Agentic Engineer (Python/Go/C/C++ Backend & AI Agents) - Trung tâm AI - Khối Công nghệ thông tin
Mô tả công việc
• Xây dựng phát triển các sản phẩm AI có khả năng tự động lập kế hoạch, ra quyết định và thực thi hành động, được triển khai thực tế ở quy mô lớn, các hệ thống AI thế hệ mới như:
- AI Agents (Autonomous Agents)
- LLM-powered Applications
- Multi-agent Workflow Systems
- AI-driven Backend Services
- Intelligent Automation Platforms
• Trách nhiệm công việc (Responsibilities)
- Thiết kế và phát triển các hệ thống Backend tích hợp AI/LLM Agents.
- Xây dựng các Agentic Workflow, A: Planning – Tool Use – Memory – Execution.
- Phát triển các dịch vụ AI dưới dạng Microservices (FastAPI/Flask/Django hoặc Java/Go services).
- Tích hợp các mô hình AI vào hệ thống sản phẩm qua REST/gRPC APIs.
- Triển khai hệ thống AI production-ready với Docker/Kubernetes.
- Tối ưu hiệu năng inference: latency, throughput, cost.
- Làm việc với dữ liệu lớn và hệ thống có lượng người dùng cao (đặc biệt trong tài chính/ngân hàng/chứng khoán).
- Nghiên cứu và ứng dụng các kỹ thuật mới: RAG, Function Calling, Multi-agent systems, Reinforcement Learning Agents.
- Đảm bảo các tiêu chuẩn về bảo mật, an toàn và khả năng mở rộng của hệ thống AI.
Phúc lợi:
Lương tháng thứ 13, Bảo hiểm sức khỏe cá nhân, Du lịch, Fitness Center (Yoga, GYM…), Hỗ trợ đi lại, Hỗ trợ kinh phí tập luyện thể thao, Khám sức khỏe định kỳ, Ngày nghỉ sinh nhật, Quà tặng sinh nhật, Quà tặng Tết Nguyên Đán, Thưởng các dịp Lễ (Tết, Quốc Khánh, 30/4 - 1/5, Sinh nhật Ngân hàng…), Thưởng thành tích, Thưởng hiệu suất, Vay ưu đãi
Yêu cầu ứng viên
• Tốt nghiệp Đại học các chuyên ngành: Công nghệ thông tin, Khoa học máy tính, Công nghệ phần mềm, Hệ thống thông tin, Tự động hóa, Điện tử viễn thông hoặc các ngành liên quan
• Có kinh nghiệm thực tế làm Backend tại công ty hoặc dự án lớn.
Thành thạo ít nhất 1 ngôn ngữ Backend: Ưu tiên Python, Go, C/C++
• Có kinh nghiệm thiết kế hệ thống Microservice Architecture.
Thành thạo một trong các hệ quản trị cơ sở dữ liệu:PostgreSQL, MongoDB
• Hiểu rõ API design (RESTful/gRPC), bảo mật và tối ưu hiệu năng hệ thống
• Có kinh nghiệm với: LLM Agents (GPT, Gemini, Claude), LangChain / LangGraph/ ADK, Autogen, RAG pipelines, Vector Database(Milvus, pgvector. Tool-use Agents (Function Calling), Memory + Planning + Multi-step reasoning systems
• Thành thạo Git/GitFlow
Có kinh nghiệm: Docker, Kubernetes
• Ưu tiên:
- Có kinh nghiệm trong domain: Tài chính, ngân hàng, chứng khoán
- Hiểu biết về AI Safety, Guardrails, Model Monitoring.
- Có kinh nghiệm tối ưu hệ thống AI cost-efficient ở production.
- Với ứng viên Junior, Fresher: Ưu tiên các bạn xếp loại học tập loại Giỏi, Xuất sắc; GPA cao; đạt giải thưởng trong các cuộc thi chuyên môn, học sinh giỏi tỉnh, thành phố trở lên; có nghiên cứu khoa học được công bố tại các hội thảo, tạp chí quốc tế (ứng viên cần thể hiện nội dung về GPA, giải thưởng trong CV)
- Có kiến thức, Kỹ thuật xử lý dữ liệu:NLP, Computer Vision, Speech, Video Understanding
- Hiểu biết kiến trúc mô hình: CNN, RNN, Transformer, Attention, GNN
MB Bank yêu cầu ứng viên ứng tuyển cần cung cấp chi tiết các thông tin sau:
- Thông tin cá nhân: Họ và tên, Ngày tháng năm sinh, Giới tính
- Số điện thoại và Email liên hệ
- Trình độ học vấn, Trường đã tốt nghiệp
- Kinh nghiệm làm việc
- Từ 3 - 5 kỹ năng nổi bật
- Nguồn Tuyển dụng
Vì sao Bạn nên đảm bảo đầy đủ thông tin khi ứng tuyển?
- Hồ sơ của Bạn sẽ được đánh giá nhanh chóng.
- Đối với các hồ sơ đáp ứng đầy đủ thông tin và tiêu chí tuyển dụng phù hợp, MB Bank sẽ chủ động liên hệ phỏng vấn trong thời gian sớm nhất..
