Xây dựng Chatbot học từ vựng Tiếng Anh với Python và AI

Bạn muốn biến kiến thức Python cơ bản thành một sản phẩm AI thực tế? Bạn hứng thú với việc tích hợp các mô hình ngôn ngữ lớn như Gemini hay OpenAI vào ứng dụng của mình? Khóa học này chính là dành cho bạn!

Đây là một khóa học 100% thực chiến theo dự án (Project-Based Learning). Bạn sẽ không chỉ học lý thuyết suông mà sẽ bắt tay ngay vào việc xây dựng một Chatbot hoàn chỉnh có khả năng tra cứu, giải thích từ vựng tiếng Anh và tạo câu đố luyện tập, tất cả đều được hỗ trợ bởi trí tuệ nhân tạo (AI).

Chúng ta sẽ bắt đầu từ những dòng code Python cơ bản, từng bước tích hợp API AI, xây dựng giao diện web tương tác bằng Streamlit (một thư viện Python cực kỳ đơn giản), và cuối cùng là triển khai (deploy) ứng dụng của bạn lên Internet để mọi người cùng sử dụng.

Khóa học này dành cho ai?

Những người đã có kiến thức Python cơ bản (biết về biến, kiểu dữ liệu, vòng lặp, hàm, list, dictionary).
Những ai muốn học cách tích hợp AI tạo sinh (Generative AI) vào các dự án Python của mình một cách thực tế.
Lập trình viên muốn xây dựng giao diện web đơn giản cho các ứng dụng AI/Data mà không cần học HTML, CSS, JavaScript phức tạp.
Những người yêu thích phương pháp học "học qua làm" (learning by doing) và muốn có một sản phẩm cụ thể sau khóa học.

Tại sao khóa học này lại tốt?

Học qua dự án thực tế: Bạn sẽ xây dựng một sản phẩm hoàn chỉnh từ A-Z, giúp củng cố kiến thức và tạo động lực học tập.
Tích hợp AI hiện đại: Làm việc trực tiếp với các API AI hàng đầu như Google Gemini hoặc OpenAI – kỹ năng cực kỳ "hot" hiện nay.
Giao diện web dễ dàng với Streamlit: Tạo ra ứng dụng web đẹp mắt chỉ bằng Python, không cần kiến thức frontend phức tạp.
Triển khai lên Cloud: Học cách đưa sản phẩm của bạn lên Internet miễn phí với Streamlit Cloud, một kỹ năng DevOps cơ bản nhưng rất giá trị.
Tập trung vào cốt lõi: Khóa học đi thẳng vào việc ứng dụng Python và AI, bỏ qua phần lý thuyết Python cơ bản.
Tự học hiệu quả: Cấu trúc bài học rõ ràng (Bài đọc, Thực hành, Quiz, Bài tập, Mini-project) giúp bạn tự học một cách có hệ thống.

Năng lực đạt được sau khóa học

Hoàn thành khóa học, bạn sẽ tự tin sở hữu bộ kỹ năng của một lập trình viên Python hiện đại:

Python Nâng cao: Tổ chức code thành nhiều file (refactoring), làm việc với môi trường ảo (venv).
Tích hợp API: Gọi và xử lý kết quả từ các API web của bên thứ ba (Google/OpenAI), quản lý API Key an toàn.
Kỹ thuật Prompt (Prompt Engineering): Thiết kế câu lệnh (prompt) hiệu quả để điều khiển AI trả về dữ liệu có cấu trúc (JSON).
Phát triển Web với Streamlit: Xây dựng giao diện người dùng (UI) web tương tác, quản lý trạng thái phiên (st.session_state).
DevOps Cơ bản: Sử dụng Git, GitHub để quản lý code và triển khai ứng dụng lên Streamlit Cloud.
Tư duy giải quyết vấn đề: Tự gỡ lỗi (debug) và hoàn thiện một dự án phần mềm hoàn chỉnh.

Nội dung khóa học

Thiết lập nền tảng và tương tác cơ bản

Cấu trúc dự án và Môi trường ảo

Tại sao cần môi trường ảo (virtual environment)? Lợi ích của việc cô lập dự án.
Tổ chức thư mục cho một dự án Python (cấu trúc file main.py, requirements.txt).
Cài đặt và kích hoạt môi trường ảo (sử dụng venv).
Tạo cấu trúc thư mục dự án và file main.py cơ bản.
Kiểm tra kiến thức về lợi ích của môi trường ảo và các lệnh pip cơ bản.

