0:00 [âm nhạc] Video này mình sẽ tổng hợp tất cả những gì mình học được để giúp cho các bạn có cái nhìn toàn diện kèm theo giải thích các khái niệm và nhiều công cụ khác nhau. Xem sang video này bạn có thể xây dựng bất kỳ một hệ thống Asian nào mà mình muốn. Đầu tiên chúng ta cần phải hiểu Asian là gì. Mình sẽ không đi cụ thể về phần này tại vì mình đã làm một video giải thích chi tiết về hệ thống ientic. Các bạn có thể xem lại video đó nếu cần. Ở góc nhìn đời hình buũi hơn với con người, chúng ta thường hình dung AI Asian như một phiên bản AI đảm nhận vai trò hoặc công việc mà trước đây bốn do con người thực hiện. Hiện nay có rất nhiều công ty thử nghiệm với các AI agent ví dụ như là AI chăm sóc khách hàng có thể làm những việc như tiếp nhận yêu cầu hoặc giao tế với khách hàng và đặc biệt chúng ta thường nghe các agent trong bối cảnh như coding AI agent ví dụ như là cơ show tích hợp chế độ Asian mode để tự động thực hiện các tác vụ lập trình và thông thường khi chúng ta nói
0:45 xây dựng AI Asian điều đó không phải lúc nào cũng là một thực thể đơn lãng ngồi làm việc một mình mà nó là một tập hợp những shop Asian chuyên đảm nhận những vai trò cụ thể và cùng nhau hợp thành một hệ thóm multiation chính là thứ mà ta nhìn thấy như một Asian hoàn chỉnh và việc xây dựng một hệ thống Asian sẽ có những thành phần khác nhau. Tuy nhiên agent cũng là một khái niệm mới và mỗi người cũng sẽ có một định nghĩa khác nhau cho các thành phần này. Định nghĩa mà mình thấy đầy đủ nhất nó đến từ Open AI bao gồm model, tools, kiến thức và bộ nhớ, âm thanh, giọng nói, hàng rào an toàn và điều phối. Tất nhiên trong các thành phần này sẽ bao gồm những thành phần bắt buộc và các thành phần là tùy chọn. Ví dụ như là âm thanh và giọng nói có thể có những dự án mà bạn sẽ không muốn thêm vào. Tất nhiên ngoài những thành phần này ra mình có thể kết hợp thêm những thành phần từ bên ngoài hay
1:31 trong tương lai cũng sẽ có thêm những ứng dụng phần mềm mới sẽ được phát triển. Vậy bây giờ chúng ta sẽ cùng nhau tìm hiểu cụ thể những thành phần này là gì. Đầu tiên tất nhiên khi nói đến hệ thống A điều cốt lõi đó là kết nối các với các mô hình AI hay cụ thể là các mô hình ngôn ngữ lớn. Có thể hiểu là model chính là bộ não của Asian. Nếu model là bộ não thì công cụ chính là sức mạnh thật sự cho phép Asian tương tác với thế giới như là tìm kiếm web, truy cập, Gmail, file, nội dung hay là các ứng dụng khác. Và chúng ta có thể tự tạo tool hoặc và gắn vào Agent bằng cách dùng Open AI agent FDK. Nó có sẵn một số tích hợp như là web search, price search hoặc là computer use hay là MCP của Anthropit giúp hóa cách kết nối tool vào RM tích hợp dễ dàng và dự án ngày hôm
2:18 nay chúng ta sẽ kết hợp cả hai phương pháp này. Ngoài ra thì chúng ta cũng có thể sử dụng no code hoặc là low code như là Nan giúp dễ dàng kéo thả góc tool và kết nối với model. No base là những thông tin tài liệu quan trọng cho các Asian xử lý nghiệp vụ, đặc biệt trong các nghiệp vụ chuyên môn và memory giúp Asian ghi nhớ lịch sử hội thoại. Open AI tất hạn mãng này vì sự phát triển nhân gần đây cho phép Asian giao tiếp vào ngôn ngữ tự nhiên qua giọng nói cải thiện trải nghiệm người dùng. Larians tức là hàng rào đảm bảo cho Asian hoạt động đúng mục tiêu không tạo ra nội dung lệch hướng hoặc gây hạn. Đây là phần mà nhiều người bỏ qua. Điều phối và triển khai các sub Asian để đạt được kết quả cuối cùng bao gồm deploy, giám sát, cải thiện hiệu suất theo thời gian. Thường thì sẽ có một framework và phần này sẽ được tích hợp sẵn bên trong framework. Ví dụ như là Open AI, Aent
3:04 SDK hay là Crew AI. Và bây giờ chúng ta sẽ bước vào khâu triển khai một hệ thống AON là sẽ như thế nào. Dự án ngày hôm nay chúng ta sẽ sử dụng framework Open AI agent FDK. có rất là nhiều loại framework khác nhau. Thậm chí là chúng ta có thể không sử dụng framework kết nối trực tiếp với lại các mô hình AOMS. Tuy nhiên, các framework giúp chúng ta tiết kiệm được rất nhiều thời gian viết fluode và có rất nhiều công cụ tiện ích ở bên ngoài. Thực ra việc lựa chọn framework nào không quá quan trọng. Mỗi framework đều có những ưu và nhược điểm khác nhau. Bạn chỉ cần chọn ra một cái nào phù hợp với mình nhất, phù hợp với điểm mạnh của mình, những chỗ nào mà mình cần hỗ trợ à cả kỹ năng và năng lực của đội ngũ của mình nữa. Để hiểu cách sử dụng framework
3:50 này như thế nào, chúng ta chỉ cần follow tài liệu của Open AICK. Hướng dẫn rất rõ ràng và chi tiết. Đầu tiên là hướng dẫn setup như thế nào? Ví dụ như là mình sẽ thử dùng code này. [âm nhạc] Nếu các bạn follow mình và đã từng xem video của mình thì mình cũng đã từng giải thích là cấu trúc của mỗi mô hình LM khi giao tiếp sẽ có hai loại prom là system và user prom. Thì cái introduction ở trên này chính là system prom. Model mà mình sử dụng là sẽ là GPT FOMI. Thật ra mình khuyến khích các bạn nên lựa chọn module nào tốt nhất có thể cho thời điểm thử nghiệm ban đầu. Để trước hết là chúng ta sẽ thử xem là cái vấn đề của mình có được giải quyết hay không và nó sẽ được giải quyết như thế nào. Chạy thử cái này.
