AI Engineer
Xây hệ thống LLM chạy được và đo được: RAG, multi-agent, evals.
Sổ tay thí nghiệm của mình: dự án kèm cách làm và kết quả đo được, ghi chú về những gì vừa học.
whoami minhquan · aspiring AI engineer cat now.txt Đang học: Agents & Tool Use [67%] Đang học: Evals & LLMOps [67%] ls notes/ | wc -l 2 bài viết
Work
07/2026 – 08/20262 tháng
Agent hội thoại nhiều lượt hỏi đủ tham số chuyến đi, xác nhận với người dùng rồi mới gọi solver chọn trạm sạc.
94%Trích xuất tham số đúng (từ 65% (16/17 ca, trước là 11/17))
10/2025 – 05/20268 tháng
RAG agent trả lời phụ huynh về kế hoạch tuyển sinh đầu cấp, có trích dẫn nguồn và biết từ chối câu hỏi ngoài phạm vi.
0.736Recall (agentic) (+65% so với naive RAG (0.447))
Roadmap
Writing
3 phút đọc
Ghi chú về Retrieval-Augmented Generation: tại sao cần RAG, các bước chunking → embedding → retrieval → generation, và code minh hoạ bằng Python thuần.
2 phút đọc
Rõ ràng, có ngữ cảnh, có ví dụ, có định dạng đầu ra và có cách kiểm tra — những nguyên tắc giúp output của LLM ổn định hơn hẳn.