Dưới đây là bản dịch tiếng Việt cho nội dung bạn cung cấp, tuân thủ tất cả các hướng dẫn về định dạng, thuật ngữ và phong cách.
Kỹ thuật AI là một trong những công việc được trả lương cao nhất, phát triển nhanh nhất trong lĩnh vực công nghệ hiện nay. Và cánh cửa bước vào lĩnh vực này chưa bao giờ rộng mở hơn thế.
Hầu hết các hướng dẫn đều sai. Họ đưa cho bạn một bức tường lý thuyết, bảo bạn phải thành thạo đại số tuyến tính và toán học mạng nơ-ron, và khiến bạn nản lòng ngay tuần thứ hai.
Hoặc họ chôn vùi bạn trong 80 đường dẫn không có thứ tự và không có kết luận, khiến bạn dành nhiều thời gian để quyết định học gì hơn là thực sự học.
Tôi đã đọc qua các lộ trình phổ biến, thử nghiệm các công cụ chúng khuyên dùng và xây dựng phiên bản mà tôi sẽ đưa cho một người bạn đang chuyển đổi nghề nghiệp và có công việc thực sự cần làm.
Không cần bằng cấp toán học. Không cần kế hoạch 4 năm.
Bốn tháng tập trung, một lựa chọn rõ ràng cho mỗi kỹ năng, các prompt thực tế bạn có thể sao chép và những sai lầm thầm lặng giết chết hầu hết các lần chuyển đổi nghề nghiệp trước khi chúng bắt đầu.
Đây là lý do tại sao tôi nghĩ thời điểm này rất quan trọng, sau đó là lộ trình đầy đủ.
Tại sao cánh cửa đang mở (và tôi có thể chứng minh điều đó)
Bạn có thể đã được nghe rằng AI sẽ lấy mất việc làm.
Đây là phần ít được nhắc đến: nó đang tạo ra một loại công việc cụ thể, được trả lương cao nhanh hơn hầu hết mọi thứ khác trên thị trường, và rào cản thông thường đang dần biến mất.
PwC's 2026 Global AI Jobs Barometer đã phân tích hơn một tỷ quảng cáo việc làm trên sáu châu lục. Ba phát hiện có ý nghĩa đối với bất kỳ ai đang cân nhắc chuyển đổi.
Đầu tiên, các công việc yêu cầu kỹ năng AI đang tăng trưởng nhanh hơn khoảng tám lần so với thị trường chung. Các vai trò yêu cầu kỹ năng AI đã tăng 69% trong khi tổng thị trường việc làm chỉ tăng 9%.
Đó không phải là sai số. Đó là một hạng mục đang vượt xa mọi thứ xung quanh nó.
Thứ hai, mức phí bảo hiểm tiền lương là có thật và đang tăng lên. Người lao động có kỹ năng AI được hưởng mức phí bảo hiểm tiền lương 62% so với các vai trò tương tự không có kỹ năng đó, tăng từ 57% của năm trước.
Các công ty đang trả nhiều hơn, chứ không phải ít hơn, cho những người thực sự có thể xây dựng bằng các công cụ này.
Thứ ba, và đây là điều thay đổi cách tính toán cho những người chuyển đổi nghề nghiệp: yêu cầu về bằng cấp đang giảm và nó giảm nhanh nhất chính xác cho các vai trò này.
PwC phát hiện ra rằng tỷ lệ các công việc được tăng cường AI yêu cầu bằng cấp đã giảm từ 66% xuống 59% trong giai đoạn 2019-2024.
Đối với các công việc mà AI tự động hóa một phần công việc, tỷ lệ này giảm mạnh hơn, từ 53% xuống 44%. Các nhà tuyển dụng đang loại bỏ bộ lọc chứng chỉ nhanh hơn trong các công việc liên quan đến AI so với bất kỳ nơi nào khác.
Còn một con số nữa đáng để suy ngẫm. Tại Mỹ, các vai trò đầu vào chịu ảnh hưởng nhiều nhất từ AI đã tăng 35% kể từ năm 2019.
Trong cùng kỳ, các vai trò đầu vào khác đã giảm 10%. Bậc thang thấp nhất của nấc thang AI đang rộng ra trong khi phần còn lại của thị trường việc làm đầu vào đang thu hẹp lại.
Bây giờ là mặt trái trung thực, bởi vì tôi không ở đây để bán cho bạn một ảo tưởng.
PwC cũng phát hiện ra rằng các vai trò đầu vào chịu ảnh hưởng của AI ngày càng yêu cầu các kỹ năng trước đây chỉ dành cho cấp cao: khả năng phán đoán, giao tiếp, khả năng làm chủ kết quả thay vì chỉ làm một nhiệm vụ.
Rào cản không thấp hơn trên toàn bộ bảng. Nó đã thay đổi. Nó ít là "bạn có bằng cấp không" và nhiều hơn là "bạn có thực sự làm cho nó hoạt động và giải thích tại sao nó hoạt động không."
Hãy coi đó là tin xấu nếu bạn là một sinh viên mới tốt nghiệp không có kinh nghiệm làm việc. Hãy coi đó là tin tốt nếu bạn đang chuyển đổi từ một nghề nghiệp khác, bởi vì bạn đã có thứ mà họ đang yêu cầu.
Bạn đã từng hoàn thành công việc. Bạn đã từng làm việc với các bên liên quan. Bạn đã từng chịu trách nhiệm về kết quả dưới áp lực.
Một người 22 tuổi có bằng CS thường thì chưa. Nếu bạn kết hợp khả năng phán đoán hiện có của mình với các kỹ năng kỹ thuật trong hướng dẫn này, bạn không hề thua kém các sinh viên mới tốt nghiệp.
Trên khía cạnh mà các nhà tuyển dụng quan tâm nhất, bạn thậm chí còn vượt trội hơn họ.
Đó chính là lợi thế của người chuyển đổi nghề nghiệp và hầu như không có lộ trình nào nói với bạn về điều đó. Hãy giữ nó trong túi suốt bốn tháng. Đó là lý do tại sao điều này là khả thi đặc biệt đối với bạn.
Một lời nhanh về tiền bạc, bởi vì bạn sẽ muốn những con số thực tế trước khi cam kết bốn tháng.
Tôi sẽ đưa ra phân tích đầy đủ ở cuối với các nguồn, nhưng phiên bản ngắn gọn: tính đến giữa năm 2026, Glassdoor ước tính mức lương trung bình của một kỹ sư AI tại Mỹ là khoảng 143.500 đô la, với phạm vi điển hình từ khoảng 115.000 đô la đến 181.000 đô la.
Các vai trò cấp cao cao hơn nhiều. Các nhà tuyển dụng đang sắp xếp nhân sự cho các công việc AI sản xuất báo cáo mức lương cơ bản trung cấp tập trung từ 155.000 đô la đến 200.000 đô la.
Đây không phải là những con số cường điệu từ một bài đăng cường điệu. Chúng là hiện tại và tôi sẽ chỉ cho bạn thấy từng con số đến từ đâu.
Kỹ sư AI thực sự làm gì (phiên bản 60 giây)
Trước khi có kế hoạch, hãy loại bỏ nguồn gốc lớn nhất của sự đe dọa, bởi vì nó ngăn cản nhiều người hơn bất kỳ rào cản kỹ thuật nào.
Khi hầu hết mọi người nghe thấy "kỹ sư AI," họ hình dung một người nào đó trong phòng thí nghiệm đang huấn luyện một mô hình khổng lồ từ đầu, được bao quanh bởi GPU và toán học mà họ sẽ không bao giờ hiểu.
Đó là một công việc khác. Nó được gọi là nhà khoa học nghiên cứu hoặc nhà nghiên cứu ML, có tương đối ít người như vậy và nó thường yêu cầu bằng cấp cao.
Công việc kỹ sư AI đang phát triển nhanh hơn tám lần so với thị trường là một điều hoàn toàn khác.
Bạn xây dựng các sản phẩm và tính năng trên nền tảng các mô hình đã tồn tại. Bạn lấy Claude, hoặc GPT, hoặc một mô hình mã nguồn mở, và bạn làm cho nó thực hiện một công việc cụ thể, đáng tin cậy bên trong một ứng dụng thực tế.
Trong thực tế, điều đó có nghĩa là bạn kết nối với các API mô hình, thiết kế các prompt và ngữ cảnh bạn cung cấp cho chúng, lấy dữ liệu có cấu trúc trở lại, kết nối mô hình với các công cụ và cơ sở dữ liệu, làm cho nó truy xuất thông tin chính xác, xử lý mọi thứ có thể sai và triển khai nó để người thật có thể sử dụng.
Nó nằm giữa kỹ thuật phần mềm, công việc sản phẩm và AI ứng dụng. Bạn là một người xây dựng, không phải là một nhà nghiên cứu.
Đây là bài kiểm tra một dòng tôi sẽ sử dụng. Nếu bạn có thể làm cho một LLM thực hiện một công việc cụ thể một cách đáng tin cậy bên trong một ứng dụng và bạn hiểu đủ để sửa nó khi nó bị hỏng, bạn là một kỹ sư AI. Đó là tất cả.
Mọi thứ trong hướng dẫn này đều nhằm đưa bạn đến điểm mà câu nói đó đúng với bạn.
Bạn không cần biết cách một bộ biến áp hoạt động bên trong. Bạn không cần giải tích. Bạn không cần phải có khả năng suy ra lan truyền ngược.
Bạn cần phải là một người xây dựng có năng lực, người hiểu cách làm việc với các mô hình này trong thế giới thực.
Đó là một kỹ năng có thể học được và bốn tháng tập trung là đủ để trở nên thành thạo.
Đọc điều này trước Tháng 1: 4 sai lầm giết chết việc chuyển đổi nghề nghiệp
Tôi đặt điều này trước lộ trình có chủ đích.
