huggingface · honghanhh · Mar 23, 2025 · Apr 15, 2025 · May 13, 2025 · May 13, 2025
diff --git a/scripts/vi.py b/scripts/vi.py
@@ -3,15 +3,16 @@
 output_lang = "vi"
 
 prompt = lambda content: f'''
-You are a translator for the Vietnamese translation team. You are tasked with translating the following text into Vietnamese. You must follow these instructions:
-- Translate the text into Vietnamese, while keeping the original formatting (either Markdown, MDX or HTML)
-- Inside code blocks, translate the comments but leave the code as-is ; If the code block contains quite plain texts, you MUST provide the translation in <details> tag
+
+You are a translator for the Vietnamese translation team. You are tasked with translating the following texts into Vietnamese. You must follow these instructions:
+- Translate the texts into Vietnamese, while keeping the original formatting (either Markdown, MDX or HTML)
+- Inside code blocks, translate the comments but leave the code as-is; If the code block contains quite plain texts, you MUST provide the translation in <details> tag
 - Do not translate inline code, the URLs and file paths
 - If the term is abbreviated, keep the original term and provide the translation in parentheses for the first time it appears in the text
-- If there are any slag or funny joke in english, keep it (do not translate) and give an explanation so vietnamese reader can understand
-- Use "ta", "chúng ta", "chúng mình", "các bạn" as pronouns
+- If there are any slag or funny joke in english, keep it (do not translate) and give an explanation so Vietnamese reader can understand
+- Use "ta", "mình, "chúng ta", "chúng mình", "các bạn" as pronouns
 
-KEEP THESE TERMS (DO NOT TRANSLATE, do NOT add translation in parentheses): model, API, SDK, CLI, HTML, GGUF, AI, training, inference, server, client, notebook, python, Hugging Face, transformers, diffusion, diffuser, data, function, LangGraph, LangChain, Llama, Gemma, token, Unit, pretrain, Live (live stream), form, format, certificate, Space, CodeAgent
+KEEP THESE TERMS (DO NOT TRANSLATE, do NOT add translation in parentheses): API, SDK, CLI, HTML, GGUF, AI, inference, server, client, notebook, python, Hugging Face, transformers, diffusion, diffuser, LangGraph, LangChain, Llama, Gemma, token, pretrain, Live (live stream), form, format, certificate, Space, CodeAgent
 
 Also KEEP these terms but PROVIDE TRANSLATION in parentheses for the first time it appears in the text: alignment (cân chỉnh), LLM, RAG (tìm kiếm và tạo ra câu trả lời), Agent (tác nhân), Tools (công cụ), "Special Token" (token đặc biệt), "chain-of-thought" (luồng suy luận), fine-tuning (tinh chỉnh), Thought-Action-Observation (Tư duy-Hành động-Quan sát)
 
@@ -21,13 +22,16 @@
 - Bonus Unit: Chương bổ trợ
 - Module: Mô-đun
 - Lesson ...: Bài ...
+- Model: Mô hình
+- Dataset: Tập dữ liệu
 - Course: Khóa học
 - state-of-the-art: hiện đại nhất
 - Q&A: Hỏi và Đáp
 - Dummy: ảo (or "giả", or "thử" depending on the context)
 - onboarding: làm quen
 - Hands-on: Thực hành
 - Challenge: Bài tập lớn
+- Training: Huấn luyện
 
 Here is an example:
 - Original text: To run the models, we will use [ollama](https://ollama.com), a command line tool that allows you to run LLMs and embedding models from Hugging Face. With ollama, you **don't need** to have access to a server or cloud service to run the models. You can run the models directly **on your computer**.
@@ -59,10 +63,26 @@
     message = {{"user": "This is a test"}}
     ```
 