4:36 Ờ có một điểm mà mình quên nói với các bạn đó là một thớ rất phổ biến trong các trong các xe framework khi xây dựng hệ thốngentic bao gồm là cả Open SDK đó lào. Hiểu đơn giản thì đây chính là cách viết mã Python, kiểu như là một phiên bản nhẹ nhàng hơn của Merty Procession. Nếu mà các bạn có nền tảng về coding thì chắc hẳn là các bạn đã quen thuộc về khái niệm đa luồng. Tức là khi mà mình viết code chạy đồng thời thì sẽ có rất nhiều luồng thực thi chạy song song. Thì là một kết cực kỳ nhẹ nhàng để giải quyết vấn đề này. Ví dụ như là mình khi mà mình chạy lệnh gọi lên mô hình LM thì phần lớn thời gian này sẽ đợi phản hồi từ server ở cloud. Giống như là khi mình sử dụng multiagent framework, tức là
5:22 framework có nhiều tác vụ hay là agent cùng lúc thì sẽ có rất là nhiều yêu cầu API được gửi đi cùng lúc thì việc sử dụng sẽ có ý nghĩa rõ ràng hơn nữa. Thì đối với vậ như là bất kỳ ừ bất cứ khi nào là bạn có một function mà bạn muốn nó có khả năng chạy đồng thời thì bạn chỉ cần thêm iin vào trước function đó. Và khi mà mình muốn gọi function này thì mình phải thêm từ khóa là await ở trước. Vậy nên là bây giờ ở đây mình phải thêm away rồi thử lại. [âm nhạc] Và như vậy thì bây giờ những gì chúng ta biết là runner. Cotin đó sẽ dựa vào hàng đưa vào hàng đợi bởi event loop. Và khi chúng ta gọi away thì nó sẽ thực thi quarin và nó sẽ
6:08 chờ cho đến khi mà quá trình thực thi hoàn tết. Kết quả là sẽ gắn vào biến result. Ờ sau đó chúng ta sẽ in final output. Và bây giờ chúng ta có thể thấy được output và đây chính là cách mà chúng ta sử dụng framework Open AI SDK. Bạn có thể tìm hiểu chi tiết hơn ở trong tài liệu của Open AI. Như mình đã nói là chúng ta sẽ sử dụng MCP trong dự án l này. Vậy nên bây giờ chúng ta sẽ cùng nhau tìm hiểu MCP là gì và tại sao mọi người lại đột nhiên nói về nó. Topic ra mắt MGP vào tháng 11 năm 2024 nhưng phải đến đầu năm 2025 nó mới thật sự trở thành hot topic và được xem như đã thay đổi cuộc chơi trong việc xây dựng các hệ thống agenic AI. Có thể sẽ có một số bạn nhầm lệnh nhưng mà ừ MCP không phải là một framework, nó cũng không phải là một công cụ hay là một
6:53 Asian mà MCP là một giao thức như tên gọi của nó model protocol. Nó đóng vai trò như một lớp tích hợp tiêu chuẩn cho các A. Từ khóa ở đây là tiêu chuẩn tức là một thứ được ra mắt và nếu chúng được đón nhận và được áp dụng một cách rộng rãi thì nó sẽ trở thành một tiêu chuẩn chung. Rõ ràng là Internet và Worldwide web có thể trở thành như ngày hôm nay là vì mọi người cùng đồng thuận với ATML và nó trở thành một gia thức chuẩn. Vậy thì tại sao MCP lại được đón nhận như vậy? Về lý thuyết thì chúng ta biết rằng là một mô hình AI trị tốt khi nó được cung cấp một ngữ cạnh tốt. Ban đầu sự chú ý hầu như chỉ tập trung vào khả năng của mô hình và kỹ thuật Prom chứ không phải là thích hợp. NCP giải quyết trọn vẹn khoảng trống này bằng cách định nghĩa cách kết nối các nguồn dữ liệu có sẵn
7:39 vào các workflow AI. Và khi mọi người dìn ngấm điều này thì MCP được đón nhận như là một mảnh ghép còn thiếu để tạo ra các AI engine sẵn sàng cho môi trường production. Và đó là lý do mà vì sao một năm qua chúng ta đã nhìn thấy được chứng kiến sự chuyển dịch sang các hệ thống mà mô hình có thể kết nối trực tiếp với dữ liệu và ngữ cận của mình khiến nó mạnh mẽ và cá nhân hóa hơn rất nhiều. Và việc có thể kết nối với các công cụ chính là điều khiến mọi người khuyến khích. Đây là một cách dễ dàng để chia sẻ công cụ khi một người có thể phát triển xây dựng một công cụ hiểu ích. Và sau đó thì người khác có thể dễ dàng tận dụng cái công cụ đó vào sản phẩm của mình. Nếu như không có MCP hay là một thứ tương tự thì mỗi lần mà Asian cần thực hiện một tác vụ nào đó ở thế giới thực như là gọi file truy vấn dữ liệu hay là kết nối API
8:26 thì các nhà phát triển các lòng trình viên cần phải tự tay viết một tích hợp riêng hoặc là dùng các giải pháp chấp bán nào đó. Những công ty tiên phong bao gồm là Apollo Replist hay là SSCP bắt đầu tích hợp MCP để nâng cấp nền tảng của họ và tính đến nay đã có rất nhiều người tham gia vào MCM đến mức là hiện tại đã có hàng nghìn các công cụ dựa trên MCP để có sẵn cho chúng ta. Và khi chúng ta nhìn vào các MCP Marketplace thì các bạn thật sự sẽ hiểu được những gì mà mình vừa nói. Marketplace là một trong web nên bạn có thể thấy tất cả các MCP server sẵn có để sẵn sàng cho việc tích hợp vào agent của bạn. Đầu tiên là MCP Server. Tại đây thì bạn sẽ thấy các danh sách các MCP nổi bật. Ví dụ như là Play Droy của Microsoft. Lát nữa chúng
9:13 ta sẽ dùng thử cái này. Khi truy cập vào một server cụ thể thì bạn sẽ thấy các tham số cần thiết để tích hợp nó vào hệ thống của mình. Ừ. Bạn cũng có thể xem danh sách có công cụ mà server đã hỗ trợ. Ừ những công cụ mà bạn có thể gọi khi sử dụng nó. Và server này được phát triển bởi Microsoft. Điều đó có thể khiến cho chúng ta có thể yên tâm khi mà sử dụng. Ừ. Và nếu bạn nhấn vào tab Explore này thì trên bạn sẽ thấy giao diện tình kiếm và lọc. Ở đây là chúng ta sẽ thấy hàng loạt các FCV server được phân loại theo các danh mục khác nhau. Ừ có thể sẽ có sự trùng lạp giữa các danh mục nhưng điều này cho thấy là chúng ta thật sự có rất nhiều lựa chọn để trao bội cho agen của mình. Glam là một marketplace khác.
