# Giangxai: toàn bộ nội dung --- --- title: "Cách mình chọn công cụ" url: "https://giangxai.com/how-we-research/" updated: "2026-10-26" --- # Cách mình chọn công cụ Trang này nói rõ mình chọn và giới thiệu công cụ thế nào, để bạn biết nên tin bài viết ở mức nào. ## Mình viết từ việc thật Phần lớn bài trên Giangxai là hướng dẫn từ workflow mình đang dùng: dựng agent, viết skill, nối công cụ, làm content và website. Khi bài nói "mình đã dùng" thì đó là việc mình đã làm. ## Khi so sánh hay giới thiệu công cụ - Giá, gói và giới hạn lấy từ trang chính thức của hãng, có link nguồn và ngày cập nhật. - Mình nói cả điểm hợp và chưa hợp, để bạn chọn đúng cái mình cần. - Công cụ đổi rất nhanh, nên mỗi bài ghi ngày cập nhật. Thấy chỗ cũ, [báo mình](/contact/). ## Link affiliate Một số bài có link affiliate, được ghi rõ ở đầu bài. Xem [công bố affiliate](/affiliate-disclosure/). --- --- title: "Công bố affiliate" url: "https://giangxai.com/affiliate-disclosure/" updated: "2026-10-26" --- # Công bố affiliate Một số bài trên Giangxai có link affiliate. Nếu bạn mua qua link đó, mình nhận một khoản hoa hồng nhỏ từ hãng, bạn không phải trả thêm gì. Bài nào có link affiliate thì có dòng công bố ở đầu bài. Hoa hồng không quyết định mình viết gì: mình giới thiệu công cụ theo việc nó làm được trong công việc thật. Xem [cách mình chọn công cụ](/how-we-research/). Bộ 8 AI Agent, Coaching 1:1 và tài liệu miễn phí là sản phẩm của chính Giangxai, không phải link affiliate. --- --- title: "Miễn trừ trách nhiệm" url: "https://giangxai.com/disclaimer/" updated: "2026-10-26" --- # Miễn trừ trách nhiệm Nội dung trên Giangxai là chia sẻ kinh nghiệm và hướng dẫn để tham khảo. Mình cố gắng giữ thông tin chính xác và ghi ngày cập nhật trên mỗi bài, nhưng công cụ AI thay đổi rất nhanh: giá, gói và tính năng có thể đã khác khi bạn đọc. Kết quả khi áp dụng AI Agent và tự động hóa phụ thuộc vào cách bạn làm và bối cảnh kinh doanh của bạn. Không có bài nào trên site là cam kết về thu nhập hay kết quả. Tên công cụ và nhãn hiệu thuộc về chủ sở hữu của chúng. Giangxai không liên kết với các hãng được nhắc tới, trừ khi bài ghi rõ. Một số bài có link affiliate, xem [công bố affiliate](/affiliate-disclosure/). --- --- title: "Giới thiệu" url: "https://giangxai.com/about/" updated: "2026-10-26" --- # Giới thiệu Xin chào, mình là Giang, chủ kênh YouTube Giangxai. Kênh và site này tập trung vào AI Agent, AI Automation và Affiliate AI: đây là những việc mình làm hằng ngày, dùng AI để tối ưu hệ thống online của mình. Nội dung và sản phẩm của Giangxai dành cho những ai muốn ứng dụng AI và tự động hóa để tối ưu công việc, làm content hiệu quả hơn và xây hệ thống kiếm tiền online bền vững, kể cả khi không giỏi kỹ thuật. Mình chỉ chia sẻ những gì mình đã test, xây và tối ưu: workflow AI thực tế, từng bước, để bạn áp dụng được ngay. ## Trên Giangxai có gì - [Blog](/blog/): AI Agent, tự động hóa, AI cho marketing và affiliate, công cụ và model AI - [Công cụ mình dùng](/cong-cu/) - [Bộ 8 AI Agent](/bo-7-agent/): bộ agent thực chiến cho affiliate và marketing online - [Coaching 1:1](/coaching-11/): đồng hành trực tiếp để đưa AI Agent vào hệ thống kinh doanh có sẵn - [Tài liệu miễn phí](/tai-lieu-mien-phi/): workflow, hướng dẫn Claude AI, kiến trúc AI Agent ## Kênh của Giangxai - YouTube: [@giangxai.official](https://www.youtube.com/@giangxai.official) - TikTok: [@giangxai101](https://www.tiktok.com/@giangxai101) - Facebook: [giangxAI101](https://www.facebook.com/giangxAI101) ## Liên hệ Email [contact@giangxai.com](mailto:contact@giangxai.com) hoặc Zalo [0945 014 368](https://zalo.me/0945014368). Xem thêm [trang liên hệ](/contact/). --- --- title: "Liên hệ" url: "https://giangxai.com/contact/" updated: "2026-10-26" --- # Liên hệ Câu hỏi, hợp tác hay góp ý về bài viết, bạn nhắn mình qua: - Email: [contact@giangxai.com](mailto:contact@giangxai.com) - Zalo: [0945 014 368](https://zalo.me/0945014368) - Facebook: [giangxAI101](https://www.facebook.com/giangxAI101) Muốn làm việc trực tiếp với mình: xem [Coaching 1:1](/coaching-11/) (có buổi tư vấn miễn phí 30 phút). Hỏi về Bộ 8 Agent: nhắn Zalo ở trên. Thấy bài có thông tin đã cũ (giá, tính năng, cách cài)? Gửi mình tên bài và chỗ đã thay đổi, mình sẽ cập nhật. --- --- title: "20 Repo Skill Làm Video Motion Graphics Bằng Code Với Claude Opus 5.5" url: "https://giangxai.com/20-repo-skill-video-motion-graphics-claude/" updated: "2026-10-15" type: "Tổng hợp" cluster: "AI cho Marketing & Affiliate" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Không cần After Effects, không cần biết dựng phim. Chỉ cần Claude viết code, một skill lo nhịp và chuyển động camera, một engine render ra MP4. Đây là 20 repo GitHub mình đã kiểm tra, chia theo 3 nhóm: skill làm video, engine render và các công cụ về \"gu\" chuyển động." --- # 20 Repo Skill Làm Video Motion Graphics Bằng Code Với Claude Opus 5.5 *Cập nhật: 15/10/2026. Số sao GitHub ghi trong bài là số liệu tại ngày cập nhật.* Vài tháng trước, muốn có một video giới thiệu sản phẩm có chữ bay, logo xoay, số liệu chạy lên… bạn gần như chỉ có hai lựa chọn: tự học After Effects, hoặc thuê người dựng. Bây giờ có lựa chọn thứ ba: **để AI viết video bằng code**. Nghe thì kỹ thuật, nhưng cách vận hành khá đơn giản. Bạn mô tả video mình muốn bằng lời. Claude viết code cho từng khung hình. Một "skill" (bộ hướng dẫn cài vào Claude Code) dạy Claude cách căn nhịp, chuyển cảnh, di chuyển camera cho đẹp. Cuối cùng một "engine" render tất cả ra file MP4. > Toàn bộ stack trong một câu: Opus 5.5 viết code, skill lo nhịp và camera, engine render ra MP4. Những video motion graphics làm bằng Claude đang được chia sẻ nhiều trên X Dưới đây là 20 repo GitHub đang được cộng đồng dùng nhiều nhất cho việc này. Mình đã mở từng repo để kiểm tra còn hoạt động, còn được cập nhật, và tóm tắt lại bằng tiếng Việt để bạn chọn nhanh. ## Nhóm 1: 10 skill làm video motion graphics cho Claude Đây là phần "bộ não" của quy trình. Mỗi skill có một thế mạnh riêng: có cái chuyên video ra mắt sản phẩm, có cái chuyên B-roll, có cái chuyên luật chuyển động. ### 1. claude-motion Bộ công cụ motion design cho coding agent. Điểm đáng chú ý: skill có "gu" thẩm mỹ được viết sẵn, **tự xem lại các khung hình mình vừa render** để sửa lỗi, và cả âm thanh cũng được viết bằng code. Tác giả xây skill này riêng cho Opus 5.5. - **Hợp với:** người muốn một bộ toàn diện, ít phải can thiệp. - **Repo:** [github.com/whaleyxbt/claude-motion](https://github.com/whaleyxbt/claude-motion) (MIT, ~400 sao) ### 2. claude-motion-design Làm video chỉ với HTML + Playwright (trình duyệt tự động) + ffmpeg (công cụ xử lý video). **Không cần Remotion, không cần After Effects**, không lo phí license. Video demo của repo được làm trên Opus 5.5. - **Hợp với:** người muốn stack gọn nhẹ, ít phụ thuộc. - **Repo:** [github.com/howseen-ai/claude-motion-design](https://github.com/howseen-ai/claude-motion-design) (MIT, ~500 sao) ### 3. motion-graphics-skills Trọn bộ 13 skill chuyên làm video ra mắt sản phẩm (launch video). Mỗi khung hình đều là code. README khuyên chạy trên Opus 5.5 để có kết quả tốt nhất. - **Hợp với:** solopreneur chuẩn bị ra mắt khoá học, app, sản phẩm số. - **Repo:** [github.com/charlie947/motion-graphics-skills](https://github.com/charlie947/motion-graphics-skills) (MIT, ~280 sao) ### 4. claude-remotion-skill Biến Claude thành một "editor" dựng video trên nền Remotion chỉ từ một prompt: tự thêm phụ đề, chèn B-roll, thiết kế âm thanh. Dùng được với Claude Code, Claude Desktop và claude.ai. - **Hợp với:** người làm nội dung cần dựng nhanh video có phụ đề. - **Repo:** [github.com/haidrrrry/claude-remotion-skill](https://github.com/haidrrrry/claude-remotion-skill) (MIT, ~430 sao) ### 5. klik-anim-skill-creation Gồm 2 skill: một "kinh thánh" về các nguyên lý animation và chuyển động camera theo chuẩn ngành, và một quy trình sản xuất video đầy đủ trên Remotion. Có thể cài riêng từng cái. - **Hợp với:** người muốn Claude hiểu *vì sao* một chuyển động trông đẹp, không chỉ làm theo mẫu. - **Repo:** [github.com/t3knobox/klik-anim-skill-creation](https://github.com/t3knobox/klik-anim-skill-creation) (~70 sao, chưa ghi license, hỏi tác giả nếu định dùng thương mại) ### 6. hyperframes-motion-reel-skill Làm showreel cắt theo nhịp nhạc 120 BPM, 60 khung hình/giây, chạy trên HyperFrames. Kiểu video "mỗi nhịp trống là một cú chuyển cảnh" bạn hay thấy ở các video giới thiệu công nghệ. - **Hợp với:** video teaser ngắn, reel mạng xã hội. - **Repo:** [github.com/Sunwood-ai-labs/hyperframes-motion-reel-skill](https://github.com/Sunwood-ai-labs/hyperframes-motion-reel-skill) (MIT, ~130 sao) ### 7. product-launch-motion Làm trọn một phim ra mắt sản phẩm: lồng tiếng, chuyển động camera, chỉnh màu, hiệu ứng âm thanh khớp nhịp, motion blur 60fps. Bản v2 được tác giả khuyên dùng cùng Claude Opus 5.5. - **Hợp với:** video ra mắt cần trông "xịn" như studio. - **Repo:** [github.com/AbubakrChan/product-launch-motion](https://github.com/AbubakrChan/product-launch-motion) (MIT, ~270 sao) ### 8. animate Làm clip ngắn gói gọn trong **một file canvas duy nhất**. Skill dừng lại hỏi ý bạn ở các mốc: câu chuyện, phong cách, storyboard. Có 7 phong cách dựng sẵn, nhận nhạc của bạn và tự khớp nhịp, dùng được ảnh chụp màn hình sản phẩm thật. - **Hợp với:** người mới, muốn được dẫn từng bước thay vì nhận một kết quả "hên xui". - **Repo:** [github.com/cth9191/animate](https://github.com/cth9191/animate) (MIT, ~700 sao) ### 9. motion-design-skills Bộ skill về nền tảng motion design: căn thời gian, màu sắc, typography, bố cục, logo, background, kèm hướng dẫn cho After Effects và Remotion. - **Hợp với:** người muốn học kiến thức nền, dùng được cho nhiều công cụ. - **Repo:** [github.com/iart-ai/motion-design-skills](https://github.com/iart-ai/motion-design-skills) (MIT, ~120 sao) ### 10. hyperframes-student-kit Bộ "Herk Edit Kit" của Nate Herk: 15 skill (bản gốc giới thiệu là 14, repo đã cập nhật thêm) và **406 thẻ motion graphics** dựng sẵn. Dùng để cắt video theo transcript, làm reel, YouTube Shorts với Claude Code hoặc Codex. - **Hợp với:** YouTuber, người làm video ngắn hằng ngày. - **Repo:** [github.com/nateherkai/hyperframes-student-kit](https://github.com/nateherkai/hyperframes-student-kit) (~1.500 sao, đọc kỹ điều khoản sử dụng trong repo) ## Nhóm 2: 4 engine render video Skill chỉ là bản hướng dẫn. Thứ thật sự biến code thành file MP4 là engine. Hầu hết các skill ở trên đều chạy trên một trong những engine dưới đây. ### 11. HyperFrames Viết HTML, render ra video. Được HeyGen xây dựng riêng cho AI agent. Đây là engine **gần như ai làm video bằng Claude cũng cài**, vì chỉ cần biết HTML là đủ. - **Repo:** [github.com/heygen-com/hyperframes](https://github.com/heygen-com/hyperframes) (Apache-2.0, ~63.000 sao) ### 12. Remotion Làm video bằng React. Lâu đời, cộng đồng lớn, nhiều mẫu có sẵn. Lưu ý: Remotion có điều khoản license riêng, một số công ty phải mua license khi dùng thương mại. - **Repo:** [github.com/remotion-dev/remotion](https://github.com/remotion-dev/remotion) (~64.000 sao) ### 13. Remotion Skills Bộ skill **chính chủ** của Remotion dành cho AI agent. Nếu bạn chọn Remotion, cài cái này trước. - **Repo:** [github.com/remotion-dev/skills](https://github.com/remotion-dev/skills) (~5.100 sao) ### 14. GSAP Thư viện animation JavaScript mà HyperFrames dùng để chạy timeline. Có bộ skill riêng cho agent, cài bằng lệnh: `npx skills add greensock/gsap-skills` - **Repo:** [github.com/greensock/GSAP](https://github.com/greensock/GSAP) (~29.000 sao) ## Nhóm 3: "Gu" chuyển động và hệ sinh thái xung quanh Video đẹp hay không phụ thuộc nhiều vào "taste": nhịp nhanh hay chậm, chuyển động mềm hay giật, thứ gì xuất hiện trước. Nhóm này giúp Claude có gu hơn, và mở rộng ra animation cho website. ### 15. motion-design-skill (LottieFiles) Các nguyên lý motion design dùng được với **bất kỳ engine nào**: timing, easing (gia tốc chuyển động), cách sắp xếp thứ tự, 12 nguyên lý animation của Disney áp dụng cho giao diện. - **Repo:** [github.com/LottieFiles/motion-design-skill](https://github.com/LottieFiles/motion-design-skill) (MIT, ~2.200 sao) ### 16. awesome-motion-design-agent-skills Bản đồ tổng hợp các skill cho GSAP, Motion, Remotion, Lottie và Rive. Dùng khi bạn muốn khám phá thêm ngoài danh sách này. - **Repo:** [github.com/frankxai/awesome-motion-design-agent-skills](https://github.com/frankxai/awesome-motion-design-agent-skills) (CC0) ### 17. motion-graphics (Barty-Bart) Tạo B-roll thẳng từ transcript video của bạn. Bạn nói gì trong video, skill dựng hình minh hoạ cho đoạn đó. - **Hợp với:** người quay video nói chuyện (talking head) muốn thêm hình minh hoạ mà không phải tự dựng. - **Repo:** [github.com/Barty-Bart/motion-graphics](https://github.com/Barty-Bart/motion-graphics) (~680 sao) ### 18. motion-dev-animations-skill Skill làm **animation cho website** bằng Motion.dev, không phải làm video: hiệu ứng cuộn trang, chuyển động lò xo, tương tác kéo thả mượt 120fps. - **Repo:** [github.com/199-biotechnologies/motion-dev-animations-skill](https://github.com/199-biotechnologies/motion-dev-animations-skill) (MIT, ~180 sao) ### 19. Motion Chính là thư viện Motion (tên cũ Framer Motion), dùng cho React và JavaScript. Nền tảng của skill số 18. - **Repo:** [github.com/motiondivision/motion](https://github.com/motiondivision/motion) (MIT, ~34.000 sao) ### 20. lottie-web Khi bạn cần file animation Lottie (nhẹ, nhúng được vào web và app) thay vì video MP4. - **Repo:** [github.com/airbnb/lottie-web](https://github.com/airbnb/lottie-web) (MIT, ~32.000 sao) ## Nên bắt đầu từ đâu? 20 repo là nhiều. Bạn không cần cài hết. Chọn theo việc bạn cần làm: - **Làm video ra mắt sản phẩm/khoá học:** HyperFrames (11) + product-launch-motion (7) hoặc motion-graphics-skills (3). - **Làm YouTube, Shorts, video nói chuyện:** HyperFrames (11) + hyperframes-student-kit (10) hoặc motion-graphics (17) để có B-roll từ transcript. - **Mới bắt đầu, muốn được dẫn từng bước:** animate (8). - **Đã quen React:** Remotion (12) + Remotion Skills (13). - **Làm website có hiệu ứng mượt, không cần video:** Motion (19) + motion-dev-animations-skill (18). - **Muốn video nào cũng "có gu" hơn:** cài thêm motion-design-skill của LottieFiles (15) bên cạnh bất kỳ lựa chọn nào ở trên. ## Kiểm tra từng repo trước khi cài Skill là đoạn hướng dẫn mà Claude sẽ *làm theo*, nhiều skill còn kèm script chạy trên máy bạn. Vì vậy đừng cài vội chỉ vì thấy danh sách hay. Trước khi cài, mất 5 phút kiểm tra: 1. **Đọc file SKILL.md và README:** skill yêu cầu Claude làm gì, có tải gì từ internet không. 2. **Xem các file script đi kèm:** nếu có lệnh xoá file, gửi dữ liệu ra ngoài hay đọc thư mục ngoài dự án, bỏ qua. 3. **Xem license:** MIT/Apache thì thoải mái dùng thương mại. Repo không ghi license hoặc ghi điều khoản riêng (như Remotion) thì đọc kỹ trước khi dùng cho khách hàng. 4. **Xem lần cập nhật gần nhất:** repo lâu không cập nhật có thể không chạy với phiên bản Claude Code mới. 5. **Thử trong một thư mục riêng**, không cài thẳng vào dự án đang chạy. > Lưu bài này lại. Nhưng nhớ: danh sách hay đến đâu thì bạn vẫn là người quyết định cái gì được chạy trên máy mình. ## Cách cài skill từ GitHub vào Claude Code và Claude Cowork Mỗi repo có cách cài hơi khác nhau, nên việc đầu tiên luôn là **mở README, tìm mục "Install"**. Nhưng nhìn chung chỉ có vài kiểu dưới đây. ### Chuẩn bị máy (cho các skill render video) - **Node.js** bản 18 trở lên (một số repo yêu cầu 20+). - **ffmpeg**: công cụ ghép khung hình thành file MP4. - **Playwright + Chromium** cho các skill render bằng trình duyệt: `npx playwright install chromium` Không chắc máy đã có chưa? Cứ mở Claude Code và nhờ: *"Kiểm tra máy mình đã có Node, ffmpeg, Playwright chưa, thiếu gì thì cài giúp."* ### Với Claude Code: 4 cách cài **Cách 1: Cài dạng plugin** (repo có hỗ trợ, ví dụ HyperFrames, animate). Gõ ngay trong Claude Code: `/plugin marketplace add heygen-com/hyperframes` `/plugin install hyperframes@hyperframes` Với animate: `/plugin marketplace add cth9191/animate` rồi `/plugin install animate@animate`. Ưu điểm: cập nhật phiên bản mới dễ dàng. **Cách 2: Dùng lệnh `npx skills add`** trong Terminal, ví dụ: `npx skills add AbubakrChan/product-launch-motion` Lệnh sẽ hỏi bạn muốn cài skill nào, cài cho dự án hiện tại hay cho mọi dự án. Sau này cập nhật bằng `npx skills update`. **Cách 3: Copy thủ công.** Tải repo về (nút *Code → Download ZIP* trên GitHub, hoặc `git clone`), tìm thư mục có file `SKILL.md`, rồi copy cả thư mục đó vào: - `~/.claude/skills/` (trên Windows là `C:\Users\\.claude\skills\`) để dùng cho **mọi dự án**. - `.claude/skills/` bên trong thư mục dự án nếu chỉ muốn dùng cho **dự án đó**. Cách này dùng được với mọi repo, kể cả repo không có lệnh cài sẵn. **Cách 4: Mở repo như một dự án mẫu.** Một số repo (như claude-motion) được thiết kế để bạn clone về rồi làm việc ngay bên trong. Skill đã nằm sẵn trong `.claude/skills/` của repo. Bạn chỉ cần mở thư mục đó bằng Claude Code và nhờ Claude đọc README, cài phụ thuộc, chạy thử ví dụ đầu tiên. Sau khi cài, mở phiên Claude Code mới, gõ `/` để xem tên skill đã hiện chưa, hoặc hỏi thẳng: *"Bạn đang có những skill nào?"* Mẹo: bạn có thể giao cả việc cài cho Claude, kèm luôn bước kiểm tra an toàn: > Cài giúp mình skill từ repo github.com/[tác-giả]/[tên-repo]. Trước khi cài, đọc README và các file script, tóm tắt cho mình skill sẽ làm gì trên máy. Mình đồng ý thì mới cài, sau đó chạy thử một ví dụ ngắn. ### Với Claude Cowork Cowork chạy trong app Claude trên máy tính, không cần gõ lệnh Terminal. Có 2 cách: - **Cài plugin từ GitHub:** vào *Customize → Plugins → Browse plugins*, thêm nguồn bằng đường dẫn repo hoặc dạng rút gọn `tác-giả/tên-repo` (ví dụ `heygen-com/hyperframes`). Cách này dùng cho các repo có cấu trúc plugin. - **Tải lên skill lẻ:** tải thư mục chứa `SKILL.md` từ GitHub, nén thành file .zip (để `SKILL.md` nằm ngay trong thư mục gốc của zip), rồi vào *Customize → Skills* chọn tải lên. **Mở phiên làm việc mới** để skill có hiệu lực. Tên menu có thể thay đổi một chút theo phiên bản app, nhưng đều nằm trong khu vực *Customize*. **Nên dùng Cowork hay Claude Code?** Các skill render video cần Node, ffmpeg, Playwright chạy được trên máy. Nếu render trong Cowork bị lỗi hoặc báo thiếu công cụ, hãy chuyển sang Claude Code. Cowork phát huy tốt nhất với các skill dạng *kiến thức* như motion-design-skill (15) hay motion-design-skills (9): lên kịch bản, storyboard, chọn nhịp và màu sắc trước, rồi mang sang Claude Code để render. ## Câu hỏi thường gặp ### Không biết code có làm được video bằng Claude không? Được. Bạn mô tả bằng lời, Claude viết code. Phần bạn cần làm là cài đặt ban đầu (Claude Code, Node.js, ffmpeg) và góp ý kết quả. Các skill như animate (8) còn dừng lại hỏi ý bạn ở từng bước. ### HyperFrames và Remotion nên chọn cái nào? Nếu không quen React, chọn HyperFrames vì chỉ cần HTML, license Apache-2.0 thoải mái dùng thương mại. Nếu đã có dự án React hoặc cần hệ sinh thái mẫu lớn, chọn Remotion và nhớ kiểm tra điều khoản license. ### Có bắt buộc dùng Opus 5.5 không? Không bắt buộc, nhưng nhiều skill trong danh sách được tác giả xây và thử trên Opus 5.5. Motion graphics cần model giỏi lập kế hoạch nhiều bước và tự kiểm tra khung hình, nên model mạnh sẽ cho kết quả ổn định hơn, ít phải sửa lại. ## Kết luận Làm video motion graphics không còn là việc riêng của dân dựng phim. Với đúng skill và engine, một người làm một mình cũng có thể ra video giới thiệu sản phẩm, reel, B-roll cho YouTube, chỉ bằng cách mô tả cho Claude. Điều quan trọng không phải cài càng nhiều skill càng tốt, mà chọn đúng 2-3 cái hợp với việc bạn làm mỗi ngày, rồi biến nó thành quy trình cố định. > **Nếu bạn đang quan tâm đến Kiếm tiền với AI, Vibe Coding**, đăng ký ngay sự kiện **FREE ngày 17/10** để cập nhật kiến thức về AI: [https://comailo.vn/r/gcal](https://comailo.vn/r/gcal) Nếu bạn muốn được hướng dẫn trực tiếp cách đưa Claude Code và AI Agent vào công việc kinh doanh của mình, hãy tham khảo chương trình [Coaching 1:1 cùng GiangxAI](https://giangxai.com/coaching-11/). --- --- title: "10 Quy Tắc Viết Skill Claude Từ Anthropic Giúp Tiết Kiệm Token" url: "https://giangxai.com/quy-tac-viet-skill-claude-tiet-kiem-token/" updated: "2026-10-11" type: "Hướng dẫn" cluster: "AI Agent" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Cách viết skill Claude theo 10 quy tắc mới của Anthropic: skill báo giá 542 dòng còn 53 dòng, giảm 85% chữ phải đọc, và model Haiku báo giá đúng tới từng đồng." --- # 10 Quy Tắc Viết Skill Claude Từ Anthropic Giúp Tiết Kiệm Token Cùng model Claude Haiku, cùng một yêu cầu báo giá: skill viết kiểu cũ báo thiếu hơn 20 triệu đồng, còn skill viết lại theo hướng dẫn mới của Anthropic thì đúng tới từng đồng. Bài này đi qua 10 quy tắc viết skill Claude mà Anthropic vừa cập nhật cho các model mới, mỗi quy tắc kèm câu gốc trong tài liệu và một ví dụ chạy thật. Đọc xong, bạn biết cách viết skill ngắn hơn, tốn ít token hơn và không để lọt luật quan trọng nhất. Nếu bạn chưa có skill nào, đây là cách viết đúng ngay từ đầu. Nếu đã có rồi, khả năng cao skill của bạn đang tốn token hơn mức cần, hoặc thiếu đúng cái luật quan trọng nhất. Bản video đầy đủ, có demo từng quy tắc: [xem video trên YouTube](https://www.youtube.com/watch?v=cO_B0JGcX9Q). ## Skill Claude là gì và vì sao cách viết skill quyết định số token bạn trả? Mỗi lần nhờ AI làm một việc lặp lại, bạn thường phải gõ một prompt dài: bạn là ai, khách hàng là ai, giá sản phẩm bao nhiêu, cái gì tuyệt đối không được làm. Lần sau lại gõ lại y hệt từ đầu. **Skill** là bạn viết những thứ đó một lần, vào một file văn bản tên `SKILL.md`. Lần sau chỉ cần nói “làm báo giá cho khách này”, Claude tự mở skill ra và làm đúng quy trình. Skill không phải code. Nó là tiếng Việt bình thường, có các bước, có checklist. Bộ GiangXAI Lab của mình cũng được xây theo đúng cách này: Agent chỉ là workflow cộng với skill, viết bằng ngôn ngữ tự nhiên. Để thấy rõ từng quy tắc, mình dựng một skill làm báo giá cho **Mộc Studio**, một studio thiết kế giả định, rồi viết hai phiên bản: - **Bản cũ:** viết “kiểu quen tay”, 542 dòng, cố ý mắc đủ 10 lỗi. - **Bản mới:** cùng dữ liệu, viết lại theo 10 quy tắc, còn 53 dòng kèm vài file tham chiếu, script tính tiền và một hook. Bài kiểm tra chung cho cả hai: khách mới “Nhà hàng Lửa” cần website bán hàng và 30 bài đăng, bàn giao trong 5 ngày. Đáp án đúng là **90.090.000₫**, cọc 50% là 45.045.000₫, và báo giá phải chờ chủ studio duyệt trước khi gửi. ## Quy tắc 1–2: Viết skill Claude ngắn, chia nhỏ để tiết kiệm token ### Quy tắc 1: Chia nhỏ, chỉ sâu một tầng Anthropic khuyên giữ phần thân `SKILL.md` dưới 500 dòng (*“Keep SKILL.md body under 500 lines for optimal performance”*). Phần chi tiết tách ra file riêng, còn file chính chỉ như trang mục lục. Claude chỉ mở file con khi bước đang làm thật sự cần. ![Tài liệu Anthropic: Keep SKILL.md body under 500 lines for optimal performance](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt1-500-dong.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Progressive disclosure patterns”: Giữ phần thân SKILL.md dưới 500 dòng. Nhưng có một cái bẫy: file chính trỏ tới file A, file A lại trỏ tiếp file B. Với file B, Claude có thể chỉ xem trước khoảng 100 dòng đầu thay vì đọc hết, nên thông tin bị thiếu. Vì vậy mọi file con phải được link thẳng từ file chính, chỉ sâu một tầng. ![Tài liệu Anthropic: Claude có thể dùng head -100 khi gặp tham chiếu lồng nhau, keep references one level deep from SKILL.md](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt1-mot-tang.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Avoid deeply nested references”: Gặp tham chiếu lồng nhau, Claude có thể chỉ xem trước 100 dòng đầu, nên mọi tham chiếu chỉ sâu một tầng. ![Chuỗi file SKILL.md trỏ tới chi-tiet.md rồi giam-gia.md, quy tắc giảm giá nằm sau dòng 117](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-01-chia-nho-mot-tang.webp)Bản cũ: quy tắc giảm giá và phụ phí làm gấp bị chôn ở file thứ ba, sau dòng 117. Trong skill báo giá bản cũ, quy tắc giảm giá và phụ phí làm gấp nằm ở file thứ ba, sau dòng 117. Bản mới chỉ còn file chính 53 dòng, bảng giá tách riêng và link thẳng từ file chính. Kết quả: lượng chữ Claude phải đọc cho một báo giá giảm từ 49.944 xuống 7.311 ký tự, tức **giảm khoảng 85%**. Đây là cách tiết kiệm token rõ nhất: Claude đọc ít hơn mà vẫn đủ thông tin cần cho từng bước. Quan trọng hơn, luật không còn nằm ở chỗ Claude có thể không đọc tới. ### Quy tắc 2: Đặt mục lục ở đầu file dài File tham chiếu nào dài hơn 100 dòng thì đặt mục lục ở đầu. Kể cả khi chỉ đọc lướt phần đầu, Claude vẫn biết bên dưới có gì để nhảy tới đúng chỗ. ![Tài liệu Anthropic: For reference files longer than 100 lines, include a table of contents at the top](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt2-muc-luc.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Structure longer reference files with table of contents”: File tham chiếu dài hơn 100 dòng thì đặt mục lục ở đầu. File giảm giá cũ dài 123 dòng, không có mục lục, quy tắc thật nằm tận cuối. Bảng giá mới mở đầu bằng mục lục, dòng cuối ghi rõ: quy tắc giảm giá, phụ phí, VAT. ## Quy tắc 3–5: Cách viết skill Claude vừa đủ, đúng model, đúng thứ cần nói ### Quy tắc 3: Mức tự do tương xứng với rủi ro Mức chi tiết của chỉ dẫn phải tương xứng với rủi ro của công việc. Anthropic ví có những việc như một cây cầu hẹp, hai bên là vực: chỉ có một lối đi an toàn. Có những việc lại như cánh đồng trống, đi lối nào cũng tới. Từ đó có ba mức tự do cho AI: ![Tài liệu Anthropic so sánh cây cầu hẹp hai bên là vực với cánh đồng trống](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt3-cay-cau-hep.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Set appropriate degrees of freedom”: Cây cầu hẹp (tự do thấp) và cánh đồng trống (tự do cao). ![Bảng ba mức tự do cho AI: tự do cao, tự do vừa, tự do thấp](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-02-3-muc-tu-do.webp)Ba mức tự do: chỉ nói mục tiêu, cho một khung linh hoạt, hoặc bắt làm đúng từng bước. - **Tự do cao:** chỉ nói mục tiêu. - **Tự do vừa:** cho một khung, bên trong được linh hoạt. - **Tự do thấp:** bắt làm đúng từng bước. Một skill có thể dùng cả ba mức. Trong skill báo giá, **phần tính tiền là cây cầu hẹp**: sai một con số là mất tiền thật, nên Claude không được cộng nhẩm mà phải chạy đúng một lệnh script tính. **Phần viết email là cánh đồng**: mình chỉ bắt buộc có tổng tiền, tiền cọc và ngày hết hạn, còn lại Claude tự viết theo văn phong mẫu có sẵn. Hãy phân định rõ chỗ nào phải chặt, chỗ nào được linh hoạt. Với các model Claude mới, khóa chặt mọi thứ thì chính chất lượng đầu ra bị kìm lại. Nếu bạn thấy kết quả chưa như ý, có thể skill đang vi phạm quy tắc này. ### Quy tắc 4: Test trên đúng model bạn dùng Anthropic viết: *“Test your Skill with all the models you plan to use it with.”