- Ứng viên vui lòng kiểm tra email và điện thoại thường xuyên để không bỏ lỡ lịch hẹn phỏng vấn.
Cập nhật ngay thông tin mới nhất về các Chương trình do MB tổ chức tại FanPage:
- Ai yêu Miền Bắc hơn MBers
- Ai yêu Miền Trung hơn MBers
- Ai yêu Miền Nam hơn MBers
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí Agentic Engineer tại MB Bank
🎯 Tổng quan vị trí
Đây là vị trí rất chuyên biệt kết hợp giữa Backend Engineer và AI Engineer — chuyên xây dựng các hệ thống AI agentic (AI có khả năng tự lập kế hoạch, ra quyết định, sử dụng công cụ) ở quy mô production trong ngân hàng. Đây không phải vị trí ML researcher hay data scientist thuần túy, mà là AI Software Engineer — phải code production-grade.
---
💻 Hard Skills — Bắt buộc phải có
1️⃣ Ngôn ngữ Backend (chọn ít nhất 1, ưu tiên theo thứ tự)
| Ngôn ngữ | Mức độ ưu tiên | Ghi chú |
|---|---|---|
| Python | ⭐⭐⭐⭐⭐ | Bắt buộc — hệ sinh thái AI/LLM mạnh nhất |
| Go | ⭐⭐⭐⭐ | Tốt cho microservices, concurrency |
| C/C++ | ⭐⭐⭐ | Cho performance-critical components |
2️⃣ Backend Framework & Architecture
- Microservices Architecture: thiết kế hệ thống phân tán, service mesh, load balancing
- Framework Python: FastAPI (ưu tiên), Flask, Django — FastAPI đang là trend cho AI services
- API Design: RESTful API, gRPC, GraphQL, WebSocket
- Authentication/Security: OAuth 2.0, JWT, API Gateway patterns
3️⃣ Database
- PostgreSQL: quan hệ, transaction-safe (rất quan trọng cho finance)
- MongoDB: NoSQL, flexible schema
- Vector Database (ưu tiên): Milvus, pgvector, Pinecone, Weaviate, Chroma
- Cache: Redis, Memcached
4️⃣ AI/LLM Stack — Phần "Agentic" — trái tim của vị trí này
- LLM APIs: OpenAI GPT, Google Gemini, Anthropic Claude
- Agent Frameworks:
- LangChain (foundation)
- LangGraph (multi-agent workflow)
- ADK (Agent Development Kit)
- Autogen (Microsoft)
- CrewAI, Haystack
- Kỹ thuật AI nâng cao:
- RAG (Retrieval-Augmented Generation): chunking strategies, reranking, hybrid search
- Function Calling / Tool Use: thiết kế tools cho agent
- Memory Systems: short-term, long-term, episodic memory
- Planning: ReAct, Chain-of-Thought, Tree of Thoughts
- Multi-agent orchestration: supervisor pattern, handoff, message passing
5️⃣ DevOps & Production
- Containerization: Docker (compose, multi-stage builds)
- Orchestration: Kubernetes (pods, deployments, services, ingress, HPA)
- CI/CD: GitHub Actions, GitLab CI, ArgoCD
- Monitoring: Prometheus, Grafana, Langfuse, LangSmith
- Git/GitFlow: branching strategy, PR workflow
6️⃣ Tối ưu & Production-Ready
- Inference optimization: batching, caching, quantization
- Cost optimization: model selection, prompt caching, async processing
- Latency optimization: streaming, parallel calls
- AI Safety: Guardrails, output validation, jailbreak prevention
---
🌟 Soft Skills — Không thể thiếu
| Kỹ năng | Tại sao quan trọng |
|---|---|
| Tư duy hệ thống | Phải thiết kế AI agents phức tạp, đảm bảo reliability |
| Research mindset | AI Agents là lĩnh vực mới, phải tự học liên tục |
| Communication | Làm việc liên phòng ban (business, risk, compliance) trong ngân hàng |
| Tỉ mỉ, cẩn thận | Fintech đòi hỏi độ chính xác cao, sai 1 dòng có thể mất tiền |
| Tinh thần ownership | Production AI systems cần người chịu trách nhiệm end-to-end |
| Tiếng Anh | Docs của LangChain, OpenAI... đều tiếng Anh |
---
📜 Chứng chỉ & Bằng cấp — Gợi ý
Nên có (ưu tiên cao)
- Bằng ĐH loại Giỏi/Xuất sắc (với junior) — GPA ≥ 3.2/4.0
- Công bố khoa học tại hội thảo/tạp chí quốc tế (NeurIPS, ICML, ACL, AAAI...)
