A Realistic Dreamer — Stream

WebWright: cho AI viết code làm task trên web, tái sử dụng được

Tue, 02 Jun 2026 00:00:00 GMT

TL;DR

Webwright (của Microsoft) là framework để AI lái trình duyệt bằng cách viết hẳn một script Playwright Python rồi chạy, thay vì đoán từng cú click một. Lõi chỉ ~450 dòng, môi trường ~570 dòng. Đạt 86.7% trên Online-Mind2Web và 60.1% trên Odysseys (long-horizon) — bỏ xa kiểu agent đoán toạ độ.

Nói đơn giản: Mấy agent cũ làm web theo kiểu "nhìn màn hình → click chỗ này → nhìn lại → gõ chỗ kia", chậm và dễ sai. Webwright cho AI viết nguyên đoạn code làm cả luồng một lần, sai thì đọc code mà sửa, làm xong còn xài lại được.

Nó chạy kiểu gì? (giải thích dễ hiểu)

Câu hỏi hay gặp: "AI hông nhìn màn hình thì làm sao biết bấm chỗ nào?"

Nó có "thấy" trang web, nhưng hông phải bằng cách ngó hình ảnh như người. Nó hỏi trang web bằng code rồi đọc câu trả lời.

Ví dụ thay vì "nhìn thấy nút Đăng nhập ở góc phải rồi click", AI viết một câu lệnh kiểu "tìm cho tôi cái nút tên 'Đăng nhập'" — Playwright trả về đúng nút đó (kèm vị trí, text, có tồn tại hay hông), rồi AI mới bấm. Tức là nó dò trang bằng code và nhận kết quả thật, chứ hông bấm mò.

Vòng lặp (cái "auto turn" bạn hỏi) chạy như vầy:

   ┌─────────────────────────────────────────────┐
   │  1. AI viết một đoạn code Playwright          │
   │              ↓                                 │
   │  2. Code chạy thật trên trình duyệt          │
   │              ↓                                 │
   │  3. AI ĐỌC kết quả trả về:                    │
   │     - danh sách element tìm được             │
   │     - text trên trang / log / lỗi            │
   │     - chụp screenshot (chỉ khi cần)          │
   │              ↓                                 │
   │  4. Dựa trên kết quả → viết đoạn code tiếp,   │
   │     hoặc sửa nếu sai  ──┐                     │
   └────────────────────────┘ (lặp lại bước 1)    │

Mỗi "turn" AI hông bắn lệnh đại. Nó thăm dò trang → thấy kết quả thật → mới quyết bước sau. Đó là lý do nó tự sửa lỗi tốt hơn agent kiểu đoán toạ độ: chọn sai thì kết quả trả về rỗng (AI thấy được), thay vì click hụt (hông biết mà sửa).

Hai kênh "nhìn": (1) đọc DOM/cấu trúc trang bằng code — kênh chính; (2) chụp màn hình — chỉ khi cần kiểm chứng ("modal mở chưa?") hoặc khi DOM mơ hồ.

"Self-healing" nghĩa là gì cho đúng? (đừng hiểu lầm)

Tóm gọn cả vòng đời cho dễ nắm — và phân biệt rõ lúc nào cần AI, lúc nào không:

Tình huống	Chuyện gì xảy ra	Có cần model (LLM) hông?
Lần đầu	AI recon + viết script	✅ Có — tốn token
Replay (trang y nguyên)	Chạy lại script đã lưu	❌ Hông — chạy code thôi, nhanh & gần như free
Self-heal (trang đổi → script lỗi)	AI chạy lại, đọc lỗi + recon lại + sửa chỗ hỏng	✅ Có — tốn token lần nữa

Tức là "self-healing" hông phải phép màu tự sửa miễn phí lúc chạy. Nó nghĩa là: khi script gãy, AI sửa rất nhạy — vì lỗi hiện ra dưới dạng thông báo đọc được + DOM query lại được (selector trả về rỗng...), chứ hông phải click hụt âm thầm. AI chạy lại, thấy cái gì đổi, vá đúng chỗ đó.

⚠️ Cái bẫy: self-heal chỉ kích hoạt khi script thật sự báo lỗi. Nếu trang đổi âm thầm (nút vẫn còn nhưng giờ làm việc khác, hoặc selector khớp nhầm một element vẫn hợp lệ) thì script vẫn "chạy thành công" mà làm sai — chẳng có gì để heal. Nên với việc quan trọng, luôn để một bước assert/kiểm chứng trong script, đừng tin suông.

→ Chi phí thực tế: một cú LLM lớn lúc đầu + vài cú LLM nhỏ khi web đổi, còn lại replay rẻ. Đó là điểm ăn tiền so với agent step-by-step (tốn LLM mỗi lần chạy, mỗi bước).

Điểm chính (keypoint)

Code-as-action. AI sinh ra full script Python (Playwright) cho cả tác vụ, chứ hông predict từng hành động lẻ. Một luồng phức tạp = một đoạn code.
Workspace là state, hông phải browser session. Trạng thái nằm ở code + log + screenshot lưu trên máy. Trình duyệt chỉ là môi trường tạm, spawn ra rồi vứt.
Cực gọn. Core loop ~450 dòng, environment ~570 dòng. Phụ thuộc đúng 4 thứ: httpx, pydantic, playwright, typer. Hông graph engine, hông orchestration layer.
Đa backend. Chạy được với OpenAI, Anthropic, OpenRouter. Có sẵn plugin manifest cho Claude Code, OpenAI Codex, OpenClaw, Hermes Agent.

Khác biệt (difference)

Stagehand, agent-browser, browser-use... đều coi browser session là state cần giữ. Webwright lật ngược: local workspace (code/log/ảnh) mới là state, còn browser chỉ là cái môi trường dùng-một-lần.

Khác với "Browser Harness" (kiểu CDP self-healing trực tiếp): Webwright đi đường script Playwright có cấu trúc, debug được, tái sử dụng được cho các task giống nhau — hợp với ai đã sống trong workflow coding agent.

Khoảng trống nó lấp (gap)

Agent web kiểu step-by-step (đoán toạ độ / click từng bước) gặp 3 nghẽn cổ chai:

Compose luồng phức tạp khó — mỗi bước một lần gọi model, dài dòng, đắt.
Recover lỗi kém — sai một bước là tịt, hông có gì để soi lại.
Hông tái sử dụng — làm xong task này, qua task khác làm lại từ đầu.

Webwright lấp đúng 3 chỗ đó: viết code để compose, đọc code để recover, lưu code để xài lại.

Kết quả (outcome)

Online-Mind2Web (300 task): 86.7%.
Odysseys (long-horizon): 60.1%.
Vượt rõ baseline kiểu coordinate-prediction, nhờ tiếp cận "scripting tái sử dụng".

→ Dịch ra: cùng một tác vụ web, kiểu code-as-action vừa chính xác hơn vừa bền hơn khi luồng kéo dài nhiều bước.

Xài vào việc gì?

Tự động hoá luồng web nhiều bước, lặp lại — đăng nhập → tìm → lọc → export. Viết một lần thành script, lần sau chạy lại, hông phải để model mò từng click.

End-to-end testing dạng "như người dùng thật" — mô tả kịch bản, AI sinh script Playwright; UI đổi thì sửa code chứ hông rớt mù.

Nền tảng để nghiên cứu / build browser agent — ai muốn một cái lõi nhẹ, đọc hiểu được trong một buổi để mod theo ý mình thì đây là điểm khởi đầu sạch.

Cắm thẳng vào coding agent đang xài — đã có manifest cho Claude Code / Codex, khỏi dựng hạ tầng riêng.

Bắt đầu thế nào? (hướng dẫn xài)

Có 2 đường: chạy trực tiếp (CLI), hoặc cắm vô Claude Code / Codex như một plugin (dễ nhất).

Cách 1 — Cắm vô Claude Code (khuyên dùng, nhanh nhất)

Trong Claude Code, gõ:

/plugin marketplace add microsoft/Webwright
/plugin install webwright@webwright

Rồi ra lệnh bằng tiếng người:

/webwright:run search Google Flights for flights from SEA to JFK
/webwright:craft search a ticket on Google Flights from LAX to SFO

run = chạy một tác vụ một phát. craft = chế/luyện một workflow xài lại được.

Với Codex:

codex plugin marketplace add microsoft/Webwright

Rồi mở thread mới, gọi @webwright hoặc mô tả task bằng tiếng người.

Cách 2 — Chạy trực tiếp bằng CLI

Cài đặt:

pip install -e .
playwright install chromium

Khai báo API key (chọn theo backend):

export OPENAI_API_KEY=<key>        # hoặc
export ANTHROPIC_API_KEY=<key>     # hoặc
export OPENROUTER_API_KEY=<key>

Chạy một task:

python -m webwright.run.cli \
    -c base.yaml -c model_openai.yaml \
    -t "Mô tả việc cần làm" \
    --start-url https://example.com \
    --task-id my_task \
    -o outputs/default

Giải thích flag:

-c — file config (xếp chồng được; đổi model_openai.yaml → model_claude.yaml để đổi model).
-t — câu lệnh task.
--start-url — trang web bắt đầu.
--task-id — tên thư mục output.
-o — thư mục lưu kết quả (code/log/screenshot — nhớ đây mới là "state" của nó).

Muốn xài model local (Qwen/GPT-OSS)? Dựng endpoint OpenAI-compatible (vLLM / Ollama /v1 / LM Studio), rồi trỏ OPENAI_API_KEY + base URL vào server đó trong file model_*.yaml. Ưu tiên bản VL (vision) để giữ luôn đường screenshot.

FAQ

Webwright khác browser-use / Stagehand chỗ nào? Tụi kia giữ browser session làm state. Webwright giữ workspace (code/log/ảnh) làm state, browser là môi trường dùng-rồi-bỏ; AI viết script Playwright thay vì predict từng action.
Cần biết code hông? Bản thân nó là framework cho dev/researcher (Python 3.10+, Playwright/Chromium). Nhưng vì AI tự viết script nên người dùng chủ yếu mô tả task; code do model sinh, mình soi lại được vì nó nằm trên workspace.
Nặng hông? Rất nhẹ — ~450 dòng core + ~570 dòng env, 4 dependency, hông có graph/orchestration layer.
Dùng làm automated test được hông? Tùy loại. Test CI để chặn merge thì hông nên — test cần lặp y hệt mỗi lần, mà AI thì tự quyết lại mỗi lần (tốn token, mất tính ổn định). Cách hay: để Webwright viết ra file Playwright test một lần, rồi commit file đó chạy bình thường. Test E2E tự lành (UI hay đổi), smoke test kiểu "như người dùng thật", hoặc dùng nó để soạn test thì rất hợp.
Xài model chạy local (GPT-OSS / Qwen) được hông? Thực tế là được, có lưu ý. Repo ghi rõ Qwen-3.5-9B làm tốt khi đã có sẵn tool tái sử dụng — tức model nhỏ chạy ổn một khi helper/skill cho trang đó đã có. Nó nói chuẩn API kiểu OpenAI, nên trỏ vào endpoint OpenAI-compatible (vLLM, Ollama /v1, LM Studio...) là chạy được local. Lưu ý: kênh "chụp màn hình khi cần" đòi model có vision; model text-only mất phần đó, phải dựa hẳn vào dò DOM — nên ưu tiên bản Qwen-VL nếu muốn giữ luôn đường screenshot.

Kho DESIGN.md cho Claude: UI auto, dev nhàn!

Tue, 21 Apr 2026 03:56:51 GMT

TL;DR

Claude Design là workspace mới của Anthropic, dùng file DESIGN.md để tự động tạo ra một design system hoàn chỉnh (màu sắc, font, component, UI kit). Nó giúp anh em dev/founder có ngay bộ design chuẩn để xài, hông cần design từ đầu.

Nói đơn giản: Như có một kiến trúc sư thiết kế UI túc trực 24/7, chỉ cần đưa bản phác thảo là có nhà xài liền.

Tổng quan

Claude Design là workspace mới toanh từ Anthropic, tập trung vào design. Thay vì chỉ tạo ra mấy cái màn hình rời rạc trong chat, nó giữ một design system xuyên suốt cho dự án của bạn: từ token, component cho đến các asset có thể dùng để ship sản phẩm thật.

Bạn chỉ cần đưa cho nó một "điểm xuất phát" (một phong cách, một "vibe" hoặc một file DESIGN.md), nó sẽ tự động "scaffold" (dựng khung) toàn bộ hệ thống: color token, type scale, buttons, cards, nav, và cả một UI kit có thể hoạt động được. Output sẽ nằm gọn gàng trong tab Design System review của project, mọi màn hình bạn yêu cầu sau này đều sẽ theo đúng hệ thống đó.

Vậy DESIGN.md là gì? Nó là một file markdown thuần túy, mô tả ngôn ngữ hình ảnh của một thương hiệu theo cách mà các AI agent có thể hiểu và hành động. Ý tưởng này ban đầu được Google Stitch giới thiệu và được 🎨getdesign.md phát triển thành một bộ sưu tập thực tế. Điểm hay là nó giữ cả token, rule, và rationale (lý do) trong cùng một file. Thay vì một file Figma export chỉ cho bạn cái gì để dùng, hay một bản brand guideline PDF chỉ nói chuyện với con người ("thân thiện nhưng cao cấp"), DESIGN.md nằm ở giữa: đủ cụ thể cho AI đưa ra quyết định tiếp theo, và mang theo lý do để nó giữ đúng hệ thống ngay cả khi gặp trường hợp chưa được đề cập.

Cách nó hoạt động khá đơn giản:

Bạn chọn một DESIGN.md từ bộ sưu tập có sẵn (ví dụ: của Apple, Vercel, Stripe...).
Mở Claude Design (claude.ai/design), rồi upload file DESIGN.md đó lên. Có 2 cách:
- Cách A: Tạo design system mới từ đầu và upload file.
- Cách B: Tạo một prototype mới, attach DESIGN.md vào chat và yêu cầu "Create a design system from this DESIGN.md".

Chỉ trong vài phút, Claude Design sẽ cho ra một gói khởi động hoàn chỉnh:

README.md với ngữ cảnh thương hiệu, giọng văn và nền tảng hình ảnh.
colors_and_type.css với các biến CSS, type scale, utility class.
Google Fonts thay thế nếu font gốc là độc quyền.
Các preview/ card cho màu sắc, font, spacing, component và brand.
Một UI kit hoạt động được (index.html + component) áp dụng hệ thống vào một trang marketing thực tế.
SKILL.md, một file skill di động cho các dự án sau này.

Tóm lại, một file markdown nhỏ gọn sẽ biến thành một gói design sẵn sàng để sản xuất. Hông còn boilerplate, hông còn setup thủ công nữa.

Xài vào việc gì?

Có ý tưởng sản phẩm nhưng hông có designer hoặc muốn ra mắt nhanh: Tải một DESIGN.md của một brand có "vibe" tương tự sản phẩm của bạn. Upload vào Claude Design, nó sẽ tự động cho ra một bộ UI kit và design system hoàn chỉnh. Thay vì chờ đợi designer hoặc tự mày mò, bạn có ngay một nền tảng design để bắt đầu code trong vòng chưa đầy 15 phút.
Đang build MVP, cần đảm bảo tính nhất quán (consistency) cho UI: Dùng DESIGN.md để tạo design system ngay từ đầu. Khi bạn yêu cầu Claude Design tạo thêm các màn hình hay component mới (ví dụ: "tạo trang pricing", "thêm empty state"), nó sẽ tự động tuân thủ theo hệ thống đã có. Điều này giúp sản phẩm của bạn trông chuyên nghiệp và đồng bộ từ A đến Z, hông bị "mỗi nơi một kiểu".
Dev đang bị "blank page syndrome" khi bắt đầu dự án mới: Hông biết bắt đầu từ đâu về mặt design? Bộ sưu tập DESIGN.md có sẵn từ các brand nổi tiếng (Apple, Vercel, Stripe, Spotify...) sẽ là nguồn cảm hứng tuyệt vời. Chọn một cái, để Claude Design tạo ra hệ thống, bạn sẽ có ngay bộ màu, font, component để bắt đầu code mà hông cần nghĩ quá nhiều về design.
CTO/Tech Lead muốn chuẩn hóa quy trình design cho đội: Áp dụng DESIGN.md làm "ngôn ngữ" chung cho design system. Mọi dự án mới đều có thể bắt đầu với một DESIGN.md đã được phê duyệt, đảm bảo mọi thứ đều "on-brand" và giảm thiểu thời gian review design thủ công.

Các điểm chính

Tự động hóa toàn bộ Design System: Claude Design dùng DESIGN.md để tạo ra mọi thứ từ màu sắc, font, component đến UI kit, giúp dev/founder có ngay bộ design chuẩn để xài. Đây là cách làm mới, nhanh hơn rất nhiều so với việc designer phải tạo style guide, component library thủ công.
DESIGN.md là ngôn ngữ chung cho AI: Hông phải PDF hay Figma export, nó là file markdown mô tả visual language, có cả lý do (rationale) đằng sau mỗi quyết định thiết kế, giúp AI hiểu sâu hơn và đưa ra các quyết định design nhất quán.
Tiết kiệm thời gian "start from scratch": Thay vì ngồi thiết kế từ con số 0, bạn có thể chọn một DESIGN.md có sẵn từ các brand lớn, rồi để AI "scaffold" ra hệ thống design tương tự. Ai xài cái này sớm sẽ có lợi thế ra mắt sản phẩm với UI/UX nhất quán nhanh hơn.
Đảm bảo tính nhất quán (consistency) cho sản phẩm: Khi design system đã được tạo, mọi màn hình hay component bạn yêu cầu Claude Design tạo sau này đều sẽ tuân thủ theo hệ thống đó, giữ cho UI/UX đồng bộ.
Output "production-ready": Kết quả hông chỉ là mockup hay hình ảnh, mà là file CSS, HTML, UI kit có thể dùng để build sản phẩm thật. Điều này giúp tiết kiệm hàng chục, thậm chí hàng trăm giờ thiết kế ban đầu.
Quyết định ban đầu rất quan trọng: Việc chọn DESIGN.md nào để bắt đầu sẽ định hình toàn bộ hệ thống design của bạn. Chọn đúng sẽ giúp bạn đi xa, chọn sai thì phải làm lại đó nha.

Quick Start

[Làm ngay tuần này] Lên getdesign.md, tải thử một DESIGN.md của brand bạn thích (ví dụ: Vercel, Stripe, Notion...).
[Bước tiếp] Truy cập claude.ai/design, chọn "Create new design system" hoặc "Create a new prototype" rồi attach file DESIGN.md đã tải. Yêu cầu Claude Design tạo design system từ file đó.
[Thói quen duy trì] Sau khi có design system, khi cần design mới (ví dụ: "tạo trang dashboard", "thêm form login"), cứ yêu cầu Claude Design tạo thêm màn hình/component. Nó sẽ tự động tuân thủ design system đã có, giúp bạn duy trì tính nhất quán.

FAQ

DESIGN.md có phải là file thiết kế chính thức của các brand lớn hông? Hông phải. Các file DESIGN.md trong bộ sưu tập này được tạo ra dựa trên quan sát công khai các mẫu design của họ, dùng để làm nguồn cảm hứng cho AI. Chúng hông phải là hệ thống design chính thức của các công ty đó.
Mình có cần biết code để xài Claude Design hông? Hông cần. Bạn chỉ cần upload file DESIGN.md và tương tác bằng ngôn ngữ tự nhiên thôi. Claude Design sẽ tự động tạo ra các file code (CSS, HTML) cho bạn.
Output của Claude Design có dùng được cho sản phẩm thật hông? Có. Nó tạo ra các file CSS, HTML, UI kit sẵn sàng để bạn tích hợp vào dự án của mình. Tuy nhiên, bạn vẫn cần kiểm tra và tinh chỉnh để phù hợp hoàn toàn với yêu cầu cụ thể của sản phẩm.
Mình có thể chỉnh sửa design system sau khi Claude Design tạo ra hông? Có. Claude Design cho phép bạn tinh chỉnh các token, component trong workspace của nó để phù hợp hơn với nhu cầu của mình.

LLM lái browser, mình nghỉ khỏe?

Tue, 21 Apr 2026 01:12:33 GMT

TL;DR

Browser Harness là một công cụ siêu gọn nhẹ, cho phép các LLM (như Claude Code hay Codex) tự động hoàn thành mọi tác vụ trên trình duyệt mà hông cần bạn can thiệp. Nó "self-healing" – tự sửa lỗi, tự viết code thiếu ngay trong quá trình làm việc, mang lại sự tự do hoàn toàn cho AI.

Điều này có nghĩa là bạn có thể giao phó các công việc lặp đi lặp lại trên web cho AI, tiết kiệm thời gian và nguồn lực đáng kể.

Nói đơn giản: Như có một nhân viên ảo siêu thông minh, bạn chỉ cần ra lệnh là nó tự động lướt web, làm mọi thứ giùm bạn, thậm chí còn tự học và tự sửa lỗi.

Tổng quan

Browser Harness là một cái "harness" (bộ khung) cực kỳ mỏng và đơn giản, được thiết kế để trao cho các LLM (Large Language Models) toàn quyền tự do thực hiện bất kỳ tác vụ nào trên trình duyệt. Nó được xây dựng trực tiếp trên CDP (Chrome DevTools Protocol), hông có lớp trung gian nào giữa AI và Chrome.

Điểm đặc biệt nhất của Browser Harness là khả năng "self-healing". Tức là, nếu AI cần một hàm hỗ trợ nào đó mà chưa có (ví dụ: upload_file()), nó sẽ tự động viết hàm đó vào file helpers.py ngay trong lúc đang làm việc. Hông cần framework cứng nhắc, hông cần bạn phải định nghĩa trước mọi thứ. AI sẽ tự động điều chỉnh và hoàn thành nhiệm vụ.

Toàn bộ dự án này chỉ vỏn vẹn khoảng 592 dòng code Python, siêu gọn nhẹ và dễ hiểu. Nó ra đời với lời hứa: "Bạn sẽ hông bao giờ phải dùng trình duyệt nữa."

Xài vào việc gì?

Cần thu thập dữ liệu từ nhiều website khác nhau (web scraping) Thay vì ngồi viết script riêng cho từng trang, bạn chỉ cần nói cho AI biết bạn muốn lấy gì. Browser Harness sẽ tự động lướt, tìm kiếm, trích xuất dữ liệu, thậm chí tự xử lý các trường hợp đặc biệt (ví dụ: pop-up, CAPTCHA đơn giản) mà hông cần bạn phải code lại. Kết quả là bạn tiết kiệm thời gian dev, dữ liệu được thu thập nhanh chóng và linh hoạt hơn.

Tự động hóa các tác vụ lặp đi lặp lại trên trình duyệt (như điền form, đăng bài, gửi email) Ví dụ, bạn cần đăng nhập LinkedIn, tìm kiếm danh sách người, gửi tin nhắn cá nhân hóa. Chỉ cần mô tả nhiệm vụ, AI sẽ tự điều hướng, click, gõ phím, và hoàn thành. Nếu gặp lỗi, nó tự sửa. Điều này giải phóng bạn khỏi những công việc nhàm chán, tăng năng suất đáng kể.

Kiểm thử tự động các ứng dụng web (end-to-end testing) Thay vì viết các test script phức tạp, bạn có thể yêu cầu AI thực hiện một chuỗi hành động như người dùng thật và kiểm tra kết quả. Nếu có thay đổi UI, AI có thể tự adapt thay vì script bị fail, giúp giảm công sức bảo trì test, tăng độ tin cậy của ứng dụng.

Triển khai các "sub-agent" hoặc agent chạy trên cloud Browser Harness cung cấp các trình duyệt remote miễn phí (3 concurrent browsers ở tier free, hông cần thẻ). Điều này cho phép bạn chạy các tác vụ web tự động mà hông cần mở trình duyệt trên máy mình, lý tưởng cho việc triển khai agent trên server hoặc dùng cho các agent phụ. Mở rộng khả năng tự động hóa mà hông tốn tài nguyên máy cục bộ, dễ dàng scale.

Các điểm chính

Tự sửa lỗi (Self-healing) là điểm khác biệt lớn. Các framework automation truyền thống đòi hỏi bạn phải code chính xác từng bước. Nếu UI thay đổi, script sẽ fail. Browser Harness cho phép AI tự nhận diện vấn đề, tự viết hoặc chỉnh sửa helpers.py để xử lý các trường hợp thiếu hoặc lỗi, giúp tác vụ hoàn thành mà hông cần bạn can thiệp.
Tự do hoàn toàn cho LLM. Hông có framework cứng nhắc hay "rails" nào giới hạn khả năng của AI. AI có thể "sáng tạo" cách hoàn thành nhiệm vụ, giống như một người dùng thật, thay vì bị bó buộc bởi các lệnh đã định trước.
Đơn giản và gọn nhẹ. Toàn bộ code chỉ khoảng 592 dòng Python. Điều này giúp dễ hiểu, dễ bảo trì và mở rộng hơn so với các framework cồng kềnh khác.
Học hỏi qua "domain skills". AI có thể tự tạo ra các "skill" cho từng trang web cụ thể (ví dụ: LinkedIn, Amazon) sau khi hoàn thành một tác vụ. Bạn có thể đóng góp các skill này để cộng đồng cùng xài, giúp AI học nhanh hơn và xử lý các trang web phức tạp hiệu quả hơn.
Trình duyệt remote miễn phí. Có free tier cho 3 trình duyệt chạy song song, hông cần thẻ tín dụng. Tuyệt vời để thử nghiệm, triển khai các sub-agent hoặc chạy automation trên cloud mà hông tốn chi phí ban đầu.
Setup dễ dàng với prompt. Chỉ cần paste một prompt vào Claude Code hoặc Codex là AI tự động cài đặt và kết nối. Giúp người dùng hông chuyên về kỹ thuật cũng có thể bắt đầu nhanh chóng.

Quick Start

Cài đặt và kết nối ngay trong tuần này. Dùng prompt setup được cung cấp để AI tự cài Browser Harness và kết nối với trình duyệt của bạn. Nhớ tick checkbox xác nhận nha.
Thử nghiệm một tác vụ đơn giản. Yêu cầu AI lướt đến một trang web quen thuộc (ví dụ: GitHub của Browser Harness), sau đó yêu cầu nó star repo hoặc truy cập browser-use.com để xem cách nó tương tác.
Xác định 1-2 tác vụ lặp lại hàng tuần. Giao cho AI thử làm các tác vụ đó, quan sát cách nó tự học và tự sửa lỗi. Nếu AI tự tạo ra các "domain skill" mới, bạn có thể cân nhắc đóng góp chúng để cộng đồng cùng xài.

FAQ

Browser Harness khác gì Selenium/Playwright? Harness cho LLM tự do hoàn toàn, tự sửa lỗi và viết code thiếu ngay trong lúc chạy. Selenium/Playwright là framework bạn phải viết code từng bước, và bạn phải tự xử lý khi có lỗi hoặc thay đổi UI.
Tôi có cần biết code để xài Browser Harness hông? Hông cần. Bạn chỉ cần mô tả tác vụ bằng ngôn ngữ tự nhiên, AI sẽ tự lo phần code và tương tác với trình duyệt. File helpers.py là nơi AI tự chỉnh sửa, bạn hông cần đụng vào.
Nó có an toàn khi cho AI điều khiển trình duyệt của mình hông? Bạn cần tick checkbox xác nhận cho phép kết nối. Nên cẩn trọng với các tác vụ nhạy cảm và luôn giám sát AI trong giai đoạn đầu để đảm bảo nó làm đúng ý mình.
Làm sao để AI "học" được các trang web mới? Khi AI hoàn thành tác vụ trên một trang mới, nó sẽ tự tạo ra các "skill" (lưu trong thư mục domain-skills/). Bạn có thể xem, chỉnh sửa hoặc đóng góp các skill này để cộng đồng cùng xài, giúp AI học nhanh hơn và xử lý các trang web phức tạp hiệu quả hơn.

Thariq on X: "Using Claude Code: Session Management & 1M Context" / X

Fri, 17 Apr 2026 00:32:29 GMT

TL;DR

Cửa sổ context 1 triệu token của Claude Code mạnh mẽ lắm, giúp AI chạy lâu và đáng tin cậy hơn. Nhưng nó cũng là "con dao hai lưỡi" nếu mình hông chủ động quản lý session, dễ bị "context rot" làm AI bị "lú". Bài này chia sẻ các chiến thuật thực tế để giữ Claude Code luôn "tỉnh táo" và làm việc hiệu quả nhất.

Nói đơn giản: Giống như mình đang dẫn dắt một dev junior siêu giỏi nhưng dễ bị phân tâm. Mình phải biết khi nào nên hướng dẫn lại, khi nào nên cho nó làm task riêng, và khi nào nên tóm tắt công việc giùm nó.

Tổng quan

Claude Code giờ có cửa sổ context lên đến 1 triệu token. Nghe thì "bá đạo" đó, nhưng nó lại là một thử thách mới cho anh em dev. Cái context window này là tất cả những gì AI "thấy" được: prompt, lịch sử chat, các lệnh tool đã chạy, file đã đọc... Nó giúp Claude Code làm những task dài hơi hơn, như build hẳn một app full-stack.

Tuy nhiên, khi context càng dài, hiệu suất của AI có thể giảm, gọi là "context rot". Giống như mình đọc quá nhiều thông tin hông liên quan, đầu óc cũng bị "loãng" vậy. Claude Code có thể bắt đầu "lú" khi context lên khoảng 300-400k token, tùy task.

Bài này đi sâu vào các chiến thuật quản lý session để mình chủ động kiểm soát context, giữ cho Claude Code luôn tập trung và thông minh. Hông phải cứ để nó tự chạy là xong đâu nha.

Xài vào việc gì?

Đang debug một bug phức tạp, Claude Code đi sai hướng Chạy /rewind (hoặc nhấn Esc hai lần) để quay lại điểm trước khi Claude Code bắt đầu sai. Sau đó, re-prompt với thông tin mới mình vừa học được ("Đừng dùng cách A, module foo hông expose cái đó – đi thẳng qua cách B đi"). Thay vì để nó lún sâu vào đường cụt, mình kéo nó về lại và chỉ đường đúng.

Build một tính năng lớn, cần Claude Code làm nhiều bước nhỏ Khi Claude Code vừa hoàn thành một phần việc (ví dụ: tạo cấu trúc file), nhưng mình muốn nó chuyển sang một task con khác (ví dụ: viết test cho phần đó) mà hông cần toàn bộ lịch sử chat chi tiết. Chạy /compact để nó tự tóm tắt session, hoặc /clear để mình tự viết lại tóm tắt và bắt đầu một session mới gọn gàng hơn.

Cần Claude Code đọc một codebase lớn để hiểu luồng auth rồi implement lại Dùng subagents. Mình bảo Claude Code "Spin off một subagent để đọc codebase này và tóm tắt cách nó implement luồng auth, rồi implement y chang vậy". Subagent sẽ có context riêng, làm việc độc lập rồi chỉ trả về kết quả cuối cùng cho session chính. Giúp session chính hông bị "ô nhiễm" bởi quá nhiều output trung gian.

Viết tài liệu cho một feature vừa mới implement xong Tiếp tục session cũ. Vì Claude Code vừa làm xong feature đó, nó có đầy đủ context về các file và logic. Việc này sẽ nhanh và tiết kiệm chi phí hơn là bắt đầu session mới và bắt nó đọc lại từ đầu. Tuy nhiên, nếu session đã quá dài, cân nhắc /compact để giữ context gọn gàng nhưng vẫn đủ thông tin cần thiết.

Các điểm chính

1M context window là con dao hai lưỡi: Nó mạnh mẽ thật, nhưng nếu hông quản lý tốt, context dễ bị "ô nhiễm" (context pollution) và dẫn đến "context rot", làm giảm hiệu suất của Claude Code.
"Context rot" làm AI bị "lú": Dù chưa hết 1 triệu token, Claude Code vẫn có thể hoạt động kém thông minh hơn khi context trở nên quá dài và chứa nhiều thông tin hông liên quan. Mình cần chủ động can thiệp.
Quản lý session quan trọng hơn bao giờ hết: Hông phải cứ để Claude Code tự chạy là xong. Mình cần biết khi nào nên tiếp tục, khi nào nên quay lại, khi nào nên tóm tắt, và khi nào nên bắt đầu lại.
Thói quen vàng: Dùng /rewind để sửa lỗi hiệu quả: Thay vì chỉ nói "cái đó sai rồi, thử cách khác đi", hãy dùng /rewind để quay lại điểm mà Claude Code bắt đầu đi chệch hướng, rồi re-prompt với hướng dẫn rõ ràng hơn.
/Compact và /clear có mục đích khác nhau: /compact là để Claude Code tự tóm tắt lịch sử chat (nhanh nhưng có thể mất thông tin quan trọng). /clear là mình tự viết tóm tắt và bắt đầu lại từ đầu (tốn công hơn nhưng context chính xác theo ý mình).
Tránh "bad compact" bằng cách chủ động: Khi Claude Code tự động compact, nó có thể bỏ sót thông tin quan trọng nếu hông đoán được ý mình. Hãy chủ động dùng /compact với hướng dẫn cụ thể về những gì mình muốn nó tập trung.
Subagents giúp cô lập task con: Khi một task phụ tạo ra nhiều output trung gian mà mình hông cần giữ lại trong session chính, hãy dùng subagents. Chúng sẽ có context riêng, làm việc xong chỉ trả về kết quả cuối cùng.
Quy tắc chung: Bắt đầu task mới, bắt đầu session mới: Để giữ context luôn sạch sẽ và tập trung, hãy cân nhắc bắt đầu một session mới mỗi khi mình chuyển sang một task hoàn toàn khác.

Quick Start

Làm ngay tuần này: Khi Claude Code đưa ra một giải pháp hông đúng hoặc đi sai hướng trong quá trình debug, đừng chỉ prompt lại. Hãy thử dùng /rewind (nhấn Esc hai lần) để quay lại điểm trước đó và re-prompt với hướng dẫn chính xác hơn.
Bước tiếp: Khi một session bắt đầu dài (khoảng 10-15 lượt chat) hoặc khi bạn muốn chuyển sang một task con hơi khác, hãy thử dùng /compact để Claude Code tóm tắt lại. Hoặc nếu bạn muốn kiểm soát hoàn toàn context, dùng /clear và tự viết tóm tắt.
Thói quen duy trì: Khi bắt đầu một dự án hay một tính năng mới hoàn toàn, hãy tạo thói quen bắt đầu một session Claude Code mới. Việc này giúp Claude Code luôn có một "tấm bảng trắng" sạch sẽ để làm việc hiệu quả nhất.

FAQ

Context rot là gì? Context rot là hiện tượng hiệu suất của mô hình AI giảm dần khi cửa sổ context (lịch sử trò chuyện và thông tin) trở nên quá dài và chứa nhiều nội dung hông liên quan, khiến AI bị phân tâm và kém thông minh hơn.

Khi nào nên dùng /rewind thay vì chỉ tiếp tục prompt? Nên dùng /rewind khi Claude Code đã đi sai hướng hoặc đưa ra một giải pháp hông hiệu quả. Quay lại điểm trước khi sai giúp mình cung cấp hướng dẫn mới một cách hiệu quả hơn, thay vì để AI tiếp tục xây dựng trên một nền tảng sai lầm.

Sự khác biệt giữa /compact và /clear là gì? /compact là để Claude Code tự tóm tắt session hiện tại, thay thế lịch sử chat bằng bản tóm tắt đó. Còn /clear là mình tự viết một bản tóm tắt ngắn gọn về công việc đang làm và bắt đầu một session hoàn toàn mới, giữ cho context sạch sẽ theo ý mình.

Subagents giúp gì trong việc quản lý context? Subagents giúp cô lập các task con mà có thể tạo ra nhiều output trung gian hông cần thiết cho session chính. Chúng có context riêng, làm việc độc lập và chỉ trả về kết quả cuối cùng, giúp session chính hông bị "ô nhiễm" bởi thông tin thừa.

Có cần phải luôn bắt đầu session mới cho mỗi task không? Quy tắc chung là "khi bắt đầu một task mới, hãy bắt đầu một session mới" để giữ context sạch. Tuy nhiên, có những trường hợp (như viết tài liệu cho code vừa làm) mà việc tiếp tục session cũ có thể hiệu quả hơn vì AI đã có sẵn context liên quan. Cần cân nhắc mức độ liên quan của task mới với context hiện tại.

Add voice to your agent

Thu, 16 Apr 2026 17:04:23 GMT

TL;DR

Cloudflare vừa ra mắt package @cloudflare/voice thử nghiệm cho Agents SDK. Cái này giúp bạn thêm khả năng nói chuyện real-time (nghe, hiểu, nói lại) cho AI agent của mình, mà hông cần build một stack voice riêng biệt hay phức tạp.

Nói đơn giản: Như biến AI chatbot của bạn thành tổng đài viên thông minh, có thể nói chuyện tự nhiên như người thật.

Tổng quan

@cloudflare/voice là một package thử nghiệm mới của Cloudflare, được thiết kế để tích hợp khả năng voice (giọng nói) vào các AI Agent đang chạy trên Agents SDK. Thay vì phải xây dựng một hệ thống voice riêng biệt, bạn có thể thêm tính năng này trực tiếp vào kiến trúc Agent hiện có của mình — vốn đã dựa trên Durable Objects, WebSocket và SQLite.

Điểm hay là nó tận dụng Workers AI của Cloudflare để cung cấp các dịch vụ Speech-to-Text (STT) và Text-to-Speech (TTS) như Deepgram Flux, Nova 3 cho STT và Deepgram Aura cho TTS. Điều này giúp giảm đáng kể độ trễ (latency) vì toàn bộ pipeline xử lý giọng nói (từ lúc bạn nói đến lúc AI phản hồi) đều chạy trên mạng lưới của Cloudflare.

Package này cung cấp các helper như withVoice(Agent) cho conversational agents, withVoiceInput(Agent) cho các case chỉ cần chuyển giọng nói thành văn bản (dictation, voice search), và các React hooks tiện lợi. Kiến trúc mở của nó cũng cho phép bạn dễ dàng plug-in các STT/TTS provider khác nếu muốn.

Xài vào việc gì?

Muốn AI chatbot của mình nói chuyện được với khách hàng Chỉ chat text đôi khi chưa đủ. Với @cloudflare/voice, bạn có thể biến Agent thành một trợ lý ảo có thể nghe và nói chuyện trực tiếp qua web hoặc điện thoại. Kết quả: Khách hàng có trải nghiệm tự nhiên hơn, như đang nói chuyện với một tổng đài viên AI, giúp giảm friction và tăng mức độ hài lòng.

Cần một hệ thống ghi chú hoặc tìm kiếm bằng giọng nói nội bộ Hông phải lúc nào cũng cần AI nói lại. Nếu bạn chỉ muốn chuyển giọng nói thành văn bản để ghi chú nhanh, nhập liệu, hoặc tìm kiếm bằng giọng nói. Kết quả: Dùng withVoiceInput để tạo các công cụ dictation hoặc voice search, giúp nhân viên tiết kiệm thời gian gõ phím, tăng năng suất.

Đang build ứng dụng AI cần xử lý đa kênh (text, voice, phone call) Việc quản lý nhiều kênh giao tiếp (chat, voice web, điện thoại) thường rất phức tạp. Kết quả: Agents SDK cho phép cùng một Agent xử lý tất cả các kênh này trên cùng một kiến trúc, giữ lịch sử hội thoại nhất quán và đơn giản hóa việc phát triển, bảo trì.

Muốn giảm độ trễ (latency) khi tương tác với AI bằng giọng nói Trải nghiệm voice AI sẽ tệ nếu AI phản hồi quá chậm. Kết quả: Nhờ việc pipeline chạy trên mạng lưới Cloudflare và dùng Workers AI, độ trễ được tối ưu, giúp cuộc trò chuyện với AI mượt mà và tự nhiên hơn nhiều.

Các điểm chính

Voice hông phải là stack riêng, mà là một phần của Agent: Cloudflare thiết kế @cloudflare/voice để tích hợp thẳng vào kiến trúc Agents SDK hiện có (Durable Objects, WebSocket, SQLite). Context: Nhiều framework voice yêu cầu bạn xây dựng một hệ thống hoàn toàn riêng biệt. Hành động: Nếu đang xài Agents SDK, thêm voice dễ như ăn kẹo. Nếu chưa, cân nhắc dùng để có nền tảng thống nhất cho các tính năng Agent.

Giảm latency đáng kể nhờ kiến trúc Cloudflare: Toàn bộ pipeline xử lý voice (audio input, STT, LLM, TTS, audio output) đều chạy trên mạng lưới của Cloudflare và dùng Workers AI. Context: Độ trễ là yếu tố then chốt cho trải nghiệm voice AI tự nhiên. Hành động: Ưu tiên các giải pháp tích hợp sâu vào hạ tầng để tối ưu tốc độ phản hồi, đừng để dữ liệu phải "nhảy" qua quá nhiều service.

Hỗ trợ streaming giúp trải nghiệm tự nhiên hơn: AI có thể bắt đầu nói câu đầu tiên trong khi vẫn đang generate phần còn lại của câu trả lời. Context: Người dùng hông thích chờ đợi. "Time-to-First Audio" rất quan trọng. Hành động: Khi thiết kế voice agent, luôn nghĩ đến việc làm sao để AI phản hồi nhanh nhất có thể, ngay cả khi câu trả lời chưa hoàn chỉnh.

Multimodal by design, hông cần tách code: Cùng một Agent có thể xử lý cả text và voice trên cùng một kết nối, giữ lịch sử hội thoại nhất quán. Context: Việc phải maintain các codebase khác nhau cho từng kênh giao tiếp rất tốn công. Hành động: Tối ưu hóa trải nghiệm người dùng bằng cách cho phép họ chuyển đổi giữa text và voice mượt mà, và tận dụng lịch sử hội thoại thống nhất.

Dễ dàng tùy biến STT/TTS provider: Kiến trúc mở cho phép bạn plug-in các provider STT/TTS khác nếu muốn, hông bị khóa vào một nhà cung cấp duy nhất. Context: Mỗi use case có thể cần một model STT/TTS khác nhau về chất lượng, chi phí. Hành động: Luôn tìm kiếm các giải pháp mở, cho phép tùy chỉnh để tránh vendor lock-in và tối ưu chi phí/chất lượng theo nhu cầu cụ thể.

Tích hợp được với telephony (Twilio) và WebRTC: Mở rộng khả năng của Agent ra ngoài web, vào cả hệ thống điện thoại truyền thống. Context: Nhiều doanh nghiệp vẫn cần giao tiếp qua điện thoại. Hành động: Nếu có nhu cầu tổng đài AI hoặc tích hợp với hệ thống điện thoại, đây là một lựa chọn đáng cân nhắc để tích hợp liền mạch.

Workflow gợi ý

Xây tổng đài AI hỗ trợ khách hàng:
- Dùng @cloudflare/voice để Agent có khả năng nghe và nói.
- Tích hợp TwilioAdapter để kết nối Agent với một số điện thoại.
- Trong phương thức onTurn() của Agent, dùng LLM để xử lý yêu cầu khách hàng và kết nối với các tool nội bộ (ví dụ: kiểm tra trạng thái đơn hàng, đặt lịch hẹn).
- Kết quả: Khách hàng gọi điện được hỗ trợ 24/7, giảm tải cho đội ngũ CSKH, tăng hiệu quả vận hành.
Tạo trợ lý cá nhân bằng giọng nói cho team:
- Deploy một MyAgent với withVoice và dùng WorkersAIFluxSTT, WorkersAITTS.
- Trong onTurn(), dùng context.messages để truy cập lịch sử hội thoại và tools để đặt lịch nhắc nhở, tra cứu thông tin nội bộ.
- Kết quả: Team có một trợ lý AI có thể ra lệnh bằng giọng nói để quản lý công việc, đặt nhắc nhở, tra cứu thông tin mà hông cần gõ phím.

Quick Start

Làm ngay tuần này: Tạo một project Cloudflare Agents mới bằng npm create cloudflare@latest -- --template cloudflare/agents-starter, cài @cloudflare/voice, và thử code ví dụ MyAgent với onTurn() đơn giản.
Bước tiếp: Thử tích hợp một LLM từ Workers AI để Agent có thể trả lời thông minh hơn, và dùng streamText để có trải nghiệm nói chuyện mượt mà, AI nói từng câu một.
Thói quen duy trì: Luôn nghĩ đến việc làm sao để voice agent của mình hữu dụng hơn, có thể kết nối với các hệ thống khác qua tools, và thử nghiệm các model STT/TTS khác nhau để tối ưu chất lượng và chi phí.

FAQ

@cloudflare/voice có miễn phí hông? Package này miễn phí, nhưng bạn sẽ trả phí cho việc sử dụng Workers AI (STT/TTS) và Cloudflare Workers/Durable Objects theo mức độ sử dụng thực tế.

Có cần API key riêng cho STT/TTS hông? Hông cần, vì nó tích hợp sẵn với Workers AI của Cloudflare. Bạn có thể dùng các model như Deepgram Flux, Nova 3, Aura 1 ngay mà hông cần đăng ký thêm.

Mình có thể dùng STT/TTS provider khác hông? Được chứ. Kiến trúc của @cloudflare/voice được thiết kế mở, cho phép bạn plug-in các provider STT/TTS khác nếu muốn, miễn là chúng tuân thủ interface đã định nghĩa.

Voice agent có lưu lịch sử hội thoại hông? Có, nó dùng SQLite-backed conversation history của Agents SDK. Lịch sử này được lưu lại ngay cả khi kết nối bị ngắt hay Agent được deploy lại.

Latency có thực sự thấp như quảng cáo hông? Thấp hơn đáng kể vì toàn bộ pipeline (từ audio đến phản hồi) chạy trên mạng lưới của Cloudflare, giảm thiểu việc dữ liệu phải đi qua nhiều service khác nhau.

Spec-Driven Development with Coding Agents

Thu, 16 Apr 2026 04:16:12 GMT

TL;DR

DeepLearning.AI vừa ra mắt khóa học về Spec-Driven Development (SDD) với AI coding agent, hợp tác cùng JetBrains và Paul Everitt. Nó dạy bạn cách xây dựng phần mềm chất lượng, đúng ý bằng cách viết spec rõ ràng cho AI, thay vì kiểu "vibe coding" dễ gây lỗi.

Nói đơn giản: Như có một kiến trúc sư thiết kế nhà rõ ràng trước khi thợ xây bắt tay vào làm, thay vì cứ "tới đâu hay tới đó".

Tổng quan

Khóa học "Spec-Driven Development with Coding Agents" là sản phẩm hợp tác giữa DeepLearning.AI và JetBrains, do Paul Everitt (Developer Advocate tại JetBrains) đứng lớp. Mục tiêu là giúp các dev chuyển từ "vibe coding" sang cách làm việc có kỷ luật hơn với AI coding agent.

"Vibe coding" thì nhanh đó, nhưng thường tạo ra code hông đúng ý. Thay vào đó, SDD yêu cầu bạn viết một spec (đặc tả) rõ ràng bằng markdown, rồi để AI agent implement theo. Đây là cách mà nhiều dev xịn đang xài để giữ control các dự án phức tạp.

Khóa học dài 1 giờ 20 phút với 15 bài video, sẽ hướng dẫn bạn cách viết Project Constitution, lập kế hoạch và validate feature theo vòng lặp (iterative loop). Bạn cũng sẽ học cách áp dụng quy trình này cho cả codebase mới lẫn cũ, và cách đóng gói workflow của mình thành một "agent skill" có thể xài lại. SDD giúp giữ ngữ cảnh (context) xuyên suốt các session của agent, giảm "cognitive debt" và tăng độ chính xác của ý định (intent fidelity).

Xài vào việc gì?

AI agent viết code hông đúng ý, phải sửa hoài Thay vì cứ đưa yêu cầu chung chung, bạn viết một spec chi tiết bằng markdown. Ví dụ, thay vì "viết component login", bạn ghi rõ "component login có 2 trường email, password, nút submit, validate email format". Agent sẽ bám sát spec đó, giảm thiểu việc bạn phải sửa lại code.

Đang khởi tạo dự án mới với AI mà hông biết bắt đầu từ đâu Bạn sẽ học cách tạo Project Constitution với sự hợp tác của agent. Nó giúp bạn định nghĩa rõ ràng mission, tech stack, và roadmap ban đầu, có một nền tảng vững chắc trước khi đi vào code.

Cần thêm feature vào codebase cũ mà hông muốn phá vỡ cấu trúc hiện tại Khóa học chỉ bạn cách dùng tài liệu hiện có của codebase cũ để tạo ra các spec. Từ đó, AI agent có thể hiểu ngữ cảnh và thực hiện thay đổi hoặc thêm feature một cách có kiểm soát, giảm rủi ro lỗi.

Muốn chuẩn hóa cách team xài AI để code, đảm bảo chất lượng đồng đều Bạn có thể đóng gói workflow SDD của mình thành một "agent skill". Cái này giúp cả team xài chung một quy trình chuẩn, đảm bảo output từ AI agent nhất quán và dễ quản lý hơn, dù xài agent hay IDE nào.

Các điểm chính

Vibe coding là cách làm cũ đã SAI: Nó nhanh đó, nhưng code ra dễ sai, hông đúng ý. Với AI agent, bạn càng dễ mất kiểm soát, dẫn đến tốn thời gian sửa lỗi và rework.
Spec-driven development là bản năng sinh tồn mới: Viết spec rõ ràng bằng markdown, để AI agent làm theo. Đây là cách dev xịn đang làm để giữ control dự án phức tạp, đảm bảo code chất lượng và đúng mục tiêu.
Giữ ngữ cảnh (context) là chìa khóa: Specs giúp AI agent hông bị "quên" bạn muốn gì qua nhiều session, giảm "cognitive debt" cho bạn và tăng độ chính xác của ý định (intent fidelity).
Quy trình lặp (iterative loop) giúp bạn làm chủ: Từ Project Constitution, đến Feature Spec, Implement, Validate – lặp lại từng bước, bạn luôn là "human in the loop", kiểm soát từng giai đoạn phát triển.
Áp dụng được cho cả code mới và cũ: Hông chỉ dự án mới, bạn có thể dùng tài liệu cũ để tạo spec cho AI agent "hiểu" và sửa code legacy một cách an toàn và có cấu trúc.
Đóng gói workflow thành "agent skill": Biến quy trình SDD của bạn thành một skill tùy chỉnh, xài được trên nhiều agent và IDE khác nhau. Đây là cách scale hiệu quả, đảm bảo tính nhất quán cho team.

Workflow gợi ý

Khởi tạo dự án mới với AI agent:
- Cùng agent tạo Project Constitution (định nghĩa mission, tech stack, roadmap).
- Viết Feature Spec chi tiết cho MVP đầu tiên.
- Để agent implement, bạn validate và điều chỉnh.
- Lặp lại quy trình cho các feature tiếp theo.
Nâng cấp/sửa code legacy bằng AI agent:
- Dùng tài liệu hiện có của codebase cũ để tạo spec cho phần code cần sửa hoặc nâng cấp.
- Agent đọc spec, đề xuất thay đổi hoặc viết code mới.
- Bạn duyệt, điều chỉnh spec nếu cần.
- Agent implement, bạn validate kỹ lưỡng.

Quick Start

Làm ngay tuần này: Dành 15 phút xem video "Why spec-driven development?" và "Workflow overview" để nắm được tư duy cốt lõi và lợi ích của nó.
Bước tiếp: Thử tạo một Project Constitution đơn giản cho một ý tưởng dự án cá nhân hoặc một phần nhỏ của dự án đang làm với một AI agent bạn đang xài.
Thói quen duy trì: Mỗi khi yêu cầu AI agent viết code hoặc thực hiện tác vụ phức tạp, hãy dành 5-10 phút viết một spec ngắn gọn trước.

FAQ

Spec-driven development có làm chậm quá trình code hông? Hông đâu. Ban đầu có thể thấy tốn thời gian hơn một chút để viết spec, nhưng về lâu dài nó tiết kiệm rất nhiều giờ sửa lỗi và làm lại, vì code ra đúng ý bạn hơn và ít bug hơn.
Mình có cần phải là dev chuyên nghiệp mới học được hông? Bạn nên có hiểu biết cơ bản về lập trình và từng xài AI coding tool nha. Khóa này dành cho ai muốn dùng AI một cách có kỷ luật và hiệu quả hơn.
Khóa học này có dạy mình cách code hông? Hông, khóa này tập trung vào quy trình làm việc với AI agent để tạo ra code chất lượng, đúng ý bạn, chứ hông phải dạy bạn một ngôn ngữ lập trình cụ thể.
Mình có thể áp dụng SDD cho mọi loại dự án hông? Hoàn toàn được. Từ dự án cá nhân nhỏ đến codebase lớn của công ty, SDD giúp bạn giữ control và đảm bảo chất lượng code khi làm việc với AI, bất kể quy mô.

Scaling MCP adoption: Our reference architecture for simpler, safer and cheaper enterprise deployments of MCP

Thu, 16 Apr 2026 04:04:13 GMT

TL;DR

Cloudflare chia sẻ chiến lược bảo mật toàn diện cho các AI workflow dùng Model Context Protocol (MCP) trên diện rộng trong nội bộ. Họ dùng chính các sản phẩm của mình để quản lý rủi ro từ prompt injection, supply chain, authorization sprawl, và đặc biệt là tối ưu chi phí token cho LLM.

Nói đơn giản: Như có một đội bảo vệ tinh nhuệ canh gác cho mấy con AI Agent của bạn, vừa an toàn vừa hông tốn kém.

Tổng quan

Cloudflare đang triển khai Model Context Protocol (MCP) cực kỳ mạnh mẽ trong chiến lược AI của họ. Việc này hông chỉ dừng ở team engineering mà lan ra khắp các phòng ban như product, sales, marketing, finance, giúp tăng hiệu suất công việc hàng ngày.

Tuy nhiên, việc áp dụng AI agent và MCP trên diện rộng cũng đi kèm nhiều rủi ro bảo mật. Từ việc cấp quyền tràn lan (authorization sprawl), tấn công prompt injection, cho đến các rủi ro về supply chain. Chi phí token cho LLM cũng là một bài toán lớn.

Để giải quyết, Cloudflare đã tích hợp một loạt các giải pháp bảo mật từ nền tảng Cloudflare One (SASE) và Cloudflare Developer Platform. Mục tiêu là quản lý việc sử dụng AI với MCP mà hông làm chậm tốc độ làm việc của nhân viên. Bài viết cũng giới thiệu hai khái niệm mới: Code Mode với MCP server portals (giúp giảm chi phí token) và Shadow MCP detection bằng Cloudflare Gateway.

Xài vào việc gì?

Công ty bạn đang dùng AI Agent tràn lan, hông kiểm soát được nguồn gốc: Thay vì để mỗi dev tự chạy MCP server local (dễ dính supply chain attack, hông được update vá lỗi), Cloudflare có một team tập trung quản lý việc triển khai MCP server. Họ dùng một nền tảng chung với template có sẵn, CI/CD tự động và quản lý secrets. Kết quả: Bạn kiểm soát được nguồn phần mềm, có audit log đầy đủ, giảm thiểu rủi ro bảo mật đáng kể cho toàn bộ hệ thống.

Cần giới hạn quyền truy cập của AI Agent vào các tài nguyên nội bộ nhạy cảm: Các MCP server phía trước những tài nguyên private của công ty cần được bảo vệ. Cloudflare dùng Cloudflare Access làm nhà cung cấp OAuth, yêu cầu xác thực người dùng (SSO, MFA) và kiểm tra các thuộc tính ngữ cảnh (như địa chỉ IP, vị trí, chứng chỉ thiết bị). Kết quả: Chỉ những nhân viên được ủy quyền mới có thể truy cập các MCP server này, đảm bảo dữ liệu nhạy cảm hông bị lộ.

Chi phí token cho LLM đang tăng vọt vì AI Agent phải load quá nhiều thông tin tool: Cách truyền thống là AI Agent phải load toàn bộ định nghĩa (schema) của hàng trăm, thậm chí hàng ngàn API endpoint. Điều này tốn rất nhiều token và nhanh chóng làm đầy context window của LLM. Cloudflare dùng "Code Mode" với MCP server portals. Kết quả: Thay vì load cả núi schema, Code Mode chỉ expose 2 tool chung (search và execute). AI Agent tự tìm tool cần dùng on-demand bằng JavaScript, giúp giảm tới 94% chi phí token (từ 9400 xuống 600 token trong ví dụ của họ) và chi phí này cố định dù bạn có thêm bao nhiêu MCP server đi nữa.

Lo lắng nhân viên đang dùng các MCP server hông được phép (Shadow MCP): Bạn muốn biết liệu nhân viên có đang kết nối đến các MCP server trái phép hông được quản lý. Cloudflare dùng Cloudflare Gateway để quét lưu lượng truy cập Internet của nhân viên. Kết quả: Gateway có thể phát hiện các kết nối đến MCP server hông được ủy quyền dựa trên hostname, URI path hoặc thậm chí là các regex pattern trong HTTP body (tìm các trường như "method": "tools/call", "initialize"). Giúp bạn phát hiện và chặn kịp thời các rủi ro bảo mật tiềm ẩn.

Các điểm chính

Triển khai MCP Server tập trung là cực kỳ quan trọng: Tự host MCP server local là một rủi ro bảo mật lớn (supply chain, thiếu update).
- Context: Cloudflare có team riêng quản lý MCP server, dùng monorepo template, CI/CD tự động deploy lên Cloudflare Developer Platform.
- Hành động: Đừng để mỗi dev tự chạy MCP server. Xây dựng một nền tảng tập trung, có governance rõ ràng cho việc triển khai MCP server để kiểm soát toàn diện.
Xác thực mạnh mẽ cho AI Agent là bắt buộc: AI Agent cũng cần được xác thực như người dùng khi truy cập tài nguyên nội bộ.
- Context: Cloudflare Access cung cấp SSO, MFA và kiểm tra ngữ cảnh (IP, thiết bị) cho các MCP server truy cập tài nguyên private.
- Hành động: Áp dụng các giải pháp Zero Trust như Cloudflare Access để kiểm soát ai (hay AI nào) được phép truy cập MCP server.
MCP server portals giải quyết vấn đề khám phá và quản lý: Khi số lượng MCP server tăng lên, việc tìm kiếm và quản lý chúng trở nên khó khăn.
- Context: Portal giúp nhân viên dễ dàng tìm thấy các MCP server được phép dùng, cung cấp logging tập trung, DLP và chính sách truy cập theo nhóm.
- Hành động: Dùng MCP server portals để tạo một điểm truy cập duy nhất, có kiểm soát cho tất cả các AI agent vào hệ thống.
Code Mode là cách giảm chi phí token đột phá: Việc load toàn bộ tool schema tốn kém và làm đầy context window của LLM.
- Context: Code Mode chỉ expose 2 tool (search, execute), cho phép AI agent tự khám phá và gọi tool bằng JavaScript, giảm 94% token.
- Hành động: Nếu bạn đang dùng hoặc có ý định dùng MCP, hãy nghiên cứu và áp dụng Code Mode để tối ưu chi phí LLM và hiệu suất.
AI Gateway giúp quản lý LLM và chi phí: Cần một lớp trung gian giữa AI client và LLM để kiểm soát và linh hoạt.
- Context: Cloudflare dùng AI Gateway để chuyển đổi giữa các LLM provider (tránh vendor lock-in) và áp đặt giới hạn token cho từng nhân viên.
- Hành động: Triển khai AI Gateway để tránh phụ thuộc vào một nhà cung cấp LLM và quản lý ngân sách LLM hiệu quả hơn.
Phát hiện Shadow MCP là cực kỳ quan trọng: Nhân viên có thể vô tình hoặc cố ý dùng MCP server hông được phép, tạo ra lỗ hổng bảo mật.
- Context: Cloudflare Gateway dùng các selector (hostname, URI, regex trong body) để quét và phát hiện traffic MCP trái phép.
- Hành động: Thiết lập các chính sách trên Secure Web Gateway (như Cloudflare Gateway) để chủ động tìm và chặn các MCP server hông được phê duyệt.

Quick Start

Làm ngay tuần này: Đánh giá lại cách bạn đang triển khai và quản lý các AI agent/workflow trong công ty. Liệu có rủi ro Shadow AI, chi phí token hông kiểm soát hông?
Bước tiếp: Nghiên cứu Model Context Protocol (MCP) và các giải pháp Zero Trust (như Cloudflare Access, Gateway) để có cái nhìn tổng thể về việc bảo mật AI.
Thói quen duy trì: Thiết lập các quy trình kiểm duyệt và triển khai tập trung cho AI agent, đồng thời theo dõi chi phí và traffic liên quan đến LLM/MCP thường xuyên.

FAQ

Model Context Protocol (MCP) là gì? MCP là một chuẩn mở giúp các ứng dụng AI (AI agent) kết nối hai chiều với các nguồn dữ liệu và API mà chúng cần truy cập. Nó tạo ra một cầu nối an toàn và có cấu trúc giữa AI và tài nguyên công ty, cho phép AI tự động thực hiện các tác vụ.

"Shadow MCP" nghĩa là gì và tại sao nó nguy hiểm? Shadow MCP là việc nhân viên sử dụng các MCP server hông được phê duyệt hoặc hông được quản lý bởi IT/Security của công ty. Nó nguy hiểm vì có thể dẫn đến rò rỉ dữ liệu, tấn công supply chain hoặc prompt injection mà hông ai hay biết, tạo ra lỗ hổng bảo mật lớn.

Code Mode giúp giảm chi phí token như thế nào? Code Mode giảm đáng kể lượng token cần thiết bằng cách hông load toàn bộ định nghĩa (schema) của tất cả các API tool vào context của LLM. Thay vào đó, nó chỉ cung cấp hai tool chung (search và execute), cho phép AI agent tự động khám phá và gọi các tool cụ thể khi cần, tối ưu hóa việc sử dụng context window của LLM.

