Quiz tổng hợp

Thời gian: 30 phút | Độ khó: Tổng hợp | Đạt yêu cầu: ≥ 13/18 câu đúng

Yêu cầu: Xây dựng một AI Agent hoàn chỉnh sử dụng ReAct pattern với khả năng gọi tools để giải quyết bài toán nhiều bước.

Các bước thực hiện:

1. Định nghĩa ít nhất 3 tools: web search (Tavily/SerpAPI), calculator, và một custom tool (ví dụ: tra cứu database, đọc file CSV)
2. Triển khai ReAct loop: Thought → Action → Observation → lặp lại cho đến Final Answer
3. Sử dụng OpenAI function calling hoặc LangChain/LangGraph để kết nối LLM với tools
4. Xử lý edge cases: tool trả về lỗi, agent chọn sai tool, agent lặp vô tận (max iterations)
5. Thiết lập token budget: giới hạn tối đa 15 iterations, logging chi phí mỗi bước
6. Kiểm thử với ít nhất 5 câu hỏi phức tạp yêu cầu sử dụng nhiều tools phối hợp

Output mong đợi: Agent hoạt động chính xác, chọn đúng tool cho mỗi bước, xử lý lỗi gracefully, và hoàn thành task trong giới hạn token budget.

Yêu cầu: Thiết kế và triển khai hệ thống multi-agent sử dụng CrewAI để thực hiện một workflow nghiên cứu và tạo nội dung.

Các bước thực hiện:

1. Tạo ít nhất 3 agents với vai trò khác nhau: Research Analyst (thu thập thông tin), Content Writer (viết bài), và Quality Reviewer (kiểm tra chất lượng)
2. Định nghĩa role, goal, backstory chi tiết cho mỗi agent
3. Thiết kế tasks với expected_output rõ ràng, phân công cho đúng agent
4. Thử nghiệm cả 2 process types: Sequential và Hierarchical — so sánh kết quả
5. Cấu hình delegation để agents có thể giao việc cho nhau khi cần
6. Đánh giá chất lượng output cuối cùng: tính chính xác, đầy đủ, mạch lạc

Output mong đợi: Multi-agent system hoạt động hoàn chỉnh, các agents phối hợp trôi chảy, output cuối cùng có chất lượng cao, có so sánh Sequential vs Hierarchical.

Yêu cầu: Sử dụng LangGraph để xây dựng agent workflow phức tạp với state management, conditional routing, và human-in-the-loop.

Các bước thực hiện:

1. Thiết kế State schema (TypedDict) với ít nhất 5 fields: messages, current_step, results, approval_status, iteration_count
2. Tạo ít nhất 4 nodes: research_node, analysis_node, writing_node, review_node
3. Triển khai conditional edges: routing dựa trên kết quả phân tích (ví dụ: nếu dữ liệu đủ → chuyển sang writing, nếu thiếu → quay lại research)
4. Thêm human-in-the-loop: interrupt_before tại review_node để yêu cầu human approval trước khi finalize
5. Triển khai vòng lặp có giới hạn: agent tự đánh giá kết quả và lặp lại tối đa 3 lần nếu chưa đạt
6. Thêm memory persistence: sử dụng checkpointer để lưu trạng thái, có thể resume workflow sau khi dừng

Output mong đợi: LangGraph workflow hoạt động với conditional branching, human approval gate, iteration limit, và persistent state.