Hầu hết các hướng dẫn chôn vùi những sai lầm ở cuối, nhưng những sai lầm kết thúc một lần chuyển đổi nghề nghiệp xảy ra vào tuần thứ hai, không phải tháng thứ ba. Nếu bạn chỉ nhớ một phần của hướng dẫn này, hãy nhớ phần này.
Tôi đã chứng kiến mọi người, bao gồm cả phiên bản trước đây của tôi, mắc phải từng sai lầm này. Không có sai lầm nào là về trí thông minh.
Chúng là về chiến lược. Sửa chiến lược và bốn tháng thực sự hiệu quả.
Sai lầm 1: Bắt đầu với lý thuyết và toán học.
Bạn hào hứng, bạn muốn làm đúng, vì vậy bạn đi tìm một khóa học máy học và bắt đầu với đại số tuyến tính, gradient descent và toán học đằng sau mạng nơ-ron.
Ba tuần sau, bạn đã xem rất nhiều bài giảng, bạn không thể xây dựng bất cứ thứ gì và bạn cảm thấy mình là kẻ mạo danh. Vì vậy, bạn bỏ cuộc.
Cách khắc phục: bỏ qua nó. Đối với công việc bạn đang nhắm tới, bạn không cần phải suy ra toán học.
Bạn cần phải xây dựng.
Bạn sẽ nắm được các khái niệm thực sự cần thiết khi bạn gặp chúng trong các dự án thực tế và chúng sẽ gắn chặt vì chúng sẽ gắn liền với thứ bạn đã xây dựng.
Lý thuyết trước tiên là lý do phổ biến nhất khiến những người thông minh từ bỏ điều này. Đừng bắt đầu ở đó.
Sai lầm 2: Xem hướng dẫn thay vì xây dựng.
Điều này rất tinh vi vì nó có cảm giác như tiến bộ. Bạn xem một khóa học Python kéo dài bốn giờ, gật đầu đồng ý, cảm thấy như bạn đã học được điều gì đó. Bạn đã không.
Bạn đã xem người khác học thứ gì đó. Khoảnh khắc bạn mở một tệp trống, không có gì trong đó cả.
Cách khắc phục: quy tắc 30 phút. Cứ mỗi giờ bạn dành để xem hoặc đọc, hãy dành ít nhất 30 phút để xây dựng thứ gì đó mà không có hướng dẫn nào mở.
Tự gõ các ví dụ. Phá vỡ chúng. Thay đổi chúng. Gặp lỗi và sửa chúng. Lỗi là bài học.
Một người xây dựng tồi trong bốn tháng sẽ đánh bại một người xem hoàn hảo trong bốn tháng, mọi lúc.
Các nhà tuyển dụng có thể thấy sự khác biệt trong mười giây khi nhìn vào GitHub của bạn.
Sai lầm 3: Học các công cụ thay vì kỹ năng.
Bạn nghe nói LangChain là thứ cần học, vì vậy bạn đi sâu vào LangChain.
Sáu tháng sau, lĩnh vực này đã thay đổi, mọi người đều chuyển sang thứ khác và kiến thức LangChain của bạn cảm thấy lãng phí. Vì vậy, bạn đuổi theo công cụ mới.
Sau đó, công cụ đó cũng thay đổi. Bạn luôn ở phía sau vì bạn đang tối ưu hóa cho lớp sai.
Cách khắc phục: học kỹ năng bên dưới công cụ. Kỹ năng viết một prompt tạo ra đầu ra đáng tin cậy sẽ không hết hạn khi một framework được cập nhật.
Kỹ năng lấy dữ liệu có cấu trúc từ một mô hình, hoặc đánh giá xem hệ thống của bạn có thực sự hoạt động hay không, hoặc quyết định khi nào một nhiệm vụ cần một agent so với một cuộc gọi đơn lẻ, những kỹ năng đó có thể chuyển đổi qua mọi công cụ sẽ tồn tại.
Học các công cụ như một cách để thực hành các kỹ năng, không phải là mục tiêu. Hướng dẫn này được tổ chức xoay quanh các kỹ năng chính xác vì lý do này.
Sai lầm 4: Chờ đợi cho đến khi bạn cảm thấy sẵn sàng để xây dựng công khai.
Bạn quyết định bạn sẽ bắt đầu chia sẻ công việc của mình, ứng tuyển vào các vai trò hoặc cung cấp dịch vụ tự do một khi bạn đã "sẵn sàng."
Bạn sẽ không bao giờ cảm thấy sẵn sàng. Sẵn sàng là một cảm giác đến sau khi bạn bắt đầu, không phải trước đó.
Trong khi đó, những người đang được tuyển dụng và có khách hàng là những người đã bắt đầu chia sẻ công việc thô sơ từ nhiều tháng trước khi họ cảm thấy đủ điều kiện.
Cách khắc phục: bắt đầu xây dựng công khai từ Tháng 1. Đăng thứ nhỏ bạn đã làm. Viết về những gì bạn đã học.
Đặt mọi dự án lên GitHub vào ngày bạn hoàn thành nó, ngay cả những dự án xấu xí.
Khoảng cách giữa "tôi đang học" và "tôi đang xây dựng một cách rõ ràng" là nơi hầu hết những người chuyển đổi bị mắc kẹt trong một năm. Hãy thu hẹp nó sớm.
Không ai theo dõi đủ kỹ để công việc ban đầu của bạn làm bạn xấu hổ và sự tăng trưởng kép bắt đầu từ ngày bạn bắt đầu.
Hãy ghi nhớ bốn điều này trong suốt chặng đường.
Lộ trình dưới đây được thiết kế để tránh tất cả chúng theo mặc định: kỹ năng trước, xây dựng trước, không phụ thuộc vào công cụ, công khai từ ngày đầu tiên.
Tháng 1: Python và hệ thống ống nước
Mục tiêu của bạn trong tháng này: trở thành một nhà phát triển Python thành thạo, người có thể gọi API, quản lý một dự án nhỏ và ngừng tra cứu cú pháp cơ bản.
Không phải chuyên gia. Thành thạo.
Mọi thứ trong Tháng 2 đến Tháng 4 đều giả định bạn có thể viết Python sạch và làm việc trong terminal. Đây là nền tảng và việc vội vàng sẽ làm tổn thương bạn sau này.
Đây là điều cần thấm nhuần trước khi bạn bắt đầu: kỹ thuật AI là kỹ thuật phần mềm trước tiên. Phần AI nằm trên một ngăn xếp phần mềm thông thường.
Nếu ngăn xếp bên dưới không vững chắc, phần AI sẽ không bao giờ đáng tin cậy. Vì vậy, Tháng 1 là về việc làm quen đủ với những điều cơ bản để chúng không còn cản trở bạn nữa.
Tôi sẽ đưa cho bạn một lựa chọn chính cho mỗi kỹ năng, kèm theo một kết luận rõ ràng về lý do. Tôi cố tình không đưa cho bạn năm lựa chọn cho mỗi chủ đề. Lựa chọn là kẻ thù của động lực.
Hãy chọn cái tôi chỉ và chỉ mở rộng nếu nó thực sự không hiệu quả với bạn.
Python
Python là ngôn ngữ của toàn bộ lĩnh vực này. Hầu như mọi thư viện, API, hướng dẫn và công việc bạn sẽ chạm đến trong bốn tháng tới đều bằng Python. Bạn học nó và mọi thứ khác sẽ trở nên dễ dàng hơn.
Lựa chọn của tôi: CS50P, Introduction to Programming with Python của Harvard. Miễn phí, nghiêm ngặt và nó buộc bạn phải thực sự giải quyết các vấn đề thay vì xem người khác giải quyết chúng.
Các bộ bài tập là toàn bộ giá trị. Nó đòi hỏi nhiều hơn một khóa học YouTube nhẹ nhàng và đó là mục đích.
Bạn muốn phiên bản khiến bạn phải vật lộn một chút, bởi vì sự vật lộn là nơi kỹ năng hình thành.
Tìm nó tại cs50.harvard.edu/python.
Nếu CS50P có vẻ quá khó đối với người mới bắt đầu tuyệt đối, khóa học Python freeCodeCamp trên YouTube là một bước khởi đầu nhẹ nhàng hơn, nhưng hãy coi nó như một bước khởi động, không phải là sự kiện chính.
Hãy quay lại CS50P một khi bạn không còn sợ một tệp trống nữa.
Những gì thực sự cần tập trung, theo thứ tự sơ lược: biến và kiểu dữ liệu, vòng lặp và câu lệnh điều kiện, hàm, sau đó là các kiểu tập hợp (danh sách, từ điển, tập hợp, tuple).
Sau đó là xử lý tệp và đọc/ghi JSON, thứ bạn sẽ sử dụng liên tục với các API AI.
Sau đó là đủ lớp và kiến thức cơ bản về hướng đối tượng để đọc mã của người khác mà không hoảng loạn.
Sau đó là xử lý lỗi với try và except.
Cuối cùng, môi trường ảo và pip, để bạn có thể cài đặt các gói mà không làm hỏng hệ thống của mình.
Đừng cố gắng ghi nhớ bất kỳ điều nào trong số này. Hãy hiểu nó đủ tốt để tra cứu nhanh và xây dựng bằng nó cho đến khi nó thấm.
Mục tiêu xây dựng trong Tháng 1 của bạn cho Python: một công cụ dòng lệnh nhỏ thực hiện một việc gì đó thực tế.
Một công cụ theo dõi chi tiêu đọc và ghi vào một tệp JSON là một ý tưởng tốt. Hoặc một tập lệnh gọi một API công cộng miễn phí và in kết quả ở định dạng sạch sẽ.
Một cái gì đó có khoảng 60 đến 100 dòng mã của riêng bạn.
Không quan trọng nếu nó xấu xí. Quan trọng là bạn đã viết nó.
Học với AI từ ngày đầu tiên
Đây là nơi tôi sẽ làm điều gì đó mà các lộ trình cũ không làm: sử dụng AI để học AI, bắt đầu từ tuần đầu tiên.
