Bỏ qua tới nội dung
Ông T.vn

TradingAgents: phân tích giao dịch đa tác tử — hướng dẫn cài đặt và dùng

12 phút đọcCập nhật

Bài này là một góc nhìn khác về TauricResearch/TradingAgents — repo từng đổi tên nên mình viết lại với cách tiếp cận khác. Bài hướng dẫn chính: TradingAgents: đội agent AI phân tích cổ phiếu, crypto — hướng dẫn cài đặt và dùng →

TradingAgents: phân tích giao dịch đa tác tử — hướng dẫn cài đặt và dùng

Tóm tắt nhanh

TradingAgents là framework Python mô phỏng một đội ngũ giao dịch gồm các nhà phân tích, nhà nghiên cứu, trader và quản lý rủi ro dùng LLM. Bạn có thể chạy qua CLI, Docker hoặc nhúng vào Python để phân tích cổ phiếu và tiền số. Cài đặt ở mức trung bình vì cần Python 3.11 trở lên và API key của nhà cung cấp LLM, trừ khi dùng ChatGPT Plus/Pro hoặc mô hình cục bộ.

TradingAgents là framework Python dùng nhiều tác tử LLM để phân tích thị trường và đưa ra quyết định giao dịch trong một sàn mô phỏng. Thay vì hỏi một chatbot duy nhất, framework chia việc cho các vai trò như phân tích cơ bản, tin tức, tâm lý, kỹ thuật, nghiên cứu tăng giá, nghiên cứu giảm giá, trader và quản lý rủi ro.

Repo này hợp với lập trình viên, nhóm nghiên cứu định lượng, người muốn thử nghiệm quy trình phân tích có cấu trúc và đội ngũ xây ứng dụng tài chính dùng LLM. Điểm đáng giá nhất là các tác tử có thể làm việc song song, tranh luận dựa trên báo cáo của nhau, sau đó mới chuyển đề xuất qua quản lý rủi ro và portfolio manager.

TradingAgents có khoảng 122387 sao và 23426 fork, dùng giấy phép Apache-2.0. Đây là công cụ nghiên cứu. Kết quả phụ thuộc vào mô hình, dữ liệu, nhiệt độ, giai đoạn giao dịch và nhiều yếu tố không xác định; repo không phải công cụ tư vấn đầu tư hay giao dịch.

Framework

TauricResearch/TradingAgents

Framework Python dùng nhiều tác tử LLM để phân tích thị trường, tranh luận và tạo quyết định giao dịch mô phỏng.

★ 122kPythonApache-2.0
Xem repo trên GitHub

I.TradingAgents làm được gì

  • Phân tích theo nhiều vai trò chuyên biệt: Fundamentals Analyst xem xét tình hình tài chính và chỉ số của doanh nghiệp; Technical Analyst dùng các chỉ báo như MACD và RSI; Sentiment Analyst tổng hợp tiêu đề tin, StockTwits và Reddit; News Analyst theo dõi tin tức toàn cầu và chỉ báo kinh tế vĩ mô. Bạn nhận được nhiều góc nhìn thay vì một bản nhận xét đơn lẻ.

  • Cho các nhà phân tích chạy đồng thời: Những analyst được chọn sử dụng công cụ riêng và làm việc cùng lúc. Sau khi tất cả báo cáo hoàn tất, phần tranh luận nghiên cứu mới bắt đầu. Cách này phù hợp khi muốn rút ngắn thời gian chờ hoặc xây quy trình phân tích nhiều nguồn.

  • Tranh luận giữa phe tăng và phe giảm: Researcher Team gồm các researcher có quan điểm bullish và bearish. Họ phản biện thông tin từ analyst để cân bằng cơ hội lợi nhuận với rủi ro có thể xảy ra.

  • Tạo quyết định từ nhiều báo cáo: Trader Agent tổng hợp báo cáo của analyst và researcher để đề xuất thời điểm cũng như quy mô giao dịch. Quyết định có thêm bối cảnh thay vì chỉ là nhãn mua hoặc bán đơn giản.

