Khoảng cách giữa bạn và phiên bản ấy thường được giải thích bằng những từ như tài năng, tính cách hay ý chí. Ta nói rằng một số người sinh ra đã kỷ luật, trong khi người khác thì vốn dĩ hay trì hoãn. Một người có tố chất giao tiếp, còn người kia đơn giản là không tự tin.

Nhưng khoa học thần kinh gợi mở một cách nhìn khác.

Não bộ không phải một cỗ máy được lắp ráp hoàn chỉnh từ thời thơ ấu. Nó là một hệ thống, liên tục điều chỉnh theo những gì chúng ta sử dụng, chú ý và lặp lại.

Nói một cách đơn giản bạn không chỉ thực hiện một hành vi mà mỗi lần thực hiện, bạn còn khiến hành vi ấy dễ được lặp lại hơn trong tương lai.

Đó là lý do một lựa chọn nhỏ đôi khi quan trọng hơn kết quả trước mắt của nó và nó đang âm thầm dạy não bộ nên trở thành kiểu hệ thống nào.

Não không cố định như chúng ta từng nghĩ

Trong phần lớn thế kỷ XX, nhiều nhà khoa học cho rằng não trưởng thành gần như đã hoàn thiện, cấu trúc cơ bản được thiết lập từ sớm, sau đó chỉ có thể suy giảm theo tuổi tác hoặc bị tổn thương.

Quan điểm ấy dần thay đổi khi các kỹ thuật quan sát não cho thấy trải nghiệm có thể làm biến đổi sức mạnh kết nối giữa các neuron, đồng thời liên quan đến sự hình thành và loại bỏ các cấu trúc synapse. Nghiên cứu hiện đại xem sự tái tổ chức này là một quá trình vẫn tiếp diễn trong não trưởng thành, dù khả năng và tốc độ thay đổi không giống nhau ở mọi vùng hay mọi độ tuổi. Một tổng quan trên Nature Reviews Neuroscience mô tả não trưởng thành vừa có những cấu trúc tương đối ổn định, vừa chứa một phần các kết nối nhỏ luôn biến đổi theo trải nghiệm.

Một trong những minh họa nổi tiếng nhất đến từ những người học để trở thành tài xế taxi London.

Để được cấp phép, họ phải ghi nhớ mạng lưới đường phố cực kỳ phức tạp của thành phố. Trong một nghiên cứu theo dõi những học viên suốt quá trình đào tạo, chỉ những người vượt qua kỳ thi mới biểu hiện sự gia tăng chất xám ở phần sau của hồi hải mã—vùng não liên quan đến trí nhớ không gian. Những người không vượt qua và nhóm đối chứng không có cùng thay đổi. Nghiên cứu theo thời gian này cung cấp bằng chứng mạnh hơn một phép so sánh đơn thuần giữa hai nhóm người.

Điều đáng chú ý không phải là “học bản đồ làm não lớn hơn” theo nghĩa chung chung. Thay đổi xuất hiện ở một khu vực liên quan đến đúng loại nhiệm vụ đã được luyện tập trong thời gian dài.

Não không cải thiện một cách mơ hồ, nó thích nghi với yêu cầu cụ thể mà chúng ta liên tục đặt lên nó.

Bạn luyện nhớ đường, não trở nên hiệu quả hơn với trí nhớ không gian. Bạn luyện chơi đàn, hệ thống cảm giác và vận động thích nghi với chuyển động tinh tế của bàn tay. Bạn luyện né tránh mỗi khi cảm thấy bất an, phản ứng né tránh cũng có cơ hội trở nên tự động hơn.

Tính dẻo thần kinh không có định hướng đạo đức và nó không biết đâu là thói quen tốt hay xấu, chỉ đơn giản nó chỉ phản ứng với trải nghiệm mà bạn tạo ra.

Não học từ điều bạn làm, không phải điều bạn mong muốn

Chúng ta thường đánh giá bản thân bằng ý định.

Ta muốn viết sách, muốn học ngoại ngữ, muốn tập thể dục, hay muốn trở thành người bình tĩnh và đáng tin cậy hơn.

Nhưng não không được huấn luyện bằng danh sách những điều ta muốn. Nó được huấn luyện bằng những gì thực sự xảy ra.

Nếu mỗi khi công việc trở nên khó, bạn mở điện thoại, não sẽ học rằng khó chịu là tín hiệu để tìm sự phân tán. Nếu mỗi khi cảm thấy bất an, bạn tránh cuộc trò chuyện cần thiết, não sẽ học rằng né tránh là phương án giảm căng thẳng hiệu quả.

Ngược lại, khi bạn ở lại với một nhiệm vụ thêm năm phút dù muốn bỏ cuộc, bạn đang tạo ra một trải nghiệm khác: khó chịu không nhất thiết phải dẫn đến rút lui.

Điều này không có nghĩa một hành động duy nhất sẽ tái lập trình não. Phần lớn thay đổi cần sự lặp lại trong thời gian đủ dài. Nhưng mỗi hành động có hai loại kết quả:

• Kết quả trực tiếp của hành động đó.

• Xác suất hành động tương tự sẽ xuất hiện trong tương lai.

Một buổi tập không làm bạn khỏe mạnh ngay nhưng nó làm tăng khả năng bạn trở thành người có thói quen vận động.

Một lần trì hoãn không phá hỏng sự nghiệp nhưng nếu được lặp lại trong cùng một bối cảnh, nó có thể làm phản ứng trì hoãn trở nên ngày càng tự động.

Mỗi hành động, vì vậy, vừa là một kết quả vừa là một lần tập dượt.

Có thể thứ bạn gọi là tính cách chỉ là đường đi quen thuộc nhất

“Tôi vốn không có kỷ luật.”

“Tôi luôn là người hay lo lắng.”

“Tôi không giỏi trong việc giao tiếp.”

Những câu này có thể mô tả chính xác trải nghiệm hiện tại. Vấn đề xuất hiện khi ta biến một mô thức hiện tại thành bản án vĩnh viễn về bản thân.

Một cách diễn đạt hữu ích hơn là:

Đây là phản ứng mà tôi đã luyện tập hoặc củng cố nhiều nhất cho đến thời điểm này.

Sự thay đổi ngôn ngữ có vẻ nhỏ nhưng tạo ra một khác biệt quan trọng. “Tôi là người như vậy” đóng cuộc thảo luận lại. “Đây là mô thức hiện tại” mở ra khả năng can thiệp.

Tuy nhiên, không nên đẩy lập luận này đến cực đoan. Gene, khí chất, sức khỏe, trải nghiệm thời thơ ấu, sang chấn, điều kiện kinh tế và môi trường xã hội đều ảnh hưởng đến hành vi. Không phải khó khăn nào cũng có thể được giải quyết bằng ý chí và thói quen.

Tính dẻo thần kinh không có nghĩa con người có thể trở thành bất cứ thứ gì nếu cố gắng đủ nhiều. Nó có nghĩa hệ thống thần kinh có khả năng thích nghi trong những giới hạn sinh học và hoàn cảnh cụ thể.

Đó vẫn là một thông tin đầy hy vọng, chỉ là một loại hy vọng có điều kiện và đòi hỏi lao động thực tế.

Sự lặp lại không đủ: bối cảnh mới là chất keo của thói quen

Nếu chỉ cần lặp lại, bất kỳ hành vi nào được thực hiện nhiều lần cũng sẽ nhanh chóng trở thành thói quen nhưng đời sống phức tạp hơn như vậy.

Não không chỉ học hành vi. Nó còn học mối liên hệ giữa tín hiệu và hành vi.

Một nghiên cứu nổi tiếng về sự hình thành thói quen yêu cầu 96 người lựa chọn một hành vi liên quan đến ăn uống hoặc vận động rồi thực hiện nó mỗi ngày trong cùng một bối cảnh chẳng hạn như “sau bữa sáng”. Mức độ tự động tăng dần theo thời gian, nhưng tốc độ khác nhau rất lớn giữa từng người: thời gian ước tính để gần đạt mức tự động tối đa dao động từ 18 đến 254 ngày. Đáng chú ý, bỏ lỡ một lần không làm quá trình hình thành thói quen sụp đổ. Nghiên cứu của Phillippa Lally và cộng sự cho thấy không có một con số thần kỳ như “21 ngày” phù hợp với tất cả mọi người, cái khái niệm 21 ngày có lẽ bạn đã nghe rất nhiều khi đọc các bài viết self-help về cách duy trì thói quen đúng không.

Từ đây xuất hiện hai insight thực tế.

Thứ nhất, muốn xây thói quen, hãy gắn hành vi với một tín hiệu ổn định:

• Sau khi pha cà phê, tôi viết trong 15 phút.

• Sau khi đóng máy tính, tôi đi bộ một vòng.

• Khi ngồi vào bàn, điện thoại được đặt ngoài tầm với.

Thứ hai, một ngày thất bại không định nghĩa toàn bộ quá trình. Điều nguy hiểm không phải là bỏ lỡ một lần, mà là biến sự bỏ lỡ thành bằng chứng rằng “mình không thể thay đổi” rồi ngừng quay lại.

Trong thay đổi hành vi, khả năng quay lại thường quan trọng hơn chuỗi ngày hoàn hảo.

Môi trường đang rèn luyện bạn, kể cả khi bạn không chú ý

Nói về thói quen như một cuộc chiến ý chí cá nhân thường bỏ sót một yếu tố lớn: kiến trúc của môi trường.

Nếu điện thoại nằm bên cạnh, ứng dụng gửi thông báo và phần thưởng mới chỉ cách một cú chạm, bạn không đơn thuần đang “thiếu tập trung”. Bạn đang ở trong một môi trường được thiết kế để liên tục đề xuất một hành vi cạnh tranh với công việc.

Mỗi lần bạn đáp lại thông báo, mối liên hệ giữa tín hiệu và hành vi được tập luyện thêm:

Cảm thấy hơi chán → cầm điện thoại → nhận kích thích mới.

Qua đủ nhiều lần, khoảng trống giữa tín hiệu và phản ứng gần như biến mất. Bàn tay đã tìm đến điện thoại trước khi bạn kịp đưa ra quyết định có ý thức.

Bởi vậy, thay đổi bền vững thường không bắt đầu bằng lời hứa sẽ mạnh mẽ hơn. Nó bắt đầu bằng việc thay đổi điều gì dễ xảy ra nhất.

• Muốn đọc nhiều hơn, đặt sách ở nơi mắt dễ nhìn thấy.

• Muốn giảm lướt mạng, đưa ứng dụng ra khỏi màn hình chính hoặc đăng xuất.

• Muốn tập trung, để điện thoại ở một căn phòng khác.

• Muốn vận động buổi sáng, chuẩn bị quần áo từ tối hôm trước.

Kỷ luật không chỉ là năng lực chống lại cám dỗ. Nó còn là khả năng thiết kế một đời sống trong đó bạn không phải chống lại quá nhiều cám dỗ ngay từ đầu.

Khó khăn cần thiết không đồng nghĩa với đau khổ tối đa

Có một vài nhận định như ý chí giống như cơ bắp, và một vùng não gọi là anterior midcingulate cortex sẽ phát triển khi chúng ta làm điều mình không muốn làm.

Thực tế khoa học tinh tế hơn.

Các nghiên cứu cho thấy vùng anterior midcingulate cortex tham gia vào việc cân nhắc chi phí, phần thưởng, mức nỗ lực và sự kiên trì theo đuổi mục tiêu. Hoạt động và kết nối của nó có liên hệ với mức độ sẵn sàng bỏ công sức, tính bền bỉ và một số dạng suy giảm động lực. Tuy nhiên, điều đó chưa đủ để kết luận rằng đây là một “cơ bắp ý chí” duy nhất hoặc cứ làm việc khó chịu thì vùng này chắc chắn sẽ lớn lên. Bài tổng quan về vai trò của aMCC trong sự bền bỉ mô tả nó như một nút quan trọng trong cả mạng lưới, không phải công tắc duy nhất của nghị lực.

Dù vậy, một insight hành vi vẫn có giá trị: nếu luôn rời đi ngay khi xuất hiện khó chịu, ta không có cơ hội học cách tiếp tục hành động trong khi khó chịu vẫn tồn tại.

Điều cần rèn không phải tình yêu đối với đau khổ. Đó là khả năng không xem mọi cảm giác khó chịu như một mệnh lệnh phải dừng lại.

Hãy phân biệt:

• Khó khăn có ích: nhiệm vụ hơi vượt quá năng lực hiện tại, đòi hỏi tập trung và có phản hồi.

• Quá tải: thiếu ngủ, kiệt sức, chấn thương hoặc căng thẳng kéo dài đến mức làm suy giảm khả năng học.

• Đau khổ không cần thiết: môi trường hỗn loạn, mục tiêu mơ hồ hoặc phương pháp làm việc kém hiệu quả.

Không phải càng khó càng tốt mà mức thử thách tốt nhất là mức đủ khó để buộc hệ thống thích nghi, nhưng đủ vừa sức để bạn có thể quay lại vào ngày mai.

Vận động và giấc ngủ: hai phần thường bị bỏ quên của việc học

Học tập không chỉ diễn ra khi bạn đang ngồi trước cuốn sách hay chiếc laptop.

Vận động có thể tạo ra những thay đổi tạm thời về sự tỉnh táo, chức năng điều hành và các yếu tố sinh học liên quan đến tính dẻo thần kinh. Trong một thử nghiệm ngẫu nhiên trên người trẻ khỏe mạnh, một buổi vận động cường độ cao có liên quan đến cải thiện một số nhiệm vụ kiểm soát nhận thức và làm tăng BDNF trong máu. Nghiên cứu này là một trong nhiều bằng chứng gợi ý vận động có thể hỗ trợ trạng thái học tập.

Nhưng hiệu ứng không đồng nhất. Một số nghiên cứu về vận động cấp thời và trí nhớ cho kết quả khác nhau tùy cường độ, thời điểm, nhiệm vụ và nhóm người tham gia. Vì thế, “tập thật nặng rồi học” không nên được xem là công thức bảo đảm.

Cách ứng dụng hợp lý hơn là: dùng một quãng vận động vừa sức như đi bộ nhanh, đạp xe hoặc một bài tập ngắn để chuyển cơ thể khỏi trạng thái uể oải trước phiên làm việc tập trung. Nó cũng là lý do nếu bạn có một chút vận động vào buổi sáng thì ngày mới của bạn bắt đầu công việc sẽ hiệu quả và tập trung hơn.

Sau khi học, giấc ngủ tiếp tục tham gia vào việc củng cố và tinh chỉnh những thay đổi do trải nghiệm tạo ra. Một tổng quan về giấc ngủ và tính dẻo synapse cho thấy trong khi ngủ, cả quá trình tăng cường lẫn làm suy yếu kết nối đều góp phần tổ chức lại các mạch thần kinh sau học tập.

Nói cách khác, nếu bạn hy sinh giấc ngủ để học thêm, có thể bạn đang lấy thời gian từ chính giai đoạn giúp não xử lý những gì vừa học.

Bỏ thói quen cũ không phải là xóa một con đường

Một trong những cách hình dung phổ biến về neuroplasticity là mạng lưới đường sá.

Mỗi lần đi qua một con đường, nó trở nên quen thuộc hơn. Một tuyến đường mới ban đầu chậm và khó tìm. Qua thời gian, nó được mở rộng, còn đường cũ ít sử dụng hơn sẽ dần mất lợi thế.

Ẩn dụ này hữu ích, nhưng có một điểm cần bổ sung là con đường cũ thường không hoàn toàn biến mất trong não bạn.

Đây là lý do một người có thể quay lại thói quen cũ khi căng thẳng, thiếu ngủ hoặc trở về môi trường quen thuộc. Hệ thống không nhất thiết đã bị “reset”; phản ứng cũ chỉ đang được kích hoạt trong điều kiện từng gắn liền với nó.

Bởi vậy, đừng chỉ cố ngăn hành vi cũ. Hãy xây một phản ứng thay thế.

• Khi muốn né một nhiệm vụ, làm phiên bản hai phút của nó.

• Khi bắt đầu suy diễn, viết ra điều mình thực sự biết và một hành động có thể thực hiện.

• Khi muốn kiểm tra điện thoại, đứng dậy uống nước hoặc đi bộ một vòng.

• Khi bỏ lỡ một buổi tập, quay lại bằng phiên bản nhẹ nhất vào ngày hôm sau.

Não cần một con đường khác để đi, không chỉ một tấm biển “cấm đường”.

Sự chú ý là nơi quá trình thay đổi bắt đầu

Bạn không hoàn toàn kiểm soát được suy nghĩ đầu tiên xuất hiện trong đầu. Nhưng đôi khi bạn có thể lựa chọn liệu mình sẽ tiếp tục nuôi dưỡng nó hay chuyển sự chú ý sang nơi khác.

Điều này đặc biệt quan trọng với những vòng lặp như lo âu, tự chỉ trích và nghiền ngẫm tiêu cực. Không phải cứ “nghĩ tích cực” là có thể loại bỏ chúng. Nhưng kỹ năng nhận ra mình đang ở trong một vòng lặp, sau đó đưa chú ý trở lại cơ thể, môi trường hoặc hành động hiện tại, có thể được luyện tập.

Trong một thử nghiệm ngẫu nhiên với người có tiền sử trầm cảm tái diễn, liệu pháp nhận thức dựa trên chánh niệm làm thay đổi một số mô hình kết nối não trong trạng thái nghiền ngẫm, đồng thời cải thiện khả năng duy trì và điều khiển sự chú ý. Nghiên cứu được công bố trên Biological Psychiatry không chứng minh thiền là giải pháp cho mọi vấn đề, nhưng cho thấy điều hướng sự chú ý là một kỹ năng có thể rèn luyện.

Sự chú ý chính là cánh cửa mà qua đó trải nghiệm đi vào hệ thống.

Điều bạn chú ý sẽ ảnh hưởng đến điều bạn thực hành. Điều bạn thực hành sẽ ảnh hưởng đến điều trở nên tự động. Và điều trở nên tự động sẽ định hình phần lớn cuộc sống hằng ngày.

Một giao thức thực tế để thay đổi

Nếu muốn ứng dụng insight của neuroplasticity, đừng bắt đầu bằng câu hỏi “Tôi muốn trở thành ai?” rồi dừng lại ở một hình ảnh lý tưởng.

Hãy đi tiếp bằng sáu câu hỏi như sau:

1. Tôi muốn hành vi nào trở nên tự động hơn?

Chọn một hành vi có thể quan sát được. “Trở nên kỷ luật” quá mơ hồ. “Viết 15 phút sau khi pha cà phê sáng” đủ cụ thể để bạn có thể bắt đầu và đưa nó vào một bối cảnh cụ thể.

2. Tín hiệu ổn định của hành vi là gì?

Gắn nó với một sự kiện đã tồn tại: sau bữa sáng, trước khi mở email hoặc ngay khi về nhà.

3. Phiên bản nhỏ nhất là gì?

Đặt mức tối thiểu có thể thực hiện cả trong ngày tồi tệ. Mục tiêu ban đầu là bảo vệ sự lặp lại, chưa phải tối đa hóa thành tích.

4. Điều gì trong môi trường đang chống lại tôi?

Loại bỏ một nguồn ma sát đối với hành vi tốt và thêm một nguồn ma sát đối với hành vi xấu.

5. Tôi sẽ làm gì khi thói quen cũ xuất hiện?

Chuẩn bị trước một phản ứng thay thế. Đừng đợi đến lúc cám dỗ xuất hiện mới thương lượng với bản thân.

6. Tôi sẽ quay lại thế nào sau khi bỏ lỡ?

Viết sẵn quy tắc phục hồi: “Không cần bù. Tôi chỉ thực hiện lại phiên bản nhỏ nhất ở cơ hội tiếp theo.”

Một hệ thống tốt không phải hệ thống không bao giờ thất bại mà đó là hệ thống có đường quay lại rõ ràng.

Bạn không cần tái tạo toàn bộ con người mình

Thông điệp sâu nhất của neuroplasticity không phải “bạn có thể trở thành bất kỳ ai”.

Nó khiêm tốn hơn, nhưng cũng hữu dụng hơn:

Bạn có thể tạo điều kiện để một số phản ứng trở nên dễ dàng hơn, còn một số phản ứng khác dần mất đi lợi thế.

Bạn không cần thức dậy vào sáng mai như một con người hoàn toàn mới. Bạn chỉ cần ngừng bỏ phiếu cho một số mô thức cũ và bắt đầu bỏ phiếu, đủ thường xuyên, cho những mô thức khác.

Ban đầu, hành vi mới vẫn gượng gạo, bạn phải nhớ thực hiện nó. Phải chống lại quán tính và phải bắt đầu lại nhiều lần.

Rồi một ngày, bạn nhận ra mình không còn phải tranh luận quá lâu trước khi bắt đầu. Không phải vì bạn đã tìm được động lực vô tận, mà vì điều từng xa lạ đã trở thành quen thuộc.

Bản sắc thường được hình thành theo cách ấy.

Không phải bằng một khoảnh khắc giác ngộ duy nhất, mà bằng hàng trăm lần lựa chọn gần như không ai nhìn thấy.

Não của bạn đang học ngay lúc này.

Câu hỏi không phải liệu nó có thay đổi hay không.

Câu hỏi sẽ là những gì bạn đang lặp lại sẽ dạy nó trở thành điều gì?

Leave a comment

Năm 19 tuổi, Alexandr Wang bắt đầu xây dựng Scale AI.

Nhìn lại từ hiện tại, câu chuyện này có vẻ giống một con đường đã được định sẵn, một người trẻ xuất sắc về toán và khoa học máy tính, học tại MIT, bước vào đúng làn sóng AI rồi thành lập một trong những công ty hạ tầng dữ liệu quan trọng của ngành.

Nhưng khi Alexandr thực sự đứng trước quyết định ấy, mọi thứ không rõ ràng như vậy.

Quay lại thời điểm anh 19 tuổi tức là vào khoảng 10 năm trước 2016, anh không có một bản đồ hoàn chỉnh trong tay, khái niệm AI vẫn còn rất mơ hồ và chưa thực sự được quan tâm ở thời điểm ấy. Dữ liệu huấn luyện mô hình vẫn là một lĩnh vực tương đối kém hấp dẫn, nhiều nhà đầu tư không tin đây là một thị trường đủ lớn và bền vững.

Điều Alexandr có không phải là khả năng nhìn thấy toàn bộ tương lai mà anh chỉ nhìn thấy một điểm nghẽn mà những người khác chưa chú ý.

Và đôi khi, đó là tất cả những gì một founder cần.

Subscribe now

Trước Scale AI là một ý tưởng không thành công

Ý tưởng đầu tiên của Alexandr không phải Scale AI.

Anh và cộng sự ban đầu muốn xây dựng một AI agent giúp mọi người tiếp cận dịch vụ y tế. Về bản chất, đó không phải một ý tưởng tồi. Ngày nay, chúng ta đang chứng kiến nhiều sản phẩm tương tự xuất hiện trên thị trường.

Vấn đề là vào thời điểm ấy, thị trường và công nghệ chưa sẵn sàng cho điều đó.

Sau một hoặc hai tháng, một cố vấn tại Y Combinator kéo họ sang một bên và thẳng thắn nói rằng dự án có thể sẽ không đi đến đâu. Đó là kiểu phản hồi không founder nào muốn nghe, nhưng rất nhiều founder cần được nghe.

Alexandr và team quay lại điểm xuất phát.

Anh không cố bảo vệ ý tưởng chỉ vì đã dành thời gian cho nó. Anh bắt đầu suy nghĩ về những vấn đề mình thực sự hiểu, không phải từ báo chí, pitch deck hay dự báo thị trường, mà từ trải nghiệm trực tiếp.

Trong thời gian học tại MIT, Alexandr từng tự huấn luyện các mô hình machine learning. Khi phân rã quá trình này, anh nhận ra mình luôn cần ba thứ:

• Compute

• Code

• Data

Compute có thể được thuê từ các nền tảng cloud. Code có thể được viết bằng những framework đang ngày càng dễ tiếp cận.

Nhưng data thì khác. Không có một cách đủ thuận tiện để thu thập, làm sạch, gắn nhãn và cung cấp dữ liệu cho quá trình huấn luyện mô hình.

Alexandr đi đến một kết luận đơn giản:

Nếu AI tiếp tục phát triển, data infrastructure sẽ trở thành một thành phần không thể thiếu.

Scale AI được sinh ra từ điểm nghẽn đó.

First-Principles Thinking không bắt đầu từ xu hướng

Sau khi một công ty thành công, chúng ta thường kể lại câu chuyện của nó như thể cơ hội đã luôn hiển nhiên.

Nhưng cơ hội chỉ hiển nhiên sau khi ai đó chứng minh được nó.

Nếu Alexandr bắt đầu bằng việc đọc những gì thị trường đang nói, có lẽ anh đã không xây Scale AI. Data khi ấy chưa phải một từ khóa hấp dẫn, thử góc nhìn của bạn nếu bạn là một nhà đầu tư, bạn sẽ liên tục đặt ra câu hỏi:

• Đây có thật sự là một business lớn?

• Nhu cầu này có tồn tại lâu dài không?

• Data có phải một lợi thế đủ bền vững không?

Nhưng Alexandr không xây dựng niềm tin dựa trên sự đồng thuận của nhà đầu tư. Niềm tin của anh đến từ một sự thật cơ bản mà anh đã tự trải nghiệm:

Muốn phát triển AI, con người cần data nhưng data vẫn là thành phần khó tiếp cận nhất. Đó là cách Alexandr thực hành First-Principles Thinking.

Thay vì chúng ta nhìn vào thị trường đang quan tâm điều gì, thì có lẽ câu hỏi sẽ nên là điều gì chắc chắn phải đúng để tương lai này có thể xảy ra.

Quá trình đó có thể được hình dung như sau:

First-Principles Thinking không có nghĩa là tin rằng mình luôn đúng và nó cũng không phải sự cố chấp được ngụy trang bằng một cái tên thông minh.

Nó là khả năng phân biệt giữa hai thứ:

• Một giả định cần được thay đổi khi bằng chứng cho thấy nó sai.

• Một sự thật nền tảng cần tiếp tục theo đuổi dù số đông chưa đồng ý.

Alexandr từ bỏ sản phẩm healthcare ban đầu vì bằng chứng cho thấy timing chưa phù hợp.

Nhưng anh kiên định với niềm tin rằng AI sẽ cần một hạ tầng dữ liệu quy mô lớn, bởi trải nghiệm thực tế liên tục xác nhận điều đó.

Nói cách khác:

Be flexible about the solution, but rigorous about the truth.

Conviction Before Consensus

Alexandr cho rằng những công ty thành công nhất thường bắt đầu từ một niềm tin chưa được số đông chấp nhận.

Họ làm việc trong im lặng nhiều năm ròng và ý tưởng của họ trông nhỏ bé, nhàm chán hoặc thiếu thực tế. Sau đó, khi thị trường thay đổi, điều từng bị xem là khác thường bỗng trở thành hiển nhiên.

Đây là nguyên tắc Conviction Before Consensus.

Nếu chờ đến khi tất cả mọi người đồng ý, chúng ta có thể giảm được cảm giác bất an.

Nhưng đồng thời, chúng ta cũng đánh mất phần lớn lợi thế.

Điều này không có nghĩa founder phải cố tìm một ý tưởng mà không ai tin chỉ để trở nên khác biệt. Một quan điểm trái chiều không tự động trở thành một quan điểm đúng.

Conviction đáng giá cần được hình thành từ:

• Trải nghiệm trực tiếp.

• Khả năng phân rã vấn đề.

• Dữ liệu thực tế.

• Tốc độ thử nghiệm.

• Sự sẵn sàng thay đổi khi giả định bị bác bỏ.

Sự khác biệt giữa niềm tin và sự ảo tưởng nằm ở vòng phản hồi.

Một người có conviction tìm kiếm bằng chứng để kiểm tra niềm tin của mình. Một người delusional chỉ tìm kiếm những thông tin khiến mình cảm thấy đúng.

Không founder nào bắt đầu với đầy đủ năng lực

Anh chưa từng gọi vốn, tuyển dụng, bán hàng hay điều hành một tổ chức. Theo cách diễn đạt rất thẳng thắn của anh, hầu hết entrepreneur đều bắt đầu trong trạng thái “không giỏi ở gần như mọi thứ”.

Điều quyết định không phải bạn đã biết bao nhiêu tại vạch xuất phát. Điều quyết định là tốc độ bạn có thể thay đổi chính mình.

Alexandr nhắc đến hai môi trường có ảnh hưởng lớn tới quá trình trưởng thành của mình.

Môi trường đầu tiên là công ty tức là làm việc tại một công ty cho anh thấy cách sản phẩm thực sự được xây dựng, cách các nhóm phối hợp, cách quyết định được đưa ra và cách một sản phẩm được cải tiến qua nhiều vòng lặp.

Môi trường thứ hai là MIT và đây là nơi anh được khám phá, thử nghiệm và tiếp xúc với những công nghệ mới. Cũng tại đó, anh bắt đầu tự huấn luyện mô hình và phát hiện ra bài toán data.

Một bên mang lại operating context, bên còn lại mang lại exploration space.

Sự kết hợp giữa trải nghiệm vận hành và tự do khám phá giúp Alexandr nhìn thấy một vấn đề mà người chỉ đứng bên ngoài ngành khó nhận ra.

Nút thắt của AI không còn chỉ nằm ở model

Một trong những nhận định quan trọng nhất của Alexandr là:

Ngay cả khi các AI model ngừng tiến bộ từ hôm nay, thế giới vẫn cần nhiều năm để hấp thụ năng lực mà chúng đã có.

Chúng ta thường dành phần lớn thời gian tranh luận xem model tiếp theo sẽ thông minh tới đâu, AGI sẽ xuất hiện sau hai năm hay năm năm, hoặc tốc độ scaling có chậm lại hay không.

Nhưng theo Alexandr, nút thắt đang dịch chuyển.

Nó không chỉ nằm ở model capability. Nó nằm ở diffusion, khả năng đưa công nghệ vào doanh nghiệp, chính phủ và những quy trình thực tế.

Một model có thể phân tích dữ liệu, viết code hoặc lập kế hoạch không đồng nghĩa một doanh nghiệp sẽ tự động trở nên hiệu quả hơn.

Giữa capability và outcome vẫn còn nhiều lớp:

• Xác định đúng vấn đề.

• Chuẩn hóa dữ liệu.

• Thiết kế workflow.

• Kết nối công cụ.

• Xây dựng quyền truy cập.

• Đánh giá chất lượng.

• Quản trị rủi ro.

• Thay đổi cách con người làm việc.

Một đội ngũ nhỏ biết tổ chức agent hiệu quả có thể sở hữu năng lực thực thi từng chỉ xuất hiện ở những tổ chức lớn. Nhưng để điều đó xảy ra, họ phải đi xa hơn việc sử dụng chatbot.

Họ phải xây dựng Agentic Loops.

Agentic Looping: Từ một câu trả lời đến một hệ thống hành động

Một chatbot thông thường nhận prompt và tạo ra response nhưng Agentic system thì khác. Nó nhận một goal, quan sát environment, lập kế hoạch, sử dụng tool, đo kết quả, học từ feedback và tiếp tục hành động.

Đây chính là Agentic Looping.

Giá trị của hệ thống không chỉ đến từ việc model thông minh đến đâu. Nó đến từ khả năng đặt trí thông minh ấy vào một vòng phản hồi có thể tạo ra kết quả.

Chúng ta có thể nhìn doanh nghiệp như một tập hợp những feedback loop.

Một doanh nghiệp tìm kiếm khách hàng, cung cấp sản phẩm, quan sát phản ứng, cải thiện sản phẩm, tạo thêm doanh thu rồi tái đầu tư để phục vụ nhiều khách hàng hơn.

Bên trong vòng lặp lớn đó là hàng trăm vòng lặp nhỏ:

• Viết code, chạy test, đọc lỗi và sửa code.

• Tạo quảng cáo, đo conversion và điều chỉnh nội dung.

• Tiếp nhận ticket, giải quyết vấn đề và đo customer satisfaction.

• Phỏng vấn người dùng, tổng hợp insight và cập nhật roadmap.

• Phát hiện lead, nghiên cứu nhu cầu và cá nhân hóa cách tiếp cận.

Phần lớn các vòng lặp này đang được con người vận hành một cách thủ công, cơ hội của Agentic Looping là biến chúng thành những hệ thống có thể tự thực hiện, tự đo lường và liên tục tối ưu.

Metric quan trọng hơn số lượng agent

Một ngộ nhận phổ biến rằng muốn xây dựng một agentic system mạnh, chúng ta chỉ cần tạo thêm nhiều agent.

• Một agent nghiên cứu.

• Một agent viết nội dung.

• Một agent phản biện.

• Một agent quản lý tất cả những agent còn lại.

Nhưng nếu hệ thống không biết thế nào là một kết quả tốt, việc bổ sung agent chỉ tạo ra nhiều hoạt động hơn không nhất thiết tạo ra nhiều giá trị hơn.

Một vòng lặp hiệu quả cần một metric hoặc evaluation function rõ ràng.

Đối với coding agent, evaluation có thể là:

• Tests có vượt qua hay không?

• Có tạo ra regression không?

• Performance có đạt yêu cầu không?

• Code có tuân thủ security policy không?

Đối với sales agent:

• Lead có phù hợp với ideal customer profile không?

• Có tạo được qualified meeting không?

• Tỷ lệ phản hồi có được cải thiện không?

• Chi phí cho mỗi cơ hội bán hàng là bao nhiêu?

Đối với customer-support agent:

• Vấn đề có được giải quyết hoàn toàn không?

• Người dùng có phải liên hệ lại không?

• Mức độ hài lòng sau tương tác là bao nhiêu?

• Trường hợp nào cần chuyển cho con người?

Không có evaluation, agent chỉ đang chuyển động, còn có evaluation, agent mới có thể tiến bộ.

Activity is not the goal. Outcome is the goal.

Từ Software Organization đến Agent Organization

Trong thế hệ công nghệ trước, một builder bắt đầu bằng việc viết code. Khi công ty lớn lên, công việc của founder chuyển dần từ tổ chức code sang tổ chức con người: chia nhóm, thiết kế trách nhiệm, tạo quy trình và đồng bộ mục tiêu.

Alexandr cho rằng abstraction layer đang tiếp tục dịch chuyển.

Trong tương lai, chúng ta không chỉ hỏi cách một agent thực hiện một nhiệm vụ. Chúng ta sẽ hỏi cách hàng nghìn, hàng triệu, thậm chí nhiều hơn nữa các agent có thể phối hợp với nhau.

Khi đó, những câu hỏi cũ của organizational design sẽ trở lại dưới một hình thức mới:

• Agent nào chịu trách nhiệm cho quyết định nào?

• Chúng chia sẻ memory ra sao?

• Khi hai agent đưa ra kết luận khác nhau, ai phân xử?

• Agent nào có quyền sử dụng công cụ hoặc thay đổi dữ liệu?

• Làm thế nào để phát hiện một vòng lặp đang đi sai hướng?

• Khi nào hệ thống phải yêu cầu human approval?

• Làm thế nào để giới hạn chi phí mà không làm giảm chất lượng?

Đây là lý do cá nhân mình tin rằng Systems Thinking sẽ không biến mất. AI có thể làm cho việc viết code ít quan trọng hơn ở một số tầng công việc. Nhưng khả năng phân tích một hệ thống, nhìn thấy quan hệ giữa các thành phần và thiết kế vòng phản hồi vẫn cực kỳ cần thiết.

Chúng ta vẫn không ngừng làm kỹ thuật. Tuy nhiên, chúng ta đang làm kỹ thuật ở một tầng trừu tượng cao hơn.

Khi Intelligence trở nên dư thừa

Trong phần sâu sắc nhất của cuộc trò chuyện, Alexandr đặt ra một viễn cảnh khác đó là trong phần lớn lịch sử nhân loại, intelligence và agency là những tài nguyên khan hiếm.

Muốn thực hiện một dự án lớn, chúng ta phải tập hợp đủ người có năng lực, xây dựng một tổ chức, phân chia công việc và duy trì sự phối hợp trong nhiều năm.

AI đang làm giảm chi phí của cả suy nghĩ lẫn hành động.

Nếu xu hướng này tiếp tục, một ngày nào đó intelligence có thể trở nên tương đối dồi dào. Mỗi cá nhân và mỗi doanh nghiệp có thể tiếp cận một lượng năng lực phân tích, sáng tạo và thực thi lớn hơn rất nhiều so với hiện tại.

Khi đó, nút thắt mới sẽ xuất hiện.

Nếu ai cũng có một đội ngũ AI đủ thông minh, lợi thế không còn chỉ thuộc về người có thể viết nhanh hơn, phân tích nhiều hơn hay sản xuất nhiều hơn.

Lợi thế sẽ thuộc về người biết:

• Vấn đề nào đáng được giải quyết.

• Tương lai nào đáng được xây dựng.

• Điều gì nên được tối ưu và điều gì không nên.

• Khi nào cần tăng tốc và khi nào cần dừng lại.

• Làm thế nào để biến capability thành một outcome có ý nghĩa.

AI có thể giúp một người đi nhanh hơn mười lần hoặc một trăm lần nhưng AI không tự lựa chọn đích đến. Đây là nghịch lý của kỷ nguyên intelligence abundance:

Năng lực thực thi càng lớn, chất lượng của mục tiêu càng quan trọng.

Hãy tìm đường cong đang tăng trưởng

Nếu có thể gửi một thông điệp cho chính mình ở tuổi 18, Alexandr nói rằng anh sẽ nhắc bản thân xây dựng một internal compass và tìm kiếm những đường cong tăng trưởng có độ dốc lớn, đồng thời có khả năng kéo dài trong nhiều năm. Điều đáng chú ý là điểm xuất phát của một exponential curve thường không ấn tượng.

Ở giai đoạn đầu, AI chỉ có thể nhận diện những vật thể đơn giản trong hình ảnh. Không dễ để thuyết phục thế giới rằng đây sẽ là công nghệ quan trọng nhất của thời đại.

Nhưng một exponential curve không nên được đánh giá chỉ bằng vị trí hiện tại mà nó phải được đánh giá bằng tốc độ tiến bộ.

Cơ hội lớn có thể đang ẩn trong một công nghệ còn vụng về, một thị trường còn nhỏ hoặc một workflow chưa ai quan tâm.

Câu hỏi không chỉ là:

“Nó có hữu ích ngay hôm nay không?”

Mà còn là:

“Nếu nó tiếp tục tiến bộ với tốc độ này trong mười năm, thế giới sẽ thay đổi như thế nào?”

Lời kết

Câu chuyện của Alexandr Wang không chỉ nói về Scale AI, mà còn cho thấy cách nhận ra một cơ hội trước khi nó trở thành consensus.

Hãy bắt đầu từ vấn đề bạn thực sự hiểu, phân rã nó thành những sự thật cơ bản và tìm ra mắt xích còn thiếu. Sau đó, xây dựng, thử nghiệm và để thực tế kiểm chứng niềm tin của mình: giữ vững conviction khi có bằng chứng ủng hộ, nhưng sẵn sàng thay đổi khi nhận ra mình đã sai.

Với AI cũng vậy, đừng dừng lại ở một prompt tốt. Giá trị lớn hơn nằm ở việc thiết kế một agentic loop có mục tiêu rõ ràng, đủ context, được kết nối với tools và có cơ chế evaluation để liên tục cải thiện.

Khi intelligence và khả năng thực thi trở nên dồi dào, câu hỏi quan trọng nhất sẽ không còn là AI có thể làm được gì, mà là:

Bạn muốn dùng năng lực đó để xây dựng một tương lai như thế nào?

AI có thể giúp chúng ta đi nhanh hơn. Nhưng lựa chọn hướng đi vẫn thuộc về con người.

Leave a comment

“We’ve essentially found a way to make sand think”

Nghe có vẻ giống một câu văn khoa học viễn tưởng, nhưng nếu nhìn vào cấu tạo của những con chip đang vận hành các hệ thống AI hiện nay, nó lại là một mô tả khá chính xác. Silicon được tạo ra từ những nguyên tố có rất nhiều trong cát. Qua hàng chục năm phát triển của vật lý, kỹ thuật bán dẫn, khoa học máy tính và machine learning, con người đã biến thứ vật chất tưởng như vô tri ấy thành những hệ thống có thể viết, lập trình, phân tích hình ảnh, dự đoán cấu trúc protein và trò chuyện với chúng ta bằng ngôn ngữ tự nhiên.

Nhưng Demis không viết bài này chỉ để nói về những gì AI đã làm được.

Ông đang nói về một bước chuyển lớn hơn nhiều: sự xuất hiện của AGI — Artificial General Intelligence, hay trí tuệ nhân tạo tổng quát.

Ngày 14/7/2026, Demis Hassabis, CEO và đồng sáng lập Google DeepMind, đăng một bài viết có tiêu đề A Framework for Frontier AI and the Dawning of a New Age. Trong đó, ông cho rằng AGI có thể chỉ còn cách chúng ta vài năm ngắn ngủi, đồng thời đề xuất một khuôn khổ quản lý dành cho những mô hình AI Frontier.

Đây không phải là lần đầu tiên một lãnh đạo công nghệ dự đoán AGI sắp xuất hiện. Điều khiến bài viết này đáng chú ý nằm ở chỗ Demis không chỉ nói về tiềm năng của AGI, mà còn thừa nhận một sự thật khá đáng lo:

Tốc độ phát triển của AI đang vượt xa tốc độ con người hiểu và kiểm soát nó.

Với mình, đây mới là insight quan trọng nhất của toàn bộ bài viết.

1. AGI không đơn giản là một chatbot thông minh hơn

Khi nghe đến AGI, nhiều người hình dung nó như một phiên bản ChatGPT mạnh hơn: trả lời chính xác hơn, viết code tốt hơn, hiểu được nhiều ngôn ngữ hơn hoặc tạo ra hình ảnh chân thật hơn.

Nhưng đó chưa phải là điểm khác biệt cốt lõi.

Phần lớn các hệ thống AI hiện nay vẫn được xem là Artificial Narrow Intelligence (ANI). Chúng có thể rất mạnh trong nhiều nhiệm vụ, nhưng khả năng của chúng vẫn phụ thuộc đáng kể vào dữ liệu huấn luyện, công cụ được cung cấp, cách con người thiết kế quy trình và phạm vi môi trường mà chúng được phép hoạt động.

AGI hướng đến một năng lực rộng hơn đó là một hệ thống có thể học, suy luận, thích nghi và giải quyết gần như mọi nhiệm vụ trí tuệ mà con người có thể làm.

Nó không chỉ viết code, mà có thể hiểu vấn đề kinh doanh, thiết kế giải pháp, tự tìm hiểu một công nghệ mới, xây dựng sản phẩm, kiểm thử, quan sát phản hồi của người dùng rồi tiếp tục cải thiện hệ thống.

Nó không chỉ đọc một bài nghiên cứu y khoa, mà có thể kết nối kiến thức từ sinh học, hóa học, thống kê và khoa học máy tính để đề xuất một hướng nghiên cứu mới.

Quan trọng hơn, AGI có khả năng chuyển kiến thức từ một lĩnh vực sang lĩnh vực khác. Đây là điều con người thực hiện khá tự nhiên nhưng các hệ thống AI truyền thống thường gặp khó khăn.

Một người từng quản lý dự án phần mềm có thể sử dụng kinh nghiệm đó để tổ chức một sự kiện. Một kỳ thủ có thể vận dụng tư duy chiến lược vào kinh doanh. Một nhà vật lý có thể nhìn thấy cấu trúc toán học trong một vấn đề sinh học.

AGI, ít nhất trong hình dung của những người đang xây dựng nó, cũng sẽ sở hữu sự linh hoạt tương tự.

Nói cách khác, đây không còn là một công cụ thực hiện một nhiệm vụ cụ thể.

Nó gần với khái niệm về một bộ não số có thể học cách thực hiện nhiều loại công việc khác nhau.

2. Khi trí tuệ trở thành một loại hạ tầng

Demis so sánh AGI không phải với Internet hay điện thoại di động, mà với việc con người khám phá ra điện hoặc lửa.

Ban đầu mình cảm thấy sự so sánh này có phần phóng đại nhưng càng suy nghĩ, mình càng hiểu logic phía sau nó.

Internet thay đổi cách thông tin được truyền đi. Điện thoại thông minh thay đổi cách con người tiếp cận thông tin và kết nối với nhau. Nhưng AGI có thể tác động trực tiếp đến quá trình tạo ra tri thức.

Trước đây, để giải quyết một vấn đề phức tạp, chúng ta cần tập hợp những người có chuyên môn phù hợp. Khả năng tiến bộ của một tổ chức bị giới hạn bởi số lượng kỹ sư, nhà khoa học, bác sĩ, nhà thiết kế hoặc nhà quản lý mà tổ chức đó có thể tuyển dụng.

Nếu AGI xuất hiện, trí tuệ có thể dần trở thành một loại hạ tầng.

Giống như điện, chúng ta không nhất thiết phải hiểu toàn bộ hệ thống điện lực để sử dụng một chiếc máy giặt. Trong tương lai, một doanh nghiệp nhỏ cũng có thể tiếp cận năng lực phân tích, nghiên cứu và phát triển sản phẩm tương đương một đội ngũ rất lớn hiện nay.

Một nhà khoa học có thể làm việc với hàng trăm AI agent để thử nghiệm đồng thời nhiều giả thuyết. Một công ty khởi nghiệp với vài người có thể vận hành khối lượng công việc trước đây cần hàng trăm nhân sự. Một cá nhân có thể có một nhóm trợ lý số giúp nghiên cứu, lập kế hoạch, học tập và thực hiện dự án.

Nếu Internet giúp chúng ta phân phối thông tin gần như miễn phí, AGI có thể giúp phân phối năng lực nhận thức với chi phí ngày càng thấp.

Và khi một nguồn lực từng rất khan hiếm trở nên phổ biến, toàn bộ cấu trúc kinh tế xung quanh nó sẽ thay đổi.

3. Cuộc đua đang nhanh hơn năng lực hiểu

Tuy nhiên, một trong những đoạn đáng chú ý nhất trong bài viết của Demis không nói về năng suất hay sự thịnh vượng.

Ông mô tả thế giới hiện tại đang bị cuốn vào một cuộc cạnh tranh thương mại và địa chính trị cực kỳ khốc liệt. Các công ty muốn xây dựng mô hình mạnh nhất. Các quốc gia muốn sở hữu hạ tầng tính toán, chip, dữ liệu và nhân tài tốt nhất. Nhà đầu tư muốn tìm ra người chiến thắng tiếp theo.

Sự cạnh tranh này tạo ra tiến bộ rất nhanh.

Nhưng nó cũng tạo ra một nghịch lý: không ai muốn giảm tốc độ trước, ngay cả khi tất cả đều nhận ra rằng tốc độ hiện tại có thể dẫn đến những rủi ro chưa được hiểu đầy đủ.

Điều này khá giống với một đội product đang chạy đua để release.

Khi deadline đến gần, áp lực từ khách hàng, đối thủ và doanh thu khiến mọi người tập trung vào câu hỏi: “Làm thế nào để đưa tính năng này lên production nhanh nhất?”

Trong khi đó, những câu hỏi khó hơn thường bị đẩy sang phía sau:

Hệ thống sẽ phản ứng như thế nào trong những tình huống chưa được dự đoán? Người dùng có thể sử dụng tính năng này theo cách nào khác với ý định ban đầu? Chúng ta có khả năng rollback hay không? Ai chịu trách nhiệm khi có sự cố?

Với một sản phẩm thông thường, hậu quả có thể là một hệ thống bị gián đoạn, một dự án thất bại hoặc một khoản doanh thu bị mất.

Với một hệ thống AI có khả năng tự hành động, tiếp cận hạ tầng số, viết phần mềm, nghiên cứu sinh học hoặc tự cải thiện, phạm vi hậu quả lớn hơn rất nhiều.

Vấn đề không phải là những người xây dựng AI không nhận thức được rủi ro. Ngược lại, họ là người hiểu rất rõ những rủi ro đó.

Nhưng trong một cuộc đua, việc một bên tự nguyện dừng lại có thể đồng nghĩa với việc trao lợi thế cho bên còn lại.

Đây không còn là một bài toán kỹ thuật đơn thuần. Nó là bài toán về incentive, governance và khả năng phối hợp giữa những tổ chức không hoàn toàn tin tưởng lẫn nhau.

4. An toàn không có nghĩa là ngừng đổi mới

Một quan niệm mình thường thấy trong các cuộc thảo luận về AI là chúng ta phải lựa chọn giữa hai hướng.

Hoặc tiếp tục đổi mới nhanh chóng và chấp nhận rủi ro.

Hoặc tăng cường quản lý và làm chậm tiến bộ.

Nhưng framework của Demis dựa trên một cách nhìn khác: quản lý không nhất thiết phải bắt đầu bằng việc giới hạn toàn bộ ngành AI. Nó có thể tập trung vào những hệ thống mạnh nhất và có khả năng tạo ra rủi ro lớn nhất.

Ông đề xuất thành lập một cơ quan tiêu chuẩn dành cho Frontier AI tại Hoa Kỳ. Các mô hình đạt đến một số ngưỡng năng lực nhất định sẽ được xếp vào nhóm “frontier-class” và phải trải qua quá trình đánh giá trước khi được phát hành.

Việc đánh giá không chỉ kiểm tra xem mô hình trả lời câu hỏi tốt đến đâu. Nó tập trung vào những năng lực có thể tạo ra rủi ro nghiêm trọng, chẳng hạn như khả năng tấn công mạng, hỗ trợ phát triển tác nhân sinh học nguy hiểm, vượt qua các cơ chế bảo vệ hoặc cố tình che giấu hành vi.

Trong giai đoạn đầu, các phòng thí nghiệm có thể tự nguyện gửi mô hình để đánh giá tối đa 30 ngày trước khi phát hành. Khi quy trình đã đủ đáng tin cậy, việc đánh giá có thể trở thành yêu cầu bắt buộc đối với các mô hình frontier muốn được triển khai trên thị trường Mỹ.

Điểm mình đánh giá cao trong đề xuất này là cách tiếp cận dựa trên năng lực thực tế, thay vì chỉ dựa trên tên công ty, quy mô doanh nghiệp hoặc số lượng tham số của mô hình.

Một startup nhỏ xây dựng mô hình thông thường không cần phải chịu cùng quy trình quản lý với một hệ thống có khả năng tự động tìm kiếm lỗ hổng bảo mật hoặc điều khiển hạ tầng quan trọng.

Tương tự trong phát triển phần mềm, một công cụ hỗ trợ viết nội dung không nên có cùng release process với một AI agent có quyền thay đổi production database.

Rủi ro khác nhau cần những cơ chế kiểm soát khác nhau.

5. Benchmark không thể là câu trả lời cuối cùng

Tuy nhiên, việc xây dựng một cơ quan đánh giá AI cũng không đơn giản như tạo ra một danh sách benchmark rồi yêu cầu mọi mô hình vượt qua.

Chúng ta đã thấy điều gì xảy ra khi một chỉ số trở thành mục tiêu.

Khi các đội ngũ biết trước nội dung bài kiểm tra, họ có thể tối ưu hệ thống để đạt điểm cao mà không thực sự cải thiện năng lực nền tảng. Một mô hình có thể vượt qua benchmark an toàn nhưng vẫn hành xử theo cách không mong muốn trong một môi trường hoàn toàn mới.

Demis cũng thừa nhận vấn đề này. Ông đề xuất các bộ kiểm thử phải được cập nhật thường xuyên, những benchmark đã bão hòa cần bị loại bỏ, đồng thời cơ quan đánh giá phải có khả năng tự xây dựng các bài kiểm tra bí mật, độc lập với các phòng thí nghiệm AI.

