Bản đồ keyword AI
Để bạn không bị lạc giữa rừng thuật ngữ.
Mỗi khi bạn thấy keyword AI mới trên Twitter/LinkedIn/HN, tìm nó trong bảng dưới. Nếu nó thuộc nhóm bạn đang học — đọc tiếp. Nếu không — bỏ qua, quay lại sau.
Nhóm 1 — Dùng LLM (Module 1 · Bạn đang ở đây)
Đây là 90% công việc hàng ngày của AI Engineer ứng dụng.
| Keyword | Nghĩa ngắn | Chapter |
|---|---|---|
| Prompt engineering | Kỹ thuật viết instruction cho LLM | Ch.3 |
| System prompt | Instruction cố định đầu mỗi conversation | Ch.3 |
| Few-shot | Cho model vài example trước khi hỏi | Ch.3 |
| Chain-of-thought (CoT) | Bắt model suy nghĩ từng bước | Ch.3 |
| Structured output | Bắt model trả JSON/XML theo schema | Ch.3 |
| Function calling / Tool use | Model output intent gọi API, code bạn thực thi | Ch.4 |
| MCP | Model Context Protocol — chuẩn kết nối tool | Ch.4 |
| Agent | LLM + tool + loop tự quyết định bước tiếp | Ch.6 |
| Chaining | Pipeline tuần tự: output A → input B | Ch.5 |
| Routing | Classify → chọn handler phù hợp | Ch.5 |
| Orchestrator | 1 LLM phân task cho nhiều LLM workers | Ch.5 |
| Prompt injection | Tấn công khiến LLM bỏ qua instruction gốc | Ch.3 |
| Guardrails | Hàng rào an toàn cho LLM output | Ch.6 |
Nhóm 2 — Context & Memory (Module 2 · Sắp tới)
Khi agent cần "nhớ" và "biết" thêm ngoài training data.
| Keyword | Nghĩa ngắn |
|---|---|
| RAG | Retrieval-Augmented Generation — tìm tài liệu rồi cho model đọc |
| Embedding | Biến text thành vector số để so sánh ngữ nghĩa |
| Vector database | DB lưu embedding, tìm kiếm bằng similarity |
| Chunking | Chia tài liệu thành đoạn nhỏ trước khi embed |
| Reranking | Sắp xếp lại kết quả retrieval cho chính xác hơn |
| Memory | Agent nhớ thông tin qua nhiều session |
Nhóm 3 — Huấn luyện / Tuning model
Khi model có sẵn không đủ tốt cho bài toán cụ thể.
| Keyword | Nghĩa ngắn |
|---|---|
| Fine-tuning | Train thêm model trên data riêng |
| LoRA / QLoRA | Fine-tune nhẹ — chỉ train một phần nhỏ weights |
| RLHF | Reinforcement Learning from Human Feedback — cách train ChatGPT |
| DPO | Direct Preference Optimization — alternative cho RLHF |
| Distillation | Model lớn "dạy" model nhỏ |
| Pre-training | Train model từ đầu — cần rất nhiều data và GPU |
Nhóm 4 — Hạ tầng ML
Role khác, skill khác. Biết sơ để giao tiếp, nhưng không phải focus.
| Keyword | Nghĩa ngắn |
|---|---|
| MLOps | DevOps cho ML — CI/CD, monitoring, A/B test |
| Model serving | Deploy model thành API (vLLM, TGI, Triton...) |
| Quantization | Giảm precision (FP16→INT8) để model nhẹ hơn |
| GPU infra | Quản lý cluster GPU cho training/inference |
| Batch inference | Xử lý hàng loạt request thay vì real-time |
Nguyên tắc
Nếu bạn là Software Engineer muốn ship sản phẩm AI, Nhóm 1 + 2 là 90% những gì bạn cần. Bắt đầu từ Nhóm 1. Đừng nhảy lung tung.