  • Đánh giá rủi ro và danh mục: Risk Management Team xem xét biến động, thanh khoản và các yếu tố rủi ro khác. Portfolio Manager có quyền chấp thuận hoặc từ chối đề xuất; nếu được chấp thuận, lệnh được gửi tới sàn mô phỏng và thực thi.

  • Hỗ trợ nhiều nhà cung cấp LLM: Framework hỗ trợ OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen qua DashScope, GLM, MiniMax, OpenRouter, Mistral, Kimi, Groq, NVIDIA NIM, Ollama, Azure OpenAI, AWS Bedrock và các máy chủ tương thích OpenAI. Bạn có thể chọn provider theo chi phí, quyền riêng tư hoặc model đang có.

  • Chạy trên nhiều thị trường: Repo dùng ticker mà Yahoo Finance hỗ trợ, gồm cổ phiếu Mỹ, Hong Kong, Tokyo, London, Ấn Độ, Canada, Australia, Trung Quốc và tiền số. Với thị trường ngoài Mỹ, ticker cần hậu tố sàn tương ứng.

  • Có CLI tương tác và chế độ tự động: CLI cho phép chọn ticker, ngày phân tích, provider, độ sâu nghiên cứu và các tùy chọn khác. Khi cần chạy theo lịch hoặc từ script, bạn có thể dùng flag cùng các biến TRADINGAGENTS_* để bỏ qua câu hỏi tương tác.

  • Lưu báo cáo để xem lại: Khi lưu kết quả, framework có thể tạo báo cáo, memory log, cache và một file complete_report.html. File HTML gom các phần của báo cáo vào một trang, phù hợp để đọc trên trình duyệt, điện thoại hoặc in ra.

  • Nhúng trực tiếp vào Python: Bạn có thể khởi tạo TradingAgentsGraph, gọi .propagate() để nhận state và decision, rồi lưu báo cáo bằng save_reports. Cách này phù hợp khi muốn nối framework với dashboard, pipeline nghiên cứu hoặc ứng dụng nội bộ.

II.Cần chuẩn bị gì

  • Máy có Python 3.11 trở lên. README minh họa môi trường Python 3.13.
  • Git để tải mã nguồn, hoặc Docker và Docker Compose nếu chạy bằng container.
  • Một API key của provider LLM bạn chọn, chẳng hạn OPENAI_API_KEY, GOOGLE_API_KEY, ANTHROPIC_API_KEY, XAI_API_KEY, DEEPSEEK_API_KEY, DASHSCOPE_API_KEY, ZHIPU_API_KEY, MINIMAX_API_KEY, OPENROUTER_API_KEY, MISTRAL_API_KEY, MOONSHOT_API_KEY, GROQ_API_KEY hoặc NVIDIA_API_KEY.
  • FRED_API_KEY là tùy chọn cho dữ liệu kinh tế vĩ mô. ALPHA_VANTAGE_API_KEY dùng cho Alpha Vantage. TYPESAFE_API_KEY là tùy chọn nếu muốn sàng lọc bài đăng mạng xã hội bằng Jev.
  • Nếu dùng Azure OpenAI, cần sao chép .env.enterprise.example thành .env.enterprise và điền thông tin xác thực.
  • Nếu dùng ChatGPT Plus hoặc Pro, có thể chọn provider Subscription thay cho API key. Lượt chạy vẫn tính vào giới hạn sử dụng của gói.
  • Nếu dùng Ollama hoặc máy chủ tương thích OpenAI, cần có endpoint mô hình tương ứng. README không yêu cầu GPU riêng cho cách chạy này; khả năng phần cứng phụ thuộc vào mô hình và máy chủ bạn chọn.