Bạn có quyền truy cập vào gia sư kiên nhẫn nhất từng được xây dựng và nó không tốn gì trên các gói miễn phí. Khi bạn gặp lỗi mà bạn không hiểu, đừng dành 40 phút trên một diễn đàn.
Hãy dán nó vào Claude hoặc ChatGPT và yêu cầu nó giải thích lỗi bằng tiếng Anh đơn giản và hướng dẫn bạn cách khắc phục mà không chỉ đưa cho bạn câu trả lời.
Đây là prompt có thể sao chép-dán mà tôi sẽ thiết lập vào ngày đầu tiên. Hãy lưu nó lại.
Đây là công cụ đầu tiên trong số nhiều công cụ trong hướng dẫn này đáng để đánh dấu trang.
Prompt: Đối tác học Python của bạn
(Khung: FAG Learning Partner, bởi AI Guides)
1Your job: act as my patient Python tutor while I learn to code as a career switcher.23Context about me:4- I am learning Python to become an AI engineer.5- I am a complete beginner at coding but not at working hard.6- I learn best by doing, not by being handed answers.78What to do:9- When I paste an error, explain in plain English what it means and what10 is likely causing it. Do not just give me the fixed code.11- Point me toward the fix with a hint first. Only show the full solution12 if I ask twice.13- When I share code I wrote, tell me one thing that works and one thing14 I could improve. Keep it to those two.15- After I get something working, ask me one short question that checks16 whether I actually understood it.1718Rules:19- No jargon without a one-line plain-English definition next to it.20- Assume I want to learn, not just pass. Slightly slower is fine.21- If I am about to build a bad habit, say so directly and kindly.2223Output: conversational, short, one concept at a time.
Sử dụng nó mỗi ngày trong tháng này. Nó biến những phần khó chịu của việc học lập trình thành một cuộc trò chuyện thay vì một bức tường.
Nó cũng giúp bạn thành thạo trong việc tạo prompt, đó là kỹ năng cốt lõi của Tháng 2, trước khi bạn biết điều đó đang xảy ra.
Một lưu ý để bạn không xây dựng thói quen sai: sử dụng AI để hiểu và gỡ rối, không phải để viết toàn bộ mọi thứ cho bạn.
Nếu bạn để nó viết mã của bạn trong khi bạn xem, bạn đang quay lại Sai lầm 2.
Hãy để nó giải thích. Bạn gõ.
Git và GitHub
Git là cách các nhà phát triển lưu, quản lý phiên bản và chia sẻ mã.
GitHub là nơi công việc của bạn tồn tại công khai và trở thành một danh mục đầu tư.
Bạn sẽ sử dụng cả hai liên tục và đối với một người chuyển đổi nghề nghiệp, GitHub là thứ gần nhất bạn có với một sơ yếu lý lịch cho đến khi bạn có một cái.
Lựa chọn của tôi: GitHub Skills. Miễn phí, tương tác và được xây dựng bởi GitHub bên trong chính GitHub, vì vậy bạn học công cụ bằng cách sử dụng nó. Bắt đầu ở đó thay vì đọc về Git một cách trừu tượng.
Tìm nó tại skills.github.com.
Nếu mô hình branching và merging làm bạn bối rối, và nó làm mọi người bối rối lúc đầu, công cụ trực quan Learn Git Branching sẽ giúp bạn hiểu bằng cách cho bạn thấy các nhánh di chuyển.
Những gì cần tập trung: vòng lặp cốt lõi của init, add, commit, push và pull. Sau đó là branching và merging.
Sau đó là tệp .gitignore làm gì và tại sao bạn không bao giờ commit bí mật hoặc khóa API vào một kho lưu trữ công khai, điều này cực kỳ quan trọng khi bạn làm việc với các API trả phí.
Sau đó là cách viết một README cơ bản, bởi vì các README của bạn sẽ thực sự có ích trong quá trình tìm kiếm việc làm sau này.
Thói quen cần xây dựng trong tháng này: mọi dự án bạn chạm vào, ngay cả một tập lệnh 20 dòng, đều được đưa vào một kho lưu trữ GitHub vào ngày bạn tạo ra nó.
Đây là cách khắc phục Sai lầm 4 trong thực tế. Bạn đang xây dựng công khai, một cách lặng lẽ, ngay từ đầu.
Đến Tháng 4, bạn sẽ có một dấu vết công việc thay vì một hồ sơ trống rỗng.
Terminal
Bạn sẽ chạy các tập lệnh, cài đặt gói và quản lý các dự án từ dòng lệnh liên tục.
Việc chậm chạp hoặc sợ hãi trong terminal là một rào cản thực sự đối với mọi thứ khác và đó là một điều dễ dàng để khắc phục.
Lựa chọn của tôi: một khóa học terminal ngắn cho người mới bắt đầu để bao quát các kiến thức cơ bản, sau đó chỉ cần sống trong đó. Tài liệu "Missing Semester" của MIT đi sâu hơn nếu bạn muốn, nhưng trong Tháng 1, bạn chỉ cần điều hướng và chạy mọi thứ.
Học cd, ls, pwd, mkdir và rm để di chuyển và quản lý tệp.
Học cat và grep để đọc và tìm kiếm.
Học cách chạy một tập lệnh Python từ terminal và cách đặt một biến môi trường, thứ bạn sẽ cần ngay khi xử lý các khóa API.
Bạn không cần phải trở thành một chuyên gia shell. Bạn cần ngừng do dự.
Một tuần sử dụng terminal cho mọi thứ, ngay cả những thứ bạn thường làm bằng chuột, sẽ đưa bạn đến đó.
API, JSON và HTTP
Đây là cầu nối đến Tháng 2.
Từ ngày đầu tiên xây dựng với các LLM, bạn sẽ thực hiện các cuộc gọi API, có nghĩa là bạn cần hiểu cách các API web hoạt động trước khi chạm vào các công cụ của OpenAI hoặc Anthropic.
Lựa chọn của tôi: tổng quan HTTP của MDN Web Docs cho các khái niệm, cộng với tài liệu thư viện Python requests để thực hiện nó trong mã.
MDN giải thích cách các yêu cầu và phản hồi hoạt động rõ ràng hơn bất kỳ thứ gì khác miễn phí.
Sau đó, requests chỉ cho bạn cách thực hiện các cuộc gọi đó trong Python chỉ trong vài dòng.
Những gì cần tập trung: yêu cầu GET và POST là gì và cách thực hiện chúng trong Python.
Đọc và ghi JSON, đó là định dạng mà mọi API AI đều sử dụng.
Mã trạng thái HTTP và ý nghĩa của các mã phổ biến, đặc biệt là 200 cho thành công, 401 cho khóa API sai, 429 cho giới hạn tốc độ và 500 cho lỗi máy chủ, bởi vì bạn sẽ thấy tất cả những điều này liên tục.
Khóa API là gì và xác thực cơ bản hoạt động như thế nào.
Và một giới thiệu nhẹ nhàng về async và await làm gì trong Python, thứ bạn sẽ cần khi bắt đầu phát trực tiếp các phản hồi từ các mô hình sau này.
Đừng đi sâu vào async bây giờ.
Chỉ cần biết nó tồn tại và đại khái nó giải quyết vấn đề gì.
Mục tiêu xây dựng của bạn ở đây: một tập lệnh Python gọi một API công cộng miễn phí, một API không cần khóa như API thời tiết Open-Meteo và in kết quả dưới dạng đầu ra được định dạng sạch sẽ.
Đây là một phiên bản nhỏ của chính xác những gì bạn sẽ làm trong suốt Tháng 2, chỉ là chưa có phần AI.
Một lưu ý nhanh về SQL
Bạn không cần phải là một người về dữ liệu, nhưng bạn sẽ thường xuyên cần xem và truy vấn dữ liệu, và SQL cơ bản sẽ giúp bạn liên tục.
Lựa chọn của tôi là SQLBolt, miễn phí, tương tác và dạy bạn cốt lõi của SQL trong khoảng 20 bài học ngắn trên trình duyệt.
Tìm nó tại sqlbolt.com.
Tập trung vào SELECT, WHERE, GROUP BY, JOIN và ORDER BY.
Điều đó là đủ cho bây giờ.
Bạn có thể đi sâu hơn ngay khi một dự án yêu cầu.
Cột mốc Tháng 1
Vào cuối tháng, bạn sẽ có thể viết một chương trình Python đọc và ghi tệp, gọi API và xử lý các lỗi của chính nó mà không bị sập.
Bạn nên quản lý phiên bản mã đó bằng Git và có nó trong một kho lưu trữ GitHub.
Bạn nên di chuyển trong terminal mà không do dự. Bạn nên hiểu yêu cầu HTTP là gì và thực hiện một yêu cầu trong Python.
Và bạn sẽ có thể chạy một truy vấn SQL cơ bản.
Nếu bạn có thể làm những điều đó, bạn có nền tảng.
Hầu hết những người bỏ cuộc không bao giờ đến được đây và đến được đây thực sự là phần khó khăn nhất vì nó ít thú vị nhất.
Nó sẽ trở nên thú vị hơn từ Tháng 2 trở đi, bởi vì từ đây bạn đang xây dựng với AI.
Tháng 2: Xây dựng với API LLM
Mục tiêu của bạn trong tháng này: xây dựng các tính năng AI thực tế bằng cách sử dụng các API mô hình.
Đến cuối tháng, bạn sẽ thoải mái viết các prompt tạo ra đầu ra đáng tin cậy, lấy dữ liệu có cấu trúc trở lại từ một mô hình, làm cho mô hình gọi các hàm của riêng bạn, quản lý một cuộc trò chuyện và xử lý mọi thứ có thể bị hỏng.
Đây là cốt lõi của toàn bộ công việc. Mọi thứ sau đó đều xây dựng trên nó.