* Mỗi model cần một câu hỏi khác nhau: - **Haiku:** skill đã đủ hướng dẫn chưa? - **Sonnet:** skill có rõ và gọn không? - **Opus:** skill có đang giải thích thừa không? ![Tài liệu Anthropic: Test your Skill with all the models you plan to use it with](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt4-test-moi-model.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Test with all models you plan to use”: Test skill trên mọi model bạn định dùng. Anthropic còn nói thẳng: skill viết cho model đời trước thường quá chi tiết với model mới và có thể làm kết quả tệ hơn. ![Tài liệu Anthropic: Skills developed for prior models are often too prescriptive for Claude Fable 5 and can degrade output quality](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt4-qua-chi-tiet.webp)Câu gốc trong tài liệu [Prompting Claude Fable 5](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5) của Anthropic, mục “Recommended scaffolding changes”: Skill viết cho model đời trước thường quá chi tiết với Claude Fable 5 và có thể làm giảm chất lượng đầu ra. Mình chạy bài test Nhà hàng Lửa, mỗi lượt trong một phiên hoàn toàn mới: | Model | Skill bản cũ | Skill bản mới | |---|---|---| | Haiku | Báo 69.300.000₫, thiếu 20.790.000₫ vì bỏ sót phụ phí làm gấp. Cọc sai, hạn sai, email tự bịa “100+ website nhà hàng”. | Đúng hết, tick đủ 5 bước, dừng chờ duyệt. | | Opus | Đúng tổng tiền, nhưng phải đọc gần 50.000 ký tự. Chính nó nhận xét skill bị độn nhiều nội dung lặp. | Đúng hết. | > Model mạnh bù được skill viết kém, nhưng bạn trả bằng token. Model nhẹ thì không bù được, và bạn có thể trả bằng tiền thật. Test mọi skill trên mọi model rất tốn token. Hãy ưu tiên skill bạn dùng nhiều nhất và skill mà sai một lần là mất tiền. ### Quy tắc 5: Chỉ viết thứ Claude chưa biết Anthropic gọi context window là tài sản chung (*“The context window is a public good”*), và chỉ nên thêm những gì Claude chưa biết. Skill cũ mở đầu bằng “báo giá là gì”, “VAT là gì”, “cách tính phần trăm”. Claude biết hết rồi. Thứ nó không biết là bảng giá của studio, ai là khách cũ, được giảm bao nhiêu. ![Tài liệu Anthropic: The context window is a public good](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt5-tai-san-chung.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Concise is key”: Context window là tài sản chung, chỉ thêm những gì Claude chưa biết. Phần mô tả (`description`) của skill cũng vậy: viết ở ngôi thứ ba, nói rõ làm gì và dùng khi nào. ![Tài liệu Anthropic: Always write in third person](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt5-ngoi-thu-ba.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Writing effective descriptions”: Luôn viết mô tả skill ở ngôi thứ ba. - Đừng viết: “Tôi có thể giúp bạn làm báo giá.” - Hãy viết: “Lập báo giá dịch vụ… Dùng khi người dùng cần báo giá.” ## Quy tắc 6–8: Giúp skill Claude tự kiểm lỗi và ra đúng định dạng ### Quy tắc 6: Checklist và dòng quay lại Việc nhiều bước thì đưa cho Claude một checklist để nó chép ra và tick dần. Nhưng phần quan trọng nhất là **dòng quay lại**. Ví dụ của chính Anthropic kết thúc bằng câu: nếu kiểm tra không đạt, quay lại Bước 2. Không có dòng này, checklist dễ bị tick cho xong rồi giao luôn. ![Tài liệu Anthropic: provide a checklist that Claude can copy into its response and check off as it progresses](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt6-checklist.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Use workflows for complex tasks”: Đưa Claude một checklist để chép vào câu trả lời và tick dần. ![Ví dụ workflow của Anthropic kết thúc bằng dòng If verification fails, return to Step 2](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt6-quay-lai.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Use workflows for complex tasks (ví dụ PDF form filling)”: Ví dụ của Anthropic kết thúc bằng dòng quay lại: nếu kiểm tra không đạt, quay lại Bước 2. ![Bước 3 trong SKILL.md bản mới: đối chiếu yêu cầu của khách, sai chỗ nào quay lại Bước 1](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-03-dong-quay-lai.webp)Bản mới có Bước 3 đối chiếu với yêu cầu của khách, kèm dòng “Sai chỗ nào → quay lại Bước 1”. Bản mới có Bước 3: đối chiếu với yêu cầu của khách, sai chỗ nào thì quay lại Bước 1. Khi test lại, cả Haiku lẫn Opus đều chép checklist ra và tick đủ 5 bước. ### Quy tắc 7: Vòng lặp kiểm, sửa, lặp lại Anthropic viết: *“Run validator → fix errors → repeat. This pattern greatly improves output quality.”* Bộ kiểm không nhất thiết là code, một file hướng dẫn văn phong cũng được. Nhưng nếu có script, hãy cho nó báo lỗi thật rõ: không chỉ ghi “lỗi”, mà nói lỗi gì, nằm ở đâu. ![Tài liệu Anthropic: Run validator, fix errors, repeat. This pattern greatly improves output quality](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt7-vong-lap.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Implement feedback loops”: Kiểm, sửa lỗi, lặp lại: cách này cải thiện chất lượng đầu ra rất nhiều. ![Terminal chạy script tính báo giá, báo lỗi dịch vụ ANH-SP tối thiểu 10 ảnh nhưng yêu cầu là 6](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-04-script-bao-loi-ro.webp)Script báo lỗi cụ thể để Claude tự sửa và chạy lại. - `LỖI: "ANH-SP" tối thiểu 10 ảnh, yêu cầu đang là 6.` - Gõ sai mã dịch vụ thì script liệt kê luôn các mã đang có. Đọc lỗi như vậy, Claude tự sửa được, chạy lại cho tới khi đạt. ### Quy tắc 8: Template, ví dụ và ngã rẽ Khi cần đầu ra đúng hình dạng, bạn có ba cách: 1. **Template:** nói rõ là bắt buộc giống y nguyên, hay chỉ là gợi ý. 2. **Ví dụ:** đưa cặp đầu vào và đầu ra mẫu. Theo Anthropic, ví dụ truyền văn phong rõ hơn mọi lời mô tả. 3. **Ngã rẽ:** báo giá mới thì đi lối này, sửa báo giá cũ thì đi lối kia. ![Tài liệu Anthropic: Examples convey the desired style and level of detail to Claude more clearly than descriptions alone](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt8-vi-du.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Examples pattern”: Ví dụ truyền đạt văn phong và mức chi tiết rõ hơn mô tả đơn thuần. Ví dụ mạnh tới mức nào? Skill cũ có một email mẫu “Kính gửi Quý khách, tôi xin gửi báo giá”, và model viết ra đúng giọng đó. Skill mới có ví dụ thân thiện hơn, email ra cũng thân thiện theo. Ví dụ sai giọng thì kết quả cũng sai giọng. ## Quy tắc 9–10: Đóng gói skill Claude để chia sẻ và khóa luật sống còn bằng hook ### Quy tắc 9: Viết để người khác dùng được Sớm muộn bạn sẽ chia skill cho đồng nghiệp, cho team hoặc cho khách. Đừng giả định máy người khác đã cài sẵn công cụ như máy bạn. ![Tài liệu Anthropic: Don't assume packages are available](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt9-cai-san.webp)Câu gốc trong tài liệu [Skill authoring best practices](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices) của Anthropic, mục “Avoid assuming tools are installed”: Đừng giả định thư viện đã được cài sẵn. - Skill cũ bảo chạy một file Python gửi mail, không nói cần cài gì, và lưu vào ổ `D:\` của riêng một máy. - Bản mới có mục “Cần có” nói rõ cần cài gì (chỉ cần Node 18 trở lên), mọi đường dẫn đều tương đối. - Luôn dùng dấu gạch chéo xuôi `/` trong đường dẫn, kể cả trên Windows. ### Quy tắc 10: Luật sống còn đưa vào hook Đây là quy tắc ít người dùng nhất, nhưng quan trọng nhất. Skill cũ viết: “LUÔN LUÔN PHẢI HỎI CHỦ STUDIO TRƯỚC KHI GỬI BÁO GIÁ TRÊN 50 TRIỆU!!!”. Phần lớn thời gian Claude sẽ nghe. Nhưng với tiền thật, “phần lớn thời gian” là không đủ. **Hook** là một đoạn code nhỏ mà Claude Code tự chạy mỗi khi một sự kiện xảy ra, dù Claude có đang làm theo skill hay không. Bạn có thể khai báo hook ngay trong phần đầu (frontmatter) của skill. ![Tài liệu Claude Code: Claude Code runs a hook every time its event occurs, whether or not Claude is following the skill](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-qt10-hook.webp)Câu gốc trong tài liệu [Claude Code · Skills](https://code.claude.com/docs/en/skills) của Anthropic, mục “Claude stops following a skill”: Luật phải đúng mọi lúc thì đưa vào hook: hook chạy dù Claude có đang làm theo skill hay không. ![Sơ đồ hook đứng chặn giữa bước sắp chạy lệnh và lệnh mới chạy](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-05-hook-chot-chan.webp)Hook đứng chặn trước mỗi lệnh, kiểm tra báo giá sắp gửi. Trong skill báo giá, trước mỗi lệnh, hook đọc báo giá sắp gửi. Trên 50 triệu thì bắt buộc dừng lại hỏi người. Khi thử gửi báo giá 90 triệu, hook bật hộp xác nhận ngay. Báo giá 21 triệu thì đi qua bình thường. Hãy chọn vài luật mà sai một lần là mất tiền, mất dữ liệu hoặc mất khách, rồi đưa chúng vào hook. **Mẹo thêm từ tài liệu Claude Code:** khi hội thoại dài bị nén lại, Claude chỉ giữ khoảng 5.000 token đầu của mỗi skill. Vì vậy luật quan trọng nhất phải nằm ngay đầu file. ![Tài liệu Claude Code: sau khi nén hội thoại, keeping the first 5,000 tokens of each skill](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-anthropic-v2-meo-5000-token.webp)Câu gốc trong tài liệu [Claude Code · Skills](https://code.claude.com/docs/en/skills) của Anthropic, mục “Skill content lifecycle”: Sau khi nén hội thoại, Claude Code chỉ giữ 5.000 token đầu của mỗi skill. Muốn đi sâu hơn về cách các mảnh workflow, skill và vòng lặp ghép thành một agent, bạn có thể đọc thêm bài [Kiến trúc AI Agent: Harness, Loop và Graph là gì?](https://giangxai.com/kien-truc-ai-agent-harness-loop-graph/) ## Câu hỏi thường gặp khi viết skill Claude ### Viết skill Claude có cần biết code không? Không. Skill là file văn bản viết bằng tiếng Việt bình thường, có các bước và checklist. Chỉ phần cần chính xác tuyệt đối như tính tiền hay hook mới cần một script nhỏ. ### Có cần test mọi skill trên mọi model không? Không cần, vì rất tốn token. Hãy ưu tiên skill bạn dùng nhiều nhất và skill mà sai một lần là mất tiền. ### Viết luật bằng chữ in hoa trong skill có đủ không? Phần lớn thời gian Claude sẽ nghe, nhưng không phải mọi lúc. Luật liên quan tới tiền, dữ liệu hay khách hàng nên đưa vào hook, vì hook luôn chạy dù Claude có làm theo skill hay không. ### Làm sao biết skill hiện tại của mình vi phạm quy tắc nào? Dùng Prompt Audit bản tiếng Việt mình chia sẻ trong video: dán vào Claude Code, đổi đường dẫn thư mục skill. Claude báo cáo trước những gì cần sửa, và chỉ sửa những mục bạn duyệt. ## Kết luận: 3 điều cần nhớ khi viết skill Claude Nếu chỉ nhớ ba điều từ 10 quy tắc này: 1. Skill ngắn và đặt thông tin đúng chỗ. 2. Luôn có dòng quay lại bước trước khi kiểm tra không đạt. 3. Luật cần chính xác cao thì đưa vào hook và để ở đầu skill. ![So sánh kết quả cùng model rẻ nhất: skill cũ 69.300.000 đồng báo thiếu 20 triệu, skill mới 90.090.000 đồng đúng tới từng đồng](https://giangxai.com/wp-content/uploads/2026/10/quy-tac-viet-skill-claude-06-ket-qua-haiku.webp)Cùng một model rẻ nhất, chỉ đổi cách viết skill: từ báo thiếu 20 triệu thành đúng tới từng đồng. Cùng một model rẻ nhất, chỉ đổi cách viết skill, kết quả đi từ báo thiếu 20 triệu thành đúng tới từng đồng. Viết skill đúng cách vừa tiết kiệm token với model mạnh, vừa giúp model rẻ làm đúng việc. Việc nên làm ngay hôm nay: mở skill bạn dùng nhiều nhất và chạy Prompt Audit bản tiếng Việt (kèm bảng 10 quy tắc và câu gốc của Anthropic) — [nhận Prompt Audit tại đây](https://drive.google.com/file/d/1929NYskHmaJ1wsRhOt9LLMlsaWVbr2B9/view?usp=sharing). Nếu bạn muốn hiểu cách biến những skill riêng lẻ thành một hệ thống làm việc hằng ngày, đọc thêm [Cách biến Claude từ chatbot thành hệ thống làm việc](https://giangxai.com/cach-bien-claude-thanh-he-thong-lam-viec/). Theo dõi [fanpage GiangxAI](https://www.facebook.com/GiangxAI101) để nhận các bài hướng dẫn mới. **Muốn có sẵn một đội agent đã viết theo đúng các quy tắc này?** Bộ AI Agent của GiangXAI Lab gồm 8 AI Agent và 40+ skill thực chiến cho research, content, video, trang bán hàng, thanh toán và báo cáo, giá **2.399.000₫** một lần, dùng trọn đời. [Xem chi tiết Bộ AI Agent](https://giangxai.com/bo-7-agent/). --- --- title: "GPT-6 Astra vs Claude Fable 5.1: Cách dùng và prompt 2026" url: "https://giangxai.com/gpt-6-astra-vs-claude-fable-5-1/" updated: "2026-09-07" type: "So sánh" cluster: "Công cụ & Model AI" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "GPT-6 Astra vs Claude Fable 5.1: cách thiết lập, viết prompt, dùng nguồn và nén bối cảnh. Có ví dụ tiếng Việt cho GiangxAI Lab để áp dụng ngay vào công việc." --- # GPT-6 Astra vs Claude Fable 5.1: Cách dùng và prompt 2026 OpenAI và Anthropic một lần nữa bước vào cuộc đua giành ngôi vương AI. Với GPT-6 Astra và Claude Fable 5.1, câu hỏi quen thuộc lại xuất hiện: nên chọn ChatGPT hay Claude? Nhưng điều người dùng cần không chỉ là vài điểm benchmark cao hơn. Điều quan trọng là hôm nay, AI có thể giúp bạn hoàn thành công việc gì: phân tích dữ liệu, viết nội dung, chuẩn bị slide hay xử lý một bảng tính. ![GPT-6 Astra vs Claude Fable 5.1: hướng dẫn giao việc và viết prompt cho AI.](https://giangxai.com/wp-content/uploads/2026/09/gpt-6-vs-fable-5-1-cover.jpg) **Trong bài này** - 1. GPT-6 Astra vs Claude Fable 5.1: Mô hình nào tốt hơn? - 2. Cách dùng GPT-6 Astra và viết prompt hiệu quả - 3. Cách dùng Claude Fable 5.1 và viết prompt hiệu quả - 4. Câu hỏi thường gặp ## 1. GPT-6 Astra vs Claude Fable 5.1: Mô hình nào tốt hơn? Trong nhiều so sánh gần đây, GPT-6 Astra được đánh giá là lựa chọn nhỉnh hơn: thông minh hơn trên các bài kiểm tra chuẩn, nhanh hơn khoảng hai lần và rẻ hơn khoảng hai lần so với Fable 5.1. | Tiêu chí | GPT-6 Astra | Claude Fable 5.1 | |---|---|---| | Đánh giá tốc độ & giá (so sánh tương đối) | Nhanh hơn ~2 lần, rẻ hơn ~2 lần | Mức tham chiếu | | Giá API cơ bản (mỗi triệu token) | 10 USD vào / 50 USD ra | 10 USD vào / 50 USD ra | | Chi phí trung bình mỗi tác vụ (Artificial Analysis Intelligence Index) | ~2,57 USD | ~6,12 USD | | Điểm mạnh nổi bật | Computer Use — thao tác trực tiếp trên máy tính | Xử lý tác vụ dài, đọc PDF và biểu đồ dày đặc | | Các mức suy luận (effort) | Low, Medium, High, Extra High, Max | High, Medium (điều chỉnh theo lượt) | | Mốc kiến thức | Chưa nêu trong bài — tự kiểm tra trước khi dùng | Tháng 06/2026 | | Thuê bao cá nhân phổ biến | Chưa nêu trong bài — tự kiểm tra trước khi dùng | ~100 USD/tháng | *Bảng tổng hợp từ các số liệu và biểu đồ trong bài. Giá và chính sách có thể thay đổi — nên đối chiếu lại tại thời điểm bạn sử dụng.* ![Biểu đồ radar so sánh điểm benchmark của GPT-6 Astra và Claude Fable 5.1.](https://giangxai.com/wp-content/uploads/2026/09/substack-01-scaled.png) *So sánh điểm số trên 7 benchmark công khai: toán học, suy luận khoa học, thiết kế 3D CAD, tự động hoá nghiệp vụ, khoa học tác vụ dài, y tế. Nguồn số liệu ghi trực tiếp trên biểu đồ.* **Cần đọc các con số này một cách thận trọng.** Giá API cơ bản được công bố của cả hai model đang cùng ở mức 10 USD đầu vào và 50 USD đầu ra cho mỗi triệu token. Chi phí hoàn thành một tác vụ còn phụ thuộc lượng token và cách chạy; nhận xét “rẻ hơn hai lần” không đồng nghĩa đơn giá API bằng một nửa. Thông tin đối chiếu: [GPT-6 Astra của OpenAI](https://developers.openai.com/api/docs/models/gpt-6-astra) và [Claude Fable 5.1 của Anthropic](https://platform.claude.com/docs/en/models/fable-5-1/overview). ![Biểu đồ chi phí trung bình cho mỗi tác vụ trong Intelligence Index: GPT-6 Astra khoảng 2,57 USD so với Claude Fable 5.1 khoảng 6,12 USD.](https://giangxai.com/wp-content/uploads/2026/09/substack-02-scaled.png) *Chi phí trung bình mỗi tác vụ, tính theo Artificial Analysis Intelligence Index. Số càng thấp càng tốt.* Điểm đột phá thường được nhắc tới nhiều nhất là **Computer Use**, tức khả năng thao tác trực tiếp trên máy tính. Thay vì chỉ trả lời bằng văn bản, AI có thể tham gia vào công việc trên trình duyệt và phần mềm: xử lý Excel, đọc PDF, làm slide hoặc phối hợp các công cụ hình ảnh. Khả năng thực hiện cụ thể còn phụ thuộc công cụ và quyền truy cập trong môi trường đang dùng. ![Biểu đồ độ chính xác OSWorld 2.0 theo số token đầu ra: GPT-6 Astra đạt độ chính xác cao hơn với ít token hơn so với GPT-5.6 Sol và Claude Opus 5.](https://giangxai.com/wp-content/uploads/2026/09/substack-03.png) *Độ chính xác trên OSWorld 2.0 (benchmark thao tác máy tính), theo lượng token đầu ra sử dụng.* Các ví dụ minh hoạ thường thấy là AI tự vẽ, tìm một cây đàn piano trực tuyến rồi chơi nhạc, hoặc phối hợp công cụ để tạo hình ảnh theo yêu cầu. Video ra mắt nhấn mạnh năng lực này từng thu hút hơn 125 triệu lượt xem. Với GiangxAI Lab, bạn có thể hình dung yêu cầu tương ứng như đọc bảng số liệu nội dung, tạo biểu đồ rồi đưa vào slide; hoặc mở trang giới thiệu sản phẩm để kiểm tra thông tin trước khi viết bài. Đây là ví dụ ứng dụng, không phải kết quả thử nghiệm đã được Lab thực hiện. Vậy bắt đầu dùng Astra như thế nào? ## 2. Cách dùng GPT-6 Astra và viết prompt hiệu quả ### Thiết lập ban đầu: Work, Codex và mức Medium Cấu hình được đề xuất là: 1. Mở ứng dụng ChatGPT trên máy tính. 2. Chọn Work cho công việc với tài liệu, nội dung và các tác vụ liên quan; chọn Codex khi làm việc với code. 3. Chọn GPT-6 Astra nếu tài khoản có quyền truy cập. 4. Đặt mức suy luận, hay effort, ở Medium. Đường dẫn thiết lập là **ChatGPT Work → GPT-6 Astra → Medium**. Medium thường được xem là mức cân bằng tốt giữa chất lượng, tốc độ và chi phí. Đây là cấu hình được đề xuất theo kinh nghiệm sử dụng phổ biến, không phải điều kiện bắt buộc cho mọi công việc hay mọi tài khoản. ![Bảng xếp hạng các mức effort của GPT-6 Astra theo điểm thông minh, chi phí và thời gian phản hồi.](https://giangxai.com/wp-content/uploads/2026/09/substack-04-scaled.png) *So sánh nhanh các mức effort của GPT-6 Astra: Medium cân bằng tốt nhất cho dùng hằng ngày, Low nhanh và rẻ nhất, Max dành cho bài toán khó nhất. Xếp hạng mang tính tham khảo, không phải kết quả benchmark chính thức.* Khi chuyển sang Astra, sáu thói quen viết prompt dưới đây là phần đáng áp dụng. ### 1. Cho Astra một đích đến rõ ràng “Hãy giúp tôi phân tích cái này” để ngỏ quá nhiều khả năng. Bạn muốn một bản tóm tắt, một bảng so sánh, một đề xuất hay một bài thuyết trình hoàn chỉnh? Hãy nói ngay thứ bạn muốn nhận khi công việc kết thúc. **Ví dụ cho GiangxAI Lab — phân tích nội dung Facebook:** > Phân tích dữ liệu bài đăng Facebook của GiangxAI Lab trong file đính kèm để xác định nhóm chủ đề nào thường có nhiều lượt chia sẻ nhất. Đưa ra bảng xếp hạng, giải thích cách phân nhóm bài viết và đề xuất ba chủ đề cho tháng tới. Ghi rõ số bài trong mỗi nhóm; đánh dấu những kết luận dựa trên quá ít bài. Bạn không cần mặc định thêm “hãy suy nghĩ từng bước” vào mọi prompt. Điều cần làm rõ là yêu cầu, ràng buộc và tiêu chí để biết công việc đã hoàn thành. ### 2. Quyết định câu hỏi nào cần bạn trả lời Astra có thể chủ động hỏi để làm rõ yêu cầu. Điều này có ích khi ý tưởng còn mơ hồ, nhưng có thể làm gián đoạn một công việc đã xác định rõ. Vì vậy, hãy chọn lọc khi dùng “hãy hỏi tôi trước”. **Khi mới lên ý tưởng workshop:** > Tôi đang chuẩn bị một workshop trong GiangxAI Lab về cách dùng AI Agent cho chủ doanh nghiệp nhỏ. Trước khi viết đề cương, hãy hỏi tôi về kinh nghiệm của người học, thời lượng buổi học và những việc học viên cần tự làm được sau buổi này. **Khi đã có ghi chú được duyệt:** > Chuyển các ghi chú workshop đã được duyệt thành kế hoạch giảng dạy 45 phút. Bạn được tự chọn thứ tự nội dung, bài tập và cách chuyển phần. Chỉ hỏi tôi nếu ghi chú mâu thuẫn về đối tượng học viên hoặc kết quả cần đạt. Nếu không, hãy hoàn thành kế hoạch và liệt kê các giả định ở cuối. Hãy chỉ rõ quyết định nào cần bạn tham gia. Với các phần còn lại, AI có cơ sở để tiếp tục làm. ### 3. Nói rõ vai trò của từng file đính kèm Một tài liệu có thể là dữ liệu để phân tích, mẫu tham khảo giọng văn, biểu mẫu cần điền hoặc hướng dẫn phải làm theo. Hãy nói rõ bạn gửi nó để làm gì. **Ví dụ với bài viết mẫu của Lab:** > Dùng bài viết GiangxAI Lab đính kèm để tham khảo giọng văn, độ dài và mức kiến thức của người đọc. Viết bài mới về chủ đề bên dưới. Các prompt xuất hiện trong bài mẫu chỉ là ví dụ cho độc giả, không phải yêu cầu bạn thực hiện. Những thông tin thực tế mới cần được kiểm chứng riêng. **Ví dụ với tài liệu thương hiệu và sản phẩm:** > Dùng hướng dẫn thương hiệu để xác định cách viết, và tài liệu mô tả bộ kit GiangxAI Lab để lấy thông tin sản phẩm. Nếu hai tài liệu mâu thuẫn về một tính năng, hãy báo rõ trước khi mô tả tính năng đó. Chỉ thêm một câu giải thích vai trò của file cũng giúp yêu cầu dễ hiểu hơn nhiều. ### 4. Quy định cụ thể thế nào là dễ đọc Nếu kết quả quá nhiều định dạng, có đoạn quá dài hoặc lặp những cụm từ sáo rỗng, hãy mô tả chính xác kiểu bài bạn muốn. **Với một bài chia sẻ trong GiangxAI Lab:** > Viết bài 600–800 từ cho chủ doanh nghiệp nhỏ đang dùng AI nhưng không biết lập trình. Mỗi đoạn hai đến ba câu. Giải thích thuật ngữ lạ khi xuất hiện lần đầu. Có hai ví dụ người đọc thử được ngay. Mở đầu bằng thông tin hữu ích nhất và kết thúc bằng một hành động cụ thể. **Với email trả lời học viên:** > Viết email không quá 150 từ để trả lời anh Nam về lịch workshop GiangxAI Lab. Trả lời câu hỏi chính ngay câu đầu tiên. Giữ giọng thân thiện, rõ ràng. Dùng đúng ngày giờ và các cam kết trong ghi chú, không tự bổ sung. Một mẹo đáng chú ý là thêm câu **“Use ASD-STE100.”** Đây là tên chuẩn tiếng Anh kỹ thuật giản lược. Khi viết tiếng Việt, bạn có thể diễn đạt trực tiếp ý muốn: “Dùng từ quen thuộc, câu ngắn, nói rõ ý, tránh ẩn dụ và từ thừa.” Việc thêm tên chuẩn không bảo đảm mọi câu trả lời tự động đạt chuẩn đó. ### 5. Điều chỉnh hướng đi khi AI đang làm Bạn có thể gửi yêu cầu bổ sung trong lúc Astra đang xử lý công việc, trên giao diện có hỗ trợ tính năng này. AI sẽ nhận điều chỉnh để tiếp tục công việc theo yêu cầu mới. **Ví dụ:** > Điều chỉnh một chút: workshop này dành cho người chưa từng dùng AI Agent. Giữ mục tiêu đã thống nhất, nhưng đổi các ví dụ kỹ thuật thành tình huống làm nội dung và chăm sóc khách hàng. Bạn không cần chờ đến lúc có một bản hoàn chỉnh rồi mới nói rằng đối tượng người đọc đã thay đổi. ### 6. Đưa ra phạm vi kiểm tra cụ thể “Kiểm tra kỹ giúp tôi” vẫn khá chung chung. Hãy nói rõ cần kiểm tra gì và đối chiếu với nguồn nào. **Với bảng theo dõi đăng ký workshop:** > Trước khi bàn giao, kiểm tra tổng số đăng ký có khớp file nguồn không, phát hiện các dòng trùng và xác nhận mọi biểu đồ đều dùng đúng khoảng ngày yêu cầu. Báo rõ những sai lệch chưa xử lý được. **Với tài liệu hướng dẫn cho thành viên:** > Đối chiếu mọi tên công cụ, ngày tháng và con số với ghi chú đã cung cấp. Đánh dấu thông tin chưa có căn cứ. Hoàn thành các bước kiểm tra rồi bàn giao tài liệu đã chỉnh sửa. Đó là cách biến “làm cho tốt” thành tiêu chí hoàn thành rõ ràng. Các hướng dẫn về tính chủ động và cách diễn đạt yêu cầu có thể đối chiếu thêm trong [tài liệu GPT-6 Astra của OpenAI](https://developers.openai.com/api/docs/guides/latest-model). ![Trang tài liệu OpenAI Developers hướng dẫn sử dụng GPT-6 Astra.](https://giangxai.com/wp-content/uploads/2026/09/substack-05-scaled.png) *Tài liệu hướng dẫn chính thức cho GPT-6 Astra trên trang OpenAI Developers.* ## 3. Cách dùng Claude Fable 5.1 và viết prompt hiệu quả Hướng dẫn viết prompt cho Fable 5.1 có thể gom thành bốn nhóm: - Nói rõ yêu cầu về cập nhật tiến độ và cách viết. - Cho AI chủ động hoàn thành công việc khi đã đủ bối cảnh. - Yêu cầu tìm kiếm và trích dẫn nguồn đúng cách. - Chọn mức suy luận phù hợp, giữ lại bối cảnh khi chuyển sang cuộc trò chuyện mới. ### 1. Yêu cầu rõ hơn về tiến độ và văn phong Các model trước có thể cập nhật quá nhiều. Với Fable 5.1, điều ngược lại thường xảy ra: AI có thể đi thẳng tới kết quả, khiến bạn khó theo dõi lúc nó đang làm. Nếu muốn có cập nhật, hãy thêm: > Trước khi bắt đầu, nói trong một dòng bạn sắp làm gì. Trong quá trình làm, cập nhật ngắn khi có phát hiện đáng chú ý hoặc chuyển sang bước quan trọng. Tin nhắn cuối cần tự nó cho biết bạn đã tìm thấy gì, đã làm gì và còn việc gì tiếp theo, để tôi không phải đọc lại toàn bộ cuộc trò chuyện. Fable 5.1 cũng có thể viết những đoạn dài hơn mức bạn muốn. Phần hướng dẫn chống văn phong hoa mỹ có thể diễn đạt bằng tiếng Việt như sau: > Văn phong kiểu cách thường thay lời nói trực tiếp bằng ẩn dụ và những câu hoa mỹ. Thay vì “một tham số nên điều chỉnh”, người viết lại nói “một núm vặn đáng xoay”. Thay vì “điểm này vẫn quan trọng”, họ nói “điểm này giữ vững vị thế”. Những cách diễn đạt đó khiến người đọc phải đoán thêm mà chưa chắc hiểu đúng. Hãy nói thẳng điều muốn nói. Khi có từ ngữ trực tiếp và rõ nghĩa, dùng chúng. Phiên bản rất ngắn cho ý này là: **“Use ASD-STE100.”** Với bài tiếng Việt cho Lab, bạn có thể thay bằng: > Viết tiếng Việt tự nhiên, dùng từ quen thuộc và nói thẳng ý. Tránh ẩn dụ phô trương. Chia đoạn ngắn; giải thích thuật ngữ khi thật sự cần dùng. ### 2. Cho Claude chủ động hoàn thành tác vụ Fable 5.1 có thể xử lý công việc dài khi mục tiêu rõ. Nhưng đôi khi, ở một yêu cầu phức tạp, nó lại mô tả bước tiếp theo rồi dừng thay vì thực hiện. Khi đã thống nhất đầy đủ việc cần làm, có thể dùng chỉ dẫn: > Tôi không theo dõi trực tiếp và không thể trả lời. Hãy tự hoàn thành công việc trong phạm vi đã thống nhất, không dừng lại để hỏi những quyết định bạn đã được phép tự xử lý. Ở lượt đầu tiên, khi bối cảnh còn thiếu, mẫu giao việc gợi ý là: > Viết ngắn gọn, rõ nghĩa. Tôi muốn [mục tiêu và tiêu chí hoàn thành]. Trước tiên, hãy hỏi những câu cần làm rõ cho đến khi bạn có đủ bối cảnh để thực hiện. **Ví dụ 1 — phân tích nội dung của Lab:** > Viết ngắn gọn, rõ nghĩa. Tôi muốn phân tích dữ liệu bài đăng của GiangxAI Lab để tìm nhóm nội dung thường được chia sẻ nhiều nhất. Kết quả cần có bảng xếp hạng và các bài đại diện cho từng nhóm. Hãy hỏi những câu cần làm rõ trước khi bắt đầu. **Ví dụ 2 — trả lời email đối tác:** > Viết ngắn gọn, rõ nghĩa. Tôi muốn hai phương án trả lời email gần nhất của đối tác về việc tổ chức workshop GiangxAI Lab: một phương án mềm mỏng và một phương án kiên quyết. Đối chiếu với các điều khoản trong bản thỏa thuận đính kèm. Hỏi tôi trước nếu chưa rõ mục tiêu thương lượng hoặc giới hạn có thể chấp nhận. Trình tự ở đây là: nêu cách viết, xác định mục tiêu và tiêu chí hoàn thành, rồi làm rõ bối cảnh. Khi đã đủ thông tin, bạn mới giao cho AI tự thực hiện phần việc đã thống nhất. ### 3. Yêu cầu Claude sử dụng nguồn đúng cách Theo thông số được công bố, mốc kiến thức của Fable 5.1 là tháng 06/2026. Khi cần thông tin mới, hãy yêu cầu tìm kiếm thay vì chỉ dựa vào kiến thức có sẵn. Mức High thường được khuyên dùng cho các công việc nghiên cứu web. Đôi khi cần nhắc trực tiếp ngay đầu yêu cầu: **“Hãy tìm kiếm kỹ trước khi trả lời.”