It Books, Quận Hai Bà Trưng (2026)

06/06/2026

📚 Khoá học miễn phí về NotebookLM do chính Google thiết kế và giảng dạy

Một khóa học miễn phí khá hay về NotebookLM – công cụ AI dành cho nghiên cứu và làm việc với tài liệu mà Google phát triển.

Điều thích nhất ở NotebookLM là khả năng tập trung nhiều nguồn thông tin như PDF, website, tài liệu nội bộ hay thậm chí file âm thanh vào một không gian làm việc duy nhất. Thay vì phải đọc và tìm kiếm thủ công trong hàng chục tài liệu, mình có thể đặt câu hỏi trực tiếp và trò chuyện với chính kho dữ liệu của mình.

Với các công việc liên quan đến research, NotebookLM đặc biệt hữu ích nhờ khả năng:
✅ Tóm tắt nhanh khối lượng lớn tài liệu
✅ Truy xuất thông tin kèm trích dẫn nguồn rõ ràng
✅ Hỗ trợ tổng hợp ý tưởng và xây dựng literature review
✅ Giảm đáng kể thời gian tìm kiếm và rà soát tài liệu nền

Khóa học được thiết kế ở mức nhập môn, thời lượng khoảng 3 giờ nhưng khá đầy đủ. Google hướng dẫn từ cách đưa tài liệu vào hệ thống, tổ chức workspace, đặt câu hỏi hiệu quả cho đến cách tận dụng AI để hỗ trợ nghiên cứu.

Nếu bạn đang làm luận văn, nghiên cứu khoa học, phân tích dữ liệu định tính hoặc đơn giản là thường xuyên phải đọc nhiều tài liệu, đây là một khóa học rất đáng để trải nghiệm.

Trong thời đại AI, giá trị lớn nhất không phải là đọc nhanh hơn, mà là dành được nhiều thời gian hơn cho tư duy phản biện và ra quyết định. NotebookLM là một trong những công cụ giúp mình làm được điều đó.

👉 https://www.skills.google/paths/3273/course_templates/1559

03/06/2026

Think Python (ấn bản thứ 3), một trong những cuốn nhập môn Python được đánh giá cao nhất hiện nay vì cách giải thích rất dễ hiểu và tiếp cận theo hướng khoa học máy tính thay vì chỉ dạy cú pháp. Python là một cách tuyệt vời để bắt đầu học lập trình, và cuốn sách hướng dẫn rõ ràng, súc tích này sẽ dẫn dắt bạn từng bước làm quen với Python — bắt đầu từ các khái niệm lập trình cơ bản trước khi chuyển sang hàm (functions), cấu trúc dữ liệu (data structures) và thiết kế hướng đối tượng (object-oriented design).

Ấn bản thứ ba được cập nhật này phản ánh vai trò ngày càng quan trọng của các mô hình ngôn ngữ lớn (LLMs) trong lập trình, đồng thời bổ sung các bài tập về cách viết prompt hiệu quả cho LLM, kiểm thử mã nguồn và kỹ năng gỡ lỗi (debugging).

Với cuốn sách thực hành phổ biến này bên cạnh, bạn sẽ học được:

* Nền tảng vững chắc về cú pháp (syntax) và ngữ nghĩa (semantics) của ngôn ngữ Python.
* Định nghĩa rõ ràng cho từng khái niệm lập trình, với sự nhấn mạnh vào việc sử dụng thuật ngữ chính xác.
* Cách làm việc với biến (variables), câu lệnh (statements), hàm (functions) và cấu trúc dữ liệu theo một lộ trình logic.
* Các kỹ thuật đọc và ghi dữ liệu từ tệp (files) và cơ sở dữ liệu (databases).
* Hiểu biết vững chắc về đối tượng (objects), phương thức (methods) và lập trình hướng đối tượng (OOP).
* Các chiến lược gỡ lỗi cho lỗi cú pháp (syntax errors), lỗi khi chạy chương trình (runtime errors) và lỗi logic/ngữ nghĩa (semantic errors).
* Giới thiệu về đệ quy (recursion), thiết kế giao diện (interface design), cấu trúc dữ liệu và các thuật toán cơ bản.
* Cách sử dụng các mô hình ngôn ngữ lớn (LLMs), bao gồm viết prompt hiệu quả, kiểm thử mã nguồn và gỡ lỗi.
* Và nhiều nội dung khác.