TradingAgents có thể tạo đề xuất giao dịch, nhưng đây là framework nghiên cứu và dùng sàn mô phỏng. Không đưa API key vào mã nguồn hoặc chia sẻ file .env. Chi phí LLM và giới hạn sử dụng phụ thuộc provider bạn chọn.

III.Cài đặt từng bước

  1. Tải mã nguồnClone repo và đi vào thư mục dự án
  2. Tạo môi trường PythonDùng Python 3.11 trở lên trong môi trường riêng
  3. Cài packageCài TradingAgents cùng các dependency
  4. Khai báo providerĐiền API key hoặc chọn mô hình đăng nhập khác
  5. Chạy CLIMở giao diện chọn ticker và cấu hình phân tích

A.Tải mã nguồn

Mở Terminal hoặc PowerShell tại thư mục bạn muốn lưu dự án. Chạy hai lệnh sau:

Terminal
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

Lệnh đầu tiên tải mã nguồn về máy. Lệnh thứ hai chuyển terminal vào thư mục TradingAgents. Người mới thường chạy lệnh cài đặt ở thư mục khác, khiến Python không tìm thấy pyproject.toml; hãy kiểm tra tên thư mục hiện tại trước khi tiếp tục.

B.Tạo môi trường Python

README yêu cầu Python 3.11 trở lên và minh họa cách tạo môi trường bằng Conda:

Terminal
conda create -n tradingagents python=3.13
conda activate tradingagents

Nếu dùng uv, README có cách tương ứng:

Terminal
uv venv --python 3.13
source .venv/bin/activate

Môi trường riêng giúp dependency của TradingAgents không làm ảnh hưởng các dự án Python khác. Trên Windows, lệnh kích hoạt môi trường có thể khác tùy terminal; nếu lệnh source không chạy, dùng Conda hoặc cách kích hoạt do uv cung cấp cho shell của bạn.

C.Cài package và dependency

Sau khi môi trường đã được kích hoạt, chạy:

Terminal
pip install .

Lệnh này cài package Python tên tradingagents cùng dependency được khai báo trong dự án. Nếu muốn dùng AWS Bedrock, README chỉ rõ extra cần cài:

Terminal
pip install ".[bedrock]"

Chỉ cài extra Bedrock khi bạn thực sự dùng provider này. Với cách chạy Docker, bạn không cần cài package trực tiếp trên máy theo quy trình trên, nhưng vẫn cần Docker và file cấu hình key.

D.Khai báo API key

Cách đơn giản là sao chép file mẫu rồi điền key:

Terminal
cp .env.example .env

Mở .env và điền key cho provider bạn chọn. README cũng minh họa cách khai báo trong shell, ví dụ:

Terminal
export OPENAI_API_KEY=...
export GOOGLE_API_KEY=...
export ANTHROPIC_API_KEY=...

Không cần điền tất cả key. Chỉ khai báo provider mà bạn định dùng. Nếu dùng Docker, đặt key trong .env vì image không đưa file .env vào trong container.

Nếu chạy bằng ChatGPT Plus hoặc Pro, đăng nhập bằng:

Terminal
tradingagents login chatgpt

Lệnh này in ra một địa chỉ để mở trong trình duyệt. Sau khi đăng nhập, trình duyệt chuyển về máy qua 127.0.0.1. Nếu trình duyệt ở máy khác hoặc bạn chạy TradingAgents trong Docker, hãy dán địa chỉ mà trình duyệt chuyển tới. Đăng nhập được lưu trong ~/.tradingagents/chatgpt-auth.json. Khi cần thu hồi, chạy:

Terminal
tradingagents logout chatgpt

E.Chạy bằng Docker nếu không muốn cài trực tiếp

Sau khi có .env, chạy container:

Terminal
docker compose run --rm tradingagents

Nếu repo đã được cập nhật, dựng lại image bằng:

Terminal
docker compose build

Kết quả, báo cáo, memory log và cache nằm trong volume tradingagents_data. Nếu muốn lưu vào thư mục trên máy chủ, README đưa cách sau:

