Bỏ qua tới nội dung
Ông T.vn

LangGraph: xây agent bền bỉ, có trạng thái — hướng dẫn cài đặt và dùng

14 phút đọcCập nhật
LangGraph: xây agent bền bỉ, có trạng thái — hướng dẫn cài đặt và dùng

Tóm tắt nhanh

LangGraph là framework Python cấp thấp để điều phối workflow và agent có trạng thái. Nó hỗ trợ tiếp tục sau lỗi, bộ nhớ, giám sát con người và triển khai agent chạy lâu. Cài đặt cơ bản đơn giản bằng pip, nhưng để xây ứng dụng hoàn chỉnh bạn cần đọc thêm tài liệu và tự tích hợp mô hình phù hợp.

LangGraph là framework Python cấp thấp để xây dựng, quản lý và triển khai các agent có trạng thái. Thay vì chỉ gọi mô hình một lần rồi nhận câu trả lời, bạn có thể thiết kế một quy trình nhiều bước, lưu trạng thái, tạm dừng để chờ người duyệt và tiếp tục khi hệ thống sẵn sàng.

Repo này phù hợp với lập trình viên muốn xây agent nghiêm túc hơn cho công việc kinh doanh, chăm sóc khách hàng, xử lý hồ sơ hoặc tự động hóa nội bộ. Điểm đáng giá nhất là agent có thể chạy lâu, chịu được lỗi và tiếp tục từ đúng vị trí đã dừng. LangGraph có thể dùng độc lập, đồng thời tích hợp với các sản phẩm trong hệ sinh thái LangChain.

Framework

langchain-ai/langgraph

Framework Python cấp thấp để xây dựng, quản lý và triển khai agent có trạng thái, chạy lâu và chịu lỗi tốt.

★ 45kPythonMIT
Xem repo trên GitHub

I.LangGraph làm được gì

A.Điều phối workflow nhiều bước

LangGraph cung cấp hạ tầng cấp thấp để bạn mô tả một workflow hoặc agent gồm nhiều bước. Mỗi bước có thể xử lý một phần nhiệm vụ, cập nhật trạng thái rồi chuyển sang bước tiếp theo. Cách này phù hợp với quy trình không thể giải quyết trong một lần gọi mô hình.

Ví dụ, một quy trình xử lý yêu cầu khách hàng có thể cần tiếp nhận câu hỏi, kiểm tra thông tin, tra cứu dữ liệu, đề xuất câu trả lời và chờ nhân viên duyệt. LangGraph giúp tổ chức các bước đó thành một luồng có thể theo dõi, thay vì để toàn bộ logic nằm trong một đoạn mã khó kiểm soát.

B.Chạy bền bỉ và tiếp tục sau lỗi

Tính năng durable execution cho phép agent duy trì tiến trình trong các workflow chạy lâu. Khi có lỗi hoặc quá trình bị gián đoạn, agent có thể tiếp tục từ vị trí đã dừng.

Điều này hữu ích khi một tác vụ phải thực hiện nhiều bước hoặc chờ các dịch vụ bên ngoài. Bạn không nhất thiết phải chạy lại từ đầu, tránh lặp thao tác và giảm nguy cơ tạo kết quả trùng lặp.

C.Có người kiểm tra trong quy trình

LangGraph hỗ trợ human-in-the-loop. Bạn có thể để agent tạm dừng tại một điểm, cho người kiểm tra xem hoặc chỉnh sửa trạng thái, sau đó mới cho workflow chạy tiếp.

Đây là cách phù hợp với các tác vụ có rủi ro như duyệt nội dung gửi khách hàng, xác nhận thông tin trước khi xử lý, hoặc kiểm tra đề xuất trước khi đưa ra quyết định. Agent vẫn tự động hóa phần lớn công việc, nhưng con người giữ quyền can thiệp ở những điểm quan trọng.

D.Bộ nhớ ngắn hạn và dài hạn

Framework hỗ trợ xây agent có bộ nhớ làm việc trong phiên và bộ nhớ lâu dài giữa nhiều phiên. Bộ nhớ ngắn hạn giúp agent theo dõi ngữ cảnh của một cuộc trao đổi đang diễn ra. Bộ nhớ dài hạn giúp lưu thông tin cần dùng lại trong các lần tương tác sau.

