Skip to content

Commit 13861e0

Browse files
honghanhhhonghanhh
committed
translate: update _toctree & translate bonus unit2
1 parent 199a54b commit 13861e0

File tree

10 files changed

+367
-2
lines changed

10 files changed

+367
-2
lines changed

‎scripts/vi.py

Lines changed: 1 addition & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -28,6 +28,7 @@
2828
- onboarding: làm quen
2929
- Hands-on: Thực hành
3030
- Challenge: Bài tập lớn
31+
- Training: Huấn luyện
3132
3233
Here is an example:
3334
- Original text: To run the models, we will use [ollama](https://ollama.com), a command line tool that allows you to run LLMs and embedding models from Hugging Face. With ollama, you **don't need** to have access to a server or cloud service to run the models. You can run the models directly **on your computer**.

‎units/vi/_toctree.yml

Lines changed: 95 additions & 1 deletion
Original file line numberDiff line numberDiff line change
@@ -42,16 +42,110 @@
4242
title: Bài kiểm tra cuối chương 1
4343
- local: unit1/conclusion
4444
title: Kết luận
45+
- title: Chương 2. Các Framework cho AI Agent
46+
sections:
47+
- local: unit2/introduction
48+
title: Các Framework cho AI Agent
49+
- title: Chương 2.1 smolagents framework
50+
sections:
51+
- local: unit2/smolagents/introduction
52+
title: Giới thiệu về smolagents
53+
- local: unit2/smolagents/why_use_smolagents
54+
title: Tại sao nên dùng smolagents?
55+
- local: unit2/smolagents/quiz1
56+
title: Kiểm tra nhanh 1
57+
- local: unit2/smolagents/code_agents
58+
title: Xây dựng các Agent sử dụng code
59+
- local: unit2/smolagents/tool_calling_agents
60+
title: Viết các hành động dưới dạng đoạn code hoặc JSON
61+
- local: unit2/smolagents/tools
62+
title: Công cụ
63+
- local: unit2/smolagents/retrieval_agents
64+
title: Xây dựng hệ thống Agentic RAG
65+
- local: unit2/smolagents/quiz2
66+
title: Kiểm tra nhanh 2
67+
- local: unit2/smolagents/multi_agent_systems
68+
title: Hệ thống Đa Agent
69+
- local: unit2/smolagents/vision_agents
70+
title: Các Agent thị giác
71+
- local: unit2/smolagents/final_quiz
72+
title: Bài kiểm tra cuối chương
73+
- local: unit2/smolagents/conclusion
74+
title: Kết luận
75+
- title: Chương 2.2 The LlamaIndex framework
76+
sections:
77+
- local: unit2/llama-index/introduction
78+
title: Giới thiệu về LLamaIndex
79+
- local: unit2/llama-index/llama-hub
80+
title: Giới thiệu về LlamaHub
81+
- local: unit2/llama-index/components
82+
title: Các thành phần trong LlamaIndex là gì?
83+
- local: unit2/llama-index/tools
84+
title: Sử dụng Tools trong LlamaIndex
85+
- local: unit2/llama-index/quiz1
86+
title: Kiểm tra nhanh 1
87+
- local: unit2/llama-index/agents
88+
title: Sử dụng Agents trong LlamaIndex
89+
- local: unit2/llama-index/workflows
90+
title: Tạo Agentic Workflow trong LlamaIndex
91+
- local: unit2/llama-index/quiz2
92+
title: Kiểm tra nhanh 2
93+
- local: unit2/llama-index/conclusion
94+
title: Kết luận
95+
- title: Chương 2.3 LangGraph framework
96+
sections:
97+
- local: unit2/langgraph/introduction
98+
title: Giới thiệu về LangGraph
99+
- local: unit2/langgraph/when_to_use_langgraph
100+
title: LangGraph là gì?
101+
- local: unit2/langgraph/building_blocks
102+
title: Các thành phần cơ bản của LangGraph
103+
- local: unit2/langgraph/first_graph
104+
title: Xây dựng LangGraph đầu tiên của bạn
105+
- local: unit2/langgraph/document_analysis_agent
106+
title: Đồ thị Phân tích Tài liệu
107+
- local: unit2/langgraph/quiz1
108+
title: Kiểm tra nhanh 1
109+
- local: unit2/langgraph/conclusion
110+
title: Kết luận
111+
- title: Chương 3. Use Case cho Agentic RAG
112+
sections:
113+
- local: unit3/agentic-rag/introduction
114+
title: Giới thiệu các Use Case cho Agentic RAG
115+
- local: unit3/agentic-rag/agentic-rag
116+
title: Tìm kiếm và tạo câu trả lời mang tính tác nhân (RAG)
117+
- local: unit3/agentic-rag/invitees
118+
title: Tạo ra công cụ RAG cho Thông tin Khách mời
119+
- local: unit3/agentic-rag/tools
120+
title: Xây dựng và Tích hợp Công cụ cho Agent của Bạn
121+
- local: unit3/agentic-rag/agent
122+
title: Tạo Agent Tổ Chức Gala Của Bạn
123+
- local: unit3/agentic-rag/conclusion
124+
title: Kết luận
45125
- title: Chương bổ trợ 1. Fine-tune LLM cho Function-calling
46126
sections:
47127
- local: bonus-unit1/introduction
48128
title: Giới thiệu
49129
- local: bonus-unit1/what-is-function-calling
50130
title: Function Calling là gì?
51131
- local: bonus-unit1/fine-tuning
52-
title: Hãy fine-tuning model cho Function-calling
132+
title: Hãy fine-tuning mô hình cho Function-calling
53133
- local: bonus-unit1/conclusion
54134
title: Kết luận
135+
- title: Khi nào các bước tiếp theo được công bố?
136+
sections:
137+
- local: communication/next-units
138+
title: Các chương tiếp theo
139+
- title: Bonus Unit 2. Agent Observability and Evaluation
140+
sections:
141+
- local: bonus-unit2/introduction
142+
title: Giới thiệu
143+
- local: bonus-unit2/what-is-agent-observability-and-evaluation
144+
title: Khả năng quan sát và đánh giá agent là gì?
145+
- local: bonus-unit2/monitoring-and-evaluating-agents-notebook
146+
title: Giám sát và đánh giá agent
147+
- local: bonus-unit2/quiz
148+
title: Bài kiểm tra nhanh
55149
- title: Khi nào các bước tiếp theo được công bố?
56150
sections:
57151
- local: communication/next-units