Đây là tháng mà mọi thứ bắt đầu có cảm giác thực tế. Bạn ngừng thiết lập và bắt đầu làm cho các mô hình làm việc.
Hãy dành thời gian của bạn ở đây.
Chiều sâu trong Tháng 2 mang lại lợi ích nhiều hơn chiều sâu ở bất kỳ nơi nào khác trong hướng dẫn.
Prompting thực sự hiệu quả
Prompting không phải là hỏi chatbot một câu hỏi một cách lịch sự.
Đó là kỹ năng viết các hướng dẫn tạo ra đầu ra nhất quán, đáng tin cậy từ một hệ thống về cơ bản là xác suất.
Với tư cách là một kỹ sư AI, bạn sẽ dành nhiều thời gian hơn bạn nghĩ cho việc này và làm chủ nó là điều có tác động lớn nhất bạn có thể làm trong tháng này.
Lựa chọn của tôi: hướng dẫn tương tác về kỹ thuật prompt của Anthropic trên GitHub. Đó là tài nguyên thực hành nhất hiện có, được chia thành các chương với các bài tập thực tế bạn chạy với Claude API.
Bạn thực hành viết và sửa prompt thay vì đọc về nó, nếu bạn nhớ Sai lầm 2, đó là toàn bộ mục đích.
Tìm nó trong kho lưu trữ anthropics/prompt-eng-interactive-tutorial. Sau khi bạn đã làm việc qua nó, tài liệu hướng dẫn prompt chính thức của Anthropic và OpenAI là tài liệu tham khảo bạn sẽ quay lại.
Những gì cần tập trung: sự khác biệt giữa tin nhắn hệ thống và tin nhắn người dùng và tại sao sự khác biệt đó lại quan trọng.
Tại sao tính cụ thể luôn đánh bại sự lịch sự.
Chain-of-thought prompting, nơi bạn yêu cầu mô hình suy luận từng bước trước khi trả lời, điều này cải thiện đáng kể kết quả cho bất kỳ thứ gì có logic.
Sử dụng các ví dụ bên trong prompt của bạn, được gọi là few-shot prompting, để chỉ cho mô hình định dạng bạn muốn.
Và phát triển cảm giác về cách những thay đổi nhỏ trong từ ngữ tạo ra những thay đổi lớn trong đầu ra, điều này chỉ đến từ việc làm điều đó rất nhiều.
Một bài tập xây dựng dạy điều này nhanh chóng: lấy một nhiệm vụ thực tế, như tóm tắt một tài liệu hoặc phân loại một phản hồi và viết năm prompt khác nhau cho nó.
Chạy tất cả năm.
So sánh các đầu ra cạnh nhau. Bạn sẽ thấy ngay lập tức thiết kế prompt thúc đẩy độ tin cậy như thế nào và bài học đó sẽ khắc sâu hơn bất kỳ bài giảng nào.
Đầu ra có cấu trúc
Trong một ứng dụng thực tế, bạn hầu như không bao giờ muốn một đoạn văn bản trở lại từ một mô hình.
Bạn muốn dữ liệu có cấu trúc mà mã của bạn có thể phân tích cú pháp, lưu trữ và sử dụng. Đầu ra có cấu trúc giải quyết vấn đề này bằng cách buộc mô hình trả về dữ liệu khớp với một lược đồ bạn xác định.
Đây là một trong những kỹ năng phân biệt một bản demo với một thứ gì đó thực sự hoạt động bên trong phần mềm.
Lựa chọn của tôi: thư viện Instructor cho Python, được hỗ trợ bởi tài liệu đầu ra có cấu trúc chính thức của OpenAI và Anthropic.
Instructor là cách sạch sẽ nhất để lấy dữ liệu có cấu trúc từ bất kỳ mô hình chính nào bằng cách sử dụng Pydantic, một thư viện Python để xác định hình dạng dữ liệu của bạn.
Nó hoạt động trên nhiều nhà cung cấp với cùng một mã và tự động thử lại khi mô hình trả về thứ gì đó bị lỗi.
Nó gần giống với những gì nhiều kỹ sư đang làm việc thực sự sử dụng, điều này làm cho nó đáng để học trên các dự án thực tế thay vì một phiên bản đồ chơi.
Những gì cần tập trung: xác định một mô hình Pydantic mô tả dữ liệu bạn muốn, chuyển lược đồ đó đến API và xử lý trường hợp mô hình từ chối hoặc trả về thứ gì đó bất ngờ.
Hiểu sự khác biệt giữa đầu ra có cấu trúc thực sự, nơi lược đồ được thực thi và chế độ JSON lỏng lẻo hơn, nơi nó không được đảm bảo.
Đây là công cụ thứ hai của bạn có thể đánh dấu trang, một mẫu prompt cho việc trích xuất có cấu trúc đáng tin cậy hoạt động ngay cả trước khi bạn thêm một thư viện lên trên.
Prompt: Trích xuất dữ liệu có cấu trúc
(Khung: FAG Extractor, bởi AI Guides)
Lưu ý: Tôi sẽ dừng ở đây vì nội dung bạn cung cấp có vẻ như còn tiếp. Nếu bạn cần tôi dịch phần còn lại, vui lòng cung cấp tiếp.
1Công việc của bạn: trích xuất dữ liệu có cấu trúc từ văn bản tôi cung cấp và trả về dưới dạng JSON sạch.23Các bước thực hiện:4- Đọc kỹ văn bản đầu vào.5- Chỉ lấy ra các trường được liệt kê trong mục Đầu ra bên dưới.6- Nếu một trường bị thiếu trong văn bản, hãy dùng null. Không phỏng đoán hoặc bịa đặt.7- Chỉ trả về đối tượng JSON. Không giải thích, không markdown, không lời mở đầu.89Quy tắc:10- Mọi giá trị phải có thể truy xuất từ nội dung văn bản đầu vào.11- Ngày tháng ở định dạng YYYY-MM-DD. Số là dạng số, không phải chuỗi.12- Nếu văn bản không rõ ràng, ưu tiên dùng null hơn là đưa ra câu trả lời sai một cách tự tin.1314Đầu ra: một đối tượng JSON với các trường sau:15{16 "field_one": string hoặc null,17 "field_two": number hoặc null,18 "field_three": danh sách các chuỗi hoặc danh sách rỗng19}2021Văn bản đầu vào:22[PASTE THE TEXT HERE]
Lưu ý về lỗi thường gặp, vì tôi đã hứa sẽ cho bạn phiên bản trung thực: lần đầu tiên bạn làm điều này, mô hình đôi khi sẽ bọc JSON trong các khung mã markdown, hoặc thêm một câu thân thiện trước đó, và trình phân tích của bạn sẽ bị lỗi.
Điều đó là bình thường. Cách khắc phục là loại bỏ các khung mã trước khi phân tích và nói rõ trong prompt rằng bạn chỉ muốn đối tượng JSON, điều mà mẫu trên đã làm.
Khi bạn đã gặp lỗi này một lần và xử lý nó, bạn sẽ xử lý nó mãi mãi.
Mục tiêu xây dựng của bạn: một trình phân tích hóa đơn hoặc biên nhận.
Hãy nhập văn bản thô lộn xộn như "Hóa đơn 123, $45.99 cho 3 widget, đến hạn ngày 30 tháng 3" và nhận lại một đối tượng có cấu trúc sạch với số hóa đơn, số tiền, số lượng mặt hàng và ngày đến hạn.
Đây là một công cụ nhỏ thực sự hữu ích và là một sản phẩm tốt cho portfolio.
Tool calling
Tool calling là thứ biến một trình tạo văn bản thành thứ có thể thực hiện các hành động: tìm kiếm trên web, truy vấn cơ sở dữ liệu, gọi API của bạn, chạy mã.
Đây là một trong những kỹ năng quan trọng nhất trong toàn bộ hướng dẫn này và là nền tảng của mọi thứ trong Tháng 3.
Mô hình tinh thần giúp bạn hiểu: mô hình không chạy các chức năng của bạn.
Nó xem xét cuộc trò chuyện, quyết định nên sử dụng một công cụ và trả về một yêu cầu có cấu trúc đặt tên cho hàm và các đối số.
Mã của bạn chạy hàm và trả kết quả lại cho mô hình. Mô hình là người ra quyết định. Mã của bạn là người thực thi.
Lựa chọn của tôi: hướng dẫn function calling của OpenAI và tài liệu tool use của Anthropic, đọc cùng nhau.
Các khái niệm giống hệt nhau ở cả hai, cú pháp hơi khác một chút, và việc thấy cả hai sẽ làm cho mô hình cơ bản trở nên rõ ràng.
Sau đó, hãy làm việc với một ví dụ notebook có thể chạy được, như ví dụ trong sách dạy nấu ăn của OpenAI, để bạn thấy toàn bộ vòng lặp từ đầu đến cuối thay vì từng phần.
Điều cần tập trung: mô tả rõ ràng các chức năng của bạn trong một lược đồ, phân tích phản hồi gọi công cụ của mô hình, chạy hàm và đưa kết quả trở lại, và xử lý trường hợp mô hình quyết định không cần công cụ nào.
Chất lượng mô tả công cụ của bạn quan trọng hơn những người mới bắt đầu nghĩ, đó là một chủ đề sẽ quay lại mạnh mẽ trong Tháng 3.
Mục tiêu xây dựng của bạn: một trợ lý nhỏ với ba công cụ, như get_weather, calculate và search_notes, trong đó search_notes chỉ tra cứu một từ điển được mã hóa cứng.
Kết nối tất cả chúng và quan sát mô hình quyết định gọi công cụ nào dựa trên những gì bạn hỏi.
Khoảnh khắc bạn thấy nó tự động chọn đúng công cụ, khái niệm này sẽ được ghi nhớ vĩnh viễn.
Conversation state và streaming
Hai kỹ năng nhỏ hơn nhưng cần thiết để hoàn thiện tháng.