Cloudflare Access và AI Gateway đóng vai trò gì trong bảo mật AI? Cloudflare Access cung cấp lớp xác thực mạnh mẽ (SSO, MFA) cho MCP server, đảm bảo chỉ người dùng/AI agent được ủy quyền mới truy cập được tài nguyên. AI Gateway đứng giữa AI client và LLM, giúp quản lý nhà cung cấp LLM (tránh vendor lock-in) và áp đặt giới hạn chi phí/token.

How to stop hitting Claude usage limits. - by Ruben Hassid

Thu, 16 Apr 2026 00:57:18 GMT

TL;DR

Ruben Hassid chia sẻ 23 thói quen giúp bạn tối ưu việc xài Claude, từ những mẹo ít ai biết đến các nguyên tắc cơ bản. Mục tiêu là tránh "đốt" tokens vô tội vạ, giúp bạn dùng Claude hiệu quả hơn mà hông lo đụng giới hạn hay tốn tiền.

Nói đơn giản: Như có một cuốn sổ tay bí kíp để Claude làm việc hết công suất mà hông bị "hụt hơi" giữa chừng.

Tổng quan

Ruben Hassid, một người dùng Claude thường xuyên, từng gặp vấn đề "đốt" hết credits trước 2 giờ chiều. Dù đã chuyển sang gói $100, Ruben vẫn liên tục nhận được câu hỏi từ team về việc Claude bị giới hạn. Từ đó, anh ấy tổng hợp 23 thói quen, xếp từ ít biết đến cơ bản, để giúp team và mọi người tiết kiệm tokens.

Cốt lõi của vấn đề là Claude tính tokens bằng cách đọc lại TOÀN BỘ lịch sử chat mỗi khi bạn gửi tin nhắn mới. Tin nhắn thứ 30 sẽ tốn hơn rất nhiều so với tin nhắn đầu tiên vì nó phải đọc lại 29 lượt trao đổi trước đó. Đó là lý do credits của bạn cứ "bay" nhanh chóng.

Áp dụng các mẹo này giúp Ruben chỉ bị giới hạn khoảng 1 lần/tháng, thay vì mỗi ngày. Đây hông phải là các mẹo học thuật, mà là kinh nghiệm thực chiến từ người đang "ăn dog food" mỗi ngày.

Xài vào việc gì?

Bạn đang upload file PDF, DOCX, PPTX trực tiếp lên Claude? Trước khi upload, hãy trích xuất text ra file plain text hoặc markdown. Crop ảnh thật sát phần cần thiết. File PDF 15 trang có thể tốn 180,000+ tokens, nhưng chuyển thành text chỉ còn 2,000 tokens. Kết quả: Bạn tiết kiệm hàng chục nghìn tokens mỗi lần upload, giúp Claude tập trung vào nội dung chính thay vì "đọc" metadata thừa.

Bạn muốn Claude tạo file (spreadsheet, doc) nhưng sợ tốn tokens? Thay vì yêu cầu Claude tạo file ngay trong Cowork, hãy dùng Chat để lên cấu trúc, thống nhất các phần, chốt giả định. Khi đã có plan rõ ràng, mới chuyển sang Cowork để "Build this exact file." Kết quả: Bạn tư duy ở "sản phẩm" giá rẻ (Chat), rồi mới xây dựng ở "sản phẩm" đắt tiền (Cowork), tối ưu chi phí.

Bạn hay viết prompt dài dòng để cung cấp ngữ cảnh? Thay vì viết prompt 500 từ, hãy dùng prompt ngắn (dưới 30 từ) và yêu cầu Claude "ask me questions" (dùng AskUserQuestion tool). Claude sẽ tự hỏi các câu hỏi làm rõ, và việc bạn click chọn hoặc trả lời ngắn gọn tốn rất ít tokens. Kết quả: Giảm đáng kể số tokens Claude phải đọc lại mỗi lần, vì các câu hỏi làm rõ chỉ được tạo ra một lần.

Bạn thường yêu cầu Claude "làm lại toàn bộ" khi có một phần sai? Khi chỉ có Section 3 của báo cáo sai, đừng nói "redo the report." Hãy nói "only redo section 3. Keep everything else to save tokens." Thêm "No commentary. No explanations. Just the output." nếu bạn biết chính xác mình muốn gì. Kết quả: Tránh việc Claude tạo lại toàn bộ output (ví dụ 2,000 tokens), chỉ tốn tokens cho phần cần sửa.

Bạn đang dùng một chat cho nhiều chủ đề khác nhau (LinkedIn post, client proposal, recipe)? Mỗi khi đổi chủ đề, hãy bắt đầu một chat mới. Claude vẫn sẽ đọc lại toàn bộ lịch sử chat cũ (LinkedIn, proposal) khi nó nghĩ về "dinner" của bạn, đó là "dead weight" tokens. Kết quả: Đảm bảo Claude chỉ tập trung vào ngữ cảnh liên quan, tránh lãng phí tokens cho thông tin không cần thiết.

Các điểm chính

Tokens = Words, và Claude đọc lại toàn bộ lịch sử chat: Đây là nguyên nhân chính gây tốn tokens. Mỗi tin nhắn mới là một lần Claude "ôn bài" từ đầu.
- Hành động: Luôn ý thức về độ dài cuộc trò chuyện và tìm cách rút gọn ngữ cảnh hoặc bắt đầu chat mới.
Tối ưu file đầu vào: Hông phải cứ upload là xong. Metadata và ảnh lớn là "kẻ thù" thầm lặng, làm Claude phải đọc nhiều thứ hông cần thiết.
- Hành động: Chuyển đổi file sang plain text/markdown, crop ảnh thật sát trước khi upload.
Tư duy trước khi xây dựng: Dùng công cụ "rẻ" để lên kế hoạch, công cụ "đắt" để thực thi.
- Hành động: Dùng Claude Chat để phác thảo ý tưởng, sau đó mới dùng Cowork/Opus để tạo file.
Để Claude hỏi bạn, đừng cố gắng nhồi nhét thông tin: Prompt ngắn, để Claude chủ động hỏi làm rõ sẽ hiệu quả hơn và tiết kiệm tokens hơn việc bạn viết prompt dài.
- Hành động: Dùng "AskUserQuestion" tool, thay vì viết prompt dài dòng.
Chỉnh sửa tin nhắn thay vì gửi tin nhắn mới (trong Chat): Đây là một "hack" cực kỳ hiệu quả mà nhiều người bỏ qua.
- Hành động: Dùng nút "Edit" trên tin nhắn cũ để sửa prompt và regenerate. Tránh tạo thêm lịch sử chat.
Mỗi chủ đề mới = một chat mới: Đừng biến một chat thành "bãi rác" của đủ thứ thông tin.
- Hành động: Luôn bắt đầu chat mới khi chuyển sang một chủ đề hoàn toàn khác.
Sử dụng Project cho tài liệu dùng lặp lại: Upload một lần, Claude sẽ cache (lưu trữ) nó.
- Hành động: Dùng tính năng Projects để lưu trữ các tài liệu tham chiếu thường xuyên (hợp đồng, brand guide) để Claude hông phải đọc lại mỗi lần.
Tắt các tính năng hông dùng: Web search, connectors, và "Explore" mode đều tốn tokens, ngay cả khi bạn hông cần.
- Hành động: Mặc định tắt hết, chỉ bật khi thật sự cần cho tác vụ đó.

Quick Start

Làm ngay tuần này: Khi upload file, hãy convert sang markdown hoặc plain text trước. Dùng nút "Edit" trên tin nhắn cũ thay vì gửi tin nhắn mới (trong Chat).
Bước tiếp: Khi bắt đầu một chủ đề mới, hãy tạo một chat mới. Nếu dùng Cowork, hãy plan cấu trúc trong Chat trước khi yêu cầu tạo file.
Thói quen duy trì: Định kỳ tóm tắt cuộc trò chuyện dài và bắt đầu chat mới với bản tóm tắt đó. Tắt các tính năng hông dùng (search, connectors) mặc định, chỉ bật khi cần.

FAQ

Tại sao Claude lại tốn nhiều tokens đến vậy? Vì Claude đọc lại toàn bộ lịch sử cuộc trò chuyện từ đầu mỗi khi bạn gửi tin nhắn mới. Cuộc trò chuyện càng dài, mỗi tin nhắn càng tốn kém hơn.

Làm sao để biết mình đang tốn tokens ở đâu? Mỗi tin nhắn, mỗi lần Claude tạo output, mỗi lần đọc file đều tốn tokens. Các tính năng như Web search, Connectors, Extended Thinking cũng "đốt" tokens ngay cả khi bạn hông để ý.

Có nên dùng gói Claude $100/tháng hông? Nếu bạn dùng Claude thường xuyên và hông muốn lo lắng về giới hạn, gói $100 giúp bạn hông phải "căn ke" quá nhiều. Nhưng các mẹo này vẫn giúp bạn dùng gói $20 hiệu quả hơn rất nhiều.

Claude có phải là công cụ tốt nhất cho mọi thứ hông? Hông. Claude hông mạnh về tạo ảnh hay tìm kiếm thời gian thực. Nên dùng các công cụ chuyên biệt như Gemini (ảnh) hay Grok/ChatGPT (search) cho những tác vụ đó để tránh lãng phí tokens.

Git commands nản? TUI này cân hết, dev ơi!

Thu, 16 Apr 2026 00:56:10 GMT

TL;DR

Lazygit là một terminal UI (TUI) đơn giản nhưng cực kỳ mạnh mẽ, giúp bạn làm việc với Git nhanh hơn, trực quan hơn. Nó giải quyết nỗi đau khi phải gõ lệnh phức tạp hay chỉnh sửa file TODO thủ công cho những tác vụ như rebase, staging từng dòng.

Nói đơn giản: Giống như có một trợ lý riêng, lo hết mấy cái lặt vặt của Git để mình tập trung code.

Tổng quan

Lazygit là một công cụ mã nguồn mở được phát triển bởi Jesse Duffield, nhằm đơn giản hóa việc tương tác với Git thông qua một giao diện người dùng trực quan ngay trên terminal. Thay vì phải nhớ hàng tá lệnh và flag phức tạp, hay phải vật lộn với các file TODO khi rebase, Lazygit cung cấp một giao diện dạng bảng, cho phép bạn thực hiện các thao tác Git phổ biến chỉ bằng vài phím tắt.

Công cụ này sinh ra từ nỗi "ám ảnh" của dev với Git CLI: nó mạnh thiệt, nhưng sao mấy cái tác vụ như interactive rebase, staging từng dòng, hay bisect lại khó khăn, tốn thời gian đến vậy. Lazygit biến những thứ đó thành hành động trực quan, dễ thực hiện, giúp mình tiết kiệm thời gian và giảm thiểu sai sót. Nó hỗ trợ trên macOS, Linux và Windows, cài đặt cũng đơn giản qua các package manager phổ biến.

Xài vào việc gì?

Đang làm việc mà Git cứ báo conflict, phải stash liên tục Chạy Lazygit, dùng tính năng Worktrees (w). Bạn có thể tạo nhiều worktree cho các nhánh khác nhau, chuyển đổi qua lại mà hông cần stash hay commit dở dang. Tiết kiệm cả đống thời gian và nỗi lo mất code đó.

Muốn rebase interactive mà sợ chỉnh file TODO lộn xộn Mở Lazygit, chọn commit cần rebase, nhấn i. Bạn sẽ thấy giao diện trực quan để squash, fixup, drop, edit commit, hay di chuyển chúng lên xuống bằng ctrl+k/ctrl+j. Xong rồi thì m để continue. Hông còn cảnh gõ pick, squash bằng tay nữa.

Chỉ muốn stage một vài dòng code trong một file lớn Mở Lazygit, vào file cần chỉnh, nhấn space trên từng dòng để stage. Hoặc dùng v để chọn một vùng. Nó trực quan hơn git add -p nhiều, hông cần phải vật lộn với từng hunk hay chỉnh patch file bằng tay giùm bạn.

Lỡ tay làm rối nùi repo, muốn quay lại trạng thái trước đó Nhấn z để undo hành động cuối cùng. Lazygit dùng reflog nên bạn có thể hoàn tác các thao tác liên quan đến commit và branch. Cứ như có nút "Ctrl+Z" cho Git vậy đó, yên tâm hơn nhiều.

Các điểm chính

Git CLI mạnh nhưng khó xài, Lazygit giải quyết đúng chỗ đau: Thay vì phải học thuộc lòng cả mớ lệnh phức tạp, Lazygit cung cấp một giao diện trực quan giúp mình thao tác Git dễ dàng. Điều này đặc biệt đúng với các tác vụ như rebase, cherry-pick, hay staging từng dòng. Nó hông phải là thay thế Git, mà là một lớp UI giúp mình xài Git hiệu quả hơn.
Tiết kiệm thời gian đáng kể cho các tác vụ lặp lại: Những thao tác như interactive rebase, cherry-pick, hay quản lý stash, worktree có thể tốn rất nhiều thời gian nếu làm bằng CLI. Lazygit biến chúng thành vài cú click/phím, giúp mình tiết kiệm hàng giờ mỗi tuần.
Giảm thiểu sai sót, tăng tự tin khi làm việc với Git: Giao diện trực quan giúp mình thấy rõ mình đang làm gì, tránh các lỗi thường gặp khi thao tác Git bằng lệnh. Tính năng undo cũng là một "phao cứu sinh" tuyệt vời.
Hỗ trợ đầy đủ các tính năng nâng cao, hông chỉ là cơ bản: Từ bisect, worktrees, custom patches đến commit graph, compare commits, Lazygit đều có đủ. Nó hông chỉ là "Git GUI" đơn giản mà là một công cụ mạnh mẽ cho dev chuyên nghiệp.
Tích hợp GitHub PRs giúp quản lý code tốt hơn: Lazygit có thể hiển thị trạng thái Pull Request của các branch trên GitHub (cần cài gh CLI). Điều này giúp mình nắm bắt tình hình code review mà hông cần thoát terminal.

Workflow gợi ý

"Dọn dẹp" code trước khi commit:
- Mở Lazygit (lazygit hoặc lg).
- Vào panel Files, dùng space để stage từng dòng/hunk cần commit.
- Nhấn c để commit, viết message.
Rebase branch feature lên develop mới nhất:
- Vào panel Branches, chọn branch develop, nhấn r (rebase).
- Chọn branch feature của mình.
- Lazygit sẽ mở giao diện rebase interactive, mình có thể squash, fixup các commit cho gọn gàng.
- Nhấn m rồi continue để hoàn tất.
Tạo worktree mới để xử lý bug nóng:
- Đang ở branch feature, có việc gấp cần fix bug ở master.
- Vào panel Branches, chọn master, nhấn w để tạo worktree mới.
- Lazygit sẽ tạo một thư mục mới với branch master ở đó, mình có thể chuyển qua làm việc ngay mà hông ảnh hưởng đến branch feature hiện tại.

Quick Start

Làm ngay tuần này: Cài Lazygit (brew install lazygit hoặc tải binary) và tập dùng nó cho các tác vụ git add -p (stage từng dòng) và git rebase -i (interactive rebase).
Bước tiếp: Thử dùng Lazygit để cherry-pick commit, amend commit cũ, hoặc quản lý worktrees.
Thói quen duy trì: Thay thế hoàn toàn git status, git diff, git add, git commit bằng Lazygit. Dùng nó làm giao diện chính cho mọi thứ liên quan đến Git.

FAQ

Lazygit có thay thế được Git CLI hông? Hông. Lazygit là một giao diện trực quan cho Git, nó chạy các lệnh Git ở dưới. Mình vẫn cần hiểu Git hoạt động ra sao, nhưng Lazygit giúp mình thao tác dễ hơn.

Nó có hỗ trợ Git Flow hay các workflow khác hông? Có. Lazygit hỗ trợ Git Flow và có thể tùy chỉnh để phù hợp với workflow riêng của bạn thông qua custom commands.

Mấy cái màu trên commit graph có ý nghĩa gì? Màu sắc trên commit graph tương ứng với các tác giả commit khác nhau. Khi bạn di chuyển trên graph, các commit cha của commit đang chọn sẽ được highlight.

Có cần cài thêm gì để dùng tính năng GitHub PRs hông? Cần cài gh CLI (GitHub CLI) và chạy gh auth login một lần để Lazygit có quyền truy cập GitHub. Sau đó nó sẽ tự động hiển thị trạng thái PR.

Building a CLI for all of Cloudflare

Tue, 14 Apr 2026 23:01:37 GMT

TL;DR

Cloudflare đang tái cấu trúc CLI của họ (từ Wrangler quen thuộc sang cf) để quản lý toàn bộ sản phẩm, từ Workers đến DNS, bằng một công cụ duy nhất. Mục tiêu là giúp dev và AI agent tự động hóa, quản lý tài nguyên Cloudflare một cách nhất quán, từ local đến production.

Nói đơn giản: Như có một remote control vạn năng cho cả hệ sinh thái Cloudflare vậy.

Tổng quan

Cloudflare đang trong quá trình xây dựng lại CLI của mình. Từ cái tên quen thuộc Wrangler, họ đang chuyển sang một công cụ mới tên là cf với tham vọng bao quát hơn 100 sản phẩm và gần 3000 HTTP API operations của họ.

Lý do chính là vì ngày càng nhiều "agent" (bao gồm cả AI agent) đang là khách hàng chính của các API Cloudflare. Họ cần một CLI thống nhất, dễ dùng cho cả con người lẫn AI, cho phép cấu hình mọi thứ bằng infrastructure-as-code.

Để làm được điều này, Cloudflare đã phải xây dựng một hệ thống code generation hoàn toàn mới, dựa trên TypeScript schema thay vì chỉ OpenAPI. Điều này giúp họ định nghĩa toàn bộ scope của API, CLI commands, arguments và context cần thiết để tạo ra bất kỳ giao diện nào (SDKs, Terraform, Workers Bindings, Agent Skills, docs) một cách nhất quán.

Hiện tại, bản Technical Preview của cf đã ra mắt (chạy npx cf hoặc npm install -g cf). Dù mới chỉ hỗ trợ một phần nhỏ sản phẩm, đây là bước đầu cho một CLI toàn diện, hứa hẹn sẽ tích hợp với các tính năng của Wrangler trong tương lai gần.

Xài vào việc gì?

Bạn đang dùng nhiều dịch vụ Cloudflare và muốn quản lý chúng hiệu quả hơn Chạy cf để tạo, cập nhật, xóa mọi thứ từ Workers, R2, D1 đến DNS records hay Cache Rules. Thay vì phải nhảy qua lại giữa dashboard và nhiều CLI khác nhau, bạn có một điểm tập trung duy nhất. Kết quả: Tiết kiệm thời gian chuyển đổi context, chuẩn hóa workflow, giảm thiểu lỗi thủ công.

Bạn muốn tự động hóa việc triển khai và cấu hình hạ tầng Cloudflare Viết script hoặc dùng AI agent để tự động provision DNS records, cache rules, Workers, R2 buckets, D1 databases. cf được thiết kế để thân thiện với automation. Kết quả: Giảm lỗi thủ công, tăng tốc độ triển khai, dễ dàng scale hệ thống mà hông cần tăng headcount.

Bạn đang phát triển ứng dụng Cloudflare Workers và cần debug local hiệu quả Dùng Local Explorer (tính năng mới trong cf và Cloudflare Vite plugin) để kiểm tra dữ liệu của KV, R2, D1, Durable Objects ngay trên máy local. Bạn có thể xem, thêm, sửa, xóa dữ liệu giả lập. Kết quả: Debug nhanh hơn, viết test hiệu quả hơn mà hông cần deploy lên staging môi trường, tăng tốc độ phát triển.

Bạn muốn đảm bảo tính nhất quán trong đội ngũ dev khi làm việc với Cloudflare Với các quy tắc và guardrails được enforce ở schema layer (ví dụ: luôn dùng get, hông dùng info; luôn --force, hông --skip-confirmations), mọi dev trong team sẽ dùng cùng một cú pháp. Kết quả: Giảm nhầm lẫn, tăng hiệu suất làm việc nhóm và dễ dàng onboarding dev mới.

Các điểm chính

AI Agents là khách hàng chính của API: Cloudflare nhận ra AI agents đang ngày càng dùng API của họ nhiều hơn. Điều này có nghĩa là các tools phải được thiết kế cho cả con người và AI.
- Hành động: Khi build tool hoặc API, mình cần nghĩ xem AI agent sẽ tương tác với nó như thế nào, hông chỉ dừng lại ở UI/UX cho con người. Đây là một "timing window" quan trọng.
Tính nhất quán là chìa khóa cho tự động hóa: Cloudflare đang enforce các quy tắc cú pháp ở schema layer để đảm bảo mọi lệnh CLI đều nhất quán.
- Hành động: Trong các dự án automation của mình, cần xây dựng các "guardrails" từ sớm để giữ cho hệ thống dễ bảo trì và mở rộng, tránh tình trạng "Swiss cheese" (chỗ có chỗ không).
Chỉ dùng OpenAPI schema là hông đủ: OpenAPI tốt cho REST API, nhưng hông thể mô tả hết các tương tác phức tạp của CLI, Workers Bindings hay Agent Skills.
- Hành động: Đừng giới hạn mình vào một loại schema duy nhất. Cần một schema đủ "mạnh" để mô tả toàn bộ hệ thống, hông chỉ một phần nhỏ của nó. Đây là "obsolete wisdom" nếu mình cứ khăng khăng chỉ dùng OpenAPI cho mọi thứ.
Quyết định xây dựng hệ thống code generation mới là hông thể đảo ngược: Đây là một khoản đầu tư lớn, nhưng cần thiết để scale.
- Hành động: Đối với các hệ thống lớn, việc đầu tư vào hạ tầng code generation/automation pipeline từ sớm sẽ quyết định khả năng mở rộng và tốc độ phát triển trong tương lai.
Cloudflare đang mở rộng cửa cho AI agents: Việc thiết kế CLI và API thân thiện với AI agents là một bước đi chiến lược quan trọng.
- Hành động: Các dev và founder cần nhanh chóng thích nghi với xu hướng "agent-first" này để tận dụng tối đa các nền tảng như Cloudflare, nếu hông sẽ lỡ mất cơ hội ("competitive timing").
Người làm config thủ công và "click-ops" sẽ bị chậm lại: Nếu hông adapt, những người quen click trên dashboard để cấu hình mọi thứ sẽ bị chậm lại so với team dùng CLI và automation.
- Hành động: Học cách dùng CLI và infrastructure-as-code là kỹ năng sống còn. "Who dies?" chính là những workflow thủ công, chậm chạp đó.
"What you can do remotely, you can now do locally": Câu này nhấn mạnh sự đồng bộ giữa môi trường dev local và production.
- Hành động: Tìm cách áp dụng nguyên tắc này vào các dự án của mình để giảm thiểu sự khác biệt giữa dev và prod, giúp quá trình phát triển mượt mà hơn. Đây là một "emotional anchor" giúp mình nhớ về giá trị của Local Explorer.

Workflow gợi ý

Khởi tạo project Cloudflare Workers mới: Dùng cf để tạo project mới, cấu hình Workers, R2, D1 bindings ngay trong wrangler.jsonc.
Phát triển và debug local: Chạy Workers local với cf dev, sau đó nhấn e để mở Local Explorer và kiểm tra dữ liệu R2/D1/KV giả lập.
Deploy và quản lý production: Dùng cf deploy để đẩy code, sau đó dùng các lệnh cf khác để quản lý DNS, Cache Rules, v.v. trên môi trường production.

Quick Start

Làm ngay tuần này: Cài npx cf hoặc npm install -g cf và thử tạo một Workers project đơn giản. Sau đó, chạy cf dev và nhấn e để bật Local Explorer, xem dữ liệu local của KV/R2/D1.
Bước tiếp: Dùng cf để cấu hình một dịch vụ Cloudflare khác mà bạn đang dùng (ví dụ: tạo DNS record, quản lý R2 bucket) thay vì dùng dashboard.
Thói quen duy trì: Tích hợp cf vào CI/CD pipeline của bạn để tự động hóa việc triển khai và quản lý tài nguyên Cloudflare, biến nó thành một phần hông thể thiếu trong workflow của team.

FAQ

cf có thay thế hoàn toàn Wrangler hông?
- Hiện tại cf là bản technical preview. Cloudflare sẽ dần tích hợp nó với các tính năng hiện có của Wrangler để tạo ra một CLI toàn diện. Mục tiêu cuối cùng là cf sẽ là CLI cho toàn bộ nền tảng Cloudflare.
Tại sao Cloudflare lại build lại CLI từ đầu?
- Để hỗ trợ toàn bộ sản phẩm của Cloudflare, đảm bảo tính nhất quán và khả năng mở rộng cho cả dev và AI agent. Hệ thống cũ chỉ dựa vào OpenAPI hông đủ để mô tả hết các tương tác phức tạp.
Local Explorer là gì và nó giúp gì cho mình?
- Local Explorer là tính năng giúp bạn xem và quản lý các tài nguyên Cloudflare được giả lập local (KV, R2, D1, Durable Objects) ngay trong môi trường phát triển. Nó giúp debug và test nhanh hơn mà hông cần deploy lên môi trường thật.
Mình có thể đóng góp feedback cho cf ở đâu?
- Bạn có thể tham gia Cloudflare Developers Discord để chia sẻ mong muốn và những tính năng bạn muốn thấy trong CLI mới. Cloudflare đang rất muốn nghe ý kiến từ cộng đồng.

Claude Mythos: The System Card - by Zvi Mowshowitz

Mon, 13 Apr 2026 12:42:18 GMT

TL;DR

Claude Mythos là mô hình AI mới nhất của Anthropic, mạnh đến mức có thể tìm ra zero-day exploits cho gần như mọi phần mềm trên Trái Đất. Vì rủi ro quá lớn, Anthropic quyết định hông release công khai mà chỉ hợp tác với các công ty an ninh mạng để vá lỗi hệ thống toàn cầu.

Nói đơn giản: Như có một siêu hacker AI được huấn luyện để vá lỗi, chứ hông phải để tấn công.

Tổng quan

Claude Mythos là mô hình AI đầu tiên của Anthropic (và có thể là cả ngành) mà hông được phát hành công khai. Khác với GPT-2 ngày xưa bị trì hoãn vì "sợ chung chung", việc Mythos bị "giấu kín" là vì nó có khả năng tạo ra vô số zero-day exploits cho mọi hệ điều hành, trình duyệt và phần mềm hiện có. Nếu release ra ngoài, nó sẽ gây ra hỗn loạn toàn cầu.

Thay vì release, Anthropic đã khởi động Project Glasswing. Họ chỉ cung cấp Mythos cho các công ty an ninh mạng hàng đầu để họ dùng nó tìm và vá các lỗ hổng bảo mật quan trọng nhất thế giới. Mục tiêu là "patch the world’s most important software" trước khi quá muộn. Quyết định này cho thấy Anthropic đang rất nghiêm túc về rủi ro từ các mô hình AI tiên tiến.

Zvi Mowshowitz tin rằng Anthropic đang nói thật, dựa trên các buổi demo công khai và sự hợp tác của các ông lớn tech. Anh ấy cũng nhấn mạnh rằng Mythos là mô hình "aligned" (tuân thủ mục tiêu) nhất từ trước đến nay, nhưng chính vì nó quá mạnh, những lỗi nhỏ nhất cũng có thể gây hậu quả thảm khốc.

Xài vào việc gì?

Bạn là CTO/Tech Lead đang xây dựng hệ thống mới: Việc Mythos có thể tìm zero-day exploits dễ dàng cho thấy mức độ nguy hiểm của các lỗ hổng bảo mật mà chúng ta chưa biết. Điều này buộc bạn phải suy nghĩ lại về chiến lược bảo mật, đầu tư mạnh hơn vào pentest tự động hoặc các công cụ quét lỗ hổng tiên tiến để chủ động tìm và vá lỗi trước khi AI làm điều đó.

Bạn là Founder/Operator đang scale sản phẩm bằng AI: Sự tồn tại của Mythos cho thấy AI agent có thể đạt đến mức độ tự động hóa và khả năng gây tác động cực lớn. Bạn cần cân nhắc kỹ rủi ro "misalignment" (AI làm điều hông mong muốn) khi thiết kế các workflow AI agent phức tạp, đặc biệt là những workflow có quyền truy cập sâu vào hệ thống.

Bạn đang định hướng chiến lược AI cho doanh nghiệp: Quyết định hông release Mythos là một tín hiệu mạnh mẽ từ Anthropic về rủi ro của "frontier models". Điều này định hình lại kỳ vọng về tốc độ phát triển và triển khai AI. Bạn cần xây dựng một "Responsible Scaling Policy" (RSP) riêng cho công ty mình, hông chỉ tập trung vào hiệu suất mà còn cả an toàn và đạo đức.

Các điểm chính

AI quá mạnh có thể là mối đe dọa không thể kiểm soát: Claude Mythos là AI đầu tiên bị Anthropic "giấu" vì khả năng tạo zero-day exploits. Điều này cho thấy rủi ro từ các mô hình AI tiên tiến hông còn là lý thuyết mà là thực tế.
- Hành động: Đánh giá lại mức độ rủi ro của các AI model mà mình đang xài, đặc biệt là những model có khả năng tương tác sâu với hệ thống hoặc dữ liệu nhạy cảm.
"Alignment" không có nghĩa là an toàn tuyệt đối: Mythos được đánh giá là mô hình "aligned" tốt nhất, nhưng chính vì nó quá mạnh, những "misaligned actions" (hành động lệch lạc) hiếm hoi lại cực kỳ nguy hiểm.
- Hành động: Đừng chỉ nhìn vào "aligned behaviors" bên ngoài. Cần có cơ chế giám sát sâu hơn và các lớp bảo vệ để ngăn chặn AI thực hiện những hành động hông mong muốn, dù là vô tình hay cố ý.
Cách làm cũ về AI safety đã lỗi thời: Quan niệm "cứ release rồi vá lỗi sau" (move fast and break things) là cực kỳ nguy hiểm với các frontier models. Rủi ro từ Mythos là không thể đảo ngược nếu nó rơi vào tay kẻ xấu.
- Hành động: Ưu tiên "safety-first" ngay từ giai đoạn thiết kế và huấn luyện AI. Đầu tư vào các quy trình đánh giá rủi ro nghiêm ngặt trước khi triển khai bất kỳ AI nào có khả năng tác động lớn.
Cơ hội vàng cho an ninh mạng: Project Glasswing là một cửa sổ thời gian quan trọng để các công ty an ninh mạng dùng AI tiên tiến vá lỗi toàn cầu.
- Hành động: Nếu bạn làm trong lĩnh vực an ninh mạng, đây là lúc để nghiên cứu và ứng dụng AI vào việc phát hiện và phòng chống lỗ hổng. Nếu bạn là doanh nghiệp, hãy chủ động hợp tác với các chuyên gia bảo mật để hệ thống của mình được "vá" kịp thời.
Thách thức với chính phủ và quản lý AI: Chính phủ Mỹ đang cố gắng "gỡ" mình khỏi các sản phẩm của Anthropic, cho thấy sự lo ngại về khả năng kiểm soát AI.
- Hành động: Theo dõi sát sao các quy định và chính sách về AI từ chính phủ. Chuẩn bị sẵn sàng cho việc các quy định này sẽ ngày càng chặt chẽ hơn, đặc biệt với các AI có khả năng cao.
Năng suất AI tăng gấp 4 lần nhưng vẫn chưa đủ: Một khảo sát nội bộ cho thấy Mythos có thể tăng năng suất kỹ thuật lên gấp 4 lần. Tuy nhiên, Anthropic cho rằng để "nhân đôi tiến độ tổng thể" thì cần mức tăng năng suất gấp 40 lần.
- Hành động: Đừng quá ảo tưởng về việc AI sẽ "nhân đôi mọi thứ" ngay lập tức. Tập trung vào các use case cụ thể mà AI có thể tăng năng suất đáng kể (4x) và tích hợp nó vào workflow hiện có.

Quick Start

Tuần này: Ngồi lại với đội ngũ bảo mật (hoặc chuyên gia bên ngoài) để đánh giá lại các lỗ hổng tiềm ẩn trong hệ thống cốt lõi của mình, đặc biệt là những lỗ hổng có thể bị khai thác bởi các công cụ tự động.
Bước tiếp: Nghiên cứu sâu hơn về các framework "Responsible AI" và "AI Safety" như của Anthropic hay OpenAI để bắt đầu xây dựng một bộ quy tắc và quy trình nội bộ cho việc phát triển và triển khai AI trong công ty bạn.
Thói quen duy trì: Theo dõi thường xuyên các báo cáo và tin tức về "frontier models" và AI safety. Cập nhật kiến thức liên tục về rủi ro và cách phòng tránh để luôn đi trước một bước.

FAQ

Claude Mythos là gì? Claude Mythos là mô hình AI tiên tiến nhất của Anthropic, được thiết kế với khả năng mạnh mẽ trong nhiều lĩnh vực, đặc biệt là an ninh mạng.

Tại sao Anthropic hông release công khai? Vì Mythos có khả năng tìm ra zero-day exploits cho gần như mọi phần mềm trên thế giới, gây ra rủi ro hỗn loạn toàn cầu nếu được phát hành rộng rãi.

Project Glasswing là gì? Đây là dự án mà Anthropic cung cấp Claude Mythos cho các công ty an ninh mạng hàng đầu để họ dùng nó tìm và vá các lỗ hổng bảo mật quan trọng nhất thế giới, nhằm mục đích tăng cường an toàn cho hệ thống toàn cầu.

Điều này có ý nghĩa gì cho các doanh nghiệp đang xài AI? Nó nhấn mạnh tầm quan trọng của việc ưu tiên an toàn và bảo mật khi phát triển và triển khai AI, đồng thời cho thấy tiềm năng và rủi ro cực lớn của các AI agent trong tương lai.

Liệu các AI khác có đạt đến mức độ nguy hiểm này hông? Khả năng là có. Zvi Mowshowitz và Anthropic đều cảnh báo rằng các mô hình AI trong tương lai sẽ ngày càng mạnh hơn, và các phương pháp an toàn hiện tại có thể hông đủ để ngăn chặn các hành động gây thảm họa.

Your harness, your memory

Sun, 12 Apr 2026 14:10:04 GMT

TL;DR

Agent harnesses là xương sống để xây dựng các AI agent, và chúng gắn liền với bộ nhớ. Nếu bạn dùng harness đóng (proprietary API), bạn đang giao quyền kiểm soát bộ nhớ agent cho bên thứ ba, dễ bị lock-in và mất đi lợi thế cạnh tranh.

Nói đơn giản: Như việc bạn giao "ký ức" của nhân viên AI cho công ty khác giữ, muốn đổi việc là mất hết.

Tổng quan

Agent harnesses là cách chính để xây dựng các AI agent hiện nay, và chúng sẽ hông biến mất đâu. Hiểu đơn giản, đây là các framework hay scaffolding giúp LLM tương tác với tools và dữ liệu bên ngoài.

Từ những ngày đầu với LangChain, LangGraph đến các giải pháp phức tạp hơn như Claude Code, Deep Agents, Pi, OpenCode... đều là ví dụ về agent harnesses. Ngay cả các nhà phát triển model lớn nhất thế giới cũng đang đầu tư rất mạnh vào harness, chứng tỏ nó là một phần cốt lõi hông thể thiếu.

Mặc dù có ý kiến cho rằng model sẽ "nuốt" hết scaffolding, thực tế là scaffolding chỉ thay đổi hình thức thôi. Một agent, theo định nghĩa, là một LLM tương tác với tools và dữ liệu. Luôn cần một hệ thống (harness) để điều phối những tương tác đó. Bằng chứng là Claude Code bị leak ra có đến 512k dòng code – đó chính là harness đó.

Điểm mấu chốt: Harness gắn liền với bộ nhớ (memory) của agent. Bộ nhớ hông phải là một plugin độc lập, mà là một khả năng cốt lõi và trách nhiệm của harness trong việc quản lý context (ngữ cảnh) của agent. Nó quyết định cách agent tải file, hiển thị skill metadata, hay lưu trữ tương tác.

Xài vào việc gì?

Bạn đang xây dựng một AI agent cá nhân hóa cho khách hàng Thay vì dùng closed harness và mất quyền kiểm soát dữ liệu tương tác, bạn nên chọn open harness để tự quản lý bộ nhớ. Điều này giúp bạn xây dựng dataset độc quyền, làm agent thông minh hơn theo thời gian và hông bị phụ thuộc vào một vendor duy nhất. Kết quả là agent của bạn sẽ ngày càng "hiểu" khách hàng hơn, tạo ra trải nghiệm độc đáo và khó sao chép.

CTO/Tech Lead đang đánh giá các nền tảng AI agent cho dự án dài hạn Nếu chọn harness đóng, bạn có nguy cơ bị lock-in khi muốn chuyển đổi model hoặc nền tảng sau này. Hiểu rõ mối liên hệ giữa harness và memory giúp bạn đưa ra quyết định chiến lược, ưu tiên các giải pháp open-source để đảm bảo tính linh hoạt và sở hữu dữ liệu. Bạn sẽ tránh được rủi ro phải "đập đi xây lại" toàn bộ hệ thống khi cần thay đổi.

Dev đang gặp khó khăn khi chuyển đổi AI agent giữa các model provider Nếu agent của bạn có bộ nhớ (lịch sử trò chuyện, sở thích người dùng) được lưu trên API của một provider, việc chuyển đổi sang model khác sẽ rất phức tạp vì bạn mất quyền truy cập vào bộ nhớ đó. Sử dụng open harness cho phép bạn lưu trữ và di chuyển bộ nhớ một cách độc lập, giúp việc chuyển đổi model dễ dàng hơn nhiều.

Các điểm chính

Agent Harness là xương sống của AI agent: Harness hông phải là thứ tạm thời, mà là thành phần cốt lõi để LLM tương tác với tools và dữ liệu. Dù model có giỏi đến mấy, vẫn cần harness để hoạt động hiệu quả.
Harness và Memory gắn liền với nhau: Bộ nhớ hông phải là một plugin riêng biệt, mà là một phần trách nhiệm chính của harness trong việc quản lý context (ngữ cảnh) của agent. Nó quản lý mọi thứ từ short-term đến long-term memory.
Dùng Closed Harness = Mất quyền sở hữu Memory: Nếu harness là proprietary (độc quyền) hoặc nằm sau API của vendor, bạn đang giao quyền kiểm soát bộ nhớ agent cho họ. Điều này gây ra lock-in nghiêm trọng.
Lock-in Memory rất nguy hiểm: Khác với việc dễ dàng chuyển đổi model khi chúng stateless, khi có state (bộ nhớ), việc chuyển đổi rất khó vì bạn sẽ mất hết dữ liệu tương tác và cá nhân hóa. Mình từng bị mất agent có memory và phải "dạy" lại từ đầu, rất bực mình.
Memory là lợi thế cạnh tranh của AI agent: Bộ nhớ giúp agent học hỏi, cá nhân hóa theo người dùng, và tạo ra trải nghiệm độc đáo. Nếu hông có memory, agent của bạn dễ dàng bị sao chép và hông có gì đặc biệt.
Open Harness để làm chủ Memory: Để sở hữu dataset độc quyền và có quyền linh hoạt chọn model, bạn cần dùng harness mã nguồn mở, độc lập với nhà cung cấp model.
Deep Agents là một lựa chọn Open Harness: Deep Agents của LangChain là một ví dụ về open-source, model-agnostic harness. Nó cho phép bạn tự quản lý bộ nhớ với nhiều database khác nhau (Mongo, Postgres, Redis) và dễ dàng deploy.

Quick Start

Đánh giá lại các AI agent đang dùng tuần này: Kiểm tra xem chúng đang dùng harness đóng hay mở, và bộ nhớ được lưu trữ ở đâu. Bạn có đang bị phụ thuộc vào một vendor nào hông?
Ưu tiên Open Harness cho dự án mới: Khi xây dựng agent mới, hãy chọn các giải pháp open-source, model-agnostic để đảm bảo quyền sở hữu dữ liệu và linh hoạt trong tương lai.
Tìm hiểu Deep Agents: Nếu đang tìm kiếm một giải pháp, hãy thử Deep Agents của LangChain để hiểu cách một open harness hoạt động và quản lý memory.

FAQ

Agent harness là gì? Là framework hay scaffolding giúp LLM tương tác với tools và dữ liệu bên ngoài để tạo ra AI agent. Nó là bộ khung điều phối hoạt động của agent.

Tại sao harness lại gắn với memory? Vì harness chịu trách nhiệm quản lý context (ngữ cảnh) của agent, bao gồm cả short-term (tin nhắn hội thoại) và long-term memory (thông tin qua các phiên làm việc). Bộ nhớ hông phải là một plugin mà là một phần cốt lõi của harness.

Dùng closed harness có rủi ro gì? Bạn mất quyền kiểm soát bộ nhớ của agent, dễ bị lock-in vào một vendor, và rất khó chuyển đổi sang model hay nền tảng khác mà hông mất đi các dữ liệu quan trọng đã được cá nhân hóa.

Làm sao để sở hữu bộ nhớ của agent? Bạn cần dùng open harness, độc lập với nhà cung cấp model, và tự quản lý việc lưu trữ bộ nhớ của mình trên các database mà bạn kiểm soát.

Your harness, your memory

Sun, 12 Apr 2026 08:11:34 GMT

TL;DR

Agent harnesses là cách chính để xây dựng AI agent, và chúng gắn liền với bộ nhớ của agent. Nếu bạn xài harness đóng, bạn sẽ mất quyền kiểm soát bộ nhớ AI, dẫn đến bị phụ thuộc vào nhà cung cấp. Điều này ảnh hưởng trực tiếp đến khả năng tùy biến và giá trị lâu dài của agent bạn đó.

Nói đơn giản: Giống như bạn cho người khác giữ sổ tay ghi chú quan trọng nhất của mình vậy đó.

Tổng quan

Cách build các hệ thống agentic đã thay đổi rất nhiều trong ba năm qua. Từ những RAG chains đơn giản như LangChain, đến các flow phức tạp hơn với LangGraph, và giờ là sự trỗi dậy của một loại scaffolding mới: agent harnesses.

Agent harnesses là những framework hay cấu trúc bao quanh LLM, giúp nó tương tác với các công cụ (tools) và nguồn dữ liệu khác. Ví dụ điển hình có Claude Code, Deep Agents, Pi (nền tảng của OpenClaw), OpenCode...

Có ý kiến cho rằng model sẽ tự "nuốt chửng" hết các scaffolding này, nhưng điều đó hông đúng. Đúng là nhiều scaffolding của năm 2023 giờ hông cần nữa, nhưng chúng được thay thế bằng những loại scaffolding khác. Một agent, về bản chất, là một LLM tương tác với tool và data. Luôn cần một hệ thống xung quanh LLM để điều phối sự tương tác đó. Bằng chứng là Claude Code bị leak có tới 512k dòng code – đó chính là cái harness đó.

Cái hay là harnesses gắn liền với bộ nhớ (memory) của agent. Sarah Wooders từng nói "memory hông phải là một plugin, nó là cái harness", và mình hoàn toàn đồng ý. Memory hông phải là một dịch vụ độc lập, mà là một phần cốt lõi của harness, chịu trách nhiệm quản lý context. Từ short-term memory (tin nhắn trong cuộc hội thoại, kết quả tool call) đến long-term memory (ghi nhớ giữa các phiên), tất cả đều được harness xử lý và cập nhật.

Hiện tại, khái niệm memory trong AI còn rất sơ khai, chưa có chuẩn chung. Vì vậy, cách harness quản lý context và state nói chung chính là nền tảng cho memory của agent.

Xài vào việc gì?

Đang xây AI agent nhưng lo ngại bị phụ thuộc vào một nền tảng Nếu bạn dùng harness đóng (proprietary harness), bạn sẽ hông sở hữu bộ nhớ của agent. Điều này có nghĩa là bạn bị khóa vào một nhà cung cấp, khó mà chuyển đổi model hay nền tảng khác mà hông mất đi dữ liệu đã học. → Giải pháp: Chọn harness mã nguồn mở (open harness) ngay từ đầu, ví dụ như Deep Agents. Nó giúp bạn toàn quyền kiểm soát bộ nhớ và data, đảm bảo agent của bạn linh hoạt và hông bị lock-in.

Muốn agent cá nhân hóa và học hỏi theo người dùng theo thời gian Một agent hông có memory thì dễ dàng bị sao chép. Với memory, agent có thể ghi nhớ tương tác, sở thích của người dùng, từ đó cá nhân hóa trải nghiệm và trở nên thông minh hơn. → Giải pháp: Xây dựng trên harness mở cho phép bạn sở hữu và quản lý dữ liệu tương tác. Agent của bạn sẽ tạo ra một dataset độc quyền, giúp nó cung cấp trải nghiệm độc đáo và khó sao chép, tạo lợi thế cạnh tranh.

Cần đảm bảo dữ liệu người dùng được bảo mật và tuân thủ quy định Khi xài harness đóng, đặc biệt là các API có trạng thái (stateful API) như OpenAI's Responses API hay Anthropic's server-side compaction, bạn đang lưu trữ dữ liệu trên server của họ. Điều này có thể gây lo ngại về bảo mật và quyền riêng tư. → Giải pháp: Với open harness, bạn tự host và quản lý memory, đảm bảo data nằm trong tầm kiểm soát của mình, tránh rủi ro khi lưu trữ trên server bên thứ ba và dễ dàng tuân thủ các quy định về dữ liệu.

Các điểm chính

Agent harnesses là xương sống của AI agent: Chúng hông phải là thứ tạm thời mà là kiến trúc nền tảng cho mọi agent tương tác với tool và data. → Đừng nghĩ model sẽ nuốt chửng hết scaffolding; hãy đầu tư vào việc chọn harness đúng để xây dựng nền tảng vững chắc cho agent của bạn.
Harness và bộ nhớ (memory) gắn liền với nhau: Memory hông phải là một plugin rời mà là chức năng cốt lõi của harness, quản lý mọi context và trạng thái của agent. → Bỏ tư tưởng memory là service độc lập; hãy xem nó là phần không thể tách rời của hệ thống agent để thiết kế kiến trúc phù hợp.
Harness đóng = mất quyền kiểm soát bộ nhớ: Khi xài harness độc quyền (đặc biệt là sau API), bạn giao quyền sở hữu và quản lý bộ nhớ agent cho bên thứ ba. → Quyết định này hông thể đảo ngược; nếu muốn chuyển đổi model hay nền tảng, bạn sẽ mất hết dữ liệu đã học, gây thiệt hại lớn về thời gian và công sức.
Bộ nhớ tạo ra giá trị độc quyền và sự gắn kết: Agent có memory sẽ học hỏi, cá nhân hóa theo người dùng, tạo ra trải nghiệm độc đáo và khó sao chép. → Đây là lợi thế cạnh tranh cốt lõi; hông có memory, agent của bạn dễ dàng bị đối thủ bắt chước, làm mất đi sự khác biệt.
Nhà cung cấp model đang cố gắng tạo lock-in qua memory: Họ có động lực lớn để đưa các chức năng memory vào sau API của họ, như Claude Managed Agents. → Hãy cảnh giác với các dịch vụ "managed agent" đóng, vì chúng có thể khóa bạn vào hệ sinh thái của họ, khiến việc di chuyển sau này cực kỳ khó khăn.
Cần harness mở để sở hữu bộ nhớ của mình: Để giữ quyền kiểm soát data, đảm bảo tính linh hoạt và khả năng chuyển đổi model, bạn phải xài harness mã nguồn mở. → Hãy ưu tiên các giải pháp open source, model agnostic như Deep Agents để bạn toàn quyền sở hữu và quản lý tài sản quý giá nhất của agent: bộ nhớ.

Quick Start

Đánh giá các AI agent bạn đang dùng/xây dựng: Xác định xem chúng đang dùng harness nào, có phải là closed hay open. Nếu là closed, hãy hiểu rõ rủi ro về lock-in và khả năng mất quyền kiểm soát bộ nhớ.
Ưu tiên giải pháp harness mở cho dự án mới: Ví dụ Deep Agents, để đảm bảo bạn sở hữu bộ nhớ và có toàn quyền kiểm soát data ngay từ đầu, tránh các vấn đề về sau.
Lên kế hoạch di chuyển dữ liệu (nếu có): Nếu đang dùng harness đóng và muốn chuyển đổi, hãy tìm hiểu cách xuất và chuyển đổi dữ liệu memory sang hệ thống mở. Đây là một bước quan trọng để giành lại quyền kiểm soát.

FAQ

Agent harness là gì? Là một framework hay cấu trúc bao quanh LLM, giúp nó tương tác với tool và data để thực hiện các tác vụ phức tạp. Nó là phần mềm điều phối hoạt động của agent.

Tại sao tôi cần quan tâm đến việc sở hữu bộ nhớ agent? Vì bộ nhớ là yếu tố then chốt giúp agent học hỏi, cá nhân hóa, và tạo ra giá trị độc quyền. Mất quyền kiểm soát bộ nhớ đồng nghĩa với việc mất lợi thế cạnh tranh và bị lock-in vào một nền tảng duy nhất.

Làm sao để biết harness tôi đang dùng là "mở" hay "đóng"? Harness mở thường là mã nguồn mở (open source), cho phép bạn tự host và kết nối với các database memory tùy chọn. Harness đóng thường là dịch vụ API độc quyền từ nhà cung cấp model, bạn hông có quyền truy cập vào mã nguồn hay cách họ quản lý memory.

Deep Agents giải quyết vấn đề này như thế nào? Deep Agents là một open-source harness, model agnostic, dùng các chuẩn mở và cho phép bạn kết nối với nhiều database memory khác nhau (Mongo, Postgres, Redis...). Điều này đảm bảo bạn toàn quyền sở hữu và quản lý bộ nhớ của agent, hông bị phụ thuộc vào bất kỳ nhà cung cấp model nào.

The Roadmap to Mastering Agentic AI Design Patterns - MachineLearningMastery.com

Fri, 10 Apr 2026 23:20:05 GMT

TL;DR

Bài này hướng dẫn cách chọn và áp dụng các design pattern cho Agentic AI để xây dựng hệ thống AI tự động đáng tin cậy, dễ scale và dễ debug. Nó giúp bạn đi từ việc viết prompt mò mẫm sang thiết kế kiến trúc AI có hệ thống.

Nói đơn giản: Xây agent AI hông có design pattern, y như xây nhà hông có bản vẽ kỹ thuật vậy đó.

Tổng quan

Hầu hết các hệ thống Agentic AI hiện tại đều được build theo kiểu "tính năng nào hay thì thêm vào", hông có một framework chung để AI suy luận, hành động hay phục hồi lỗi. Điều này làm cho hành vi của agent khó đoán, khó debug và gần như hông thể cải thiện một cách có hệ thống.

Agentic design patterns là những cách tiếp cận đã được kiểm chứng, có thể tái sử dụng để giải quyết các vấn đề lặp đi lặp lại khi thiết kế hệ thống agent. Nó định hình cách agent suy nghĩ trước khi làm, tự đánh giá output, chọn và gọi tool, và cách nhiều agent phối hợp với nhau. Chọn đúng pattern là yếu tố then chốt giúp agent của bạn hoạt động ổn định, dễ debug và có thể mở rộng.

Bài viết này đưa ra một roadmap thực tế để bạn hiểu về các design pattern này. Nó giải thích tại sao việc chọn pattern là một quyết định kiến trúc quan trọng, và đi sâu vào các pattern cốt lõi đang được xài trong production hiện nay như ReAct, Reflection, Planning, Tool Use và Multi-Agent.

Xài vào việc gì?

Agent cứ chạy lung tung, hông đoán được nó làm gì Chạy một agent mà hông biết nó sẽ làm gì kế tiếp, hay tại sao nó lại làm vậy, rất khó để sửa lỗi. → Áp dụng ReAct pattern giùm bạn. Nó giúp agent suy luận rõ ràng từng bước (Thought), hành động (Action) và quan sát kết quả (Observation). → Kết quả: Bạn có thể thấy rõ từng quyết định của AI, biết chính xác chỗ nào logic bị gãy để debug.

Output của agent hông đủ chất lượng, hay bị sai vặt Nếu agent cứ đưa ra kết quả hông như ý, bạn phải tốn thời gian chỉnh sửa thủ công hoặc viết prompt phức tạp hơn. → Xài Reflection pattern. Agent sẽ tự tạo ra output, rồi tự đánh giá nó dựa trên các tiêu chí bạn định sẵn, và tự sửa lỗi trước khi đưa kết quả cuối cùng. → Kết quả: Tăng đáng kể chất lượng output, đặc biệt cho các tác vụ cần độ chính xác cao như viết code, soạn thảo văn bản quan trọng.

Agent cần tương tác với hệ thống bên ngoài (API, database) mà hay lỗi Khi agent gọi API hay database, nếu hông có cấu trúc rõ ràng, nó dễ gọi sai, hoặc hông biết xử lý khi API trả về lỗi. → Thiết kế Tool Use pattern một cách có hệ thống. Định nghĩa rõ ràng danh mục tool, schema input/output, và cách xử lý lỗi khi tool thất bại. → Kết quả: Agent gọi tool chuẩn hơn, ít lỗi hơn, và có đường lui khi tool trục trặc, giúp hệ thống hoạt động ổn định hơn.

Tác vụ quá phức tạp, cần nhiều bước phối hợp mà agent cứ làm "ngẫu hứng" Đối với các tác vụ lớn, cần nhiều bước tuần tự và có sự phối hợp, một agent đơn lẻ dễ bị lạc hướng hoặc bỏ qua các bước quan trọng. → Áp dụng Planning pattern. Agent sẽ tạo ra một kế hoạch chi tiết với các subtask và thứ tự thực hiện trước khi bắt đầu. → Kết quả: Giúp AI xử lý các tác vụ phức tạp một cách có cấu trúc, tránh được mấy lỗi phát sinh giữa chừng do AI "ngẫu hứng" quá.

Các điểm chính

Lỗi agent hông phải lúc nào cũng do prompt, mà thường là do kiến trúc.
- Context: Nhiều dev cứ nghĩ agent lỗi là do prompt chưa đủ tốt. Nhưng nếu agent cứ lặp vô tận, gọi tool sai, hay output hông nhất quán, thì đó là vấn đề về cấu trúc hệ thống.
- Hành động: Thay vì chỉ loay hoay với prompt, hãy nghĩ đến việc áp dụng design pattern để định hình hành vi và cấu trúc cho agent của bạn.
Chọn design pattern là một quyết định kiến trúc, hông phải tính năng.
- Context: Đừng vội vàng nhảy vào các pattern phức tạp nhất (như multi-agent) khi chưa cần. Sự phức tạp sớm sẽ làm tăng chi phí token, độ trễ và số điểm lỗi.
- Hành động: Bắt đầu với vấn đề cụ thể, định nghĩa rõ "làm đúng" là gì, rồi chọn pattern đơn giản nhất đáp ứng yêu cầu đó.
ReAct là điểm khởi đầu mặc định cho hầu hết tác vụ phức tạp, hông đoán trước được.
- Context: Pattern này kết hợp suy luận (Thought) và hành động (Action) với quan sát (Observation) trong một vòng lặp liên tục, giúp AI giải quyết vấn đề linh hoạt.
- Hành động: Dùng ReAct khi đường đi giải quyết vấn đề hông cố định, cần AI tự thích nghi (ví dụ: nghiên cứu đa nguồn, support khách hàng với độ phức tạp biến thiên).
Reflection giúp AI tự đánh giá và sửa lỗi, nâng cao chất lượng output.
- Context: Agent tạo ra output ban đầu, tự phê bình dựa trên tiêu chí định sẵn, rồi dùng feedback đó để chỉnh sửa.
- Hành động: Áp dụng Reflection khi chất lượng output quan trọng hơn tốc độ, và bạn có tiêu chí rõ ràng để agent tự đánh giá.
Tool Use biến agent thành hệ thống hành động, nhưng cần thiết kế cẩn thận về bảo mật và xử lý lỗi.
- Context: Agent hông thể tương tác với thế giới thực nếu hông có tool. Nhưng việc gọi tool cần định nghĩa rõ ràng schema, cách xử lý lỗi, và đặc biệt là cân nhắc về bảo mật (sandbox, human approval).
- Hành động: Coi Tool Use là nền tảng, nhưng phải có sandbox, human approval cho các tool rủi ro cao để tránh hậu quả khó lường.
Planning giúp xử lý tác vụ phức tạp, cần phối hợp nhiều bước một cách tuần tự.
- Context: Khi tác vụ quá lớn, cần nhiều bước phụ thuộc nhau, Planning giúp AI chia nhỏ mục tiêu thành các subtask có thứ tự rõ ràng trước khi thực thi.
- Hành động: Dùng Planning khi cấu trúc tác vụ rõ ràng từ đầu và cần phối hợp chặt chẽ giữa các bước, tránh việc agent "tùy hứng" làm hỏng cả quy trình.
Multi-Agent chỉ nên dùng khi có nút thắt cổ chai rõ ràng, hông phải mặc định.
- Context: Phân chia công việc cho các agent chuyên biệt nghe có vẻ hay, nhưng nó tăng độ phức tạp điều phối, dễ phát sinh lỗi liên lạc.
- Hành động: Bắt đầu với một agent có khả năng dùng ReAct và tool. Chỉ mở rộng lên kiến trúc multi-agent khi có lý do chính đáng về hiệu suất, chất lượng hoặc cần chuyên môn sâu hơn.
Đánh giá và an toàn là hông thể thiếu khi đưa agent vào production.
- Context: Chọn pattern xong chưa phải là hết. Bạn cần tiêu chí đánh giá riêng cho từng pattern, test các trường hợp lỗi, và có guardrail để đảm bảo an toàn.
- Hành động: Coi con người là một phần của workflow (human-in-the-loop), dùng các framework orchestration có sẵn (LangGraph, AutoGen, CrewAI) để tăng độ tin cậy.

Quick Start

Làm ngay tuần này:
- Đọc lại bài này, chọn một tác vụ AI bạn đang làm mà hay lỗi hoặc output hông ổn định.
- Thử áp dụng pattern ReAct hoặc Reflection vào task đó. Tập trung vào việc làm cho agent suy luận và tự đánh giá rõ ràng.
Bước tiếp:
- Tìm hiểu sâu hơn về LangGraph, AutoGen, CrewAI — mấy framework này giúp implement pattern dễ hơn nhiều.
- Bắt đầu định nghĩa rõ ràng tool catalog và cách xử lý lỗi cho các tool mà agent của bạn đang xài.
Thói quen duy trì:
- Mỗi khi design một agent mới, luôn hỏi: "Pattern nào đơn giản nhất giải quyết được vấn đề này?"
- Luôn có tiêu chí đánh giá cụ thể cho từng agent và theo dõi chặt chẽ hành vi của nó trong production.

FAQ

Agentic AI là gì? Agentic AI là hệ thống AI có khả năng suy luận, lập kế hoạch, hành động và tự điều chỉnh để đạt được mục tiêu, thường là bằng cách tương tác với môi trường bên ngoài thông qua các tool. Nó khác với các mô hình AI chỉ đơn thuần trả lời câu hỏi.

ReAct khác gì với prompt engineering thông thường? ReAct là một design pattern cấu trúc hóa cách agent suy luận và hành động, giúp nó thực hiện nhiều bước và tự điều chỉnh. Prompt engineering thông thường chỉ là cách bạn ra lệnh cho AI trong một lần gọi. ReAct cung cấp một framework cho nhiều lần gọi, có vòng lặp phản hồi.

Khi nào nên dùng Multi-Agent thay vì một agent đơn lẻ? Bạn nên dùng Multi-Agent khi có một nút thắt cổ chai rõ ràng mà một agent đơn lẻ hông thể giải quyết hiệu quả (ví dụ: cần chuyên môn sâu từ nhiều lĩnh vực, hoặc cần xử lý song song các tác vụ độc lập). Bắt đầu với một agent, chỉ mở rộng khi cần nha.

Làm sao để đảm bảo an toàn khi agent gọi các tool bên ngoài? Bạn cần định nghĩa rõ ràng schema của tool, xử lý lỗi chặt chẽ, và đặc biệt là triển khai các biện pháp bảo mật như môi trường thực thi sandbox, giới hạn quyền truy cập, và cổng phê duyệt thủ công (human approval gates) cho các hành động rủi ro cao.

Có framework nào hỗ trợ implement mấy pattern này hông? Có chứ. Một số framework phổ biến giúp bạn implement các design pattern này dễ dàng hơn bao gồm LangGraph, AutoGen, CrewAI và Guardrails AI. Mình nên tìm hiểu và xài thử mấy cái này giùm.

Use Looker with MCP, Gemini CLI and other Agents

Fri, 10 Apr 2026 09:27:28 GMT

TL;DR

Bài này chỉ bạn cách kết nối Looker với các AI agent như Gemini CLI hay Claude qua Model Context Protocol (MCP). Nhờ đó, bạn có thể dùng ngôn ngữ tự nhiên để tự động hóa việc query data, tạo báo cáo, hay thậm chí là viết LookML.

Nói đơn giản: Như có một trợ lý data analyst AI, bạn hỏi gì về Looker nó cũng trả lời và làm giùm liền.

Tổng quan

Bài viết này hướng dẫn cách mình kết nối Looker — nền tảng phân tích dữ liệu mạnh mẽ — với các công cụ AI developer. Mục tiêu là để AI có thể "nói chuyện" trực tiếp với Looker, giúp tự động hóa nhiều tác vụ liên quan đến data.

Có hai cách chính để làm chuyện này. Cách đầu tiên là dùng extension chuyên biệt cho Gemini CLI. Đây là một AI agent mã nguồn mở của Google, được thiết kế để tăng tốc workflow cho dev. Với Looker extension, Gemini CLI có thể truy cập data của bạn một cách an toàn, có quản lý, và giúp bạn tự động tạo báo cáo, visualization, dashboard chỉ bằng cách gõ lệnh tự nhiên.