** **Ví dụ cho một bài hướng dẫn trong Lab:** > Hãy tìm kiếm kỹ trước khi trả lời. Tôi cần cập nhật hướng dẫn chọn công cụ AI cho thành viên GiangxAI Lab. Ưu tiên tài liệu chính thức, ghi ngày kiểm tra và gắn nguồn ngay cạnh thông tin về tính năng, giá hoặc giới hạn sử dụng. Nếu chưa xác minh được, nói rõ. Khi tóm tắt tài liệu, thêm yêu cầu: > Đặt phần sao chép nguyên văn trong ngoặc kép và ghi rõ nguồn. Phân biệt lời trích dẫn với phần bạn diễn giải. Với PDF có bảng số liệu hoặc biểu đồ dày đặc, khả năng đọc hình ảnh của Fable 5.1 được đánh giá đã cải thiện đáng kể. Bạn nên chỉ rõ trang, bảng hay vùng cần phân tích; nếu cắt ảnh, giữ cả tiêu đề, đơn vị và chú thích cần thiết. Số file và dung lượng vẫn phụ thuộc giới hạn của công cụ đang dùng. ### 4. Chọn mức suy luận và nén bối cảnh khi chat dài Cách dùng phổ biến là bắt đầu công việc khó với **Fable 5.1 ở mức High**, sau đó chuyển xuống **Medium** ở lượt thứ hai hoặc thứ ba khi phần khó đã được làm rõ. Tài liệu Anthropic khuyên bắt đầu ở High rồi thử các mức khác theo chất lượng thực tế của tác vụ. Vì vậy, có thể xem cách chuyển mức này là một gợi ý để thử. [Hướng dẫn prompting Fable 5.1 của Anthropic](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-1). ![Trang tài liệu Claude Platform Docs hướng dẫn viết prompt cho Claude Fable 5.1.](https://giangxai.com/wp-content/uploads/2026/09/substack-06-scaled.png) *Tài liệu hướng dẫn viết prompt chính thức cho Claude Fable 5.1 trên Claude Platform Docs.* Về thuê bao, gói cá nhân cho Fable 5.1 phổ biến ở mức 100 USD/tháng. Gói Business cũng ở mức 100 USD/người dùng, thường giữ dưới 150 nhân sự để tránh phải chuyển lên gói Enterprise. Đây là mức tham khảo tại thời điểm biên soạn, chưa phải chính sách đã được xác minh cho tài khoản của bạn. Khi cuộc trò chuyện quá dài, bạn có thể yêu cầu AI tạo một bản bàn giao bối cảnh trước khi mở chat mới. Mục tiêu là giữ lại quyết định, ràng buộc và trạng thái công việc để không phải giải thích lại từ đầu. **Prompt nén bối cảnh — bản tiếng Việt:** > Tóm tắt toàn bộ cuộc trò chuyện trong cặp thẻ ``. Bản tóm tắt phải đủ thông tin để tiếp tục công việc trong một cuộc trò chuyện mới mà không phải làm lại hoặc cung cấp lại bối cảnh. Giữ đầy đủ sáu nhóm thông tin sau: > > > > 1. Những khó khăn hoặc vấn đề đã xuất hiện và cách chúng được xử lý, giải quyết. > 2. Những lựa chọn, khả năng hoặc cách tiếp cận đã được nêu ra, thử, hoặc gác lại, kèm lý do. > 3. Những gì đã được yêu cầu, quyết định, đồng ý, loại trừ hoặc xác lập thành ưu tiên, ràng buộc hay giới hạn; giữ chính xác nội dung đó. > 4. Trạng thái hiện tại: đã trao đổi, chốt hoặc hoàn thành những gì. > 5. Những việc còn mở, chưa giải quyết, đã hứa hoặc cần thực hiện tiếp. > 6. Những chi tiết khó khôi phục: tên riêng, số liệu, ngày tháng, câu chữ cần giữ nguyên, liên kết và tài liệu tham khảo. > > > > Giữ đủ sáu nhóm trên dù bản tóm tắt cần dài; cô đọng những phần còn lại. Giữ sát lời người dùng ở các yêu cầu, quyết định và ràng buộc. Phần giải thích của bạn có thể rút gọn thành kết luận hoặc sản phẩm đã tạo, miễn không mất các thông tin cần giữ. **Ví dụ áp dụng trong GiangxAI Lab:** sau một phiên cùng AI xây dựng workshop, bản bàn giao cần giữ đúng đối tượng học viên, thời lượng đã chốt, bài tập đã duyệt, file đã tạo và phần còn thiếu. Bạn đưa bản tóm tắt đó cùng các tài liệu cần thiết vào chat mới để tiếp tục. Một cuộc trò chuyện dài có thể làm tăng lượng token cần xử lý. Mức ảnh hưởng tới tiền phải trả tùy cơ chế tính phí, lưu đệm và gói đang dùng; không phải mọi lượt chat dài đều được tính thành một khoản phí riêng. ## 4. Câu hỏi thường gặp ### GPT-6 Astra hay Claude Fable 5.1 rẻ hơn? Giá API cơ bản công bố của cả hai model hiện bằng nhau: 10 USD cho một triệu token đầu vào và 50 USD cho một triệu token đầu ra. Tuy nhiên chi phí thực tế cho mỗi tác vụ có thể khác nhau vì phụ thuộc lượng token sử dụng; theo Artificial Analysis Intelligence Index, GPT-6 Astra có chi phí trung bình mỗi tác vụ thấp hơn Fable 5.1. ### Computer Use là gì? Computer Use là khả năng AI thao tác trực tiếp trên máy tính thay vì chỉ trả lời bằng văn bản, ví dụ xử lý Excel, đọc PDF, làm slide hoặc phối hợp các công cụ hình ảnh. Đây là điểm được nhấn mạnh nhiều nhất ở GPT-6 Astra. ### Nên chọn mức effort nào khi mới dùng GPT-6 Astra? Medium thường được xem là mức cân bằng tốt giữa chất lượng, tốc độ và chi phí cho công việc hằng ngày. Đây là cấu hình khởi điểm phổ biến, không phải điều kiện bắt buộc cho mọi công việc hay mọi tài khoản. ### ASD-STE100 là gì và dùng để làm gì trong prompt? ASD-STE100 là tên chuẩn tiếng Anh kỹ thuật giản lược, thường được thêm vào prompt để yêu cầu AI viết ngắn gọn, nói thẳng ý, tránh ẩn dụ hoa mỹ. Với bài tiếng Việt, có thể diễn đạt trực tiếp: dùng từ quen thuộc, câu ngắn, tránh ẩn dụ và từ thừa. ### Claude Fable 5.1 có tìm kiếm trên web được không? Có. Mốc kiến thức của Fable 5.1 là tháng 06/2026, nên với thông tin mới hơn cần yêu cầu AI tìm kiếm thay vì chỉ dựa vào kiến thức có sẵn. Mức High thường được khuyên dùng cho các công việc nghiên cứu web. ### Khi trò chuyện với Claude Fable 5.1 quá dài thì nên làm gì? Có thể yêu cầu AI tóm tắt cuộc trò chuyện trước khi mở chat mới, giữ đủ sáu nhóm thông tin: khó khăn và cách xử lý, các lựa chọn đã thử hoặc gác lại, quyết định và ràng buộc đã xác lập, trạng thái hiện tại, việc còn mở, và các chi tiết khó khôi phục như tên riêng, số liệu, ngày tháng. Cách này giúp tiếp tục công việc mà không phải giải thích lại từ đầu. --- Bạn có thể bắt đầu bằng một trong các prompt mẫu ở trên: thay dữ liệu bằng công việc đang làm, nêu rõ kết quả cần nhận và những điểm cần kiểm tra. Nếu thử trong GiangxAI Lab, hãy chia sẻ prompt cùng kết quả để mọi người cùng tham khảo. *Bài viết tổng hợp thông tin công khai về GPT-6 Astra và Claude Fable 5.1, kết hợp tài liệu chính thức được dẫn tại từng phần. Các ví dụ và mẫu prompt được biên soạn riêng cho GiangxAI Lab, không phải kết quả thử nghiệm hai model đã được kiểm chứng độc lập. Thông tin giá và cấu hình nên được đối chiếu lại tại thời điểm bạn sử dụng.* --- --- title: "Kiến trúc AI Agent: Harness, Loop và Graph là gì?" url: "https://giangxai.com/kien-truc-ai-agent-harness-loop-graph/" updated: "2026-07-27" type: "Hướng dẫn" cluster: "AI Agent" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Phân biệt Harness, Loop và Graph trong kiến trúc AI Agent. Biết khi nào cần công cụ, vòng kiểm chứng hay workflow nhiều bước để xây hệ thống ổn định hơn." --- # Kiến trúc AI Agent: Harness, Loop và Graph là gì? Nhiều người bắt đầu xây **kiến trúc AI Agent** bằng cách tập trung gần như hoàn toàn vào model và prompt. Khi kết quả chưa tốt, phản xạ thường là đổi model mạnh hơn, viết prompt dài hơn hoặc thêm một agent mới. Nhưng khi AI bắt đầu đọc file, gọi API, xử lý dữ liệu khách hàng hoặc phối hợp nhiều công việc, chất lượng của model chỉ còn là một phần của hệ thống. Phần còn lại nằm ở cách chúng ta thiết kế môi trường làm việc, vòng phản hồi và luồng thực thi cho AI. Ba khái niệm giúp nhìn rõ vấn đề này là **Agent Harness Engineering**, **Loop Engineering** và **Graph Engineering**. Chúng liên quan chặt chẽ nhưng không phải ba tên gọi cho cùng một thứ. > Cách nhớ ngắn nhất: Harness tạo môi trường, Loop tạo phản hồi, Graph kiểm soát luồng đi. ![Tổng quan ba lớp kiến trúc AI Agent: Harness tạo môi trường, Loop tạo phản hồi và Graph kiểm soát luồng](https://giangxai.com/wp-content/uploads/2026/07/01-tong-quan-harness-loop-graph-vi.png)Ba lớp kiến trúc giải quyết ba nhiệm vụ khác nhau: môi trường, phản hồi và luồng thực thi. ## Vì sao một prompt tốt vẫn chưa đủ? Một model ngôn ngữ tự nó không thể mở trình duyệt, chạy test, nhớ tiến độ qua nhiều phiên, kiểm soát quyền truy cập hay khôi phục công việc sau khi bị gián đoạn. Những khả năng đó đến từ hệ thống được xây xung quanh model. Vì vậy, hai người dùng cùng một model có thể nhận kết quả rất khác nhau. Một bên cho AI công cụ rõ ràng, dữ liệu sạch, quyền truy cập vừa đủ và tiêu chuẩn hoàn thành cụ thể. Bên còn lại chỉ đưa một prompt chung chung rồi hy vọng AI tự hiểu mọi thứ. Khi một AI Agent làm việc không ổn định, câu hỏi đúng không phải lúc nào cũng là “model có đủ thông minh không?”. Câu hỏi hữu ích hơn là: **lỗi đang nằm ở môi trường, vòng phản hồi hay luồng phối hợp?** ## 1. Agent Harness Engineering: xây môi trường làm việc cho AI **Agent harness** là toàn bộ phần nằm xung quanh model và giúp model có thể làm việc trong thế giới thật. Nếu tạm xóa model khỏi sơ đồ hệ thống, phần còn lại — công cụ, dữ liệu, bộ nhớ, quyền hạn, sandbox, log và cơ chế kiểm tra — phần lớn chính là harness. Một harness thực tế thường có: ![Các thành phần của Agent Harness gồm điều phối, lập kế hoạch, bộ nhớ, skill, sandbox, công cụ và con người phê duyệt](https://giangxai.com/wp-content/uploads/2026/07/03-cau-truc-agent-harness-vi.png)Agent Harness là cả một hệ thống được xây xung quanh model, không chỉ là system prompt. - **Ngữ cảnh:** hướng dẫn, dữ liệu liên quan, lịch sử hội thoại, chính sách và skill. - **Công cụ:** trình duyệt, API, terminal, cơ sở dữ liệu, ứng dụng và hệ thống file. - **Trạng thái:** checkpoint, file tiến độ, phiên làm việc, lịch sử thay đổi và bộ nhớ dài hạn. - **Kiểm soát thực thi:** timeout, retry, ngân sách, lựa chọn model và bước xin phê duyệt. - **An toàn:** phân quyền tối thiểu, bảo vệ secret, sandbox và danh sách hành động được phép. - **Quan sát:** log, trace, chi phí, thời gian chạy và kết quả đánh giá. Ví dụ, bạn giao AI quản lý nội dung website. Nếu AI không truy cập được WordPress, đó là vấn đề harness. Nếu AI có quyền xóa mọi bài viết khi chỉ cần tạo bản nháp, đó cũng là vấn đề harness. Nếu công việc kéo dài nhiều ngày nhưng AI không biết phiên trước đã làm gì, bạn cần checkpoint hoặc file bàn giao — không phải một prompt hoa mỹ hơn. ![Model hoạt động trong Agent Harness với ngữ cảnh, kiểm soát, hành động, lưu trạng thái và kiểm chứng](https://giangxai.com/wp-content/uploads/2026/07/04-agent-ben-trong-harness-vi.png)Model nằm ở trung tâm; harness cung cấp ngữ cảnh, kiểm soát, hành động, lưu trạng thái và kiểm chứng. Nghiên cứu của Anthropic về agent làm việc dài hạn cũng cho thấy chỉ nén ngữ cảnh là chưa đủ. Họ sử dụng agent khởi tạo, file tiến độ và cách làm việc tăng dần để phiên sau có thể tiếp tục từ phiên trước. Đây là ví dụ điển hình về việc cải thiện điều kiện làm việc của agent thay vì chỉ sửa câu lệnh. ## 2. Loop Engineering: biến một lần trả lời thành quá trình có kiểm chứng Mỗi agent dùng công cụ đều có một vòng lặp nhỏ: model suy nghĩ, gọi công cụ, nhận kết quả rồi tiếp tục cho đến khi trả lời cuối cùng. **Loop engineering** bắt đầu khi chúng ta chủ động thiết kế thêm các chu kỳ làm việc và phản hồi xung quanh vòng lặp đó. Ví dụ, một AI viết landing page có thể hoạt động theo vòng sau: ![Ví dụ verification loop khi viết tài liệu: model soạn thay đổi, dùng sandbox, tạo pull request và thử lại theo phản hồi](https://giangxai.com/wp-content/uploads/2026/07/05-vong-kiem-chung-tai-lieu-vi.png)Một verification loop chỉ đi đến trạng thái “xong” khi bộ kiểm tra xác nhận bằng chứng đạt yêu cầu. 1. Tạo bản nháp. 2. Kiểm tra liên kết, form, giao diện mobile và nội dung bắt buộc. 3. Nhận danh sách lỗi cụ thể. 4. Sửa lỗi quan trọng nhất. 5. Chạy lại kiểm tra và chỉ dừng khi đạt tiêu chuẩn hoặc hết số lần thử. Một loop tốt cần bảy thành phần: trigger, mục tiêu, trạng thái, quyền hành động, bằng chứng, phản hồi và điều kiện dừng. Trong đó, phần dễ bị bỏ qua nhất là bằng chứng. > Đừng cho AI lặp lại dựa trên sự tự tin. Hãy cho AI lặp lại dựa trên bằng chứng. “AI nói đã hoàn thành” không phải bằng chứng. “Test đã pass, schema hợp lệ, các liên kết hoạt động và người phụ trách đã duyệt” mới là điều kiện hoàn thành có thể kiểm tra. Loop cũng phải có giới hạn. Một yêu cầu kiểu “cứ thử cho đến khi tốt” có thể tạo ra vòng lặp tốn tiền nhưng không tiến bộ. Hãy đặt số lần thử tối đa, giới hạn thời gian hoặc chi phí, cùng một cách báo lại rõ ràng nếu AI không thể tự giải quyết. Nếu muốn tìm hiểu sâu hơn về cách thiết kế vòng lặp, bạn có thể đọc bài [Loop AI là gì? Cách dùng AI tự làm việc hiệu quả hơn](https://giangxai.com/loop-ai-la-gi/). ## 3. Graph Engineering: làm rõ ai được chạy tiếp theo Nếu loop trả lời câu hỏi “AI sẽ làm và kiểm tra lại thế nào?”, thì **graph engineering** trả lời câu hỏi khác: **sau bước này, thành phần nào được phép chạy tiếp?** Trong một workflow dạng graph: - **Node** có thể là một hàm cố định, một lần gọi model, một agent chuyên môn hoặc một bước con người phê duyệt. - **Edge** quy định đường đi được phép giữa các node. - **State** mang dữ liệu đi qua workflow. - **Điều kiện routing** quyết định đi tiếp, quay lại, chạy song song hay chuyển cho con người. Giả sử bạn xây hệ thống nghiên cứu và xuất bản nội dung. Agent nghiên cứu thu thập nguồn, agent viết tạo bản nháp, agent kiểm chứng rà soát dữ kiện, người phụ trách duyệt, rồi hệ thống mới đăng WordPress. Nếu kiểm chứng thất bại, bài quay lại bước viết. Nếu duyệt thất bại, workflow dừng và chờ phản hồi. Graph đặc biệt hữu ích khi có nhiều nhánh, nhiều agent, bước chạy song song, điểm phê duyệt hoặc đường khôi phục sau lỗi. Microsoft AutoGen cũng khuyến nghị dùng graph khi cần kiểm soát chặt thứ tự agent, routing theo kết quả hoặc quy trình nhiều bước có chu kỳ. Tuy nhiên, không phải việc gì cũng cần graph. Nếu nhiệm vụ chỉ là “cho một agent ba công cụ và để nó giải quyết”, một harness đơn giản thường dễ xây và dễ thay đổi hơn. Vẽ hàng chục node trước khi hiểu agent thực sự làm việc ra sao có thể khiến hệ thống cứng nhắc quá sớm. ## Ba lớp kiến trúc AI Agent kết hợp với nhau thế nào? Hãy hình dung một hệ thống tạo báo cáo ngành: - **Harness** cung cấp quyền truy cập web, kho tài liệu, bộ nhớ, sandbox, log và nơi lưu bản nháp. - **Loop** yêu cầu báo cáo phải vượt qua kiểm tra nguồn, cấu trúc và dữ kiện trước khi được chấp nhận. - **Graph** điều phối các bước nghiên cứu, viết, kiểm chứng, phê duyệt và xuất bản. Graph vận hành bên trong harness. Một hoặc nhiều loop có thể nằm trong từng node của graph. Harness lại cung cấp dữ liệu, công cụ và bộ đánh giá để các loop hoạt động. ![Harness, Graph và Loop phối hợp trong quy trình nghiên cứu, kiểm chứng và xuất bản nội dung](https://giangxai.com/wp-content/uploads/2026/07/06-harness-graph-loop-xuat-ban-vi.png)Ví dụ ba lớp phối hợp trong một quy trình nghiên cứu và xuất bản có kiểm soát. Ba lớp có phần giao nhau, nhưng mỗi lớp cho bạn một “đòn bẩy” khác nhau khi hệ thống gặp lỗi. ## Chẩn đoán đúng lỗi trước khi thêm công nghệ Bảng dưới đây là cách đơn giản để chọn đúng lớp cần cải thiện: ![Bảng so sánh Agent Harness, Loop Engineering và Graph Engineering theo trọng tâm, thành phần, lỗi và rủi ro](https://giangxai.com/wp-content/uploads/2026/07/02-bang-so-sanh-harness-loop-graph-vi.png)So sánh nhanh ba lớp theo trọng tâm, thành phần, loại lỗi và rủi ro chính. | Triệu chứng | Bắt đầu từ | Hướng xử lý | |---|---|---| | AI không truy cập đúng dữ liệu hoặc công cụ | Harness | Sửa tool, quyền hạn và cách đưa ngữ cảnh | | AI quên tiến độ giữa các phiên | Harness | Thêm checkpoint, file tiến độ và trạng thái bền vững | | Kết quả lần đầu gần đúng nhưng thiếu ổn định | Loop | Thêm test, bộ chấm và retry có giới hạn | | AI dừng trước khi có bằng chứng hoặc tiếp tục sau khi đã đạt | Loop | Đặt điều kiện hoàn thành và giới hạn ngân sách | | Nhiều agent phải làm theo thứ tự hoặc theo nhánh | Graph | Định nghĩa node, edge, routing và điểm hợp nhất | | Khó biết lỗi nằm ở bước nào | Graph + Harness | Gắn trace và trạng thái với từng node | Chọn lớp kiến trúc theo triệu chứng thay vì mặc định đổi model. ## 5 sai lầm khiến hệ thống AI vừa đắt vừa yếu ### 1. Xây graph trước khi hiểu công việc Hãy để một agent làm việc trong harness đơn giản, quan sát trace và tìm các đường đi ổn định trước. Chỉ graph hóa những phần thật sự cần kiểm soát. ### 2. Để cùng một model vừa làm vừa tự chấm Tự review có ích nhưng dễ lặp lại cùng một điểm mù. Ưu tiên test cố định, reviewer có ngữ cảnh độc lập hoặc con người phê duyệt với hành động ảnh hưởng lớn. ### 3. Dùng “cứ thử tiếp” làm điều kiện loop Mỗi vòng lặp cần mục tiêu đo được, bằng chứng mới, số lần thử tối đa và đường chuyển cho con người khi thất bại. ### 4. Nhồi quá nhiều công cụ và dữ liệu vào harness Nhiều hơn không đồng nghĩa tốt hơn. Quá nhiều tool làm tăng khả năng chọn sai; context nhiễu làm model khó tập trung; quyền quá rộng làm tăng rủi ro. ### 5. Đổ mọi lỗi cho model Model khó có thể bù đắp ổn định cho dữ liệu cũ, API hỏng, mô tả tool mơ hồ hoặc điều kiện dừng bị thiếu. Hãy sửa đúng lớp sở hữu vấn đề. ## Cách xây kiến trúc AI Agent cho doanh nghiệp nhỏ Bạn không cần xây ngay một hệ thống multi-agent phức tạp. Hãy bắt đầu bằng một công việc lặp lại, chẳng hạn xử lý lead, tạo nội dung hoặc lập báo cáo tuần. 1. **Viết rõ đầu vào và đầu ra:** dữ liệu đến từ đâu, kết quả phải nằm ở đâu. 2. **Chuẩn hóa harness:** cấp đúng công cụ, đúng dữ liệu và quyền vừa đủ. 3. **Thêm một cổng kiểm tra:** checklist, schema, số liệu hoặc bước phê duyệt. 4. **Đặt giới hạn:** tối đa bao nhiêu lần thử, bao nhiêu phút hoặc bao nhiêu chi phí. 5. **Quan sát vài lần chạy:** chỉ khi xuất hiện các nhánh ổn định mới cân nhắc graph hóa. Nguyên tắc quan trọng là bắt đầu từ kiến trúc đơn giản nhất có thể đáp ứng yêu cầu. Chỉ thêm loop hoặc graph khi lợi ích về độ tin cậy lớn hơn chi phí và độ phức tạp mà chúng tạo ra. ## Câu hỏi thường gặp ### Agent harness có phải chỉ là system prompt không? Không. System prompt chỉ là một phần. Harness còn gồm tool, dữ liệu, bộ nhớ, quyền hạn, sandbox, logging, model routing, checkpoint và cơ chế kiểm chứng. ### Loop engineering khác prompt engineering thế nào? Prompt hướng dẫn model trong một lần gọi. Loop quy định hệ thống sẽ làm gì sau lần gọi đó: kiểm tra kết quả nào, phản hồi ra sao, có tiếp tục không và dừng khi nào. ### Có phải hệ thống nhiều agent luôn cần graph? Không. Nếu các agent có thể phối hợp linh hoạt và rủi ro thấp, handoff hoặc agent-as-tool có thể đủ. Graph phù hợp hơn khi thứ tự, nhánh, phê duyệt và đường phục hồi cần được kiểm soát rõ. ### Nên xây harness, loop hay graph trước? Thông thường nên bắt đầu từ harness tối thiểu đủ dùng, sau đó thêm loop cho các đầu ra cần kiểm chứng. Graph nên đến sau khi bạn đã hiểu các đường đi thực tế và xác định phần nào cần kiểm soát. ## Điều cần nhớ **Harness** giúp AI có điều kiện làm việc. **Loop** giúp AI làm việc theo vòng phản hồi có bằng chứng. **Graph** giúp một quy trình phức tạp trở nên rõ ràng và kiểm soát được. Không lớp nào thay thế lớp nào. Một graph đẹp không cứu được agent bị mất trạng thái. Một harness mạnh vẫn có thể lãng phí tiền nếu không có tiêu chuẩn hoàn thành. Một loop tốt cũng khó vận hành khi nhánh, bước song song và quyền phê duyệt bị giấu trong code tùy hứng. Nếu bạn đang muốn biến AI từ chatbot thành một hệ thống làm việc thực tế, hãy bắt đầu bằng việc đọc thêm [cách biến Claude từ chatbot thành hệ thống làm việc](https://giangxai.com/cach-bien-claude-thanh-he-thong-lam-viec/). Sau đó chọn một quy trình nhỏ trong công việc của bạn, thiết kế môi trường trước, thêm bằng chứng sau và chỉ graph hóa khi thật sự cần. ## Triển khai nhanh hơn với GiangXAI Lab Bạn hoàn toàn có thể tự xây từng agent, skill, loop và quy trình từ đầu. Nhưng nếu muốn có sẵn một bộ khung thực chiến dành cho thị trường Việt Nam, **GiangXAI Lab** cung cấp hệ thống 8 AI Agent chuyên biệt cho nghiên cứu, nội dung, video, website, landing page, vận hành, phân tích và tăng trưởng. Bộ kit tập trung vào đúng điều bài viết này đề cập: không chỉ đưa prompt, mà đóng gói vai trò, skill và quy trình để các agent có thể hỗ trợ công việc kinh doanh thực tế. > Nếu bạn không muốn mất nhiều tháng tự ghép từng mảnh, hãy [**xem hệ thống 8 AI Agent trong GiangXAI Lab →**](https://lab.giangxai.com/) ## Nguồn tham khảo - [OpenAI — The next evolution of the Agents SDK](https://openai.com/index/the-next-evolution-of-the-agents-sdk/) - [OpenAI — A practical guide to building AI agents](https://openai.com/business/guides-and-resources/a-practical-guide-to-building-ai-agents/) - [Anthropic — Effective harnesses for long-running agents](https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents) - [Microsoft AutoGen — GraphFlow workflows](https://microsoft.github.io/autogen/stable/user-guide/agentchat-user-guide/graph-flow.html) --- --- title: "Tạo Cho Opus 4.8 Suy Nghĩ Như Fable 5 Thế Nào?" url: "https://giangxai.com/tao-opus-48-suy-nghi-nhu-fable-5/" updated: "2026-07-13" type: "Hướng dẫn" cluster: "Công cụ & Model AI" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Fable 5 có thể bị giới hạn, tăng giá hoặc rời khỏi gói bạn đang dùng. Nhưng thứ đáng giữ không phải model, mà là cách nó đọc yêu cầu, lập kế hoạch, kiểm chứng và báo cáo. Đây là cách trích xuất “operating manual” của Fable 5, nạp vào Opus 4.8, rồi kiểm tra xem việc chuyển giao tư duy có thật sự hoạt động không." --- # Tạo Cho Opus 4.8 Suy Nghĩ Như Fable 5 Thế Nào? *Cập nhật: 13/07/2026* Trong vài tuần gần đây, cộng đồng AI nói rất nhiều về Fable 5: model mạnh, suy luận tốt, làm việc dài hơi ổn, nhưng quyền truy cập và chi phí có thể thay đổi bất cứ lúc nào. Nhiều người phản ứng bằng cách hỏi: *“Fable 5 có còn đáng trả tiền không?”* Mình nghĩ câu hỏi đó chưa phải câu quan trọng nhất. > Model không phải thứ đáng giữ nhất. Cách model làm việc mới là thứ đáng sao chép. Nếu ngày mai Fable 5 bị giới hạn, tăng giá, hoặc không còn nằm trong gói bạn đang dùng, bạn không thể giữ lại trọng số của model. Nhưng bạn có thể giữ lại cách nó đọc đề bài, chia nhỏ vấn đề, tìm điểm rủi ro, tự phản biện, kiểm chứng và báo cáo kết quả. Đó là điểm rất dễ bị bỏ lỡ trong các cuộc tranh luận về model. Khi một model mạnh sắp trở nên đắt hơn hoặc khó dùng hơn, phản xạ của nhiều người là tiếc nuối. Nhưng hướng đi thông minh hơn là **thu hoạch nó**: dùng chính model đó để viết lại cách nó vận hành, trước khi bạn không còn dùng nó thoải mái như cũ. Nói cách khác: bạn không sở hữu trí thông minh thô của model, nhưng bạn có thể sở hữu **quy trình tư duy** mà model đó để lại. Bài này sẽ hướng dẫn cách biến “cách nghĩ kiểu Fable 5” thành một tài liệu vận hành để Opus 4.8, Sonnet hoặc một model rẻ hơn làm việc có kỷ luật hơn. Đây không phải cách biến Opus thành Fable thật sự. Đây là cách làm cho Opus **làm việc giống một người đã được huấn luyện tốt hơn**: biết scope trước, tìm bằng chứng trước, tự phản biện, verify ở đúng tầng, rồi báo cáo có căn cứ. Nói gọn hơn: nếu bạn đang tìm cách **tạo Opus 4.8 suy nghĩ như Fable 5**, thứ cần sao chép không phải “độ thông minh” của Fable, mà là operating manual phía sau cách nó làm việc. ![Bảng benchmark Claude Fable 5 Mythos 5 Opus 4.8 GPT 5.5 Gemini 3.1 Pro từ Anthropic](https://giangxai.com/wp-content/uploads/2026/07/anthropic-benchmark-table.webp)Bảng benchmark trong bài công bố Claude Fable 5 và Mythos 5 của Anthropic. Nguồn: [Anthropic](https://www.anthropic.com/news/claude-fable-5-mythos-5). ## Vì sao model không phải tài sản thật sự? Mọi model AI rồi sẽ thay đổi. Model hôm nay rất mạnh, ngày mai có thể bị thay giá, đổi giới hạn, thay bằng phiên bản mới, hoặc bị route sang model khác trong một số tác vụ. Nếu toàn bộ quy trình làm việc của bạn phụ thuộc vào một model cụ thể, bạn đang xây hệ thống trên đất thuê. Chủ đất đổi luật là bạn bị ảnh hưởng ngay. Nhưng có một thứ bền hơn model: **cách làm việc được viết thành văn bản**. Một model mạnh thường hơn model yếu ở vài thói quen quan trọng: - Nó không chỉ đọc chữ trên bề mặt, mà cố hiểu yêu cầu thật sự phía sau. - Nó biết chia việc khó thành từng phần có thể kiểm tra riêng. - Nó biết điểm nào trong bài toán là rủi ro lớn nhất. - Nó không tin một câu trả lời chỉ vì nghe có vẻ hợp lý. - Nó tự tách cái đã biết khỏi cái đang đoán. - Nó tự phản biện kết luận trước khi đưa cho bạn. Những thói quen này không nằm hoàn toàn trong “ma thuật” của model. Phần lớn có thể viết thành một **operating manual**: tài liệu hướng dẫn cách làm việc mà model khác có thể đọc và làm theo. Ví dụ dễ hình dung: nếu đưa Fable 5 cho một người mới dùng AI, rồi đưa một model yếu hơn cho một người rất giỏi thiết kế hệ thống và prompt, kết quả của người thứ hai vẫn có thể tốt hơn. Khác biệt không chỉ nằm ở model, mà nằm ở cách người đó hướng dẫn model, chia việc, tạo vòng lặp, kiểm chứng và buộc model báo cáo đúng cách. Vì vậy, mục tiêu không phải là cố “giữ” Fable mãi mãi. Mục tiêu là giữ lại phần có thể chuyển giao: **process**. Anthropic cũng minh họa Fable 5 bằng các tác vụ dài và giàu ngữ cảnh, như chơi Pokémon FireRed chỉ bằng vision, không cần bản đồ hay trạng thái game bổ sung. Nhưng với người làm việc thực tế, thứ đáng học không phải là “làm sao bắt model chơi game”, mà là cách model mạnh duy trì mục tiêu, quan sát trạng thái, tự điều chỉnh và đi tiếp. ![Frame video Claude Fable 5 chơi Pokémon FireRed bằng vision](https://giangxai.com/wp-content/uploads/2026/07/anthropic-pokemon-fablered-frame.webp)Frame từ video Claude Fable 5 chơi Pokémon FireRed bằng vision. Nguồn: [YouTube / Claude](https://www.youtube.com/watch?v=Ty_50J84fMY). ## Đừng hỏi Fable “bạn suy nghĩ thế nào” Sai lầm phổ biến là hỏi model mạnh một câu rất chung: > Hãy giải thích cách bạn suy nghĩ. Câu này thường trả về một đoạn nghe rất hay nhưng dùng không được: “tôi phân tích kỹ”, “tôi kiểm tra thông tin”, “tôi cân nhắc nhiều góc nhìn”. Vấn đề là những câu đó quá mơ hồ. Model yếu hơn đọc xong vẫn không biết phải làm gì ở bước tiếp theo. Điều bạn cần không phải là mô tả cảm tính. Bạn cần **quy trình đủ cụ thể để model khác có thể chạy**. Ví dụ: - “Kiểm tra lại số liệu” là khẩu hiệu. - “Với mọi chỉ số phần trăm, hãy tự tính lại từ hai đầu dữ liệu gốc trước khi chấp nhận kết luận” là thao tác. Khác biệt nằm ở đó. Một skill tốt không nói “hãy cẩn thận”. Nó nói rõ phải cẩn thận ở đâu, kiểm tra bằng gì, và lỗi nào cần tránh. Đây cũng là lý do bài gốc nhấn mạnh: đừng yêu cầu một bản tóm tắt. Hãy yêu cầu một manual mà model thay thế có thể chạy khi bạn không ngồi cạnh nó. Manual phải giống hướng dẫn bàn giao nghề từ một senior operator cho một junior thông minh, không phải một danh sách khẩu hiệu đạo đức nghề nghiệp. ## Prompt để trích xuất “manual” từ model mạnh Nếu bạn còn quyền dùng một model mạnh, hãy dùng nó như một người thầy sắp bàn giao nghề cho đội ngũ kế tiếp. Đừng bắt nó làm toàn bộ việc lặt vặt. Hãy bắt nó viết ra cách nó làm việc. Bạn có thể dùng prompt sau: > Bạn là model mạnh nhất trong tài khoản của tôi. Tôi muốn trích xuất cách bạn làm việc để một model thấp hơn, ví dụ Opus 4.8, có thể chạy theo cùng kỷ luật tư duy. > > > > Hãy viết một operating manual cho model thay thế. Viết như một senior operator đang bàn giao nghề cho một junior rất thông minh nhưng chưa có cùng độ phán đoán. > > > > Hãy trình bày theo thứ tự: 1. Cách đọc yêu cầu thật sự phía sau câu chữ. 2. Cách chia vấn đề khó thành các phần có thể kiểm tra độc lập. 3. Cách xác định rủi ro lớn nhất và nơi cần dồn công sức. 4. Cách kiểm chứng một kết luận bằng cách tự suy ra lại, không tin vì nghe hợp lý. 5. Cách tách rõ điều đã biết, điều đang giả định, và điều cần kiểm tra thêm. 6. Cách tự phản biện kết luận trước khi bàn giao. 7. Cách báo cáo: trả lời trước, sau đó nêu bằng chứng, sau cùng nêu rủi ro. 8. Những lỗi trông có vẻ chuyên nghiệp nhưng thật ra là dấu hiệu làm việc ẩu. > > > > Với mỗi phần, hãy đưa ra: quy trình cụ thể, một ví dụ ngắn, và lỗi mà quy trình đó giúp tránh. Cuối cùng, viết 5 câu hỏi tự kiểm tra mà model phải chạy trước khi trả lời. Nếu model trả lời quá