9:59 Ừ đây là cũng là một marketplace phổ biến chuyên về MCP server. Và khi bạn truy cập vào trang này và nhấp vào liên kết every MCP Server thì bạn sẽ thấy danh sách tất cả các MCP server có trên Gramar. Thì đại tại đây họ cũng cung cấp các đánh giá về từng server bao gồm độ an toàn, mức độ ừ à giấy phép sử dụng hay là chất lượng tổng thể. Đ giúp cho mình có thể đọc chi tiết về kết họ đưa ra cái đánh giá này như thế nào. Nó rất là hữu ích khi mà mình cần đánh giá về mức độ bảo mật và số lượng server hiện có rõ ràng là rất nhiều. Có rất nhiều là những công cụ ở ngoài kia. Vì vấn đề bảo mật chính là điều mà chúng ta phải lưu ý nhất. Tại vì khi chạy một server thì điều đó có nghĩa
10:45 là chúng ta đang tải một cái thư viện mã nguồn mở vào trong của người khác và trong máy tính của mình. Vậy nên là khi mà chúng ta sử dụng bất kỳ một cái MCP server nào, chúng ta cần phải quản lý được những rủi ro, kiểm tra kỹ thông tin để xem là mức độ tin cậy như thế nào. À đối với những phần mềm từ MCP Server, từ các công ty như là Microsoft hay là Anthopic hay Open A2 thì chúng ta có thể yên tâm sử dụng. Nhưng mà nếu không thì chúng ta cần phải xem xét kỹ. Ví dụ như là các bạn có thể check ở trên git xem thử là lượt đánh giá như thế nào và độ mức độ phản hồi ra làm sao. Dự án mạo nguồn mỡ của MCP từ phát triển bởi Anthopic cũng là có rất nhiều MCP server mẫu và các bạn hoàn toàn có thể bắt đầu từ đây. Tuy nhiên cũng cần phải nói rõ là MCV nó nó chỉ là
11:31 một tiêu chuẩn để tích hợp với các công cụ. bản thân NCP không phải là chính là công cụ nên tùy trường hợp mà chúng ta có thể không cần nhất thiết phải sử dụng MCP chỉ khi chúng ta muốn chia sẻ công cụ chúng ta mới ch sử dụng MCP và có ba khái niệm cốt lõi đằng sau MCP mà chúng ta cần phải tìm hiểu trước khi mà đi vào ví dụ cụ thể thứ nhất đó là MCP host đây là ứng dụng trung tâm nên mà mình trang bị công cụ cho một AI AG ví dụ như là cla desktop phần mềm trên máy tính của mình vừa quản lý mô hình ngôn ngữ clo vừa cho phép trò chuyện với nó hay một hệ thống agent mà mình sẽ viết bằng open agent để chạy nhiều agent và công cụ khác nhau. Tóm lại là bất kỳ phần mề nào trong vai trò chạy framework đều có thể được gọi là bằng MCP host. Tiếp theo là MCP client. Một thành phần nhỏ hoạt động
12:18 như là plugin bên trong host thì mỗi MC client thì sẽ được kết nối 111 với một MC server. Ví dụ nếu bạn chạy cl desktop và dùng ba MC server khác nhau thì sẽ có ba MC client tương ứng bên trong desktop. để kết nối với từng server và MCP client luôn sống trong host và là cầu nối tới server. Server thì chạy bên ngoài host. Và cuối cùng là MCP server. Server là phần mã thực tế cung cấp công cụ gửi cảnh và prompt những khả năng bổ sung cho công cụ là phần mà mình sẽ chú ý nhất nhưng ngoài việc trang bị công cụ cho Asian server cũng có thể cung cấp theo ngựa cảnh để tra cứ thông tin hoặc là cung cấp các mẫu prompt. Những điều này là do LCP xử lý và server thì chạy ở bên ngoài hot. Bây giờ chúng ta sẽ cùng thử một ví dụ về MCP để dễ hình dung.
13:05 Trước khi bắt đầu chúng ta cần phải setup environment. Trước khi bắt tay vào một dự án nào thì chúng ta cũng cần phải setup environment. Điều này đảm bảo cho môi trường hoạt động hệ dự án hệ thống hoạt động ổn định và tương thích giữa các phần mềm hay là các thư viện khác nhau trong cùng một dự án. Và nó cũng sẽ đảm bảo tránh được lỗi về môi trường sau này. Và mình cũng sẽ sử dụng Anaconda cho dự án này. Nếu các bạn chưa cài đặt Anaconda thì các bạn có thể xem lại video mình có hướng dẫn cách cài đặt. À đối với việc sử dụng MCP thì có một vấn đề nhỏ là đối với bạn sử dụng Max hay là Linux thì ừ các bạn setup như bình thường. Tuy nhiên nếu máy của bạn là Windows thì chúng ta cần thêm một bước nữa đó là setup. WSL sub system System for Linux
13:50 và cácc chỉ hoạt động trên Windows thông qua WSL. Ở đây mình sẽ để link hướng dẫn cách cài đặt này như thế nào trong file setup ở trên Git thì các bạn có thể follow và làm theo cũng được là được. Sau khi cài đặt xong thì các bạn chỉ cần mở lại Power Sale và gõ lệnh WS và sau đó là vào dự án là xong. Bây giờ chúng ta sẽ sử dụng một MCP server. một mcp trong open ai fdc mục tiêu của chúng ta là chúng ta sẽ tạo một mp client khởi chạy một mc server và thu thập các công cụ mà server này cung cấp mà công cụ server mp server mà chúng ta sẽ sử dụng là play của microsoft đầu tiên là chúng ta sẽ bắt đầu bằng việc import các thư viện cần thiết ừ và chúng ta sẽ sử dụng lệnh
14:38 npx để gọi một gói chính thức của not thì playro là một mcv server ờ được xây dựng được phát triển bởi Microsoft dùng để tự động hóa trình duyệt kiểu như là mình có thể tự động mở tab đóng tab bấm nút rồi nhập liệu vân vân thì và chúng ta là đang nói với lại Open AIC là hãy tạo một MCP client khởi chạy MCP server theo cái tham các tham số đã định nghĩa và hỏi server đó có công cụ nào thì công thức chung Nó sẽ bao gồm là đầu tiên là MCP server SDO. Tạo server theo kiểu stdo và giao tiếp bằng dòng lệnh này. Sto có nghĩa là gì? Ừ có hai cơ chế