Đặc biệt, cuốn sách cùng source code hoàn toàn miễn phí:
👉 https://allendowney.github.io/ThinkPython/

10/05/2026

Xu hướng cho các vị trí AI Engineer / GenAI Engineer

Một điều khá thú vị là phần lớn các role này thực tế không phải “pure AI”. Đa số công ty không tìm AI researcher. Họ đang tìm software engineer biết xây dựng AI systems chạy production.

Những requirement xuất hiện nhiều nhất lại là:

* Python
* Docker / Kubernetes
* Cloud (đặc biệt AWS)
* CI/CD
* System Design
* Monitoring / Observability

Sau đó mới đến:

* RAG
* LangChain / LangGraph
* Agent workflows
* Prompt engineering

Điều này phản ánh một xu hướng rất rõ: AI không còn là một component đứng riêng.
Nó đang dần trở thành một layer bên trong software systems.

Vì vậy, AI Engineer hiện tại thường phải xử lý:

* deployment
* orchestration
* inference serving
* monitoring & evaluation
* integration với hệ thống cũ
* scalability & reliability

Nói cách khác: AI Engineer ngày càng giống Software Infrastructure Engineer có thêm AI capability, hơn là Data Scientist truyền thống.

09/05/2026

Series Head First của O’Reilly là một ví dụ rất khác biệt trong thế giới tech books.

Thay vì nhồi lý thuyết khô khan, series này dùng:

* Hình ảnh minh hoạ
* Storytelling
* Humor
* Quiz và bài tập tương tác
* Cách giải thích “brain-friendly”

để giúp bạn nhớ lâu và hiểu bản chất hơn.

Đây không phải loại sách để “cày thuật toán hardcore”. Nhưng là loại sách giúp nhiều người vượt qua giai đoạn khó nhất:
→ không bỏ cuộc khi mới bắt đầu học code.

02/05/2026

MCP và A2A đều là các agent protocol, nhưng chúng hoạt động ở những layer hoàn toàn khác nhau.

MCP (Model Context Protocol) là về việc cho một LLM truy cập vào các công cụ bên ngoài. Model vẫn là “người cầm lái” xuyên suốt: nó nhận câu hỏi, quyết định gọi tool nào, nhận kết quả thông qua MCP Client, rồi tổng hợp thành câu trả lời cuối cùng. Các MCP Server ở giữa chỉ đơn giản là các wrapper chuẩn hóa cho API — đặt vé máy bay, Google Calendar, hay bất cứ thứ gì bạn cần. Một bộ não. Kiểm soát tập trung.

A2A (Agent-to-Agent Protocol) là về việc phối hợp giữa các agent tự trị. Không có một LLM nào quản lý toàn bộ — thay vào đó, một Orchestrator Agent sẽ phân công các subtask cho các agent chuyên biệt, mỗi agent có tool riêng, memory riêng, và vòng reasoning riêng. Orchestrator không trực tiếp gọi Flight API. Nó nói chuyện với một Flight Agent, agent này tự xử lý domain của nó, rồi trả kết quả về.

Sự khác biệt về kiến trúc này trở nên rất quan trọng khi bạn bắt đầu xây hệ thống:

* MCP phù hợp khi một model có thể xử lý toàn bộ task với việc gọi tool
* A2A trở nên cần thiết khi các subtask đủ phức tạp để cần reasoning riêng, hoặc khi bạn muốn các agent chạy song song mà không bị nghẽn ở một model duy nhất

Cùng một scenario — “đặt vé máy bay và thêm vào lịch” — nhưng một kiến trúc giữ control tập trung, còn kiến trúc kia phân tán nó cho các chuyên gia.

Nếu bạn đang xây agentic systems trong 2026, việc hiểu rõ ranh giới này sẽ ảnh hưởng đến mọi quyết định thiết kế của bạn.

30/04/2026

🚀 CHINH PHỤC CLAUDE AI VỚI 13 KHÓA HỌC MIỄN PHÍ TỪ CHÍNH CHỦ ANTHROPIC!