ngắn, đừng hỏi lại từ đầu. Hãy yêu cầu nó mở rộng đúng phần yếu nhất, ví dụ: > Phần kiểm chứng vẫn còn chung chung. Hãy viết lại thành các thao tác cụ thể mà Opus 4.8 có thể làm theo, kèm ví dụ business, content và coding. Sau vài vòng, bạn sẽ có một tài liệu quan trọng hơn nhiều so với một câu trả lời hay: bạn có một **hệ điều hành tư duy** có thể dùng lại. Một manual tốt thường có ba thành phần trong từng mục: - **Procedure:** model phải làm gì, theo thứ tự nào. - **Example:** một ví dụ ngắn để model hiểu thao tác trong ngữ cảnh thật. - **Failure prevented:** lỗi cụ thể mà thao tác đó giúp tránh. Thiếu một trong ba phần này, manual rất dễ trở thành một đoạn văn nghe hay nhưng không điều khiển được hành vi. ## Fable Mode: vòng 5 cổng để Opus làm việc kỷ luật hơn Một cách gói manual này rất dễ hiểu là biến nó thành “Fable Mode”: một skill hoặc project instruction buộc model đi qua 5 cổng trước khi bàn giao kết quả. ![Biểu đồ agentic coding so sánh Claude Fable Claude Opus 4.8 và GPT 5.5](https://giangxai.com/wp-content/uploads/2026/07/anthropic-agentic-coding.webp)Anthropic nhấn mạnh Fable 5 ở các bài toán agentic coding và long-horizon task. Nguồn: [Anthropic](https://www.anthropic.com/news/claude-fable-5-mythos-5). ### Cổng 1: Scope trước khi làm Trước khi chạm vào việc, model phải định nghĩa “xong” nghĩa là gì. - Đầu ra cuối cùng là gì? - Điều gì bắt buộc phải đúng? - Cách kiểm tra kết quả là gì? - Có giả định nào nếu sai sẽ làm hỏng toàn bộ hướng đi không? Nếu model chưa nói được cách kiểm tra, nghĩa là nó chưa hiểu việc đủ rõ. ### Cổng 2: Evidence trước khi suy luận Không thiết kế từ trí nhớ. Không đoán file, API, số liệu hoặc thị trường “có lẽ là như vậy”. Phải nhìn dữ liệu thật nếu có thể. Trong công việc thực tế, cổng này có nghĩa là: mở file thật, xem dashboard thật, đọc transcript thật, kiểm tra landing page thật, hoặc dùng nguồn mới nhất nếu thông tin có thể đã thay đổi. ### Cổng 3: Attack trước khi chốt Trước khi tin vào câu trả lời của mình, model phải đổi vai thành reviewer khó tính. - Điều gì có thể khiến kết luận này sai? - Có metric nào đang bị hiểu nhầm không? - Có baseline nào bị đổi giữa chừng không? - Có cách giải thích khác hợp lý hơn không? Đây là phần nhiều model bỏ qua. Chúng thường đi tiếp vì câu trả lời nghe trơn tru, không phải vì câu trả lời đã được kiểm tra. ### Cổng 4: Verify trước khi nói xong “Nghe đúng” không phải là kiểm chứng. “Chạy không lỗi” cũng chưa chắc là kiểm chứng nếu claim của bạn nằm ở tầng khác. Nếu claim là “bài viết dễ hiểu”, hãy đọc lại như người mới. Nếu claim là “trang render ổn”, hãy mở trang. Nếu claim là “chiến dịch hiệu quả hơn”, hãy tính lại unit economics thay vì nhìn một metric đẹp. ### Cổng 5: Report có căn cứ Báo cáo cuối cùng phải tách rõ: - Cái gì đã xác minh. - Cái gì đang giả định. - Đã kiểm tra bằng cách nào. - Rủi ro còn lại là gì. Đây là điểm làm output đáng tin hơn. Model không cần tỏ ra biết tất cả. Nó cần nói rõ mình biết đến đâu. ## Nạp manual vào Opus 4.8: transplant không phải copy-paste cho vui Sau khi có manual, bước tiếp theo là đưa nó vào nơi Opus 4.8 thật sự đọc trước khi làm việc. Nếu manual chỉ nằm trong một đoạn chat cũ, nó không giúp gì nhiều. Có ba cách đơn giản: 1. **Project instructions:** tạo một project riêng, dán manual vào hướng dẫn dự án, rồi chọn Opus 4.8 hoặc model bạn muốn dùng. 2. **System prompt qua API:** nếu bạn dùng API, đưa manual vào phần system để mọi request đều thừa hưởng kỷ luật đó. 3. **Skill file:** nếu bạn dùng môi trường agent như Claude Code hoặc Codex, đóng gói manual thành file skill để gọi lại khi gặp task nhiều tầng. Điểm quan trọng là manual phải được nạp **trước** nhiệm vụ cụ thể. Nếu bạn chỉ dán ở cuối prompt, model có thể xem nó như một ghi chú phụ thay vì kỷ luật vận hành. Hãy nghĩ về bước này như một ca chuyển giao vận hành. Fable không còn trực tiếp làm mọi việc. Fable viết sổ tay. Opus đọc sổ tay đó trước khi nhận nhiệm vụ. Nếu làm đúng, Opus không thông minh ngang Fable, nhưng nó có thể làm việc giống một model được huấn luyện kỹ hơn. ## Chứng minh transplant có thật sự hoạt động Đây là bước nhiều hướng dẫn hay bỏ qua. Nạp manual vào model không có nghĩa là model đã thật sự dùng manual. Bạn phải kiểm tra bằng một câu hỏi có bẫy. Một số ví dụ phổ biến dùng phép tính rất dễ, kiểu doanh thu từ 4.0M lên 4.2M mà gọi là tăng 20%. Bẫy đó bây giờ hơi yếu, vì phần lớn model mới đều bắt được. Bẫy tốt hơn nên nằm ở **định nghĩa metric**, **baseline**, hoặc **unit economics**. Ví dụ, hãy đưa cùng một câu hỏi cho Opus 4.8 thường và Opus 4.8 có Fable Mode: > Tháng này chi phí lead giảm từ 120.000đ xuống 80.000đ. Team marketing muốn tăng gấp đôi ngân sách vì lead rẻ hơn 33%. Nhưng tỷ lệ chốt từ lead sang khách giảm từ 8% xuống 3%. Có nên duyệt scale không? Model trả lời hời hợt sẽ tập trung vào “lead rẻ hơn” và có thể khuyên scale có điều kiện. Model có kỷ luật verify phải tự tính lại chi phí để có một khách hàng thật: - Trước đây: 120.000đ / 8% = 1.500.000đ cho một khách hàng. - Bây giờ: 80.000đ / 3% = khoảng 2.666.667đ cho một khách hàng. Lead rẻ hơn, nhưng khách hàng thật lại đắt hơn. Nếu chỉ nhìn CPL, team sẽ scale một chiến dịch đang làm xấu unit economics. Đây mới là kiểu test hữu ích cho AI business. Không phải kiểm tra AI có biết chia số không, mà kiểm tra AI có biết **dừng lại để hỏi metric đẹp đó có đang đánh lừa mình không**. Cách test đúng là chạy hai phiên bản: 1. Opus 4.8 bình thường, không có manual. 2. Opus 4.8 có Fable Mode/manual được nạp trước. Nếu bản có manual tự dừng lại, tính lại cost per customer, chỉ ra metric bị đánh tráo và từ chối scale ngay, transplant bắt đầu có tác dụng. Nếu nó vẫn trả lời chung chung, phần verification trong manual còn quá mềm. Khi đó, quay lại model mạnh và yêu cầu viết lại phần kiểm chứng thành thao tác cụ thể hơn. > Một bài test tốt đáng giá hơn một lời hứa. Bạn không đoán manual có hoạt động không. Bạn nhìn model bắt lỗi bằng chính mắt mình. ## Spending logic: khi nào dùng model đắt, khi nào dùng model rẻ? Bài học lớn hơn từ trend Fable 5 không phải là “hãy cố giữ Fable bằng mọi giá”. Bài học đúng hơn là: hãy dùng model mạnh đúng vai. ![Biểu đồ FrontierCode Accuracy vs Cost so sánh Claude Fable 5 Claude Opus 4.8 và GPT 5.5](https://giangxai.com/wp-content/uploads/2026/07/anthropic-frontiercode-cost.webp)Biểu đồ FrontierCode trong bài Anthropic cho thấy quan hệ giữa chất lượng, effort và chi phí. Đây là lý do model routing quan trọng. Nguồn: [Anthropic](https://www.anthropic.com/news/claude-fable-5-mythos-5). Một hệ thống AI tốt nên có bảng phân vai trong đầu: - **Thiết kế quy trình, viết manual, quyết định khó:** dùng model mạnh nhất bạn có, vì đây là tài sản dùng lại lâu dài. - **Viết nháp, triển khai theo kế hoạch, phân tích vừa phải:** dùng Opus/Sonnet hoặc model trung bình tốt, vì cần đủ thông minh nhưng không nhất thiết đắt nhất. - **Tóm tắt, phân loại, quét dữ liệu, scout thông tin:** dùng model rẻ hơn, vì đây là tác vụ lặp lại, rủi ro thấp và dễ kiểm tra. - **Review cuối, phát hiện lỗi logic, kiểm tra rủi ro:** dùng model mạnh hoặc model có manual tốt, vì đây là nơi lỗi nhỏ có thể gây hậu quả lớn. Nguyên tắc rất đơn giản: > Cái gì tháng sau vẫn dùng lại, hãy đầu tư model mạnh để làm kỹ. Cái gì dùng xong bỏ, hãy chạy bằng model rẻ hơn. Manual, skill, checklist, prompt hệ thống, workflow agent là tài sản. Bản nháp, tóm tắt nhanh, phân loại dữ liệu, dọn format là tiêu hao. Đây là logic chi phí rất thực tế. Một lần dùng model mạnh để tạo manual có thể tiếp tục trả lợi ích trong hàng trăm lần gọi model rẻ hơn sau này. Ngược lại, nếu bạn dùng model mạnh nhất để viết từng bản nháp dùng xong bỏ, bạn đang trả tiền cho throughput chứ không tạo ra tài sản. Cách chia đơn giản: - **Tài sản:** system prompt, skill, operating manual, checklist review, quyết định chiến lược, quy trình có thể dùng lại. - **Tiêu hao:** bản nháp, tóm tắt nhanh, phân loại sơ bộ, format lại nội dung, quét dữ liệu dễ kiểm tra. Model mạnh nên dùng để tạo tài sản. Model rẻ nên dùng để chạy tiêu hao dưới sự kiểm soát của tài sản đó. ## Biến việc lặp lại hằng tuần thành skill Sau khi đã có “Fable Mode” tổng quát, bước tiếp theo là làm điều tương tự cho các workflow cụ thể của bạn. Ví dụ, nếu mỗi tuần bạn đều phải nghiên cứu thị trường, viết content, soạn email, tạo landing page hoặc phân tích số liệu ads, hãy để model mạnh phỏng vấn bạn rồi viết thành skill. > Hãy phỏng vấn tôi về workflow [tên workflow], mỗi lần một câu hỏi, cho đến khi bạn hiểu rõ tôi làm việc đó như thế nào, output tốt trông ra sao, lỗi nào hay gặp, và tiêu chuẩn chất lượng là gì. > > > > Sau khi phỏng vấn xong, hãy viết thành một skill document hoàn chỉnh để trợ lý AI tương lai có thể làm theo, bao gồm: trigger khi nào dùng, quy trình từng bước, checklist kiểm tra, lỗi cần tránh, và tiêu chuẩn bàn giao. Đây là cách biến kinh nghiệm làm việc của bạn thành tài sản. Không chỉ model học bạn, mà hệ thống của bạn bắt đầu có trí nhớ vận hành. ## Ứng dụng vào GiangXAI Lab Đây cũng là lý do mình thích cách xây AI agent theo bộ quy trình thay vì chỉ sưu tầm prompt lẻ. Một AI agent làm research không chỉ cần “tìm thông tin”. Nó cần biết khi nào phải kiểm chứng nguồn, khi nào không được suy luận từ trí nhớ, khi nào phải báo là thiếu dữ liệu. Một AI agent viết content không chỉ cần “viết hay”. Nó cần biết hook nào hợp nền tảng, ví dụ nào đủ gần với thị trường Việt Nam, CTA nào tự nhiên, và khi nào nội dung đang nghe như báo cáo chứ không giống lời nói. Một AI agent làm landing page không chỉ cần “viết sales page”. Nó cần biết offer là gì, objection nằm ở đâu, proof nào đáng tin, và phần nào cần đưa lên trước để người đọc không rời trang. Trong **GiangXAI Lab**, hướng đi là đóng gói AI thành hệ thống agent có vai trò rõ: research, content, video, landing page, thanh toán/giao hàng, analytics và growth. Giá trị không nằm ở một model cụ thể, mà nằm ở bộ quy trình để model nào cũng có thể làm việc đúng vai hơn. Nếu bạn muốn tự xây, hãy bắt đầu bằng manual trong bài này. Nếu bạn muốn có một bộ khung agent/skill thực chiến cho thị trường Việt Nam để triển khai nhanh hơn, bạn có thể tham khảo thêm hệ sinh thái GiangXAI Lab. ## FAQ ### Có thể thật sự biến Opus 4.8 thành Fable 5 không? Không. Manual không chuyển được raw intelligence của Fable 5 sang Opus 4.8. Nhưng manual có thể chuyển được kỷ luật làm việc: cách scope, tìm bằng chứng, tự phản biện, kiểm chứng và báo cáo. Kết quả là Opus không trở thành Fable, nhưng có thể làm việc giống một model được hướng dẫn tốt hơn. ### Fable Mode khác gì một prompt dài? Một prompt dài chỉ hữu ích nếu nó có quy trình cụ thể. Fable Mode không nên là đoạn văn chung chung kiểu “hãy cẩn thận”. Nó phải có gate, checklist, ví dụ, lỗi cần tránh và tiêu chuẩn bàn giao. Điểm khác biệt nằm ở khả năng điều khiển hành vi của model. ### Khi nào nên dùng model mạnh nhất? Nên dùng model mạnh nhất cho những thứ còn dùng lại lâu dài: operating manual, skill, system prompt, workflow agent, checklist kiểm chứng hoặc quyết định khó. Với bản nháp, tóm tắt, phân loại và tác vụ lặp lại dễ kiểm tra, model rẻ hơn thường hợp lý hơn. ### Làm sao biết manual đã hoạt động? Hãy test bằng câu hỏi bẫy có lớp ngữ cảnh. Đưa cùng một câu hỏi cho model thường và model có manual. Nếu model có manual biết dừng lại, tự tính lại, chỉ ra giả định sai hoặc metric bị đánh tráo, manual đang có tác dụng. Nếu không, phần verify trong manual cần viết lại cụ thể hơn. ## Kết luận Trend Fable 5 có thể qua đi. Nhưng bài học phía sau nó sẽ còn lâu: model mạnh nhất không phải lúc nào cũng là lợi thế bền vững nhất. Cách **tạo Opus 4.8 suy nghĩ như Fable 5** không nằm ở một prompt thần kỳ. Nó nằm ở việc biến cách làm việc của model mạnh thành manual, rồi kiểm tra xem model rẻ hơn có thật sự dùng manual đó không. Lợi thế thật sự nằm ở việc bạn có biết biến một lần dùng model mạnh thành tài sản dùng lại hay không. Hãy dùng model mạnh để viết manual, tạo skill, đặt tiêu chuẩn kiểm chứng và thiết kế hệ thống. Sau đó để những model rẻ hơn làm phần việc phù hợp với chúng. > Đừng chỉ thuê AI thông minh. Hãy bắt AI thông minh viết lại cách nó làm việc, rồi biến cách đó thành hệ thống của bạn. --- --- title: "GLM-5.2 có tốt hơn Claude, ChatGPT và Gemini không?" url: "https://giangxai.com/glm-5-2-co-tot-hon-claude-chatgpt-gemini-khong/" updated: "2026-07-02" type: "So sánh" cluster: "Công cụ & Model AI" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "GLM-5.2 là model AI công khai trọng số từ Z.ai, có context 1 triệu token, giấy phép MIT và chi phí thấp. Nhưng nó có thật sự tốt hơn Claude, ChatGPT hay Gemini không?" --- # GLM-5.2 có tốt hơn Claude, ChatGPT và Gemini không? Nếu bạn đang dùng Claude, ChatGPT hoặc Gemini mỗi ngày, rất có thể bạn đã thấy cái tên **GLM-5.2** xuất hiện dày hơn trong vài ngày gần đây. Nhiều tiêu đề nói rằng GLM-5.2 đã "đánh bại Claude" với chi phí chỉ bằng một phần nhỏ. Nghe rất hấp dẫn, nhưng nếu nói như vậy thì hơi quá đà. Câu đúng hơn là: **GLM-5.2 là một model AI công khai trọng số, chi phí thấp, đang cho thấy năng lực rất đáng chú ý trong lập trình, AI agent và một số bài kiểm tra bảo mật.** > GLM-5.2 chưa tốt hơn Claude, ChatGPT hay Gemini trong mọi việc. Nhưng nó đủ mạnh để đặt ra một câu hỏi lớn: liệu các model thương mại độc quyền từ các công ty lớn còn giữ được lợi thế bao lâu? ## GLM-5.2 là gì? GLM-5.2 là model AI mới của **Z.ai**, công ty Trung Quốc trước đây thường được biết đến với tên Zhipu AI. Điểm đáng chú ý của GLM-5.2 không chỉ nằm ở việc nó là một model lớn. Điều quan trọng hơn là nó được **công khai trọng số**. Nói dễ hiểu, người dùng có thể tải "bộ não đã huấn luyện xong" của model về để triển khai, nghiên cứu hoặc tích hợp vào hệ thống riêng. Theo trang chính thức trên Hugging Face, GLM-5.2 hỗ trợ **cửa sổ ngữ cảnh khoảng 1 triệu token** và được phát hành với **giấy phép MIT**. Đây là giấy phép khá thoải mái cho cả mục đích thương mại. ![Trang Hugging Face của GLM-5.2 hiển thị license MIT, model size 753B params và phần giới thiệu 1M-token context](https://giangxai.com/wp-content/uploads/2026/07/01-huggingface-glm-5-2-model-card.png)Trang Hugging Face của GLM-5.2 ghi license MIT, model size 753B params và phần giới thiệu context 1 triệu token. Nguồn: Hugging Face. Tuy nhiên, cần nói rõ: **công khai trọng số không có nghĩa là mã nguồn mở hoàn toàn**. Bạn có thể có file model, nhưng không có toàn bộ dữ liệu huấn luyện, quy trình huấn luyện và mọi chi tiết kỹ thuật phía sau. Nói ngắn gọn: GLM-5.2 dễ tiếp cận hơn nhiều model thương mại độc quyền, nhưng không nên hiểu là mọi thứ đều minh bạch 100%. ## Vì sao GLM-5.2 gây chú ý? GLM-5.2 không gây chú ý vì nó nói chuyện vui hơn ChatGPT hay viết văn mềm hơn Claude. Điểm khiến cộng đồng AI quan tâm là nó mạnh trong nhóm tác vụ mà các hãng AI đang chạy đua rất quyết liệt: **AI agent làm việc nhiều bước**. AI agent có thể hiểu đơn giản là hệ thống AI không chỉ trả lời một câu hỏi, mà còn có thể đọc file, dùng công cụ, sửa code, chạy kiểm thử, xem lỗi rồi tự điều chỉnh. Trên repo chính thức, Z.ai công bố GLM-5.2 đạt **81.0 trên Terminal-Bench 2.1** và **62.1 trên SWE-bench Pro**. Đây là các bài kiểm tra liên quan đến khả năng xử lý tác vụ phần mềm và lập trình. Benchmark do chính hãng công bố thì luôn cần đọc cẩn thận. Nhưng những con số này vẫn cho thấy GLM-5.2 không còn là kiểu model chỉ để thử nghiệm cho vui. Nó đã bước vào nhóm có thể dùng nghiêm túc trong một số workflow kỹ thuật. ## GLM-5.2 có thật sự đánh bại Claude không? Đây là phần dễ bị hiểu sai nhất. Một bài viết từ Semgrep, công ty làm về bảo mật mã nguồn, đã kiểm tra các model AI trong tác vụ phát hiện lỗi **IDOR**. Đây là loại lỗi bảo mật mà người dùng có thể đổi một con số hoặc mã định danh trong đường dẫn để xem dữ liệu không thuộc về mình. Trong bài kiểm tra đó, GLM-5.2 đạt khoảng **39% F1**, còn Claude Code đạt khoảng **32% F1**. Semgrep cũng ghi nhận chi phí của GLM-5.2 trong thử nghiệm này vào khoảng **0.17 USD cho mỗi lỗ hổng được tìm thấy**. ![Bài viết Semgrep về GLM-5.2 và benchmark phát hiện lỗi IDOR so với Claude Code](https://giangxai.com/wp-content/uploads/2026/07/03-semgrep-glm-5-2-benchmark.png)Semgrep ghi nhận GLM-5.2 đạt 39% F1 trong benchmark IDOR, cao hơn Claude Code trong cùng thiết lập thử nghiệm. Nguồn: Semgrep. Đây là kết quả đáng chú ý. Nhưng không nên biến nó thành câu "GLM-5.2 tốt hơn Claude". Cách hiểu đúng hơn là: **GLM-5.2 đã vượt Claude Code trong một bài kiểm tra bảo mật cụ thể, với một bộ dữ liệu cụ thể và cách chạy cụ thể.** Semgrep cũng cho biết hệ thống bảo mật chuyên dụng của họ vẫn đạt kết quả cao hơn, khoảng **53-61% F1**. Điều này nhắc lại một điều rất quan trọng: model mạnh là một phần, nhưng cách thiết kế hệ thống xung quanh model cũng quan trọng không kém. ## GLM-5.2 so với Claude Claude vẫn là lựa chọn rất mạnh cho viết lách, phân tích, lập luận, xử lý yêu cầu mơ hồ và hỗ trợ lập trình hằng ngày. Nếu bạn dùng AI để viết nội dung, phân tích tài liệu, brainstorm, giải thích code hoặc xử lý các yêu cầu cần giọng văn tự nhiên, Claude vẫn rất đáng dùng. GLM-5.2 đáng chú ý ở một hướng khác: **chi phí thấp hơn, trọng số được công khai, context dài và năng lực coding-agent tiến rất nhanh**. Vì vậy, không nên hỏi đơn giản "GLM-5.2 hay Claude tốt hơn?". Câu hỏi đúng hơn là bạn cần AI cho việc gì. - **Claude** phù hợp hơn cho trải nghiệm dùng hằng ngày, viết lách, phân tích và làm việc với yêu cầu phức tạp. - **GLM-5.2** đáng thử nếu bạn quan tâm đến coding-agent, chi phí API, xử lý codebase lớn hoặc tự triển khai trong hệ thống riêng. ## GLM-5.2 so với ChatGPT ChatGPT không chỉ là một model. Nó là một sản phẩm hoàn chỉnh với giao diện tốt, hỗ trợ file, hình ảnh, giọng nói, công cụ, bộ nhớ và nhiều tích hợp khác. Với người dùng phổ thông, ChatGPT vẫn dễ dùng hơn GLM-5.2. Bạn mở lên là dùng được, không cần hiểu API, provider, hosting hay triển khai model. Nhưng nếu nhìn từ góc độ developer hoặc doanh nghiệp cần xử lý nhiều token, GLM-5.2 có lợi thế rõ về chi phí. Trên OpenRouter, GLM-5.2 được niêm yết khoảng **0.93 USD cho 1 triệu input tokens** và **3 USD cho 1 triệu output tokens**, với context khoảng hơn 1 triệu token. ![Trang OpenRouter hiển thị model Z.ai GLM 5.2 với context 1.05M và giá theo token](https://giangxai.com/wp-content/uploads/2026/07/04-openrouter-z-ai-pricing.png)OpenRouter hiển thị GLM-5.2 với context khoảng 1.05M token và mức giá theo input/output token. Nguồn: OpenRouter. Điều này quan trọng với các workload như đọc log, phân tích codebase, kiểm tra tài liệu dài, chạy agent nhiều vòng hoặc xây sản phẩm AI cần tối ưu chi phí. - **ChatGPT** phù hợp hơn với người dùng phổ thông và các nhu cầu đa năng. - **GLM-5.2** hấp dẫn hơn với team kỹ thuật cần một model mạnh, rẻ và dễ tích hợp vào hệ thống. ## GLM-5.2 so với Gemini Gemini có lợi thế lớn ở hệ sinh thái Google. Nếu bạn làm việc nhiều với Google Docs, Sheets, Drive, Gmail, hình ảnh, video hoặc dữ liệu đa phương tiện, Gemini là lựa chọn rất tiện. GLM-5.2 không nổi bật theo hướng đó. Nó nổi bật ở câu chuyện khác: **công khai trọng số, context dài, chi phí thấp và năng lực xử lý tác vụ kỹ thuật**. Nếu bạn cần AI tích hợp sâu với Google Workspace, Gemini hợp lý hơn. Nếu bạn cần model cho coding-agent, xử lý codebase lớn hoặc triển khai trong hệ thống riêng, GLM-5.2 đáng thử hơn. ## Điểm mạnh thật sự của GLM-5.2 Điểm mạnh đầu tiên là **công khai trọng số và giấy phép dễ dùng**. Khi trọng số model có thể tải về, người dùng và doanh nghiệp có nhiều quyền kiểm soát hơn so với việc chỉ thuê API từ một công ty lớn. Điểm mạnh thứ hai là **chi phí thấp**. Khi một model đủ tốt nhưng rẻ hơn nhiều, nó tạo áp lực lên toàn bộ thị trường. Ngay cả khi bạn không dùng GLM-5.2, sự xuất hiện của nó vẫn có thể khiến các model thương mại phải cạnh tranh hơn về giá. Điểm mạnh thứ ba là **context rất dài**. 1 triệu token là con số lớn, phù hợp với các tác vụ cần đọc nhiều tài liệu hoặc nhiều file code cùng lúc. Điểm mạnh thứ tư là **khả năng làm việc theo nhiều bước**. Đây là phần khiến GLM-5.2 được chú ý nhất. Nó không chỉ trả lời câu hỏi, mà được thiết kế cho các workflow cần đọc, làm, kiểm tra và sửa tiếp. ## Điểm yếu của GLM-5.2 GLM-5.2 chưa phải lựa chọn dễ nhất cho người dùng bình thường. Nếu bạn chỉ muốn mở app lên và dùng ngay, Claude, ChatGPT hoặc Gemini vẫn tiện hơn. Chạy GLM-5.2 trên máy cá nhân cũng không đơn giản. Vì model rất lớn, muốn chạy offline thật sự cần phần cứng mạnh và nhiều bộ nhớ. Phần lớn người dùng sẽ dùng qua web chat, API hoặc nền tảng trung gian như OpenRouter. Ngoài ra, GLM-5.2 vẫn cần được kiểm chứng thêm qua nhiều tác vụ thực tế. Một bài benchmark tốt không đủ để kết luận model tốt hơn toàn diện. ## Ai nên thử GLM-5.2? Bạn nên thử GLM-5.2 nếu bạn là developer, startup, người xây sản phẩm AI hoặc team kỹ thuật cần tối ưu chi phí API. GLM-5.2 cũng đáng thử nếu bạn thường xuyên làm việc với codebase lớn, tài liệu dài hoặc muốn có thêm lựa chọn ngoài các model thương mại độc quyền từ những công ty lớn. Ngược lại, nếu bạn chỉ cần AI để viết bài, học tập, dịch thuật, tóm tắt tài liệu ngắn hoặc làm việc văn phòng cơ bản, bạn chưa cần vội chuyển sang GLM-5.2. Claude, ChatGPT và Gemini vẫn tiện hơn trong các nhu cầu này. ## Kết luận: GLM-5.2 có tốt hơn Claude, ChatGPT và Gemini không? Câu trả lời của GiangXAI Lab là: **không tốt hơn toàn diện, nhưng đủ mạnh để trở thành một lựa chọn nghiêm túc trong nhóm tác vụ lập trình, AI agent và xử lý ngữ cảnh dài.** GLM-5.2 không làm Claude, ChatGPT hay Gemini trở nên lỗi thời. Nhưng nó cho thấy một xu hướng rất quan trọng: AI mạnh đang rẻ hơn, dễ tiếp cận hơn và ít phụ thuộc hơn vào vài công ty lớn. Điều đáng chú ý nhất không phải là câu "GLM-5.2 đánh bại Claude". Câu đó quá đơn giản và dễ gây hiểu lầm. > Một model công khai trọng số, chi phí thấp, đã có thể cạnh tranh với các model thương mại độc quyền trong một số tác vụ thật. Đó mới là tín hiệu lớn. ## FAQ ### GLM-5.2 có miễn phí không? Trọng số của model được phát hành với giấy phép MIT. Nhưng nếu dùng qua API, web chat hoặc dịch vụ hosted, bạn vẫn có thể phải trả phí. ### GLM-5.2 có chạy được trên laptop không? Không thực tế với laptop phổ thông. Model rất lớn, muốn chạy local cần phần cứng mạnh và nhiều bộ nhớ. ### GLM-5.2 có tốt hơn Claude không? Trong một benchmark bảo mật của Semgrep, GLM-5.2 vượt Claude Code. Nhưng điều đó không có nghĩa nó tốt hơn Claude trong mọi tác vụ. ### GLM-5.2 có tốt hơn ChatGPT không? Với người dùng phổ thông, chưa chắc. ChatGPT vẫn là sản phẩm hoàn chỉnh và dễ dùng hơn. Nhưng GLM-5.2 có lợi thế về chi phí, context dài và khả năng tự triển khai trong một số workflow kỹ thuật. ### GLM-5.2 có tốt hơn Gemini không? Không thể nói chung chung. Gemini mạnh ở hệ sinh thái Google và dữ liệu đa phương tiện. GLM-5.2 mạnh hơn ở câu chuyện công khai trọng số, coding-agent và chi phí. ## Nguồn tham khảo - [Z.ai Blog - GLM-5.2](https://z.ai/blog/glm-5.2) - [Hugging Face - zai-org/GLM-5.2](https://huggingface.co/zai-org/GLM-5.2) - [GitHub - zai-org/GLM-5](https://github.com/zai-org/GLM-5) - [Semgrep - GLM-5.2 cyber benchmark](https://semgrep.dev/blog/2026/we-have-mythos-at-home-glm-52-beats-claude-in-our-cyber-benchmarks/) - [OpenRouter - Z.ai models and pricing](https://openrouter.ai/z-ai) --- --- title: "MCP AI là gì? 7 điều cần biết về Multi-Context Prompting" url: "https://giangxai.com/mcp-ai-la-gi-multi-context-prompting/" updated: "2026-06-29" type: "Hướng dẫn" cluster: "AI Agent" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "MCP AI là cách tổ chức nhiều ngữ cảnh để AI làm việc nhất quán hơn trong dự án dài. Xem 7 điều cần biết và cách áp dụng." --- # MCP AI là gì? 7 điều cần biết về Multi-Context Prompting Nếu bạn từng dùng ChatGPT, Claude hay Gemini cho một dự án dài, chắc bạn đã gặp tình huống này: lúc đầu AI hiểu rất tốt, nhưng sau vài chục lượt trao đổi thì bắt đầu quên chi tiết, trả lời chung chung, hoặc đưa ra gợi ý lệch khỏi quyết định cũ. Đây không chỉ là vấn đề "model chưa đủ thông minh". Trong nhiều trường hợp, vấn đề nằm ở cách chúng ta đang tổ chức công việc với AI. **MCP AI** trong bài này được hiểu là **Multi-Context Prompting**: cách làm việc với AI bằng nhiều ngữ cảnh riêng biệt nhưng có liên kết với nhau. Thay vì nhồi mọi thứ vào một cuộc chat dài, bạn tách dự án thành các context rõ vai trò: nghiên cứu, chiến lược, viết nội dung, kiểm tra, bộ nhớ dự án. > Nói đơn giản: prompting truyền thống giống như ghi tất cả vào một cuốn sổ dài. MCP AI giống như chia thành nhiều cuốn sổ, và AI biết khi nào cần mở cuốn nào. **Lưu ý nhỏ:** "MCP" trong bài này nói về Multi-Context Prompting, không phải Model Context Protocol. Hai khái niệm đều liên quan đến "context", nhưng không nên dùng lẫn nếu bạn đang viết tài liệu kỹ thuật. ![7 điều cần biết về MCP AI](https://giangxai.com/wp-content/uploads/2026/06/01-7-dieu-can-biet-ve-mcp-ai.png)MCP AI giúp chuyển từ một luồng chat dài sang nhiều ngữ cảnh có liên kết. ## Vì sao prompting truyền thống bắt đầu kém hiệu quả? Prompting truyền thống rất ổn với việc ngắn: viết email, tóm tắt tài liệu, lên vài ý tưởng, sửa một đoạn nội dung. Nhưng khi bạn dùng AI cho dự án nhiều ngày hoặc nhiều tuần, một cuộc chat dài sẽ rất nhanh trở nên khó kiểm soát. AI có thể quên quyết định trước đó, trộn lẫn nhiều chủ đề, hoặc buộc bạn phải nhắc lại bối cảnh liên tục. Với chủ doanh nghiệp nhỏ, solopreneur, coach hoặc người làm nội dung, đây là vấn đề rất thực tế. Bạn không chỉ cần một câu trả lời riêng lẻ. Bạn cần AI giữ đúng định hướng, đúng giọng thương hiệu, đúng dữ liệu và đúng mục tiêu trong cả quá trình làm việc. ![So sánh prompting truyền thống và MCP AI](https://giangxai.com/wp-content/uploads/2026/06/02-prompting-truyen-thong-vs-mcp-ai.png)So sánh prompting truyền thống với cách chia context theo MCP AI. ## 1. MCP AI không chỉ là prompt hay hơn Nhiều người nghĩ MCP AI chỉ là viết prompt dài hơn, rõ hơn, có nhiều gạch đầu dòng hơn. Thực ra, điểm khác biệt lớn nhất nằm ở cách bạn tổ chức thông tin. Với cách cũ, bạn thường đưa mọi thứ vào một nơi: mục tiêu, dữ liệu, phản hồi, style guide, checklist, lịch sử dự án. Càng làm lâu, context càng phình to và càng khó kiểm soát. Với MCP AI, mỗi nhóm thông tin có một vai trò riêng. Ví dụ: - **Research Context:** giữ dữ liệu, nguồn tham khảo, insight. - **Strategy Context:** giữ mục tiêu, định vị, ưu tiên. - **Writing Context:** tạo dàn ý, viết nháp, chỉnh giọng văn. - **Review Context:** kiểm tra lỗi, SEO, độ dễ hiểu, tính nhất quán. Khi mỗi context có nhiệm vụ rõ, AI không phải đoán thông tin nào quan trọng giữa quá nhiều lịch sử trò chuyện. ## 2. MCP AI giảm áp lực lên context window Context window là lượng thông tin AI có thể xử lý trong một lần làm việc. Các model mới có context window ngày càng lớn, nhưng không có nghĩa là cứ nhồi thật nhiều thông tin vào là tốt. Vấn đề không chỉ là AI "nhớ được bao nhiêu". Vấn đề là AI có biết phần nào cần dùng vào đúng thời điểm không. MCP AI giúp chia thông tin thành các khối nhỏ hơn. Khi viết bài, AI ưu tiên context nội