Bỏ qua tới nội dung
Ông T.vn

500-AI-Agents-Projects: kho 500+ agent AI để học và chạy thử — hướng dẫn cài đặt và dùng

11 phút đọcCập nhật
500-AI-Agents-Projects: kho 500+ agent AI để học và chạy thử — hướng dẫn cài đặt và dùng

Tóm tắt nhanh

500-AI-Agents-Projects là kho tuyển chọn hơn 500 dự án AI agent, chia theo ngành và theo framework, kèm thư mục agents/ chứa các agent chạy được. Bạn dùng nó để tìm ý tưởng, chọn framework và học cách dựng agent từ ví dụ thật. Cài một agent mẫu khá dễ: clone repo, cài thư viện, điền API key rồi chạy một file Python.

500-AI-Agents-Projects là một kho tuyển chọn hơn 500 dự án AI agent, gom theo ngành (y tế, tài chính, giáo dục, bán lẻ…) và theo framework (LangGraph, CrewAI, AutoGen, Agno). Nó không phải một phần mềm cài vào là dùng. Nó giống một “thư viện mẫu”: bạn mở ra, tìm đúng bài toán của mình, rồi đi theo liên kết tới dự án mã nguồn mở tương ứng. Repo cũng có thư mục agents/ với vài agent chạy được ngay.

Bạn nên đọc bài này nếu bạn là người làm kinh doanh hay văn phòng đang tò mò “AI agent làm được việc gì cho công việc của mình”, hoặc lập trình viên mới muốn có ví dụ thật để bắt đầu. README ghi rõ đối tượng của repo gồm lập trình viên, nhà nghiên cứu, các nhóm đang so sánh framework và sinh viên.

Điểm đáng giá nhất là bạn không phải tự mò từ số không. Repo có bảng so sánh framework kèm gợi ý “mới bắt đầu nên chọn cái nào”, danh sách ví dụ theo ngành, và quy trình chạy một agent trong khoảng 5 phút. Hiện repo có khoảng 39.781 sao và 7.140 fork, giấy phép MIT, và vẫn được cập nhật trong 3 tháng gần đây. Bạn có thể xem video ngắn bên dưới để nắm nhanh trước khi đọc tiếp.

Danh sách tuyển chọn

ashishpatel26/500-AI-Agents-Projects

Bộ sưu tập hơn 500 dự án và ví dụ AI agent theo ngành và theo framework (CrewAI, LangGraph, AutoGen, Agno), kèm vài agent chạy được ngay.

★ 40kPythonMIT
Xem repo trên GitHub
Video giới thiệu 500-AI-Agents-ProjectsXem trên YouTubeXem trên Facebook

I.500-AI-Agents-Projects làm được gì

Hiểu đúng thì repo này làm ba việc: cho bạn ý tưởng, giúp bạn chọn công cụ, và cho bạn chỗ để chạy thử.

A.Danh sách ví dụ theo ngành

README có bảng “Industry Use Cases” với hàng chục dòng. Mỗi dòng nêu tên dự án, ngành và mô tả một câu. Ví dụ: agent phân tích báo cáo y tế, bot giao dịch chứng khoán, gia sư ảo, chatbot chăm sóc khách hàng 24/7, agent gợi ý sản phẩm, agent xem xét tài liệu pháp lý, agent gợi ý ứng viên tuyển dụng. Lợi ích thực tế: bạn thấy ngay người khác đang dùng agent vào việc gì, thay vì ngồi nghĩ “AI agent thì làm được gì nhỉ”.