Nếu bạn đang tìm kiếm một lộ trình bài bản để làm chủ AI – đặc biệt là dòng mô hình Claude đang cực kỳ “hot” – thì đây là bộ tài liệu không nên bỏ qua.

Anthropic vừa ra mắt hệ thống Anthropic Academy hoàn toàn miễn phí, bao phủ từ người mới bắt đầu đến developer chuyên sâu.

📚 Danh sách 13 khóa học:

1. Claude 101: Cơ bản
👉 https://lnkd.in/gA2gvy9N

2. Thông thạo AI: Các khung & Nền tảng
👉 https://lnkd.in/g4WJfHcH

3. Giới thiệu về Kỹ năng Tác nhân (AI Agents)
👉 https://lnkd.in/g9h26qDj

4. Xây dựng với Claude API
👉 https://lnkd.in/gu_7N9Ag

5. Claude Code trong Thực tiễn
👉 https://lnkd.in/gkAcdrgW

6. Giới thiệu về Giao thức Văn cảnh Mô hình (MCP)
👉 https://lnkd.in/gaBT3JYc

7. MCP: Các Chủ đề Nâng cao
👉 https://lnkd.in/gBCWP4ZJ

8. Thông thạo AI cho Học sinh
👉 https://lnkd.in/gju5atHA

9. Thông thạo AI cho Nhà giáo dục
👉 https://lnkd.in/gi-YvEjw

10. Giảng dạy sự Thông thạo AI
👉 https://lnkd.in/gJmW7DzG

11. Thông thạo AI cho Tổ chức phi lợi nhuận
👉 https://lnkd.in/gP3KvuR3

12. Claude với Amazon Bedrock
👉 https://lnkd.in/gddnC7YB

13. Claude với Google Cloud's Vertex AI
👉 https://lnkd.in/gxqyMsMa

💡 Nếu bạn đang làm trong data, AI, product hoặc đơn giản là muốn bắt kịp xu hướng AI Agents – đây là bộ tài liệu rất đáng để cày.

📌 Lưu lại để học dần. Nếu thấy hữu ích, chia sẻ cho team cùng học nhé!

27/04/2026

Repository "AI Agents for Beginners" của Microsoft trên GitHub là một khóa học miễn phí gồm 12 bài học nhằm hướng dẫn người dùng từ những khái niệm cơ bản đến cách lập trình và xây dựng các Tác nhân AI (AI Agents).
Dưới đây là tóm tắt nội dung chính của repository này:
1. Mục tiêu và Đối tượng
• Mục tiêu: Cung cấp kiến thức nền tảng và kỹ năng thực hành để xây dựng các hệ thống AI có khả năng tự lập kế hoạch, sử dụng công cụ và thực hiện các nhiệm vụ phức tạp thay vì chỉ phản hồi văn bản đơn thuần.
• Đối tượng: Người mới bắt đầu (Beginners) muốn tìm hiểu về Agentic AI, các nhà phát triển muốn ứng dụng AI vào quy trình làm việc thực tế.
2. Cấu trúc bài học
Khóa học bao gồm 12 bài học chính, mỗi bài đều có:
• Văn bản hướng dẫn (README): Giải thích chi tiết các khái niệm.
• Video bài giảng: Video ngắn tóm tắt nội dung.
• Mẫu mã nguồn (Code Samples): Các ví dụ bằng ngôn ngữ Python (và một số bằng .NET) sử dụng các framework của Microsoft.
• Tài liệu bổ sung: Các liên kết để học sâu hơn.
3. Các chủ đề chính được bao quát
• Giới thiệu về AI Agents: Định nghĩa, các loại tác nhân và các trường hợp sử dụng trong thực tế.
• Agentic Frameworks: Giới thiệu về Microsoft Agent Framework (MAF) và Azure AI Foundry Agent Service.
• Các mẫu thiết kế (Design Patterns):
• Tool Use: Cách AI sử dụng các công cụ/API bên ngoài.
• Agentic RAG: Kết hợp truy xuất dữ liệu với tác nhân AI.
• Planning: Cách AI lập kế hoạch cho các tác vụ nhiều bước.
• Metacognition: Khả năng tự giám sát và điều chỉnh của AI.
• Quản lý bộ nhớ (Memory Management): Cách AI lưu trữ và truy xuất ngữ cảnh từ các cuộc hội thoại trước đó.
• Giao thức Agentic: Tìm hiểu về Model Context Protocol (MCP), Agent to Agent (A2A) và Natural Language Web (NLWeb).
• Triển khai thực tế: Cách quan sát (Observability), đánh giá và kiểm soát chi phí khi đưa AI Agent vào sản xuất.