‎units/vi/bonus-unit2/introduction.mdx

Lines changed: 33 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,33 @@
1+
# Khả năng quan sát & Đánh giá AI Agent
2+
3+
![Chương bổ trợ 2 - Ảnh đại diện](https://langfuse.com/images/cookbook/huggingface-agent-course/agent-observability-and-evaluation.png)
4+
5+
Chào mừng bạn đến với **Chương bổ trợ 2**! Trong chương này, chúng ta sẽ khám phá các chiến lược nâng cao để quan sát, đánh giá và cải thiện hiệu suất của các Agent.
6+
7+
---
8+
9+
## 📚 Khi nào nên học chương này?
10+
11+
Chương bổ trợ này phù hợp nếu bạn:
12+
- **Phát triển và triển khai AI Agent:** Bạn muốn đảm bảo Agent hoạt động ổn định trong môi trường production.
13+
- **Cần thông tin chi tiết:** Bạn muốn chẩn đoán lỗi, tối ưu hiệu suất hoặc hiểu cách Agent vận hành.
14+
- **Muốn giảm chi phí vận hành:** Theo dõi chi phí, độ trễ và chi tiết thực thi để quản lý tài nguyên hiệu quả.
15+
- **Hướng đến cải tiến liên tục:** Bạn quan tâm việc tích hợp phản hồi người dùng thời gian thực và đánh giá tự động vào ứng dụng AI.
16+
17+
Tóm lại: dành cho tất cả những ai muốn đưa Agent tiếp cận người dùng thực tế!
18+
19+
---
20+
21+
## 🤓 Nội dung học
22+
23+
Trong chương này, bạn sẽ học cách:
24+
- **Tích hợp công cụ quan sát:** Học cách tích hợp OpenTelemetry vào framework *smolagents* để theo dõi Agent.
25+
- **Giám sát chỉ số:** Theo dõi các chỉ số như lượng token sử dụng (chi phí), độ trễ và lỗi.
26+
- **Đánh giá thời gian thực:** Hiểu các kỹ thuật đánh giá live (live stream) như thu thập phản hồi người dùng và sử dụng LLM làm giám khảo.
27+
- **Phân tích ngoại tuyến:** Sử dụng benchmark datasets (ví dụ: GSM8K) để kiểm tra và so sánh hiệu suất Agent.
28+
29+
---
30+
31+
## 🚀 Sẵn sàng bắt đầu chưa?
32+
33+
Trong phần tiếp theo, chúng ta sẽ học kiến thức cơ bản về Khả năng quan sát và Đánh giá Agent. Sau đó, ta sẽ cùng thực hành ngay!