Vòng lặp chính của Chatbot (The Main Loop)

Giới thiệu về REPL (Read-Evaluate-Print Loop) - Linh hồn của ứng dụng Terminal.
Viết vòng lặp while True để nhận input liên tục từ người dùng (input()).
Xử lý các lệnh cơ bản (ví dụ: gõ 'quit' để thoát, 'help' để xem trợ giúp).
Nâng cấp vòng lặp để xử lý input không phân biệt hoa/thường (ví dụ: 'QUIT' hay 'quit' đều hoạt động).

Mini-Project 1 - Bộ khung Chatbot Terminal

Tích hợp AI (Gemini/OpenAI) - Trái tim của Chatbot

Giới thiệu về Generative AI và APIs

API là gì? Tại sao chúng ta dùng API thay vì tự xây dựng mô hình AI?
Giới thiệu về Gemini (hoặc OpenAI) và hướng dẫn lấy API Key.
Cách quản lý API Key an toàn (Sử dụng file .env và thư viện python-dotenv).
Cài đặt thư viện của Google (hoặc OpenAI) bằng pip.
Cài đặt python-dotenv và tạo file .env để lưu API Key.
Các câu hỏi về API, API Key và tầm quan trọng của việc bảo mật Key.

Gửi yêu cầu đầu tiên (Prompt Engineering cơ bản)

Prompt Engineering là gì? Khác biệt giữa 'System prompt' và 'User prompt'.
Cách cấu trúc một prompt (câu lệnh) để yêu cầu AI trả về định nghĩa của một từ vựng.
Viết một hàm get_ai_response(word) gửi yêu cầu đơn giản đến AI và in ra kết quả 'thô' (raw response).
Sửa lại prompt để yêu cầu AI trả lời bằng tiếng Việt (hoặc một ngôn ngữ khác) và thêm một câu ví dụ.

Xử lý và định dạng dữ liệu trả về từ AI

Tại sao nên yêu cầu AI trả về định dạng JSON? Lợi ích của dữ liệu có cấu trúc.
Kỹ thuật 'JSON Mode' hoặc cách yêu cầu AI trả về một chuỗi JSON chuẩn.
Viết prompt yêu cầu AI trả về (Định nghĩa, Loại từ, Ví dụ) dưới dạng một chuỗi JSON.
Sử dụng thư viện json của Python để 'parse' chuỗi JSON đó thành dictionary.
Viết hàm pretty_print_definition để in định nghĩa ra Terminal một cách đẹp mắt
Câu hỏi về cách truy cập dữ liệu trong dictionary lồng nhau (nested dictionary) và xử lý lỗi KeyError.

Mini-Project 2 - Chatbot Tra cứu thông minh

Thêm tính năng Luyện tập và Lưu trữ

Đọc và Ghi file JSON

Giới thiệu về định dạng file JSON và ứng dụng trong lưu trữ dữ liệu đơn giản.
Sử dụng json.dump() và json.load() để làm việc với file.
Viết hàm save_word_list(words) để lưu một danh sách (list) các dictionary từ vựng vào file history.json.
Viết hàm load_word_list() để đọc danh sách từ file history.json khi chatbot khởi động.
Tích hợp hai hàm save và load vào Chatbot
Kiểm tra kiến thức về Đọc/Ghi File và JSON

Sáng tạo câu đố với AI (AI-Generated Quiz)

Kỹ thuật Prompt Engineering để yêu cầu AI sáng tạo nội dung (ví dụ: tạo câu hỏi).
Viết hàm generate_quiz() chọn ngẫu nhiên một từ trong history.json.
Viết prompt yêu cầu AI tạo câu đố "Điền vào chỗ trống"
Cách parse kết quả quiz từ AI (tiếp tục yêu cầu AI trả về dạng JSON).
Xử lý logic hiển thị câu hỏi, nhận câu trả lời của người dùng và kiểm tra đúng/sai.
Nâng cấp hàm generate_quiz để xáo trộn thứ tự các câu trả lời (A, B, C, D) bằng thư viện random.

