                                                  │
└──────────────────────────────────────────────────┘

Foundation (Module 1-4)

Module 1-2: Cài đặt, gọi request, hội thoại multi-turn, streaming, system prompt, temperature — nền tảng HTTP + message format
Module 3: Clear/specific/examples/XML — kỹ thuật viết prompt chuẩn industry
Module 4: Eval workflow — cách đo chất lượng prompt khoa học

Build (Module 5-7)

Module 5: Tool use từ schema đến multi-turn loop — cách cho Claude dùng function của bạn
Module 6: Extended thinking, vision, PDF, caching, citations — các "siêu năng lực" của model
Module 7: RAG — chunking, embeddings, BM25, multi-index — cách cho Claude đọc data của bạn

Scale (Module 8-11)

Module 8: MCP protocol — chuẩn kết nối AI ↔ tools đang thay thế mọi cách cũ
Module 9: Workflows vs agents — pattern orchestration cho hệ thống nhiều bước
Module 10: Claude Code — ví dụ agent real-world tốt nhất hiện có
Module 11: Wrap-up + final assessment

Khóa học này KHÔNG dạy gì?

Công bằng với thời gian của bạn — có 4 thứ khóa này không cover:

Không dạy Machine Learning lý thuyết

Bạn sẽ không học transformer architecture, back-propagation, hay gradient descent. Claude là "hộp đen thông minh" trong khóa này — bạn học cách dùng, không học cách build model.

Nếu bạn muốn hiểu ML sâu, học CS231n của Stanford hoặc các course của fast.ai. Sau đó quay lại đây.

Không dạy fine-tuning

Anthropic hiện không cung cấp fine-tuning API kiểu OpenAI. Triết lý của Anthropic: prompt + RAG đủ mạnh cho 95% use case — chỉ nên fine-tune khi thật sự cần. Khóa này follow triết lý đó.

Không dạy frontend / UX chatbot

Chúng ta tập trung vào backend (Python) và logic. Không có React, không có UI kit. Một khi backend chạy, bạn tự do chọn frontend (Streamlit cho demo, Next.js cho production).

Không dạy deployment / DevOps

Deploy ứng dụng lên AWS/Vercel/Cloudflare là chủ đề riêng. Khóa này dừng ở "code chạy đúng trong Jupyter". Module 10 (Claude Code) có gợi ý hướng đi, nhưng không đi sâu.

So sánh với các nguồn học khác

Nguồn	Thế mạnh	Hạn chế
Khóa này	End-to-end: API → eval → tool → RAG → MCP → agent	Không dạy fine-tune, không UI
docs.anthropic.com	Reference đầy đủ, cập nhật	Thiếu lộ trình, khó cho người mới
Anthropic Cookbook (GitHub)	Code examples thực tế	Không dạy vì sao, chỉ dạy cái gì
LangChain/LlamaIndex tutorials	Abstraction nhanh cho prototype	Che mất chi tiết, khó debug lúc production
YouTube tutorials	Free, trực quan	Thường outdated, chất lượng lẫn lộn

Quy tắc đề xuất: Dùng khóa này làm spine. Docs Anthropic làm reference. Cookbook làm code mẫu. YouTube làm cảm hứng.

Ví dụ thực chiến: Lộ trình 6 tuần của một học viên điển hình

Tình huống

Bạn là Backend Engineer, đã làm Node.js 4 năm, biết Python cơ bản. Sếp giao task: "Xây chatbot nội bộ trả lời câu hỏi về policy HR". Deadline 6 tuần.

Tuần 1: Foundation

Đọc Module 1-2 (bài 6.0 → 6.12)
Mỗi tối 1 giờ sau giờ làm
Cuối tuần: chatbot HelloWorld chạy trong Jupyter, trả lời câu "What is quantum computing?" bằng Claude
Mốc: "Tôi đã gọi Claude API thành công"

Tuần 2: Prompt engineering

Module 3 (bài 6.13 → 6.21)
Viết 3 system prompt biến thể cho chatbot HR, compare output bằng mắt
Mốc: "Tôi có prompt v1 cho HR chatbot"

Tuần 3: Eval

Module 4 (bài 6.22 → 6.29)
Tạo test dataset 30 câu hỏi HR thực tế (nguồn: inbox team HR)
Build code grader (check keywords) + model grader (rubric)
Mốc: "Prompt v1 đạt 62% accuracy. Tôi biết cần cải thiện đâu"