Terminal
mkdir -p data && TRADINGAGENTS_DATA_DIR=./data docker compose run --rm tradingagents

Với Ollama, chạy profile tương ứng:

Terminal
docker compose --profile ollama run --rm tradingagents-ollama

F.Mở CLI

Sau khi cài xong, chạy lệnh đã cài:

Terminal
tradingagents

Hoặc chạy trực tiếp từ mã nguồn:

Terminal
python -m cli.main

CLI sẽ hiện màn hình để bạn chọn ticker, ngày phân tích, provider LLM, độ sâu nghiên cứu và các tùy chọn khác. Các câu trả lời của lần chạy trước được dùng làm mặc định; nhấn Enter để chấp nhận. Các biến TRADINGAGENTS_* trong .env có thể bỏ qua từng câu hỏi.

IV.Kiểm tra đã chạy được chưa

Cách kiểm tra rõ nhất là chạy tradingagents hoặc python -m cli.main và xem CLI có hiện màn hình lựa chọn hay không. Nếu thấy các mục chọn ticker, ngày phân tích, provider và research depth, phần cài package đã được nhận diện.

Sau khi bắt đầu chạy, giao diện sẽ hiển thị tiến trình khi các agent làm việc. Bạn nên thấy các báo cáo analyst được tạo, phần nghiên cứu tranh luận, trader đưa ra đề xuất và nhóm quản lý rủi ro xử lý đề xuất đó.

Nếu chọn lưu kết quả, hãy kiểm tra thư mục kết quả có báo cáo và file complete_report.html. Mở file HTML bằng trình duyệt để xem bản báo cáo một trang. README cũng cho biết kết quả, report, memory log và cache có thể nằm trong volume tradingagents_data khi dùng Docker.

Với cách nhúng Python, chương trình phải tạo được TradingAgentsGraph, chạy .propagate() và in ra decision mà không lỗi import hoặc thiếu key. Nếu provider yêu cầu xác thực mà bạn chưa điền key, quá trình sẽ dừng ở phần gọi model.

V.Dùng vào việc thật

A.Chủ shop muốn theo dõi doanh nghiệp liên quan đến ngành hàng

Một chủ shop có thể dùng CLI để chọn ticker của doanh nghiệp sản xuất hoặc bán lẻ mà mình đang theo dõi. Trong màn hình tương tác, chọn provider đã khai báo, chọn các analyst phù hợp như fundamentals, news và market, rồi bật lưu báo cáo.

Kết quả là một báo cáo có góc nhìn về tình hình tài chính, tin tức và tín hiệu thị trường. Chủ shop có thể dùng báo cáo để chuẩn bị câu hỏi cho kế hoạch nhập hàng hoặc theo dõi đối tác, nhưng không nên xem quyết định mô phỏng là khuyến nghị đầu tư.

B.Nhân viên văn phòng muốn đọc nhanh nhiều góc nhìn

Nhân viên không muốn tự gom tin từ nhiều nguồn có thể chạy CLI tương tác, chọn một ticker và để các analyst hoạt động. Sau khi analyst hoàn tất, researcher tăng giá và giảm giá sẽ phản biện lẫn nhau.

Bản HTML complete_report.html giúp đọc lại trên trình duyệt hoặc điện thoại. Người dùng có thể xem phần tóm tắt, các luận điểm ủng hộ, rủi ro và quyết định cuối cùng trong cùng một trang.

Một quyết định tốt cần nhìn cả cơ hội, dữ liệu và rủi ro trước khi hành động.

Ông T

C.Dev xây pipeline phân tích nội bộ

Dev có thể nhúng framework vào một script Python thay vì mở CLI:

Python
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
state, decision = ta.propagate("NVDA", "ANALYSIS_DATE")
print(decision)
ta.save_reports(state, "NVDA")

Trong ví dụ trên, thay ANALYSIS_DATE bằng ngày phân tích mà pipeline của bạn cần dùng. propagate() trả về state và decision; save_reports() lưu cây báo cáo. Dev có thể đưa phần này vào job nội bộ, nhưng cần tự quản lý API key, giới hạn gọi model và việc kiểm tra kết quả.