- Giải thưởng Olympic Tin học, ACM-ICPC, Olympic Toán, học sinh giỏi cấp tỉnh/thành phố trở lên
Chứng chỉ nên tham khảo
- AWS Certified Solutions Architect / ML Specialty
- Google Cloud Professional ML Engineer
- Certified Kubernetes Administrator (CKA)
- DeepLearning.AI: AI Agents courses (Andrew Ng)
- LangChain Academy (miễn phí)
---
🔥 Yếu tố TẠO KHÁC BIỆT trong CV
1. Portfolio project về AI Agent trên GitHub (đặc biệt multi-agent workflow)
2. Blog/technical writing chia sẻ về RAG, agent design
3. Open-source contribution cho LangChain, Autogen
4. Demo sản phẩm AI đã deploy production
5. Hiểu biết domain tài chính: creditscore, KYC, fraud detection, customer service bots
📊 Bảng so sánh theo cấp bậc
| Cấp bậc | Kinh nghiệm | Yêu cầu cốt lõi | Có nên apply? |
|---|---|---|---|
| Fresher/Junior | 0-1 năm | Python, FastAPI, Git, Docker + GPA/giải thưởng + project AI | ✅ Có — MB mở cửa cho bạn nếu profile nổi bật |
| Mid-level | 2-4 năm | Thêm Kubernetes, microservices, RAG production | ✅ Rất phù hợp |
| Senior | 5+ năm | System design, AI cost optimization, mentoring | ✅ Sweet spot |
| Lead/Architect | 7+ năm | Multi-agent architecture, AI strategy | ⚠️ Có thể thấy hơi senior cho title này |
---
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn vị trí Agentic Engineer - MB Bank
📋 Quy trình tuyển dụng dự kiến (5 vòng)
🔹 Vòng 1: HR Screening (30-45 phút)
Hình thức: Phone/Video call với HR
- Xác nhận thông tin cơ bản, mức lương mong muốn, thời gian onboard
- Đánh giá motivation, sự phù hợp văn hóa MB
Câu hỏi hay gặp:
- Tại sao apply MB Bank mà không phải tech company?
- Bạn hiểu gì về vị trí Agentic Engineer?
- Mức lương kỳ vọng?
- Bạn có thể onboard trong bao lâu?
Tips:
- Chuẩn bị sẵn "elevator pitch" về bản thân (60 giây)
- Tìm hiểu trước về MB Bank: MBB, MB Ageas Life, các sản phẩm MBB App, AI Center
---
🔹 Vòng 2: Technical Test Online (90-120 phút)
Hình thức: HackerRank/CodeSignal, có thể bao gồm:
- Coding: thuật toán + data structures (medium-hard level)
- SQL: query PostgreSQL phức tạp
- System design mini: thiết kế 1 API
Tips chuẩn bị:
- Luyện LeetCode 150-300 bài (medium là đủ, hard cho điểm cao)
- Pattern quan trọng: sliding window, two pointers, BFS/DFS, DP, graph
- SQL: window functions, CTE, indexing
---
🔹 Vòng 3: Technical Interview #1 - Backend Deep Dive (60-90 phút)
Hình thức: 1-2 interviewer, whiteboard/coding live
Chủ đề câu hỏi dự kiến:
Backend cơ bản
- Sự khác biệt giữa SQL và NoSQL? Khi nào dùng MongoDB?
- Giải thích ACID, transaction isolation levels
- REST vs gRPC vs WebSocket — khi nào chọn cái nào?
- Idempotency là gì? Tại sao quan trọng trong finance?
Microservices
- Service discovery, load balancing
- Circuit breaker pattern
- Event-driven architecture vs request-response
- Saga pattern cho distributed transactions
Database
- Indexing strategies, query optimization
- Sharding, replication
- CAP theorem
System Design (60-90 phút)
- Thiết kế hệ thống recommendation cho khách hàng MB
- Thiết kế API Gateway cho microservices
- Thiết kế hệ thống xử lý 1 triệu transactions/ngày
Tips:
- LUÔN clarify requirements trước khi design
- Vẽ sơ đồ, nêu trade-offs
- Đề cập monitoring, scaling, security
---
🔹 Vòng 4: Technical Interview #2 - AI/Agent Deep Dive (60-90 phút)
Đây là vòng phân biệt ứng viên — và cũng là nơi nhiều bạn "chết" nhất
Câu hỏi chắc chắn gặp:
Về LLM & Agents
- Agent là gì? Khác gì với chatbot thông thường?
- Mô tả ReAct framework. Planning hoạt động thế nào?
- Memory trong agent: short-term, long-term, episodic — khác nhau gì?
- Multi-agent system: Supervisor pattern vs Peer-to-peer pattern
- Function Calling: cơ chế hoạt động? Khi nào dùng?
Về RAG
- RAG pipeline end-to-end: từ document → embedding → retrieval → generation
- Chunking strategies nào tốt cho tài liệu tài chính?
- Hybrid search là gì? Kết hợp keyword + semantic search
- Reranking tại sao cần thiết?
- Cách đánh giá chất lượng RAG
Về Production AI
- Latency: làm sao giảm từ 5s → 1s cho LLM response?
- Cost optimization: prompt caching, model selection strategy
- AI Safety: làm sao prevent prompt injection, jailbreak?
- Guardrails: kiểm soát output thế nào?