Tuần 4: RAG

Module 7 (bài 6.51 → 6.57), lướt Module 5-6
Chunk 50 document HR policy (PDF)
Build RAG pipeline với embeddings
Mốc: "Chatbot với RAG đạt 81% accuracy"

Tuần 5: Tool use + caching

Module 5 (tool use) + Module 6.47-6.49 (caching)
Thêm tool "lookup_employee_info" cho Q&A cá nhân
Bật prompt caching cho system prompt → tiết kiệm 70% cost
Mốc: "Chatbot có tools, cost <$200/tháng projected"

Tuần 6: Deploy + ship

Wrap API trong FastAPI endpoint
Deploy lên internal server
Tích hợp Slack bot
Present demo với sếp
Mốc: "Ship! "

Lộ trình này đã được nhiều học viên follow. Không dễ, nhưng khả thi. Khóa học được thiết kế để support chính xác workflow này.

Những gì chúng ta sẽ làm trong khóa này

Nội dung thực hành xuyên suốt khóa gồm 4 project lớn, tích lũy dần:

Project 1: Chatbot cơ bản (sau Module 2-3)

Chatbot trong Jupyter có: system prompt, multi-turn history, streaming, temperature tuning. Basis của mọi app sau này.

Project 2: Eval suite (sau Module 4)

Khung đo lường: test dataset 50 cases + code grader + model grader. Bạn sẽ dùng nó để đo mọi prompt bạn viết từ giờ trở đi.

Project 3: Tool-using assistant (sau Module 5-6)

Assistant có 5-6 tools: search web, calculate, lookup knowledge base, send email draft, read file. Multi-turn loop.

Project 4: RAG + MCP + Agent (sau Module 7-9)

Hệ thống cuối: RAG pipeline cho tài liệu, MCP server custom cho tool nội bộ, agent orchestration với routing/parallel. Đây là "capstone project" — đủ chất lượng để đưa vào portfolio.

Ứng dụng thực tế: Claude Code và Computer Use

Bên cạnh những gì bạn xây, khóa học cũng phân tích 2 ứng dụng sản phẩm của Anthropic làm case study:

Claude Code

Một CLI agent chạy trong terminal, có thể edit file, fix bug, refactor code, chạy test. Đây là ví dụ tốt nhất hiện tại về một AI agent production. Ở Module 10, chúng ta sẽ không chỉ dùng Claude Code — chúng ta sẽ mổ xẻ cách nó được thiết kế: tool schema, multi-turn loop, error recovery, context management.

Tại sao Claude Code quan trọng? Vì phần lớn pattern bạn học sẽ thấy lại ở đây — tool use multi-turn, environment inspection, chaining workflows. Hiểu Claude Code = hiểu cách nghĩ về agent.

Computer Use

Một bộ tool cho phép Claude điều khiển một máy tính ảo: click chuột, gõ bàn phím, screenshot. Đây là bước tiến lớn — Claude không còn bị giới hạn trong text, nó có thể dùng bất kỳ app nào qua giao diện đồ họa.

Khóa này giới thiệu Computer Use nhưng không đi sâu vào triển khai (đó là chủ đề của một khóa riêng). Chúng ta chỉ cần hiểu nó làm được gì để thấy tương lai của agents.

Chuẩn bị môi trường (cài luôn bây giờ)

Trước khi sang bài 6.2, làm 4 việc sau. Mất khoảng 15-20 phút.

Bước 1: Cài Python 3.9+

Kiểm tra bằng:

python3 --version

Nếu < 3.9, cài bản mới qua:

macOS: brew install python@3.12
Windows: Tải từ python.org
Linux: sudo apt install python3.12

Bước 2: Cài JupyterLab

pip install jupyterlab

Chạy thử:

jupyter lab

Trình duyệt sẽ mở ra giao diện Jupyter. Đóng đi, đủ rồi.

Bước 3: Tạo project folder

mkdir claude-api-course
cd claude-api-course
python3 -m venv .venv
source .venv/bin/activate  # trên Windows: .venv\Scripts\activate
pip install anthropic python-dotenv jupyterlab

Bước 4: Tạo notebook đầu tiên

touch 01_welcome.ipynb
jupyter lab 01_welcome.ipynb

Trong cell đầu tiên, gõ:

print("Hello, Claude!")