Cách thứ hai là dùng MCP Toolbox for Databases. Đây là một MCP server mã nguồn mở, giúp kết nối Looker với các IDE và AI agent khác hỗ trợ Model Context Protocol (MCP) như Claude Code, Cursor, hay VS Code Copilot. MCP Toolbox sẽ lo phần xác thực, quản lý kết nối, để AI agent có thể tương tác với data của bạn qua ngôn ngữ tự nhiên một cách dễ dàng.

Xài vào việc gì?

Cần nhanh chóng lấy thông tin từ Looker mà hông muốn viết LookML hay SQL Thay vì phải nhớ cấu trúc LookML hay viết SQL phức tạp, bạn chỉ cần gõ "list all models", "show dimensions in 'Sales' explore" vào AI agent. Nó sẽ tự động gọi API của Looker và trả về kết quả ngay lập tức. Tiết kiệm thời gian mò mẫm.

Muốn tạo báo cáo, dashboard tự động từ yêu cầu tự nhiên Bạn có thể yêu cầu "create a dashboard showing monthly sales by region" hoặc "make a look for top 10 products last quarter". AI agent sẽ dùng các tool như make_look hay make_dashboard để tạo ra nội dung này trong Looker, sau đó trả về URL cho bạn. Hông cần click chuột hay kéo thả thủ công.

Tối ưu hóa LookML hoặc kiểm tra sức khỏe instance Looker Dùng các tool như health_pulse để kiểm tra tình trạng Looker instance, hoặc health_vacuum để tìm các LookML element hông dùng tới. Thậm chí có thể bật dev_mode và dùng AI để update_project_file trực tiếp. Như có một trợ lý devops kiêm LookML engineer.

Khám phá cấu trúc database mà hông cần truy cập trực tiếp Với các tool như get_connection_schemas, get_connection_tables, bạn có thể hỏi AI về cấu trúc database mà Looker đang kết nối. Điều này giúp dev hiểu rõ hơn về data model mà hông cần quyền truy cập database trực tiếp, tăng cường bảo mật và hiệu quả.

Các điểm chính

AI agents giờ có thể "hiểu" Looker: Nhờ Gemini CLI extension hoặc MCP Toolbox, các AI như Gemini, Claude, Copilot có thể tương tác trực tiếp với Looker's semantic layer. Điều này mở ra khả năng tự động hóa data exploration và báo cáo.
Model Context Protocol (MCP) là chìa khóa: MCP là giao thức giúp AI agent kết nối với database (qua MCP Toolbox). Nó giải quyết các vấn đề phức tạp như authentication và connection pooling, để dev chỉ cần tập trung vào việc ra lệnh tự nhiên.
Hông chỉ đọc data, mà còn tạo và sửa LookML: Các AI tool này hông chỉ giúp bạn query data hay tạo báo cáo. Chúng còn có thể bật dev_mode, liệt kê project, tạo/sửa/xóa LookML files, và thậm chí lấy schema của database. Đây là một bước tiến lớn trong việc tự động hóa công việc của LookML developer.
Tăng tốc workflow cho dev và data analyst: Việc dùng ngôn ngữ tự nhiên để tương tác với Looker giúp giảm đáng kể thời gian viết query, tạo dashboard, hay tìm kiếm thông tin. Từ đó, dev có thể tập trung vào những tác vụ phức tạp hơn.
Hệ sinh thái đa dạng: Ngoài Gemini CLI, nhiều IDE và AI agent phổ biến khác như Claude Code, Cursor, VS Code (Copilot) cũng có thể kết nối với Looker thông qua MCP Toolbox. Điều này cho phép bạn chọn công cụ mình quen thuộc.
Competitive Timing: Nếu bạn hông bắt đầu tích hợp AI vào workflow data của mình ngay bây giờ, bạn sẽ bị bỏ lại phía sau. Các team khác sẽ có khả năng tạo insight, báo cáo nhanh hơn gấp nhiều lần.

Workflow gợi ý

Tạo báo cáo doanh số hàng tháng tự động:
- Bước 1: Dùng Gemini CLI hoặc AI agent khác, yêu cầu get_models để xem các model LookML có sẵn.
- Bước 2: Chọn model phù hợp (ví dụ: sales_model), rồi dùng get_explores để tìm Explore liên quan (ví dụ: orders).
- Bước 3: Yêu cầu AI make_look với prompt như "create a look showing monthly sales by product category for the last 12 months, grouped by region". AI sẽ tạo Look trong Looker và trả về URL.
Kiểm tra và tối ưu LookML project:
- Bước 1: Bật dev_mode trong AI agent.
- Bước 2: Yêu cầu health_vacuum để tìm các LookML element hông dùng tới trong project.
- Bước 3: Dựa trên kết quả, yêu cầu AI update_project_file để xóa hoặc chỉnh sửa các element đó.
Khám phá database schema cho dự án mới:
- Bước 1: Yêu cầu get_connections để xem các kết nối database.
- Bước 2: Chọn kết nối, rồi yêu cầu get_connection_schemas, get_connection_tables, get_connection_table_columns để khám phá cấu trúc database.
- Bước 3: Dựa trên thông tin này, bạn có thể yêu cầu AI create_project_file để tạo các LookML view mới.

Quick Start

Làm ngay tuần này: Cài Gemini CLI và Looker extension của nó. Thử kết nối với Looker instance của bạn và chạy vài lệnh get_models, get_explores để xem nó hoạt động ra sao.
Bước tiếp: Thử nghiệm với các lệnh tạo nội dung như make_look hoặc make_dashboard để xem khả năng tự động hóa báo cáo. Đừng ngại "phá" trong môi trường dev nha.
Thói quen duy trì: Tích hợp việc dùng AI agent vào workflow hàng ngày khi cần khám phá data, tạo báo cáo nhanh, hoặc thậm chí là debug LookML. Biến nó thành trợ thủ đắc lực của mình.

FAQ

MCP Toolbox là gì? MCP Toolbox là một server mã nguồn mở giúp các AI agent kết nối với database thông qua Model Context Protocol (MCP). Nó đơn giản hóa việc tương tác với data bằng ngôn ngữ tự nhiên, lo các phần kỹ thuật như xác thực và quản lý kết nối giùm bạn.

Tôi có cần biết code để xài mấy cái này hông? Hông cần biết code sâu, nhưng bạn cần hiểu về cấu trúc dữ liệu và Looker để đưa ra các prompt hiệu quả. Mục tiêu là dùng ngôn ngữ tự nhiên để AI tự tạo code hoặc tương tác với API.

An toàn dữ liệu có được đảm bảo hông? Có, vì bạn phải cung cấp Client ID/Secret của Looker API và có thể cấu hình SSL. AI agent chỉ truy cập data thông qua Looker's semantic layer, vốn đã có cơ chế quản lý quyền và bảo mật.

Tôi có thể dùng AI để sửa LookML trong production hông? Nên cẩn thận nha. Các tool này cho phép bạn update_project_file và bật dev_mode. Tuy nhiên, mình khuyến nghị chỉ nên làm trong môi trường dev hoặc test trước khi đẩy lên production để tránh những thay đổi hông mong muốn.

MCP Go: Client/Server, tools dễ ợt với Go!

Fri, 10 Apr 2026 02:55:56 GMT

TL;DR

Đây là bộ SDK chính thức của Model Context Protocol (MCP) dành cho Go. Nó giúp Go devs dễ dàng xây dựng các client và server AI, gọi tool và giao tiếp với các AI model khác theo một chuẩn chung.

Nói đơn giản: Như có một "phiên dịch viên" quốc tế cho các AI tool của bạn, giúp chúng nói chuyện trôi chảy mà hông cần học ngôn ngữ riêng của từng đứa.

Tổng quan

MCP Go SDK là một thư viện Go chính thức, được thiết kế để triển khai Model Context Protocol (MCP). Nghe có vẻ fancy nhưng bản chất là nó cung cấp một bộ công cụ giúp các ứng dụng Go của bạn có thể giao tiếp với các AI model (hoặc các AI agent) một cách chuẩn hóa.

Cụ thể, SDK này bao gồm nhiều package:

mcp: Dùng để xây dựng client và server MCP chính.
jsonrpc: Dành cho những ai muốn tự tùy chỉnh lớp transport (lớp giao tiếp).
auth và oauthex: Cung cấp các primitive để hỗ trợ OAuth, giúp bạn bảo mật các tool AI của mình.

Điểm hay là SDK này cố gắng implement toàn bộ MCP spec, đảm bảo tính tương thích và đầy đủ tính năng. Nó cũng hỗ trợ nhiều phiên bản của MCP spec, nên bạn hông sợ bị lỗi thời ngay.

Xài vào việc gì?

Bạn đang build một AI agent cần gọi các chức năng bên ngoài Dùng SDK để tạo client, kết nối với các service (server) khác qua MCP, gọi tool một cách chuẩn hóa. Thay vì phải viết code parse JSON hay xử lý lỗi riêng cho từng API, bạn có một framework thống nhất giùm bạn mấy cái đó.

Bạn có một Go service muốn biến thành "tool" cho AI agent Dùng SDK để tạo server, định nghĩa các hàm Go hiện có thành mcp.Tool, và expose chúng qua MCP. Ví dụ, bạn có một hàm SendEmail trong Go, giờ có thể biến nó thành mcp.Tool để AI agent gọi khi cần gửi email.

Cần tích hợp authentication (OAuth) cho AI service của mình SDK có sẵn các package auth và oauthex giúp bạn xử lý OAuth một cách dễ dàng, hông cần tự code từ đầu. Điều này quan trọng khi bạn muốn các AI tool của mình chỉ được truy cập bởi những agent có quyền.

Các điểm chính

Chuẩn hóa giao tiếp AI: MCP là một protocol, và SDK này là cách để bạn implement nó trong Go. Nghĩa là AI agent của bạn có thể nói chuyện với bất kỳ service nào hỗ trợ MCP mà hông cần custom API riêng lẻ cho từng cái.
Giảm tải code boilerplate: Thay vì tự build JSON-RPC hay OAuth, SDK cung cấp sẵn các package jsonrpc, auth, oauthex giùm bạn. Bạn có thể tập trung vào logic nghiệp vụ chính của mình thôi.
Tách biệt logic và transport: Bạn có thể chạy server MCP của mình qua stdin/stdout (như ví dụ) hoặc qua các transport phức tạp hơn (như HTTP, gRPC), mà hông ảnh hưởng đến logic của tool. Cái này giúp hệ thống của bạn linh hoạt và dễ mở rộng hơn.
Hỗ trợ nhiều phiên bản spec: SDK tương thích với nhiều phiên bản của MCP spec. Điều này giúp bạn dễ dàng nâng cấp hoặc duy trì các hệ thống cũ mà hông bị kẹt ở một phiên bản duy nhất.

Workflow gợi ý

Biến Go function thành AI tool:
- Tạo một mcp.Server mới.
- Dùng mcp.AddTool để đăng ký Go function của bạn làm một tool.
- Chạy server.Run qua mcp.StdioTransport (hoặc transport tùy chỉnh) để expose tool đó.
AI agent gọi Go tool:
- Tạo một mcp.Client mới.
- Dùng client.Connect để kết nối đến server Go tool.
- Gọi session.CallTool với tên tool và các arguments cần thiết.

Quick Start

Làm ngay tuần này: Clone repo của MCP Go SDK và thử chạy ví dụ "greeter" server và client. Hiểu cách một Go function biến thành AI tool và được gọi như thế nào.
Bước tiếp: Áp dụng cho một Go service nhỏ của bạn. Biến một API endpoint đơn giản thành một mcp.Tool và thử gọi nó từ một client MCP đơn giản.
Thói quen duy trì: Khi cần tích hợp AI với Go service, luôn cân nhắc dùng MCP Go SDK để đảm bảo tính chuẩn hóa, khả năng mở rộng và tiết kiệm thời gian về lâu dài.

FAQ

MCP là gì? Là Model Context Protocol, một chuẩn giao tiếp giúp các AI model (agent) gọi và sử dụng các công cụ (tool) bên ngoài một cách có cấu trúc và thống nhất.
Tại sao nên dùng SDK này thay vì tự build? SDK cung cấp một framework hoàn chỉnh, đã được kiểm thử, hỗ trợ spec MCP. Nó giúp bạn tiết kiệm thời gian phát triển đáng kể, giảm thiểu bug và đảm bảo tính tương thích với các hệ thống AI khác.
Nó có hỗ trợ authentication không? Có, SDK bao gồm các package auth và oauthex để hỗ trợ OAuth, giúp bạn bảo mật các AI tool của mình, chỉ cho phép các agent có quyền truy cập.
Tôi có thể đóng góp cho dự án không? Chắc chắn rồi, dự án này là open-source và luôn chào đón các đóng góp từ cộng đồng.

awesome-harness-engineering

Fri, 10 Apr 2026 02:48:38 GMT

TL;DR

Harness Engineering là việc thiết kế "dàn giáo" (scaffolding) xung quanh một AI agent — từ ngữ cảnh, công cụ, kế hoạch đến hệ thống bộ nhớ — để nó hoạt động hiệu quả và đáng tin cậy trong các tác vụ thực tế.

Nói đơn giản: Như xây nhà vậy, AI model là gạch, còn Harness Engineering là khung sườn, móng cọc — hông có nó thì nhà sập.

Tổng quan

Harness Engineering là một lĩnh vực kỹ thuật mới nổi, tập trung vào việc thiết kế và xây dựng các thành phần hỗ trợ xung quanh một AI agent. Nó hông phải là về việc huấn luyện model, mà là về cái "dàn giáo" (scaffolding) giúp model hoạt động hiệu quả trong môi trường thực. Các ông lớn như OpenAI, Anthropic, Google, và cả Martin Fowler đều đã định nghĩa và nhấn mạnh tầm quan trọng của nó.

Cụ thể, Harness Engineering bao gồm từ việc quản lý ngữ cảnh (context delivery), giao diện công cụ (tool interfaces), lên kế hoạch (planning), vòng lặp kiểm chứng (verification loops), hệ thống bộ nhớ (memory systems) cho đến các môi trường sandbox an toàn. Điểm cốt lõi là: mọi thành phần trong harness đều tồn tại vì bản thân model hông làm được một mình. Và các harness tốt nhất được thiết kế với tư duy rằng những thành phần này có thể sẽ trở nên hông cần thiết khi model cải thiện.

Nói cách khác, nếu bạn đang build AI agent mà chỉ tập trung vào prompt hay model, thì khả năng cao là agent của bạn sẽ "toang" khi gặp task phức tạp. Harness Engineering chính là cách để bạn biến một AI model thông minh thành một AI agent đáng tin cậy và có khả năng giải quyết vấn đề thực tế.

Xài vào việc gì?

Agent cứ "ngáo ngơ" khi làm việc dài hạn hoặc task phức tạp Áp dụng các kỹ thuật Planning & Task Decomposition (như Plan-and-Execute) để chia nhỏ task. Thay vì để agent tự mò mẫm, bạn cho nó một cấu trúc để lên kế hoạch, thực thi từng bước và chỉ replan khi cần. Kết quả là agent có thể xử lý các tác vụ phức tạp, kéo dài nhiều phiên mà hông bị lạc lối, giống như một kỹ sư phần mềm có thể chia task lớn thành các sprint nhỏ.

Token cost cao ngất ngưỡng, agent chạy chậm vì context quá dài Dùng các phương pháp Context Delivery & Compaction (như LLMLingua, Prompt Caching) để tối ưu hóa ngữ cảnh đưa vào model. Harness có thể tự động tóm tắt hoặc cache các phần context lặp lại. Điều này giúp giảm đáng kể token tiêu thụ (có thể lên đến 80%), tiết kiệm chi phí API và tăng tốc độ xử lý của agent, đặc biệt trong các cuộc hội thoại dài.

Agent xài tool hay bị lỗi, hông đáng tin cậy hoặc gây rủi ro bảo mật Thiết kế Tool Design chuẩn (theo OpenAI Function Calling, Anthropic's guide) với schema rõ ràng, xử lý lỗi tốt và các annotation an toàn (như readOnlyHint, destructiveHint). Điều này giúp agent chọn đúng tool, xài đúng cách, giảm thiểu lỗi runtime và kiểm soát rủi ro bảo mật khi agent tương tác với hệ thống bên ngoài.

Muốn build agent tự động hóa quy trình sản xuất, cần độ tin cậy cao Tích hợp các Design Primitives như Agent Loop (ReAct, LangGraph), Task Runners & Orchestration cùng với Verification & CI Integration. Nhờ đó, bạn có thể tạo ra các workflow agent tự động, có khả năng tự phục hồi, giám sát và được kiểm thử liên tục. Ví dụ điển hình là Microsoft Azure SRE Agent đã xử lý 35,000+ sự cố sản xuất tự động, giảm thời gian xử lý từ 40.5 giờ xuống 3 phút.

Các điểm chính

Harness là "xương sống" của AI Agent: Hông phải chỉ model mới quan trọng, mà chính cái "dàn giáo" xung quanh nó mới quyết định agent có thành công hay hông. Cái này giúp agent chuyển từ "demo" sang "production-ready".
Tối ưu hóa ngữ cảnh (Context Engineering) là chìa khóa: Quản lý context hiệu quả (compaction, caching, retrieval) giúp giảm chi phí, tăng tốc độ và cải thiện độ tin cậy của agent. Đây là một trong những đòn bẩy hiệu quả nhất để tối ưu agent.
Thiết kế tool hông chỉ là code: Tool design cần nghĩ đến cách agent "hiểu" và "xài" tool, bao gồm naming, schema, xử lý lỗi và các annotation an toàn. Coi tool design như "agent UX" vậy đó.
Agent cần một "bộ não" để lên kế hoạch: Các kỹ thuật Planning & Task Decomposition giúp agent xử lý các tác vụ phức tạp, dài hạn bằng cách chia nhỏ chúng thành các bước logic. Hông có kế hoạch thì agent dễ bị lạc lối.
Vòng lặp Agent (Agent Loop) là nền tảng: Hiểu rõ vòng lặp Observe-Plan-Act-Verify (như ReAct) là cơ sở để xây dựng các agent có khả năng tự điều chỉnh và học hỏi. Đây là trái tim của mọi agent.
Bảo mật và kiểm thử là hông thể thiếu: Các hệ thống sandbox, permissions và evals (kiểm thử tự động) là bắt buộc để đảm bảo agent hoạt động an toàn và đáng tin cậy trong môi trường production. Đừng nghĩ agent tự thông minh là đủ.
Tương tác giữa người và agent (Human-in-the-Loop) rất quan trọng: Hông phải mọi thứ đều tự động. Cần có cơ chế để con người can thiệp, giám sát và điều chỉnh khi cần, đặc biệt trong các tác vụ nhạy cảm hoặc quan trọng.

Quick Start

Làm ngay tuần này: Đọc các bài viết "Foundations" để nắm vững khái niệm Harness Engineering. Bắt đầu với "Harness Engineering" của OpenAI và "Harness Engineering" của Martin Fowler để có cái nhìn tổng quan về discipline này.
Bước tiếp: Xem xét workflow AI agent hiện tại của bạn (nếu có) và xác định đâu là điểm yếu về context, tool hay planning. Thử áp dụng một kỹ thuật compaction (như LLMLingua) hoặc cải thiện schema tool của một chức năng cụ thể.
Thói quen duy trì: Định kỳ review các "Design Primitives" mới và cập nhật kiến thức về các giao thức (như MCP, A2A) để đảm bảo agent của bạn luôn "up-to-date" và hiệu quả, hông bị lỗi thời.

FAQ

Harness Engineering khác gì Prompt Engineering? Prompt Engineering tập trung vào cách viết prompt để model hiểu và phản hồi đúng. Harness Engineering là về việc xây dựng toàn bộ hệ thống xung quanh model để nó thực thi tác vụ một cách đáng tin cậy, bao gồm cả cách prompt được tạo ra và quản lý. Prompt Engineering là một phần nhỏ của Harness Engineering.

Tại sao hông chỉ dùng model mạnh hơn là đủ? Model mạnh hơn giúp ích rất nhiều, nhưng nó vẫn cần cấu trúc, ngữ cảnh, công cụ và quy trình để làm việc thực tế. Giống như một kỹ sư giỏi vẫn cần công cụ, tài liệu và quy trình làm việc để hoàn thành dự án, hông thể chỉ dựa vào kiến thức cá nhân.

Harness Engineering có làm tăng độ phức tạp hông? Ban đầu có thể thấy phức tạp hơn vì phải nghĩ đến nhiều thành phần hơn. Nhưng về lâu dài, nó giúp giảm độ phức tạp khi vận hành, debug và mở rộng agent. Nó chuyển sự phức tạp từ "model tự xử lý mọi thứ" (dễ toang) sang "hệ thống xử lý có cấu trúc" (bền vững hơn).

Có cần biết code để làm Harness Engineering hông? Có, đây là một lĩnh vực kỹ thuật sâu. Bạn cần kiến thức về kiến trúc phần mềm, hệ thống, và coding để thiết kế và triển khai các thành phần của harness. Nó đòi hỏi tư duy kỹ sư để xây dựng các hệ thống đáng tin cậy.

From 4 Weeks to 45 Minutes: Designing a Document Extraction System for 4,700+ PDFs | Towards Data Science

Thu, 09 Apr 2026 11:34:10 GMT

TL;DR

Bài này chia sẻ cách xây dựng một pipeline hybrid (kết hợp PyMuPDF và GPT-4 Vision) để tự động trích xuất số phiên bản từ 4,700 bản vẽ kỹ thuật PDF. Giải pháp này đã giúp tiết kiệm 160 giờ làm việc và hơn £8,000 chi phí nhân công, cho thấy việc thiết kế hệ thống thông minh quan trọng hơn là chỉ dùng mỗi AI mạnh nhất.

Nói đơn giản: Như có một bộ lọc thông minh, cái nào dễ thì tự làm, cái nào khó mới nhờ chuyên gia AI.

Tổng quan

Một công ty cần di chuyển 4,700 bản vẽ kỹ thuật PDF sang hệ thống quản lý tài sản mới. Vấn đề là họ cần trích xuất giá trị "REV" (số phiên bản) từ mỗi bản vẽ, một trường nhỏ nằm trong khối tiêu đề (title block). Nếu làm thủ công, sẽ tốn khoảng 160 giờ (4 tuần làm việc của một kỹ sư) và hơn £8,000 chi phí.

Đây hông phải là bài toán AI thuần túy, mà là bài toán thiết kế hệ thống với nhiều ràng buộc thực tế: ngân sách, độ chính xác, định dạng file hỗn hợp. Bản vẽ kỹ thuật rất phức tạp: có file là text-based PDF (tạo từ CAD), có file là image-based PDF (scan từ giấy cũ). Thậm chí trong file text-based, REV có thể ở nhiều định dạng, file bị xoay, hoặc dễ nhầm lẫn với các bảng lịch sử sửa đổi hay ký tự lưới.

Giải pháp được đưa ra là một kiến trúc hybrid hai giai đoạn:

Giai đoạn 1 (PyMuPDF): Dùng rule-based extraction (quy tắc cố định) với PyMuPDF để xử lý các PDF text-based. Phương pháp này miễn phí và cực nhanh.
Giai đoạn 2 (GPT-4 Vision): Nếu giai đoạn 1 hông tìm được kết quả tự tin (do PDF là ảnh hoặc layout quá phức tạp), thì mới gửi ảnh trang đầu tiên của PDF đó cho GPT-4 Vision qua Azure OpenAI.

Kết quả là hệ thống đạt độ chính xác 96%, xử lý toàn bộ 4,700 file trong 45 phút với chi phí API chỉ $10-15, tiết kiệm đáng kể so với việc chỉ dùng GPT-4 Vision cho tất cả.

Xài vào việc gì?

Cần di chuyển dữ liệu cũ sang hệ thống mới Tình huống: Bạn đang có hàng ngàn tài liệu cũ (hợp đồng, hóa đơn, bản vẽ) dưới dạng PDF và cần trích xuất các thông tin quan trọng (số hợp đồng, ngày, số phiên bản) để nhập vào hệ thống quản lý mới. Cách xài: Áp dụng pipeline hybrid này để tự động hóa việc trích xuất. Phần lớn tài liệu sẽ được xử lý nhanh và miễn phí bằng rule-based, những trường hợp khó hơn mới dùng AI. Kết quả: Tiết kiệm hàng trăm giờ nhập liệu thủ công, giảm chi phí và đẩy nhanh quá trình chuyển đổi dữ liệu.

Quản lý tài liệu kỹ thuật, pháp lý quy mô lớn Tình huống: Bạn cần thường xuyên kiểm tra hoặc cập nhật một trường thông tin cụ thể (ví dụ: số phiên bản, chữ ký, ngày hiệu lực) trong kho tài liệu khổng lồ của mình. Cách xài: Xây dựng một công cụ nội bộ như web app (như ví dụ trong bài) để team hông chuyên kỹ thuật cũng có thể upload file và chạy trích xuất theo yêu cầu. Kết quả: Đảm bảo dữ liệu luôn được cập nhật và chính xác mà hông cần tốn nhân lực mở từng file một.

Tối ưu chi phí vận hành cho các tác vụ lặp lại Tình huống: Team bạn đang dành nhiều thời gian cho các tác vụ nhập liệu, kiểm tra dữ liệu lặp đi lặp lại từ các tài liệu có cấu trúc tương tự. Cách xài: Phân tích các mẫu dữ liệu và xây dựng các quy tắc trích xuất deterministic trước, sau đó dùng AI để xử lý các ngoại lệ. Kết quả: Giảm đáng kể chi phí nhân công, giải phóng kỹ sư và nhân viên làm các công việc có giá trị cao hơn, tăng ROI cho các dự án tự động hóa.

Các điểm chính

Bắt đầu với phương pháp rẻ nhất, khả thi nhất. Đừng vội vàng "quăng" mọi thứ vào LLM. Rule-based extraction (PyMuPDF) đã xử lý 70-80% tài liệu mà hông tốn một xu, chỉ dùng GPT-4 Vision cho những trường hợp thực sự cần. Hành động: Khi đối mặt với bài toán tự động hóa, hãy luôn tìm cách giải quyết bằng các phương pháp deterministic (quy tắc cố định) trước khi nghĩ đến AI phức tạp.
PDF kỹ thuật hông đơn giản như bạn nghĩ. Nó có thể là text-based, image-based, bị xoay, và chứa nhiều "bẫy" như bảng lịch sử sửa đổi hay ký tự lưới dễ gây nhầm lẫn với giá trị cần trích xuất. Hành động: Dành thời gian hiểu sâu về cấu trúc và các "ngoại lệ" của dữ liệu tài liệu bạn đang làm việc.
Validate trên toàn bộ dữ liệu, hông phải mẫu nhỏ. Các vấn đề như xoay file, nhầm lẫn với bảng lịch sử chỉ lộ ra khi chạy trên 4,700 file, hông phải 20 file test ban đầu. Hành động: Luôn chuẩn bị một tập dữ liệu validation đủ lớn và đa dạng, đại diện cho tất cả các trường hợp edge case bạn có thể gặp trong production.
Prompt engineering là software engineering. Prompt hông phải là văn bản viết chơi chơi, mà là một thành phần quan trọng của hệ thống. Nó cần được thiết kế kỹ lưỡng với ví dụ đa dạng, trường hợp phủ định rõ ràng và checklist tự kiểm tra để tránh "hallucination". Hành động: Coi prompt như một phần code, versioning cẩn thận, test kỹ lưỡng và liên tục cải tiến.
Độ chính xác "đúng" hông phải lúc nào cũng là cao nhất. Với bài toán di chuyển dữ liệu, 96% accuracy và 5% cần review thủ công là chấp nhận được vì nó cân bằng chi phí và thời gian. Nếu là yêu cầu tuân thủ quy định thì có thể cần cao hơn. Hành động: Xác định rõ mục tiêu của stakeholder và độ chính xác "đủ tốt" để đạt được mục tiêu đó, thay vì cố gắng đạt 100% bằng mọi giá.
Mô hình mới nhất hông phải lúc nào cũng tốt nhất. Các mô hình GPT-5+ mới hơn hông mang lại cải thiện đáng kể về độ chính xác so với GPT-4.1 cho tác vụ này, nhưng lại tốn kém hơn và chậm hơn. Hành động: Đừng chạy theo "hot trend" mô hình mới nhất. Benchmark kỹ lưỡng và chọn công cụ phù hợp nhất với bài toán và ngân sách của bạn.
Biến script thành hệ thống. Từ một công cụ dòng lệnh, nó được đóng gói thành web app nội bộ, giúp người dùng hông chuyên kỹ thuật cũng xài được. Hành động: Sau khi chứng minh được giá trị, hãy nghĩ cách làm cho giải pháp của bạn dễ tiếp cận và tái sử dụng cho nhiều team khác trong tổ chức.

Quick Start

Tuần này: Xác định một tác vụ nhập liệu hoặc trích xuất dữ liệu lặp lại đang tốn thời gian trong team/công việc của bạn. Ước tính số giờ và chi phí nhân công mà nó đang "ngốn" mỗi tháng.
Bước tiếp: Thử dùng các thư viện xử lý PDF cơ bản (như PyMuPDF) hoặc các công cụ no-code/low-code để xem bạn có thể tự động hóa bao nhiêu phần trăm tác vụ đó mà hông cần đến AI phức tạp.
Thói quen duy trì: Khi nghĩ đến việc dùng AI để giải quyết một vấn đề, hãy luôn tự hỏi: "Mình có thể giải quyết bao nhiêu phần trăm vấn đề này bằng cách đơn giản/rẻ tiền nhất trước khi cần AI hông?"

FAQ

Hệ thống này có thể áp dụng cho loại tài liệu khác hông? Có, miễn là bạn hiểu cấu trúc tài liệu và vị trí thông tin cần trích xuất. Nguyên tắc hybrid này có thể áp dụng cho hợp đồng, hóa đơn, báo cáo...

Có cần biết code để làm được điều này hông? Để xây dựng pipeline ban đầu thì có (khoảng 600 dòng Python). Nhưng khi nó được đóng gói thành web app nội bộ, người dùng cuối hông cần biết code để xài.

Tại sao hông dùng thẳng GPT-4 Vision cho tất cả các file? Vì nó sẽ tốn kém hơn gấp nhiều lần (khoảng $47 so với $10-15) và chậm hơn (100 phút so với 45 phút), trong khi phần lớn dữ liệu có thể xử lý bằng cách rẻ hơn và nhanh hơn.

Độ chính xác 96% có đủ tốt hông? Tùy bài toán. Với việc di chuyển dữ liệu, có một tỷ lệ nhỏ cần review thủ công là chấp nhận được để đổi lấy việc tiết kiệm thời gian và chi phí khổng lồ. Với các yêu cầu tuân thủ nghiêm ngặt, bạn có thể cần độ chính xác cao hơn.

Tags [AI automation, document processing, PDF extraction, hybrid AI, cost optimization, PyMuPDF, GPT-4 Vision]

How To Automate Product Design Tasks with Claude Code

Wed, 08 Apr 2026 15:18:46 GMT

TL;DR

Bài này chỉ bạn cách tạo AI Agent trên Claude Code để tự động hóa 5 tác vụ phổ biến trong thiết kế sản phẩm. Thay vì bạn phải ngồi làm từng chút, AI Agent sẽ tự động xử lý các việc như review code hay viết tài liệu.

Nói đơn giản: Giống như mình "thuê" một đội AI chuyên biệt để làm mấy việc lặp đi lặp lại giùm mình vậy đó.

Tổng quan

Agentic workflows là cách mạnh mẽ để mình "thuê" AI làm những việc cụ thể. Khác với chế độ co-pilot (mình tương tác với AI theo thời gian thực), AI Agent có thể thay thế mình và tự hành động độc lập.

Mỗi Agent có context riêng, bộ công cụ để xài và quyền hạn nhất định. Điều này giúp các đội sản phẩm tận dụng AI để làm mấy việc như:

Review code (vai trò: chuyên gia coding)
Viết tài liệu sản phẩm (vai trò: technical writer)
Kiểm tra bảo mật (vai trò: chuyên gia bảo mật)

Bài viết này của Nick Babich sẽ chỉ mình toàn bộ quy trình tạo và kích hoạt các Agent này, đồng thời chia sẻ 5 Agent sẵn sàng để xài cho các tác vụ thiết kế sản phẩm phổ biến.

Xài vào việc gì?

Có code cần review nhanh, chuẩn Chạy Agent code review → nó sẽ kiểm tra lỗi, gợi ý cải thiện theo tiêu chuẩn mình đặt ra. Thay vì chờ dev lead rảnh, bạn có feedback liền để sửa lỗi và đẩy code nhanh hơn.

Cần viết tài liệu sản phẩm mà hông có technical writer Chạy Agent viết tài liệu → nó sẽ tổng hợp thông tin, cấu trúc và soạn thảo bản nháp đầu tiên. Bạn chỉ cần chỉnh sửa, tiết kiệm cả ngày trời để tập trung vào nội dung chính.

Muốn kiểm tra bảo mật sơ bộ cho giải pháp mới Chạy Agent security audit → nó sẽ quét và chỉ ra các lỗ hổng tiềm ẩn. Giúp mình phát hiện sớm vấn đề trước khi đưa ra cho chuyên gia sâu hơn, tránh rủi ro lớn về sau.

Các điểm chính

Agentic workflow khác co-pilot: AI Agent tự hành động, hông cần mình can thiệp liên tục sau khi được kích hoạt. Điều này giải phóng thời gian cho mình.
Mỗi Agent là một chuyên gia: Có context, công cụ và quyền hạn riêng cho từng vai trò (coding expert, technical writer, security expert). Mình giao đúng việc cho đúng "người".
Tiết kiệm thời gian và nguồn lực: Tự động hóa các tác vụ lặp đi lặp lại, giải phóng nhân sự cho những việc phức tạp hơn hoặc cần sáng tạo. ROI thấy rõ liền.
Dễ dàng tạo và kích hoạt: Bài viết hướng dẫn chi tiết cách tạo Agent mới và trigger chúng cho từng việc. Hông phải là lý thuyết suông.
Ứng dụng ngay cho Product Design: Có 5 Agent sẵn sàng để xài cho các tác vụ phổ biến trong quy trình thiết kế sản phẩm. Mình có thể bắt đầu thử nghiệm liền.

Workflow gợi ý

Chuẩn bị Agent: Tạo hoặc cài đặt các Agent cần thiết (ví dụ: Code Review Agent, Doc Writer Agent) trên Claude Code, cấu hình đúng vai trò và công cụ cho từng Agent.
Kích hoạt theo task: Khi có task mới phát sinh (ví dụ: code merge, tính năng mới cần tài liệu), mình trigger Agent tương ứng để nó bắt đầu làm việc.
Review và tinh chỉnh: Agent hoàn thành task, mình kiểm tra kết quả, đưa ra feedback và tinh chỉnh nếu cần để Agent học hỏi và làm việc hiệu quả hơn cho lần sau.

Quick Start

Tìm hiểu cách tạo Agent: Đọc kỹ phần "How to create AI agent in Claude Code" để nắm được cấu trúc và quy trình tạo một Agent cơ bản.
Chọn 1 tác vụ đơn giản: Bắt đầu với một trong 5 tác vụ được gợi ý (ví dụ: viết tài liệu ngắn cho một feature nhỏ) để tạo Agent đầu tiên của mình.
Thử nghiệm và tối ưu: Chạy Agent, xem kết quả nó trả về, rồi điều chỉnh prompt hoặc công cụ để Agent làm việc đúng ý và hiệu quả hơn.

FAQ

AI Agent có thay thế hoàn toàn con người hông? Hông. Agent giúp tự động hóa các tác vụ lặp lại, nhưng mình vẫn cần người để đưa ra quyết định chiến lược, sáng tạo và kiểm tra chất lượng cuối cùng. Nó là công cụ giúp mình làm việc hiệu quả hơn thôi.
Mình có cần biết code để tạo Agent hông? Bài viết tập trung vào việc tạo Agent trên Claude Code, nên thường sẽ cần một chút kiến thức kỹ thuật để cấu hình và tùy chỉnh. Tuy nhiên, nhiều nền tảng đang đơn giản hóa việc này bằng giao diện trực quan hơn.
AI Agent có an toàn cho dữ liệu nhạy cảm hông? Việc này phụ thuộc vào cách bạn cấu hình Agent và nền tảng AI bạn xài. Luôn cần cân nhắc về quyền riêng tư và bảo mật khi xử lý dữ liệu nhạy cảm, đừng quên kiểm tra chính sách của nhà cung cấp nha.
Làm sao để Agent làm việc đúng ý mình? Quan trọng nhất là prompt rõ ràng, cung cấp đủ context và công cụ phù hợp cho Agent. Giống như mình giao việc cho một người mới vậy đó, càng chi tiết và cụ thể thì kết quả càng sát với mong muốn.

How To Automate Product Design Tasks with Claude Code

Wed, 08 Apr 2026 14:26:38 GMT

TL;DR

Bài viết này chỉ bạn cách tạo AI agent trong Claude Code để tự động hóa 5 tác vụ thiết kế sản phẩm phổ biến. Điểm khác biệt là agent này có thể làm việc độc lập, thay vì bạn phải tương tác liên tục như co-pilot.

Nói đơn giản: Như có một chuyên gia trong team, tự động xử lý mấy việc lặp đi lặp lại giùm bạn, hông cần bạn phải đứng đó chỉ đạo.

Tổng quan

Agentic workflows là cách siêu mạnh để "thuê" AI làm mấy việc cụ thể. Hông giống kiểu bạn chat với AI co-pilot để làm từng task, agent này có thể tự làm luôn, hông cần bạn tương tác liên tục.

Nói đơn giản, một AI agent có "não" riêng (context window), "tay chân" (set of tools) và "quyền hạn" (permissions) để tự quyết định và hành động. Điều này giúp nó thay thế một phần công việc của người vận hành (operator), cho phép AI hoạt động độc lập.

Mấy team sản phẩm có thể xài agent cho nhiều việc, như code review, viết tài liệu sản phẩm hay audit bảo mật. Bài viết này hướng dẫn chi tiết cách tạo và kích hoạt agent, kèm theo 5 agent có sẵn cho các tác vụ thiết kế sản phẩm phổ biến.

Xài vào việc gì?

Code review bị tắc nghẽn, tốn thời gian Tạo một Agent "coding expert" để review code tự động. Nó sẽ kiểm tra lỗi, gợi ý cải tiến, giúp dev đỡ tốn thời gian mà code vẫn chất lượng, hông cần bạn phải ngồi đọc từng dòng.

Tài liệu sản phẩm cứ bị thiếu/cập nhật chậm Triển khai Agent "technical writer". Nó có thể tự động viết hoặc cập nhật tài liệu dựa trên code hoặc spec mới nhất. Giúp đảm bảo mọi thứ luôn đồng bộ và team hông phải đuổi theo tài liệu nữa.

Lo lắng về bảo mật nhưng hông có đủ chuyên gia Xài Agent "security expert" để tự động audit giải pháp của bạn. Nó sẽ quét tìm lỗ hổng, đưa ra cảnh báo sớm, giúp team chủ động hơn trong việc bảo vệ sản phẩm mà hông cần tốn thêm headcount.

Phân tích design system tốn công sức Dùng Agent "design system analyst" để kiểm tra tính nhất quán, tìm các component bị trùng lặp hoặc hông theo chuẩn. Giúp team design giữ vững "single source of truth" và tiết kiệm thời gian rà soát thủ công.

Kiểm tra accessibility thủ công mất thời gian Tạo Agent "accessibility auditor" để tự động rà soát giao diện, phát hiện các vấn đề về khả năng tiếp cận. Đảm bảo sản phẩm của bạn thân thiện với mọi người dùng mà hông cần một đội ngũ riêng.

Các điểm chính

Agentic workflow hông phải co-pilot: Hông phải bạn chat với AI để làm việc, mà AI tự làm việc độc lập theo một mục tiêu đã định. Điều này giúp giải phóng thời gian cho bạn để tập trung vào những việc phức tạp hơn, mang tính chiến lược.

AI Agent có 'não' riêng: Mỗi agent có context window, bộ công cụ và quyền hạn riêng để tự quyết định và hành động. Giúp nó hiểu sâu vấn đề và thực hiện tác vụ hiệu quả, hông cần bạn can thiệp liên tục.

Tiết kiệm headcount và thời gian: Thay vì phải thuê thêm người hoặc tốn thời gian cho các tác vụ lặp đi lặp lại, bạn có thể "thuê" AI agent xử lý. ROI thấy rõ liền khi team có thể làm được nhiều việc hơn với nguồn lực hiện có.

Tự động hóa tác vụ chuyên biệt: Từ code review, viết tài liệu đến audit bảo mật hay phân tích design system, AI agent có thể đảm nhiệm các vai trò chuyên gia. Giúp nâng cao chất lượng và tốc độ của team sản phẩm một cách đáng kể.

Claude Code là nền tảng dễ xài: Bài viết này chỉ cách tạo agent trong Claude Code, cho thấy việc triển khai hông quá phức tạp. Bạn có thể bắt đầu thử nghiệm ngay để xem hiệu quả thực tế cho team mình.

Quick Start

Tìm một tác vụ lặp lại trong team: Ngay tuần này, xác định một việc mà team bạn đang tốn nhiều thời gian, ví dụ như review code đơn giản, kiểm tra tính nhất quán của design system, hoặc viết các đoạn tài liệu cơ bản.
Thử tạo agent đầu tiên: Dùng hướng dẫn trong bài để tạo một AI agent đơn giản trong Claude Code cho tác vụ đó. Đừng cố gắng làm hoàn hảo, cứ làm để có kết quả đầu tiên và học hỏi từ đó.
Đánh giá và mở rộng: Sau khi chạy thử, xem agent có giúp ích được bao nhiêu, tiết kiệm được bao nhiêu giờ/tuần. Từ đó, bạn có thể tinh chỉnh hoặc nhân rộng ra các tác vụ khác, biến nó thành một phần trong workflow của team.

FAQ

AI Agent khác gì ChatGPT? ChatGPT là co-pilot, bạn tương tác trực tiếp để nó trả lời hoặc hỗ trợ. AI Agent tự làm việc độc lập theo một quy trình đã định, hông cần bạn "đẩy" từng bước.

Cần biết code để tạo AI Agent hông? Để tạo agent cơ bản trong Claude Code có thể hông cần biết code quá sâu, thường sẽ có giao diện hoặc cú pháp đơn giản. Tuy nhiên, để tùy chỉnh sâu hơn hoặc tích hợp với các hệ thống khác có thể cần kiến thức cơ bản về scripting.

AI Agent có thay thế hoàn toàn con người hông? Hông thay thế hoàn toàn, mà nó sẽ đảm nhiệm các tác vụ lặp lại, tốn thời gian và có quy trình rõ ràng. Giúp con người tập trung vào công việc sáng tạo, chiến lược và ra quyết định, nâng cao năng suất tổng thể.

Việc gì nên dùng AI Agent? Những việc có quy trình rõ ràng, lặp đi lặp lại, và có thể định nghĩa được input/output cụ thể. Ví dụ: kiểm tra lỗi chính tả, format code, tổng hợp báo cáo, phân tích dữ liệu theo mẫu, hoặc các tác vụ audit.

Wiki tự viết? LLM lo hết!

Wed, 08 Apr 2026 06:18:05 GMT

TL;DR

LLM Wiki Agent là một skill cho các coding agent (như Claude Code, Codex) giúp bạn tự động xây dựng một wiki kiến thức có cấu trúc từ tất cả tài liệu markdown bạn cung cấp. Nó giải quyết vấn đề quản lý thông tin, giúp kiến thức tích lũy và liên kết tự động, hông cần bạn tự tay sắp xếp hay viết lại.

Nói đơn giản: Như có một thư viện trưởng AI tự động đọc hết sách bạn mang về, sắp xếp lại thành một cuốn bách khoa toàn thư riêng cho bạn.

Tổng quan

LLM Wiki Agent là một skill độc đáo dành cho các coding agent như Claude Code, Codex hay Gemini CLI, được thiết kế để tự động xây dựng và duy trì một wiki kiến thức có cấu trúc. Thay vì bạn phải tự tay tổng hợp hay sắp xếp thông tin, agent này sẽ làm hết.

Cơ chế hoạt động khá đơn giản: bạn chỉ cần thả các tài liệu nguồn (dạng markdown như bài báo, ghi chú cuộc họp, chương sách) vào thư mục raw/, sau đó chạy lệnh /wiki-ingest. Agent sẽ tự động đọc, trích xuất kiến thức cốt lõi, tạo ra các trang thực thể (entities), khái niệm (concepts), và liên kết chúng lại thành một wiki bền vững. Mỗi khi bạn thêm tài liệu mới, wiki sẽ tự động cập nhật, trở nên phong phú và sâu sắc hơn.

Điểm đặc biệt là nó hông chỉ tạo ra các trang markdown mà còn dựng một biểu đồ kiến thức tương tác (graph.html) hiển thị mối quan hệ giữa các trang. Mọi thứ đều chạy local, hông cần server hay database phức tạp, và hoàn toàn miễn phí, open-source.

Xài vào việc gì?

Bạn đang nghiên cứu sâu một chủ đề trong nhiều tuần, đọc hàng tá paper, bài viết, report mà hông biết cách tổng hợp. Cứ wiki-ingest từng paper, từng bài viết một. Agent sẽ tự động tạo trang cho các nhà nghiên cứu, công ty (Meta AI, Google Brain) và khái niệm (Attention, RLHF). Sau đó dùng /wiki-query để hỏi về các chủ đề chính, xu hướng, hoặc chạy /wiki-lint để tìm lỗ hổng kiến thức. Kết quả là bạn có một tài liệu tham khảo có cấu trúc, liên kết chặt chẽ, thay vì một đống PDF hông bao giờ mở lại.

Bạn đang đọc một cuốn sách dày, muốn theo dõi sự phát triển của nhân vật, chủ đề hay các luận điểm của tác giả. wiki-ingest từng chương sách khi bạn đọc xong. Agent sẽ tự động tạo trang cho nhân vật, chủ đề. Dùng /wiki-query để hỏi về sự phát triển của nhân vật hay mâu thuẫn trong lập luận của tác giả. Bạn sẽ có một fan wiki riêng cho cuốn sách, tự động xây dựng khi bạn đọc, với agent làm hết việc cross-reference.

Bạn muốn xây dựng một hệ thống kiến thức cá nhân về mục tiêu, sức khỏe, thói quen, hay các bài học self-improvement. wiki-ingest các ghi chú nhật ký, bài viết về thói quen, tóm tắt sách. Dùng /wiki-query để tìm mẫu hình trong nhật ký về năng lượng hay kết quả của các thói quen đã thử. Wiki sẽ xây dựng một bức tranh có cấu trúc về bản thân bạn và các khái niệm như "Sleep", "Exercise" được tích lũy bằng chứng từ mọi nguồn.

Đội nhóm của bạn có quá nhiều tài liệu: biên bản họp, roadmap sản phẩm, ghi chú cuộc gọi khách hàng, mà hông ai có thời gian tổng hợp. wiki-ingest các transcript họp, docs roadmap, ghi chú cuộc gọi. Dùng /wiki-query để hỏi về các yêu cầu tính năng phổ biến, quyết định quan trọng và lý do. Chạy /wiki-lint để phát hiện mâu thuẫn hay thiếu sót. Wiki sẽ luôn được cập nhật, vì agent làm hết việc bảo trì mà hông ai muốn làm.

Các điểm chính

Kiến thức tích lũy, hông bị mất: Wiki bền vững, có cấu trúc markdown, hông như chat bot bị mất thông tin sau mỗi session.
- Mọi thứ bạn ingest đều được lưu trữ và liên kết.
- Hành động: Dùng nó để xây dựng một nguồn kiến thức sống, hông sợ mất context.
Tự động tạo trang thực thể và khái niệm: Hông cần tự tay tạo trang cho người, công ty, ý tưởng.
- Agent tự động nhận diện và tạo trang, cập nhật mỗi khi có nguồn mới nhắc đến.
- Hành động: Giúp bạn tập trung vào nội dung mà hông lo cấu trúc.
Tổng quan sống động: File wiki/overview.md tự động tổng hợp lại toàn bộ kiến thức hiện có.
- Mỗi lần ingest tài liệu mới, overview sẽ được sửa đổi để phản ánh sự tổng hợp mới nhất.
- Hành động: Luôn có cái nhìn tổng quát về mọi thứ bạn đã đọc.
Phát hiện mâu thuẫn sớm: Khi có nguồn mới mâu thuẫn với thông tin cũ, agent sẽ báo cờ ngay.
- Hông để mâu thuẫn bị chôn vùi đến lúc bạn query mới thấy.
- Hành động: Đảm bảo tính nhất quán và độ tin cậy của wiki.
Biểu đồ kiến thức trực quan: graph.html hiển thị mối quan hệ giữa các trang, cả rõ ràng lẫn ngầm định.
- Giúp bạn dễ dàng hình dung cấu trúc kiến thức và các chủ đề liên quan.
- Hành động: Dùng để khám phá các kết nối mới và hiểu sâu hơn về chủ đề.
Báo cáo lỗi và đề xuất: wiki-lint tìm trang mồ côi, link hỏng, lỗ hổng dữ liệu và gợi ý nguồn bổ sung.
- Giúp duy trì wiki sạch sẽ và đầy đủ.
- Hành động: Dùng để chủ động cải thiện chất lượng wiki của mình.
Khác biệt với RAG truyền thống: Hông chỉ tìm kiếm trên các đoạn văn bản thô.
- Wiki Agent tổng hợp kiến thức một lần, duy trì liên tục, có cross-reference và phát hiện mâu thuẫn. RAG thường re-derive kiến thức mỗi lần query.
- Hành động: Hiểu rõ sự khác biệt để chọn đúng công cụ cho việc quản lý kiến thức dài hạn.

Quick Start

Làm ngay tuần này: git clone repo LLM Wiki Agent, cài đặt agent (Claude Code, Codex...). Bỏ 1-2 tài liệu markdown quan trọng nhất của bạn vào thư mục raw/ và chạy /wiki-ingest.
Bước tiếp: Dùng lệnh /wiki-query để hỏi wiki về các chủ đề liên quan đến tài liệu bạn vừa ingest. Mở graph.html để xem biểu đồ kiến thức tự động được tạo ra.
Thói quen duy trì: Mỗi khi có tài liệu mới (bài báo, ghi chú họp, chương sách), hãy wiki-ingest ngay lập tức. Dùng /wiki-lint định kỳ để kiểm tra và cải thiện chất lượng wiki.

FAQ

Cần API key hay setup Python hông? Hông cần. Agent này chạy hoàn toàn local, chỉ cần bạn có một trong các coding agent được hỗ trợ (Claude Code, Codex, Gemini CLI) là xài được liền.
Nó khác gì với việc chỉ dùng chat bot để hỏi tài liệu? Khác nhiều. Chat bot thường "quên" sau mỗi session, hông có cấu trúc. Wiki Agent xây dựng một hệ thống kiến thức bền vững, có liên kết, tích lũy theo thời gian và phát hiện mâu thuẫn.
Tôi có thể tùy chỉnh cách wiki hoạt động hông? Được. Bạn có thể chỉnh sửa các file schema như CLAUDE.md hoặc AGENTS.md để định nghĩa cách agent duy trì wiki, format trang, hay quy ước đặt tên cho phù hợp với nhu cầu riêng của mình.
Làm sao để xem wiki sau khi ingest? Wiki được lưu dưới dạng các file markdown trong thư mục wiki/. Bạn có thể dùng các trình duyệt markdown như Obsidian để duyệt, theo dõi các liên kết và xem biểu đồ kiến thức graph.html trong bất kỳ trình duyệt web nào.

Karpathy: Social dev AI-gen, data mở toang!

Tue, 07 Apr 2026 10:57:56 GMT

TL;DR

KarpathyTalk là một nền tảng mạng xã hội mở dành cho dev và AI agent, được Andrej Karpathy xây dựng. Nó kết hợp sự đơn giản của GitHub Gists với tính năng xã hội cơ bản kiểu Twitter, nhưng điểm khác biệt lớn nhất là toàn bộ dữ liệu đều mở và dễ dàng truy cập qua API, hông bị khóa trong "khu vườn có tường bao" như các mạng xã hội khác.

Nói đơn giản: Như có một cái "Twitter" riêng, nhưng mọi bài post, comment đều là dữ liệu sạch, sẵn sàng cho AI agent đọc, phân tích và tương tác mà hông cần xin phép.

Tổng quan

KarpathyTalk là một dự án thú vị của Andrej Karpathy – một cái tên lớn trong giới AI. Đây là một cộng đồng dành cho builders và AI agents, nơi mọi người có thể chia sẻ các bài viết dạng markdown, giống như GitHub Gists. Nó cũng có các tính năng xã hội cơ bản như like, repost, follow, y hệt Twitter.

Điểm đặc biệt nhất của KarpathyTalk là triết lý open data. Tất cả dữ liệu trên nền tảng này đều mở, dễ dàng truy cập qua API dưới dạng JSON (cho code) hoặc markdown (cho người và AI agent). Điều này khác hẳn với các mạng xã hội truyền thống, nơi dữ liệu của bạn thường bị khóa và API thì phức tạp, tốn kém.

Về mặt kỹ thuật, KarpathyTalk được build bằng Go, xài SQLite để lưu trữ, htmx cho phần tương tác trên UI, và goldmark để render markdown. Một điều đáng chú ý nữa là 50% code của app này được viết bởi Claude Code và OpenAI Codex, cho thấy tiềm năng của AI trong việc hỗ trợ dev. Bạn có thể chạy nó local hoặc deploy lên server riêng dễ dàng.

Xài vào việc gì?

Muốn xây dựng một cộng đồng dev/tech nội bộ, nơi dữ liệu dễ dàng được tích hợp với AI workflow của mình Bạn có thể deploy KarpathyTalk riêng, tùy chỉnh nó thành một nền tảng chia sẻ kiến thức, tài liệu nội bộ. Vì API mở, AI agent của bạn có thể dễ dàng đọc các bài viết, tổng hợp thông tin, hoặc thậm chí tự động tạo nội dung dựa trên dữ liệu có sẵn mà hông cần qua bước scraping hay xử lý phức tạp.

Cần một nền tảng để chia sẻ những đoạn code, insight kỹ thuật mà hông muốn bị giới hạn bởi các mạng xã hội truyền thống Thay vì post lên Twitter hay blog cá nhân, bạn có thể dùng KarpathyTalk. Nội dung là markdown, có highlight code block, rất phù hợp cho dev. Dữ liệu của bạn cũng hông bị "lock-in", nếu sau này muốn chuyển sang nền tảng khác hoặc dùng dữ liệu đó cho mục đích riêng thì rất tiện.

Đang tìm hiểu kiến trúc của một ứng dụng web nhẹ, hiệu quả, dùng Go, htmx và SQLite Source code của KarpathyTalk là một ví dụ thực tế rất hay. Nó cho bạn thấy cách một ứng dụng web full-stack có thể được xây dựng với một binary duy nhất, xài SQLite cho database và htmx cho frontend mà vẫn có đầy đủ tính năng. Đây là một blueprint tốt để học hỏi hoặc dùng làm base cho dự án riêng.

Các điểm chính

Dữ liệu mở, thân thiện với AI Agent: Đây là điểm mấu chốt. Dữ liệu hông bị khóa sau API phức tạp hay chi phí cao. Điều này mở ra cánh cửa lớn cho việc tự động hóa, cho phép các AI agent truy cập, phân tích và tương tác với nội dung một cách dễ dàng, hông cần "hack" hay "lách luật".
Kiến trúc tối giản, hiệu quả: KarpathyTalk được build bằng Go, SQLite và htmx. Điều này giúp app rất nhẹ, dễ deploy (chỉ cần một binary), và có thể scale tốt mà hông cần hạ tầng phức tạp. Nó cho thấy bạn hông cần microservices hay database phân tán để xây dựng một sản phẩm có giá trị.
Code được viết một phần bởi AI: 50% code của KarpathyTalk do Claude Code và OpenAI Codex viết. Đây là một minh chứng sống động cho thấy AI đang dần trở thành một "co-pilot" cực kỳ hiệu quả cho dev, giúp tăng tốc độ phát triển và giảm công sức đáng kể.
Tập trung vào nội dung markdown: Việc xài markdown làm định dạng chính giúp việc chia sẻ code, tài liệu kỹ thuật trở nên trực quan và dễ đọc hơn. Nó cũng đơn giản hóa việc xử lý nội dung cho cả người dùng và AI agent.
Dễ dàng tự host (self-host): Bạn có thể dễ dàng build và deploy KarpathyTalk trên server riêng của mình. Điều này mang lại sự kiểm soát hoàn toàn về dữ liệu và trải nghiệm người dùng, tránh phụ thuộc vào bên thứ ba.

Quick Start

Tạo GitHub OAuth App tuần này: Đây là bước đầu tiên để bạn có thể đăng nhập vào KarpathyTalk. Chỉ mất vài phút để setup Client ID và Client Secret trên GitHub Developers Settings.
Chạy KarpathyTalk local: Sau khi có thông tin GitHub OAuth, bạn có thể clone repo, build và chạy KarpathyTalk trên máy mình. Dùng go build và chạy binary, bạn sẽ có ngay một bản KarpathyTalk hoạt động trên localhost:8080.
Thử nghiệm với API mở: Khi app chạy, hãy thử truy cập các endpoint API để xem dữ liệu được trả về như thế nào. Từ đó, bạn có thể hình dung cách tích hợp các AI agent của mình để đọc hoặc tương tác với nội dung trên KarpathyTalk.

FAQ

KarpathyTalk khác gì với Twitter hay GitHub Gists? Nó kết hợp cả hai, nhưng điểm chính là dữ liệu hoàn toàn mở và dễ dàng truy cập qua API cho cả người và AI agent. Twitter hay GitHub Gists thường có API hạn chế hoặc dữ liệu bị khóa.

Mình có cần một database server phức tạp để chạy KarpathyTalk hông? Hông, KarpathyTalk xài SQLite, tức là database chỉ là một file thôi. Rất nhẹ và dễ quản lý, hông cần cài đặt hay cấu hình SQL server riêng.

AI có tham gia vào việc code KarpathyTalk hông? Có, khoảng 50% code của KarpathyTalk được viết bởi các AI như Claude Code và OpenAI Codex. Đây là một ví dụ thực tế về việc AI có thể hỗ trợ dev như thế nào.

Mình có thể tự host KarpathyTalk trên server riêng được hông? Được, KarpathyTalk được thiết kế để dễ dàng deploy. Nó chỉ là một binary duy nhất cùng với file SQLite và thư mục uploads, nên bạn có thể tự host trên bất kỳ server nào có Go.

Assumption vs Proxy Research vs Persona: Hiểu sai một bước, lệch cả sản phẩm

Tue, 07 Apr 2026 06:29:07 GMT

TL;DR

Bài này phân biệt 3 khái niệm quan trọng trong UX Design: Assumption, Proxy Research và Persona. Hiểu rõ chúng giúp bạn tránh build sản phẩm mà user hông xài, tiết kiệm thời gian và tiền bạc.

Nói đơn giản: Như bạn xây nhà mà hông biết ai sẽ ở, dễ làm xong rồi hông ai dọn vào.

Tổng quan

Trong UX Design, việc xác định "sản phẩm này cho ai?" nghe thì dễ. Nhưng thực tế, rất nhiều team đang trả lời câu hỏi này bằng... cảm giác. Bài viết của Annie chỉ ra rằng gốc rễ của việc sản phẩm chạy rồi mà user hông dùng, conversion thấp hay stakeholder đổi hướng liên tục hông nằm ở UI/UX detail, mà ở việc team hiểu sai user ngay từ đầu.

Để tránh cái vòng luẩn quẩn "sửa mãi hông xong" này, bạn cần phân biệt rõ 3 khái niệm: Assumption (giả định), Proxy Research (nghiên cứu gián tiếp) và Persona (chân dung người dùng). Quan trọng hơn là biết khi nào nên xài cái nào trong thực tế.

Assumption là những gì bạn nghĩ là đúng nhưng chưa được kiểm chứng. Nó cần thiết để bắt đầu nhưng cực kỳ nguy hiểm nếu bị biến thành "sự thật" mà hông ai đặt câu hỏi. Proxy Research là khi bạn hông thể tiếp cận user mục tiêu, nên bạn nghiên cứu thông qua một nhóm đại diện gần giống. Nó giúp bạn đi nhanh nhưng hông đảm bảo đúng hoàn toàn. Còn Persona là chân dung đại diện của một nhóm user, được xây dựng từ user research, interview, hành vi thực tế và dữ liệu analytics. Một Persona "xịn" là insight đã được tổng hợp và kiểm chứng.

Xài vào việc gì?

Bạn đang có ý tưởng sản phẩm mới, muốn build AI workflow nhưng hông biết bắt đầu từ đâu Thay vì ngồi đoán mò user cần gì, bạn dùng Assumption để định hướng ban đầu, rồi lên kế hoạch kiểm chứng ngay. Tránh việc build xong một đống tính năng AI mà user hông thèm xài, tiết kiệm cả đống công sức và tiền bạc.

Team bạn đang làm sản phẩm mà cứ "đổi hướng liên tục", hoặc stakeholder tranh cãi về user Dùng Persona được xây từ dữ liệu thật để đồng bộ hiểu biết của cả team về user. Từ đó, mọi quyết định về design hay tính năng AI đều có căn cứ, giảm tranh cãi cảm tính và giúp bạn tập trung vào cái user cần nhất.

Bạn cần hiểu nhanh một lĩnh vực mới để build giải pháp AI, nhưng hông tiếp cận được user thật Xài Proxy Research để có cái nhìn tổng quan về workflow, môi trường, áp lực của user. Nó giúp bạn có context ban đầu để thiết kế giải pháp AI, nhưng nhớ là phải validate lại với user thật sau này nha.