- Monitoring AI: track drift, hallucination, latency
Code review / System design AI
- "Thiết kế customer service chatbot cho MB Bank" — phải làm rõ: tool use, handoff to human, escalation rules
- "Thiết kế AI agent phân tích báo cáo tài chính"
Tips:
- Hãy nhắc đến production experience: "Tôi đã optimize latency nhờ prompt caching giảm 40%"
- Đề cập các công cụ specific: LangSmith, Langfuse, Helicone để monitor AI
- Câu trả lời cần có: "Trong context ngân hàng, đây là rủi ro... tôi sẽ giải quyết thế này..."
---
🔹 Vòng 5: Final Interview - Manager/Director (45-60 phút)
Hình thức: Director/Head of AI Center
Câu hỏi dự kiến:
- Tầm nhìn của bạn về AI trong ngân hàng 5 năm tới?
- Bạn sẽ làm gì trong 6 tháng đầu tiên?
- Cách bạn handle conflict trong team?
- Ví dụ về lần bạn fail và bài học rút ra?
Tips:
- Thể hiện leadership, ownership
- Đặt câu hỏi cho interviewer: roadmap của AI Center, tech stack lộ trình...
---
👔 Dress Code
- Vòng HR: Smart casual
- Vòng technical: Quần áo gọn gàng, không cần suit (cũng đừng quá casual như mặc áo thun có hình meme)
- Vòng Director: Business formal (sơ mi, có thể vest, không cần cà vạt)
💡 10 Tips "sống còn"
1. CV phải có keywords từ JD (RAG, LangChain, Microservices, LLM Agents...)
2. GitHub portfolio là vũ khí bí mật — show code production-quality
3. Chuẩn bị 2-3 project AI agent mà bạn tự hào nhất, có số liệu cụ thể
4. Hiểu rõ regulatory trong ngân hàng: Luật An toàn thông tin, Basel III nếu được
5. Đừng nói "tôi học nhanh được" — hãy nói "đây là project tôi đã làm khi tự học"
6. Hỏi ngược: "Tech stack hiện tại của team thế nào? On-call rotation?"
7. Đừng bluff kiến thức — AI/ML rất dễ bị "bắt thóp"
8. Chuẩn bị STAR answers cho 5 câu behavioral: conflict, failure, leadership, success, challenge
9. Follow-up email sau phỏng vấn (trong 24h)
10. Nếu lương hỏi sớm: anchor với market rate, đừng nói quá thấp hoặc quá cao
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị 2-4 tuần
🎯 Chẩn đoán nhanh — Bạn đang ở đâu?
```
Backend 5+ năm, AI hobby projects → Thiên về Senior, focus ôn AI/LLM
AI/ML Engineer, biết ít Backend → Thiên về Mid, focus ôn Backend
Fresher/Junior → Ôn đều cả 2, đặc biệt project + portfolio
```
---
📚 Kiến thức nền BẮT BUỘC
1. Backend Engineering Stack (Ôn 5-7 ngày)
- API Design: REST best practices, status codes, versioning, OpenAPI/Swagger
- Microservices: patterns (Saga, CQRS, Event Sourcing, Bulkhead), trade-offs
- Database: PostgreSQL indexing, query plan, transactions; MongoDB aggregation pipeline
- Async processing: Celery, RabbitMQ, Kafka, Redis pub/sub
- Container: Dockerfile best practices, multi-stage build, docker-compose
- Kubernetes: pods, deployments, services, ingress, configmap, secrets, HPA
2. AI/LLM/Agent Stack (Ôn 7-10 ngày)
Foundation (3 ngày)
- LLM basics: GPT, Claude, Gemini — kiến trúc Transformer, attention
- Prompt Engineering: few-shot, chain-of-thought, system prompt
- Embeddings: cosine similarity, semantic search
Core Agent Skills (4-5 ngày)
- ReAct pattern: Reasoning + Acting loop
- Function Calling / Tool Use: OpenAI tools API, Anthropic tool use
- Agent Frameworks (chọn 1-2 học sâu):
- LangChain + LangGraph (industry standard)
- Autogen (Microsoft)
- CrewAI (đơn giản, dễ demo)
Advanced (3-4 ngày)
- RAG Architecture:
- Document loading, chunking strategies (recursive, semantic)
- Embedding models (OpenAI, BGE, Cohere)
- Vector DB: pgvector, Milvus, Qdrant, Weaviate
- Retrieval: similarity, MMR, hybrid search
- Reranking (Cohere, BGE-reranker)
- Evaluation: RAGAS, TruLens
- Memory: ConversationBufferMemory, summary memory, vector store memory
- Multi-agent: Supervisor pattern, handoff, group chat
- AI Safety: input/output validation, content moderation, prompt injection defense
3. Production & Deployment (2-3 ngày)
- Serving: FastAPI best practices, async/await, streaming
- Performance: caching, batching, prompt caching
- Cost: token counting, model selection (Haiku vs Sonnet vs Opus)
- Observability: LangSmith, Langfuse, OpenTelemetry
- Security: API key management, PII handling, audit logs (cực quan trọng cho bank)