B.Danh sách theo framework

Phần “Browse by Framework” chia dự án theo công cụ dựng agent:

  • CrewAIframework dạng “đội nhóm có vai trò”, hợp tự động hoá nghiệp vụ. Danh sách có Email Auto Responder, Meeting Assistant, Lead Score, Marketing Strategy Generator, Job Posting Generator, Instagram Post Generator, Landing Page Generator, Trip Planner…
  • AutoGenREADME mô tả là framework của Microsoft, mạnh ở sinh mã, chạy mã, sửa lỗi và nhiều agent trò chuyện cùng nhau. Các ví dụ được chia nhóm: sinh mã, cộng tác nhiều agent, chat tuần tự, chat lồng nhau, công cụ, đa phương thức, đánh giá và giám sát.
  • Agnoframework nhẹ, hợp agent đơn lẻ và làm thử nhanh. Có YouTube Agent, Finance Agent, Study Partner, Recipe Creator, Legal Document Analysis Agent, Readme Generator Agent…
  • LangGraphdạng máy trạng thái cho quy trình phức tạp và RAG (hỏi đáp trên tài liệu). Có Customer Support Agent, SQL Agent, Plan-and-Execute Agent, Reflection Agent và nhiều mẫu khác.

Phần danh sách còn dài hơn thế (README bản mình đọc bị cắt ở giữa LangGraph), nên bạn hãy mở README đầy đủ trong repo để xem hết.

C.Bảng so sánh framework

README có bảng so sánh LangGraph, CrewAI, AutoGen, Agno, LlamaIndex về thế mạnh, độ phức tạp, hỗ trợ nhiều agent, streaming và chạy mô hình cục bộ. Kèm theo là hướng dẫn quyết định nhanh:

  • Mới bắt đầu: chọn Agno hoặc CrewAI.
  • Cần đồ thị có trạng thái và RAG: LangGraph.
  • Làm agent viết mã hoặc nghiên cứu: AutoGen.
  • Quy trình tài liệu cho doanh nghiệp: LlamaIndex.

Với người mới, bảng này tiết kiệm nhiều ngày thử sai.

D.Agent chạy được ngay và khoá học

Thư mục agents/ chứa các agent độc lập. README nói mỗi agent có requirements.txt và .env.example riêng, nên không cần dựng một dự án lớn. Repo còn có thư mục crewai_mcp_course/ (README ghi là chỗ để học qua khoá học), cùng CONTRIBUTION.md nếu bạn muốn đóng góp agent của mình.

II.Cần chuẩn bị gì

Tư liệu README nói khá ít về điều kiện, nên mình chỉ ghi những gì có:

  • Python và piplệnh chạy dùng pip install và python agent.py, nên máy bạn cần có Python. README không ghi phiên bản Python cụ thể.
  • Gitđể chạy git clone. Nếu không muốn dùng git, bạn có thể tải repo về dạng ZIP từ GitHub, nhưng các bước dưới đây viết theo git.
  • API keyREADME ghi chú “add your API key” ở bước copy file .env.example. README không nói key của nhà cung cấp nào. Mỗi agent có thể cần loại khác nhau, nên hãy mở file .env.example của agent bạn chọn để xem nó đòi biến nào.
  • Hệ điều hành, GPU, dung lượngREADME chưa nói. Quick Start viết bằng lệnh kiểu Linux/macOS (cp). Trên Windows bạn dùng lệnh tương đương, mình có ghi ở bước dưới.

API key giống mật khẩu. Chỉ điền vào file .env trên máy bạn, không dán vào chat, không đưa lên GitHub. Nhiều dịch vụ AI tính tiền theo lượng dùng, nên hãy xem trang giá của nhà cung cấp trước khi cho agent chạy nhiều lần.

III.Cài đặt từng bước

README chỉ có một quy trình cài cho các agent trong agents/. Quy trình này gồm các bước sau:

  1. Tải repoDùng git clone rồi vào thư mục repo
  2. Chọn một agentĐi vào thư mục con trong agents/, ví dụ 01-web-research-agent
  3. Cài thư việnChạy pip install -r requirements.txt
  4. Điền API keyCopy .env.example thành .env rồi điền key
  5. Chạy agentChạy python agent.py

A.Tải repo về máy

Mở terminal (Windows: PowerShell hoặc Git Bash; macOS/Linux: Terminal). Chạy hai lệnh sau. Lệnh đầu tải toàn bộ repo, lệnh thứ hai đi vào thư mục vừa tải.