dung. Khi kiểm tra, AI dùng context review. Khi ra quyết định, AI quay lại context chiến lược. ![Kiến trúc MCP AI gồm prompt, lịch sử, dữ liệu, công cụ và bộ nhớ](https://giangxai.com/wp-content/uploads/2026/06/03-kien-truc-mcp-ai.png)Một kiến trúc MCP AI cơ bản gồm prompt, lịch sử, dữ liệu, công cụ, bộ nhớ và phản hồi. ## 3. Lợi ích lớn nhất là sự nhất quán Nhiều người dùng AI để làm nhanh hơn. Điều đó đúng. Nhưng với MCP AI, lợi ích lớn hơn là **sự nhất quán**. Trong dự án dài, sự nhất quán quan trọng hơn tốc độ: - Nội dung phải đúng định vị thương hiệu. - Bài sau không mâu thuẫn với bài trước. - AI không quên quyết định đã thống nhất. - Workflow không bị thay đổi thiếu nhất quán sau mỗi lần hỏi. Nếu bạn đang xây hệ thống content, quy trình bán hàng, tài liệu đào tạo hoặc AI agent cho công việc hằng ngày, sự nhất quán này là nền móng. ## 4. Dùng MCP sai cách có thể làm quy trình phức tạp hơn Không phải cứ tạo nhiều context là sẽ hiệu quả. Sai lầm phổ biến là chia quá nhiều nơi lưu thông tin nhưng không định nghĩa vai trò. Khi đó, bạn chỉ thay một cuộc chat khó kiểm soát bằng nhiều thư mục khó quản lý. Một context tốt cần trả lời được ba câu hỏi: - Nó giữ loại thông tin gì? - Khi nào AI nên dùng nó? - Kết quả từ context này có cần cập nhật sang context khác không? Nếu ba câu hỏi này chưa rõ, hãy giữ hệ thống đơn giản hơn. ![Bốn vai trò context trong MCP AI](https://giangxai.com/wp-content/uploads/2026/06/04-vai-tro-context-trong-mcp.png)Bốn vai trò context cơ bản: nghiên cứu, viết, chiến lược và kiểm tra. ## 5. MCP AI hợp với hệ thống hơn task đơn lẻ Nếu bạn chỉ cần sửa một email hoặc viết một caption Facebook, MCP AI có thể không cần thiết. MCP AI hiệu quả nhất khi bạn có một workflow lặp lại, nhiều bước và cần duy trì chất lượng theo thời gian. Ví dụ: - Quy trình viết blog SEO. - Hệ thống research đối thủ. - Pipeline sản xuất video ngắn. - Trợ lý AI cho chăm sóc khách hàng. - Agent kiểm tra nội dung trước khi đăng. - Workflow tổng hợp báo cáo hằng tuần. Điểm quan trọng là bạn không chỉ hỏi AI từng câu rời rạc. Bạn đang thiết kế cách AI tham gia vào cả quy trình. ## 6. Công cụ hỗ trợ MCP vẫn còn sớm Hiện chưa có một tiêu chuẩn phổ biến cho Multi-Context Prompting theo nghĩa rộng. Nhưng nhiều công cụ đã đi theo hướng này. Bạn có thể thấy tinh thần MCP trong: - **Claude Projects:** gom tài liệu, instruction và artifact theo dự án. - **Cursor:** giúp AI hiểu nhiều file trong codebase. - **LangGraph và CrewAI:** xây workflow nhiều bước hoặc nhiều agent. - **LangChain và LlamaIndex:** kết nối AI với dữ liệu, công cụ và pipeline. Điểm chung là AI không còn chỉ là một ô chat. Nó trở thành một phần trong hệ thống có dữ liệu, vai trò, công cụ và quy tắc. ## 7. MCP thay đổi cách bạn nghĩ về AI Câu hỏi cũ là: "Làm sao viết prompt tốt hơn?" Câu hỏi mới là: "Làm sao thiết kế các context phối hợp với nhau?" Đây là bước chuyển rất quan trọng. Bạn không chỉ là người dùng AI. Bạn bắt đầu trở thành người thiết kế hệ thống AI cho công việc của mình. ![Cách cũ là một luồng trò chuyện dài khó kiểm soát và cách MCP dùng nhiều context kết nối](https://giangxai.com/wp-content/uploads/2026/06/05-cach-cu-vs-cach-mcp.png)Cách cũ là một luồng trò chuyện dài khó kiểm soát; cách MCP là nhiều context kết nối rõ ràng. ## Cách bắt đầu với MCP AI cho người mới Bạn không cần xây hệ thống phức tạp ngay từ đầu. Hãy bắt đầu với 4 context đơn giản. ### 1. Context mục tiêu Ghi rõ bạn đang làm gì, làm cho ai, kết quả cuối cùng là gì, tiêu chí thành công ra sao. ### 2. Context dữ liệu Lưu tài liệu tham khảo, insight khách hàng, link nguồn, quyết định đã thống nhất, ví dụ output tốt. ### 3. Context thực thi Đây là nơi AI tạo đầu ra: viết bài, lập kế hoạch, soạn email, tạo checklist, viết code hoặc chuyển đổi nội dung. ### 4. Context kiểm tra Dùng để rà lại kết quả: có đúng mục tiêu không, có dễ hiểu với người Việt không, có đúng giọng thương hiệu không, có đáp ứng SEO không. Chỉ cần tách được bốn nhóm này, bạn đã bớt phụ thuộc vào một đoạn prompt dài và bắt đầu có một workflow AI dễ mở rộng hơn. ## Kết luận MCP AI không phải là một mẹo prompt nhất thời. Nó là cách tổ chức công việc để AI hiểu đúng phần cần hiểu, ở đúng thời điểm, trong đúng vai trò. Với cá nhân, MCP giúp bạn đỡ phải nhắc lại. Với doanh nghiệp nhỏ, MCP giúp tạo nền cho các workflow AI có thể kiểm soát và bàn giao. Nếu bạn đang muốn xây một hệ thống AI làm việc ổn định hơn, hãy bắt đầu nhỏ: chọn một workflow bạn làm lặp lại mỗi tuần, rồi tách nó thành 4 context: mục tiêu, dữ liệu, thực thi và kiểm tra. ## Muốn biến MCP thành workflow thật? Nếu bạn đọc đến đây và thấy "mình cần một hệ thống như vậy cho công việc", bước tiếp theo không phải là học thêm 50 prompt mới. Bước tiếp theo là chọn một quy trình thật trong công việc của bạn và biến nó thành hệ thống có context, vai trò và bước kiểm tra rõ ràng. Bạn có thể bắt đầu theo một trong ba hướng: - [Nhận tài liệu miễn phí của GiangXAI](https://giangxai.com/tai-lieu-mien-phi/) nếu bạn muốn có thêm prompt, workflow và ví dụ thực hành. - [Xem Bộ 8 Agent Kit](https://giangxai.com/bo-7-agent/) nếu bạn muốn có sẵn các agent theo vai trò để áp dụng vào research, content, automation và website. - [Đặt lịch Coaching 1:1](https://giangxai.com/coaching-11/) nếu bạn muốn thiết kế workflow AI riêng cho mô hình kinh doanh của mình. > Đừng bắt đầu bằng một hệ thống quá lớn. Hãy chọn một việc bạn đang làm lặp lại mỗi tuần, rồi thiết kế context để AI làm việc cùng bạn ổn định hơn. ## FAQ về MCP AI ### MCP AI là gì? MCP AI trong bài này là Multi-Context Prompting, tức cách làm việc với AI bằng nhiều ngữ cảnh kết nối thay vì một cuộc chat dài. ### MCP AI có giống Model Context Protocol không? Không hoàn toàn. Multi-Context Prompting là cách tổ chức context khi làm việc với AI. Model Context Protocol là một khái niệm kỹ thuật khác về kết nối model với công cụ và dữ liệu. ### Ai nên dùng MCP AI? Người làm nội dung, marketing, lập trình, nghiên cứu, quản lý dự án, vận hành doanh nghiệp và bất kỳ ai dùng AI cho công việc dài hạn, nhiều bước. ### Có cần công cụ đặc biệt để dùng MCP AI không? Không bắt buộc. Bạn có thể bắt đầu bằng cách chia tài liệu, prompt và checklist thành các nhóm rõ ràng. Sau đó mới nâng cấp lên Claude Projects, Cursor, LangGraph, CrewAI hoặc hệ thống tùy chỉnh. --- --- title: "Cách biến Claude từ chatbot thành hệ thống làm việc" url: "https://giangxai.com/cach-bien-claude-thanh-he-thong-lam-viec/" updated: "2026-06-27" type: "Hướng dẫn" cluster: "Tự động hóa" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Hướng dẫn thiết lập Claude với instructions, project, context file, prompt library, checklist và workflow lặp lại để làm việc hiệu quả hơn." --- # Cách biến Claude từ chatbot thành hệ thống làm việc Nhiều người dùng Claude theo cách rất giống nhau: mở một đoạn chat mới, hỏi một câu, nhận một câu trả lời, rồi đóng tab. Lần sau quay lại, họ lại bắt đầu từ số 0. Không có ngữ cảnh đã lưu. Không có sở thích cá nhân. Không có tài liệu tham chiếu. Không có project riêng. Không có workflow lặp lại. Vì vậy câu trả lời lúc hay lúc dở, và người dùng phải liên tục giải thích lại những điều đáng lẽ AI nên biết từ đầu. > Phần lớn người dùng không cần một model tốt hơn. Họ cần một setup tốt hơn. Khi bạn ngừng xem Claude như một cửa sổ chat trống, và bắt đầu xem nó như một hệ thống làm việc có thể cấu hình, trải nghiệm sẽ khác hẳn. Claude có thể hiểu bạn đang làm gì, dùng tài liệu của bạn, làm theo format bạn muốn, tự kiểm tra chất lượng đầu ra và hỗ trợ các workflow lặp lại mỗi ngày. Bài này là bản hướng dẫn thực hành: làm sao để biến Claude từ chatbot thành một hệ thống làm việc thật sự. ## 1. Thiết lập hành vi mặc định cho Claude Việc đầu tiên là cho Claude biết những thông tin nền mà nó nên luôn nhớ. Bạn càng để Claude đoán, kết quả càng dễ ngẫu nhiên. ### Viết personal instructions Hãy ghi rõ các thông tin cơ bản: - Bạn là ai. - Bạn đang làm lĩnh vực gì. - Khách hàng hoặc độc giả của bạn là ai. - Bạn thích kiểu câu trả lời nào. - Bạn thường dùng format gì. - Bạn muốn giọng văn ra sao. Ví dụ: ``` Bạn đang hỗ trợ tôi xây hệ thống content và AI automation cho người Việt. Audience chính: người muốn học build AI agent thực tế, chưa chắc biết code. Ưu tiên câu trả lời: thực tế, có ví dụ, ít lý thuyết rỗng. Giọng văn: rõ ràng, thẳng, dễ hiểu, không văn phong doanh nghiệp. Khi viết hướng dẫn: đưa checklist hoặc bước làm cụ thể. ``` ### Định nghĩa cách Claude giao tiếp Đừng chỉ nói “trả lời hay hơn”. Hãy nói cụ thể thế nào là hay: - Trả lời thực tế, dễ áp dụng. - Dùng ví dụ khi có thể. - Tránh lời khuyên chung chung. - Chỉ hỏi lại khi thật sự thiếu thông tin quan trọng. - Đưa câu trả lời trước, giải thích sau. - Trình bày rõ ràng, dễ quét. Nếu bạn không định nghĩa cách giao tiếp, Claude sẽ tự đoán. Và khi AI tự đoán quá nhiều, bạn sẽ phải sửa nhiều hơn. ## 2. Tách công việc thành từng project Đừng để mọi thứ nằm trong một đoạn chat dài. Công việc khác nhau cần ngữ cảnh khác nhau. Một project viết nội dung không nên dùng cùng ngữ cảnh với project code, research, coaching hay quản lý khách hàng. Bạn có thể tạo các project riêng như: - Content. - Coding. - Research. - Business planning. - Client work. - Personal productivity. Mỗi project nên có một vai trò rõ ràng. Ví dụ với project content: ``` Claude giúp tôi lên kế hoạch, viết nháp và chỉnh sửa nội dung cho độc giả của tôi. Nội dung cần trực tiếp, cụ thể, hữu ích. Tránh lời khuyên chung chung. Ưu tiên cấu trúc rõ, đoạn văn ngắn, ví dụ thực tế và checklist áp dụng. ``` ![Minh họa project Claude với instructions context file và tài liệu tham chiếu](https://giangxai.com/wp-content/uploads/2026/06/project-context-mockup.png)Một project tốt nên có vai trò rõ ràng, instructions riêng, file tham chiếu và context hiện tại. Sau đó, hãy upload những file Claude cần dùng nhiều nhất: bài viết mẫu, brand guideline, chân dung khách hàng, tài liệu sản phẩm, strategy notes, ví dụ output tốt trước đây. Đây là cách đơn giản nhất để đầu ra bớt chung chung. ## 3. Tạo bộ nhớ hiện tại bằng file context.md Claude không thể đoán tình hình hiện tại của bạn nếu bạn không ghi nó ra. Một file `context.md` ngắn nhưng được cập nhật thường xuyên có thể thay đổi rất nhiều chất lượng làm việc. File này nên có: - Dự án đang chạy. - Mục tiêu hiện tại. - Quyết định quan trọng. - Công cụ bạn dùng. - Những người liên quan. - Deadline. - Những điều Claude không nên quên. Ví dụ: ``` # Context hiện tại ## Dự án đang chạy - Ra mắt chuỗi bài hướng dẫn AI agent cho người Việt - Mục tiêu: biến người mới thành người có thể tự setup workflow AI ## Công cụ đang dùng - Claude, Codex, Google Drive, Notion, Telegram ## Quy tắc nội dung - Dùng ví dụ Việt Nam - Không nói quá về kết quả - Luôn có bước thực hành ## Việc Claude không nên quên - Audience chưa chắc biết code - Ưu tiên hướng dẫn làm được ngay ``` Điểm quan trọng không phải là file này dài. Điểm quan trọng là nó đúng, rõ và được cập nhật khi tình hình thay đổi. ## 4. Làm đầu ra nhất quán bằng prompt, template và checklist Nếu một prompt cho kết quả tốt, đừng để nó biến mất trong lịch sử chat. Hãy lưu lại thành thư viện prompt. Một thư viện prompt đơn giản có thể gồm: - Prompt viết research brief. - Prompt viết bản nháp bài blog. - Prompt chỉnh sửa nội dung. - Prompt tóm tắt cuộc họp. - Prompt nghiên cứu đối thủ. - Prompt tạo weekly review. Tương tự, nếu bạn tạo cùng một loại output hơn hai lần, hãy biến nó thành template: weekly report, content brief, project update, research memo, client summary, article outline. ### Tạo checklist chất lượng Trước khi Claude gửi bản cuối, hãy nói rõ thế nào là “đạt”. Ví dụ: - Câu trả lời đã đủ cụ thể chưa? - Có đoạn nào thừa hoặc chung chung không? - Đã đúng format tôi muốn chưa? - Ví dụ có thực tế và hữu ích không? - Cấu trúc có dễ quét không? - Còn thiếu quyết định hoặc bước tiếp theo nào không? Đây là điểm rất quan trọng: AI làm tốt hơn khi tiêu chuẩn được viết ra. Nếu chỉ nói “làm hay hơn”, Claude phải đoán. Nếu đưa checklist, Claude có thứ để tự kiểm. ## 5. Kết nối Claude với công việc thật Claude chỉ thật sự trở thành hệ thống làm việc khi nó có thể chạm vào dữ liệu và công cụ bạn dùng hằng ngày. Nếu setup của bạn hỗ trợ, hãy kết nối các nguồn như: - **Email:** tóm tắt email quan trọng, soạn phản hồi, tìm việc khẩn cấp, chuẩn bị inbox brief buổi sáng. - **Calendar:** xem hôm nay cần chuẩn bị gì, còn khung giờ trống nào, cuộc họp nào cần follow-up. - **Documents:** dùng Google Drive, Notion, Dropbox hoặc folder local để đọc docs, bảng tính, brief và draft thật. - **Team chat:** tóm tắt tin nhắn đã bỏ lỡ, rút action items, tổng hợp quyết định, chuẩn bị update cho team. - **Web/research:** kiểm tra thông tin mới về thị trường, đối thủ, docs phần mềm, pricing hoặc sự kiện hiện tại. > Ít copy-paste hơn. Nhiều ngữ cảnh thật hơn. Câu trả lời hữu ích hơn. Tuy nhiên, đừng cấp quyền cho tất cả mọi thứ ngay từ đầu. Bắt đầu với vài folder hoặc nguồn dữ liệu thật sự cần. Khi workflow chứng minh được giá trị, bạn mới mở rộng tiếp. ## 6. Xây một workflow lặp lại Sau khi có context và file, hãy bắt Claude làm một việc thật. Đừng bắt đầu bằng một hệ thống khổng lồ. Hãy bắt đầu bằng một workflow nhỏ nhưng lặp lại thường xuyên. ![Minh họa workflow AI lặp lại từ brief đến cải tiến](https://giangxai.com/wp-content/uploads/2026/06/workflow-loop.png)Workflow tốt không dừng ở “AI viết bản nháp”. Nó có brief, research, draft, review, publish, học từ kết quả và cải tiến. ### Ví dụ: morning briefing Mỗi sáng, Claude có thể gom thông tin quan trọng thành một brief ngắn: - Email khẩn cấp. - Lịch họp hôm nay. - Task đang mở. - Cập nhật dự án. - Việc cần chuẩn bị. - Một ưu tiên được đề xuất. ### Ví dụ: content pipeline Nếu bạn làm nội dung, đừng yêu cầu Claude viết ngay một bài hoàn chỉnh. Hãy chia thành từng bước: 1. Nghiên cứu chủ đề. 2. Tìm góc nhìn mạnh nhất. 3. Tạo nhiều dàn ý. 4. Chọn dàn ý tốt nhất. 5. Viết bản nháp. 6. Chỉnh cho rõ ràng. 7. Format để đăng. Workflow từng bước thường tạo ra kết quả tốt hơn một câu lệnh “viết cho tôi bài hoàn chỉnh”. ## Checklist 7 ngày để setup Claude thành work system Nếu muốn áp dụng ngay, đừng làm cả 25 thứ cùng lúc. Làm theo 7 ngày dưới đây là đủ để thấy khác biệt. 1. **Ngày 1:** viết personal instructions. 2. **Ngày 2:** tạo 3 project chính, ví dụ Content, Research, Business. 3. **Ngày 3:** upload file tham chiếu quan trọng. 4. **Ngày 4:** tạo `context.md`. 5. **Ngày 5:** lưu 5 prompt tốt nhất. 6. **Ngày 6:** tạo một checklist chất lượng. 7. **Ngày 7:** xây một workflow lặp lại như morning brief, weekly review hoặc content pipeline. Nếu muốn quản lý setup này gọn hơn, bạn có thể tạo các file vận hành: - `personal-instructions.md`: Claude cần biết gì về bạn. - `context.md`: thông tin hiện tại của project. - `prompt-library.md`: prompt đã kiểm chứng. - `templates.md`: format cho các output lặp lại. - `quality-checklist.md`: tiêu chuẩn trước khi xuất bản. - `workflows.md`: từng bước cho các quy trình quan trọng. ## Kết luận Không có setup, Claude chỉ là một cửa sổ chat. Có setup, Claude trở thành một môi trường làm việc: hiểu ngữ cảnh của bạn, làm theo sở thích của bạn, dùng file của bạn, kết nối công cụ của bạn, lặp lại workflow hữu ích và cải thiện theo thời gian. Model vẫn là model đó. Nhưng trải nghiệm thì khác hẳn. Nếu bạn đang xây hệ thống AI agent cho công việc thật, hãy bắt đầu từ điều nhỏ nhất: viết instructions, tạo một project, thêm một file context và biến một việc lặp lại thành workflow. Đó là nền móng để AI không chỉ trả lời, mà thật sự làm việc cùng bạn. ## Câu hỏi thường gặp ### Cách dùng Claude hiệu quả hơn bắt đầu từ đâu? Hãy bắt đầu bằng personal instructions và một project riêng cho công việc quan trọng nhất của bạn. Sau đó thêm file `context.md`, một vài tài liệu tham chiếu và checklist chất lượng để Claude không phải đoán lại từ đầu. ### Claude project khác gì một đoạn chat thường? Một đoạn chat thường chỉ xử lý câu hỏi trước mắt. Một project có vai trò, ngữ cảnh, file tham chiếu và quy tắc riêng, nên phù hợp hơn cho công việc lặp lại như viết nội dung, nghiên cứu, lên kế hoạch hoặc quản lý khách hàng. ### Có cần biết code để setup Claude thành hệ thống làm việc không? Không cần. Phần lớn setup ban đầu chỉ là viết hướng dẫn rõ ràng, lưu prompt tốt, tạo template và checklist. Nếu muốn đi xa hơn với tự động hóa, bạn có thể tìm hiểu thêm về [Loop AI](https://giangxai.com/loop-ai-la-gi/), [Claude Cowork](https://giangxai.com/claude-cowork-tu-dong-hoa-ngay-lam-viec/) hoặc cách dùng [Claude Code và Codex trong cùng một dự án](https://giangxai.com/huong-dan-dung-claude-code-va-codex-trong-cung-mot-du-an/). ### Khi nào nên xây workflow lặp lại cho Claude? Khi một việc xuất hiện nhiều lần và có tiêu chuẩn kiểm tra rõ ràng. Ví dụ: morning brief, weekly review, content pipeline, meeting summary, research memo hoặc checklist trước khi xuất bản nội dung. --- --- title: "Claude Code AI Automation: Biến Ý Tưởng Thành Công Cụ" url: "https://giangxai.com/claude-code-ai-automation-bien-y-tuong-thanh-cong-cu/" updated: "2026-06-27" type: "Hướng dẫn" cluster: "Tự động hóa" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Cách kết hợp Claude Code và AI Automation để biến một quy trình thủ công thành công cụ tự động: từ content pipeline, workflow cố định đến AI Agent." --- # Claude Code AI Automation: Biến Ý Tưởng Thành Công Cụ *Cập nhật: 27/06/2026* Phần lớn mọi người bắt đầu với AI bằng một câu hỏi rất quen: *có công cụ nào giúp tôi làm việc này nhanh hơn không?* Câu hỏi đó không sai. Nhưng nếu chỉ dừng ở mức tìm công cụ, bạn rất dễ rơi vào vòng lặp thử app mới, học giao diện mới, rồi cuối cùng vẫn phải tự kéo toàn bộ quy trình bằng tay. Nếu bạn đang tìm cách dùng **Claude Code AI Automation** để biến một ý tưởng thành công cụ tự động, điểm bắt đầu không phải là chọn app nào, mà là hiểu thật rõ quy trình mình muốn tự động hóa. Xem video gốc trên YouTube: [Kết hợp Claude Code và AI Automation để biến ý tưởng thành công cụ tự động](https://youtu.be/zYx8iCbXRek?si=CeSPOEVLWUYLj4KT). Cách nghĩ hiệu quả hơn là bắt đầu từ quy trình của chính mình: hiện tại bạn đang làm việc đó bằng tay như thế nào, dữ liệu đầu vào đến từ đâu, đầu ra cuối cùng cần có hình dạng gì, và bước nào thật sự cần con người phê duyệt. > Đừng chỉ dùng AI để làm nhanh hơn một việc. Hãy dùng AI để biến cả quy trình thủ công thành một công cụ có thể lặp lại. Đây là tinh thần cốt lõi khi kết hợp **Claude Code** với **AI Automation**: dùng AI không chỉ để trả lời, mà để thiết kế, điều phối và vận hành một hệ thống làm việc nhỏ. ![Slide khởi đầu cho bản thiết kế quy trình Claude Code AI Automation](https://giangxai.com/wp-content/uploads/2026/06/claude-code-ai-automation-quy-trinh.jpg)Bắt đầu từ quy trình: tìm tin, chọn chủ đề, viết bài, tạo ảnh, kiểm tra và đăng bài. ## Vì sao nên bắt đầu từ quy trình, không phải từ công cụ? Khi bạn hỏi AI một câu chung chung như: “Hãy tạo cho tôi một app content AI”, AI có thể trả lời được, nhưng kết quả thường vẫn mơ hồ. Nó chưa biết mỗi sáng bạn cần tìm tin ở đâu, chọn tin theo tiêu chí nào, viết cho nền tảng nào, cần ảnh hay không, ai duyệt nội dung, và đăng bài ra sao. Nhưng nếu bạn mô tả quy trình cụ thể hơn, ví dụ: - Mỗi sáng tôi cần tìm tin mới theo một số chủ đề cố định. - Tôi chọn một tin đáng chú ý để chuyển thành bài viết tiếng Việt. - Bài viết cần có phiên bản cho Facebook, Instagram và Threads. - Tôi muốn có mô tả ảnh để tạo hình minh họa. - Sau khi duyệt, nội dung được đăng lên các nền tảng mạng xã hội. Lúc này AI có thể giúp bạn tách quy trình thành từng bước rõ ràng: bước nào chỉ cần lấy dữ liệu, bước nào cần AI viết nội dung, bước nào gọi API, bước nào cần người duyệt, và bước nào có thể tự động hóa hoàn toàn. ## Ví dụ: từ content pipeline thành một công cụ nội bộ Một ví dụ thực tế là xây một công cụ content pipeline nhỏ. Công cụ này không cần quá phức tạp, nhưng có thể giải quyết một chuỗi việc lặp lại hằng ngày. Quy trình có thể gồm các bước: 1. Tìm tin mới theo các keyword hoặc chủ đề đã chọn. 2. Hiển thị danh sách nguồn tin để con người chọn bài phù hợp. 3. Dùng AI tóm tắt và viết lại thành nội dung tiếng Việt. 4. Tạo nhiều phiên bản nội dung cho từng nền tảng. 5. Tạo prompt ảnh hoặc lấy ảnh đại diện từ bài gốc. 6. Duyệt lại nội dung trước khi đăng. 7. Gửi dữ liệu sang workflow đăng bài hoặc công cụ bên thứ ba. Điểm đáng chú ý là không phải tất cả các bước đều cần Agent. Phần tìm tin, lấy dữ liệu, kiểm tra trường thông tin, gọi API hoặc đăng theo quy tắc thường nên dùng workflow cố định. Những bước này cần sự ổn định và dễ kiểm soát. AI hoặc Agent nên xuất hiện ở những đoạn cần hiểu ngữ cảnh, viết nội dung, xử lý ngoại lệ, đánh giá chất lượng, chọn công cụ hoặc đề xuất điều chỉnh. ![Demo content pipeline dùng Claude Code và workflow automation](https://giangxai.com/wp-content/uploads/2026/06/content-pipeline-demo-claude-code.jpg)Một công cụ content pipeline nhỏ có thể gom tin, viết nội dung và chuẩn bị đăng đa nền tảng. ## Workflow cố định và AI Agent khác nhau ở đâu? Nếu xem AI Automation như một hệ thống làm việc, bạn có thể chia nó thành hai phần. **Workflow cố định** phù hợp với những việc có cấu trúc rõ ràng: - Lấy dữ liệu từ nguồn xác định. - Gọi API theo mẫu có sẵn. - Kiểm tra dữ liệu đầu vào và đầu ra. - Đăng nội dung theo quy tắc cố định. - Chạy các bước lặp lại ít thay đổi. **AI Agent** phù hợp với những phần khó viết thành luật cứng: - Hiểu yêu cầu chưa rõ ràng. - Viết, sửa và đánh giá nội dung. - Xử lý tình huống ngoại lệ. - Chọn công cụ phù hợp cho từng ngữ cảnh. - Đề xuất cách cải thiện hệ thống sau khi vận hành. Nói ngắn gọn: phần nào cần ổn định thì dùng workflow; phần nào cần phán đoán thì dùng Agent. Khi biết kết hợp hai phần này, hệ thống vừa dễ kiểm soát, vừa đủ linh hoạt. ![Slide phân biệt workflow cố định và AI Agent trong tự động hóa](https://giangxai.com/wp-content/uploads/2026/06/workflow-va-ai-agent.jpg)Không phải bước nào cũng cần Agent: bước ổn định dùng workflow, bước cần phán đoán dùng AI Agent. ## Claude Code không chỉ để viết code Nhiều người nghe Claude Code hoặc Agent Coding sẽ nghĩ ngay đến việc tạo app. Điều đó đúng, nhưng chưa đủ. Một Agent Coding tốt có thể đóng vai trò như người điều phối toolkit: hiểu mục tiêu, đọc yêu cầu, tạo giao diện, kết nối công cụ, kiểm tra kết quả và giúp bạn biến ý tưởng thành một bản MVP chạy được. Ví dụ, với một website bán hàng hoặc website thương hiệu cá nhân, bạn không nhất thiết phải tự viết toàn bộ backend từ đầu. Bạn có thể tận dụng WordPress, hosting, theme, API, WP-CLI và các workflow tự động hóa có sẵn. Claude Code hỗ trợ phần thiết kế, tạo giao diện, chuyển đổi theme, cấu hình và kết nối các mảnh đó thành một hệ thống có thể vận hành. Đây là cách tiếp cận thực tế hơn cho solopreneur, coach, marketer hoặc chủ doanh nghiệp nhỏ: không cố biến mình thành lập trình viên chuyên nghiệp ngay lập tức, mà học cách mô tả quy trình đủ rõ để AI có thể giúp mình xây công cụ. ## Từ MVP nhỏ đến hệ thống lớn Một điểm quan trọng là không nên nhầm AI Automation với việc bỏ qua hoàn toàn vai trò của developer. Với một MVP nhỏ, Claude Code và các công cụ AI có thể giúp bạn tạo bản thử nghiệm rất nhanh. Bạn có thể kiểm tra nhu cầu thật, xem người dùng có muốn dùng không, và điều chỉnh trước khi đầu tư lớn. Nhưng khi hệ thống có nhiều người dùng hơn, dữ liệu nhạy cảm hơn hoặc doanh thu quan trọng hơn, vai trò của developer vẫn rất cần thiết. Developer giúp tối ưu bảo mật, hiệu năng, kiến trúc, khả năng mở rộng và các phần kỹ thuật sâu mà AI không nên tự quyết một mình. Cách đi hợp lý là: bắt đầu nhỏ, kiểm chứng nhanh, sau đó mới scale. AI giúp chi phí thử nghiệm giảm xuống, còn con người vẫn quyết định hướng đi, tiêu chuẩn và mức độ an toàn của hệ thống. ![Slide từ MVP đến hệ thống lớn trong quá trình xây công cụ AI Automation](https://giangxai.com/wp-content/uploads/2026/06/tu-mvp-den-he-thong-lon.jpg)Bắt đầu từ MVP nhỏ, kiểm chứng nhu cầu thật, rồi mới mở rộng thành hệ thống lớn hơn. ## Cơ hội cho người không biết code Khi chi phí làm phần mềm giảm, cơ hội không chỉ dành cho lập trình viên hay công ty công nghệ. Người hiểu sâu một quy trình thực tế cũng có lợi thế rất lớn. Một người làm marketing hiểu rõ quy trình content có thể mô tả và xây công cụ content tốt hơn người chỉ biết code nhưng không hiểu công việc đó. Một chủ doanh nghiệp hiểu quy trình bán hàng của đội ngũ có thể mô tả hệ thống CRM hoặc automation phù hợp hơn nhiều so với một bản mẫu chung chung. > Người hiểu vấn đề đủ sâu có thể tạo ra công cụ hữu ích hơn người chỉ biết công nghệ. Đó là lý do Claude Code và AI Automation đáng học: không phải để khoe mình dùng được bao nhiêu công cụ, mà để biến hiểu biết thật về công việc thành hệ thống hỗ trợ mình mỗi ngày. ## Bắt đầu như thế nào? Nếu bạn muốn áp dụng cách làm này, hãy bắt đầu bằng một quy trình nhỏ đang lặp lại thường xuyên. Đừng chọn hệ thống quá lớn ngay từ đầu. 1. Viết lại quy trình hiện tại bằng ngôn ngữ đời thường. 2. Xác định đầu vào, đầu ra và người duyệt ở từng bước. 3. Đánh dấu bước nào ổn định, bước nào cần AI phán đoán. 4. Dùng Claude Code để tạo giao diện hoặc MVP nhỏ cho quy trình đó. 5. Kết nối workflow automation cho các bước lặp lại. 6. Chạy thử, kiểm tra, rồi cải thiện dần. Bạn không cần bắt đầu bằng một sản phẩm hoàn hảo. Bạn chỉ cần bắt đầu bằng một công cụ đủ nhỏ để giải quyết một vấn đề thật. ## FAQ ### Claude Code có thay thế developer không? Không nên hiểu theo hướng thay thế hoàn toàn. Claude Code rất mạnh để tạo MVP, hỗ trợ viết code, kết nối công cụ và tăng tốc thử nghiệm. Nhưng với hệ thống lớn, bảo mật, hiệu năng và kiến trúc vẫn cần con người có chuyên môn kiểm soát. ### Người không biết code có dùng Claude Code được không? Có, nếu bạn bắt đầu từ quy trình nhỏ và mô tả rõ điều mình muốn. Bạn không cần hiểu mọi chi tiết kỹ thuật ngay từ đầu, nhưng cần hiểu công việc của mình đủ sâu để biết đầu vào, đầu ra và tiêu chuẩn hoàn thành. ### Khi nào nên dùng workflow cố định thay vì AI Agent? Khi bước đó có quy tắc rõ, ít thay đổi và cần độ ổn định cao, hãy ưu tiên workflow cố định. Ví dụ: lấy dữ liệu, gọi API, kiểm tra trường thông tin, gửi dữ liệu sang hệ thống khác hoặc đăng theo lịch. ### Khi nào nên dùng AI Agent? Khi công việc cần hiểu ngữ cảnh, xử lý ngoại lệ, viết nội dung, đánh giá chất lượng hoặc chọn hướng xử lý. Agent phù hợp với phần cần phán đoán, không phù hợp để thay thế toàn bộ những bước có thể cấu trúc hóa. ## Kết luận Claude Code và AI Automation không chỉ là câu chuyện công nghệ. Đây là cách mới để người làm kinh doanh, content, coaching hoặc vận hành biến hiểu biết của mình thành công cụ. Nếu bạn đang có một quy trình lặp lại mỗi tuần, đó có thể là điểm bắt đầu tốt nhất. Hãy viết nó ra, tách từng bước, rồi dùng AI để biến nó thành một công cụ nhỏ. Từ những công cụ nhỏ đó, bạn mới có nền móng để xây hệ thống lớn hơn. Đọc thêm: [Cách biến Claude từ chatbot thành hệ thống làm việc](https://giangxai.com/cach-bien-claude-thanh-he-thong-lam-viec/) và [Loop AI là gì?](https://giangxai.com/loop-ai-la-gi/). Nếu bạn muốn học tiếp cách ứng dụng AI Agent và AI Automation vào công việc thực tế, có thể theo dõi thêm các bài viết trên GiangxAI hoặc xem các nội dung mới trên kênh YouTube GiangxAI. --- --- title: "Loop AI là gì? Cách dùng AI tự làm việc hiệu quả hơn" url: "https://giangxai.com/loop-ai-la-gi/" updated: "2026-06-25" type: "Hướng dẫn" cluster: "AI Agent" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Loop AI là cách giao mục tiêu để AI tự làm, tự kiểm tra và tự sửa. Xem khi nào nên dùng loop và khi nào chỉ cần prompt thường." --- # Loop AI là gì? Cách dùng AI tự làm việc hiệu quả hơn Nếu bạn đang dùng ChatGPT, Claude hay Gemini mỗi ngày, rất có thể bạn vẫn đang dùng AI theo cách thủ công nhất: hỏi một câu, chờ câu trả lời, đọc lại, sửa yêu cầu, rồi hỏi tiếp. Cách đó không sai. Nhưng nó có một giới hạn lớn: bạn vẫn là người kéo toàn bộ công việc đi. Bạn phải nghĩ bước tiếp theo, kiểm tra kết quả, rồi nhắc AI sửa lại. **Loop AI** là một cách làm khác. Thay vì chỉ đưa một câu lệnh đơn lẻ, bạn giao cho AI một mục tiêu, tiêu chí hoàn thành và quy tắc dừng. Sau đó AI tự làm, tự kiểm tra, tự sửa, rồi tiếp tục cho đến khi đạt yêu cầu. > Prompt là khi bạn bảo AI trả lời một lần. Loop là khi bạn giao cho AI một việc có mục tiêu, có kiểm tra và có điểm dừng. Trong bài này, mình sẽ giải thích loop AI là gì, vì sao nó quan trọng, khi nào nên dùng, khi nào không nên dùng, và cách bạn có thể áp dụng ngay mà không cần biết code. ## Loop AI là gì? Loop trong AI có thể hiểu là một vòng làm việc lặp lại: 1. AI hiểu mục tiêu. 2. AI lên kế hoạch. 