D.Nhóm nghiên cứu muốn chạy mô hình cục bộ

Nhóm cần hạn chế gửi dữ liệu ra ngoài có thể cấu hình llm_provider: "ollama". Endpoint mặc định là http://localhost:11434/v1; nếu Ollama ở máy khác, đặt OLLAMA_BASE_URL tới ollama-serve từ xa. Tải model bằng:

Terminal
ollama pull <name>

Trong CLI, chọn Custom model ID nếu model không nằm trong danh sách mặc định. Cách này vẫn phụ thuộc khả năng của máy chạy Ollama và chất lượng model cục bộ.

E.Dev muốn chạy máy chủ tương thích OpenAI

Với vLLM, LM Studio, llama.cpp hoặc relay tùy chỉnh, đặt llm_provider: "openai_compatible" và cấu hình endpoint bằng backend_url hoặc TRADINGAGENTS_LLM_BACKEND_URL. README minh họa endpoint vLLM là http://localhost:8000/v1 và LM Studio là http://localhost:1234/v1.

Model được dùng là model mà máy chủ đang cung cấp. Máy chủ cục bộ không cần key; nếu endpoint yêu cầu key, đặt OPENAI_COMPATIBLE_API_KEY.

VI.Lỗi hay gặp và cách xử lý

A.Python quá cũ

Nếu pip install . báo package yêu cầu phiên bản Python cao hơn, kiểm tra bạn đang dùng Python 3.11 trở lên và đã kích hoạt đúng môi trường. README yêu cầu Python 3.11 trở lên, nên không nên cố bỏ qua ràng buộc này.

B.Chạy lệnh sai thư mục

Nếu không tìm thấy pyproject.toml hoặc package, hãy quay về thư mục repo sau khi clone và chạy lại pip install .. Lệnh cd TradingAgents phải được chạy trước các lệnh cài đặt.

C.Thiếu hoặc chọn sai API key

Nếu CLI mở được nhưng lỗi khi gọi model, kiểm tra provider đang chọn có khớp với biến key trong .env hay không. Chỉ cần một key đúng cho provider đã chọn; không cần khai báo toàn bộ danh sách.

D.Dùng file .env sai với Docker

README lưu ý image Docker không bao gồm các file .env. Hãy đặt key trong .env ở môi trường chạy Docker, sau đó chạy lại docker compose run --rm tradingagents.

E.Mô hình cục bộ không phản hồi

Với Ollama hoặc máy chủ OpenAI-compatible, kiểm tra endpoint và model đã tồn tại. Ollama cần ollama pull <name>; endpoint từ xa cần được trỏ bằng OLLAMA_BASE_URL. Với máy chủ khác, kiểm tra backend_url hoặc TRADINGAGENTS_LLM_BACKEND_URL.

VII.Có nên dùng không

Bạn nên chọn TradingAgents nếu muốn nghiên cứu quy trình giao dịch đa tác tử, cần nhiều vai trò phân tích, muốn thử nhiều provider LLM hoặc cần nhúng quy trình vào Python. CLI, Docker, báo cáo HTML, checkpoint và khả năng chạy mô hình cục bộ giúp repo phù hợp cả với người thử nghiệm lẫn dev xây prototype.

Giới hạn lớn nhất là đây không phải hệ thống giao dịch thực tế hay công cụ tư vấn tài chính. Kết quả có thể thay đổi theo model, temperature, dữ liệu và thời điểm chạy. Bạn cũng phải tự quản lý API key, chi phí gọi model, chất lượng dữ liệu và việc đánh giá decision.