Các mô hình không có bộ nhớ giữa các lần gọi. Một cuộc trò chuyện là thứ bạn quản lý bằng cách gửi toàn bộ lịch sử tin nhắn với mọi yêu cầu.
Hiểu điều này là cơ bản, và nó gây ngạc nhiên cho hầu hết mọi người lúc đầu.
Lựa chọn của tôi là tài liệu về messages của OpenAI và Anthropic.
Tập trung vào cách mảng messages được cấu trúc, tại sao bạn thêm cả tin nhắn của người dùng và phản hồi của mô hình, điều gì xảy ra khi bạn vượt quá cửa sổ ngữ cảnh và các chiến lược cơ bản để cắt bớt các tin nhắn cũ.
Xây dựng một chatbot terminal đa lượt đơn giản để giữ lịch sử và có lệnh reset. Nó nhỏ và dạy bạn khái niệm này một cách hoàn chỉnh.
Streaming có nghĩa là hiển thị đầu ra của mô hình khi nó được tạo ra, từng từ một, thay vì bắt người dùng chờ toàn bộ.
Nó làm cho các ứng dụng cảm thấy nhanh hơn đáng kể.
Lựa chọn của tôi là tài liệu streaming chính thức từ một trong hai nhà cung cấp, cộng với bài viết rõ ràng của Simon Willison về cách streaming hoạt động bên dưới.
Tập trung vào việc đặt tùy chọn stream, lặp qua các chunk và lắp ráp phản hồi đầy đủ từ các phần.
Đối với bất cứ thứ gì mà người thật sẽ sử dụng, hầu như luôn luôn đúng khi chọn streaming.
Không ai muốn nhìn chằm chằm vào một vòng tròn quay trong mười giây.
Cost, failure và một ý tưởng bảo mật
Ba điều phân biệt một dự án sở thích với một thứ bạn sẽ đặt trước mặt người dùng.
Cost và token: các mô hình tính phí mỗi token, tương đương khoảng ba phần tư một từ.
Token đầu vào và đầu ra có giá khác nhau.
Học cách ước tính chi phí của một yêu cầu trước khi gửi nó, đánh dấu trang giá của nhà cung cấp và ghi nhớ một quy tắc giúp tiết kiệm tiền thực sự: không sử dụng mô hình lớn nhất, đắt nhất cho các tác vụ đơn giản.
Các mô hình rẻ hơn thường đủ tốt, và sự khác biệt về chi phí ở quy mô lớn là rất lớn.
Xử lý lỗi: API có thể thất bại.
Giới hạn tốc độ có thể bị đạt, yêu cầu có thể hết thời gian, mô hình có thể trả về đầu ra bị lỗi.
Xử lý điều này một cách duyên dáng là thứ làm cho một thứ gì đó sẵn sàng cho sản xuất.
Học cách bắt các lỗi giới hạn tốc độ và thử lại với độ trễ tăng dần giữa các lần thử, được gọi là exponential backoff.
Thư viện Tenacity trong Python thực hiện điều này với một decorator duy nhất.
Học cách xác thực đầu ra của mô hình trước khi bạn tin tưởng nó và không bao giờ để một phản hồi bất ngờ làm sập toàn bộ ứng dụng của bạn.
Prompt injection, một cách ngắn gọn: đây là rủi ro bảo mật hàng đầu trong các ứng dụng LLM.
Nó xảy ra khi đầu vào của người dùng không đáng tin cậy được kết hợp với hướng dẫn của bạn, cho phép người dùng ghi đè hoặc chiếm quyền điều khiển những gì hệ thống của bạn làm.
Bạn không cần phải trở thành chuyên gia bảo mật trong tháng này, nhưng bạn cần biết nó tồn tại trước khi bạn phát hành bất cứ thứ gì.
Hướng dẫn OWASP về điều này là tài liệu tham khảo có thẩm quyền.
Các biện pháp phòng thủ cốt lõi: không tin tưởng đầu ra chưa được xác thực của mô hình để tự động thực hiện các hành động quan trọng và cung cấp cho các công cụ của bạn quyền truy cập tối thiểu cần thiết để thực hiện công việc của chúng.
Cột mốc Tháng 2
Vào cuối tháng, bạn sẽ có thể viết các prompt tạo ra đầu ra đáng tin cậy cho một tác vụ nhất định, lấy JSON có cấu trúc từ mô hình với Pydantic và Instructor, kết nối tool calling để mô hình có thể chạy các hàm Python của bạn, phát trực tuyến phản hồi trong thời gian thực, quản lý lịch sử hội thoại đa lượt, ước tính chi phí token của một yêu cầu trước khi gửi, xử lý lỗi API và đầu ra xấu mà không bị sập, và giải thích prompt injection là gì.
Đó là một bộ kỹ năng thực tế, có thể kiếm tiền một mình.
Nhiều tính năng AI trả phí trong sản xuất thực hiện chính xác điều này và không hơn.
Nhưng tháng tiếp theo là nơi bạn xây dựng thứ thực sự giúp bạn được tuyển dụng.
Tháng 3: RAG và agent, những kỹ năng giúp bạn được tuyển dụng
Mục tiêu của bạn trong tháng này: xây dựng các hệ thống cho phép mô hình trả lời từ tài liệu của bạn thay vì chỉ từ dữ liệu huấn luyện của chúng và xây dựng các hệ thống có thể tự thực hiện nhiều bước.
Hai kỹ năng này, truy xuất (retrieval) và agent, là những khả năng thực tế được yêu cầu nhiều nhất trong lĩnh vực kỹ thuật AI hiện nay.
Hầu như mọi trường hợp sử dụng thực tế của công ty, từ bot hỗ trợ đến công cụ kiến thức nội bộ đến phân tích tài liệu, đều được xây dựng dựa trên chúng.
Tôi đã nén những gì nhiều lộ trình trải dài trong hai tháng thành một tháng, bởi vì bạn không cần phải thành thạo mọi biến thể nâng cao để có thể xin việc.
Bạn cần xây dựng một hệ thống truy xuất vững chắc và một agent vững chắc, hiểu tại sao mỗi phần lại ở đó và có thể gỡ lỗi khi chúng bị hỏng.
Đó là tiêu chuẩn. Hãy đạt được nó.
RAG, bằng tiếng Việt đơn giản trước
RAG viết tắt của retrieval-augmented generation.
Bỏ qua thuật ngữ chuyên ngành và nó rất đơn giản: bạn cung cấp cho mô hình một thư viện để tra cứu, để nó không cần phải ghi nhớ mọi thứ và để nó có thể trả lời các câu hỏi về các tài liệu cụ thể của bạn.
Luồng hoạt động là: bạn lấy tài liệu của mình, chia chúng thành các đoạn, chuyển đổi mỗi đoạn thành một danh sách các số nắm bắt ý nghĩa của nó và lưu trữ chúng.
Khi người dùng đặt câu hỏi, bạn chuyển đổi câu hỏi của họ thành các số theo cùng một cách, tìm các đoạn có số gần nhất và đưa các đoạn đó cho mô hình cùng với câu hỏi.
Mô hình trả lời bằng cách sử dụng những gì bạn đã cung cấp. Đó là RAG. Mọi thứ khác đều là sự cải tiến.
Hãy xây dựng từng phần.
Embedding
Một embedding là một đoạn văn bản được biến thành một danh sách dài các số đại diện cho ý nghĩa của nó.
Thuộc tính hữu ích: văn bản có ý nghĩa tương tự sẽ kết thúc với các số tương tự, gần nhau trong không gian số này.
Sự gần gũi đó là thứ làm cho việc tìm kiếm theo ý nghĩa trở nên khả thi, đó là động cơ đằng sau RAG.
Lựa chọn của tôi để xây dựng trực giác: bài giới thiệu trực quan về text embedding trên blog Stack Overflow, tập trung vào mô hình tinh thần hơn là toán học, cộng với hướng dẫn về embedding của OpenAI khi bạn sẵn sàng tạo chúng trong mã.
Tập trung vào việc hiểu vector là gì về mặt khái niệm, tại sao văn bản tương tự tạo ra các vector tương tự và cách bạn đo khoảng cách giữa hai trong số chúng.
Bạn không cần toán học đằng sau cách các embedding được tạo ra. Bạn cần biết cách sử dụng chúng.
Một bản build nhỏ dạy điều này một cách hoàn chỉnh: lấy 20 câu về các chủ đề liên quan, biến mỗi câu thành một embedding và viết một hàm nhỏ, khi đưa ra một câu mới, sẽ trả về ba câu tương tự nhất từ tập hợp của bạn.
Đó là RAG ở quy mô thu nhỏ. Khi bạn đã xây dựng cái này, phiên bản đầy đủ chỉ là cùng một ý tưởng ở quy mô lớn hơn.
Chunking
Tài liệu của bạn quá lớn để nhúng toàn bộ, vì vậy bạn chia chúng thành các đoạn trước khi nhúng.
Cách bạn chunk trực tiếp kiểm soát mức độ tốt của hệ thống trong việc tìm thông tin phù hợp.
Ngay cả một thiết lập truy xuất hoàn hảo cũng thất bại nếu các đoạn cơ bản bị tệ.
Lựa chọn của tôi: bắt đầu với RecursiveCharacterTextSplitter của LangChain, với kích thước chunk khoảng 500 ký tự và độ chồng lấn khoảng 50.
Độ chồng lấn đó rất quan trọng, vì nó ngăn bạn mất ý nghĩa ở ranh giới nơi một đoạn kết thúc và đoạn tiếp theo bắt đầu.
Đây là mặc định hợp lý mang lại cho bạn một đường cơ sở hoạt động.
Sự đánh đổi cốt lõi cần ghi nhớ: chunk quá lớn sẽ mất độ chính xác, chunk quá nhỏ sẽ mất ngữ cảnh.
Bắt đầu với mặc định, sau đó điều chỉnh dựa trên những gì hệ thống truy xuất của bạn thực sự đang sai.