‎units/vi/bonus-unit2/monitoring-and-evaluating-agents-notebook.mdx

Lines changed: 85 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,85 @@
1+
<CourseFloatingBanner chapter={2}
2+
classNames="absolute z-10 right-0 top-0"
3+
notebooks={[
4+
{label: "Google Colab", value: "https://colab.research.google.com/github/huggingface/agents-course/blob/main/notebooks/bonus-unit2/monitoring-and-evaluating-agents.ipynb"},
5+
]} />
6+
7+
# Chương bổ trợ 2: Quan sát và đánh giá Agent
8+
9+
<Tip>
10+
Bạn có thể theo dõi code trong <a href="https://huggingface.co/agents-course/notebooks/blob/main/bonus-unit2/monitoring-and-evaluating-agents-notebook.ipynb" target="_blank">notebook này</a> và chạy trên Google Colab.
11+
</Tip>
12+
13+
Trong notebook này, chúng ta sẽ học cách **giám sát các bước nội bộ (traces) của AI Agent** và **đánh giá hiệu suất** bằng các công cụ quan sát mã nguồn mở.
14+
15+
Khả năng quan sát và đánh giá hành vi của Agent là cực kỳ quan trọng để:
16+
- Gỡ lỗi khi tác vụ thất bại hoặc cho kết quả không tối ưu
17+
- Theo dõi chi phí và hiệu suất theo thời gian thực
18+
- Cải thiện độ tin cậy và an toàn thông qua phản hồi liên tục
19+
20+
## Yêu cầu trước khi thực hành 🏗️
21+
22+
Trước khi chạy notebook này, hãy đảm bảo bạn đã:
23+
24+
🔲 📚 **Học xong** [Giới thiệu về Agent](https://huggingface.co/learn/agents-course/unit1/introduction)
25+
26+
🔲 📚 **Học xong** [Framework smolagents](https://huggingface.co/learn/agents-course/unit2/smolagents/introduction)
27+
28+
## Bước 0: Cài đặt thư viện cần thiết
29+
30+
Chúng ta cần một số thư viện để chạy, giám sát và đánh giá Agent:
31+
32+
```python
33+
%pip install 'smolagents[telemetry]'
34+
%pip install opentelemetry-sdk opentelemetry-exporter-otlp openinference-instrumentation-smolagents
35+
%pip install langfuse datasets 'smolagents[gradio]'
36+
```
37+
38+
## Bước 1: Thiết lập instrumentation cho Agent
39+
40+
Trong notebook này, chúng ta dùng [Langfuse](https://langfuse.com/) làm công cụ quan sát, nhưng bạn có thể dùng **bất kỳ dịch vụ tương thích OpenTelemetry nào**. Code dưới đây hướng dẫn cách thiết lập biến môi trường cho Langfuse (hoặc endpoint OTel khác) và cách instrumentation cho smolagent.
41+
42+
**Lưu ý:** Nếu dùng LlamaIndex hoặc LangGraph, bạn có thể xem tài liệu instrumentation [tại đây](https://langfuse.com/docs/integrations/llama-index/workflows) và [tại đây](https://langfuse.com/docs/integrations/langchain/example-python-langgraph).
43+
44+
Đầu tiên, hãy cấu hình biến môi trường để kết nối tới endpoint OpenTelemetry của Langfuse.
45+
46+
```python
47+
import os
48+
import base64
49+
50+
# Lấy key của bạn từ https://cloud.langfuse.com
51+
LANGFUSE_PUBLIC_KEY = "pk-lf-..."
52+
LANGFUSE_SECRET_KEY = "sk-lf-..."
53+
os.environ["LANGFUSE_PUBLIC_KEY"] = LANGFUSE_PUBLIC_KEY