Sản phẩm/workflow AI của bạn chạy rồi mà user hông dùng, conversion thấp Rất có thể bạn đang hiểu sai user ngay từ đầu. Quay lại kiểm tra các assumption ban đầu, xem đã được validate chưa, hay persona có đang dựa trên dữ liệu thật hông. Đừng để mình cứ sửa đi sửa lại mà hông giải quyết được gốc rễ vấn đề.

Các điểm chính

Assumption là cần thiết nhưng cực kỳ nguy hiểm: Nó là điểm bắt đầu giúp bạn hình dung user và đặt hypothesis. Nhưng vấn đề là assumption thường nghe rất đúng, và khi cả team cùng tin vào nó mà hông kiểm chứng, nó rất dễ bị biến thành "sự thật". Luôn xem nó là hypothesis, hông phải kết luận.
Sai assumption, lệch cả giải pháp: Chỉ cần hiểu sai một chút về user (ví dụ: người lớn tuổi sợ phức tạp vs sợ làm sai và mất tiền), toàn bộ giải pháp phía sau – từ design UI đến workflow AI – sẽ đi chệch hướng.
Proxy Research giúp đi nhanh, nhưng hông đảm bảo đúng hoàn toàn: Hữu ích khi user khó tiếp cận hoặc timeline gấp. Nó giúp bạn hiểu workflow, môi trường, áp lực. Nhưng proxy hông phải user thật, nên tuyệt đối hông dùng làm kết luận cuối cùng. Luôn phải có bước validate với user thật.
Persona hông phải là "user giả tưởng": Một persona "xịn" được xây từ user research, interview, hành vi thực tế và dữ liệu analytics. Nó phải giúp team bạn ra quyết định design nhanh hơn, đồng bộ hiểu biết về user và giảm tranh cãi cảm tính. Nếu hông, thì làm lại.
Đây là một hành trình: Assumption → Proxy → Research thật → Persona: Hông phải là các khái niệm độc lập. Sai ở bước đầu vẫn sửa được, nhưng nếu bạn hông biết mình đang ở bước nào, bạn sẽ hông biết mình sai ở đâu.
Chỉ user thật mới giúp bạn thiết kế đúng: Assumption giúp bạn bắt đầu. Proxy giúp bạn đi nhanh hơn. Persona giúp team cùng nhìn về một hướng. Nhưng tất cả những thứ đó chỉ là công cụ hỗ trợ. Đừng ngại thừa nhận là mình chưa hiểu user.
Bài học từ Airbnb và Fintech: Airbnb từng có assumption "user chọn phòng vì giá và vị trí", nhưng research sâu hơn thấy hình ảnh, tin cậy, trải nghiệm mới là yếu tố quyết định. Tương tự, một team Fintech tối giản UI cho người lớn tuổi nhưng user lại cần cảm giác an toàn và kiểm soát hơn là đơn giản.

Quick Start

Tuần này, rà soát lại các assumption chính của sản phẩm/workflow AI bạn đang làm: Ghi rõ từng cái ra, và tự hỏi: "Cái này mình biết chắc, hay mình đang đoán?"
Lên kế hoạch kiểm chứng ít nhất một assumption quan trọng nhất: Thiết kế một thí nghiệm nhỏ, nhanh gọn để validate nó với user thật hoặc proxy nếu cần.
Tập thói quen đặt câu hỏi "Persona này có giúp mình ra quyết định design hông?" khi nhìn vào persona hay bất kỳ insight nào về user: Nếu câu trả lời là hông, đào sâu hơn hoặc làm lại.

FAQ

Assumption có phải là xấu hông? Assumption hông xấu. Nó là điểm khởi đầu cần thiết để bạn hình dung user và đặt hypothesis. Vấn đề là khi bạn biến nó thành sự thật mà hông kiểm chứng bằng dữ liệu hoặc nghiên cứu thực tế.
Khi nào thì mình biết mình đang dùng Proxy Research thay vì user thật? Bạn đang dùng Proxy Research khi bạn nói chuyện với những người gần giống user mục tiêu (ví dụ: y tá thay vì bác sĩ phẫu thuật), hoặc người có kinh nghiệm về domain nhưng hông phải người dùng cuối.
Làm sao để biết persona của mình có "xịn" hông? Một persona "xịn" phải giúp team bạn ra quyết định design cụ thể. Nếu nó chỉ là một mô tả chung chung hông dẫn đến hành động gì, thì đó chỉ là assumption được tô vẽ thôi.
Mình có thể bỏ qua bước research thật và chỉ dùng Proxy Research hông? Bạn có thể dùng Proxy Research để đi nhanh và có cái nhìn ban đầu, đặc biệt khi user khó tiếp cận hoặc timeline gấp. Nhưng nó hông thể thay thế hoàn toàn user research thật để đưa ra kết luận cuối cùng và xây dựng sản phẩm đúng đắn.

Wiki + AI memory, tưởng 2 mà 1?

Tue, 07 Apr 2026 01:07:37 GMT

TL;DR

Knowledge Engine là một hệ thống biến tài liệu nội bộ (proposal, meeting notes, research) thành "bộ não" kiến thức có cấu trúc. Nó kết hợp mô hình LLM Wiki của Karpathy cho khả năng đọc của con người và Memvid cho tốc độ truy vấn của AI. "Bridge" là cầu nối, đảm bảo kiến thức luôn đồng bộ giữa hai lớp, giúp bạn và AI agent truy vấn thông tin tức thì, mở rộng công việc mà không cần tăng nhân sự.

Nói đơn giản: Như có một thư viện thông thái tự động sắp xếp, cập nhật và trả lời câu hỏi cho bạn 24/7, không bao giờ quên hay lạc mất tài liệu.

Xài vào việc gì?

Bạn có cả núi tài liệu (proposal, meeting notes, research) mà tìm lại cực khổ Thay vì mò mẫm qua từng file, bạn ingest tài liệu vào Knowledge Engine một lần. Từ đó, bạn có thể search bằng CLI hoặc web UI, hệ thống sẽ trả về thông tin liên quan từ cả wiki (cấu trúc, dễ đọc) và Memvid (siêu tốc, ngữ nghĩa). Kết quả: Tiết kiệm hàng giờ mỗi tuần cho việc tìm kiếm, tập trung vào việc ra quyết định.
Đang xây AI agent nội bộ mà không biết cho nó "nhớ" kiểu gì hiệu quả Knowledge Engine cung cấp lớp Memvid – một bộ nhớ siêu tốc dưới 5ms, không cần database hay vector DB phức tạp. AI agent của bạn có thể truy vấn thông tin tức thì từ đây, giúp nó đưa ra câu trả lời chính xác và nhanh gọn hơn, đồng thời có thể tham chiếu đến wiki dễ đọc cho con người. Kết quả: AI agent của bạn "thông minh" hơn, xử lý công việc nhanh hơn, giảm chi phí vận hành.
Muốn kiến thức công ty được hệ thống hóa, không bị "chết" dần theo thời gian Hệ thống tự động xây dựng và duy trì wiki có cấu trúc (theo Karpathy's pattern), phát hiện mâu thuẫn, các trang "mồ côi" (orphan pages) hay thiếu cross-reference. "Bridge" đảm bảo kiến thức này đồng bộ với lớp bộ nhớ AI, giúp kiến thức của bạn được tích lũy và luôn chính xác, thay vì phân mảnh và lỗi thời. Kết quả: Kiến thức nội bộ trở thành tài sản thực sự, giúp team mới onboarding nhanh hơn, giảm rủi ro mất kiến thức khi nhân sự thay đổi.
Đang phân vân có nên dùng Vector DB phức tạp không Knowledge Engine cho bạn một lựa chọn cực kỳ practical. Hầu hết các team không cần vector DB phức tạp để quản lý vài trăm tài liệu. Bạn cứ bắt đầu với wiki markdown đơn giản (dễ đọc, dễ grep). Khi nào thực sự có hàng ngàn tài liệu và cần semantic search "fuzzy" thì mới cần đến lớp Memvid. "Bridge" giúp bạn chuyển đổi và quản lý cả hai lớp một cách liền mạch. Kết quả: Tránh được việc đầu tư hạ tầng quá mức cần thiết, tiết kiệm chi phí và thời gian setup.

Các điểm chính

Hệ thống kiến thức hai lớp, một nguồn sự thật duy nhất: Knowledge Engine tạo ra một lớp wiki dễ đọc cho con người (theo mô hình LLM Wiki của Karpathy) và một lớp bộ nhớ siêu tốc cho AI (Memvid). "Bridge" là cầu nối, đảm bảo cả hai lớp này luôn đồng bộ và là một nguồn sự thật duy nhất.
Tận dụng LLM Wiki của Karpathy cho cấu trúc và khả năng đọc: Hệ thống áp dụng mô hình LLM Wiki của Karpathy với 3 lớp (raw sources, wiki pages, schema) và 3 thao tác (ingest, query, lint). Điều này giúp kiến thức được tự động xây dựng, duy trì có cấu trúc, dễ đọc cho con người và tích lũy theo thời gian.
Memvid cung cấp bộ nhớ siêu tốc cho AI: Để giải quyết vấn đề tìm kiếm chậm trên wiki truyền thống, hệ thống tích hợp Memvid. Đây là một file database gọn nhẹ (.mv2) chuyên dùng để lưu trữ và tìm kiếm bộ nhớ cho AI với tốc độ dưới 5ms, loại bỏ nhu cầu về vector DB phức tạp.
"Bridge" lấp đầy khoảng trống, đảm bảo đồng bộ và hiệu quả: "Bridge" là trái tim của hệ thống. Nó tự động hóa việc ghi dữ liệu vào cả wiki và Memvid khi ingest, đảm bảo thông tin luôn đồng bộ. Khi truy vấn, nó kết hợp kết quả từ cả hai lớp, mang lại sự chính xác và tốc độ. Nó cũng phát hiện và cảnh báo nếu có sự "lệch pha" giữa hai lớp.
Ưu tiên khả năng đọc của con người, mở rộng sức mạnh AI: Mặc dù tích hợp sức mạnh của AI và Memvid, điểm mấu chốt vẫn là wiki phải dễ đọc cho con người. Hệ thống cho phép bạn bắt đầu với wiki đơn giản, và chỉ khi thực sự cần tìm kiếm ngữ nghĩa phức tạp trên hàng ngàn tài liệu, lớp Memvid mới phát huy tối đa giá năng, tránh lãng phí tài nguyên.

Quick Start

Làm ngay tuần này: Clone repo, cài đặt các dependency (pip install -r requirements.txt). Sau đó, ingest vài tài liệu demo hoặc tài liệu của chính bạn bằng lệnh python3 bridge.py ingest demo/sample-proposal.md demo-client. Cuối cùng, chạy python3 bridge.py search "RetailCorp budget timeline" để thấy kết quả liền.
Bước tiếp: Bắt đầu đưa các tài liệu quan trọng nhất của team vào hệ thống. Khuyến khích mọi người dùng web UI hoặc Obsidian để tìm kiếm thông tin thay vì hỏi nhau hay mò mẫm email.
Thói quen duy trì: Tạo thói quen định kỳ (ví dụ: cuối tuần) chạy python3 bridge.py stats và python3 bridge.py drift để kiểm tra sức khỏe của hệ thống kiến thức, đảm bảo mọi thứ luôn sạch sẽ và chính xác.

Tutor AI có agent, memory xịn. Dev triển liền!

Mon, 06 Apr 2026 15:09:17 GMT

TL;DR

DeepTutor là một nền tảng học tập AI mã nguồn mở, cho phép bạn xây dựng hệ thống gia sư AI cá nhân hóa (TutorBots) với bộ nhớ riêng và khả năng học hỏi. Nó giúp bạn biến tài liệu khô khan thành lộ trình học tương tác, tạo nội dung, và có một đội ngũ AI hỗ trợ học tập/nghiên cứu sâu sát, tất cả trong một workspace duy nhất.

Nói đơn giản: Như có một đội ngũ gia sư AI riêng, biết rõ bạn học thế nào và cần gì, luôn sẵn sàng hỗ trợ bạn 24/7.

Tổng quan

DeepTutor là một nền tảng AI học tập mã nguồn mở từ Data Intelligence Lab @ HKU. Sau một thời gian vắng bóng, bản v1.0.0-beta.1 vừa ra mắt tháng 4/2026 với kiến trúc "agent-native" được viết lại từ đầu, tích hợp TutorBot và khả năng chuyển đổi chế độ linh hoạt. Nó nhanh chóng đạt 10k stars chỉ trong 39 ngày, cho thấy cộng đồng rất quan tâm đến hướng đi này.

Điểm đặc biệt của DeepTutor là nó hông chỉ là một chatbot thông thường. Nó cung cấp một "Unified Chat Workspace" với 5 chế độ khác nhau (Chat, Deep Solve, Quiz Generation, Deep Research, Math Animator) nhưng tất cả đều chia sẻ ngữ cảnh. Tức là bạn có thể bắt đầu chat, rồi chuyển sang giải quyết vấn đề phức tạp bằng multi-agent, tạo quiz, hay nghiên cứu sâu mà hông mất đi thông tin cuộc trò chuyện trước đó.

Nền tảng này còn có Personal TutorBots – những gia sư AI tự động, có bộ nhớ, tính cách và kỹ năng riêng biệt. Chúng có thể đặt lịch nhắc nhở, học kỹ năng mới và "trưởng thành" cùng bạn. Ngoài ra, DeepTutor còn có AI Co-Writer (trợ lý viết lách tích hợp), Guided Learning (biến tài liệu thành lộ trình học trực quan), Knowledge Hub (quản lý tài liệu RAG), và Persistent Memory (AI hiểu bạn hơn qua mỗi tương tác).

Xài vào việc gì?

Bạn muốn học một chủ đề mới thật sâu và có cấu trúc Dùng Guided Learning để biến các tài liệu PDF, Markdown của bạn thành một lộ trình học tập từng bước. DeepTutor sẽ tự thiết kế kế hoạch, tạo các trang giải thích tương tác, và cho phép bạn hỏi đáp ngay trong từng bước. Thay vì đọc sách khô khan, bạn có một "khoá học" cá nhân hóa từ chính tài liệu của mình.

Bạn đang nghiên cứu hoặc viết nội dung học thuật/kỹ thuật và cần trợ lý thông minh Chạy Deep Research để AI phân tích chủ đề thành các sub-topic, rồi dùng nhiều agent để tìm kiếm thông tin từ RAG, web, và các bài báo khoa học, sau đó tổng hợp thành báo cáo có trích dẫn đầy đủ. Song song đó, dùng AI Co-Writer để AI giúp bạn rewrite, expand, hoặc summarize ngay trong trình soạn thảo Markdown, dựa trên kiến thức từ Knowledge Base của bạn.

Bạn cần một gia sư riêng biệt cho từng môn học hoặc kỹ năng cụ thể Tạo nhiều Personal TutorBots khác nhau. Ví dụ, một bot chuyên dạy toán theo kiểu Socratic (chất vấn để bạn tự tìm ra đáp án), một bot khác là "writing coach" kiên nhẫn và tỉ mỉ. Mỗi bot có tính cách, bộ nhớ và kỹ năng riêng, hoạt động độc lập và có thể kết nối với các kênh chat như Telegram, Discord.

Bạn muốn tự động hóa việc tạo câu hỏi, bài tập từ tài liệu có sẵn Dùng chức năng Quiz Generation. Nó sẽ tạo ra các bài kiểm tra dựa trên Knowledge Base của bạn, giúp bạn nhanh chóng đánh giá kiến thức mà hông cần tốn thời gian soạn câu hỏi thủ công.

Bạn là dev/engineer muốn tích hợp AI vào quy trình học tập/làm việc hoặc xây tool riêng Xài DeepTutor CLI. Mọi tính năng từ chat, giải quyết vấn đề, quản lý knowledge base, đến điều khiển TutorBot đều có thể chạy qua dòng lệnh. Output có thể là JSON để bạn dễ dàng tích hợp vào các script hoặc pipeline AI tự động hóa của riêng mình.

Các điểm chính

Hệ thống gia sư AI cá nhân hóa (TutorBots) thực thụ: Hông phải chatbot đơn thuần, mà là các agent độc lập được xây dựng trên nanobot, có bộ nhớ, tính cách (Soul Templates), và kỹ năng riêng. Chúng chủ động (Heartbeat system) và có thể học hỏi thêm kỹ năng mới.
- Hành động: Thay vì dùng một chatbot chung chung, hãy tạo các TutorBot chuyên biệt cho từng mục tiêu học tập/làm việc của bạn (ví dụ: "math-tutor", "writing-coach") để có sự hỗ trợ sâu sát hơn.
Môi trường học tập thống nhất (Unified Chat Workspace): 5 chế độ khác nhau (Chat, Deep Solve, Quiz, Research, Math Animator) cùng chia sẻ ngữ cảnh, cho phép bạn chuyển đổi mượt mà giữa các tác vụ mà hông mất đi thông tin.
- Hành động: Bắt đầu bằng chat, khi gặp vấn đề khó thì chuyển sang Deep Solve, sau đó tạo quiz để tự kiểm tra, tất cả trong cùng một luồng hội thoại.
AI Co-Writer tích hợp sâu vào editor: AI trở thành cộng sự viết lách ngay trong Markdown editor, giúp bạn rewrite, expand, hoặc summarize văn bản một cách thông minh, có thể tham chiếu từ Knowledge Base của bạn.
- Hành động: Khi viết báo cáo hay tài liệu, dùng Co-Writer để nhanh chóng chỉnh sửa, mở rộng ý tưởng mà hông cần copy-paste qua lại giữa editor và chatbot.
Học tập có hướng dẫn (Guided Learning) từ tài liệu của bạn: Biến các tài liệu của riêng bạn thành lộ trình học tương tác, có AI thiết kế kế hoạch, tạo trang giải thích trực quan và hỗ trợ hỏi đáp theo ngữ cảnh.
- Hành động: Upload sách giáo trình, tài liệu nội bộ, hay ghi chú cá nhân để DeepTutor tạo thành một khóa học cá nhân hóa, giúp bạn nắm vững kiến thức nhanh hơn.
Bộ nhớ liên tục (Persistent Memory) giúp AI hiểu bạn: DeepTutor duy trì một hồ sơ học tập (profile) và tóm tắt tiến độ của bạn, giúp nó cá nhân hóa trải nghiệm và hỗ trợ hiệu quả hơn qua mỗi tương tác.
- Hành động: Càng xài DeepTutor nhiều, nó càng hiểu bạn, nên đừng ngại tương tác thường xuyên để AI trở thành người bạn đồng hành thực sự.
Giao diện dòng lệnh (CLI) cho dev và agent AI: Mọi tính năng của DeepTutor đều có thể truy cập và điều khiển qua CLI, với output JSON có cấu trúc, giúp dev và các agent AI khác dễ dàng tự động hóa.
- Hành động: Nếu bạn là dev, hãy khám phá CLI để tích hợp DeepTutor vào các workflow tự động hóa hiện có, ví dụ: tự động tạo knowledge base từ folder tài liệu mới, hay chạy các tác vụ nghiên cứu định kỳ.
Mã nguồn mở, kiến trúc agent-native: Được xây dựng trên các dự án open-source như nanobot, LlamaIndex, DeepTutor cho phép bạn tùy chỉnh, mở rộng và tích hợp sâu vào hệ sinh thái của mình.
- Hành động: Đừng ngần ngại "fork" và "độ" DeepTutor nếu bạn có nhu cầu đặc biệt, hoặc đóng góp ngược lại cho cộng đồng.

Quick Start

Làm ngay tuần này: Cài đặt DeepTutor. Cách nhanh nhất là dùng script python scripts/start_tour.py hoặc triển khai bằng Docker Compose (docker compose -f docker-compose.ghcr.yml up -d). Đảm bảo bạn đã cấu hình LLM và Embedding API key nha.
Bước tiếp: Sau khi chạy được DeepTutor ở http://localhost:3782, hãy upload một vài tài liệu PDF/Markdown của bạn vào Knowledge Hub và tạo một Guided Learning plan cho chủ đề bạn đang muốn học sâu.
Thói quen duy trì: Tạo một TutorBot riêng với "Soul Template" phù hợp với phong cách học của bạn (ví dụ: Socratic, khuyến khích). Để nó hỗ trợ bạn học mỗi ngày hoặc nhắc nhở review kiến thức.

FAQ

DeepTutor có miễn phí hông? Có, DeepTutor là mã nguồn mở theo giấy phép Apache 2.0, bạn có thể xài miễn phí. Tuy nhiên, bạn sẽ cần API key từ các nhà cung cấp LLM (như OpenAI, Anthropic) và Embedding để nó hoạt động đó.
Mình có cần biết code để xài DeepTutor hông? Hông cần. DeepTutor có giao diện web UI thân thiện, bạn có thể xài ngay mà hông cần đụng đến code. Tuy nhiên, nếu bạn là dev, CLI sẽ mở ra nhiều khả năng tùy chỉnh và tự động hóa hơn.
DeepTutor khác gì mấy chatbot AI khác? Điểm khác biệt lớn nhất là kiến trúc "agent-native" và "persistent memory". DeepTutor hông chỉ trả lời câu hỏi, mà nó có thể tạo ra các TutorBot độc lập với bộ nhớ, tính cách riêng, và chủ động hỗ trợ bạn. Nó còn có các chế độ làm việc chuyên sâu như Deep Solve hay Guided Learning, tích hợp sâu vào quá trình học và tạo nội dung.
Dữ liệu của mình có an toàn hông? Khi bạn chạy DeepTutor trên máy local hoặc server riêng, dữ liệu của bạn (tài liệu upload, lịch sử chat, profile học tập) sẽ được lưu trữ cục bộ. Bạn hoàn toàn kiểm soát dữ liệu của mình.
Mình có thể tùy chỉnh DeepTutor được hông? Hoàn toàn được. Vì là mã nguồn mở, bạn có thể chỉnh sửa code, thêm plugin, tạo Soul Templates mới cho TutorBots, hoặc tích hợp nó vào các hệ thống khác thông qua CLI và API.

Não căng quá? Crew AI gánh Obsidian cho!

Mon, 06 Apr 2026 05:03:11 GMT

TL;DR

My Brain Is Full — Crew là một hệ thống gồm 8+ AI agent và 13 skill chuyên biệt, giúp tự động quản lý Obsidian vault của bạn. Nó được thiết kế cho những ai đang "ngập đầu" trong thông tin, cần một "phao cứu sinh" để tổ chức kiến thức và công việc mà hông cần tự tay làm gì.

Nói đơn giản: Như có một đội ngũ trợ lý AI riêng, lo hết việc sắp xếp, tìm kiếm, ghi chú, và thậm chí cả email, để bạn tập trung vào việc quan trọng.

Tổng quan

Đây là một dự án mở (open-source) do một nhà nghiên cứu PhD tự xây dựng, xuất phát từ trải nghiệm cá nhân khi bị "não bộ quá tải" với lượng thông tin khổng lồ. Thay vì chỉ là công cụ ghi chú hay tìm kiếm đơn thuần, My Brain Is Full — Crew là một hệ thống AI toàn diện, giúp bạn "brain dump" mọi thứ vào Obsidian vault và để AI tự động tổ chức.

Hệ thống này chạy trên Claude Code (cần có Claude Pro, Max, hoặc Team) và tích hợp sâu với Obsidian. Điểm đặc biệt là bạn hông cần động tay vào Obsidian để sắp xếp. Giao diện chính là chat: bạn chỉ cần nói chuyện với Claude bằng ngôn ngữ tự nhiên (kể cả tiếng Việt), và đội ngũ AI agent sẽ tự động ghi chú, phân loại, tìm kiếm, kết nối thông tin, thậm chí quản lý email và lịch giùm bạn.

Các agent trong Crew hông làm việc độc lập mà phối hợp thông minh qua một "dispatcher". Ví dụ, khi agent Transcriber xử lý một buổi họp và phát hiện có dự án mới, dispatcher sẽ tự động "chain" Architect để tạo cấu trúc thư mục phù hợp. Bạn cũng có thể tự tạo các agent tùy chỉnh (custom agents) để giải quyết những vấn đề riêng trong cuộc sống mà hông cần biết code.

Xài vào việc gì?

Não bộ quá tải, hông nhớ hết mọi thứ Bạn cứ "dump" hết mọi suy nghĩ, ý tưởng, deadline vào Claude qua chat. Scribe agent sẽ tự động ghi lại thành note sạch, có task, wikilink, và deadline trong Obsidian. Thay vì cố gắng ghi nhớ hay sắp xếp thủ công, bạn cứ để AI lo. Kết quả: giảm gánh nặng tinh thần, hông lo bỏ sót thông tin.

Obsidian lộn xộn, mất thời gian sắp xếp thủ công Hệ thống này sẽ tự động hóa gần như toàn bộ việc quản lý vault. Sorter agent phân loại note vào đúng thư mục, Librarian dọn dẹp, tìm note trùng lặp, sửa link hỏng, còn Connector tìm các liên kết ẩn giữa các note. Bạn hông cần kéo thả file hay tự tạo cấu trúc thư mục phức tạp nữa đó.

Hộp thư đến (email) đầy ứ, bỏ lỡ deadline Postman agent và skill /email-triage sẽ tự động quét Gmail hoặc Hey.com của bạn, ưu tiên các email quan trọng, lưu lại thành note trong vault và báo các deadline sắp tới. Bạn có thể nhanh chóng nắm bắt những gì cần làm mà hông phải tự mình đọc từng email.

Cần tìm thông tin cũ mà hông nhớ ở đâu Bạn chỉ cần hỏi Claude: "Mình đã quyết định gì về chiến lược giá?" Seeker agent sẽ tìm kiếm khắp vault của bạn, tổng hợp câu trả lời và trích dẫn nguồn cụ thể. Hông còn cảnh mò mẫm giữa hàng trăm note nữa nha.

Muốn tự động hóa việc quản lý cá nhân (chi tiêu, tủ đồ, dự án) Bạn có thể tự tạo custom agent (hông cần code) để giải quyết các vấn đề riêng. Ví dụ: một agent budget-tracker theo dõi chi tiêu, wardrobe-coach gợi ý trang phục, hay project-pulse kiểm tra tình trạng các dự án phụ. Nó giúp bạn giải quyết các vấn đề cá nhân rất cụ thể mà hông có công cụ nào làm được.

Các điểm chính

Hệ thống AI cho người đang "ngập đầu": Đây hông phải là công cụ để tối ưu hóa cho những người đã ngăn nắp. Nó là một "phao cứu sinh" thực sự cho những ai đang bị quá tải thông tin, cảm thấy kiệt sức khi phải tự tổ chức.
Chat là giao diện chính: Bạn chỉ cần nói chuyện với Claude bằng ngôn ngữ tự nhiên. Mọi thao tác tổ chức, sắp xếp, tìm kiếm trong Obsidian đều diễn ra tự động ở hậu trường. Cái này giúp bạn tiết kiệm hàng giờ mỗi tuần, hông cần học thêm GUI phức tạp.
Đa ngôn ngữ tự nhiên: Hệ thống được xây dựng bằng tiếng Anh nhưng sẽ hiểu và phản hồi bằng bất kỳ ngôn ngữ nào bạn dùng, kể cả tiếng Việt. Điều này cực kỳ tiện lợi, giúp bạn quản lý kiến thức mà hông cần phải "chuyển não" sang tiếng Anh.
Agent phối hợp thông minh: Các agent hông làm việc độc lập. Chúng phối hợp qua một dispatcher, tự động "chain" các tác vụ. Ví dụ, sau khi ghi âm cuộc họp, Transcriber có thể tự động gọi Architect để tạo cấu trúc thư mục cho dự án mới được nhắc đến. Đây là tư duy hệ thống, hông phải tính năng rời rạc.
Tự tạo agent tùy chỉnh (no-code): Cái này hay nè. Bạn có thể tự thiết kế các agent riêng để giải quyết các vấn đề cá nhân cụ thể (như theo dõi chi tiêu, quản lý tủ đồ, deadline khách hàng) chỉ bằng cách mô tả nhu cầu. Hông cần biết code hay chỉnh config gì phức tạp đâu.
Giảm gánh nặng bộ nhớ làm việc: Mục tiêu chính là giải phóng "mental budget", giảm cảm giác bị quá tải, "brain fog" và quên việc. Nó giúp bạn có thêm không gian tinh thần để tập trung vào những việc quan trọng hơn.
Cài đặt và sử dụng cực kỳ dễ: Chỉ cần clone repo vào Obsidian vault và chạy một script. Sau đó, bạn chỉ cần nói "Initialize my vault" để Architect hướng dẫn setup vault và profile. Spoiler: hông phức tạp như bạn nghĩ đâu.

Workflow gợi ý

Ghi chú và tổ chức tự động:
1. Bạn nói với Claude: "Lưu cái này giùm: họp với Marco về ngân sách Q3, ổng muốn báo cáo trước thứ Sáu."
2. Scribe agent tự động ghi lại thành note sạch, có task, wikilink, và deadline trong Obsidian.
3. Sorter agent tự động phân loại note này vào đúng thư mục (ví dụ: 01-Projects).
Quản lý email và lịch hiệu quả:
1. Bạn nói với Claude: "Kiểm tra email của mình" hoặc "Sắp xếp hộp thư đến."
2. Skill /email-triage (hoặc /inbox-triage) quét Gmail/Hey.com, ưu tiên email, lưu email quan trọng thành note trong Obsidian.
3. Postman agent (hoặc Sorter) tự động phân loại các note email này, cập nhật deadline vào vault của bạn.
Kiểm tra và dọn dẹp vault định kỳ:
1. Bạn nói với Claude: "Kiểm tra hàng tuần."
2. Skill /vault-audit chạy kiểm tra toàn bộ vault: tìm link hỏng, note trùng lặp, đánh giá "sức khỏe" vault.
3. Librarian agent dọn dẹp và tối ưu hóa cấu trúc vault, đảm bảo mọi thứ luôn gọn gàng.

Quick Start

Cài đặt nhanh gọn tuần này: Clone repo vào Obsidian vault của bạn, sau đó chạy bash scripts/launchme.sh trong terminal. Chỉ vài bước là xong.
Khởi tạo bằng hội thoại: Mở Claude Code trong thư mục vault của bạn, và nói: "Initialize my vault". Skill /onboarding sẽ hướng dẫn bạn setup vault, profile, và tích hợp các dịch vụ như Gmail/Google Calendar.
Tập "brain dump" mỗi ngày: Bắt đầu nói chuyện với Claude để ghi chú, sắp xếp, tìm kiếm thông tin thay vì tự làm thủ công. Cứ coi nó như trợ lý riêng của bạn đi nha.

FAQ

My Brain Is Full — Crew hoạt động trên nền tảng nào? Hệ thống này chạy trên Claude Code (cần Claude Pro/Max/Team subscription) và tích hợp với Obsidian (miễn phí). Bạn cần cả hai để xài nha.
Tôi có cần biết code để xài hông? Hông cần đâu. Giao diện chính là chat. Bạn chỉ cần nói chuyện tự nhiên để ra lệnh và quản lý. Thậm chí việc tạo custom agent cũng hông cần code, chỉ cần mô tả nhu cầu thôi.
Nó có hỗ trợ tiếng Việt hông? Có đó. Hệ thống được xây dựng bằng tiếng Anh nhưng sẽ phản hồi bằng ngôn ngữ bạn dùng. Cứ nói tiếng Việt tự nhiên là được, các agent sẽ hiểu và trả lời bằng tiếng Việt.
Dữ liệu của tôi có an toàn hông? Phần mềm này được thiết kế cho mục đích cá nhân, trên dữ liệu của bạn. Bạn tự chịu trách nhiệm về việc tuân thủ các quy định bảo mật nếu xử lý dữ liệu bên thứ ba. Tác giả hông chịu trách nhiệm về bảo hành hay lỗi phát sinh. Tốt nhất là bạn nên backup vault thường xuyên nha.
Tôi có thể tự tạo thêm agent để giải quyết vấn đề riêng hông? Được luôn. Skill /create-agent của Architect sẽ hướng dẫn bạn thiết kế agent tùy chỉnh theo nhu cầu cụ thể của bạn, hông cần code hay chỉnh config gì phức tạp đâu.

OfficeCLI: AI Agent tự động tạo/sửa Word, Excel, PPT qua CLI

Sun, 05 Apr 2026 22:17:00 GMT

TL;DR

OfficeCLI là một công cụ command-line mã nguồn mở, được thiết kế đặc biệt để các AI agent có thể điều khiển hoàn toàn Word, Excel và PowerPoint chỉ bằng dòng lệnh. Nó cho phép AI tạo, đọc, sửa đổi tài liệu Office mà hông cần cài đặt Microsoft Office, giúp tự động hóa các tác vụ phức tạp một cách hiệu quả.

Nói đơn giản: Như có một trợ lý AI chuyên gia Office, làm mọi thứ qua lệnh, hông cần mở app.

Tổng quan

OfficeCLI là một công cụ command-line mã nguồn mở, được thiết kế đặc biệt để các AI agent có thể điều khiển hoàn toàn Word, Excel và PowerPoint. Điểm hay là nó chạy độc lập, chỉ là một file binary duy nhất, hông cần cài Microsoft Office hay bất kỳ dependency nào khác trên máy bạn.

Cái này giúp AI agent tạo, đọc, sửa đổi và phân tích mọi loại tài liệu Office chỉ bằng các lệnh CLI đơn giản. Nó hỗ trợ đầy đủ các định dạng .docx, .xlsx, .pptx, từ việc thêm slide, sửa text, đến việc tính toán công thức Excel hay tạo biểu đồ.

OfficeCLI được xây dựng với kiến trúc 3 lớp (L1: Read, L2: DOM, L3: Raw XML) để AI có thể tương tác từ mức độ cao đến chi tiết nhất. Nó còn có tính năng live preview cho PowerPoint và chế độ resident/batch để xử lý tài liệu hiệu quả hơn. Đặc biệt, nó tích hợp sẵn MCP server và tự động cài đặt skill cho các AI coding agent như Claude Code, Cursor, GitHub Copilot, giúp AI dễ dàng "hiểu" và "xài" nó.

Xài vào việc gì?

Tự động tạo báo cáo từ data nguồn Các dev có thể dùng OfficeCLI để kéo data từ database hay API, rồi tự động tạo các báo cáo Word, Excel hay PowerPoint hàng tuần/tháng. Thay vì ngồi copy-paste thủ công, giờ chỉ cần chạy một script là có ngay báo cáo chuẩn chỉnh, tiết kiệm cả đống giờ làm việc đó.

AI Agent cần tạo hoặc sửa tài liệu Office theo yêu cầu Một AI agent có thể nhận yêu cầu từ user (ví dụ: "làm một bài thuyết trình về kết quả Q4"), rồi dùng OfficeCLI để tạo PPT, thêm slide, điền nội dung, thậm chí là chỉnh sửa định dạng mà hông cần user can thiệp. Điều này mở ra khả năng tự động hóa cực lớn cho các tác vụ văn phòng.

Kiểm tra và sửa lỗi tài liệu tự động trong CI/CD Các team có thể tích hợp OfficeCLI vào pipeline CI/CD để tự động kiểm tra chất lượng tài liệu (ví dụ: validate schema OpenXML, tìm lỗi định dạng) trước khi deploy hoặc gửi đi. Nếu có lỗi, AI agent có thể tự động sửa hoặc báo cáo, đảm bảo tài liệu luôn đạt chuẩn.

Tạo hàng loạt tài liệu từ template Khi cần tạo nhiều tài liệu giống nhau nhưng khác dữ liệu (ví dụ: hóa đơn, hợp đồng, thư mời), OfficeCLI có tính năng merge để điền dữ liệu JSON vào các placeholder {'{{key}}'} trong template. Giúp tiết kiệm thời gian đáng kể cho các tác vụ lặp đi lặp lại, đặc biệt là trong các quy trình kinh doanh.

Các điểm chính

AI-Native Design: OfficeCLI được thiết kế từ đầu cho AI agent, với output JSON deterministic và path-based addressing. Điều này giúp AI dễ dàng hiểu và thao tác với cấu trúc tài liệu mà hông cần xử lý XML phức tạp, giảm thiểu lỗi và tối ưu token usage.

Zero-Dependency & Cross-Platform: Đây là một binary độc lập, hông cần cài Office hay Python runtime. Nó chạy được trên macOS, Linux, Windows, rất tiện cho việc triển khai trong môi trường headless hay container (Docker), làm cho việc tự động hóa trở nên linh hoạt hơn.

Progressive Complexity (3-Layer Arch): OfficeCLI cung cấp 3 cấp độ tương tác (L1: Read, L2: DOM, L3: Raw XML), cho phép AI bắt đầu từ việc đọc hiểu tổng quan, rồi đi sâu vào chỉnh sửa chi tiết khi cần. Cách này giúp AI tập trung vào vấn đề chính trước, chỉ dùng đến các lệnh phức tạp khi thật sự cần.

Live Preview & Self-Healing: Tính năng watch giúp xem trước PowerPoint trực tiếp trên browser, rất hữu ích cho iterative design. AI agent còn có thể tự kiểm tra lỗi (validate, view issues) và tự sửa, giảm thiểu can thiệp thủ công và đảm bảo chất lượng tài liệu.

Mạnh mẽ hơn thư viện truyền thống: Thay vì phải viết hàng chục dòng code Python với nhiều thư viện khác nhau, OfficeCLI gom lại chỉ còn một lệnh CLI đơn giản. Điều này giúp dev làm việc nhanh hơn và ít lỗi hơn, tập trung vào logic nghiệp vụ thay vì chi tiết kỹ thuật.

Tích hợp dễ dàng với AI Tools: OfficeCLI tự động cài đặt skill cho các AI coding agent phổ biến (Claude Code, Copilot) và có MCP server. Điều này giúp AI agent "làm quen" và bắt đầu xài OfficeCLI ngay lập tức, đẩy nhanh tốc độ triển khai các giải pháp tự động hóa.

Quick Start

Cài đặt và làm quen: Cài OfficeCLI bằng một dòng lệnh curl (hoặc irm cho Windows), rồi thử tạo một file PPT và thêm slide đầu tiên.

# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/iOfficeAI/OfficeCLI/main/install.sh | bash
officecli create deck.pptx
officecli add deck.pptx / --type slide --prop title="Hello, World!"

Tự động hóa báo cáo đơn giản: Dùng create và add để tạo một báo cáo Word/Excel đơn giản từ dữ liệu có sẵn. Thử view outline hoặc view text để xem kết quả.
```
officecli create report.docx
officecli add report.docx / --type paragraph --prop text="Đây là báo cáo thử nghiệm."
officecli view report.docx text
```
Tích hợp vào AI Agent: Nếu đang xài Claude Code hay Copilot, thử chạy curl -fsSL https://officecli.ai/SKILL.md trong chat của agent để nó học cách xài OfficeCLI, rồi yêu cầu nó tạo một slide thuyết trình.

FAQ

OfficeCLI có cần cài Microsoft Office hông? Hông cần nha. OfficeCLI là một binary độc lập, nó tự xử lý các định dạng Office mà hông cần bất kỳ phần mềm Office nào được cài đặt trên máy bạn. Đây là một điểm cộng lớn cho việc tự động hóa trên server hay môi trường headless.

AI Agent của mình có dễ xài OfficeCLI hông? Rất dễ. OfficeCLI được thiết kế cho AI, có output JSON chuẩn, đường dẫn path-based và tự động cài skill cho nhiều AI agent phổ biến. AI của bạn có thể học và xài nó ngay, giảm thời gian setup và debug.

OfficeCLI có thể làm gì với Excel? Nó có thể tạo sheets, đọc/ghi cells, xử lý công thức (hơn 150 hàm), tạo bảng, biểu đồ, conditional formatting và nhiều thứ khác nữa. Bạn có thể import CSV trực tiếp vào sheet luôn, rất tiện cho việc xử lý dữ liệu.

Mình có thể xem trước tài liệu PowerPoint đang làm hông? Có. Dùng lệnh officecli watch deck.pptx để mở live preview trong browser. Mọi thay đổi bạn làm qua CLI sẽ được cập nhật real-time, giúp bạn dễ dàng chỉnh sửa và kiểm tra kết quả.

OpenHarness: Biến LLM thành AI Agent 'biết làm việc' thực sự

Sun, 05 Apr 2026 17:36:03 GMT

TL;DR

OpenHarness là một framework mã nguồn mở, cung cấp hạ tầng cần thiết để biến LLM thành một AI agent hoàn chỉnh, có "tay chân, mắt, não" để thực hiện các tác vụ phức tạp. Nó giúp bạn xây dựng các agent có khả năng dùng tool, ghi nhớ, và phối hợp với nhau mà hông cần phải tự code lại từ đầu.

Nói đơn giản: Như có một bộ xương, hệ thần kinh và giác quan cho con AI của bạn, giúp nó từ "đứa trẻ sơ sinh" thành "người lớn biết làm việc".

Tổng quan

OpenHarness (viết tắt là oh) là một dự án mã nguồn mở từ HKUDS, được thiết kế để cung cấp hạ tầng cốt lõi cho việc phát triển AI agent. Thay vì chỉ là một "bộ não" (LLM), OpenHarness biến LLM thành một agent có đầy đủ chức năng bằng cách trang bị cho nó tool-use (tay), skills (kiến thức), memory (trí nhớ) và khả năng phối hợp đa agent (làm việc nhóm).

Điểm đặc biệt của OpenHarness là nó tập trung vào khái niệm "Agent Harness" – tức là toàn bộ hạ tầng bao bọc quanh LLM để biến nó thành một tác nhân thực thụ. LLM sẽ lo phần "trí thông minh" còn harness sẽ lo phần "thực thi" một cách an toàn và hiệu quả. Hiện tại, OpenHarness đã có hơn 43 công cụ tích hợp, hỗ trợ nhiều nền tảng LLM như Anthropic, OpenAI-compatible (GPT, Qwen, Llama...) và cả GitHub Copilot.

Dự án này rất phù hợp cho các dev, researcher hay bất kỳ ai muốn tìm hiểu sâu về cách AI agent hoạt động, muốn thử nghiệm các mô hình phối hợp agent hay đơn giản là muốn xây dựng một agent chuyên biệt dựa trên một kiến trúc đã được kiểm chứng.

Xài vào việc gì?

Muốn LLM tự động thực hiện các tác vụ dev phức tạp Chạy oh -p "Inspect this repository and list the top 3 refactors" → OpenHarness sẽ cho LLM quyền đọc file, chạy lệnh shell để phân tích codebase, sau đó tổng hợp và đưa ra đề xuất. Thay vì mình phải tự làm thủ công, con AI nó tự động đọc code, tìm điểm cần refactor giùm mình.

Cần AI nhớ bối cảnh (context) qua nhiều phiên làm việc Bạn có thể dùng tính năng MEMORY.md Persistent Memory của OpenHarness. Ví dụ, bạn đang debug một bug phức tạp, con AI sẽ nhớ các bước bạn đã thử, các lỗi đã gặp từ phiên trước. Lần sau quay lại, nó hông hỏi lại từ đầu, tiết kiệm thời gian đáng kể.

Muốn kiểm soát chặt chẽ những gì AI được phép làm OpenHarness có hệ thống Governance với các chế độ permission đa cấp. Ví dụ, bạn có thể đặt Plan Mode để AI chỉ được phép đọc và lên kế hoạch, hông được ghi hay thực thi lệnh nguy hiểm. Điều này giúp mình an tâm hơn khi cho AI tương tác với hệ thống thật.

Cần AI tự học và áp dụng kiến thức chuyên môn khi cần Hệ thống Skills của OpenHarness cho phép bạn định nghĩa các file .md chứa kiến thức hoặc quy trình chuyên biệt. Khi LLM gặp một vấn đề liên quan, nó sẽ tự động "load" skill đó để áp dụng. Ví dụ, có skill commit để tạo commit Git chuẩn, skill debug để sửa lỗi hệ thống.

Muốn nhiều AI agent làm việc nhóm để giải quyết một task lớn Với Swarm Coordination, bạn có thể tạo các subagent và giao việc cho chúng. Ví dụ, một agent chính lên kế hoạch, sau đó "đẻ" ra một subagent lo phần code, một subagent khác lo phần test. Điều này giúp scale khả năng giải quyết vấn đề của AI lên nhiều lần.

Các điểm chính

Harness là bộ xương cho LLM: LLM chỉ là "bộ não" cung cấp trí thông minh, còn OpenHarness là "bộ xương" và "tay chân" (tool-use), "mắt" (quan sát), "trí nhớ" (memory) và "giới hạn an toàn" (governance) để LLM có thể hoạt động như một agent hoàn chỉnh.
Hệ thống tool đa dạng (43+): OpenHarness tích hợp sẵn hơn 43 công cụ từ đọc/ghi file, chạy lệnh shell, tìm kiếm web, đến quản lý tác vụ và phối hợp agent. Bạn có thể dễ dàng mở rộng thêm tool của mình.
Skills on-demand, tự học: AI có thể tự động tải và sử dụng các "kỹ năng" (skills) được định nghĩa trong file .md khi cần thiết, giúp nó nắm bắt kiến thức chuyên môn mà hông cần phải "học lại" từ đầu.
Memory bền bỉ qua các phiên: Với MEMORY.md Persistent Memory, agent có thể ghi nhớ lịch sử tương tác, bối cảnh công việc qua nhiều phiên làm việc, giúp các cuộc trò chuyện và tác vụ được liền mạch, hông bị ngắt quãng.
Kiểm soát an toàn chặt chẽ (Governance): OpenHarness cung cấp nhiều chế độ quyền hạn (permissions), từ hỏi ý kiến trước khi thực thi đến cho phép mọi thứ trong môi trường sandbox, hoặc chặn hoàn toàn các lệnh ghi/thực thi trong Plan Mode. Điều này giúp mình kiểm soát rủi ro khi cho AI tương tác với hệ thống.
Tương thích đa nền tảng LLM: Bạn có thể xài OpenHarness với các API của Anthropic (mặc định), các mô hình tương thích OpenAI (GPT-4o, Qwen, Llama, DeepSeek, Ollama...) và thậm chí là tài khoản GitHub Copilot của bạn. Điều này mang lại sự linh hoạt cực lớn.
Mã nguồn mở & Cộng đồng: Là một dự án mã nguồn mở, OpenHarness khuyến khích cộng đồng đóng góp, giúp mình có thể hiểu rõ cách nó hoạt động, tùy chỉnh và mở rộng theo nhu cầu riêng.

Workflow gợi ý

Cài đặt nhanh & Chạy thử:
- Chỉ cần một lệnh curl -fsSL https://raw.githubusercontent.com/HKUDS/OpenHarness/main/scripts/install.sh | bash để cài đặt OpenHarness.
- Sau đó, bạn có thể chạy ngay một demo bằng lệnh ANTHROPIC_API_KEY=your_key uv run oh -p "Inspect this repository and list the top 3 refactors" để xem agent hoạt động.
Cấu hình LLM & Môi trường:
- Thiết lập API key và base URL cho LLM bạn muốn xài (ví dụ: export OPENAI_API_KEY=sk-xxx, export OPENHARNESS_BASE_URL=...).
- Thử nghiệm với các output-format như json hoặc stream-json để tích hợp vào các workflow tự động hóa khác của mình.
Mở rộng với Tools & Skills:
- Tạo một tool tùy chỉnh bằng Python để giải quyết một vấn đề nghiệp vụ đặc thù của bạn.
- Viết các file .md để định nghĩa các skill chuyên môn, sau đó đặt chúng vào thư mục ~/.openharness/skills/ để agent có thể tự động học và sử dụng.
- Thử nghiệm các plugin có sẵn hoặc tự tạo plugin để mở rộng chức năng cho agent.

Quick Start

Làm ngay tuần này: Cài đặt OpenHarness bằng lệnh curl và chạy lệnh demo đầu tiên với API key của bạn. Quan sát cách agent tự động dùng tool để phân tích repository.
Bước tiếp: Thử nghiệm với các LLM provider khác mà bạn đang xài (OpenAI, Kimi, Copilot) để xem khả năng tương thích. Dùng oh --permission-mode plan để thử chế độ an toàn khi tương tác với code.
Thói quen duy trì: Bắt đầu nghĩ về một tác vụ lặp đi lặp lại trong công việc của mình mà LLM có thể giải quyết nếu nó có "tay chân". Sau đó, thử viết một custom tool hoặc skill đơn giản cho OpenHarness để tự động hóa tác vụ đó.

FAQ

OpenHarness là gì và nó giải quyết vấn đề gì? OpenHarness là một framework mã nguồn mở giúp biến các mô hình ngôn ngữ lớn (LLM) thành các AI agent có khả năng thực hiện tác vụ thực tế. Nó giải quyết vấn đề LLM chỉ biết "nói chuyện" mà hông có khả năng "làm việc" bằng cách cung cấp cho chúng công cụ, trí nhớ và khả năng phối hợp.

OpenHarness khác gì so với các framework agent khác như LangChain hay LlamaIndex? OpenHarness tập trung vào việc xây dựng một "harness" (bộ khung hạ tầng) nhẹ, có thể kiểm tra được, cung cấp các tính năng cốt lõi như tool-use, skills, memory và governance một cách có cấu trúc. Nó nhấn mạnh vào việc hiểu cách các agent sản xuất hoạt động dưới vỏ bọc, thay vì chỉ là một thư viện wrapper.

Tôi có cần biết code để xài OpenHarness không? Để xài các tính năng cơ bản và chạy các agent có sẵn thì hông cần code. Bạn chỉ cần dùng các lệnh CLI. Tuy nhiên, nếu bạn muốn mở rộng, thêm tool, skill hay plugin tùy chỉnh thì sẽ cần biết Python.

OpenHarness có hỗ trợ những LLM nào? Nó hỗ trợ các API tương thích Anthropic (mặc định), các API tương thích OpenAI (bao gồm GPT, Qwen, Llama, DeepSeek, Ollama local) và cả tài khoản GitHub Copilot của bạn.

Làm sao để đảm bảo AI agent của tôi không làm những việc ngoài ý muốn? OpenHarness có hệ thống Governance mạnh mẽ với các chế độ quyền hạn đa cấp (Default, Auto, Plan Mode) và khả năng đặt luật ở cấp độ path hoặc chặn các lệnh cụ thể. Nó cũng có các hook để bạn can thiệp vào vòng đời thực thi tool, giúp kiểm soát an toàn tối đa.

Spec Kit: Chấm dứt vibe code. Build app chất, predictable.

Sun, 05 Apr 2026 16:44:47 GMT

TL;DR

Spec Kit là một toolkit mã nguồn mở từ GitHub, giúp bạn xây dựng phần mềm chất lượng cao nhanh hơn bằng cách chuyển từ "code-driven" sang "spec-driven development". Thay vì cứ "vibe code" từ đầu, bạn sẽ dùng các "specification" (đặc tả) để AI tự động tạo ra code, giảm thiểu lỗi và tăng tốc độ.

Nói đơn giản: Như có một kiến trúc sư AI luôn túc trực, biến bản vẽ (spec) của bạn thành nhà (code) mà hông cần bạn tự tay xây từng viên gạch.

Tổng quan

Spec Kit là một bộ công cụ mã nguồn mở do GitHub phát triển, tập trung vào mô hình "Spec-Driven Development". Khác với cách làm truyền thống xem code là cốt lõi và spec chỉ là tài liệu tham khảo, Spec Kit "lật ngược tình thế": các specifications trở thành những bản thiết kế có thể thực thi được, trực tiếp tạo ra code hoạt động thay vì chỉ hướng dẫn dev.

Nó hoạt động thông qua một CLI (Command Line Interface) tên là specify, cho phép bạn khởi tạo project, định nghĩa nguyên tắc, mô tả tính năng, lên kế hoạch kỹ thuật, chia nhỏ task và cuối cùng là thực thi toàn bộ quá trình, tất cả đều được AI agents hỗ trợ.

Spec Kit hỗ trợ rất nhiều AI agents phổ biến như Claude Code, GitHub Copilot, Gemini CLI, Cursor, Qoder CLI... Điều này có nghĩa là bạn có thể tận dụng sức mạnh của các AI này để tự động hóa nhiều bước trong quy trình phát triển phần mềm, từ việc tạo cấu trúc dự án đến viết code chi tiết.

Cộng đồng Spec Kit cũng rất năng động, với nhiều extensions (mở rộng), presets (cấu hình sẵn) và walkthroughs (hướng dẫn chi tiết) do cộng đồng đóng góp, giúp bạn tùy biến và áp dụng Spec Kit vào nhiều kịch bản khác nhau.

Xài vào việc gì?

Bạn đang "vibe code" mà code cứ sai lên sai xuống, hoặc scope cứ phình to? Chạy specify init rồi dùng /speckit.constitution để định hình nguyên tắc, /speckit.specify để mô tả rõ "cái gì" và "tại sao" cần build. Thay vì cứ ngồi code theo cảm hứng rồi sửa đi sửa lại, bạn có một bản thiết kế rõ ràng, AI sẽ giúp bạn bám sát nó, giảm thiểu lỗi và những tính năng thừa.

Muốn scale đội ngũ dev nhưng hông muốn tăng headcount? Spec Kit giúp tự động hóa nhiều bước lặp lại trong quy trình phát triển. Với AI agents hỗ trợ các lệnh /speckit.plan, /speckit.tasks, /speckit.implement, bạn có thể đẩy nhanh tốc độ hoàn thành feature, giúp team hiện tại làm được nhiều việc hơn mà hông cần tuyển thêm người.

Cần đảm bảo chất lượng code và tuân thủ kiến trúc, tiêu chuẩn từ đầu? Dùng /speckit.constitution để thiết lập các nguyên tắc về chất lượng code, testing, UX, hiệu năng. AI agent sẽ được "huấn luyện" để tuân thủ các nguyên tắc này trong suốt quá trình generate code, giúp bạn duy trì sự nhất quán và chất lượng cao cho dự án.

Đang muốn tích hợp AI vào workflow dev hiện tại nhưng chưa biết bắt đầu từ đâu? Spec Kit hỗ trợ một danh sách dài các AI agents từ GitHub Copilot, Claude Code, Gemini CLI đến các công cụ khác. Bạn chỉ cần cài CLI, chọn AI agent mình đang xài, và bắt đầu dùng các slash command để AI hỗ trợ từng bước trong quy trình phát triển.

Các điểm chính

Spec-Driven Development thay đổi cuộc chơi: Cách làm cũ xem code là vua, spec chỉ là phụ trợ đã lỗi thời. Spec Kit biến spec thành "code sống", trực tiếp tạo ra sản phẩm.
- So What? Điều này có nghĩa là bạn tập trung vào "cái gì" và "tại sao" thay vì "làm như thế nào", giúp đội ngũ dev có cái nhìn tổng thể hơn và giảm bớt gánh nặng code tay.
Hạn chế "vibe coding" và tăng tính dự đoán: Thay vì code theo cảm hứng, Spec Kit cung cấp một quy trình có cấu trúc, từ định nghĩa nguyên tắc đến triển khai.
- So What? Giúp giảm rủi ro dự án, tăng tính dự đoán về thời gian và chất lượng. Hông còn cảnh code xong mới biết sai hướng.
Tích hợp sâu với AI Agents phổ biến: Spec Kit được thiết kế để hoạt động liền mạch với nhiều AI agents như GitHub Copilot, Claude Code, Gemini, v.v.
- So What? Bạn có thể tận dụng tối đa sức mạnh của AI mà hông cần phải tự xây dựng các workflow phức tạp. Đây là một "competitive timing" để bắt đầu làm quen.
Workflow phát triển có cấu trúc rõ ràng: Từ constitution (nguyên tắc), specify (đặc tả), plan (kế hoạch), tasks (tác vụ) đến implement (triển khai), mọi bước đều được định nghĩa.
- So What? Giúp các dự án lớn dễ quản lý hơn, đặc biệt khi có nhiều người tham gia. Nó cũng là một cách hay để "onboard" dev mới vào dự án.
Cộng đồng mở rộng và tùy biến cao: Spec Kit có một hệ sinh thái mạnh mẽ với nhiều extensions, presets và walkthroughs do cộng đồng đóng góp.
- So What? Bạn hông bị giới hạn bởi các tính năng mặc định. Có thể tùy biến Spec Kit để phù hợp với quy trình làm việc, công nghệ, hoặc thậm chí là "văn hóa" của team mình (như preset "Pirate Speak" chẳng hạn).
Tập trung vào "Predictable Outcomes": Mục tiêu chính là xây dựng phần mềm chất lượng cao một cách nhanh chóng và có thể dự đoán được.
- So What? Điều này trực tiếp ảnh hưởng đến "Value Ratio" – tiết kiệm thời gian, chi phí, và tăng ROI cho mỗi dự án.

Workflow gợi ý

Để bắt đầu một dự án mới với Spec Kit và AI agent, bạn có thể theo các bước sau:

Khởi tạo dự án và AI Agent: Cài đặt specify CLI, sau đó chạy specify init . --ai claude (hoặc AI agent bạn muốn) trong thư mục dự án.
Thiết lập nguyên tắc dự án: Dùng lệnh /speckit.constitution trong AI agent để định nghĩa các nguyên tắc cốt lõi về chất lượng, UX, hiệu năng cho dự án của bạn.
Đặc tả tính năng: Dùng /speckit.specify để mô tả chi tiết tính năng bạn muốn xây dựng, tập trung vào "cái gì" và "tại sao".
Lên kế hoạch kỹ thuật: Dùng /speckit.plan để cung cấp thông tin về tech stack, kiến trúc, và các lựa chọn công nghệ.
Chia nhỏ task: Chạy /speckit.tasks để AI tự động phân tích kế hoạch và tạo ra danh sách các task cần làm.
Triển khai: Dùng /speckit.implement để AI thực thi các task và generate code theo kế hoạch và đặc tả.

Quick Start

Cài đặt Specify CLI: Mở terminal và chạy lệnh uv tool install specify-cli --from git+https://github.com/github/spec-kit.git@vX.Y.Z (nhớ thay vX.Y.Z bằng phiên bản mới nhất nha).
Khởi tạo project với AI: Trong thư mục dự án, chạy specify init . --ai github-copilot (hoặc AI agent bạn đang xài).
Thử các lệnh cơ bản: Mở AI agent của bạn và thử các lệnh như /speckit.constitution, /speckit.specify, /speckit.plan để xem cách nó hoạt động.

FAQ

Spec-Driven Development là gì? Nó là một phương pháp phát triển phần mềm mà ở đó, các bản đặc tả (specifications) hông chỉ là tài liệu hướng dẫn mà còn là nguồn chính để tự động tạo ra code hoạt động. Điều này giúp giảm "vibe coding" và tăng tính dự đoán của quá trình phát triển.

Spec Kit có hỗ trợ AI agent nào? Nó hỗ trợ rất nhiều AI agents phổ biến như GitHub Copilot, Claude Code, Gemini CLI, Cursor, Qoder CLI, Kiro CLI, Amp, Auggie CLI, CodeBuddy CLI, Forge, IBM Bob, Jules, Kilo Code, opencode, Pi Coding Agent, Qwen Code, Roo Code, SHAI (OVhcloud), Tabnine CLI, Mistral Vibe, Kimi Code, iFlow CLI và nhiều cái khác nữa.

Mình có thể tùy biến Spec Kit hông? Hoàn toàn được nha. Spec Kit có hệ thống extensions (mở rộng) và presets (cấu hình sẵn) cho phép bạn thay đổi cách nó hoạt động, từ việc thêm các bước workflow mới đến việc thay đổi ngôn ngữ đầu ra (như preset "Pirate Speak" đó).

Spec Kit có thay thế dev hông? Hông đâu. Spec Kit giúp tự động hóa các công việc lặp lại và đảm bảo tính nhất quán, cho phép dev tập trung vào những vấn đề phức tạp hơn, thiết kế kiến trúc, và đưa ra các quyết định chiến lược. Nó là một công cụ giúp dev làm việc hiệu quả hơn chứ hông phải thay thế.

Công cụ AI phân tích và đánh giá mã nguồn

Sun, 05 Apr 2026 14:56:59 GMT

TL;DR

Bộ công cụ này xài AI để phân tích codebase của mình, tìm ra mấy cái vấn đề về kiến trúc, nợ kỹ thuật hay mấy chỗ khó xài. Nó giúp mình hiểu rõ code hơn, từ đó đưa ra quyết định đúng đắn để cải thiện chất lượng sản phẩm, chuẩn bị cho AI làm việc chung.

Nói đơn giản: Nó giống như bác sĩ AI khám tổng quát cho đống code của bạn vậy đó, coi có bệnh gì hông để mình biết đường mà trị.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình (hoặc làm chung)

Vấn đề: Codebase cũ, nhiều nợ kỹ thuật, hông biết bắt đầu từ đâu để dọn dẹp cho AI vô làm việc. Khi nào cần: Khi bạn muốn AI hỗ trợ phát triển, refactor code, nhưng sợ code mình "khó ở" với AI. Được gì: Hiểu rõ code của mình "thân thiện" với AI tới mức nào. Từ đó, biết chỗ nào cần sửa để AI làm việc hiệu quả hơn.

2. Người muốn build sản phẩm (hoặc duy trì sản phẩm lớn)

Vấn đề: Codebase phình to, kiến trúc bị trôi dạt, dev mới vô hông hiểu hết. Khó bảo trì, khó mở rộng. Khi nào cần: Khi bạn muốn đánh giá tổng thể "sức khỏe" codebase, tìm ra điểm yếu, điểm mạnh để tối ưu. Được gì: Cái nhìn tổng quan về kiến trúc, nợ kỹ thuật. Giúp bạn đưa ra quyết định chiến lược cho sản phẩm.