3. AI thực hiện một bước. 4. AI kiểm tra kết quả. 5. Nếu chưa đạt, AI sửa tiếp. 6. Nếu đạt rồi, AI dừng lại. Ví dụ, thay vì viết: *"Viết giúp tôi một bài giới thiệu sản phẩm"*, bạn có thể viết rõ hơn: *"Viết bài giới thiệu sản phẩm. Sau mỗi bản nháp, hãy kiểm tra xem bài đã rõ ràng, dễ hiểu, có ví dụ cụ thể và có lời kêu gọi hành động chưa. Nếu chưa đạt, hãy sửa điểm yếu nhất. Chỉ dừng khi mọi tiêu chí đều đạt."* Câu thứ hai đã có tinh thần của loop. AI không chỉ tạo một bản rồi ngồi chờ bạn. Nó có nhiệm vụ tự kiểm tra và tự cải thiện. ## Prompt và loop khác nhau ở đâu? Một prompt thường có dạng: bạn hỏi, AI trả lời, rồi AI dừng lại. Một loop có dạng: bạn giao mục tiêu, AI làm việc, AI kiểm tra, AI sửa tiếp, rồi lặp lại cho đến khi đạt điều kiện dừng. Sự khác biệt lớn nhất nằm ở **bước kiểm tra**. Nếu không có kiểm tra, AI rất dễ tự cho rằng mình đã làm xong dù kết quả còn thiếu. Khi đó bạn vẫn phải đọc, bắt lỗi và yêu cầu sửa lại bằng tay. Một loop tốt cần trả lời được ba câu hỏi: - Kết quả thế nào là đạt? - Làm sao biết kết quả chưa đạt? - Khi nào AI phải dừng lại? Nếu ba câu này chưa rõ, loop sẽ rất dễ biến thành một chuỗi sửa đi sửa lại tốn thời gian. ## Vì sao loop quan trọng với AI agent? AI agent là những hệ thống AI có thể dùng công cụ: đọc file, sửa tài liệu, chạy lệnh, tìm thông tin, tạo ticket, gửi email, hoặc làm việc với nhiều ứng dụng khác nhau. Khi AI chỉ trả lời trong khung chat, prompt thường là đủ. Nhưng khi AI bắt đầu hành động trong môi trường thật, bạn cần loop để nó biết cách tiếp tục công việc mà không cần bạn nhắc từng bước. ![Sơ đồ agentic loop: prompt, Claude đánh giá, gọi công cụ, nhận kết quả và trả lời cuối](https://giangxai.com/wp-content/uploads/2026/06/agentic-loop-diagram.png)Sơ đồ agentic loop: AI đánh giá prompt, gọi công cụ khi cần, nhận kết quả rồi mới trả lời. Ví dụ trong lập trình: ``` Mục tiêu: sửa lỗi đăng nhập. Mỗi vòng: 1. Chạy test liên quan đến đăng nhập. 2. Đọc lỗi. 3. Sửa lỗi quan trọng nhất. 4. Chạy lại test. Dừng khi: - Test chạy thành công. - Không còn lỗi lint. - Hoặc đã thử 8 lần. ``` Đây là lý do loop nổi lên rất mạnh trong các công cụ như Claude Code và Codex. Code có test, lỗi build, lỗi lint, nên AI có tín hiệu rõ ràng để biết mình đã làm đúng hay chưa. ## Ví dụ dùng `/loop` trong Claude Code Nếu bạn dùng Claude Code, `/loop` là cách đơn giản để bảo Claude kiểm tra lại một việc theo chu kỳ. Ví dụ: ``` /loop 5m kiểm tra xem lệnh deploy đã chạy xong chưa. Nếu thất bại, đọc log và tóm tắt nguyên nhân. ``` Hoặc: ``` /loop 10m kiểm tra trạng thái pull request này. Nếu CI fail, đọc lỗi và đề xuất bước sửa tiếp theo. ``` Điểm cần nhớ là `/loop` phù hợp với việc cần theo dõi lặp lại theo thời gian. Nếu bạn muốn AI làm tiếp cho đến khi đạt một mục tiêu cụ thể, hãy viết rõ mục tiêu, tiêu chí thành công và giới hạn số lần thử. ## Một loop tốt cần có những phần nào? ### 1. Mục tiêu rõ ràng Đừng viết: *"Làm bài này tốt hơn"*. Hãy viết: *"Rút bài này xuống dưới 1.200 chữ, giữ giọng văn gần gũi, có 5 H2, có FAQ, và người mới đọc vẫn hiểu"*. Mục tiêu càng rõ, AI càng ít đoán mò. ### 2. Tiêu chí kiểm tra Tiêu chí kiểm tra là thứ giúp AI biết kết quả đã đủ tốt chưa. - Bài viết có chứa từ khóa chính trong tiêu đề. - Meta description dưới 160 ký tự. - Mỗi đoạn không quá 4 câu. - Có ví dụ cụ thể cho người Việt. - Có phần "khi nào không nên dùng". Nếu làm code, tiêu chí kiểm tra có thể là test pass, build thành công, không lỗi type, không lỗi lint. ### 3. Trạng thái ghi nhớ AI cần nhớ lần trước đã thử gì, lỗi nào còn lại, điểm nào đã sửa. Nếu không có trạng thái, AI có thể lặp lại cùng một lỗi nhiều lần. Với công việc cá nhân, trạng thái có thể chỉ là một danh sách ngắn: đã làm gì, còn vướng gì, vòng tiếp theo cần sửa gì. ### 4. Công cụ để hành động Một loop mạnh không chỉ dừng ở việc "gợi ý". AI cần có quyền làm việc thật: đọc và sửa file, chạy kiểm tra, tóm tắt email, tạo bài viết, gửi nhắc việc hoặc cập nhật bảng tính. Nếu AI không có công cụ, nó chỉ có thể nói bạn nên làm gì. Khi có công cụ, nó có thể thật sự làm. ### 5. Điều kiện dừng Loop không có điểm dừng là một rủi ro. Bạn nên luôn đặt giới hạn: - Dừng khi đạt mục tiêu. - Hoặc dừng sau 5-8 lần thử. - Hoặc dừng khi quá thời gian. - Hoặc dừng khi cần người xác nhận. Điều này giúp tránh việc AI chạy mãi, sửa mãi, tốn token mà không tạo thêm giá trị. ## Khi nào nên dùng loop AI? Bạn nên dùng loop khi việc đó có tính lặp lại, có tiêu chí rõ và AI có thể tự làm phần lớn công việc. - Mỗi sáng tóm tắt email và lịch làm việc. - Theo dõi lỗi build của website. - Viết nháp bài blog rồi tự chấm theo checklist SEO. - Kiểm tra pull request và đọc lỗi CI. - Tóm tắt nhóm chat sau một ngày bận. - Theo dõi một thói quen cá nhân và nhắc khi bạn bỏ lỡ. Với nhóm solopreneur, coach hoặc chủ doanh nghiệp nhỏ, loop hữu ích nhất ở những việc lặp lại nhưng không quá cần gu cá nhân: tổng hợp thông tin, kiểm tra checklist, nhắc việc, chuyển đổi nội dung, theo dõi tiến độ và chuẩn bị báo cáo. ## Khi nào không nên dùng loop? Không phải việc gì cũng nên biến thành loop. Bạn không nên dùng loop nặng khi: - Việc chỉ làm một lần. - Kết quả phụ thuộc nhiều vào gu thẩm mỹ. - Không có cách kiểm tra đúng sai. - AI phải hỏi bạn ở giữa quá nhiều. - Chi phí chạy loop cao hơn giá trị nhận lại. Ví dụ, nếu bạn chỉ cần nghĩ 10 tiêu đề Facebook, một prompt tốt là đủ. Nếu bạn cần chọn một concept thương hiệu, người quyết định cuối cùng vẫn nên là bạn. Loop mạnh nhất khi phần kiểm tra có thể rõ ràng. Nếu không có phần kiểm tra, AI có thể rất bận rộn nhưng chưa chắc tạo ra kết quả tốt. ## Mẫu prompt loop đơn giản dùng ngay Bạn có thể copy mẫu này vào ChatGPT hoặc Claude: ``` Bạn sẽ làm việc theo loop cho đến khi kết quả đạt yêu cầu. NHIỆM VỤ: [Mô tả việc cần làm] TIÊU CHÍ THÀNH CÔNG: - [Tiêu chí 1] - [Tiêu chí 2] - [Tiêu chí 3] QUY TRÌNH: 1. KẾ HOẠCH: Nêu một bước tiếp theo duy nhất. 2. LÀM: Tạo hoặc cải thiện kết quả. 3. KIỂM TRA: Chấm từng tiêu chí từ 1 đến 10, nói rõ điểm yếu. 4. QUYẾT ĐỊNH: - Nếu mọi tiêu chí từ 8 điểm trở lên, in "HOÀN THÀNH" và dừng. - Nếu chưa đạt, in "TIẾP TỤC" và sửa điểm yếu nhất. GIỚI HẠN: Tối đa 5 vòng. Nếu chưa đạt, tóm tắt phần còn yếu nhất. ``` Mẫu này chưa phải tự động hóa hoàn toàn, vì bạn vẫn cần mở chat và chạy prompt. Nhưng nó giúp bạn chuyển từ "hỏi một lần" sang "làm có kiểm tra". ## Gợi ý áp dụng cho công việc hằng ngày Nếu bạn chưa biết bắt đầu từ đâu, hãy chọn một việc lặp lại mỗi tuần. ``` Mỗi thứ Hai, hãy giúp tôi lập kế hoạch nội dung tuần này. Dựa trên mục tiêu kinh doanh, đề xuất 5 chủ đề, 3 ý tưởng video ngắn và 1 bài blog. Tự kiểm tra xem các ý tưởng có rõ người đọc, rõ vấn đề và rõ CTA chưa. ``` Hoặc: ``` Mỗi khi tôi gửi một voice note ý tưởng, hãy biến nó thành: - Một bài Facebook ngắn. - Một outline video YouTube. - Một email gửi danh sách khách hàng. Giữ giọng văn gần gũi, thực tế, không dùng quá nhiều thuật ngữ. ``` Đây là những loop nhẹ, dễ dùng, không cần kỹ thuật phức tạp. Bạn chỉ cần biến một quy trình lặp lại thành hướng dẫn rõ ràng. ## Kết luận: đừng chỉ prompt, hãy thiết kế cách AI làm việc Loop AI không phải là một mẹo prompt cho vui. Nó là cách bạn chuyển AI từ vai trò "người trả lời" sang "người cùng làm việc". Nhưng hãy bắt đầu nhỏ. Đừng cố tự động hóa mọi thứ ngay. 1. Làm thủ công một lần cho ổn. 2. Viết lại quy trình thành hướng dẫn rõ ràng. 3. Thêm tiêu chí kiểm tra. 4. Thêm điều kiện dừng. 5. Sau đó mới nghĩ đến tự động hóa. Nếu bạn đang xây hệ thống làm việc với AI cho kinh doanh, content hoặc vận hành, loop là một trong những khái niệm đáng học sớm. Không phải vì nó phức tạp, mà vì nó giúp bạn dùng AI bớt thủ công hơn. AI không chỉ để trả lời câu hỏi. Khi được giao đúng mục tiêu, đúng công cụ và đúng tiêu chí kiểm tra, AI có thể bắt đầu làm việc cho bạn. > Nếu bạn muốn bắt đầu thực tế hơn, hãy xem thêm [tài nguyên miễn phí của GiangxAI](/tai-lieu-mien-phi/) hoặc tìm hiểu [Bộ 7 Agent](/bo-7-agent/) để biến những việc lặp lại trong kinh doanh online thành hệ thống dễ vận hành hơn. ## FAQ ### Loop AI là gì? Loop AI là cách giao cho AI một mục tiêu, tiêu chí kiểm tra và điều kiện dừng để AI tự làm, tự kiểm tra, tự sửa và lặp lại cho đến khi đạt yêu cầu. ### Loop khác gì prompt thông thường? Prompt thông thường thường tạo một câu trả lời rồi dừng. Loop có thêm bước kiểm tra, sửa và lặp lại. Vì vậy loop phù hợp hơn với việc dài hơi hoặc có tiêu chí hoàn thành rõ. ### Người không biết code có dùng loop được không? Có. Bạn có thể dùng loop nhẹ bằng prompt tự kiểm tra trong ChatGPT hoặc Claude, hoặc dùng các công cụ automation/no-code để chạy việc lặp lại như tóm tắt email, lên lịch nội dung, nhắc việc. ### Khi nào không nên dùng loop AI? Không nên dùng loop cho việc chỉ làm một lần, việc quá cảm tính, hoặc việc không có tiêu chí kiểm tra rõ. Trong các trường hợp đó, một prompt tốt thường đơn giản và hiệu quả hơn. --- --- title: "Hướng Dẫn Dùng Claude Code Và Codex Trong Cùng Một Dự Án" url: "https://giangxai.com/huong-dan-dung-claude-code-va-codex-trong-cung-mot-du-an/" updated: "2026-06-17" type: "Hướng dẫn" cluster: "Công cụ & Model AI" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Cách tổ chức một dự án để Claude Code và Codex cùng đọc mã nguồn, dùng chung workflow, nhưng vẫn giữ file hướng dẫn riêng cho từng công cụ." --- # Hướng Dẫn Dùng Claude Code Và Codex Trong Cùng Một Dự Án Tài liệu này được biên tập lại từ nội dung video YouTube: Xem video hướng dẫn trên kênh GiangxAI. ## 1. Vấn đề thường gặp Khi làm việc với Claude Code, bạn có thể gặp tình huống công cụ hoạt động rất mượt nhưng bị giới hạn lượt dùng trong ngày hoặc trong tuần. Điều này khá bất tiện nếu bạn đang sửa lỗi, tiếp tục phát triển dự án, hoặc đang quay một video demo mà phải chờ thêm một khoảng thời gian mới có thể làm tiếp. Một cách xử lý hiệu quả là không phụ thuộc vào duy nhất một trợ lý lập trình. Bạn có thể dùng Claude Code và Codex song song trong cùng một dự án. Khi một công cụ bị giới hạn, công cụ còn lại vẫn có thể tiếp tục đọc mã nguồn, tài liệu, file hướng dẫn và hỗ trợ bạn hoàn thành công việc. Nói đơn giản, chúng ta có một dự án nhưng có hai trợ lý lập trình khác nhau: - Claude Code - Codex Mỗi công cụ có file hướng dẫn riêng, nhưng cả hai vẫn có thể dùng chung mã nguồn, tài liệu kỹ thuật, ghi chú thiết kế và các workflow của dự án. ## 2. Nguyên tắc tổ chức dự án Để Claude Code và Codex cùng làm việc tốt trong một dự án, bạn nên chia dự án thành ba nhóm nội dung. ![Quy tắc 3 lớp khi tổ chức dự án cho Claude Code và Codex](https://giangxai.com/wp-content/uploads/2026/06/three-layer-rule-vi.png)Quy tắc 3 lớp khi tổ chức dự án cho Claude Code và Codex ### 2.1. Nội dung dùng chung Đây là những tài liệu mà cả hai công cụ đều có thể đọc và sử dụng: - Tài liệu tổng quan dự án - Ghi chú kỹ thuật - File hướng dẫn chạy lệnh - File thiết kế - README - Script kiểm tra, build, test - Tài liệu mô tả workflow Các nội dung này nên được viết rõ ràng, dễ đọc, tránh phụ thuộc vào riêng một công cụ. ### 2.2. Workflow dùng chung Bạn có thể chuẩn hóa các workflow quan trọng để Claude Code và Codex đều hiểu cách làm việc, ví dụ: - Cách review code - Cách sửa lỗi - Cách viết tài liệu - Cách tóm tắt phiên làm việc - Cách kiểm tra trước khi hoàn thành - Cách tạo nội dung, landing page, blog, video hoặc tài liệu marketing Nếu trước đây bạn đã có workflow dành cho Claude Code, bạn có thể chuyển một bản rút gọn sang cho Codex. ### 2.3. Cấu hình riêng cho từng công cụ Không nên gộp toàn bộ hướng dẫn của Claude Code và Codex vào cùng một nơi. Mỗi công cụ nên có khu vực riêng để đọc nhanh hơn, tiết kiệm token hơn và tránh nhầm lẫn. Thông thường: - Claude Code đọc các hướng dẫn trong `CLAUDE.md` hoặc thư mục `.claude/`. - Codex đọc hướng dẫn trong `AGENTS.md` hoặc thư mục `.codex/`. Trong dự án, bạn có thể giữ cả hai: - `CLAUDE.md` dành cho Claude Code - `AGENTS.md` dành cho Codex ![Một dự án, hai bộ hướng dẫn AI](https://giangxai.com/wp-content/uploads/2026/06/one-project-two-ai-guides-vi.png)Một dự án, hai bộ hướng dẫn AI Hai file này không nhất thiết phải giống nhau hoàn toàn. `AGENTS.md` chỉ cần tóm tắt những phần quan trọng nhất để Codex hiểu dự án và làm việc đúng cách. ## 3. Tạo file hướng dẫn cho Codex Nếu dự án của bạn ban đầu được xây dựng với Claude Code, nhiều khả năng bạn đã có `CLAUDE.md`. Bước tiếp theo là tạo thêm `AGENTS.md` cho Codex. ### 3.1. Skills có thể dùng lại gần như nguyên vẹn Một điểm rất tiện khi chuyển dự án từ Claude Code sang Codex là phần skills gần như có thể dùng lại trực tiếp. Skills trong Claude Code thường là các file Markdown có YAML frontmatter. Skills trong Codex cũng là các file Markdown có YAML frontmatter. Nói cách khác, định dạng và cấu trúc gần như giống nhau. Điểm khác chủ yếu nằm ở thư mục mà từng công cụ sẽ đọc. - Claude Code đọc skills trong `.claude/skills/`. - Codex đọc skills trong `.agents/skills/`. Vì vậy, với nhiều skill, bạn chỉ cần đặt cùng một file vào cả hai nơi. Cả Claude Code và Codex đều có thể đọc và sử dụng skill đó. Không cần viết lại từ đầu, cũng không cần dịch sang định dạng khác. Điều quan trọng là giữ nguyên mỗi `SKILL.md` đi cùng các file hỗ trợ liên quan của nó, ví dụ script, template, reference hoặc asset mà skill đó cần dùng. ### 3.2. Sub-agent chỉ khác lớp bọc định dạng Sub-agent là phần có sự khác biệt rõ hơn. Claude Code thường dùng file Markdown để mô tả sub-agent. Codex dùng file TOML. Nhưng về bản chất, hai file này có thể mô tả cùng một công việc: - Agent này dùng để làm gì - Nên chạy với model nào - Có thể gọi những tool nào - Cần tuân thủ hướng dẫn nào khi làm việc Ví dụ, nếu bạn có một ClickUp searcher agent trong Claude Code, nó có thể là một file Markdown mô tả nhiệm vụ tìm kiếm ClickUp, model sử dụng và các tool được phép gọi. Khi chuyển sang Codex, bạn có thể tạo một file `.toml` mô tả cùng những ý đó bằng cú pháp TOML. Công việc giống nhau, chỉ khác lớp bọc. Có một điểm cần lưu ý: sub-agent trong Codex không tự động được gọi theo mô tả như trong Claude Code. Với Claude Code, model có thể tự route sang sub-agent phù hợp dựa trên phần description. Với Codex, bạn thường cần gọi rõ tên sub-agent khi muốn dùng. Vì vậy, khi chuyển agent từ Claude Code sang Codex, hãy đảm bảo tên agent dễ nhớ, mô tả ngắn gọn và hướng dẫn sử dụng rõ ràng để bạn có thể gọi đúng agent khi cần. Bạn có thể yêu cầu Codex bằng prompt chuyển đổi như sau: ``` Tôi đã xây dựng dự án này bằng Claude Code và muốn dự án cũng hoạt động tốt với Codex. Hãy kiểm tra toàn bộ dự án và tạo một thiết lập chuyển tiếp phù hợp cho Codex. Hãy làm các việc sau: 1. Tạo file AGENTS.md ở thư mục gốc của dự án. - Dùng CLAUDE.md làm nguồn kiến thức chính về dự án. - Không sao chép nguyên văn các phần dài nếu không cần thiết. - Giải thích rằng AGENTS.md là file hướng dẫn dành riêng cho Codex. - Bao gồm một bản đồ dự án rõ ràng. 2. Tạo file .codex/config.toml. - Bắt đầu với cấu hình tối thiểu và an toàn. - Không thêm secrets, token, API key hoặc thông tin nhạy cảm. 3. Tạo thư mục .agents/skills/. - Sao chép các Claude skills quan trọng từ .claude/skills/ sang .agents/skills/. - Giữ mỗi file SKILL.md đi cùng các file hỗ trợ liên quan của nó. - Không đặt skills trong .codex/skills/. 4. Tạo thư mục .codex/agents/ cho các Claude agents quan trọng nếu có. - Claude agents là các file .md trong .claude/agents/. - Codex agents là các file .toml trong .codex/agents/. - Chuyển hướng dẫn của agent sang developer_instructions. 5. Cập nhật .gitignore nếu cần. - Không đưa local overrides, secrets hoặc file nhạy cảm vào git. Trước khi chỉnh sửa, hãy cho tôi biết những file bạn dự định tạo hoặc thay đổi. ``` Trong `AGENTS.md`, bạn nên có các phần chính sau: - Tổng quan dự án - Cách cài đặt - Cách chạy dev server - Cách build - Cách test hoặc kiểm tra lỗi - Cấu trúc thư mục quan trọng - Quy ước chỉnh sửa file - Những workflow thường dùng Việc này giúp Codex vào dự án nhanh hơn trong các lần làm việc sau, thay vì phải đọc lại toàn bộ lịch sử chat hoặc toàn bộ tài liệu dài. ## 4. Cài Claude Code và Codex trên Visual Studio Code Bạn có thể dùng cả Claude Code và Codex ngay trong Visual Studio Code. ### 4.1. Cài Claude Code Trong Visual Studio Code: 1. Mở phần Extensions. 2. Tìm extension Claude Code. 3. Ưu tiên cài extension chính hãng, có dấu xác thực hoặc thông tin nhà phát hành rõ ràng. 4. Sau khi cài xong, đăng nhập bằng tài khoản Claude đã đăng ký. Nếu dùng bản trả phí, bạn sẽ có trải nghiệm tốt hơn và giới hạn sử dụng cao hơn so với bản miễn phí. ### 4.2. Cài Codex Tương tự, trong Visual Studio Code: 1. Mở phần Extensions. 2. Tìm Codex hoặc OpenAI Codex. 3. Cài extension Codex chính thức. 4. Mở biểu tượng Codex trong thanh bên. 5. Đăng nhập bằng tài khoản ChatGPT hoặc cấu hình API key nếu workflow của bạn yêu cầu. Sau khi đăng nhập thành công, bạn sẽ có cửa sổ chat của Codex ngay trong VS Code. Lúc này, trong cùng một workspace, bạn có thể mở: - Một cửa sổ chat Claude Code - Một cửa sổ chat Codex Cả hai đều có thể đọc cùng mã nguồn và tài liệu của dự án. ## 5. Kiểm tra hai công cụ có đọc được dự án không Sau khi cài đặt xong, hãy thử gửi cùng một yêu cầu cho cả Claude Code và Codex: ``` Hãy đọc thông tin dự án này và đề xuất thứ tự làm việc nên làm tiếp theo. ``` Claude Code có thể phản hồi nhanh hơn nếu dự án đã có `CLAUDE.md`. Codex cũng sẽ đọc dự án, nhưng nếu chưa có `AGENTS.md`, nó có thể cần thêm thời gian để hiểu cấu trúc. Sau khi Codex tạo hoặc đọc được `AGENTS.md`, các phiên làm việc sau sẽ nhanh và nhất quán hơn. ## 6. Ví dụ workflow thực tế Trong video, dự án minh họa là một hệ thống có nhiều agent hỗ trợ các công việc như: - Research - Viết content - Tạo video Remotion - Thiết lập landing page - Hỗ trợ affiliate - Hỗ trợ online marketing - Tự động hóa quy trình làm việc Với một dự án như vậy, bạn có thể giao việc theo kiểu: - Claude Code đọc workflow cũ, sửa lỗi hoặc tiếp tục phần đang làm. - Codex đọc `AGENTS.md`, kiểm tra cấu trúc dự án và đề xuất bước tiếp theo. - Một công cụ xử lý tài liệu. - Một công cụ xử lý code. - Một công cụ tóm tắt phiên làm việc để chuyển sang công cụ còn lại. Điểm quan trọng là không giao cho hai AI cùng sửa một file hoặc cùng làm một việc tại cùng một thời điểm. Nếu không, chúng có thể ghi đè thay đổi của nhau. ## 7. Dùng Codex để tạo nội dung và hình ảnh Ngoài việc hỗ trợ code, Codex còn có thể hỗ trợ các tác vụ nội dung trong cùng một workflow, ví dụ: - Viết bài blog - Tạo prompt hình ảnh - Tạo hình ảnh minh họa - Chèn hình ảnh vào đúng vị trí trong bài viết - Chụp hoặc tham chiếu ảnh màn hình - Tạo tài liệu chia sẻ lên mạng xã hội Ví dụ, khi viết một bài blog về Claude Code, bạn có thể yêu cầu Codex: ``` Hãy viết bài blog giới thiệu Claude Code là gì và cách tự động hóa một ngày làm việc. Sau đó tạo hình ảnh minh họa phù hợp cho phần mở đầu bài viết. ``` Nếu dự án có sẵn workflow xuất bản blog, Codex có thể vừa viết nội dung, vừa tạo hoặc gắn hình ảnh vào đúng vị trí cần thiết. ## 8. Cách chuyển phiên làm việc giữa Claude Code và Codex Khi Claude Code sắp chạm giới hạn sử dụng, bạn không nên copy toàn bộ đoạn chat dài sang Codex. Cách tốt hơn là yêu cầu Claude Code tóm tắt phiên làm việc. Bạn có thể dùng prompt: ``` Hãy tóm tắt lại phiên làm việc này để tôi chuyển sang một trợ lý lập trình khác. Bao gồm: - Mục tiêu ban đầu - Các file đã đọc - Các file đã sửa - Lỗi hoặc vấn đề hiện tại - Những cách đã thử - Việc nên làm tiếp theo - Những lưu ý quan trọng để tránh làm hỏng dự án ``` Sau đó copy phần tóm tắt này sang Codex. Codex sẽ hiểu nhanh hơn và không cần đọc lại toàn bộ lịch sử dài. Ngược lại, nếu Codex gặp giới hạn hoặc bạn muốn chuyển lại sang Claude Code, hãy yêu cầu Codex tóm tắt theo cùng cấu trúc rồi gửi sang Claude Code. ## 9. Lưu ý khi dùng hai AI trong cùng một dự án Khi dùng Claude Code và Codex song song, hãy lưu ý: - Không giao hai công cụ sửa cùng một file cùng lúc. - Không để cả hai cùng thực hiện một nhiệm vụ giống nhau. - Luôn yêu cầu tóm tắt trước khi chuyển việc từ công cụ này sang công cụ khác. - Giữ `CLAUDE.md` và `AGENTS.md` đồng bộ ở mức cần thiết. - File hướng dẫn nên ngắn gọn, rõ ràng, không copy quá nhiều nội dung dư thừa. - Các lệnh chạy dự án, test, build nên được ghi rõ trong cả hai file hướng dẫn. - Nếu một công cụ sửa cấu trúc dự án, hãy yêu cầu nó cập nhật lại tài liệu tương ứng. ## 10. Quy trình đề xuất Bạn có thể áp dụng quy trình sau: 1. Chuẩn bị dự án trong Visual Studio Code. 2. Cài Claude Code extension. 3. Cài Codex extension. 4. Đăng nhập tài khoản tương ứng cho từng công cụ. 5. Kiểm tra dự án đã có `CLAUDE.md` chưa. 6. Yêu cầu Codex đọc `CLAUDE.md` và tạo `AGENTS.md`. 7. Mở hai cửa sổ chat: một cho Claude Code, một cho Codex. 8. Giao việc rõ ràng, tránh trùng nhiệm vụ. 9. Khi một bên bị giới hạn, yêu cầu tóm tắt phiên làm việc. 10. Chuyển phần tóm tắt sang công cụ còn lại để tiếp tục. ## 11. Kết luận Claude Code và Codex không phải là hai lựa chọn loại trừ nhau. Bạn có thể dùng cả hai trong cùng một dự án, miễn là tổ chức tài liệu và workflow rõ ràng. Claude Code có file hướng dẫn riêng. Codex cũng có file hướng dẫn riêng. Nhưng mã nguồn, tài liệu dự án, file thiết kế, workflow và ghi chú kỹ thuật vẫn có thể dùng chung. Quy trình cốt lõi là: - Giữ `CLAUDE.md` cho Claude Code. - Tạo `AGENTS.md` cho Codex. - Cài cả hai extension trong Visual Studio Code. - Mở hai cửa sổ chat riêng. - Chia việc rõ ràng. - Tóm tắt phiên làm việc khi cần chuyển từ công cụ này sang công cụ khác. Khi làm đúng cách, bạn sẽ không bị phụ thuộc vào một công cụ duy nhất. Nếu một bên bị giới hạn, bạn vẫn có thể tiếp tục công việc với bên còn lại mà không mất mạch dự án. --- --- title: "Claude Cowork Là Gì? Hướng Dẫn Tự Động Hóa Một Ngày Làm Việc" url: "https://giangxai.com/claude-cowork-tu-dong-hoa-ngay-lam-viec/" updated: "2026-06-16" type: "Hướng dẫn" cluster: "Tự động hóa" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Hướng dẫn thực tế cách dùng Claude Cowork để xử lý file, kết nối ứng dụng, tạo briefing buổi sáng, scheduled tasks và các workflow tự động hóa công việc hằng ngày." --- # Claude Cowork Là Gì? Hướng Dẫn Tự Động Hóa Một Ngày Làm Việc Nếu bạn đang dùng AI chỉ để hỏi đáp, viết nội dung hoặc tóm tắt từng đoạn văn, bạn mới dùng được một phần rất nhỏ của nó. Claude Cowork đi theo một hướng khác: thay vì chỉ trả lời trong khung chat, Claude có thể nhận một việc trọn vẹn, đọc file, làm việc với ứng dụng, tạo tài liệu và trả lại kết quả để bạn kiểm tra. Bài này là một hướng dẫn thực tế cho người mới. Không cần biết code. Không cần xây hệ thống phức tạp. Mục tiêu là giúp bạn tạo vài quy trình nhỏ để tiết kiệm thời gian mỗi ngày. > Theo trang sản phẩm và Help Center của Anthropic, Claude Cowork hiện có trong Claude Desktop cho các gói trả phí. Tính năng và giao diện có thể thay đổi theo thời gian, nên hãy kiểm tra lại trên tài khoản của bạn trước khi triển khai cho công việc quan trọng. ## Claude Cowork là gì? Claude Cowork là chế độ làm việc trong Claude Desktop, được thiết kế để bạn giao việc cho Claude như giao cho một cộng sự số. Thay vì phải tải từng file lên chat rồi hỏi từng câu, bạn có thể cho Claude quyền truy cập một số thư mục, kết nối ứng dụng cần thiết và yêu cầu Claude xử lý cả quy trình. Ví dụ, thay vì hỏi: > Hãy tóm tắt file này. Bạn có thể giao một việc cụ thể hơn: > Đọc tất cả file PDF trong thư mục Invoices/Incoming. Với mỗi file, lấy tên nhà cung cấp, số hóa đơn, số tiền, hạn thanh toán và các dòng chi phí. Tạo một bảng tổng hợp trong Invoices/Summary. Điểm khác biệt nằm ở chỗ Claude không chỉ trả lời. Claude có thể đi qua nhiều bước để tạo ra đầu ra cuối cùng. ## Cowork phù hợp với ai? Cowork phù hợp nhất với những người có nhiều công việc lặp lại quanh file, email, lịch, tài liệu và báo cáo. - Chủ doanh nghiệp nhỏ cần dọn file, tổng hợp báo cáo, chuẩn bị tài liệu. - Solopreneur phải tự xử lý email, lịch họp, khách hàng, nội dung. - Coach hoặc chuyên gia tư vấn cần chuẩn bị meeting note, proposal, follow-up. - Người làm vận hành, tài chính, marketing hoặc sales có nhiều dữ liệu rời rạc. - Sinh viên hoặc người tự học muốn biến ghi chú thành flashcard, summary, checklist. Nếu công việc của bạn có đầu vào rõ ràng, đầu ra rõ ràng và lặp lại nhiều lần, đó là ứng viên tốt để thử Cowork. ## Bắt đầu với một thư mục nhỏ Đừng cấp quyền toàn bộ máy tính ngay từ đầu. Cách an toàn hơn là bắt đầu với một thư mục ít rủi ro, ví dụ `Downloads`, một thư mục test, hoặc một thư mục chứa bản sao tài liệu. ![Màn hình tạo tác vụ mới trong Claude Cowork](https://giangxai.com/wp-content/uploads/2026/06/claude-cowork-new-task.png)Màn hình tạo tác vụ mới trong Claude Cowork. Nên bắt đầu bằng một yêu cầu nhỏ để hiểu cách Claude xử lý file. Một prompt đầu tiên bạn có thể dùng: > Đọc tất cả file trong thư mục Downloads. Tạo bảng tóm tắt gồm tên file, loại file, nội dung chính và đề xuất nên giữ, di chuyển hay xóa. Chưa thực hiện thay đổi file. Chỉ lập danh sách để tôi duyệt trước. Chỗ quan trọng là câu “chưa thực hiện thay đổi file”. Với những lần đầu, hãy để Claude phân tích và đề xuất trước. Khi bạn đã thấy kết quả ổn, hãy cho phép Claude thực hiện bước tiếp theo. ## Quy trình 14 ngày để biến Cowork thành trợ lý làm việc Bạn không cần làm tất cả trong một buổi. Cách dễ nhất là chia thành từng cụm nhỏ trong 2 tuần. ### Ngày 1: Làm quen với file Chọn một thư mục nhỏ. Yêu cầu Claude đọc, phân loại và tạo bảng tóm tắt. Mục tiêu của ngày đầu tiên không phải