54+
os.environ["LANGFUSE_SECRET_KEY"] = LANGFUSE_SECRET_KEY
55+
os.environ["LANGFUSE_HOST"] = "https://cloud.langfuse.com" # 🇪🇺 Ví dụ cho khu vực EU
56+
# os.environ["LANGFUSE_HOST"] = "https://us.cloud.langfuse.com" # 🇺🇸 Ví dụ cho khu vực US
57+
58+
LANGFUSE_AUTH = base64.b64encode(
59+
f"{LANGFUSE_PUBLIC_KEY}:{LANGFUSE_SECRET_KEY}".encode()
60+
).decode()
61+
62+
os.environ["OTEL_EXPORTER_OTLP_ENDPOINT"] = os.environ.get("LANGFUSE_HOST") + "/api/public/otel"
63+
os.environ["OTEL_EXPORTER_OTLP_HEADERS"] = f"Authorization=Basic {LANGFUSE_AUTH}"
64+
```
65+
Chúng ta cũng cần cấu hình Hugging Face token cho các lệnh inference.
66+
67+
```python
68+
# Thiết lập Hugging Face token và các secret khác dưới dạng biến môi trường
69+
os.environ["HF_TOKEN"] = "hf_..."
70+
```
71+
Tiếp theo, thiết lập tracer-provider cho OpenTelemetry đã cấu hình.
72+
73+
```python
74+
from opentelemetry.sdk.trace import TracerProvider
75+
from openinference.instrumentation.smolagents import SmolagentsInstrumentor
76+
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
77+
from opentelemetry.sdk.trace.export import SimpleSpanProcessor
78+
79+
# Tạo TracerProvider cho OpenTelemetry
80+
trace_provider = TracerProvider()
81+
82+
# Thêm SimpleSpanProcessor với OTLPSpanExporter để gửi traces
83+
trace_provider.add_span_processor(SimpleSpanProcessor(OTLPSpanExporter()))
84+
85+
# Thiết lập tracer provider mặc định toàn cục

‎units/vi/bonus-unit2/quiz.mdx

Lines changed: 23 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,23 @@
1+
# Kiểm tra: Đánh giá AI Agent
2+
3+
Hãy cùng kiểm tra hiểu biết của bạn về các khái niệm theo dõi và đánh giá Agent đã học trong Chương bổ trợ này.
4+
5+
Bài kiểm tra này không bắt buộc và không tính điểm.
6+
7+
### Q1: Khả năng quan sát trong AI Agent chủ yếu đề cập đến điều gì?
8+
Phát biểu nào mô tả chính xác mục đích của khả năng quan sát cho AI Agent?
9+
10+
<Question
11+
choices={[
12+
{
13+
text: "Nó liên quan đến việc theo dõi hoạt động nội bộ thông qua logs, metrics và spans để hiểu hành vi của agent.",
14+
explain: "Chính xác! Khả năng quan sát nghĩa là sử dụng logs, metrics và spans để làm rõ cách thức hoạt động bên trong của agent.",
15+
correct: true
16+
},
17+
{
18+
text: "Nó chỉ tập trung vào việc giảm chi phí tài chính khi chạy agent.",
19+
explain: "Khả năng quan sá bao gồm chi phí nhưng không giới hạn ở đó."
20+
},
21+
{
22+
text: "Nó chỉ đề cập đến giao diện bên ngoài và UI của agent.",
23+
explain: "Khả năng quan sá liên quan đến quy trình nội bộ

‎units/vi/bonus-unit2/what-is-agent-observability-and-evaluation.mdx

Lines changed: 43 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,43 @@
1+
# Khả năng Quan sát và Đánh giá AI Agent
2+
3+
## 🔎 Khả năng Quan sát là gì?
4+
5+