+If the code block does not contain any plain texts or comments, leave it as it is. Example:
+- Original text:
+    <iframe
+    src="https://huggingface.co/datasets/agents-course/unit3-invitees/embed/viewer/default/train"
+    frameborder="0"
+    width="100%"
+    height="560px"
+    ></iframe>
+
+- Translation:
+    <iframe
+    src="https://huggingface.co/datasets/agents-course/unit3-invitees/embed/viewer/default/train"
+    frameborder="0"
+    width="100%"
+    height="560px"
+    ></iframe>
 
-IMPORTANT: Only output the translated text and nothing else, no need explanation or instruction. The input text is between "=== BEGIN OF TEXT ===" and "=== END OF TEXT ===".
+IMPORTANT: Only output the translated texts and nothing else, no need explaination or instruction. The input text is between "=== BEGIN OF TEXT ===" and "=== END OF TEXT ===".
 
-Please translate the following text to vietnamese:
+Please translate the following texts to Vietnamese:
 
 === BEGIN OF TEXT ===
 {content}

diff --git a/units/vi/_toctree.yml b/units/vi/_toctree.yml
@@ -42,16 +42,110 @@
     title: Bài kiểm tra cuối chương 1
   - local: unit1/conclusion
     title: Kết luận
+- title: Chương 2. Các Framework cho AI Agent
+  sections:
+  - local: unit2/introduction
+    title: Các Framework cho AI Agent
+- title: Chương 2.1  smolagents framework
+  sections:
+  - local: unit2/smolagents/introduction
+    title: Giới thiệu về smolagents
+  - local: unit2/smolagents/why_use_smolagents
+    title: Tại sao nên dùng smolagents?
+  - local: unit2/smolagents/quiz1
+    title: Kiểm tra nhanh 1
+  - local: unit2/smolagents/code_agents
+    title: Xây dựng các Agent sử dụng code
+  - local: unit2/smolagents/tool_calling_agents
+    title: Viết các hành động dưới dạng đoạn code hoặc JSON
+  - local: unit2/smolagents/tools
+    title: Công cụ
+  - local: unit2/smolagents/retrieval_agents
+    title: Xây dựng hệ thống Agentic RAG
+  - local: unit2/smolagents/quiz2
+    title: Kiểm tra nhanh 2
+  - local: unit2/smolagents/multi_agent_systems
+    title: Hệ thống Đa Agent
+  - local: unit2/smolagents/vision_agents
+    title: Các Agent thị giác
+  - local: unit2/smolagents/final_quiz
+    title: Bài kiểm tra cuối chương
+  - local: unit2/smolagents/conclusion
+    title: Kết luận
+- title: Chương 2.2 The LlamaIndex framework
+  sections:
+  - local: unit2/llama-index/introduction
+    title: Giới thiệu về LLamaIndex
+  - local: unit2/llama-index/llama-hub
+    title: Giới thiệu về LlamaHub
+  - local: unit2/llama-index/components
+    title: Các thành phần trong LlamaIndex là gì?
+  - local: unit2/llama-index/tools
+    title: Sử dụng Tools trong LlamaIndex