15:26 khác nhau mà server và client có thể giao tiếp với nhau đó là studi và SSD. Có thể sẽ có nhiều cách khác nữa nhưng mà hiện tại Anthopic chỉ đưa mới đưa ra hai cách tiếp cận kỹ thuật này và cách phổ biến nhất và là cách chỉ được dùng cục bộ đó là SD viết tắt của standard input and output. Cơ chế truyền này rất đơn giản nó chỉ làm client sẽ tạo ra một tiến trình mới để chạy server và khởi động một thứ gì đó rồi kết nối qua chuyện in và out của tiến trình. Nó chỉ đơn giản là gửi dữ liệu qua đầu vào và nhận phản hồi qua đầu ra. Khi mà vào dự án mỗi khi mà bạn thấy dòng code về server STO thì tức là chúng ta đang kết nối MCP client với MCP server bằng cơ chế ST. Còn cơ chế thứ hai là SSI. Cơ
16:13 chế này có thể dùng để kết nối từ xa và cả kết nối cục bộ. Nhưng mà SDO thì chỉ được dùng không được dùng cho kết nối từ xa, chỉ kết nối cục bộ. Và trong dự án này thì chúng ta chủ yếu sử dụng SCDO. Đầu tiên param tức là các tham số định nghĩa cách khởi động server. CLI session time out tức là thời gian chờ tối đa khi khởi chạy server. Mặc định là 5 giây nhưng mà dễ tham out nên là chúng ta thường nên để từ khoảng 30 đến 60 giây sẽ an toàn hơn. Và liston away server. Listone tức là gọi tới server và lấy danh sách các công cụ mà server đó cung cấp. Cái này đơn giản chính là lệnh NPX của not và gói mà MCP mình sẽ lấy là MCP Play Drid. Cuối cùng thì bây giờ chúng
16:59 ta sẽ vào dự án chính của chúng ta ngày hôm nay. AI Trans Content Creator. Hệ thống AI tự động tìm kiếm xu hướng về AI, phân tích trending và tự động tạo nội dung trên nhiều nền tảng. hình dung giống như là chúng ta đang xây dựng một đội ngũ content creator, những người có khả năng chủ động tìm kiếm thông tin, viết bài, đăng bài, chạy content về chủ đề ấy. Đầu tiên thì chúng ta sẽ có một file về quản lý tài khoản của mỗi content creator này. Và đây cũng sẽ là logic chính trong dự án này. Nó quản lý toàn bộ tài khoản và theo dõi hiệu suất nội dung và điều phối việc tạo nội dung trên nhiều nền tảng khác nhau. Bắt đầu với lại import một số thư viện cần dùng. Trans chính là module mình sẽ sử dụng để lấy dữ liệu từ các nguồn khác nhau. Và mình sẽ lưu thông tin profile này vào database với tên là profile.db. Cơ sở dữ
17:46 liệu ở đây mình sẽ sử dụng là SQL. Ừ chúng ta sẽ xát một điểm giới hạn là 100 credit cho mỗi tài khoản và tạo nội dung với một nội dung thì sẽ tốn một credit. Và chỉ số engagement này được tính dựa trên điểm xu hướng transcore nhân với hệ số 10. Số điểm này sẽ được lấy từ filtr. Lấy dữ liệu mà lắp nữa chúng ta sẽ cùng tìm hiểu. Và class content piece là đại diện cho một nội dung. Topic là chủ đề của nội dung nền tảng là blog, Twitter, lintin và newsletter cho dự án này. Loại nội dung điểm xu hướng tại thời điểm tạo, thời
18:31 gian tạo. Lý do tại sao? Strategy là lý do tại sao lại tạo nội dung này. Cuối cùng là điểm tương tác và class content account chính là logic chính quản lý tài khoản content creator. Ừ. Med data bao gồm là name tên của ừ tài khoản credit quản lý điểm credit còn lại là bao nhiêu? Strategy là chiến lược nội dung content history là lịch sử nội dung. Ừ, dữ liệu theo thời gian và thống kê theo từng nền tảng độ phủ của chủ đề. Sau đó mình sẽ getest là phương thức để khởi tạo và lưu trữ. Ví dụ như là mình gọi content account get ừ tên tài khoản thì nó sẽ tự động tạo một tài khoản mới chưa tồn tại với điểm credit là 100.
19:19 S credit và credit là để quản lý credit system. Điều này đảm bảo là Asian này sẽ không tạo quá nhiều nội dung và mình có thể luôn refresh the credit hàng tháng. Đây là cách mà mình đảm bảo là hệ thống sẽ hoạt động ổn định. Ừ. Create content là logis để tạo nội dung. Đầu tiên thì nó sẽ kiểm tra xem credit có đủ hay không và nếu không đủ thì nó sẽ thông báo. Ừ. Tiếp theo là sẽ xem xét về điểm xu hướng và dự tính. Ừ. Way cho engagement tức là ừ độ tương tác. Ví dụ như là tương tác của Twitter thì có thể sẽ cao hơn, dễ tiếp cận hơn, liên tin sẽ thấp hơn tại vì yêu cầu về professional cao hơn. Tiếp theo là sẽ tạo content PC object và cập nhật thông tin và tài khoản. Ừ các kết quả phân
20:06 tích. Skip content là bỏ qua nội dung nếu nó sẽ bỏ qua những nội dung và không tạo content cho nội dung mà nó đã tìm kiếm. Promo là ờ nội dung hiện tại có nên promo promo hay là post sang những platform platform khác hay là không. Và nó sẽ tốn credit. Cuối cùng là tính toán các matrix gửi báo cáo chi tiết phân tích performance theo từng topic qua từng platform. Quản lý chất lược điều này giúp cho sau này khi tích hợp vào Asian thì nó sẽ có khả năng từ tự thay đổi chiến lược dựa trên performance. Ví dụ mình sẽ xem thử một vài function trong file này. Đầu tiên là import các thư viện mình sẽ dùng trong dự án này. Các bạn thấy là mình sử dụng là notebook. Trong bất kỳ giai đoạn thử
20:51 nghiệm nào thì mình định khuyến khích các bạn là nên bắt tay vào lap hay là sử dụng lap hay là notebook như thế này thì có rất nhiều lý do mình nó làm như vậy. Ừ và điều quan trọng là mình có thể dễ dàng kiểm soát và debug ừ test được từng câu lệnh từng từng đoạn code một để xem nó có hoạt động không và đoạn hoạt động như thế nào. Ví dụ như là mình sẽ tạo một tài khoản AI content creator. Và chiến lược của tài khoản này là tập trung vào những topic đang nhẫn đầu xu hướng và có tiềm năng tương tác cao. Và mình sẽ lấy top ba topic mà có điểm xu hướng cao nhất. Thì những thông tin này được lấy từ đâu? Nó ở trong file trans.pin file này là file lấy dữ liệu từ API của các nguồn khác nhau. Lúc nãy chúng ta sẽ cùng xem qua. Bây giờ là chúng ta sẽ tìm hiểu cách tạo một MCP server. Thực chất