Với doanh nghiệp, điều này có thể giúp agent nhớ trạng thái xử lý của một yêu cầu hoặc duy trì thông tin cần thiết giữa các lần làm việc. Tuy nhiên, cách lưu trữ cụ thể và dữ liệu nào được phép lưu vẫn do người xây ứng dụng thiết kế.

E.Theo dõi và gỡ lỗi bằng LangSmith

LangGraph có thể kết hợp với LangSmith để quan sát hành vi của agent. Bạn có thể xem đường đi thực thi, các lần thay đổi trạng thái và chỉ số runtime.

Tính năng này hữu ích khi agent trả lời không ổn định hoặc đi sai nhánh. Thay vì chỉ nhìn câu trả lời cuối, người phát triển có thể kiểm tra agent đã thực hiện những bước nào, trạng thái thay đổi ra sao và điểm nào cần cải thiện.

F.Hướng tới triển khai production

LangGraph được thiết kế cho các hệ thống agent chạy lâu và có trạng thái. Kết hợp với LangSmith Deployment, bạn có thể triển khai và mở rộng agent, chia sẻ cấu hình giữa các nhóm và lặp lại việc phát triển thông qua LangSmith Studio.

README mô tả đây là hạ tầng dành cho việc triển khai agent phức tạp. Tuy vậy, các yêu cầu máy chủ, chi phí và cấu hình triển khai chi tiết không được nêu trong tư liệu được cung cấp.

G.Dùng độc lập hoặc kết hợp hệ sinh thái LangChain

LangGraph có thể dùng độc lập, không bắt buộc phải dùng LangChain. Nếu cần các tích hợp và thành phần có thể kết hợp cho ứng dụng mô hình ngôn ngữ, bạn có thể ghép thêm LangChain.

Ngoài ra, hệ sinh thái còn có Deep Agents cho agent có khả năng lập kế hoạch, dùng agent con và làm việc với hệ thống tệp. README cũng đề cập LangGraph.js dành cho thư viện tương đương bằng JavaScript hoặc TypeScript.

II.Cần chuẩn bị gì

Tư liệu cho biết LangGraph là dự án chính bằng Python và README hướng dẫn cài gói bằng pip. Vì vậy, bạn cần một môi trường Python có pip hoạt động.

README không nêu phiên bản Python tối thiểu, hệ điều hành được hỗ trợ, yêu cầu phần cứng hay yêu cầu GPU. README cũng không nói rằng bạn bắt buộc phải có tài khoản hoặc API key để cài gói LangGraph.

Để xây một agent thực tế, bạn sẽ cần chọn và kết nối mô hình ngôn ngữ cùng các dịch vụ liên quan. Tuy nhiên, tư liệu được cung cấp không chỉ rõ nhà cung cấp mô hình, tên biến môi trường, cách khai báo API key hay gói tích hợp cụ thể. Không nên tự đoán các thông tin này từ tên chủ đề của repo.

Nếu muốn đọc mã nguồn hoặc phát triển dựa trên repo, bạn có thể lấy mã về bằng Git. Repo có README.md, thư mục docs/, examples/, libs/ và Makefile. Makefile là file khai báo cách chạy có trong repo, nhưng README được cung cấp không chép các lệnh cụ thể trong Makefile.

III.Cài đặt từng bước

  1. Chuẩn bị Python và pipMở terminal trong môi trường Python bạn muốn sử dụng
  2. Cài LangGraphCài hoặc nâng cấp gói langgraph bằng pip
  3. Lấy mã nguồn tùy chọnClone repo nếu muốn đọc docs, examples hoặc libs
  4. Đọc quickstartDùng tài liệu hướng dẫn để xây workflow hoặc agent đầu tiên

A.Chuẩn bị terminal

Mở PowerShell, Terminal hoặc một terminal tương đương tại nơi bạn muốn làm việc. Hãy chắc chắn môi trường Python đang được chọn đúng trước khi chạy lệnh cài đặt.