Observability (khả năng quan sát) là khả năng hiểu được những gì đang xảy ra bên trong AI agent của bạn bằng cách xem xét các tín hiệu bên ngoài như logs, metrics và traces. Đối với AI agent, điều này có nghĩa là theo dõi các hành động, cách sử dụng công cụ, lệnh gọi mô hình và phản hồi để gỡ lỗi và cải thiện hiệu suất của agent.
6+
7+
![Observability dashboard](https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/bonus-unit2/langfuse-dashboard.png)
8+
9+
## 🔭 Tại sao Quan sát Agent lại quan trọng
10+
11+
Nếu không có observability, AI agent sẽ là những "hộp đen". Các công cụ observability giúp agent trở nên minh bạch, cho phép bạn:
12+
13+
- Hiểu được sự đánh đổi giữa chi phí và độ chính xác
14+
- Đo độ trễ
15+
- Phát hiện ngôn ngữ độc hại & prompt injection
16+
- Theo dõi phản hồi từ người dùng
17+
18+
Nói cách khác, nó biến agent demo của bạn thành sản phẩm sẵn sàng cho production!
19+
20+
## 🔨 Công cụ Quan sát
21+
22+
Các công cụ quan sát phổ biến cho AI agent bao gồm các nền tảng như [Langfuse](https://langfuse.com) và [Arize](https://www.arize.com). Những công cụ này giúp thu thập traces chi tiết và cung cấp dashboard để theo dõi metrics theo thời gian thực, giúp phát hiện vấn đề và tối ưu hiệu suất dễ dàng.
23+
24+
Các công cụ quan sát có tính năng và khả năng rất đa dạng. Một số công cụ là mã nguồn mở, được hưởng lợi từ cộng đồng lớn giúp định hình lộ trình phát triển và tích hợp mở rộng. Ngoài ra, một số công cụ chuyên về các khía cạnh cụ thể của LLMOps - như khả năng quan sát, đánh giá hoặc quản lý prompt - trong khi số khác được thiết kế để bao quát toàn bộ quy trình LLMOps. Chúng mình khuyến khích bạn khám phá tài liệu của các lựa chọn khác nhau để chọn giải pháp phù hợp.
25+
26+
Nhiều framework agent như [smolagents](https://huggingface.co/docs/smolagents/v1.12.0/en/index) sử dụng chuẩn [OpenTelemetry](https://opentelemetry.io/docs/) để xuất metadata cho các công cụ observability. Bên cạnh đó, các công cụ observability xây dựng instrumentation tùy chỉnh để linh hoạt hơn trong thế giới LLM đang phát triển nhanh. Bạn nên kiểm tra tài liệu của công cụ đang dùng để xem những gì được hỗ trợ.
27+
28+
## 🔬Traces và Spans
29+
30+
Các công cụ quan sát thường biểu diễn quá trình chạy agent dưới dạng traces và spans.
31+
32+
- **Traces** đại diện cho một tác vụ agent hoàn chỉnh từ đầu đến cuối (như xử lý truy vấn người dùng).
33+
- **Spans** là các bước riêng lẻ trong trace (như gọi language mô hình hoặc truy xuất dữ liệu).
34+
35+
![Example of a smolagent trace in Langfuse](https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/bonus-unit2/trace-tree.png)
36+
37+
## 📊 Các Metrics Chính Cần Theo Dõi
38+
39+
Dưới đây là một số metrics phổ biến nhất mà các công cụ quan sát theo dõi:
40+
41+