+  - local: unit2/llama-index/quiz1
+    title: Kiểm tra nhanh 1
+  - local: unit2/llama-index/agents
+    title: Sử dụng Agents trong LlamaIndex
+  - local: unit2/llama-index/workflows
+    title: Tạo Agentic Workflow trong LlamaIndex
+  - local: unit2/llama-index/quiz2
+    title: Kiểm tra nhanh 2
+  - local: unit2/llama-index/conclusion
+    title: Kết luận
+- title: Chương 2.3 LangGraph framework
+  sections:
+  - local: unit2/langgraph/introduction
+    title: Giới thiệu về LangGraph
+  - local: unit2/langgraph/when_to_use_langgraph
+    title: LangGraph là gì?
+  - local: unit2/langgraph/building_blocks
+    title: Các thành phần cơ bản của LangGraph
+  - local: unit2/langgraph/first_graph
+    title: Xây dựng LangGraph đầu tiên của bạn
+  - local: unit2/langgraph/document_analysis_agent
+    title: Đồ thị Phân tích Tài liệu
+  - local: unit2/langgraph/quiz1
+    title: Kiểm tra nhanh 1
+  - local: unit2/langgraph/conclusion
+    title: Kết luận
+- title: Chương 3. Use Case cho Agentic RAG
+  sections:
+  - local: unit3/agentic-rag/introduction
+    title: Giới thiệu các Use Case cho Agentic RAG
+  - local: unit3/agentic-rag/agentic-rag
+    title: Tìm kiếm và tạo câu trả lời mang tính tác nhân (RAG)
+  # - local: unit3/agentic-rag/invitees
+  #   title: Tạo ra công cụ RAG cho Thông tin Khách mời
+  # - local: unit3/agentic-rag/tools
+  #   title: Xây dựng và Tích hợp Công cụ cho Agent của Bạn
+  # - local: unit3/agentic-rag/agent
+  #   title: Tạo Agent Tổ Chức Gala Của Bạn
+  - local: unit3/agentic-rag/conclusion
+    title: Kết luận
 - title: Chương bổ trợ 1. Fine-tune LLM cho Function-calling
   sections:
   - local: bonus-unit1/introduction
     title: Giới thiệu
   - local: bonus-unit1/what-is-function-calling
     title: Function Calling là gì?
   - local: bonus-unit1/fine-tuning
-    title: Hãy fine-tuning model cho Function-calling
+    title: Hãy fine-tuning mô hình cho Function-calling
   - local: bonus-unit1/conclusion
     title: Kết luận
+- title: Khi nào các bước tiếp theo được công bố?
+  sections:
+  - local: communication/next-units
+    title: Các chương tiếp theo
+- title: Bonus Unit 2. Agent Observability and Evaluation
+  sections:
+  - local: bonus-unit2/introduction
+    title: Giới thiệu
+  - local: bonus-unit2/what-is-agent-observability-and-evaluation
+    title: Khả năng quan sát và đánh giá agent là gì?
+  - local: bonus-unit2/monitoring-and-evaluating-agents-notebook
+    title: Giám sát và đánh giá agent
+  - local: bonus-unit2/quiz
+    title: Bài kiểm tra nhanh
 - title: Khi nào các bước tiếp theo được công bố?
   sections:
   - local: communication/next-units