👉 https://github.com/microsoft/ai-agents-for-beginners

21/04/2026

🚀 TẠM BIỆT PROMPT ENGINEERING — ĐÃ ĐẾN LÚC CHUYỂN SANG “SKILL ENGINEERING”!

Bạn vẫn đang:

Copy–paste một đống system prompt dài lê thê mỗi lần mở chat mới?
Hay bực mình vì AI “quên bài” dù đã dặn rất kỹ?

👉 Nếu có, thì đây là lúc bạn nên thay đổi cách làm.

Cuốn “The Complete Guide to Building Skills for Claude” vừa ra mắt không chỉ nói về prompt — mà là cách xây dựng một hệ thống làm việc chuyên nghiệp với AI.

💡 “Skill” là gì?

Hiểu đơn giản:

MCP (Model Context Protocol) = “Căn bếp” (tools + data)
Skill = “Công thức nấu ăn” (cách dùng mấy thứ đó)

👉 Thay vì phải “dạy lại từ đầu” mỗi lần, bạn đóng gói thành file SKILL.md.
AI sẽ tự động biết khi nào cần dùng, mà không làm phình context.

🌟 3 điểm đáng tiền nhất trong guide:
1. Progressive Disclosure (Tiết lộ dần)

AI chỉ đọc phần cần thiết khi cần → tiết kiệm token + tăng tốc độ 💸

2. Rule “Three-Box”

Chỉ tạo Skill khi:

Task lặp lại nhiều
Có quy trình rõ ràng
Cần output nhất quán

👉 Không phải cái gì cũng cần Skill.

3. Orchestration (Điều phối)

Kết hợp nhiều Skill cùng lúc:

Query data
Phân tích
Viết report đúng brand voice

👉 Đây mới là lúc AI bắt đầu giống “agent” thực sự.

✅ Đánh giá nhanh:
Điểm: 9/10
Phù hợp: dev, data, AI builder, người dùng API/Claude Code
Không phù hợp: người dùng casual chỉ chat đơn giản
👇 Đọc ngay tại đây:

📄https://www.anthropic.com/guides/building-skills-for-claude.pdf

🔥 Mẹo nhỏ (rất đáng tiền):

Đừng viết Skill từ đầu.

👉 Lấy prompt cũ của bạn và bảo AI:

“Convert this into a production-ready SKILL.md following Anthropic guidelines”

💡 Dùng AI để tối ưu chính nó — đó mới là level tiếp theo.

13/04/2026

📚 Designing Data-Intensive Applications – 2nd Edition: Có gì mới so với bản kinh điển 2017?

Sau gần một thập kỷ, cuốn sách “gối đầu giường” của các Data Engineer, Data Architect và System Designer đã chính thức trở lại với phiên bản thứ hai. Nếu ấn bản đầu tiên đặt nền móng cho tư duy thiết kế hệ thống dữ liệu, thì bản 2nd Edition cập nhật những thay đổi quan trọng của kỷ nguyên cloud, AI và real-time analytics.

🔍 Những điểm KHÔNG thay đổi

Giá trị cốt lõi của cuốn sách vẫn được giữ nguyên:
• Mô hình dữ liệu và lưu trữ
• Replication và Partitioning
• Transactions và Consistency
• Distributed Systems và Consensus
• Batch Processing và Stream Processing

Đây vẫn là “kim chỉ nam” cho bất kỳ ai xây dựng hệ thống dữ liệu quy mô lớn.

🚀 Những điểm MỚI trong 2nd Edition

Phiên bản mới phản ánh sự tiến hóa mạnh mẽ của hệ sinh thái dữ liệu:

1. Cloud-Native Architecture
• Managed databases, serverless và microservices trở thành tiêu chuẩn.
• Phù hợp với các nền tảng như AWS, GCP và Azure.