Terminal
git clone https://github.com/ashishpatel26/500-AI-Agents-Projects.git
cd 500-AI-Agents-Projects

Lưu ý: lệnh git clone tạo thư mục mới ngay tại chỗ bạn đang đứng trong terminal. Hãy cd tới nơi bạn muốn lưu (ví dụ thư mục Documents) trước khi chạy.

B.Chọn một agent và cài thư viện

README lấy ví dụ agent 01-web-research-agent. Bạn vào thư mục đó rồi cài các thư viện nó cần:

Terminal
cd agents/01-web-research-agent
pip install -r requirements.txt

Lệnh pip install -r requirements.txt đọc file danh sách thư viện của riêng agent này và cài hết một lượt. Chỗ người mới hay vấp: bạn phải đang đứng đúng trong thư mục agent thì lệnh mới tìm thấy file requirements.txt. Mỗi agent có file riêng, nên đổi agent thì cài lại.

Nếu máy báo không tìm thấy pip, README chưa hướng dẫn xử lý. Lúc đó bạn kiểm tra lại việc cài Python trước.

C.Điền API key

README ghi lệnh sau (trên macOS/Linux hoặc Git Bash):

Terminal
cp .env.example .env        # add your API key

Lệnh này sao chép file mẫu .env.example thành .env. Trên PowerShell của Windows, lệnh tương đương là:

PowerShell
Copy-Item .env.example .env

Sau đó mở file .env bằng Notepad hay trình soạn thảo bất kỳ và điền API key vào chỗ file mẫu chỉ ra. File mẫu cho bạn biết cần điền những biến nào, mình không đoán tên biến ở đây vì README không liệt kê. Nhớ lưu file sau khi sửa.

D.Chạy agent

Terminal
python agent.py

Đây là lệnh khởi động agent. Nếu máy bạn dùng lệnh python3 thay cho python, đó là cách đặt tên của hệ điều hành, bạn dùng lệnh nào chạy được là được.

IV.Kiểm tra đã chạy được chưa

README không mô tả màn hình kết quả mong đợi của từng agent. Vì vậy mình chỉ nêu những dấu hiệu chung mà bạn có thể tự kiểm:

  • Lệnh pip install kết thúc không báo lỗi đỏ.
  • Lệnh python agent.py khởi động được và không dừng ngay với thông báo thiếu thư viện hoặc thiếu key.
  • Agent trả về nội dung (với agent nghiên cứu web thì là kết quả tìm kiếm tổng hợp) thay vì lỗi xác thực.

Nếu muốn biết agent đó nhận đầu vào thế nào và in ra gì, hãy mở file agent.py và các file mô tả trong thư mục của agent. README chỉ ghi cách chạy, chưa ghi kết quả mẫu.

V.Dùng vào việc thật

Vì repo là kho tuyển chọn nên “dùng” ở đây gồm cả đọc, so sánh và chạy thử. Dưới đây là bốn tình huống bám sát những gì README có.

A.Lập trình viên mới: chạy agent đầu tiên trong 5 phút

Bối cảnh: bạn vừa học Python, nghe nói nhiều về AI agent nhưng chưa thấy nó chạy bao giờ. Bạn làm đúng quy trình ở trên với agents/01-web-research-agent: clone, cài thư viện, điền key, chạy. Sau đó mở agent.py đọc từng dòng để hiểu agent được ghép từ những phần nào. Kết quả: bạn có một agent chạy được trên máy mình và một file mã ngắn để học, thay vì chỉ đọc lý thuyết.

Đừng cố hiểu 500 dự án. Hãy chạy được một cái, rồi mới đi tìm cái thứ hai.