diff --git a/units/vi/bonus-unit2/introduction.mdx b/units/vi/bonus-unit2/introduction.mdx
@@ -0,0 +1,33 @@
+# Khả năng quan sát & Đánh giá AI Agent
+
+![Chương bổ trợ 2 - Ảnh đại diện](https://langfuse.com/images/cookbook/huggingface-agent-course/agent-observability-and-evaluation.png)
+
+Chào mừng bạn đến với **Chương bổ trợ 2**! Trong chương này, chúng ta sẽ khám phá các chiến lược nâng cao để quan sát, đánh giá và cải thiện hiệu suất của các Agent.
+
+---
+
+## 📚 Khi nào nên học chương này?
+
+Chương bổ trợ này phù hợp nếu bạn:
+- **Phát triển và triển khai AI Agent:** Bạn muốn đảm bảo Agent hoạt động ổn định trong môi trường production.
+- **Cần thông tin chi tiết:** Bạn muốn chẩn đoán lỗi, tối ưu hiệu suất hoặc hiểu cách Agent vận hành.
+- **Muốn giảm chi phí vận hành:** Theo dõi chi phí, độ trễ và chi tiết thực thi để quản lý tài nguyên hiệu quả.
+- **Hướng đến cải tiến liên tục:** Bạn quan tâm việc tích hợp phản hồi người dùng thời gian thực và đánh giá tự động vào ứng dụng AI.
+
+Tóm lại: dành cho tất cả những ai muốn đưa Agent tiếp cận người dùng thực tế!
+
+---
+
+## 🤓 Nội dung học
+
+Trong chương này, bạn sẽ học cách:
+- **Tích hợp công cụ quan sát:** Học cách tích hợp OpenTelemetry vào framework *smolagents* để theo dõi Agent.
+- **Giám sát chỉ số:** Theo dõi các chỉ số như lượng token sử dụng (chi phí), độ trễ và lỗi.
+- **Đánh giá thời gian thực:** Hiểu các kỹ thuật đánh giá live (live stream) như thu thập phản hồi người dùng và sử dụng LLM làm giám khảo.
+- **Phân tích ngoại tuyến:** Sử dụng benchmark datasets (ví dụ: GSM8K) để kiểm tra và so sánh hiệu suất Agent.
+
+---
+
+## 🚀 Sẵn sàng bắt đầu chưa?
+
+Trong phần tiếp theo, chúng ta sẽ học kiến thức cơ bản về Khả năng quan sát và Đánh giá Agent. Sau đó, ta sẽ cùng thực hành ngay!
diff --git a/units/vi/bonus-unit2/monitoring-and-evaluating-agents-notebook.mdx b/units/vi/bonus-unit2/monitoring-and-evaluating-agents-notebook.mdx
@@ -0,0 +1,85 @@
+<CourseFloatingBanner chapter={2}
+  classNames="absolute z-10 right-0 top-0"
+  notebooks={[
+    {label: "Google Colab", value: "https://colab.research.google.com/github/huggingface/agents-course/blob/main/notebooks/bonus-unit2/monitoring-and-evaluating-agents.ipynb"},
+]} />
+
+# Chương bổ trợ 2: Quan sát và đánh giá Agent
+
+<Tip>
+Bạn có thể theo dõi code trong <a href="https://huggingface.co/agents-course/notebooks/blob/main/bonus-unit2/monitoring-and-evaluating-agents-notebook.ipynb" target="_blank">notebook này</a> và chạy trên Google Colab.
+</Tip>
+
+Trong notebook này, chúng ta sẽ học cách **giám sát các bước nội bộ (traces) của AI Agent** và **đánh giá hiệu suất** bằng các công cụ quan sát mã nguồn mở.
+
+Khả năng quan sát và đánh giá hành vi của Agent là cực kỳ quan trọng để:
+- Gỡ lỗi khi tác vụ thất bại hoặc cho kết quả không tối ưu
+- Theo dõi chi phí và hiệu suất theo thời gian thực
+- Cải thiện độ tin cậy và an toàn thông qua phản hồi liên tục
+
+## Yêu cầu trước khi thực hành 🏗️
+
+Trước khi chạy notebook này, hãy đảm bảo bạn đã:
+
+🔲 📚  **Học xong** [Giới thiệu về Agent](https://huggingface.co/learn/agents-course/unit1/introduction)
+
+🔲 📚  **Học xong** [Framework smolagents](https://huggingface.co/learn/agents-course/unit2/smolagents/introduction)
+
+## Bước 0: Cài đặt thư viện cần thiết
+
+Chúng ta cần một số thư viện để chạy, giám sát và đánh giá Agent:
+
+```python
+%pip install 'smolagents[telemetry]'