---
🗓 Lộ trình chi tiết 4 tuần
Tuần 1: Nền tảng Backend
| Ngày | Sáng | Chiều |
|---|---|---|
| T2 | REST API + versioning | Microservices patterns |
| T3 | PostgreSQL deep dive | MongoDB aggregation |
| T4 | Docker fundamentals | Docker compose multi-service |
| T5 | Kubernetes core objects | K8s networking & storage |
| T6,7 | Review + code project microservice nhỏ | LeetCode SQL practice |
Tuần 2: AI/LLM Foundation
| Ngày | Sáng | Chiều |
|---|---|---|
| T2 | LLM basics + Prompt Engineering | Embeddings + Semantic search |
| T3 | LangChain chains + tools | Function Calling thực hành |
| T4 | LangGraph state machines | Multi-agent với LangGraph |
| T5 | Autogen framework | CrewAI hands-on |
| T6,7 | Build chatbot có tool use + memory | Đánh giá trên HackerRank benchmark |
Tuần 3: RAG & Production
| Ngày | Sáng | Chiều |
|---|---|---|
| T2 | RAG kiến trúc + chunking | Vector DB hands-on (pgvector/Milvus) |
| T3 | Hybrid search + reranking | RAG evaluation (RAGAS) |
| T4 | FastAPI + LangChain integration | Streaming responses |
| T5 | LangSmith/Langfuse monitoring | Cost optimization |
| T6,7 | Build RAG app production-ready | Document code, blog lại |
Tuần 4: Polish & System Design
| Ngày | Sáng | Chiều |
|---|---|---|
| T2 | AI Safety, Guardrails | PII handling (quan trọng cho bank) |
| T3 | System design: AI Customer Service Bot | System design: AI Credit Analysis |
| T4 | Mock interview AI/Agent | Mock interview Backend |
| T5 | HR + Director round prep | Review CV + portfolio |
| T6,7 | Nghỉ ngơi + review hết | Sẵn sàng chiến đấu |
---
📖 Tài liệu tham khảo
📘 Sách (theo độ ưu tiên)
1. "Building LLM Applications for Production" (Free PDF) — tuyệt vời cho beginner
2. "Designing Machine Learning Systems" - Chip Huyen
3. "Building Microservices" - Sam Newman
4. "Designing Data-Intensive Applications" - Martin Kleppmann
5. "AI Engineering" - Chip Huyen (2025, MUST READ)
🌐 Khóa học Online
- DeepLearning.AI: AI Agents in LangGraph (Andrew Ng)
- DeepLearning.AI: Functions, Tools and Agents with LangChain
- LangChain Academy: official tutorials (free)
- Scrimba: Learn AI Agents (miễn phí)
- AWS Educate: Cloud + ML free courses
- FastAPI documentation (rất đầy đủ)
🎥 YouTube Channels
- LangChain (official)
- Sam Witteveen (Agent tutorials)
- Patrick Loeber (LangGraph)
- Code with Aarohi (AI engineering)
- MB Bank AI Center YouTube (nếu có)
📰 Blog/Tech Updates
- LangChain Blog (blog.langchain.dev)
- OpenAI Cookbook (rất practical)
- Anthropic Engineering Blog
- TheSequence newsletter
- Last Week in AI
💻 Hands-on Practice Platforms
- LeetCode: Backend + SQL (Medium level)
- HackerRank: Code screen
- Codewars: Python kata
- Kaggle: cho RAG dataset thực hành
---
🛠 3 Projects "must-have" trong Portfolio
Project 1: AI Customer Service Agent cho ngân hàng (banking context)
- Multi-agent system: greeting agent → lookup agent → escalation agent
- RAG từ chính sách ngân hàng
- Handoff to human khi vượt confidence threshold
- Tool: tra cứu số dư, lịch sử giao dịch
Project 2: Document AI cho ngân hàng
- RAG pipeline cho hợp đồng tín dụng, quy định nội bộ
- Hybrid search + reranking
- Eval dashboard (RAGAS)
- Production với FastAPI + Docker
Project 3: Multi-agent Workflow (LangGraph/CrewAI)
- Ví dụ: AI phân tích báo cáo tài chính → generate insight + visualization
- Show planning step, memory persistence
Mỗi project phải có:
- GitHub repo (README chuẩn, có architecture diagram)
- Demo video (3-5 phút)
- Blog post giải thích design choices
---
🎁 Tài liệu riêng cho vị trí ngân hàng
- Hiểu regulatory: Ngân hàng Nhà nước, Thông tư 13/2023 về AI, Basel III
- Case studies: Mai Chi, Thuyền Trưởng MB AI, ứng dụng AI của các ngân hàng Việt Nam
- Hiểu domain: KYC, AML, credit scoring, fraud detection, customer 360
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho Agentic Engineer
💰 Mức lương kỳ vọng (2024-2025, MB Bank + thị trường Việt Nam)
> Lưu ý: MB Bank trả lương khá competitive trong ngân hàng Việt Nam, đặc biệt cho AI Center. Lương thỏa thuận = có thể negotiate tốt nếu profile mạnh.