Cơ sở dữ liệu vector
Khi bạn đã có các embedding, bạn cần một nơi để lưu trữ và tìm kiếm chúng một cách nhanh chóng. Đó là những gì cơ sở dữ liệu vector làm.
Lựa chọn của tôi để học: Chroma. Nó chạy cục bộ mà không cần cơ sở hạ tầng để thiết lập, đó chính xác là những gì bạn muốn trong khi học.
Bạn chưa cần quy mô đám mây được quản lý và việc thêm nó sớm chỉ mang lại cho bạn nhiều thứ để cấu hình và làm hỏng.
Chroma cho phép bạn tập trung vào các khái niệm.
Tìm nó tại docs.trychroma.com.
Học cách tạo một collection, chèn các embedding cùng với metadata như nguồn và phần, truy vấn theo độ tương tự để có được các kết quả phù hợp nhất và lọc theo metadata tại thời điểm truy vấn.
Bạn không cần hiểu các thuật toán lập chỉ mục bên dưới. Bạn cần sử dụng chúng.
Khi cuối cùng bạn cần quy mô sản xuất, pgvector là bước tiếp theo tự nhiên nếu ứng dụng của bạn đã sử dụng cơ sở dữ liệu Postgres và có các tùy chọn được quản lý khi bạn muốn người khác chạy nó.
Nhưng đó là mối quan tâm của Tháng 4 hoặc khi đi làm. Hiện tại, Chroma, cục bộ, là đủ.
Làm cho việc truy xuất thực sự tốt
Tìm kiếm độ tương tự cơ bản mang lại cho bạn một bản demo.
Một vài cải tiến mang lại cho bạn thứ gì đó hoạt động đáng tin cậy và biết những điều này là thứ phân biệt những người sao chép hướng dẫn với những người hiểu hệ thống.
Lọc metadata: gắn thẻ mọi chunk với thông tin hữu ích khi bạn lưu trữ nó, như tệp nguồn, ngày tháng, phần hoặc danh mục.
Sau đó lọc dựa trên những thứ đó tại thời điểm truy vấn. Đây là sự khác biệt giữa một món đồ chơi và một hệ thống nơi người dùng có thể hỏi "chỉ cho tôi kết quả từ báo cáo Q4" và thực sự nhận được chúng.
Reranking: tìm kiếm đầu tiên của bạn nhanh nhưng không chính xác.
Một trình reranker lấy một số kết quả hàng đầu và tính điểm lại chúng để đánh giá mức độ liên quan thực sự đến câu hỏi, cải thiện chất lượng đáng kể với chi phí tốc độ nhỏ.
Mô hình là: truy xuất một tập hợp rộng một cách nhanh chóng, sau đó reranking xuống một vài kết quả tốt nhất. Tài liệu reranking của Cohere là nơi sạch nhất để học điều này và nó thường chỉ là một dòng để thêm.
Gỡ lỗi truy xuất, bởi vì hầu hết các lỗi RAG là lỗi truy xuất, không phải lỗi mô hình.
Khi hệ thống của bạn đưa ra câu trả lời sai, mô hình thường không phải là vấn đề.
Việc truy xuất đã đưa cho nó các đoạn sai.
Học các chế độ lỗi phổ biến: câu hỏi và đoạn có liên quan không khớp nhau trong không gian số mặc dù thông tin ở đó (có thể sửa bằng cách viết lại truy vấn), thông tin liên quan bị chia cắt giữa hai đoạn (có thể sửa bằng nhiều độ chồng lấn hơn) hoặc đoạn đúng tồn tại nhưng không nằm trong kết quả hàng đầu (có thể sửa bằng cách truy xuất nhiều hơn, sau đó reranking xuống).
Khi một câu trả lời sai, hãy kiểm tra những gì đã được truy xuất trước khi bạn đổ lỗi cho mô hình. Thói quen này sẽ giúp bạn tiết kiệm rất nhiều sự thất vọng.
Grounding và trích dẫn: một hệ thống RAG tốt không chỉ trả lời, nó cho bạn biết câu trả lời đến từ đâu, điều này xây dựng niềm tin và làm cho việc gỡ lỗi dễ dàng hơn nhiều.
Truyền thông tin nguồn cho mỗi đoạn vào prompt của bạn và hướng dẫn mô hình trích dẫn nó.
Đây là artifact thứ ba của bạn, prompt grounding giữ cho hệ thống RAG trung thực.
Đây là cái tôi sẽ đánh dấu trên tất cả những cái khác, bởi vì nó là sự khác biệt giữa một hệ thống bịa đặt mọi thứ và một hệ thống bạn có thể tin cậy.
Prompt: Trả lời RAG có grounding
(Khung: FAG Grounding, bởi AI Guides)
1Công việc của bạn: trả lời câu hỏi của người dùng chỉ sử dụng ngữ cảnh được cung cấp.23Các bước thực hiện:4- Đọc các đoạn ngữ cảnh bên dưới. Mỗi đoạn có một nhãn nguồn.5- Trả lời câu hỏi chỉ sử dụng thông tin được tìm thấy trong ngữ cảnh.6- Sau mỗi tuyên bố, hãy trích dẫn nhãn nguồn mà nó đến từ, như [nguồn: tên tệp, tr.3].7- Nếu ngữ cảnh không chứa câu trả lời, hãy nói chính xác:8 "Tôi không có đủ thông tin trong các tài liệu được cung cấp để trả lời câu hỏi đó."910Quy tắc:11- Không bao giờ sử dụng kiến thức từ bên ngoài ngữ cảnh được cung cấp.12- Không bao giờ phỏng đoán. Không bao giờ lấp đầy khoảng trống bằng những gì nghe có vẻ hợp lý.13- Nếu ngữ cảnh trả lời một phần câu hỏi, hãy trả lời phần đó và nói rõ14 những gì còn thiếu.1516Ngữ cảnh:17[DÁN CÁC ĐOẠN ĐÃ TRUY XUẤT CÓ NHÃN NGUỒN VÀO ĐÂY]1819Câu hỏi:20[CÂU HỎI CỦA NGƯỜI DÙNG VÀO ĐÂY]
Hướng dẫn "hãy nói chính xác điều này khi bạn không biết" đang làm rất nhiều việc nặng nhọc. Đó là cách hiệu quả nhất để cắt giảm ảo giác trong một hệ thống truy xuất, bởi vì nó cung cấp cho mô hình một cách được phê duyệt để thừa nhận sự thiếu hiểu biết thay vì bịa ra một câu trả lời để có vẻ hữu ích.
Bản dựng RAG của bạn
Sử dụng một framework để kết nối điều này lại với nhau thay vì xây dựng mọi phần từ đầu.
Lựa chọn của tôi cho một hệ thống RAG đầu tiên là LlamaIndex, được xây dựng theo hướng tìm kiếm trước và cung cấp cho bạn một pipeline hoạt động với một lượng mã ngắn.
LangChain là một tùy chọn chính khác và tỏa sáng hơn cho công việc agent đa bước sắp tới, vì vậy bạn sẽ gặp nó trong giây lát.
Mục tiêu xây dựng của bạn, và đây là một sản phẩm portfolio thực sự: một ứng dụng "trò chuyện với tài liệu của bạn".
Nhập 10 đến 20 tệp PDF hoặc văn bản, ghi chú của riêng bạn hoặc một bộ tài liệu sản phẩm hoạt động tốt, xây dựng thứ gì đó nhận một câu hỏi, truy xuất các đoạn có liên quan nhất với reranking và trả về một câu trả lời có trích dẫn.
Đặt một giao diện đơn giản lên nó.
Đây là dự án làm cho các nhà quản lý tuyển dụng coi trọng bạn, bởi vì nó chính xác là loại thứ mà các công ty đang trả tiền để được xây dựng ngay bây giờ.
Agent
Giữa tháng, chuyển sang agent.
Một agent nghe có vẻ kỳ diệu và thực sự đơn giản một khi bạn thấy nó: đó là một vòng lặp nơi mô hình liên tục quyết định bước tiếp theo, thực hiện nó bằng cách sử dụng một công cụ, xem kết quả và quyết định lại, cho đến khi nhiệm vụ hoàn thành.
Mô hình tinh thần: một agent là một vòng lặp while với một mô hình đưa ra các quyết định phân nhánh.
Suy nghĩ xảy ra trong prompt. Sự phân nhánh là mô hình chọn công cụ nào để sử dụng. Việc thực hiện là mã của bạn chạy công cụ đó.
Mọi thứ khác là hệ thống ống nước. Khi điều đó được hiểu, ngay cả các framework agent phức tạp cũng trở nên dễ đọc.
Lựa chọn của tôi, và tôi sẽ đọc cái này trước khi viết một dòng mã agent nào: "Building Effective Agents" của Anthropic.
Đó là bài viết rõ ràng nhất về cách các agent hoạt động trong thực tế, từ nhóm xây dựng các mô hình.
Kết hợp nó với một khóa học framework thực hành khi bạn sẵn sàng xây dựng, như phần giới thiệu về LangGraph, framework được sử dụng rộng rãi nhất để điều phối các agent.
Điều cần tập trung: vòng lặp nhận thức, quyết định, hành động, quan sát và cách nó biết khi nào nên dừng.
Điều gì xảy ra khi một lệnh gọi công cụ thất bại bên trong vòng lặp. Cách viết mô tả công cụ mà mô hình thực sự có thể sử dụng, bởi vì một công cụ được mô tả mơ hồ sẽ bị gọi sai hoặc bị bỏ qua.
Và quản lý trạng thái, đó là bộ nhớ dùng chung chảy qua agent khi nó hoạt động.
Bài tập giá trị nhất trong tháng này: xây dựng một agent nhỏ từ đầu mà không cần bất kỳ framework nào, chỉ sử dụng trực tiếp API mô hình.