Nếu chỉ cần hỏi đáp tài chính đơn giản, một chatbot hoặc script dữ liệu nhẹ có thể dễ dùng hơn. Nếu cần giao dịch tiền thật, kiểm soát tuân thủ, quản trị lệnh và độ tin cậy cấp sản xuất, bạn cần một hệ thống chuyên biệt có kiểm thử, giám sát và cơ chế phê duyệt riêng. TradingAgents phù hợp nhất để nghiên cứu, backtest và xây thử quy trình có nhiều tác tử.

4.5/5 · Ông T chấm

Chưa có độc giả chấm

Bài này có ích với bạn không?

Câu hỏi thường gặp

TradingAgents có miễn phí không?

Repo dùng giấy phép Apache-2.0. Tuy nhiên, chi phí chạy thực tế có thể phát sinh từ API của provider LLM hoặc giới hạn sử dụng gói ChatGPT Plus/Pro. Tư liệu không khẳng định mọi provider đều miễn phí.

Có cần GPU không?

README không yêu cầu GPU riêng. Bạn có thể dùng API từ nhiều provider, ChatGPT Plus/Pro hoặc mô hình qua Ollama và máy chủ tương thích OpenAI. Nếu chạy mô hình cục bộ, phần cứng cần thiết phụ thuộc vào model và máy chủ bạn chọn.

Có chạy trên Windows được không?

README có đề cập một bản phát hành đã sửa lỗi mã hóa UTF-8 trên Windows. Tuy vậy, một số lệnh mẫu như `source .venv/bin/activate` dành cho shell kiểu Unix; cách kích hoạt môi trường trên Windows có thể khác.

Cần bao nhiêu API key?

Bạn chỉ cần key của provider LLM mà mình chọn. Một số key như FRED, Alpha Vantage và TypeSafe là tùy chọn cho nguồn dữ liệu hoặc sàng lọc bài đăng.

Dữ liệu và API key có an toàn không?

README hướng dẫn đặt key trong `.env`, `.env.enterprise` hoặc biến môi trường, nhưng không mô tả chính sách bảo mật dữ liệu chi tiết. Bạn nên tự bảo vệ các file này và hiểu dữ liệu có thể được gửi tới provider LLM đã chọn.

TradingAgents có giao dịch tiền thật không?

Theo README, Portfolio Manager gửi lệnh tới sàn mô phỏng và thực thi trong môi trường mô phỏng. Repo được thiết kế cho mục đích nghiên cứu và không phải tư vấn đầu tư hay giao dịch.

Có thể dùng model cục bộ không?

Có. README hỗ trợ Ollama và các máy chủ tương thích OpenAI như vLLM, LM Studio, llama.cpp hoặc relay tùy chỉnh. Bạn cần cấu hình provider, endpoint và model tương ứng.

Chuyển nhanh tới mục

  1. I.TradingAgents làm được gì
  2. II.Cần chuẩn bị gì
  3. III.Cài đặt từng bước
    1. A.Tải mã nguồn
    2. B.Tạo môi trường Python
    3. C.Cài package và dependency
    4. D.Khai báo API key
    5. E.Chạy bằng Docker nếu không muốn cài trực tiếp
    6. F.Mở CLI
  4. IV.Kiểm tra đã chạy được chưa
  5. V.Dùng vào việc thật
    1. A.Chủ shop muốn theo dõi doanh nghiệp liên quan đến ngành hàng
    2. B.Nhân viên văn phòng muốn đọc nhanh nhiều góc nhìn
    3. C.Dev xây pipeline phân tích nội bộ
    4. D.Nhóm nghiên cứu muốn chạy mô hình cục bộ
    5. E.Dev muốn chạy máy chủ tương thích OpenAI
  6. VI.Lỗi hay gặp và cách xử lý
    1. A.Python quá cũ
    2. B.Chạy lệnh sai thư mục
    3. C.Thiếu hoặc chọn sai API key
    4. D.Dùng file .env sai với Docker
    5. E.Mô hình cục bộ không phản hồi
  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.