Ông T

B.Trưởng nhóm kỹ thuật: chọn framework trước khi viết dòng mã đầu tiên

Bối cảnh: công ty bạn muốn làm một trợ lý hỏi đáp trên tài liệu nội bộ nhưng chưa biết dùng framework nào. Bạn mở phần Framework Comparison trong README. Theo bảng, nhu cầu hỏi đáp tài liệu và RAG nghiêng về LlamaIndex hoặc LangGraph. Sau đó bạn vào danh sách LangGraph để xem các ví dụ như SQL Agent hay Customer Support Agent, và nhóm AutoGen có ví dụ RAG Group Chat. Kết quả: bạn có danh sách rút gọn vài ứng viên kèm ví dụ cụ thể để cả nhóm xem, thay vì tranh luận trên giấy.

C.Chủ shop hoặc nhân viên marketing: tìm ý tưởng tự động hoá

Bối cảnh: bạn bán hàng online, mỗi ngày mất nhiều giờ trả lời email, soạn bài đăng và chấm điểm khách tiềm năng. Bạn không cần tự viết agent, nhưng có thể nhờ người làm kỹ thuật trong đội xem phần CrewAI. Trong đó có Email Auto Responder Flow (tự trả lời email theo tiêu chí định sẵn), Lead Score Flow (chấm điểm khách tiềm năng để ưu tiên liên hệ), Instagram Post Generator (tạo và lên lịch bài đăng), Marketing Strategy Generator (đề xuất chiến lược từ xu hướng thị trường). Bạn in danh sách đó ra và đánh dấu việc nào tốn thời gian nhất của mình. Kết quả: một yêu cầu cụ thể gửi cho dev (“làm giúp mình cái giống Lead Score Flow”), rõ hơn nhiều so với “làm cho mình cái AI”.

D.Người làm dữ liệu nhạy cảm: tìm các agent bảo vệ thông tin

Bối cảnh: bạn làm ở phòng nhân sự hoặc pháp chế, lo chuyện đưa thông tin khách hàng vào mô hình AI. Trong bảng ngành của README có PII Sanitization Agent (ẩn email, số điện thoại, số căn cước, tài khoản ngân hàng, API key khỏi văn bản trước khi gửi cho mô hình) và Agent Memory Guard (phát hiện và chặn tấn công đầu độc bộ nhớ của agent). Bạn đọc mô tả, vào trang dự án gốc, xem họ làm gì và có hợp quy định công ty không. Kết quả: bạn biết mảng “an toàn dữ liệu cho agent” đã có những dự án nào để đánh giá tiếp. Mình khuyên bạn thử trên dữ liệu giả trước, vì README không nói gì về độ tin cậy của từng dự án.

VI.Lỗi hay gặp và cách xử lý

README không có mục xử lý lỗi, nên dưới đây là những lỗi rất dễ gặp với kiểu quy trình này.

A.Báo không tìm thấy requirements.txt

Nguyên nhân thường là bạn đang đứng sai thư mục. Hãy cd vào đúng thư mục agent (ví dụ agents/01-web-research-agent) rồi chạy lại. Nhớ rằng mỗi agent có requirements.txt riêng, không có file chung ở thư mục gốc theo như README mô tả.

B.Lệnh cp không chạy trên Windows

Trong PowerShell hoặc CMD, lệnh cp kiểu Linux có thể không hoạt động như README. Dùng Copy-Item .env.example .env trong PowerShell, hoặc mở Git Bash để chạy đúng lệnh trong README.

C.Agent báo thiếu hoặc sai API key

Kiểm tra lại file .env: bạn đã lưu file chưa, đã điền đúng biến mà .env.example yêu cầu chưa, key có thừa khoảng trắng không. Nếu key bị lộ (dán nhầm vào nơi công khai), hãy thu hồi và tạo key mới ở trang quản lý của nhà cung cấp.

D.Cài thư viện bị lỗi hoặc xung đột phiên bản

Mỗi agent có thư viện riêng nên dễ xung đột với những gì bạn đã cài trước đó. Cách an toàn là tạo một môi trường ảo Python riêng cho từng agent rồi mới cài. README chưa hướng dẫn việc này, nhưng đây là thói quen tốt khi thử nhiều dự án.