Cung cấp cho nó ba công cụ, một mục tiêu và một vòng lặp. Điều này dạy bạn những gì các framework đang che giấu và nó làm cho mọi framework bạn chạm vào sau đó trở nên có ý nghĩa.
Làm điều này trước khi bạn chạm vào LangGraph.
Khi nào không nên sử dụng agent
Đây là một trong những kỹ năng bị bỏ qua nhiều nhất trong lĩnh vực này và biết nó đánh dấu bạn là người có phán đoán chứ không phải người chạy theo thứ hào nhoáng.
Các agent rất thú vị, và chúng cũng chậm hơn, đắt hơn, khó dự đoán hơn và khó gỡ lỗi hơn các phương pháp đơn giản hơn.
Việc tìm đến giải pháp đơn giản nhất có hiệu quả là dấu hiệu cho thấy bạn biết mình đang làm gì.
Khung quyết định, đáng để ghi nhớ: sử dụng một lần gọi mô hình duy nhất nếu tác vụ phù hợp với một prompt với ngữ cảnh phù hợp.
Sử dụng một workflow cố định, một chuỗi các bước bạn xác định, nếu các bước có thể dự đoán được.
Chỉ sử dụng agent khi số lượng bước thực sự không thể dự đoán được và cần mô hình quyết định động.
Một chuỗi ba lần gọi cố định sẽ luôn nhanh hơn, rẻ hơn và dễ gỡ lỗi hơn một agent có thể thực hiện ba lần gọi. Dành agent cho các tác vụ thực sự mở.
Giữa một lần gọi duy nhất và một agent đầy đủ là một vùng đất trung gian rộng lớn, hiệu quả: các workflow.
Chaining, nơi đầu ra của một lần gọi cung cấp cho lần tiếp theo.
Routing, nơi bạn phân loại đầu vào và gửi nó đến một trình xử lý chuyên biệt.
Parallelization, nơi bạn chạy một số lần gọi cùng một lúc và kết hợp chúng.
Hầu hết các vấn đề thực tế được giải quyết tốt nhất bằng workflow, không phải agent, và bài viết về agent của Anthropic bao gồm các mô hình này một cách tốt.
Evals, ngắn gọn nhưng nghiêm túc
Bạn cần biết hệ thống của mình có thực sự hoạt động hay không, không chỉ liệu nó có hoạt động trên hai ví dụ bạn đã thử bằng tay hay không.
Đó là mục đích của các bài đánh giá (evaluations). Xây dựng một tập hợp nhỏ 20 đến 30 đầu vào đại diện với đầu ra dự kiến hoặc một phiếu đánh giá và chạy hệ thống của bạn với tất cả chúng bất cứ khi nào bạn thay đổi prompt, đổi model hoặc điều chỉnh việc truy xuất của mình.
Các công cụ như DeepEval cho mục đích chung và Ragas cho RAG cụ thể làm cho điều này trở nên dễ quản lý.
Tư duy quan trọng hơn công cụ: mọi thay đổi prompt hoặc swap model bạn thực hiện mà không chạy evals đều là một canh bạc.
Những người triển khai AI đáng tin cậy chạy evals liên tục và bắt đầu thói quen này ngay bây giờ, dù chỉ một chút, sẽ đưa bạn lên trước rất nhiều người đã làm việc trong lĩnh vực này.
Cột mốc Tháng 3
Vào cuối tháng, bạn sẽ có thể giải thích embedding là gì và tại sao văn bản tương tự tạo ra các vector tương tự, chunk tài liệu một cách hợp lý, lưu trữ và truy vấn các embedding trong cơ sở dữ liệu vector với lọc metadata, thêm reranking để cải thiện kết quả, gỡ lỗi lỗi truy xuất thay vì đổ lỗi cho mô hình, xây dựng một pipeline RAG hoàn chỉnh trả về các câu trả lời có trích dẫn và có grounding, triển khai một vòng lặp agent từ đầu, quyết định chính xác xem một tác vụ cần một lần gọi, một workflow hay một agent và chạy một eval cơ bản để kiểm tra công việc của bạn.
Đó là cốt lõi có thể kiếm tiền.
Nếu Tháng 1 đến Tháng 3 vững chắc, bạn có thể xây dựng những thứ mà các công ty đang tuyển dụng.
Tháng 4 là về việc chứng minh điều đó và kiếm tiền.
Tháng 4: Triển khai, trình bày, được tuyển dụng
Mục tiêu của bạn trong tháng này: đưa mọi thứ bạn đã xây dựng vào thực tế, sau đó biến nó thành công việc hoặc công việc được trả lương.
Đây là nơi hầu hết mọi người bị mắc kẹt.
Họ có thể xây dựng một bản demo nhưng không thể triển khai thứ gì đó tồn tại được trong sử dụng thực tế và họ không thể chuyển đổi kỹ năng của mình thành thu nhập.
Tháng này sửa cả hai. Nó ngắn hơn về các khái niệm mới và nặng hơn về hành động, bởi vì tại thời điểm này, hành động mới là quan trọng.
Đủ triển khai để có thể hoạt động
Bạn không cần phải trở thành chuyên gia cơ sở hạ tầng.
Bạn cần có thể đặt một ứng dụng AI đang hoạt động ở một nơi nào đó mà người thật có thể sử dụng nó, mà không bị sập hoặc phá sản.
Kiến thức tối thiểu khả thi: học đủ Docker để đóng gói ứng dụng của bạn để nó chạy giống nhau ở mọi nơi, điều này giết chết vấn đề "chạy trên máy của tôi".
Học cách triển khai container đó ở đâu đó.
Và học những điều cơ bản về chi phí và độ tin cậy để ngăn một lỗi trở thành thảm họa: đặt giới hạn chi tiêu cứng trên tài khoản API của bạn, thêm bộ nhớ đệm để bạn không trả tiền cho cùng một yêu cầu hai lần và thêm giới hạn tốc độ để một người dùng không thể làm tăng hóa đơn của bạn.
Hướng dẫn bắt đầu chính thức của Docker bao gồm việc đóng gói.
Đối với khía cạnh chi phí cụ thể của AI, các động thái cốt lõi là lưu vào bộ nhớ đệm các yêu cầu giống hệt nhau, sử dụng các mô hình rẻ hơn khi chúng đủ tốt và đặt giới hạn chi tiêu hàng tháng cứng để một vòng lặp chạy trốn không thể khiến bạn mất $500 qua đêm.
Bạn cũng muốn khả năng quan sát cơ bản, đó là một từ hoa mỹ để chỉ khả năng xem ứng dụng của bạn đang làm gì.
Các ứng dụng LLM có một vấn đề cụ thể: mô hình có thể trả về một phản hồi thành công hoàn hảo nhưng vô dụng hoặc sai và việc giám sát thông thường sẽ không bắt được điều đó.
Một công cụ như Langfuse theo dõi mọi lần gọi mô hình, hiển thị cho bạn prompt, phản hồi, chi phí token và độ trễ, giúp việc gỡ lỗi và kiểm soát chi phí dễ dàng hơn nhiều.
Thiết lập cái này trên một dự án để bạn hiểu mô hình.
Đừng đầu tư quá nhiều vào đây.
Một ứng dụng, được triển khai đúng cách, với kiểm soát chi phí và theo dõi cơ bản, dạy cho bạn mọi thứ bạn cần và cung cấp cho bạn thứ gì đó thực sự để trình bày.
Chiều sâu trong triển khai có thể đến khi đi làm.
Phần mà mọi lộ trình khác bỏ qua: biến các dự án thành một công việc.
Bạn đã xây dựng ba dự án thực tế. Bây giờ hãy làm cho chúng phục vụ bạn, bởi vì một dự án tuyệt vời mà không ai thấy sẽ không làm gì cho sự nghiệp của bạn.
Portfolio của bạn là ba dự án đã triển khai, mỗi dự án có một README thực sự hoạt động.
Và đây là động thái mà hầu như không ai thực hiện, động thái sẽ làm bạn nổi bật: trong mỗi README, hãy bao gồm một phần về những gì đã sai và những gì bạn sẽ làm khác đi.
Hầu hết các portfolio giả vờ mọi thứ hoạt động hoàn hảo, đọc giống như không trung thực hoặc nông cạn.
Một README nói "đây là nơi cách tiếp cận đầu tiên của tôi thất bại, đây là những gì tôi đã học được, đây là cách tôi đã sửa nó" báo hiệu chính xác phán đoán mà các nhà tuyển dụng cho biết họ đang sàng lọc.
Đó là lợi thế của người chuyển đổi từ phần giới thiệu, được hiển thị.
Không ai mong đợi một người chuyển đổi nghề nghiệp có một dự án hoàn hảo. Họ ấn tượng với một người hiểu rõ công việc của chính họ đủ sâu để phê bình nó.
Cấu trúc mỗi README như thế này: vấn đề mà dự án giải quyết, ai sẽ sử dụng nó, cách tiếp cận bạn đã thực hiện và tại sao, những gì đã sai và những gì bạn đã học được, và cách chạy nó.
Năm phần.
Đó là một portfolio tốt hơn hầu hết những người có bằng CS.
Động thái về sơ yếu lý lịch và hồ sơ: bạn không cần phải giả vờ có nhiều năm kinh nghiệm.
Bạn cần một dòng rõ ràng nói những gì bạn có thể làm.
Một cái gì đó như "Tôi xây dựng các ứng dụng LLM trong sản xuất: hệ thống RAG, agent và tích hợp API. Đây là ba cái tôi đã triển khai."
Sau đó liên kết các dự án. Sự nghiệp hiện tại của bạn là một tài sản, không phải thứ để che giấu.
"Từng là [lĩnh vực của bạn] nay xây dựng hệ thống AI" là một câu chuyện mạnh mẽ hơn "lập trình viên cấp thấp", bởi vì nó đi kèm với kiến thức lĩnh vực và phán đoán mà một lập trình viên thuần túy cấp thấp thiếu.