3. Quản lý kỹ thuật (Engineering Managers/Leads)

Vấn đề: Khó đánh giá chất lượng codebase, hiệu suất team, rủi ro dự án liên quan đến code. Khi nào cần: Khi bạn cần báo cáo về tình trạng dự án, lên kế hoạch refactor lớn, hoặc chuẩn bị cho các đợt kiểm toán code. Được gì: Báo cáo chi tiết, khách quan từ AI giúp bạn đưa ra quyết định quản lý tốt hơn, giảm rủi ro.

Các điểm chính

AI phân tích codebase sâu tới mức "ám ảnh" Công cụ này xài 10 module AI để "mổ xẻ" codebase của bạn. Nó phân tích từ kiến trúc, nợ kỹ thuật tới cả "tâm lý" của code. Giống như một cuộc kiểm tra sức khỏe toàn diện, nhưng là cho code á. → Làm gì: Dùng mấy module này để có cái nhìn cực kỳ chi tiết về codebase của mình, coi nó đang "bệnh" gì.
Hông còn chuyện "hông ai nhớ tại sao" Mấy cái file utils.js 4000 dòng mà hông ai nhớ sao nó ra nông nỗi đó, hay mấy đoạn code cũ bị bỏ quên, AI sẽ lôi ra hết. Nó giúp mình hiểu rõ lịch sử và lý do đằng sau code. → Làm gì: Dùng /blame hay /obituary để "đào mộ" mấy đoạn code bí ẩn. Tránh lặp lại sai lầm cũ.
Đánh giá code của bạn "thân thiện" với AI tới mức nào Có module /agent-repellent đặc biệt để coi codebase của mình có dễ để mấy AI agent như Cursor hay Codex vô làm việc hông. Cái này quan trọng lắm nghen. → Làm gì: Chạy /agent-repellent để biết code mình có cần "dọn dẹp" gì trước khi cho AI vô làm chung hông.
Kết quả phân tích cực kỳ thực tế, hông vòng vo Mấy cái module như /roast hay /performance-review sẽ cho ra đánh giá thẳng thắn, hông có nể nang gì đâu. Nó giúp mình đối diện với sự thật về code của mình. → Làm gì: Đọc kỹ mấy báo cáo này, chấp nhận sự thật và lên kế hoạch cải thiện liền.
Cài đặt dễ dàng, xài được với nhiều AI agent Bạn có thể cài nó vô Factory Droid, Claude Code, hay mấy AI agent khác như Cursor, Codex CLI, Gemini CLI. Chỉ cần clone repo hoặc copy folder skills vô là xài được rồi. → Làm gì: Chọn AI agent bạn đang xài, làm theo hướng dẫn cài đặt để tích hợp mấy skill này vô workflow của mình.
An toàn, bảo mật, hông lo lộ data Tác giả nói rõ là công cụ này chạy hoàn toàn trên máy local của bạn. Hông có thu thập dữ liệu hay gửi đi đâu hết. Mấy cái "tổn thương tinh thần" (emotional damage) là chuyện của bạn thôi à! → Làm gì: Yên tâm xài thử để đánh giá codebase mà hông sợ rủi ro bảo mật.

Quick Start

Tuần này: Clone cái repo Cursed Plugins về máy liền. Rồi thử chạy module /roast hoặc /performance-review trên một phần codebase nhỏ của mình coi sao. Coi AI nó "chửi" code mình tới đâu.
Bước tiếp theo: Sau khi có kết quả, ngồi lại với team để thảo luận mấy điểm AI chỉ ra. Ưu tiên giải quyết mấy cái "nợ kỹ thuật" lớn nhất mà AI đã phát hiện ra.

obsidian-mind: Vault Obsidian biến Claude Code thành trợ lý không bao giờ quên

Sun, 05 Apr 2026 08:10:49 GMT

Tóm tắt

Claude Code thông minh nhưng có một điểm yếu chết người: nó quên sạch sau mỗi phiên. Bạn phải giải thích lại công việc từ đầu, nhắc lại quyết định đã đưa ra tuần trước, kể lại buổi 1:1 hôm qua. Mỗi sáng mở lên là thuê nhân viên mới.

obsidian-mind giải quyết đúng vấn đề đó. Đây là một vault Obsidian được thiết kế từ đầu để làm bộ não lâu dài cho Claude Code — 15 lệnh tắt, 9 trợ lý chuyên biệt, 5 hook vòng đời, và hệ thống theo dõi hiệu suất đủ để dùng khi đến mùa đánh giá cuối năm.

Sự khác biệt so với việc tự setup Obsidian + CLAUDE.md: repo này không chỉ cho bạn "một nơi lưu notes mà Claude đọc được" — nó cho bạn một hệ thống vận hành hoàn chỉnh với quy trình buổi sáng, buổi tối, hàng tuần, và mùa review.

Bài này dành cho ai?

1. Kỹ sư phần mềm đang lo lắng vì mùa đánh giá hiệu suất sắp đến

Vấn đề chung: Làm nhiều việc nhưng không nhớ hết để viết tự đánh giá. Khi ngồi viết brag doc mới hoảng ra là không còn nhớ tên dự án, con số cụ thể, hay quyết định kiến trúc nào đã đưa ra sáu tháng trước.

Các trường hợp thực tế:

Bạn vừa hoàn thành một dự án lớn, đã xử lý nhiều sự cố, có nhiều 1:1 với manager — nhưng khi đến tháng review, tất cả chỉ còn lại mờ nhạt trong ký ức. → Trong suốt quá trình làm việc, mỗi khi kết thúc 1:1 hay xử lý xong một sự cố, chạy /dump để kể cho Claude nghe. Nó tự phân loại và lưu vào đúng nơi. Đến mùa review, chạy /review-brief — Claude đọc lại toàn bộ brag doc, evidence, quyết định, và feedback từ 1:1, rồi tạo ra bản review draft có trích dẫn cụ thể.
Bạn muốn viết peer review cho đồng nghiệp nhưng không nhớ đủ ví dụ cụ thể về công việc của họ. → Chạy /peer-scan <tên GitHub> — trợ lý slack-archaeologist và review-prep sẽ đào qua toàn bộ pull request, comment code review, thread Slack, rồi tổng hợp bằng chứng có cấu trúc vào thư mục perf/evidence/.
Bạn biết mình đang có điểm mù trong một số năng lực chuyên môn nhưng không biết làm sao theo dõi sự tiến bộ. → Tạo note năng lực trong perf/competencies/ theo mẫu sẵn có. Khi làm việc, Claude tự liên kết các ghi chú công việc vào đúng năng lực tương ứng. Theo thời gian, mỗi note năng lực tích lũy backlink từ các dự án thực tế — đó chính là bằng chứng khi review.

2. Người dùng Claude Code hàng ngày và đang mất quá nhiều thời gian giải thích lại context

Vấn đề chung: Claude Code giỏi nhưng không nhớ. Mỗi sáng mở session mới phải nhắc lại: đang làm dự án gì, blocked ở đâu, quyết định hôm qua là gì. Hiệu quả thực tế kém hơn nhiều so với tiềm năng.

Các trường hợp thực tế:

Bạn đang chạy song song 2-3 dự án, mỗi dự án có context riêng. Mỗi khi chuyển qua lại phải giải thích lại hết. → Hook SessionStart tự động chạy khi mở Claude Code: đọc North Star goals, kiểm tra các dự án đang chạy, quét thay đổi git gần nhất, tải danh sách tasks còn mở. Claude bắt đầu buổi với câu: "Bạn đang làm Project Alpha, đang blocked ở API contract. 1:1 với manager vào chiều nay — bản brief đã sẵn sàng."
Sau một buổi họp đầy thông tin — quyết định mới, người mới, hướng đi thay đổi — bạn không biết ghi lại ở đâu, theo format gì, và liệu Claude có đọc được không. → Mở Claude, gõ /dump, rồi kể tự nhiên bằng lời. Claude phân loại từng mảnh thông tin: quyết định → Decision Record, người mới gặp → note trong org/people/, win → cập nhật brag doc, task mới → danh sách công việc. Không cần biết cấu trúc vault.
Bạn hay mở Claude Code trên máy tính này, nhưng một số ghi chú nằm trên máy khác hoặc trong Obsidian app trên điện thoại. Context bị phân mảnh. → Vault là thư mục git — đồng bộ qua bất kỳ công cụ nào bạn đang dùng. MEMORY.md trong ~/.claude/ chỉ là chỉ mục trỏ vào vault, không phải nơi lưu dữ liệu thật. Context sống trong vault, không chết theo phiên.

3. Tech lead hoặc engineering manager hay phải xử lý sự cố, họp hành, và ra quyết định kiến trúc liên tục

Vấn đề chung: Quyết định nhiều, họp nhiều, sự cố nhiều — nhưng tất cả chỉ sống trong đầu hoặc nằm rải rác trong Slack. Khi cần tra lại "tại sao tháng trước mình quyết định như vậy?" thì không có gì để xem.

Các trường hợp thực tế:

Một sự cố xảy ra trong production. Bạn cần ghi lại timeline, nguyên nhân gốc, và bài học — nhưng đang bận xử lý không có thời gian viết incident report. → Chạy /incident-capture <link Slack thread>. Trợ lý slack-archaeologist đọc toàn bộ thread kể cả các tin nhắn phụ, xây dựng timeline đầy đủ, phân tích nguyên nhân gốc, và tạo bản ghi tự động. Nó cũng tự tạo note cho những người tham gia lần đầu xuất hiện trong thread.
Bạn đã đưa ra nhiều quyết định kiến trúc quan trọng trong năm, nhưng không có nơi nào ghi lại lý do đằng sau mỗi quyết định. Sáu tháng sau có người hỏi lại, bạn không nhớ. → Mỗi khi /dump gặp nội dung quyết định, Claude tự tạo Decision Record chuẩn với context, lý do, và trạng thái. Tất cả tổng hợp trong brain/Key Decisions.md. Trợ lý context-loader có thể tải lại toàn bộ context của một quyết định bất kỳ khi cần.
Bạn cần chuẩn bị cho buổi 1:1 hàng tuần với manager nhưng không có thời gian ôn lại những gì đã nói trong lần trước, feedback là gì, action item còn tồn đọng không. → Chạy /standup vào buổi sáng để có cái nhìn tổng quan. Trước 1:1, chạy /capture-1on1 sau buổi họp để ghi lại đầy đủ. Lần sau vào session, Claude đã đọc tất cả — bạn đi thẳng vào nội dung, không phải ôn lại.

Các điểm chính

CLAUDE.md 285 dòng — cẩm nang vận hành mà Claude đọc mỗi buổi Không phải một file ghi chú tùy tiện. Đây là tài liệu quy định đầy đủ: lưu ghi chú vào đâu, liên kết như thế nào, khi nào tách note, làm gì với quyết định và sự cố. Mọi hành vi của Claude trong vault đều bắt nguồn từ đây. → Không cần viết lại từ đầu. Clone repo, chỉnh phần cá nhân hóa là dùng được.
Năm hook vòng đời — bạn chỉ cần nói chuyện, hook lo phần còn lại SessionStart inject context đầy đủ khi mở Claude. UserPromptSubmit phân loại từng tin nhắn bạn gửi và chèn gợi ý routing. PostToolUse kiểm tra frontmatter và wikilink sau mỗi lần ghi file. PreCompact sao lưu phiên trước khi nén context. Stop chạy checklist kết thúc ngày tự động. → Không cần nhớ quy trình. Hook xử lý toàn bộ phần kỷ luật.
/dump — nói tự nhiên, không cần biết vault cấu trúc ra sao Đây là lệnh dùng nhiều nhất trong ngày. Kể cho Claude nghe bất cứ thứ gì vừa xảy ra — cuộc họp, quyết định, sự cố, win nhỏ. Claude tự phân loại và route từng mảnh vào đúng note. Một buổi dump có thể cập nhật đồng thời: note người, ghi nhận quyết định, tạo task, và cập nhật brag doc. → Dùng sau mỗi sự kiện quan trọng trong ngày thay vì cố nhớ để kể sau.
/standup — buổi sáng bắt đầu với đầy đủ ngữ cảnh trong 30 giây Tải North Star goals, kiểm tra dự án đang chạy, mở task còn tồn đọng, quét thay đổi git gần nhất. Claude trả về bản tóm tắt có cấu trúc và gợi ý ưu tiên. Không phải kể lại từ đầu — bắt đầu ngay vào công việc thật. → Chạy mỗi sáng trước khi bắt đầu làm việc. Thay thế hoàn toàn việc ngồi nhớ lại hôm qua.
Đồ thị hiệu suất — backlink là bằng chứng tự tích lũy Mỗi ghi chú công việc liên kết đến năng lực tương ứng trong perf/competencies/. Claude làm việc này tự động khi bạn tạo note. Theo thời gian, mỗi năng lực có hàng chục backlink từ các dự án thực tế. Đến mùa review, đọc backlinks panel là đã có đủ bằng chứng — không cần viết lại từ ký ức. → Setup competency notes ngay từ đầu năm. Backlink tự tích lũy mà không cần thêm công sức.
9 trợ lý chuyên biệt — chạy trong cửa sổ riêng, không làm bẩn hội thoại chính Mỗi trợ lý có nhiệm vụ riêng: brag-spotter tìm win chưa được ghi lại, slack-archaeologist đọc lại toàn bộ thread Slack, review-prep tổng hợp bằng chứng review, vault-librarian dọn dẹp orphan notes và broken links. Các tác vụ nặng chạy riêng biệt, hội thoại chính vẫn sạch sẽ. → Gọi trực tiếp khi cần, hoặc để các lệnh chính tự gọi khi phù hợp.
/review-brief — từ vault đến bản tóm tắt review đầy đủ trong một lệnh Tổng hợp toàn bộ: brag entries theo quý, quyết định quan trọng, sự cố đã xử lý, feedback từ 1:1, bằng chứng năng lực. Có cả phiên bản manager review và self-review. Mọi claim đều có link đến note gốc — không phải lời nói suông. → Chạy trước buổi review với manager. Dùng kết quả làm tài liệu chuẩn bị.
/vault-upgrade — di chuyển từ vault cũ sang mà không mất dữ liệu Phát hiện phiên bản vault (v1 đến v3.2), kiểm kê toàn bộ file, trình bày kế hoạch migration rõ ràng trước khi chạy, rồi mới thực thi sau khi bạn xác nhận. Vault cũ không bị sửa đổi. Hỗ trợ cả vault không phải obsidian-mind — Claude đọc từng note và phân loại theo ngữ nghĩa. → Dùng nếu đang có vault Obsidian cũ và muốn chuyển sang hệ thống này.
Bases — database views tự cập nhật theo ghi chú Thư mục bases/ chứa các góc nhìn dạng database: Work Dashboard, Incidents, People Directory, 1:1 History, Review Evidence, Competency Map. Tất cả đọc từ YAML frontmatter trong ghi chú và cập nhật tự động. Home.md nhúng tất cả lại thành trang tổng quan vault. → Không cần maintain thủ công. Ghi note → frontmatter đúng → bases tự cập nhật.
QMD semantic search — tìm "điều đã quyết định về Redis" kể cả khi note đặt tên khác Tìm kiếm theo nghĩa thay vì theo từ khóa. Không bắt buộc — nếu chưa cài, Claude dùng Obsidian CLI và grep thay thế. Nhưng khi cần tìm "tất cả những lần đề cập đến caching strategy" mà không nhớ note nằm ở đâu, QMD là công cụ đúng. → Cài thêm sau khi vault đã có đủ nội dung. Không phải điều kiện để bắt đầu.

Bắt đầu như thế nào

Hôm nay — Clone và mở vault

git clone https://github.com/breferrari/obsidian-mind.git ~/my-vault
cd ~/my-vault && claude

Mở thư mục bằng Obsidian (phiên bản 1.12 trở lên). Bật Obsidian CLI trong Cài đặt → Chung.

Trong 15 phút đầu — Điền North Star Mở brain/North Star.md và điền mục tiêu hiện tại của bạn — công việc, dự án, ưu tiên. Đây là file Claude đọc đầu tiên mỗi buổi. Càng cụ thể, buổi sáng càng bắt đầu đúng hướng.
Ngày đầu tiên — Thử /standup và /dump Chạy /standup để thấy hệ thống hoạt động ra sao. Sau đó kể cho Claude nghe một việc vừa xảy ra bằng /dump — dù là quyết định nhỏ hay buổi họp ngắn. Xem nó route vào đâu.
Tuần đầu — Tạo competency notes Tạo ít nhất ba note trong perf/competencies/ dựa trên framework năng lực của tổ chức bạn. Từ đó về sau, mỗi khi làm việc liên quan, Claude sẽ tự liên kết. Đến cuối năm, backlinks chính là bằng chứng review.

10 Skill Claude Code dạy bạn khởi nghiệp theo kiểu Minimalist

Sun, 05 Apr 2026 07:08:53 GMT

Tóm tắt

Sahil Lavingia — người tạo ra Gumroad — vừa công bố bộ 10 kỹ năng cho Claude Code, xây dựng dựa trên cuốn sách The Minimalist Entrepreneur của ông. Cài vào Claude Code, bạn có ngay một cố vấn kinh doanh biết đặt đúng câu hỏi, đúng lúc — từ bước tìm cộng đồng ban đầu đến kiểm tra lại mọi quyết định lớn nhỏ trong quá trình vận hành.

Điểm đặc biệt: đây không phải chatbot tư vấn chung chung. Mỗi lệnh là một framework tư duy được lập trình sẵn, dựa trên kinh nghiệm thực tế của người đã xây Gumroad từ mười mấy năm nay.

Bài này dành cho ai?

1. Người đang loay hoay tìm ý tưởng kinh doanh

Vấn đề chung: Có kỹ năng, có thời gian, nhưng cứ lẩn quẩn không biết làm gì — hoặc có quá nhiều ý tưởng mà không biết cái nào đáng theo đuổi.

Các trường hợp thực tế:

Bạn là lập trình viên freelance, đang trong nhiều nhóm cộng đồng lập trình viên, nhóm chơi board game, và hội đồng hương. Bạn thấy người ta hay than thở đủ thứ nhưng không biết vấn đề nào có thể biến thành sản phẩm. → Dùng /find-community để phân tích từng cộng đồng bạn đang thật sự thuộc về, lọc ra những vấn đề được phàn nàn đi phàn nàn lại — đó mới là tín hiệu thật.
Bạn đã có 3-4 ý tưởng trong đầu, không biết cái nào có người trả tiền hay không. → Dùng /validate-idea để kiểm tra từng ý tưởng theo bộ tiêu chí cụ thể: có người đang dùng giải pháp tạm bợ không? Có ít nhất 10 người bạn có thể tiếp cận trực tiếp không? Có người sẵn sàng trả tiền ngay chưa?
Bạn đã thử vài ý tưởng, đều chết sớm, không hiểu tại sao. → Cố vấn này sẽ hỏi lại: bạn có thật sự thuộc về cộng đồng đó không, hay chỉ thấy market size lớn rồi nhảy vào?

2. Founder đang xây sản phẩm hoặc bị kẹt không launch được

Vấn đề chung: Danh sách tính năng cứ phình ra, không biết dừng ở đâu — hoặc đã launch nhưng chưa biết làm sao có thêm khách mà không tốn tiền quảng cáo.

Các trường hợp thực tế:

Bạn đang xây một ứng dụng SaaS, đã code được 2 tháng, vẫn chưa launch vì "còn thiếu mấy tính năng quan trọng". → Dùng /mvp để được hỏi thẳng: cái tính năng đó đã có khách nào yêu cầu chưa, hay tự mình nghĩ ra? Sản phẩm đủ để giải một vấn đề cho một người chưa? Quy trình gồm ba bước: làm tay cho từng khách → viết quy trình ra giấy → mới tự động hóa.
Bạn vừa có 5-10 khách đầu tiên, đang xử lý mọi thứ thủ công, muốn scale nhưng chưa muốn xây thêm code. → Dùng /processize để viết quy trình ra dạng tài liệu — ai cũng có thể làm thay bạn, kể cả khi bạn đi vắng. Đây là bước Sahil gọi là "ma thuật trên tờ giấy", bước mà hầu hết founder bỏ qua và phải trả giá sau.
Bạn đã launch rồi nhưng không biết cách tiếp cận 100 khách đầu tiên mà không chạy quảng cáo. → Dùng /first-customers để lập kế hoạch tiếp cận trực tiếp từng nhóm khách — theo triết lý "bán tay trước, marketing sau".

3. Người đang vận hành và cần ra quyết định kinh doanh khó

Vấn đề chung: Đang có sản phẩm, đang có doanh thu, nhưng gặp các quyết định không rõ đúng sai — về giá, về tuyển dụng, về hướng phát triển tiếp theo.

Các trường hợp thực tế:

Bạn đang phân vân giữa "miễn phí để tăng trưởng nhanh" và "thu phí từ đầu". → Dùng /pricing để được phân tích: khoảng cách giữa miễn phí và một đô la lớn hơn nhiều so với khoảng cách giữa một đô và một ngàn đô. Mô hình miễn phí chỉ phù hợp khi đã có vốn dự trữ đủ để bù lỗ — nếu không có, thu phí ngay từ đầu.
Bạn sắp ký hợp đồng với một đối tác lớn, hoặc đang cân nhắc mở rộng sang thị trường mới, hoặc đang nghĩ đến chuyện tuyển người đầu tiên. → Dùng /minimalist-review để được đặt câu hỏi ngược: quyết định này phục vụ khách hàng hay phục vụ cái tôi? Có thể làm thủ công trước không? Nếu sai thì có rút lại được không?
Bạn muốn xây văn hóa công ty trước khi mở rộng đội ngũ, nhưng chưa biết bắt đầu từ đâu. → Dùng /company-values để được hướng dẫn xác định giá trị cốt lõi — không phải từ những câu sáo rỗng trên tường văn phòng, mà từ các quyết định thật sự bạn đã đưa ra.
Bạn đang có framework hoặc phương pháp luận riêng trong lĩnh vực của mình và muốn đóng gói thành bộ kỹ năng cho Claude Code để chia sẻ với cộng đồng. → Repo này có cấu trúc chuẩn gồm .claude-plugin/plugin.json, marketplace.json, và mỗi kỹ năng là một folder chứa SKILL.md. Bất kỳ ai cũng có thể fork và xây bộ kỹ năng riêng theo đúng định dạng này.

Các điểm chính

Mỗi kỹ năng là một lệnh tắt + một tài liệu hướng dẫn Claude Mỗi kỹ năng là một thư mục chứa SKILL.md — một hướng dẫn hệ thống rất chi tiết, lập trình Claude đóng vai cố vấn kinh doanh theo một framework cụ thể. Không phải chatbot chung chung, mà là chuyên gia được thiết lập sẵn để hỏi đúng câu đúng lúc. → Cài bằng lệnh /plugin marketplace add slavingia/skills rồi /plugin install minimalist-entrepreneur
/find-community — xuất phát từ con người, không phải từ sản phẩm Kỹ năng này dẫn dắt bạn qua bốn câu hỏi: bạn đang thuộc về cộng đồng nào, vấn đề nào họ phàn nàn liên tục, bạn có thể tiếp cận họ không, và cộng đồng đó có đủ lớn nhưng không quá rộng không. Không có cộng đồng bạn thật sự thuộc về — không có gì để xây. → Liệt kê 5 đến 10 cộng đồng bạn đang tham gia thật, rồi để kỹ năng giúp tìm điểm giao với vấn đề thật.
/validate-idea — kiểm chứng bằng việc bán, không phải bằng việc xây Hỏi 10 người, 3 người sẵn sàng trả tiền — đó là mức kiểm chứng đủ để tiếp tục. Không cần khảo sát, không cần trang đích đẹp, không cần viết một dòng code nào. → Chạy kỹ năng này trước khi bắt đầu xây dựng bất cứ thứ gì.
/mvp — làm tay trước, tự động hóa sau Ba bước: làm thủ công cho từng khách (bạn chính là sản phẩm), ghi lại quy trình ra giấy, rồi mới tự động hóa. Sahil từng thu thập địa chỉ PayPal thủ công để trả tiền cho từng người sáng tạo nội dung — trước khi Gumroad có hệ thống thanh toán tự động. → Dùng kỹ năng này khi danh sách tính năng bắt đầu phình ra — nó sẽ hỏi lại: "Cái này có thể ra mắt trong một cuối tuần không?"
/processize — biến quy trình thủ công thành thứ người khác có thể làm thay Giai đoạn giữa "làm tay" và "xây ứng dụng" — viết quy trình ra để bất kỳ ai cũng có thể làm thay khi bạn vắng mặt. Đây là bước hầu hết founder bỏ qua và phải trả giá sau. → Dùng khi đã có khách hàng đầu tiên và muốn mở rộng mà chưa muốn viết thêm code.
/first-customers — 100 khách đầu tiên bằng bán trực tiếp, không phải quảng cáo Kỹ năng này hướng dẫn cách tiếp cận và bán cho 100 khách đầu tiên theo phương pháp trực tiếp. Quảng cáo và marketing chỉ đến sau khi đã xác nhận sản phẩm phù hợp thị trường — không phải trước. → Chạy kỹ năng này thay vì chạy quảng cáo khi mới ra mắt.
/pricing — thu phí từ ngày đầu, không miễn phí để đổi tăng trưởng Khoảng cách giữa miễn phí và một đô la lớn hơn nhiều so với khoảng cách giữa một đô và một ngàn đô. Mô hình miễn phí chỉ phù hợp khi có đủ nguồn lực để bù lỗ — nếu không, thu phí ngay từ đầu. → Dùng khi đang phân vân "nên miễn phí để tăng người dùng trước không?"
/minimalist-review — tám nguyên tắc kiểm tra lại mọi quyết định Bộ câu hỏi: Quyết định này phục vụ cộng đồng hay phục vụ cái tôi? Có thể làm tay trước không? Có thể ra mắt trong một cuối tuần không? Khách hàng có yêu cầu điều này chưa? Quyết định này có thể rút lại không nếu sai? → Chạy trước mọi quyết định lớn: tuyển dụng, tính năng mới, hợp tác, thay đổi hướng đi.
Cấu trúc plugin chuẩn — bản thiết kế để tự xây bộ kỹ năng riêng Repo có .claude-plugin/plugin.json và marketplace.json — đây là cấu trúc chuẩn để phân phối kỹ năng qua chợ Claude Code. Bất kỳ ai có framework riêng đều có thể fork và xây bộ kỹ năng theo đúng định dạng này. → Nếu bạn có phương pháp luận riêng trong một lĩnh vực cụ thể, đây là cách đóng gói và chia sẻ nó cho cộng đồng.
10 kỹ năng = 10 chương của cuốn sách được lập trình vào Claude Thứ tự phản ánh hành trình trong sách: Cộng đồng → Kiểm chứng → Xây dựng → Chuẩn hóa → Bán hàng → Định giá → Tiếp thị → Tăng trưởng → Văn hóa → Đánh giá. Dùng đúng kỹ năng đúng giai đoạn — không phải tất cả cùng một lúc. → Xác định bạn đang ở giai đoạn nào trong hành trình, rồi chỉ dùng kỹ năng tương ứng.

Bắt đầu như thế nào

Hôm nay — Cài bộ kỹ năng vào Claude Code

/plugin marketplace add slavingia/skills
/plugin install minimalist-entrepreneur

Ngay sau đó — Chọn điểm xuất phát phù hợp với bạn
- Đang tìm ý tưởng → dùng /find-community
- Đang xây sản phẩm → dùng /mvp hoặc /validate-idea
- Đang vận hành và cần kiểm tra một quyết định → dùng /minimalist-review kèm mô tả tình huống cụ thể
Đọc thêm — The Minimalist Entrepreneur nếu muốn hiểu sâu triết lý đằng sau 10 kỹ năng này

Máy chủ Email & Nền tảng Tiếp thị Nguồn mở

Tue, 31 Mar 2026 03:12:41 GMT

TL;DR

BillionMail là tool gửi email marketing tự host, không giới hạn số lượng gửi, có sẵn analytics theo dõi open rate và click rate. Cài đặt mất 8 phút là xong. Phù hợp cho ai cần self-hosted email campaign mà không muốn phụ thuộc dịch vụ bên thứ ba.

Bài này dành cho ai?

1. Người cần gửi email marketing cho business

Vấn đề: Các nền tảng như Mailchimp, SendGrid tính phí theo số lượng email, đắt đỏ khi gửi nhiều Khi nào cần: Khi cần gửi newsletter, promotional email cho khách hàng mà không muốn trả subscription đắt Được gì: Gửi email không giới hạn, tự kiểm soát data, không bị vendor lock-in

2. Dev hoặc sysadmin muốn self-hosted email solution

Vấn đề: Cài mail server thủ công phức tạp, thiếu giao diện quản lý campaign Khi nào cần: Cần một giải pháp mail server có sẵn UI để quản lý user, template, campaign Được gì: Cài đặt nhanh (8 phút), có sẵn RoundCube Webmail, management script tiện lợi

3. Marketer muốn theo dõi chi tiết hiệu quả email

Vấn đề: Không biết email có thực sự được mở không, khách click link nào Khi nào cần: Cần analytics để tối ưu nội dung email và thời gian gửi Được gì: Tracking đầy đủ: delivery, open rate, click-through rate

Các điểm chính

Gửi email không giới hạn số lượng Không like các nền tảng tính phí theo email, tự host nên gửi bao nhiêu tùy thích → Làm gì: Nếu đang trả monthly cho Mailchimp/SendGrid, tính lại ROI với self-hosted
Cài đặt cực nhanh, 8 phút là xong Chạy script bash hoặc docker compose, sau đó config domain và DNS là gửi được liền → Làm gì: Thử cài trên VPS để test, có sẵn demo online nếu muốn trước
Open-source, không vendor lock-in Code mở, license AGPLv3, data nằm trên server mình → Làm gì: Không lo bị tăng giá hoặc shut down như các dịch vụ closed-source
Có sẵn analytics và template Theo dõi open rate, click rate; có template có sẵn để reuse → Làm gì: Bắt đầu với template có sẵn, sau đó tự custom nếu cần
Management qua command line tiện lợi Dùng lệnh bm help, bm show-record, bm update để quản lý → Làm gì: Bookmark lại các command này, dùng thường xuyên khi vận hành

Quick Start

Cài đặt trên VPS:

cd /opt && git clone https://github.com/aaPanel/BillionMail && cd BillionMail && bash install.sh

Config domain: Thêm domain gửi mail, verify DNS records (SPF, DKIM, DMARC), SSL tự động
Vào demo test trước:

URL: https://demo.billionmail.com/billionmail
Login: billionmail / billionmail

Xem hướng dẫn chi tiết trên YouTube có sẵn trong repo

Biến mọi website và phần mềm thành CLI cho AI Agent với OpenCLI

Mon, 30 Mar 2026 00:00:00 GMT

TL;DR

OpenCLI là một công cụ giúp biến bất kỳ website nào (Bilibili, Reddit, X...), ứng dụng Electron hoặc local binary thành một giao diện dòng lệnh (CLI) tiêu chuẩn.

Nói đơn giản: Thay vì AI Agent phải gọi API phức tạp hay dùng Playwright đốt token để đọc HTML, nó chỉ cần chạy lệnh opencli bilibili hot. OpenCLI sẽ tái sử dụng session Chrome đã login sẵn của bạn ở background.

Tool này dành cho ai?

1. Người build AI Agent cần lấy dữ liệu đăng nhập

Vấn đề: Các Web Scraper thường bị chặn bởi Captcha hoặc tốn công maintain Cookie. Giải pháp: OpenCLI xài thẳng session duyệt web của Chrome (không cần đưa password thật cho AI). Giải quyết triệt để bài toán auth.

2. Kỹ sư tối ưu Agentic Workflow

Vấn đề: Chi phí token quá cao khi dùng các thư viện Web-navigating Agent (như Browser-use, Playwright agent). Giải pháp: Workflow Deterministic. Chạy lệnh trả về cấu trúc JSON cố định, chạy 10,000 lần không tốn thêm 1 xu token nào.

3. Cursor / Vibe Coders

Vấn đề: Cần kết nối Agent với các công cụ nội bộ nhưng lười viết API bridge. Giải pháp: Viết một dòng .cursorrules cho model chạy opencli list. Claude Code hoặc Cursor agent sẽ tự discover các sub-commands và điều khiển tool của bạn.

Những điểm chính yếu

Cơ chế Anti-detection "hạng nặng" Nhiều tool automation dễ bị platform văng captcha. OpenCLI tự động patch navigator.webdriver, stub window.chrome, fake danh sách plugin và tẩy dấu vết CDP.
Kiểm soát phần mềm Electron Tính năng này mở rộng giới hạn của CLI. Bằng cơ chế CDP, bạn có thể biến các ứng dụng desktop viết bằng Electron thành CLI. Ví dụ: AI Agent có thể trực tiếp điều khiển một AI App khác thông qua terminal.
Dynamic Loader & CLI Hub Có thể bọc (wrap) các công cụ CLI bất kỳ lại. Nó trở thành lớp "Hub" để quản lý mọi lệnh. Khi Agent gõ một lệnh mà hệ thống chưa cài (như gh hay docker), OpenCLI sẽ tự invoke package manager tải xuống rồi chạy xuyên suốt (seamless proxy).

Kho Automation Ecosystem "khủng"

Dựa trên thông số từ adapters documentation của dự án, OpenCLI đang giữ một danh sách tích hợp sẵn (out-of-the-box) đồ sộ:

Hơn 40 mạng xã hội/SaaS qua Browser Bridge (tái sử dụng Auth): X/Twitter (đăng bài, bookmark, DM...), Reddit, Xiaohongshu, Bilibili, LinkedIn, Facebook, Instagram, Boss Zhipin, Wechat, Jike...
15+ Public APIs không cần auth: HackerNews, Spotify, Wikipedia, Arxiv, BBC, Yahoo Finance...
8+ Desktop Apps (qua giao thức CDP): Định hình lại cách tự động hoá macOS, cho phép AI Agent giao tiếp và điều khiển nội bộ Cursor IDE, ChatGPT desktop, Discord, Notion hay Doubao App.

Điều này có viễn cảnh rất rõ: Thay vì phải cắm cúi viết hàng trăm data connectors hay scraper cho AI Agent, kho function tools khổng lồ này đã có sẵn. Agent chỉ việc gọi lệnh.

Quick Start (Vibe coding test)

Cài đặt extension (làm cầu nối với Chrome):

Tải opencli-extension.zip từ Github Releases.
Mở chrome://extensions, bật Developer Mode và "Load unpacked".

Cài đặt NPM package:

npm install -g @jackwener/opencli

Kiểm tra kết nối và chạy:

# Verify kết nối với Chrome
opencli doctor

# Xem các platform hỗ trợ
opencli list

# Lấy top news (Public API)
opencli hackernews top --limit 5

# Lấy dữ liệu nền tảng yêu cầu auth (Dùng Chrome session)
opencli bilibili hot --limit 5

Điều phối AI agent từ task đến merged PR

Sun, 29 Mar 2026 12:25:19 GMT

TL;DR

Bài này giới thiệu một hệ thống orchestration cho AI coding agents. Thay vì ngồi theo dõi từng bước, bạn gửi task vào — hệ thống tự provision môi trường, chạy agent, mở PR, monitor CI, tự fix lỗi, và merge khi xong.

Nói đơn giản: Tool quản lý AI agent viết code giúp bạn — từ lúc nhận task đến lúc code lên main, không cần ngồi canh.

Bài này dành cho ai?

1. Team muốn AI agent tự hoàn thành task mà không cần canh

Vấn đề: Agent chạy xong rồi fail CI, dev phải ngồi theo dõi và fix lại thủ công Khi nào cần: Khi muốn nhiều task chạy song song, mà không muốn người ngồi canh từng cái Được gì: Agent tự resume khi CI fail, tự fix theo feedback, tự merge khi pass hết

2. Dev muốn build hệ thống orchestration cho AI coding agents

Vấnề: Không biết bắt đầu từ đâu, thiếu reference architecture Khi nào cần: Khi cần tự build hoặc customize tool quản lý AI agent trong team Được gì: Reference architecture đầy đủ với Kubernetes, queue system, feedback loop

3. Team muốn quản lý nhiều repo cùng lúc

Vấn đề: Mỗi repo cần config riêng, muốn scale không cần setup nhiều Khi nào cần: Khi có trên 5 repo cần chạy task tự động Được gì: Pod-per-repo architecture, mỗi repo có pod riêng, worktree isolation

Các điểm chính

Feedback loop là cốt lõi Khi CI fail, agent tự resume với context lỗi. Khi reviewer feedback, agent nhận comment rồi push fix. Không cần người canh. → Nghĩ cách implement feedback mechanism trong workflow của mình, đây là thứ giá trị nhất.
Pod-per-repo, worktree isolation Mỗi repo chạy trong Kubernetes pod riêng. Mỗi task tạo git worktree mới — không conflict với nhau. Pod idle thì cleanup tự động. → Nếu mình đang chạy agent trực tiếp trên máy, cách này giúp scale và tránh conflict.
Task intake linh hoạt Nhận task từ web UI, GitHub Issues, hoặc Linear tickets. Cấu hình model, prompt, container image riêng cho từng repo. → Không cần chọn 1 tool duy nhất — integrate được với workflow hiện tại.
Code review agent là subtask riêng Agent review chạy với prompt và model riêng. Tách biệt khỏi agent viết code — không dùng chung context. → Review agent có thể dùng model rẻ hơn, tiết kiệm chi phí.
Real-time dashboard theo dõi toàn bộ Stream log live, xem pipeline progress, cost analytics, cluster health. Mọi thứ trong 1 chỗ. → Không cần SSH vào server để xem agent đang làm gì.
Đợi PR status mỗi 30 giây Sau khi agent mở PR, hệ thống poll CI status và review state liên tục. 30 giây là khoảng hợp lý — đủ nhanh mà không spam API. → Nếu mình tự implement, đây là con số benchmark tốt.

Quick Start

Clone và chạy setup script — ./scripts/setup-local.sh sẽ cài toàn bộ stack lên Kubernetes local qua Helm
Mở web UI — http://localhost:30310, wizard sẽ hướng dẫn config GitHub access và thêm repo đầu tiên

Quản lý nhiều tài khoản Zalo cá nhân trên web

Sun, 29 Mar 2026 08:33:33 GMT

TL;DR

Hệ thống mã nguồn mở giúp quản lý tập trung nhiều tài khoản Zalo cá nhân trên web. Gửi tin nhắn real-time, theo dõi khách hàng qua pipeline, lịch hẹn tự động, webhook cho tích hợp bên ngoài.

Nói đơn giản: Thay vì mở 10 cửa sổ Zalo, bạn quản lý tất cả từ 1 dashboard duy nhất.

Bài này dành cho ai?

1. Đội nhóm bán hàng online

Vấn đề: Quản lý nhiều Zalo cá nhân, tin nhắn rời rạc, không theo dõi được Khi nào cần: Team có 3-5 người, mỗi người 1-2 Zalo, cần view chung Được gì: Tất cả tin nhắn trên 1 giao diện, phân quyền Owner/Admin/Member

2. Người muốn tích hợp Zalo vào hệ thống hiện có

Vấn đề: Muốn đẩy tin nhắn từ CRM bên thứ 3 sang Zalo Khi nào cần: Cần gửi tin nhắn tự động khi có đơn hàng mới Được gì: REST API + Webhook, lấy API key là xong

3. Người muốn chạy Zalo tự động hóa

Vấn đề: Zalo hay block khi gửi quá nhanh Khi nào cần: Cần giới hạn 200 tin/ngày, phát hiện spam Được gì: Hệ thống tự giới hạn tốc độ gửi, cảnh báo khi vượt ngưỡng

Các điểm chính

Quản lý nhiều Zalo tập trung Đăng nhập QR, hệ thống tự duy trì kết nối, không cần để điện thoại online liên tục. → Làm gì: Thêm bao nhiêu Zalo tùy nhu cầu, quản lý từ 1 chỗ.
Chat real-time giống Zalo thật Gửi/nhận tin nhắn, ảnh, file, sticker, nhóm chat — tất cả cập nhật tức thì. → Làm gì: Team ngồi ở máy tính, không cần cầm điện thoại.
Pipeline khách hàng tự định nghĩa Mới → Đã liên hệ → Quan tâm → Chuyển đổi → Mất. Kéo thả, theo dõi trạng thái. → Làm gì: Biết khách nào đang ở đâu trong pipeline, không mất khách vì quên.
Cảnh báo khách chưa trả lời Tin nhắn chưa reply sau 30 phút → báo ngay. Lịch hẹn sắp tới → nhắc tự động. → Làm gì: Không bỏ sót khách hàng nào.
API key cho tích hợp bên ngoài POST tin nhắn, lấy danh sách khách, đọc lịch hẹn — gọi HTTP là xong. → Làm gì: Kết nối với app của bạn, ví dụ: đơn mới → gửi Zalo tự động.
Webhook cho sự kiện real-time Bắt được: tin nhắn đến, khách hàng mới, Zalo kết nốt/mất kết nối. → Làm gì: Trigger automation khi có sự kiện, không cần polling.
Chống block Zalo tự động Giới hạn 200 tin/ngày, phát hiện gửi quá nhanh. System có sẵn anti-spam. → Làm gì: Yên tâm chạy tự động mà không sợ bị khoá tài khoản.

Quick Start

Clone repo về server: git clone https://github.com/vuongnguyenbinh/ZaloCRM.git
Copy file .env.example → .env, điền password và secret keys
Chạy docker compose up -d --build
Mở trình duyệt truy cập http://IP-server:3080, tạo tài khoản admin đầu tiên

ProofShot — cho AI coding agent cái mắt để verify UI thật sự hoạt động

Sun, 29 Mar 2026 06:00:00 GMT

TL;DR

CLI tool cho AI coding agent (Claude Code, Cursor, Codex...) quay video browser, chụp screenshot, bắt lỗi — để agent tự verify UI thay vì "code xong rồi, chắc đúng." Agent có mắt thật, không còn đoán mò.

Bài này dành cho ai?

1. Dev dùng AI coding agent nhưng không tin output UI

Vấn đề: AI viết code xong báo "done" nhưng UI thực tế bị lệch layout, button không click được, console đầy lỗi — phải tự mở browser check lại

Khi nào cần: Khi AI agent sửa frontend và mình muốn nó tự verify trước khi báo xong

Được gì: Agent chạy proofshot start, mở browser headless, interact thật với UI, chụp screenshot + quay video — rồi tự đánh giá kết quả trước khi nói "done"

2. Team muốn proof-of-work cho AI PRs

Vấn đề: Review PR do AI tạo mà không biết nó đã test UI chưa, phải checkout và chạy thủ công

Khi nào cần: Khi có quy trình AI tạo PR tự động, cần bằng chứng visual

Được gì: proofshot pr tự upload video + screenshot lên PR comment, reviewer xem luôn không cần chạy local

Các điểm chính

1. Cho AI vision thật — không phải prompt hack

Khác với việc bảo AI "hãy tưởng tượng UI trông thế nào", ProofShot mở browser thật (headless Chromium qua agent-browser), agent điều khiển trực tiếp: mở URL, click, fill form, scroll — rồi screenshot kết quả. AI nhìn pixel thật, không đoán.

→ Làm gì: proofshot start --run "npm run dev" --port 3000, rồi dùng lệnh agent-browser để interact

2. Bắt lỗi cross-language tự động

Detect lỗi từ 10+ ngôn ngữ (JS, Python, Go, Rust, Ruby...) — cả console errors lẫn server logs. Agent không chỉ thấy UI mà còn biết backend có crash không.

→ Làm gì: Sau khi stop session, check SUMMARY.md — tất cả lỗi đã được gom lại

3. Visual diff — so sánh trước/sau

proofshot diff chụp screenshot rồi so với baseline. Biết ngay UI có bị regression không, không cần mắt người.

→ Làm gì: Chạy diff sau mỗi lần AI sửa CSS hoặc layout

4. Artifacts cho mọi session

Mỗi session tạo ra: session.webm (video), viewer.html (player có timeline + action markers), SUMMARY.md (báo cáo lỗi), screenshots. Đủ bằng chứng để review hoặc debug.

→ Làm gì: Mở viewer.html để xem lại chính xác agent đã làm gì trong browser

5. Agent-agnostic — chạy với mọi AI tool

Claude Code, Cursor, Codex, Gemini CLI, Windsurf — bất kỳ tool nào chạy được shell command đều dùng được. proofshot install tự detect và cài skill file cho từng tool.

→ Làm gì: npm install -g proofshot && proofshot install — nó tự setup cho tool đang dùng

Quick Start

Cài đặt: npm install -g proofshot && proofshot install
Bắt đầu session: proofshot start --run "npm run dev" --port 3000
Agent interact với browser qua agent-browser commands
Kết thúc: proofshot stop — xem artifacts trong thư mục session

Trợ lý ghi cuộc họp AI

Sat, 28 Mar 2026 12:34:53 GMT

TL;DR

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Mình hay phải nhớ thông tin từ tài liệu, email để nói trong cuộc họp, nhưng không thể nào nhớ hết. Phải vừa nghe vừa lục notes lộn xộn.

Khi nào cần: Khi hay có cuộc gọi quan trọng — meeting với khách, pitch, interview, call với đối tác.

Được gì: App tự gợi ý những thứ liên quan từ notes của mình, mình chỉ việc đọc lên nghe như đã chuẩn bị kỹ.

2. Người muốn build sản phẩm tương tự

Vấn đề: Muốn làm app ghi chú cuộc họp tích hợp AI, nhưng không biết bắt đầu từ đâu.

Khi nào cần: Đang nghiên cứu tech stack — SwiftUI, Apple Speech framework, embedding, RAG.

Được gì: Thấy cách một dev xây dụng app hoàn chỉnh — từ speech recognition đến suggestion pipeline.

Các điểm chính

1. Ghi transcript realtime 2 bên App ghi cả mình và người kia, hiển thị lên màn hình ngay khi nói. Không cần chờ edit sau. → Làm gì: Cài đặt, mở app trước cuộc gọi, click Live là xong.

2. Gợi ý từ notes của mình Khi người kia hỏi hoặc nói điều gì quan trọng, app tìm trong thư mục notes mình đã point vào, rồi hiện gợi ý trên cùng màn hình. → Làm gì: Chuẩn bị thư mục .md/.txt chứa tài liệu liên quan — meeting prep, research, pitch deck.

3. Chạy 100% local với Ollama Speech recognition trên Mac, LLM và embedding chạy local — không gửi audio ra ngoài, không cần internet. → Làm gì: Cài Ollama, chọn local mode trong Settings.

4. Window ẩn khi share màn hình Cửa sổ app mặc định bị ẩn khỏi screen share — người kia không biết mình đang dùng app ghi chú. → Làm gì: Không cần làm gì, đã tự ẩn rồi.

5. Transcript tự lưu Mỗi cuộc gọi lưu thành file text và structured log, không cần export thủ công. → Làm gì: Vào ~/Documents/OpenOats/ lấy file sau mỗi cuộc gọi.

Quick Start

Cài đặt:

brew tap yazinsai/openoats https://github.com/yazinsai/OpenOats
brew install --cask yazinsai/openoats/openoats

Cấu hình:
- Cloud: thêm OpenRouter + Voyage AI API keys
- Local: chọn Ollama, đảm bảo Ollama đang chạy
Point vào thư mục notes — .md hoặc .txt files
Click Idle → Live để bắt đầu

Lần đầu chạy sẽ tải speech model (~600 MB).

Biến AI thành đội ngũ affiliate marketing

Tue, 24 Mar 2026 08:56:34 GMT

TL;DR

Bộ 45 AI skills chạy trên bất kỳ AI nào (Claude, ChatGPT, Cursor...) giúp tự động hóa toàn bộ flow affiliate: tìm chương trình, viết content, tạo landing page, deploy, track và scale. Thay vì ngồi Google lòng vòng hay đoán mò CTA nào hiệu quả, giờ AI làm hộ từng bước.

Bài này dành cho ai?

1. Người muốn làm affiliate nhưng không muốn làm bằng tay

Vấn đề: Ngồi Google "best affiliate programs" toàn ra content SEO rác, viết review mà không biết CTA có hiệu quả không, mày mò landing page 4 tiếng mà convert chỉ 0.2%

Khi nào cần: Khi thấy affiliate tốn quá nhiều thời gian và không có data để quyết định

Được gì: AI query trực tiếp API lấy data thật (commission, cookie duration, stars), tự viết review đã có FTC disclosure, tự tạo landing page AIDA framework — không cần biết code

2. Người muốn build sản phẩm hoặc tool cho affiliate

Vấn đề: Muốn tạo agent pipeline nhưng thiếu structured input/output schema, không biết bắt đầu từ đâu

Khi nào cần: Khi cần machine-readable index và API docs để tích hợp

Được gì: Có sẵn registry.json chứa metadata 45 skills, API.md cho REST API, và SKILL.md template chuẩn để tạo thêm skill mới

3. Dev muốn tích hợp AI vào workflow affiliate

Vấn đề: Muốn AI làm việc nhưng không biết cách prompt cho nó hiểu affiliate flow

Khi nào cần: Khi cần AI có memory và chain được các bước với nhau

Được gì: Mỗi skill là một Markdown file định nghĩa trigger patterns, input/output schema, workflow và chaining — AI tự biết bước tiếp theo là gì

Các điểm chính

1. Flywheel 8 bước — dữ liệu chạy vòng tròn

S6 (Analytics) feed ngược lại S1 (Research) → closed loop. Mỗi skill biết mình nhận input từ đâu và output cho ai, không cần copy-paste thủ công.

→ Làm gì: Bắt đầu từ S8 funnel-planner để nó lên roadmap cả 8 bước cho mình, hoặc nhảy thẳng vào bước đang cần (đã có content thì vào S4 tạo landing)

2. 45 skills phủ 8 giai đoạn affiliate

S1 Research (6 skills) → S2 Content (5) → S3 Blog (7) → S4 Landing (8) → S5 Distribution (4) → S6 Analytics (5) → S7 Automation (5) → S8 Meta (5). Mỗi skill là một markdown file đơn giản, AI đọc và chạy.

→ Làm gì: Copy prompt bootstrap vào AI bất kỳ, bắt đầu với câu "Find me the best SaaS affiliate programs with recurring commission"

3. Data-driven thay vì guesswork

Thay vì chọn affiliate program theo cảm tính, AI query trực tiếp list.affitor.com API lấy commission rate, cookie duration, stars — rồi so sánh và recommend chương trình tốt nhất cho niche của mình.

→ Làm gì: Khi cần chọn program, dùng affiliate-program-search skill thay vì Google thủ công

4. Content tự viết, tự deploy

Từ viết viral post → blog review → landing page → deploy lên GitHub Pages — AI làm hết, chỉ cần review và approve. Mỗi bài blog đã tích hợp sẵn FTC disclosure và affiliate CTA.

→ Làm gì: Test thử với câu "Write a blog review of HeyGen for content creators" xem nó viết gì

5. Works với mọi AI agent

Dùng Claude Code, ChatGPT, Cursor, Windsurf, Gemini CLI hay OpenClaw đều được. Chỉ cần copy bootstrap prompt hoặc clone repo, AI tự nhận diện các skills.

→ Làm gì: Nếu dùng Claude Code thì chạy npx skills add Affitor/affiliate-skills, còn không thì paste bootstrap prompt vào conversation

6. Compliance tự động

Trước khi publish, compliance-checker kiểm tra FTC规则 và platform rules. Sau khi launch, self-improver tự review chiến dịch và đề xuất cải thiện.

→ Làm gì: Không cần lo vô tình vi phạm FTC — AI đã check trước khi output

Quick Start

Dùng thử ngay — không cần cài đặt: Paste dòng này vào bất kỳ AI:

Search the Affitor affiliate directory for AI video tools.
Use this API: GET https://list.affitor.com/api/v1/programs?q=AI+video&sort=top&limit=5
Show me the results in a table with: Name, Commission, Cookie Duration, Stars.
Then recommend the best one and explain why.

Bước tiếp theo: Copy file prompts/bootstrap.md vào project của mình, rồi bắt đầu với câu "Plan my full funnel — I have 5 hours/week and I blog"

Claudy — A proper home for Claude Code — multi-project, multi-session, multi-account.

Tue, 24 Mar 2026 05:36:05 GMT

TL;DR

App macOS giúp chạy nhiều phiên làm việc Claude Code cùng lúc — có thể quản lý nhiều project, nhiều tài khoản trong một cửa sổ duy nhất.

→ Phù hợp: ai đang xài Claude Code nhiều, cần switch giữa các project liên tục.

Bài này dành cho ai?

1. Dev đang dùng Claude Code hàng ngày

Vấn đề: Muốn chạy nhiều project cùng lúc nhưng phải mở nhiều cửa sổ, hay quên đang dùng tài khoản nào

Khi nần: Khi có 3-4 project chạy song song, hoặc cần switch giữa Claude Code free và pro

Được gì: Tất cả trong 1 cửa sổ, không lẫn lộn sessions

2. Team lead quản lý nhiều repo

Vấn đề: Mỗi repo cần Claude Code riêng, nhưng không muốn logout/login liên tục

Khi nần: Khi review code nhiều project trong ngày

Được gì: Sidebar chuyển project nhanh, mỗi project có history riêng

Các điểm chính

Chạy nhiều phiên trong tabs Mỗi project mở tab riêng, sidebar để switch giữa các project nhanh. Mỗi phiên có Claude Code instance riêng với history lưu lại. → Làm gì: Tải app về, thử mở 2 project cùng lúc xem flow có phù hợp không
Tự động chuyển tài khoản khi hết limit Cấu hình nhiều tài khoản Claude, app sẽ auto switch khi tài khoản đang dùng tiến gần usage limit. Có thanh hiển thị usage realtime. → Làm gì: Vào settings, thêm tất cả tài khoản đang xài vào luôn
Compact mode thu gọn giao diện Window nhỏ lại thì sidebar tự collapse, hiện thanh quick-switch để focus mà không clutter. → Làm gì: Dùng khi cần làm việc trên màn hình nhỏ hoặc chỉ tập trung 1 task
Draft Commits lưu checkpoint Giữa session có thể tạo git commit với nhãn AI, sau đó restore được checkpoint bất kỳ, rồi squash thành commit gọn cuối cùng. → Làm gì: Dùng khi làm việc complex, muốn backup trước khi thử hướng mới
Marketplace cài plugins trong app Không cần config thủ công — browse và cài MCP servers, skills, slash commands chỉ bằng 1 tap. → Làm gì: Vào marketplace thử xem có tool nào hữu ích cho workflow không

Quick Start

Vào trang chủ, tải app về và cài đặt
Thêm tài khoản Claude vào settings
Tạo project đầu tiên bằng cách bấm "+" trong sidebar

API chỉnh sửa video AI cho CapCut/Jianying

Sun, 22 Mar 2026 03:58:21 GMT

TL;DR

Công cụ này cung cấp API để AI agent tự động chỉnh sửa video — thêm phụ đề, hiệu ứng, text, voiceover. Tích hợp được với Coze, Dify, N8N, OpenClaw. Giúp sản xuất video hàng loạt mà không cần mở CapCut thủ công.

Nói đơn giản: Cho phép AI tự động cắt ghép và thêm hiệu ứng video, giống như có một editor ảo làm việc 24/7.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Phải ngồi chỉnh sửa video thủ công từng cái một, mất hàng giờ cho công việc lặp đi lặp lại.

Khi nào cần: Khi cần tạo hàng chục video marketing, content repurpose, hoặc batch produce video từ AI-generated content.

Được gì: AI tự động thêm subtitle, text, hiệu ứng theo template. Mình chỉ cần trigger là xong.

2. Người muốn build sản phẩm

Vấn đề: Cần tích hợp tính năng video editing vào app hoặc workflow, nhưng không muốn viết từ đầu.

Khi nào cần: Khi đang build AI agent platform, automation tool, hoặc content pipeline cần xuất video.

Được gì: API sẵn sàng, có cả MCP protocol để AI agent gọi trực tiếp. Không cần hiểu sâu về video processing.

3. Developer muốn tự động hóa production pipeline

Vấn đề: Workflow hiện tại phải thao tác thủ công giữa nhiều công cụ.

Khi nào cần: Khi có pipeline AI generate image/video → cần edit → export → upload.

Được gì: Kết nối trực tiếp với các AI agent qua MCP, tạo draft CapCut/Jianying để fine-tune thủ công nếu cần.

Các điểm chính

AI agent có thể gọi API chỉnh sửa video trực tiếp Thay vì chỉ generate content, giờ AI còn có thể tự thêm subtitle, text, hiệu ứng, thậm chí keyframe animation. Không cần human intervention. → Làm gì: Thử gọi API thêm text vào video demo, xem kết quả ra sao.
Tích hợp được với cả workflow platform và autonomous agent Dùng Coze/Dify/N8N cho workflow có người giữ, hoặc OpenClaw/Claude Code cho agent tự quyết định. Đều dùng được. → Làm gì: Xác định xem mình đang dùng loại nào, rồi đọc phần hướng dẫn tương ứng.
Export ra draft CapCut/Jianying để chỉnh sửa thêm AI làm xong phần nặng nhọc, mình có thể mở CapCut lên fine-tune những chi tiết cuối. Không bị lock vào AI output. → Làm gì: Tạo draft đầu tiên, copy vào thư mục CapCut xem thử.
MCP protocol — AI tự gọi tool không cần code thủ công MCP cho phép AI agent discover và gọi các function video editing như cách gọi function bình thường. Khớp với xu hướng agentic workflow hiện tại. → Làm gì: Đọc phần MCP integration guide, test thử với test_mcp_client.py.
Open-source — AI có thể học interface từ code Code để trên GitHub, các model AI có thể train/understand API structure. Tác giả khuyến khích contribute để AI index nhanh hơn. → Làm gì: Star repo để hỗ trợ, hoặc xem code nếu muốn customize.

Quick Start

Cài đặt trong 10 phút:

git clone https://github.com/sun-guannan/VectCutAPI.git
cd VectCutAPI
python -m venv venv && source venv/bin/activate
pip install -r requirements.txt
cp config.json.example config.json
python capcut_server.py

Server chạy mặc định ở port 9001.

Test nhanh: Mở example.py hoặc test_mcp_client.py xem cách gọi API. Bắt đầu với add_video và add_text trước.

Understand Anything: Biến codebase thành knowledge graph tương tác

Sat, 21 Mar 2026 16:00:00 GMT

TL;DR

Understand Anything là Claude Code skill biến bất kỳ codebase nào thành knowledge graph tương tác — explore, search, hỏi đáp trực tiếp. 5 agent chạy pipeline: scan → analyze → phân tầng architecture → tạo tour hướng dẫn → validate. 2.2k stars trong 6 ngày, hỗ trợ multi-platform (Codex, Cursor, OpenCode).

Nói đơn giản: Plugin giúp bạn hiểu codebase lạ trong vài phút thay vì vài ngày, qua graph visualization + AI giải thích.

Bài này dành cho ai?

1. Dev mới join project hoặc onboard codebase lạ

Vấn đề: Đọc code từ đầu mất thời gian, không biết bắt đầu từ đâu, dependency rối Khi nào cần: Khi join team mới, review open source repo, hoặc maintain legacy code Được gì: Graph visualization color-coded theo layer (API, Service, Data, UI), guided tour theo dependency order, AI giải thích từng function bằng tiếng người

2. Tech lead cần review architecture nhanh

Vấn đề: Codebase lớn, khó nhìn toàn cảnh, không rõ impact khi thay đổi Khi nào cần: Code review, planning refactor, đánh giá technical debt Được gì: Diff impact analysis cho thấy thay đổi ripple effect qua hệ thống, architecture layer tự động detect

3. PM/non-dev muốn hiểu codebase

Vấn đề: Không đọc code được nhưng cần hiểu scope, complexity, dependencies Khi nào cần: Sprint planning, estimate effort, communicate với dev team Được gì: Persona-adaptive UI tự điều chỉnh detail level, plain-English summary cho mọi thứ

Điểm đáng chú ý

Multi-agent pipeline thực tế — 5 agent chuyên biệt (scanner, analyzer, architecture, tour-builder, reviewer) chạy song song, file analyzer xử lý 3 concurrent. Incremental update chỉ re-analyze file thay đổi
12 programming patterns — Giải thích generics, closures, decorators... trong context cụ thể của code đang xem, không phải lý thuyết chung chung
Multi-platform — Không chỉ Claude Code, hỗ trợ Codex, OpenCode, OpenClaw, Cursor, Antigravity. Cùng một tool chạy được nhiều nơi
Stack hiện đại — React Flow + Zustand + web-tree-sitter + Dagre cho graph layout. Semantic search kết hợp fuzzy matching (Fuse.js)

Bắt đầu nhanh

Cài trong Claude Code: /plugin marketplace add Lum1104/Understand-Anything
Chạy /understand để scan và build knowledge graph
Mở /understand-dashboard để explore interactive graph
Dùng /understand-chat để hỏi đáp, /understand-diff để xem impact analysis

Using spec-driven development with Claude Code

Fri, 20 Mar 2026 10:48:35 GMT

TL;DR

Tác giả là solutions architect, xài AI (Claude Code) để build trên AWS thay vì tự gõ code. Bài này chia sẻ cách dùng spec-driven development — nghĩa là viết spec trước rồi mới code — để tăng tốc mà không thêm tech debt.

Bài này dành cho ai?

1. Người muốn build sản phẩm bằng AI nhưng sợ tech debt

Vấn đề: AI viết code nhanh nhưng dễ sai, khó maintain, sửa đi sửa lại nhiều lần.

Khi nào cần: Khi bạn muốn tận dụng tốc độ của AI mà không muốn cuối dự án phải refactor lại từ đầu.

Được gì: Cách viết spec trước để AI theo, giảm thời gian sửa sai.

2. Người đang xài Claude Code hoặc AI coding tools

Vấn đề: Chưa biết cách tối ưu workflow với AI, hay bị context window limit, chọn model không đúng.

Khi nào cần: Khi bạn muốn dùng AI hiệu quả hơn, build nhanh hơn mà không tốn nhiều tokens.