README chỉ cho biết lệnh cài bằng pip. README không cung cấp lệnh tạo virtual environment và cũng không nêu phiên bản Python cụ thể, nên bạn không nên tự coi một phiên bản nào là yêu cầu chính thức của repo.

B.Cài hoặc nâng cấp gói

Chạy đúng lệnh được README cung cấp:

Terminal
pip install -U langgraph

Tùy chọn -U yêu cầu pip cài hoặc nâng cấp gói langgraph. Nếu bạn đang dùng nhiều môi trường Python, lỗi thường gặp là chạy pip của môi trường khác với nơi bạn dự định chạy chương trình. Khi đó, hãy kiểm tra lại terminal và môi trường Python đang hoạt động trước khi tiếp tục.

README không cung cấp lệnh cài LangChain, LangSmith, Deep Agents hay một nhà cung cấp mô hình cụ thể. Bạn không cần tự cài thêm các gói đó chỉ để hoàn thành bước cài LangGraph cơ bản.

C.Lấy mã nguồn nếu muốn xem repo

Việc clone không bắt buộc nếu mục tiêu của bạn chỉ là cài gói Python. Nếu muốn xem ví dụ, tài liệu hoặc mã nguồn, có thể dùng lệnh Git phổ thông sau:

Terminal
git clone https://github.com/langchain-ai/langgraph.git
cd langgraph

Lệnh đầu tiên tải repo về máy. Lệnh thứ hai chuyển terminal vào thư mục repo. Nếu terminal báo không tìm thấy git, hãy cài Git hoặc dùng cách tải mã nguồn phù hợp với môi trường của bạn. Tư liệu không yêu cầu phải clone repo để dùng gói đã cài bằng pip.

D.Đọc hướng dẫn bắt đầu

Sau khi cài, hãy mở phần LangGraph Quickstart trong tài liệu dự án. README cũng chỉ tới tài liệu tổng quan, tài liệu API và các hướng dẫn về streaming, bộ nhớ, persistence, branching và subgraphs.

README không chép một chương trình Python hoàn chỉnh để chạy ngay. Vì vậy, không nên tự bịa tên lớp, hàm hoặc tham số rồi coi đó là cách cài chính thức. Khi cần viết ứng dụng, hãy đối chiếu API và ví dụ trong tài liệu của chính dự án.

E.Xem các file trong repo khi cần phát triển sâu hơn

Nếu đã clone repo, bạn có thể xem docs/ để đọc hướng dẫn, examples/ để tìm ví dụ và libs/ để xem các thư viện liên quan. Makefile có tồn tại trong cấu trúc gốc repo và có thể chứa các lệnh phát triển, nhưng README được cung cấp chưa ghi nội dung hoặc cách dùng cụ thể của file này.

IV.Kiểm tra đã chạy được chưa

Cách kiểm tra cơ bản là chạy lại lệnh cài đặt:

Terminal
pip install -U langgraph

Nếu pip hoàn tất mà không báo lỗi cài đặt, gói đã được cài hoặc nâng cấp trong môi trường hiện tại. Bạn cũng có thể dùng lệnh phổ thông sau để xem pip có nhận diện gói hay không:

Terminal
pip show langgraph

Kết quả mong đợi là pip hiển thị thông tin của gói langgraph. README không cung cấp ảnh màn hình hoặc một lệnh kiểm tra riêng cho workflow đầu tiên, nên việc agent chạy đúng cần được xác nhận theo Quickstart và ví dụ trong tài liệu.

Một dấu hiệu quan trọng khác là bạn có thể bắt đầu đọc và chạy ví dụ phù hợp trong tài liệu mà không gặp lỗi thiếu gói LangGraph. Nếu ví dụ cần thêm mô hình, API key hoặc dịch vụ bên ngoài, đó là phần phụ thuộc của ví dụ cụ thể và không được suy ra từ lệnh cài cơ bản.

V.Dùng vào việc thật

A.Chủ shop muốn tự động phân loại và xử lý yêu cầu khách hàng

Một chủ shop có thể thiết kế agent tiếp nhận tin nhắn, phân loại yêu cầu, kiểm tra trạng thái xử lý và soạn câu trả lời. Nếu câu hỏi đơn giản, workflow có thể đi thẳng đến bước trả lời. Nếu câu hỏi liên quan đến đổi trả hoặc cần kiểm tra thêm, agent có thể chuyển sang nhánh khác.