Đây là kho tuyển chọn trỏ tới nhiều dự án bên thứ ba, mỗi dự án do tác giả khác duy trì. Có dự án đã cũ, thiếu hướng dẫn hoặc dùng phiên bản thư viện khác. Hãy xem lần cập nhật gần nhất, số sao và phần issues của dự án gốc trước khi bỏ công cài.

VII.Có nên dùng không

Điểm mạnh. Repo cho bạn bản đồ rộng về AI agent: nhiều ngành, nhiều framework, có bảng so sánh và gợi ý chọn nhanh. Giấy phép MIT, có thư mục agent chạy được riêng lẻ, có khoá học CrewAI và hướng dẫn đóng góp. Số sao và fork cao, repo vẫn được cập nhật, nên có nhiều người cùng xem.

Giới hạn. Đây là danh sách tuyển chọn chứ không phải một sản phẩm thống nhất. Chất lượng các dự án được trỏ tới không đồng đều và README không đảm bảo từng cái chạy tốt. README chưa ghi phiên bản Python, hệ điều hành hỗ trợ hay kết quả mẫu. Bạn cần API key và có thể mất phí dùng dịch vụ AI. Nếu bạn không biết gì về dòng lệnh, phần chạy thử sẽ hơi khó. Phần duyệt danh sách thì ai cũng làm được.

Khi nào nên chọn cách khác. Nếu bạn chỉ cần một công cụ làm đúng một việc (ví dụ trả lời email) và không có ý định tự dựng agent, hãy dùng thẳng một sản phẩm đóng gói sẵn. Nếu bạn đã chọn xong framework, hãy đọc tài liệu chính thức của framework đó thay vì đi qua kho này. Còn nếu bạn đang ở giai đoạn “chưa biết nên làm gì với AI agent”, thì repo này là điểm xuất phát rất hợp lý.

4.0/5 · Ông T chấm

Chưa có độc giả chấm

Bài này có ích với bạn không?

Câu hỏi thường gặp

500-AI-Agents-Projects có miễn phí không?

Repo dùng giấy phép MIT nên bạn tải và dùng mã miễn phí. Tuy nhiên các agent bên trong có thể cần API key của dịch vụ AI, và những dịch vụ đó có thể tính phí theo lượng dùng. README không nói rõ từng agent cần dịch vụ nào, nên hãy xem file .env.example của agent bạn chọn.

Repo này là phần mềm hay chỉ là danh sách?

Chủ yếu là danh sách tuyển chọn hơn 500 dự án AI agent theo ngành và theo framework. Ngoài ra repo có thư mục agents/ với các agent chạy được, mỗi agent có requirements.txt và .env.example riêng.

Cài đặt cần những gì và chạy mất bao lâu?

Theo README, bạn cần clone repo, vào thư mục một agent, chạy pip install -r requirements.txt, copy .env.example thành .env, điền API key rồi chạy python agent.py. README nói bạn có thể chạy một agent trong dưới 5 phút. README không ghi phiên bản Python cụ thể.

Có cần GPU không?

Tư liệu không nói về yêu cầu GPU. Bảng so sánh có cột “Local LLM” cho thấy các framework đều hỗ trợ chạy mô hình cục bộ, nhưng cách chạy agent mẫu theo README dùng API key. Chưa có thông tin chính thức về phần cứng.

Chạy được trên Windows không?

README chưa nêu hệ điều hành hỗ trợ. Quick Start dùng lệnh kiểu Linux/macOS như cp, nên trên Windows bạn dùng Git Bash hoặc đổi sang lệnh tương đương trong PowerShell là Copy-Item. Các lệnh git, pip, python thì dùng được trên nhiều hệ điều hành.

Dữ liệu của tôi có an toàn không?