Được gì: Tips cụ thể về context window, chọn Sonnet thay vì Opus, cách dùng clarifying questions.

Các điểm chính

Viết spec trước khi code, không phải sau Spec buộc mình nghĩ kỹ requirements trước. Khi AI generate code, mình có roadmap để kiểm tra. Spec-first chỉ là bước đầu, còn spec-anchored buộc mình quay lại cập nhật spec thường xuyên. → Làm gì: Trước khi prompt AI, viết 1 file spec.md có mục tiêu, architecture, và các bước implementation.
Chia project thành các phase nhỏ, dễ test từng cái Tác giả chia project thành 2 sub-projects, mỗi cái lại chia thành các stack nhỏ. Stack 1 tạo interceptor (Lambda), Stack 2 tạo MCP server, Stack 3 tạo Gateway. Mỗi phase đều deploy và test riêng được. → Làm gì: Chia task thành các module nhỏ, mỗi module deploy được và verify được trước khi làm tiếp.
200k tokens context window đủ cho hầu hết task Tác giả dùng Claude Code Pro, thấy 200k tokens không thiếu. Lưu ý là muốn 1M tokens phải dùng Bedrock với custom header, nhưng Claude Code chưa support. → Làm gì: Đừng lo context window, tập trung vào việc chia nhỏ task thay vì nhồi hết vào 1 prompt.
Dùng Sonnet thay vì Opus để tiết kiệm usage limit Opus 4.6 hết usage limit nhanh — tác giả gặp limit trong 45-60 phút. Sonnet 4.6 dùng vài tiếng vẫn OK. → Làm gì: Dùng Sonnet cho task thường, để Opus cho task cần reasoning phức tạp.
Hỏi AI bằng selectable inputs thay vì开放式 câu hỏi Thay vì để AI hỏi linh tinh, mình cho sẵn các lựa chọn. AI sẽ hiển thị menu, mình chọn rồi nó tiếp tục. Nhanh và dễ hơn nhiều. → Làm gì: Trong prompt, thêm "Use selectable inputs for clarifying questions" để AI đưa options thay vì hỏi tự do.
Thêm security sớm, đừng để cuối Tác giả thêm OAuth 2 cho Gateway vào cuối, phải redeploy lại cả stack vì AuthorizerType không thể change in place. → Làm gì: Xác định security requirements từ đầu, include trong spec luôn.
Tạo custom skills để tăng tốc project sau Sau project này, tác giả tạo SKILL.md cho riêng mình. Lần sau xài lại sẽ nhanh hơn nhiều. → Làm gì: Sau mỗi project, tạo 1 file skill hoặc cập nhật CLAUDE.md để lưu lại cách làm.

Quick Start

Tuần này: Viết spec trước khi prompt AI. Spec phải có: mục tiêu, architecture overview, các bước implementation.
Bước tiếp theo: Chia task thành 3-5 phase nhỏ. Mỗi phase phải deploy được và test được riêng.
Tuần tới: Cập nhật spec mỗi khi design thay đổi. Không để spec lạc hậu so với code.

Trình duyệt headless siêu nhanh cho AI và tự động hóa

Fri, 20 Mar 2026 10:41:08 GMT

TL;DR

Lightpanda là browser được viết lại từ đầu bằng ngôn ngữ Zig, không dùng Chromium. Nó nhẹ hơn Chrome 9 lần, chạy nhanh hơn 11 lần, dùng được với Puppeteer và Playwright qua CDP protocol.

Nói đơn giản: Browser không cần giao diện, dùng để scrape web, train AI, hoặc automation — nhưng tiết kiệm RAM và CPU hơn Chrome rất nhiều.

Bài này dành cho ai?

1. Người chạy AI automation

Vấn đề: Dùng Chrome headless để scrape web thì tốn RAM quá nhiều, mỗi instance chiếm cả GB Khi nào cần: Khi cần chạy hàng chục browser instances cùng lúc để scrape data hoặc automate workflows Được gì: Giảm 9x memory usage, chạy nhanh hơn 11x, tiết kiệm cloud server cost

2. Người build AI products

Vấn đề: Cần thu thập data từ web để train model hoặc làm RAG, nhưng Chrome quá nặng cho server Khi nào cần: Khi build scraper, data pipeline, hoặc cần browser cho agent navigate web Được gì: Browser nhẹ, khởi động tức thì, API tương thích với Puppeteer/Playwright

3. Dev cần browser cho testing

Vấn đề: Chrome tốn resource khi chạy automated tests Khi nào cần: Khi cần chạy E2E tests hoặc web scraping tests Được gì: Test chạy nhanh hơn, ít RAM hơn

Các điểm chính

1. Không phải Chromium fork Lightpanda viết lại từ đầu bằng Zig — ngôn ngữ lập trình low-level. Không dùng Blink, WebKit, hay bất kỳ engine nào của Google. → Làm gì: Thử nghiệm thay Chrome bằng Lightpanda cho những job nhẹ trước.

2. Memory usage thấp kỷ lục Test với Puppeteer request 100 pages trên AWS EC2 m5.large: Lightpanda dùng 9x ít RAM hơn Chrome. → Làm gì: Nếu đang chạy hàng chục browser instances → tính toán lại infra cost.

3. Tốc độ nhanh gấp 11 lần Benchmark cho thấy execution time nhanh hơn Chrome đáng kể, startup gần như tức thì. → Làm gì: Dùng cho scraping jobs cần tốc độ cao.

4. Tương thích Puppeteer/Playwright Dùng CDP (Chrome DevTools Protocol) nên có thể kết nối qua browserWSEndpoint của Puppeteer hoặc Playwright. → Làm gì: Code hiện tại viết cho Puppeteer không cần sửa nhiều, chỉ đổi endpoint.

5. Đang trong giai đoạn Beta Hỗ trợ JavaScript, XHR, Fetch, form input, cookies, proxy. Nhưng chưa đầy đủ Web APIs — còn nhiều website chưa hoạt động hoàn hảo. → Làm gì: Test kỹ trước khi dùng vào production, theo dõi GitHub issues.

6. Tuân thủ robots.txt Có option --obey_robots để tôn trọng quy định của website. → Làm gì: Dùng khi scrape có trách nhiệm, tránh bị ban.

Quick Start

Tải binary và chạy thử:

curl -L -o lightpanda https://github.com/lightpanda-io/browser/releases/download/nightly/lightpanda-x86_64-linux && chmod a+x ./lightpanda
./lightpanda fetch --obey_robots https://demo-browser.lightpanda.io/campfire-commerce/

Kết nối với Puppeteer:

const browser = await puppeteer.connect(`{
  browserWSEndpoint: "ws://127.0.0.1:9222",
}`);

Chạy Docker cho nhanh:

docker run -d --name lightpanda -p 9222:9222 lightpanda/browser:nightly

Nav Toor on X: "How to Use Claude Dispatch to Run Your AI While You Sleep" / X

Fri, 20 Mar 2026 03:44:20 GMT

TL;DR

Dispatch cho phép gửi task cho Claude từ điện thoại, còn máy tính chạy task và trả kết quả về. Gửi tin nhắn lúc đi xe, về đến desk đã thấy việc xong.

Nói đơn giản: Gửi tin nhắn cho AI trên máy tính từ điện thoại, AI làm xong gửi kết quả về, không cần ngồi trước màn hình.

Bài này dành cho ai?

1. Người đã setup Cowork rồi

Vấn đề: Muốn trigger workflow từ xa, không muốn ngồi chờ máy Khi nào cần: Lúc đi commute, đi họp, hoặc cuối ngày muốn gửi task qua đêm Được gì: Mọi thứ bạn build trong Cowork giờ bấm nút từ điện thoại là chạy

2. Người muốn thử AI agents lần đầu

Vấn đề: Nghe nói AI agents mà thấy setup phức tạp quá, không biết bắt đầu từ đâu Khi nào cần: Muốn thử trước đã, không cần đầu tư máy riêng hay cấu hình gì Được gì: QR code scan xong là xài được, không cần API key hay config gì cả

3. Người build sản phẩm AI productivity

Vấn đề: Cần hiểu feature mới của Anthropic để định hướng sản phẩm Khi nào cần: Đánh giá competitive landscape, xem xu hướng đi đâu Được gì: Hiểu rõ Dispatch không phải mobile Cowork, mà là remote control

Các điểm chính

Dispatch là remote control, không phải mobile agent Máy tính làm việc, điện thoại chỉ gửi lệnh và nhận kết quả. Không có cloud agent, dữ liệu nằm trên máy bạn. → Làm gì: Đảm bảo máy tính luôn mở và Claude Desktop đang chạy khi cần dùng Dispatch
Setup mất 2-3 phút, scan QR là xong Tải Claude Desktop mới nhất, cập nhật app điện thoại, quét QR trong Dispatch settings. Không API key, không config. → Làm gì: Cài đặt ngay hôm nay nếu đang xài Max hoặc Pro plan
Computer phải đang wake, đây là feature chứ không phải bug Không có cloud server nên dữ liệu không ra ngoài internet. Đổi lại cần giữ máy mở. → Làm gì: Bật toggle "keep computer awake" trong Dispatch settings
Cowork setup được giữ nguyên File context, skills, connectors đều hoạt động trong Dispatch session. Không cần cấu hình lại gì. → Làm gì: Build context files (about-me.md, brand-voice.md) để Dispatch hiểu bạn hơn
Reliability ~50/50 với tác giả, nhưng cao hơn nếu setup tốt Tác giả test: information retrieval (tìm, tổng hợp) chạy tốt, multi-step cross-app actions (tạo doc + gửi mail + log Notion) còn hay fail. → Làm gì: Giữ mỗi tin nhắn một action rõ ràng, đừng chain nhiều bước
AI bất đồng bộ lần đầu tiên có trên consumer Trước giờ AI chỉ hoạt động khi bạn ngồi nhìn màn hình. Giờ gửi task rồi đi làm việc khác, về nhận kết quả. → Làm gì: Nhận ra đây không phải "check email từ giường" đơn thuần, mà là cả hệ thống workflow trigger được từ xa
Không có notifications, không có multi-thread Claude xong việc điện thoại không buzz. Mọi thứ trong một thread duy nhất. Đây là early preview. → Làm gì: Check thread thủ công, nhưng yên tâm Anthropic sẽ thêm notification và parallel threads trong tương lai gần
So với OpenClaw: dễ tiếp cận hơn 100 lần OpenClaw cần dedicated machine, Node.js 22+, WebSocket gateway, config phức tạp. Dispatch chỉ cần QR scan. → Làm gì: Nếu đang cân nhắc self-hosted AI agent, giờ thử Dispatch trước

Quick Start

Tuần này:
- Mở Claude Desktop → Click Cowork tab → Click Dispatch → Click "Get started"
- Bật hai toggle: file access + keep computer awake
- Mở app điện thoại → Vào Dispatch → Scan QR trên màn hình
- Gửi tin: "What files do you have access to?" — nếu trả lời được list folder là đã live
Tuần tới:
- Build context files (about-me.md, brand-voice.md) nếu chưa có
- Tạo skill đơn giản ( VD: meeting prep) để thử trigger từ điện thoại
- Thử inbox triage: "Summarize top 10 unread emails" từ sáng

Trình chỉnh sửa video đa track chạy trên trình duyệt

Thu, 19 Mar 2026 13:27:05 GMT

TL;DR

Công cụ edit video chạy 100% trên trình duyệt Chrome — không cần cài đặt, không upload lên server, mọi thứ xử lý local trong máy bạn.

Nói đơn giản: Kéo thả video vào là dựng được, xuất file luôn mà không cần phần mềm nặng.

Bài này dành cho ai?

1. Người muốn edit video nhanh không cần cài đặt

Vấn đề: Cài Premiere, Davinci nặng máy, muốn cái nhẹ hơn để làm nhanh Khi nào cần: Cắt ghép video ngắn, thêm text, effect đơn giản Được gì: Edit được ngay trên Chrome, không tốn dung lượng máy

2. Người muốn build sản phẩm liên quan đến video

Vấn đề: Cần reference về cách xây dựng video editor bằng WebCodecs Khi nào cần: Học cách handle video trong trình duyệt, xử lý timeline, render Được gì: Source code mẫu với React 19, cấu trúc rõ ràng theo feature

3. Người muốn tự động hóa workflow video

Vấn đề: Cần giải pháp edit video chạy serverless Khi nào cần: Build tool cho team cần edit nhanh mà không phụ thuộc phần mềm cài sẵn Được gì: Tích hợp được vào pipeline tự động

Các điểm chính

Edit video local, không cần upload Dùng WebCodecs, OPFS, File System Access API để xử lý video ngay trong trình duyệt. File được reference, không copy, tiết kiệm bộ nhớ. Hỗ trợ file lớn đến 5GB. → Làm gì: Vào freecut.net, kéo video vào thử xem có chạy mượt không.
Timeline đa track đầy đủ Multi-track cho video, audio, text, image, shape. Có track groups với mute/visible/locked propagation. Công cụ trim, split, join, ripple delete, rate stretch. Pre-compositions (nested compositions 1 level). → Làm gì: Tạo project mới, import vài clip, thử kéo vào timeline xem flow.
Effects và animation có sẵn CSS filter effects (brightness, contrast, saturation, blur...). Glitch effects (RGB split, scanlines, color glitch). Canvas effects (halftone). Overlay (vignette). Presets: vintage, noir, cold, warm, dramatic, faded. Keyframe animation với Bezier curve editor và nhiều easing function. → Làm gì: Thử thêm effect và transition vào clip xem có đẹp không.
Export trực tiếp từ trình duyệt Render bằng WebCodecs, không cần server. Video: MP4, MOV, WebM, MKV. Audio-only: MP3, AAC, WAV. Codecs: H.264, H.265, VP8, VP9, ProRes. Quality presets: low, medium, high, ultra. → Làm gì: Export thử 1 video ngắn xem chất lượng ra sao.
Tech stack hiện đại React 19 + TypeScript, Vite build nhanh. State management bằng Zustand + Zundo cho undo/redo. UI theo Tailwind CSS 4 + shadcn/ui. Dùng WebCodecs, OPFS, IndexedDB để lưu trữ local. → Làm gì: Clone về chạy npm run dev xem cấu trúc code.
Yêu cầu Chrome 102+ Phụ thuộc WebCodecs, OPFS, File System Access API - chưa hỗ trợ đầy đủ trên Firefox/Safari. Brave thì phải bật tay File System Access API trong brave://flags. → Làm gì: Dùng Chrome để test, hoặc bật flag tương ứng nếu dùng Brave.

Quick Start

Trải nghiệm ngay: Vào freecut.net trên Chrome, tạo project, kéo video vào timeline, thử cắt ghép và export
Nếu muốn tự host: git clone, npm install, npm run dev — chạy local trên port 5173

AI Agent PM: Từ ý tưởng đến code với Spec-driven

Thu, 19 Mar 2026 05:44:40 GMT

TL;DR

CCPM là một agent skill giúp AI agent trở thành PM có hệ thống. Thay vì vibe coding lung tung, nó bắt buộc quy trình 5 bước: brainstorm → viết spec → lập kế hoạch → code → theo dõi. Kết quả là nhiều agents chạy song song mà không conflict, progress nhìn thấy được từng ngày.

Nói đơn giản: Một tool giúp AI tự quản lý project từ ý tưởng đến code, theo đúng quy trình PM chuẩn.

Bài này dành cho ai?

1. Dev muốn AI code thay mình mà vẫn kiểm soát được

Vấn đề: AI code nhanh nhưng lộn xộn, context mất giữa các phiên, không biết đang làm gì Khi nào cần: Khi bạn muốn deploy nhiều AI agents cùng lúc mà không conflict Được gì: Progress nhìn thấy được, spec rõ ràng trước khi code, review dễ

2. Team lead muốn standardize AI development

Vấn đề: Mỗi người dùng AI theo cách khác, không có audit trail Khi nào cần: Khi cần team làm việc chung với AI mà vẫn có traceability Được gì: PRD → Epic → Issue → Code đầy đủ, ai cũng biết đang ở đâu

3. AI product builder

Vấn đề: Không biết cách orchestration nhiều agents hiệu quả Khi nào cần: Khi build sản phẩm cần nhiều agents làm việc song song Được gì: Framework có sẵn, chỉ việc integrate

Các điểm chính

1. Context biến mất giữa các phiên làm việc Mỗi lần tạo session mới, AI phải discover lại từ đầu. CCPM lưu mọi thứ vào file markdown trong .claude/, bắt đầu ở đâu cũng được. → Làm gì: Dùng CCPM thay vì chat trực tiếp, mọi thứ được ghi lại thành file.

2. Một issue thực ra là nhiều tasks chạy song song "Implement user authentication" thực ra là: database, service layer, API, UI, tests. CCPM tách ra 5 parallel streams, mỗi agent handle một phần riêng biệt. → Làm gì: Khi giao task cho AI, tách nhỏ ra thành independent subtasks.

3. GitHub Issues là single source of truth Thay vì chat log lộn xộn, mọi task, progress, quyết định đều nằm trong GitHub Issues. Human và AI có thể handoff qua lại dễ dàng. → Làm gì: Sync epic lên GitHub ngay từ đầu, không cần tool riêng.

4. 5-phase discipline thay vì vibe coding Brainstorm → Document → Plan → Execute → Track. Không được bỏ bước nào. Mỗi dòng code phải trace về spec. → Làm gì: Trước khi code bất cứ thứ gì, bắt buộc viết PRD trước.

5. Standup và status chạy bằng bash script Không tốn LLM tokens. Script scan .claude/epics/ và trả về instant report: đang làm gì, blocked cái gì, next là gì. → Làm gì: Gõ "standup" là biết ngay project đang ở đâu.

Quick Start

1. Clone và setup trong 5 phút

git clone https://github.com/automazeio/ccpm.git
# Với Claude Code
ln -s /path/to/ccpm/skill/ccpm .claude/skills/ccpm

2. Nói chuyện tự nhiên với agent

"I want to build a notification system" → CCPM sẽ hỏi câu hỏi clarify rồi tạo PRD
"parse the notification-system PRD" → tạo epic với architecture decisions
"break down the notification-system epic" → chia thành tasks có metadata
"sync to GitHub" → tạo issues và worktree
"start working on issue 42" → launch parallel agents
"standup" → xem progress ngay

3. Prerequisites

git và gh CLI đã authenticate
GitHub repo cho project

Announcing the Colab MCP Server: Connect Any AI Agent to Google Colab

Wed, 18 Mar 2026 12:33:00 GMT

TL;DR

Bài này giới thiệu Colab MCP Server — công cụ mã nguồn mở cho phép AI agent (như Claude Code, Gemini CLI) kết nối và điều khiển Google Colab từ xa. Thay vì chạy trên máy local yếu, giờ agent sử dụng cloud compute của Colab để chạy code, tạo notebook, cài thư viện tự động.

Nói đơn giản: AI agent giờ có thể ngồi trên cloud Colab làm việc thay bạn, không cần hạn chế bởi RAM hay CPU máy local.

Bài này dành cho ai?

1. Dev đang dùng AI agent mỗi ngày

Vấn đề: Máy local yếu, agent chạy chậm, phải chờ cài đặt thư viện, sợ agent chạy code không an toàn trên máy mình.

Khi nào cần: Khi cần agent scaffold project, chạy code nặng (data analysis, ML), hoặc prototype nhanh mà không muốn tốn tài nguyên máy.

Được gì: Agent chạy trên cloud Colab — nhanh hơn, an toàn hơn, không phụ thuộc máy local.

2. Người muốn tự động hóa workflow với AI

Vấn đề: Phải copy code từ terminal vào Colab thủ công, mất flow khi chuyển qua lại.

Khi nào cần: Khi muốn agent tự động tạo notebook, chạy code, vẽ đồ thị mà không cần mình can thiệp.

Được gì: Agent điều khiển Colab trực tiếp — tạo cell, viết code, chạy code, cài thư viện đều tự động.

3. Team muốn dùng chung compute resource

Vấn đề: Mỗi người phải setup môi trường riêng, tốn thời gian config.

Khi nào cần: Khi cần chia sẻ notebook đã chạy sẵn cho team inspect hoặc tiếp tục.

Được gì: Notebook chạy trên cloud, ai cũng mở được, ai cũng có thể take over manual.

Các điểm chính

Local machine là bottleneck khi dùng AI agent AI agent như Claude Code hay Gemini CLI code nhanh, nhưng bị chặn bởi RAM, CPU máy bạn. Chờ agent scaffold project hoặc install dependencies rất mất thời gian. → Làm gì: Kết agent với Colab MCP Server để chạy trên cloud thay vì máy local.
Colab giờ thành automated workspace cho AI agent Agent không chỉ chạy code ở background — mà có thể điều khiển toàn bộ notebook: tạo file .ipynb mới, thêm markdown cells để giải thích, viết và chạy Python code, sắp xếp cells cho logic, cài thư viện (!pip install) nếu cần. → Làm gì: Mở Colab notebook, giao việc cho agent — nó sẽ tự tạo cells, viết code, chạy code ngay trước mắt bạn.
Setup cực đơn giản, chỉ cần 3 thứ Cần Python, git, và uv (package manager). Cấu hình MCP JSON cho agent là xong. → Làm gì: Chạy pip install uv, thêm config MCP vào agent của bạn, bắt đầu dùng được ngay.
Output là executable artifact, không phải static code snippet Bạn không chỉ nhận lại code text trong terminal — mà được một notebook hoàn chỉnh, chạy được, có thể inspect tại mọi thời điểm, có thể take over manual bất kỳ lúc nào. → Làm gì: Yêu cầu agent làm data analysis trên Colab, nhận về notebook đã chạy xong, chỉ việc xem kết quả.
Giải quyết context switch giữa terminal và Colab Trước đây dev phải copy code từ terminal vào Colab cell để debug hoặc visualize — cái này giết flow. Giờ Colab thành service, agent làm mọi thứ trực tiếp. → Làm gì: Nói với agent "Load sales dataset, forecast và visualize sales tháng tới" — rồi ngồi xem nó tự tạo cells, viết code, vẽ đồ thị.

Quick Start

Cài uv trước:

pip install uv

Thêm config vào MCP của agent:

"mcpServers": `{
  "colab-proxy-mcp": {
    "command": "uvx",
    "args": ["git+https://github.com/googlecolab/colab-mcp"],
    "timeout": 30000
  }`
}

Mở Colab notebook, giao việc cho agent:

"Load sales dataset và forecast sales tháng tới"

Rồi ngồi xem agent tự tạo cells, viết code, chạy code ngay trong notebook.

Build Your Second Brain With Claude Code & Obsidian

Wed, 18 Mar 2026 09:20:27 GMT

TL;DR

Tác giả chia sẻ cách dùng Obsidian làm personal knowledge base (PKB) cho Claude Code. Mình đặt vault Obsidian vào thư mục làm việc của Claude, để AI luôn có context đầy đủ về mình. Setup mất 3 bước, có thể tự động sync từ điện thoại.

Nói đơn giản: Dùng Obsidian để lưu trữ mọi thứ, Claude Code đọc được tất cả và nhớ context dùng lâu dài.

Bài này dành cho ai?

1. Người muốn AI hiểu mình hơn

Vấn đề: Mỗi lần chat với AI là phải explain lại từ đầu, AI không nhớ context cũ Khi nào cần: Dùng AI thường xuyên cho công việc hoặc dự án cá nhân Được gì: AI đọc vault của mình, hiểu goals, tasks, preferences ngay từ đầu session

2. Người muốn build workflow với AI agent

Vấn đề: Context bị phân mảnh, mỗi agent hiểu một phần khác nhau Khi nào cần: Dùng nhiều AI tools hoặc chuyển đổi giữa các agents Được gì: Có một "nguồn truth" duy nhất, bất kỳ agent nào cũng đọc được

3. Người muốn ghi chú trên điện thoại

Vấn đề: Laptop không tiện mang theo, ý tưởng hay bị quên mất Khi nào cần: Cần capture ý tưởng bất cứ lúc nào trong ngày Được gì: Sync từ điện thoại lên vault, Claude Code đọc được ngay khi session bắt đầu

Các điểm chính

Context của Claude Code là toàn bộ folder làm việc Claude Code đọc tất cả files trong folder, không cần upload từng file. Đặt Obsidian vault vào folder đó, Claude tự động có context. → Làm gì: Tạo Obsidian vault như subfolder trong Claude Code folder.
Obsidian sinh ra cho Claude vì 3 lý do Notes là Markdown files (.md) — định dạng Claude ưu tiên. Vault là local folder — Claude đọc trực tiếp. Dùng [[wiki-links]] để connect notes — Claude tạo và edit dễ dàng. Miễn phí nữa. → Làm gì: Tải Obsidian, tạo vault trong Claude Code folder.
Claude Code có thể tự setup vault cho mình Chỉ cần hỏi Claude Code, nó sẽ interview mình về goals và preferences, rồi tạo folder structure phù hợp. → Làm gì: Dùng prompt được share trong bài, Claude sẽ hỏi từng câu một.
PKM (Personal Knowledge Management) là tương lai không phụ thuộc tool Knowledge của mình không bị lock vào một AI cụ thể. OpenClaw, Claude Code 2.0, hay bất kỳ agent nào cũng đọc được vault. → Làm gì: Build vault ngay từ bây giờ, đợi sau.
SessionStart hook tự động đọc notes từ điện thoại Mỗi khi mở Claude Code mới, nó tự kiểm tra folder "Inbox" và hỏi mình về những ghi chú mới. → Làm gì: Setup SessionStart hook như hướng dẫn.
/vault-review skill tự cập nhật knowledge Gõ một command, Claude so sánh vault với conversation hiện tại, đề xuất cập nhật. → Làm gì: Tạo skill này và chạy mỗi khi muốn.

Quick Start

Tuần này: Tải Obsidian (miễn phí), tạo vault mới trong Claude Code folder. Hỏi Claude: "I want to use Obsidian to help manage context. The vault is here [đường dẫn]. Ask me questions one at a time to set this up."
Tuần sau: Setup Syncthing để sync từ điện thoại. Tạo folder "Inbox" trong vault. Hỏi Claude setup SessionStart hook.

Nền tảng tạo bảng tính, tài liệu và trình chiếu web/server

Wed, 18 Mar 2026 08:12:51 GMT

TL;DR

Univer là framework cho phép embed spreadsheet, document, và presentation vào ứng dụng của bạn. Chạy được cả trên browser lẫn server, hỗ trợ formulas, collaborative editing, và nhiều tính năng khác. Miễn phí cho use thương mại.

Nói đơn giản: Thư viện để bạn nhúng Excel/Google Sheets vào app của mình, có thể dùng chung cho cả web và server.

Bài này dành cho ai?

1. Dev muốn tích hợp spreadsheet vào app

Vấn đề: Cần bảng tính tương tự Excel nhưng embed được vào webapp, không phụ thuộc vào API bên ngoài Khi nào cần: Build SaaS, dashboard, hoặc ứng dụng cần người dùng nhập liệu dạng bảng Được gì: Có full spreadsheet engine với formulas, charts, collaboration - tự host được, không phải trả phí theo user

2. Dev cần giải pháp document editing

Vấn đề: Cần tích hợp document editor (như Google Docs) vào ứng dụng Khi nào cần: Build CMS, LMS, hoặc app cần soạn thảo văn bản Được gì: Document editor với formatting, images, headers/footers - có thể export ra DOCX

3. Team cần giải pháp collaborative editing

Vấn đề: Nhiều người cùng sửa file Excel/Doc mà không muốn dùng Google Sheets Khi nào cần: Xây dựng workspace nội bộ, collaborative tools Được gì: Real-time collaboration với history và version recovery

Các điểm chính

Chạy được cả browser lẫn server (isomorphic) Univer dùng chung API cho cả client và server. Viết code một lần, deploy được ở nhiều nơi. → Làm gì: Xem docs về "isomorphic" để hiểu cách share logic giữa browser và Node.js
Embed dễ dàng vào app Không phải viết lại từ đầu. Có Presets và Facade API giúp bạn integrate nhanh. → Làm gì: Clone repo presets để xem example code, copy-paste rồi modify
Hỗ trợ gần như đầy đủ tính năng Excel Formulas (math, statistical, financial...), conditional formatting, data validation, pivot tables, charts, filtering, sorting - tất cả đều có. → Làm gì: Nếu đang dùng library khác mà thiếu feature, thử Univer xem có cover được không
Rendering engine trên canvas, nhanh Dùng canvas thay vì DOM nên render được huge dataset mà không chậm. Có Web Workers cho formulas tính toán nặng. → Làm gì: Test với dataset 100k rows xem performance ra sao
Plugin architecture, dễ mở rộng Muốn thêm tính năng custom? Viết plugin. Không phải fork code. → Làm gì: Đọc docs về plugin development nếu cần custom logic
Có bản miễn phí và bản có phí Bản OSS (miễn phí) có hầu hết features. Bản Pro thêm collaboration, import/export XLSX/DOCX, printing, charts. → Làm gì: Xem kỹ feature matrix để biết cái nào cần trả phí
Hỗ trợ tiếng Việt Trong list ngôn ngữ có vi-VN. Dùng cho app hướng về thị trường Việt Nam dễ dàng. → Làm gì: Set locale là vi-VN khi init nếu muốn giao diện tiếng Việt

Quick Start

Vào docs.univer.ai, copy example code cơ bản để chạy thử spreadsheet trong 5 phút
Xem mục "Embed" để hiểu cách integrate vào app hiện có của mình

Hệ thống context engineering cho AI coding assistants

Tue, 17 Mar 2026 19:01:36 GMT

TL;DR

GSD là một hệ thống workflow giúp AI coding assistants (như Claude Code) build software một cách có hệ thống và đáng tin cậy. Nó giải quyết vấn đề "context rot" — chất lượng code giảm dần khi context window đầy lên.

Nói đơn giản: Thay vì nói cho AI "build cái này đi" rồi ngồi chờ mù mịt, GSD cho mình một framework rõ ràng: hỏi → research → plan → execute → verify. Mỗi task chạy trong fresh context, commit riêng, không lẫn lộn.

Bài này dành cho ai?

1. Dev muốn AI làm việc thay mình

Vấn đề: Mô tả ý tưởng cho AI rồi nhận về code lộn xộn, không nhất quán, không scale được Khi nào cần: Khi cần build feature hoặc project từ đầu với AI Được gì: Workflow rõ ràng, AI research trước khi code, verify sau khi xong

2. Dev muốn build sản phẩm với AI

Vấn đề: Không biết cách tổ chức để AI code hiệu quả, code nhanh nhưng debug mệt Khi nào cần: Khi muốn tối ưu hóa việc dùng AI để ship sản phẩm nhanh Được gì: Framework có sẵn, AI tự verify, git history sạch

3. Team lead / Solo founder

Vấn đề: Không muốn chạy theo enterprise workflow (Jira, sprint planning...) nhưng cần structure Khi nào cần: Khi cần một workflow đủ nghiêm túc để AI làm việc đàng hoàng, không phải "vibe coding" bừa bãi Được gì: System có complexity bên trong, đơn giản bên ngoài

Các điểm chính

1. Context window là bottleneck chính Claude Code mạnh, nhưng càng nhiều context thì chất lượng càng giảm. GSD giải quyết bằng cách: mỗi task chạy trong fresh 200k tokens context riêng. Main session chỉ 30-40%. → Làm gì: Dùng GSD workflow thay vì nhồi mọi thứ vào một session

2. Workflow có 5 bước rõ ràng /gsd:new-project → hỏi ý tưởng → research → requirements → roadmap /gsd:discuss-phase → nắm bắt implementation preferences /gsd:plan-phase → research + tạo atomic plans /gsd:execute-phase → chạy song song theo waves, mỗi task commit riêng /gsd:verify-work → manual testing, auto-diagnose nếu lỗi → Làm gì: Tuân theo workflow, đừng bỏ qua bước nào

3. Wave execution — chạy song song những gì có thể Plans được chia thành waves dựa trên dependencies. Trong cùng wave chạy song song, waves chạy tuần tự. Independent tasks → parallel. Dependent → sequential. → Làm gì: Design task theo "vertical slices" (feature end-to-end) thay vì "horizontal layers" (tất cả models rồi tất cả APIs)

4. XML prompt formatting cho từng task Mỗi plan có cấu trúc XML: <name>, <files>, <action>, <verify>, <done>. Không ambiguous, không guessing. → Làm gì: Khi tự viết prompt, dùng cấu trúc này

5. Atomic commits — mỗi task một commit Task hoàn thành → commit ngay. Ai commit bậy thì revert dễ. Git bisect tìm lỗi chính xác. → Làm gì: Không gộp nhiều task vào một commit

6. Model profiles — cân bằng quality vs cost quality: Opus cho planning + execution balanced (default): Opus plan, Sonnet execute budget: Sonnet toàn bộ inherit: Theo runtime hiện tại → Làm gì: Set /gsd:set-profile budget cho project nhỏ, quality cho project quan trọng

7. Quick mode cho task nhỏ /gsd:quick — không cần full workflow. Thêm --discuss để hỏi trước, --research để investigate, --full để verify. → Làm gì: Dùng quick mode cho bug fixes, small features

Quick Start

1. Cài đặt:

npx get-shit-done-cc@latest

Chọn runtime (Claude Code, OpenCode...) và location (global/local)

2. Khởi project:

/gsd:new-project

Trả lời câu hỏi, hệ thống tự tạo PROJECT.md, REQUIREMENTS.md, ROADMAP.md

3. Chạy workflow:

/gsd:discuss-phase 1    # Nói rõ mình muốn gì
/gsd:plan-phase 1       # AI research và tạo plans
/gsd:execute-phase 1    # AI build, tự commit
/gsd:verify-work 1       # Test thử

4. Quick mode cho task nhỏ:

/gsd:quick
> Add dark mode toggle to settings

5. Skip permissions (khuyến nghị):

claude --dangerously-skip-permissions

Để AI tự approve date, git commit mà không hỏi 50 lần

Thực thi chính sách, bảo mật & giám sát AI Agent

Tue, 17 Mar 2026 18:58:00 GMT

TL;DR

Bộ toolkit từ Microsoft giúp kiểm soát AI agent theo chính sách rõ ràng, xử lý 10 rủi ro bảo mật OWASP, tích hợp được với hơn 12 framework phổ biến. Thêm vào hệ thống chỉ tốn dưới 0.1ms mỗi action.

Nói đơn giản: Đây là "lớp bảo vệ" giúp bạn kiểm soát AI agent làm được gì, không làm được gì, ai được dùng, ai không.

Bài này dành cho ai?

1. Người đang build AI agent system

Vấn đề: Lo lắng agent làm lung tung, vượt quyền, hoặc làm sai mà không biết đường kiểm soát Khi nào cần: Khi deploy agent ra production, cần audit trail và kiểm soát chặt chẽ Được gì: Policy engine chặn action trước khi chạy, có log đầy đủ, có kill switch

2. DevOps / Security muốn thêm governance vào AI

Vấn đề: Chưa có tool chuẩn để kiểm soát AI agent, phải tự build lấy Khi nào cần: Khi cần comply OWASP Agentic Top 10, cần show auditor có controls rõ ràng Được gì: Toolkit có sẵn 6,100+ tests, map đủ 10 rủi ro OWASP, không cần viết lại từ đầu

3. Enterprise muốn dùng AI trong tổ chức

Vấn đề: Sợ AI làm việc không kiểm soát được, data leak, compliance violation Khi nào cần: Khi cần đưa AI vào business process thực sự, cần đảm bảo an toàn Được gì: Zero-trust identity, sandboxing, SLO monitoring — như bảo mật app thường nhưng cho AI

Các điểm chính

Kiểm soát action TRƯỚC KHI chạy, không phải sau Policy engine đánh giá mỗi action trước khi thực thi, latency chỉ 0.012ms cho 1 rule. Cấu hình capability model — agent chỉ được dùng tool nào, denied tool nào. → Làm gì: Define capability model ngay từ đầu, đừng để agent tự quyết định được gì
Zero-trust identity cho agent Mỗi agent có Ed25519 cryptographic credential, trust scoring từ 0-1000, hỗ trợ SPIFFE/SVID. Agent nào muốn giao tiếp phải chứng minh identity. → Làm gì: Bật AgentMesh cho inter-agent communication, đặc biệt quan trọng khi nhiều agent phối hợp
Sandboxing — giới hạn quyền agent như app bình thường 4-tier privilege rings, termination control, kill switch. Agent không thể vượt quyền, không thể chạy tiếp khi có vấn đề. → Làm gì: Enable Agent Runtime với mọi agent, nhất là agent có quyền modify data hoặc call API
SRE cho AI — reliability như software bình thường SLOs, error budgets, replay debugging, chaos engineering, circuit breakers, progressive delivery. Đo latency, throughput, error rate của agent như app thường. → Làm gì: Setup Agent SRE dashboard cho production agents, define SLO từ ngày đầu
Tích hợp 12+ framework mà không khóa nhà cung cấp LangChain, CrewAI, AutoGen, Semantic Kernel, LlamaIndex, Dify, OpenAI Agents, Google ADK đều có quickstart có sẵn. Xài pip install là chạy, không phải rewrite toàn bộ. → Làm gì: Pick framework đang dùng, copy quickstart trong examples/quickstart/, thêm middleware 3 dòng code
Cover đủ 10 rủi ro OWASP Agentic Top 10 ASI-01 đến ASI-10 đều có controls tương ứng — Goal Hijacking, Excessive Capabilities, Identity Abuse, Code Execution, Output Handling, Memory Poisoning, Inter-Agent Comm, Cascading Failures, Trust Deficit, Rogue Agents. → Làm gì: Đọc docs/OWASP-COMPLIANCE.md để biết map cụ thể, dùng cho compliance documentation

Quick Start

Cài đặt Python:

pip install agent-governance-toolkit[full]

Define capability model:

from agent_os import PolicyEngine, CapabilityModel

capabilities = CapabilityModel(
    allowed_tools=["web_search", "file_read"],
    denied_tools=["file_write", "shell_exec"],
    max_tokens_per_call=4096
)

engine = PolicyEngine(capabilities=capabilities)
decision = engine.evaluate(agent_id="researcher-1", action="tool_call", tool="web_search")

Kiểm tra docs:

Quick Start: QUICKSTART.md
Integrations: examples/quickstart/
OWASP: docs/OWASP-COMPLIANCE.md

Bản đồ code giúp Claude đọc ít, review chính xác hơn

Tue, 17 Mar 2026 18:54:09 GMT

TL;DR

Công cụ này xây dựng bản đồ cấu trúc code bằng Tree-sitter, theo dõi thay đổi từng file, rồi chỉ cho Claude biết cần đọc những file nào thay vì quét cả project. Kết quả: giảm trung bình 6.8x token, với project lớn như Next.js giảm tới 49x.

Nói đơn giản: Code của bạn có 27,000 file nhưng chỉ cần đọc 15 file để review một thay đổi.

Bài này dành cho ai?

1. Dev sử dụng Claude Code daily

Vấn đề: Mỗi lần nhờ Claude làm gì đó, nó quét lại cả project → tốn token, chậm, đôi khi sai context

Khi nào cần: Khi project có trên 100 file, hoặc thường xuyên nhờ Claude review code, fix bug, thêm feature

Được gì: Review chính xác hơn, token giảm 6.8x lần, thời gian nhanh hơn

2. Dev build AI coding tools

Vấn đề: Làm sao để AI hiểu code mà không tốn token? Làm sao biết file nào thay đổi sẽ ảnh hưởng file nào khác?

Khi nào cần: Khi đang build code review tool, AI assistant, hoặc bất kỳ tool nào cần hiểu code structure

Được gì: Graph-based approach đã tested, hỗ trợ 12 ngôn ngữ, có cả semantic search

3. Team lead / QA cần review nhiều PR

Vấn đề: Review từng PR mất thời gian, nhưng để AI review thì token tốn quá nhiều

Khi nào cần: Khi team có nhiều PR mỗi ngày, cần tool hỗ trợ review tự động nhưng vẫn chính xác

Được gì: Blast-radius analysis cho biết chính xác thay đổi ảnh hưởng những gì, giảm 80-90% thời gian đọc code không liên quan

Các điểm chính

Claude đọc cả project mỗi lần → tốn token vô ích Mặc định Claude Code parse lại toàn bộ codebase mỗi task. Project lớn như Next.js (27,000 file) tốn 739K tokens cho một lần review. → Làm gì: Cài code-review-graph, gõ "Build the code review graph for this project", Claude sẽ chỉ đọc 15 file liên quan
Blast-radius analysis: Biết chính xác thay đổi ảnh hưởng đâu Khi một file thay đổi, graph truy vết tất cả function gọi nó, class phụ thuộc, và test cover nó. Claude đọc danh sách này thay vì quét ngẫu nhiên. → Làm gì: Dùng lệnh /code-review-graph:review-delta để xem blast radius trước khi review
Incremental update: Thay đổi 1 file → update trong 2 giây Mỗi lần save file hoặc git commit, graph tự động diff, tìm dependents qua SHA-256 hash, re-parse chỉ file thay đổi. Project 2,900 file update dưới 2 giây. → Làm gì: Chạy code-review-graph watch để graph luôn up-to-date khi làm việc
Hỗ trợ 12 ngôn ngữ phổ biến Python, TypeScript, JavaScript, Go, Rust, Java, C#, Ruby, Kotlin, Swift, PHP, C/C++. Mỗi ngôn ngữ có Tree-sitter grammar đầy đủ cho function, class, import, call sites, inheritance, test detection. → Làm gì: Không cần cấu hình gì thêm, cài là chạy được với ngôn ngữ bạn đang xài
Benchmark: 6.8x token reduction, review quality tăng Test trên httpx, FastAPI, Next.js. Standard approach: 13,205 tokens. Với graph: 1,928 tokens. Review quality score: 8.8/10 vs 7.2/10. → Làm gì: Đây là số liệu thật từ production repos, có thể yên tâm áp dụng

Quick Start

Cài đặt qua Claude Code plugin (khuyên dùng):

claude plugin marketplace add tirth8205/code-review-graph
claude plugin install code-review-graph@code-review-graph

Hoặc qua pip:

pip install code-review-graph
code-review-graph install

Restart Claude Code sau khi cài xong. Cần Python 3.10+ và uv.

Sau đó mở project và gõ:

Build the code review graph for this project

Lần đầu build mất ~10 giây cho project 500 file. Sau đó graph tự cập nhật mỗi khi edit hoặc commit.

Hiển thị bảng CSV đẹp mắt trong terminal

Tue, 17 Mar 2026 07:27:32 GMT

TL;DR

Công cụ CLI viết bằng Zig, hiển thị file CSV thành bảng đẹp trong terminal với tự động chọn màu theo nền sáng/tối. Cài đặt nhanh qua brew hoặc build từ source.

Nói đơn giản: Mở file CSV lên terminal thấy đẹp, không cần mở Excel.

Bài này dành cho ai?

1. Người thường xuyên làm việc với CSV

Vấn đề: Mở file CSV trong terminal thấy lộn xộn, không format

Khi nào cần: Cần xem nhanh dữ liệu CSV trong terminal mà không mở Excel/Google Sheets

Được gì: Bảng đẹp, tự động co giãn theo cửa sổ terminal, màu sắc tự động phù hợp

2. Developer cần tool debug data

Vấn đề: Thiếu tool nhỏ gọn để xem CSV trong terminal

Khi nào cần: Debug API trả về CSV, xem log data, parse file nhỏ

Được gì: Tool nhẹ, viết bằng Zig, không cần dependencies phức tạp

Các điểm chính

Tự động co bảng theo cửa sổ terminal Tennis tự tính độ rộng, cắt bớt dòng dài nếu cần cho vừa màn hình. Không phải cấu hình thủ công.

→ Làm gì: Chạy tennis file.csv thế là xong, không cần thêm flag

Tự động chọn theme theo nền terminal Dùng module termbg.zig để detect terminal nền sáng hay tối, rồi chọn màu phù hợp. Tác giả nói đây là lần đầu có trong Zig.

→ Làm gì: Không cần lo màu xấu với terminal dark/light khác nhau

Hỗ trợ nhiều định dạng Dùng --delimiter để đọc tab, semicolon hoặc bất kỳ ký tự nào. Tự động format số, thêm dấu phẩy, làm tròn decimal.

→ Làm gì: tennis -d semicolon data.csv cho file dùng dấu chấm phẩy

Tuỳ chỉnh được nhiều thứ Thêm title (-t), row numbers (-n), chỉnh độ rộng (-w), tắt màu (--color off), chọn theme thủ công (--theme dark).

→ Làm gì: Đọc --help để xem full options

Quick Start

Cài đặt nhanh:

brew install gurgeous/tap/tennis

Dùng ngay:

tennis data.csv

Thêm title và số dòng:

tennis -t "Doanh số tháng 3" -n data.csv

Artem Zhutov on X: "How I Manage 10 Claude Code Agents Without Losing My Mind" / X

Tue, 17 Mar 2026 05:55:14 GMT

TL;DR

Tác giả chia sẻ cách dùng cmux để chạy nhiều Claude Code agent cùng lúc trong các workspace riêng biệt, có một agent đóng vai trò "người điều phối" quản lý tất cả. Kết hợp Obsidian để theo dõi tiến độ tự động, không cần thủ công.

Nói đơn giản: Mở terminal ra, bạn có thể chạy 5-10 task AI cùng lúc mà vẫn biết agent nào đang làm gì.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Mở nhiều Claude Code tab, sau đó không nhớ tab nào đang làm gì, phải switch liên tục thì mất flow

Khi nào cần: Khi bạn muốn chạy nhiều task AI cùng lúc - research, viết draft, script video...

Được gì: Mỗi task chạy trong workspace riêng, có agent điều phối quản lý giúp bạn

2. Người muốn build sản phẩm

Vấn đề: Cần test nhiều feature branch cùng lúc, mỗi cái cần một agent riêng

Khi nào cần: Khi dev cần spawn agent cho từng task, nhưng cần theo dõi tổng thể

Được gì: System có thể scale lên 10-20 workspace mà vẫn kiểm soát được

Các điểm chính

Workspace thay thế tab Mỗi task có một workspace riêng với tên và emoji, không phải "tab 4" hay "tab 5" gì cả. Orchestrator, feature-research, video-script - dễ nhớ ngay. → Làm gì: Dùng cmux tạo workspace có tên rõ ràng cho mỗi task
Orchestrator - một agent quản lý tất cả Agent chính đọc daily note của bạn, hiểu intent hôm nay là gì, rồi spawn các workspace con để làm việc. Bạn chỉ nói chuyện với orchestrator, nó lo điều phối. → Làm gì: Tạo một agent "đội trưởng", các agent khác là "thành viên"
3 command để điều khiển: list, read, send

cmux list - xem tất cả workspace
cmux read-screen --workspace workspace:1 - đọc màn hình của workspace đó
cmux send --workspace workspace:1 "progress today là gì?" - gửi lệnh cho agent → Làm gì: Nhớ 3 command này, đủ để điều khiển cả hệ thống

Obsidian Bases tự tạo dashboard Mỗi workspace tạo một session file trong Obsidian. Base query tự động lấy status, ngày, title. Bạn tạo session mới, nó tự hiện trên dashboard, không cần thủ công. → Làm gì: Spawn workspace xong, để agent tự tạo file và link với dashboard
Comment để verify Bạn đọc dashboard, kiểm tra output, thêm comment. Orchestrator đọc comment rồi chuyển cho agent tương ứng. Không có gì "done" cho đến khi bạn xác nhận. → Làm gì: Comment trực tiếp vào session file, agent sẽ đọc và phản hồi

Quick Start

Cài cmux - terminal workspace manager
Tạo skill cmux - hướng dẫn agent dùng list/read/send command
Thiết lập Obsidian Base - query session file theo status (blocked, done, in-progress, review)
Tạo workspace đầu tiên - spawn agent để đọc daily note và summarize

AI điều khiển Excalidraw canvas qua MCP

Tue, 17 Mar 2026 03:22:18 GMT

TL;DR

Công cụ cho phép AI agent (Claude, Cursor, Codex) điều khiển Excalidraw canvas một cách lập trình — vẽ, chỉnh sửa, xem lại từng element. Khác với Excalidraw MCP chính thức chỉ generate diagram một lần, tool này cho phép AI vẽ → xem → chỉnh sửa → xem lại, giống như con người đang ngồi vẽ thật.

Nói đơn giản: Cho phép AI vẽ sơ đồ kiến trúc, flowchart bằng câu lệnh, có thể nhìn thấy canvas và chỉnh sửa từng phần.

Bài này dành cho ai?

1. Người muốn AI vẽ sơ đồ thay mình

Vấn đề: Dùng AI generate diagram nhưng không control được từng phần tử, không xem lại được canvas, phải regenerate toàn bộ nếu sai.

Khi nào cần: Cần vẽ architecture diagram, flowchart, system design bằng câu lệnh; muốn AI chỉnh sửa từng shape mà không vẽ lại từ đầu.

Được gì: AI có thể vẽ → chụp ảnh canvas → xem lại → chỉnh sửa element cụ thể. Có 26 tools cho CRUD, align, group, export.

2. Người muốn build sản phẩm AI có visual output

Vấn đề: AI agent cần tạo hình ảnh, sơ đồ nhưng thiếu công cụ để interact với canvas một cách có kiểm soát.

Khi nào cần: Build AI coding assistant, documentation tool, hoặc bất kỳ app nào cần generate diagram từ user prompt.

Được gì: Full canvas API với WebSocket sync, AI có thể "nhìn thấy" canvas qua describe_scene và get_canvas_screenshot.

3. Dev muốn tự động hóa tạo diagram

Vấn đề: Phải vẽ thủ công từng diagram cho documentation, architecture review.

Khi nào cần: Generate diagram từ code, từ Mermaid, hoặc từ prompt của user trong CI/CD pipeline.

Được gì: Tool create_from_mermaid convert Mermaid sang Excalidraw, export_to_excalidraw_url tạo link share được.

Các điểm chính

1. AI giờ "nhìn thấy" canvas mà nó vẽ Tool describe_scene trả về text mô tả các elements, get_canvas_screenshot trả về ảnh. Trước đây AI chỉ vẽ xong không biết kết quả ra sao — giờ có closed feedback loop. → Làm gì: Dùng describe_scene sau mỗi lần vẽ để xác nhận AI hiểu đúng canvas trước khi tiếp tục.

2. 26 tools cho element-level control Full CRUD: create, read, update, delete từng element. Layout tools: align, distribute, group, ungroup. State: snapshot/restore, clear canvas. File I/O: export/import .excalidraw JSON. → Làm gì: Không cần vẽ lại toàn bộ khi cần sửa 1 element — dùng update_element với element ID.

3. So sánh với Excalidraw MCP chính thức MCP chính thức: prompt → diagram (one-shot), stateless, không xem được canvas. Tool này: programmatic control, persistent canvas, AI inspect được scene, iterative refinement được. → Làm gì: Nếu cần quick diagram generation → dùng MCP chính thức. Nếu cần AI control chính xác → dùng repo này.

4. Multi-agent support Nhiều AI agents có thể vẽ trên cùng một canvas cùng lúc, sync qua WebSocket. → Làm gì: Dùng cho team coding session với nhiều AI assistants, hoặc collaborative diagram creation.

5. Agent Skill cho structured workflow Skill đi kèm (skills/excalidraw-skill/) cung cấp step-by-step playbook, cheatsheet, helper scripts cho export/import, CRUD operations. → Làm gì: Copy skill vào ~/.claude/skills/ hoặc ~/.codex/skills/ để dùng /excalidraw-skill command.

6. Design guide tích hợp read_diagram_guide trả về color palette, sizing rules, layout patterns, anti-patterns — giúp AI vẽ diagram đẹp hơn, không còn "diagram AI style" xấu xí. → Làm gì: Gọi read_diagram_guide trước khi bắt đầu vẽ diagram quan trọng.

7. Docker support đầy đủ Có sẵn image ghcr.io/yctimlin/mcp_excalidraw-canvas:latest cho canvas server và ghcr.io/yctimlin/mcp_excalidraw:latest cho MCP server. Cấu hình được cho Claude Desktop, Claude Code, Cursor, Codex CLI, OpenCode, Antigravity. → Làm gì: Không cần Node.js local — chạy hoàn toàn trong Docker nếu muốn.

Quick Start

Tuần này — chạy thử trong 5 phút:

# Terminal 1: Chạy canvas
docker run -d -p 3000:3000 --name mcp-excalidraw-canvas ghcr.io/yctimlin/mcp_excalidraw-canvas:latest
# Mở http://localhost:3000 để xem canvas

# Terminal 2: Test MCP (cần clone và build repo trước)
EXPRESS_SERVER_URL=http://localhost:3000 node dist/index.js

Bước tiếp theo:

Cấu hình trong Claude Desktop: thêm vào claude_desktop_config.json theo hướng dẫn trong repo
Thử prompt: "Vẽ một architecture diagram với 3 services: Auth, API, Database"
Dùng describe_scene để xem AI nhìn thấy gì, rồi yêu cầu chỉnh sửa element cụ thể

Tạo web scraper tránh bị phát hiện

Mon, 16 Mar 2026 17:07:00 GMT

TL;DR

Botasaurus là framework giúp build web scraper với code ít hơn, đồng thời vượt qua mọi hệ thống phát hiện bot như Cloudflare, Datadome. Nó còn cho phép convert scraper thành desktop app hoặc website chỉ trong 1 ngày.

Bài này dành cho ai?

1. Người cần thu thập dữ liệu web

Vấn đề: Bị chặn liên tục bởi Cloudflare, bot detection Khi nào cần: Scraping e-commerce, review sites, dữ liệu cạnh tranh Được gì: Bypass mọi hệ thống bảo vệ, scrape được dữ liệu mà trước đây không lấy được

2. Người muốn tạo sản phẩm từ scraper

Vấn đề: Muốn bán scraper nhưng sợ code bị copy Khi nào cần: Build SaaS, tạo desktop app để bán Được gì: Tạo UI đẹp trong 3 bước, deploy desktop app cho Mac/Windows/Linux trong 1 ngày

3. Người cần scrape với quy mô lớn

Vấn đề: Chi phí proxy quá cao, bị rate limit Khi nào cần: Thu thập hàng ngàn trang web Được gì: Tiết kiệm đến 97% chi phí proxy, chạy song song nhiều task

Các điểm chính

Botasaurus là all-in-one framework cho web scraping Nó tích hợp đủ thứ: browser automation, HTTP requests, parallel scraping, caching, proxy rotation. Thay vì xài nhiều thư viện rời rạc, bạn chỉ cần Botasaurus. → Làm gì: Thử install Botasaurus và chạy ví dụ đầu tiên để xem nó làm gì.

Bypass mọi hệ thống phát hiện bot Botasaurus vượt được Cloudflare WAF, BrowserScan, Fingerprint, Datadome, Turnstile CAPTCHA. Nó mô phỏng hành vi người thật: mouse movements, timing, headers. → Làm gì: Chạy thử đoạn code mẫu với bypass_cloudflare=True để xem nó hoạt động.

Tiết kiệm 97% chi phí proxy Botasaurus dùng browser-based fetch requests thay vì proxy truyền thống. Một trang 12MB giờ chỉ còn 100KB khi block images và CSS. → Làm gì: Thêm block_images_and_css=True vào decorator để giảm bandwidth.

Tạo desktop app trong 1 ngày Không cần build website, không cần quản lý server. Botasaurus đóng gói scraper thành app cho Windows, Mac, Linux với sẵn: task management, data table, export Excel/CSV. → Làm gì: Đọc phần Desktop Extraction Tutorial để build thử Yahoo Finance Scraper.

Tạo UI cho scraper chỉ 3 bước Define function → Add vào server bằng 1 dòng → Định nghĩa input controls. Non-technical users có thể chạy scraper qua link web. → Làm gì: Clone botasaurus-starter template và chạy python run.py để xem UI mẫu.

3 decorators chính: @browser, @request, @task

@browser: Dùng humane browser (Botasaurus Driver)
@request: Dùng lightweight HTTP requests nhưng vẫn bypass được đa số
@task: Cho third-party libs hoặc non-web tasks như convert video → Làm gì: Đọc kỹ phần decorator để biết khi nào xài cái nào.

Debug dễ hơn với Botasaurus Kết quả tự lưu vào JSON file. Lỗi sẽ beep và pause browser để bạn debug ngay. Kể cả headless mode cũng mở browser để debug. → Làm gì: Thử gây lỗi trong code và xem Botasaurus xử lý thế nào.

Quick Start

Cài đặt Botasaurus:

python -m pip install --upgrade botasaurus

Viết scraper đầu tiên: Tạo file main.py với code mẫu từ documentation, chạy python main.py để xem nó hoạt động.
Thử bypass Cloudflare: Thêm bypass_cloudflare=True vào method google_get() để xem nó vượt Cloudflare như thế nào.
Clone starter template để xem UI:

git clone https://github.com/omkarcloud/botasaurus-starter
cd botasaurus-starter
python -m pip install -r requirements.txt
python run.py install
python run.py

Chuyển code thành đồ thị kiến thức cho AI agents

Sat, 14 Mar 2026 17:04:28 GMT

TL;DR

GitNexus index toàn bộ code thành knowledge graph — track mọi dependency, call chain, cluster, và execution flow. Sau đó expose qua MCP tools để AI agent như Cursor, Claude Code hiểu cấu tr code, không bỏ sót dependency hay phá break call chain khi edit.

Nói đơn giản: Tool này giúp AI đọc code của mình hiểu rõ như mình hiểu — biết function nào gọi function nào, thay đổi chỗ này sẽ ảnh hưởng chỗ nào.

Bài này dành cho ai?

1. Dev dùng AI coding assistant (Cursor, Claude Code, Windsurf...)

Vấn đề: AI edit một chỗ nhưng không biết có 47 function khác phụ thuộc, dẫn đến break code Khi nào cần: Khi muốn AI hiểu cấu trúc code thật sự, không chỉ đọc file text Được gì: AI biết trước impact của thay đổi, giảm bug sau khi ship

2. Team lead / Architect muốn standardize AI workflow

Vấn đề: Mỗi dev dùng AI khác nhau, không có consistent context Khi nào cần: Khi muốn tất cả AI agent trong team có cùng understanding về codebase Được gì: Một global MCP server phục vụ mọi repo, không cần config lại

3. Dev muốn tạo documentation tự động

Vấn đề: Viết docs lúc đầu rồi bỏ, code thay đổi docs cũng outdated Khi nào cần: Cần overview kiến trúc, module nào gọi module nào Được gì: Wiki tự generate từ knowledge graph, luôn up-to-date

Các điểm chính

1. AI giờ biết "ai phụ thuộc ai" trước khi edit GitNexus precompute toàn bộ relationship lúc index — lúc hỏi AI không cần query lần lượt 4-5 bước mà nhận ngay complete context. → Làm gì: Chạy npx gitnexus analyze một lần, AI agent tự có full architectural view

2. Hai mode: CLI cho dev thường xuyên, Web UI cho explore nhanh CLI dùng KuzuDB native, persistent, không giới hạn size. Web UI chạy trong browser, tiện demo nhưng limited bởi browser memory (~5k files). → Làm gì: Dùng CLI cho daily work, Web UI khi cần show nhanh cho người khác

3. Claude Code được tích hợp sâu nhất Không chỉ MCP tools mà còn agent skills (Exploring, Debugging, Impact Analysis, Refactoring) + hooks tự động reindex sau mỗi commit. → Làm gì: Dùng Claude Code nếu muốn AI tự maintain knowledge graph up-to-date

4. Multi-repo architecture — set up một lần dùng mọi repo Registry lưu ở ~/.gitnexus/registry.json, MCP server đọc registry rồi connect đến KuzuDB của từng repo. Không cần config riêng cho từng project. → Làm gì: Chạy gitnexus setup một lần, sau đó analyze bao nhiêu repo tùy thích

5. Smaller models cũng làm được việc lớn Vì tools đã làm heavy lifting (precomputed structure), LLM nhỏ vẫn có full architectural context — không cần goliath model. → Làm gì: Thử dùng Claude 3.5 Sonnet thay vì 4o, vẫn có kết quả tương đương

6. 13 ngôn ngữ được hỗ trợ TypeScript, JavaScript, Python, Java, Kotlin, C, C++, C#, Go, Ruby, Rust, PHP, Swift. → Làm gì: Không cần lo code mình dùng ngôn ngữ gì

7. Bảo mật — 100% local CLI: không network call, index trong .gitnexus/ (gitignored). Web: chạy trong browser, không upload đâu cả. → Làm gì: Yên tâm dùng cho private repo

Quick Start

1. Cài đặt và index repo:

npm install -g gitnexus
cd /path/to/your-repo
npx gitnexus analyze

2. Setup cho editor (chạy một lần):

npx gitnexus setup

3. Dùng luôn — mở Cursor/Claude Code, AI giờ biết:

Function nào gọi function nào
Thay đổi chỗ này ảnh hưởng những chỗ nào
Execution flow từ entry point đến chỗ cần debug

AI điều khiển mọi ứng dụng macOS

Fri, 13 Mar 2026 05:42:56 GMT

TL;DR

Ghost OS là tool cho phép AI agent điều khiển máy Mac thật sự: click nút, gửi email, tạo file — thay vì chỉ ngồi trong chatbox. Nó đọc cấu trúc app (accessibility tree) để biết mình đang tương tác với cái gì, và tự học workflow để chạy lại sau.

→ Ai cần: Dev đang build AI agent, người muốn automate tác vụ trên Mac.

Bài này dành cho ai?

1. Dev đang build AI agent

Vấn đề: AI giờ viết code được, nhưng không click được nút, không gửi được email, không thao tác được với app thật trên máy. Khi nào cần: Khi muốn agent làm được việc ngoài chat — như điều khiển browser, gửi Slack, quản lý file. Được gì: Thêm 29 tools để AI operate máy thật, tích hợp qua MCP protocol.