21:38 việc tạo một server chỉ đơn giản là mình viết một đoạn code mình dùng để mà gói gọn cái lô phần logic mà mình vừa viết thành một server có thể tương tác được với lại MCPK của Anthopic. Thì để làm được việc này thì mình sẽ sử dụng thư viện có sẵn dàopic thung cấp ví dụ là fast mcp và mình có thể tạo một mcp có tên là content account server. Ở đây chúng ta đang định nghĩa lại các hàm lúc nãy có trong file profile như một mcp tool bằng cách sử dụng cái này mp đó tool thì như vậy là mỗi tool có thể thực hiện in và out và nhận đầu vào từ các agent thực hiện logic cụ thể tức là các function mình định nghĩa từ trước sau đó nó trả ra kết quả ví dụ như là tạo content skip content hay là prom promote
22:23 content ngoài tool ra thì chúng ta còn có thể tạo mcp resource ừ resource hoạt động như là một endp có định dạng URL thì để agent có thể đọc dữ liệu mà cần không cần phải gọi một hàm cụ thể. Và cuối là chạy MC server. Cơ chế ở đây là STDO. Tóm lại thì việc tự tạo MCP server nó chỉ đơn giản là mình gói gọn các function. Từ đó thì bất kỳ một agent nào tương thích với MCP đều có thể gọi tới các hàm của mình. Như thể là đang gọi API. Tiếp theo thì mình sẽ thử chạy MCP server mình vừa tạo để xem thử là các tool mình có thể sử dụng là gì. Tương tự lúc nãy ở ví dụ mình chạy Play Drive ở đây thì chúng ta cũng thiết lập tham số để chạy MCP server. Lần này là của chính chúng ta. Thực tế thì đây chính là câu lệnh chạy file profile server mà mình
23:08 vừa tạo. Và đây là cách mà mình khởi động MCP server. Khi file đó chạy thì MCP server sẽ được tạo nhờ fast MCP và các hàm như MCP tool hay MCP resource sẽ được đăng ký để làm tool và resource. Tiếp theo là đây là cách mà mình giao tiếp với MCP và câu lệnh MCP server SO là một contest manager do open Action STK cung cấp. Thì như các bạn có nhớ thì cấu trúc của một sẽ bao gồm NCP server, MCP clients và NCP host. Thì bình thường thì chúng ta sẽ cần phải tạo thêm MCP client. Tuy nhiên thì chúng ta đang sử dụng Open MI A SDK và nó giúp ta tự tạo MCP client và khởi động MCP server thông qua par và giao tiếp qua S Studio. Và time out thì mình sẽ để là 60 giây. Và cuối cùng thì sau khi server khởi chạy thành công thì người ta gọi liệt kê các tô mà server
23:55 này cung cấp. Thì kết quả thì các bạn cũng sẽ đoán được thì một client sẽ được tạo MCP client sẽ tự động khởi động MCP server từ file profile server. Và nó sẽ hỏi server là bạn có những tool nào thì kết quả nó sẽ in ra chính sách các tool mà mình đã là đăng ký với lại mcp. Tool lúc nãy. Ở đây là sẽ là có những thông tin về công cụ. Ừ cũng như là phần mô tả công công cụ này sẽ dùng để làm gì. Bây giờ thì chúng ta có thể dùng thử MCP server này bằng một tác vụ cụ thể với Open Aiond. Thì bạn vẫn còn nhớ cách sử dụng nhé. Chúng ta có cấu trúc chung là agent name tức là system from mod và mình sử dụng
24:41 away run. Run agent và request tức là user prom. Vậy nên là đầu tiên là mình sẽ thiết kế ừ instruction hướng dẫn tức là vai trò được giao cho A. Và tiếp theo là chúng ta sẽ cần một bước nữa đó là kết nối với MGP Server. Thì cái này thì tất nhiên là cũng như lúc nãy các bạn chắc hẳn bây giờ cũng đã quen thuộc rồi. Mình chỉ cần ghép chúng lại với nhau. Chúng ta cần tạo bước đó là chỉ định agen sẽ gọi tới MCP server và mình đã chạy away runner run và in ra kết quả cuối cùng ở dạng mắt đầu. Đây chúng ta có thể thấy được là báo cáo vừa nãy mình đã tạo ra một tài khoản là AI content creator platform là Twitter là GPT là còn 99 vì mình đã
25:27 khởi tạo một post nhưng lúc nãy mình đã nói là việc khởi tạo MCV server hoàn toàn là không cần thiết nếu như chúng ta chỉ sử dụng nội bộ chạy cục bộ trong dự án của mình chúng ta hoàn toàn có thể gọi trực tiếp hàm logic mà chúng ta đã tạo mà không cần thông qua client hay server ví dụ như là mình muốn viết thông tin tài khoản mình vừa tặng họ thì nó cũng sẽ cho ra kết quả AI hệt. Chỉ trong trường hợp mà mình muốn chia sẻ logic này với người khác để sử dụng hoặc là tích hợp vào hệ thống của họ, việc đóng gói nó thành một NCV server hay là client nó sẽ giúp mình đơn h giản hóa việc sử dụng, tái sử dụng và tích hợp. Nếu bất kỳ ai sử dụng cái này thì người ta cũng không cần biết là lorip mình viết như thế nào. Chỉ cần gọi đúng cái resource, đúng công cụ là xong. Đến đây thì chúng ta đã hoàn tích phần tạo MCP server và MCP client. Với phần quan
26:13 trọng nhất là tạo MCP server. vì đó là nơi chứa những logic chính của chúng ta. Bây giờ chúng ta sẽ đến với dự án chính ngày hôm nay. Ý tưởng đó là chúng ta sẽ xây dựng hệ thống AI tự động tạo nội dung thu thập và phân tích xu hướng từ nhiều nguồn rist Twitter, HW và YouTube. Quản lý chiến lược nội dung thông minh, tích hợp MCP server để mở rộng khả năng AI và cuối cùng là theo dõi hiệu suất nội dung qua các nền tảng. Và chúng ta đã tìm hiểu logic về quản lý tài khoản, tạo nội dung. Bây giờ chúng ta sẽ tìm hiểu cách thu thập và trữ lý phân tích xu hướng như thế nào có file trans python file giấy dữ liệu của chúng ta. Đầu tiên thì chúng ta cũng import các thư viện cần thiết. Chúng ta cần setup API keys để kết nối