Đây là tư duy khá quen thuộc trong software engineering.

Một hệ thống không an toàn chỉ vì nó vượt qua một bộ test cố định. Test chỉ có giá trị khi nó phản ánh đúng những tình huống mà hệ thống có thể gặp trong thực tế.

Nhưng AI phức tạp hơn phần mềm truyền thống ở một điểm: chúng ta không hoàn toàn lập trình từng hành vi của mô hình. Chúng ta huấn luyện nó từ một lượng dữ liệu khổng lồ, sau đó quan sát những năng lực xuất hiện.

Một số năng lực chỉ trở nên rõ ràng khi mô hình đạt đến một quy mô nhất định. Một số hành vi có thể không xuất hiện trong phòng thí nghiệm nhưng lại xuất hiện khi hệ thống được kết nối với Internet, công cụ, dữ liệu doanh nghiệp và những AI agent khác.

Vì vậy, đánh giá AGI không thể chỉ là một kỳ thi diễn ra trước ngày release.

Nó phải là một quá trình liên tục gồm kiểm thử, quan sát, giới hạn quyền truy cập, ghi lại hành vi và phản ứng khi xuất hiện những năng lực mới.

Nói cách khác, chúng ta không chỉ cần xây dựng model tốt hơn.

Chúng ta còn phải xây dựng một hệ vận hành đủ mạnh để quản lý model đó.

6. Điểm nghẽn tương lai có thể không còn là trí tuệ

Demis hình dung AGI có thể đưa nhân loại đến một thế giới hậu khan hiếm, nơi tài nguyên không còn là giới hạn chính của sự tiến bộ.

Đây là phần mình vừa thấy hấp dẫn, vừa cảm thấy cần thận trọng.

Bởi ngay cả khi trí tuệ trở nên dồi dào, điều đó không có nghĩa mọi vấn đề sẽ tự động được giải quyết.

Ngày nay, con người đã có đủ kiến thức để sản xuất nhiều lương thực hơn, xây dựng thành phố tốt hơn, giảm nhiều loại bệnh tật và cải thiện chất lượng giáo dục. Nhưng khoảng cách giữa “biết điều cần làm” và “thực sự làm được” vẫn rất lớn.

Không phải mọi vấn đề đều tồn tại vì chúng ta chưa đủ thông minh.

Nhiều vấn đề tồn tại vì lợi ích giữa các nhóm khác nhau, vì nguồn lực phân phối không đồng đều, vì tổ chức thiếu khả năng thực thi hoặc vì con người không thể thống nhất nên ưu tiên điều gì.

AGI có thể giúp chúng ta tìm ra hàng nghìn giải pháp tốt hơn. Nhưng việc lựa chọn giải pháp nào, ai được hưởng lợi, ai chịu chi phí và ai có quyền quyết định vẫn là những câu hỏi mang tính con người.

Trong một thế giới mà khả năng phân tích trở nên rẻ đi, judgment có thể trở nên có giá trị hơn.

Khi việc tạo ra phương án không còn khó, khả năng xác định đúng vấn đề sẽ quan trọng hơn.

Khi AI có thể viết phần lớn code, điều tạo ra khác biệt không còn chỉ là tốc độ coding, mà là khả năng hiểu người dùng, thiết kế hệ thống và quyết định điều gì đáng được xây dựng.

Khi một tổ chức có thể tạo ra hàng trăm kế hoạch trong vài phút, lợi thế sẽ thuộc về những người biết kế hoạch nào phù hợp với bối cảnh, giá trị và mục tiêu dài hạn của mình.

Từ góc nhìn product, AGI không loại bỏ nhu cầu về tư duy sản phẩm.

Nó khiến tư duy sản phẩm trở nên quan trọng hơn.

Bởi sản phẩm chưa bao giờ chỉ là tập hợp của những gì chúng ta có khả năng xây dựng. Sản phẩm là kết quả của những lựa chọn về việc chúng ta nên xây dựng điều gì.

7. Có ba lớp vấn đề cần được giải quyết cùng lúc

Sau khi đọc bài viết của Demis, mình nghĩ hành trình đến AGI không chỉ là một cuộc đua xây dựng model mạnh hơn. Nó gồm ít nhất ba lớp vấn đề phải được giải quyết song song.

Lớp đầu tiên là capability: làm thế nào để tạo ra những hệ thống có khả năng học, suy luận, lập kế hoạch và thích nghi tốt hơn.

Lớp thứ hai là control: làm thế nào để bảo đảm những hệ thống đó hoạt động trong phạm vi con người mong muốn, không lạm dụng công cụ và không theo đuổi mục tiêu bằng những cách nguy hiểm.

Lớp cuối cùng là coordination: làm thế nào để các công ty, quốc gia và cộng đồng thống nhất được một số nguyên tắc tối thiểu, ngay cả khi họ đang cạnh tranh với nhau.

Ngành AI đang tiến rất nhanh ở lớp đầu tiên.

Chúng ta đã bắt đầu đầu tư nhiều hơn vào lớp thứ hai.

Nhưng lớp thứ ba có lẽ là phần khó nhất.

Con người có lịch sử khá tốt trong việc phát minh ra công nghệ, nhưng không phải lúc nào cũng giỏi trong việc thống nhất cách sử dụng công nghệ ấy. Với AGI, khoảng cách giữa hai năng lực này có thể tạo ra hậu quả lớn hơn bất kỳ công nghệ nào trước đây.

Framework của Demis chưa phải là lời giải hoàn chỉnh. Một cơ quan chủ yếu nhận tài trợ từ chính ngành công nghiệp mà nó giám sát luôn có nguy cơ bị ảnh hưởng bởi lợi ích của ngành. Một framework khởi đầu tại Hoa Kỳ cũng chưa thể đại diện cho toàn bộ thế giới. Việc áp dụng cùng một tiêu chuẩn cho mô hình mã nguồn đóng và mã nguồn mở chắc chắn sẽ tạo ra nhiều tranh luận.

Nhưng có lẽ giá trị quan trọng nhất của đề xuất này không nằm ở cấu trúc cụ thể của cơ quan.

Nó nằm ở việc chuyển cuộc thảo luận từ những nguyên tắc chung chung như “AI cần an toàn” sang những cơ chế cụ thể hơn:

Mô hình nào cần được đánh giá? Ai thực hiện đánh giá? Kiểm tra những năng lực gì? Khi nào một hệ thống không nên được release? Chúng ta xử lý thế nào khi một rủi ro chỉ xuất hiện sau khi triển khai?

Đó là những câu hỏi khó, nhưng ít nhất chúng đưa cuộc trò chuyện đến gần hơn với thực tế.

8. Tương lai chưa được viết sẵn

Mình không biết AGI sẽ xuất hiện sau ba năm, năm năm hay lâu hơn. Thực tế là ngay cả những chuyên gia hàng đầu cũng chưa thống nhất AGI chính xác là gì và làm thế nào để xác nhận rằng chúng ta đã đạt đến nó.

Nhưng có lẽ chúng ta không cần chờ đến ngày một phòng thí nghiệm tuyên bố đã tạo ra AGI mới bắt đầu chuẩn bị.

Những thay đổi ban đầu đã diễn ra.

AI đang dịch chuyển từ công cụ trả lời sang hệ thống thực hiện. Từ một chatbot nằm trong cửa sổ trình duyệt, nó đang trở thành agent có thể truy cập dữ liệu, sử dụng phần mềm, viết code và hoàn thành chuỗi công việc kéo dài nhiều bước.

Mỗi bước tiến đó đều đưa chúng ta gần hơn đến một thế giới nơi trí tuệ không còn là nguồn lực khan hiếm nhất.

Nhưng khi trí tuệ trở nên dồi dào, những thứ khác sẽ trở nên quan trọng hơn: khả năng phán đoán, trách nhiệm, niềm tin, giá trị và năng lực phối hợp giữa con người với nhau.

Có lẽ AGI sẽ giúp chúng ta khám phá thuốc mới, tạo ra nguồn năng lượng sạch và giải quyết những bài toán khoa học từng mất hàng thập kỷ. Nó cũng có thể làm thay đổi thị trường lao động, tập trung quyền lực vào một số tổ chức và tạo ra những loại rủi ro mà hiện tại chúng ta chưa có ngôn ngữ để mô tả.

Hai khả năng đó có thể cùng tồn tại.

Vì vậy, câu hỏi quan trọng không chỉ là:

Khi nào AGI sẽ xuất hiện?

Câu hỏi lớn hơn là:

Khi trí tuệ không còn là giới hạn, con người sẽ lựa chọn làm gì với nó?

Tương lai ấy chưa được viết sẵn. Nhưng những quyết định về công nghệ, chính sách và cách chúng ta xây dựng sản phẩm ngay hôm nay đang âm thầm viết những dòng đầu tiên.

Subscribe now

Vấn đề lớn hơn không nằm ở chỗ mình có viết prompt dài hay không, mà nằm ở chỗ mình có thật sự hiểu điều mình đang yêu cầu AI làm hay không.

Nói cách khác, giới hạn của AI trong nhiều trường hợp không còn nằm ở năng lực của model, mà nằm ở khả năng của mình trong việc nhận diện những điều chưa rõ.

Mình đọc một bài viết của Thariq về cách làm việc với Claude Fable, trong đó có một ý làm mình khá thích: “the map is not the territory”. Hiểu một cách đại lý là bản đồ không phải là vùng đất thật. Prompt, tài liệu, spec, context, hình ảnh, user story hay design mà mình đưa cho AI chỉ là bản đồ. Còn vùng đất thật tức là nơi AI thực sự làm việc là codebase, business logic, edge case, constraint kỹ thuật, expectation của user, deadline của sprint, và cả những quyết định sản phẩm chưa được nói thành lời.

Khoảng cách giữa bản đồ và vùng đất đó chính là nơi các “unknowns” xuất hiện.

Và khi AI phải đi vào territory, nó sẽ gặp những điều mà map không mô tả đầy đủ. Lúc đó, nếu mình không làm rõ từ trước, AI buộc phải tự đoán, AI sẽ tự đưa ra các assume chưa có căn cứ. Có lúc nó đoán đúng, có lúc nó đoán theo best practice, có lúc nó chọn một hướng nghe rất hợp lý về mặt kỹ thuật nhưng lại sai với ngữ cảnh sản phẩm.

Đó là lý do tôi nghĩ kỹ năng làm việc với AI trong giai đoạn này không còn chỉ là “prompt engineering” nữa. Nó giống hơn với một kỹ năng rất quen thuộc của PM, BA, Product hay Engineering Lead: managing ambiguity trước khi nó trở thành cost of rework.

Subscribe now

1. The Unknowns We Bring to Every Project

Khi bắt đầu một task, thông thường chúng ta sẽ có một phần thông tin khá rõ. Ví dụ, chúng ta biết mình muốn xây một tính năng bulk assign client trong CRM. Mình biết user cần chọn nhiều client cùng lúc, assign cho một team hoặc một agent, và hệ thống cần giúp thao tác nhanh hơn thay vì xử lý từng dòng.

Đó là phần “known knowns”, tức là những điều mình biết và có thể nói ra cho AI hiểu được.

Nhưng ngay sau đó sẽ xuất hiện nhóm thứ hai: những điều mình biết là mình chưa rõ. Ai có quyền assign? Team Lead có được assign trực tiếp cho agent không? Shift Lead có được override owner cũ không? Nếu client đang được chăm sóc bởi sales khác thì xử lý thế nào? Có cần audit log không? Có cần rollback không?

Đó là “known unknowns”, những câu hỏi mình biết là cần clarify.

Hai nhóm này tương đối dễ xử lý, vì ít nhất chúng ta còn nhìn thấy chúng, biết rõ cần phải làm gì để xử lý. Tuy nhiên, vấn đề khó hơn nằm ở hai nhóm còn lại.

Có những thứ mình thật ra biết, nhưng không viết ra vì nghĩ nó hiển nhiên. Ví dụ, khi nhìn vào một màn hình, mình có thể nói ngay layout này chưa ổn, flow này hơi rối, hay trạng thái lỗi này nên hiển thị gần input hơn thay vì đặt ở một banner chung. Nhưng nếu được yêu cầu mô tả từ đầu bằng chữ, chưa chắc mình đã nói được rõ ràng.

Đó là “unknown knowns”, đó là những điều mình biết ngầm, nhưng chỉ nhận ra khi nhìn thấy một prototype, một UI, một flow hoặc một implementation cụ thể.

Và cuối cùng là phần nguy hiểm nhất: “unknown unknowns”, những điều mình chưa từng nghĩ tới. Đây thường là những case chỉ lộ ra khi dev bắt tay vào làm, khi QA test, hoặc tệ hơn, khi user thật bắt đầu sử dụng sản phẩm.

Trong product work, unknown unknowns có thể là một rule permission bị thiếu, một case duplicate client giữa hai brand, một dependency với module khác, một API cũ có behavior không giống tài liệu, hoặc một interaction nhỏ khiến toàn bộ UX trở nên khó dùng.

Trong coding với AI, những unknown unknowns này còn nguy hiểm hơn, vì AI không dừng lại để hỏi nếu mình không yêu cầu nó hỏi. Nó sẽ tiếp tục đi, chọn một hướng hợp lý theo xác suất, rồi hoàn thành task với sự tự tin rất cao.

Kết quả là mình có một output nhìn khá hoàn chỉnh, nhưng bên trong chứa rất nhiều giả định chưa từng được review.

2. AI as a Thought Partner

Điểm mình thích nhất trong bài viết không phải là các prompt cụ thể, mà là mindset phía sau: hãy dùng AI như một thought partner để tìm unknowns, thay vì chỉ xem nó như một người nhận task.

Trước đây, khi giao việc cho AI, mình thường có xu hướng đi thẳng vào yêu cầu: “Viết user story này”, “Tạo implementation plan”, “Generate test cases”, “Refactor đoạn code này”, “Viết lại bài này thành essay”. Cách đó vẫn hiệu quả với những việc đơn giản, nhưng với những task dài, nhiều tầng logic hoặc nhiều rủi ro sản phẩm, đi thẳng vào execution thường khiến mình bỏ qua giai đoạn quan trọng nhất: làm rõ vấn đề.

Một cách hay hơn là bắt đầu bằng việc yêu cầu AI tìm điểm mù.

Ví dụ, thay vì nói:

“Hãy viết user story cho bulk assign clients.”

Mình có thể bắt đầu bằng:

“Tôi đang define tính năng bulk assign clients cho CRM. Hãy làm một blind spot pass và chỉ ra những unknown unknowns có thể ảnh hưởng tới permission, ownership, duplicate clients, audit log, rollback, UX flow và data model. Đừng viết solution ngay, hãy giúp tôi hiểu những điểm cần clarify trước.”

Giải thích một tí cho các bạn về blind spot pass, đó là bước yêu cầu AI tạm thời chưa làm solution ngay, mà trước tiên giúp mình rà soát những điểm mù của vấn đề. Nói đơn giản, đó là lúc mình hỏi AI: “Có điều gì tôi chưa biết là mình chưa biết không?” Với những task phức tạp như viết requirement, thiết kế flow hay implement một phần mới trong codebase, blind spot pass giúp phát hiện sớm các rủi ro, edge case, assumption ẩn, dependency hoặc câu hỏi cần clarify trước khi bắt tay vào làm. Đây là cách dùng AI như một thought partner để giảm ambiguity và tránh rework sau này.

Quay lại phần US trên, cách hỏi này thay đổi vai trò của AI. Nó không còn là người viết theo yêu cầu, mà trở thành một người reviewer đầu tiên, giúp mình nhìn thấy những câu hỏi đáng lẽ phải xuất hiện trước khi task được đưa vào sprint.

Với công việc PM/BA, đây là điểm rất đáng áp dụng. Nhiều khi vấn đề không phải là team thiếu effort, mà là requirement đi vào development khi vẫn còn quá nhiều giả định. Đến lúc implement mới phát hiện thiếu flow, thiếu state, thiếu rule, thiếu permission, thiếu error message, thì chi phí sửa luôn cao hơn rất nhiều so với việc hỏi đúng câu hỏi từ đầu.

Mình cũng đã sử dụng cách tìm blind spot pass trong cách làm việc của mình khá nhiều trong 2-3 tháng trở lại đây, và thực sự phải woa khi các model Fable, Opus hay Codex có thể giúp mình tìm ra những điểm mù trong quá trình phân tích yêu cầu.

3. Making the Invisible Visible

Có một dạng unknown rất khó xử lý bằng chữ: những điều mình chỉ biết khi nhìn thấy.

Trong UI/UX, điều này xảy ra liên tục. Mình có thể nói “màn hình này cần clean hơn”, “flow này nên đơn giản hơn”, “dashboard này cần professional hơn”, nhưng những câu đó không đủ để AI hoặc designer hiểu chính xác mình muốn gì. Ngay cả bản thân mình đôi khi cũng chưa chắc mình muốn gì, cho đến khi nhìn thấy vài phương án khác nhau.

Đó là lúc brainstorm và prototype trở nên hữu ích.

Thay vì yêu cầu AI làm ngay một version hoàn chỉnh, mình có thể yêu cầu nó tạo ra vài hướng khác nhau để mình phản ứng. Không cần backend, không cần data thật, không cần wire up logic phức tạp. Chỉ cần một mockup đủ rõ để mình nhìn vào và nói: hướng này đúng, hướng kia sai, phần này nên giữ, phần kia nên bỏ.

Điểm quan trọng ở đây là prototype không chỉ giúp AI hiểu mình hơn. Nó còn giúp chính mình hiểu mình hơn.

Nhiều quyết định sản phẩm không xuất hiện trong đầu khi mình ngồi viết spec, nhưng lại xuất hiện rất nhanh khi mình nhìn thấy một flow cụ thể. Ví dụ, khi nhìn vào màn hình bulk action, mình mới nhận ra cần có preview trước khi apply. Khi nhìn vào assignment modal, mình mới thấy cần phân biệt assign cho team và assign cho từng agent. Khi nhìn vào error state, mình mới thấy nếu một vài client assign thất bại thì không nên fail toàn bộ batch, mà nên có partial success report.

Những điều đó thường không đến từ việc suy nghĩ trừu tượng. Chúng đến từ phản ứng với một artifact cụ thể.

Và AI rất mạnh ở điểm này: nó có thể tạo ra artifact ít tốn token, nhanh, nhiều biến thể, đủ để mình khám phá suy nghĩ của chính mình trước khi commitment vào một implementation tốn kém hơn.

Và có một điều mình chú ý là gần đây khi dùng Fable, Opus hay thậm chí Sonnet, nếu các bạn tích hợp sẵn MCP Playwright, thì chính các model này có thể sử dụng MCP này để control mở browser và tự compare với những gì mà nó đề xuất, và tự correct lại nếu output tạo ra không đúng spec ban đầu, một highly recommend nên kết hợp với MCP Playwright khi muốn tạo nhanh các prototype và đối chiếu nhé.

4. Planning for Change, Not Certainty

À đoạn này thì viết dành cho các bạn build product hay developer nhé, còn nếu BA/ PM mình nghĩ dừng lại ở phần trên là được rồi, vì mục tiêu của chúng ta là hoàn thiện spec đúng requirement của khách đưa ra và giải quyết các vấn đề mơ hồ. Tuy nhiên, nếu bạn là một TPM, bạn có thể lên plan này để hỗ trợ cho team cũng được, vì với mindset của bạn, kết hợp AI sẽ giúp cho việc triển khai của team hiệu quả hơn.

Sau khi đã brainstorm, clarify và chọn hướng đi, bước tiếp theo không nên là “code luôn”. Với những task phức tạp, mình nghĩ nên yêu cầu AI tạo một implementation plan trước.

Nhưng implementation plan tốt không phải là một checklist dài, liệt kê càng nhiều bước càng tốt. Một plan tốt nên làm nổi bật những quyết định có khả năng thay đổi cao nhất.

Ví dụ, nếu task có thể ảnh hưởng tới data model, type interface, permission, UX flow hoặc user-facing behavior, những phần đó nên được đưa lên đầu để review. Còn những việc cơ học như đổi tên file, thêm helper, update import, refactor nhỏ thì có thể để phía sau, vì đó là phần mình có thể tin AI hoặc dev xử lý sau.

Điều này rất giống cách mình review requirement với team. Mình không cần kiểm soát từng dòng code, nhưng cần nắm những quyết định có thể làm lệch sản phẩm. Nếu data model sai, flow sai, permission sai, hoặc expectation của user sai, thì dù implementation có sạch đến đâu cũng vẫn là sai.

Với AI agent, implementation plan còn có một vai trò khác: nó tạo ra một điểm dừng để con người review trước khi AI đi quá xa. Vì khi AI đã bắt đầu sửa nhiều file, tạo nhiều logic, refactor nhiều chỗ, việc quay lại sẽ khó hơn. Một plan rõ ràng giúp mình bắt lỗi khi chi phí sửa còn thấp.

5. Capture the Decisions That Matter

Đây là kinh nghiệm khi mình build một số product và feature, dù chuẩn bị kỹ đến đâu, implementation thật luôn có bất ngờ. Codebase có thể có pattern cũ, API có thể trả data khác với kỳ vọng, một component có thể đang được reuse ở nhiều nơi, hoặc một edge case có thể khiến plan ban đầu không còn phù hợp.

Vấn đề không phải là AI có gặp edge case hay không. Chắc chắn nó sẽ gặp. Vấn đề là khi gặp, nó có ghi lại cho mình biết hay âm thầm tự chọn một hướng rồi đi tiếp.

Đây là một điểm tôi thấy rất thực tế trong bài viết: hãy yêu cầu AI giữ một file implementation notes tạm thời, trong đó ghi lại các quyết định, edge case, deviation so với plan, và lý do chọn hướng xử lý.

Cách làm này cũng khá đơn giản, sau khi bạn đã có implementation plan rồi, bạn hãy thiết lập một rule vào file CLAUDE.md với yêu cầu như trên, điều này sẽ giúp mỗi session khi AI thực hiện, nó luôn biết để tuân thủ theo rule, highly recommend các bạn sử dụng repo này của Andrej Karpathy để tích hợp vào trong quá trình implement: https://github.com/multica-ai/andrej-karpathy-skills/tree/main

Điều này đặc biệt hữu ích khi review một thay đổi lớn. Nếu chỉ đọc diff, mình thấy code thay đổi, nhưng không phải lúc nào cũng hiểu vì sao nó thay đổi như vậy. Implementation notes giúp mình nhìn thấy đường đi của AI: nó đã gặp gì, đã giả định gì, đã chọn gì, và có chỗ nào cần con người review lại không.

Trong workflow thực tế, đây cũng là một cách giảm rủi ro khi dùng AI coding agent. Mình không chỉ nhận output cuối cùng, mà còn nhận lại cách agent suy nghĩ và xử lý ở mức có thể kiểm tra được. Không cần AI trình bày chain-of-thought chi tiết, nhưng cần nó ghi lại decision log đủ rõ để reviewer hiểu các lựa chọn quan trọng.

6. Understanding Before Approving

Một điểm nữa mình rất đồng ý: sau khi AI implement xong, đọc diff là chưa đủ.

Diff cho mình biết file nào thay đổi, function nào được thêm, logic nào được sửa. Nhưng diff không luôn cho mình biết behavior thực tế của sản phẩm đã thay đổi như thế nào. Đặc biệt trong những hệ thống có nhiều code path cũ, nhiều permission, nhiều role, nhiều trạng thái dữ liệu, một thay đổi nhỏ trong code có thể tạo ra tác động khá rộng.

Vì vậy, sau implementation, mình thích yêu cầu AI tạo một explainer: thay đổi này giải quyết vấn đề gì, user sẽ thấy gì khác, flow hoạt động như thế nào, edge case nào đã được xử lý, decision nào cần reviewer chú ý, và còn rủi ro nào chưa chắc chắn.

Nếu cần thuyết phục stakeholder, explainer đó có thể trở thành một pitch. Nếu cần review với dev, nó có thể trở thành technical note. Nếu cần bàn với QA, nó có thể trở thành testing guide. Nếu cần tự kiểm tra lại hiểu biết của mình, có thể yêu cầu AI tạo quiz.

Nghe quiz có vẻ hơi lạ, nhưng mình thấy ý này rất hay. Sau một session dài với AI, đôi khi AI làm được nhiều hơn mình nghĩ. Nếu mình không thật sự hiểu thay đổi, việc merge hoặc approve chỉ dựa trên niềm tin là khá nguy hiểm. Một bài quiz nhỏ buộc mình kiểm tra lại: mình có hiểu flow không, có hiểu edge case không, có hiểu trade-off không, có biết phần nào chưa chắc chắn không.

Bạn có thể tham khảo cách làm này của Suzanne trong team Anthropic, cách cô ấy dùng nó để explain lại tất cả những thay đổi do AI tạo ra, cá nhân mình rất thích cách approach này, mình còn tự build nó lại thành 1 skill để dành sau khi mình implement một task dài, và sử dụng nó để giúp mình hiểu rõ hơn những gì bên trong feature được tạo ra.

Ở góc độ PM, điều này cũng tương tự việc không chỉ hỏi “dev xong chưa”, mà phải hỏi “behavior cuối cùng là gì, user sẽ trải nghiệm như thế nào, còn case nào chưa cover, QA cần test gì”. AI có thể giúp mình tạo ra lớp giải thích đó rất nhanh, nhưng mình vẫn phải là người chịu trách nhiệm hiểu nó.

7. Managing Ambiguity Is the New Skill

Điểm thú vị là khi AI còn yếu, chúng ta thường tập trung vào giới hạn của AI. Nó viết code sai, hiểu sai prompt, không theo instruction, hoặc không đủ context. Nhưng khi model ngày càng mạnh, một phần giới hạn bắt đầu chuyển ngược về phía con người.

Nếu mình không biết mình muốn gì, AI sẽ đoán.

Nếu mình không biết điều gì chưa rõ, AI sẽ lấp khoảng trống bằng giả định.

Nếu mình không biết thế nào là tốt, AI có thể tạo ra một thứ trông ổn nhưng không thật sự đúng.

Điều này không làm AI kém hữu ích hơn. Ngược lại, nó khiến vai trò của con người trở nên quan trọng hơn, nhưng theo một cách khác. Thay vì chỉ trực tiếp làm mọi thứ, chúng ta cần biết cách đặt giới hạn, tìm điểm mù, phản ứng với prototype, review decision, và kiểm tra kết quả.

Mình nghĩ đây là một kỹ năng rất gần với product thinking. Một PM giỏi không chỉ viết ticket, mà phải phát hiện những câu hỏi chưa được hỏi. Một BA giỏi không chỉ ghi requirement, mà phải làm rõ business rule ẩn phía sau requirement. Một engineer giỏi không chỉ code theo spec, mà phải biết spec nào đang thiếu giả định quan trọng.

Làm việc với AI agent cũng vậy. Prompt tốt không phải là một đoạn lệnh thật dài. Prompt tốt là một quá trình giúp cả người và AI cùng thu hẹp khoảng cách giữa bản đồ và vùng đất thật.

8. Changing How I Work With AI

Nếu rút bài viết này thành một thay đổi nhỏ trong workflow của mình, mình nghĩ đó là: trước khi yêu cầu AI làm một task lớn, mình sẽ không bắt đầu bằng câu “hãy làm giúp tôi”. Thay vào đó sẽ bắt đầu bằng câu “hãy giúp tôi tìm những điều tôi chưa biết”.

• Với một user story, mình sẽ yêu cầu AI tìm ambiguity trước khi viết AC.

• Với một feature phức tạp, mình sẽ yêu cầu AI làm blind spot pass trước khi đề xuất solution.

• Với một UI chưa rõ, mình sẽ yêu cầu vài prototype để phản ứng trước khi chốt flow.

• Với một implementation dài, mình sẽ yêu cầu plan trước, notes trong lúc làm, và explainer sau khi làm.

• Với một thay đổi quan trọng, mình sẽ không chỉ hỏi “code đúng chưa”, mà sẽ hỏi “hãy kiểm tra xem tôi có thật sự hiểu thay đổi này không”.

Tất cả những việc đó nghe có vẻ làm chậm quá trình, nhưng thật ra lại là cách đi nhanh hơn. Vì trong software, thứ làm chậm team nhiều nhất thường không phải là việc gõ code, mà là sửa lại những thứ được build trên một giả định sai.

AI giúp chúng ta làm nhanh hơn, nhưng nếu dùng không cẩn thận, nó cũng giúp chúng ta đi sai nhanh hơn. Vì vậy, kỹ năng quan trọng không chỉ là biết cách tăng tốc, mà là biết khi nào cần dừng lại để làm rõ.

9. From Better Prompts to Better Thinking

Mình thích bài viết này vì nó không thần thánh hóa AI, cũng không hạ thấp vai trò của con người. Nó mô tả một cách làm việc thực tế hơn: AI rất mạnh, nhưng để dùng được sức mạnh đó, mình phải học cách quản trị unknowns.

Trong một thế giới mà AI có thể viết code, tạo prototype, đọc codebase, brainstorm solution và giải thích hệ thống rất nhanh, giá trị của con người sẽ nằm nhiều hơn ở khả năng định hướng: biết vấn đề thật là gì, biết chỗ nào chưa rõ, biết điều gì cần review, biết khi nào nên để AI tiếp tục và khi nào nên yêu cầu nó dừng lại để hỏi thêm.

Có lẽ làm việc tốt với AI không phải là cố viết một prompt hoàn hảo ngay từ đầu. Nó là một cuộc đối thoại liên tục giữa map và territory, giữa điều mình nghĩ mình biết và điều thực tế buộc mình phải học thêm.

Và nếu phải chọn một câu để bắt đầu project tiếp theo với AI, mình nghĩ câu đó sẽ là:

“Trước khi làm, hãy giúp tôi tìm những unknowns của task này.”

Subscribe now

Điều này đúng, nhưng chỉ đúng ở mức rất cơ bản. Khi bắt đầu nhìn AI dưới góc độ một system có thể vận hành thật sự, đặc biệt là trong môi trường production, trong CRM, trong customer support, trong workflow nội bộ hay trong các hệ thống có dữ liệu và action thật từ user, mình nhận ra prompt chỉ là điểm bắt đầu.

Một AI Agent tốt không phải chỉ là một LLM được gắn thêm vài tool mà nó là một system có trí nhớ, có workflow, có khả năng gọi công cụ, có vòng lặp để hoàn thành task, có điểm dừng, cơ chế quan sát, đánh giá và cải tiến liên tục.

Nói cách khác, vấn đề không còn là “làm sao hỏi AI cho đúng”, mà là “làm sao thiết kế một hệ thống để AI có thể làm việc đúng, ổn định và đáng tin cậy”.

Đây là lý do vì sao gần đây những khái niệm như agent harness, memory system, loop engineering, eval, tracing, LLMOps bắt đầu xuất hiện một cách dày đặc hơn. Nghe qua thì có vẻ giống buzzword, nhưng nếu bóc từng lớp ra, chúng thật ra không quá xa lạ. Với mình, đây là cách ngành phần mềm đang học cách biến một model thông minh nhưng nhiều xác suất thành một hệ thống có thể chạy trong môi trường thật.

Bài viết này mình tham khảo dựa trên một video của một Engineer từ Google cũng như kinh nghiệm của bản thân khi đã triển khai các dự án liên quan tới AI Agents, cùng bắt đầu nhé.

Subscribe now

1. AI Agent Run thực sự là gì?

Hãy bắt đầu từ một điều rất cơ bản: AI Agent Run là gì?

Khi bạn hỏi ChatGPT một câu, ví dụ: “OpenClaw ra mắt khi nào?” hay “Large Language Model thực sự là gì?”

Ở tầng đơn giản nhất, đó là một agent run: từ input của user đến output của model.

Hình trên mô tả cách bạn sử dụng ChatGPT hay Chatbot AI một cách đơn giản nhất: bạn input một câu hỏi, system sẽ nhận prompt đó, lấy thêm phần chat history hiện tại, cộng với system prompt, rồi đưa tất cả vào model để sinh ra câu trả lời và phản hồi lại cho bạn.

Nhưng vấn đề nằm ở chỗ, mỗi lần chạy này rất ngắn hạn, nó giống như một khoảnh khắc xử lý tạm thời. Model có thể rất thông minh, có thể biết rất nhiều thứ về thế giới, về lịch sử, về khoa học, về lập trình, về kinh doanh, nhưng nó không thật sự biết mình là ai, mình đang làm dự án gì, khách hàng trước đó đã nói gì, policy của công ty là gì, hay workflow cụ thể của business này nên được xử lý ra sao.

Nếu chỉ dựa vào prompt hiện tại và một phần chat history ngắn, agent sẽ luôn bị giới hạn bởi context trước mắt. Nó có thể trả lời tốt trong một cuộc hội thoại đơn lẻ, nhưng rất khó trở thành một hệ thống có khả năng làm việc dài hạn.

Đó là lúc memory trở nên quan trọng.

2. Memory trong AI Agents

Khi nói đến memory của AI, nhiều người thường nghĩ đơn giản là lưu lại chat history. Nhưng nếu nhìn kỹ hơn, memory trong một agent system có thể được chia thành nhiều lớp khác nhau.

Lớp đầu tiên là procedural memory: Đây là phần nói cho agent biết nó nên hành động như thế nào, nó giống như một bộ SOP hoặc instruction manual. Agent nên trả lời theo tone nào, nên xử lý task theo quy trình nào, khi nào được gọi tool, khi nào phải hỏi lại user, khi nào phải trả về format cụ thể. Trong nhiều hệ thống hiện nay, phần này có thể nằm trong system prompt, file markdown, nếu bạn sử dụng Claude thì nó có thể là file CLAUD.md hoặc những thứ được gọi Skills, và hiện nay có rất nhiều skill được tạo ra để phục vụ cho các hệ thống Agents này làm việc một cách hiệu quả.

Lớp thứ hai là semantic memory: Đây là những sự thật tương đối ổn định mà agent nên biết. Ví dụ, mình là ai, mình đang làm sản phẩm nào, công ty có những policy nào, khách hàng thuộc nhóm nào, một feature đang có rule gì, hay một business đang vận hành theo logic nào. Đây không phải là lịch sử hội thoại đơn thuần, mà là những “durable facts” giúp agent hiểu bối cảnh dài hạn. Trong thực tế, thì mình sẽ cần một DB hoặc memory store cho phần này, mục tiêu để agent có thể retrieve khi cần, điều quan trọng nó là nơi chứa những fact đã được chắt lọc và có giá trị dài hạn.

Lớp thứ ba là episodic memory: Đây là lịch sử sự kiện theo thời gian. Một khách hàng đã từng complaint những gì, lần gần nhất team follow-up là khi nào, user đã từng hỏi gì trong những cuộc trò chuyện trước, một case đã được xử lý qua những bước nào. Nó giống như một dòng thời gian của các sự kiện, có timestamp, có ngữ cảnh, có diễn biến.

Ba loại memory này giải quyết ba câu hỏi khác nhau.

• Procedural memory trả lời câu hỏi: agent nên hành động như thế nào?

• Semantic memory trả lời câu hỏi: agent nên biết những sự thật ổn định nào?

• Episodic memory trả lời câu hỏi: điều gì đã từng xảy ra trước đây?

Nếu thiếu ba lớp này, agent sẽ giống một nhân sự rất thông minh nhưng mỗi ngày đi làm lại bị mất trí nhớ. Người đó có thể suy luận tốt, nhưng không biết team đang làm gì, khách hàng là ai, chuyện gì đã xảy ra hôm qua, và quy trình công ty yêu cầu xử lý như thế nào.

Đây cũng là kinh nghiệm khi mình tổ chức triển khai các hệ thống Agents, ban đầu mình nghĩ rằng memory đơn giản là lưu lại càng nhiều càng tốt nhưng khi đi vào thiết kế vận hành thật thì vấn đề sẽ khác hoàn toàn. Không phải data nào cũng nên trở thành memory, không phải conversation nào cũng cần được lưu dài hạn và cũng không phải fact nào agent cũng nên tự động tin tưởng nếu chưa có source of truth rõ ràng.

3. Agent Harness giúp kiểm soát LLM

Một hình ảnh mình thấy khá dễ hiểu là xem LLM như một chiếc xe đua F1 vậy.

Bản thân chiếc xe có động cơ rất mạnh, có thể tăng tốc cực nhanh và tạo ra hiệu suất vượt xa một chiếc xe thông thường. Nhưng nếu chỉ có động cơ mạnh thôi thì chưa đủ để chiến thắng một cuộc đua. Xe cần vô lăng, phanh, bộ điều khiển, chiến thuật pit stop, cảm biến telemetry, đội kỹ thuật theo dõi phía sau và một tay đua biết rõ mình đang ở khúc cua nào, nên tăng tốc lúc nào, nên giảm tốc lúc nào.

LLM cũng tương tự. Model có năng lực rất lớn, nhưng nếu không có lớp kiểm soát xung quanh, nó có thể trả lời sai context, gọi nhầm tool, làm quá phạm vi, hoặc tiếp tục chạy một workflow dù đáng lẽ phải dừng lại để hỏi user. Nó có thể “chạy nhanh”, nhưng trong sản phẩm thật, chạy nhanh không quan trọng bằng việc chạy đúng hướng, đúng luật và có thể kiểm soát được khi có vấn đề xảy ra.

Đây là ý nghĩa của agent harness.

Harness là toàn bộ lớp kiểm soát được xây quanh LLM để đảm bảo model hoạt động theo cách mình muốn. Nó bao gồm system prompt, memory, retrieval, tool calling, loop, guardrails, permission, logging, evaluation và nhiều thành phần khác.

Điểm quan trọng là harness không làm LLM thông minh hơn theo nghĩa model biết thêm tất cả mọi thứ. Harness giúp sức mạnh của LLM được đặt trong một cấu trúc có kiểm soát. Thay vì để model tự đoán nên làm gì, hệ thống sẽ hướng dẫn nó lấy context nào, dùng tool nào, tuân thủ rule nào, khi nào cần hỏi lại user, và khi nào nên dừng.

Trong môi trường sản phẩm, đây là khác biệt rất lớn giữa một demo ấn tượng và một hệ thống có thể chạy thật.

Một demo AI có thể gây bất ngờ vì trả lời hay nhưng một AI Agent trong production cần nhiều hơn thế. Nó cần ổn định, có thể debug, có thể kiểm soát chi phí, có thể đo lường chất lượng, và quan trọng nhất là không được tự ý làm những việc vượt quá quyền hạn.

4. Memory cần được lưu, cập nhật và chắt lọc

Một điểm mình thấy nhiều người dễ bỏ qua là memory không tự nhiên xuất hiện.

Nếu muốn agent có trí nhớ, mình cần một nơi để lưu nó, có thể là database, vector store, file system, data warehouse, hoặc một kiến trúc kết hợp nhiều nguồn khác nhau. Nhưng lưu thôi vẫn chưa đủ, system còn cần biết memory nào nên được ghi lại, memory nào nên được cập nhật, memory nào nên bị bỏ qua, và memory nào nên được chắt lọc thành tri thức ổn định hơn.

Ví dụ trong một hệ thống customer support cho e-commerce, khách hàng có thể hỏi hàng nghìn lần về refund, đổi trả, giao hàng, lỗi sản phẩm. Nếu lưu toàn bộ hội thoại một cách thô, hệ thống sẽ nhanh chóng trở nên rất lớn, tốn kém và khó retrieve chính xác.

Một cách tốt hơn là sau một số lượng conversation nhất định, hệ thống có thể đưa các đoạn hội thoại này qua một summarizer agent để chắt lọc thành semantic memory. Thay vì phải đọc lại một triệu cuộc trò chuyện, agent có thể biết một fact đã được tổng hợp:

“Khách hàng thường hỏi về hoàn tiền khi sản phẩm lỗi. Quy trình hiện tại là kiểm tra order, xác nhận tình trạng sản phẩm, sau đó chuyển sang payment system để xử lý refund nếu đủ điều kiện.”

Từ một chuỗi sự kiện rời rạc, hệ thống tạo ra tri thức có cấu trúc hơn.

Sự kết hợp này khá phù hợp để Agent có thể tiếp thu thêm tri thức sau những đoạn hội thoại từ khách hàng, từ đó tiếp tục tái sử dụng cho những conversation trong tương lai. Đây là điều khiến AI Agent khác với một chatbot thông thường. Nó không chỉ phản hồi từng câu hỏi, mà có thể dần dần xây dựng một lớp hiểu biết về user, business và workflow.

5. Retrieval không phải lúc nào cũng là RAG

Khi nói về AI Agent, người ta thường nhắc đến RAG như một giải pháp mặc định cho retrieval. Nhưng thực tế, RAG chỉ là một phần trong bức tranh lớn hơn.

Với semantic memory, RAG rất hữu ích, nếu dữ liệu là policy, document, knowledge base, mô tả sản phẩm, hoặc các đoạn text dài, semantic search giúp agent tìm được phần nội dung có ý nghĩa gần với câu hỏi của user.

Hiểu một cách đơn giản, semantic search là cách tìm kiếm theo ý nghĩa thay vì chỉ tìm đúng keyword. Ví dụ user hỏi “khách hàng không hài lòng về việc delivery”, system vẫn có thể tìm ra các đoạn hội thoại dùng những cách diễn đạt như “ship quá lâu”, “đợi mãi chưa nhận được hàng” hay “delivery bị delay”, vì các câu này có ý nghĩa gần nhau.

RAG là bước tiếp theo sau semantic search, system sẽ dùng semantic search để lấy những đoạn thông tin liên quan nhất từ database, document hoặc memorty store, sua đó đưa các đoạn đó vào context cho LLM trước khi model trả lời.

Nhưng không phải mọi dữ liệu đều nên retrieve bằng RAG.

Nếu user hỏi: “10 cuộc trò chuyện gần nhất với khách hàng này là gì?”, câu trả lời tốt nhất có thể đến từ một SQL query rất rõ ràng theo customer_id và timestamp.

Nếu user hỏi: “Khách hàng này có bao nhiêu order chưa thanh toán?”, agent nên gọi API hoặc query database có cấu trúc.

Nhưng nếu user hỏi: “Trong 20 cuộc trò chuyện gần đây, có case nào khách hàng phàn nàn về chất lượng sản phẩm nhưng agent chưa xử lý thành công không?”, lúc này chỉ SQL có thể chưa đủ. Hệ thống cần vừa lọc theo customer, thời gian, status, vừa dùng semantic search để hiểu nội dung complaint trong text.

Điều này dẫn tới một insight quan trọng: một agent tốt không nên chỉ biết RAG. Nó cần biết chọn đúng cách retrieve theo từng loại dữ liệu.

Thông thường thì dữ liệu có cấu trúc thì dùng SQL hoặc API còn dữ liệu không có cấu trúc thì dùng semantic search.

Câu hỏi phức tạp thì cần kết hợp cả hai.

Với góc nhìn của mình, đây không đơn thuần là vấn đề kỹ thuật mà đây là vấn đề thiết kế luồng thông tin. Agent cần gì để ra quyết định đúng? Dữ liệu đó nằm ở đâu? Nên lấy bằng cách nào? Và lấy bao nhiêu là đủ?

6. Khi agent bắt đầu hành động, câu hỏi không còn là nó thông minh đến đâu

Điểm thú vị của AI Agent không nằm ở việc nó trả lời hay hơn chatbot. Điều khiến agent trở nên khác biệt là nó có thể bước ra khỏi phạm vi hội thoại và bắt đầu hành động trong một hệ thống thật.

Một chatbot có thể nói với mình rằng nên follow-up với khách hàng A. Nhưng một agent, nếu được kết nối đúng cách, có thể đọc lịch sử trong CRM, kiểm tra khách hàng đó đã complaint bao nhiêu lần, xem refund đã được xử lý chưa, tạo task cho sales, draft một email follow-up, hoặc thậm chí trigger một workflow trong payment system.

Đây là lúc AI bắt đầu có giá trị vận hành, nhưng cũng là lúc rủi ro tăng lên rất nhanh. Nếu agent trả lời sai một đoạn text, mình có thể sửa lại nhưng nếu agent gửi nhầm email, update sai CRM, refund nhầm khách hàng hoặc trigger một chuỗi action không cần thiết, hậu quả không còn nằm trong phạm vi “AI trả lời chưa tốt” nữa mà nó đã trở thành vấn đề của business logic, permission, audit trail và trách nhiệm vận hành.

Vì vậy, khi agent có khả năng gọi tool, câu hỏi quan trọng không còn là “model có đủ thông minh không”, mà là “hệ thống có đủ kiểm soát để model hành động đúng không”.

7. Loop Engineering thật ra rất gần với workflow design

Một task trong business hiếm khi chỉ có một bước, khi user hỏi: “Giúp tôi tìm những khách hàng đang complain về sản phẩm trong hai tháng gần đây, xem ai chưa được refund, và đề xuất cách follow-up để kéo họ quay trở lại”, agent không thể chỉ đọc một document rồi trả lời ngay.

Nó cần đi qua nhiều bước. Trước tiên, nó phải đọc dữ liệu trong CRM để tìm các complaint liên quan. Sau đó, nó phải phân loại complaint nào thật sự liên quan đến chất lượng sản phẩm, complaint nào đã được xử lý, complaint nào vẫn còn pending. Tiếp theo, nó có thể cần kiểm tra payment system để biết refund đã được thực hiện hay chưa. Chỉ sau khi ghép được các mảnh dữ liệu này lại với nhau, agent mới có đủ context để đề xuất một hướng follow-up hợp lý.

Chuỗi hành động đó chính là loop.

Agent suy nghĩ, gọi tool, nhận kết quả, đánh giá xem kết quả đã đủ chưa, rồi tiếp tục gọi tool hoặc dừng lại để trả lời user. Nếu nhìn từ bên ngoài, đây có vẻ là một khái niệm kỹ thuật, nhưng với mình, loop engineering thật ra rất gần với cách một PM hoặc BA thiết kế workflow. Mình vẫn phải trả lời những câu hỏi quen thuộc: task này gồm những bước nào, bước nào cần dữ liệu, bước nào cần gọi hệ thống khác, bước nào cần human approval, và khi nào thì một workflow được xem là hoàn tất.

Điểm khác biệt là trước đây workflow thường được hard-code bằng rule rõ ràng, còn với AI Agent, một phần quyết định được giao cho model. Chính vì vậy, loop càng linh hoạt thì guardrail càng phải chặt.

8. Một agent tốt không phải là agent làm mọi thứ, mà là agent biết khi nào nên dừng

Khi nói về autonomous agent, chúng ta rất dễ bị hấp dẫn bởi ý tưởng một hệ thống có thể tự làm mọi thứ từ đầu đến cuối. Nhưng trong thực tế sản phẩm, mức độ tự động hóa càng cao thì nhu cầu kiểm soát càng lớn.

Một agent đáng tin cậy không phải là agent luôn cố làm thêm bước tiếp theo. Nó là agent hiểu rõ điểm dừng của mình nằm ở đâu.

Nếu user hỏi “ai là những khách hàng chưa được refund?”, agent nên trả về danh sách và giải thích cơ sở dữ liệu mà nó dùng để xác định. Nếu user hỏi “đề xuất cách xử lý các khách hàng này”, agent nên đưa ra phương án follow-up, có thể kèm theo draft email hoặc task suggestion. Nhưng nếu user nói “hãy refund cho họ”, agent cần hiểu rằng đây là một hành động có impact tài chính, và tùy vào rule của hệ thống, nó có thể phải xin xác nhận trước khi thực hiện.

Đây là vai trò của end-loop guardrails. Nó giúp agent biết khi nào task đã đủ điều kiện hoàn tất, khi nào cần hỏi lại user, khi nào chỉ nên đề xuất thay vì thực thi, và khi nào một hành động vượt quá quyền hạn của nó.

Một nguyên tắc mình thấy hữu ích là tách rõ read action và write action. Những hành động như đọc CRM, kiểm tra lịch sử conversation, truy xuất trạng thái payment thường có thể tự động nhiều hơn, vì rủi ro thấp hơn. Nhưng những hành động như gửi email, cập nhật CRM, hoàn tiền, xóa dữ liệu hoặc tạo transaction thì cần được kiểm soát chặt hơn.

Agent càng có nhiều quyền, hệ thống càng cần biết cách nói “dừng lại”.

9. Khi agent chạy sai, mình cần biết nó sai ở đâu

Sau khi đã có memory, retrieval, tool calling và loop, một vấn đề khác bắt đầu xuất hiện: làm sao biết agent đang chạy tốt hay không?

Trong một demo, mình có thể đọc output cuối cùng và cảm nhận rằng câu trả lời có vẻ ổn. Nhưng trong production, cảm giác đó là không đủ, một agent run có thể bao gồm nhiều bước retrieve, nhiều lần gọi tool, nhiều quyết định trung gian và nhiều phần context được đưa vào model. Nếu chỉ nhìn câu trả lời cuối cùng, mình sẽ rất khó biết hệ thống sai ở đâu khi có vấn đề xảy ra.

Agent có thể sai vì prompt chưa rõ hoặc nó cũng có thể sai vì retrieve nhầm document, vì memory đã cũ, vì tool call bị fail, vì context quá dài, hoặc vì loop không biết dừng đúng lúc. Tất cả những lỗi này có thể dẫn đến một output cuối cùng không đạt yêu cầu, nhưng cách sửa mỗi lỗi lại hoàn toàn khác nhau.

Đây là lý do tracing trở nên quan trọng. Tracing cho mình khả năng nhìn vào bên trong mỗi lần agent chạy, giống như mở hộp đen của hệ thống. Mình có thể thấy user đã hỏi gì, agent đã lấy memory nào, gọi tool bao nhiêu lần, tool nào thành công, tool nào thất bại, response time mất bao lâu, token cost là bao nhiêu, và output cuối cùng được tạo ra từ những context nào.

Không có tracing, debug AI Agent gần giống như đoán mò. Có tracing, mình bắt đầu có đủ dữ liệu để hiểu vấn đề thật sự nằm ở đâu.

10. Eval là cách biến cảm giác có vẻ ổn thành tiêu chí đo được

Tracing giúp mình quan sát, nhưng quan sát thôi chưa đủ. Sau khi biết một agent run đã diễn ra như thế nào, mình vẫn cần đánh giá xem lần chạy đó có tốt không.

Đó là vai trò của eval.

Một phần eval có thể được viết bằng rule rất rõ ràng. Nếu task là tạo meeting, meeting có được tạo thành công không? Nếu agent gọi API, API có trả về success không? Nếu hệ thống yêu cầu latency dưới năm giây, response time có vượt ngưỡng không? Nếu team đặt budget token cho mỗi run, lần chạy này có đang quá đắt không?

Nhưng cũng có những phần eval khó đo bằng rule cứng. Câu trả lời có thật sự đúng intent của user không? Agent có bỏ sót thông tin quan trọng không? Nó có hallucination không? Nó có đề xuất một hành động vượt quá quyền hạn không? Trong những trường hợp này, team có thể dùng LLM-as-judge để đánh giá output dựa trên rubric đã định nghĩa trước.

Với mình, eval nên được nhìn giống test case trong software. Nếu xây customer support agent, mình cần eval cho refund, complaint, angry customer, missing information, escalation to human và policy conflict. Nếu xây CRM assistant, mình cần eval cho lead assignment, duplicate detection, customer history, sales follow-up và permission. Mỗi lần đổi prompt, đổi model, đổi retrieval strategy hoặc thêm tool mới, team nên chạy lại eval để biết hệ thống đang tốt hơn hay tệ đi.

Đây là điểm khác biệt giữa việc thử nghiệm AI và xây một AI product nghiêm túc.