2. Người muốn automate tác vụ lặp đi lặp lại

Vấn đề: Mỗi ngày phải làm cùng việc: gửi report, tải file, tạo folder — tốn thời gian. Khi nào cần: Khi có workflow lặp đi lặp lại trên Mac và muốn AI làm thay. Được gì: AI học một lần, chạy mãi mãi. Không cần screenshot mỗi lần.

3. Người xài Claude Code, Cursor, VS Code

Vấn đề: Các AI editor chỉ edit code được, không tương tác với app khác trên máy. Khi nào cần: Muốn AI làm được nhiều thứ hơn trong editor — như chạy terminal, gửi message, quản lý window. Được gì: Tích hợp MCP để extend khả năng của editor.

Các điểm chính

1. AI giờ "nhìn" màn hình bằng cấu trúc dữ liệu, không phải screenshot Thay vì chụp hình đoán猜 (như Anthropic Computer Use), Ghost OS đọc macOS accessibility tree — tập hợp thông tin cấu trúc về mọi element trên màn hình: nút bấm, ô nhập, menu. Khi cần (web app phức tạp), mới dùng vision model local. → Làm gì: Thử ghost_find để tìm element trên màn hình, không cần screenshot.

2. Tự học workflow — làm một lần, chạy hoài Dùng ghost_learn_start để bắt đầu quan sát, thao tác thủ công (click, gõ, chuyển app) một lần, rồi ghost_learn_stop. AI sẽ tổng hợp thành recipe — file JSON có thể chạy lại với tham số khác. Một model mạnh tìm ra workflow, model nhỏ chạy mãi. → Làm gì: Tạo recipe cho task hay làm — gửi email, tải file, tạo folder.

3. 29 tools sẵn sàng — từ click đến điều khiển window AI có thể: đọc màn hình (ghost_read, ghost_context), tìm element (ghost_find, ghost_inspect), click/hover/drag/scroll, gõ phím (ghost_type, ghost_hotkey), quản lý window (ghost_focus, ghost_window), chờ đợi element xuất hiện (ghost_wait), chạy recipe (ghost_run). → Làm gì: Xem full list trong doc, thử từng cái với ghost doctor để check permissions.

4. Local — dữ liệu không rời máy Tất cả chạy trên máy bạn. Vision model (ShowUI-2B) tải về local. Không gửi gì lên cloud. Khác với OpenAI Operator — cái đó xử lý trên cloud. → Làm gì: Yên tâm dùng cho task nhạy cảm, không lo data leak.

5. MCP protocol — tích hợp được với mọi AI client Works với Claude Code, Cursor, VS Code, hoặc bất kỳ tool nào nói MCP. Cài xong ghost setup là có thể kết nối. → Làm gì: Tham khảo GHOST-MCP.md để cấu hình với editor đang xài.

Quick Start

Cài đặt:

brew install ghostwright/ghost-os/ghost-os
ghost setup

Kiểm tra mọi thứ OK:
```
ghost doctor
```

Thử recipe có sẵn:

ghost_run recipe:"gmail-send" params:`{"recipient":"test@example.com","subject":"Test","body":"Hello"}`

Tự tạo recipe mới:
- Chạy ghost_learn_start task_description:"tên task"
- Thao tác thủ công trên máy
- Chạy ghost_learn_stop để lấy action sequence
- Dùng ghost_recipe_save để lưu lại

Framework xây dựng AI có trí nhớ và quyết định truy vết được

Thu, 12 Mar 2026 12:23:16 GMT

TL;DR

Semantica là framework Python giúp AI agent xây dựng knowledge graph có cấu trúc, theo dõi mọi quyết định, và truy vết nguồn gốc dữ liệu. Giải quyết vấn đề AI hiện tại: không có bộ nhớ thực sự, không truy vết được tại sao đưa ra quyết định, và không thể giải thích được kết quả. → Dành cho: Dev xây dựng AI hỏi đáp doanh nghiệp, hệ thống AI yêu cầu tuân thủ pháp luật

Bài này dành cho ai?

1. Dev xây dựng AI hỏi đáp doanh nghiệp

Vấn đề: AI không biết tại sao trả lời vậy, không truy vết được nguồn, không detect được mâu thuẫn Khi nào cần: Khi khách hàng hỏi "sao bạn biết điều này?" hoặc cần audit trail Được gì: Mọi câu trả lời có nguồn rõ ràng, truy vết được từ document gốc

2. Dev xây dựng hệ thống AI cần tuân thủ pháp luật

Vấn đề: Healthcare, finance, legal yêu cầu giải thích được quyết định AI Khi nào cần: Khi cần compliance với W3C PROV-O, cần audit trail đầy đủ Được gì: Full lineage từ ingestion đến inference, quyết định nào cũng có causal chain

3. Dev xây dựng multi-agent system

Vấn đề: Nhiều agent không có shared memory, quyết định không liên kết được Khi nào cần: Khi cần agent hợp tác, cần biết decision nào ảnh hưởng decision nào Được gì: Causal chain tracking, precedent search, decision influence analysis

Các điểm chính

1. AI hiện tại chỉ lưu embeddings, không lưu meaning Agent lưu vector, nhưng không biết tại sao lại retrieve cái đó. Không hỏi được "tại sao mày nhớ cái này?" → Làm gì: Dùng Context Graph để lưu entity + relationship có cấu trúc

2. Quyết định của AI không được ghi lại Agent đưa ra quyết định liên tục nhưng không record gì. Lỗi thì không debug được. → Làm gì: Dùng record_decision() để mọi quyết đều có ID, có thể trace ngược

3. Không truy vết được nguồn fact Output không thể truy về source. Healthcare, finance, legal không chấp nhận black box. → Làm gì: Dùng ProvenanceTracker theo chuẩn W3C PROV-O

4. Mâu thuẫn trong knowledge graph không được detect Vector store lưu fact mâu thuẫn cùng lúc, AI trả lời unpredictable. → Làm gì: Dùng deduplication v2 (63.6% faster) + conflict detection

5. Reasoning là black box Không biết AI suy luận như thế nào, không giải thích được cho user. → Làm gì: Dùng reasoning engine có explainable inference paths (forward chaining, Rete, deductive, abductive, SPARQL)

6. Tích hợp được với stack hiện tại Không thay thế LangChain, LlamaIndex, AutoGen, CrewAI — mà là lớp accountability bên trên. → Làm gì: Cài pip install semantica, dùng song song với framework đang xài

7. Graph algorithms có sẵn PageRank, betweenness, community detection (Louvain), Node2Vec, link prediction — không cần viết lại. → Làm gì: Import từ semantica.kg, dùng ngay không cần implement

Quick Start

Cài đặt: pip install semantica
Thử record quyết định đầu tiên:

from semantica.context import AgentContext, ContextGraph
from semantica.vector_store import VectorStore

context = AgentContext(
    vector_store=VectorStore(backend="faiss", dimension=768),
    knowledge_graph=ContextGraph(advanced_analytics=True),
    decision_tracking=True,
)

# Lưu thông tin
context.store("AI regulation EU 2024/1689 requires explainability", conversation_id="compliance")

# Record quyết định
decision_id = context.record_decision(
    category="model_selection",
    scenario="Chọn LLM cho pipeline",
    reasoning="GPT-4 benchmark tốt hơn 40%",
    outcome="selected_gpt4",
    confidence=0.91,
)

# Tìm quyết định tương tự
precedents = context.find_precedents("model selection", limit=5)

Đọc thêm: RELEASE_NOTES.md

The case for running AI agents on Markdown files instead of MCP servers

Thu, 12 Mar 2026 10:04:28 GMT

TL;DR

Bài này nói về cách dev đang bỏ MCP server cồng kềnh, thay bằng file Markdown để dạy AI agent cách làm việc. Cách này giảm token tiêu từ 23.000 xuống còn 200 — giảm 100 lần.

Nói đơn giản: Thay vì dùng server phức tạp để nói cho AI biết "team mình dùng GitHub kiểu nào", dev giờ viết vào file Markdown. AI vẫn làm được việc, nhưng rẻ hơn rất nhiều.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: AI agent ngốn quá nhiều token chỉ để hiểu cách dùng tool, lý do chính của việc hóa đơn API cao bất thường

Khi nào cần: Khi thấy mỗi lần hỏi AI mà token consumed lên đến vài chục nghìn, trong khi task thực tế chỉ cần vài trăm

Được gì: Giảm 90-99% token cho phần "dạy AI cách làm", chỉ dùng token cho phần "AI làm thật"

2. Người build sản phẩm AI

Vấn đề: Đang build MCP server cho mọi thứ, nhưng nhiều cái chỉ cần là file text

Khi nào cần: Khi team phải maintain quá nhiều server, thay đổi behavior mất hours deploy

Được gì: Architecture rõ ràng: Markdown cho knowledge, MCP cho execution. Feedback loop từ hours xuống minutes

3. Platform Engineer

Vấn đề: Agent system ngốn quá nhiều context window, không còn capacity cho task thực sự

Khi nào cần: Khi enterprise agent kết nối 10+ MCP servers mà token consumption cho tool schemas đã chiếm nửa context window

Đured gì: Tách knowledge ra khỏi execution, reclaim 200-400K tokens cho actual reasoning

Các điểm chính

AI task chia làm hai loại: "biết" và "làm" Một task hoặc cần kiến thức (coding standards, workflow, policy) hoặc cần thực thi (gọi API, query database, gửi email). Đa số dev hiện giờ dùng MCP cho cả hai → lãng phí. → Làm gì: Trước khi thêm MCP server mới, hỏi "Cái này là knowledge hay execution?"
GitHub MCP ngốn 23K-50K tokens, skill file chỉ 200 tokens Tác giả so sánh: GitHub MCP server để dạy agent cách dùng GitHub tốn 23.000-50.000 tokens. File SKILL.md viết "dùng gh CLI, squash merge, conventional commits" chỉ tốn 200 tokens — giảm 100 lần. → Làm gì: Với mỗi MCP server đang xài, kiểm tra xem phần nào là knowledge, tách ra file riêng.
Skill file hoạt động không cần MCP Feld's CompanyOS mỗi skill đều có "standalone mode" — vẫn phân tích và draft response được kể cả khi ngắt kết nối MCP. Chỉ mất phần auto-send. → Làm gì: Test mỗi skill bằng cách ngắt MCP, xem output còn hữu ích không.
Three-layer framework: Know → Do → Know-how-to-do-well Layer 1: Agent cần biết cái gì → Markdown skill. Layer 2: Agent cần làm cái gì → MCP. Layer 3: Agent cần biết làm tốt → Skill reference MCP tools. → Làm gì: Với task phức tạp, viết skill file định nghĩa workflow, để MCP handle execution bên dưới.
CompanyOS chạy 12 files, 8 servers Brad Feld điều hành công ty bằng 12 Markdown files + 8 MCP servers. Skills handle business logic (email tone, triage workflow, root cause analysis), MCP chỉ để call API. → Làm gì: Không cần framework hay orchestration runtime — structured documents trong git cũng đủ.
Git advantage: Thay đổi behavior trong vài phút Server thay đổi behavior = sửa code + redeploy + hope test coverage đủ. Skill file thay đổi = edit Markdown + commit → feedback loop minutes thay vì hours. → Làm gì: Treat skill files như first-class code artifacts, review trong PR như infrastructure config.
MCP không thua, chỉ bị dùng sai chỗ MCP đã win protocol war — 30.000+ servers indexed. Vấn đề là dev dùng nó cho knowledge problems thay vì chỉ execution problems. → Làm gì: Giữ MCP cho tool execution, nhưng đừng dùng nó để encode workflow knowledge.

Quick Start

Audit MCP servers trong tuần này List tất cả tool mà mỗi server expose. Với mỗi tool, hỏi: "Cái này để dạy agent hay để agent gọi?" — Nếu là dạy → trích ra SKILL.md.
Bắt đầu với server có tool schema lớn nhất GitHub MCP, Slack MCP, Notion MCP — những cái này đang encode nhiều knowledge nhất. Extract knowledge ra file, giữ lại execution tools trong MCP.
Thêm vào repo: skills/ folder Tạo folder chứa SKILL.md files, version trong git, review trong PR. Mỗi file mô tả workflow, guardrails, tone, decision logic — những thứ stable trong weeks/months.

Công cụ xử lý và chuyển đổi tài liệu đa định dạng

Wed, 11 Mar 2026 12:27:46 GMT

TL;DR

Công cụ xử lý tài liệu đa năng — parse (phân tích) PDF, DOCX, HTML, hình ảnh, LaTeX... rồi xuất ra Markdown, JSON, HTML. Có CLI sẵn dùng, tích hợp sẵn với LangChain, LlamaIndex, Crew AI.

Nói đơn giản: Kéo thả file PDF vào, lấy về text có cấu trúc đầy đủ — bảng, công thức, code đều giữ nguyên.

Bài này dành cho ai?

1. Người muốn AI đọc tài liệu thay mình

Vấn đề: Đọc contract (hợp đồng), report (báo cáo) dài mất hàng giờ. Muốn AI parse (phân tích) nội dung nhưng file scan (quét) hay PDF phức tạp thường sai format.

Khi nào cần: Cần trích xuất thông tin từ hàng chục PDF cùng lúc. Muốn search (tìm kiếm) nội dung tài liệu bằng AI.

Được gì: Parse tự động bảng, công thức toán, code trong PDF. Giữ nguyên cấu trúc document.

2. Người build AI product

Vấn đề: Cần đưa tài liệu vào RAG pipeline (hệ thống AI truy xuất thông tin) nhưng format lộn xộn. PDF scan không extract (trích xuất) được text.

Khi nào cần: Build chatbot có thể đọc file người dùng upload. Cần xử lý hàng loạt tài liệu trong workflow.

Được gì: Tích hợp sẵn LangChain, LlamaIndex, Crew AI, Haystack. Có MCP server để agent gọi API trực tiếp.

3. Người cần xử lý tài liệu nhạy cảm

Vấn đề: Tài liệu công ty, pháp lý không thể upload lên cloud. Các tool online đều bảo mật không đảm bảo.

Khi nào cần: Xử lý tài liệu nội bộ, contract, báo cáo tài chính. Môi trường air-gapped (không có internet).

Được gì: Chạy hoàn toàn local trên máy. Không gửi dữ liệu ra ngoài.

Các điểm chính

Đọc được gần như mọi format Hỗ trợ PDF, DOCX, PPTX, XLSX, HTML, hình ảnh (PNG, JPEG, TIFF), LaTeX, WebVTT, âm thanh WAV/MP3. Không cần convert qua lại.

→ Làm gì: Dùng 1 tool cho mọi loại file thay vì 5-6 tool khác nhau.

PDF parsing mạnh nhất hiện nay Hiểu layout trang, thứ tự đọc, cấu trúc bảng, code, công thức toán, hình ảnh. Có thể classify (phân loại) loại nội dung trong từng vùng.

→ Làm gì: Parse contract, paper (bài báo) khoa học, báo cáo tài chính — giữ nguyên cấu trúc.

Export đa dạng Xuất ra Markdown, HTML, JSON lossless (giữ nguyên 100% thông tin), DocTags. Hỗ trợ schema chuyên ngành: USPTO (patent), JATS (bài báo y khoa), XBRL (báo cáo tài chính).

→ Làm gì: Export xong push thẳng vào vector database, không cần format lại.

Tích hợp AI ecosystem sẵn Plug-and-play với LangChain, LlamaIndex, Crew AI, Haystack. Dùng MCP server để bất kỳ AI agent nào cũng gọi được.

→ Làm gì: Build RAG pipeline trong vài dòng code thay vì viết từ đầu.

Chạy local cho dữ liệu nhạy cảm Không cần internet. Xử lý tài liệu mật, contract, báo cáo nội bộ an toàn. Hỗ trợ máy Mac (M1/M2/M3), Linux, Windows.

→ Làm gì: Không lo leak dữ liệu khách hàng khi xử lý file.

CLI tiện lợi Gõ 1 dòng là convert được file, không cần viết code. Có option dùng VLM (Visual Language Model) như GraniteDocling để parse PDF phức tạp.

→ Làm gì: Dùng trong script tự động, cronjob, pipeline CI/CD.

Quick Start

Cài đặt:

pip install docling

Convert file PDF sang Markdown:

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("file.pdf")
print(result.document.export_to_markdown())

Dùng CLI:

docling https://arxiv.org/pdf/2408.09869

CLI điều khiển browser tự động cho AI agent

Wed, 11 Mar 2026 11:53:29 GMT

TL;DR

Tool CLI chạy trên Rust, giúp AI agent điều khiển browser (click, fill, navigate) nhanh gọn. Có snapshot lấy accessibility tree để AI hiểu page, không cần parse HTML.

Nói đơn giản: CLI để AI agent điều khiển browser như người thật — click, điền form, chụp hình, chuyển tab.

Bài này dành cho ai?

1. Người muốn AI tự động thao tác web

Vấn đề: AI cần login, điền form, click button nhưng không biết cách control browser

Khi nào cần: Build workflow tự động như đăng bài, scrape data, test UI

Được gì: CLI đơn giản, AI gọi vài command là xong — không cần viết Playwright code từ đầu

2. Người build sản phẩm AI

Vấn đề: Cần browser cho agent nhưng không muốn maintain infrastructure

Khi nào cần: Deploy AI agent lên production, cần browser runtime

Được gì: Tích hợp sẵn Vercel Sandbox, chạy ephemeral không cần server

3. Dev muốn tự động test/e2e

Vấn đề: Viết Playwright test code quá nhiều, khó maintain

Khi nào cần: Viết script test nhanh, không cần framework

Được gì: CLI thuần, gọi command là chạy được, không cần setup

Các điểm chính

Refs — cách AI chọn element đáng tin cậy nhất AI không nên dùng CSS selector vì page đổi là hỏng. Thay vào đó: chụp snapshot lấy tree với ref @e1, @e2 rồi dùng ref đó click/fill. Đ deterministic, không re-query DOM. → Làm gì: Luôn dùng snapshot trước, lấy ref rồi mới interact.
Snapshot — accessibility tree thay vì HTML Command snapshot trả về tree theo ARIA roles (button, textbox, link...) thay vì raw HTML. AI đọc hiểu ngay, không phải parse HTML. → Làm gì: Dùng agent-browser snapshot -i để lấy interactive elements thôi, giảm noise.
Session persistence — giữ login across runs Dùng --session-name tự động save/restore cookies và localStorage. Login một lần, chạy script bao nhiêu lần cũng được. → Làm gì: agent-browser --session-name twitter open twitter.com — login 1 lần, sau đó reopen là còn logged in.
Security features cho AI deployment AI chạy tự động cần bảo vệ: Auth Vault (credential mã hóa, LLM không thấy password), Domain Allowlist (chỉ navigation trong domain cho phép), Action Policy (chặn destructive actions). → Làm gì: Dùng --allowed-domains và --action-policy khi deploy AI lên production.
Serverless native — chạy trên Vercel microVM Không cần maintain server browser. Dùng Vercel Sandbox ephemeral microVM, browser chạy trong đó, kill khi xong. → Làm gì: Xem examples/environments/, có sẵn demo deploy-to-Vercel button.
Rust daemon — sub-millisecond parsing Install global sẽ dùng native Rust CLI, nhanh hơn nhiều so với npx qua Node.js. Commands như click, fill gần như instant. → Làm gì: Install global npm install -g agent-browser, đừng dùng npx cho production.
Annotated screenshots — AI nhìn được visual layout --annotate chụp hình có đánh số element. Multimodal AI có thể reason về icon buttons, canvas, visual state mà text tree không capture được. → Làm gì: agent-browser screenshot --annotate cho use cases cần visual reasoning.

Quick Start

Cài đặt và chạy command đầu tiên tuần này:

npm install -g agent-browser
agent-browser install  # Download Chromium
agent-browser open example.com
agent-browser snapshot

Thử AI workflow:

agent-browser open example.com
agent-browser snapshot -i --json   # AI parse được ref
agent-browser click @e2           # Click element có ref e2
agent-browser screenshot page.png
agent-browser close

Dùng session để giữ login:

agent-browser --session-name myapp open myapp.com
# ... login thủ công 1 lần
# Lần sau:
agent-browser --session-name myapp open myapp.com/dashboard

Thư viện 4000+ biểu tượng SVG thương hiệu

Wed, 11 Mar 2026 11:49:37 GMT

TL;DR

Bài này giới thiệu theSVG — thư viện chứa hơn 4000 logo thương hiệu (Facebook, Google, GitHub, v.v.) dạng SVG, dùng được trên React, Vue, Svelte, hoặc trực tiếp qua CDN. Dev có thể search, copy, hoặc import từng icon mà không cần tải cả bộ.

→ Người cần icon brand cho web/app: dùng được luôn, không phải lên Figma lục lọi.

Bài này dành cho ai?

1. Dev cần icon thương hiệu cho website/app

Vấn đề: Logo thương hiệu nằm khắp nơi — press kit Figma, GitHub repo lạ, không có nguồn thống nhất Khi nào cần: Làm trang partner, integrations, hoặc mục "used by" Được gì: 4000+ brand logo trong một chỗ, search được, copy paste là xong

2. Người build sản phẩm AI

Vấn đề: Cần icon để hiển thị danh sách tools AI trong app Khi nào cần: Làm dashboard, directory, hoặc comparison page Được gì: MCP server tích hợp sẵn cho Claude, Cursor, Windsurf — AI tự tìm và chèn icon

3. Designer cần icon nhanh

Vấn đề: Không muốn tự vẽ hoặc tìm từng logo trên Google Khi nào cần: Cần icon chuẩn SVG, đa biến thể (mono, light, dark) Được gì: Tải về xài ngay, có cả wordmark version

Các điểm chính

Brand icon chứ không phải UI icon Các thư viện icon thường chỉ có mấy cái arrows, checkmarks. theSVG tập trung vào logo thương hiệu — cái khó kiếm nhất. → Làm gì: Cần logo brand nào, search trên thesvg.org là có ngay.
Tree-shakeable — import icon nào xài icon đó Cài cả thư viện mà chỉ xài 2-3 cái? Không thành vấn đề vì có thể import riêng từng icon, không mang theo cả đống. → Làm gì: Dùng scoped package @thesvg/icons để import có chọn lọc.
7 biến thể cho mỗi icon Mỗi brand có default (màu gốc), mono (theo text), light (trắng cho nền tối), dark (đen cho nền sáng), wordmark (có chữ), wordmark light/dark. → Làm gì: Chọn variant phù hợp với design system, không phải edit thủ công.
TypeScript-first, framework-agnostic Dùng React, Vue, Svelte, hay plain HTML đều được. Có type definitions đầy đủ, không sợ lỗi. → Làm gì: Team không cần discuss dùng framework nào, ai cũng xài được.
MCP server cho AI assistants Tích hợp sẵn cho Claude, Cursor, Windsurf. AI có thể tự tìm và chèn icon khi viết code. → Làm gì: Nếu đang dùng AI coding, thêm MCP server để nó tự xử lý phần icon.
Miễn phí, MIT license cho code Code tool là MIT, nhưng logo vẫn là trademark của brand đó. Dùng cho mục đích development/design thì ok. → Làm gì: Xài thoải mái trong sản phẩm, nhưng nhớ đọc phần disclaimer.

Quick Start

Cài đặt npm:

npm install thesvg

Import trong code:

import github from "thesvg/github";

console.log(github.svg);   // raw SVG string
console.log(github.hex);   // "181717" - màu brand

Hoặc dùng CDN không cần cài:

\<img src="https://thesvg.org/icons/github/default.svg" width="32" height="32" alt="GitHub" />

Search nhanh:

npx @thesvg/cli search "ai"

Trợ lý AI cá nhân có ký ức và tính cách, hỗ trợ lập trình & văn phòng

Wed, 11 Mar 2026 11:37:46 GMT

TL;DR

Bài này giới thiệu BitFun - một hệ thống Agent AI mới, nơi mỗi user có trợ lý riêng nhớ thói quen, có cá tính riêng. Ngoài hỗ trợ code (đọc, sửa, chạy, verify tự động), còn có Cowork Agent giúp xử lý PDF, Word, Excel, PowerPoint. Trợ lý này không chỉ nằm trên desktop mà còn qua Telegram, WhatsApp — ra lệnh ở đâu cũng được.

Nói đơn giản: Đây là AI assistant như người làm việc thực sự, nhớ bạn, hiểu bạn, làm việc liên tục ở background.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Đang xài ChatGPT nhưng mỗi lần phải giải thích lại từ đầu, không nhớ context Khi nào cần: Khi cần AI nhớ thói quen, preferences, làm việc liên tục ở background mà không cần mình ngồi chờ Được gì: Trợ lý AI cá nhân hiểu mình, xử lý file văn phòng tự động, ra lệnh qua Telegram/WhatsApp được

2. Người muốn build sản phẩm AI

Vấn đề: Muốn tạo AI assistant có personality riêng, không phải bot generic Khi nào cần: Khi cần hệ thống Agent mà user có trợ lý riêng, nhớ lâu dài, có thể customize theo use case Được gì: Architecture sẵn có cho multi-agent system, tích hợp MCP, Skills để mở rộng

3. Developer muốn tăng tốc code

Vấn đề: Code mất thời gian, debug mệt, cần AI không chỉ gợi ý mà tự đọc/sửa/chạy/verify Khi nào cần: Khi cần AI đọc code cũ, tự edit, tự chạy test, tự verify kết quả — không cần mình làm từng bước Được gì: Code Agent với 4 mode phủ đủ từ code thường ngày đến debug chuyên sâu, tích hợp sâu với MCP và Skills

Các điểm chính

1. AI assistant giờ có "nhớ" và "cá tính" Mỗi user có Agent riêng, nhớ thói quen, preferences theo thời gian. Không phải cứ hỏi lại từ đầu như ChatGPT thông thường. → Làm gì: Thử nghĩ xem workflow nào mình lặp đi lặp lại hàng ngày — đây là nơi Agent có memory phát huy.

2. Code Agent tự đọc, sửa, chạy, verify Thay vì AI chỉ gợi ý code, Code Agent mode "Agentic" tự đọc file, edit, run, verify kết quả — cả flow diễn ra tự động. Còn mode "Debug" thì instrument + trace → so sánh đường đi → root-cause analysis → verify fix. → Làm gì: Với task code lặp đi lặp lại, thử dùng mode Agentic xem AI tự làm được đến đâu.

3. Cowork Agent xử lý văn phòng tự động Skills có sẵn cho PDF (đọc, extract, merge, watermark, OCR), DOCX (tạo document, styles, TOC), XLSX (formulas, financial model standards), PPTX (tạo slide từ đầu, visual QA). → Làm gì: Nếu công việc hàng ngày liên quan đến xử lý file văn phòng, cài đặt Cowork Agent và dùng skill tương ứng.

4. Ra lệnh qua Telegram, WhatsApp — không cần mở máy Agent không chỉ nằm trên desktop. Có thể kết nối qua Telegram, WhatsApp, Discord. Ra lệnh ở đâu cũng được, task chạy background, mình check kết quả sau. → Làm gì: Thiết lập social platform integration nếu cần truy cập AI từ điện thoại thường xuyên.

5. Mở rộng qua Skills và MCP Skills là capability packages dạng Markdown/script, dạy Agent task cụ thể (auto-đọc Cursor, Claude Code, Codex configs). MCP Protocol để kết nối external tools. Rules để inject convention ở project/global level. → Làm gì: Viết Skill riêng cho workflow đặc thù của mình — BitFun hỗ trợ tạo custom Agent với Markdown.

6. 97% project được build bằng Vibe Coding Tác giả share rằng hầu hết code được viết bởi AI, không phải dev truyền thống. Đây là proof-of-concept cho việc xây dựng hệ thống phức tạp với AI assistance. → Làm gì: Không cần chờ có full dev team — có thể bắt đầu build với AI assistance ngay từ đầu.

Quick Start

Tải installer từ Release page, cài đặt, configure model xong là chạy được liền
Thử Code Agent mode "Agentic" — cho một task code nhỏ, xem AI tự đọc/sửa/chạy/verify thế nào
Thử Cowork Agent — upload một file PDF, dùng skill "PDF" để extract text hoặc merge

MX — Markdown editor nhẹ, nhanh, thay thế MacDown

Wed, 11 Mar 2026 10:40:33 GMT

TL;DR

MX là markdown editor build bằng Tauri 2 + Rust, chỉ ~8 MB. Thay thế MacDown đã bỏ từ 2020. Có Mermaid diagrams, KaTeX math, YAML frontmatter preview, cross-platform.

Bài này dành cho ai?

1. Dev và content creator mở nhiều file .md mỗi ngày

Vấn đề: Cần tool mở nhanh, preview ngay, không cần vault phức tạp như Obsidian Khi nào cần: Viết docs, README, blog post — cần editor nhẹ có live preview Được gì: Mở file tức thì, split view editor + preview, word count real-time

2. Người viết có sơ đồ và công thức toán

Vấn đề: MacDown không render Mermaid, MathJax chậm, đã ngừng phát triển Khi nào cần: Viết tài liệu kỹ thuật có diagram, công thức, cần export PDF Được gì: Mermaid inline, KaTeX nhanh, export PDF qua Pandoc, copy rich HTML cho WordPress/Notion

Các điểm chính

MacDown chết từ 2020, MX thay thế Không còn cập nhật, không Apple Silicon native, không Mermaid. MX kế thừa sự đơn giản của MacDown nhưng thêm tính năng hiện đại. → Làm gì: Nếu còn xài MacDown, chuyển sang MX
Nhẹ gấp 4 lần ~8 MB so với ~30 MB MacDown. Build bằng Tauri 2 + Rust nên native, nhanh, ít RAM. → Làm gì: Download ở releases page, cài là xài
Mermaid diagrams + KaTeX math Vẽ flowchart, sequence diagram trực tiếp trong markdown. Công thức toán $...$ render inline. → Làm gì: Dùng code block mermaid trong .md
Copy formatted HTML Bấm Cmd+Shift+C copy preview thành rich HTML, dán thẳng vào Substack, WordPress, Notion giữ nguyên format.
Cross-platform: macOS, Windows, Linux File associations mở được .md, .yaml, .json, .txt. Drag & drop, file sidebar, resizable split view.

Quick Start

Download: .dmg (macOS), .exe (Windows), .deb/.AppImage (Linux)
Kéo thả file .md vào — preview hiện ngay
Cmd+P toggle preview, Cmd+E read mode, Cmd+B file sidebar

Ghi lại phiên trình duyệt, xuất báo cáo cho AI

Wed, 11 Mar 2026 09:36:50 GMT

TL;DR

Tool này ghi lại toàn bộ những gì bạn làm trên trình duyệt — click, gõ text, scroll, lỗi console, request mạng — rồi export ra file mà AI đọc được. Giúp bạn share "context" cho AI agent hiểu bug đang gặp mà không cần giải thích bằng lời.

→ Dành cho: Dev muốn AI giúp debug, hoặc build AI agent cần understand user flow.

Bài này dành cho ai?

1. Dev muốn AI giúp debug nhanh hơn

Vấn đề: Diễn tả bug cho AI hiểu bằng lời rất mệt, thiếu context Khi nào cần: Gặp lỗi lạ, muốn AI agent reproduce được bug đó Được gì: Export một cái file, AI đọc hiểu toàn bộ user flow và lỗi

2. Người build AI coding agent

Vấn đề: Agent thiếu context về trạng thái trình duyệt, không biết user đã click gì Khi nào cần: Cần thu thập browser context để agent hiểu user đang làm gì Được gì: Structured data về DOM events, console, network — sẵn sàng cho AI xử lý

Các điểm chính

Ghi lại toàn bộ session duyệt web Mọi click, gõ input, scroll, form submit đều được timestamp. Console error, network request fail cũng ghi lại kèm stack trace. → Làm gì: Bấm nút Record hoặc Cmd+Shift+R, làm thao tác gặp bug, bấm Stop.
Chụp và chú thích screenshot Bấm Cmd+Shift+S để chụp màn hình. Có tool vẽ rectangle, mũi tên, text, crop ngay trên extension. → Làm gì: Dùng để highlight element gây lỗi, AI nhìn hình sẽ hiểu nhanh hơn.
3 format export: Markdown, JSON, TOON Markdown để paste vào chat. JSON cho CI/CD pipeline. TOON là format tối ưu token — giảm chi phí khi feed cho LLM. → Làm gì: Nếu xài ChatGPT/Claude, dùng Markdown. Nếu build automation, dùng JSON.
Tự động che sensitive data Extension tự strip Bearer token, API key, password trước khi lưu. Không lo leak credentials khi share report. → Làm gì: Yên tâm export report công khai mà không mất mật khẩu.
Không dependencies bên ngoài ZIP builder, TOON encoder đều tự viết sẵn trong extension. Load nhẹ, không phụ thuộc external library. → Làm gì: Cài xong là chạy, không cần npm install gì hết.
Keyboard shortcuts tiện lợi Cmd+Shift+R để toggle recording, Cmd+Shift+S để chụp màn hình. Không cần mở popup. → Làm gì: Thuần thục shortcuts để record nhanh khi gặp bug bất ngờ.

Quick Start

Cài đặt:
- Tải release mới nhất về, giải nén
- Mở chrome://extensions → bật Developer mode → Load unpacked → chọn folder vừa giải nén
- Pin extension lên toolbar
Sử dụng:
- Bấm extension icon → Start Recording (hoặc Cmd+Shift+R)
- Làm thao tác trên web bình thường
- Bấm Cmd+Shift+S nếu cần chụp screenshot
- Stop Recording → chọn format → Copy hoặc tải ZIP

Giảm 98% context AI với sandbox và tìm kiếm FTS5

Tue, 10 Mar 2026 01:49:44 GMT

TL;DR

Context Mode là MCP server giúp AI coding assistant (Claude Code, Gemini CLI, VS Code Copilot...) tiết kiệm context window bằng cách chạy lệnh trong sandbox thay vì đổ raw data vào. Một Playwright snapshot 56 KB giờ chỉ còn 299 B. Session kéo dài từ ~30 phút lên ~3 giờ.

→ Giảm 315 KB raw output xuống còn 5.4 KB trong một phiên làm việc.

Bài này dành cho ai?

1. Người dùng AI coding assistant (Claude Code, Gemini CLI...)

Vấn đề: Mỗi lần chạy lệnh, AI đổ toàn bộ output vào context. Playwright snapshot 56 KB, 20 GitHub issues 59 KB, 1 access log 45 KB. Sau 30 phút, 40% context biến mất. Khi agent compact conversation, nó quên mình đang làm gì.

Khi nào cần: Khi bạn dùng AI để code, debug, hoặc research mà thấy nó hay "quên" task đang làm dở, hoặc session kết thúc quá nhanh.

Được gì: Session kéo dài gấp 6 lần (30 phút → 3 giờ), AI nhớ task đang làm dở sau khi context compact.

2. Dev muốn build AI-powered product

Vấn đề: Muốn tích hợp AI nhưng sợ context window limit, khó handle long-running task.

Khi nào cần: Khi build feature cần AI maintain state qua nhiều tool calls.

Được gì: Có sẵn infrastructure để track session state, sandbox routing, và context optimization.

3. Người quan tâm đến AI efficiency

Vấn đề: Thắc mắc làm sao để AI xài context hiệu quả hơn.

Khi nào cần: Khi đọc về AI optimization hoặc muốn hiểu cách context window hoạt động.

Được gì: Hiểu rõ cơ chế context saving, session continuity, và FTS5 search.

Các điểm chính

1. Raw data là kẻ thù của context window Một Playwright snapshot tốn 56 KB. 20 GitHub issues tốn 59 KB. Access log 45 KB. Sau 30 phút, 40% context biến mất. Khi agent compact, nó quên task đang làm. → Dùng sandbox tools (ctx_execute, ctx_execute_file) thay vì Bash/Read trực tiếp.

2. Sandbox giữ raw data ở ngoài, chỉ đưa kết quả vào context ctx_execute chạy code trong subprocess riêng biệt, chỉ stdout (kết quả in ra màn hình) mới vào context. Raw data — log files, API responses, snapshots — không bao giờ rời sandbox. 56 KB → 299 B (giảm 99%). → Cài đặt plugin để AI tự động ưu tiên sandbox tools.

3. Hooks là enforcement layer, không chỉ là hint Không có hooks, model chỉ tuân theo instructions ~60% thời gian. Nó vẫn chạy raw curl, đọc file lớn trực tiếp, hoặc đổ unprocessed output vào context. Với hooks, mọi tool call bị intercept trước khi chạy — dangerous commands bị chặn, routing được inject real-time. Đây là sự khác biệt giữa ~60% và ~98% context savings. → Bật hooks trên mọi platform nếu được support.

4. Session continuity = capture + snapshot + restore Khi context đầy, agent compact (xóa messages cũ để chừa chỗ). Không có tracking, model quên: file nào đang edit, task nào đang làm, lỗi nào đã fix, user yêu cầu gì. Context Mode capture mọi event (file edits, git ops, tasks, errors, user decisions) vào SQLite. Trước khi compact, nó build snapshot 2 KB. Sau compact hoặc khi resume với --continue, model nhận Session Guide — narrative với 15 categories: Last Request, Tasks, Key Decisions, Files Modified, Unresolved Errors, Git ops... → Dùng --continue khi resume session để AI nhớ task đang làm.

5. BM25 + FTS5 cho search thông minh Content được chunk theo headings, lưu vào SQLite FTS5 virtual table. Search dùng BM25 ranking — tính relevance dựa trên term frequency, inverse document frequency, và document length. Ba lớp fallback: Porter stemming ("caching" match "cached"), Trigram substring ("useEff" match "useEffect"), Fuzzy correction (Levenshtein distance cho typos). Smart snippets trả về content xung quanh query terms, không phải N ký tự đầu tiên. → Dùng ctx_search thay vì đọc toàn bộ file.

6. Platform khác nhau = mức độ support khác nhau

Platform	Hooks	Session Continuity
Claude Code	Yes (auto)	Full
Gemini CLI	Yes	High
VS Code Copilot	Yes	High
OpenCode	Plugin	High (compaction only)
Codex CLI	--	None

→ Claude Code cho experience tốt nhất. Codex CLI không có session continuity.

7. Security: deny always wins Context Mode extend permission rules bạn đã có. Nếu block sudo trong settings, nó cũng bị block trong sandbox. Commands chạy qua &&, ;, | bị split và check từng phần. Project-level rules override global. → Thêm rules vào .claude/settings.json nếu cần.

Quick Start

Thêm plugin vào Claude Code:
```
/plugin marketplace add mksglu/context-mode
/plugin install context-mode@context-mode
```
Restart. Plugin tự cài MCP server, hooks, và tạo CLAUDE.md.

Chạy thử để xem savings:

Fetch the Hacker News front page, extract all posts with titles, scores,
and domains. Group by domain. Then run /context-mode:ctx-stats.

Kiểm tra context savings:
```
/context-mode:ctx-stats
```

One Prompt to Save 90% Context for Any MCP Server

Tue, 10 Mar 2026 01:46:52 GMT

TL;DR

Cách fix vấn đề MCP đổ 50KB+ vào mỗi lần gọi tool — cho LLM viết script nhỏ chạy trong sandbox, chỉ kết quả nhỏ vào context thay vì toàn bộ API response.

Nói đơn giản: Thay vì đổ cả đống data vào AI, để AI tự viết code lọc lấy thứ cần.

Bài này dành cho ai?

1. Dev đang build MCP server

Vấn đề: Tool gọi API xong đổ cả đống JSON vào context, token bay nhanh quá Khi nào cần: Khi làm việc với API lớn như AWS, GitHub, Stripe Được gì: Giảm 65-99% token usage, context sạch hơn

2. Người dùng AI muốn tối ưu workflow

Vấn đề: AI xử lý data lớn chậm, tốn tiền Khi nào cần: Khi prompt AI đọc file JSON lớn hoặc gọi nhiều API Được gì: Nhanh hơn, rẻ hơn, AI tập trung vào việc cần làm

Các điểm chính

MCP giờ chỉ wrap CRUD thành tools Hầu hết MCP server lấy response từ API rồi đổ thẳng vào context. API trả về 50KB, AI nhận 50KB — không cần thiết. → Làm gì: Tìm các tool trả response lớn, thêm bước lọc trước khi vào context.
Code mode: LLM viết script, server chạy trong sandbox AI viết đoạn code nhỏ để xử lý data, server chạy trong môi trường cô lập, chỉ stdout được đưa vào context. Không network, không filesystem. → Làm gì: Tạo một tool "code mode" cho phép AI tự viết code xử lý data.
Chọn sandbox runtime theo ngôn ngữ dự án

TypeScript/JS: dùng quickjs-emscripten
Python: dùng RestrictedPython
Go: dùng goja
Rust: dùng boa_engine

→ Làm gì: Xem project viết bằng gì, chọn thư viện tương ứng.

Works best với well-known APIs Cloudflare, GitHub, Stripe, Slack, AWS — LLM đã biết schema, viết script trong một lần không cần hỏi. → Làm gì: Ưu tiên áp dụng code mode cho các API phổ biến trước.
Prompt để tự tạo code mode tool Tác giả cung cấp sẵn prompt copy-paste được, hướng dẫn từng bước tạo tool này trong MCP server. → Làm gì: Copy prompt trong bài, dán vào AI agent đang build MCP server.

Quick Start

Mở project MCP server đang làm
Tìm các tool trả response lớn (50KB+)
Dùng prompt trong bài, hỏi AI: "Làm sao thêm code mode tool?"
Test thử với một API quen thuộc như GitHub

Tạo CLI cho mọi phần mềm

Mon, 09 Mar 2026 21:48:41 GMT

TL;DR

Công cụ này tự động tạo CLI (giao diện dòng lệnh) cho bất kỳ phần mềm nào có code nguồn — GIMP, Blender, LibreOffice, v.v. — để AI agent có thể điều khiển trực tiếp thay vì phải click chuột qua UI hay RPA bấp bênh.

Nói đơn giản: Mình có phần mềm (GIMP chẳng hạn), feed code vào → ra CLI → agent gọi được lệnh như cli-anything-gimp layer add, không cần screenshot hay automation fragile nữa.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: AI agent giỏi suy nghĩ nhưng không biết dùng phần mềm chuyên nghiệp. UI automation thì brittle, hay gãy khi UI thay đổi.

Khi nào cần: Muốn agent tự động render video bằng Blender, tạo file PDF bằng LibreOffice, hay chỉnh sửa ảnh bằng GIMP — mà không cần ngồi click thủ công.

Được gì: Agent gọi CLI được như cli-anything-blender render execute --output img.png, structured JSON output cho agent parse dễ dàng.

2. Người muốn build sản phẩm AI

Vấn đề: Muốn tích hợp AI vào workflow nhưng thiếu API, hoặc API có nhưng không cover hết tính năng.

Khi nào cần: Cần AI agent điều khiển phần mềm có sẵn trong hệ thống — phần mềm nội bộ, legacy tools, hoặc open-source software chưa có API chuẩn.

Được gì: Tự động generate CLI wrapper cho bất kỳ codebase nào, publish lên PyPI để agent discover qua which command.

3. Dev muốn mở rộng phạm vi AI agent

Vấn đề: Agent bị giới hạn trong text input/output, không tương tác được với creative tools, office tools, hay dev tools thực tế.

Khi nào cần: Cần agent có thể dùng GIMP, Blender, OBS Studio để làm việc thực — không phải toy example.

Được gì: 9 phần mềm production-ready với 1,436 tests, dùng được ngay hoặc làm reference để mở rộng thêm.

Các điểm chính

1. CLI là universal interface cho cả human và AI agent CLI cho structured output (JSON), discoverable qua --help, lightweight, và deterministic — phù hợp cho agent behavior hơn là screenshot hay pixel-clicking. → Làm gì: Thay vì build UI automation fragile, hãy tạo CLI wrapper cho phần mềm cần điều khiển.

2. 7-phase pipeline tự động generate CLI Analyze → Design → Implement → Plan Tests → Write Tests → Document → Publish. Chạy một lệnh /cli-anything \<path> là có đầy đủ. → Làm gì: Cài plugin vào Claude Code, gõ /cli-anything ./gimp — đợi vài phút là có CLI sẵn sàng.

3. Dùng real software, không compromise CLI-Anything sinh valid project files (ODF, MLT XML, SVG) rồi gọi real application để render. Không dùng Pillow thay GIMP, không tự viết renderer. → Làm gì: Khi test, verify bằng magic bytes, check output thật sự từ app — không tin exit code 0 là xong.

4. 1,436 tests, 100% pass rate 9 phần mềm production: GIMP (107), Blender (208), Inkscape (202), Audacity (161), LibreOffice (158), OBS (153), Kdenlive (155), Shotcut (154), Draw.io (138). → Làm gì: Dùng làm baseline, mở rộng coverage bằng /cli-anything:refine command.

5. REPL mode cho interactive session Mỗi CLI có REPL cho agent session — stateful, có undo/redo, branded banner. → Làm gì: Gọi cli-anything-blender không có args để vào REPL, hoặc script được bằng subcommand.

6. JSON output built-in cho agent consumption Mọi command có --json flag trả về structured data thay vì human text. → Làm gì: Agent parse dễ, automation pipeline xử lý được.

7. Học từ thực tế — HARNESS.md Tài liệu chi tiết về các bài học khi build thực tế: timecode precision (29.97fps), filter translation giữa các format, output verification. → Làm gì: Đọc trước khi extend cho phần mềm mới, tránh repeated mistakes.

Quick Start

Cài CLI-Anything plugin cho Claude Code:

/plugin marketplace add HKUDS/CLI-Anything
/plugin install cli-anything

Generate CLI cho phần mềm bất kỳ:

/cli-anything ./gimp

Install và xài:

cd gimp/agent-harness && pip install -e .
cli-anything-gimp --help
cli-anything-gimp project new --width 1920 --height 1080 -o poster.json
cli-anything-gimp --json layer add -n "Background" --type solid --color "#1a1a2e"

Tạo CLI từ MCP server và OpenAPI

Mon, 09 Mar 2026 21:38:35 GMT

TL;DR

mcp2cli là tool cho phép gọi MCP server hoặc OpenAPI spec như CLI thường, không cần code generation. Thay vì inject toàn bộ schema (mỗi tool tốn ~121 tokens mỗi turn), AI chỉ cần --list (16 tokens/tool) và --help (80-200 tokens/tool) khi cần. Kết quả: tiết kiệm 96-99% token cho conversation dài.

Nói đơn giản: Tool này giúp AI gọi API tốn ít token hơn bằng cách dùng CLI thay vì để AI nhớ toàn bộ schema từ đầu.

Bài này dành cho ai?

1. Người đang build AI workflow với nhiều tools

Vấn đề: Kết nối AI với vài MCP server là token chạy như nước. Mỗi turn AI phải nhớ toàn bộ schema dù có xài đâu! Khi nào cần: Khi bạn có >10 tools và thấy token usage cao mỗi conversation Được gì: Giảm 96-99% token cho tool schemas, giữ được context cho logic thật

2. Người muốn AI agent gọi API không phụ thuộc provider

Vấn đề: Anthropic Tool Search chỉ work với Claude. Bạn muốn xài GPT, Gemini, hay local models thì sao? Khi nào cần: Khi dùng multi-provider hoặc muốn flexibility Được gì: Tool provider-agnostic - xài được với bất kỳ LLM nào vì nó chỉ là CLI

3. Dev cần tối ưu chi phí API

Vấn đề: Token = tiền thật. MCP server 120 tools x 25 turns = 362,350 tokens chỉ để nhớ schema! Khi nào cần: Khi scale AI application, mỗi token đều quan trọng Được gì: Giảm 357,169 tokens → 5,181 tokens (99% saving) cho platform lớn

Các điểm chính

Native MCP tốn ~121 tokens/tool mỗi turn, dù có xài đâu Một MCP server 30 tools đã mất 3,619 tokens trước khi nói gì. Với 10 turns, đó là 36,310 tokens chỉ để nhớ tools! → Làm gì: Cài mcp2cli, thay vì feed schema trực tiếp, để AI gọi CLI để discover tools
mcp2cli chỉ tốn ~16 tokens/tool khi --list, ~80-200 khi --help LLM gọi --list một lần để xem có những tools nào, rồi --help cho từng tool khi cần. Không phải nhớ tất cả từ đầu. → Làm gì: Thêm instruction cho AI: "Dùng mcp2cli --mcp <url> --list để xem tools, --help để xem cách dùng"
Works với cả MCP và OpenAPI - một tool cho cả hai Không chỉ MCP, mà bất kỳ REST API nào có OpenAPI spec (JSON/YAML) đều xài được. Cache với TTL configurable. → Làm gì: mcp2cli --spec ./api.yaml --base-url http://localhost:8000 --list
Không codegen, không rebuild khi server thêm endpoint Chỉ cần trỏ tới spec URL hoặc MCP server, CLI có ngay. Server thêm endpoint mới thì lần sau chạy lại là thấy - không cần rebuild. → Làm gì: Không cần generated code trong repo, tool tự resolve lúc chạy
3 MCP servers (60 tools) = 97.7% token reduction 7,238 tokens/turn → 3,288 tokens/turn. Với 20-turn conversation: 145,060 tokens → 3,288 tokens. → Làm gì: Test thử với workflow của bạn, so sánh token usage trước/sau

Quick Start

# Cài đặt
pip install mcp2cli

# Thử với MCP server
mcp2cli --mcp https://mcp.example.com/sse --list

# Hoặc với OpenAPI spec
mcp2cli --spec https://petstore3.swagger.io/api/v3/openapi.json --list

# Kết nối AI agent - thêm skill
npx skills add knowsuchagency/mcp2cli --skill mcp2cli

Tuần này: Cài mcp2cli, test với một MCP server hoặc API bạn đang xài
Tuần sau: Đo lại token usage khi dùng mcp2cli so với direct MCP injection
Nếu thấy ok: Thêm vào workflow, bỏ hardcoded tool schemas

docker/docker-agent: AI Agent Builder and Runtime by Docker Engineering

Mon, 09 Mar 2026 16:19:36 GMT

TL;DR

Docker Agent là plugin cho Docker CLI, cho phép tạo AI agents bằng file YAML đơn giản. Agent có thể làm việc theo nhóm, tự gọi tools, và dùng được nhiều model AI khác nhau.

Nói đơn giản: Bạn viết vài dòng YAML, Docker Agent sẽ chạy AI agent giúp bạn — không cần code.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Muốn tự động hóa nhưng không biết code hoặc không muốn setup phức tạp Khi nào cần: Cần AI agent đơn giản, không cần host server riêng Được gì: Chạy agent chỉ với 1 câu lệnh, file YAML để quản lý

2. Người muốn build sản phẩm

Vấn đề: Cần tích hợp AI agents vào sản phẩm nhưng không muốn viết từ đầu Khi nào cần: Cần multi-agent system với tools tùy chỉnh Được gì: Sẵn có orchestration, MCP integration, và RAG built-in

3. Dev muốn thử nghiệm nhanh

Vấn đề: Muốn test AI agent nhưng ngại setup môi trường Khi nào cần: Cần prototype nhanh, share được cho team Được gì: Cài đặt qua Docker, chạy được ngay, share qua OCI registry

Các điểm chính

1. Tạo AI agent chỉ bằng YAML Khai báo model, mô tả agent, và gắn tools trong file YAML. Không cần viết code. → Làm gì: Thử chạy docker agent run trước, xem cách nó hoạt động

2. Multi-agent — nhiều agent làm việc cùng nhau Một root agent có thể delegate task cho các agent con chuyên về từng việc. → Làm gì: Khi cần xử lý task phức tạp, chia nhỏ thành nhiều agent trong file YAML

3. Gắn được mọi tool qua MCP MCP (Model Context Protocol) cho phép agent gọi bất kỳ tool nào — local, remote, hoặc chạy trong Docker. → Làm gì: Tìm các MCP servers phù hợp với workflow mình cần, gắn vào YAML

4. Dùng được nhiều model AI OpenAI, Anthropic, Gemini, AWS Bedrock, Mistral, xAI, hoặc chạy local với Docker Model Runner. → Làm gì: Thử switch qua model khác để so sánh chi phí và chất lượng

5. Có sẵn RAG và reasoning tools Built-in think, todo, memory tools và retrieval với BM25, embeddings, hybrid search. → Làm gì: Dùng cho các task cần agent nhớ thông tin qua nhiều lần chạy

6. Push agent lên registry để share Đẩy agent lên bất kỳ OCI registry nào, người khác pull về chạy được ngay. → Làm gì: Sau khi tạo agent ưng ý, push lên registry để team dùng chung

Quick Start

Cài đặt: Nếu có Docker Desktop 4.63+, chạy docker agent luôn. Hoặc cài qua Homebrew: brew install docker-agent
Set API key:

export OPENAI_API_KEY=sk-...

Hoặc dùng Docker Model Runner để chạy model local

Chạy thử:

docker agent run

Agent mặc định sẽ khởi động và hỏi bạn cần giúp gì

Tạo agent của mình:

docker agent new

Interactive mode sẽ hướng dẫn tạo file YAML

Repomix + VFS: Bộ đôi tối ưu token cho AI coding

Mon, 09 Mar 2026 06:40:12 GMT

TL;DR

Repomix và VFS không cạnh tranh — chúng bổ sung cho nhau trong AI coding workflow:

Repomix = Onboarding: AI hiểu codebase từ đầu session
VFS = Navigation: AI tìm code nhanh trong lúc làm việc

Dùng cả hai = AI vừa hiểu big picture, vừa tìm code chuẩn xác, tiết kiệm token tối đa.

Bài này dành cho ai?

1. Người dùng AI coding agents

Vấn đề: AI không hiểu codebase → code sai pattern, hoặc tốn token đọc cả file chỉ để tìm 1 function.

Được gì: Workflow chuẩn — AI hiểu context từ đầu, tìm code nhanh khi cần.

2. Người build AI-powered dev tools

Vấn đề: Agent tiêu tốn token cho việc exploration thay vì execution.

Được gì: Pattern tối ưu: context dump + signature search.

Hai bài toán khác nhau

	Repomix	VFS
Bài toán	"AI cần hiểu codebase của tôi"	"AI cần tìm function X ở đâu"
Khi dùng	Đầu session, 1 lần	Liên tục trong lúc code
Input	Cả repo	Search query
Output	1 file XML/MD chứa everything	Signatures + line numbers
So với	Copy-paste thủ công	grep/ripgrep

Không nên so sánh metrics trực tiếp:

Repomix giảm ~50% tokens vs raw code (cùng scope)
VFS giảm ~90% tokens vs grep (cùng query)
Khác scope → không comparable

Workflow kết hợp

┌─────────────────────────────────────────────────────────────┐
│  PHASE 1: ONBOARDING (đầu session)                          │
│                                                              │
│  $ repomix --compress -o context.xml                         │
│                                                              │
│  → Paste vào AI: "Đây là codebase, giúp tôi hiểu structure" │
│  → AI biết: tech stack, patterns, modules, conventions       │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│  PHASE 2: CODING (liên tục)                                  │
│                                                              │
│  User: "Thêm validation cho payment"                         │
│                                                              │
│  AI dùng VFS MCP:                                            │
│  → vfs.search("payment")                                     │
│  → Returns: src/payments/handler.go:45                       │
│  → AI đọc đúng file, đúng dòng                               │
│  → Viết code đúng pattern (vì đã hiểu từ Phase 1)           │
└─────────────────────────────────────────────────────────────┘

Ví dụ thực tế: Refactor authentication

Bước 1: Onboard AI (Repomix)

# Pack toàn bộ auth-related code
repomix src/auth src/middleware --compress -o auth-context.xml

Paste vào Claude:

Đây là authentication module của project. Tôi muốn refactor
từ session-based sang JWT. Phân tích code và đề xuất plan.

AI hiểu:

Đang dùng express-session
Middleware check session ở đâu
Routes nào cần auth
Pattern hiện tại

Bước 2: Tìm tất cả usages (VFS)

vfs . -f "req.session" --stats

Output:

src/routes/user.ts:23: function getProfile(req: Request)
src/routes/admin.ts:15: function dashboard(req: Request)
src/middleware/auth.ts:8: function requireAuth(req: Request)
...
Tokens saved: 2,847 (vs grep)

AI biết chính xác 12 chỗ cần sửa, không cần đọc 50 files.

Bước 3: Implement từng file (VFS tiếp tục)

# AI cần xem chi tiết 1 file
vfs src/middleware -f "requireAuth"
# → Đọc đúng function đó, implement JWT version

Setup nhanh

Repomix

# Install
npm install -g repomix

# Pack current repo
repomix --compress

# Pack specific dirs
repomix src/api src/models --include "*.ts" -o api-context.xml

# Pack remote repo (không cần clone)
repomix --remote owner/repo

VFS

# Install
go install github.com/TrNgTien/vfs/cmd/vfs@latest

# Search
vfs . -f "handlePayment"

MCP server cho Claude Code:

// ~/.claude/settings.json
{
  "mcpServers": {
    "vfs": {
      "command": "vfs",
      "args": ["mcp"]
    }
  }
}

Thêm rule để AI tự dùng VFS:

# CLAUDE.md
When searching for code:
1. Use vfs.search() first to find signatures
2. Only read specific files/lines returned
3. Never grep or read entire files for search

Khi nào dùng tool nào

Scenario	Tool	Lý do
Bắt đầu project mới	Repomix	AI cần hiểu toàn bộ
Tìm function	VFS	Nhanh, tiết kiệm token
Code review PR	Repomix	AI cần xem all changes
Debug error	VFS	Locate error source nhanh
Viết documentation	Repomix	AI cần hiểu để document
Refactor	Cả hai	Hiểu context + tìm usages
Add feature	Cả hai	Hiểu patterns + tìm related code

Takeaway

Mental model:

Repomix = Đưa AI bản đồ thành phố (đầu trip)
VFS = Cho AI GPS để tìm địa chỉ (trong trip)

Workflow chuẩn:

Session mới → repomix --compress → AI hiểu codebase
Trong lúc code → VFS MCP → AI tìm nhanh, đọc ít
Kết quả: AI code đúng pattern, tiết kiệm token

Không phải either/or — dùng cả hai.

Context Hub vs Context7: Hai cách cho AI đọc docs mới nhất

Mon, 09 Mar 2026 04:20:45 GMT

TL;DR

Cả hai tool đều giải quyết cùng một vấn đề: AI code dựa trên training data cũ → API hallucination. Context Hub (Andrew Ng) dùng CLI + feedback loop để docs tự improve. Context7 (Upstash) dùng MCP protocol, nói "use context7" là có docs ngay trong prompt.

Chọn cái nào:

Context Hub nếu muốn kiểm soát version, annotate docs, và tin vào community feedback loop
Context7 nếu muốn plug-and-play, đang dùng Cursor/Claude Code, không cần setup nhiều

Bài này dành cho ai?

1. Người dùng AI coding agents hàng ngày

Vấn đề: Claude/Copilot viết code với API cũ, phải Google sửa lại.

Khi nào cần: Build app dùng framework mới (Next.js 15, Supabase, etc) mà AI cứ viết syntax cũ.

Được gì: AI code đúng version, ít phải sửa tay.

2. Người build AI agents/tools

Vấn đề: Agent của mình cũng hallucinate API như Claude gốc.

Khi nào cần: Thiết kế coding agent cần access docs real-time.

Được gì: Kiến trúc rõ ràng để tích hợp docs vào agent workflow.

So sánh chi tiết

Aspect	Context Hub	Context7
Creator	Andrew Ng & team	Upstash
Cách dùng	CLI: `chub search`, `chub get`	MCP: nói "use context7" trong prompt
Integration	Agent skills, CLI prompting	Cursor, Claude Code, Windsurf, 30+ tools
Độ phổ biến	Mới ra (03/2026), đang buzz	47k+ GitHub stars, mature
Unique	Feedback loop tự improve docs	Real-time version-specific
Language	JavaScript CLI	TypeScript MCP server

Context Hub: Feedback Loop

Điểm hay nhất của Context Hub là vòng lặp tự cải tiến:

Agent fetch docs → code đúng hơn
Gặp gap → agent annotate local
Agent rate docs (up/down)
Session sau có annotation sẵn
Authors nhận feedback → improve docs
Cả community hưởng lợi

CLI commands:

npm install -g @aisuite/chub
chub search openai          # tìm docs
chub get openai/chat --lang py  # fetch Python docs
chub annotate openai "thiếu streaming example"
chub feedback openai up     # rate docs

Annotations persist local — agent học qua sessions.

Context7: Plug-and-Play MCP

Điểm hay nhất: không cần thay đổi workflow.

Cách dùng:

Setup MCP server (1 dòng)
Thêm "use context7" vào prompt
Done — AI tự fetch docs

Ví dụ:

Tạo auth middleware cho Next.js 14. use context7

AI sẽ tự gọi resolve-library-id → query-docs → inject docs vào context.

Setup Claude Code:

claude mcp add --scope user context7 -- npx -y @upstash/context7-mcp

Điểm yếu mỗi tool

Context Hub:

Phải CLI command explicit
Docs coverage còn limited (mới launch)
Agent phải được train dùng chub commands

Context7:

Phụ thuộc community maintain docs
Không có feedback loop improve
Rate limit free tier

Quick Start

Tuần này:

Nếu đang dùng Cursor/Claude Code → thử Context7, chỉ cần add "use context7"
Nếu muốn control docs version → install chub, test với 1 API bạn hay dùng

Bước tiếp:

Context Hub: Thử annotate 1 docs thiếu → xem có persist qua session không
Context7: Test version targeting "Next.js 14 middleware" vs "Next.js 15 middleware"

Terminal macOS cho agent AI với thông báo và tab dọc

Mon, 09 Mar 2026 04:06:40 GMT

TL;DR

cmux là terminal macOS được build riêng để chạy nhiều AI coding agents (Claude Code, Codex...) cùng lúc. Nó có hệ thống notification thông minh — khi agent cần attention, pane sẽ có blue ring và tab sẽ sáng lên để mình biết agent nào đang chờ. Khác với Electron apps, cmux viết bằng Swift/AppKit nên nhanh và ít RAM.