Điểm phù hợp của LangGraph là quy trình này có trạng thái. Agent có thể biết yêu cầu đang ở bước tiếp nhận, kiểm tra hay chờ người duyệt. Trước khi gửi câu trả lời chính thức, chủ shop có thể đặt một điểm human-in-the-loop để kiểm tra nội dung.

Prompt mẫu cho bước xử lý có thể là: Phân loại yêu cầu này thành tư vấn sản phẩm, kiểm tra đơn hàng, đổi trả hoặc cần nhân viên xử lý. Ghi rõ lý do và bước tiếp theo. LangGraph lo phần điều phối trạng thái; tư liệu không cung cấp sẵn prompt hay kết nối dữ liệu đơn hàng.

B.Nhân viên văn phòng xử lý hồ sơ nhiều bước

Một nhân viên có thể dùng agent cho quy trình đọc yêu cầu, kiểm tra các trường thông tin, phát hiện phần còn thiếu và tạo bản nháp phản hồi. Với hồ sơ chưa đủ dữ liệu, workflow có thể dừng để chờ bổ sung thay vì tạo kết quả cuối cùng ngay.

Bộ nhớ ngắn hạn giúp agent theo dõi hồ sơ đang xử lý. Bộ nhớ dài hạn có thể phù hợp khi cần lưu thông tin giữa nhiều phiên, nhưng dữ liệu nào được lưu và lưu ở đâu phải do người xây hệ thống quyết định.

Prompt mẫu có thể là: Kiểm tra hồ sơ này theo từng trường. Liệt kê trường đã đủ, trường còn thiếu và đề xuất bước tiếp theo. Không kết luận cuối cùng nếu còn trường bắt buộc chưa có. Sau đó, người phụ trách kiểm tra trạng thái trước khi cho workflow chạy tiếp.

C.Dev xây trợ lý nội bộ có khả năng tiếp tục sau gián đoạn

Một dev có thể xây trợ lý xử lý nhiệm vụ dài gồm nhiều bước, chẳng hạn lập kế hoạch, thực hiện từng phần, ghi nhận kết quả và tổng hợp. Nếu một bước gặp lỗi hoặc tiến trình bị gián đoạn, durable execution giúp agent có khả năng tiếp tục từ vị trí đã dừng.

Cách này phù hợp hơn một đoạn mã gọi mô hình đơn lẻ khi workflow cần nhiều lần suy luận hoặc phải chờ dịch vụ khác. Dev nên theo dõi trạng thái và đường đi thực thi để biết lỗi nằm ở bước nào.

Prompt mẫu có thể là: Chia nhiệm vụ thành các bước có thể kiểm tra. Sau mỗi bước, ghi lại trạng thái và kết quả. Nếu bước hiện tại thất bại, giữ lại tiến trình để có thể tiếp tục. Các hàm triển khai cụ thể cần được lấy từ Quickstart và API reference.

D.Nhóm phát triển cần quan sát agent trong production

Một nhóm có thể kết hợp LangGraph với LangSmith để xem đường đi của agent, các lần chuyển trạng thái và chỉ số runtime. Khi người dùng phản ánh agent trả lời sai, nhóm có thêm dữ liệu để kiểm tra agent đã chọn nhánh nào và đã xử lý trạng thái ra sao.

Đây là cách hữu ích khi hệ thống có nhiều nhánh và hành vi không thể giải thích chỉ bằng câu trả lời cuối. README giới thiệu LangSmith cho việc debug, đánh giá trajectory và quan sát ứng dụng mô hình ngôn ngữ. Chi tiết tài khoản, giá và cấu hình triển khai không có trong tư liệu được cung cấp.

Agent tốt không chỉ trả lời đúng một lần; agent còn phải biết đang ở đâu, có thể tiếp tục và cho phép con người kiểm tra.

Ông T

Không đưa API key, dữ liệu khách hàng hoặc thông tin nhạy cảm vào log và trạng thái nếu bạn chưa xác định rõ cách lưu trữ, quyền truy cập và thời gian giữ dữ liệu. README không nêu chính sách chi phí hay bảo mật cho dịch vụ mô hình và LangSmith.