11. LLMOps là vòng lặp cải tiến phía sau một agent

Khi tracing và eval được đặt cạnh nhau, mình bắt đầu có một vòng vận hành đầy đủ hơn cho AI Agent. Mỗi lần agent chạy, hệ thống ghi lại toàn bộ trace, sau đó, eval đánh giá chất lượng của run đó, từ độ đúng, độ an toàn, latency cho đến chi phí. Nếu có vấn đề, team có thể diagnose nguyên nhân và quyết định nên sửa ở đâu: prompt, model config, retrieval, memory, tool, guardrail hay business logic.

Đây là phần mình thấy LLMOps trở nên quan trọng. Nó không chỉ là một dashboard để nhìn số liệu, mà là cách giúp AI Agent được vận hành như một hệ thống sản phẩm thật. Team không chỉ hỏi “agent trả lời có hay không”, mà hỏi sâu hơn: nó có ổn định không, có đắt quá không, có bị chậm không, có gọi đúng tool không, có retrieve đúng context không, và sau mỗi lần sửa, chất lượng có thật sự cải thiện không.

Nếu lỗi nhỏ và ít rủi ro, team có thể cập nhật prompt hoặc điều chỉnh một vài tham số retrieval. Nhưng nếu lỗi nằm ở logic sâu hơn, chẳng hạn tool call sai, permission thiếu, hoặc workflow chưa rõ, thì vấn đề cần được đưa về development, fix đúng cách, test lại và release có kiểm soát.

Vì vậy, khi nói agent system có thể self-evolve, mình không hiểu điều đó theo nghĩa để AI tự do sửa production. Trong sản phẩm thật, self-evolving nên được hiểu là hệ thống có khả năng học từ dữ liệu vận hành, đề xuất cải tiến và giúp team iterate nhanh hơn, nhưng vẫn nằm trong một vòng kiểm soát rõ ràng.

12. Điều này thay đổi cách mình nghĩ về product design

Điều làm mình quan tâm nhất ở AI Agent không phải là việc có thêm vài thuật ngữ mới. Điều quan trọng hơn là nó buộc mình nghĩ lại về cách thiết kế sản phẩm.

Trước đây, khi viết requirement cho một feature, mình thường nghĩ về màn hình, API, database, permission, workflow và edge case, etc. yên tâm là những thứ đó vẫn còn nguyên giá trị. Nhưng với AI Agent, mình phải thêm một lớp mới: agent sẽ suy nghĩ và hành động như thế nào bên trong workflow này?

Agent cần biết gì trước khi xử lý task? Dữ liệu nào là fact ổn định, dữ liệu nào là lịch sử sự kiện? Nó nên retrieve từ document, database hay API? Nó được phép gọi tool nào? Tool nào cần user approve? Khi nào agent nên hỏi lại? Khi nào output được xem là đúng? Và nếu agent sai, mình sẽ đo, trace và debug bằng cách nào?

Những câu hỏi này khiến requirement cho AI Agent không thể chỉ dừng ở mức “AI trả lời câu hỏi của user”. Một requirement tốt cần mô tả intent, context, memory, tool access, permission, điểm dừng, failure mode và tiêu chí đánh giá.

Nếu không làm rõ các phần này, team rất dễ tạo ra một agent nhìn thì thông minh trong demo, nhưng lại khó kiểm soát khi chạy trong môi trường thật.

13. Từ chatbot đến một hệ thống biết vận hành

Điểm mình rút ra sau cùng là AI Agent không nên được hiểu như một chatbot nâng cấp. Chatbot chủ yếu giao tiếp, còn agent không chỉ giao tiếp mà còn ghi nhớ, truy xuất dữ liệu, gọi công cụ, đi qua nhiều bước xử lý, đưa ra quyết định trong giới hạn và được quan sát để cải tiến liên tục.

Để làm được điều đó, LLM chỉ là phần lõi, xung quanh nó cần một hệ thống harness đủ tốt. Memory giúp agent có bối cảnh dài hạn. Retrieval giúp agent lấy đúng thông tin. Tool calling giúp agent hành động. Loop engineering giúp agent hoàn thành task qua nhiều bước. Guardrails giúp agent biết giới hạn. Tracing giúp team nhìn thấy bên trong mỗi lần chạy. Eval giúp đo chất lượng. LLMOps giúp hệ thống được cải tiến sau mỗi vòng vận hành.

Khi nhìn theo cách này, những buzzword như harness, loop engineering, eval hay LLMOps không còn quá xa lạ. Chúng là cách ngành công nghệ đang đặt lại nền móng để đưa AI từ demo vào production.

Và có lẽ đây cũng là thay đổi lớn nhất: trong thế giới AI Agent, giá trị không chỉ nằm ở việc chọn model nào mạnh hơn, mà nằm ở việc thiết kế một hệ thống đủ tốt để model đó có thể làm việc đúng cách.

Một model mạnh nhưng không có harness sẽ giống một con ngựa khỏe nhưng không có dây cương. Nó có thể chạy rất nhanh, nhưng sản phẩm thật không chỉ cần tốc độ. Sản phẩm thật cần một hệ thống biết mình đang đi đâu, đi bằng cách nào, khi nào nên tăng tốc, khi nào nên dừng lại, và làm sao để sau mỗi lần chạy, nó trở nên tốt hơn một chút.

14. Lời Kết

Bài viết này khá dài, nhưng mình đã cố gắng đơn giản hóa mọi thứ nhiều nhất có thể, vì mình tin rằng để hiểu AI Agent, chúng ta không nhất thiết phải bắt đầu bằng những thuật ngữ quá kỹ thuật. Đôi khi chỉ cần nhìn nó như một hệ thống sản phẩm: có context, có memory, có workflow, có permission, có điểm dừng, có cách đo lường và có vòng lặp cải tiến.

Nếu bạn đã đọc tới đây, cảm ơn bạn rất nhiều vì đã dành thời gian. Hy vọng bài viết này mang lại cho bạn một vài góc nhìn hữu ích, hoặc ít nhất giúp những khái niệm như memory, RAG, harness, loop engineering, eval và LLMOps trở nên dễ hình dung hơn một chút.

Với mình, đây mới là nền tảng thật sự của AI Agent: không chỉ là một model thông minh, mà là một hệ thống biết vận hành, biết kiểm soát và biết học tốt hơn qua từng vòng sử dụng.

Leave a comment

Thay vì nhìn một team theo những chức danh truyền thống như Product Manager, Engineer, Designer, Data Scientist, him thử nhìn team qua 5 kiểu đóng góp khác nhau:

1. Prototyper: người nghĩ ra ý tưởng mới, thử nhanh, tạo nhiều prototype, phần lớn có thể không bao giờ được ship.

2. Builder: người biến prototype hoặc idea thành sản phẩm thật, đủ tốt để chạy production.

3. Sweeper: người dọn dẹp UI, đơn giản hóa code và system, bỏ bớt những thứ không cần, tối ưu performance.

4. Grower: người lấy một sản phẩm đã được build rồi tiếp tục iterate để cải thiện Product-Market Fit.

5. Maintainer: người giữ một hệ thống mature được secure, reliable, fast và efficient khi scale.

Đọc qua thì có vẻ đây chỉ là một cách phân loại mới. Nhưng càng nghĩ, mình càng thấy nó phản ánh khá đúng những gì đang xảy ra trong các product team hiện đại, đặc biệt là trong bối cảnh AI và coding agent đang làm mờ ranh giới giữa các function.

Điều thú vị không nằm ở việc chúng ta có thêm 5 cái tên mới. mà điều đáng suy nghĩ hơn là: có lẽ job title đang ngày càng không còn đủ để mô tả giá trị thật mà một người tạo ra trong team.

Subscribe now

1. Từ chức danh sang kiểu tạo giá trị

Trước đây, mình cũng thường nhìn team theo cấu trúc khá quen thuộc: PM lo requirement và roadmap, BA làm rõ nghiệp vụ, Designer làm UI/UX, FE/BE lo implementation, QC test, DevOps deploy và vận hành.

Cách chia này không sai, thậm chí trong nhiều team, nó vẫn rất cần thiết để phân định ownership, quy trình và trách nhiệm.

Rồi đến lúc mình làm đủ lâu với những sản phẩm đã thật sự đi vào production, nơi mọi quyết định đều tác động đến client, user và business, mình bắt đầu nhận ra: chức danh chưa bao giờ là thứ mô tả đầy đủ giá trị mà một người mang lại cho team.

Developer, QC hay Designer đều có thể tạo ra giá trị vượt ra ngoài phần mô tả công việc của mình.

Mình từng làm việc với những developer mà điều họ quan tâm không chỉ là hoàn thành ticket. Họ nhìn ra flow nào đang trở nên rối rắm, logic nào đang sinh ra quá nhiều edge case, hay quyết định nào hôm nay có thể trở thành technical debt của vài tháng sau. Họ không chỉ xây thêm sản phẩm, mà còn chủ động làm cho sản phẩm trở nên đơn giản và bền vững hơn. Theo cách Boris mô tả, đó vừa là một Builder, vừa mang tư duy của một Sweeper.

Điều tương tự cũng xảy ra với QC. Những người giỏi không chỉ tìm bug để đánh dấu pass hay fail. Họ hiểu business, hình dung được cách người dùng sẽ sử dụng sản phẩm và nhận ra những rủi ro mà PM hoặc developer đôi khi chưa kịp nghĩ tới. Mỗi bug họ phát hiện không chỉ là một lỗi được sửa, mà có thể là một sự cố được ngăn chặn trước khi ảnh hưởng đến khách hàng hay doanh thu.

Với designer cũng vậy. Giá trị lớn nhất của họ không nằm ở việc tạo ra những màn hình đẹp, mà ở việc liên tục đặt câu hỏi: tại sao người dùng phải thực hiện bước này, liệu có thể bỏ bớt một thao tác hay giảm cognitive load ở đâu không. Khi bắt đầu chất vấn chính flow của sản phẩm thay vì chỉ chăm chút giao diện, designer lúc đó đã bước sang vai trò của một người làm product thinking.

Và với PM, mình cũng thấy điều tương tự. PM không chỉ viết requirement hay quản lý Jira. Ở nhiều thời điểm, PM phải prototype flow, clarify scope, translate business expectation thành product decision, gom feedback từ client, cắt bớt những thứ chưa cần làm, và đôi khi phải đứng giữa áp lực business với thực tế engineering.

Nói cách khác, câu hỏi quan trọng không còn chỉ là:

“Bạn là PM, Engineer hay Designer?”

Mà là:

“Ở giai đoạn này của sản phẩm, bạn đang tạo ra loại giá trị gì?”

2. Khi làm product, mình bắt đầu thấy rõ 5 vai trò này

Mình thấy rõ điều này nhất khi làm với các sản phẩm đã đi vào production.

Ở giai đoạn đầu, một sản phẩm thường cần rất nhiều năng lượng của Prototyper và Builder. Team cần thử nhanh, dựng nhanh, biến một idea còn mơ hồ thành thứ có thể demo, có thể test, có thể đặt trước mặt client hoặc user để lấy feedback.

Ví dụ khi xây một CRM/trading platform, giai đoạn đầu team phải dựng rất nhiều foundation: authentication, trading flow, KYC, referral, multi-account, CRM structure, roles & permission, settings foundation. Lúc này, điều quan trọng nhất là sản phẩm phải có hình hài đủ rõ để mọi người cùng nhìn thấy nó đang trở thành cái gì.

Nhưng khi sản phẩm bắt đầu có client thật, user thật và feedback thật, nhu cầu của team cũng thay đổi.

Câu hỏi không còn chỉ là “làm sao build được tính năng này?”, mà dần chuyển thành “làm sao để sản phẩm này tiếp tục phát triển mà không trở nên quá nặng?”.

Ở giai đoạn này, Grower bắt đầu quan trọng hơn. Vì sản phẩm không chỉ cần được build, mà cần được học từ feedback thật. Có những flow tưởng hợp lý trên Figma nhưng khi đưa vào sử dụng lại tạo ra friction. Có những requirement ban đầu nghe rất cần thiết nhưng sau vài vòng feedback mới thấy không thật sự phục vụ MVP. Có những tính năng đã ship rồi nhưng vẫn cần iterate liên tục để đến gần hơn với nhu cầu thật của user và business.

Rồi khi sản phẩm lớn hơn, complexity bắt đầu xuất hiện. Scope thay đổi sau mỗi sprint. Deadline bị rút ngắn. Team mở rộng với những thành viên mới cần onboarding. Những quyết định nhỏ ở giai đoạn đầu bắt đầu tạo ra hiệu ứng dây chuyền lên toàn bộ hệ thống.

Đây là lúc team cần nhiều hơn tư duy của Sweeper: người biết nhìn lại những gì đã build, nhận ra phần nào đang trở nên rối, phần nào có thể đơn giản hóa, phần nào nên cắt bớt để sản phẩm tiếp tục di chuyển nhẹ hơn.

Và khi sản phẩm thật sự đi vào production, có merchant, user, dữ liệu và business thật, Maintainer trở nên cực kỳ quan trọng. Lúc này, sản phẩm không thể chỉ sống bằng roadmap feature. Nó còn phải sống bằng reliability, security, performance, khả năng xử lý incident, khả năng tương thích với thay đổi từ platform bên ngoài, và khả năng giữ được niềm tin của client qua từng lần vận hành.

Điều mình rút ra là: không có archetype nào luôn quan trọng hơn archetype nào.

Một sản phẩm ở giai đoạn rất sớm có thể cần nhiều Prototyper hơn Maintainer. Một sản phẩm đang scale có thể cần Sweeper hơn Builder. Một sản phẩm đã có user thật có thể cần Grower nhiều hơn người nghĩ thêm idea mới. Và một sản phẩm mature có thể cần Maintainer hơn bất kỳ vai trò nào khác.

Vấn đề không phải là team có đủ mọi chức danh hay chưa.

Vấn đề là: ở giai đoạn hiện tại, sản phẩm đang cần kiểu đóng góp nào nhất, và team có nhận ra điều đó đủ sớm hay không?

3. Sweeper là vai trò bị đánh giá thấp nhất

Trong 5 archetype mà Boris đưa ra, mình bị ấn tượng nhất với Sweeper.

Có lẽ vì đây là kiểu đóng góp rất dễ bị bỏ quên.

Trong hầu hết các buổi planning hay review, chúng ta thường hào hứng nói về ý tưởng mới, feature mới, roadmap mới, hoặc những thứ sắp được release. Đó là những thành quả dễ nhìn thấy. Chúng tạo cảm giác sản phẩm đang tiến lên, team đang ship nhanh hơn, và mọi thứ đang có chuyển động.

Nhưng product không chỉ tiến lên bằng cách build thêm.

Có những thời điểm, điều quan trọng hơn lại là quay lại nhìn những gì mình đã xây và tự hỏi: phần nào đang bắt đầu trở nên quá nặng?

• Một đoạn code từng hợp lý ở giai đoạn đầu có thể trở nên rườm rà sau nhiều lần thay đổi.

• Một flow ban đầu chỉ có vài bước có thể dần phình ra thành một trải nghiệm khó hiểu.

• Một feature từng được build để giải quyết một nhu cầu rất cụ thể trong quá khứ có thể không còn phù hợp với sản phẩm hiện tại.

• Một requirement mơ hồ nếu không được làm rõ từ đầu có thể tạo ra rất nhiều logic chồng chéo về sau.

• Và một lớp complexity nhỏ, nếu cứ được giữ lại qua nhiều sprint, cuối cùng sẽ trở thành thứ kéo cả sản phẩm chậm xuống.

Những công việc như vậy hiếm khi xuất hiện trong release note. Không ai chụp ảnh màn hình một đoạn code được refactor, một flow được rút từ bảy bước xuống còn ba bước, hay một feature được quietly unship để khoe rằng team vừa tạo ra giá trị.

Nhưng càng làm những sản phẩm lớn và sống đủ lâu trên production, mình càng thấy chính những việc ẩn phía sâu ấy lại là thứ quyết định sản phẩm có thể tiếp tục phát triển hay không.

Vì nếu không có Sweeper, sản phẩm sẽ ngày càng nặng.

Mình từng thấy nhiều tình huống mà vấn đề lớn nhất của sản phẩm không phải là thiếu feature. Ngược lại, sản phẩm có quá nhiều feature, quá nhiều case, quá nhiều logic chồng chéo, và quá nhiều thứ từng đúng ở một thời điểm nào đó nhưng không còn đúng ở hiện tại.

Khi sản phẩm còn nhỏ, mỗi shortcut có vẻ không đáng kể.

Nhưng khi sản phẩm lớn hơn, mỗi logic cũ, mỗi quyết định tạm thời, mỗi phần debt chưa được xử lý đều trở thành một khoản lãi kép âm.

Nó làm team chậm hơn.

Làm onboarding người mới khó hơn.

Làm QC khó test hơn.

Làm PM khó explain hơn.

Làm client khó hiểu hơn.

Và cuối cùng, làm user phải gánh một phần phức tạp mà lẽ ra team nên xử lý ở phía sau.

Vì vậy, mình nghĩ Sweeper không phải là vai phụ trong product team hiện đại.

Sweeper là người giúp sản phẩm giữ được sự nhẹ nhàng cần thiết để tiếp tục di chuyển. Họ không chỉ “dọn dẹp” những gì đã cũ. Họ bảo vệ khả năng phát triển tiếp theo của sản phẩm, bằng cách liên tục giảm bớt những lớp complexity không còn tạo ra giá trị.

4. Maintainer không chỉ là người bảo trì hệ thống

Một vai trò khác mình thấy rất rõ khi làm các sản phẩm production là Maintainer.

Với những sản phẩm đã có merchant, user, dữ liệu thật và business thật, công việc quan trọng không chỉ là build thêm feature. Sản phẩm cần được vận hành ổn định.

Có những lúc thứ quan trọng nhất không phải là thêm một màn hình mới, mà là xử lý webhook, kiểm tra rate limit, upgrade API, tối ưu database, kiểm tra billing, xử lý incident, hoặc đảm bảo một thay đổi từ platform bên ngoài không làm ảnh hưởng đến merchant.

Những việc này thường không tạo ra cảm giác “product innovation”. Nhưng chúng bảo vệ business.

Một app Shopify mình quản lý đang chạy production không thể chỉ sống bằng roadmap feature. Nó còn phải sống bằng reliability, security, performance, compatibility với thay đổi từ Shopify, và khả năng phản ứng nhanh khi có issue.

Đây là chỗ mình thấy Maintainer thường bị hiểu sai.

Maintainer không phải là người chỉ làm việc nhàm chán sau khi sản phẩm đã xong. Maintainer là người giữ cho sản phẩm tiếp tục đáng tin cậy khi nó đã có người dùng thật.

Ở giai đoạn mature, một lỗi nhỏ có thể không còn nhỏ nữa. Nó có thể ảnh hưởng đến merchant, đến revenue, đến niềm tin của client, đến uy tín của team.

Vì vậy, nếu Prototyper giúp sản phẩm có cơ hội được sinh ra, Builder giúp sản phẩm thành hình, Grower giúp sản phẩm lớn lên, thì Maintainer giúp sản phẩm phát triển bền vững.

5. AI không làm các vai trò này biến mất, nhưng nâng chuẩn của chúng lên

Một phản biện khá thú vị dưới bài của Boris là: nếu coding agent ngày càng mạnh, Builder và Sweeper có còn cần thiết không? Nếu Claude Code đã có thể build, refactor, cleanup, viết test, vậy con người còn đóng vai trò gì?

Mình nghĩ AI thật sự đang làm cho Builder và Sweeper mạnh hơn rất nhiều.

Một PM bây giờ có thể dùng AI để prototype flow, viết draft requirement, tạo user story hoặc nhanh chóng kiểm tra một vài hướng giải pháp trước khi đưa vào discussion với team.

Một designer có thể dùng AI để biến một ý tưởng UI còn rất thô thành wireframe, mockup hoặc demo đủ rõ để team cùng phản biện.

Một engineer có thể dùng AI để generate code, refactor, viết test, review logic hoặc thử nhiều hướng implementation nhanh hơn trước.

Một BA cũng có thể dùng AI để phân tích requirement, tìm edge case, viết acceptance criteria và làm rõ những điểm mơ hồ trong nghiệp vụ.

Nhưng điểm quan trọng là: AI có thể giúp chúng ta làm nhanh hơn, chứ không tự quyết định được điều gì thật sự đáng làm.

AI không tự hiểu trade-off business trong một context cụ thể.

AI không biết client đang thật sự kỳ vọng điều gì nếu con người không đưa vào đúng bối cảnh.

AI không biết requirement nào chỉ là mong muốn nhất thời, requirement nào thật sự quan trọng với MVP.

AI cũng không tự phân biệt được debt nào có thể chấp nhận để ship nhanh, và debt nào sẽ khiến sản phẩm rất khó scale về sau.

Nói cách khác, AI có thể tăng tốc execution, nhưng judgment vẫn là phần việc của con người.

Và chính vì AI làm execution nhanh hơn, vai trò của judgment lại càng trở nên quan trọng hơn. Khi việc build trở nên dễ hơn, câu hỏi khó nhất không còn là “có build được không?”, mà là “có nên build không?”.

Builder trong tương lai có lẽ không chỉ là người code tốt mà Builder là người biết dùng AI để biến idea thành production-grade product nhanh hơn, nhưng vẫn hiểu architecture, security, scalability và business context.

Sweeper trong tương lai cũng không chỉ là người refactor code. Sweeper là người có taste và judgment để biết cái gì đang làm sản phẩm phức tạp hơn mức cần thiết.

Có thể AI giúp chúng ta làm nhanh hơn rất nhiều. Nhưng chính vì nhanh hơn, team càng cần người biết dừng lại và hỏi:

Cái này có thật sự nên build không?

Nếu build, có nên build theo cách này không?

Nếu không build, có cách nào đơn giản hơn không?

Nếu phải ship nhanh, debt nào chấp nhận được và debt nào không?

Đó là phần mà mình nghĩ AI sẽ không thay thế dễ dàng: product judgment.

6. Role nên là mode, không phải identity

Một ý mình nghĩ không nên định nghĩa archetype quá cứng, vì con người dễ nhìn vào đó rồi nghĩ đó chính là họ.

Nếu một người nói “tôi là Prototyper” rồi từ chối maintain, đó là vấn đề.

Nếu một người nói “tôi là Builder” rồi không quan tâm user feedback, đó cũng là vấn đề.

Nếu một PM nói “tôi chỉ làm strategy” và không chịu đi vào delivery detail khi sản phẩm cần, đó cũng là vấn đề.

Trong thực tế, role nên là một mode đóng góp theo context, không phải identity cố định.

Có lúc một người cần là Prototyper.

Có lúc cần là Builder.

Có lúc cần là Sweeper.

Có lúc cần là Grower.

Có lúc cần là Maintainer.

Điều này đặc biệt đúng với PM. Vì PM thường là người phải thay đổi mode rất nhiều tùy theo giai đoạn sản phẩm.

Khi sản phẩm còn mơ hồ, PM phải giúp prototype problem và solution.

Khi sản phẩm bước vào build, PM phải giúp team rõ scope, rõ priority, rõ acceptance criteria.

Khi sản phẩm bắt đầu rối, PM phải sweep requirement, simplify roadmap, cắt bớt những thứ chưa cần.

Khi sản phẩm có user, PM phải grow bằng cách hiểu feedback, dữ liệu, behavior và PMF.

Khi sản phẩm lên production, PM phải maintain expectation, maintain trust, maintain operating rhythm giữa client và team.

Đó là lý do mình nghĩ PM không nên chỉ được hiểu là “người quản lý backlog”. PM trong một product team tốt phải biết chuyển mode theo nhu cầu thật của sản phẩm.

7. Một team khỏe không phải là team toàn người ship nhanh

Có một hiểu lầm phổ biến trong product development: team mạnh là team ship thật nhanh.

Mình nghĩ điều này chỉ đúng một phần.

Ship nhanh rất quan trọng, nhất là ở giai đoạn đầu. Nhưng nếu team chỉ biết ship nhanh mà không biết dọn, không biết học từ feedback, không biết maintain hệ thống, thì tốc độ ban đầu có thể trở thành món nợ về sau.

Một team toàn Prototyper sẽ có rất nhiều ý tưởng nhưng thiếu sản phẩm thật.

Một team toàn Builder sẽ ship nhiều nhưng có thể build cả những thứ không nên build.

Một team thiếu Sweeper sẽ tạo ra complexity ngày càng lớn.

Một team thiếu Grower sẽ có sản phẩm nhưng không biết cải thiện PMF.

Một team thiếu Maintainer sẽ có hệ thống chạy được hôm nay nhưng không chắc chạy tốt khi scale.

Vì vậy, team khỏe không phải là team có nhiều người giỏi giống nhau.

Team khỏe là team biết sản phẩm đang ở phase nào, đang thiếu kiểu đóng góp nào, và có đủ người sẵn sàng chuyển mode khi context thay đổi.

Ở góc nhìn PM, đây là một câu hỏi rất đáng đặt ra khi nhìn lại team:

Hiện tại sản phẩm của mình đang cần nhiều Prototyper hơn hay Builder hơn?

Có phải team đang build quá nhiều nhưng thiếu Sweeper?

Có phải sản phẩm đã có user nhưng chưa có Grower đúng nghĩa?

Có phải hệ thống đã mature nhưng Maintainer lại chưa được xem trọng?

Những câu hỏi này đôi khi quan trọng hơn việc chỉ hỏi: sprint này còn bao nhiêu ticket?

8. Điều mình rút ra

Mình không nghĩ bài của Boris đang nói rằng PM, Engineer, Designer hay Data Scientist sẽ biến mất.

Các function truyền thống vẫn quan trọng. Domain expertise vẫn rất quan trọng.

Mỗi function vẫn cần giữ phần chuyên môn lõi của mình. Engineer vẫn cần hiểu system design, architecture, security và performance. Designer vẫn cần hiểu interaction, visual hierarchy và cách người dùng cảm nhận sản phẩm. Data Scientist vẫn cần hiểu data quality, measurement, experiment và causal reasoning. PM vẫn cần hiểu strategy, prioritization, stakeholder management và khả năng đưa sản phẩm đi đến kết quả cuối cùng.

Nhưng có lẽ cách chúng ta nhìn giá trị của một người trong team sẽ cần thay đổi.

Thay vì chỉ nhìn vào title của một người, có lẽ chúng ta nên nhìn sâu hơn vào kiểu giá trị mà họ đang tạo ra trong context hiện tại.

Có người giúp team mở ra một hướng đi mới khi mọi thứ còn mơ hồ.

Có người biến một idea còn rất thô thành sản phẩm thật, đủ rõ để test, để demo, để đưa vào production.

Có người giúp sản phẩm trở nên đơn giản hơn, nhẹ hơn, bớt phức tạp hơn sau nhiều vòng thay đổi.

Có người liên tục học từ feedback thật để giúp sản phẩm tiến gần hơn với user và business.

Và cũng có người âm thầm giữ cho hệ thống ổn định, đáng tin cậy, an toàn và bền vững khi sản phẩm bắt đầu scale.

Với mình, đây mới là phần đáng suy nghĩ nhất. Giá trị của một người trong product team hiện đại không chỉ nằm ở việc họ đang giữ chức danh gì, mà nằm ở việc họ đang giúp sản phẩm tiến lên theo cách nào.

Trong tương lai, người giỏi có thể không phải là người chỉ master một chức danh cố định. Người giỏi là người hiểu sản phẩm đang ở giai đoạn nào, nhận ra team đang cần kiểu đóng góp gì, và đủ linh hoạt để chuyển mode khi context thay đổi.

Vì sau cùng, product team không tồn tại để bảo vệ job title.

Product team tồn tại để tạo ra giá trị cho user, cho business, và cho chính hệ thống mà mình đang xây dựng.

Nếu một title, một quy trình, hay một cách chia function không còn giúp team tạo ra giá trị tốt hơn, thì có lẽ đã đến lúc chúng ta nên nhìn nó theo một cách khác.

Không phải để xóa bỏ vai trò cũ.

Mà để hiểu rõ hơn: trong một product team hiện đại, giá trị thật không nằm ở việc chúng ta được gọi là gì, mà nằm ở việc chúng ta giúp sản phẩm tiến lên theo cách nào.

Leave a comment

Here’s your monthly reminder that you shouldn’t be prompting coding agents anymore. You should be designing loops that prompt your agents.

Câu nói này đến từ Peter Steinberger - cha đẻ của OpenClaw và hiện tại đang làm việc tại OpenAI.

Ý này nghe qua có vẻ giống một câu nói để gây chú ý. Nhưng càng nhìn vào cách các team kỹ thuật đang dùng Claude Code, Cursor, Devin-like agents, GitHub Copilot coding agent, hay các workflow tự động quanh CI/CD, mình càng thấy đây không còn là chuyện hype nữa.

Nó mô tả một sự dịch chuyển thật trong công việc của lập trình viên.

Trước đây, mình quen với hình ảnh một developer ngồi trước IDE, đọc requirement, viết code, chạy test, sửa bug, commit, mở PR. Khi AI coding assistant xuất hiện, vòng lặp đó chưa biến mất, chỉ là bên trong mỗi bước có thêm một người phụ việc. Developer prompt AI để viết một function, refactor một đoạn code, generate test, hoặc giải thích một lỗi build.

Nhưng bây giờ, tầng công việc lại dịch lên thêm một nấc.

Developer không chỉ prompt AI để viết code nữa. Developer bắt đầu viết ra những vòng lặp có khả năng tự prompt AI, tự đọc output, tự kiểm tra kết quả, tự quyết định có cần chạy tiếp hay không.

Nói cách khác, model không còn là “người bạn chat trong IDE”. Model trở thành một subroutine còn thứ quan trọng hơn là cái loop được xây quanh nó.

Subscribe now

1. Prompt engineering không chết. Nó chỉ leo lên tầng cao hơn

Mỗi khi có một thuật ngữ mới xuất hiện, mình thường khá dè chừng. “Loop engineering” cũng vậy. Nghe nó rất dễ trở thành một từ mới để gọi lại những thứ cũ: automation, CI pipeline, agent workflow, cron job, script, orchestrator.

Nhưng sau khi bóc lớp từ ngữ ra, mình nghĩ điểm đáng chú ý nằm ở chỗ này: Prompt engineering không chết mà nó chỉ không còn nằm ở mức một câu prompt đơn lẻ nữa.

Trước đây, câu hỏi là:

“Mình nên viết prompt thế nào để AI làm đúng việc này?”

Bây giờ, câu hỏi bắt đầu trở thành:

“Mình nên thiết kế hệ thống thế nào để AI có thể tự đi qua nhiều vòng hành động, kiểm tra, sửa lỗi, và biết khi nào nên dừng?”

Đây là một thay đổi khá lớn.

Vì khi bạn prompt một lần, bạn vẫn đang ngồi trong loop. Bạn nhìn kết quả, đánh giá đúng sai, rồi prompt tiếp. Trí tuệ thật sự của hệ thống vẫn nằm ở bạn. AI chỉ là một công cụ phản hồi theo từng lượt.

Nhưng khi bạn thiết kế một loop, bạn đang đưa một phần năng lực đánh giá và ra quyết định đó ra khỏi đầu mình, đặt nó vào một hệ thống có cấu trúc hơn: có trigger, có scope, có budget, có verifier, có stop condition, có state lưu bên ngoài cuộc hội thoại.

Lúc này, công việc của kỹ sư không đơn giản là “dùng AI tốt hơn”. Công việc trở thành “thiết kế một cơ chế để AI làm việc mà không phá hệ thống”.

2. Một loop thực ra là gì?

Nếu bỏ hết phần hào nhoáng, một loop chỉ là một chương trình nhỏ làm bốn việc.

• Nó giao việc cho agent.

• Nó đọc thứ agent tạo ra.

• Nó kiểm tra xem việc đó đã xong chưa.

• Nếu chưa, nó đưa lỗi hoặc bước tiếp theo ngược lại cho agent, rồi chạy tiếp.

Cấu trúc cơ bản luôn là:

mục tiêu → hành động → kiểm tra → phản hồi lỗi → lặp lại đến khi pass hoặc tự dừng.

Điểm khác biệt nằm ở chỗ: bạn không còn là người ngồi giữa từng vòng nữa.

Ví dụ đơn giản nhất là một PR babysitter.

Cứ mỗi 15 phút, loop kiểm tra các pull request đang mở có label agent-watch. Nếu CI đỏ vì một lỗi rõ ràng, nó cho agent thử fix một lần. Nếu main branch đã move, nó cho agent rebase một lần. Nếu CI xanh, nó dừng. Nếu vượt quá budget, ví dụ quá 5 phút, đụng quá 10 files, hoặc fix một lần vẫn fail thì nó dừng và ping người thật.

Nghe không quá viễn tưởng thậm chí khá tẻ nhạt. Nhưng chính những việc tẻ nhạt này mới là nơi loop có giá trị nhất.

Rất nhiều công việc engineering hằng ngày không khó vì bản thân nó phức tạp. Nó mệt vì nó lặp lại, nhiều ngữ cảnh nhỏ, và dễ bị bỏ sót. CI fail do cùng một lỗi dependency. Deploy xong cần gọi vài endpoint để chắc không regression. Comment từ nhiều channel cần gom lại theo theme. Một bug nhỏ cần sửa ở ba nơi, rồi chạy test để xác nhận.

Đó là loại việc một loop làm tốt hơn một prompt đơn lẻ.

3. Vì sao loop đang trở thành một tầng mới?

Mình nghĩ lý do không nằm ở chỗ model đột nhiên thông minh vượt bậc trong một đêm. Lý do là xung quanh model đã có đủ hạ tầng để biến nó thành một worker có thể vận hành trong hệ thống thật.

Ngày trước, muốn làm một loop nghiêm túc, bạn phải tự script gần như mọi thứ. Tự gọi model, tự parse output, tự chạy test, tự quản lý repo, tự giữ state, tự mở PR, tự báo kết quả về Slack.

Bây giờ, nhiều thứ đã trở thành built-in hoặc gần built-in trong coding tools.

Agent bây giờ không chỉ dừng ở việc gợi ý code. Nó có thể đọc repo, chạy command, sửa file, tạo branch, mở PR, đọc log lỗi, thậm chí chạy browser để verify UI. Nếu được nối thêm MCP hoặc các connector khác, nó còn có thể chạm vào issue tracker, database, docs, Slack, GitHub, tức là bắt đầu làm việc trong cùng một môi trường mà team kỹ thuật đang vận hành hằng ngày.

Khi những mảnh ghép này đủ nhiều, câu hỏi không còn là “AI có viết code được không?” nữa.

Câu hỏi trở thành: “Mình có thiết kế được một vòng lặp đủ an toàn để giao việc cho nó không?”

Đây là chỗ vai trò của engineer dịch lên một tầng mới.

Thay vì trực tiếp viết từng dòng code, bạn viết ra môi trường, luật chơi, giới hạn, tiêu chí hoàn thành, và cơ chế kiểm tra để một agent có thể viết code bên trong đó.

Nó khá giống việc từ một người tự làm mọi task chuyển sang làm người thiết kế process cho một team nhỏ. Chỉ khác là team nhỏ này chạy bằng model, API, test suite, Git worktree, CI pipeline, và một đống stop condition.

4. Một loop không bắt đầu từ một prompt mà từ cấu trúc

Một sai lầm mình thấy khá dễ xảy ra là nghĩ loop chỉ là “prompt lặp lại nhiều lần”.

Không phải.

Một loop có cấu trúc cần ít nhất vài bộ phận rất rõ.

Đầu tiên là trigger. Loop phải biết khi nào nó được khởi động: theo lịch, theo webhook, theo file change, theo một label rơi vào PR, hoặc theo một event trong CI. Nếu bạn vẫn là người bấm chạy mỗi lần, đó chưa hẳn là loop; đó chỉ là manual workflow được lặp lại bằng tay.

Thứ hai là isolation. Khi nhiều agent chạy song song, mỗi agent cần một không gian riêng, thường là một checkout hoặc git worktree riêng. Nếu không, hai agent có thể sửa cùng một file, ghi đè lẫn nhau, hoặc tạo ra một trạng thái repo rất khó debug.

Thứ ba là context được viết xuống. Đây là điểm mình thấy rất quan trọng. Agent không nên đoán convention của dự án từ đầu mỗi lần chạy. Project rules, build steps, coding conventions, constraint về folder, naming, test command, kiến trúc hệ thống nên được viết trong những file như AGENTS.md, VISION.md, hoặc tài liệu tương tự mà agent đọc lại mỗi run.

Thứ tư là khả năng chạm vào tool thật. Nếu agent chỉ in ra “đây là patch bạn nên apply”, bạn vẫn là người bê phần còn lại. Một loop mạnh phải có khả năng mở PR, link ticket, chạy test, đọc CI, post kết quả, hoặc cập nhật board.

Thứ năm là verifier độc lập. Đây có lẽ là phần dễ bị xem nhẹ nhất. Agent viết code không nên là người duy nhất quyết định code đó đã ổn. Một model tự review bài của mình thường rất dễ dãi. Nó có xu hướng giải thích vì sao output của nó hợp lý, thay vì tìm cách chứng minh output đó sai. Vì vậy, loop nghiêm túc cần một checker khác: test suite, linter, build, SAST, browser automation, hoặc một sub-agent độc lập không bị nhiễm reasoning của agent tạo ra code.

Cuối cùng là state phải sống ở bên ngoài cuộc hội thoại. Model có thể quên, context window có thể đầy, những bản tóm tắt qua nhiều vòng lặp cũng dần làm mất chi tiết. Nhưng một file markdown, một queue, một issue board hay một database thì không gặp vấn đề đó. Nếu loop được thiết kế để chạy nhiều lần, nó cần một nơi lưu lại những gì đã hoàn thành, những gì còn dang dở, vì sao lần trước thất bại và cần tránh điều gì ở lần chạy tiếp theo.

Nhìn như vậy, loop engineering thật ra không phải là một kỹ năng “prompting” thuần túy. Nó nằm giữa software engineering, automation, QA, DevOps, system design, và một chút product thinking.

5./goal và sự thay đổi trong cách giao việc cho agent

Một ví dụ khá dễ hình dung là /goal trong Claude Code.

Thay vì nói với agent: “Sửa giúp tôi test auth đang fail”, bạn đặt một end state có thể kiểm chứng hơn:

“Làm đến khi tất cả tests trong test/auth pass. Không thay đổi public API. Không sửa migration. Dừng sau 20 lượt nếu chưa giải quyết được.”

Thực ra, đó không còn là một prompt nữa. Nó giống một bản mô tả kết quả cần đạt kèm theo các ràng buộc và tiêu chí kiểm chứng.

Nó có bốn phần:

• Một là end state — trạng thái cuối cùng mình muốn đạt.

• Hai là evidence — bằng chứng nào chứng minh đã đạt.

• Ba là constraints — agent không được phá những ranh giới nào trên đường đi.

• Bốn là budget — agent được tiêu tối đa bao nhiêu lượt, bao nhiêu file, bao nhiêu thời gian, bao nhiêu tiền.

Điều này nghe nhỏ, nhưng nó thay đổi cách mình nghĩ về việc giao việc cho AI.

Nếu prompt mơ hồ, model sẽ tự lấp khoảng trống bằng cách có lợi nhất cho transcript. Nó có thể dừng sớm. Nó có thể đổi định nghĩa “done”. Nó có thể sửa test thay vì sửa bug. Nó có thể đi vòng qua lỗi thay vì xử lý nguyên nhân gốc. Nó có thể tạo ra một câu trả lời trông rất hợp lý, trong khi hệ thống thật vẫn hỏng.

Vì vậy, một goal tốt không nên giống một lời nhờ vả. Nó nên giống một acceptance criteria.

Mình nghĩ đây là nơi kinh nghiệm làm PM/BA/Tech Lead bắt đầu có lợi thế. Người quen viết requirement tốt, biết tách scope, biết định nghĩa done, biết đặt constraint, biết nghĩ đến edge case, sẽ giao việc cho agent tốt hơn rất nhiều so với người chỉ viết một câu prompt chung chung.

6. Chi phí thật không còn nằm ở token, mà nằm ở số vòng lặp

Trong hai năm qua, khi nói về chi phí AI, mọi người thường hỏi model nào rẻ hơn, context bao nhiêu token, input/output cost thế nào.

Những câu hỏi đó vẫn quan trọng. Nhưng trong loop engineering, mình nghĩ chúng không còn là tầng tối ưu chính nữa.

Chi phí thật nằm ở số lần loop phải chạy trước khi hội tụ.

Một model rẻ hơn nhưng cần sáu vòng để sửa xong một task có thể đắt hơn một model mạnh hơn làm đúng trong hai vòng. Một verifier yếu khiến loop tưởng đã xong khi chưa xong thì chi phí không chỉ là token. Nó là bug lọt vào codebase. Một stop condition lỏng khiến loop retry vô hạn thì chi phí không chỉ là tiền API. Nó là rủi ro vận hành.

Vì vậy, metric nên chuyển từ “cost per call” sang “cost per finished task”.

Mình thấy đây là một điểm rất đáng suy nghĩ. Trong môi trường production, chúng ta vốn không tối ưu từng dòng code riêng lẻ. Chúng ta tối ưu throughput, lead time, defect rate, rollback rate, cycle time. Với AI loop cũng vậy. Một vòng gọi model không có ý nghĩa nếu nó không tiến gần hơn đến một task hoàn thành thật.

Nói cách khác, ngày xưa bạn tune prompt. Bây giờ bạn tune loop.

• Bạn tune cách nó fail.

• Bạn tune cách nó dừng.

• Bạn tune cách nó tự kiểm tra.

• Bạn tune cách nó giữ memory.

• Bạn tune cách nó escalate cho người thật.

Và những thứ đó mới là nơi chi phí thực sự của một loop.

7. Loop càng tốt, rủi ro comprehension debt càng lớn

Có một failure mode mình thấy rất đáng sợ: loop chạy càng tốt, team càng dễ ship nhanh code mà không ai thật sự hiểu.

Nếu agent tạo ra vài dòng code, bạn review được. Nếu agent tạo ra một PR nhỏ, bạn vẫn có thể đọc. Nhưng nếu nhiều loop chạy liên tục, tự sửa CI, tự refactor, tự tạo PR, tự update docs, tự xử lý backlog nhỏ, codebase có thể thay đổi nhanh hơn tốc độ hiểu của team.

Lúc đó, vấn đề không phải là “AI viết code sai”.

Vấn đề là repo bắt đầu chứa nhiều quyết định kỹ thuật mà không ai trong team thật sự đã suy nghĩ qua.

Đây là một loại nợ mới: comprehension debt.

Khoảng cách giữa “hệ thống đang chứa gì” và “team hiểu gì về hệ thống” ngày càng rộng. Và khoản nợ này thường không lộ ra khi mọi thứ đang chạy ổn. Nó chỉ lộ ra vào ngày có incident, ngày cần debug một bug production kỳ lạ, hoặc ngày cần thay đổi một phần kiến trúc mà không ai biết tại sao nó được viết như vậy.

Điều trớ trêu là failure mode này mạnh hơn khi loop tốt lên, không phải khi loop tệ đi.

Một loop tệ fail sớm, bạn phải nhìn vào. Một loop tốt tạo cảm giác yên tâm, nên bạn ít nhìn hơn. Và chính lúc đó, hệ thống âm thầm đi xa khỏi hiểu biết của con người.

Đó cũng là lý do mình nghĩ loop engineering không làm review biến mất, mà chỉ thay đổi đối tượng được review. Trước đây chúng ta đọc code để tìm lỗi. Còn khi agent bắt đầu tạo ra phần lớn thay đổi, thứ cần được xem xét nhiều hơn lại là các quyết định kỹ thuật phía sau. Những thứ như change log, architecture note hay PR summary vì thế trở nên quan trọng hơn trước. Và ở một thời điểm nào đó, câu hỏi giá trị nhất có lẽ không còn là “test pass chưa?”, mà là “chúng ta có còn hiểu và đồng ý với hướng mà hệ thống đang được xây dựng không?”.

8. Verifier yếu là con bug đắt nhất

Nếu phải chọn một phần quan trọng nhất trong loop, mình sẽ chọn verifier.

Không phải model. Không phải prompt. Không phải context length.

Mà là verifier.

Vì verifier là thứ quyết định loop có được phép dừng hay không.

Nếu verifier quá yếu, loop sẽ bắt đầu tối ưu cho việc "trông như đã xong" thay vì thực sự hoàn thành công việc. Mọi dashboard đều xanh, PR vẫn được mở, agent vẫn báo done, nhưng bên dưới lớp tín hiệu tích cực đó, lỗi và nợ kỹ thuật có thể đang âm thầm tích tụ mà không ai nhận ra.

Một verifier tốt nên có khả năng nói “không”.

Test pass hoặc fail. Build compile hoặc không. Linter zero hoặc non-zero. Endpoint trả đúng response hoặc không. Browser automation nhìn thấy đúng state hoặc không. Secret scanning có phát hiện credential hay không.

Còn một verifier chỉ “đánh giá xem có ổn không” bằng cảm giác của cùng model vừa viết code thì rất nguy hiểm. Nó giống để học sinh tự chấm bài văn của mình bằng tiêu chí “em thấy cũng ổn”.

Mình không phủ nhận vai trò của những đánh giá mang tính chủ quan. Nhiều quyết định về UI, UX, nội dung hay kiến trúc vẫn cần đến kinh nghiệm và trực giác của con người. Nhưng với một loop chạy không người trông, trực giác là chưa đủ. Nó cần những tiêu chí khách quan có thể xác nhận hoặc bác bỏ kết quả một cách rõ ràng.

Bởi nếu không có khả năng chứng minh mình sai, hệ thống sẽ luôn tìm cách chứng minh mình đúng..

9. Security tax: càng tự động, càng phải thu hẹp quyền

Một loop chạy lúc bạn ngủ cũng có thể gây lỗi lúc bạn ngủ.

Điểm này nghe hiển nhiên, nhưng rất dễ bị đánh giá thấp khi chúng ta phấn khích với agentic workflow.

Một coding agent có quyền sửa file, chạy command, mở PR, đọc logs, dùng credentials, gọi tools, truy cập repo, đọc issue tracker về bản chất là một attack surface mới. Nếu nó bị prompt injection qua issue description, qua comment, qua dependency script, qua file docs, hoặc qua một “skill” nào đó, rủi ro không còn nằm trong chat window nữa. Nó chạm vào hệ thống thật.

Vì vậy, loop càng mạnh thì permission càng phải hẹp.

Agent càng mạnh thì quyền hạn càng phải được giới hạn rõ ràng. Một agent không nên có khả năng làm nhiều hơn phạm vi của task, cũng như secrets không nên xuất hiện trong logs chỉ vì tiện cho việc debug. Những lớp bảo vệ như secret scanning, dependency audit, SAST hay permission review cần trở thành một phần của loop, thay vì được để lại cho bước kiểm tra thủ công sau cùng.

Mình nghĩ đây là một cái bẫy rất phổ biến. Khi agent liên tục cho kết quả tốt, chúng ta có xu hướng nới lỏng dần các giới hạn để mọi thứ vận hành trơn tru hơn. Nhưng trong engineering, sự thuận tiện thường đi trước rủi ro một bước. Đến khi nhìn thấy rủi ro, khoản nợ đó thường đã được tích lũy từ rất lâu.

10. Khi nào không nên dùng loop?

Không phải task nào cũng đáng loop.

Loop hiệu quả khi task lặp lại, scope rõ, và có cách tương đối rẻ để biết khi nào nó xong. Nếu thiếu một trong ba điều này, loop có thể chỉ tự động hóa sự mơ hồ.

Một thay đổi one-shot làm một lần là xong thì không cần loop. Dựng loop cho nó chỉ là overhead.

Một việc còn quá khám phá như “tìm hiểu vì sao user rời bỏ” cũng không nên loop ngay. Việc đó chưa có pass condition. Nó cần thinking, research, interview, framing, hypothesis. Nếu ép vào loop quá sớm, agent sẽ tự tạo ra cảm giác tiến độ bằng những output dài nhưng chưa chắc có giá trị.

Một việc không có verifier rẻ cũng nên cẩn thận. Nếu cách duy nhất để biết đúng sai là mắt bạn, thì bạn vẫn đang ở bên trong loop. Lúc đó, tốt hơn là dựng verifier trước, rồi mới nghĩ đến automation.

Mình thích cách nghĩ này: đừng loop task chỉ vì có thể. Hãy loop task vì nó có hình dạng phù hợp để tự động hóa an toàn.

11. Vậy engineer nên học gì tiếp theo?

Nếu nhìn từ xa, có thể nhiều người sẽ kết luận rằng AI agent làm developer bớt quan trọng đi nhưng mình lại thấy ngược lại.

Nó làm vai trò engineer quan trọng hơn, nhưng ở tầng khác.

Kỹ sư không chỉ cần biết viết code. Kỹ sư cần biết thiết kế hệ thống tạo ra code. Điều đó đòi hỏi nhiều năng lực rất “cũ”: hiểu architecture, hiểu test, hiểu CI/CD, hiểu security, hiểu requirement, biết chia nhỏ scope, biết định nghĩa done, biết review trade-off, biết kiểm soát blast radius, biết khi nào nên tự động hóa và khi nào nên giữ con người trong vòng lặp.

AI không làm những kỹ năng đó biến mất. Nó làm chúng lộ ra rõ hơn.

Một người chỉ biết prompt cho ra code sẽ nhanh chóng bị giới hạn bởi chất lượng output từng lần. Nhưng một người biết thiết kế loop tốt có thể biến agent thành một worker tương đối đáng tin trong một phạm vi cụ thể.

Từ đó, leverage khác hẳn.

Không phải leverage kiểu “tôi gõ nhanh hơn”.
Mà là leverage kiểu “tôi thiết kế được một hệ thống chạy qua nhiều vòng mà vẫn biết dừng, biết kiểm tra, biết nhớ, biết fail an toàn”.

Đây là một năng lực engineering rất thật.

12. Điều mình rút ra

Mình không nghĩ tương lai của lập trình viên là ngồi ngủ trong khi agent tự ship toàn bộ sản phẩm. Cách nghĩ đó vừa hấp dẫn vừa nguy hiểm.

Mình nghĩ tương lai gần thực tế hơn là: developer sẽ dành ít thời gian hơn cho những vòng lặp cơ học, và nhiều thời gian hơn để thiết kế, giám sát, kiểm tra, và chịu trách nhiệm cho những vòng lặp đó.

Câu hỏi “model nào tốt nhất?” vẫn còn giá trị, nhưng ngày càng kém trung tâm.

Câu hỏi quan trọng hơn là:

Loop của bạn có biết khi nào nó xong không?
Nó có verifier đủ mạnh không?
Nó có giới hạn quyền không?
Nó có budget không?
Nó có nhớ state bên ngoài context window không?
Nó fail theo cách an toàn hay fail âm thầm?
Và cuối cùng: team của bạn có còn hiểu hệ thống mà loop đang thay đổi mỗi ngày không?

Đó mới là phần khó.

Vì cái đắt nhất không phải là model.
Cái dễ hỏng nhất cũng không phải là prompt.

Cái đắt và dễ hỏng nhất là cái vòng lặp bạn xây quanh nó.

Nên nếu phải tóm lại bằng một câu, mình sẽ nói thế này:

Đừng chỉ học cách prompt AI để viết code. Hãy học cách thiết kế một loop đủ chặt để AI có thể làm việc, tự kiểm tra, biết dừng, và khi sai thì sai trong phạm vi bạn kiểm soát được.

Đó có lẽ là một trong những kỹ năng quan trọng nhất của software engineering trong vài năm tới.

Leave a comment

Subscribe now

Link bên threads: https://www.threads.com/@hi.xinchao/post/DZcUoSjGReT

Dành cho bạn nào muốn đọc thêm những comment của nhiều bạn khác chia sẻ về chủ đề này.