+%pip install opentelemetry-sdk opentelemetry-exporter-otlp openinference-instrumentation-smolagents
+%pip install langfuse datasets 'smolagents[gradio]'
+```
+
+## Bước 1: Thiết lập instrumentation cho Agent
+
+Trong notebook này, chúng ta dùng [Langfuse](https://langfuse.com/) làm công cụ quan sát, nhưng bạn có thể dùng **bất kỳ dịch vụ tương thích OpenTelemetry nào**. Code dưới đây hướng dẫn cách thiết lập biến môi trường cho Langfuse (hoặc endpoint OTel khác) và cách instrumentation cho smolagent.
+
+**Lưu ý:** Nếu dùng LlamaIndex hoặc LangGraph, bạn có thể xem tài liệu instrumentation [tại đây](https://langfuse.com/docs/integrations/llama-index/workflows) và [tại đây](https://langfuse.com/docs/integrations/langchain/example-python-langgraph).
+
+Đầu tiên, hãy cấu hình biến môi trường để kết nối tới endpoint OpenTelemetry của Langfuse.
+
+```python
+import os
+import base64
+
+# Lấy key của bạn từ https://cloud.langfuse.com
+LANGFUSE_PUBLIC_KEY = "pk-lf-..." 
+LANGFUSE_SECRET_KEY = "sk-lf-..." 
+os.environ["LANGFUSE_PUBLIC_KEY"] = LANGFUSE_PUBLIC_KEY
+os.environ["LANGFUSE_SECRET_KEY"] = LANGFUSE_SECRET_KEY
+os.environ["LANGFUSE_HOST"] = "https://cloud.langfuse.com"  # 🇪🇺 Ví dụ cho khu vực EU
+# os.environ["LANGFUSE_HOST"] = "https://us.cloud.langfuse.com"  # 🇺🇸 Ví dụ cho khu vực US
+
+LANGFUSE_AUTH = base64.b64encode(
+    f"{LANGFUSE_PUBLIC_KEY}:{LANGFUSE_SECRET_KEY}".encode()
+).decode()
+
+os.environ["OTEL_EXPORTER_OTLP_ENDPOINT"] = os.environ.get("LANGFUSE_HOST") + "/api/public/otel"
+os.environ["OTEL_EXPORTER_OTLP_HEADERS"] = f"Authorization=Basic {LANGFUSE_AUTH}"
+```
+Chúng ta cũng cần cấu hình Hugging Face token cho các lệnh inference.
+
+```python
+# Thiết lập Hugging Face token và các secret khác dưới dạng biến môi trường
+os.environ["HF_TOKEN"] = "hf_..." 
+```
+Tiếp theo, thiết lập tracer-provider cho OpenTelemetry đã cấu hình.
+
+```python
+from opentelemetry.sdk.trace import TracerProvider
+from openinference.instrumentation.smolagents import SmolagentsInstrumentor
+from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
+from opentelemetry.sdk.trace.export import SimpleSpanProcessor
+
+# Tạo TracerProvider cho OpenTelemetry
+trace_provider = TracerProvider()
+
+# Thêm SimpleSpanProcessor với OTLPSpanExporter để gửi traces
+trace_provider.add_span_processor(SimpleSpanProcessor(OTLPSpanExporter()))
+
+# Thiết lập tracer provider mặc định toàn cục
diff --git a/units/vi/bonus-unit2/quiz.mdx b/units/vi/bonus-unit2/quiz.mdx
@@ -0,0 +1,23 @@
+# Kiểm tra: Đánh giá AI Agent
+
+Hãy cùng kiểm tra hiểu biết của bạn về các khái niệm theo dõi và đánh giá Agent đã học trong Chương bổ trợ này.
+
+Bài kiểm tra này không bắt buộc và không tính điểm.
+
+### Q1: Khả năng quan sát trong AI Agent chủ yếu đề cập đến điều gì?
+Phát biểu nào mô tả chính xác mục đích của khả năng quan sát cho AI Agent?
+
+<Question
+choices={[ 
+  {
+    text: "Nó liên quan đến việc theo dõi hoạt động nội bộ thông qua logs, metrics và spans để hiểu hành vi của agent.",
+    explain: "Chính xác! Khả năng quan sát nghĩa là sử dụng logs, metrics và spans để làm rõ cách thức hoạt động bên trong của agent.",
+    correct: true
+  },
+  {
+    text: "Nó chỉ tập trung vào việc giảm chi phí tài chính khi chạy agent.",
+    explain: "Khả năng quan sá bao gồm chi phí nhưng không giới hạn ở đó."
+  },
+  {
+    text: "Nó chỉ đề cập đến giao diện bên ngoài và UI của agent.",
+    explain: "Khả năng quan sá liên quan đến quy trình nội bộ