VI.Lỗi hay gặp và cách xử lý

A.Pip cài sai môi trường Python

Bạn chạy lệnh cài thành công nhưng chương trình lại báo không tìm thấy LangGraph. Nguyên nhân thường là terminal đang dùng một Python khác với môi trường chạy chương trình.

Hãy kiểm tra lại môi trường Python đang hoạt động rồi chạy lại lệnh pip install -U langgraph trong đúng terminal. Không nên cài lặp vào nhiều nơi mà chưa xác định chương trình đang dùng môi trường nào.

B.Nhầm LangGraph với một mô hình ngôn ngữ

LangGraph là framework điều phối workflow và agent, không phải mô hình tạo văn bản. Cài xong gói không có nghĩa là bạn đã có sẵn mô hình hoặc API để trả lời người dùng.

README không chỉ rõ nhà cung cấp mô hình hay cách khai báo key. Hãy xem tài liệu của ví dụ bạn chọn và chỉ cài các tích hợp được tài liệu đó yêu cầu.

C.Tự dùng API chưa có trong README

README giới thiệu nhiều khả năng nhưng không chép mã Python hoàn chỉnh. Nếu tự đoán tên hàm, lớp hoặc tham số, bạn dễ gặp lỗi phiên bản hoặc dùng sai API.

Cách an toàn là bắt đầu từ Quickstart, tài liệu tổng quan và API reference. Khi cần tính năng bộ nhớ, interrupt hoặc durable execution, hãy đọc đúng phần hướng dẫn tương ứng.

D.Workflow bị dừng nhưng không biết đang ở bước nào

Agent nhiều bước có thể khó gỡ lỗi nếu bạn chỉ xem kết quả cuối. Hãy dùng khả năng quan sát được README giới thiệu qua LangSmith để theo dõi đường đi thực thi, thay đổi trạng thái và runtime metrics.

Nếu chưa dùng LangSmith, bạn vẫn nên thiết kế trạng thái và các điểm kiểm tra rõ ràng trong ứng dụng. Chi tiết triển khai việc này không được README cung cấp trực tiếp.

E.Cho agent tự quyết định mọi việc nhạy cảm

Các tác vụ như gửi thông báo, duyệt hồ sơ hoặc thay đổi dữ liệu có thể cần người kiểm tra. Hãy đặt human-in-the-loop tại điểm cần xác nhận, xem hoặc chỉnh sửa trạng thái trước khi workflow tiếp tục.

LangGraph hỗ trợ cơ chế này, nhưng việc chọn điểm dừng và quyền của người duyệt là trách nhiệm của người xây ứng dụng.

VII.Có nên dùng không

Bạn nên chọn LangGraph nếu cần xây agent có trạng thái, workflow chạy lâu, nhiều nhánh hoặc có khả năng tiếp tục sau lỗi. Framework cũng phù hợp khi bạn muốn đưa con người vào giữa quy trình, cần bộ nhớ giữa các phiên hoặc cần quan sát sâu cách agent thực thi.

Điểm mạnh là nền tảng cấp thấp, linh hoạt và có thể dùng độc lập với LangChain. Nó hướng đến các hệ thống agent nghiêm túc hơn là một đoạn thử nghiệm gọi mô hình một lần. Hệ sinh thái đi kèm có thêm LangChain, Deep Agents, LangSmith và LangSmith Deployment cho những nhu cầu khác nhau.

Giới hạn là LangGraph không phải công cụ kéo thả dành cho người không muốn viết mã. README không nói rõ phiên bản Python, hệ điều hành, yêu cầu phần cứng, API key, chi phí hoặc quy trình triển khai cụ thể. Người mới sẽ cần đọc Quickstart và tài liệu API trước khi xây ứng dụng hoàn chỉnh.

Nếu bạn chỉ cần một chatbot đơn giản hoặc một agent thử nghiệm nhanh, một thư viện cấp cao hơn có thể dễ bắt đầu hơn. README gợi ý Deep Agents cho trường hợp muốn nhanh chóng xây agent có khả năng lập kế hoạch, dùng agent con và làm việc với hệ thống tệp. Nếu đội ngũ dùng JavaScript hoặc TypeScript, hãy cân nhắc LangGraph.js thay vì thư viện Python này.