1. Cái bẫy trong cách đặt câu hỏi

Nếu đọc thoáng qua, chúng ta rất dễ trả lời theo một công thức quen thuộc: muốn có những Steve Jobs Việt Nam thì người trẻ phải có đam mê, có tư duy sáng tạo, dám khác biệt, dám thất bại, dám theo đuổi ước mơ. Tất cả những điều đó đều đúng, nhưng theo mình, nó mới chỉ đúng một nửa. Nửa còn lại, và cũng là nửa khó hơn, nằm ở một câu hỏi khác: một xã hội cần được thiết kế như thế nào để những con người như vậy có thể xuất hiện, sống sót, trưởng thành và tạo ra giá trị lớn?

Điểm thú vị nhất của đề Văn năm nay, với mình, nằm ở chính cách đặt câu hỏi. Đề không hỏi “Làm thế nào để trở thành Steve Jobs?”. Đề hỏi “Làm thế nào để có những Steve Jobs Việt Nam?”. Khác biệt này rất quan trọng. Nếu hỏi “làm thế nào để trở thành Steve Jobs”, chủ thể của câu hỏi là cá nhân. Khi đó, câu trả lời sẽ xoay quanh phẩm chất cá nhân: nỗ lực, đam mê, sáng tạo, kỷ luật, dám nghĩ dám làm. Nhưng khi hỏi “làm thế nào để có những Steve Jobs Việt Nam”, chủ thể ẩn phía sau câu hỏi không còn là một cá nhân nữa. Chủ thể đó là “chúng ta”: gia đình, nhà trường, thị trường, thể chế, hệ sinh thái khởi nghiệp và cách xã hội nhìn người thất bại.

Nói cách khác, đây không chỉ là câu hỏi về tài năng. Đây là câu hỏi về “đất”. Một hạt giống tốt nếu gieo vào đất cằn vẫn có thể chết. Một hạt giống bình thường nếu được đặt trong môi trường đủ tốt vẫn có thể lớn lên thành cây. Vì vậy, nếu thật sự muốn có những “Steve Jobs Việt Nam”, câu hỏi đầu tiên không phải là người trẻ Việt Nam có đủ giỏi không. Câu hỏi đầu tiên phải là: chúng ta đã có một mảnh đất đủ tốt cho họ chưa?

2. Chúng ta từng có một “Steve Jobs Việt Nam”

Khi đọc đề thi này, mình nhớ ngay đến một câu chuyện cách đây hơn mười năm. Năm 2013–2014, có một lập trình viên Việt Nam làm ra một trò chơi cực kỳ đơn giản. Một con chim bay qua những ống nước. Không đồ họa cầu kỳ. Không cốt truyện phức tạp. Không chiến dịch marketing triệu đô. Nhưng rồi cả thế giới phát cuồng vì nó. Flappy Bird trở thành hiện tượng toàn cầu, đứng đầu bảng xếp hạng ở nhiều quốc gia, xuất hiện trên báo chí quốc tế và tạo ra doanh thu quảng cáo rất lớn mỗi ngày.

Nguyễn Hà Đông, ở khoảnh khắc đó, chính là một trong những ví dụ gần nhất mà chúng ta từng có về một người Việt tạo ra sản phẩm khiến thế giới phải chú ý. Không phải vì anh sao chép ai đó. Không phải vì anh làm giỏi một bài toán gia công. Mà vì anh tạo ra một thứ rất nhỏ, rất lạ, rất khó giải thích, nhưng chạm đúng một nhu cầu nào đó của hàng triệu người trên thế giới. Nếu nói theo tinh thần của đề Văn, đó chẳng phải là một dạng “Steve Jobs Việt Nam” hay sao?

Nhưng rồi chuyện gì xảy ra? Trò chơi bị gỡ xuống giữa cơn bão dư luận. Người tạo ra nó chịu áp lực khủng khiếp từ truyền thông, cộng đồng mạng và sự chú ý quá lớn mà một cá nhân gần như không có hạ tầng hỗ trợ phía sau rất khó có thể chống đỡ. Sau này, câu chuyện thương hiệu Flappy Bird cũng tiếp tục cho thấy một vấn đề khác: khi một sản phẩm Việt bước ra thế giới, người tạo ra nó không chỉ cần tài năng kỹ thuật. Họ cần pháp lý, sở hữu trí tuệ, cố vấn, truyền thông và một hệ thống biết cách bảo vệ giá trị mà họ đã tạo ra.

Đó là điểm mình thấy đáng suy nghĩ nhất. Nguyễn Hà Đông không thiếu sáng tạo. Anh không thiếu năng lực. Anh không thiếu khả năng làm ra sản phẩm toàn cầu. Thứ anh thiếu là mọi thứ xung quanh một người sáng tạo. Và nếu một người đã bay lên được đến đỉnh thế giới mà vẫn rơi xuống vì không có gì đỡ lấy, thì có lẽ vấn đề không chỉ nằm ở cá nhân đó. Vấn đề nằm ở bầu trời.

3. Steve Jobs cũng chưa bao giờ làm nên chuyện một mình

Một hiểu lầm rất phổ biến khi nói về những người như Steve Jobs, Elon Musk hay Mark Zuckerberg là chúng ta thường kể câu chuyện của họ như những huyền thoại cá nhân. Một thiên tài bỏ học. Một người lập công ty trong garage. Một kẻ điên dám nghĩ khác. Một cá nhân nhìn thấy tương lai trước phần còn lại của thế giới. Những câu chuyện đó hấp dẫn, nhưng thường bị kể thiếu. Steve Jobs không chỉ là Steve Jobs vì ông có cá tính đặc biệt. Ông còn là sản phẩm của một hệ sinh thái đặc biệt.

Jobs bỏ đại học, nhưng vẫn có thể dự thính lớp thư pháp — một trải nghiệm sau này ảnh hưởng đến tư duy thiết kế của Macintosh. Ông lập công ty trong garage, nhưng cái garage đó nằm ở California, trong một vùng đất đang hình thành hệ sinh thái công nghệ mạnh nhất thế giới. Xung quanh ông có nhà đầu tư mạo hiểm, kỹ sư giỏi, thị trường vốn, trường đại học, văn hóa thử nghiệm và luật chơi cho phép người ta thất bại rồi làm lại.

Jobs từng thất bại. Apple Lisa thất bại. NeXT giai đoạn đầu không thành công như kỳ vọng. Ông thậm chí bị chính công ty mình sáng lập sa thải. Nhưng điều đáng nói là sau mỗi cú ngã đó, hệ sinh thái xung quanh ông không nói “vậy là hết”. Nó nói: “Làm tiếp đi.” Đó là một khác biệt rất lớn. Ở nhiều nơi, một lần thất bại có thể đồng nghĩa với mất uy tín, mất vốn, mất quan hệ, mất niềm tin từ gia đình và xã hội. Nhưng trong một hệ sinh thái trưởng thành, thất bại không nhất thiết là dấu chấm hết. Nó có thể là học phí. Là dữ liệu. Là một vòng lặp cần thiết trước khi tìm được mô hình đúng.

Người Mỹ không dám liều hơn chúng ta vì gen họ khác. Họ dám liều hơn vì trong nhiều trường hợp, giá của cú ngã rẻ hơn.

4. Muốn có người viết lại cuộc chơi, phải dạy trẻ rằng luật chơi có thể được viết lại

Nhưng có một tầng sâu hơn nữa mà mình nghĩ nên được nói ra. Nếu muốn có những người dám định nghĩa lại cuộc chơi, chúng ta phải hỏi xem từ nhỏ họ đã được dạy gì về cuộc chơi. Một đứa trẻ lớn lên trong một môi trường mà luật lệ chỉ là thứ người lớn viết sẵn để mình tuân thủ, nơi câu hỏi khó bị xem là cãi, nơi xung đột được giải quyết bằng mệnh lệnh của người có quyền, thì rất khó để sau này đứa trẻ ấy tin rằng mình có quyền đặt lại luật chơi. Nó có thể trở thành một người rất giỏi trong việc làm đúng đề bài, nhưng chưa chắc đã trở thành người dám viết lại đề bài.

Đây là lý do mình thấy câu chuyện giáo dục công dân, hay nói rộng hơn là giáo dục về quyền lợi, trách nhiệm và cách xã hội vận hành, rất liên quan đến câu hỏi “Steve Jobs Việt Nam”. Ở nhiều nền giáo dục phương Tây, trẻ em không học “chính trị” theo kiểu lý thuyết đảng phái hay những khái niệm xa vời. Các em bắt đầu từ những việc rất nhỏ: thế nào là công bằng, tại sao phải chia sẻ, luật lệ có tác dụng gì, nếu không có luật thì chuyện gì xảy ra, khi có xung đột thì làm sao để hai bên cùng nói được cảm xúc và cùng tìm giải pháp.

Những bài học đó nghe có vẻ đơn giản, nhưng thật ra chúng là bản nháp đầu tiên của tư duy công dân. Khi một lớp học cùng thảo luận để tạo ra nội quy, trẻ học rằng luật lệ không chỉ là mệnh lệnh từ trên xuống mà có thể là một thỏa thuận chung để bảo vệ cộng đồng. Khi hai đứa trẻ tranh một món đồ chơi và giáo viên không lập tức phán xử ai đúng ai sai, mà giúp cả hai gọi tên cảm xúc, lần lượt trình bày và tìm giải pháp, trẻ học rằng xung đột không nhất thiết phải bị dập tắt bằng quyền lực. Nó có thể được xử lý bằng đối thoại. Khi trẻ được phân biệt giữa “công bằng” và “bằng nhau”, các em học rằng xã hội không vận hành bằng những khẩu hiệu giản đơn, mà bằng những giải pháp phù hợp với nhu cầu thật của từng người.

Nhìn từ góc này, sáng tạo không chỉ bắt đầu từ trí tưởng tượng. Nó bắt đầu từ cảm giác rằng mình có quyền tác động lên thế giới xung quanh. Có quyền hỏi. Có quyền thử. Có quyền tranh luận. Có quyền sai. Có quyền đề xuất một cách làm khác. Một đứa trẻ được rèn luyện agency — tức cảm giác mình là một chủ thể có năng lực hành động — sẽ lớn lên rất khác với một đứa trẻ chỉ được dạy rằng ngoan là biết nghe lời.

Điều này không có nghĩa là mô hình phương Tây hoàn hảo và mô hình Á Đông chỉ toàn vấn đề. Mình nghĩ so sánh như vậy là quá dễ dãi. Văn hóa tập thể của Việt Nam và nhiều xã hội Á Đông có những điểm mạnh rất thật: khả năng huy động cộng đồng, tinh thần tương trợ, sự bền bỉ, ý thức trách nhiệm, cảm giác thuộc về. Trong chiến tranh, thiên tai, dịch bệnh hay những giai đoạn khó khăn, sức mạnh tập thể là thứ giúp một xã hội đứng vững. Nhưng mặt trái của nó là khi sự hòa hợp bị đẩy quá xa, khác biệt rất dễ bị xem là lệch chuẩn. Một đứa trẻ quá nhiều câu hỏi có thể bị coi là phiền. Một người trẻ chọn con đường lạ có thể bị coi là không ổn định. Một founder thất bại có thể bị nhìn như một người “không biết lượng sức”.

Trong khi đó, chủ nghĩa cá nhân phương Tây cũng có mặt tối của nó: phân cực, cô đơn, đứt gãy cộng đồng, những cuộc chiến văn hóa không hồi kết. Nhưng nó có một ưu thế rất lớn cho đổi mới sáng tạo: nó cho cá nhân không gian để khác biệt. Mà sáng tạo lớn, rất thường xuyên, bắt đầu từ một người nhìn vào thứ mọi người cho là hiển nhiên rồi hỏi: tại sao phải như vậy?

Vì thế, bài toán của Việt Nam có lẽ không phải là sao chép phương Tây. Cũng không phải là vứt bỏ những gì thuộc về văn hóa tập thể của mình. Bài toán khó hơn là dung hợp: làm sao giữ được sức mạnh cộng đồng, sự gắn kết và tinh thần trách nhiệm, nhưng đồng thời mở đủ không gian cho những cá nhân khác biệt được thử, được sai, được tranh luận và được lớn lên mà không bị nhổ đi như cỏ dại.

5. Việt Nam không thiếu người giỏi

Người Việt không thiếu người giỏi. Chúng ta có kỹ sư giỏi, nhà sáng lập giỏi, người làm sản phẩm giỏi, người nghiên cứu giỏi, người trẻ rất nhanh, rất nhạy và rất chịu khó học. Nhưng từ một người giỏi đến một công ty lớn là một quãng đường rất dài. Từ một sản phẩm hay đến một doanh nghiệp toàn cầu là một quãng đường còn dài hơn nữa. Trên quãng đường đó, tài năng cá nhân chỉ là điểm bắt đầu. Sau đó là hàng loạt câu hỏi khác: có gọi được vốn không, có giữ được người giỏi không, có được bảo vệ tài sản trí tuệ không, có khung pháp lý đủ rõ để thử nghiệm mô hình mới không, có thị trường vốn đủ sâu để đi đường dài không, có cơ chế nào để startup thất bại không biến thành án tử với người sáng lập không?

Nếu mỗi mắt xích trong chuỗi đó đều có một điểm gãy, thì người tài dù xuất hiện cũng rất dễ chết yểu. Chúng ta hay hỏi tại sao Việt Nam chưa có Apple, chưa có Tesla, chưa có Meta. Nhưng có lẽ nên hỏi ngược lại: nếu một Apple Việt Nam xuất hiện, nó sẽ sống sót bằng cách nào? Nếu một Tesla Việt Nam cần đốt tiền mười năm để phát triển công nghệ, ai sẽ đủ kiên nhẫn đi cùng? Nếu một Meta Việt Nam vướng pháp lý, quyền riêng tư, dữ liệu và cạnh tranh toàn cầu, ai sẽ giúp nó đứng vững? Nếu một Flappy Bird Việt Nam nữa bay lên, lần này chúng ta có gì để đỡ nó?

6. Đừng tìm bản sao của Jobs

Một cái bẫy khác trong cụm từ “Steve Jobs Việt Nam” là nó dễ khiến ta nghĩ theo hướng bản sao. Như thể sẽ có một người Việt mặc áo cổ lọ đen, đứng trên sân khấu, ra mắt một chiếc điện thoại rồi thay đổi thế giới. Nhưng nếu hiểu như vậy thì lại hiểu sai chính tinh thần của Jobs. Tinh thần của Jobs không nằm ở áo cổ lọ, không nằm ở iPhone, không nằm ở việc ông giống ai. Tinh thần của Jobs nằm ở việc ông dám định nghĩa lại cuộc chơi.

Ông không hỏi làm sao để làm một chiếc máy tính giống các công ty khác nhưng tốt hơn một chút. Ông hỏi tại sao máy tính phải xấu và khó dùng. Ông không hỏi làm sao để làm điện thoại có bàn phím tốt hơn. Ông hỏi tại sao điện thoại phải có bàn phím. Nếu có một “Steve Jobs Việt Nam”, người đó có lẽ sẽ chẳng giống Jobs chút nào. Có thể họ không làm điện thoại, không mặc áo cổ lọ, không đứng trên sân khấu kiểu Apple keynote, không nói tiếng Anh như founder Silicon Valley. Họ có thể giải một bài toán rất Việt Nam: nông nghiệp, giáo dục, y tế, logistics, tài chính cá nhân, đô thị, giao thông, thương mại nhỏ, du lịch, năng lượng, ngôn ngữ, văn hóa. Và có lẽ chúng ta chỉ nhận ra họ giống Jobs ở một điểm duy nhất: họ không chơi giỏi cuộc chơi cũ. Họ tạo ra cuộc chơi mới.

7. Ba việc khó hơn hô khẩu hiệu sáng tạo

Nếu thật sự muốn có những người như vậy, mình nghĩ có ít nhất ba việc cần làm. Một là đổi thứ mà giáo dục đang thưởng. Giáo dục của chúng ta, trong nhiều năm, thưởng rất mạnh cho đáp án đúng. Ai nhớ tốt, làm đúng, trình bày chuẩn, ít sai, đi theo khuôn mẫu tốt thì được điểm cao. Điều này không sai. Một xã hội vẫn cần những người có nền tảng tốt, kỷ luật tốt, khả năng học tốt. Nhưng nếu chỉ thưởng cho đáp án đúng, chúng ta sẽ tạo ra rất nhiều người giải đề giỏi. Trong khi đổi mới sáng tạo thường bắt đầu từ một năng lực khác: năng lực đặt câu hỏi.

Một học sinh hỏi câu làm khó giáo viên, trong nhiều môi trường, vẫn dễ bị xem là “cãi”, là “láo”, là “không tập trung vào bài”. Nhưng chính những câu hỏi khó chịu đó đôi khi là mầm của tư duy sáng tạo. Tại sao phải làm như cũ? Tại sao vấn đề này chưa được giải quyết? Tại sao người dùng phải chịu sự bất tiện này? Tại sao một quy trình lại phức tạp như vậy? Tại sao cái này không thể đơn giản hơn? Nếu nhà trường chỉ đào tạo người trả lời tốt, chúng ta sẽ có nhiều người làm tốt bài thi. Nhưng nếu muốn có người tạo ra cái mới, chúng ta cần thêm những người biết đặt lại đề bài.

Hai là hạ giá của sự thất bại. Chúng ta nói rất nhiều về “dám thất bại”, nhưng dám thất bại không thể chỉ là một khẩu hiệu truyền cảm hứng. Một người chỉ thật sự dám thất bại khi họ biết rằng nếu mình ngã, họ vẫn còn đường đứng dậy. Ở đây có cả yếu tố văn hóa lẫn thể chế. Về văn hóa, gia đình và xã hội cần bớt xem thất bại là nỗi xấu hổ cá nhân. Một người trẻ khởi nghiệp thất bại không có nghĩa là người đó vô dụng. Một sản phẩm không thành công không có nghĩa là người làm ra nó kém cỏi. Một lần sai không nên trở thành bản án kéo dài nhiều năm.

Về thể chế, cần có luật chơi giúp người thất bại có thể quay lại. Luật phá sản, thị trường vốn, cơ chế đầu tư mạo hiểm, chính sách thử nghiệm, bảo vệ nhà sáng lập, bảo vệ nhà đầu tư — tất cả những thứ đó nghe có vẻ khô khan, nhưng thực ra lại quyết định rất nhiều đến mức độ “dám liều” của một xã hội. Một xã hội không thể vừa trừng phạt thất bại rất nặng, vừa mong người trẻ dám đổi mới. Hai điều đó mâu thuẫn với nhau.

Ba là xây hệ sinh thái, không chỉ tôn vinh cá nhân. Chúng ta rất thích kể chuyện thiên tài: một người xuất chúng, một bộ óc vĩ đại, một cá nhân thay đổi thế giới. Nhưng nếu chỉ chăm chăm đi tìm cá nhân kiệt xuất, chúng ta sẽ bỏ qua câu hỏi quan trọng hơn: làm sao để nhiều người có cơ hội trở nên kiệt xuất? Silicon Valley không mạnh vì ở đó có một thiên tài. Nó mạnh vì ở đó có một hệ sinh thái khiến thiên tài có xác suất xuất hiện cao hơn, sống sót lâu hơn và tạo ra ảnh hưởng lớn hơn.

Có trường đại học. Có vốn. Có luật chơi. Có văn hóa chia sẻ tri thức. Có người đi trước làm cố vấn. Có công ty lớn đào tạo nhân tài. Có dòng vốn chấp nhận rủi ro. Có thị trường đủ lớn. Có truyền thông biết kể câu chuyện của sản phẩm. Có pháp lý bảo vệ tài sản trí tuệ. Có một mạng lưới mà khi một người ngã, họ không rơi thẳng xuống đáy. Đó là điều mình gọi là “đất”. Và khi đất đủ tốt, chúng ta không cần phải đi tìm từng hạt giống thiên tài. Cây sẽ tự mọc.

8. Câu hỏi này không chỉ dành cho học sinh

Điều thú vị của đề Văn là nó được đưa cho học sinh. Nhưng mình nghĩ câu hỏi này không chỉ dành cho học sinh. Thậm chí, phần khó nhất của câu hỏi không nằm ở các em. Một học sinh 18 tuổi có thể viết rất hay về đam mê, sáng tạo, khát vọng, dám nghĩ dám làm. Và điều đó rất đáng quý. Nhưng để thật sự có những “Steve Jobs Việt Nam”, trách nhiệm không thể đặt hết lên vai một thế hệ trẻ.

Người trẻ có thể mang theo năng lượng. Nhà trường phải cho họ quyền đặt câu hỏi. Gia đình phải cho họ không gian thử sai. Doanh nghiệp phải cho họ cơ hội làm việc thật. Nhà đầu tư phải cho họ vốn và sự kiên nhẫn. Nhà nước phải cho họ luật chơi đủ rõ. Xã hội phải cho họ một cơ hội thứ hai. Và truyền thông phải học cách không biến mọi người trẻ thành hiện tượng một ngày rồi bỏ mặc họ trong cơn bão tiếp theo.

Mười hai năm trước, chúng ta từng có một con chim nhỏ bay lên đỉnh thế giới. Nó bay rất cao. Cao đến mức cả thế giới phải nhìn lại. Nhưng rồi nó rơi xuống, một phần vì phía dưới không có gì đỡ lấy. Lần tới, khi một con chim như thế cất cánh, có lẽ câu hỏi không nên chỉ là: nó có đủ tài để bay không?

Câu hỏi đúng hơn là: chúng ta đã kịp xây cho nó một bầu trời hay chưa?

Leave a comment

Bạn mở một session mới, bắt đầu giải thích cho Claude về project: architecture đang dùng, command nào chạy được, file nào không nên sửa, module nào đang có bug, quyết định kỹ thuật nào đã chốt với team. Sau một lúc, Claude bắt đầu hiểu dần. Nó suggest đúng hơn, ít đi sai hướng hơn, và đôi khi còn phản hồi như một teammate đã quen với codebase.

Nhưng hôm sau, bạn mở session mới.

Claude lại hỏi lại những điều cũ.

Nó không nhớ command hôm qua đã chạy fail. Nó không nhớ bug hôm qua vừa debug xong. Nó không nhớ bạn đã dặn “đừng refactor phần này vì đang phụ thuộc vào team khác”. Cảm giác lúc đó rất dễ khiến mình nghĩ: “AI này sao hay quên vậy?”

Nhưng thực ra, vấn đề không phải Claude lười nhớ. Vấn đề nằm ở bản chất của LLM.

LLM không có trí nhớ dài hạn tự nhiên như con người. Mỗi lần model được gọi, nó nhận vào context, xử lý, rồi trả ra output. Những gì nó “biết” tại thời điểm đó chủ yếu là những gì đang nằm trong context window. Khi session kết thúc, nếu không có cơ chế lưu lại và nạp lại thông tin, gần như mọi thứ biến mất.

Vì vậy, insight đầu tiên cần hiểu là:

Memory trong Claude Code không phải là thứ model tự có. Memory là thứ ta xây xung quanh model.

Nói cách khác, Claude không thật sự “nhớ”. Nó chỉ đọc lại những gì bạn đã lưu và đưa vào context đúng lúc.

Subscribe now

1. Memory là gì và tại sao cần nó?

Memory trong Claude Code nên được hiểu đơn giản là cơ chế giúp Claude có continuity giữa các session.

Hôm nay bạn làm việc với Claude, phát hiện một bug quan trọng, chốt một quyết định kỹ thuật, hoặc tìm được một command đúng để run test. Nếu những thông tin đó chỉ nằm trong đoạn chat hiện tại, session sau Claude có thể không biết gì về chúng.

Nhưng nếu bạn ghi chúng vào CLAUDE.md, memory folder, project note, hoặc một file rule nào đó, session sau Claude có thể đọc lại và tiếp tục từ nơi đã dừng.

Đây là điểm khác biệt rất lớn giữa hai cách dùng Claude Code.

Cách thứ nhất là dùng Claude như một chatbot coding. Mỗi lần mở lên là một lần giải thích lại. Cách thứ hai là dùng Claude như một agent có hệ thống memory. Mỗi session mới không bắt đầu từ con số 0, mà bắt đầu từ những gì project đã học được trước đó.

Memory không làm LLM hết stateless. Nó chỉ tạo ra cảm giác “nhớ” bằng cách lưu thông tin bên ngoài model và inject lại vào context.

Đây là lý do memory design quan trọng. Với project nhỏ, bạn có thể không cảm nhận rõ. Nhưng với project dài hạn, nhiều decision, nhiều bug history và nhiều convention nội bộ, memory tốt có thể quyết định Claude hữu ích hay gây nhiễu.

2. Có 4 loại memory cần phân biệt

Để dễ hiểu, hãy tưởng tượng Claude đang làm việc với bạn trong một project dài hạn. Có thứ nó cần nhớ trong vài phút, có thứ cần nhớ qua nhiều ngày, có thứ là bài học từ bug cũ, và có thứ là kiến thức nền đã nằm sẵn trong model. Bốn loại memory bên dưới tương ứng với bốn nhu cầu đó.

Khi nói đến memory, mình nghĩ không nên chỉ nghĩ đến một file ghi chú. Memory của AI agent nên được nhìn như một hệ thống nhiều tầng.

In Context Memory

Loại đầu tiên là In-Context Memory. Đây là những gì Claude đang thấy trong session hiện tại: prompt, instruction, file vừa đọc, history, tool output, nội dung CLAUDE.md được load vào. Nó giống như “bàn làm việc” trước mặt Claude. Thứ gì nằm trên bàn thì Claude dùng được ngay. Nhưng khi session kết thúc hoặc context bị compact, nhiều thứ sẽ biến mất. Nói đơn giản, đây là trí nhớ ngắn hạn của Claude trong một phiên làm việc.

Cấu trúc điển hình của context window:

Khi history quá dài, Claude Code xử lý bằng 3 cách: Summarization (nén history cũ), Selective retention (giữ turns chứa facts/decisions quan trọng), hoặc Offload sang external memory. Compaction là lossy — những gì không được ghi ra file trước đó có thể mất vĩnh viễn.

External Memory

Loại thứ hai là External Memory. Đây là phần nằm ngoài model, ví dụ CLAUDE.md, markdown notes, database, wiki, vector store hoặc memory folder. Đây mới là thứ giúp Claude có continuity qua nhiều session. Trong Claude Code, dạng thực tế nhất thường là file-based memory. Nếu In-Context Memory là bàn làm việc, thì External Memory giống như sổ tay dự án.

Episodic Memory

Loại thứ ba là Episodic Memory. Đây là memory lưu lại các sự kiện đã xảy ra: bug đã debug, hướng đã thử, kết quả ra sao, bài học là gì. Ví dụ: “Duplicate reset password email từng xảy ra vì email được trigger ở cả service và background job.” Loại memory này rất giá trị vì nó giúp Claude học từ lịch sử thực chiến của chính project, không chỉ dựa vào kiến thức chung. Đây là phần giúp Claude không chỉ biết rule, mà còn biết project đã từng vấp ở đâu.

{
  "task": "Debug duplicate reset password email",
  "ruled_out": [
    "Frontend double-click",
    "Duplicate API call"
  ],
  "hypothesis": "Backend may trigger email in both service and background job",
  "outcome": "resolved",
  "lesson": "When one action creates duplicate outputs, trace all downstream handlers"
}

Semantic/ Parametric Memory

Loại cuối cùng là Parametric Memory. Đây là kiến thức nằm trong model weights: JavaScript là gì, REST API hoạt động thế nào, Redis dùng để làm gì, design pattern phổ biến ra sao. Loại này luôn có sẵn, nhưng không biết private codebase, decision nội bộ hay bug mới xảy ra của bạn.

Giới hạn của parametric memory

Parametric Memory là kiến thức Claude đã học sẵn trong quá trình training. Nó giúp Claude biết JavaScript, REST API, Redis hay design pattern là gì. Nhưng nó không biết project riêng của bạn vừa đổi từ Node.js 18 lên Node.js 22, không biết bug hôm qua đã fix, và không biết decision nội bộ của team. Vì vậy, kiến thức chung có thể dùng từ model, nhưng thông tin riêng của project phải nằm trong external memory.

Insight ở đây là:

Không phải thông tin nào cũng nên lưu cùng một chỗ. Rule của project, lịch sử debug, preference cá nhân và kiến thức nền tảng là bốn loại khác nhau. Nếu trộn hết vào một file, memory sẽ nhanh chóng thành rác.

3. Claude Code memory architecture: CLAUDE.md và Auto Memory

Trong Claude Code, có thể hiểu memory system gồm hai nhánh chính.

CLAUDE.md

Nhánh đầu tiên là CLAUDE.md — phần memory do người dùng viết. Đây là nơi bạn ghi lại các rule, convention, command, decision và gotcha quan trọng của project.

Nhưng CLAUDE.md không nên được xem là documentation. Mình thích xem nó là một behavioral contract (giống như 1 contract giữa bạn và Claude vậy)

Giới hạn thực tế: 80–120 lines. Trên ~150 instructions, khi số lượng instruction quá nhiều, Claude có thể không còn follow đều tất cả instruction, mà chỉ ưu tiên một phần nổi bật trong context.. Trên vài nghìn dòng (theo nghiên cứu khoảng 2000 line), CLAUDE.md có thể bắt đầu phản tác dụng vì Claude khó ưu tiên đúng thông tin quan trọng.

Mỗi dòng trong CLAUDE.md nên làm thay đổi cách Claude hành xử.

Ví dụ, dòng như sau không quá giá trị:

- Write clean code
- Follow best practices
- Use meaningful variable names

Những câu này đúng, nhưng quá chung. Claude gần như đã mặc định biết.

Trong khi đó, những dòng như sau có giá trị hơn nhiều:

# AuthService — Backend API

## Build & Test
- Build: `./gradlew build`
- Test: `./gradlew test --tests "*.UnitTest"`
- Integration: `docker-compose up -d && ./gradlew integrationTest`

## Architecture - Do Not Change Without a Clear Reason
- Use the Repository pattern — do not query the database directly from services
- Use compensation transactions for cross-service failures (Sage pattern)
- All monetary values must use BigDecimal, never Double

## Active Gotchas
- TransactionService.processPayment() has a race condition at line 247
- UserRepository.findByEmail() case-sensitive — always lowercase the input first
- Migration 0023_add_mfa_table is still pending - DO NOT run it in production until approved

## Code Style
- Use async/await consistently; do not mix it with callbacks
- Add comments only when the WHY is not obvious

## Strictly Prohibited
- Do not use the any type in TypeScript — use unknown when the type is unclear
- Do not use direct console.log — use logger.info/error/debug
- Do not add retry logic — it is already handled at the infrastructure layer

Các dòng này cụ thể, có ngữ cảnh, và giúp Claude tránh sai lầm thật.

Auto Memory

Nhánh thứ hai là Auto Memory phần Claude tự ghi lại sau quá trình làm việc. Nó có thể lưu command đã xác nhận chạy được, debugging insight, workflow preference hoặc các pattern Claude quan sát được.

Auto Memory hữu ích, nhưng không nên phó mặc hoàn toàn. Vì Claude có thể lưu thiếu, lưu thừa hoặc suy diễn sai. Với project quan trọng, mình vẫn tin rằng những decision quan trọng nên được con người chủ động ghi vào CLAUDE.md hoặc memory note rõ ràng.

MEMORY.md (index, 200 lines / 25KB) được auto-load mỗi session. Topic files được load on-demand theo relevance.

# Auto Memory — PaymentService (MEMORY.md)

## Build System
- `./gradlew build` works; `gradle build` fails (wrapper required)
- Integration tests cần `docker-compose up -d` trước, wait 10s

## Debugging History
- 2026-05-15: Race condition ở TransactionService:247 fix bằng synchronized block
- 2026-05-18: Null pointer ở PaymentMapper khi currency = null — add Optional wrapper

## User Preferences
- Viết test trước khi implement (TDD)
- Prefer small, focused commits

Insight ở phần này là:

CLAUDE.md không phải nơi lưu mọi thứ. Nó chỉ nên lưu những gì bạn muốn Claude luôn nhớ để hành xử đúng hơn trong tương lai.

4. Context Compaction: vì sao Claude có thể mất nuance

Một điểm dễ bị bỏ qua là Claude Code có context window giới hạn. Khi session quá dài, hệ thống phải compact tức là nén hoặc tóm tắt lại một phần context để tiếp tục làm việc.

Kích hoạt khi context đạt 75–92% capacity (~150K–184K token), hoặc trigger thủ công qua /compact.

Compaction là cần thiết, nhưng nó luôn có rủi ro: mất nuance.

Ví dụ ban đầu bạn nói:

“Tối ưu query performance cho bảng users, nhưng không được đổi schema vì team data đang phụ thuộc vào field cũ.”

Sau một lần summarize, nó có thể thành:

“User muốn tối ưu database performance.”

Ý chính vẫn còn, nhưng constraint quan trọng nhất - “không được đổi schema” - có thể đã biến mất.

Trong software development, mất một constraint nhỏ có thể dẫn đến một solution sai. Claude có thể suggest một hướng rất hợp lý về mặt kỹ thuật, nhưng lại phá vỡ một quyết định nội bộ, một dependency hoặc một business rule đã chốt.

Vì vậy, đừng xem conversation history là nơi lưu memory đáng tin cậy. Conversation giống như bảng trắng trong phòng họp. Nó hữu ích trong lúc làm việc, nhưng decision quan trọng phải được ghi vào biên bản.

Với Claude Code, “biên bản” đó chính là CLAUDE.md, memory note hoặc project wiki.

Một thói quen rất hữu ích là sau khi chốt một điều quan trọng, hãy nói:

Update CLAUDE.md with this decision so future sessions do not forget it.

Insight ở đây rất đơn giản:

Thứ gì không được ghi ra ngoài context thì có thể mất sau compaction hoặc session mới.

5. Hooks: khi memory không chỉ là ghi chú, mà thành workflow

Nếu bạn mới bắt đầu dùng Claude Code, có thể bỏ qua hooks ở giai đoạn đầu. Đây là phần dành cho khi bạn đã có workflow lặp lại và muốn tự động hóa memory.

Nếu CLAUDE.md là bước đầu tiên, thì hooks là bước nâng cao hơn.

Hooks cho phép bạn chạy script tại một số thời điểm trong vòng đời của Claude Code: khi session bắt đầu, trước khi tool được dùng, sau khi tool chạy, hoặc khi session kết thúc.

Với memory, hooks rất mạnh vì chúng giúp tự động hóa hai việc: capture và restore.

Ví dụ, cuối mỗi session, một Stop hook có thể đọc transcript và extract các insight quan trọng: bug đã fix, command đã chạy thành công, decision mới, issue còn pending. Sau đó nó ghi lại vào MEMORY.md.

Hoặc trước khi Claude sửa file trong src/api, một hook có thể inject API rules. Khi Claude sửa migration, hook inject database rules. Nhờ vậy, Claude không cần load mọi rule trong mọi tình huống, mà chỉ nhận context đúng lúc cần.

Tuy nhiên, mình nghĩ không nên bắt đầu từ hooks ngay. Trước hết, hãy làm tốt file-based memory thủ công. Khi bạn thấy có workflow lặp lại, lúc đó mới automate bằng hooks.

Insight ở đây là:

Automation chỉ có giá trị khi workflow thủ công đã rõ. Nếu memory còn lộn xộn, hooks chỉ làm việc lộn xộn nhanh hơn.

6. Quản lý memory hiệu quả: curation quan trọng hơn accumulation

Một cái bẫy lớn khi nói về memory là nghĩ rằng càng lưu nhiều càng tốt.

Thực tế ngược lại: memory không được curate sẽ trở thành technical debt.

Ví dụ đơn giản hơn: 6 tháng trước project dùng Node.js 18, nên trong memory có rule “luôn dùng Node.js 18 để chạy project”. Sau đó team đã upgrade lên Node.js 22. Nếu rule cũ vẫn còn trong memory, Claude có thể tiếp tục hướng dẫn bạn cài Node.js 18, debug theo Node.js 18, hoặc suggest package version tương thích với Node.js 18.

Lúc này memory không còn giúp Claude làm việc tốt hơn. Nó đang kéo Claude quay lại một trạng thái cũ của project.

Đây là lý do memory cần được dọn dẹp như code. Rule nào còn đúng thì giữ. Rule nào outdated thì xóa. Bug nào đã resolved thì archive. Decision nào đã thay đổi thì update. Những instruction conflict nhau thì phải xử lý.

Một CLAUDE.md tốt nên ngắn, cụ thể và có tính hành động. Khoảng 80–120 dòng là hợp lý. Nếu dài hơn nhiều, nên tách ra thành nhiều file theo scope: API rules, database rules, frontend rules, debugging notes, architecture decisions.

Một cách chia tầng đơn giản:

• Global memory: preference áp dụng mọi project.

• Project memory: convention và decision của team.

• Local memory: setup cá nhân, WIP notes, local environment.

• Episodic memory: bug history, debugging lesson, decisions theo thời gian.

Insight quan trọng nhất:

Memory tốt không phải là lưu nhiều. Memory tốt là lưu đúng thứ, đúng chỗ, và xóa đúng lúc.

7. Ví dụ thực tế: debug một bug kéo dài nhiều ngày

Giả sử bạn đang debug một lỗi trong hệ thống gửi email.

Ngày đầu tiên, bạn phát hiện mỗi khi user bấm “Reset password”, hệ thống thỉnh thoảng gửi 2 email thay vì 1 email. Bạn kiểm tra phần giao diện trước, nhưng button không bị double-click. Bạn kiểm tra API log và thấy frontend chỉ gọi API một lần.

Đến cuối session, bạn chưa fix xong bug, nhưng đã loại trừ được một hướng quan trọng: lỗi không nằm ở frontend. Hypothesis mới là backend có thể đang trigger email ở hai nơi khác nhau: một lần trong ResetPasswordService, và một lần nữa trong background job hoặc event listener.

Nếu thông tin này không được lưu lại, ngày mai Claude có thể bắt đầu lại từ đầu. Nó có thể tiếp tục hỏi: “Có phải user double-click không?”, “Frontend có gọi API hai lần không?”, hoặc suggest bạn kiểm tra lại phần giao diện.

Nhưng nếu bạn ghi lại một note ngắn như sau, session sau Claude sẽ có điểm tựa để tiếp tục:

## Active Debug: Duplicate Reset Password Email 

- Symptom: When a user clicks “Reset password”, the system sometimes sends 2 emails instead of 1.
- Ruled out: Frontend double-click issue. The button is not being clicked twice.
- Ruled out: Duplicate API call from frontend. API logs show the reset password endpoint is called only once.
- Current hypothesis: The backend may be triggering the email in two places: once inside ResetPasswordService, and once again from a background job or event listener.
- Next step: Trace the full reset password flow from API handler → service → event/job queue → email sender.
- Useful check: Search for all places calling sendResetPasswordEmail() or publishing a PasswordResetRequested event.

Ngày hôm sau, Claude có thể đọc lại note này và tiếp tục đúng từ điểm đã dừng. Thay vì lặp lại những bước debug đã làm hôm qua, nó sẽ tập trung vào phần còn lại của flow: backend service, event listener, background job, hoặc email sender.

Khi bug được fix, bạn có thể update note thành:

## [RESOLVED] Duplicate Reset Password Email

- Root cause: The reset password email was triggered in two places: once inside ResetPasswordService, and once again from a background job.
- Fix: Keep the email trigger in ResetPasswordService only, and remove the duplicate trigger from the background job.
- Lesson: When one user action creates duplicate outputs, first verify whether the action is being triggered once or multiple times, then trace all downstream handlers that may react to the same event.

Lần sau gặp một issue tương tự, Claude không chỉ dựa vào kiến thức chung. Nó có một episode thực tế từ chính project của bạn: lỗi từng xảy ra ở đâu, hướng nào đã loại trừ, root cause là gì, và bài học nào nên áp dụng lại.

Đây là giá trị của episodic memory.

Nó biến Claude từ một người chỉ trả lời từng câu hỏi riêng lẻ thành một cộng sự có khả năng tiếp nối lịch sử kỹ thuật của project.

8. Anti-patterns thường gặp

Anti-pattern đầu tiên là biến CLAUDE.md thành bãi rác. Mọi thứ đều được ném vào đó: changelog, todo, bug cũ, note cá nhân, decision đã deprecated. Sau vài tháng, file quá dài và Claude không còn follow tốt nữa.

Anti-pattern thứ hai là mong Claude nhớ từ session trước nhưng không ghi gì ra file. Bạn nói “project đã upgrade lên Node.js 22, đừng hướng dẫn theo Node.js 18 nữa”, Claude đồng ý. Nhưng nếu không lưu vào memory, session sau nó vẫn có thể suggest lại Node.js 18.

Anti-pattern thứ ba là giữ memory cũ quá lâu. Một rule từng đúng không có nghĩa là nó đúng mãi. Memory lỗi thời có thể gây hại nhiều hơn memory thiếu.

Anti-pattern thứ tư là lưu quá chung chung. Những câu như “write clean code” không giúp Claude hành xử khác đi. Memory tốt phải cụ thể, có context và có khả năng thay đổi decision của Claude.

Insight ở đây là:

Memory không nên ghi lại những điều đúng chung chung. Memory nên ghi lại những điều nếu quên thì Claude sẽ làm sai.

9. Chiến lược nâng cao: own your memory

Một câu hỏi chiến lược hơn là: memory của AI agent nên thuộc về ai?

Nếu memory nằm hoàn toàn sau proprietary API, bạn khó biết nó đang lưu gì, khó chỉnh sửa, khó audit, khó version control, và khó mang sang tool khác. Với các thử nghiệm nhỏ, điều này có thể không quan trọng. Nhưng với project dài hạn, memory là tài sản kỹ thuật.

Nó chứa architecture decisions. Nó chứa debugging history. Nó chứa convention của team. Nó chứa lý do đằng sau những phần code nhìn có vẻ kỳ lạ. Nó chứa những bài học mà team đã trả giá để học được.

Vì vậy, mình thích file-based memory.

Markdown có thể đọc được, sửa được, commit được, review được, archive được và migrate được. Tool có thể thay đổi. Model có thể thay đổi. Nhưng memory của project nên nằm trong tay team.

Insight cuối cùng:

AI agent có thể là outsource. Nhưng memory của project nên là tài sản nội bộ.

Kết luận

Claude Code không thật sự nhớ như con người.

Nó không tự nhiên mang theo toàn bộ context của project qua nhiều session. Nhưng điều đó không làm nó kém hữu ích. Nó chỉ có nghĩa là ta cần thiết kế môi trường làm việc cho nó tốt hơn.

Thay vì mong Claude tự nhớ, hãy chủ động xây memory system.

Ghi lại những rule thật sự ảnh hưởng đến hành vi. Lưu những decision quan trọng trước khi session kết thúc. Biến debugging history thành episodic memory. Dọn dẹp memory cũ như refactor code. Và quan trọng nhất, hãy giữ quyền sở hữu memory của chính mình.

Vì trong dài hạn, AI coding agent mạnh không chỉ là agent có model tốt.

Nó là agent có context tốt. Memory tốt. Và khả năng tiếp tục công việc từ nơi hôm qua đã dừng lại.

Không có memory, mỗi session là một lần onboarding lại từ đầu. Có memory tốt, mỗi session là một bước tiếp theo trong cùng một hành trình.

Và có lẽ đây là thay đổi lớn nhất trong cách dùng AI coding agent: ta không chỉ học cách prompt tốt hơn, mà còn phải học cách thiết kế context tốt hơn.

Key Takeaways

• LLM là Stateless; Memory là hệ thống bên ngoài model

• CLAUDE.md là behavior contract, không phải documentation

• Compaction là lossy, decision quan trọng phải ghi ra file

• Memory không curate sẽ thành technical debt

• Agent mạnh = model tốt + context tốt + memory tốt

Leave a comment

Trong meeting với stakeholder, họ nghe một yêu cầu nghe rất hợp lý: “Feature này đang chậm, chắc cần thêm cache.” PM ghi lại, đưa vào backlog, rồi chuyển cho engineering team.

Nhưng khi bước vào planning, engineer hỏi ngược lại: “Cache data nào? Cache ở layer nào? TTL bao lâu? Nếu data bị stale thì user có chấp nhận được không? Có risk gì với payment, balance hoặc order status không?”

Lúc đó PM mới nhận ra: vấn đề không phải là “thêm cache”.

Vấn đề là team chưa hiểu rõ bottleneck nằm ở đâu, data nào được phép sai trong vài phút, data nào tuyệt đối không được sai, và decision nào cần được chốt trước khi bắt đầu build.

Đây là lý do technical fluency ngày càng quan trọng với Product Manager.

Không phải để PM trở thành engineer.

Mà để PM đủ hiểu hệ thống, đủ hiểu constraint, và đủ khả năng biến một nhu cầu mơ hồ thành một problem rõ ràng để team cùng ra quyết định.

Khi sản phẩm ngày càng phụ thuộc vào API, data, system design và AI, một PM giỏi cần nhiều hơn “product sense”. Họ cần đủ technical fluency để hiểu constraint, đủ PM core để đưa ra quyết định đúng, và đủ AI literacy để không bị tụt lại trong làn sóng sản phẩm mới.

Subscribe now

Tại sao PM cần kỹ thuật?

Một PM mới vừa join team, mở backlog ra và thấy một ticket rất quen thuộc: “Cần thêm cache để tăng performance.” Nghe hợp lý. PM gật đầu, đưa thẳng vào roadmap Q3.

Nhưng đến khi engineer hỏi lại: “Cache cái gì? Số dư tài khoản? Kết quả query? Dùng Redis hay Memcached? TTL bao lâu? Cache invalidation xử lý thế nào?” PM bắt đầu khựng lại. Không phải vì PM cần biết code chi tiết, mà vì ngay từ đầu vấn đề chưa được làm rõ.

Rồi thêm một meeting để clarify. Thêm một buổi sync với backend. Thêm một vòng hỏi lại stakeholder. Cuối cùng, một việc tưởng như chỉ cần thêm cache khiến feature trễ 3 tuần.

Vấn đề ở đây không nằm ở engineer.

Vấn đề nằm ở communication failure khi PM chưa đủ technical fluency để biến một nhu cầu mơ hồ thành một problem rõ ràng, có context, có constraint và có decision để team cùng tiến lên.

Trong thực tế, PM thiếu technical fluency thường không fail ở những chuyện quá lớn ngay từ đầu. Họ fail ở những điểm rất nhỏ, nhưng lặp lại đủ nhiều để làm team chậm dần.

Đầu tiên là ticket mơ hồ.

PM viết: “Optimize performance cho trang checkout.” Nghe thì rõ, nhưng dev không biết cần optimize API latency, database query, frontend rendering hay third-party payment call. Kết quả là trước khi code, dev phải hỏi lại. Mỗi lần hỏi lại là một lần context switch. Mỗi lần context switch là một phần velocity bị mất.

Tiếp theo là deadline commit không có cơ sở.

Stakeholder hỏi: “Feature này 1 tuần được không?” PM trả lời “chắc được” mà chưa biết phía sau cần migrate 3 tables, thêm event bus mới, update payment flow và regression test toàn bộ checkout journey. Một câu commit quá sớm có thể biến thành 2 tuần expectation management sau đó.

Cuối cùng là không hiểu trade-off.

Team có thể chọn giải pháp nhanh hơn nhưng ít scalable hơn. Hoặc chọn giải pháp đúng về long-term nhưng tốn thêm 1 sprint. Nếu PM không hiểu trade-off nằm ở performance, cost, data consistency hay maintainability, PM sẽ rất khó bảo vệ decision trước stakeholder.

Vì vậy, vấn đề không phải là PM không biết code.

Ý chính

Mục tiêu là systems mindset, không phải systems engineering. PM giỏi kỹ thuật = PM biết hỏi đúng câu và hiểu câu trả lời không phải PM viết được code.

3 Trục học song song

Một PM hoàn chỉnh cần phát triển đồng thời 3 trục kiến thức. Không phải tuần tự hay song song, mà với tốc độ phù hợp theo domain hiện tại.

Trục 1: Technical Fluency

Technical Fluency không có nghĩa là biết code. Nó có nghĩa là đủ hiểu để đặt câu hỏi đúng, đánh giá được trade-off, và không bị mù trước technical constraint. Dưới đây là 4 domain ưu tiên cao nhất.

APIs & Integration

API là kỹ năng có ROI cao nhất cho PM. Hầu như mọi product decision đều liên quan đến API: tích hợp vendor, giao tiếp giữa services, hoặc expose data cho bên ngoài.

API là gì?

API (Application Programming Interface) là cách giao tiếp giữa 2 hệ thống: “Nếu bạn gửi request theo format này, tôi sẽ trả về dữ liệu theo format kia.” Giống như menu nhà hàng, bạn không cần biết bếp nấu thế nào, chỉ cần biết gọi gì và kỳ vọng nhận gì.

7 thứ PM cần đọc được trong API documentation:

Ví dụ thực tế — Evaluate Stripe API cho payment feature:

POST https://api.stripe.com/v1/charges
Authorization: Bearer sk_test_xxx

Body:
{
  "amount": 2000,
  "currency": "vnd",
  "source": "tok_visa"
}

# Happy path response → status 200, charge ID: ch_xxxxx
# PM tiếp theo test failure path:
# - Invalid card: {"error": {"code": "card_declined", "message": "Your card was declined."}}
# - Rate limit: HTTP 429 với header Retry-After: 30
# - Server error: HTTP 500 → cần fallback plan

Trong buổi planning, stakeholder thường chỉ hỏi: “Payment fail thì user có thanh toán lại được không?”

Nhưng PM có technical fluency sẽ không dừng ở câu trả lời “được” hoặc “không”. PM sẽ kiểm tra sâu hơn: nếu card bị declined thì message trả về là gì, nếu Stripe rate limit thì hệ thống retry thế nào, nếu server timeout nhưng payment đã được ghi nhận thì có double charge không.

Đây là điểm khác biệt rất lớn.

Một PM không cần tự implement payment gateway. Nhưng PM cần đủ hiểu API response, status code và failure path để không biến một payment feature thành một risk về tiền thật của user.

Sau khi tự test, PM biết: Stripe trả về error message rõ ràng → UX tốt. Có rate limit → cần exponential backoff trong retry logic. Cần hỏi dev: "Retry sau 429 có được implement không? Window bao lâu?"

Nguồn tài liệu:

• https://www.departmentofproduct.com/blog/apis-explained-for-product-managers/

• https://hellopm.co/what-is-tech-for-pm/

SQL & Database

Data independence là superpower của PM. Khi PM biết tự query, họ không cần ticket BI team để trả lời câu hỏi đơn giản như “Retention 7-day của cohort tháng 4 là bao nhiêu?”

SQL queries PM dùng hàng ngày:

-- DAU (Daily Active Users) theo ngày
SELECT
  DATE(event_time) AS date,
  COUNT(DISTINCT user_id) AS dau
FROM events
WHERE event_name = 'app_open'
  AND event_time >= '2026-05-01'
GROUP BY 1
ORDER BY 1;

-- 7-day Retention Cohort
SELECT
  cohort_week,
  COUNT(DISTINCT user_id) AS cohort_size,
  COUNT(DISTINCT CASE WHEN days_since_signup BETWEEN 7 AND 13 THEN user_id END) AS retained_week2,
  ROUND(
    COUNT(DISTINCT CASE WHEN days_since_signup BETWEEN 7 AND 13 THEN user_id END) * 100.0
    / COUNT(DISTINCT user_id), 1
  ) AS retention_pct
FROM user_cohorts
GROUP BY 1;

SQL vs NoSQL — PM cần biết khi nào dùng cái gì:

Ví dụ decision: PM đang spec feature "user session cache". Hỏi dev: "Cần lưu session state hay chỉ lookup theo user ID?" → Chỉ lookup → Redis đủ, không cần SQL. PM biết điều này tương đương buổi planning ngắn hơn 30 phút.