2. Streaming và Event-Driven Systems
• Nhấn mạnh vai trò của dữ liệu thời gian thực.
• Liên quan trực tiếp đến Kafka, Flink và các hệ thống analytics hiện đại.

3. Modern Data Stack
• Polyglot persistence và NewSQL.
• Data warehouse và lakehouse trên nền tảng cloud.

4. AI và Vector Data
• Bổ sung bối cảnh cho các hệ thống AI, embeddings và RAG.

5. Data Governance và Privacy
• Đề cập đến bảo mật, quyền riêng tư và tuân thủ pháp lý như GDPR.

6. Ví dụ và công nghệ được cập nhật
• Các case study thực tiễn, sát với môi trường production hiện đại.

🎯 Ai nên đọc?
• Data Engineers & Data Architects xây dựng hệ thống dữ liệu quy mô lớn
• AI/ML Engineers phát triển nền tảng MLOps và RAG
• Product Managers trong lĩnh vực Data & AI
• Lãnh đạo công nghệ định hướng chiến lược dữ liệu cho tổ chức

💡 Kết luận
• 1st Edition: Kinh điển về nền tảng và tư duy hệ thống.
• 2nd Edition: Phiên bản hiện đại, phản ánh thực tế của kỷ nguyên Cloud và AI.

📌 Nếu bạn chỉ đọc một cuốn sách về kiến trúc dữ liệu trong sự nghiệp, hãy chọn cuốn này.

02/04/2026

AI Agents không chỉ cần model và prompt.

Chúng cần một quy trình xây dựng có cấu trúc và mang tính hệ thống. Đây là lý do…

Phần lớn mọi người thất bại khi xây dựng agent sẵn sàng cho production vì họ bỏ qua các bước nền tảng và lao ngay vào triển khai.

Kết quả là Những agent không giải quyết được bài toán thực tế, tiêu tốn token.

📌 Đây là framework 7 bước để xây AI Agents thực sự hoạt động:

1/ Bắt đầu từ Goal (Mục tiêu)
• Xác định rõ bài toán với các chỉ số đo lường cụ thể
• Chọn workflow design pattern phù hợp với use case
• Xác định điểm cần Human-in-the-Loop tối ưu
• Đặt ra ràng buộc rõ ràng: agent được và không được làm gì

2/ Chọn đúng Model
• LRM cho các bài toán reasoning phức tạp như coding, phân tích
• LLM cho các use case phổ thông, tối ưu token
• SLM cho routing, rewriting và các tác vụ nhẹ

Còn MoE hay các loại khác thì sao? Dùng khi nào?
Mình đã breakdown chi tiết ở phần comment 👇

3/ Chọn đúng Framework
• Workflow đơn giản: Gumloop, Langflow, Dify, Smol agents, N8N
• Production: Langchain, Google ADK, CrewAI, LlamaIndex, OpenAI Agent SDK

4/ Kết nối Tools
• Tích hợp MCP server để truy cập dữ liệu ngoài
• Cho phép agent dùng agent khác như một tool
• Dùng function calling để trả output có cấu trúc
• Cấp quyền file system để lưu trữ & truy xuất nhanh hơn

5/ Thiết kế Memory
• Cache Memory cho system prompt tuỳ chỉnh
• Episodic Memory để nhớ các trải nghiệm trước
• File System Memory để lưu trữ tài liệu lâu dài

6/ Quản lý Context
• Nén context cũ bằng summarization thông minh
• Theo dõi hiệu quả context qua metrics
• Bổ sung context động theo nhu cầu task

7/ Test & Evaluate
• Unit test cho từng function và workflow
• Tìm edge cases trong core process
• Theo dõi chi phí trên mỗi task thành công

👉 Sự khác biệt giữa prototype và production agent nằm ở việc tuân thủ quy trình này, thay vì “nhảy cóc” các bước.

It Books

06/06/2026

03/06/2026

10/05/2026

09/05/2026

02/05/2026

30/04/2026

27/04/2026

21/04/2026

13/04/2026

02/04/2026

Address

Telephone

Website

Alerts

Contact The Business

Shortcuts

Share

Category