| Cấp bậc | Kinh nghiệm | Gross (triệu VND/tháng) | Total comp (VND/năm) |
|---|---|---|---|
| Fresher/Junior | 0-1 năm | 20-35 | 280M - 500M |
| Mid-level | 2-4 năm | 35-60 | 500M - 850M |
| Senior | 5-7 năm | 60-100 | 850M - 1.5B |
| Lead/Architect | 7-10 năm | 100-180 | 1.5B - 2.5B |
| Principal/Head | 10+ năm | 180-300+ | 2.5B - 5B+ |
Mức lương MB đặc biệt:
- Lương tháng 13 + thưởng performance + thưởng KPI ngân hàng
- Vay ưu đãi (lãi suất 5-6%/năm, lên đến 1-2 tỷ) — đây là hidden gem
- Bảo hiểm sức khỏe premium
- Tổng package có thể cộng 15-25% vào gross
TIPS NEGOTIATION:
- Đừng nhảy số luôn, hỏi range của position trước
- Anchor với market salary (FPT, VinAI, VinBigData cùng level)
- Đề cập total comp: lương + bonus + stock options (nếu có) + benefits
- Có offer khác làm leverage (cẩn thận nếu chưa có offer thật)
---
📈 Lộ trình thăng tiến
Option A: Technical IC (Individual Contributor)
```
Fresher → Junior Engineer (1-2 năm)
↓
Mid-level Engineer (2-4 năm)
↓
Senior Engineer (5-7 năm)
↓
Staff/Principal Engineer (7-10 năm) ← ngân hàng Việt Nam ít có tier này
↓
Distinguished Engineer/Fellow (10+ năm)
```
Option B: Management
```
Senior Engineer → Tech Lead (5-7 năm)
↓
Engineering Manager (7-9 năm)
↓
Senior Manager/Director (9-12 năm)
↓
VP AI Engineering (12+ năm)
```
Option C: Hybrid (phổ biến nhất ở Việt Nam)
```
Tech Lead → AI Architect → Director of AI Engineering
```
> 💡 Ở MB Bank, AI Center mới thành lập nên có nhiều cơ hội thăng tiến nhanh — bạn có thể là người xây dựng team từ đầu.
---
🗺 Các hướng đi phổ biến sau 3-5 năm ở vị trí này
| Hướng | Pros | Cons | Ai phù hợp |
|---|---|---|---|
| Ở lại MB lâu dài | Vay mua nhà ưu đãi, thương hiệu MB, stable | Lương có thể không bằng tech giant | Người thích stability, muốn mua nhà Hà Nội |
| Sang fintech/AI startup | Equity, tốc độ, learning nhanh | Risk cao, work-life balance có thể kém | Người chấp nhận rủi ro, thích challenge |
| Ra nước ngoài (Singapore, Mỹ, Úc) | Lương USD, exposure toàn cầu | Visa, xa gia đình | Có tiếng Anh tốt, 5+ năm exp |
| Làm freelance/consulting | Tự do, income cao | Không ổn định, phải tự tìm client | Senior level, có network |
| Sáng lập AI startup | Build từ đầu | Rủi ro cao | Risk-taker, có domain expertise |
---
🎯 Kỹ năng cần phát triển tiếp (next 12-24 months)
Must-have (cho senior level)
1. System Design nâng cao: thiết kế hệ thống AI quy mô 10M+ users
2. AI Cost Optimization: model distillation, RAG caching, prompt engineering ở scale
3. AI Governance & Ethics: EU AI Act, NIST AI RMF, SBOM cho models
4. Cross-functional leadership: làm việc với product, risk, compliance, legal
5. Public speaking/technical writing: viết blog, nói ở hội thảo
Nice-to-have (edge)
6. Reinforcement Learning cơ bản: hiểu RLHF, GRPO, DPO
7. Knowledge Graph + RAG hybrid
8. Real-time AI: streaming, voice agents, multimodal
9. On-prem LLM: vLLM, TGI, llama.cpp, vì ngân hàng nhiều khi cần on-prem
10. Vietnamese NLP: PhoBERT, BÁoEX, VinAI — vì MB phục vụ khách hàng VN
---
⚠️ Pitfalls thường gặp (cảnh báo thật)
Trong CV/Phỏng vấn
1. Liệt kê công nghệ quá nhiều nhưng không sâu — HR sẽ test
2. Không có project production — chỉ toàn tutorial
3. Không hiểu "tại sao" dùng RAG thay vì fine-tuning
4. Bỏ qua domain knowledge — bank cần người hiểu rủi ro tài chính
5. CV không có link demo/video — HR không mở GitHub của bạn nếu không bảo
Trong nghề
1. Bỏ qua Monitoring/Observability — AI production mà không monitor = tai họa
2. Confuse RAG và Fine-tuning — biết khi nào nên dùng cái nào
3. Cost không quan tâm — bill OpenAI có thể ăn hết budget phòng
4. Không đọc documentation LLM — model update hàng tuần, dùng model cũ = chậm
5. Bỏ qua Security — đặc biệt với ngân hàng, 1 leak = tới án
---
🌟 Cơ hội đặc biệt khi làm AI ở ngân hàng VN
- MB là một trong những ngân hàng tiên phong về AI tại VN — exposure tốt
- Data rất nhiều và đa dạng: 25M+ khách hàng, mọi giao dịch tài chính
- Project thật, impact thật: AI trực tiếp phục vụ hàng triệu người
- Brand MB trong CV rất mạnh khi apply sau này
- Learning AI trong finance = hiểu sâu hơn về compliance + technical
---
💡 Lời khuyên cuối cùng
> Bạn đang apply vào một vị trí rất hiếm ở Việt Nam. Hầu hết các bạn backend muốn nhảy vào AI nhưng không biết bắt đầu từ đâu — MB cho bạn con đường rõ ràng. Hãy:
>
> 1. Đầu tư nghiêm túc 4-6 tuần chuẩn bị (CV + portfolio + ôn thi)
> 2. Show passion với việc ứng dụng AI thực tế (không phải hype)
> 3. Thể hiện hiểu biết về rủi ro ngân hàng (security, compliance, bias)
> 4. Chuẩn bị kỹ CV với keywords từ JD
>
> Chúc bạn pass phỏng vấn! 🚀
Câu hỏi thường gặp
Mình là sinh viên năm cuối CNTT, GPA 3.5/4.0, có làm 2 project AI Agent (LangChain + RAG) trên GitHub nhưng chưa từng đi làm. Mình có nên apply vị trí Agentic Engineer tại MB không?