Nguồn tài liệu:

• https://hellopm.co/sql-for-product-managers-the-definitive-guide/

• https://www.thoughtspot.com/sql-tutorial

System Design

PM không cần thiết kế hệ thống. Nhưng khi engineer nói “cần thêm message queue”, PM cần hiểu ngay: tại sao, trade-off là gì, và implication với product là gì.

1. Load Balancer

Load Balancer phân tán traffic sang nhiều server. Nghe có vẻ “thêm server là scale được” nhưng thực tế bottleneck thường ở database, không phải app server. Thêm 10 app server mà DB chỉ có 1 instance → vẫn chậm.

PM cần hỏi: “Bottleneck hiện tại ở đâu, app tier hay DB tier?” Nếu DB → cần DB optimization (indexes, read replicas, sharding), không phải thêm server.

2. Cache (Redis)

Cache lưu kết quả query tốn kém vào memory để đọc nhanh hơn. Trade-off cốt lõi: tốc độ vs consistency. Data trong cache có thể stale (không cập nhật ngay).

Ví dụ: Cache kết quả “top 10 products by revenue” trong 5 phút → OK (user chấp nhận delay).
KHÔNG cache: số dư tài khoản ngân hàng, trạng thái đơn hàng đang xử lý vì data sai = sai tiền.

PM cần hỏi: “Feature này có data nào không nên cache không? TTL (time-to-live) tối đa là bao nhiêu trước khi user thấy data sai là vấn đề?”

3. Message Queue (Kafka/ SQS)

Message Queue tách producer và consumer: Service A publish event, Service B consume async. Benefit: nếu Service B fail, message vẫn nằm trong queue, không mất, retry sau.

Ví dụ product: User click “Place Order” → Order Service publish event “order.created” → Payment Service consume và charge card → Email Service consume và gửi confirmation. Nếu Email Service fail vào lúc 3am, message ở queue, retry lúc 3:05am → user vẫn nhận email.

PM cần hỏi khi spec: “Flow này có bước nào cần đảm bảo exactly-once (không được làm 2 lần) không? Payment charge là ví dụ điển hình, queue retry có thể charge 2 lần nếu không có idempotency key.”

4. Rate Limiting

Rate Limiting giới hạn số request/giây để chống abuse. Vấn đề với PM: user retry payment sau fail có thể bị throttle → UX tệ nếu không có proper error message và backoff.

PM cần hỏi: “Rate limit của payment API là bao nhiêu? User retry liên tục sau failed payment có bị block không? Error message của chúng ta có hướng dẫn user chờ không?”

5. 3-Tier Architecture

Nguồn tài liệu:

• https://bytes.usc.edu/~saty/courses/docs/data/SystemDesignInterview.pdf

• https://www.educative.io/courses/grokking-the-system-design-interview

• https://github.com/donnemartin/system-design-primer

Dev Workflow — Tại sao fix mất 3 ngày

Có một câu hỏi PM rất hay nghe từ stakeholder:

“Bug này nhìn đơn giản mà, sao fix lâu vậy?”

Nhìn từ bên ngoài, bug có thể chỉ là một button sai màu, một API trả thiếu field, hoặc một logic tính phí bị lệch vài phần trăm. Stakeholder nhìn thấy phần nổi của vấn đề nên nghĩ rằng dev chỉ cần sửa vài dòng code.

Nhưng trong software delivery, “sửa xong” không có nghĩa là “được phép đưa lên production ngay”.

Một hotfix an toàn thường phải đi qua nhiều lớp: xác định root cause, sửa code, review, test trên staging, kiểm tra regression, chuẩn bị rollback plan, rồi mới release. Nếu bug nằm trong payment, billing, order, authentication hoặc data migration, team càng không thể làm theo kiểu “sửa nhanh rồi đẩy lên luôn”.

Vì vậy, khi stakeholder hỏi “tại sao mất 3 ngày?”, PM cần giải thích được pipeline phía sau không phải để biện minh cho team, mà để bảo vệ chất lượng release và giảm risk cho user.

3 khái niệm PM hay bị hỏi về:

• Feature Flag: Ship code nhưng không activate cho user. PM dùng để “release without shipping” deploy lên production, bật dần cho 1% user, quan sát metric, rồi mở rộng. Cho phép rollback ngay lập tức mà không cần deploy lại.

• Staging Environment: Bản clone của production. “Test trên staging” = test end-to-end với data gần giống thật trước khi user thấy. PM nên biết hỏi: “Staging có data anonymized không? Có test payment với real card số không?”

• Rollback Plan: Nếu production break sau deploy → deploy lại version cũ ngay. PM nên hỏi trước mọi major release: “Rollback plan là gì? Mất bao lâu? Data có bị corrupt không nếu rollback?”

Common mistake của PM mới

Commit deadline dựa trên “estimate” mà không hỏi: “Có dependency vào team khác không?” và “Team đã làm tương tự chưa?” first-time với tech mới thường cần 2× buffer. Đây không phải dev chậm, đây là honest estimation.

Trục 2: PM Core Competencies

Nếu chỉ học technical mà thiếu PM Core, PM rất dễ trở thành người viết ticket kỹ hơn nhưng chưa chắc tạo ra product impact tốt hơn. Core competencies là thứ tạo ra product impact thật sự.

Product Execution — Ship đúng, định nghĩa “done” rõ ràng

Execution là kỹ năng cơ bản nhất của PM nhưng cũng là thứ phân biệt PM giỏi với PM kém rõ nhất. Ticket tốt là ticket mà dev đọc xong có thể bắt đầu code mà không cần hỏi lại.

Ví dụ — ticket tệ vs tốt cho cùng feature:

## User Story
As a customer, I want to receive a refund within 2 business days
so that I trust the platform to handle failed transactions fairly.

## Acceptance Criteria
- [ ] Refund triggered within 5 minutes of cancellation request
- [ ] Idempotency: calling refund twice with same transaction_id
      → returns same result, NO double refund
- [ ] AML check fail → move to COMPLIANCE_REVIEW (NOT auto-process)
- [ ] Audit log: user_id, transaction_id, amount, timestamp, triggered_by

## Edge Cases
- Network timeout after payment processor ACK but before DB update
  → must be retry-safe
- Partial refund on already-partial-refunded transaction → 422 error
- Transaction EXPIRED (>30 days) → return 422 "refund_window_expired"

## Dependencies
- Requires payment-service v2.3+ (supports REFUND_INITIATED state)
- Blocked by: KYC-service endpoint /review-queue (ETA: Sprint 24)

## Out of Scope
- Crypto transaction refunds (separate ticket)
- Email notification (tracked in NOTIF-123)

Customer Insight — Hiểu user muốn gì thật sự

User thường không nói thật về những gì họ muốn. Không phải vì họ dối mà vì họ không biết. “Tôi muốn feature X” thực ra là “Tôi đang gặp vấn đề Y và nghĩ X sẽ giải quyết được.” PM giỏi nghe vấn đề, không nghe solution request.

Jobs-to-be-Done framework — ví dụ thực tế:

“Tôi muốn app có dark mode.”
→ Đây là solution request. Job thật là gì?
Hỏi thêm: “Bạn thường dùng app lúc nào?”
“Buổi tối trước khi ngủ, trong phòng tối.”
→ Job thật: “Tôi muốn dùng app vào ban đêm mà không bị mỏi mắt.”
→ Có thể solve bằng: dark mode, auto brightness, hoặc reduce blue light.

User Interview — 5 nguyên tắc không vi phạm:

1. Hỏi về quá khứ, không phải tương lai: “Lần cuối bạn gặp vấn đề này là khi nào?” tốt hơn “Bạn có dùng feature này không?”

2. Không lead the witness: “Bạn có thấy feature A hữu ích không?” → bias. Hỏi: “Bạn thường làm gì khi cần X?”

3. Đào sâu “tại sao”: Mỗi câu trả lời hỏi “tại sao” 1-2 lần nữa. Root cause thường ở layer 3-4.

4. Ghi lại nguyên văn: Quote user’s exact words, không paraphrase. “App này confusing” và “App này hard to use” là 2 insight khác nhau.

5. Theo Nielsen Norman Group: Với usability testing cho một flow cụ thể, 5 users thường đủ để phát hiện phần lớn vấn đề usability lặp lại. Nhưng đây không phải sample size để validate market demand hay đưa ra kết luận thống kê.

Nguồn tài liệu:

• https://magnetise.pl/wp-content/uploads/2013/05/5152013_steve_portigal__interviewing_users.pdf

• https://www.nngroup.com/articles/why-you-only-need-to-test-with-5-users/

Product Strategy — Làm đúng thứ

Backlog của mọi team luôn có 3× công việc so với capacity. Strategy là về nói KHÔNG với những thứ đúng, để tập trung vào những thứ quan trọng nhất.

RICE Scoring — ví dụ thực tế:

Kết quả: Social login (6,000) > Push notification (4,000) > Dark mode (2,800) > Refund tracking (1,350). Nhưng nếu strategy là “retain existing users”, không phải “acquire new users” → Social login có thể drop xuống vì nó chủ yếu benefit người dùng mới.

Quyết định

RICE không thay thế judgment mà nó làm rõ judgment. Nếu RICE score nói A nhưng gut feeling nói B, đó không phải lý do bác bỏ data, đó là lý do để hỏi: “Assumption nào trong score của A là sai?”

Nguồn tài liệu:

• https://www.svpg.com/inspired-and-empowered/

Influencing Without Authority

PM thường không có quyền trực tiếp với engineer, designer, sales hay CS. Nhưng khi sản phẩm đi lệch hướng, PM lại là người phải kéo mọi người quay về cùng một problem, cùng một priority và cùng một decision.

Pyramid Principle — cách present với stakeholder:

Communication theo loại stakeholder:

• Engineers: Technical precision, acknowledge uncertainty sớm, respect estimates đừng ép deadline khi chưa có data.

• CEO/Business: Revenue impact, risk, timeline, skip technical details trừ khi họ hỏi.

• Designers: User empathy language, outcome focus đừng pixel-push.

• Sales/CS: Customer pain, competitive differentiation, launch date.

Trục 3: AI Literacy — Mandatory từ 2024-2025

Các JD Product Manager trong giai đoạn 2024–2026 ngày càng yêu cầu AI literacy, data fluency và khả năng làm việc với LLM-based products. Vì vậy, AI literacy không còn là “nice to have” với PM nữa. PM không hiểu LLM behavior sẽ tạo ra requirements không thể implement hoặc spec feature có hidden risk nguy hiểm.

Ý chính

AI literacy là về hiểu product implications của LLM behavior, không phải về học machine learning hay viết code AI. PM cần biết khi nào LLM phù hợp, khi nào không, và rủi ro gì đang ẩn trong feature mình đang spec.

5 câu hỏi bắt buộc khi spec AI feature:

Accuracy threshold là bao nhiêu?

“AI recommend sản phẩm” nếu accuracy 70% thì 30% recommendation là sai. User có chấp nhận được không? Cần human review cho case nào? Failure mode là gì khi model sai?

Latency tối đa là bao nhiêu?

LLM inference thường 2-15 giây. User có wait được không? Cần streaming response (text hiện dần)? Cần skeleton loading UI? Latency SLA với provider là gì?

Cost per request là bao nhiêu?

Ví dụ Claude Opus 4.7 có giá khoảng $5 / 1M input tokens và $25 / 1M output tokens. Nếu mỗi request dùng 1,500 input tokens và 500 output tokens, cost/request sẽ khác rất nhiều so với một feature chỉ dùng vài trăm tokens. PM cần biết cách estimate unit economics trước khi scale.

Fallback plan khi model fail?

LLM API có SLA 99.9% = 8.7 giờ downtime/năm. Khi provider down → feature bị kill hoàn toàn hay fallback về rule-based? User nhận error message gì?

Bias và ethics trong output?

LLM được train trên internet data có bias. AI hiring tool có thể tạo ra kết quả thiên lệch nếu training data hoặc evaluation framework không được kiểm soát tốt. AI content recommend có thể amplify extremist content. PM cần spec evaluation framework, không chỉ “build và ship”.

Nguồn tài liệu:

• https://platform.claude.com/docs/en/intro

• https://www.deeplearning.ai/courses

Lộ trình 18 tháng

Lộ trình này thiết kế cho PM đang có job full-time. Không cần học tất cả song song, prioritize theo domain job hiện tại. Người đang ở fintech → ưu tiên SQL + APIs + System Design. Người đang ở AI product → ưu tiên AI Literacy từ ngày 1.

4 Tracks chuyên sâu — Chọn 1

Theo Shreyas Doshi 10-30-50 principle: chọn 1 top-tier skill để đào sâu thật sự, build supporting skills ở mức đủ dùng. Đây là 4 tracks phổ biến nhất cho PM 2026.

Lời Kết

Cuối cùng, technical fluency không làm PM giỏi hơn vì PM biết nhiều thuật ngữ hơn. Nó làm PM giỏi hơn vì PM hiểu được constraint phía sau mỗi quyết định.

Quay lại câu chuyện “cần thêm cache để tăng performance” ở đầu bài.

Một PM thiếu technical fluency sẽ biến nó thành một ticket mơ hồ.

Một PM giỏi hơn sẽ hỏi: bottleneck thật sự nằm ở đâu, data nào được cache, TTL bao lâu, stale data có chấp nhận được không, cache invalidation xử lý thế nào, và nếu solution không phải cache thì alternative là gì.

Sự khác biệt nằm ở đó.

Không phải PM biết viết Redis code.

Mà là PM biết biến một yêu cầu mơ hồ thành một problem rõ ràng, có context, có constraint, có trade-off và có decision.

Khi PM hiểu API, database, system design, dev workflow và AI ở mức đủ dùng, cuộc trò chuyện với engineering team sẽ khác đi. Thay vì hỏi “làm cái này mất bao lâu?”, PM có thể hỏi “risk lớn nhất của approach này là gì?”, “trade-off nằm ở performance, cost hay data consistency?”, và “decision nào cần chốt trước khi team bắt đầu build?”

Đó mới là giá trị thật của technical fluency.

Không phải để PM thay engineer.

Mà để PM dẫn dắt sản phẩm tốt hơn trong một thế giới mà product, data, system và AI ngày càng dính chặt vào nhau.

Leave a comment

Resources — Tổng hợp theo mức độ ưu tiên

Sách (must-read, theo thứ tự):

1. INSPIRED + EMPOWERED — Marty Cagan — foundation của PM thinking. Đọc trước tất cả.

2. System Design Interview — Alex Xu — chapter 1-8 đủ cho PM không cần interview prep chuyên sâu.

3. Lean Analytics — Alistair Croll — data PM foundation.

4. Measure What Matters — John Doerr — OKRs in practice.

Courses có ROI thật:

• Reforge — $2,000+/năm, cao nhất cho PM đã có 2-3 năm kinh nghiệm. Curriculum: Product Strategy, Technical Foundations, Growth.

• Exponent — affordable, tốt nhất cho interview prep. System design + behavioral PM questions.

• Grokking System Design (Educative) — technical foundations, PM-friendly explanations.

• HelloPM — affordable, tập trung technical knowledge cho non-technical PM.

Newsletters (subscribe ngay):

• Lenny’s Newsletter — gold standard PM thinking. Đọc weekly.

• Shreyas Doshi trên LinkedIn/Substack — mental models sắc bén nhất trong ngành.

• Reforge Blog — advanced PM frameworks, free.

• Stratechery — Ben Thompson — product strategy + business thinking, best for senior PM.

Practice tools (hands-on):

• Postman — free, tải về, practice gọi API ngay hôm nay.

• Mode Analytics SQL Tutorial — free, có dataset thật, best SQL practice cho PM.

• Mixpanel — free tier, setup product analytics thật trên side project.

• Anthropic Console — free credits, gọi Claude API thật để hiểu LLM behavior.

“I’ve never felt more behind as a programmer.”

Điều thú vị là câu này không đến từ một người mới bước vào ngành, mà đến từ một người từng đồng sáng lập OpenAI, từng dẫn dắt AI tại Tesla, và là một trong những người giải thích AI rõ ràng nhất hiện nay.

Với mình, câu nói này phản ánh rất đúng cảm giác của nhiều người trong ngành tech hiện tại:

không phải vì chúng ta kém đi, mà vì tốc độ thay đổi của công cụ, workflow và cách xây dựng phần mềm đang tăng lên quá nhanh.

Trước đây, khi nói về AI trong software development, nhiều người thường nhìn nó như một công cụ hỗ trợ viết code nhanh hơn. Nhưng sau chia sẻ của Andrej, mình nghĩ vấn đề lớn hơn rất nhiều.

AI không chỉ đang giúp chúng ta viết code.
AI đang thay đổi cách chúng ta nghĩ về software, product, workflow, team capability, và cả vai trò của con người trong quá trình tạo ra sản phẩm.

Subscribe now

1. Software 3.0: Khi prompt và context trở thành một dạng “programming”

Andrej nhắc lại một framework rất hay:

• Software 1.0: con người viết code bằng rules rõ ràng.

• Software 2.0: con người tạo dataset, objective, architecture để train neural network.

• Software 3.0: con người dùng prompt, context, documents, images, instructions để điều khiển LLM như một “interpreter”.

Điểm này rất quan trọng.

Trong Software 1.0, nếu muốn máy làm gì, ta phải mô tả bằng code rất cụ thể.
Trong Software 3.0, ta không chỉ viết code nữa, mà thiết kế context để AI hiểu mục tiêu, môi trường, constraint và tự thực hiện một phần công việc.

Từ góc nhìn Product, đây là một sự thay đổi lớn.

Vì nếu context là “program”, thì những thứ trước đây ta xem là tài liệu phụ trợ — requirement, user story, acceptance criteria, business rule, system architecture, test case, workflow diagram — bây giờ trở thành input trực tiếp để AI thực thi công việc.

Nói cách khác:

Tài liệu không còn chỉ để con người đọc.
Tài liệu tốt sẽ trở thành “operating context” cho AI agents.

Vì vậy, trong tương lai gần, kỹ năng viết requirement rõ ràng, cấu trúc hóa knowledge base, mô tả business logic, thiết kế flow và constraint có thể còn quan trọng hơn trước.

Không phải vì AI thay thế chúng ta, mà vì AI làm cho chất lượng đầu vào trở nên quan trọng hơn nhiều.

2. Vibe Coding nâng “floor”, nhưng Agentic Engineering mới giữ được “quality bar”

Một insight rất đáng chú ý là cách Andrej phân biệt vibe coding và agentic engineering.

Theo ông, vibe coding giúp nâng “floor”. Nghĩa là nhiều người hơn có thể tạo phần mềm, prototype, side project, landing page, app nhỏ mà trước đây họ không đủ khả năng kỹ thuật để làm.

Điều này rất mạnh. Nó làm giảm rào cản gia nhập.

Nhưng trong môi trường professional software, chỉ làm ra được là chưa đủ.

Một sản phẩm thật cần:

• Security

• Maintainability

• Architecture

• Performance

• Data consistency

• Error handling

• Scalability

• Compliance

• Testability

• Long-term product thinking

Đây là lý do Andrej dùng khái niệm Agentic Engineering.

Vibe coding là “tạo ra được”.
Agentic Engineering là “tạo ra đúng, an toàn, có thể vận hành, có thể scale, và không phá quality bar”.

Mình nghĩ đây là một distinction rất quan trọng cho các team phần mềm.

Trong vài năm tới, team nào chỉ dùng AI để “generate code nhanh hơn” sẽ chỉ đạt được productivity ngắn hạn. Nhưng team nào biết thiết kế quy trình làm việc với agents — từ requirement, spec, implementation, review, testing, deployment, monitoring — mới thật sự tạo ra lợi thế.

AI không tự động biến một team yếu thành team mạnh.
Nó khuếch đại cách làm việc hiện có.

Nếu team thiếu architecture, thiếu review, thiếu test, thiếu ownership — AI có thể giúp tạo ra nhiều code hơn, nhưng cũng tạo ra nhiều rủi ro hơn.

3. AI rất mạnh, nhưng không đều: bài học về “jagged intelligence”

Một điểm mình rất thích trong chia sẻ của Andrej là khái niệm jagged intelligence.

AI hiện tại có thể rất giỏi ở một số vùng: coding, math, refactoring, reasoning trên cấu trúc rõ ràng, security analysis. Nhưng cùng lúc đó, nó vẫn có thể sai ở những câu rất đời thường hoặc những tình huống cần common sense.

Đây là điều mình nghĩ nhiều người dễ hiểu sai.

Khi thấy AI làm được một việc rất khó, ta dễ mặc định rằng nó cũng sẽ làm tốt những việc đơn giản hơn. Nhưng thực tế không hẳn như vậy.

AI không mạnh theo đường thẳng.
Nó mạnh theo từng “vùng năng lực”.

Andrej giải thích rằng AI thường tiến bộ nhanh ở các domain có verifiability cao — tức là output có thể kiểm chứng được. Ví dụ:

• Code chạy được hoặc không.

• Test pass hoặc fail.

• Bài toán đúng hoặc sai.

• Security exploit thành công hoặc không.

• Data transformation có match expected output hay không.

Những domain càng dễ verify, AI càng dễ được train, reward và cải thiện.

Nhưng những domain mơ hồ hơn — taste, judgment, product sense, business context, stakeholder expectation, UX nuance — thì AI vẫn cần con người định hướng rất nhiều.

Insight ở đây là:

Đừng hỏi “AI có làm được việc này không?”
Hãy hỏi “Việc này có thể được kiểm chứng rõ ràng đến mức nào?”

Nếu một công việc có thể chuyển thành input/output rõ ràng, có test case, có evaluation loop, có feedback signal — khả năng cao AI sẽ tiến rất nhanh ở đó.

4. Founder và Product team nên nghĩ về verifiable workflow

Từ góc nhìn xây sản phẩm, mình thấy khái niệm verifiability đặc biệt quan trọng.

Nếu muốn ứng dụng AI vào một domain, câu hỏi không nên chỉ là:

“Có dùng AI được không?”

Mà nên là:

“Làm sao biến domain này thành một workflow có thể kiểm chứng?”

Ví dụ trong software project:

• Requirement có rõ acceptance criteria không?

• Output của AI có thể test bằng unit test / integration test không?

• UI có thể so sánh với design spec không?

• Business rule có expected case và edge case không?

• Bug fix có reproduction steps không?

• Decision của AI có audit trail không?

• Review có rubric không?

Nếu không có hệ thống kiểm chứng, AI output sẽ trở thành một dạng “trông có vẻ đúng”.

Và “trông có vẻ đúng” là một trong những rủi ro lớn nhất khi dùng AI trong môi trường chuyên nghiệp.

Với founder hoặc product team, lợi thế không chỉ nằm ở việc dùng model nào.
Lợi thế nằm ở việc thiết kế được data, workflow, feedback loop và evaluation system cho domain của mình.

AI model là nền tảng.
Nhưng workflow kiểm chứng mới là nơi tạo ra moat.

5. Con người không biến mất, nhưng vai trò sẽ dịch chuyển lên tầng cao hơn

Một phần rất hay trong video là khi Andrej nói agents hiện tại giống như những “intern entities”.

Chúng nhớ tốt, làm nhanh, xử lý được nhiều chi tiết API, syntax, framework, thư viện. Nhưng chúng vẫn có thể mắc những lỗi rất kỳ lạ ở tầng thiết kế.

Ví dụ ông kể agent từng cố match Google account và Stripe account bằng email, thay vì dùng persistent user ID. Với một engineer có kinh nghiệm, đây là lỗi rất cơ bản về data modeling. Nhưng với agent, nếu spec không rõ, nó vẫn có thể chọn cách làm sai.

Điều này cho thấy con người vẫn phải giữ vai trò ở tầng:

• Problem framing

• System design

• Product judgment

• Business logic

• Data model

• Security thinking

• Taste

• Oversight

• Decision-making

Chi tiết API có thể giao dần cho AI.
Nhưng understanding thì chưa thể outsource hoàn toàn.

Đây cũng là lý do câu cuối video rất đáng nhớ:

“You can outsource your thinking, but you can’t outsource your understanding.”

Mình hiểu câu này như sau:

AI có thể giúp ta suy nghĩ nhanh hơn, viết nhanh hơn, tổng hợp nhanh hơn, generate nhiều phương án hơn. Nhưng nếu bản thân ta không hiểu vấn đề, không biết mình đang xây gì, không biết đâu là đúng, sai, tốt, xấu, thì ta cũng không thể điều phối AI hiệu quả.

Người dùng AI giỏi không phải là người prompt màu mè nhất.
Mà là người có đủ understanding để biết cần hỏi gì, kiểm tra gì, loại bỏ gì, giữ lại gì, và nâng output lên thành sản phẩm thật.

6. Tài liệu, system, và infrastructure cần trở nên agent-native

Một ý nữa rất đáng chú ý: Andrej nói hầu hết tài liệu và hạ tầng hiện nay vẫn được viết cho con người, chưa phải cho agents.

Docs hiện tại thường nói:

“Vào URL này, click chỗ này, config DNS, chọn setting này…”

Nhưng trong thế giới agent-native, câu hỏi sẽ là:

“Đoạn context nào mình cần đưa cho agent để nó tự làm việc này?”

Đây là một thay đổi rất lớn trong cách thiết kế documentation, internal tools và infrastructure.

Mình nghĩ các team phần mềm trong tương lai sẽ cần xây:

• Agent-readable documentation

• Structured knowledge base

• Clear API contracts

• Machine-readable requirement

• Testable acceptance criteria

• Workflow automation

• Permission boundary cho agents

• Audit logs cho agent actions

• Review mechanism giữa human và AI

Team nào có knowledge base lộn xộn, tài liệu rời rạc, requirement mơ hồ, process không rõ — sẽ rất khó tận dụng AI agents ở mức cao.

Ngược lại, team nào có hệ thống hóa tốt sẽ thấy AI agents trở thành multiplier rất mạnh.

7. Điều đáng học không phải chỉ là tool, mà là cách làm việc mới

Sau video này, mình nghĩ có một lỗi phổ biến mà nhiều người sẽ mắc: chạy theo tool.

Claude Code, Codex, Cursor, OpenHands, Devin-like agents, workflow automation… tất cả đều hữu ích. Nhưng tool sẽ thay đổi rất nhanh.

Thứ đáng học sâu hơn là:

• Cách chia bài toán cho AI

• Cách viết spec

• Cách thiết kế context

• Cách verify output

• Cách review AI-generated work

• Cách xây feedback loop

• Cách giữ quality bar

• Cách kết hợp human judgment và agent execution

Nói cách khác, AI không chỉ yêu cầu ta học thêm tool.
AI yêu cầu ta nâng cấp cách làm việc.

Một người làm PM/BA/Product/Engineering Manager trong thời đại này không nhất thiết phải tự code mọi thứ. Nhưng cần hiểu đủ về system, logic, data, constraint và quality để điều phối cả con người lẫn AI agents.

Kết luận

Điều mình rút ra từ chia sẻ của Andrej Karpathy là:

AI không chỉ làm phần mềm nhanh hơn.
AI đang thay đổi định nghĩa của việc “xây phần mềm”.

Từ code-centric, chúng ta đang đi sang context-centric.
Từ manual execution, chúng ta đi sang agentic workflow.
Từ “biết syntax” sang “biết thiết kế spec, system và verification”.
Từ “làm được” sang “làm đúng mà không hy sinh quality”.

Vibe coding giúp nhiều người bước vào thế giới software hơn.
Nhưng Agentic Engineering mới là năng lực giúp team chuyên nghiệp đi nhanh mà vẫn giữ được chất lượng.

Và trong một thế giới mà intelligence ngày càng rẻ, thứ còn lại tạo khác biệt có lẽ không phải là khả năng biết mọi cú pháp hay nhớ mọi API.

Mà là understanding.

Hiểu vấn đề.
Hiểu người dùng.
Hiểu hệ thống.
Hiểu trade-off.
Hiểu quality.
Hiểu điều gì đáng làm và vì sao nó đáng làm.

Vì cuối cùng, AI có thể giúp ta suy nghĩ nhanh hơn.
Nhưng nếu không có understanding, ta sẽ không biết nên hướng suy nghĩ đó đi đâu.

Key takeaways

• Tháng 12/2025 không còn chỉ là một làn sóng hype về AI nữa. Đây là thời điểm các agentic workflows thật sự vượt qua một ngưỡng quan trọng và bắt đầu trở nên đủ ổn định để ứng dụng thực tế.

• Software 3.0 đồng nghĩa với việc context window trở thành đòn bẩy quan trọng nhất. “Code” giờ đây không còn chỉ là source code, mà chính là prompt, instructions và context mà chúng ta thiết kế cho AI.

• Vibe coding giúp nâng floor — nhiều người hơn có thể tạo ra sản phẩm nhanh chóng. Nhưng agentic engineering mới là thứ nâng ceiling — xây hệ thống tốt, nhanh, mà vẫn giữ được quality bar.

• AI không thông minh đồng đều. Nó mạnh theo từng jagged intelligence. Điều quan trọng là phải hiểu đâu là phần AI làm rất tốt, và đâu là phần vẫn cần con người kiểm soát và đưa ra judgment.

• Chúng ta có thể giao cho AI phần execution, nhưng không thể outsource understanding. Điểm nghẽn lớn nhất giờ không còn là tốc độ viết code, mà là taste, judgment và khả năng nhận ra thế nào là “đủ tốt”.

• Hãy bắt đầu xây dựng system cho agents, không chỉ cho con người. Infrastructure của vài năm tới sẽ dần được thiết kế để AI có thể đọc, hiểu, điều hướng và tự vận hành hiệu quả.

References

Mọi người làm nhanh hơn thật.

Code ra nhanh hơn. Tài liệu ra nhanh hơn. Research nhanh hơn. Những task trước đây có thể mất vài tiếng, thậm chí vài ngày, bây giờ đôi khi được xử lý trong vài chục phút. Nhìn từ bên ngoài, mọi thứ có vẻ rất tích cực. Velocity tăng. Output nhiều hơn. PR nhiều hơn. Document cũng đầy đủ hơn.

Nhưng đi cùng với đó, mình bắt đầu thấy một vấn đề khác âm thầm xuất hiện.

Có những lúc output rất tốt, nhưng khi hỏi sâu hơn thì người làm lại không thật sự explain được vì sao họ chọn cách đó. Có những đoạn code nhìn rất sạch, comment đầy đủ, structure khá ổn, nhưng khi hỏi “nếu case này fail thì debug ở đâu?”, hoặc “tại sao dùng approach này thay vì cách đơn giản hơn?”, thì câu trả lời bắt đầu mơ hồ.

Lúc đầu mình nghĩ có thể do task hơi phức tạp, hoặc do bạn đó chưa chuẩn bị kỹ khi review. Nhưng sau vài lần như vậy, mình nhận ra đây không còn là chuyện của một cá nhân hay một task cụ thể nữa. Nó là một pattern mới khi chúng ta làm việc với AI.

AI đang làm chúng ta tạo ra output tốt hơn rất nhiều. Nhưng đồng thời, nó cũng có thể khiến chúng ta dễ nhầm rằng năng lực thật của mình cũng đã tốt hơn tương ứng.

Gần đây mình đọc một paper có tên The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows, và thấy nó gọi khá đúng vấn đề này: LLM Fallacy.

Subscribe now

1. LLM Fallacy là gì?

Hiểu đơn giản, LLM Fallacy là một dạng lỗi phân bổ nhận thức.

Khi bạn dùng AI để tạo ra một output tốt, não bạn nhìn thấy kết quả đó và rất dễ quy nó về năng lực của chính mình. Output tốt nên mình cảm thấy mình giỏi hơn. Task khó mà vẫn xử lý được nên mình cảm thấy mình đã lên level. Code chạy, test pass, PR được merge, nên mình cảm thấy mình hiểu vấn đề.

Nhưng thực tế có thể không phải vậy.

Một ví dụ rất đơn giản: bạn cần viết một module authentication. Trước đây, nếu tự làm, bạn phải ngồi nghĩ flow login, JWT token, refresh token, expiry, middleware, error handling, edge cases, test cases. Quá trình đó mệt hơn, chậm hơn, nhưng chính nó tạo ra năng lực.

Bạn phải vật lộn với vấn đề. Phải sai. Phải sửa. Phải debug. Và sau cùng, bạn hiểu mình đang làm gì.

Còn bây giờ, bạn mở Cursor hoặc Claude, gõ một prompt bằng tiếng Việt. Trong vài chục giây, AI generate cho bạn một module khá hoàn chỉnh. Có token logic, có refresh flow, có validate input, có error handling, có test. Bạn đọc qua, thấy hợp lý, chạy thử thấy pass, chỉnh thêm vài chỗ rồi merge.

Không có gì sai ở đây cả.

Mình cũng dùng AI như vậy mỗi ngày. Team mình cũng dùng. Và mình nghĩ trong thời điểm này, không dùng AI gần như là tự làm mình chậm hơn.

Nhưng vấn đề nằm ở một chỗ rất tinh tế: bạn không thật sự viết toàn bộ đoạn code đó. AI viết phần lớn. Bạn là người điều phối, review, chỉnh sửa và quyết định merge.

Nếu bạn hiểu rõ toàn bộ logic phía sau thì rất tốt. Nhưng nếu bạn chỉ nhìn output thấy ổn rồi tin rằng mình đã “làm được”, thì đó là lúc LLM Fallacy bắt đầu xảy ra.

2. Nó không làm bạn thấy yếu đi, mà làm bạn thấy mạnh hơn

Điểm nguy hiểm của LLM Fallacy là nó không tạo ra cảm giác bất an ngay lập tức.

Ngược lại, nó tạo ra cảm giác tự tin.

Bạn không cảm thấy mình đang bị phụ thuộc. Bạn cảm thấy mình đang mạnh hơn. Bạn thấy mình làm được nhiều hơn, đụng được vào nhiều phần phức tạp hơn, xử lý được nhiều task hơn. Những thứ trước đây mình hơi ngại đụng vào, giờ với AI bên cạnh, mình thấy có vẻ cũng không quá khó.

Đây là phần làm nó rất khó nhận ra.

Vì trong ngắn hạn, mọi tín hiệu đều có vẻ tích cực. Bạn ship nhanh hơn. Bạn trả lời nhanh hơn. Bạn xử lý nhiều việc hơn. Bạn ít bị kẹt hơn. Bạn có cảm giác mình đang trở thành một phiên bản tốt hơn của chính mình.

Nhưng cần tách hai thứ ra.

Một bên là perceived capability — năng lực bạn cảm nhận về bản thân.

Một bên là actual capability — năng lực thực sự của bạn khi phải tự hiểu, tự giải thích, tự debug, tự chịu trách nhiệm.

Khi dùng AI nhiều, perceived capability thường tăng rất nhanh. Nhưng actual capability không chắc tăng cùng tốc độ.

Actual capability chỉ tăng khi bạn thật sự hiểu. Khi bạn có thể giải thích lại bằng ngôn ngữ của mình. Khi bạn biết trade-off. Khi bạn biết edge case. Khi bạn có thể debug nếu AI không còn ở đó. Khi bạn biết phần nào trong output là đúng, phần nào có risk, phần nào chỉ nhìn có vẻ hợp lý nhưng thực ra chưa chắc phù hợp với context của hệ thống.

Khoảng cách giữa hai thứ này mới là phần nguy hiểm.

3. Một loại debt mới: understanding debt

Mình nghĩ đây sẽ là một loại “debt” mới trong các team sử dụng AI nhiều: understanding debt.

Trước đây chúng ta hay nói về technical debt. Code viết nhanh quá, design chưa tốt, sau này phải trả nợ. Nhưng bây giờ còn có một dạng nợ khác: hệ thống có code, có document, có automation, có test, nhưng không ai thật sự hiểu đầy đủ nó đang vận hành như thế nào.

Một PR 3000 dòng có thể được tạo ra rất nhanh. Nhưng nếu người submit không explain được design decision, không biết impact đến module cũ, không biết rollback thế nào nếu lỗi, thì vấn đề không chỉ nằm ở size của PR.

Vấn đề là ownership đã bị mờ đi.

Và khi ownership bị mờ, trách nhiệm cũng mờ theo.

Trước đây, khi một developer viết code, dù code có thể chưa đẹp, nhưng thường họ vẫn có một mức ownership nhất định. Họ biết mình đã nghĩ gì, đã thử gì, đã sửa gì, và tại sao cuối cùng chọn cách đó. Nhưng với AI, quá trình tạo ra output bị rút ngắn và bị ẩn đi rất nhiều.

Người review chỉ nhìn thấy PR cuối cùng. Họ không biết phần nào là người viết thật sự nghĩ ra, phần nào AI generate, phần nào được verify kỹ, phần nào chỉ được đọc lướt qua vì “trông cũng hợp lý”.

Đây là một thứ mình tạm gọi là pipeline opacity.

Pipeline tạo ra output trở nên mờ hơn. Và khi pipeline mờ hơn, việc đánh giá năng lực thật cũng khó hơn.

4. Vì sao điều này đáng lo ở cấp độ team?

Ở cấp độ cá nhân, LLM Fallacy có thể khiến bạn ảo tưởng nhẹ về năng lực của mình.

Nhưng ở cấp độ team, nó có thể trở thành rủi ro vận hành.

Một team có thể ship nhanh hơn, nhưng lại hiểu hệ thống ít hơn. Một team có thể merge nhiều PR hơn, nhưng lại có ít người thật sự nắm được logic lõi hơn. Một team có thể tạo ra nhiều document hơn, nhưng khi cần ra quyết định thì vẫn không ai chắc assumption nào là quan trọng.

Điều đáng sợ nhất không phải là AI tạo ra code sai. Code sai thì trước giờ vẫn có.

Điều đáng sợ hơn là code sai nhưng không ai biết tại sao sai. Hoặc hệ thống lỗi nhưng người từng merge phần đó cũng không biết bắt đầu debug từ đâu.

Đây là lúc AI không còn chỉ là productivity tool nữa. Nó bắt đầu ảnh hưởng đến cách team tích lũy năng lực.

Nếu mỗi task đều được AI làm phần khó nhất, còn con người chỉ làm phần prompt, skim, approve, thì team vẫn có output. Nhưng team có thể đang mất dần những vòng luyện tập quan trọng nhất: suy nghĩ từ đầu, thiết kế giải pháp, phân tích trade-off, debug, và chịu trách nhiệm với lựa chọn của mình.

Năng lực không chỉ đến từ việc nhìn thấy kết quả đúng.

Năng lực đến từ quá trình vật lộn để hiểu vì sao nó đúng.

5. Cần thay đổi cách review trong thời đại AI

Đây là lý do mình nghĩ cách review trong team cũng cần thay đổi.

Trước đây, khi review code, chúng ta thường hỏi: code này đúng không, có bug không, có clean không, có theo convention không, có test không. Những câu hỏi này vẫn cần.

Nhưng trong thời đại AI, mình nghĩ cần thêm một lớp nữa:

Người submit có thật sự hiểu không?

Không cần biến review thành một buổi kiểm tra căng thẳng. Không cần hỏi kiểu phán xét. Chỉ cần thêm một vài câu rất đơn giản:

• “Tại sao mình chọn approach này?”

• “Nếu case này fail thì debug ở đâu?”

• “Alternative đơn giản hơn là gì?”

• “Phần này có ảnh hưởng gì đến module cũ không?”

• “Nếu input là null thì flow sẽ đi như thế nào?”

• “Nếu production issue xảy ra, log nào mình sẽ check đầu tiên?”

Những câu hỏi này không nhằm làm khó developer.

Nó tạo ra một chút friction cần thiết.

Trong một môi trường mà AI làm mọi thứ quá trơn tru, một chút friction đôi khi lại là thứ giúp team không trượt vào trạng thái copy-output-and-merge.

Friction ở đây không phải để làm chậm team một cách vô nghĩa. Nó là điểm dừng để đảm bảo người ship thật sự hiểu thứ mình đang ship.

6. AI Usage Note trong PR

Một cơ chế đơn giản mình nghĩ các team có thể áp dụng là thêm một phần nhỏ vào PR template:

AI Usage

- Generated: Phần nào được AI generate?
- Reviewed: Mình đã verify những gì?
- Understood: Phần nào mình có thể explain cho người khác?

Ví dụ:

AI Usage

- Generated: Initial validation helper and some test cases were generated with Claude.
- Reviewed: Checked input validation, token expiry flow, and error responses manually.
- Understood: Can explain the refresh token flow, middleware behavior, and main failure cases.

Mục tiêu của phần này không phải để kiểm soát ai dùng AI nhiều hay ít.

Mình cũng không nghĩ team nên tạo cảm giác “dùng AI là có lỗi”. Nếu làm vậy, mọi người sẽ chỉ giấu đi cách họ dùng AI, và vấn đề còn tệ hơn.

Mục tiêu đúng hơn là làm rõ quá trình tạo ra output.

Khi phải viết ra phần nào AI generate, phần nào mình đã review, phần nào mình thật sự hiểu, người submit sẽ tự có một khoảnh khắc nhìn lại. Rất nhiều khi, chỉ cần phải articulate ra, mình mới nhận ra có phần mình chưa thật sự hiểu.

Đây là một cách rất nhẹ để giảm pipeline opacity.

7. Human-first zones: không phải phần nào cũng nên giao AI làm trước

Một nguyên tắc khác mình thấy cần thiết là xác định một số vùng quan trọng trong hệ thống là human-first zones.

Không phải module nào cũng có cùng mức rủi ro.

Với những phần như authentication, billing, permission, payment, data migration, security-critical paths, infrastructure changes, hoặc production incident fixes, mình nghĩ con người nên viết skeleton và flow chính trước.

AI vẫn có thể hỗ trợ. Nhưng vai trò nên là review, suggest, refactor, hoặc fill boilerplate sau khi con người đã có conceptual ownership.

Nói đơn giản: với những phần quan trọng, người phải nghĩ trước, AI nghĩ sau.

Điều này có thể làm task chậm hơn một chút ở thời điểm đầu. Nhưng đổi lại, team giữ được năng lực hiểu hệ thống ở những khu vực quan trọng nhất.

Vì khi production có vấn đề, AI không phải người chịu trách nhiệm.

Team mới là người chịu trách nhiệm.

8. Một câu hỏi để test team

Mình nghĩ có một câu hỏi rất mạnh để kiểm tra một team có đang bị LLM Fallacy hay không:

Nếu tất cả AI tools bị tắt ngay bây giờ và hệ thống bị lỗi production, ai trong team có thể debug được?

Nếu câu trả lời là “không ai chắc lắm”, hoặc “chắc chỉ một người”, hoặc “phải hỏi lại AI”, thì đó là một signal đáng chú ý.

Không phải vì team không được dùng AI.

Mà vì team đang thiếu actual understanding.

Một team dùng AI tốt không phải là team generate được nhiều output nhất. Một team dùng AI tốt là team vẫn có thể defend mọi thứ họ ship.

• Họ có thể giải thích.

• Họ có thể debug.

• Họ có thể rollback.

• Họ có thể đánh giá risk.

• Họ có thể nói “không” với output sai.

• Họ có thể dùng AI như leverage, chứ không biến AI thành cây nạng.

9. Vấn đề này không chỉ xảy ra với developer

Mình dùng ví dụ coding vì nó dễ thấy nhất, nhưng LLM Fallacy không chỉ xảy ra trong software development.

Một PM có thể dùng AI để viết roadmap rất đẹp, nhưng không thật sự hiểu trade-off. Một BA có thể generate user stories rất đầy đủ, nhưng không thật sự hiểu business flow. Một marketer có thể tạo campaign plan rất nhanh, nhưng không hiểu customer insight. Một writer có thể viết bài rất mượt, nhưng không có thesis riêng. Một researcher có thể tổng hợp paper rất nhanh, nhưng không phân biệt được đâu là insight thật và đâu là hallucination.

AI giúp chúng ta tạo ra sản phẩm của tư duy.

Nhưng nếu không cẩn thận, nó cũng có thể làm chúng ta bỏ qua chính quá trình tư duy.

Và trong dài hạn, quá trình đó mới là thứ tạo ra năng lực.

10. Mình không nghĩ giải pháp là dùng AI ít hơn

Một phản ứng khá dễ gặp khi nói về chủ đề này là: vậy có nên hạn chế dùng AI không?

Mình nghĩ câu trả lời không đơn giản như vậy.

Vấn đề không phải là dùng AI nhiều hay ít. Vấn đề là dùng AI theo cách nào.

Có người dùng AI rất nhiều nhưng năng lực vẫn tăng rất nhanh, vì họ dùng AI để học, phản biện, kiểm tra, mở rộng suy nghĩ. Họ hỏi AI để hiểu sâu hơn, chứ không chỉ để lấy output. Họ dùng AI như một người reviewer, một sparring partner, một công cụ để tăng tốc quá trình học.

Nhưng cũng có người dùng AI rất nhiều mà năng lực ngày càng rỗng, vì họ dùng AI để né suy nghĩ. Gặp việc khó thì prompt. Gặp phần chưa hiểu thì paste vào hỏi. Gặp bug thì nhờ AI đoán. Gặp document thì bảo AI viết. Sau một thời gian, họ có rất nhiều output nhưng rất ít ownership.

Cùng một công cụ, nhưng tạo ra hai kết quả rất khác nhau.

Khác biệt nằm ở việc bạn có giữ lại ownership hay không.

Nếu AI giúp bạn đi nhanh hơn nhưng bạn vẫn hiểu đường đi, đó là tốt.

Nếu AI kéo bạn đi còn bạn không biết mình đang ở đâu, đó mới là vấn đề.

Lời Kết

LLM Fallacy không phải là vấn đề của việc dùng AI.

Nó là vấn đề của việc dùng AI mà không có cơ chế để verify actual understanding.

Điều nguy hiểm nhất không phải là AI viết sai một đoạn code. Điều nguy hiểm hơn là code sai nhưng không ai biết vì sao sai. Hệ thống lỗi nhưng không ai biết debug từ đâu. PR được merge nhưng author không thật sự hiểu logic. Team ship nhanh hơn nhưng năng lực thật không tăng. Mọi người đều cảm thấy mình hiểu codebase, cho đến khi production incident xảy ra.

AI đang làm output trở nên rẻ hơn rất nhiều.

Nhưng understanding thì không tự động rẻ đi theo.

Muốn hiểu, vẫn phải đọc.
Vẫn phải hỏi.
Vẫn phải debug.
Vẫn phải explain.
Vẫn phải chịu trách nhiệm.
Vẫn phải có những khoảnh khắc vật lộn thật sự với vấn đề.

Một team dùng AI tốt không phải là team generate được nhiều output nhất.

Mà là team có thể nói:

“Dù AI có available hay không, chúng tôi vẫn hiểu thứ mình đang ship.”

Đó mới là năng lực thật.

Và có lẽ trong thời đại AI, năng lực quan trọng nhất không còn là tạo ra output nhanh hơn người khác.

Mà là biết chính xác phần nào trong output đó mình thật sự hiểu, phần nào mình chỉ đang mượn từ AI, và phần nào mình cần học lại trước khi dám ship.

Paper gốc cho bạn nào muốn đọc chi tiết: https://arxiv.org/pdf/2604.14807

Leave a comment

Block — công ty của Jack Dorsey — cắt gần 4.000 người, tức gần một nửa lực lượng lao động. Salesforce thay hàng nghìn nhân viên chăm sóc khách hàng bằng AI tự động. Nhiều nghiên cứu ước tính phần lớn công việc hiện nay có ít nhất một phần có thể bị AI tác động.

Câu hỏi nghe rất đơn giản:

Nếu tất cả mọi người đều mất việc, thì ai còn tiền để mua sản phẩm của các công ty?

Các CEO, các hội đồng quản trị và các công ty tư vấn chiến lược cũng thừa biết điều này.

Họ biết câu hỏi này.

Vậy tại sao làn sóng sa thải vẫn tiếp diễn?

Câu trả lời không đơn giản là “họ tham lam” hay “họ không quan tâm”. Một nghiên cứu kinh tế học mới — The AI Layoff Trap của Falk & Tsoukalas, UPenn & Boston University, tháng 3/2026 — đưa ra một cách nhìn sâu hơn:

Vấn đề không nằm ở đạo đức cá nhân. Vấn đề nằm ở cấu trúc thị trường.

Nhưng trước khi đi vào lý thuyết, hãy nhìn vào dữ liệu thực tế của Q1/2026. Vì dữ liệu này cho thấy câu chuyện còn phức tạp hơn: không chỉ có sa thải vì AI, mà còn có rất nhiều AI washing — tức là dùng AI như một cái cớ để hợp lý hóa những đợt cắt giảm nhân sự vốn có lý do khác.

Subscribe now

1. Thực địa 2026: con số không như headline

Có hai hệ thống theo dõi layoffs đang được báo chí trích dẫn lẫn lộn. Nếu không phân biệt rõ, ta rất dễ hiểu sai tình hình.

Challenger, Gray & Christmas

Đây là nguồn chính thức hơn, tập trung vào thị trường Mỹ và dựa trên các thông báo sa thải.

Theo Challenger:

• Tổng số cắt giảm ở tất cả ngành trong Q1 2026: 217.362 Đây là mức thấp nhất kể từ Q1 2022, giảm mạnh so với 2024–2025.

• Ngành tech Q1 2026: 52.050 jobs, tăng 40% so với cùng kỳ năm trước.

• Tháng 3/2026: 60.620 cuts trên toàn bộ nền kinh tế Mỹ. Con số này tăng 25% so với tháng 2, nhưng giảm 78% so với tháng 3/2025.

• AI được trích dẫn là lý do của 15.341 cuts trong tháng 3, tương đương khoảng 25% tổng số cuts tháng đó. Đây là lần đầu tiên AI trở thành lý do đứng đầu trong báo cáo Challenger.

• Trong ngành tech, AI chiếm khoảng 23% layoffs Q1 theo Challenger.

Nguồn: Challenger March 2026 Report, eWeek, CFO Dive

Layoffs.fyi

Đây là tracker crowdsourced, phạm vi toàn cầu, phương pháp rộng hơn.

Theo các nguồn dựa trên Layoffs.fyi:

• Q1 2026 có khoảng 78.000–95.000 tech workers bị ảnh hưởng trên toàn cầu.

• Khoảng 47–50% được cho là liên quan đến AI.

Nguồn: Tom’s Hardware, Vucense

Hai nguồn này không mâu thuẫn hoàn toàn. Chúng đo những thứ khác nhau: một bên là thông báo chính thức tại Mỹ, một bên là tracker toàn cầu, rộng hơn và phụ thuộc vào dữ liệu cộng đồng.

Điểm quan trọng nhất là:

Q1 2026 không phải là làn sóng sa thải lớn nhất về volume. Điều đang thay đổi là AI ngày càng được dùng nhiều hơn như lý do chính thức.

Nói cách khác, vấn đề không chỉ là “AI đang làm mất bao nhiêu việc”. Vấn đề còn là:

AI đang trở thành câu chuyện đẹp nhất để các công ty kể khi họ muốn sa thải người lao động.

2. Những công ty cụ thể

Một số case lớn trong năm 2026:

• Block: cắt khoảng 4.000 người, từ 10.205 xuống còn khoảng 6.200 nhân sự. Jack Dorsey liên hệ quyết định này với AI.
  Nguồn: CNBC

• Atlassian: cắt 1.600 người, khoảng 10% workforce, với lý do chuyển dịch sang AI.
  Nguồn: Bloomberg

• Oracle: cắt tới 30.000 người toàn cầu, trong đó khoảng 12.000 ở Ấn Độ, trong bối cảnh công ty dồn lực cho hạ tầng AI trị giá hàng trăm tỷ USD.
  Nguồn: CNBC, The Next Web

• Amazon: cắt 16.000 corporate jobs vào tháng 1/2026. Ban đầu AI được nhắc đến như một phần của bối cảnh, nhưng sau đó CEO Andy Jassy giải thích lại rằng nguyên nhân chính là văn hóa tổ chức và bộ máy phình to sau giai đoạn tăng trưởng quá nhanh.
  Nguồn: CNBC, ABC News

Đến đây, câu chuyện nghe khá quen thuộc: công ty cắt người, nói rằng AI làm được việc, nhà đầu tư vỗ tay.