Chưa có thông tin chung cho cả repo, vì mỗi agent là một dự án riêng. Nếu agent gọi dịch vụ AI qua API, nội dung bạn nhập sẽ được gửi tới dịch vụ đó. README có nhắc tới các dự án như PII Sanitization Agent để ẩn thông tin nhạy cảm, nhưng bạn nên tự kiểm tra từng dự án trước khi dùng với dữ liệu thật.

Nên bắt đầu với framework nào?

README gợi ý: mới bắt đầu thì chọn Agno hoặc CrewAI. Cần đồ thị có trạng thái và RAG thì LangGraph, làm agent viết mã hoặc nghiên cứu thì AutoGen, xử lý tài liệu cho doanh nghiệp thì LlamaIndex.

Chuyển nhanh tới mục

  1. I.500-AI-Agents-Projects làm được gì
    1. A.Danh sách ví dụ theo ngành
    2. B.Danh sách theo framework
    3. C.Bảng so sánh framework
    4. D.Agent chạy được ngay và khoá học
  2. II.Cần chuẩn bị gì
  3. III.Cài đặt từng bước
    1. A.Tải repo về máy
    2. B.Chọn một agent và cài thư viện
    3. C.Điền API key
    4. D.Chạy agent
  4. IV.Kiểm tra đã chạy được chưa
  5. V.Dùng vào việc thật
    1. A.Lập trình viên mới: chạy agent đầu tiên trong 5 phút
    2. B.Trưởng nhóm kỹ thuật: chọn framework trước khi viết dòng mã đầu tiên
    3. C.Chủ shop hoặc nhân viên marketing: tìm ý tưởng tự động hoá
    4. D.Người làm dữ liệu nhạy cảm: tìm các agent bảo vệ thông tin
  6. VI.Lỗi hay gặp và cách xử lý
    1. A.Báo không tìm thấy requirements.txt
    2. B.Lệnh cp không chạy trên Windows
    3. C.Agent báo thiếu hoặc sai API key
    4. D.Cài thư viện bị lỗi hoặc xung đột phiên bản
    5. E.Dự án trong danh sách không chạy hoặc link chết
  7. VII.Có nên dùng không

Repo & Skill · 13/11/2026 · 11 phút đọc

Garden Skills: bộ skill thiết kế web, tạo ảnh, làm video cho AI — hướng dẫn cài đặt và dùng

Garden Skills là bộ sưu tập Agent Skills (kỹ năng cho AI) của tác giả ConardLi, dùng được với Claude Code, Cursor, Codex và các AI coding agent khác. Mỗi skill dạy agent làm tốt một việc như thiết kế trang web, tạo ảnh, làm video bằng code, biến tài liệu thành bài viết đẹp. Cài không khó, nhưng README có nhiều cách cài nên bạn cần chọn một cách hợp với công cụ đang dùng.

Repo & Skill · 13/11/2026 · 15 phút đọc

thesysdev/openui: xây giao diện AI dạng streaming — hướng dẫn cài đặt và dùng

OpenUI là framework full-stack, độc lập framework, giúp mô hình AI sinh giao diện có cấu trúc và hiển thị dần khi dữ liệu streaming về. Bạn có thể dựng nhanh một ứng dụng chat bằng CLI hoặc cài từng gói cho React, Vue, Svelte, Angular và LangChain. Việc bắt đầu khá đơn giản nếu máy có đúng phiên bản Node; README chưa ghi đầy đủ lệnh chạy ứng dụng sau khi scaffold.

Repo & Skill · 13/11/2026 · 11 phút đọc

Ruflo: điều phối nhóm agent AI cho Claude Code và Codex — hướng dẫn cài đặt và dùng

Ruflo (trước đây là Claude Flow) là một agent harness: lớp công cụ bao quanh Claude Code và Codex, bổ sung nhiều agent chuyên biệt, bộ nhớ qua các phiên và khả năng chia việc cho nhóm agent. Cài bằng một lệnh `npx ruflo@latest init` trong thư mục dự án, cần Node 20 trở lên. Cài khá dễ, nhưng hệ thống rất rộng nên bạn nên bắt đầu từ một tác vụ nhỏ.