Nếu bạn đang chuyển từ ngành tài chính, bạn hiểu những vấn đề tài chính mà AI có thể giải quyết.
Nếu bạn đang chuyển từ ngành y tế, cũng tương tự. Hãy tận dụng điều đó.
Xây dựng công khai như một kênh tuyển dụng: trong suốt tháng này, hãy tiếp tục đăng những gì bạn xây dựng và những gì bạn học được.
Những cơ hội tốt nhất tôi từng thấy đến với những người biết xuất hiện trước công chúng, chứ không phải những người âm thầm nộp đơn vào 500 vị trí.
Hãy viết về các dự án của bạn. Chia sẻ lỗi bạn đã sửa. Hiệu ứng tích lũy là có thật, và đến lúc này bạn đã có công việc thực sự để chia sẻ, nên việc này dễ dàng hơn so với Tháng 1.
Chọn một hướng đi
Đến Tháng 4, bạn có thể định hướng kỹ năng của mình vào bất cứ mục tiêu nào phù hợp. Ba hướng đi, hãy chọn một để đào sâu thay vì dàn trải.
Con đường kỹ sư sản phẩm AI, phù hợp nhất nếu bạn muốn có việc làm startup nhanh chóng: bạn xây dựng các sản phẩm AI mà người dùng thực sự chạm tay vào.
Bạn đã có hầu hết những kỹ năng này từ Tháng 1 đến Tháng 3.
Hãy đào sâu hơn vào việc xây dựng các ứng dụng hoàn chỉnh, trau chuốt và về khía cạnh sản phẩm, nghĩa là cách ứng dụng xử lý khi mô hình sai, cách hiển thị trạng thái tải, cách người dùng đưa ra phản hồi.
Hãy tung ra hai hoặc ba thứ mà mọi người thực sự có thể thử.
Con đường ML ứng dụng, phù hợp nhất nếu bạn muốn các vai trò kỹ thuật sâu hơn: đi xa hơn các lệnh gọi API, đi vào tinh chỉnh, khi nào nên tinh chỉnh so với chỉ cải thiện prompt, chạy các mô hình mã nguồn mở cục bộ bằng công cụ như Ollama, và tối ưu hóa suy luận.
Khung quyết định cần ghi nhớ: bắt đầu với prompting, thêm truy xuất nếu mô hình cần dữ liệu cụ thể của bạn, và chỉ tinh chỉnh khi prompting và truy xuất thực sự không thể đạt được chất lượng bạn cần.
Tinh chỉnh thường được áp dụng quá sớm.
Con đường tự động hóa AI, phù hợp nhất nếu bạn muốn kiếm tiền từ doanh nghiệp ngay lập tức: tập trung vào tự động hóa các quy trình làm việc kinh doanh thực tế, kết nối AI qua các công cụ như email, CRM, tài liệu và bảng tính.
Các công cụ như n8n cho quy trình trực quan và LangGraph cho những quy trình nặng về code.
Một sản phẩm có thể bán được ở đây: hệ thống đánh giá chất lượng khách hàng tiềm năng, kéo khách hàng tiềm năng vào, sử dụng mô hình để nghiên cứu và chấm điểm từng khách hàng, soạn thảo email tiếp cận cá nhân hóa, và ghi lại mọi thứ.
Các doanh nghiệp trả tiền thật cho chính xác những thứ này.
Cột mốc Tháng 4
Vào cuối tháng, bạn nên có một ứng dụng AI đã triển khai với kiểm soát chi phí phù hợp, ba dự án trong portfolio mỗi dự án có một README trung thực, một mô tả ngắn gọn rõ ràng về những gì bạn xây dựng, một dấu ấn công việc công khai, và một hướng đi đã chọn mà bạn đang đào sâu.
Lúc đó bạn không còn là "người đang học AI" nữa. Bạn là người tung ra các hệ thống AI, đó chính là thứ thị trường đang trả tiền.
Phần trung thực
Tôi đã nói với bạn ngay từ đầu rằng tôi sẽ không bán cho bạn một ảo tưởng, vì vậy đây là phiên bản thẳng thắn trước khi nói đến con số tiền.
Bốn tháng làm việc tập trung khiến bạn có thể xin việc ở cấp độ junior hoặc sẵn sàng nhận công việc freelance. Nó không biến bạn thành một kỹ sư cao cấp.
Cấp cao đến từ nhiều năm tung ra những thứ thực tế dưới những ràng buộc thực tế, và không có hướng dẫn nào nén được điều đó.
Bốn tháng mang lại cho bạn khả năng xây dựng, tung ra và triển khai các hệ thống AI giải quyết các vấn đề thực tế, đó là một vị trí thực sự có giá trị và thực sự có thể tuyển dụng.
Điều này giả định bạn làm việc thực sự, khoảng 15 đến 20 giờ mỗi tuần, thực sự xây dựng chứ không chỉ xem.
Nếu bạn chỉ có thể dành 7 giờ mỗi tuần, thì đây là lộ trình 8 tháng, và điều đó hoàn toàn ổn.
Thời gian kéo dài, nhưng đích đến không thay đổi. Điều giết chết mọi người không phải là tốc độ chậm. Đó là dừng lại.
Sự kiên trì quan trọng hơn cường độ ở đây mọi lúc.
Và toàn bộ điều này dựa trên một hành vi từ phần sai lầm: hãy xây dựng, đừng chỉ xem.
Mỗi tháng đều có một dự án. Hãy làm các dự án đó. Một người xây dựng bốn dự án thô sơ trong bốn tháng là có thể xin việc.
Một người xem bốn tháng hướng dẫn hoàn hảo thì không. Đó là toàn bộ trò chơi.
Tiền bạc, có nguồn
Bây giờ là những con số bạn thực sự muốn, tất cả đều hiện tại và có nguồn, bởi vì những tuyên bố lương lỏng lẻo là cách những hướng dẫn này mất uy tín.
Tính đến tháng 6 năm 2026, Glassdoor đưa ra mức lương trung bình của kỹ sư AI tại Mỹ vào khoảng 143.500 đô la, với phạm vi điển hình khoảng 115.000 đô la ở phân vị thứ 25 đến 181.000 đô la ở phân vị thứ 75, và những người có thu nhập cao nhất được báo cáo lên tới khoảng 223.000 đô la.
Kỹ sư AI cao cấp trung bình khoảng 285.000 đô la, với phạm vi điển hình khoảng 221.000 đô la đến 375.000 đô la, cho thấy mức nhảy vọt lớn như thế nào khi bạn có kinh nghiệm thực tế.
Đó là số liệu của Glassdoor dựa trên các mức lương được gửi lên.
Các nhà tuyển dụng đặt người vào các công việc AI sản xuất thực tế báo cáo mức lương cơ bản trung cấp tập trung trong khoảng 155.000 đô la đến 200.000 đô la, dựa trên các đề nghị đã ký thay vì khảo sát, điều này phù hợp với phạm vi của Glassdoor và cung cấp cho bạn một nguồn độc lập thứ hai.
Và bối cảnh thị trường rộng lớn hơn từ Barometer năm 2026 của PwC, mà tôi đã mở đầu: các công việc yêu cầu kỹ năng AI đang tăng trưởng nhanh hơn khoảng tám lần so với thị trường tổng thể, mức phí bảo hiểm lương 62% cho kỹ năng AI, và yêu cầu bằng cấp đang giảm nhanh nhất trong chính các vai trò này.
Những điều đó không phải từ một bài viết gây sốt. Chúng từ một phân tích của hơn một tỷ quảng cáo việc làm.
Thu nhập từ freelance và tư vấn thay đổi quá nhiều để trích dẫn chính xác mà không làm bạn hiểu lầm, vì vậy tôi sẽ chỉ nói điều này: mức giá cho triển khai RAG, xây dựng agent và tích hợp LLM rất cao, và một người chuyển ngành với ba dự án đã triển khai vững chắc và một mô tả ngắn gọn rõ ràng có thể bắt đầu tính phí cho công việc đó trước khi họ có được vai trò toàn thời gian.
Các dự án là bằng chứng. Hãy xây dựng chúng và các cơ hội kiếm tiền sẽ mở ra.
Bắt đầu trong tuần này
Đây là những gì tôi thực sự sẽ làm, hôm nay, nếu tôi là bạn.
Chọn dự án Python Tháng 1, công cụ dòng lệnh nhỏ. Mở trình soạn thảo code.
Bắt đầu tập bài tập đầu tiên của CS50P. Thiết lập prompt của người bạn học để AI hướng dẫn bạn qua những phần khó chịu.
Tạo một kho GitHub và đặt tệp đầu tiên xấu xí của bạn vào đó. Đó là toàn bộ tuần đầu tiên.
Đừng chờ đến khi bạn cảm thấy sẵn sàng, bởi vì sẵn sàng đến sau khi bạn bắt đầu, không phải trước đó.
Đừng lập kế hoạch chi tiết cho cả bốn tháng trước khi bạn viết một dòng code, bởi vì kế hoạch đã có ở đây và việc lập kế hoạch chỉ là một cách thoải mái để tránh bắt đầu.
Khoảng cách giữa học và xây dựng là nơi mọi người mất một năm. Hãy thu hẹp nó trong tuần này.
Bốn tháng làm việc thực sự thực sự thay đổi những gì có thể cho bạn.
Cánh cửa đang rộng mở hơn bất kỳ thời điểm nào trước đây, rào cản bằng cấp đang giảm xuống, và thị trường đang trả nhiều tiền hơn cho những kỹ năng này so với hầu hết mọi thứ khác trong công nghệ.
Bạn đã có hướng dẫn. Biến số duy nhất còn lại là liệu bạn có xây dựng hay không.
Hãy lưu lại và quay lại mỗi tháng khi bạn tiến triển. Tôi sẽ cập nhật nó khi các công cụ và con số thay đổi.
Theo dõi @free_ai_guides để nhận các bản cập nhật ❤️