26:58 với Redit, Twitter, YouTube hay là H News thì các bạn lấy API key và đưa hết vào file.invile này là bao gồm các API keys của các module model trong các dự án mà bạn sử dụng. Tất cả các API sẽ được bảo mệt và file này sẽ không public ở trên W. Tiếp theo đây là cách mà mình sẽ xát các trọng số để tính điểm xu hướng. Xát theo logis thông thường thôi. Ví dụ tùy trường hợp mà mình có thể sẽ có cách lấy dữ liệu cũng như là tiêu chuẩn khác nhau. Ví dụ như là Redit thì có trọng số cao nhất tại vì cộng đồng thảo luận sẽ đông hơn, có chiêu sâu hơn. Còn Twitter thì có xu hướng là với những cái content viral nhanh. Sau đó là cấu trúc lưu dữ liệu metadata chứa các thông tin về chủ đề, điểm xu
27:44 hướng, nguồn, chi tiết từng platform và thời gian thu thập. Tiếp theo là hàm lấy dữ liệu Redit. Redit thì mình cần phải dùng cả client ID và client secret. Thì ở đây chúng ta sẽ lọc thêm sub credit, lấy top 25 post và dùng credit up để tính điểm. Nếu title mà có chứa keyword AI thì sẽ được cộng thêm điểm. [âm nhạc] Tiếp theo tương tự là Hwer và YouTube. Những cái file này dự án này mình chủ yếu là record coding và nó thật sự là viết rất tốt cho bản demo giả định như thế này. Video video trước thì mình cũng đã giải thích viing và cách mà chúng ta dùng viing như thế nào. Ừ cá nhân mình
28:29 nghĩa thì những bạn mới thì không nên dùng không nên viin mà nên học theo cái cách học truyền thống. Tại vì những năm về trước khi mà tất cả mọi người khi mà chưa có sự phát triển về các mô hình ngô ngữ lớn thì tất cả mọi người đều theo một cái cái kết học truyền thống. Tức là tự tìm tài liệu, tự đọc từng tài liệu một, tự phải xem từng video một rồi là để chỉ để debox hay là thậm chí là luyện lc thì tại vì khi mà mình gặp bất kỳ một lỗi nào mà mình hỏi chv chẳng hạn thì nó sẽ cho ra một câu trả lời ngay. Thì điều này làm cho mình rút ngắn đi cái khoảng thời gian mà mình suy nghĩ, mình tư duy thì về lâu về dài thì mình nghĩ là nó không tốt lắm. Còn trừ trường hợp mà những bạn mà senior hoặc là những bạn hay là những bạn mà có tư duy nền tảng
29:16 tốt thì việc sử dụng với thêm sự hỗ trợ của A thì thật sự là không nổ. Chắc hẳn là Vodin nó sẽ hỗ trợ rất là nhiều. Ví dụ như 1 tháng mà mình spend cho các mô hình ngôn ngựa lớn 100 đến 200 đô thì vẫn là một khoản đầu tư có lợi. Thì tất nhiên đây sẽ là ý kiến quan điểm của cá nhân mình. Mình cũng không phải là mình cũng không thật sự là mình cũng không giỏi code. Tiếp theo thì là hàm tính điểm xu hướng tính tổng có trọng số từ bốn nguồn và đưa về tham điểm 0 đến 100 để dễ đảm bảo để dễ hiểu đảm bảo là không vượt qua 100 hay là nhỏ hơn 0. Và chúng ta cũng sẽ lưu hai ngày gần nhất. Fast trend là tổng hợp tất cả nguồn và trả về điểm chính xác. Nếu tôi biết chứa keyword thì trả về 70% điểm còn nếu không thì trả về là không. Hà lấy top
30:02 trending sắp xếp theo điểm cao nhất và sau đó lấy top 10 và forward system khi mà avi fail thì sẽ dùng móc data. Ok. Tiếp theo thì tương tự như lúc nãy với module profile thì chúng ta cũng sẽ biến trans thành một mcp server. Thì hoàn toàn tương tự tạo MC server bằng fast MCP định nghĩa các công cụ mới với lại MCP tool và cuối cùng là chạy server với lại studio. [âm nhạc] Bây giờ chúng ta sẽ test workflows. Tổng hợp tất cả những gì mà chúng ta vừa tạo thành một hệ thống mà các Aent có thể tương tác với nhau. Tự quyết định tạo content và tự quyết định bước tiếp theo là gì? Hệ thống này sẽ bao gồm content creator và một researcher. Mỗi content creator
30:50 là sẽ có một researcher để riêng đi kèm và dữ liệu và công cụ sẽ đến từ nhiều SP server khác nhau. Bây giờ chúng ta sẽ cùng xem các MC server mà chúng ta sẽ dùng. Server về profile quản lý tài khoản. Server về trans cập nhật điểm xu hướng và dữ liệu. Thì có hai file lúc nãy mình chưa nói đó là content server và res server. Thì con server là để xuất bản nội dung và quản lý các trang mạng xã hội mà mình sẽ post nội dung cho phép AI có thể đăng nội dung lên các platform platform khác nhau. Quản lý và theo dõi hiệu suất nội dung tới ưu hóa nội dung cho từng platform. M Social Media API class thực tế thì đây là chỉ là để mua phẩng API của platform vì đây chỉ là bản đề mua giả định. Trong thực tế thì nó có thể sẽ được thay thế
31:36 bởi API thịt và các MCP tool như là đăng lên Twitter, Linkin, Blog vân vân. Gest platform guideline là hướng dẫn và quy tắc về platform, độ dài tối đa như thế nào và hay là các nội dung phù hợp và các chức năng khác như là xem lịch sử đăng bài, lên lịch đăng nội dung hay là theo dõi độ tương tác. Và resignend server thì đơn giản nó sẽ là gửi thông báo đến email của mình. Các bạn sẽ cần thêm API key của resent nữa. Lấy API key và cho vào file.inv với tên là resent APIP key. Vậy là chúng ta có các mp server cho content creator bao gồm về logic quản lý tài khoản đang bài như thế nào, dữ liệu xu hướng tạo cay