HOÀN TOÀN NÊN apply! Mô tả vị trí này của MB có nói rõ: 'Với ứng viên Junior, Fresher: Ưu tiên các bạn xếp loại Giỏi, Xuất sắc; GPA cao; đạt giải thưởng'. GPA 3.5/4.0 + 2 project AI Agent + GitHub portfolio chứng minh được năng lực thực tế là profile rất tốt. Tips: (1) Bổ sung vào CV 3-5 'top skills' nổi bật như LangChain, RAG, FastAPI, Docker, PostgreSQL; (2) Ghi rõ project là gì, bao nhiêu dòng code, có demo online không; (3) Nếu có giải Olympic Tin học/SV giỏi thì nhấn mạnh; (4) Đừng quên ghi nguồn tuyển dụng. MB đang xây dựng AI Center nên rất cần người trẻ tiềm năng.
Mức lương kỳ vọng cho vị trí Agentic Engineer 3 năm kinh nghiệm tại MB Bank là bao nhiêu? Có nên mặc cả không?
Với 3 năm kinh nghiệm (mid-level) ở vị trí chuyên biệt AI Engineer tại ngân hàng lớn như MB, range hợp lý: 45-65 triệu gross/tháng cho base, tổng package có thể 800M - 1.1B/năm gồm bonus 13th month + thưởng + giá trị benefits (đặc biệt vay ưu đãi). NÊN mặc cả, MB ghi 'thỏa thuận' là có negotiation space. Tips: (1) Đừng nhảy số đầu tiên, hỏi lại 'range dự kiến của vị trí là bao nhiêu?'; (2) Anchor với market: FPT AI engineer cùng level trả 35-55M, startup 40-70M + equity; (3) Nhấn mạnh competitive advantage của bạn; (4) Nếu chưa có offer khác, hãy tìm 1-2 cái trước rồi hẵng apply; (5) Đừng quên benefits: vay mua nhà lãi 5-6% có thể tiết kiệm hàng trăm triệu.
Mình đang là Backend Engineer Python 5 năm ở fintech, muốn chuyển sang AI Agent. Có nên apply vị trí này không? Cần học thêm gì?
Đây là profile FIT nhất cho vị trí này. MB cần người có Backend production experience để build AI systems quy mô lớn — bạn đã có nền tảng tốt. Khoảng cách duy nhất là LLM/Agent framework. Lộ trình 6-8 tuần: (1) Học LangChain + LangGraph (DeepLearning.AI có khóa free); (2) Làm 2-3 project: AI customer service agent với tool use, RAG pipeline cho tài liệu, multi-agent workflow; (3) Đọc về prompt engineering, RAG best practices, function calling; (4) Tìm hiểu Vector DB (Milvus/pgvector); (5) Học thêm về AI Safety/Gaurdrails (rất quan trọng cho bank). Kinh nghiệm fintech của bạn là điểm cộng khổng lồ — hiểu compliance, security, scale. Apply ngay!
Vị trí Agentic Engineer khác gì ML Engineer hay AI Engineer thông thường? Mình đang phân vân không biết mình nên apply vị trí nào?
Agentic Engineer tập trung vào xây dựng hệ thống AI có khả năng tự động hành động (autonomous agents), không chỉ predict hay generate. Cụ thể: (1) ML Engineer — train/fine-tune models, làm việc với data scientists, training pipeline, MLOps; (2) AI Engineer (rộng hơn) — apply LLM vào sản phẩm, RAG, prompt engineering, có thể không cần production backend; (3) Agentic Engineer — xây dựng AI agents có planning + memory + tool use, đòi hỏi backend production-grade (microservices, Docker, K8s) + AI framework (LangChain/LangGraph) + production optimization. Nếu bạn THÍCH xây dựng end-to-end production systems và làm AI thực tế phục vụ hàng triệu người → đây là vị trí cho bạn. Nếu bạn thích training models → ML Engineer.