Nhưng có một dữ kiện làm câu chuyện phức tạp hơn nhiều.

Một khảo sát với 1.000 hiring manager Mỹ của ResumeBuilder.org, tháng 3/2026, cho thấy 59% thừa nhận họ nhấn mạnh vai trò của AI khi thông báo layoffs vì điều đó “nghe hay hơn” với investors và board.

Chỉ 9% nói rằng AI thật sự thay thế hoàn toàn các vai trò đó.

Nguồn: Techmeme, Metaintro

Sam Altman cũng từng nói thẳng rằng các công ty đang AI-wash những đợt sa thải của họ.

Vậy điều gì là thật? Điều gì là nói dối? Và tại sao cả hai lại cùng tồn tại?

Để hiểu, ta cần đi xuống tầng cấu trúc.

3. Không phải lòng tham mà là bẫy cấu trúc

Hãy tưởng tượng một ngành có 7 công ty cạnh tranh với nhau.

Mỗi công ty đang đứng trước cùng một quyết định: Có nên thay một phần nhân viên bằng AI không?

Nếu một công ty tự động hóa, họ nhận được toàn bộ lợi ích trực tiếp:

• Chi phí nhân sự giảm.

• Biên lợi nhuận tăng.

• Nhà đầu tư thấy công ty hiệu quả hơn.

• Ban lãnh đạo có thể nói họ đang thích nghi với kỷ nguyên AI.

Nhưng có một hậu quả khác: những nhân viên bị mất việc sẽ giảm chi tiêu.

Vấn đề là phần giảm chi tiêu này không chỉ ảnh hưởng đến công ty đã sa thải họ. Nó ảnh hưởng đến toàn bộ ngành.

Nếu thị trường có 7 công ty, thì công ty sa thải người chỉ phải chịu khoảng 1/7 thiệt hại cầu tiêu dùng do chính quyết định của mình tạo ra.

Phần còn lại — 6/7 — rơi vào các đối thủ.

Đây là điểm cốt lõi.

Lợi ích của tự động hóa được giữ lại bởi công ty. Chi phí xã hội của tự động hóa bị phân tán ra toàn thị trường.

Vì vậy, từ góc nhìn của từng công ty riêng lẻ, tự động hóa là lựa chọn hợp lý.

Nhưng khi tất cả cùng làm, tổng cầu tiêu dùng bị suy yếu. Người lao động mất thu nhập. Thị trường thu hẹp. Và cuối cùng, chính các công ty cũng bị ảnh hưởng.

Đây không phải là chuyện “không ai nghĩ dài hạn”.

Đây là một tình huống trong đó:

Hành động hợp lý ở cấp độ cá nhân tạo ra kết quả tệ ở cấp độ tập thể.

4. Prisoner’s Dilemma ở quy mô toàn ngành

Bẫy này giống một phiên bản kinh tế của Prisoner’s Dilemma.

Trong Prisoner’s Dilemma, hai người bị bắt có thể im lặng hoặc phản bội nhau. Nếu cả hai im lặng, cả hai cùng có kết quả tốt. Nhưng mỗi người lại có động lực phản bội trước, vì nếu mình không phản bội mà người kia phản bội, mình sẽ thua nặng.

Bẫy sa thải AI hoạt động tương tự:

• Nếu công ty A tự động hóa còn B không tự động hóa, A thắng lớn về chi phí.

• Nếu B tự động hóa còn A không, B thắng.

• Nếu cả hai cùng tự động hóa, cả hai tiết kiệm chi phí, nhưng thị trường chung bị suy yếu.

• Nếu không ai tự động hóa, kết quả tập thể tốt hơn, nhưng không ai có thể tin rằng đối thủ sẽ giữ lời.

Điểm nguy hiểm nhất là:

Tự động hóa là chiến lược tốt nhất cho từng công ty, bất kể đối thủ làm gì.

Nếu đối thủ chưa tự động hóa, bạn tự động hóa để vượt lên.

Nếu đối thủ đã tự động hóa, bạn cũng phải tự động hóa để không bị bỏ lại.

Vì vậy, mọi lời kêu gọi kiểu “hãy kiềm chế vì lợi ích chung” đều rất yếu. Không có cơ chế thực thi, công ty giữ lời trước sẽ là công ty thua trước.

5. Cạnh tranh càng cao, bẫy càng sâu

Đây là phần phản trực giác nhất.

Thông thường, chúng ta nghĩ cạnh tranh tốt cho xã hội. Cạnh tranh làm giá giảm, làm sản phẩm tốt hơn, làm công ty phải hiệu quả hơn.

Nhưng trong mô hình này, cạnh tranh càng cao thì bẫy càng nặng.

Lý do rất đơn giản.

Nếu ngành có 100 công ty, mỗi công ty chỉ gánh khoảng 1/100 phần thiệt hại cầu tiêu dùng do quyết định sa thải của mình gây ra.

99/100 phần còn lại rơi vào thị trường chung.

Mỗi công ty nghĩ:

“Tác động của mình quá nhỏ. Nếu mình không tự động hóa, người khác cũng sẽ làm.”

Và rồi tất cả cùng làm.

Kết quả nghịch lý là:

Một công ty độc quyền, về mặt lý thuyết, có thể tự động hóa ít hơn một ngành cạnh tranh hoàn hảo.

Vì công ty độc quyền phải gánh toàn bộ thiệt hại cầu tiêu dùng do chính nó tạo ra. Nó không thể đẩy phần lớn hậu quả sang đối thủ, vì không có đối thủ.

Trong ngành cạnh tranh cao, mỗi công ty có thể externalize phần lớn hậu quả.

Đó là lý do bẫy trở nên sâu hơn.

6. Những giải pháp nghe hợp lý nhưng không chạm đúng gốc rễ

Khi nghe vấn đề này, ta thường nghĩ đến vài giải pháp quen thuộc: UBI, thuế lợi nhuận, cổ phần cho nhân viên, công đoàn, hoặc để thị trường tự điều chỉnh.

Nghiên cứu của Falk & Tsoukalas phân tích từng hướng. Kết luận khá lạnh lùng: nhiều giải pháp nghe hợp lý nhưng không giải quyết đúng điểm nghẽn.

UBI: giúp người dân, nhưng không đổi động lực doanh nghiệp

Lập luận của UBI là: nếu người mất việc vẫn có thu nhập cơ bản, cầu tiêu dùng sẽ không sụp.

Điều này đúng một phần.

UBI có thể giúp người dân sống sót tốt hơn. Nhưng nó không thay đổi cách doanh nghiệp ra quyết định.

Với từng công ty, việc thay nhân viên bằng AI vẫn giúp tiết kiệm chi phí. Lợi ích trực tiếp vẫn giữ nguyên.

Thậm chí, nếu UBI làm thị trường tiêu dùng ổn định hơn, nó có thể thu hút thêm doanh nghiệp tham gia, làm cạnh tranh tăng lên — và như đã phân tích, cạnh tranh cao có thể khiến bẫy tự động hóa sâu hơn.

Đánh thuế thu nhập vốn: giảm lợi nhuận, nhưng không đổi lựa chọn

Một ý tưởng khác là đánh thuế mạnh hơn vào lợi nhuận của chủ doanh nghiệp hoặc thu nhập từ vốn.

Vấn đề là nếu thuế đánh đồng đều lên lợi nhuận, nó không thay đổi so sánh giữa hai lựa chọn:

• Tự động hóa

• Không tự động hóa

Công ty vẫn tốt hơn khi tự động hóa. Chỉ là lợi nhuận sau thuế thấp hơn.

Chia sẻ cổ phần với nhân viên: tốt nhưng không đủ

Nếu nhân viên sở hữu cổ phần, họ có thể hưởng lợi từ tự động hóa. Điều này giúp giảm xung đột giữa lao động và vốn.

Nhưng để giải pháp này đủ mạnh, nhân viên phải sở hữu lượng cổ phần rất lớn — đủ để phần lợi ích từ cổ phần bù được phần thu nhập lao động mất đi.

Điều này thường không thực tế.

Và nếu việc chia sẻ cổ phần là tự nguyện, không công ty nào muốn làm trước nếu điều đó khiến họ yếu hơn đối thủ.

Công đoàn: giải quyết được xung đột nội bộ, không giải quyết được xung đột thị trường

Công đoàn có thể giúp nhân viên thương lượng tốt hơn với công ty.

Nhưng bẫy sa thải AI không chỉ nằm trong từng công ty. Nó nằm giữa các công ty cạnh tranh với nhau trên thị trường sản phẩm.

Một công đoàn có thể buộc công ty A hạn chế tự động hóa. Nhưng nếu công ty B, C, D không làm vậy, công ty A sẽ chịu bất lợi cạnh tranh.

Vấn đề không chỉ là quan hệ lao động. Vấn đề là coordination failure ở cấp độ ngành.

“Thị trường sẽ tự điều chỉnh”: đúng, nhưng theo cách rất đau

Một phản biện phổ biến là:

Khi đủ nhiều người mất việc, lương sẽ giảm. Khi lương giảm đủ thấp, tự động hóa sẽ bớt hấp dẫn. Thị trường sẽ tự cân bằng.

Điều này có thể đúng về mặt cơ học.

Nhưng cân bằng mới đạt được bằng cách làm người lao động nghèo đi đến mức chi phí thuê người gần bằng chi phí dùng AI.

Đây không phải là phục hồi lành mạnh. Đây là một dạng “giải pháp” kiểu Pyrrhic victory — thắng bằng cách tự phá hủy phần lớn giá trị xã hội.

7. Giải pháp chạm đúng gốc rễ: Pigouvian tax trên tự động hóa

Mỗi thất bại thị trường cần một công cụ đánh đúng vào điểm thất bại.

Ở đây, điểm thất bại là:

Doanh nghiệp không gánh đủ chi phí xã hội do quyết định tự động hóa của mình tạo ra.

Vì vậy, nghiên cứu đề xuất một loại Pigouvian tax trên tự động hóa.

Nói đơn giản: nếu một công ty thay người bằng AI và gây ra thiệt hại cầu tiêu dùng cho xã hội, công ty cần trả một khoản thuế tương ứng với phần thiệt hại mà họ chưa tự gánh.

Điểm khác biệt của loại thuế này:

• Nó không đánh chung vào lợi nhuận.

• Nó không đánh chung vào công nghệ.

• Nó đánh vào từng quyết định thay lao động bằng AI.

• Mức thuế có thể ước tính dựa trên dữ liệu ngành: mức lương trung bình, tỷ lệ chi tiêu của người lao động, khả năng tái hòa nhập việc làm, và mức độ ảnh hưởng đến cầu tiêu dùng.

Doanh thu từ thuế có thể dùng để tài trợ retraining, hỗ trợ chuyển đổi việc làm, hoặc các chính sách giúp người bị ảnh hưởng quay lại thị trường lao động nhanh hơn.

Nếu retraining hiệu quả, người mất việc tìm được công việc mới nhanh hơn. Khi đó thiệt hại cầu tiêu dùng giảm. Và nếu thiệt hại giảm, mức thuế cần thiết cũng giảm.

Đây là điểm đẹp của cơ chế này:

Một chính sách tốt có thể tự làm cho chính nó bớt cần thiết theo thời gian.

8. AI tốt hơn không giải quyết vấn đề — nó có thể làm vấn đề tệ hơn

Có một trực giác phổ biến: nếu AI tốt hơn, năng suất tăng, sản phẩm rẻ hơn, xã hội cuối cùng sẽ giàu hơn.

Điều đó có thể đúng về dài hạn. Nhưng trong framework của bài này, AI càng tốt lại càng làm bẫy trở nên nguy hiểm hơn trong ngắn và trung hạn.

Khi AI mạnh hơn, mỗi công ty càng có động lực tự động hóa để giành lợi thế.

Nhưng khi tất cả đều tự động hóa, lợi thế cạnh tranh tương đối biến mất. Không ai còn đặc biệt hơn ai.

Thứ còn lại là phần mất mát chung: thu nhập lao động giảm, cầu tiêu dùng suy yếu, thị trường bị xáo trộn.

Nó giống một cuộc chạy đua vũ trang.

Mỗi bên mua thêm vũ khí để không thua. Nhưng khi tất cả đều mua, vị thế tương đối không thay đổi. Chỉ có chi phí và rủi ro tăng lên.

9. Giới hạn của nghiên cứu

Các tác giả cũng thừa nhận mô hình của họ đơn giản hóa thực tế.

Thứ nhất, mô hình chủ yếu xét một ngành và một giai đoạn. Trong đời thực, nếu nhiều ngành cùng tự động hóa, hiệu ứng cầu tiêu dùng có thể lan dây chuyền và còn phức tạp hơn.

Thứ hai, mô hình giả định các công ty tương đối giống nhau. Thực tế, các công ty khác nhau rất nhiều về quy mô, năng lực AI, khả năng tiếp cận vốn, và mức độ phụ thuộc vào lao động.

Thứ ba, hiện chưa có đủ dữ liệu thực nghiệm mạnh để kết luận là bẫy này đã vận hành ở quy mô vĩ mô. Làn sóng AI layoffs hiện tại còn mới, và tín hiệu kinh tế lớn thường cần thời gian để xuất hiện.

Một cách để kiểm tra lý thuyết này trong thực tế là quan sát:

Các công ty sa thải hàng loạt vì AI có thật sự tăng lợi nhuận bền vững không?

Nếu chi phí nhân sự giảm nhưng lợi nhuận không tăng tương ứng, hoặc doanh thu suy yếu vì cầu tiêu dùng giảm, đó có thể là dấu hiệu bẫy đang hoạt động.

10. Bẫy thật sự là gì?

Câu trả lời cho câu hỏi ban đầu là:

Các công ty biết tự động hóa hàng loạt có thể làm hại thị trường chung, nhưng họ vẫn làm vì nếu không làm, họ sẽ thua đối thủ.

Đây không phải chủ yếu là vấn đề đạo đức.

Không phải vì CEO không hiểu.

Không phải vì công ty không biết nghĩ dài hạn.

Đây là vấn đề cấu trúc:

Khi lợi ích của một hành động tập trung vào người thực hiện, còn hậu quả bị phân tán ra toàn xã hội, thị trường tự do có thể tạo ra kết quả tệ dù từng người đều hành động hợp lý.

Điều này từng xảy ra với ô nhiễm môi trường.

Với khai thác tài nguyên.

Với khủng hoảng tài chính.

Bây giờ, nó có thể đang xảy ra với lao động và AI.

11. Lớp thứ hai: AI washing

Nhưng dữ liệu 2026 cho thấy một lớp khác.

Không phải mọi đợt sa thải được gắn nhãn “AI” đều thật sự do AI.

AI washing là khi công ty dùng AI như lý do để giải thích layoffs, dù AI chưa thật sự thay thế các vai trò đó, hoặc chỉ đóng vai trò rất nhỏ.

Khái niệm này tương tự “greenwashing”. Thay vì tuyên bố mình thân thiện với môi trường để làm đẹp hình ảnh, công ty tuyên bố mình đang tái cấu trúc vì AI để nghe có vẻ hiện đại, chiến lược và không thể tránh khỏi.

Tại sao AI washing hiệu quả?

Vì AI là một trong những lý do “ít tệ nhất” mà công ty có thể dùng lúc này.

• Đổ lỗi cho kết quả kinh doanh kém → cổ phiếu có thể giảm.

• Đổ lỗi cho quản trị yếu → lãnh đạo mất uy tín.

• Đổ lỗi cho thuế quan hoặc chính sách → dễ gây phản ứng chính trị.

• Đổ lỗi cho AI → nghe như công ty đang đi trước thời đại.

AI biến một quyết định cắt giảm nhân sự thành một câu chuyện chiến lược.

Thay vì nói:

“Chúng tôi tuyển quá nhiều, vận hành kém, hoặc cần bảo vệ margin.”

Công ty có thể nói:

“Chúng tôi đang tái cấu trúc để thích nghi với kỷ nguyên AI.”

Câu thứ hai nghe hay hơn nhiều.

12. AI washing cũng là Prisoner’s Dilemma

Điều thú vị là AI washing cũng vận hành theo cùng logic với bẫy sa thải AI.

Khi một công ty AI-wash layoffs, họ nhận được lợi ích trực tiếp:

• Nhà đầu tư thấy công ty “AI-native”.

• Board thấy lãnh đạo quyết đoán.

• Trách nhiệm quản trị được làm mờ.

• Truyền thông dễ kể câu chuyện hơn.

Nhưng thiệt hại rơi vào xã hội:

• Dữ liệu chính sách bị méo.

• Người lao động hoang mang.

• Các nhà hoạch định chính sách khó biết AI đang thật sự thay thế bao nhiêu việc.

• Tín hiệu retraining bị nhiễu.

• Xã hội có thể phản ứng quá mức hoặc sai hướng.

Mỗi công ty chỉ gánh một phần rất nhỏ thiệt hại narrative đó.

Phần còn lại rơi vào thị trường lao động, nhà nước, người lao động, và công chúng.

Vì vậy:

AI washing cũng là Prisoner’s Dilemma, nhưng ở cấp độ thông tin.

Nếu chỉ một công ty làm, họ có thể bị chỉ trích.

Nhưng nếu nhiều công ty cùng làm, narrative trở nên bình thường hóa. Mỗi công ty sau đó lại càng dễ dùng cùng ngôn ngữ: “AI transformation”, “efficiency”, “agentic workflows”, “future-ready organization”.

Khi đủ nhiều người nói cùng một câu chuyện, câu chuyện đó bắt đầu giống sự thật.

13. Ai thật sự bị ảnh hưởng?

Nếu bóc tách lớp AI washing, tác động thực sự của AI lên việc làm có thể nhỏ hơn headline. Nhưng nó không phân bổ đều.

Một số nhóm bị ảnh hưởng sớm và nặng hơn.

Goldman Sachs đưa ra hai con số cần phân biệt:

• Ở mức AI hiện tại, khoảng 2,5% tổng việc làm ở Mỹ đối mặt rủi ro thay thế.

• Nếu AI được triển khai rộng rãi hơn, 6–7% workforce có thể bị ảnh hưởng.

Nguồn: Goldman Sachs

Một nguồn khác trích Goldman Sachs cho rằng AI đang loại bỏ ròng khoảng 16.000 jobs/tháng ở Mỹ.

Nguồn: Fortune

Nhưng điểm quan trọng không chỉ là tổng số. Điểm quan trọng là ai bị ảnh hưởng.

Người trẻ

Nghiên cứu của Anthropic, tháng 3/2026, đưa ra một kết quả rất đáng chú ý:

• Tỷ lệ thất nghiệp của người trẻ trong các ngành AI-exposed không tăng mạnh.

• Nhưng tốc độ được tuyển mới giảm khoảng 14% so với 2022.

Nói cách khác, vấn đề không chỉ là người trẻ bị sa thải. Vấn đề là họ khó bước vào thị trường lao động hơn.

Nguồn: Anthropic — Labor market impacts of AI

Đây là một dạng tổn thương âm thầm hơn layoffs.

Nếu một người bị sa thải, ta thấy dữ liệu ngay.

Nhưng nếu một người trẻ không bao giờ được tuyển vào vị trí entry-level đầu tiên, thiệt hại đó khó đo hơn rất nhiều.

Customer service

Customer service là một trong những nhóm bị AI tác động sớm nhất. Lý do dễ hiểu: công việc có nhiều phần lặp lại, nhiều quy trình, nhiều đoạn hội thoại có thể chuẩn hóa.

AI chatbot, voice agent, automated support workflow có thể thay một phần lớn khối lượng công việc cấp thấp.

Nhưng câu hỏi còn lại là: chất lượng dịch vụ có giữ được không?

Và đây là điểm thị trường cần thêm thời gian để trả lời.

Entry-level coding

Anthropic cho rằng computer programmers nằm trong nhóm nghề AI-exposed cao nhất, với tỷ lệ task có thể bị AI chạm tới rất lớn.

Điều này không có nghĩa toàn bộ developer sẽ biến mất.

Nhưng nó có nghĩa phần việc entry-level — viết đoạn code đơn giản, sửa bug nhỏ, tạo boilerplate, viết test cơ bản — đang bị AI làm tốt hơn rất nhanh.

Vấn đề là: nếu junior không còn cơ hội làm những việc junior, họ sẽ học nghề bằng cách nào để trở thành senior?

Đây có thể là một trong những “pipeline risks” lớn nhất của ngành tech.

Middle management

Một nhóm khác ít được nói đến hơn là middle management.

AI agents có thể tổng hợp báo cáo, theo dõi tiến độ, viết update, phân tích dữ liệu, tạo dashboard, nhắc việc, và kết nối thông tin giữa các team.

Những vai trò trung gian, điều phối, tổng hợp và chuyển tải thông tin có thể bị ép lại.

Tác động này chưa có con số rõ ràng, nhưng về mặt logic vận hành doanh nghiệp, nó rất đáng theo dõi.

14. Ấn Độ: mặt trận rất lớn của AI disruption

Ấn Độ là một case đặc biệt quan trọng.

Ngành IT-BPM của Ấn Độ có quy mô rất lớn, đóng góp khoảng 7–8% GDP. Nếu AI làm thay đổi cấu trúc outsourcing, tác động sẽ không chỉ nằm trong ngành tech.

Nó có thể lan sang:

• Bất động sản văn phòng.

• Tiêu dùng đô thị.

• Giá thuê nhà.

• Giáo dục nghề nghiệp.

• Tầng lớp trung lưu mới nổi.

• Dịch vụ phụ trợ quanh các trung tâm công nghệ.

Một số nguồn dẫn ước tính khoảng 2 triệu việc làm IT tại Ấn Độ có thể bị ảnh hưởng đến năm 2031.

Nguồn: Business Standard, Reuters via MarketScreener

Điều này cho thấy AI layoffs không chỉ là câu chuyện của Silicon Valley.

Nó là câu chuyện của toàn bộ chuỗi giá trị lao động tri thức toàn cầu.

15. Sa thải vì AI làm được việc — hay sa thải để lấy tiền đầu tư AI?

Harvard Business Review nhấn mạnh một phân biệt rất quan trọng:

Một số công ty sa thải vì AI đã thật sự làm được phần việc đó. Nhưng nhiều công ty sa thải để lấy tiền fund AI.

Hai chuyện này rất khác nhau.

Nếu một công ty cắt customer support vì AI chatbot đã xử lý được phần lớn ticket, đó là “AI substitution”.

Nhưng nếu một công ty cắt một bộ phận không liên quan để dồn ngân sách vào data center, model, GPU, hoặc AI researcher, thì những người đó không bị thay thế bởi AI.

Họ bị hy sinh để trả tiền cho AI.

Nguồn: Harvard Business Review

Đây là khác biệt quan trọng về mặt chính sách.

Vì nếu nhầm lẫn hai hiện tượng này, ta sẽ đánh giá sai tác động thật của AI lên lao động.

16. Phản biện 1: “Tự động hóa làm hàng hóa rẻ hơn, vậy người tiêu dùng vẫn sống được”

Đây là phản biện cổ điển của trường phái lạc quan công nghệ.

Lập luận như sau:

Công nghệ làm năng suất tăng. Năng suất tăng làm giá hàng hóa giảm. Khi hàng hóa rẻ hơn, người tiêu dùng cần ít tiền hơn để sống. Vì vậy dù lương giảm, mức sống vẫn có thể được duy trì.

Lịch sử có nhiều ví dụ ủng hộ lập luận này.

Trước năm 1900, khoảng 40% lao động Mỹ làm nông. Thực phẩm chiếm phần rất lớn trong chi tiêu gia đình. Máy kéo, máy gặt, phân bón công nghiệp và cơ giới hóa nông nghiệp làm năng suất tăng mạnh. Lao động nông nghiệp giảm xuống dưới 2%, nhưng xã hội không sụp đổ. Thực phẩm rẻ hơn, lao động chuyển sang ngành khác.

Tương tự với dệt may. Máy móc làm vải rẻ hơn rất nhiều.

Vấn đề là lập luận này cần ít nhất hai điều kiện.

Điều kiện 1: Lao động phải chiếm tỷ trọng lớn trong giá thành

Trong manufacturing, điều này thường đúng.

Nhưng trong nhiều ngành dịch vụ, chi phí lao động không phải yếu tố duy nhất hoặc lớn nhất.

Một quán phở không thể giảm giá mạnh chỉ vì có máy đảo cơm hay phần mềm order tự động. Giá bán còn phụ thuộc vào mặt bằng, nguyên liệu, logistics, thương hiệu, thuế, và kỳ vọng lợi nhuận.

Một phòng khám không thể tự động hóa vài bước rồi làm chi phí y tế giảm ngay lập tức.

Một công ty SaaS có thể dùng AI để giảm support cost, nhưng họ không nhất thiết giảm giá subscription cho khách hàng.

Điều kiện 2: Tư liệu sản xuất không bị độc quyền

Đây là điểm sâu hơn.

Trong các cuộc cách mạng công nghiệp trước, tư liệu sản xuất như đất đai, máy kéo, nhà máy, máy dệt… tuy có tập trung nhưng vẫn phân tán hơn tương đối.

Với AI, tư liệu sản xuất cốt lõi có thể là:

• Foundation models.

• GPU clusters.

• Cloud infrastructure.

• Proprietary data.

• Distribution platforms.

• Agent ecosystems.

Những thứ này đang tập trung vào một số ít công ty rất lớn: OpenAI, Google, Anthropic, Meta, Microsoft, Amazon, Nvidia và một vài hyperscaler khác.

Nếu AI infrastructure bị kiểm soát bởi một nhóm nhỏ, phần “hàng hóa rẻ hơn” không nhất thiết được chuyển hết cho người tiêu dùng.

Giá giảm bao nhiêu là do cấu trúc cạnh tranh quyết định.

Vì vậy, lập luận “AI làm hàng hóa rẻ hơn” có thể đúng một phần, nhưng không đủ để giải quyết bẫy.

Nó phụ thuộc vào ngành nào, tỷ trọng chi phí lao động bao nhiêu, ai kiểm soát hạ tầng AI, và xã hội có đủ thời gian để tái phân bổ lao động hay không.

17. Phản biện 2: “Các cuộc cách mạng công nghiệp trước đâu có làm công ty phá sản?”

Đúng.

Và đó chính là vấn đề.

Bài này không nói rằng tự động hóa sẽ làm công ty phá sản hàng loạt.

Ngược lại, các công ty có thể vẫn sống tốt. Thậm chí lợi nhuận còn tăng.

Vấn đề là cân bằng mới của nền kinh tế có thể là cân bằng trong đó:

• Lao động nhận phần nhỏ hơn trong GDP.

• Vốn và chủ sở hữu AI infrastructure nhận phần lớn hơn.

• Người trẻ khó vào thị trường lao động hơn.

• Entry-level jobs biến mất.

• Một phần tầng lớp trung lưu bị ép xuống.

• Công ty vẫn tồn tại, nhưng cấu trúc xã hội xấu đi.

Trong các cuộc cách mạng công nghiệp trước, lao động thường chuyển từ một dạng công việc thể chất sang dạng công việc thể chất hoặc công nghiệp khác.

Từ nông dân sang công nhân nhà máy.

Từ thợ thủ công sang công nhân dây chuyền.

Quá trình rất đau đớn, nhưng đường chuyển dịch tương đối rõ.

AI khác ở chỗ nó tác động vào lao động nhận thức.

Những công việc mới như AI trainer, AI auditor, prompt engineer, AI product operator, model evaluator… đòi hỏi nền tảng kỹ năng khác. Không phải ai cũng chuyển đổi được. Và tốc độ thay thế có thể nhanh hơn tốc độ đào tạo lại.

Đây là phần chưa có tiền lệ đủ lớn để ta tự tin nói: “Lịch sử sẽ lặp lại y hệt.”

18. Phản biện 3: “Công ty chỉ đang tinh gọn bộ máy, sa thải người value thấp rồi tuyển người chất lượng cao hơn”

Điều này có thể đúng.

Và nếu đúng, nó chính là một dạng AI washing.

Công ty có thể đang dùng AI như một narrative để làm điều họ vốn muốn làm:

• Cắt lớp quản lý dư thừa.

• Loại bỏ nhân sự lương cao nhưng impact thấp.

• Tái cơ cấu team.

• Chuyển ngân sách từ vận hành sang AI.

• Tuyển lại người có skillset phù hợp hơn.

Điều này không phủ nhận framework của bài.

Nó bổ sung thêm một lớp.

Ngay cả khi lý do thật là “reorg”, người mất việc vẫn mất việc thật. Thị trường lao động vẫn bị xáo trộn thật. Và nếu nhiều công ty cùng làm, tổng cầu tiêu dùng vẫn bị ảnh hưởng.

Nói cách khác:

Bẫy narrative và bẫy kinh tế có thể vận hành song song.

Một công ty có thể nói dối về lý do sa thải, nhưng hậu quả xã hội của sa thải vẫn là thật.

19. Phản biện 4: “Chất lượng sản phẩm sẽ giảm khi tự động hóa quá nhanh”

Đây là một rủi ro thứ cấp rất đáng chú ý.

Nếu công ty thay customer support bằng chatbot quá sớm, khách hàng có thể bực hơn.

Nếu công ty thay junior developer bằng AI nhưng không có senior review kỹ, codebase có thể xấu đi.

Nếu công ty thay content team bằng AI, brand voice có thể nhạt dần.

Nếu công ty thay middle manager bằng automation, coordination có thể trục trặc theo cách khó thấy ngay.

Những vấn đề này thường không xuất hiện trong quý đầu tiên sau layoffs. Chúng xuất hiện sau 6 tháng, 1 năm, hoặc 2 năm.

Một vài tín hiệu có thể theo dõi:

• Công ty bắt đầu tái tuyển dụng những vị trí vừa cắt.

• Chất lượng support giảm.

• Bug tăng.

• Customer churn tăng.

• Brand trust giảm.

• Một nhóm công ty bắt đầu định vị “human support” hoặc “human-made” như premium feature.

Việc Block được báo cáo là đang lặng lẽ tái tuyển dụng sau khi cắt mạnh nhân sự là một tín hiệu đáng theo dõi.

Nguồn: TheStreet

20. Chính sách đang đi ngược chiều

Nếu nghiên cứu kinh tế học nói rằng cần nội hóa chi phí xã hội của tự động hóa, thì chính sách hiện tại ở Mỹ lại có dấu hiệu đi hướng ngược lại.

Một ví dụ là One Big Beautiful Bill Act, đang trong quá trình lập pháp tính đến tháng 4/2026.

Theo một số phân tích, bill này bao gồm điều khoản 100% bonus depreciation cho thiết bị tự động hóa đến năm 2029. Nghĩa là công ty có thể khấu trừ toàn bộ chi phí robot hoặc automation equipment ngay trong năm đầu tiên, thay vì phân bổ dần theo nhiều năm.

Nguồn: Standard Bots

Về mặt kinh tế, điều này giống một dạng trợ cấp tự động hóa.

Nếu tự động hóa đã có xu hướng tạo ra externality tiêu cực lên thị trường lao động, thì trợ cấp tự động hóa có thể làm bẫy sâu hơn:

• Chi phí automation thấp hơn.

• Doanh nghiệp có động lực thay người nhanh hơn.

• Áp lực lên người lao động tăng.

• Tốc độ chuyển dịch có thể vượt quá khả năng retraining.

Trong khi đó, chính OpenAI trong một số đề xuất chính sách lại nói đến các cơ chế như robot tax, public wealth fund, và tuần làm việc 4 ngày để phân phối lại lợi ích từ AI.

Nguồn: TechCrunch

Có một nghịch lý ở đây:

• Các nhà kinh tế học đề xuất đánh thuế để nội hóa chi phí xã hội.

• Chính phủ lại có xu hướng trợ cấp đầu tư automation.

• Các công ty AI nói về phân phối lại, nhưng vẫn chạy đua phát triển AI nhanh nhất có thể.

Ba lực này đang kéo về ba hướng khác nhau.

21. Kết luận: hai lớp bẫy, một gốc rễ

Nhìn toàn cảnh, câu chuyện AI layoffs hiện nay có hai lớp.

Lớp 1: Bẫy thực tế

Cấu trúc cạnh tranh thị trường khiến mỗi công ty có động lực tự động hóa, dù kết quả tập thể có thể xấu.

Mỗi công ty nhận toàn bộ lợi ích tiết kiệm chi phí, nhưng chỉ chịu một phần nhỏ thiệt hại cầu tiêu dùng do người lao động mất thu nhập.

Đây là một thất bại thị trường.

Nó không cần CEO phải ác.

Nó chỉ cần CEO hành động hợp lý trong một cấu trúc sai.

Lớp 2: Bẫy narrative

AI washing cũng hoạt động như một Prisoner’s Dilemma.

Mỗi công ty có lợi khi phóng đại vai trò của AI trong layoffs:

• Nghe hiện đại hơn.

• Dễ bán với nhà đầu tư hơn.

• Ít phải nhận trách nhiệm hơn.

• Che được vấn đề quản trị hoặc overhiring.

Nhưng khi nhiều công ty cùng làm, dữ liệu thị trường bị méo. Xã hội không biết bao nhiêu việc thật sự bị AI thay thế, bao nhiêu là reorg, bao nhiêu là cost cutting, bao nhiêu là funding shift.

Tín hiệu chính sách bị nhiễu.

Người lao động không biết nên học gì.

Nhà nước không biết nên can thiệp ở đâu.

Cùng một gốc rễ

Trong cả hai lớp, logic giống nhau:

Lợi ích cá nhân được tập trung. Hậu quả xã hội bị phân tán.

Đây là cấu trúc quen thuộc của nhiều thất bại thị trường: ô nhiễm môi trường, khai thác tài nguyên, khủng hoảng tài chính, và giờ có thể là lao động trong kỷ nguyên AI.

Lịch sử cho thấy những bẫy cấu trúc như thế này thường cần can thiệp chính sách.

Không phải vì thị trường ngu ngốc.

Mà vì có những kết quả tập thể đòi hỏi sự phối hợp mà thị trường tự do không thể tự tạo ra.

Bây giờ, điều đó đang xảy ra với lao động và AI.

Và chính sách hiện tại có vẻ đang đi ngược chiều.

Okay và đó là một bài tổng hợp phân tích dựa trên nền tảng từ nghiên cứu AI Layoff Trap kết hợp với các tin tức thị trường đến Q1/2026. Có lẽ bài viết mà mình dành time nhiều nhất để tổng hợp và phân tích, cũng như viết thành một bài viết dễ hiểu cho mọi người, hy vọng mọi người thích bài viết này. Link reference chi tiết bên dưới để các bạn có thể đối chiếu lại số liệu cụ thể.

Leave a comment

References

Nghiên cứu & báo cáo học thuật

1. Falk, A. & Tsoukalas, G. “The AI Layoff Trap.” University of Pennsylvania & Boston University, March 2026. Paper gốc cho framework lý thuyết của bài.

2. Anthropic. “Labor market impacts of AI: A new measure and early evidence.” March 2026. https://www.anthropic.com/research/labor-market-impacts

3. Goldman Sachs Research. “How will AI affect the US labor market?” https://www.goldmansachs.com/insights/articles/how-will-ai-affect-the-us-labor-market

4. Fortune. “AI tech displacement effect: Gen Z, 16,000 jobs per month.” https://fortune.com/2026/04/06/ai-tech-displacement-effect-gen-z-16000-jobs-per-month/

5. Harvard Business Review. “Companies Are Laying Off Workers Because of AI’s Potential—Not Its Performance.” January 2026. https://hbr.org/2026/01/companies-are-laying-off-workers-because-of-ais-potential-not-its-performance

Dữ liệu layoff — Challenger, Gray & Christmas

6. Challenger, Gray & Christmas. “Challenger Report: March cuts rise 25% from February; AI leads reasons.” https://www.challengergray.com/blog/challenger-report-march-cuts-rise-25-from-february-ai-leads-reasons/

7. eWeek. “More Tech Layoffs: AI Job Impact 2026.” https://www.eweek.com/news/more-tech-layoffs-ai-job-impact-2026/

8. CFO Dive. “AI tied to a quarter of US layoffs in March.” https://www.cfodive.com/news/ai-tied-a-quarter-us-layoffs-march/816519/

9. Metaintro. “60,620 Workers Cut in March 2026 — Challenger Report.” https://www.metaintro.com/blog/march-2026-layoffs-60620-ai-top-reason-challenger-report

10. Media Copilot. “AI was the leading cause of US layoffs in March.” https://mediacopilot.ai/ai-cause-us-layoffs-march-2026-challenger/

Dữ liệu layoff — Layoffs.fyi & tech trackers

11. Tom’s Hardware. “Tech industry lays off nearly 80,000 in Q1 2026.”
    https://www.tomshardware.com/tech-industry/tech-industry-lays-off-nearly-80-000-employees-in-the-first-quarter-of-2026-almost-50-percent-of-affected-positions-cut-due-to-ai

12. Vucense. “78,000 Jobs Cut in Q1 — How Much Is AI?” https://vucense.com/ai-intelligence/industry-business/tech-layoffs-q1-2026-ai-displacement-80000/

13. North Penn Now. “Q1 2026 Tech Layoffs Have Already Surpassed 60,000.” https://northpennnow.com/news/2026/apr/13/q1-2026-tech-layoffs-have-already-surpassed-60000-workers-say-they-were-not-prepared/

Công ty cụ thể

14. CNBC. “Block laying off about 4,000 employees.”
    https://www.cnbc.com/2026/02/26/block-laying-off-about-4000-employees-nearly-half-of-its-workforce.html

15. TheStreet. “Jack Dorsey’s Block quietly rehires employees after cutting 40% of staff.” https://www.thestreet.com/crypto/jobs/jack-dorseys-block-quietly-rehires-employees-after-cutting-40-of-staff

16. Bloomberg. “Atlassian CEO announces layoffs of 1,600 citing AI shift.”
    https://www.bloomberg.com/news/articles/2026-03-11/atlassian-team-ceo-announces-layoffs-of-1-600-citing-ai-shift

17. CNBC. “Oracle layoffs and AI spending.”
    https://www.cnbc.com/2026/03/31/oracle-layoffs-ai-spending.html

18. The Next Web. “Oracle layoffs March 2026.”
    https://thenextweb.com/news/oracle-layoffs-march-2026

19. CNBC. “Amazon layoffs, anti-bureaucracy, AI.”
    https://www.cnbc.com/2026/01/28/amazon-layoffs-anti-bureaucracy-ai.html

20. ABC News. “Artificial intelligence drive layoffs? Amazon and firms walk back.”
    https://abcnews.com/Business/wireStory/artificial-intelligence-drive-layoffs-amazon-firms-hard-129773731

21. CNBC. “Meta layoffs at Reality Labs.”
    https://www.cnbc.com/2026/03/25/meta-layoffs-reality-labs-facebook.html

AI washing

22. Techmeme. ResumeBuilder.org survey on hiring managers and AI layoff messaging. https://www.techmeme.com/260314/p8

23. Metaintro. “Hiring managers admit AI layoff excuse survey 2026.”
    https://www.metaintro.com/blog/hiring-managers-admit-ai-layoff-excuse-survey-2026

24. Metaintro. “Sam Altman: AI washing companies blame AI layoffs.”
    https://www.metaintro.com/blog/sam-altman-ai-washing-companies-blame-ai-layoffs-2026

25. TechCrunch. “AI layoffs or AI-washing?”
    https://techcrunch.com/2026/02/01/ai-layoffs-or-ai-washing/

26. Newsweek. “What is AI washing?”
    https://www.newsweek.com/tech-hits-layoff-milestone-concerns-of-ai-washing-11807595

27. Bloomberg. “Jack Dorsey’s 4,000 job cuts at Block arouse suspicions of AI-washing.”
    https://www.bloomberg.com/news/articles/2026-03-01/jack-dorsey-s-4-000-job-cuts-at-block-arouse-suspicions-of-ai-washing

28. Fortune. “CFO survey: AI job cuts and productivity paradox 2026.”
    https://fortune.com/2026/03/24/cfo-survey-ai-job-cuts-productivity-paradox-2026/

Chính sách

29. TechCrunch. “OpenAI’s vision for the AI economy: public wealth funds, robot taxes, four-day workweek.”
    https://techcrunch.com/2026/04/06/openais-vision-for-the-ai-economy-public-wealth-funds-robot-taxes-and-a-four-day-work-week/

29. Standard Bots. “One Big Beautiful Bill — 100% bonus depreciation for robotics.”
    https://standardbots.com/blog/obbb-robotics

30. Brookings Institution. “Navigating the future of work: a case for a robot tax in the age of AI.”
    https://www.brookings.edu/articles/navigating-the-future-of-work-a-case-for-a-robot-tax-in-the-age-of-ai/

31. Fortune. “Goldman job displacement: 40 years of data, scarring effects.”
    https://fortune.com/2026/04/06/goldman-job-displacement-40-years-of-data-scarring-gen-z/

Làm sao viết prompt tốt hơn?

Đó là một câu hỏi hợp lý.

Prompt Engineering từng là điểm khởi đầu quan trọng để mọi người khai thác LLM tốt hơn. Nhưng khi AI bắt đầu đi vào công việc thực tế — từ coding, research, debugging, viết tài liệu, vận hành workflow, cho đến tự động hóa nhiều bước thì một sự thật dần lộ ra:

Vấn đề không còn chỉ là ra lệnh cho model thế nào.

Vấn đề là làm sao để model có đủ context đúng, được đặt trong một khung vận hành đúng, và có thể hoàn thành công việc dài hơi mà không trôi, không quên, không tự ảo tưởng rằng mình đã xong.

Đó chính là lúc ba khái niệm bắt đầu trở nên quan trọng hơn rất nhiều:

• AI Agents

• Context Engineering

• Harness Engineering

Và nếu đi thêm một bước nữa, chúng ta sẽ thấy một chuyển động rất rõ: từ các prompt rời rạc sang workflow có thể scale và bài viết này mình chia sẻ lại hành trình và kinh nghiệm của bản thân mình trong 1 năm qua.

Subscribe now

1. AI Agent là gì, và vì sao nó khác chatbot?

Một chatbot thông thường chủ yếu hoạt động theo mô hình:

Ask → Answer

Trong khi đó, một AI Agent không chỉ trả lời. Nó nhận nhiệm vụ, tự chia nhỏ vấn đề, sử dụng công cụ, ghi nhớ trạng thái, rồi tiếp tục ra quyết định để hoàn thành một chuỗi công việc nhiều bước. Một agent đúng nghĩa thường có 4 thành phần cốt lõi:

• tools

• planning

• memory

• và autonomy.

Nói đơn giản hơn:

• Chatbot giỏi phản hồi

• Agent giỏi thực thi

Sự khác biệt này rất quan trọng. Chatbot thường stateless, tương tác ngắn, rất ít công cụ; còn AI Agent có thể làm việc xuyên nhiều giờ hoặc nhiều ngày, có trạng thái, có quyền truy cập toolchain, và có thể tự quyết định bước tiếp theo.

Đây là lý do vì sao những công cụ như Claude Code không nên được nhìn như “chatbot biết code”. Ở mức vận hành, nó gần hơn với một agent đang làm việc trong production: có nhiều tools, có khả năng phối hợp sub-agent, có cơ chế xử lý lỗi, và có cách duy trì tiến trình dài hạn.

2. Nhưng tại sao agent mạnh vẫn hay làm sai?

Câu trả lời nằm ở hai giới hạn nền tảng.

Thứ nhất, model không thật sự hiểu toàn bộ hệ thống nếu context được nạp vào sai cách.

Thứ hai, model không tự nhiên biết cách làm việc ổn định trong môi trường nhiều bước, nhiều tool, nhiều lần kiểm tra.

Chính vì vậy, agent mạnh đến đâu cũng bị giới hạn bởi hai bài toán gốc:

• Context Engineering: quản lý thông tin nào được đưa vào model, theo cách nào, vào thời điểm nào

• Harness Engineering: thiết kế hạ tầng và quy trình điều phối cách agent hoạt động trong thực tế

Nếu cần nói ngắn gọn:

Context Engineering giải quyết chất lượng suy luận

Harness Engineering giải quyết độ tin cậy khi thực thi

Đây không phải hai chủ đề tách rời. Chúng bổ sung trực tiếp cho nhau.

3. Prompt Engineering: vẫn hữu ích, nhưng không còn đủ

Trước khi đi sâu hơn, cần nói công bằng rằng Prompt Engineering không hề mất giá trị.

Một prompt tốt vẫn giúp:

• giảm ambiguity

• định dạng output rõ hơn

• buộc model tập trung vào mục tiêu chính

• tiết kiệm vài vòng sửa qua sửa lại

Ví dụ, thay vì viết:

• Analyze this issue

Ta nên viết:

• Analyze this issue and provide:

1. Summary

2. Root cause with evidence

3. Recommended fix

4. Client-facing explanation

Chỉ riêng việc này cũng đã nâng chất lượng lên đáng kể.

Nhưng vấn đề là: Prompt Engineering chỉ mạnh khi bài toán còn tương đối đơn lẻ. Khi công việc bắt đầu có những đặc điểm như:

• nhiều bước

• nhiều file

• nhiều audience

• nhiều tool

• nhiều trạng thái cần duy trì

• cần consistency lâu dài

Thì prompt thôi không đủ nữa. Bạn có thể viết prompt ngày càng dài hơn, chi tiết hơn, “thông minh” hơn. Nhưng đến một ngưỡng nào đó, chất lượng vẫn sẽ không ổn định. Lý do không phải vì prompt chưa đủ hay, mà vì hệ thống xung quanh model chưa được thiết kế đúng.

Đó là nơi Context Engineering và Harness Engineering bước vào.

4. Context Engineering: nghệ thuật không chỉ là đưa gì vào, mà còn là không đưa gì vào

Đây là một trong những điểm quan trọng nhất mà mình muốn chia sẻ.

Trong cách nghĩ thông thường, khi agent làm chưa tốt, nhiều người sẽ phản xạ:

thêm context vào đi

Nhưng có một vấn đề nền tảng hơn: context rot. Khi context window dài ra, attention bị pha loãng, khiến khả năng suy luận suy giảm. Vì thế, “nhồi càng nhiều càng tốt” không phải chiến lược đúng.

Đây là insight rất đáng nhớ:

Chọn những gì không nên đưa vào context quan trọng không kém gì chọn những gì nên đưa vào.

Ba trụ cột của Context Engineering

Có ba trụ cột khá rõ ràng.

Thứ nhất, system prompts phải đúng cao độ.

• Không quá chung chung để model bị mơ hồ, nhưng cũng không quá cứng đến mức dễ vỡ khi model thay đổi. Phần system prompt nên mang tính nguyên tắc và ranh giới rõ ràng.

Thứ hai, tools phải sạch.

• Nếu có quá nhiều tool trùng chức năng hoặc không rõ mục đích, model sẽ bị nhiễu trong việc chọn cách hành động. Claude Code dùng cơ chế deferred tools để ẩn bớt tool và chỉ “discover” khi cần.

Thứ ba, context nên được nạp “just in time”.

• Thay vì cố load toàn bộ codebase hay toàn bộ project notes, hãy để agent có công cụ đi tìm đúng thông tin đúng lúc. Ví dụ dùng grep, list_dir, search, file lookup thay vì ép model ôm toàn bộ mã nguồn ngay từ đầu.

Nói cách khác:

Context Engineering không phải là nạp thật nhiều thông tin.

Nó là thiết kế để model chạm đúng thông tin vào đúng thời điểm.

5. CLAUDE.md: lớp Context Engineering cơ bản nhưng cực kỳ thực dụng

Nếu chuyển từ lý thuyết sang ứng dụng thực tế, thì Claude.md là một ví dụ rất điển hình của Context Engineering.

Claude.md không nên bị hiểu như một chỗ để nhồi tất cả prompt mẫu vào.

Vai trò đúng của nó gần hơn với:

• rule nền

• working conventions

• communication defaults

• assumptions được cấm

• style xử lý chuẩn của team

Tức là, Claude.md trả lời câu hỏi:

Trong môi trường làm việc này, AI nên hành xử như thế nào?

Ví dụ những gì nên nằm ở đó:

• không được assume environment nếu chưa xác nhận

• phải verify screenshot/log/CSV trước khi kết luận

• output mặc định là ngôn ngữ như nào, đơn giản

• internal/dev docs mặc định là tiếng Anh, có cấu trúc

• frontend patch phải read actual DOM hoặc template trước khi fix

Những thứ này rất hợp với tinh thần Context Engineering, bởi chúng giúp ổn định “bối cảnh làm việc” qua nhiều phiên, thay vì mỗi lần lại giải thích lại từ đầu.

Nói ngắn gọn:

Claude.md là nơi externalize những thứ mà nếu để model tự đoán, nó sẽ đoán sai hoặc không nhất quán.

6. AGENTS.md: khi context không còn đủ, ta cần workflow

Nếu Claude.md là luật nền, thì AGENTS.md gần hơn với một playbook.

Vai trò của nó là mô tả:

• workflow chuẩn

• checklist nhiều bước

• thứ tự các phase

• file nào phải update

• điều kiện nào mới được xem là done

Đây là bước chuyển rất quan trọng, bởi vì rất nhiều lỗi của agent không nằm ở phần “ý tưởng chính”, mà nằm ở phần “quy trình bị bỏ sót”.

Ví dụ rất điển hình:

• viết article xong nhưng quên update index.md

• compile wiki xong nhưng quên _brief.md

• phân tích xong nhưng chưa cross-reference nội dung liên quan

• sửa code xong nhưng chưa chạy test hoặc validation

Đây là loại lỗi khiến output trông có vẻ xong, nhưng thực tế chưa xong.

Và đó là lúc AGENTS.md phát huy giá trị. Nó trả lời câu hỏi:

Với loại công việc này, agent phải đi qua những bước nào, và những bước nào tuyệt đối không được bỏ?

Nếu Claude.md là lớp rule ổn định, thì AGENTS.md là lớp vận hành.

7. Context Engineering có một giới hạn tự nhiên: context rot buộc ta phải nghĩ đến Harness

Đây là điểm mà cần lưu ý: không dừng ở chuyện “quản lý context cho một agent”, mà đi tiếp đến câu hỏi:

Nếu một agent phải làm việc dài hạn, nhiều bước, nhiều giờ, thì chỉ tối ưu context có đủ không?

Câu trả lời là không.

Bởi vì ngoài context rot, agent còn gặp hai failure mode kinh điển mà rất rõ:

• Premature completion — agent tự nghĩ là mình đã xong quá sớm.

• Scope explosion — agent cố làm quá nhiều thứ cùng lúc và mất kiểm soát.

Hai lỗi này không được giải quyết chỉ bằng prompt hay context tốt hơn. Chúng cần một lớp cao hơn:

một khung vận hành để agent biết khi nào bắt đầu, làm trong phạm vi nào, ai đánh giá, lưu trạng thái ở đâu, và tương tác với nhau ra sao.

Đó chính là Harness Engineering.

8. Harness Engineering: thiết kế môi trường làm việc cho agent

Nếu Context Engineering là “đưa đúng thông tin vào bộ não”, thì Harness Engineering là “thiết kế cả cơ thể và môi trường làm việc cho bộ não đó”.

Nói cách khác, harness là tất cả những thứ bao quanh model để giúp model làm việc được trong thực tế:

• lifecycle

• orchestration

• evaluator

• tool invocation

• checkpoint

• state storage

• retry logic

• testing loop

• artifact handoff

Đây là nơi chúng ta bắt đầu thấy những thứ như:

• Planner / Generator / Evaluator

• feature_list.json

• progress logs

• scripts

• sprint contract

• test harness

• file-based IPC

• hooks sau Write/Edit

• Playwright/Puppeteer để kiểm tra app thật

Những thứ này nghe có vẻ kỹ thuật, nhưng ý nghĩa của nó rất thực dụng:

Harness giúp agent bớt “nói có vẻ đúng”

và tiến gần hơn tới việc “làm đúng trong hệ thống thật”.