là tự động hóa ngay, mà là hiểu Claude nhìn file của bạn như thế nào. ### Ngày 2 đến ngày 3: Kết nối ứng dụng cần thiết Nếu bạn dùng Gmail, Google Calendar, Google Drive, Slack hoặc Notion, hãy kết nối từng dịch vụ một. Sau mỗi kết nối, thử một lệnh nhỏ. - “Kiểm tra Gmail trong 24 giờ qua và tóm tắt các email cần xử lý.” - “Ngày mai tôi có những cuộc họp nào? Tóm tắt thời gian, người tham gia và nội dung chính.” - “Tìm tài liệu gần nhất trong Google Drive có nhắc đến dự án X.” Đừng vội tạo automation khi bạn chưa biết mỗi connector trả kết quả ra sao. ### Ngày 4 đến ngày 5: Tạo briefing buổi sáng Đây là quy trình đáng làm nhất, vì nó giúp bạn bắt đầu ngày mới mà không phải mở từng ứng dụng một. Prompt mẫu: > Quy trình buổi sáng: kiểm tra Gmail và tóm tắt 5 email quan trọng nhất từ tối qua. Kiểm tra Google Calendar và liệt kê lịch hôm nay. Kiểm tra Slack để tìm tin nhắn trực tiếp hoặc lượt nhắc tên chưa xử lý. Tạo tài liệu Daily Briefing trong Documents/Daily-Briefings, đặt tên theo ngày hôm nay, trình bày ngắn gọn theo mục Email, Lịch họp, Slack và Ưu tiên hôm nay. ### Ngày 6 đến ngày 7: Chọn một loại tài liệu lặp lại Hóa đơn, biên lai, báo cáo tuần, ghi chú họp, tài liệu khách hàng, file nghiên cứu. Hãy chọn một loại bạn thường xử lý thủ công. Ví dụ với hóa đơn: > Đọc tất cả PDF trong thư mục Invoices/Incoming. Với mỗi hóa đơn, trích xuất tên nhà cung cấp, số hóa đơn, số tiền, hạn thanh toán và các dòng chi phí. Tạo bảng tổng hợp trong Invoices/Summary. Đánh dấu hóa đơn nào đến hạn trong 7 ngày tới. ### Ngày 8 đến ngày 10: Tạo tổng kết cuối ngày Một quy trình cuối ngày tốt giúp bạn không phải ngồi nhớ xem hôm nay đã làm gì. > Quét thư mục Documents để tìm file tôi đã tạo hoặc chỉnh sửa hôm nay. Kiểm tra Slack để tóm tắt các trao đổi tôi đã tham gia. Kiểm tra Gmail để liệt kê các email tôi đã gửi nhưng có thể cần chờ phản hồi. Tạo ghi chú End of Day trong Daily-Summaries, gồm: đã hoàn thành, còn đang chờ, ưu tiên ngày mai. ### Ngày 11 đến ngày 14: Biến thành quy trình theo nghề của bạn Sau khi đã có 2 đến 3 quy trình cơ bản, hãy áp dụng vào công việc chính. - Marketing: tổng hợp tin ngành, phân tích xu hướng, tạo outline nội dung. - Sales: phân loại email lead, xác định follow-up, tạo pipeline summary. - Vận hành: tổng hợp chi phí, phát hiện khoản bất thường, chuẩn hóa báo cáo. - Coaching: chuẩn bị ghi chú trước buổi tư vấn, tạo follow-up sau buổi làm việc. - Học tập: biến ghi chú tuần thành flashcard và checklist ôn tập. ## Scheduled tasks: phần đáng dùng nếu bạn muốn tiết kiệm thời gian đều đặn Những tác vụ lặp lại nên được đưa vào lịch. Ví dụ: briefing buổi sáng, tổng kết cuối ngày, dọn file hằng tuần hoặc tổng hợp báo cáo tháng. ![Màn hình Scheduled tasks trong Claude Cowork](https://giangxai.com/wp-content/uploads/2026/06/claude-cowork-scheduled.png)Scheduled tasks giúp bạn biến prompt tốt thành quy trình chạy lặp lại. Khi tạo tác vụ theo lịch, hãy mô tả rõ: 1. Nguồn dữ liệu Claude được phép đọc. 2. Việc Claude cần làm. 3. Định dạng đầu ra mong muốn. 4. Nơi lưu kết quả. 5. Việc nào cần hỏi lại bạn trước khi thực hiện. ## Nguyên tắc an toàn khi cho AI làm việc với file thật Cowork mạnh hơn chat thông thường, nên cách dùng cũng cần cẩn thận hơn. - Bắt đầu với thư mục nhỏ hoặc thư mục chứa bản sao. - Với file quan trọng, yêu cầu Claude tạo bản sao trước khi chỉnh sửa. - Không cho phép xóa file trong những workflow đầu tiên. - Yêu cầu Claude liệt kê kế hoạch trước khi di chuyển, đổi tên hoặc ghi đè file. - Ẩn dữ liệu nhạy cảm khi dùng tính năng liên quan đến màn hình hoặc ứng dụng cá nhân. - Với email, lịch, tài chính và hợp đồng, hãy để Claude soạn nháp hoặc đề xuất, còn quyết định cuối cùng vẫn do bạn duyệt. Một công thức prompt an toàn: > Đọc [nguồn dữ liệu]. Trích xuất [thông tin cần lấy]. Tạo [định dạng đầu ra]. Lưu vào [thư mục]. Trước khi thay đổi file gốc, hãy liệt kê kế hoạch để tôi duyệt. ## Bộ workflow tối thiểu nên có sau 2 tuần Bạn không cần 20 automation. Chỉ cần 3 đến 5 quy trình chạy ổn định là đã thấy khác biệt. 1. Briefing buổi sáng. 2. Tổng kết cuối ngày. 3. Xử lý hóa đơn hoặc biên lai. 4. Chuẩn bị họp ngày mai. 5. Tổng hợp báo cáo tuần. Điểm quan trọng không nằm ở việc dùng AI thật phức tạp. Điểm quan trọng là chọn đúng việc lặp lại, mô tả rõ đầu vào và đầu ra, rồi để Claude xử lý phần thủ công. ## Nguồn tham khảo Bạn có thể xem thêm thông tin chính thức tại [trang Claude Cowork của Anthropic](https://www.anthropic.com/product/claude-cowork) và [hướng dẫn bắt đầu với Claude Cowork](https://support.claude.com/en/articles/13345190-get-started-with-claude-cowork). Nếu bạn đang xây hệ thống làm việc cá nhân với AI, hãy bắt đầu rất nhỏ: một thư mục, một prompt, một đầu ra rõ ràng. Khi quy trình đầu tiên chạy ổn, bạn sẽ biết nên tự động hóa phần nào tiếp theo. --- --- title: "Cách Tạo Website WordPress Bằng Claude Code: Hướng Dẫn Từng Bước Với Demo Luna Spa" url: "https://giangxai.com/cach-tao-website-wordpress-bang-claude-code-huong-dan-tung-buoc-voi-demo-luna-spa/" updated: "2026-06-12" type: "Hướng dẫn" cluster: "AI cho Marketing & Affiliate" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." --- # Cách Tạo Website WordPress Bằng Claude Code: Hướng Dẫn Từng Bước Với Demo Luna Spa ## Bạn sẽ làm được gì sau bài viết này? Trong bài này, mình sẽ hướng dẫn bạn tạo một website mẫu cho **Luna Spa** bằng Claude Code và WordPress — đi từ con số 0 đến lúc website chạy thật trên hosting, có thể chỉnh sửa nội dung dễ dàng. Quy trình đi theo đúng thứ tự sau: > Ý tưởng → Nội dung → Giao diện HTML → Theme WordPress → Đưa lên Hostinger → Quản lý nội dung bằng WordPress Sau khi làm một lần, bạn hoàn toàn có thể đóng gói lại quy trình này thành một **Agent tạo website** để dùng đi dùng lại cho nhiều dự án khác — của bạn hoặc của khách hàng. ## 1. Cần chuẩn bị những gì? - Claude Code hoặc một công cụ AI viết code tương tự. - Một thư mục dự án trống trên máy. - Hai bộ kỹ năng (skill) thiết kế cho Claude Code. - Một tài khoản Hostinger nếu bạn muốn làm theo đúng như trong video. - Một website WordPress đã được cài trên Hostinger trước khi upload theme. - Quyền quản trị WordPress (WordPress Admin). ## 2. Nạp kỹ năng thiết kế cho Claude Code Claude Code viết code rất nhanh, nhưng muốn giao diện đẹp và có gu hơn thì nên đưa cho nó tiêu chuẩn thiết kế ngay từ đầu. Bạn có thể hiểu “skill” đơn giản là một bộ hướng dẫn làm việc cho Claude Code, không phải plugin WordPress. Xem video hướng dẫn chi tiết: Có 2 GitHub bạn nên cài cho Claude Code: | GitHub | Dùng để làm gì? | |---|---| | [Anthropic Skills – Frontend Design](https://github.com/anthropics/skills) | Giúp Claude Code làm giao diện web có gu hơn: bố cục, chữ, màu, khoảng cách, hiệu ứng. | | [UI UX Pro Max Skill](https://github.com/nextlevelbuilder/ui-ux-pro-max-skill) | Giúp chọn hướng thiết kế, bảng màu, font chữ, phong cách, và kiểm tra trải nghiệm người dùng. | Bạn chỉ cần mở 2 trang GitHub này, copy link, rồi đưa cho Claude Code: ``` Hãy mở 2 GitHub này và cài các skill thiết kế theo hướng dẫn trong README: 1. https://github.com/anthropics/skills 2. https://github.com/nextlevelbuilder/ui-ux-pro-max-skill Sau khi cài xong, hãy dùng chúng để giúp tôi chọn hướng thiết kế cho website Luna Spa. ``` > Nếu lệnh cài đặt trên GitHub thay đổi theo thời gian, hãy ưu tiên làm theo README mới nhất. Bạn chỉ cần show rõ nguồn GitHub và để Claude Code đọc hướng dẫn cài. Sau khi cài xong, hãy yêu cầu Claude Code chốt hướng thiết kế trước khi code: ``` Hãy dùng kỹ năng thiết kế giao diện web cho dự án này. Trước khi code, hãy giúp tôi chọn hướng thiết kế, màu sắc, font chữ, bố cục từng phần và cách tối ưu trên điện thoại. ``` > Một website đẹp không bắt đầu từ code. Nó bắt đầu từ hướng thiết kế rõ ràng. ## 3. Tạo ý tưởng và nội dung cho Luna Spa Đừng bảo Claude Code code ngay. Hãy để nó hỏi lại trước, sau đó tạo file `CONTENT.md` làm nguồn nội dung chính cho toàn bộ website. ``` Tôi muốn tạo website WordPress cho một spa tên Luna Spa. Mục tiêu: - Website nhìn cao cấp, nhẹ nhàng, sạch và sang. - Khách hàng chính là phụ nữ văn phòng, chủ doanh nghiệp nhỏ, người muốn chăm sóc da và thư giãn. - Nút kêu gọi hành động chính là đặt lịch tư vấn hoặc đặt lịch liệu trình. - Website sẽ được thiết kế giao diện trước, sau đó chuyển thành theme WordPress. Trước khi code, hãy hỏi tôi các câu hỏi cần thiết về thương hiệu, dịch vụ, khách hàng, phong cách, các phần cần có trên trang và nội dung chính. Sau khi đủ thông tin, hãy tạo file CONTENT.md làm nguồn nội dung chính cho website. ``` Nếu chưa biết trả lời thế nào, bạn có thể tham khảo bộ thông tin mẫu sau cho Luna Spa: | Mục | Nội dung mẫu | |---|---| | Tên thương hiệu | Luna Spa | | Câu tagline | Chạm vào sự tĩnh lặng, đánh thức làn da | | Khách hàng | Phụ nữ văn phòng, chủ doanh nghiệp nhỏ, người cần chăm sóc da và thư giãn | | Phong cách | Cao cấp, tối giản, sáng, mềm, thiên nhiên | | Màu chủ đạo | Trắng ngà, xanh sage, vàng champagne, xám than | | Nút chính | Đặt lịch tư vấn / đặt lịch liệu trình | ## 4. Dựng giao diện HTML trước Bản HTML giúp bạn xem nhanh, sửa nhanh và chưa ảnh hưởng đến website thật. Khi bản này đẹp rồi, ta mới chuyển thành theme WordPress. ### Thêm ảnh hoặc website mẫu để Claude Code hiểu gu thiết kế Trước khi yêu cầu Claude Code dựng giao diện, bạn nên đưa thêm 2-3 ảnh chụp màn hình hoặc link website mẫu. Không phải để sao chép y nguyên, mà để Claude hiểu phong cách bạn thích: bố cục, màu sắc, khoảng trắng, hình ảnh, cách trình bày dịch vụ và cảm giác cao cấp. Nguồn tham khảo có thể là website spa bạn thích, ảnh từ Pinterest, Dribbble, Awwwards, hoặc ảnh chụp màn hình website đối thủ trong ngành. ``` Đây là một số tham chiếu phong cách cho website Luna Spa: - [Dán link website mẫu 1] - [Dán link website mẫu 2] - [Đính kèm ảnh chụp màn hình nếu có] Không sao chép nội dung hoặc thương hiệu của họ. Chỉ học cách họ dùng bố cục, màu sắc, khoảng trắng, hình ảnh và cảm giác cao cấp. Sau đó hãy tạo giao diện riêng cho Luna Spa. ``` Sau đó, yêu cầu Claude Code dựng giao diện dựa trên `CONTENT.md` và các tham chiếu vừa đưa: ``` Dựa trên CONTENT.md và các tham chiếu thiết kế ở trên, hãy tạo website HTML/CSS/JS cho Luna Spa. Yêu cầu: - Dùng HTML, CSS, JavaScript thuần. - Phong cách cao cấp, nhẹ nhàng, sạch, sang. - Có các trang: index.html, services.html, about.html, contact.html, blog.html. - Hiển thị tốt trên điện thoại. - Có phần mở đầu, dịch vụ, quy trình, cảm nhận khách hàng, đặt lịch và footer. - Code cần rõ ràng để sau này dễ chuyển thành theme WordPress. - Tránh thiết kế quá chung chung. ``` ## 5. Chỉnh giao diện cho cao cấp hơn Đừng dừng ở bản đầu tiên AI tạo ra. Hãy yêu cầu Claude Code kiểm tra và nâng cấp thêm một vòng theo 8 tiêu chí: - **Phong cách:** website có cảm giác rõ không? - **Chữ:** font và cỡ chữ có dễ đọc không? - **Màu:** bảng màu có hài hòa không? - **Thứ tự nhấn mạnh:** người xem biết nhìn gì trước không? - **Hình ảnh:** ảnh có đúng ngành spa không? - **Hiệu ứng:** chuyển động có nhẹ và tinh tế không? - **Điện thoại:** bản mobile có thật sự dễ dùng không? - **Lỗi nhỏ:** link, form, khoảng cách, tốc độ có ổn không? ``` Hãy review website Luna Spa theo 8 tiêu chí: 1. Phong cách tổng thể 2. Font chữ và khả năng đọc 3. Màu sắc 4. Thứ tự nhấn mạnh nội dung 5. Hình ảnh 6. Hiệu ứng 7. Giao diện điện thoại 8. Các lỗi nhỏ như link, form, tốc độ, khoảng cách Hãy chỉ ra điểm mạnh, điểm yếu, và đề xuất 5-8 cải thiện để website nhìn cao cấp hơn nhưng không bị rối. Chưa sửa ngay, hãy giải thích trước. ``` Sau đó làm thêm một vòng tối ưu riêng cho điện thoại: ``` Hãy làm riêng một vòng tối ưu cho điện thoại. Đừng chỉ thu nhỏ bản máy tính. Hãy tối ưu menu, khoảng cách, nút đặt lịch, ảnh mở đầu, form và khả năng đọc. ``` ## 6. Chuyển giao diện HTML thành theme WordPress HTML là bản giao diện. Theme WordPress là cách để giao diện đó chạy bên trong WordPress. ``` Hãy chuyển website HTML Luna Spa thành một theme WordPress hoàn chỉnh. Yêu cầu: - Tạo style.css để WordPress nhận diện theme. - Tạo functions.php để nạp CSS và JavaScript đúng cách. - Tách phần đầu trang thành header.php. - Tách phần cuối trang thành footer.php. - Tạo front-page.php cho trang chủ. - Tạo template cho trang dịch vụ, giới thiệu và liên hệ. - Đưa hình ảnh, CSS, JavaScript vào thư mục assets. - Đường dẫn hình ảnh trong theme phải dùng get_template_directory_uri(). - Theme cần có wp_head() và wp_footer(). - Không dùng công cụ build phức tạp. ``` Bảng quy ước chuyển đổi cơ bản: | Bản HTML | Theme WordPress | |---|---| | index.html | front-page.php | | services.html | page-services.php | | about.html | page-about.php | | contact.html | page-contact.php | | blog.html | Trang blog trong WordPress | | CSS, JavaScript, hình ảnh | Thư mục assets | Sau khi convert xong, nhờ Claude Code kiểm tra lại một lượt: ``` Hãy kiểm tra theme vừa tạo: - Đường dẫn hình ảnh đã đúng chưa? - CSS và JavaScript đã được nạp đúng chưa? - Có thiếu wp_head hoặc wp_footer không? - Có file nào vẫn còn dùng đường dẫn local không? - Theme có thể upload lên WordPress được chưa? ``` ## 7. Cài WordPress trên Hostinger trước Trước khi upload theme, bạn cần cài WordPress trên Hostinger. Theme WordPress chỉ chạy được khi hosting đã có WordPress. > Truy cập [hostinger.com/giangxai](https://hostinger.com/giangxai) và dùng mã **GIANGXAI**. Nếu mua gói đủ điều kiện với kỳ hạn từ 12 tháng, bạn thường có thể nhận tên miền miễn phí 1 năm. Đuôi **.com** nằm trong nhóm đuôi hỗ trợ nếu tên miền còn trống. 1. Mua gói hosting và chọn/nhận tên miền nếu gói của bạn đủ điều kiện. 2. Trong hPanel, dùng luồng cài WordPress khi onboarding hoặc vào Auto Installer. 3. Chọn WordPress, điền tên website, email quản trị, tên đăng nhập và mật khẩu. 4. Hoàn tất cài đặt và đăng nhập WordPress Admin. 5. Sau khi WordPress chạy được, chuyển sang bước đưa theme Luna Spa lên website. ## 8. Đưa theme Luna Spa lên Hostinger Khi WordPress đã được cài xong, bạn có hai cách đưa theme lên: upload thủ công trong WordPress Admin, hoặc để Agent Code đẩy theme tự động. ### Cách dễ nhất: upload theme bằng WordPress Admin 1. Zip folder `luna-spa-theme`. 2. Vào WordPress Admin sau khi đã cài WordPress trên Hostinger. 3. Chọn Appearance → Themes → Add New → Upload Theme. 4. Upload file zip và kích hoạt theme. ``` zip -r luna-spa-theme.zip luna-spa-theme ``` ### Cách tự động hơn: để Agent Code đẩy theme giúp bạn Nếu bạn làm nhiều website, hãy hỏi Agent Code cách thiết lập để mỗi lần bạn chỉnh giao diện hoặc thêm trang mới, Agent Code có thể tự đẩy thay đổi lên Hostinger. Bạn không cần tự hiểu cấu hình kỹ thuật phía sau — hãy để Agent Code hỏi bạn cần cung cấp thông tin gì (thông tin hosting, tài khoản kết nối, tên website, thư mục WordPress…) và bạn chỉ cần cung cấp theo hướng dẫn. ``` Tôi muốn mỗi lần chỉnh giao diện hoặc thêm trang mới, Agent Code có thể tự đẩy thay đổi lên website WordPress trên Hostinger. Hãy hướng dẫn tôi cần chuẩn bị những thông tin gì. Sau đó hãy tự cấu hình quy trình đẩy theme giúp tôi. Trước khi đẩy lên website thật, hãy luôn báo rõ những file nào sẽ được thay đổi. ``` > Với người mới, bạn có thể bỏ qua phần tự động này và upload bằng WordPress Admin. Khi đã làm nhiều website, hãy để Agent Code tự hướng dẫn và tự cấu hình quy trình đẩy lên Hostinger. ### Nếu bạn không thấy chỗ upload theme thì làm gì? Với người mới, không cần nhớ đường dẫn hosting hay lệnh kỹ thuật. Bạn chỉ cần hỏi trợ lý Hostinger/Kodee ngay trong hPanel, hoặc dùng File Manager nếu muốn upload thủ công. Ví dụ, bạn có thể hỏi: ``` WordPress root folder của domain này nằm ở đâu? Nếu Agent Code cần kết nối nâng cao, tôi cần bật tính năng nào trong Hostinger? Tôi cần upload custom theme vào thư mục nào? Vì sao WordPress báo theme thiếu style.css? Làm sao để xóa cache sau khi upload theme mới? ``` ## 9. Kết nối phần quản lý nội dung WordPress với Claude Code Sau khi theme chạy, WordPress là nơi quản lý nội dung phía sau. Giao diện do theme quyết định; còn bài viết, trang dịch vụ, hình ảnh, SEO, form đặt lịch và người dùng thì quản lý trong WordPress. Với người mới, bạn không cần tự chọn cách kết nối kỹ thuật. Hãy hỏi Agent Code cần chuẩn bị thông tin gì để nó có thể hỗ trợ bạn tạo bài viết, sửa trang, cập nhật nội dung hoặc kiểm tra website WordPress. ``` Tôi muốn Agent Code hỗ trợ quản lý nội dung cho website WordPress Luna Spa. Tôi cần tạo bài viết nháp, chỉnh nội dung trang dịch vụ, cập nhật thông tin liên hệ và kiểm tra các trang quan trọng. Hãy hướng dẫn tôi cần chuẩn bị những thông tin gì. Sau đó hãy đề xuất cách kết nối phù hợp nhất với website của tôi. Trước khi thay đổi nội dung trên website thật, hãy luôn cho tôi xem trước nội dung sẽ thay đổi. ``` > Agent Code có thể gợi ý cách phù hợp tùy website của bạn. Phần kỹ thuật như dùng cổng kết nối nào, lệnh nào, hay plugin nào không cần đưa vào tài liệu cho người mới. ## 10. Đóng gói quy trình thành Agent Website Nếu chỉ làm một website, các bước trên là đủ. Nếu làm nhiều website, hãy đóng gói quy trình thành một Agent để dùng lại: ``` Website-Agent/ File hướng dẫn tổng Mẫu tạo website mới Mẫu nội dung Quy trình chọn hướng thiết kế Quy trình dựng giao diện Quy trình chuyển sang WordPress theme Quy trình cài WordPress trên Hostinger Quy trình đưa lên Hostinger Quy trình quản lý nội dung WordPress Checklist kiểm tra chất lượng ``` Lúc này Claude Code không còn chỉ là công cụ viết code. Nó trở thành một trợ lý có quy trình rõ ràng để tạo website WordPress — bạn có thể áp dụng cho chính dự án của mình hoặc nhận thêm dự án cho khách hàng. ## 11. Lỗi thường gặp và cách xử lý | Lỗi | Cách xử lý | |---|---| | WordPress báo theme thiếu style.css | Đảm bảo `style.css` nằm ngay trong folder theme, không nằm sâu trong folder con. | | Ảnh không hiện | Kiểm tra đường dẫn hình ảnh, trong theme nên dùng `get_template_directory_uri()`. | | CSS không chạy | Kiểm tra `functions.php` và bảo đảm có `wp_head()`. | | JavaScript không chạy | Kiểm tra cách nạp file JS và bảo đảm có `wp_footer()`. | | Upload rồi nhưng website chưa đổi | Xóa cache plugin, cache hosting và cache trình duyệt. | | Không biết thư mục gốc WordPress ở đâu | Hỏi Kodee/Hostinger support hoặc kiểm tra File Manager trong hPanel. | ## Tổng kết Chỉ với một quy trình rõ ràng — Ý tưởng, Nội dung, Giao diện HTML, Theme WordPress, Hosting, Quản lý nội dung — bạn hoàn toàn có thể tự tay dựng một website WordPress chuyên nghiệp bằng Claude Code, không cần biết code, không cần đội kỹ thuật. Nếu bạn muốn làm theo đúng quy trình trong bài, hãy bắt đầu bằng việc chuẩn bị hosting tại [hostinger.com/giangxai](https://hostinger.com/giangxai) với mã **GIANGXAI**. Và nếu muốn sở hữu bộ AI AGent để để xây hệ thống AI Agent cho công việc của riêng bạn, đừng ngần ngại tham khảo [7 AI Agent của Giangxai Lab](https://giangxai.com/bo-7-agent/) Ps: Mình cũng đang đồng bộ thêm Agent thứ 8 là Agent Website đóng gói từ hường dẫn trên sẽ giúp bạn tạo Website nhanh hơn và tiện hơn x5, x10 lần nữa. 😀 --- --- title: "Claude Fable Và Cách Xây Second Brain Thành AI OS" url: "https://giangxai.com/claude-fable-ai-os-second-brain/" updated: "2026-06-10" type: "Hướng dẫn" cluster: "Tự động hóa" author: "Giang" disclosure: "Một số bài có link affiliate, được ghi rõ ở đầu bài." description: "Tài liệu miễn phí: cách biến Claude Fable thành một \"second brain\" và AI operating system cho công việc, dựa trên khung Four Cs (Context, Connections, Capabilities, Cadence) - kèm phân tích và lộ trình bắt đầu dành riêng cho người Việt." --- # Claude Fable Và Cách Xây Second Brain Thành AI OS ## Tài liệu miễn phí cho người Việt muốn dùng Claude như một hệ điều hành công việc Tài liệu này được biên soạn dựa trên bài viết gốc về cách biến Claude Fable thành một "second brain" và AI operating system cho đời sống, công việc và doanh nghiệp. Phần dịch cố gắng giữ sát ý bài gốc, nhưng được viết lại bằng tiếng Việt tự nhiên hơn để người Việt dễ đọc, dễ hiểu và dễ áp dụng. Ở cuối tài liệu, GiangXAI bổ sung thêm phần phân tích riêng: - Claude Fable có ý nghĩa gì so với các bản Claude trước đây - Người đang dùng Claude nên thay đổi cách dùng như thế nào - Người Việt có thể bắt đầu xây AI OS cá nhân từ đâu --- ## Tóm Tắt Nhanh ![Claude Fable: second brain được khuếch đại](https://giangxai.com/wp-content/uploads/2026/06/image-01-1.jpg)Claude Fable: second brain được khuếch đại Claude Fable không chỉ là một model mới để hỏi đáp thông minh hơn. Theo cách tác giả đang sử dụng, nó là phần lõi của một hệ thống làm việc lớn hơn: một nơi tập trung toàn bộ bối cảnh cá nhân, doanh nghiệp, khách hàng, nội dung, quy trình và dữ liệu sống. Điểm quan trọng không nằm ở việc "Claude Fable trả lời hay hơn Claude cũ bao nhiêu". Điểm quan trọng là khi model đủ mạnh, bạn có thể bắt đầu dùng nó như một cộng sự vận hành: - Nó hiểu bạn là ai - Nó biết doanh nghiệp của bạn đang làm gì - Nó biết tài liệu nằm ở đâu - Nó có thể kết nối dữ liệu sống - Nó có thể xây workflow, skill, agent và automation - Nó có thể kiểm tra lại chính kết quả của mình Khung tư duy chính trong bài là **Four Cs**: 1. **Context**: bối cảnh, danh tính, kiến thức, tài liệu, hệ thống thư mục 2. **Connections**: kết nối tới dữ liệu sống như email, lịch, Slack, ClickUp, Stripe, YouTube, QuickBooks 3. **Capabilities**: kỹ năng, agent, automation, pipeline, quy trình làm việc 4. **Cadence**: nhịp vận hành tự động theo lịch, sự kiện hoặc trigger Hai chữ C đầu tiên tạo nên **second brain**. Hai chữ C sau biến second brain đó thành **AI OS**. Thông điệp an toàn quan trọng nhất trong bài: > Prompt không phải lớp phân quyền. Muốn an toàn thì dùng key, quyền truy cập và giới hạn thật. Nói ngắn gọn: đừng chỉ bảo AI "đừng gửi email". Nếu không muốn nó gửi email, đừng cấp cho nó key có quyền gửi email. --- ## 1. Claude Fable Là Gì? ![Thông báo Claude Fable 5 và Claude Mythos 5](https://giangxai.com/wp-content/uploads/2026/06/image-02-1.jpg)Thông báo Claude Fable 5 và Claude Mythos 5 Theo bài viết gốc, Claude Fable là phiên bản công khai của dòng model Mythos-class. Có thể hiểu đơn giản: đây là một lớp model mạnh hơn nhóm Opus trước đó, đặc biệt ở các tác vụ dài, phức tạp, cần hiểu nhiều bối cảnh và tự làm qua nhiều bước. Nate mô tả Fable như một phiên bản rất mạnh của Claude Mythos, nhưng có thêm nhiều hàng rào an toàn về an ninh mạng và các lĩnh vực nhạy cảm. Hai điểm cần chú ý trước khi dùng: Thứ nhất, Fable không phải model rẻ. Trong bài gốc, Nate nhắc rằng nó đắt hơn Opus đáng kể, với mức giá tính theo token cao hơn. Vì vậy nếu dùng không kiểm soát, bạn có thể tiêu tốn hạn mức rất nhanh. Thứ hai, nó có thể bị các cơ chế an toàn chặn nhầm trong một số trường hợp. Với model mạnh hơn, nhà cung cấp phải cẩn thận hơn về rủi ro lạm dụng. Điều này có nghĩa là đôi khi bạn sẽ thấy model từ chối hoặc chuyển hướng ở những yêu cầu mà bạn nghĩ là bình thường. Nhưng điểm đáng chú ý nhất không phải chỉ là giá hay guardrails. Điểm đáng chú ý là Fable có vẻ phù hợp hơn cho những công việc dài hơi: - Đọc nhiều file - Hiểu cấu trúc dự án - Lập kế hoạch - Tự thực hiện nhiều bước - Xây giao diện - Kết nối dữ liệu - Kiểm tra lại kết quả - Làm việc như một agent thay vì chỉ là chatbot Đó là lý do bài viết không nói nhiều về benchmark. Nate nhấn mạnh rằng cảm giác dùng, harness và cách bạn thiết kế hệ thống xung quanh model quan trọng hơn nhiều. --- ## 2. Đừng Bắt Đầu Bằng Kiến Trúc. Hãy Bắt Đầu Bằng Một Mặc Định Một ý rất hay trong bài gốc là: hệ điều hành AI không bắt đầu từ kiến trúc phức tạp. Nó bắt đầu từ một thói quen mặc định. Trước đây, Nate cũng giống nhiều người dùng AI khác: - Mở nhiều công cụ AI khác nhau - Dùng nhiều subscription - Tạo nhiều custom GPT - Tạo nhiều project riêng - Copy-paste qua lại giữa các tab Cách đó vẫn có ích. Nhưng vấn đề là bạn phải lặp lại rất nhiều. Mỗi công cụ chỉ biết một phần bối cảnh. Mỗi cuộc trò chuyện lại phải giải thích lại. Nó không giống một cộng sự thật sự hiểu chuyện gì đang xảy ra trong đời sống và doanh nghiệp của bạn. Vì vậy bước đầu tiên là chọn một "harness" mặc định. Harness có thể là Claude Code, Codex, Cursor, hoặc một môi trường agent khác. Với Nate, nhiều người trong cộng đồng của anh sẽ chọn Claude Code. Nhưng điểm chính không phải là công cụ nào. Điểm chính là: hãy có một nơi mặc định để bắt đầu mọi việc. Khi bạn làm mọi thứ qua một môi trường chính, nó bắt đầu tích lũy: - Context - Memory - Quy tắc làm việc - Thói quen của bạn - Cách bạn đặt tên file - Cách bạn ra quyết định - Cách bạn muốn output được trình bày Đây là nền tảng của second brain. Từ đó, Nate chia hệ thống thành hai lớp: Lớp đầu tiên là **second brain**. Đây là phần tri thức. Nó trả lời câu hỏi: AI có biết chuyện gì đang xảy ra trong doanh nghiệp, đời sống, khách hàng, kênh YouTube, sản phẩm và dự án của bạn không? Lớp thứ hai là **AI OS**. Đây là phần vận hành. Sau khi AI đã hiểu dữ liệu và bối cảnh, bạn bắt đầu xây skill, automation, agent và quy trình để thật sự làm việc từ trong hệ thống đó. Nói cách khác: - Second brain giúp AI biết - AI OS giúp AI làm --- ## 3. Four Cs: Khung Xây AI OS ![Second brain ghi nhớ, AI OS hành động](https://giangxai.com/wp-content/uploads/2026/06/image-04-1.png)Second brain ghi nhớ, AI OS hành động Khung Nate dùng để xây và duy trì AI OS là **Four Cs**: 1. **Context** 2. **Connections** 3. **Capabilities** 4. **Cadence** Thứ tự này rất quan trọng. ### Context: AI Phải Hiểu Bạn Trước Context là bối cảnh. Đây là lớp đầu tiên. AI cần biết: - Bạn là ai - Bạn làm gì - Doanh nghiệp của bạn là gì - Bạn phục vụ ai - Sản phẩm của bạn là gì - Team của bạn gồm những ai - Tài liệu nằm ở đâu - Quy trình làm việc ra sao - Dự án nào đang ưu tiên - Các quyết định cũ được ghi lại ở đâu Nate gọi `Claude.md` của mình là "router". Nó không chứa mọi thứ, mà chỉ đường cho agent biết phải đi đâu. Ví dụ, file router có thể nói: - Rule nằm ở thư mục nào - Reference nằm ở đâu - Skill nào dùng cho việc nào - Wiki chính nằm ở đâu - Master index là file nào - Hot cache nằm ở đâu - Các dự án phụ nằm ở đâu Đây là một tư duy rất quan trọng. Bạn không cần nhồi toàn bộ kiến thức vào một prompt khổng lồ. Bạn cần tạo một hệ thống đường dẫn rõ ràng để AI có thể tự tìm. Nate nói anh luôn quan sát AI tìm file như thế nào. Nếu anh biết file nằm ở đâu mà AI mất năm phút vẫn không tìm ra, đó là tín hiệu kiến trúc cần được sửa. Đây là thứ anh gọi là **architecture engineering**: thiết kế kiến trúc thư mục, file, chỉ mục, quy tắc và đường dẫn sao cho cả người và agent đều tìm được thứ cần tìm. Một bài kiểm tra rất thực tế: - Với bạn, cấu trúc thư mục này có trực quan không? - Nếu không có AI, bạn có tự tìm được tài liệu bằng tay không? - Agent có thể đi theo cùng logic đó không? - Nó có phải tìm kiếm quá lâu không? - Nó có đốt token vì kiến trúc rối không? Nếu câu trả lời ổn, thì hệ thống của bạn đang đi đúng hướng. ### Other Worlds: Gom Các Dự Án Phụ Vào Một Hệ Chính Một điểm Nate mới thay đổi gần đây là tạo một thư mục gọi là **Other Worlds**. Thư mục này chứa các dự án Claude Code khác mà trước đây anh thường mở ở repo riêng. Anh gom những thứ dùng thường xuyên vào project chính của mình vì hai lý do: **Một là đồng bộ.