Quy trình phỏng vấn ở MB có nhiều vòng lắm không? Lương có bị ép lên trên hay dưới so với market?
Theo kinh nghiệm nhiều người: MB Bank 5 vòng (HR Screen → Coding Test → Backend Technical → AI/Agent Technical → Director), kéo dài 2-4 tuần. Có ưu điểm là quy trình khá chuyên nghiệp, rõ ràng. Về lương: MB trả competitive với top ngân hàng (Techcombank, Vietcombank) nhưng có thể thấp hơn so với startup AI (5-15%) hoặc tech giant (VinAI, FPT Software AI division). Bù lại: (1) Work-life balance ổn hơn startup; (2) Brand mạnh trong CV; (3) Benefits ngân hàng (vay ưu đãi, bảo hiểm sức khỏe) có thể quy đổi thành 5-8M/tháng. Tổng package đánh giá tổng thể khá tốt. Tips: Hỏi HR về review lương định kỳ (thường 6 tháng hoặc yearly), bonus structure dựa trên cái gì.
Học AI Agent có khó không? Mình thấy LangChain, LangGraph, Autogen, CrewAI nhiều quá không biết bắt đầu từ đâu?
Học AI Agent không khó nếu bạn có nền Backend (đặc biệt Python). Đừng hoang mang — tất cả các framework này về cốt lõi đều giải quyết cùng 1 bài toán: cho LLM khả năng suy nghĩ + dùng tool + nhớ context. Gợi ý lộ trình: (1) Học Python + AsyncIO thật vững; (2) Đọc concept ReAct pattern (Reasoning + Acting) — đọc paper gốc của Yao et al.; (3) Học LangChain trước vì có docs tốt nhất + cộng đồng lớn nhất; (4) Sau đó LangGraph (multi-agent workflow); (5) Làm project end-to-end với LangChain + OpenAI; (6) Khi hiểu sâu rồi, Autogen và CrewAI chỉ mất 1-2 ngày để nắm. Đừng cố học hết — CV chỉ cần sâu 1-2 framework, biết khái niệm các cái còn lại.
Mình apply AI Engineer ở ngân hàng nhưng chưa biết gì về tài chính ngân hàng. Cần học gì trước phỏng vấn?
Bạn không cần phải là chuyên gia tài chính, nhưng cần hiểu big picture. Học trong 3-5 ngày là đủ: (1) Sản phẩm ngân hàng cơ bản: tiền gửi, cho vay, thẻ, thanh toán; (2) Quy trình KYC (Know Your Customer) và AML (Anti Money Laundering) — rất quan trọng với AI; (3) Fraud detection: cách phát hiện giao dịch bất thường; (4) Customer service use case trong ngân hàng; (5) Regulatory: Thông tư 13/2023/TT-NHNN về an toàn thông tin, Quyết định 2345 về AI của NHNN (nếu có); (6) Số liệu MB: 25M+ khách hàng, top 5 ngân hàng tư nhân. Trong phỏng vấn, đề cập hiểu biết domain cho thấy bạn serious và differentiate bạn với hầu hết ứng viên chỉ biết tech.
Làm việc ở AI Center ngân hàng có khác gì team AI ở startup/product company không? Mình đang đắn đo chọn nơi làm việc đầu tiên.
Khác nhau khá nhiều, cả ưu và nhược. AI Center ngân hàng (như MB): Ưu - data thật, scale khủng (25M users), brand mạnh, benefits tốt, thương hiệu lâu dài, work-life balance ổn hơn. Khuyết - tốc độ chậm hơn startup, nhiều compliance, có thể ít autonomy, lương có thể thấp hơn startup 5-15%. Ở startup/product company (VinAI, Kyta AI): Ưu - tốc độ nhanh, nhiều ownership, equity options, đồng tiền trải nghiệm cực nhanh. Khuyết - rủi ro cao, work-life balance có thể kém, phải tự xây nhiều thứ từ đầu. Lời khuyên cá nhân: nếu bạn mới ra trường, hãy chọn nơi có learning curve cao nhất — không phải nơi lương cao nhất. MB Bank là lựa chọn cực tốt để khởi đầu sự nghiệp AI.
Mức KPI/on-call như thế nào ở vị trí này? Work-life balance có ổn không?
Mình chưa có data chính xác cho AI Center MB Bank, nhưng tổng quan ngân hàng Việt Nam: (1) Work hours: 8h-17h30 thường ngày, có thể OT khi release lớn; (2) On-call rotation: thường có nhưng ít (1-2 tuần/tháng, tùy team); (3) KPI: thường đo trên AI system's uptime, response latency, business impact (e.g., tỉ lệ chatbot giải quyết vấn đề không cần human, accuracy của detection); (4) Work-life balance: ổn hơn startup, tệ hơn tech giant nước ngoài; (5) Văn hóa: MB khá linh hoạt so với ngân hàng nhà nước. Quan trọng: hỏi rõ trong phỏng vấn - team size, release cadence, on-call policy. Đừng ngại hỏi.