32:22 năng bài gửi thông báo qua email. Lúc đ thì chúng ta đã thấy là về quản lý tài khoản quyết định nă bài như thế nào dựa trên một chiến lược. Để xây chiến lược đó là chúng ta cần một AI researcher A đóng vai trò research thông tin để giúp chúng ta đưa ra quyết định. Và chúng ta có một công cụ tìm kiếm là bra. Nó giống như là Google Shot nhưng mà nó sử dụng API của chính nó và nó có gói free. Ừ đầu tiên là mình sẽ gọi lấy API key của Brace. Tương tự là set cho MCP server không giống với lại MCP server mà ta tự tạo ở trên. Lần này chúng ta sẽ gọi một công cụ API ở bên ngoài nên chúng ta cần xem INV và Run NPX. Cái này được offer bởi Anopic. Chúng ta đang tải nó về chạy local trên máy tính của mình. Ừ chúng ta có thể xem
33:11 server này có những công cụ gì và chúng ta có play web search tool và local search và local business. Ok, bây giờ chúng ta có thể gom tất cả các tham số lại thành danh sách PR. Cụ thể là ta sẽ khởi tạo các MC server bằng cách sử dụng từng bộ tham số đó và đặt time out. Sau khi thực hiện xong thì chúng ta có một loạt MCP server đã sẵn sàng để sử dụng. Chúng ta có creator MCP server mà chúng ta tự tạo lúc nãy và AI resarch MCP server sử dụng research. Và nó cũng sẽ đại diện cho hai agent khác nhau. Một cái là creator agent có khả năng tự quyết định tạo content và một cái là resour agent. làm nhiệm vụ nghiên cứu và như lúc nãy mình có nói là resarch agent thì có mục đích của nó là để bổ trợ cho việc đưa ra chiến lược cho từng tài khoản creator.
33:56 Vậy nên mình hoàn toàn có thể biến cái resarch agent này thành một tool để con agent thứ nhất tức là creator agent sử dụng như là một công cụ. Vậy nên bây giờ trước hết là chúng ta sẽ tạo một resarch agent. Ừ chúng ta sẽ có một system prom cho research bạn là AI trend resarch bạn tìm kiếm các trong web cập nhật AI mới nhất. Các bạn nghiên cứu hay tin tức phù hợp để tạo nội dung chất lượng tập trung vào các chủ đề và diễn biến về AI đang thịnh hành công cụ và ứng dụng AI những đột phá và bài báo nghiên cứu tin tức và thông báo từ doanh nghiệp chính AI và dựa trên các yêu cầu hãy thực hiện nghiên cứu toàn diện phản hồi các chủ đề nổi bật cả bối cảnh cơ hội nội dung và gợi ý ừ khuyết nghị nền tảng điểm xu hướng và tiềm năng tương tác
34:41 và thêm ngày hiện tại đây là một mẹo khi làm việc với các mô hình AI và sau đó là chúng Chúng ta sẽ truyền các danh sách MCP server để khởi tạo agent này. Tiếp theo thì đây là cách chuyển agent thêm một tool. Chúng ta gọi là add tool trên resarch name và đặt tên là và mô tả cho tool này. Như vậy thì agent này sẽ được sử dụng như một công cụ bởi agent khác. Thì đây sẽ là mẫu rất là phổ biến khi làm việc với open AI agent. Trước khi đưa nó vào sử dụng như một công cụ thì chúng ta cũng sẽ cùng kiểm tra thử xem con agent này hoạt động như thế nào. Mình sẽ hỏi một câu hỏi là những phát triển A này đang thịnh hành nhất trong tuần này mà có thể tạo nội dung hay thì trước hết thì chúng ta cần kết nối với lại là resource mcp server. Sau khi sau
35:29 đó thì ta tạo resource rồi chạy run và câu hỏi chỉ định là 10 lượt nhưng mà nếu muốn nghiên cứu sâu hơn thì chúng ta có thể tăng lượt tối đa lên là cần thiết tuy nhiên cũng không nên để quá nhiều đến việc mà Asian suy nghĩ khá nhiều ừ lặp lại bị lặp lại và kết quả Asian đã trả về một loại thông tin đọc thử xem sẽ có những thông tin gì ừ Alibaba update. K nó sẽ có những thông tin về AI, về công nghệ mới và còn cả về các regulation. Và nó sẽ chấm điểm ước tính về độ tương tác cho mỗi chủ đề. Và chúng ta luôn có thể xem quá trình hoạt động của Asian bằng cách truy cập vào platform Trace Over AI với tên là AI
36:14 Resarcher Director Test và nó sẽ thực hiện tìm kiếm trên Brace gọi công cụ B website thực hiện nhiều truy vấn trước khi trả về kết quả cuối cùng. Ok bây giờ chúng ta sẽ kết hợp lại và cùng xem creator again này hoạt động như thế nào nhé. Đầu tiên chúng ta sẽ tạo tài khoản profile với mỗi tài khoản là một chiến lược khác nhau. Alex sẽ tập trung vào các đột phá AI và nghiên cứu mới. Ờ Sam sẽ bao quát các công cụ AI thực tiễn và ứng dụng hỗ trợ doanh nghiệp và Timy chính là mình. Timy rất quan tâm tới các vấn đề về đạo đức AI. Chiến lược của Timy là khám phá khía cạnh đạo đức, chính sách và tác động xã hội của AI, tạo nội dung kích thích tư duy và phát triển có trách nhiệm và quản trị, phân bổ nội dung đồng đều trên mọi
37:00 nền tảng và với trọng tâm là góc nhìn chuyên môn. Vậy là ban đầu mỗi tài khoản sẽ có một chiến lược riêng để khởi động và sau đó ta gọi reset để thiết lập tài khoản ban đầu, trạng thái ban đầu cho mỗi tài khoản. Ví dụ như là mình kiểm tra tài khoản credit sẽ trả về trong 100 chiến lược cụ thể và các thông tin đều về không. Bây giờ chúng ta sẽ tạo content creator agent. Một agent có khả năng thực hiện các công việc của một content creator, viết bài, đăng bài, phân tích nội dung đa nguồn dựa trên thông tin và chiến lược mà đã cung cấp. Ừ, mình sẽ test thử với tài khoản là thông tin tài khoản chiến lược được đọc từ resource mà ta tạo đã tạo trong MCP client. client này sẽ gọi tới MCP server tức là profile và