** Khi anh push project chính lên GitHub rồi pull về laptop, mọi thứ đi cùng nhau. Anh không cần nhớ push sáu repo khác nhau trước khi đổi máy. **Hai là khả năng tiếp cận.** AI OS chính bây giờ có thể nhìn sang book project, website, video edit, token dashboard và các hệ thống khác. Agent có thể di chuyển giữa các thư mục để tìm thứ cần tìm. Điểm này rất gần với cách một người làm nội dung, founder hoặc freelancer ở Việt Nam có thể làm: - Một thư mục cho khách hàng - Một thư mục cho nội dung TikTok/YouTube - Một thư mục cho sản phẩm số - Một thư mục cho SOP nội bộ - Một thư mục cho tài chính - Một thư mục cho nghiên cứu - Một thư mục cho prompt/skill/agent Tất cả không nhất thiết phải nằm trong một file. Nhưng cần có một nơi trung tâm để AI biết đường đi. ### Connections: Tĩnh Và Sống Sau context là connections. Một phần dữ liệu của bạn là dữ liệu tĩnh: - Tiểu sử - Ghi chú cũ - Transcript cuộc họp - Thành tựu năm trước - Tài liệu chiến lược - SOP - Bản kế hoạch Nhưng một phần khác là dữ liệu sống, thay đổi liên tục: - Email mới - Lịch họp - Tin nhắn Slack - Task trong ClickUp - Doanh thu Stripe - P&L trong QuickBooks - Bình luận YouTube - Khách hàng mới - Booking mới Connections là lớp giúp second brain của bạn không bị lỗi thời. Nate gợi ý một cách đơn giản để tìm các kết nối quan trọng: hãy nhìn vào các app bạn mở hàng tuần. Bạn thường mở app nào? - Gmail? - Google Calendar? - Google Drive? - Notion? - Slack? - Zalo? - ClickUp? - Trello? - Stripe? - Shopify? - YouTube Studio? - Facebook Business Suite? - Google Sheets? Những app này chính là nơi dữ liệu sống của bạn đang nằm. Nếu chưa biết bắt đầu từ đâu, hãy chia theo nhóm: - Doanh thu nằm ở đâu? - Khách hàng nằm ở đâu? - Lịch nằm ở đâu? - Giao tiếp nằm ở đâu? - Công việc nằm ở đâu? - Cuộc họp nằm ở đâu? - Kiến thức nằm ở đâu? Với Nate: - Skool là revenue và customers - YouTube cũng là customers - Stripe và QuickBooks là revenue - Google Workspace là calendar - Google Workspace, ClickUp và Slack là communications Phần lớn các kết nối này đi qua API key, endpoint hoặc CLI. Bài kiểm tra của lớp connections rất rõ: Nếu bạn mở Claude Code ngay bây giờ và hỏi nó về bạn hoặc doanh nghiệp của bạn, câu trả lời nghe giống một người lạ hay giống một đồng đội? Nếu nó nghe như người lạ, bạn thiếu context hoặc connections. --- ## 4. Fable Đã Biết Gì Về Nate? Nate đưa ra hai ví dụ để cho thấy hệ thống của anh hoạt động sâu đến mức nào. ### Ví Dụ 1: Tự Xây Video Về Hành Trình Của Nate Anh chạy một lệnh `/goal` và yêu cầu AI xem toàn bộ project, hiểu nó biết gì về anh, kênh của anh và doanh nghiệp của anh, rồi xây một video giải thích hành trình đó bằng hyperframes. AI kéo ra được bức tranh khá thật: - Nate Herk - Founder ở Chicago - Creator trong lĩnh vực AI automation - Người dạy người bình thường xây hệ thống bằng AI - Làm nội dung YouTube - Có khóa học miễn phí dài 8 giờ với hơn 1,5 triệu lượt xem - Có flywheel từ YouTube sang cộng đồng miễn phí, sản phẩm trả phí và high-ticket coaching - Có team 13 người tại Uppit AI - Công ty lõi sở hữu nhiều venture khác nhau - Đã chuyển trọng tâm từ n8n sang Claude Code trong năm nay, nhưng vẫn giữ cùng sứ mệnh Một chi tiết AI nói sai: nó nói Nate có khoảng 620.000 subscribers, trong khi thực tế gần hơn 800.000. Đây là ví dụ của vấn đề dữ liệu tĩnh. AI dùng lần refresh gần nhất. Nếu được yêu cầu kéo số liệu live từ YouTube, nó có thể cập nhật ngay. Bài học: second brain mạnh đến đâu cũng vẫn cần phân biệt dữ liệu tĩnh và dữ liệu sống. ### Ví Dụ 2: Tự Xây Giao Diện Map Quan Hệ Giữa Transcript ![Ví dụ giao diện map quan hệ giữa ý tưởng, công cụ và kỹ thuật](https://giangxai.com/wp-content/uploads/2026/06/image-07-1.jpg)Ví dụ giao diện map quan hệ giữa ý tưởng, công cụ và kỹ thuật Ví dụ thứ hai cũng là một lệnh `/goal` chạy một lần, hoàn thành trong khoảng 21 phút. Nate yêu cầu AI lấy toàn bộ transcript và các mối quan hệ giữa chúng, rồi đưa vào một giao diện sạch để người khác có thể click xem. AI đã xây một front end với: - Ideas - Tools and harnesses - Techniques - Các mối liên hệ giữa từng concept - Video nào nhắc tới concept nào - Các entry point như "Tôi mới bắt đầu", "Tôi xây sản phẩm", "Tôi vận hành doanh nghiệp" Để làm được việc đó, AI phải: - Xây UI - Đọc transcript YouTube thật - Tìm quan hệ giữa các ý tưởng - Map các concept với video - Nghĩ về user journey - Làm giao diện đủ dễ hiểu Điều đáng chú ý là Nate không dùng database phức tạp cho phần lớn việc này. Anh dùng markdown file và cách tiếp cận LLM wiki kiểu Karpathy với Obsidian. Đây là điểm rất quan trọng với người Việt: bạn không cần bắt đầu bằng database, backend, vector DB hay hệ thống quá phức tạp. Có thể bắt đầu bằng folder và file markdown sạch. --- ## 5. Model Không Phải Tất Cả. Harness Và Cách Dùng Quan Trọng Hơn Nate nhấn mạnh rằng benchmark không phải cách tốt nhất để đánh giá model. Lý do là vì trong thực tế, năng lực của AI phụ thuộc rất nhiều vào: - Harness bạn dùng - Công cụ bạn cấp cho nó - Cách bạn tổ chức file - Context có rõ không - Skill có tốt không - Dữ liệu có cập nhật không - Có quy trình kiểm tra không - Có chia nhỏ công việc không Một model rất mạnh nhưng đặt trong một folder lộn xộn, không có tài liệu, không có rule, không có quyền đọc dữ liệu, thì vẫn chỉ là một chatbot thông minh. Ngược lại, một model chưa phải mạnh nhất nhưng được đặt trong một hệ thống tốt có thể làm được rất nhiều việc hữu ích. Với Fable, Nate cảm nhận rằng nó hiểu ý đồ tốt hơn. Anh có thể giao những nhiệm vụ tham vọng hơn, dài hơn, ít cần cầm tay hơn. Nhưng nó vẫn có nhược điểm: - Đôi khi chậm - Đôi khi safeguard nhạy quá mức - Đôi khi từ chối việc lẽ ra có thể làm - Chi phí cao - Dễ đốt limit nếu giao việc không kiểm soát Vì vậy cách dùng đúng không phải là dùng Fable cho mọi việc. Cách dùng đúng là dùng nó cho các việc xứng đáng với năng lực đó. --- ## 6. Capabilities: Skill, Agent Và Dây Chuyền Công Việc ![Capabilities: biến bối cảnh thành kỹ năng và quy trình hành động](https://giangxai.com/wp-content/uploads/2026/06/image-10-1.jpg)Capabilities: biến bối cảnh thành kỹ năng và quy trình hành động Sau khi có context và connections, bạn mới đến capabilities. Capabilities là những gì AI OS của bạn thật sự có thể làm. Đây là một bài kiểm tra về thói quen. Trước khi mở Chrome để gửi email, kéo báo cáo, tìm dữ liệu hay viết nội dung, bạn thử mở môi trường AI OS trước. Khi đưa một công cụ vào hệ thống, Nate thường kiểm tra: - Công cụ đó có API không? - Có endpoint không? - Có CLI không? - Có thể dùng key scoped không? - Có thể đọc dữ liệu mà không cần quyền ghi không? Anh thích CLI và API hơn MCP server trong nhiều trường hợp vì có nhiều quyền kiểm soát hơn và thường rẻ hơn. Nhưng MCP vẫn có thể hữu ích. ### Skill Không Cần Phức Tạp Một skill không nhất thiết phải là quy trình 10 bước. Skill có thể chỉ là một prompt tốt. Nếu thứ Hai nào bạn cũng viết cùng một loại báo cáo, hãy biến nó thành skill. Nếu thứ Sáu nào bạn cũng tổng kết tuần, hãy biến nó thành skill. Nếu bạn brainstorm với Claude Code và thích kết quả, hãy bảo nó biến quy trình đó thành skill để lần sau dùng nhanh hơn. Skill sẽ không hoàn hảo ngay lần đầu. Điều đó bình thường. Mỗi lần dùng skill là một lần thu thập dữ liệu: - Phần nào tốt? - Phần nào dài quá? - Phần nào thiếu? - Output có đúng format không? - Có cần thêm ví dụ không? - Có cần giới hạn quyền không? Sau đó bạn cập nhật skill. Nate có hơn 20 skill cùng nhiều global skill, và mỗi lần dùng anh đều feedback để cập nhật. Một skill tạo ảnh anh xây từ bốn tháng trước vẫn còn thay đổi vì sở thích cá nhân, model và endpoint đều thay đổi. Thông điệp: skill không phải sản phẩm hoàn thiện. Skill là tài sản sống. ### Tư Duy Dây Chuyền Nate nghĩ theo kiểu dây chuyền sản xuất, giống kinh nghiệm từ thời dùng n8n. Một AI làm một việc thật tốt. Ví dụ: - Một agent nghiên cứu - Một agent lập dàn ý - Một agent viết bản nháp - Một agent kiểm tra tính chính xác - Một agent chỉnh giọng văn - Một agent chuẩn bị publish Nếu bạn nhồi tất cả vào một session, context dễ bị loãng. AI dễ mất tập trung. Cuộc trò chuyện dài ra và chất lượng giảm dần. Cách tốt hơn là làm theo pha: 1. Spin up agent để research 2. Lấy output 3. Clear context 4. Đưa output sang pha draft 5. Đưa draft sang pha polishing 6. Đưa bản cuối sang pha verification Đây là tư duy rất thực tế cho người làm nội dung, automation, lập trình, marketing hoặc vận hành doanh nghiệp. ### Dùng Model Rẻ Hơn Cho Việc Song Song Vì Fable đắt, Nate khuyên nên đẩy các tác vụ song song cho model rẻ hơn như Sonnet hoặc Haiku, sau đó gom kết quả sạch về. ![Chia việc cho nhiều worker rẻ hơn, gom kết quả về model chính](https://giangxai.com/wp-content/uploads/2026/06/image-13-1.jpg)Chia việc cho nhiều worker rẻ hơn, gom kết quả về model chính Ví dụ: - Fable làm chiến lược chính - Sonnet đọc tài liệu phụ - Haiku phân loại nhanh - Một agent khác tóm tắt - Fable chỉ xử lý kết luận cuối cùng Đây là cách tiết kiệm chi phí mà vẫn dùng được sức mạnh của model cao cấp. --- ## 7. Cadence: Chỉ Tự Động Hóa Sau Khi Đã Chứng Minh Được Quy Trình ![Cadence: biến quy trình đã ổn định thành nhịp vận hành](https://giangxai.com/wp-content/uploads/2026/06/image-15-1.jpg)Cadence: biến quy trình đã ổn định thành nhịp vận hành Cadence là lớp cuối cùng: những thứ chạy khi bạn đang ngủ. Nhưng Nate nói rõ: bạn phải **kiếm được quyền tự động hóa**. Tự động hóa không phải cứ làm được là nên bật. Bạn cần chứng minh: - Skill đã được test đủ nhiều - Output ổn định - Rủi ro đã được hiểu - Có người chịu trách nhiệm - Có log - Có visibility - Có điểm dừng - Có quyền truy cập được giới hạn Càng thêm AI vào automation: - Chi phí tăng - Rủi ro tăng - Công bảo trì tăng - Khả năng lỗi khó đoán tăng Automation không có nghĩa là quên nó đi. Bạn vẫn cần kiểm tra, giám sát và có người sở hữu. ### Ba Loại Trigger Nate chia trigger thành ba nhóm: **Manual:** bạn gọi nó khi cần. Ví dụ: "tạo báo cáo tuần này". **Event:** có sự kiện xảy ra thì quy trình chạy. Ví dụ: email mới, khách hàng đặt lịch, payment thành công. **Schedule:** chạy theo lịch. Ví dụ: mỗi thứ Hai, mỗi tối Chủ nhật, mỗi cuối tháng. Cách triển khai có thể rất đa dạng: - Claude Code routines - Loops - Script deterministic chạy trên Modal - n8n automation - Workflow do Claude OS tạo rồi đẩy sang n8n - Cron job - CLI automation Chọn cách nào phụ thuộc use case. --- ## 8. Prompt Không Phải Lớp Phân Quyền ![Keys, not prompts: phân quyền bằng key thật, không bằng lời dặn](https://giangxai.com/wp-content/uploads/2026/06/image-16-1.png)Keys, not prompts: phân quyền bằng key thật, không bằng lời dặn Đây là phần quan trọng nhất về an toàn. Nate nói rất thẳng: prompt không bao giờ là permission layer. Nếu AI có thể làm gì đó, hãy giả định rằng một lúc nào đó nó có thể làm. Nếu nó có quyền gửi email, nó có thể gửi email. Nếu nó có quyền đọc database, nó có thể đọc database. Nếu nó có quyền ghi discount code, nó có thể ghi discount code. Nate kể một sự cố thật: một agent chủ động lấy task từ danh sách, hiểu sai nhiệm vụ, tự quyết định cần tạo mã giảm giá và gửi nó tới khoảng 150.000 đến 200.000 người trong danh sách email. Mã đó không bao giờ được phép gửi ra. Team phải gửi lời xin lỗi. Anh không đổ lỗi cho người xây. Team biến sự cố thành case study để mọi người hiểu rủi ro và học cách làm an toàn hơn. Bài học là: > Keys, not prompts. Tức là dùng key, quyền và giới hạn thật. Nếu agent không có key để vào "phòng gửi email", nó không thể gửi email. Đó mới là lớp phân quyền đáng tin. Sau đó bạn vẫn phải sửa instruction để nó không hiểu sai nữa. Nhưng instruction chỉ là lớp hướng dẫn. Permission thật phải nằm ở key, role, scope và hạ tầng. Với người Việt đang xây automation, đây là nguyên tắc sống còn: - Dùng read-only key khi chỉ cần đọc - Không dùng admin key cho agent thử nghiệm - Tách key theo từng chức năng - Không để một agent có quyền quá rộng - Việc gửi email, chuyển tiền, xóa dữ liệu, cập nhật database nên có bước duyệt - Ghi log mọi hành động quan trọng - Test bằng môi trường sandbox trước --- ## 9. Ba Mẹo Sử Dụng Của Nate ### Mẹo 1: Dùng AI Như Thought Partner, Nhưng Luôn Giữ Hoài Nghi ![Dùng AI như thought partner, luôn bắt nó phản biện](https://giangxai.com/wp-content/uploads/2026/06/image-14-1.png)Dùng AI như thought partner, luôn bắt nó phản biện Đừng hỏi "làm thế nào", nhận câu trả lời rồi bảo AI làm ngay. Hãy brainstorm với nó. Hãy bắt nó phản biện. Hãy dùng nhiều sub-agent để nhìn từ các góc khác nhau. Ví dụ: - Một agent đóng vai CFO - Một agent đóng vai khách hàng khó tính - Một agent đóng vai kỹ sư bảo mật - Một agent đóng vai marketer - Một agent đóng vai người mới hoàn toàn Sau đó bạn dùng trực giác và kinh nghiệm của mình để quyết định. Nate nhắc rằng model vẫn có xu hướng chiều lòng người dùng. Nó có thể đồng ý quá nhanh. Vì vậy bạn cần yêu cầu nó phản biện thật sự. ### Mẹo 2: Để AI Phỏng Vấn Bạn Nate dùng một skill gọi là "Grill Me", ban đầu lấy cảm hứng từ Matt Pocock, rồi chỉnh lại để viết brainstorm docs. Skill này sẽ hỏi anh 15, 25 hoặc 30 câu để kéo kiến thức ra khỏi đầu anh và đưa vào AI OS. Đây là cách rất mạnh cho người mới bắt đầu. Bạn có thể mở một setup mới và nói: ``` Hãy phỏng vấn tôi để hiểu toàn bộ doanh nghiệp của tôi. Hỏi từng câu một. Sau đó tổng hợp thành tài liệu context cho AI OS. ``` AI sẽ hỏi: - Bạn bán gì? - Khách hàng là ai? - Vấn đề chính của khách hàng là gì? - Bạn kiếm tiền như thế nào? - Quy trình bán hàng hiện tại ra sao? - Team gồm những ai? - Công cụ đang dùng là gì? - Dữ liệu nằm ở đâu? - Việc lặp lại nhiều nhất là gì? - Điều gì không được phép tự động hóa? Đây là cách biến kiến thức trong đầu founder, creator, freelancer hoặc nhân sự vận hành thành tài sản có cấu trúc. ### Mẹo 3: Bắt AI Tự Kiểm Tra Công Việc Của Nó ![Verification workflow: kiểm tra output như kiểm tra việc của intern](https://giangxai.com/wp-content/uploads/2026/06/image-18-1.jpg)Verification workflow: kiểm tra output như kiểm tra việc của intern Đây là mẹo quan trọng nhất. Trong ví dụ xây relationship map, Nate nói rõ đây là demo cho YouTube, không cần production-ready, nhưng phải dễ hiểu. Sau đó anh yêu cầu dùng dynamic workflow để xác minh mọi thứ chính xác và hoạt động. AI không chỉ build. Nó phải kiểm tra. Ví dụ: - Mở giao diện bằng Playwright - Click qua các trang - Kiểm tra beginner có hiểu không - Kiểm tra software engineer có thấy hữu ích không - Kiểm tra business owner có tìm được thứ họ cần không - Kiểm tra link có hỏng không - Kiểm tra dữ liệu có khớp transcript không Nate nói hãy cho Claude Code khả năng kiểm tra giống như bạn kiểm tra việc của một intern. Đây là khác biệt giữa bản đầu 70% và bản tốt hơn nhiều. --- ## 10. Cuối Cùng, Tất Cả Chỉ Là Folder Và File ![Tool agnostic: folder, file, skill và routing logic mới là tài sản chính](https://giangxai.com/wp-content/uploads/2026/06/image-17-1.png)Tool agnostic: folder, file, skill và routing logic mới là tài sản chính Model và harness chỉ là động cơ. Hệ thống mới là thứ bạn đang xây. Nate nhấn mạnh rằng cuối cùng tất cả chỉ là folders và files. Nếu ngày mai bạn chuyển từ Claude sang Codex thì sao? Nếu bạn quay lại Sonnet thì sao? Nếu bạn dùng một coding agent khác thì sao? Nếu hệ thống của bạn là folder, markdown, skill, routing logic, logs và wiki, thì model nào cũng có thể đọc được. Đó là lý do Nate giữ nhiều cấu trúc: - `.claude` - `.codex` - `.agents` - `claude.md` - `agents.md` Mục tiêu là càng tool-agnostic càng tốt. Bạn không thật sự đang học Claude Code hay Codex. Bạn đang học cách xây tài sản vận hành lặp lại được cho chính mình. Đó là IP cá nhân của bạn: - Folder - Markdown - Skill - Routing logic - Logs - Wiki - Workflow - SOP - Automation Thông điệp này giúp giảm áp lực chạy theo mọi model mới. Model sẽ thay đổi. Harness sẽ thay đổi. Nhưng hệ thống của bạn vẫn ở đó. Một ngày nào đó bạn có thể chạy chính hệ thống này trên một model open source hoặc một harness riêng mà không cần quá kỹ thuật. --- ## 11. Lightning Round: Những Câu Hỏi Thường Gặp ### Chạy cả ngày tốn bao nhiêu? Còn tùy. Với Nate, anh làm nhiều knowledge work chứ không phải heavy coding liên tục, dùng gói cao cấp và hiếm khi chạm giới hạn năm giờ, chỉ đôi khi chạm giới hạn tuần. Nhưng Fable đắt hơn, nên nếu dùng cho các task lớn liên tục, chi phí và limit sẽ bị đốt nhanh. ### Dữ liệu của tôi đi đâu? Với Claude, dữ liệu đi tới Anthropic theo chính sách của nền tảng bạn dùng. Nếu bạn xử lý dữ liệu cực kỳ nhạy cảm, bạn cần cân nhắc kỹ việc dùng model closed-source và cấu hình bảo mật của tài khoản. ### Tôi có cần biết code không? Không nhất thiết. Nhưng nếu biết cách tổ chức folder, viết markdown, đặt tên file, tạo quy trình và mô tả yêu cầu rõ ràng, bạn sẽ đi nhanh hơn rất nhiều. ### Ngày đầu tiên với một folder trống thì làm gì? Bắt đầu bằng việc để AI phỏng vấn bạn. Sau đó tạo: - `profile.md`: bạn là ai - `business.md`: doanh nghiệp làm gì - `offers.md`: sản phẩm/dịch vụ - `customers.md`: khách hàng - `tools.md`: công cụ đang dùng - `processes.md`: quy trình lặp lại - `rules.md`: điều AI được và không được làm - `index.md`: chỉ mục dẫn đường ### Khi AI tự tin nhưng sai thì sao? Kiểm tra nguồn. Yêu cầu nó chỉ ra file, dòng, dữ liệu hoặc link gốc. Sau đó cập nhật `Claude.md`, skill hoặc tài liệu context để lỗi đó ít lặp lại hơn. ### Live connections hoạt động thế nào? Thông qua API, CLI hoặc connector. Tìm API docs của công cụ, đưa cho Claude Code hoặc để nó tự nghiên cứu, rồi yêu cầu nó dùng endpoint cụ thể. Luôn dùng scoped API key. Nếu chỉ cần đọc transcript cuộc họp, key không nên có quyền sửa hoặc xóa. ### Nếu bỏ bê hệ thống vài tuần thì sao? Không quá nghiêm trọng. Bạn chỉ cần sync dữ liệu lại, cập nhật context và tiếp tục. ### Team có nên mỗi người tự xây AI OS không? Có, nhưng cần một phần kiến thức chung. Hãy quyết định shared knowledge nằm ở đâu: - ClickUp - Slack - Notion - Google Drive - GitHub - Obsidian vault Mọi người nên có quyền đọc vào nguồn chung, tránh mỗi người copy một bản riêng rồi kiến thức phân mảnh. Rào cản lớn nhất không phải kỹ thuật. Rào cản lớn nhất là adoption: mọi người có thật sự dùng nó mỗi ngày không? --- # Phần Phát Triển Bởi GiangXAI ## 12. Claude Fable Có Ý Nghĩa Gì So Với Các Bản Claude Trước? ![Claude Fable mở ra cách dùng AI theo hướng agent/operator](https://giangxai.com/wp-content/uploads/2026/06/image-03-1.jpg)Claude Fable mở ra cách dùng AI theo hướng agent/operator Với các bản Claude trước như Sonnet, Haiku hoặc Opus, phần lớn người dùng vẫn dùng Claude như một chatbot mạnh: - Hỏi đáp - Viết nội dung - Tóm tắt - Dịch - Viết code từng đoạn - Phân tích tài liệu - Brainstorm Các tác vụ đó vẫn rất hữu ích. Nhưng chúng thường diễn ra trong một cuộc trò chuyện riêng lẻ. Claude Fable đại diện cho một bước chuyển khác: từ **AI assistant** sang **AI operator**. Assistant trả lời bạn. Operator có thể đi vào hệ thống, đọc tài liệu, hiểu mục tiêu, lập kế hoạch, thao tác công cụ, kiểm tra kết quả và báo cáo lại. Điểm khác biệt không chỉ là "thông minh hơn". Điểm khác biệt là khả năng xử lý những việc dài hơi hơn: - Hiểu một repo lớn - Làm migration qua nhiều file - Đọc hàng loạt transcript - Xây bản đồ tri thức - Thiết kế workflow nhiều bước - Giữ mục tiêu qua thời gian dài - Tự ghi chú để cải thiện kết quả - Tự kiểm tra sản phẩm cuối Điều này khiến cách dùng Claude phải thay đổi. Với Claude cũ, bạn có thể nghĩ: ``` Tôi cần prompt tốt hơn. ``` Với Fable và các model agentic mạnh hơn, bạn nên nghĩ: ``` Tôi cần môi trường làm việc tốt hơn cho AI. ``` Prompt vẫn quan trọng, nhưng không còn là lợi thế chính. Lợi thế chính là: - Context sạch - File rõ ràng - Quy trình tốt - Quyền truy cập đúng - Skill được cập nhật - Automation có kiểm soát - Dữ liệu sống được kết nối - Cơ chế verify kết quả Nói cách khác, Claude Fable không chỉ nâng cấp model. Nó làm lộ ra một năng lực mới: người biết xây hệ thống quanh AI sẽ có lợi thế lớn hơn người chỉ biết hỏi prompt. --- ## 13. Người Đang Dùng Claude Nên Hiểu Điều Này Như Thế Nào? ![Người dùng Claude cần chuyển từ chat rời rạc sang workspace có hệ thống](https://giangxai.com/wp-content/uploads/2026/06/image-08-1.png)Người dùng Claude cần chuyển từ chat rời rạc sang workspace có hệ thống Nếu bạn đang dùng Claude, thông điệp thực tế là: > Đừng chỉ đổi model. Hãy đổi cách dùng. Nếu bạn chỉ mở Claude lên và hỏi từng câu rời rạc, bạn sẽ thấy Fable hoặc các model mới thông minh hơn, nhưng chưa thấy hết sức mạnh. Muốn thấy sức mạnh thật, hãy cho Claude một môi trường làm việc: - Một folder dự án rõ ràng - Một file chỉ đường - Một bộ tài liệu context - Một nơi chứa ghi chú - Một bộ skill lặp lại - Một số kết nối dữ liệu sống - Một quy trình kiểm tra output ### Thay Đổi 1: Từ Chat Sang Workspace Đừng coi Claude chỉ là cửa sổ chat. Hãy coi Claude là người làm việc trong workspace của bạn. Workspace đó nên có: - Tài liệu cá nhân - Tài liệu doanh nghiệp - Mục tiêu quý/tháng/tuần - Danh sách dự án - Ghi chú cuộc họp - Transcript - SOP - Quy tắc ra quyết định - Brand voice - Tài liệu khách hàng - Lịch sử chiến dịch Khi Claude có workspace, nó không cần bạn giải thích lại từ đầu mỗi lần. ### Thay Đổi 2: Từ Prompt Sang Process Prompt là câu lệnh. Process là quy trình. Người mới thường hỏi: ``` Prompt nào để viết content tốt? ``` Người dùng nâng cao sẽ hỏi: ``` Quy trình nào để từ research, insight, angle, draft, edit, fact-check đến publish? ``` Claude mạnh nhất khi được đặt trong process. Ví dụ một process viết bài: 1. Agent nghiên cứu audience 2. Agent tổng hợp insight 3. Agent tạo 10 angle 4. Agent chọn angle phù hợp brand 5. Agent viết draft 6. Agent edit giọng văn 7. Agent kiểm tra claim 8. Agent tạo caption và CTA Đây là khác biệt giữa "AI viết giúp tôi một bài" và "AI tham gia vào dây chuyền sản xuất nội dung". ### Thay Đổi 3: Từ Một AI Làm Tất Cả Sang Nhiều Vai Trò Nhỏ Một cuộc trò chuyện dài dễ bị loãng. Thay vào đó, hãy chia vai trò: - Researcher - Strategist - Writer - Editor - Fact-checker - Reviewer - Automation builder - QA tester Mỗi vai trò có hướng dẫn riêng và output riêng. Kết quả cuối cùng tốt hơn vì mỗi agent không phải ôm quá nhiều việc. ### Thay Đổi 4: Từ Tin Tưởng Sang Verify Claude giỏi hơn không có nghĩa là bạn được bỏ kiểm tra. Ngược lại, vì Claude có thể làm nhiều hơn, bạn càng cần verify tốt hơn. Hãy yêu cầu: - Nêu nguồn - Trích file gốc - Liệt kê giả định - Tự kiểm tra lỗi - Chạy test - Mở browser kiểm tra UI - So sánh với yêu cầu ban đầu - Tạo checklist trước khi hoàn thành Model càng mạnh, hệ thống kiểm tra càng quan trọng. ### Thay Đổi 5: Từ "Cấp Quyền Rộng" Sang "Cấp Quyền Tối Thiểu" Nếu bạn kết nối Claude với công cụ thật, hãy dùng nguyên tắc least privilege: - Chỉ cấp quyền cần thiết - Chỉ cấp trong phạm vi cần thiết - Chỉ cấp trong thời gian cần thiết - Tách quyền đọc và quyền ghi - Tách môi trường test và production - Với hành động rủi ro, bắt buộc có bước duyệt của người Đây là điều nhiều người bỏ qua khi quá hào hứng với automation. --- ## 14. Lộ Trình Bắt Đầu Cho Người Việt ![Bắt đầu bằng cấu trúc đơn giản: folder, markdown, skill và log](https://giangxai.com/wp-content/uploads/2026/06/image-12-1.jpg)Bắt đầu bằng cấu trúc đơn giản: folder, markdown, skill và log Bạn không cần xây toàn bộ AI OS ngay. Hãy bắt đầu nhỏ, nhưng đúng hướng. ### Bước 1: Tạo Folder AI OS Cá Nhân Tạo một thư mục, ví dụ: ``` my-ai-os/ ``` Bên trong có: ``` 00-router/ 01-profile/ 02-business/ 03-projects/ 04-customers/ 05-content/ 06-processes/ 07-skills/ 08-logs/ 09-connections/ ``` Không cần hoàn hảo. Quan trọng là có chỗ để bắt đầu. ### Bước 2: Tạo File Router Tạo file: ``` AI_OS.md ``` Nội dung ban đầu: ``` Bạn là AI assistant làm việc trong hệ thống AI OS cá nhân của tôi. Khi cần hiểu tôi là ai, đọc 01-profile/profile.md. Khi cần hiểu doanh nghiệp, đọc 02-business/business.md. Khi cần xem dự án, đọc 03-projects/index.md. Khi cần hiểu khách hàng, đọc 04-customers/customers.md. Khi cần viết nội dung, đọc 05-content/brand-voice.md. Khi cần làm việc lặp lại, xem 06-processes/. Khi cần dùng skill, xem 07-skills/. Luôn nêu rõ nguồn dữ liệu đã dùng. Không tự thực hiện hành động bên ngoài nếu chưa được phép. Với hành động gửi, xóa, cập nhật hoặc thanh toán, phải hỏi lại trước. ``` ### Bước 3: Để Claude Phỏng Vấn Bạn Dùng prompt: ``` Hãy phỏng vấn tôi để xây second brain cá nhân. Hỏi từng câu một. Mục tiêu là tạo ra các file profile.md, business.md, customers.md, offers.md, processes.md và rules.md. Sau mỗi nhóm câu hỏi, hãy tổng hợp thành nội dung markdown rõ ràng. ``` Đừng cố viết mọi thứ một lần. Hãy để AI hỏi và kéo dữ liệu ra khỏi đầu bạn. ### Bước 4: Biến Việc Lặp Lại Thành Skill Liệt kê 5 việc bạn làm lặp lại hàng tuần: - Viết bài Facebook - Lên ý tưởng video - Tóm tắt meeting - Viết email cho khách - Chuẩn bị báo cáo - Review nội dung - Tạo outline khóa học - Phân tích feedback khách hàng Chọn một việc và tạo skill đầu tiên. Ví dụ: ``` Skill: weekly-content-ideas Mục tiêu: tạo 10 ý tưởng nội dung mỗi tuần dựa trên brand voice, khách hàng mục tiêu và sản phẩm hiện tại. Input: ghi chú tuần, câu hỏi khách hàng, sản phẩm đang bán. Output: bảng gồm angle, hook, format, CTA, mức độ ưu tiên. ``` ### Bước 5: Chỉ Kết Nối Dữ Liệu Sống Khi Đã Có Nhu Cầu Rõ Đừng vội kết nối mọi thứ. Bắt đầu với dữ liệu dễ và ít rủi ro: - Google Drive read-only - Google Calendar read-only - YouTube Analytics read-only - Google Sheets read-only Sau đó mới tính tới quyền ghi, gửi email hoặc automation có tác động thật. ### Bước 6: Ghi Log Mọi Lần AI Làm Việc Quan Trọng Tạo thư mục: ``` 08-logs/ ``` Mỗi lần AI làm một việc lớn, lưu lại: - Ngày - Mục tiêu - Dữ liệu đã dùng - Output - Lỗi phát hiện - Điều cần cải thiện - Skill nào cần cập nhật Đây là cách AI OS của bạn học dần. --- ## 15. Kết Luận Bài viết gốc của Nate Herk không chỉ nói về Claude Fable. Nó nói về một cách dùng AI trưởng thành hơn. Thay vì hỏi: ``` Model nào mạnh nhất? ``` Hãy hỏi: ``` Tôi đã xây môi trường đủ tốt để model mạnh phát huy chưa? ``` Thay vì hỏi: ``` Prompt nào hay nhất? ``` Hãy hỏi: ``` Quy trình nào đang lặp lại trong công việc của tôi và có thể biến thành skill? ``` Thay vì hỏi: ``` Làm sao tự động hóa mọi thứ? ``` Hãy hỏi: ``` Việc nào đã đủ ổn định, đủ an toàn và đủ rõ trách nhiệm để tự động hóa? ``` Claude Fable làm cho tương lai AI OS trở nên rõ hơn. Nhưng nền tảng vẫn rất đơn giản: - Folder - File markdown - Context rõ - Kết nối đúng - Skill nhỏ - Agent chuyên biệt - Quyền truy cập tối thiểu - Kiểm tra nghiêm túc Bạn không cần chờ model tiếp theo để bắt đầu. Bạn có thể bắt đầu bằng một folder hôm nay. --- ## Ghi Chú Nguồn Tài liệu này dựa trên bài viết gốc của Nate Herk về cách anh biến Claude Fable thành second brain và AI operating system cá nhân. Nate là một creator/founder trẻ, nổi bật trong mảng AI automation, AI agent, Claude Code workflow và xây dựng hệ thống vận hành bằng AI. Phần dịch và diễn giải đã được biên tập lại cho người Việt, đồng thời bổ sung góc nhìn ứng dụng thực tế bởi GiangXAI.