Shift+Enter để chạy. Nếu thấy "Hello, Claude!" — môi trường đã sẵn sàng.

Anti-patterns — Sai lầm người mới hay mắc

Lướt nhanh qua bài early để tới "phần hay"

Hiểu hiện: "Tôi đã biết Python, skip cài đặt thôi. Tôi đã dùng ChatGPT, skip 'gọi API' thôi..."
Tại sao là sai: Chi tiết nhỏ ở bài early (cách handle .env, cách extract message.content[0].text) sẽ quay lại cắn bạn ở bài sau khi bạn debug 2 giờ chỉ để phát hiện .env chưa load.
Cách đúng: Đi tuần tự. Bài nào đã biết thì đọc nhanh 5 phút, nhưng đừng skip hẳn. Chạy code, không chỉ đọc.

Cố làm 2 module cùng lúc

Hiểu hiện: "Tôi đọc Module 2 buổi sáng, Module 5 buổi chiều cho nhanh xong."
Tại sao là sai: Module 5 (tool use) xây trên Module 2 (API basics) và Module 4 (eval). Nhảy cóc sẽ thấy code có vẻ work nhưng bạn không hiểu tại sao — đến lúc production nó hỏng là không biết sửa.
Cách đúng: 1 module/tuần. Làm xong exercise trước khi sang module tiếp.

Bỏ exercise để tiết kiệm thời gian

Hiểu hiện: "Bài tập này quen rồi, skip để đi nhanh hơn."
Tại sao là sai: Exercise là nơi bạn làm từ đầu — khác hẳn với copy code mẫu. Skip exercise = skip 70% learning.
Cách đúng: Làm exercise trong notebook riêng (không copy code mẫu). Nếu hoàn thành < 10 phút, OK có thể skim. Nếu > 30 phút và vẫn stuck, quay lại bài học.

Áp dụng ngay

Bài tập 1: Viết mục tiêu cá nhân (10 phút)

Mở file mới my-goals.md trong project folder. Điền:

Ứng dụng muốn xây sau khóa:

[Mô tả càng cụ thể càng tốt — role users, problem giải quyết, scale dự kiến]

Kỹ năng hiện tại:

Python cơ bản (function, list, dict)
Gọi REST API (GET/POST, JSON)
Đã dùng ChatGPT / Claude web
Đã dùng OpenAI API
Đã dùng Anthropic API
Đã viết eval cho prompt
Đã dùng RAG
Đã hiểu MCP

3 kỹ năng yếu nhất tôi cần khóa này chạm vào:

___________
___________
___________

Deadline tự đặt: ___________


File này là "kim chỉ nam". Review lại sau mỗi 2 module.

### Bài tập 2: Cài môi trường & chạy Hello World (15 phút)

Theo đúng 4 bước ở section "Chuẩn bị môi trường" phía trên. Checklist:

- [ ] `python3 --version` hiển thị 3.9+
- [ ] `jupyter lab` mở được
- [ ] Folder `claude-api-course` đã tạo với venv active
- [ ] Notebook `01_welcome.ipynb` chạy được cell `print("Hello, Claude!")`

Nếu stuck ở bước nào, vào Discord cộng đồng Anthropic hỏi — thường có người trả lời trong 10 phút.

---

Tóm tắt bài học

Những điều cốt lõi

Khóa học này lấp đầy khoảng cách giữa "biết Claude" và "xây app production với Claude" — qua 11 module, từ HTTP request đến agents.
Foundation → Build → Scale là 3 pha của hành trình — không skip pha nào.
Khóa không dạy ML lý thuyết, fine-tuning, frontend, deployment — bạn cần nguồn khác cho 4 thứ đó.
Claude Code và Computer Use là 2 case study xuyên suốt — bạn sẽ không chỉ dùng, mà còn mổ xẻ chúng ở Module 10.
Cài môi trường trước khi sang bài 6.2 — Python 3.9+, venv, anthropic SDK, Jupyter.

Tài liệu tham khảo

docs.anthropic.com — Getting started
anthropic-cookbook trên GitHub — các notebook mẫu
console.anthropic.com — để lấy API key ở bài 6.5
Anthropic Discord — hỏi đáp cộng đồng