9. Một trong những insight giá trị nhất: self-evaluation bias

Trong phần Harness Engineering, có một pattern rất đáng chú ý:

Agent tự đánh giá chính mình gần như luôn thiên về lạc quan.

Đây là lý do vì sao một hệ thống chỉ có “generator” rất dễ thất bại. Model viết code xong, đọc lại, rồi tự tin rằng tính năng đã chạy. Nhưng thực tế thì UI vẫn lỗi, flow vẫn gãy, edge case vẫn chưa qua.

Vì vậy, một trong những harness pattern mạnh nhất là:

• Generator tạo ra output

• Evaluator đánh giá độc lập output đó

Một mô hình 3-agent gồm Planner, Generator, Evaluator, trong đó Evaluator có thể dùng Playwright để click qua app thật như người dùng thật. Điều này cực kỳ quan trọng, vì nó đưa việc đánh giá từ “ngôn ngữ” sang “thực nghiệm”.

Đây là một bước nhảy chất lượng rất lớn.

Không phải “code nhìn có vẻ đúng”

mà là “ứng dụng thật chạy đúng”

Nếu chỉ chọn một component có ROI cao nhất để thêm vào harness, báo cáo cũng gợi ý rất rõ: hãy thêm evaluator độc lập.

10. Context Engineering và Harness Engineering thực ra là hai mặt của cùng một vấn đề

Đây có lẽ là phần cốt lõi nhất trong toàn bài viết này.

Không nên xem Context Engineering và Harness Engineering là hai lĩnh vực tách rời, mà là hai lớp đang giải cùng một bài toán ở hai cấp độ khác nhau.

• Context Engineering hỏi: đưa gì vào model?

• Harness Engineering hỏi: đặt model ở đâu trong hệ thống?

Có ba điểm giao nhau rất mạnh mà mình muốn chia sẻ

1. Context rot chính là lý do phải có harness

Nếu context không bị suy thoái khi kéo dài, về lý thuyết một agent duy nhất có thể đủ cho rất nhiều công việc. Nhưng vì context rot tồn tại, ta buộc phải:

• compact

• reset

• ghi notes

• tách agent

• cô lập context theo vai trò

Nghĩa là chính giới hạn của context đã tạo ra nhu cầu thiết kế harness.

2. Harness quyết định cách context được phân phối

Planner nhận full spec.

Coding agent chỉ nhận phần việc hiện tại.

Evaluator nhận tiêu chí đánh giá và quyền truy cập app chạy thật.

Tức là, ở cấp hệ thống, Harness Engineering cũng chính là Context Engineering ở quy mô lớn hơn.

3. Cả hai cùng thay đổi theo năng lực model

Khi model mạnh hơn:

• prompt có thể bớt chi tiết hơn

• model tự tìm đúng tool tốt hơn

• context reset có thể ít cần hơn

• một số harness components có thể bị loại bỏ

Nhưng báo cáo cũng nhấn mạnh một insight rất hay:

Không gian harness thú vị không biến mất khi model tốt hơn — nó chỉ dịch chuyển lên tầng cao hơn.

Đây là một nhận định rất đúng. Model mạnh hơn không làm hệ thống biến mất; nó chỉ cho phép ta đẩy tự động hóa lên những bài toán phức tạp hơn.

11. Từ đây, ta quay lại câu chuyện “prompt rời rạc đến workflow”

Đến đây thì bức tranh đã rõ.

Trong giai đoạn đầu, mọi người thường làm việc với AI theo kiểu:

• có task thì viết prompt

• có bug thì prompt bug

• có report thì prompt report

• có issue thì prompt issue

Cách này không sai. Nhưng nó có giới hạn rất rõ:

• không nhất quán

• phụ thuộc vào trí nhớ của người prompt

• dễ bỏ sót bước

• khó scale cho team

• khó tái sử dụng

• càng phức tạp càng dễ trôi

Đó là lý do vì sao bài toán thực sự không còn là “viết prompt sao cho hay”, mà là:

làm sao biến những prompt rời rạc thành một workflow có thể lặp lại, tái dùng, và đáng tin hơn theo thời gian

Và đây chính là nơi các lớp bắt đầu ăn khớp với nhau:

Claude.md

Chứa rule nền, context ổn định, behavioral defaults.

AGENTS.md

Chứa playbook, process, checklist, định nghĩa done.

SKILL.md

Chứa workflow tái sử dụng cho một loại việc cụ thể: Jira analysis, merchant support, TDD bugfix, wiki pipeline…

Harness

Chứa toolchain, hook, evaluator, scripts, validators, MCP, browser automation, test loops.

Task prompt

Chứa dữ liệu cụ thể của phiên hiện tại: ticket nào, URL nào, issue nào, output cho ai.

Khi năm lớp này được phân tách rõ, AI bắt đầu chuyển từ “một cái chat interface rất mạnh” thành “một thành phần làm việc trong hệ thống”.

12. Vậy practical takeaway là gì?

Nếu phải rút ra các bài học hành động từ bài viết này, mình sẽ tóm gọn như sau.

Một, bắt đầu bằng Context Engineering trước khi mơ đến multi-agent

Tối ưu một agent đơn thật tốt trước:

• rule rõ

• tool gọn

• context vừa đủ

• just-in-time retrieval

• note-taking có cấu trúc

Hai, chỉ thêm harness khi một agent đơn bắt đầu bộc lộ failure mode

Khi agent:

• hay quên

• tự đánh giá sai

• dừng sớm

• làm lan sang quá nhiều việc

thì mới là lúc cần tách vai trò, thêm evaluator, thêm checkpoint.

Ba, evaluator là component có ROI cao nhất

Nếu bạn chỉ thêm được một thứ, hãy thêm một evaluator độc lập. Đây là cách nhanh nhất để chống self-evaluation bias.

Bốn, file-based handoff thường ổn định hơn shared context

Thay vì bắt nhiều agent “cùng nhớ một thứ”, hãy để chúng giao tiếp qua artifact rõ ràng: JSON, progress logs, notes, reports.

Năm, kiểm tra end-to-end quan trọng hơn việc chỉ nhìn code

Một system AI biết viết code chưa chắc là một system AI biết tạo ra thứ chạy được. Muốn vượt qua ranh giới đó, cần test thật, click thật, validate thật.

13. Kết luận: tương lai không nằm ở prompt dài hơn, mà ở hệ thống tốt hơn

Điều thú vị nhất mà cá nhân mình cảm nhận hiện tại đó là thế giới AI đang cho thấy rất rõ một sự chuyển pha.

Ban đầu, AI được nhìn như một công cụ trả lời.

Sau đó, nó được nhìn như một công cụ biết làm việc.

Nhưng khi bước vào sản xuất thật, AI chỉ trở nên hữu ích bền vững nếu được đặt trong một hệ thống được thiết kế đúng.

Từ góc nhìn đó:

• Prompt Engineering giúp model bắt đầu

• Context Engineering giúp model hiểu đúng

• Harness Engineering giúp model làm việc được trong thực tế

• Workflow design giúp mọi thứ có thể scale

Và đó có lẽ là điểm quan trọng nhất.

Tương lai của việc làm việc với AI không phải là viết prompt ngày càng dài.

Tương lai là xây được những hệ thống trong đó AI có context đúng, có harness đúng, có evaluator đúng, và có workflow đủ rõ để lặp lại mà không sụp đổ.

Hay nói ngắn gọn hơn:

Prompt là điểm bắt đầu.

Context là điều kiện để suy luận đúng.

Harness là điều kiện để thực thi đáng tin.

Workflow là thứ biến tất cả những điều đó thành năng lực thật trong công việc hàng ngày.

Cảm ơn bạn đã đọc tới đây. Chúc bạn một ngày tốt lành!

Leave a comment

Càng đọc nhiều bài viết, paper, tutorial… bạn càng mất thời gian để tóm tắt, tagging, và kết nối chúng.

Cuối cùng, hệ thống trở thành một “data graveyard” — không phải Second Brain. Nhưng điều gì xảy ra nếu bạn không cần viết note nữa?

Gần đây, Andrej Karpathy đã tweet về một workflow mang tính cách mạng, đạt hơn 45M views chỉ sau 2-3 ngày.

Đây không còn là note-taking nữa. Đây là một hệ thống Knowledge Compilation — nơi dữ liệu thô được “biên dịch” thành tri thức có cấu trúc.

AI Agent tự động đọc, tóm tắt, tạo liên kết và xây dựng toàn bộ hệ thống Wiki. LLM writes the wiki, you curate. (LLM viết, bạn quản trị).

Tuy nhiên, từ một idea trên X đến một hệ thống thực chiến là một khoảng cách rất xa. Mình khá thích workflow này và từ đó mình quyết định tự tay architecture và code một hệ thống Open-Source dựa đúng trên triết lý đó, sử dụng Claude Code (hoặc Cursor/Windsurf) đóng vai trò làm Backend Engine, và Obsidian làm UI/Frontend.

Dự án hiện đã public trên GitHub: LLM Knowledge Base.

Dưới đây là chi tiết những gì mình làm.

Subscribe now

1. Bức Tranh Toàn Cảnh (System Overview)

Để bạn dễ hình dung, đây là toàn cảnh workflow của hệ thống. Nó hoạt động như một vòng lặp khép kín gồm 4 bước như hình bên dưới.

Bạn có thể hiểu toàn bộ hệ thống như một pipeline:

Raw Data → LLM Compile → Knowledge Graph → Query → Feedback Loop

Các bước chi tiết như sau:

1. Ingest (Nạp Dữ Liệu): Nhận mọi loại dữ liệu thô (bài báo web, PDF học thuật, hay thậm chí cả một repo GitHub) vào thư mục raw/.

2. Compile (Biên Dịch): LLM đọc dữ liệu thô, chiết xuất các khái niệm (concepts), viết bài tóm tắt và tự động gán các liên kết [[wikilink]] để hình thành Đồ thị Tri thức (Knowledge Graph).

3. Query & Output (Hỏi Đáp & Trích Xuất): Bạn đặt câu hỏi phức tạp. AI quét mớ bòng bong Wiki và xuất ra các Báo cáo, Slide thuyết trình (Marp format), hoặc Vẽ biểu đồ.

4. File-back (Lai Tạo): Đây là vòng lặp hồi tiếp. Các Insight sinh ra từ bước 3 bị ép phải ghi ngược trở lại vào hệ thống (bước 2) để kiến thức tự sinh sôi.

2. Hướng Dẫn Kích Hoạt Nhanh (User Guide)

Hệ thống được thiết kế theo dạng Plug-and-play. Nếu bạn muốn tự tay thử nghiệm ngay workflow này, dưới đây là luồng trải nghiệm 2 phút:

Bước 1: Clone repos này về máy Bật Terminal và clone dự án về máy:

git clone https://github.com/hoadoan1997/llm-knowledge-base.git
cd llm-knowledge-base

Bước 2: Load raw data

Lưu các bài báo yêu thích (dạng .md), đưa file PDF, hoặc dẫn link GitHub repo vào các thư mục tương ứng trong folder raw/.

Hãy cài Extension Obsidian Web Clipper trên Chrome/Firefox để lưu bài viết trên web với đúng định dạng chuẩn nhất.

Sau khi Add về Obsidian thì sẽ hiển thị như thế này.

Bước 3: Sử dụng Agent để Scan các file

Mở thư mục dự án bằng Claude Code (Dùng Claude Code Chat hoặc Terminal đều được), Cursor, hoặc Windsurf.

Hệ thống Agent sẽ tự động add CLAUDE.md và AGENTS.md vào bộ nhớ. Bạn khởi chạy bằng 1 trong các lệnh chat sau:

Lệnh quan trọng nhất của repo này sẽ là: scan /raw,khi gõ lệnh này thì hệ thống sẽ thực hiện các bước sau:

1. Scan — Chạy scan.sh --new để phát hiện file chưa compile.

2. Kiểm tra độ dài — Chạy scan.sh --info để xác định strategy.

3. Fetch images — Phát hiện các external URL trong file, chạy fetch-images.sh để tải ảnh về raw/images/ và rewrite URL thành local path.

4. Đọc file — Đọc toàn bộ nội dung bài viết của bạn

5. Tạo summary — Viết wiki/summaries/articles.md tóm tắt các paradigm shift chính của bài.

6. Tạo concept file — Trích xuất các khái niệm cốt lõi (tối đa 3–5 theo quy tắc)

7. Finalize — Chạy finalize-compile.sh với key insight để tự động

Ngoài ra, hệ thống còn cho phép một lệnh như:

• Hỏi & đáp sinh báo cáo: query: <câu hỏi ở mảng nào đó>

• Quét health system: lint

Bước 4: Trình diễn đồ thị thông tin

Mở hệ thống Obsidian. Chọn Open folder as vault - trỏ vào chính thư mục vừa clone. Bạn có thể dành hàng giờ ngắm nhìn những điểm chạm dữ liệu do con AI tự viết & tự liên kết sinh ra qua màn hình Graph View.

Hiện tại repos gốc thì mình đang để hướng dẫn output sẽ là Tiếng Anh do mình public trên Github, nhưng bạn có thể tự edit lại file Claude.md và Agents.md yêu cầu output bằng tiếng Việt và mức độ giải thích chi tiết mà bạn mong muốn, ví dụ bạn non-tech hoặc còn là sinh viên thì có thể yêu cầu output theo yêu cầu của bạn.

Khi hệ thống phát triển ngày càng nhiều, bạn sẽ xây dựng được một Graph View như này:

3. Hành Trình Architecture: 5 Insights Lõi

Quá trình xây dựng repo này không chỉ đơn thuần là viết vài cái prompt. Nó buộc mình phải giải quyết những bài toán cốt lõi nhất của việc thiết kế AI Agent.

Insight 1: Đừng Xây Dựng Smart AI, Hãy Xây Dựng Lazy AI

Khi mới bắt đầu, mình cho AI một cái prompt khổng lồ: “Hãy đọc file này, tóm tắt nó, xuất ra các concept, sau đó cập nhật file index, sinh ID, rồi update log file...”

Kết quả: Thảm họa. AI bị quá tải nhận thức (cognitive overload). Nó thỉnh thoảng quên bước này, định dạng sai bước kia, hoặc làm hỏng file index của tôi.

Giải pháp của mình - “The Lazy AI Checklist”: Mình nhận ra nguyên tắc vàng trong thiết kế Agent:

• LLM quản lý ngữ nghĩa (semantic)

• Code quản lý trạng thái (deterministic).

Mình thu hẹp task của AI xuống chỉ còn 3 bước:

1. Chọn chiến lược đọc.

2. Đọc file và xuất ra report/concepts với insight thông minh nhất.

3. Gọi đúng 1 hàm duy nhất: ./tools/finalize-compile.sh.

Bên trong hàm Bash script đó, hardcode của mình sẽ lo toàn bộ mớ công việc chân tay (đánh dấu file đã đọc, tự động rebuild Index, gắn tag tĩnh). Nhờ việc loại bỏ bớt sự tự do của AI trong các tác vụ lặp lại, nó có 100% tài nguyên để suy luận sâu.

LLM không giỏi làm việc lặp lại — nó giỏi suy luận. Đừng dùng LLM như một script runner. Hãy dùng nó như một “thinking engine”.

Insight 2: Adaptive Reading Engine

Bạn không thể dùng chung một phương pháp để tóm tắt một bài blog dài 3 trang và một bài báo cáo khoa học dài 100 trang của Meta. Nếu dồn tất cả vào context window, AI sẽ bị lost in the middle.

Để giải quyết, mình xây dựng bộ scan.sh có khả năng đo lường dung lượng tài liệu gốc, sau đó chủ động routing AI vào 4 chiến lược biên dịch:

• Stuffing (<4,000 từ): Đọc thẳng 1 lần và tóm tắt.

• Refine (4k-10k từ): Cuốn chiếu từng đoạn. Đọc phần Intro tạo khung, sau đó đọc các phần sau để bổ sung nội dung vào.

• Map-Reduce (10k-25k từ): Ép AI đọc Abstract + Conclusion trước để lấy xương sống. Sau đó chia nhỏ paper ra (Map), tóm tắt từng phần, rồi tổng hợp lại (Reduce).

• Hierarchical Split (>25k từ): Tách nhỏ thành từng Part riêng biệt, tóm tắt từng Part rồi mới sinh ra file Tổng hợp chung (Synthesis).

Đây chính là cách bạn “scale context window mà không cần tăng context window”.

Insight 3: Concept Explosion

Sức mạnh của Obsidian nằm ở các “Khái niệm đa dụng” (atomic concepts). Nhưng nếu bạn để LLM tự quyết định, nó sẽ tạo ra nhiều dữ liệu vô nghĩa. Ví dụ: nếu bạn để LLM tự do, nó sẽ tạo concept kiểu:

• AI

• System

• Data

→ Thực tế không phải không có nghĩa mà lượng concepts sẽ cực kỳ nhiều nếu bạn xử lý vài trăm bài.

Để khống chế, mình đưa một Rule vào AGENTS.md: Giới hạn cứng tối đa 3-5 Core Concepts trên mỗi tài liệu. Nếu một khái niệm chỉ là yếu tố phụ, AI buộc phải giải thích nó inline (ngay trong bài) chứ không được sinh ra file mới.

Hệ thống của mình hoạt động kiểu organic. Tool lint.sh chạy ngầm sẽ liên tục đo lường: Khi nào một cụm từ xuất hiện trong hơn 10 bài viết, nó báo động yêu cầu AI xây dựng một “Domain Map of Content” (MOC) cho lĩnh vực đó. Kiến thức sẽ tự động phân rẽ ra thành từng nhánh lớn theo cách bạn hấp thụ thông tin. Tức là thực tế bạn không cần tự setup domain từ đầu, mà dựa trên những gì nạp vào wiki bạn, hệ thống sẽ detect và tạo domain khi đủ concepts.

Insight 4: Self-Healing Wiki

Đây có lẽ là tính năng làm mình tự hào nhất. Trong quá trình dọc tài liệu, AI thường xuyên tạo ra các liên kết đến những khái niệm chưa từng tồn tại trên bộ nhớ máy tính của bạn (gọi là Broken Links).

Quá trình Web Imputation diễn ra như sau:

1. Bạn đưa lệnh lint, hệ thống tìm ra các từ khoá mồ côi.

2. AI tự động kích hoạt Web Search, lên mạng tìm hiểu sâu về khái niệm đó.

3. Nó tổng hợp, tự viết ra một file Concept hoàn chỉnh (có trích nguồn đàng hoàng), tự bỏ đắp vào Wiki gốc.

Hệ thống tự biết nó đang thiếu kiến thức gì và chủ động đi học để đắp vào lỗ hổng đó.

Đây là lúc hệ thống chuyển từ knowledge storage → thành một knowledge organism.

Nó không chỉ lưu trữ kiến thức — nó tự biết mình thiếu gì và đi học.

Insight 5: File-Back Loop

Sự khác biệt giữa một thùng chứa PDF và một Bộ Não nằm ở khả năng lai tạo ý tưởng. Giả sử bạn bắt AI so sánh kiến trúc Transformer và MoE. Nó làm ra một bản báo cáo rất xuất sắc. Nếu quy trình dừng lại ở đây, bạn sẽ quên nó vào ngày mai.

Bước “File-back” ép AI phải trích xuất những Insight mới mẻ nhất (vừa sinh ra trong quá trình so sánh) để viết NGƯỢC trở lại vào các file concept trong hệ thống ban đầu. Mỗi một câu hỏi khó bạn đặt ra cho AI, Wiki của bạn sẽ tự động dày dặn và “sáng suốt” hơn một bậc.

Tức là khi bạn tổng hợp thông tin xong, bạn sẽ dùng lệnh query để tiến hành xây dựng các chủ đề chuyên biệt mà bạn mong muốn, trong quá trình đó, có thể sẽ lại tiếp tục tạo ra những kiến thức mới, vai trò của file-back loop sẽ giúp bạn tiếp tục cập nhật kiến thức mới vào hệ thống ban đầu.

Đây là cơ chế giúp hệ thống không chỉ lưu trữ tri thức

mà còn tiến hóa theo mỗi câu hỏi bạn đặt ra.

Lời Kết

Có thể bạn không cần một hệ thống RAG phức tạp. Bạn chỉ cần một hệ thống biết: đọc, hiểu và tự viết lại tri thức cho bạn.

Đây là một sự dịch chuyển thú vị: Từ Folder Management sang Agent Orchestration.

Toàn bộ hệ thống, triết lý, script và template đã được mình Open Source với License MIT. Nếu bạn hứng thú với việc đưa AI vào quy trình phân tích và hấp thụ tri thức, bạn chỉ cần Clone nó về, bật giao diện của Claude Code lên và bỏ file vào thư mục /raw.

🔗 Github Repo: hoadoan1997/llm-knowledge-base

Hệ thống được tối ưu hóa hiển thị tuyệt đẹp trên Obsidian. Chào mừng các bạn vào fork, trải nghiệm và đóng góp Pull Request. Nếu thấy bài tiếp cận này hữu ích, hãy để lại cho dự án một Star ⭐ nhé!

(Hãy comment nếu bạn có ý tưởng nào để mở rộng thêm cho workflow PKM tương lai này!)

Leave a comment

Boaz gọi đó là 4 “fake graphs” vì đây không phải chart học thuật với dataset đầy đủ, mà là 4 hình vẽ tay để tóm tắt trực giác của ông về AI safety ở đầu năm 2026. Nhưng chính vì đơn giản, nó lại chạm rất trúng vấn đề.

Điểm mình thấy đáng suy nghĩ nhất là thế này:

AI đang tăng capability rất nhanh. Nhưng alignment, governance, và societal readiness lại không tăng kịp theo tốc độ đó.

Và càng research thêm, mình càng thấy đây không còn là một cảm giác mơ hồ nữa. Nó đang được phản ánh bởi cả dữ liệu về capability progress, lẫn những cảnh báo ngày càng rõ từ chính các chuyên gia hàng đầu trong ngành.

1. Điều đang tăng nhanh nhất lúc này là Capability

Boaz mở đầu bằng ý mà giờ gần như ít ai còn phủ nhận: năng lực của AI vẫn đang tăng rất nhanh, và xu hướng đó chưa hề có sự chậm lại, thậm chí còn tăng nhanh hơn. Ông nhắc thẳng đến “METR graph”, và đây không phải là một hình minh hoạ vu vơ. Trong nghiên cứu của METR, nhóm tác giả đề xuất đo khả năng của AI bằng “task-completion time horizon” — tức là AI có thể hoàn thành được những task mà con người thường mất rất lâu để làm. Kết quả họ công bố cho thấy mốc này đã tăng theo xu hướng gần như hàm mũ trong nhiều năm, với thời gian nhân đôi khoảng 7 tháng; trong cập nhật đầu 2026, METR nói các model mới hơn vẫn tiếp tục bám khá sát xu hướng lịch sử này.

Con số đó đáng chú ý ở chỗ nó dịch chuyển “AI mạnh hơn” thành một đơn vị rất dễ hiểu: AI đang dần xử lý được những công việc vốn trước đây lấy của con người nhiều thời gian hơn. Không chỉ benchmark tăng. Không chỉ model trả lời hay hơn. Mà khoảng “thời lượng công việc” AI có thể gánh đang được kéo dài ra rất nhanh. METR thậm chí còn lưu ý rằng trong một số phân tích theo domain, tốc độ này có thể đã tăng nhanh hơn nữa ở giai đoạn gần đây.

Nếu nhìn thêm từ phía kinh tế và hệ sinh thái, tốc độ tăng này còn được khuếch đại bởi chi phí giảm và khả năng tiếp cận tăng. Stanford AI Index 2025 ghi nhận rằng chi phí suy luận cho một hệ thống đạt mức GPT-3.5 đã giảm hơn 280 lần từ tháng 11/2022 đến tháng 10/2024; trong cùng thời gian, open-weight models cũng rút ngắn khoảng cách hiệu năng với closed models trên một số benchmark từ 8% xuống còn 1.7%. Nói cách khác, không chỉ frontier labs mạnh lên — mà AI đủ mạnh cũng đang rẻ hơn, dễ tiếp cận hơn, và lan rộng nhanh hơn.

Và nếu nhìn vào vài tháng gần đây, cảm giác “capability jump” này còn rõ hơn. Anthropic đã phát hành Claude Opus 4.6 vào tháng 2/2026 như một hybrid reasoning model cho knowledge work, coding và agents, trong khi OpenAI công bố GPT-5.4 vào ngày 5/3/2026 như model frontier mạnh nhất của họ cho professional work, với bước nhảy đáng kể ở coding, computer use và long-horizon deliverables. Cùng lúc đó, OpenClaw xuất hiện như một “open agent platform” chạy trên máy người dùng, cho thấy đột phá bây giờ không chỉ nằm ở model thuần tuý mà còn ở tầng agent runtime: AI không chỉ trả lời tốt hơn, mà còn bắt đầu “làm việc” tốt hơn trong môi trường thật, qua tool use, multi-step execution và tích hợp trực tiếp vào workflow hằng ngày.

Đây là lý do mình nghĩ biểu đồ đầu tiên của Boaz rất “đắt”. Nó không chỉ nói rằng AI tốt hơn. Nó nói rằng AI đang tăng tốc trong khi ngưỡng phổ cập của AI cũng đang giảm xuống. Một công nghệ vừa mạnh lên vừa rẻ đi, lại vừa dễ được đóng gói thành các hệ thống agentic có thể hành động trong thế giới thực, sẽ tạo áp lực lên toàn bộ hệ thống xung quanh nó lớn hơn nhiều so với một công nghệ chỉ mạnh lên đơn thuần.

2. Alignment có tiến bộ, nhưng chưa đủ để theo kịp stakes

Đây là đoạn mà mình thấy nhiều người ngoài ngành hay hiểu nhầm nhất. Nói về AI safety, nhiều người hay rơi vào tư duy nhị phân: hoặc an toàn, hoặc không an toàn. Nhưng thực tế không như vậy.

Boaz không hề bảo alignment đứng yên. Ngược lại, ông nói rõ là có good news in alignment: các model hiện nay aligned hơn trên nhiều thước đo, bao gồm cả spec compliance. Nhưng luận điểm cốt lõi của ông là: đường tăng của alignment vẫn thấp hơn đường tăng của cái chúng ta cần khi capability leo dốc quá nhanh.

Nếu chuyển sang ngôn ngữ đời thường, vấn đề là thế này: bạn đang có một “nhân viên” ngày càng giỏi hơn, làm được nhiều việc hơn, nhanh hơn, thậm chí chủ động hơn. Đúng là người đó cũng ngoan hơn một chút, dễ điều khiển hơn một chút. Nhưng nếu năng lực tăng gấp nhiều lần, còn khả năng giám sát và đảm bảo làm đúng chỉ tăng nhẹ, thì rủi ro tổng thể vẫn tăng.

Điểm này cũng được phản ánh trong cách các lab lớn đang formalize safety. OpenAI nói trong Preparedness Framework 2025 rằng họ muốn đo và chặn các năng lực có thể gây “severe harm” trước khi triển khai rộng. Anthropic thì ở Responsible Scaling Policy v3 bổ sung thực hành Risk Reports và hệ thống kiểm soát bài bản hơn. Google DeepMind cũng liên tục cập nhật Frontier Safety Framework của mình. Chỉ riêng việc các lab đều phải dựng framework riêng để theo dõi frontier risks đã cho thấy một thực tế: capability đã đi xa đến mức việc “tin vào good intentions” không còn đủ nữa.

Nhưng ở đây có một nghịch lý. Việc các framework đó tồn tại là tín hiệu tốt, vì ít nhất ngành đã nghiêm túc hóa safety. Tuy nhiên, sự tồn tại của framework cũng đồng thời là bằng chứng rằng rủi ro không còn ở mức giả định xa xôi. Khi một công ty phải xây ngưỡng đánh giá cho bio risk, cyber risk, autonomous misuse, reward hacking, deception, hay dangerous capability thresholds, thì điều đó nói lên rằng vấn đề đã đủ gần để phải vận hành hóa.

Nên khi nhìn biểu đồ thứ hai của Boaz, mình nghĩ thông điệp không phải là “alignment không tiến bộ”. Mà là:

alignment đang tiến bộ, nhưng chưa đủ nhanh để bắt kịp độ hệ trọng của những gì AI sắp được giao làm.

3. Tin tốt lớn nhất: chúng ta chưa thấy quá nhiều scheming rõ rệt

Trong 4 biểu đồ, đây là phần tinh tế nhất.

Boaz cho rằng một trong những tin tốt quan trọng nhất hiện nay là: chúng ta dường như chưa thấy quá nhiều dấu hiệu mạnh của scheming hoặc collusion ở models, và nhờ đó con người vẫn còn có thể dùng model để monitor model khác, hỗ trợ safety work, và cải thiện alignment tiếp. Ông xem đây là một trong những mẩu good news lớn nhất của AI safety hiện tại.

Hiểu một cách đơn giản, “scheming” là khi AI không chỉ trả lời sai theo kiểu ngây ngô, mà bắt đầu biết:

• che giấu ý định

• giả vờ ngoan khi bị đánh giá

• tối ưu theo mục tiêu khác với mục tiêu con người nghĩ nó đang làm

• hoặc biết qua mặt chính cơ chế kiểm tra

Đó là một dạng rủi ro nguy hiểm hơn hallucination bình thường rất nhiều, vì khi một hệ thống đủ giỏi để trông có vẻ aligned, thì việc đo nó có aligned thật hay không sẽ trở nên khó hơn hẳn. Đây cũng là lý do Anthropic dành hẳn không gian trong Claude 4 system card để thảo luận các đánh giá liên quan tới reward hacking và agentic safety trong coding/computer-use settings.

Nhưng chỗ đáng suy nghĩ là: “chưa thấy quá nhiều” không đồng nghĩa với “chuyện đó không thể xảy ra”. International AI Safety Report 2026 nhấn mạnh rằng general-purpose AI systems đang tiếp tục cải thiện ở nhiều năng lực cốt lõi, trong khi rủi ro đi kèm cần được quản lý bằng cả biện pháp kỹ thuật lẫn governance. Báo cáo không chỉ nhìn vào mô hình đơn lẻ, mà nhìn vào các rủi ro thực tiễn phát sinh khi khả năng của hệ thống tăng lên.

Yoshua Bengio thì đi xa hơn ở hướng “safe by design”. Dự án LawZero mà ông công bố năm 2026 nói rất rõ mục tiêu là xây các hệ thống non-agentic hơn, có cấu trúc “generator + neutral estimator”, nhằm giảm động cơ theo đuổi mục tiêu riêng từ bên trong hệ thống. Chỉ riêng việc một trong những tên tuổi lớn nhất của deep learning chuyển sang nhấn mạnh “safe by design” và “not desiring” cũng cho thấy một nỗi lo đang hiện hữu: nếu để các hệ thống ngày càng agentic hơn mà không giải được bài toán kiểm soát, thì giám sát từ bên ngoài có thể không đủ.

Tóm lại, biểu đồ thứ ba không phải để hù dọa rằng AI đã bắt đầu âm mưu. Nó nói điều ngược lại: may mắn là chúng ta chưa ở trạng thái xấu nhất. Nhưng nếu coi đó là lý do để chủ quan, thì lại là sai bài.

4. Điểm yếu nhất có thể không nằm ở model, mà nằm ở xã hội

Đây là phần mình thấy Boaz nói đúng và thật nhất.

Có một sự thật phũ phàng rằng xã hội chưa sẵn sàng cho AI, và cũng chưa cho thấy dấu hiệu đang sẵn sàng đủ nhanh. Điều này không chỉ nằm ở kỹ thuật. Nó là câu chuyện của:

• luật pháp

• tổ chức

• giáo dục

• thị trường lao động

• an ninh sinh học và an ninh mạng

• hợp tác quốc tế

• và cả khả năng bảo vệ dân chủ, tự chủ cá nhân, thông tin công cộng trước những hệ thống ngày càng mạnh hơn

International AI Safety Report 2026 cũng đi theo đúng hướng này: báo cáo được viết với hơn 100 chuyên gia độc lập từ hơn 30 quốc gia và tổ chức quốc tế, và mục tiêu của nó không chỉ là mô tả risk, mà còn là đánh giá các cách quản lý risk. Chỉ riêng quy mô hợp tác đó đã cho thấy AI safety không còn là việc nội bộ của vài lab. Nó đã là một chủ đề governance ở cấp quốc tế.

Demis Hassabis trong các phát biểu công khai gần đây cũng lặp lại nhu cầu về một nỗ lực phối hợp quốc tế cho AI security và AI safety, theo hướng có thể so sánh với những định chế hợp tác lớn trong khoa học hoặc hạt nhân. Ở chiều khác, Dario Amodei gần đây tiếp tục cảnh báo rằng các hệ thống rất mạnh có thể đang đến gần, còn câu hỏi lớn là liệu các hệ thống của con người có sẵn sàng hấp thụ “quyền lực gần như khó tưởng tượng” đó hay không.

Mình nghĩ đây là chỗ rất đáng để người làm product, strategy, hay quản trị đọc kỹ. Vì nhiều khi chúng ta nói “AI safety” như thể đó là vấn đề của model lab. Nhưng nếu nhìn ở tầng vận hành thực, câu hỏi quan trọng hơn lại là:

• công ty có governance model chưa?

• có audit trail chưa?

• có chính sách human oversight chưa?

• có định nghĩa rõ context nào cho AI ra quyết định, context nào không?

• có kịch bản incident response chưa?

• có phương án reskill workforce chưa?

• có chuẩn bị cho abuse, cyber misuse, hoặc information manipulation chưa?

Nói cách khác:

một model mạnh không tự động khiến tổ chức hay xã hội trưởng thành hơn để dùng nó.

Và nếu societal readiness là đường gần như nằm ngang, như Boaz vẽ, thì đó mới có thể là khoảng cách nguy hiểm nhất.

5. Tốc độ phát triển hiện tại khiến mọi thứ khó hơn theo cách nào?

Cái khó của giai đoạn này không nằm ở việc AI “mạnh lên” một cách tuyến tính. Cái khó là nhiều đường cong đang cùng lúc di chuyển:

• capability tăng

• chi phí giảm

• khả năng phổ cập tăng

• open models thu hẹp khoảng cách

• agentic workflows tiến bộ

• AI bắt đầu được dùng để tăng tốc chính việc phát triển AI

Đây là lý do vì sao Boaz nói nếu “squint” một chút, ta thậm chí có thể thấy đường capability đang có dấu hiệu bẻ lên khi AI được dùng để phát triển AI. Dario Amodei trong một bài viết khác cũng nhắc lại điểm này, liên hệ trực tiếp METR với việc AI đang tiến tới các task lấy của con người nhiều giờ làm việc hơn.

Với tốc độ như vậy, mọi cơ chế quản trị đều bị đặt dưới áp lực thời gian:

• policy thường ra chậm hơn product cycle

• luật thường đi sau deployment

• giáo dục đi sau thị trường

• chuẩn mực xã hội đi sau công nghệ

• còn safety research thì vừa phải đuổi theo capability, vừa phải chứng minh giá trị trong một môi trường cạnh tranh cực nhanh

Chính vì vậy, câu hỏi thực tế của giai đoạn này không còn là “AI có mạnh không?” nữa. Câu hỏi đúng hơn là:

chúng ta có đang xây đủ nhanh những lớp kiểm soát, giám sát, và thể chế để hấp thụ sức mạnh đó hay không?

6. Điều mình rút ra: bài toán không còn là model safety, mà là system safety

Điều mình thích nhất ở bài của Boaz là nó không rơi vào hai thái cực quen thuộc.

Nó không bảo:

• “mọi thứ ổn, cứ scale tiếp”

Nhưng nó cũng không bảo:

• “ngày mai tận thế”

Nó là một bản chẩn đoán thực tế:

• capability tăng rất nhanh

• alignment có tiến bộ nhưng chưa đủ

• chưa thấy scheming mạnh là một tin tốt

• nhưng societal readiness có thể là điểm yếu lớn nhất

Và nếu phải nâng luận điểm này lên thêm một tầng, mình sẽ nói thế này:

AI safety bây giờ không còn chỉ là model safety. Nó là system safety.

Nó liên quan tới:

• model behavior

• deployment context

• incentives của công ty

• standards của ngành

• governance của quốc gia

• khả năng hợp tác quốc tế

• và mức độ trưởng thành của xã hội trong việc sống chung với một loại trí tuệ ngày càng hữu dụng, nhưng cũng ngày càng khó xem nhẹ

Lời kết

Nếu phải tóm toàn bộ bài này bằng một câu, mình sẽ viết:

Chúng ta đang xây AI nhanh hơn tốc độ chúng ta học cách kiểm soát nó, và nhanh hơn cả tốc độ xã hội chuẩn bị để sống chung với nó.

Boaz dùng 4 biểu đồ vẽ tay để nói điều đó.

METR cho thấy tốc độ capability progress không phải chuyện tưởng tượng. Stanford AI Index cho thấy chi phí giảm và phổ cập tăng đang làm làn sóng này mạnh hơn nữa. Các framework của OpenAI, Anthropic, DeepMind cho thấy chính frontier labs cũng thừa nhận cần cơ chế kiểm soát bài bản hơn. Còn những tiếng nói như Bengio, Hassabis, Amodei thì dù khác nhau về nhấn mạnh, đều gặp nhau ở một điểm: AI safety không thể chỉ để cho thị trường hoặc tốc độ sản phẩm tự giải quyết.

Có lẽ câu hỏi quan trọng nhất ở thời điểm này không phải là:

AI mạnh tới đâu?

Mà là:

chúng ta đã nghiêm túc tới đâu với những thứ cần thiết để giữ quyền kiểm soát khi nó mạnh lên?

References

Barak, B. (2026). The state of AI safety in four fake graphs. Windows on Theory.

Maslej, N., et al. (2025). The 2025 AI Index Report. Stanford HAI.

Kwa, T., et al. (2025). Measuring AI Ability to Complete Long Tasks. METR / arXiv.

OpenAI. (2025). Our updated Preparedness Framework.

Anthropic. (2026). Anthropic’s Transparency Hub.

International AI Safety Report. (2026). International AI Safety Report 2026.

cứ tăng model size, tăng data, tăng compute

thì model sẽ thông minh hơn.

Nhìn ở mức rất rộng thì điều đó đúng. Và chính niềm tin này đã tạo ra cả một kỷ nguyên LLM. Nhưng nếu dừng ở đó, ta sẽ bỏ lỡ phần thú vị nhất của câu chuyện.

Vì hôm nay, Scaling Law không còn chỉ là câu chuyện của việc train một model lớn hơn. Nó đã trở thành câu chuyện của nhiều lớp mở rộng chồng lên nhau: từ pre-training, sang post-training, sang test-time compute, và gần đây hơn là cách cả một hệ thống agent phối hợp với nhau để giải quyết công việc. Các paper kinh điển của OpenAI và DeepMind đặt nền móng cho khái niệm scaling, còn các công bố gần đây từ OpenAI và NVIDIA cho thấy scale đang dần chuyển từ bài toán model sang bài toán inference và system design. [1]

1. Scaling Law thực ra là gì?

Nói đơn giản, scaling law là một quy luật thực nghiệm cho thấy khi tăng một số yếu tố như số tham số của model, lượng dữ liệu huấn luyện và tài nguyên tính toán, thì hiệu năng của model sẽ cải thiện theo một quy luật khá ổn định, thường được mô tả gần đúng bằng power law. Trong paper năm 2020, OpenAI cho thấy loss của language model giảm theo quy luật dạng lũy thừa khi tăng model size, dataset size và compute, và xu hướng này giữ được trên nhiều bậc độ lớn khác nhau. [1]

Điều này quan trọng vì nó biến tiến bộ AI từ cảm giác thử và sai thành thứ gì đó có thể dự đoán. Thay vì chỉ hy vọng rằng model lớn hơn sẽ tốt hơn, các nhóm nghiên cứu có thể ước lượng khá rõ: nếu tăng compute thêm, hoặc thay đổi cách phân bổ compute giữa model và data, ta có thể kỳ vọng mức cải thiện nào. Đó là lý do scaling law không chỉ là một khái niệm nghiên cứu, mà còn là nền tảng cho chiến lược đầu tư của các lab AI lớn. [2]

2. Quy luật gốc: pre-training scaling

Nếu phải chọn một phiên bản đầu tiên của scaling law trong thời đại LLM, thì đó là pre-training scaling.

Đây là logic đã mở đường cho GPT, Claude, Gemini, Llama và nhiều foundation model khác: tăng quy mô dữ liệu huấn luyện, tăng số tham số, tăng compute, rồi quan sát model ngày càng mạnh lên. NVIDIA mô tả đây là “original law of AI development”, còn paper của OpenAI năm 2020 là một trong những nền tảng học thuật nổi bật cho cách nhìn này [1][3].

Ở tầng này, trực giác khá rõ:

• Model lớn hơn học được nhiều pattern phức tạp hơn

• Data nhiều hơn giúp model tổng quát hóa tốt hơn

• Compute lớn hơn cho phép huấn luyện ở quy mô cao hơn

Chính pre-training scaling đã tạo ra cú nhảy từ các mô hình NLP cũ sang frontier models ngày nay. Nhưng cũng từ đây, ngành AI bắt đầu va vào một câu hỏi rất thực tế: có phải cứ làm model to hơn là luôn đúng không? [3]

Hãy nhớ hình này nhé, vì phía sau mình sẽ phân tích các level scaling, nó là một bức tranh rất trực quan để hiểu rõ Scaling Law trong kỷ nguyên AI này.

3. Chinchilla đã thay đổi cách ngành AI nghĩ về scale

Một trong những đóng góp quan trọng nhất sau paper của OpenAI là paper Chinchilla của DeepMind năm 2022.

Điểm mấu chốt của Chinchilla là: nhiều model lớn thời đó thực ra undertrained — tức là quá nhiều parameters nhưng chưa được train trên đủ lượng tokens tương xứng. DeepMind cho thấy với một compute budget cố định, cách phân bổ tốt hơn không phải lúc nào cũng là làm model thật lớn; thay vào đó, cần cân bằng tốt hơn giữa model size và training tokens. Cụ thể, paper này kết luận rằng trong huấn luyện compute-optimal, khi model size tăng gấp đôi thì số training tokens cũng nên tăng gấp đôi. Model Chinchilla 70B, được train trên khoảng 1.3 nghìn tỷ tokens với cùng ngân sách compute như Gopher 280B, lại vượt Gopher và nhiều model lớn khác trên nhiều benchmark. [4]

Hình này minh họa mối quan hệ giữa lượng tính toán (FLOPs) và kích thước mô hình (số tham số) trong các mô hình AI.

Giải thích đơn giản mô hình trên:

• FLOPs là lượng tính toán dùng để huấn luyện (càng sang phải càng nhiều tài nguyên)

• Parameters là số lượng tham số của mô hình (càng lên cao thì mô hình càng lớn)

Các mô hình cũ (GPT-3, Gopher, Megatron) nằm gần đường nét đứt và Chinchilla nằm thấp hơn → ít tham số hơn nhưng hiệu quả hơn

Đây là một bước ngoặt rất lớn về tư duy.

Trước Chinchilla, nhiều người nhìn scaling theo hướng “bigger is better”. Sau Chinchilla, ngành bắt đầu chuyển sang câu hỏi tốt hơn: compute của mình nên được phân bổ như thế nào để đạt hiệu quả tối ưu? Nói cách khác, scaling law không còn chỉ là “scale nhiều hơn”, mà là scale đúng cách. [5]

4. Vấn đề của cách hiểu cũ: scale không phải cứ phình to là đủ

Đây là chỗ nhiều người mới tìm hiểu AI hay nhầm.

Scaling law không có nghĩa là chỉ cần tăng parameters mãi mãi. Nếu hiểu như vậy, ta sẽ bỏ sót ít nhất ba điều.

Thứ nhất, lợi ích từ scale thường đi theo kiểu diminishing returns. Model vẫn tốt lên, nhưng không phải tăng 10 lần tài nguyên là được 10 lần chất lượng. Ý nghĩa của power law là sự cải thiện có thể dự đoán được, chứ không phải tăng tuyến tính vô hạn.

Thứ hai, data quality và cách phân bổ compute trở nên ngày càng quan trọng. Chinchilla cho thấy không thể chỉ nhồi thêm parameters mà bỏ quên lượng dữ liệu train.

Thứ ba, khi base model đã rất mạnh, phần còn lại của cuộc chơi không nằm trọn trong pre-training nữa. Từ đây, ngành AI bắt đầu mở sang những lớp scaling mới.

5. Từ một scaling law sang nhiều lớp scaling

Đây là điểm mình thấy thú vị nhất khi nhìn lại bức hình đã phân tích trước đó.

Nếu dùng ngôn ngữ hiện đại hơn, ta có thể hình dung sự tiến hóa của AI như một chuỗi:

Chat GPT thường → reasoning model → AI agent → AI system

Đó không phải là taxonomy học thuật cố định của toàn ngành, nhưng nó là một cách diễn giải rất hữu ích để hiểu điều gì đang xảy ra. NVIDIA hiện mô tả bức tranh scaling hiện đại qua ba lớp chính là pretraining scaling, post-training scaling và test-time scaling; đến năm 2026, trong các công bố hạ tầng mới, hãng này còn đẩy mạnh thêm khái niệm agentic inference / agentic AI như một mặt trận scaling tiếp theo. [3]

Điều quan trọng là:

intelligence ngày nay không còn chỉ đến từ việc train model lớn hơn, mà đến từ nhiều lớp compute được áp dụng ở những thời điểm khác nhau của vòng đời model.

6. Lớp thứ hai: post-training scaling

Sau khi có một pre-trained model mạnh, câu hỏi tiếp theo là: làm sao biến nó thành thứ thực sự hữu dụng?

Ở đây xuất hiện post-training scaling. Theo mô tả của NVIDIA, lớp này bao gồm các kỹ thuật như fine-tuning, distillation, reinforcement learning, pruning, quantization và synthetic data augmentation. Mục tiêu không chỉ là làm model “thông minh hơn”, mà còn làm nó phù hợp hơn với nhiệm vụ, rẻ hơn khi triển khai, và dễ dùng hơn trong sản phẩm thực tế. NVIDIA thậm chí lập luận rằng việc tạo cả một hệ sinh thái derivative models có thể tiêu tốn lượng compute lớn hơn rất nhiều so với pretraining model gốc. [3]

Nếu pre-training giống như cho model đi học phổ thông và đại học, thì post-training là giai đoạn dạy nó làm một nghề cụ thể.

Một legal model, một coding model, một medical assistant, hay một enterprise copilot thường không được xây chỉ bằng “pretrain xong là đủ”. Chúng được định hình qua nhiều lớp post-training để phù hợp hơn với domain, hành vi người dùng và ràng buộc sản phẩm. [3]

Trong hình mà mình đã phân tích trước đó, cụm “fine-tune pre-trained models” và “quantize to NVFP4” nằm ở lớp này. Chỗ đó nên được hiểu như sau: scaling không chỉ là tăng sức mạnh lý thuyết, mà còn là tối ưu để model chạy được ngoài đời thực. NVIDIA mô tả NVFP4 là một định dạng floating-point 4-bit được giới thiệu cùng kiến trúc Blackwell nhằm tăng hiệu quả training và inference ở độ chính xác thấp hơn nhưng vẫn giữ chất lượng đủ tốt cho nhiều workload. [6] [7]

Mình có để một số bài viết mình research để viết bài này, các bạn có thể vào để đọc chi tiết nếu quan tâm sâu hơn nhé.

7. Lớp thứ ba: test-time scaling, hay “long thinking”

Đây là một trong những thay đổi lớn nhất của AI giai đoạn gần đây.

Trước đây, khi nói scale, người ta chủ yếu nghĩ đến lúc train. Nhưng với reasoning models, scale còn xảy ra ở thời điểm model đang trả lời. OpenAI mô tả rõ điều này trong bài viết về o1: hiệu năng của model cải thiện ổn định khi tăng train-time compute qua reinforcement learning, và cũng cải thiện khi cho model thêm thời gian suy nghĩ ở test time [8].

Đây chính là thứ nhiều người gọi là test-time scaling hay “long thinking”.

Nghĩ đơn giản: cùng một model, nếu cho nó thêm compute ở lúc inference, model có thể thử nhiều hướng giải hơn, tự kiểm tra sai sót, chia bài toán thành nhiều bước và chọn hướng tốt hơn trước khi trả lời. OpenAI mô tả o1 học cách tinh chỉnh chain of thought, nhận ra lỗi, sửa lỗi và đổi chiến lược khi hướng hiện tại không hiệu quả [8].

Đó là lý do vì sao ngày nay, một model “không lớn hơn quá nhiều” vẫn có thể cho cảm giác thông minh hơn rõ rệt nếu nó được phép suy nghĩ lâu hơn và được thiết kế tốt cho reasoning.

Trong hình ban đầu, nhánh “test-time scaling” được nối với các từ khóa như MoE, NVL72 và Dynamo. Phần này nói về hạ tầng. NVIDIA mô tả GB200 NVL72 là rack-scale system phục vụ các mô hình rất lớn, đặc biệt có lợi cho inference của trillion-parameter LLMs và MoE; còn Dynamo là inference framework mã nguồn mở để phục vụ generative AI ở môi trường phân tán với mục tiêu giảm latency và scale inference hiệu quả hơn. Nói ngắn gọn: nếu muốn “long thinking” thực sự chạy được ở quy mô lớn, bạn không chỉ cần model tốt, bạn cần cả một lớp serving stack cực mạnh phía sau [9].

8. Lớp thứ tư: agentic scaling

Đây là chỗ bức hình trở nên rất đáng suy nghĩ.

Tầng trên cùng của hình mô tả Agentic Scaling bằng một cụm rất trực diện:

“AI talking to AI.”

Cần nói rõ một nuance quan trọng: nếu Kaplan scaling laws và Chinchilla là những mốc nghiên cứu rất nền tảng, thì agentic scaling hiện vẫn thiên về một cách diễn giải mới của industry hơn là một “định luật” đã được chuẩn hóa như trong sách giáo khoa. Cụm này được NVIDIA nhấn mạnh trong các thông điệp hạ tầng 2025–2026, đặc biệt khi nói đến thời điểm agentic AI bắt đầu đòi hỏi low-latency, large-context inference ở quy mô cực lớn [3].

Nhưng dù tên gọi có còn đang được định hình, trực giác đằng sau nó là rất mạnh.

Khi AI chuyển từ trả lời một câu hỏi sang việc thực hiện workflow nhiều bước, dùng tool, gọi API, đọc tài liệu, tự kiểm tra, phản biện kết quả, thậm chí phối hợp giữa nhiều agent với nhau, thì “intelligence” không còn nằm gọn trong một model đơn lẻ nữa. Nó nằm ở cả hệ thống.

Và khi đó, bài toán scale đổi bản chất không chỉ là model accuracy mà là

• orchestration

• context management

• memory

• retry

• verification

• latency

• cost per task

• throughput khi nhiều agent cùng chạy

NVIDIA nói khá rõ điều này trong công bố về Vera Rubin: agentic workloads tạo ra nhu cầu rất cao về low-latency và large-context inference, còn reinforcement learning và agentic AI cũng đòi hỏi nhiều môi trường CPU để test và validate kết quả model tạo ra [10].

Đây là lý do mình cho rằng nếu trước kia lợi thế cạnh tranh của AI nằm nhiều ở “ai train được model to hơn”, thì tương lai gần lợi thế sẽ nằm ngày càng nhiều ở câu hỏi: ai biến model thành hệ thống làm việc tốt hơn.