LangGraph đáng dùng khi bạn thật sự cần kiểm soát trạng thái, độ bền và luồng thực thi. Với tác vụ đơn giản, nó có thể là một lớp điều phối lớn hơn nhu cầu thực tế.

4.0/5 · Ông T chấm

Chưa có độc giả chấm

Bài này có ích với bạn không?

Câu hỏi thường gặp

LangGraph là gì?

LangGraph là framework Python cấp thấp để xây dựng, quản lý và triển khai workflow hoặc agent có trạng thái. Nó hỗ trợ workflow chạy lâu, tiếp tục sau lỗi, bộ nhớ và human-in-the-loop.

LangGraph có miễn phí không?

Repo có giấy phép MIT. README không cung cấp thông tin về chi phí của các dịch vụ bổ sung như LangSmith, LangSmith Deployment hoặc nhà cung cấp mô hình.

Có cần GPU để chạy LangGraph không?

README không nêu yêu cầu GPU hay phần cứng cụ thể. LangGraph là framework điều phối; yêu cầu phần cứng thực tế còn phụ thuộc mô hình và các dịch vụ bạn tích hợp.

LangGraph chạy được trên Windows không?

README được cung cấp không nêu danh sách hệ điều hành được hỗ trợ. Tư liệu chỉ cho biết cách cài gói Python bằng pip, nên chưa thể khẳng định chính thức cho Windows.

Có cần API key không?

README không nói rằng cần API key để cài LangGraph. Khi xây agent kết nối mô hình hoặc dịch vụ bên ngoài, yêu cầu key phụ thuộc vào tích hợp cụ thể và chưa được nêu trong tư liệu.

LangGraph khác gì Deep Agents?

LangGraph là framework cấp thấp cho việc điều phối agent và workflow có trạng thái. README mô tả Deep Agents là gói cấp cao hơn, hỗ trợ lập kế hoạch, agent con và hệ thống tệp, phù hợp khi muốn xây agent nhanh hơn.

Có bắt buộc phải dùng LangChain không?

Không. README nói LangGraph có thể dùng độc lập, nhưng cũng tích hợp với LangChain và các sản phẩm khác trong cùng hệ sinh thái.

Chuyển nhanh tới mục

  1. I.LangGraph làm được gì
    1. A.Điều phối workflow nhiều bước
    2. B.Chạy bền bỉ và tiếp tục sau lỗi
    3. C.Có người kiểm tra trong quy trình
    4. D.Bộ nhớ ngắn hạn và dài hạn
    5. E.Theo dõi và gỡ lỗi bằng LangSmith
    6. F.Hướng tới triển khai production
    7. G.Dùng độc lập hoặc kết hợp hệ sinh thái LangChain
  2. II.Cần chuẩn bị gì
  3. III.Cài đặt từng bước
    1. A.Chuẩn bị terminal
    2. B.Cài hoặc nâng cấp gói
    3. C.Lấy mã nguồn nếu muốn xem repo
    4. D.Đọc hướng dẫn bắt đầu
    5. E.Xem các file trong repo khi cần phát triển sâu hơn
  4. IV.Kiểm tra đã chạy được chưa
  5. V.Dùng vào việc thật
    1. A.Chủ shop muốn tự động phân loại và xử lý yêu cầu khách hàng
    2. B.Nhân viên văn phòng xử lý hồ sơ nhiều bước
    3. C.Dev xây trợ lý nội bộ có khả năng tiếp tục sau gián đoạn
    4. D.Nhóm phát triển cần quan sát agent trong production
  6. VI.Lỗi hay gặp và cách xử lý
    1. A.Pip cài sai môi trường Python
    2. B.Nhầm LangGraph với một mô hình ngôn ngữ
    3. C.Tự dùng API chưa có trong README
    4. D.Workflow bị dừng nhưng không biết đang ở bước nào
    5. E.Cho agent tự quyết định mọi việc nhạy cảm
  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.