Mini-Project 3 - Chatbot Học và Hành

Xây dựng giao diện Web với Streamlit

Giới thiệu về Streamlit

Streamlit là gì? Tại sao nó phù hợp cho các dự án AI và Data?
Mô hình thực thi (execution model) của Streamlit (Tại sao code chạy lại từ đầu?)
Cài đặt Streamlit (pip install streamlit)
Viết và chạy ứng dụng 'Hello, Streamlit!' đầu tiên (lệnh streamlit run app.py)
Các câu hỏi cơ bản về cách chạy một ứng dụng Streamlit và mục đích của các hàm st.write

Các thành phần UI cơ bản (Input & Output)

Hiển thị văn bản (st.title, st.header, st.write, st.markdown)
Nhận đầu vào từ người dùng (st.text_input, st.button)
Xây dựng giao diện tra cứu đơn giản (một ô nhập từ vựng và một nút 'Tra cứu')
Lấy giá trị từ ô st.text_input khi người dùng nhấn nút st.button và in ra màn hình
Thêm một thanh bên (sidebar) sử dụng st.sidebar để hiển thị tiêu đề và mô tả cho chatbot

Tích hợp Logic Chatbot vào Giao diện

Tái cấu trúc (Refactoring) các hàm xử lý logic (từ Module 2 và 3) để có thể tái sử dụng
Import và tích hợp hàm get_definition. Khi người dùng nhấn nút 'Tra cứu', gọi hàm này và hiển thị kết quả lên giao diện web
Sử dụng st.spinner để hiển thị thông báo 'Đang xử lý...' trong khi chờ API AI phản hồi
Sử dụng st.success (thành công) và st.error (lỗi) để hiển thị kết quả
Tích hợp hàm generate_quiz. Tạo một nút 'Luyện tập', khi nhấn, gọi hàm và hiển thị câu đố

Quản lý 'Trạng thái' trong Streamlit (Session State)

Vấn đề về 'Trạng thái' (State) - Tại sao biến bị reset mỗi lần tương tác?
Giới thiệu st.session_state - 'bộ nhớ' của ứng dụng web Streamlit
Khởi tạo st.session_state để lưu trữ lịch sử các từ đã tra cứu
Sử dụng st.session_state để lưu trữ câu hỏi quiz hiện tại
Các câu hỏi tình huống về st.session_state và thời điểm nên sử dụng nó

Mini-Project 4 - Ứng dụng Web Chatbot Từ vựng

Hoàn thiện và Triển khai

Xử lý lỗi nâng cao và Refactoring

Tầm quan trọng của try...except khi làm việc với API
Bọc các lệnh gọi API trong khối try...except và hiển thị thông báo lỗi thân thiện trên giao diện Streamlit (sử dụng st.error)
Refactoring code - Chia dự án thành nhiều file Python (ví dụ: app.py, ai_service.py, quiz_service.py) để dễ quản lý
Tái cấu trúc code của Mini-Project 4 thành nhiều file, import các chức năng vào file app.py chính
Các tình huống về các loại Exception (ví dụ: ConnectionError, KeyError, JSONDecodeError)

Triển khai ứng dụng với Streamlit Cloud

Giới thiệu về Git và GitHub - Tại sao cần kiểm soát phiên bản
Tạo file requirements.txt (danh sách các thư viện) từ môi trường ảo
Đẩy code dự án (đã refactor) lên một kho chứa (repository) GitHub mới
Giới thiệu về Streamlit Community Cloud và cách quản lý API Key (Secrets Management)
Kết nối GitHub với Streamlit Cloud và triển khai ứng dụng
Chia sẻ đường link ứng dụng chatbot đã triển khai của bạn cho bạn bè dùng thử

Tổng kết và các hướng phát triển tiếp theo

Tổng kết các kỹ năng đã học
Hướng phát triển #1 - Giao diện Chat thực thụ
Hướng phát triển #2 - Sử dụng Cơ sở dữ liệu (SQLite)
Hướng phát triển #3 - Tích hợp Text-to-Speech (TTS) để phát âm từ vựng

Mini-project (Cuối khóa, tự chọn)

₫500,000

₫290,000

ĐĂNG NHẬP ĐỂ ĐĂNG KÝ