**Độ trễ (Latency):** Agent phản hồi nhanh thế nào? Thời gian chờ lâu ảnh hưởng tiêu cực đến trải nghiệm người dùng. Bạn nên đo độ trễ cho các tác vụ và từng bước bằng cách trace quá trình chạy agent. Ví dụ: agent mất 20 giây cho tất cả lệnh gọi mô hình có thể được tăng tốc bằng cách dùng mô hình nhanh hơn hoặc chạy các lệnh gọi song song.
42+
43+
**Chi phí (Costs):** Chi phí cho mỗi

‎units/vi/unit2/llama-index/workflows.mdx

Lines changed: 1 addition & 1 deletion
Original file line numberDiff line numberDiff line change
@@ -1,4 +1,4 @@
1-
# Tạo các workflow tác nhân trong LlamaIndex
1+
# Tạo Agentic Workflow trong LlamaIndex
22

33
Một workflow trong LlamaIndex cung cấp cách có cấu trúc để tổ chức mã nguồn của bạn thành các bước tuần tự và quản lý được.
44

‎units/vi/unit3/agentic-rag/agentic-rag.mdx

Lines changed: 27 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,27 @@
1+
# Agent tìm kiếm và tạo câu trả lời mang tính tác nhân (Agentic RAG)
2+
3+
Trong Chương này, chúng ta sẽ cùng tìm hiểu cách sử dụng Agentic RAG để giúp Alfred chuẩn bị cho buổi tiệc gala tuyệt vời.
4+
5+
<Tip>Chúng mình biết các bạn đã được học về RAG và agentic RAG ở Chương trước, vì vậy hãy thoải mái bỏ qua phần này nếu đã nắm vững các khái niệm.</Tip>
6+
7+
LLM được huấn luyện trên kho dữ liệu khổng lồ để học kiến thức tổng quát.
8+
Tuy nhiên, kiến thức thế giới trong LLM có thể không phải lúc nào cũng cập nhật và phù hợp.
9+
**RAG giải quyết vấn đề này bằng cách tìm kiếm và trích xuất thông tin liên quan từ dữ liệu của bạn rồi chuyển cho LLM xử lý.**
10+
11+
![RAG](https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/unit2/llama-index/rag.png)
12+
13+
Giờ hãy xem cách Alfred hoạt động:
14+
15+
1. Chúng ta yêu cầu Alfred hỗ trợ lên kế hoạch tổ chức gala
16+
2. Alfred cần tìm kiếm thông tin thời tiết và tin tức mới nhất
17+
3. Alfred cần sắp xếp và tìm kiếm thông tin khách mời
18+
19+
Giống như Alfred cần tìm kiếm thông tin trong gia đình bạn để hỗ trợ, bất kỳ Agent nào cũng cần cách hiểu và tìm kiếm dữ liệu liên quan.
20+
**Agentic RAG là phương pháp mạnh mẽ để sử dụng các Agent trả lời câu hỏi về dữ liệu của bạn.** Ta có thể cung cấp nhiều Tools khác nhau để Alfred trả lời câu hỏi.
21+
Tuy nhiên, thay vì tự động trả lời dựa trên tài liệu, Alfred có thể quyết định sử dụng bất kỳ công cụ hay quy trình nào khác.
22+
23+
![Agentic RAG](https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/unit2/llama-index/agentic-rag.png)
24+
25+
**Hãy cùng bắt đầu xây dựng workflow agentic RAG!**
26+
27+
Đầu tiên, ta sẽ tạo một công cụ RAG để lấy thông tin cập nhật về khách mời. Tiếp theo, ta phát triển các công cụ tìm kiếm web, cập nhật thời tiết và thống kê tải mô hình từ Hugging Face Hub. Cuối cùng, ta sẽ tích hợp mọi thứ để tạo nên Agentic RAG Agent hoàn chỉnh!

0 commit comments

Comments
 (0)