37:46 server sẽ cung cấp resort và cách thực hiện logic ở bên trong đó. Ờ lý do mà chúng ta không chỉ tạo thô mà cần resort chính là cho lúc này resource nó giống như là no space dùng để làm ngựa cảnh cho agent. Việc chúng ta sử dụng MCP để lấy resort đơn giản là chúng ta đang lấy thông tin dữ liệu đưa thẳng vào prom của Asian để cung cấp ngữ cảnh cần thiết. Cụ thể là chúng ta sẽ gọi resource strategy tức là để lấy lược đầu tư account để mà lấy thông tin tài khoản. Sau đó kết hợp dữ liệu này vào system prom của agent user prom. Tiếp theo chạy agent này thì bạn sẽ có thể xem xét quá trình này ở trace. Chúng ta sẽ thấy được kết quả nó diễn ra như thế nào. Gọi các tool rồi là bra thông
38:31 tin. Thậm chí là nếu có lỗi thì chúng ta cũng sẽ có thể nó sẽ hiển thị ở đây thì chúng ta sẽ xem cách mình gọi tool và resent hoạt động như thế nào và nó sẽ in ra kết quả cuối cùng. Kiểm tra lại tài khoản sau khi đăng bốn bài post lên trên bốn platform thì chúng ta còn 4 96 điểm credit. Cuối cùng thì chúng ta sẽ chạy mọi thứ ở file Python. Hi vọng đến đây là các bạn có thể nắm được cách mà chúng ta sẽ xây dựng một hệ thống Asian với MCP như thế nào. Sau khi đã thử nghiệm xong thì mình sẽ gói gọn toàn bộ logic này vào file creator module này thực chất là những gì mà chúng ta đã xây dựng ở từ notebook. Và bây giờ là chúng ta sẽ chuyển sang class Python hoàn chỉnh. Phần đầu thì các bạn có thể sử dụng nhiều model khác nhau để tạo content. Ừ sau này có thể sẽ có thêm một agent nữa
39:18 dùng để đánh giá chất lượng của mỗi model tạo ra tùy mình phát triển. Và đây là AI resource Asient Class Content curator chính là phần quan trọng nhất định nghĩa một agent có khả năng resour tạo post lên platform đánh giá portfolio của hiện tại rồi phân tích performance vân vân. Ở đây có một điểm lưu ý là mình đã tch riêng tất cả các chuỗi văn bản như là prompt system prom đã mô tả tool thành một file riêng để tối dẫn file chính đó là file cator template.p Ha. Như các bạn thấy ở lệnh ở đây lệnh import trong file này thì sẽ có prom hướng dẫn agent nghiên cứu về a trans mô tả về res tool sẽ làm gì hướng dẫn cho từng account
40:05 name hoạt động cụ thể. Khi làm việc với các mô hình LM thì có ừ rất nhiều câu hỏi xoay quên là mình nên sử dụng Red hay là F tool model nhưng thật ra là trong rất nhiều trường hợp mà bánh liệu chúng ta có thể đơn giản được giải quyết chỉ bằng from đúng cách và khi xây dựng một hệ thống AS như thế này thì kỹ thuật promptin nó được mở rộng hơn bằng một khái niệm gọi là contest engineering nghĩa là toàn bộ hướng dẫn của một mà một LM hay là một agent ừ cần biết nó cần phải làm gì, thực hiện như thế nào, hành động tiếp theo là gì thì sau này mà khi mà các bạn bắt gặp được thuật ngữ này thì mình có thể hiểu được nó là gì.
40:50 Ngoài ra một thành phần không thể thiếu phần trền quan trọng nữa đó là các tham số để khởi chạy MCP server bao gồm các tham số của MCP Server Creator và AI resarch. Thì bây giờ nếu mình quay lại l và mình chạy module creator dùng hàm class creator với tên đảo khoản là sau đó rực hiện toàn bộ quá trình như lúc nãy research gọi tool tìm kéo thông tin đăng bài rồi vậy nên là credit hiện tại là 92 tức là mình đã đang thêm bốn bài và tổng cộng là tám bài. Và cuối cùng là chúng ta có thể biết được trong dự án này chúng ta sử dụng bao nhiêu MCP server và bao nhiêu tools. Ừ các bạn có nhớ là server nào không? Đó là những server ở trong Creator MCP Server và
41:35 Resort MCP Server. Vậy là chúng ta đã thành công xây dựng một hệ thống content tự động trên các nền tảng và phân tích mình. Bây giờ chúng ta sẽ hoàn thiện nó bằng cách trao quyền chiến lược cho từng người. Như các bạn còn nhớ là Alex Samtimy là đại diện cho một tin máy tin tại hay promo chạy promo bài và phân tích số liệu trên mỗi nền tảng. Chiến lược ban đầu của mỗi người là Alex sẽ tập trung vào các bài nghiên cứu mang tính đột phá về AI. Sam sẽ tập trung vào các công cụ AI mang tính ứng dụng và Timy sẽ tập trung vào các vấn đề về chính sách hay đạo đức AI. Như các bạn thường thấy là chức năng của TR Open AI dùng để làm gì? Bây giờ chúng ta sẽ xây dựng một dashboard, một giao diện và mình sẽ đẩy các hoạt động của
42:21 trace này lên giao diện để xem mỗi một creator này đang làm gì và chúng sẽ sử dụng chúng ta sẽ sử dụng radio để hiển thị thông tin mỗi tài khoản và các hoạt động của họ như thế nào. Như các bạn thấy là nó chưa có thông tin gì vì mình phải chạy account cho một nó ừ từng account một cho nó hoạt động trước ừ để một thời gian để cho nó có dữ liệu. Tuy nhiên là vì đây là bản demo nên mình sẽ fake dữ liệu một chút. Mình sẽ tạo một móc data cho từng tài khoản và chúng ta sẽ trả thử lại. [âm nhạc] Và đây sẽ là hình dung về những gì diễn ra cho mỗi tài khoản này. Ở đây nó sẽ hiển thị thông tin mỗi người sẽ đạp nhận
43:06 những chiến lược gì. Alex và Timy sẽ sử dụng môn hơn. Thống kê về lựa tương tác. nội dung vừa post và các chủ đề liên quan. Hi vọng video này sẽ giúp cho các bạn có cái nhìn tổng quát về việc xây dựng một hệ tổng Asian như thế nào. Cảm ơn các bạn đã xem video và hẹn gặp lại các bạn ở những video này sau. Yeah.