Và rõ ràng Claude đang cho thấy họ thực sự đang chứng minh được điều này, mình có bài viết trên Threads đạt 65k views nói về góc nhìn cách Anthropic thực hiện 74 releases trong vòng 52 ngày [11].

9. Nhìn lại bức hình: vì sao nó hữu ích?

Thứ hay của bức hình mình phân tích trước đó không nằm ở chỗ nó định nghĩa học thuật hoàn hảo, mà ở chỗ nó giúp ta nhìn thấy một chuyển dịch rất thật của ngành AI:

• Pre-training scaling: tăng sức mạnh nền của model

• Post-training scaling: tinh chỉnh để model usable hơn

• Test-time scaling: cho model thêm compute để suy nghĩ tốt hơn khi trả lời

• Agentic scaling: để nhiều model, tool và workflow phối hợp thành một hệ thống giải quyết công việc

Nói cách khác, intelligence không chỉ được nạp vào lúc train nữa. Nó còn được mở rộng lúc deploy, lúc inference, và lúc orchestration ở cấp system. Phần mình vẽ lại theo hướng GPT thường → reasoning model → AI agent → AI system thực chất là cách diễn đạt lại đúng tinh thần đó. Nó không phủ định scaling law truyền thống; nó cho thấy scaling law đang đi lên thêm nhiều tầng mới.

10. Điều mình rút ra

Nếu bạn làm product hoặc build AI application, đây có lẽ là insight quan trọng nhất:

không nên nhìn AI chỉ qua benchmark của base model.

Một sản phẩm AI mạnh ngày nay có thể thắng không phải vì họ có model lớn nhất, mà vì họ:

• post-train tốt hơn

• cho model reasoning đúng lúc

• tổ chức workflow agent thông minh hơn

• quản lý context tốt hơn

• tối ưu latency và cost tốt hơn

• xây được vòng verify/retry đáng tin cậy hơn

Tức là lợi thế cạnh tranh đang dịch chuyển từ model-centric sang system-centric.

Điều này cũng giải thích vì sao nhiều sản phẩm dùng các model khá giống nhau nhưng trải nghiệm thực tế lại khác xa nhau. Cái khác không chỉ nằm ở “bộ não”, mà nằm ở toàn bộ cấu trúc vận hành xung quanh bộ não đó.

Lời Kết

Nếu phải tóm gọn trong một câu, mình sẽ nói thế này:

Scaling Law bắt đầu như quy luật cho thấy model mạnh lên khi tăng parameters, data và compute; nhưng trong kỷ nguyên AI hiện nay, “scale” đã trở thành một kiến trúc nhiều lớp — từ pre-training, post-training, test-time reasoning cho đến agentic systems.

Và có lẽ đó mới là cách hiểu đúng hơn về AI ở thời điểm này.

• Không phải chỉ là model to hơn.

• Mà là compute được đặt đúng chỗ hơn.

• Không phải chỉ là train mạnh hơn.

• Mà là cả hệ thống biết suy nghĩ, phối hợp và thực thi tốt hơn.

Lâu rồi mình mới viết một bài mà nó hơi học thuật và chuyên sâu thế này, ý tưởng bài viết đến từ Podcast mới của Jensen Huang, mình đã tổng hợp và kết nối nhiều mảng lại với nhau, rồi cố gắng viết sao vừa cho đúng bản chất vừa đủ dễ hiểu.

Và mình nghĩ, càng đi sâu vào AI, mình càng nhận ra:

thứ quan trọng không còn chỉ là model mạnh bao nhiêu, mà là ta hiểu nó đang scale theo lớp nào, dùng compute ở đâu, và biến intelligence đó thành giá trị thực như thế nào.

Đó cũng là lý do mình muốn viết bài này để không chỉ nhìn AI như một chuỗi release mới mỗi tuần, mà nhìn nó như một hệ thống đang được xây lên từng lớp một.

Nếu bạn đọc tới đây, cảm ơn bạn rất nhiều.

Hy vọng bài viết này giúp bạn có một khung nhìn rõ hơn về Scaling Law, và cũng mở ra thêm một góc nhìn mới về cách AI đang phát triển hôm nay.

Thật ra mình cũng chưa biết series này sẽ dài bao nhiêu bài, hay sẽ đi hết những chủ đề nào. Nhưng có một điều mình chắc chắn: có rất nhiều thứ “nhỏ nhưng quan trọng” mà nếu không trải qua, rất khó nhận ra — và cũng rất dễ làm sai. Okay bắt đầu thôi nào.

73% nhóm kỹ thuật đã dùng AI coding tools hàng ngày vào năm 2026, tăng từ 18% năm 2024. Nhưng có một vấn đề mà mình thấy lặp đi lặp lại: người ta viết skill xong, deploy xong, rồi skill đó nằm im không trigger bao giờ.

Không phải vì code sai. Mà vì họ đang viết field quan trọng nhất theo kiểu hoàn toàn sai mục đích.

Field đó là description.

Subscribe now

Trước hết, Claude Code đọc SKILL.md như thế nào?

Hiểu cơ chế này rất quan trọng, vì nó giải thích tại sao description lại quyết định tất cả.

Claude Code dùng lazy-loading: lúc startup, nó chỉ đọc name và description từ mỗi SKILL.md — không đọc gì thêm. Toàn bộ nội dung còn lại chỉ được load khi skill đó thực sự được kích hoạt.

Có nghĩa là mọi công sức bạn bỏ vào phần hướng dẫn chi tiết bên trong SKILL.md đều vô nghĩa nếu skill không bao giờ được chọn ngay từ đầu.

Lifecycle của một skill gồm 3 bước:

1. Startup scan — Claude quét tất cả skill directories, chỉ đọc name và description.

2. Semantic matching — Khi bạn nhập request, Claude so ngữ nghĩa của request với descriptions đã load. Nếu đủ khớp, skill được chọn.

3. Full load + execution — Claude load toàn bộ SKILL.md và bắt đầu thực thi.

Thêm một ràng buộc kỹ thuật cần biết: tổng budget cho tất cả skill descriptions trong một session là 15,000 ký tự (Mikhail Shilkov, 2025). Vượt ngưỡng đó, skill có độ ưu tiên thấp hơn bị cắt khỏi context. Viết ngắn gọn, đặt từ khoá quan trọng lên đầu.

11 frontmatter fields của SKILL.md — cái nào thực sự quan trọng?

SKILL.md có 11 frontmatter fields. Chỉ 2 field ảnh hưởng đến việc skill có được phát hiện hay không. Số còn lại chỉ có tác dụng sau khi skill đã được kích hoạt rồi.

Ba biến môi trường bạn có thể dùng trực tiếp trong SKILL.md:

• $ARGUMENTS — arguments truyền vào từ slash command

• ${CLAUDE_SKILL_DIR} — đường dẫn đến thư mục skill (dùng cái này thay vì hardcode path)

• ${CLAUDE_SESSION_ID} — ID session hiện tại

Vấn đề thực sự: bạn đang viết description cho người đọc, không phải cho model

Đây là sai lầm mình thấy nhiều nhất.

description không phải là nơi để bạn mô tả tính năng của skill. Nó là trigger specification — tức là bạn đang nói với Claude: “Đây là những tình huống mà mày nên kích hoạt skill này.”

Kết quả từ 200+ prompt tests của Mellanon (2026) rất rõ ràng:

Claude không đọc toàn bộ SKILL.md để hiểu bạn viết gì hay ho bên trong. Nó chỉ nhìn vào name + description rồi quyết định có nên sử dụng skill đó hay không. Chart này hiểu một cách đơn giản:

• Viết description kiểu cho có → gần như không bao giờ được chọn (20%)

• Viết rõ ràng khi nào nên dùng thì nhảy lên khoảng 50%

Nói cách khác, description không phải mô tả mà là trigger, chỉ cần viết đúng thì bạn đã tăng gấp 2.5 lần khả năng skill được trigger đúng lúc.

Anti-pattern vs. pattern tốt:

# Tệ — quá chung chung, không có trigger signal
description: Helps with documentation

# Tốt — rõ trigger, third-person, action verbs, có "Use when..."
description: Writes and reformats technical documentation for software projects.
  Use when the user asks to write docs, update a README, document a function,
  or create API documentation.

Mọi description tốt cần trả lời được 2 câu hỏi:

1. Skill làm gì? — Dùng động từ hành động cụ thể: writes, analyzes, validates, generates.

2. Khi nào dùng? — Liệt kê ít nhất 3–4 trigger phrases phổ biến nhất mà người dùng hay nhập.

Viết ở ngôi thứ ba, thì hiện tại. “Analyzes...” thay vì “I analyze...” hay “Use this to analyze...”.

Tip nếu dùng Tiếng Việt:

Có một điều thú vị, nếu dùng skill tiếng Anh nhưng khi gửi prompt ban đầu tiếng Việt thì liệu có match không? Yên tâm là có nhé, đó là cơ chế semantic matching của Claude, dù bạn nhập tiếng Việt vẫn có thể tìm được skill chính xác, nhưng nếu muốn tốt hơn thì sao?

Thêm cụm tiếng Việt tương đương vào phần “Use when”. Ví dụ: “Use when the user asks to write docs, viết tài liệu, hoặc cập nhật README.” Claude sẽ khớp cả hai ngôn ngữ.

Kiểm soát ai được kích hoạt skill

Có 2 independent toggles bạn cần nắm: disable-model-invocation và user-invocable. Kết hợp chúng tạo ra 4 modes:

Ví dụ thực tế:

• User-only dùng cho các skill nhạy cảm như /careful (block destructive commands) hay /freeze (giới hạn edit operations) — những thứ bạn muốn chủ động ra lệnh, không để Claude tự quyết.

• Model-only dùng cho background skills như tự động validate code style sau mỗi lần edit — user không cần biết nó tồn tại.

Tổ chức skill phức tạp: đừng nhét tất cả vào một file

Giữ SKILL.md dưới 500 dòng. Với skill phức tạp, dùng progressive disclosure: Claude chỉ đọc thêm file khi thực sự cần.

Cấu trúc khuyến nghị:

~/.claude/skills/my-skill/
├── SKILL.md              # Core instructions + chỉ dẫn load file nào khi nào
├── references/           # Chi tiết kỹ thuật, chỉ load khi cần
│   └── api-guide.md
├── scripts/              # Chạy trực tiếp, không tốn context
│   └── validate-env.sh
└── assets/               # Templates, data files
    └── template.md

Trong SKILL.md, bạn chỉ dẫn Claude khi nào cần đọc gì:

- If the user asks about system design, read `references/architecture-guide.md`
- Run `scripts/validate-env.sh` to check the environment before proceeding.
- Use `${CLAUDE_SKILL_DIR}/assets/template.md` as the base template.

Scripts chạy trực tiếp, chỉ output mới tiêu thụ token — bản thân script không chiếm context window. Đây là một trong những lý do mình thích tách logic ra scripts thay vì nhét hết vào SKILL.md.

Test skill — quy trình 4 bước

Một điều nhiều người không biết: mọi thay đổi vào SKILL.md yêu cầu restart Claude Code mới có hiệu lực. Không có hot-reload. Nhiều người mất hàng giờ debug mà không biết lý do đơn giản chỉ là chưa restart.

4 bước kiểm tra sau mỗi lần thay đổi:

1. Restart Claude Code — không có bước nào thay thế được bước này.

2. Gõ / để kiểm tra skill có trong menu không — (trừ khi bạn set user-invocable: false).

3. Thử ít nhất 5 câu request tự nhiên khác nhau, bao gồm cả paraphrase. Nếu trigger được 3/5 lần trở lên, description đang ổn.

4. Nếu không trigger — rewrite description theo công thức “Use when...”, restart, test lại.

Về priority khi trùng tên skill: Enterprise > Personal (~/.claude/skills/) > Project (.claude/skills/) > Plugin.

Personal thắng Project — đặt tên rõ ràng và duy nhất để tránh conflict không mong muốn.

Bonus: Từ 18/12/2025, Agent Skills là open standard. Cùng một SKILL.md chạy được trên Claude Code, Cursor, Gemini CLI, và Codex CLI thông qua agentskills.io. Viết một lần, deploy khắp nơi.

Tóm lại

description là thứ duy nhất Claude đọc trước khi quyết định có kích hoạt skill của bạn hay không. Đó không phải nơi để bạn giải thích skill làm gì với người dùng — đó là instruction cho model về khi nào nên chọn skill này.

Ba điểm cần nhớ:

• Viết description như trigger specification: verb + object + “Use when...” + 3–4 trigger phrases cụ thể.

• Budget 15,000 ký tự là giới hạn cứng cho tất cả descriptions. Ngắn gọn, từ khoá quan trọng lên đầu.

• Mọi thay đổi SKILL.md yêu cầu restart Claude Code.

Bước tiếp theo đơn giản: lấy một skill bạn đang có, test với 5 câu request tự nhiên. Nếu dưới 3/5 lần trigger — rewrite description theo công thức trên, restart, test lại. Lặp cho đến khi đạt ngưỡng đó.

Nếu bạn thấy bài này hữu ích, thì hãy cho mình 1 like + 1 subscribe nhé. Nếu bạn có tips nào hay để build skill thì hãy comment bên dưới chia sẻ cùng mình.

Leave a comment

Nó xuất hiện ở khắp nơi từ Twitter, GitHub, đến các cộng đồng dev và product. Người ta nói về nó, build với nó, showcase nó. Và nếu bạn ở trong giới tech, rất khó để không bị cuốn vào một cảm giác rất quen thuộc: FOMO.

Nhưng hãy dừng lại một chút.

Giữa tất cả những làn sóng đó, bạn có thực sự hiểu OpenClaw là gì không?

Subscribe now

1. Vấn đề toàn cảnh hiện tại

AI giờ đây xuất hiện ở mọi nơi - bạn có thể chat với AI trong trình duyệt, trong IDE, trong Slack, trong điện thoại, trong hàng chục ứng dụng khác nhau. Nhưng tất cả những cuộc hội thoại đó gần như không kết nối với nhau.

Phần lớn trải nghiệm AI hiện nay đều mắc cùng một bệnh: biết trả lời, nhưng không thật sự biết vận hành. Biết làm một việc, nhưng không giữ được sự liên tục. Biết xuất hiện ở nhiều nơi, nhưng không có một trung tâm điều khiển thống nhất. Và càng thêm nhiều công cụ, hệ thống càng phân mảnh.

Đó chính là khoảng trống mà OpenClaw đang cố lấp đầy. Mình đã dành thời gian trải nghiệm, đào sâu vào codebase — và bài viết này là phần tổng hợp rõ ràng nhất những gì mình hiểu về nó. Bài viết này không nhằm mục đích khuyên bạn sử dụng nó mà nó là những chia sẻ để bạn thực sự hiểu OpenClaw là gì.

OpenClaw không phải một chatbot tốt hơn. Nó là nỗ lực biến AI thành một lớp điều phối xuyên suốt — kết nối các kênh giao tiếp, các phiên làm việc, các công cụ, và các quy trình lặp lại hằng ngày.

Nói đơn giản cho ai chưa quen công nghệ: hãy tưởng tượng bạn có một trợ lý riêng. Trợ lý đó không chỉ trả lời khi bạn hỏi, mà còn nhớ những gì đang làm dở, biết lúc nào cần chủ động nhắc bạn, và có thể nói chuyện với bạn qua Telegram, Slack hay bất kỳ kênh nào bạn đang dùng — tất cả đều cùng một bộ não.

Cái tên này nghe có vẻ cường điệu, nhưng nếu hiểu đúng thì khá chính xác: không phải vì nó thay thế mọi thứ, mà vì nó muốn trở thành lớp kết nối mọi thứ còn lại.

2. OpenClaw thực sự là gì?

Bỏ hết branding sang một bên, ta có thể mô tả OpenClaw bằng một câu:

OpenClaw là một nền tảng trợ lý AI cho phép bạn vận hành một assistant chạy liên tục, nhiều kênh, nhiều phiên, nhiều công cụ — với chính sách bảo mật đủ rõ ràng để dùng trong đời sống và công việc của bạn.

Ở góc nhìn người dùng, nó trông như một assistant trả lời bạn qua Telegram, WhatsApp, Slack, Discord, dashboard web, hoặc dòng lệnh (CLI). Bạn nhắn ở đâu cũng được — nó vẫn là cùng một trợ lý.

Ở góc nhìn kỹ thuật như Figure 0, bên dưới có một lớp Gateway đứng ở giữa, làm nhiệm vụ: nhận yêu cầu từ nhiều kênh, xác minh danh tính, xác định phiên làm việc, gọi “bộ não” AI xử lý, cho phép các công cụ tham gia khi cần, ghi lại lịch sử, rồi trả kết quả về đúng nơi bạn đang tương tác.

Insight quan trọng

Sản phẩm thật của OpenClaw không nằm ở từng kênh chat riêng lẻ. Nó nằm trong lớp điều phối ở giữa — nơi mọi thứ được kết nối, quản lý và phân luồng. Kênh chat chỉ là giao diện. Gateway mới là trung tâm điều khiển. Và trợ lý AI mới là sản phẩm thật sự.

3. Vì sao cách tiếp cận này đáng chú ý?

Phần lớn sản phẩm AI hiện nay tối ưu cho chất lượng từng câu trả lời: nhanh hơn, hay hơn, tự nhiên hơn. OpenClaw đang tối ưu cho một lớp khác hoàn toàn: sự liên tục trong vận hành.

Điều đó quan trọng vì trong công việc thực tế, giá trị của AI không đến từ một câu trả lời thông minh đơn lẻ. Giá trị đến từ việc AI có mặt đúng lúc, xuất hiện ở đúng kênh, nhớ được ngữ cảnh đang dở, gọi đúng công cụ, và lặp lại được điều đó theo thời gian.

Sự khác biệt nghe có vẻ nhỏ, nhưng về mặt sản phẩm thì nó tạo ra hai thế giới hoàn toàn khác nhau. Một bên là “AI giúp bạn xử lý tác vụ đơn lẻ”. Một bên là “AI trở thành một phần của hệ điều hành cá nhân”. Và đó là nơi giá trị dài hạn bắt đầu xuất hiện.

4. Nguồn gốc cho ta biết gì về bản chất sản phẩm?

Một sản phẩm thường mang dấu vết rất rõ từ điểm xuất phát. OpenClaw cũng vậy. Nó đi qua chuỗi tiến hóa: từ Warelay (một WhatsApp gateway đơn giản), sang Clawdbot (dần mang hình hài trợ lý), rồi Moltbot (chuyển tiếp thương hiệu), và cuối cùng là OpenClaw — định vị thành một nền tảng trợ lý mã nguồn mở.

Founder được ghi nhận là Peter Steinberger, với nền móng từ cuối tháng 11/2025. Điều đáng chú ý không phải tiểu sử founder, mà là hướng khởi đầu: sản phẩm không sinh ra như một “AI super app”, mà sinh ra từ một bài toán gateway rất thực dụng.

Điều đó giải thích vì sao DNA của OpenClaw rất khác so với nhiều ứng dụng AI khác. Nó bắt đầu từ phân phối trước, từ kênh giao tiếp trước, từ dịch vụ nền trước — rồi mới mở rộng sang agent, skills, dashboard, memory, multi-agent, và trừu tượng hóa LLM providers.

OpenClaw vì thế có một lợi thế rõ: phần "khó mở rộng" của hệ thống — orchestration, routing, session management — được nghĩ sớm hơn thay vì chắp vá sau.

5. OpenClaw hoạt động như thế nào?

Phần lớn thời gian cho bài viết này chính là phần cách hoạt động, vì tính tò mò mình đào khá sâu về codebase, bạn có thể bỏ qua phần này nếu không muốn tìm hiểu sâu về kiến trúc, nhưng yên tâm nếu bạn đọc thì mình sẽ cố gắng giải thích một cách đơn giản nhất có thể.

Nếu bạn không phải dân kỹ thuật, để dễ hình dung, bạn có thể tưởng tượng OpenClaw giống như một công ty dịch vụ hiện đại:

• Bộ phận lễ tân: nhận khách, kiểm tra danh tính, hướng dẫn khách đến đúng nơi

• Bộ phận điều phối: xem khách cần gặp ai, chuyển đúng phòng ban

• Bộ phận chuyên môn: nơi các “nhân viên AI” thật sự làm việc

• Kho hồ sơ: lưu lịch sử trao đổi, thông tin khách hàng, quyền truy cập

• Bộ phận bảo vệ và vận hành: đảm bảo mọi thứ an toàn, đúng quyền, không hỏng hệ thống

Sơ đồ này chính là cách chia các bộ phận đó ra rất rõ.

Surfaces / Channels — Nơi người dùng chạm vào hệ thống

Đây là lớp ngoài cùng của hệ thống — nơi người dùng “bước vào”. Bạn có thể hình dung đây đơn giản là các cánh cửa dẫn vào OpenClaw. Trong thực tế, những “cánh cửa” này rất đa dạng:

• Telegram, WhatsApp

• Slack, Discord, Teams

• Signal, iMessage, IRC

• Webchat, API, Hook

• CLI, Web UI

• macOS / iOS app

• Automations, remote clients

Nhưng có một điểm quan trọng: tầng này chưa có AI hay gì cả.

Nó chỉ làm một việc duy nhất — nhận yêu cầu từ bên ngoài và đưa vào hệ thống.

Ví dụ:

• Bạn nhắn “Tổng hợp các đầu việc hôm nay” trên Telegram

• Một đồng nghiệp gửi request qua Slack

• Developer chạy lệnh từ CLI

• Một automation tự động trigger AI lúc 8h sáng

Tất cả những thứ đó, về bản chất, chỉ là đầu vào.

Nếu cần một hình dung dễ hiểu hơn:

Hãy tưởng tượng một trung tâm chăm sóc khách hàng.

Khách có thể liên hệ qua điện thoại, email, Facebook, Zalo hay app.
Những kênh đó không giải quyết vấn đề — chúng chỉ là nơi tiếp nhận yêu cầu.

Phần xử lý thực sự luôn nằm ở phía sau. Và trong OpenClaw, Surfaces / Channels chính là lớp “tiếp nhận” đó.

Gateway Control Plane — Lớp điều phối trung tâm

Đây là một trong những phần quan trọng nhất của OpenClaw.

Nếu ví hệ thống như một công ty, thì đây chính là lễ tân + bảo vệ + điều phối. Nó không “suy nghĩ” như AI, nhưng quyết định yêu cầu nào đi đâu, gặp ai, và trong ngữ cảnh nào.

Ingress

Nơi đầu tiên nhận request từ mọi kênh (Telegram, Slack, Web, CLI…).

• Nhận kết nối

• Xác định nguồn request

• Chuẩn hóa dữ liệu

👉 Hiểu đơn giản: “Có một yêu cầu mới vừa vào hệ thống.”

Auth + Pairing — Xác thực

Đảm bảo hệ thống biết:

• Bạn là ai

• Có quyền gì

• Thiết bị có đáng tin không

👉 Giống như quét thẻ nhân viên trước khi vào công ty.

Routing Engine + Bindings — Điều phối

Quyết định:

• Request này gửi cho agent nào

• Thuộc session nào

• Có tiếp tục cuộc hội thoại trước không

👉 Giống như lễ tân nói: “Khách này cần gặp đúng phòng ban.”

RPC Handlers — Cổng chức năng

Các điểm gọi hành động nội bộ như:

• Gửi tin nhắn

• Gọi agent

• Lấy config

• Check hệ thống

👉 Tương tự các “bàn nghiệp vụ” trong công ty.

Event Bus — Dòng sự kiện

Nơi hệ thống phát tín hiệu:

• Agent bắt đầu / kết thúc

• Tool được gọi

• Session đang hoạt động

👉 Giống bảng thông báo nội bộ giúp mọi thứ đồng bộ và theo dõi được.

Multi-agent Host — Quản lý nhiều agent

Cho phép chạy nhiều AI cùng lúc, mỗi agent có:

• Workspace riêng

• Session riêng

• Vai trò riêng

👉 Giống một công ty có nhiều nhân viên, mỗi người làm một việc khác nhau.

Tóm lại: Gateway Control Plane không tạo ra câu trả lời, nhưng nó quyết định ai được trả lời, trả lời ở đâu, và trong bối cảnh nào — đó mới là phần khó nhất của một hệ thống AI vận hành thực tế.

Agent Execution Plane — Nơi AI thật sự làm việc

Nếu Gateway là lễ tân và điều phối, thì đây là nơi “nhân viên AI” ngồi làm việc.

Toàn bộ những gì bạn gọi là “AI” thực ra diễn ra ở đây: đọc yêu cầu, build prompt, chọn model, gọi tool, xử lý và trả kết quả.

Agent loop — Vòng xử lý

Luồng cơ bản: intake → prompt → model → tools → stream → persist

Hiểu đơn giản:

• Nhận yêu cầu

• Chuẩn bị ngữ cảnh

• Gọi AI suy nghĩ

• Dùng tool nếu cần

• Trả kết quả dần

• Lưu lại để dùng sau

👉 Đây là “vòng đời” của mỗi request.

Prompt Composer — Chuẩn bị bối cảnh

AI không chỉ nhận 1 câu hỏi. Trước khi gọi model, hệ thống sẽ ghép thêm:

• Vai trò agent

• Thông tin user

• Tone / style

• Docs / context liên quan

👉 Giống như trợ lý chuẩn bị brief trước khi đưa việc cho chuyên gia.

Runtime — Điều khiển thực thi

Quyết định cách AI chạy:

• Dùng model nào

• Có được gọi tool không

• Timeout, retry, abort

• Luồng xử lý

👉 Giống trưởng nhóm vận hành quyết định cách làm việc.

Model Providers — Nguồn AI

Hệ thống có thể dùng nhiều model:

• OpenAI, Anthropic, xAI

• hoặc model local

👉 Không có “một AI duy nhất” — mà là nhiều nguồn được chọn tùy task.

Tools — Khả năng hành động

Nếu model là “bộ não”, thì tools là “tay chân”.

AI có thể:

• đọc file

• gọi API

• browse web

• chạy code

• tạo artifact

👉 Không có tools, AI chỉ biết nói. Có tools, AI mới làm việc.

Subagent Orchestrator — Chia nhỏ công việc

Một task lớn có thể được chia thành nhiều agent:

• agent đọc

• agent tóm tắt

• agent đề xuất

• agent tổng hợp

👉 Giống manager giao việc cho nhiều người rồi gom lại.

Depth & Tool Policy — Giới hạn an toàn

Để tránh AI “đi quá xa”, hệ thống đặt ra:

• giới hạn số agent con

• giới hạn tool được dùng

• sandbox / quyền truy cập

👉 Giống nội quy công ty: làm được nhiều, nhưng phải trong kiểm soát.

Tóm lại: đây là nơi AI thực sự “suy nghĩ và hành động”. Gateway quyết định đi đâu, còn Agent Execution Plane quyết định làm gì và làm như thế nào.

Data & State Plane — Trí nhớ của hệ thống

Đây là nơi OpenClaw “ghi nhớ mọi thứ”.

Nếu không có lớp này, AI sẽ giống như một người quên sạch sau mỗi lần nói chuyện.

Session Store — Lưu phiên làm việc

Giúp hệ thống biết:

• Cuộc hội thoại này thuộc session nào

• Đang nói dở ở đâu

• Có phải tiếp nối hay bắt đầu mới

👉 Giống như mã hồ sơ để đảm bảo câu chuyện không bị “reset”.

Transcripts — Lịch sử trao đổi

Lưu lại:

• Nội dung hội thoại

• Các sự kiện, run history

👉 Dùng để:

• Xem lại

• Debug

• Audit

• Làm context cho lần sau

Giống như biên bản sau mỗi cuộc họp.

Auth Profiles + Creds — Quyền truy cập

Lưu:

• Thông tin đăng nhập

• Credentials của từng channel

• Quyền của từng agent

👉 Đảm bảo mỗi agent chỉ làm được những gì nó được phép.
Giống như thẻ ra vào và chìa khóa của nhân viên.

Plugins / Skills Registry — Năng lực hệ thống

Quản lý:

• Skill nào đang bật

• Plugin nào được dùng

• Config & policy

👉 Giống như bộ kỹ năng và công cụ của từng agent — quyết định AI có thể làm được gì.

Tóm lại: Data & State Plane không trực tiếp tạo ra câu trả lời, nhưng nó quyết định AI có nhớ được quá khứ, giữ được ngữ cảnh, và hành động đúng quyền hay không.

Security & Operations — Lớp bảo vệ và vận hành

Đây là lớp “chạy nền” xuyên suốt toàn bộ hệ thống.

Nó không nằm ở một chỗ cụ thể, mà ảnh hưởng đến mọi tầng — từ gateway, agent cho đến data.

Hiểu đơn giản:

Đây là bộ phận:

• Bảo vệ

• Kiểm tra an toàn

• Giám sát vận hành

• Khôi phục khi có sự cố

Những gì lớp này đảm nhiệm:

• Auth & pairing: ai được truy cập, ở mức nào

• Trusted proxies / allowed origins: chỉ cho phép kết nối từ nguồn tin cậy

• Sandbox & filesystem boundaries: giới hạn AI không vượt khỏi phạm vi cho phép

• Exec approvals: kiểm soát việc chạy lệnh

• Least privilege: mỗi agent chỉ có quyền tối thiểu cần thiết

• Security audit: ghi lại để kiểm tra và truy vết

• Observability: theo dõi trạng thái hệ thống

• Restart / recovery: tự phục hồi khi lỗi

• Upgrade channels: cập nhật an toàn

• Policy drift checks: đảm bảo cấu hình không bị lệch theo thời gian

Ví dụ thực tế

Nếu AI được phép chạy lệnh:

• Có nên cho phép không?

• Lệnh này có nguy hiểm không?

• Có vượt quyền không?

• Có cần sandbox không?

Hoặc khi hệ thống gặp sự cố:

• Có tự restart được không?

• Có log để debug không?

• Có audit trail để kiểm tra không?

Tóm lại: nếu các tầng phía trên là “trí tuệ”, thì Security & Operations chính là kỷ luật.

Và trong một hệ thống AI thực tế, kỷ luật quan trọng không kém trí thông minh.

Nếu bạn thực sự đọc hết tới đây, mình rất cảm ơn bạn và mong rằng giải thích trên sẽ giúp bạn thực sự hiểu OpenClaw hoạt động thế nào. Để kết lại phần này, thì hãy xem qua một senquence diagram nhé, nó không thực sự phức tạp như bạn nghĩ đâu.

6. Điều gì thật sự khác biệt so với các agent khác?

Nếu nói đơn giản: nhiều agent hiện nay “giỏi suy luận trong một phiên”. OpenClaw hướng tới “giỏi vận hành trong một hệ”.

Sự khác biệt này tạo ra bốn lợi thế then chốt:

Điểm thứ tư đặc biệt quan trọng. Đa số AI hiện nay là phản ứng (reactive) — chờ bạn ra lệnh. OpenClaw có thể chủ động: gửi briefing buổi sáng, nhắc deadline, chạy tổng hợp định kỳ — giống như một cộng sự thật sự có lịch làm việc.

7. OpenClaw giải bài toán gì tốt nhất?

Không phải use case nào cũng cần OpenClaw. Nếu bạn chỉ cần một ô chat để hỏi nhanh vài câu, chi phí setup là dư thừa. OpenClaw đáng giá nhất khi bạn cần đồng thời nhiều kênh, ngữ cảnh kéo dài qua nhiều phiên, quy trình lặp lại, và khả năng mở rộng dần.

Personal Briefing & Daily Operator

AI tự tổng hợp thông tin định kỳ, gửi briefing qua kênh bạn đang dùng mỗi sáng. Kết hợp cron, transcript, và khả năng kéo dài ngữ cảnh.

Research + Drafting

Biến nghiên cứu thành output liên tục — brief, email, bản nháp bài viết — thay vì tóm tắt một lần rồi quên.

Cross-device Coordination

Ra lệnh từ điện thoại, xử lý chạy ở server, kết quả quay lại kênh quen thuộc. Giảm chi phí chuyển đổi giữa thiết bị.

Multi-agent theo vai trò

Thay vì nhồi một trợ lý làm tất cả, tách thành nhiều agent: research, operations, support — mỗi agent có model, công cụ, và chính sách riêng.

8. Skills và Providers: leverage mạnh nhất, cũng dễ sai nhất

Một trong những điểm mạnh nhất của OpenClaw: không buộc bạn vào một nhà cung cấp AI duy nhất hay một bộ tính năng cố định.

Về mặt thiết kế nền tảng, đây là lựa chọn đúng. Model là lớp có thể thay thế (dùng Claude cho reasoning phức tạp, GPT cho tác vụ nhẹ). Provider là hạ tầng có thể chuyển đổi (failover). Skills là kiến thức chuyên biệt đã được đóng gói. Tools là lớp thực thi cụ thể.

Nhưng cần nói thẳng:

Skills là siêu sức mạnh, đồng thời cũng là trách nhiệm nếu dùng thiếu kỷ luật. Skill có thể kéo theo logic thực thi, plugin có thể mở rộng quyền mạnh, và một gateway mở quá rộng sẽ khiến bán kính thiệt hại tăng nhanh.

Đây là nơi tư duy Product Manager rất hữu ích: không hỏi “có làm được không?”, mà hỏi “mở quyền này thì giá trị tăng bao nhiêu, và rủi ro tăng bao nhiêu?”.

Một phần mà mình cũng muốn đề cập hơi kỹ thuật một tí nhưng nó lại tạo nên cái chất riêng của OpenClaw

Phần này mô tả luồng inject context vào agent trước khi agent bắt đầu trả lời. Hiểu đơn giản, khi người dùng gửi một tin nhắn vào hệ thống, agent sẽ không trả lời ngay lập tức, mà trước đó hệ thống phải tạo session, xác định đây là phiên làm việc nào, rồi tìm và nạp các file .md liên quan trong workspace để xây dựng system prompt hoàn chỉnh. Nhờ vậy, agent không chỉ thấy mỗi câu hỏi hiện tại, mà còn hiểu mình là ai, đang phục vụ ai, có phong cách phản hồi thế nào, được phép dùng công cụ gì, và cần mang theo những bối cảnh nào của dự án hay người dùng.

Các file .md ở đây đóng vai trò như những lớp hướng dẫn cho agent.

• AGENTS.md dùng để mô tả các agent đang có trong hệ thống và vai trò chung của từng agent.

• SOUL.md định nghĩa “linh hồn” của agent, tức là tone, persona, cách nói chuyện và phong cách phản hồi.

• TOOLS.md liệt kê các công cụ hoặc khả năng mà agent được phép sử dụng khi làm việc.

• IDENTITY.md mô tả bản sắc và nhiệm vụ cốt lõi của agent, giúp agent hiểu rõ mình đang đóng vai trò gì.

• USER.md chứa thông tin hoặc bối cảnh về người dùng để agent cá nhân hóa câu trả lời.

• HEARTBEAT.md thường là các nhắc nhở vận hành hoặc tín hiệu hệ thống cần được chèn thêm trong quá trình chạy.

• BOOTSTRAP.md là file khởi tạo bổ sung nếu workspace có cấu hình riêng.

• MEMORY.md dùng để lưu những ghi nhớ hoặc context quan trọng cần mang theo giữa các lần làm việc.

Sau khi các file này được nạp, hệ thống sẽ áp dụng session filter rule để chỉ giữ lại những phần thật sự cần thiết cho phiên chạy hiện tại.

Ví dụ, nếu là subagent hoặc cron job thì có thể chỉ giữ một tập context tối thiểu như AGENTS + TOOLS + SOUL + IDENTITY + USER. Cuối cùng, tất cả được hợp nhất lại thành một embedded system prompt hoàn chỉnh và gắn vào agent trước khi agent bắt đầu xử lý yêu cầu của người dùng.

Nói ngắn gọn, đây là cơ chế giúp agent luôn vào việc với đúng vai trò, đúng ngữ cảnh, đúng công cụ và đúng ký ức cần thiết.

9. Security: phần quyết định OpenClaw hữu ích hay nguy hiểm

OpenClaw được thiết kế theo nguyên tắc: 1 gateway = 1 trust boundary (một ranh giới tin cậy). Nghĩa là nó phù hợp nhất cho một người vận hành, hoặc một nhóm cùng mức tin cậy — chứ không phải nhiều người không tin nhau cùng chia sẻ một gateway có quyền truy cập mạnh.

OpenClaw đã qua nhiều đợt gia cố bảo mật nghiêm túc, bao gồm các vấn đề như giới hạn truy cập nội bộ (SSRF), ràng buộc xác thực, kiểm soát phạm vi quyền, và quản lý plugin.

Hình dưới mình tổng hợp những gì liên quan tới security của OpenClaw, phần này mình thấy khá phức tạp nên sẽ không đi chi tiết nhưng lời khuyên của mình là nếu sử dụng hãy luôn update version mới nhất từ Github chính chủ của OpenClaw để đảm bảo các vấn đề bảo mật được xử lý, đồng thời theo kinh nghiệm của mình thì hãy thử nghiệm ở môi trường sandbox, độc lập với máy tính cá nhân của bạn. Chỉ khi nào bạn thực sự hiểu rõ bản chất thì mới setup vào các hệ thống của bạn.

Nguyên tắc vận hành

Đây là một nền tảng có tư thế bảo mật đang trưởng thành, nhưng không phải loại “cứ bật lên là an toàn”. Cách triển khai tốt nhất: bind gateway vào loopback trước, dùng xác thực chặt, chỉ mở kênh và công cụ cần thiết, audit sau mỗi thay đổi lớn, và coi plugin/skill là code có quyền lực — không phải addon vô hại.

Nói gọn: OpenClaw không thưởng cho sự cẩu thả. Nó thưởng cho người vận hành có kỷ luật.

10. Setup OpenClaw có khó không?

Câu trả lời trung thực: khó hơn một ứng dụng AI thông thường, nhưng dễ hơn việc tự ghép một hệ nhiều thành phần từ đầu.

Cách setup tốt nhất không phải “bật tất cả cùng lúc”. Cách tốt nhất là giảm entropy từng bước:

Dashboard trước

Cài đặt → Chạy gateway → Chat trên dashboard để kiểm tra lõi hoạt động ổn.

Thêm kênh từ từ

Kết nối một kênh (ví dụ Telegram). Ổn rồi mới thêm kênh thứ hai.

Bảo mật → Tự động hóa

Áp dụng baseline bảo mật. Chỉ sau khi hệ thống ổn định mới thêm skills và automation.

Vì sao nên "dashboard trước"? Vì nếu dashboard chưa chạy ổn mà bạn đã thêm Telegram, WhatsApp, Slack, Discord cùng lúc, bạn sẽ không biết lỗi nằm ở gateway, xác thực, cấu hình, hay chính workflow của mình. Debugging luôn nên bắt đầu từ lõi.

11. Điều gì làm OpenClaw có giá trị tích lũy theo thời gian?

Rất nhiều sản phẩm AI nhìn hấp dẫn ở tuần đầu, nhưng không tạo được lợi thế tích lũy. Sau một thời gian, người dùng lại quay về mô hình cũ: copy-paste, nhắc thủ công, đổi app liên tục, mất ngữ cảnh.

OpenClaw có khả năng tạo ra giá trị tích lũy ở bốn điểm:

Điểm thứ tư đặc biệt đáng nói. Khi dùng OpenClaw, bạn dần học: workflow nào nên tự động hóa, task nào cần agent riêng, chỗ nào cần model mạnh, chỗ nào chỉ cần fallback rẻ, và chỗ nào không nên cho AI chạm vào. OpenClaw không chỉ làm việc thay bạn — nó dạy bạn cách vận hành AI tốt hơn.

12. Năm giới hạn cần biết

⚠ Không dành cho mọi người

Người chỉ cần chat nhanh sẽ thấy OpenClaw nặng nề và dư thừa. Đây là công cụ cho người muốn vận hành, không phải chỉ hỏi đáp. Thật ra lời khuyên trên mạng thì hay nói nó không dành cho người không biết Tech, nhưng theo mình chưa thực sự đúng, nếu cứ mãi sợ những điều đó thì bạn sẽ không bao giờ biết nó là gì. Như mình nói ở trên, nếu bạn là người non-tech, hãy lựa chọn môi trường sandbox để thử nghiệm và khám phá.

⚠ Complexity là có thật

Multi-channel, multi-session, tools, policies, security, daemon, providers — mỗi lớp tăng sức mạnh, nhưng cũng tăng gánh nặng nhận thức.

Sự phức tạp của nó là có, những nếu dành thời gian tìm hiểu, nó rất đáng để bạn nghiên cứu. Nếu bạn có claude hay codex, thử sử dụng những agent này hướng dẫn bạn cách setup, mình tin là bạn sẽ học được nhiều thứ.

⚠ Security discipline là bắt buộc

Coi đây như toy project rồi mở quyền bừa bãi = tự bắn vào chân mình. Như mình nói ở trên security là điều quan trọng nhất, không nên install trực tiếp vào máy cá nhân và server production nếu bạn chưa thực sự hiểu về nó. Hãy tìm hiểu thêm về security của OpenClaw.

⚠ Không phải model nào cũng hợp

Model nhỏ, self-hosted, hay quantized có thể không đủ tốt cho tool-use và input không tin cậy. Giá rẻ không phải lúc nào cũng là tối ưu chi phí đúng nghĩa.

Mình đã thử khá nhiều model cho OpenClaw, và có lẽ mình thích các model GPT codex nhất, vì mình có tài khoản ChatGPT Plus, quota từ nó khá nhiều cho các tác vụ đơn giản, cũng như GPT-5.3-codex hay GPT-5.4 thực sự tốt cho các câu trả lời từ đơn giản tới suy luận phức tạp.

⚠ Thành công phụ thuộc cách tổ chức

OpenClaw mạnh khi được setup như một hệ thống. Dùng nó như một ứng dụng chat đơn thuần = bỏ lỡ phần lớn giá trị.

Nhìn chung vẫn là bài toán bạn cần giải quyết là gì, hãy tìm hiểu thực sự bạn cần gì và liệu nó có giúp ích được cho bạn hay không.

13. OpenClaw phù hợp nhất với ai?

Quy tắc nhanh

Nếu bài toán của bạn là “hỏi AI” → có thể chưa cần OpenClaw.
Nếu bài toán là “vận hành với AI mỗi ngày” → OpenClaw rất đáng để nhìn.

14. Kết luận

OpenClaw — nên hiểu thế nào cho đúng?

Không nên hiểu câu này như slogan fan. Nó không có nghĩa bạn không cần app khác, không cần workflow khác, hay OpenClaw là giải pháp tối thượng cho mọi bài toán.

Nếu bạn cần một lõi để kết nối channels, sessions, tools, automation, và hành vi trợ lý thành một hệ thống thống nhất — OpenClaw có thể là phần duy nhất còn thiếu.

OpenClaw đáng chú ý không chỉ vì những gì nó đang làm, mà vì hướng nó đang kéo sản phẩm AI đi theo. Nó nhấn mạnh một luận điểm quan trọng: tương lai của AI không nằm ở việc có thêm một model hay thêm một app, mà nằm ở việc xây được lớp orchestration đủ tốt để AI đi vào workflow thực.

Nó cho thấy: AI có thể được tổ chức như một hệ thống chứ không chỉ như một giao diện. Kênh chat không phải nơi sản phẩm kết thúc, mà là nơi sản phẩm đi vào đời sống. Bảo mật và chính sách không phải phần phụ, mà là điều kiện để AI được tin dùng. Và giá trị dài hạn đến từ sự liên tục, từ leverage, từ tốc độ học — nhiều hơn là hiệu ứng “wow” ban đầu.

Nếu AI đang chuyển từ trải nghiệm chat sang hạ tầng vận hành, thì OpenClaw là một trong những dự án đáng theo dõi nhất của làn sóng đó.

References

- https://docs.openclaw.ai
- https://docs.openclaw.ai/start/lore
- https://docs.openclaw.ai/start/getting-started
- https://docs.openclaw.ai/start/wizard
- https://docs.openclaw.ai/concepts/models
- https://docs.openclaw.ai/concepts/model-failover
- https://docs.openclaw.ai/concepts/model-providers
- https://docs.openclaw.ai/tools/skills
- https://docs.openclaw.ai/tools/skills-config
- https://docs.openclaw.ai/tools/clawhub
- https://docs.openclaw.ai/gateway/security
- https://docs.openclaw.ai/gateway/sandboxing
- https://docs.openclaw.ai/help/faq
- https://docs.openclaw.ai/start/showcase

Leave a comment

“Nếu cả đời này không rực rỡ thì sao"?”

Nghe như một câu hỏi vu vơ nhưng càng nghĩ càng thấy nó không hề nhẹ nhàng. Bởi sâu bên trong, đây không chỉ là câu hỏi về thành công. Nó là câu hỏi về giá trị của một đời người.

1. Nó chạm vào nỗi ám ảnh của chúng ta

Chúng ta sống trong thời đại mà sự rực rỡ rất dễ bị định nghĩa bằng những thứ nhìn thấy được: thành tựu lớn, tiền bạc, danh tiếng, địa vị xã hội và những cột mốc khiến người khác trầm trồ.

Dần dần, nhiều người không còn hỏi:

“Mình có đang sống đúng với chính mình không?”

mà sẽ lại hỏi:

“Cuộc đời mình có đủ nổi bật để được công nhận không?”

Mình nghĩ nó viral không phải vì nó mới, mà vì nó gọi tên được một áp lực rất cũ:

Nỗi sợ mình sống xong một đời mà không thành công theo cách xã hội định nghĩa.

2. Rực rỡ thật ra là một khái niệm rất nguy hiểm nếu hiểu sai

Nguy hiểm ở chỗ nó khiến ta nghĩ rằng cuộc đời chỉ có giá trị khi chúng ta ở trên đỉnh cao nào đó.

Nhưng thực tế, phần lớn cuộc đời con người không diễn ra trong những khoảnh khắc huy hàng. Nó diễn ra trong:

• Những ngày đi làm bình thường

• Những lần chúng ta thất bại

• Những giai đoạn im lặng

• Những bữa cơm đơn giản

• Những nỗ lực không ai thấy

• Những ngày mà mình chỉ đang cố để không gục xuống

Nếu lấy rực rỡ làm tiêu chuẩn duy nhất, thì gần như ai cũng sẽ có cảm giác bản thân là kẻ thua cuộc. Vì đời người vốn không được Vì cuộc đời hiếm khi được xây nên từ những đỉnh cao. Nó được hình thành từ những ngày rất đỗi bình thường – những ngày âm thầm cố gắng, những lần thất bại, những giai đoạn lặng lẽ mà không ai chú ý.

Nên câu hỏi đáng suy ngẫm không phải là:

“Cả đời có rực rỡ hay không?”

Mà là:

“Dù không luôn rực rỡ, cuộc đời này có được sống một cách chân thật, đủ sâu sắc và đủ tử tế hay không?”

3. Một đời không rực rỡ chưa chắc là một đời vô nghĩa

Có những người không nổi tiếng, không giàu có, không ai viết bài ca ngợi. Nhưng họ:

• Sống đàng hoàng

• Yêu thương người khác tử tế

• Nuôi gia đình bằng tất cả trách nhiệm

• Âm thầm tạo giá trị

• Đi qua đau khổ mà không làm tổn thương thêm ai

Mình nghĩ đó cũng là một kiểu vĩ đại.

Xã hội thường ca ngợi những sự nổi bật, nhưng rất ít nhắc tới những người giữ lửa. Trong khi nhiều khi, chính những người “không rực rỡ” ấy lại là nền móng cho cuộc sống của người khác.

Một người thầy dạy tốt vài thế hệ học trò.
Một người cha làm việc cả đời để con đỡ khổ.
Một người bạn luôn có mặt lúc người khác suy sụp.
Một người sống lương thiện giữa một thế giới nhiều bon chen.

Họ có thể không “rực rỡ” theo nghĩa ồn ào. Nhưng họ ấm áp. Và đôi khi, cái ấm đó còn quý hơn sự rực rỡ kia.

4. Câu này cũng là một lời giải phóng

Nếu nhìn theo hướng tích cực, “Nếu cả đời không rực rỡ thì sao?” là một câu giúp ta buông bớt áp lực.

Thì sao?

Thì mình vẫn có thể:

• Sống tử tế

• Làm việc có ý nghĩa

• Yêu ai đó thật lòng

• Trưởng thành từng chút

• Đi qua đời này với sự chân thành

Không phải ai cũng sinh ra để trở thành ngôi sao.
Nhưng ai cũng có thể trở thành một con người có giá trị.

Đây là điểm rất quan trọng:

giá trị của một đời người không đồng nghĩa với độ nổi bật của nó.

5. Nhưng cũng đừng dùng câu này để tự ru ngủ bản thân

Có người nghe câu này rồi thở phào:
“Ừ, không cần cố nữa, sống sao cũng được.”

Mình không nghĩ vậy.

Chấp nhận một đời không rực rỡ không có nghĩa là từ bỏ việc sống hết mình.
Nó chỉ có nghĩa là:

• Đừng đo giá trị bản thân bằng ánh nhìn của đám đông

• Đừng coi thành tựu là thước đo duy nhất

• Đừng nghĩ bình thường là thất bại

Ta vẫn nên cố gắng. Vẫn nên phát triển. Vẫn nên khao khát làm điều lớn.

Nhưng động cơ nên là: muốn sống trọn vẹn chứ không phải sợ mình tầm thường.

Hai thứ đó khác nhau rất lớn.

Người thứ nhất đi bằng nội lực.
Người thứ hai chạy bằng nỗi hoảng loạn.

6. Con người đau khổ không phải vì không rực rỡ, mà vì luôn so sánh

Nhiều khi vấn đề không nằm ở cuộc đời mình quá nhỏ, mà ở việc ta liên tục nhìn cuộc đời người khác như một chuẩn mực.

Mạng xã hội khuếch đại điều này cực mạnh. Ta thấy người khác:

• Thành công sớm hơn

• Đẹp hơn

• Kiếm nhiều tiền hơn

• Sống đúng timeline hơn

Rồi bắt đầu nghĩ:
“Mình có đang lỡ một điều gì không?”
“Đời mình có đang quá nhạt không?”
“Liệu mình có trở thành một người thất bại không?”

Nhưng thật ra, rất nhiều cái gọi là “rực rỡ” chỉ là khoảnh khắc được chọn để hiển thị, không phải toàn bộ sự thật của một đời người.

7. Lời kết

Theo mình, một câu trả lời đẹp cho câu hỏi này là:

Nếu cả đời không rực rỡ, thì hãy sống sao cho nó chân thật.
Nếu không chói lòa, thì hãy đủ ấm áp.
Nếu không phi thường, thì vẫn có thể tử tế và sâu sắc.

Pháo hoa rất đẹp, nhưng sẽ tắt nhanh, chỉ tồn tại vài phút.
Một ngọn đèn nhỏ có thể không khiến ai choáng ngợp, nhưng nó sáng đủ lâu để dẫn đường.

Và nhiều khi, đời người không cần phải là pháo hoa.
Chỉ cần là một ngọn đèn không phụ bóng tối.

Mình rất thích nhìn câu nói này theo hướng trưởng thành hơn:
không phải để hạ thấp khát vọng, mà để đặt lại định nghĩa về một cuộc đời đáng sống.

Một cuộc đời đáng sống không nhất thiết phải khiến nhiều người biết đến.
Chỉ cần khi ngoảnh lại, mình có thể nói:

• Tôi đã sống thật

• Tôi đã cố gắng

• Tôi đã yêu thương

• Tôi đã không phản bội chính mình

Thế là đã không uổng một đời rồi. Còn bạn thì sao, bạn nghĩ thế nào về hai từ “rực rỡ” hãy chia sẻ với mình bên dưới nhé!

Leave a comment