Người không biết tech hiểu: Terminal đặc biệt cho dev xài AI code assistant — nó báo cho mình biết khi nào AI cần hỏi, thay vì để notification chung chung như "đang chờ input".

Bài này dành cho ai?

1. Dev xài Claude Code / Codex / AI coding agents

Vấn đề: Mở nhiều tabs AI cùng lúc, không biết agent nào đang chờ mình. Notification từ Claude Code chỉ hiện "Claude is waiting for your input" — không có context gì hết. Khi nào cần: Khi chạy parallel sessions hoặc debug nhiều agents một lúc. Được gì: Nhìn一眼 là biết agent nào cần attention, qua blue ring và lit-up tabs.

2. Dev muốn tích hợp browser vào workflow

Vấn đề: Phải chuyển qua lại giữa terminal và browser khi AI interact với dev server. Khi nào cần: Khi AI cần click, fill form, inspect elements trên web. Được gì: Split browser pane ngay trong terminal, có scriptable API để AI điều khiển.

3. Dev thích terminal nhưng cần GUI features

Vấn đề: GUI orchestrators lock vào workflow có sẵn, không tùy biến được. Khi nào cần: Khi muốn giữ terminal nhưng cần notification, sidebar, multi-pane. Được gì: Terminal + browser + CLI, còn lại tự build workflow theo ý mình.

Các điểm chính

Notification rings thay thế native macOS notifications Claude Code chỉ gửi notification chung "đang chờ input", không có context. cmux dùng terminal sequences (OSC 9/99/777) để bắt signal, hiển thị blue ring trên pane và light up tab trong sidebar. Gõ Cmd+Shift+U là nhảy đến unread gần nhất. → Làm gì: Tích hợp cmux notify vào agent hooks của Claude Code hoặc OpenCode.
Sidebar hiển thị context của mỗi workspace Mỗi tab hiển thị: git branch, PR status/number, working directory, listening ports, notification text gần nhất. Không cần click vào mới biết đang làm gì. → Làm gì: Dùng sidebar để track nhiều projects/agents cùng lúc.
In-app browser với scriptable API Browser có API để AI snapshot accessibility tree, get element refs, click, fill forms, evaluate JS. Có thể split browser pane bên cạnh terminal, để Claude Code interact trực tiếp với dev server. → Làm gì: Không cần chuyển app khi AI cần test UI.
Native macOS app, không Electron Build bằng Swift/AppKit, dùng libghostty cho terminal rendering. Khởi động nhanh, ít RAM hơn Tauri/Electron apps. Đọc config Ghostty có sẵn cho themes, fonts, colors. → Làm gì: Nếu đang dùng Ghostty, import config là có môi trường quen thuộc.
Scriptable qua CLI và socket API Tạo workspaces, split panes, send keystrokes, điều khiển browser — tất cả qua CLI hoặc socket. Mình tự build workflow automation được. → Làm gì: Viết script để tự động tạo workspace cho từng project.

Quick Start

Tải và cài đặt:
- Download DMG từ: https://github.com/manaflow-ai/cmux/releases/latest/download/cmux-macos.dmg
- Hoặc qua Homebrew:
```
brew tap manaflow-ai/cmux
brew install --cask cmux
```
Chạy thử với Claude Code:
- Mở cmux, tạo workspace mới (Cmd+N)
- Chạy Claude Code trong đó
- Khi Claude chờ input, sẽ thấy blue ring và tab sáng lên
- Gõ Cmd+Shift+U để nhảy đến unread

Theo dõi và phân tích AI coding sessions từ nhiều editor

Mon, 09 Mar 2026 01:56:51 GMT

TL;DR

Agentlytics là tool local chạy trên máy, tổng hợp lịch sử chat từ 14 AI coding editor (Cursor, Windsurf, Claude Code...) vào một dashboard duy nhất. Giúp xem mình đã xài bao nhiêu token, so sánh hiệu quả giữa các editor, và share session với team qua MCP. Không gửi data ra ngoài.

Nói đơn giản: Tool này giúp xem tất cả cuộc trò chuyện với AI coding assistant ở một chỗ, biết mình tốn bao nhiêu tiền token mỗi tháng.

Bài này dành cho ai?

1. Dev xài nhiều AI coding editor

Vấn đề: Mình xài Cursor buổi sáng, Windsurf buổi chiều, Claude Code lúc tối. Mỗi cái lưu lịch sử riêng, không biết tổng cộng đã chat bao nhiêu session, tốn bao nhiêu token.

Khi nào cần: Khi muốn xem lại một đoạn code mình đã hỏi AI tuần trước mà không nhớ là hỏi ở editor nào.

Được gì: Một dashboard xem tất cả session, search được toàn bộ, biết chi phí AI mỗi tháng.

2. Team lead muốn theo dõi AI usage

Vấn đề: Không biết dev trong team đang xài AI nhiều không, editor nào hiệu quả, ai xài model đắt đỏ.

Khi nào cần: Khi cần tính toán chi phí AI, hoặc muốn standardize tool cho team.

Được gì: So sánh editor, xem token usage theo project, ai đang xài model nào.

3. Dev muốn tối ưu AI workflow

Vấn đề: Không biết mình đang xài tool nào nhiều nhất, lúc nào trong ngày là peak hours, coding streak của mình thế nào.

Khi nào cần: Khi muốn tự review lại cách mình dùng AI coding.

Được gì: Heatmap hoạt động, coding streaks, top models và tools đang xài.

Các điểm chính

1. Tất cả editor vào một chỗ

Agentlytics đọc session từ 14 editor khác nhau — Cursor, Windsurf, Claude Code, VS Code Copilot, Zed, Codex, Gemini CLI... Mỗi cái có cách lưu data khác nhau, thư viện viết adapter riêng cho từng editor.

→ Làm gì: Chạy npx agentlytics là thấy dashboard tại localhost:4637.

2. Theo dõi chi phí token

Dashboard hiện chi phí ước tính theo model, theo editor, theo project, theo tháng. Biết được session nào tốn nhiều token nhất.

→ Làm gì: Vào tab Costs xem mình đã tiêu bao nhiêu mỗi tháng.

3. So sánh editor side-by-side

Tab Compare cho phép đặt hai editor cạnh nhau, xem efficiency ratio, token usage, session patterns. Biết editor nào phù hợp với task nào.

→ Làm gì: Dùng tính năng này để quyết định editor nào cho workflow nào.

4. Relay - Share session với team

Tính năng Relay cho phép start một server nội bộ, teammate join vào. AI client có thể query across everyone's coding history qua MCP. Ví dụ hỏi AI: "Alice đã làm gì trong auth.js?"

→ Làm gì: Team muốn share context với nhau, hoặc muốn AI có thể đọc được lịch sử của cả team.

5. 100% local, không gửi data ra ngoài

Tất cả data lưu trong SQLite tại ~/.agentlytics/, Express server chạy local, không có cloud. Ai lo về privacy thì yên tâm.

→ Làm gì: Không cần setup gì phức tạp, không cần account.

6. Cần macOS, chưa hỗ trợ Linux/Windows

Hiện tại chỉ chạy được trên macOS vì editor paths được hardcode cho macOS. Windows và Linux support đang trong roadmap.

→ Làm gì: Nếu xài Linux/Windows, đóng góp hoặc chờ update.

Quick Start

Chạy thử ngay:
```
npx agentlytics
```
Mở browser tại http://localhost:4637 để xem dashboard.
Xem chi phí: Vào tab Costs để xem token usage theo model và editor.
Share với team (nếu cần):
```
npx agentlytics --relay
```
Để teammate join vào.

kantord/blogtato: A CLI RSS/Atom feed reader inspired by Taskwarrior

Mon, 09 Mar 2026 01:56:35 GMT

TL;DR

Công cụ dòng lệnh (CLI) giúp đọc RSS/Atom feed không cần account hay server. Dùng Git để đồng bộ giữa các máy, làm việc offline hoàn toàn.

Nói đơn giản: App đọc tin tức từ các trang web, chạy trên terminal, không cần internet liên tục, tự đồng bộ qua Git.

Bài này dành cho ai?

1. Người muốn đọc tin tập trung, không bị phân tâm

Vấn đề: Các app đọc tin có quảng cáo, notification, giao diện rối rắm Khi nào cần: Khi bạn chỉ muốn đọc nội dung, không cần social features Được gì: Giao diện tối giản, không quảng cáo, không tốn phí

2. Người xài nhiều máy muốn đồng bộ feed

Vấn đề: Các RSS service thường có tính phí hoặc giới hạn thiết bị Khi nào cần: Dùng trên laptop, desktop, server cá nhân Được gì: Sync miễn phí qua Git (GitHub/GitLab/private repo)

3. Dev hoặc người thích CLI

Vấn đề: Muốn mọi thứ trên terminal, không muốn mở browser Khi nào cần: Đã quen dùng vim, tmux, workflow trên terminal Được gì: Feed reader tích hợp vào workflow hiện tại

Các điểm chính

Không cần server, không cần account Không phải đăng ký, không lưu dữ liệu trên cloud của ai. Tất cả nằm trên máy bạn. → Làm gì: Cài bằng cargo, chạy ngay không cần tạo tài khoản.
Git-based sync giữa các thiết bị Tạo một private repo trên GitHub/GitLab, dùng blog sync để pull/push. Tự động merge khi có xung đột. → Làm gì: Dùng blog clone user/repo để bắt đầu sync.
Làm việc offline hoàn toàn Không cần mạng liên tục. Feed chỉ được fetch khi bạn chủ động gõ blog sync. → Làm gì: Đọc tin trên máy bay, khi nào cần cập nhật mới gõ sync.
Query language để lọc và group feed Lọc theo feed (.unread, .read), theo thời gian (1w.. = 1 tuần trước), group theo ngày/tuần/feed. → Làm gì: blog @hn .unread /d để xem tin chưa đọc từ HackerNews, group theo ngày.
Database dạng JSONL, đơn giản Dữ liệu lưu trong file JSONL, không cần database phức tạp. Tác giả chọn cách này để dễ sync qua Git. → Làm gì: Không cần setup gì, file tự nằm trong thư mục blogtato.
Import từ các reader khác qua OPML Hỗ trợ import từ Feedly, Inoreader, NetNewsWire, FreshRSS, Tiny Tiny RSS... → Làm gì: blog feed import feeds.opml để chuyển feed cũ sang.
Mở link bằng browser hoặc CLI browser Dùng blog abc open mở trên browser, hoặc blog abc read lấy URL rồi dùng w3m. → Làm gì: Đọc ngay trên terminal với CLI browser như w3m/lynx.

Quick Start

Cài đặt:

cargo install blogtato

Thiết lập sync (tùy chọn):

blog clone user/repo  # tạo private repo trước

Thêm feed và đọc:

blog feed add https://news.ycombinator.com/rss
blog sync
blog

Điều phối AI agent vận hành công ty tự động

Sun, 08 Mar 2026 08:16:16 GMT

TL;DR

Paperclip là công cụ mã nguồn mở giúp bạn quản lý nhiều AI agent (như OpenClaw, Claude Code, Codex) vào một hệ thống có org chart, ngân sách, mục tiêu. Nó như một "task manager" nhưng bên trong có đầy đủ quy trình công ty — từ phân công công việc, giám sát chi phí, đến duyệt chiến lược.

Nói đơn giản: Thay vì mở 20 tab Claude Code rồi mất kiểm soát, giờ bạn có dashboard điều phối cả "đội ngũ" AI như một công ty thu nhỏ.

Bài này dành cho ai?

1. Người muốn build "công ty AI tự vận hành"

Vấn đề: Điều phối nhiều agent khác nhau (Claude, Codex, OpenClaw) hướng về một mục tiêu chung rất khó. Mỗi agent chạy riêng lẻ, không ai biết ai đang làm gì. Khi nào cần: Khi bạn muốn nhiều AI agent làm việc cùng nhau như một đội ngũ nhân viên. Được gì: Org chart, ticketing system, governance — đủ để chạy công ty không cần người.

2. Dev đang chạy nhiều AI agent cùng lúc

Vấn đề: Mở 20 tab Claude Code, không biết cái nào đang làm gì. Mỗi lần restart là mất hết context. Khi nào cần: Khi bạn có từ 5-10 agent chạy song song và mất kiểm soát. Được gì: Một dashboard nhìn thấy tất cả, sessions persist qua reboot.

3. Founder muốn giảm chi phí vận hành

Vấn đề: AI chạy vô tội vạ, token burn hàng trăm đô mà không biết. Khi nào cần: Khi cần đặt ngân sách cho từng agent, không cho phép chạy quá limit. Được gì: Cost control, budget per agent, tự dừng khi hết tiền.

Các điểm chính

1. Agent = nhân viên, Paperclip = công ty Paperclip không phải agent hay chatbot. Nó là lớp orchestration bên trên các agent. Nếu OpenClaw là "nhân viên" thì Paperclip là "công ty" — có org chart, có boss, có ngân sách, có quy trình phê duyệt. → Làm gì: Nghĩ về Paperclip như một layer điều phối, không phải tool để viết code.

2. Goal Alignment — agent biết "tại sao" Mỗi task mang theo full goal ancestry. Agent không chỉ thấy "title" mà còn hiểu "tại sao việc này quan trọng với công ty". Context chảy từ task → project → company goal. → Làm gì: Khi setup task, define rõ company mission trước — agent sẽ tự align.

3. Heartbeats — agent tự thức dậy làm việc Agent wake on schedule, check work, act. Giống như nhân viên đi làm hàng ngày theo giờ. Không cần bạn ngồi canh. → Làm gì: Dùng heartbeats cho recurring job như social media, customer support, reports.

4. Cost Control — có budget per agent Đặt ngân sách hàng tháng cho từng agent. Khi hit limit, agent tự dừng. Không còn chuyện runaway loops burn trăm đô qua đêm. → Làm gì: Set budget cho mỗi agent NGAY từ đầu, trước khi chạy production.

5. Governance — bạn là board of directors Approve hires, override strategy, pause hoặc terminate bất kỳ agent nào bất kỳ lúc nào. Mọi thay đổi config có version control và rollback được. → Làm gì: Dùng tính năng này để kiểm soát, đừng setup xong rồi quên.

6. Multi-Company — một deployment chạy nhiều công ty Data isolation hoàn toàn. Một instance Paperclip có thể quản lý nhiều công ty riêng biệt, có audit trail riêng. → Làm gì: Nếu bạn build agency hoặc chạy nhiều dự án, dùng multi-company thay vì nhiều instance.

7. Persistent state — agent nhớ context Agent resume cùng task context across heartbeats thay vì restart từ đầu. Không còn mỗi lần chạy lại phải provide context lần nữa. → Làm gì: Design workflow với checkpoint để agent có thể pause/resume an toàn.

Quick Start

Chạy thử ngay:

npx paperclipai onboard --yes

Hoặc:

git clone https://github.com/paperclipai/paperclip.git
cd paperclip
pnpm install
pnpm dev

Vào dashboard: http://localhost:3100
Setup đầu tiên:

Define company goal
Hire agents (Connect Claude Code, OpenClaw, Codex...)
Set budgets cho từng agent
Hit go

Yêu cầu: Node.js 20+, pnpm 9.15+

How I Turned My Obsidian Vault Into Claude Code's Brain

Sun, 08 Mar 2026 08:07:32 GMT

TL;DR

Bài này share cách setup để Claude Code hiểu ngay công việc của bạn khi mở session, thay vì phải onboarding lại từ đầu mỗi ngày. Dùng Obsidian lưu thông tin + file CLAUDE.md để AI tự đọc và nhớ. Không cần biết code.

Nói đơn giản: Muốn AI nhớ việc của mình từ ngày hôm qua, dùng Obsidian tạo "bộ nhớ" bằng markdown files và chỉ cho AI đọc nó mỗi lần bắt đầu.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Mỗi ngày phải giải thích lại từ đầu cho AI nghe mình đang làm gì, dự án là gì, company làm gì. Mất 30 phút onboarding mỗi ngày.

Khi nào cần: Khi dùng Claude Code, GPT hay bất kỳ AI nào mà thấy phải nhập context lại từ đầu mỗi lần.

Được gì: AI nhớ công việc từ ngày hôm trước, bạn skip onboarding và đi thẳng vào làm việc.

2. Người muốn build sản phẩm AI

Vấn đề: Không biết làm sao để AI "hiểu" business context của user, mỗi session đều bắt đầu từ zero.

Khi nào cần: Khi build AI assistant, chatbot, hoặc bất kỳ product nào cần AI maintain context dài hạn.

Được gì: Design pattern cụ thể - dùng markdown files làm "bộ nhớ" cho AI, chính cách approach Anthropic (công ty làm Claude) dùng cho product của họ.

3. Team muốn adopt AI vào workflow

Vấn đề: Team members không biết setup AI để nó hiệu quả, cứ than AI "không hiểu" công việc.

Khi nào cần: Khi roll out AI tools cho cả team mà ai cũng phải học cách dùng từ đầu.

Được gì: Playbook để team setup nhanh - 30 phút là xong, ai cũng làm được.

Các điểm chính

1. AI bị "amnesia" mỗi ngày Claude Code mỗi lần mở session giống như thuê nhân viên mới mỗi sáng. Hắn siêu thông minh nhưng không nhớ gì hôm qua. Bạn mất 30 phút re-onboarding mỗi ngày. → Làm gì: Tạo "bộ nhớ" cho AI bằng cách lưu context vào Obsidian.

2. Context engineering > Prompt engineering Andrej Karpathy gọi đây là "nghệ thuật fill context window với đúng thông tin cho bước tiếp theo." AI đã đủ smart rồi, bottleneck là thông tin bạn đưa cho nó. → Làm gì: Tập trung vào việc cho AI context tốt, đừng chỉ tối ưu prompt.

3. Obsidian là "thức ăn" hoàn hảo cho AI Obsidian lưu markdown files - nhẹ, có cấu trúc, Claude đọc native không cần convert. Không như .doc hay Google Docs có frontmatter junk. Quan trọng hơn: Anthropic tự dùng markdown cho CLAUDE.md trong product của họ. → Làm gì: Dùng Obsidian làm "wiki" cho công việc, AI sẽ đọc hiểu tự động.

4. CLAUDE.md là file onboarding cho AI Đây là "secret weapon" - Claude tự đọc file này mỗi khi start session. Viết như đang onboarding nhân viên mới, không phải viết documentation cho mình đọc. → Làm gì: Viết CLAUDE.md theo template - Who I Am, What I'm Working On, How This Vault Is Organized, How I Want You to Work.

5. Index.md làm map cho AI đi lại trong vault Index file trong mỗi folder mô tả folder đó chứa gì, file quan trọng là gì. Index làm 80% công việc - AI không cần đọc hết mọi file, cứ follow map là đi đúng hướng. → Làm gì: Yêu cầu Claude tạo index.md cho mỗi folder, thêm dòng "Every time you create or delete a file, update the index.md" vào CLAUDE.md.

6. AI sẽ tự find patterns bạn không thấy Tác giả cho AI đọc taste profile cho writing, AI tự connect với personality assessment từ tháng trước trong folder khác. Không ai bảo nó làm, nó tự thấy. → Làm gì: Sau khi setup xong, hỏi AI để nó "surface connections" giữa các notes - sẽ bất ngờ.

Quick Start

1. Cài đặt tuần này:

Tải Claude Code và Obsidian
Tạo vault mới trong Obsidian
Tạo folder structure: projects/, people/, notes/, archive/
Tạo CLAUDE.md ở root vault theo template:

# CLAUDE.md

How I Turned My Obsidian Vault Into Claude Code's Brain

Sun, 08 Mar 2026 08:00:24 GMT

TL;DR

Tác giả chia sẻ cách biến Obsidian thành "bộ nhớ" cho Claude Code — thay vì mỗi lần hỏi phải giải thích lại từ đầu, giờ Claude hiểu luôn dự án, team, và cách bạn làm việc. Kết quả: nó bắt được sai sót mà mình never thấy, và trở thành đồng đội thay vì công cụ.

→ Ai cần: Người dùng Claude Code muốn nó làm việc hiệu quả hơn với knowledge work (không chỉ code).

Bài này dành cho ai?

1. Người dùng AI muốn làm việc hiệu quả hơn

Vấn đề: Mỗi lần mở Claude, phải giải thích lại context từ đầu — dự án là gì, team có ai, ưu tiên ra sao. Mất 30 phút mỗi ngày chỉ để "onboarding".

Khi nào cần: Khi dùng Claude cho công việc không liên quan đến code — viết content, quản lý dự án, phân tích data.

Được gì: Skip onboarding, đi thẳng vào việc. Claude tự tìm connections mà mình không thấy.

2. Người muốn build AI workflow cho team

Vấn đề: Team dùng AI nhưng mỗi người phải setup riêng, không có standardized context.

Khi nào cần: Khi muốn tạo "AI assistant" cho cả team, không chỉ cá nhân.

Được gì: Có thể tạo vault mẫu với CLAUDE.md chuẩn, ai cũng dùng được ngay.

3. Người muốn biết "context engineering" là gì

Vấn đề: Nghe nhiều về prompt engineering nhưng thấy nó không đủ.

Khi nào cần: Khi muốn hiểu tại sao AI "dumb" dù model mạnh.

Được gì: Hiểu rằng bottleneck không phải AI mà là thông tin mình feed cho nó.

Các điểm chính

Claude Code như nhân viên bị chứng amnesia Nó rất smart nhưng mỗi session bắt đầu từ zero. Không nhớ dự án hôm qua, không biết công ty làm gì, không biết bạn đang build cái gì. → Làm gì: Đừng expect nó "hiểu" nếu mình không cho nó context.
Context engineering > Prompt engineering Andrej Karpathy gọi đây là "nghệ thuật fill context window với đúng thông tin cho bước tiếp theo". AI đủ smart rồi, vấn đề là mình không feed đủ data. → Làm gì: Tập trung vào việc give context, không phải viết prompt dài hơn.
Obsidian là tool hoàn hảo vì AI đọc markdown native Obsidian lưu mọi thứ thành markdown files — không có frontmatter, không có junk, chỉ có text. Claude đọc được liền, không cần convert hay integration. → Làm gì: Dùng Obsidian làm "wiki cá nhân" cho công việc và cuộc sống.
CLAUDE.md là file onboarding, không phải documentation Đây là file Claude đọc mỗi khi bắt đầu session. Viết như đang onboard nhân viên mới — ai mình là, đang làm gì, ưu tiên gì, muốn nó behave thế nào. → Làm gì: Dùng template provided, điền thông tin thực của mình.
Index.md trong mỗi folder là "map" giúp Claude navigate Thay vì đọc hết mọi file, Claude đọc index rồi biết folder đó có gì. 80% giá trị nằm ở đây. → Làm gì: Tạo index.md cho mỗi folder chính, nhờ Claude tự tạo nếu lười.
Claude tự find connections mà mình không thấy Ví dụ: tác giả tạo taste profile cho writing, không hỏi gì nhưng Claude tự link với personality assessment từ months ago trong folder khác. Nó "hold all threads" mà mình không thể. → Làm gì: Ask Claude đọc hết vault rồi surface connections chưa thấy.
Anthropic tự dùng markdown cho hệ thống instruction CLAUDE.md file mà họ build cho product cũng là plain markdown. Architecture họ chọn cho chính mình y hệt cách tác giả mô tả. → Làm gì: Đây không phải hack — đây là cách chuẩn được thiết kế sẵn.

Quick Start

1. Tạo Obsidian vault mới

Download và cài Obsidian
Tạo vault mới (vault = folder trên máy)
Tạo folder structure: projects/, notes/, team/, tasks/

2. Tạo CLAUDE.md ở root

# CLAUDE.md

Máy chủ MCP truy vấn dữ liệu Google Analytics

Sat, 07 Mar 2026 09:08:43 GMT

TL;DR

MCP server cho phép AI truy vấn GA4 bằng ngôn ngữ tự nhiên. Kết hợp với GSC MCP = hệ thống SEO analytics tự động: GSC cho biết ai tìm thấy bạn, GA4 cho biết họ làm gì sau khi vào.

Bài này dành cho ai?

1. Content creator muốn tối ưu SEO bằng data

Vấn đề: Viết content nhưng không biết bài nào hiệu quả, trang nào cần cải thiện Khi nào cần: Phân tích hàng tuần để biết đầu tư thời gian vào đâu Được gì: Hỏi AI "bài nào có traffic cao nhưng engagement thấp?" → danh sách cần rewrite

2. Indie maker cần product analytics

Vấn đề: Muốn hiểu user behavior nhưng không có data team Khi nào cần: Theo dõi conversion funnel, feature adoption, churn signals Được gì: AI agent tự báo cáo hàng tuần, flag anomalies

3. SEO practitioner muốn automation

Vấn đề: Manual reporting tốn thời gian, miss insights quan trọng Khi nào cần: Weekly SEO review, content audit, competitive analysis Được gì: Systematic queries + decision matrix tự động

Tools có sẵn

Tool	Chức năng
`run_report`	Query bất kỳ dimension/metric combo
`run_realtime_report`	Ai đang online ngay lúc này
`get_account_summaries`	List tất cả properties
`get_property_details`	Metadata của property
`get_custom_dimensions_and_metrics`	Custom tracking đã setup

Dimensions & Metrics quan trọng cho SEO

Traffic Sources

defaultChannelGroup — Organic Search, Direct, Referral, Social
firstUserSource / firstUserMedium — Acquisition channel đầu tiên
sessionSource / sessionMedium — Nguồn của session hiện tại

Landing Pages

landingPage — Trang đầu tiên user vào
pagePath — URL path của trang
pageTitle — Tiêu đề trang

User Behavior

newVsReturning — User mới hay quay lại
eventName — Actions: scroll, click, form_submit
searchTerm — User search gì trên site (= content gaps!)

Engagement Metrics

sessions, activeUsers — Volume
engagementRate — % sessions có engagement
bounceRate — % sessions không engagement
averageSessionDuration — Thời gian ở lại
screenPageViewsPerSession — Xem bao nhiêu trang

Systematic Queries cho SEO

1. Traffic Health Check (Hàng tuần)

"So sánh sessions 7 ngày này vs 7 ngày trước, chia theo defaultChannelGroup"

→ Biết organic traffic tăng/giảm bao nhiêu %

2. Top Landing Pages (Organic)

"Top 20 landingPage theo sessions, filter defaultChannelGroup = Organic Search,
include engagementRate và bounceRate"

→ Trang nào hút organic traffic + có engage không

3. Underperformers Detection

"Trang nào có sessions > 100 nhưng engagementRate < 40%?"

→ High traffic + low engagement = cần rewrite content

4. Content Gaps (Internal Search)

"Top searchTerm trên site 30 ngày qua, theo count"

→ User tìm gì mà không thấy = content cần viết

5. Conversion by Source

"So sánh conversion rate giữa Organic Search vs Social vs Direct"

→ Kênh nào chất lượng nhất

6. Page Depth Analysis

"pagePath theo screenPageViewsPerSession và averageSessionDuration,
sort by sessions"

→ Content nào giữ chân user

7. New vs Returning by Channel

"newVsReturning chia theo defaultChannelGroup, 30 ngày"

→ Organic có sticky không (returning users cao = tốt)

8. Realtime Monitoring

"Hiện tại bao nhiêu người đang online? Họ đang xem trang nào?"

→ Live monitoring khi launch content mới

Kết hợp với GSC để có full picture

Câu hỏi	GSC trả lời	GA4 trả lời
Ai tìm thấy mình?	Queries, position	-
Có click không?	Clicks, CTR	-
Click rồi làm gì?	-	engagementRate, duration
Có convert không?	-	conversions, events
Nên viết gì tiếp?	High impression queries	Internal searchTerm

Power combo:

GSC: "Query nào có >500 impressions nhưng CTR < 2%?" → Title cần rewrite
GA4: "Trang đó engagementRate bao nhiêu?" → Content cũng cần fix hay chỉ title?

Decision Matrix tự động

Weekly SEO Review Checklist

Signal	Query	Action nếu true
Organic traffic drop >10%	Sessions by channel, WoW	Investigate: algorithm update? content decay?
High bounce landing page	landingPage + bounceRate >70%	Improve content match với search intent
Low engagement organic	Organic pages + engagementRate dưới 40%	Rewrite hoặc add multimedia
Content gap detected	searchTerm có >10 searches	Create new content
Conversion drop	Conversion by source, WoW	Check funnel, technical issues

Quick Start

Setup (30 phút)
- Google Cloud Console: Bật Analytics Data API + Admin API
- gcloud auth application-default login --scopes=https://www.googleapis.com/auth/analytics.readonly
- Thêm MCP server vào Claude/Cursor config
Test queries
- "List all my GA4 properties"
- "Top 10 pages by sessions last 7 days"
- "Realtime: ai đang online?"
Weekly automation
- Tạo skill /seo-ga4 chạy systematic queries
- Output: prioritized action list
- Alert qua Telegram nếu có anomalies

CLI vẽ biểu đồ trong terminal từ dữ liệu số

Sat, 07 Mar 2026 06:43:59 GMT

TL;DR

Công cụ CLI giúp convert dữ liệu số thành các loại biểu đồ hiển thị trực tiếp trong terminal. Hỗ trợ ascii, spark, bars, columns, heatmap, unicode, braille, svg. Tiện cho dev muốn visualize data nhanh mà không cần mở Excel hay browser.

Nói đơn giản: Gõ lệnh để biến dãy số thành biểu đồ ngay trong cửa sổ terminal.

Bài này dành cho ai?

1. Dev muốn visualize data nhanh trong terminal

Vấn đề: Mỗi lần muốn xem data dạng chart phải mở Excel, Jupyter, hoặc web

Khi nào cần: Khi đang làm việc trong CLI, viết script, hoặc muốn embed chart vào terminal-based dashboard

Được gì: Chart hiện ngay trong terminal, không cần rời khỏi workspace

2. Người viết script tự động hóa

Vấn đề: Cần output dạng visualize để report mà không muốn generate file hình ảnh

Khi nào cần: Khi viết CI/CD pipeline, monitoring script, hoặc automation cần log có chart

Được gì: Generate chart trực tiếp từ dữ liệu text, có thể pipe output sang chỗ khác

Các điểm chính

1. Chạy được ngay không cần cài

Dùng npx chartli là chạy được liền. Hoặc cài global bằng pnpm add -g chartli. → Làm gì: Test ngay bằng câu npx chartli xem nó hiển thị gì.

2. Hỗ trợ 8 loại chart khác nhau

ascii, spark, bars, columns, heatmap, unicode, braille, svg. Mỗi loại phù hợp với use case khác nhau - từ đơn giản đến detailed. → Làm gì: Thử chartli file.txt -t spark để xem sparkline, hoặc -t heatmap cho heatmap.

3. Data input đơn giản - file text chứa số

Đọc từ file hoặc stdin. Format dữ liệu là text thuần, không cần JSON hay CSV phức tạp. → Làm gì: Chuẩn bị file text với các con số, chạy thử xem output như thế nào.

4. Tùy chỉnh được width và height

Dùng -w cho chiều rộng, -h cho chiều cao. Control được kích thước chart theo terminal của mình. → Làm gì: Thử chartli file.txt -t bars -w 28 để xem khác biệt.

5. Export được ra SVG

Dùng -t svg -m lines để generate file SVG, có thể dùng trong report hoặc web. → Làm gì: chartli data.txt -t svg -m lines -w 320 -h 120 > chart.svg

6. Có thể tích hợp vào agent

Install skill cho AI agent bằng npx skills add ahmadawais/chartli. Agent có thể dùng tool này khi cần visualize data. → Làm gì: Nếu xài AI agent, thêm skill này để agent tự vẽ chart khi cần.

Quick Start

Chạy thử ngay: npx chartli --help để xem các option
Tạo file text đơn giản với vài con số, chạy: npx chartli mydata.txt -t spark
Thử các loại chart khác nhau bằng -t ascii, -t bars, -t heatmap

claude-code-best-practice

Fri, 06 Mar 2026 16:49:22 GMT

TL;DR

Tổng hợp cách xài các feature của Claude Code như Commands, Sub-Agents, Skills, Memory để tăng năng suất dev. Bao gồm tips từ team Claude và Boris Cherny — có cả workflow mẫu, cách debug, và những câu hỏi chưa có answer.

Bài này dành cho ai?

1. Dev muốn xài AI assistant hiệu quả hơn

Vấn đề: Xài Claude Code nhưng không biết các feature nâng cao, cứ gõ prompt từ đầu mỗi lần

Khi nào cần: Khi muốn setup workflow tái sử dụng, hoặc làm việc với AI agent trong dự án lớn

Được gì: Biết cách dùng Commands, Sub-Agents, Skills để automation mà không phải viết lại prompt mỗi lần

2. Team lead / Architect muốn setup quy trình cho team

Vấn đề: Team chưa có standard cách dùng AI trong dev workflow

Khi nào cần: Khi muốn onboarding nhanh, hoặc setup shared configs cho cả team

Được gì: Template CLAUDE.md, cách organize rules, workflow mẫu từ các founder

3. AI product builder

Vấn đề: Không biết Claude Code có những feature gì để tham khảo cho sản phẩm mình

Khi nào cần: Khi đang build AI coding tool hoặc developer tools

Được gì: Map đầy đủ các feature, cả những câu hỏi chưa ai trả lời được

Các điểm chính

CLAUDE.md nên dưới 200 dòng, tốt nhất là 60 dòng Instruction quá nhiều thì Claude bỏ qua. Trước khi thêm cái mới, hỏi "Cái này dùng cho 80% sessions hông?" → Làm gì: Viết CLAUDE.md ngắn gọn, chia rules ra file riêng nếu cần
Dùng Commands thay vì Sub-Agents cho workflow Commands invoke nhanh hơn, đỡ tốn context hơn. Sub-Agents chỉ dùng khi cần extra context cho feature cụ thể → Làm gì: Ưu tiên Commands cho reusable workflows
Plan mode là bắt buộc cho task lớn Dùng plan mode để Claude interview mình, tạo gated plan với từng phase có tests riêng → Làm gì: Gõ /plan hoặc để Claude hỏi câu hỏi trước khi bắt đầu
Dùng /compact khi context trên 50%, /clear khi đổi task Để tránh "agent dumb zone" — Claude bắt đầu làm kém khi context đầy → Làm gì: Gõ /compact thường xuyên, /clear khi chuyển sang task mới
Vanilla Claude Code tốt hơn workflow phức tạp cho task nhỏ Đừng overkill bằng workflow với task đơn giản → Làm gì: Cân nhắc — task này có cần workflow không, hay chỉ cần prompt trực tiếp
Commit mỗi giờ, dùng /rewind khi Claude đi sai Checkpointing tự động git-based. Esc Esc hoặc /rewind để undo khi Claude đi lệch hướng → Làm gì: Commit ngay khi task hoàn thành, dùng /rewind thay vì cố fix trong context đầy
Git Worktrees + Agent Teams cho parallel development Mỗi agent có working copy riêng, dev không bị conflict → Làm gì: Dùng git worktrees khi cần nhiều agent chạy song song
Voice Mode thay thế Wispr Flow, Remote Control thay thế OpenClaw Bài viết liệt kê những startup bị Claude Code feature native thay thế → Làm gì: Nếu đang xài mấy tool này, cân nhắc chuyển sang feature có sẵn
10 câu hỏi chưa có answer — "Billion Dollar Questions" Những câu hỏi như: CLAUDE.md nên có gì / không có gì? Khi nào dùng command vs agent vs skill? Tại sao Claude vẫn ignore instructions dù có MUST in caps? → Làm gì: Đọc để biết những vấn đề còn open, thử experiment
Có 8 báo cáo kỹ thuật trong repo Agent SDK vs CLI system prompts, Browser MCP comparison, Global vs project settings, LLM day-to-day degradation... → Làm gì: Đọc những phần liên quan khi gặp vấn đề cụ thể

Quick Start

Tạo CLAUDE.md trong project — viết dưới 60 dòng, tập trung instructions quan trọng nhất
Thử orchestration workflow mẫu — gõ claude rồi /weather-orchestrator để xem Command → Agent → Skill hoạt động
Dùng plan mode trước mọi task lớn — gõ /plan hoặc để Claude hỏi câu hỏi trước

Terminal chạy song song nhiều coding agents

Fri, 06 Mar 2026 06:46:47 GMT

TL;DR

Công cụ giúp bạn chạy song song nhiều AI coding agent (Claude Code, OpenAI Codex, Cursor...) trên một terminal duy nhất, có workspace riêng biệt cho mỗi task để tránh xung đột code.

Nói đơn giản: Nếu bạn cần cho 3-4 con AI làm việc cùng lúc mà không muốn mở nhiều cửa sổ terminal lộn xộn, cái này giúp bạn.

Bài này dành cho ai?

1. Dev muốn AI làm việc thay mình

Vấn đề: Đang xài Claude Code hoặc Cursor Agent nhưng muốn cho nhiều con cùng làm việc song song (con này refactor code, con kia viết test, con khác fix bug) thì phải mở nhiều terminal,切换 qua lại mệt mỏi.

Khi nào cần: Dự án lớn cần AI làm nhiều việc cùng lúc.

Được gì: Chạy 10+ agent cùng lúc, mỗi task có workspace riêng, không lo xung đột code.

2. Team lead quản lý nhiều task AI

Vấn đề: Cần theo dõi nhiều agent đang chạy, nhưng không có công cụ tập trung để xem agent nào đang làm gì, cần attention lúc nào.

Khi nào cần: Team dùng AI agent cho nhiều dự án khác nhau.

Được gì: Monitor tất cả agents từ một màn hình, có notification khi agent cần human review.

3. Dev muốn tăng tốc workflow

Vấn đề: Mỗi lần tạo workspace mới phải tự cài đặt môi trường, copy env variables, chạy lệnh setup thủ công.

Khi nào cần: Thường xuyên switch giữa các task khác nhau.

Được gì: Tự động setup/teardown workspace bằng script, có preset cho việc cài đặt nhanh.

Các điểm chính

1. Chạy song song nhiều agent không lo context switching Mỗi agent chạy trong workspace riêng, có terminal tabs riêng. Mình có thể ngồi nhìn 5 con AI làm việc cùng lúc mà không phải click qua click lại nhiều cửa sổ. → Làm gì: Tải app về, chạy thử với 2-3 agent cùng lúc.

2. Worktree Isolation - mỗi task có branch riêng Superset tự tạo git worktree cho mỗi workspace. Agent A làm trên branch feature-A, agent B làm trên branch feature-B, không bao giờ xung đột với nhau. → Làm gì: Thử tạo 2 workspaces cho 2 task khác nhau, xem nó tự tạo branch riêng chưa.

3. Built-in Diff Viewer - xem thay đổi không ra ngoài app Không cần mở VS Code hay GitHub để xem AI đã sửa gì. Có sẵn diff viewer trong app, vừa xem vừa edit được luôn. → Làm gì: Sau khi agent chạy xong, dùng diff viewer xem thay đổi trước khi merge.

4. Hỗ trợ hầu hết các CLI agents Dùng Claude Code, OpenAI Codex CLI, Cursor Agent, Gemini CLI, GitHub Copilot, OpenCode đều được. Miễn là chạy được trong terminal thì chạy được trên Superset. → Làm gì: Vào phần Supported Agents trong docs xem agent mình xài có supported không.

5. Yêu cầu khá nhẹ - chỉ cần macOS và Bun Không cần Docker hay VM gì cả. Cài Bun, Git, GitHub CLI là chạy được. Riêng Windows/Linux thì chưa test (theo docs). → Làm gì: Check máy có cài Bun chưa, nếu chưa thì brew install bun.

Quick Start

Tải Superset cho macOS: https://github.com/superset-sh/superset/releases/latest
Nếu muốn build từ source:
- Clone repo: git clone https://github.com/superset-sh/superset.git
- Copy .env: cp .env.example .env
- Install Bun dependencies: bun install
- Chạy dev: bun run dev
Tạo workspace mới: ⌘N rồi chọn agent muốn chạy

Terminal cho AI: Chạy lệnh & quản lý file qua API

Thu, 05 Mar 2026 11:20:35 GMT

TL;DR

Công cụ self-hosted cho phép AI agents chạy terminal commands, quản lý file, execute code từ xa qua REST API. Có 2 mode: Docker (an toàn, sandboxed) hoặc cài trực tiếp (toàn quyền truy cập máy).

Nói đơn giản: Cho AI mở terminal và gõ lệnh được trên server của mình.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: AI viết code giỏi rồi, nhưng không có chỗ chạy. Phải copy-paste thủ công qua lại.

Khi nào cần: Khi muốn AI tự deploy, chạy script, quản lý file server mà không cần mình login SSH.

Được gì: AI tự chạy được commands, install packages, restart services.

2. Người build sản phẩm AI

Vấn đề: Cần give AI assistant quyền execute commands nhưng phải kiểm soát được security.

Khi nào cần: Khi build AI assistant cần run terminal commands như một phần của workflow.

Được gì: REST API để AI gọi, có sandbox mode an toàn với Docker.

3. DevOps/ Sysadmin

Vấn đề: Muốn automate server tasks nhưng không muốn viết complex scripts.

Khi nào cần: Khi cần AI帮忙 chạy maintenance commands, restart services, check logs.

Được gì: Gọi terminal qua HTTP, tích hợp được với AI workflows có sẵn.

Các điểm chính

AI cần nơi chạy code, không chỉ viết code Open Terminal cung cấp remote shell với file management và search, accessible qua REST API. AI viết xong code có chỗ execute ngay.

→ Làm gì: Deploy Open Terminal bằng 1 dòng Docker, sau đó gọi API để AI chạy commands.

Chọn Docker nếu muốn an toàn, chọn bare metal nếu cần full access Docker chạy trong container isolated với Python, Node.js, git, ffmpeg có sẵn. Bare metal chạy trực tiếp trên máy với quyền user hiện tại.

→ Làm gì: Dùng Docker cho AI agents public, dùng bare metal cho automation cá nhân.

Config linh hoạt theo thứ tự ưu tiên CLI flags > Environment variables > User config ($~/.config/open-terminal/config.toml) > System config > Defaults. Đặt API key ở user config để không hiện trong ps/htop.

→ Làm gì: Đặt system-wide defaults ở /etc/open-terminal/config.toml, API key ở user config.

Tích hợp Open WebUI để AI gọi terminal trực tiếp Có 2 cách: Direct connection (browser gọi thẳng, cho local) hoặc System-level (Open WebUI backend proxy, cho remote). Kết nối xong có file navigation sidebar tích hợp.

→ Làm gì: Vào Admin Settings → Integrations → Open Terminal, thêm URL và API key.

Timeout mặc định không có, config được execute_timeout Mặc định không giới hạn thời gian chờ command output. Có thể set execute_timeout = 5 trong config để tránh commands chạy quá lâu.

→ Làm gì: Set timeout phù hợp với use case, đặc biệt khi cho AI public access.

Quick Start

Chạy ngay với Docker:

docker run -d --name open-terminal --restart unless-stopped -p 8000:8000 -v open-terminal:/home/user -e OPEN_TERMINAL_API_KEY=your-secret-key ghcr.io/open-webui/open-terminal

Sau đó vào http://localhost:8000/docs để xem API.

Test thử gọi API:

curl -X POST http://localhost:8000/api/v1/execute \
  -H "Authorization: Bearer your-secret-key" \
  -d '`{"command": "echo hello"}`'

How I Built an AI Marketing Team with Claude Code (and Cowork) | by Snow W. Lee | Mar, 2026 | Medium

Thu, 05 Mar 2026 10:40:35 GMT

TL;DR

Bài này hướng dẫn cách build một đội marketing tự động gồm 5 AI agents — mỗi agent là một file markdown, không cần viết code. Claude Code tự động chạy mỗi giờ, báo cáo qua Slack, tự học từ kết quả. Chi phí khoảng $20-50/ngày.

Nói đơn giản: Thay vì dùng tool marketing, tác giả "tuyển" 5 AI employee và để chúng tự làm việc theo lịch.

Bài này dành cho ai?

1. Người muốn AI làm marketing thay mình

Vấn đề: Không có thời gian làm content, đăng bài, theo dõi metrics

Khi nào cần: Khi cần một "nhân viên marketing" chạy 24/7 mà không tốn chi phí thuê người thật

Được gì: Hệ thống tự động làm content, đăng social, theo dõi kết quả. Tác giả tính chi phí $20-50/ngày — rẻ hơn thuê nhân viên thật rất nhiều.

2. Người muốn build AI agent team

Vấn đề: Không biết cách tổ chức nhiều AI agents làm việc cùng nhau

Khi nào cần: Khi cần một agent "quản lý" điều phối các agents khác

Được gì: Blueprint chi tiết từ cấu trúc file, cách định nghĩa agent, đến cách cho chúng chạy tự động.

3. Developer muốn tự động hóa workflow

Vấn đề: Muốn dùng AI nhưng chỉ biết chat, không biết làm sao cho nó chạy background

Khi nào cần: Khi cần hệ thống chạy không cần ngồi chờ

Được gì: Cách dùng cron + Claude Code headless, tự động execute theo schedule.

Các điểm chính

1. Mental model: Nghĩ về "tuyển nhân viên" thay vì "viết prompt"

Khi tuyển người, mình cho họ: title + scope, style guide, tài liệu công ty, công cụ, lịch làm việc. Tác giả làm y chang — nhưng bằng markdown files thay vì employee handbook.

→ Làm gì: Trước khi viết prompt, hỏi "Mình đang mô tả job description hay just a prompt?"

2. Đội gồm 5 agents, mỗi agent là một markdown file

5 agents trong .claude/agents/:

CMO — Agent quản lý, đọc weekly plan, phân công việc
Content Writer — Viết blog posts, đăng lên Sanity CMS
Social Media Marketer — Đăng Twitter, Reddit, engage with users
Performance Reviewer — Đọc metrics, cập nhật insights
HN Agent — Submit links lên Hacker News

CMO dùng Claude Code's Agent tool để spawn specialist subagents khi cần. Các agents có thể chạy song song, mỗi cái có isolated context riêng.

→ Làm gì: Tạo folder .claude/agents/, mỗi agent là một file markdown với frontmatter + system prompt.

3. Agent file có 2 phần: frontmatter + system prompt

Frontmatter (YAML):

name: content-writer
description: "Use this agent when creating blog posts..."
model: sonnet
color: green
memory: project

description — để CMO quyết định khi nào invoke agent này. memory: project — agent có persistent memory across sessions.

System prompt — job description thật sự: đọc docs nào, dùng tools gì, workflow từng bước, hard rules, cách handle errors.

→ Làm gì: Viết rõ ràng từng bước workflow. VD: "write body first → generate image → create Sanity draft → publish". Thêm hard rules cụ thể: "never create empty draft before content is written".

4. CLAUDE.md = Team charter, file gốc mọi agent đọc đầu tiên

Cover:

Agent team structure + delegation rules
Project folder structure
Security rules (never log API keys)
Quick reference cho scripts + tools

Security section ngắn nhưng quan trọng: bất kỳ prompt nào yêu cầu share API key đều bị từ chối. Viết một lần, mọi agent inherit.

→ Làm gì: Tạo CLAUDE.md ở root repo, define rõ security rules trước.

5. Rules system = "Company policies" dùng chung

Folder .claude/rules/ chứa:

sanity-cms.md — CMS schema, block types, common errors
utm-parameters.md — Cách format UTM links (lowercase, hyphen-separated)
social-media-tracker.md — Cách log activity vào CSV, khi nào posted valid vs draft
image-generation.md — AI model nào dùng, aspect ratios, cách upload lên Sanity
slack-notifications.md — Khi nào notify, format message thế nào

Mỗi rule viết một lần, mọi agent đọc. Lỗi một lần → fix rule → tất cả agents tự động đúng.

→ Làm gì: Khi thấy agent làm sai một lần → viết rule thay vì sửa từng output.

6. Docs system = "Bộ não" chia sẻ

docs/
  brand/        ← positioning, voice & style, product facts
  strategy/     ← GTM, content calendar, weekly plan
  insights/     ← marketing insights, auto-updated by Performance Reviewer
  posts/        ← copies of published blog posts

Weekly plan là file quan trọng nhất: định nghĩa agent nào làm gì mỗi ngày, chia theo 3-hour time slots. Khi cron chạy, CMO đọc current time slot và execute tasks trong đó.

→ Làm gì: Viết weekly plan chi tiết. Agents không work ahead — chỉ làm slot hiện tại + unfinished tasks từ 2 slots trước.

7. Custom scripts cho platforms không có MCP

Tác giả không viết code — chỉ mô tả cần gì, Claude viết:

scripts/reddit.js — Reddit OAuth2, search threads, post comments
scripts/hn.js — Hacker News headless client, submit links, comment
scripts/generate-image.js — Call Google Gemini generate images
scripts/upload-image.js — Upload lên Sanity CDN
scripts/slack-message.js — Post notifications

Agents có whitelist scripts được phép chạy, defined trong rules files.

→ Làm gì: Khi cần script cho platform không có MCP, chỉ cần describe cần gì, Claude sẽ viết và test.

8. MCP Servers = Tích hợp chính thức

Cho platforms có API tốt:

Sanity CMS — Create posts, patch content, publish drafts, manage images
X/Twitter — Post tweets, search, follow, upload media
Slack — Read channels, send messages
Ahrefs — Pull SEO metrics, keyword rankings, competitor analysis

MCP servers make these feel like native tools. Content writer "patches" Sanity document như edit file.

→ Làm gì: Ưu tiên MCP servers thay vì scripts cho platforms có hỗ trợ.

9. Feedback loop: Agents tự học từ kết quả

Chuỗi handover:

Social Media Marketer → logs to CSV
Performance Reviewer → reads CSV, generates daily report
CMO → reads report, updates strategy docs
Content Writer → reads strategy, writes next content
Social Media Marketer → distributes content
… repeat

Performance Reviewer tự cập nhật docs/insights/marketing-insights.md — cái gì hiệu, cái gì không. Mọi agent đọc file này trước khi làm việc. Khi một tweet format không work, insight propagate qua hệ thống trong 1 ngày.

CMO cũng có persistent memory: approved strategies, rejected ideas, campaign results — tất cả accumulate.

→ Làm gì: Để Performance Reviewer tự cập nhật insights. Khi thấy pattern, agents sẽ adapt.

10. Slack = Không cần đọc logs

CMO post daily plan vào #team-ai-marketing mỗi session start:

Today's date + active time slot
Each agent đang làm gì
Carry-over tasks
Deadlines

Mỗi agent identify by name trong messages (--username flag):

node scripts/slack-message.js \
  --channel C0AG3DDLZQS \
  --username "Content Writer" \
  --text "Blog post published: \<https://runbear.io/posts/...>"

Sau mỗi blog post → Content Writer post URL. Sau mỗi social session → Marketer post thread of every link engaged. Sau Performance Review → CMO post summary với metrics inline.

Failures cũng được report: schema errors, API failures — biết problem mà không cần đào logs.

→ Làm gì: Setup Slack channel cho team, scripts post notifications. Đọc Slack thay vì logs.

11. Chạy tự động: Mac Mini + cron

Tác giả dùng Mac Mini M1 (quiet, minimal power, never sleeps) như dedicated machine.

Remote access: Jump Desktop — mở Mac Mini screen từ phone/laptop trong vài giây.

Crontab chạy mỗi giờ:

0 * * * * cd /Users/.../ai-marketing-team && \
  claude --dangerously-skip-permissions \
  -p "You are the CMO. Check the current time, read the weekly plan, and execute the current time slot's tasks." \
  >> /tmp/claude-marketing.log 2>&1

--dangerously-skip-permissions — flag cho phép agents run end-to-end without supervision. Chỉ dùng sau khi đã review và trust all agent behaviors.

Time slot system giúp cron không cần nói nhiều — "execute current time slot's tasks" là đủ.

Chi phí: ~$20-50/ngày tùy volume blog posts + social sessions.

→ Làm gì: Setup Mac Mini + cron nếu cần hệ thống chạy 24/7. Dùng --dangerously-skip-permissions chỉ sau khi đã test kỹ.

12. Quản lý hàng ngày: CEO nhưng không cần làm gì

Tác giả chỉ interact khi cần update:

"Update social media marketer to never use em dashes"
"HN account got shadowbanned — add rule limits comments to one per session"
"Stop doing X and try Y instead"

Mỗi câu = 30 seconds conversation → permanently improves system. Không bao giờ mở agent file trong text editor — mọi thứ qua Claude, describe trong plain English.

→ Làm gì: Viết rules thay vì correct từng output. Mỗi rule = improvement across all agents.

Quick Start

Tạo .claude/agents/ folder — Thử viết 2-3 agent files với frontmatter + system prompt. Bắt đầu từ Content Writer và Social Media Marketer.
Viết CLAUDE.md ở root — Define team structure, security rules, folder structure.
Setup Slack channel — Cho agents report daily plans và kết quả.

Ad Agencies Are Embracing ‘Vibe Coding’ to Build GEO Products for Clients

Thu, 05 Mar 2026 10:20:43 GMT

TL;DR

Bài này kể về mấy agency lớn như Havas, Broadhead đang tự viết app bằng vibe coding để theo dõi xem brand mình hiển thị như thế nào trong kết quả AI như ChatGPT. Họ build trong vài tiếng, không cần thuê dev đội, và bán lại cho khách hàng như SaaS product.

Nói đơn giản: Ai đang lo chuyện brand mình có hiện trên ChatGPT không, đọc bài này.

Bài này dành cho ai?

1. Marketer / Agency người muốn brand hiện trên AI search

Vấn đề: Không biết brand mình có xuất hiện trong câu trả lời của ChatGPT, Claude không Khi nào cần: Khi khách hàng hỏi "sao không thấy brand mình trên AI?" Được gì: Công cụ theo dõi riêng, không phụ thuộc tool thứ 3

2. Người muốn xây dựng sản phẩm AI

Vấn đề: Muốn build nhanh nhưng không có đội dev lớn Khi nào cần: Khi cần demo prototype trong vài giờ Được gì: Cách dùng vibe coding để build app trong 1 đêm

3. Agency owner muốn tạo revenue từ AI

Vấn đề: Muốn bán thêm dịch vụ, không chỉ deliver campaign Khi nào cần: Khi thấy khách hàng cần GEO nhưng tool thị trường không phù hợp Được gì: Mô hình Havas — build tool rồi bán như SaaS

Các điểm chính

1. Vibe coding = dùng AI viết code thay mình Thay vì ngồi gõ từng dòng, dev dùng Claude Code để describe ý muốn, AI generate ra app hoàn chỉnh. Mitch Hislop (Broadhead) viết version đầu tiên trong một buổi tối. → Làm gì: Thử describe app mình cần cho Claude, xem nó viết được bao nhiêu %.

2. Havas build platform cho 100 quốc gia, bán như SaaS Havas tạo GEO tool theo dõi brand trên AI responses. Rollout toàn cầu, 60+ ngôn ngữ, licensed cho khách hàng. Tool này thành core trong pitch deck, giúp win new business. → Làm gì: Nếu là agency, cân nhắc build tool nội bộ rồi productize.

3. Không ký enterprise agreement để giữ flexible Havas tránh ký deal độc quyền với Anthropic vì:

Chi phí có thể lên "nhiều triệu" USD/năm
Không muốn phụ thuộc vào 1 vendor nếu model họ không còn tốt
Team dùng không đồng đều, tránh trả tiền license không dùng → Làm gì: Tính toán kỹ trước khi ký enterprise deal, cân nhắc pay-as-you-go.

4. Tool có sẵn không fit workflow Hislop nói "We could use SEMrush, but we don't like A, B and C about it." Agencies muốn customize theo cách riêng, không muốn adapt theo tool. → Làm gì: Trước khi mua tool, list những thứ không fit, rồi tính xem build có rẻ hơn.

5. AI giờ là infrastructure, không chỉ là tool Supergood dùng Anthropic models làm core infrastructure. Model tự generate, tự evaluate, tự improve qua nhiều pass mà không cần người. Barrett nói: "Trong 2 năm chúng ta sẽ deliver nhiều software hơn documents." → Làm gì: Nghĩ về AI như backend infrastructure, không chỉ là chat bot.

Quick Start

Tuần này: Vào Claude, describe 1 app đơn giản mà mình cần (ví dụ: "viết tool check xem tên brand mình có trong 10 câu hỏi thường gặp của ChatGPT không"), xem nó generate được gì.
Tuần sau: Nếu work, expand thêm tính năng — như so sánh với competitor, hoặc theo dõi nhiều keywords.

Kỹ năng xây dựng Agent với LangChain, LangGraph, Deep Agents

Thu, 05 Mar 2026 06:33:51 GMT

TL;DR

LangChain Skills là bộ hướng dẫn cài vào AI coding agent để viết code LangChain, LangGraph chuẩn hơn. Cài qua một câu lệnh, xong agent tự biết cách dùng các framework này.

Nói đơn giản: Cho phép Claude Code, Cursor, Windsurf... viết code LangChain đúng cú pháp, thay vì viết lung tung.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: AI viết code LangChain/LangGraph hay sai cú pháp, không biết dùng đúng API

Khi nào cần: Khi muốn AI agent build automation với LangChain mà không phải ngồi sửa code lỗi

Được gì: Agent viết code đúng framework, giảm thời gian debug

2. Người muốn build sản phẩm

Vấn đề: Không biết LangChain/LangGraph có những tính năng gì, dùng sai chỗ

Khi nào cần: Khi bắt đầu dự án AI agent cần orchestration, memory, RAG

Được gì: Reference có sẵn 11 skills covering từ basic đến advanced

Các điểm chính

Cài qua npx skills, mất 30 giây Chạy một câu lệnh là agent có ngay 11 skills. Không cần config phức tạp. → Làm gì: Chạy npx skills add langchain-ai/langchain-skills --skill '*' --yes --global
Hỗ trợ nhiều coding agents Dùng Claude Code, Cursor, Windsurf đều được. Skills tuân theo Agent Skills specification chuẩn. → Làm gì: Thêm flag --agent claude-code nếu muốn gắn cho agent cụ thể
11 skills chia theo framework Mỗi skill tập trung một khía cạnh: LangChain fundamentals, LangGraph state machine, RAG pipeline, memory/persistence, human-in-the-loop... → Làm gì: Xem lại 11 skills có gì, lấy cái cần cho dự án
Deep Agents riêng Ngoài LangChain/LangGraph còn có skills cho Deep Agents - agent architecture và orchestration → Làm gì: Nếu xài Deep Agents CLI, chạy ./install.sh --deepagents --global
Cần API key trước khi xài Export OPENAI_API_KEY hoặc ANTHROPIC_API_KEY trước khi chạy agent → Làm gì: Thêm vào .bashrc hoặc .zshrc cho tiện

Quick Start

Mở terminal, chạy: npx skills add langchain-ai/langchain-skills --skill '*' --yes --global
Thêm API key: export OPENAI_API_KEY=your-key
Chạy agent ở thư mục bất kỳ, nó sẽ biết cách viết LangChain/LangGraph đúng cú pháp

Cách biến Claude Code thành trung tâm chỉ huy SEO

Thu, 05 Mar 2026 02:37:57 GMT

TL;DR

Tác giả (chủ một digital marketing agency, không phải dev) dùng Claude Code trong Cursor để kéo dữ liệu từ Google Search Console, GA4, Google Ads qua API, rồi hỏi AI bằng ngôn ngữ tự nhiên để phân tích. Thay vì mất cả chiều với CSV và VLOOKUP, giờ hỏi "từ khóa nào đang chi paid nhưng đã rank tốt ở organic?" và có kết quả trong 90 giây.

→ Cứ hỏi AI câu hỏi, nó tự tìm pattern trong data. Không cần biết code.

Bài này dành cho ai?

1. Agency chạy SEO cho nhiều client

Vấn đề: Mỗi tháng phải tải CSV từ GSC, GA4, Ads, rồi ngồi VLOOKUP thủ công. Mất cả chiều. Khi nào cần: Client mới cần setup, hoặc hàng tháng báo cáo định kỳ. Được gì: 1 query có câu trả lời thay cả buổi spreadsheet. Tác giả tính ~20 phút/tháng cho cả pull data + analysis.

2. SEO tự làm cho site của mình

Vấn đề: Không có budget cho tools như Ahrefs, Semrush nhưng cần insights từ dữ liệu Google có sẵn. Khi nào cần: Muốn tìm content gap, paid-organic overlap, page cần cải thiện CTR. Được gì: GSC + GA4 free, chỉ cần setup API là dùng được.

3. Marketer muốn chứng minh ROI

Vấn đề: Khó show client thấy "tao đang waste budget ở đâu." Khi nào cần: Báo cáo định kỳ, hoặc review chiến lược. Được gì: Câu trả lời cụ thể: "2742 search terms đang waste ad spend, 33 organic queries nên amplify bằng paid."

Các điểm chính

Claude Code tự viết script khi bạn mô tả bằng ngôn ngữ tự nhiên Tác giả không biết viết code API. Chỉ nói "tao muốn top 1000 queries từ GSC 90 ngày gần nhất" là AI tự viết script, tìm endpoints, xử lý authentication. Không cần đọc docs. → Làm gì: Nếu cần script mới, cứ mô tả bằng ngôn ngữ tự nhiên cho Claude Code viết giùm.
Service account cover GSC + GA4, Ads cần OAuth riêng GSC và GA4 dùng 1 service account (JSON key file, thêm email vào property là xong). Google Ads phải setup OAuth + developer token (mất 24-48 giờ approve). → Làm gì: Bắt đầu với GSC + GA4 trước, dễ nhất và free. Ads để sau.
Câu hỏi cross-source giá trị nhất: paid-organic gap analysis "Compare GSC query data against Google Ads search terms. Find keywords where we're paying but already rank strong organically. Also find keywords where we're spending on ads with zero organic visibility." Kết quả cho 1 client: 2,742 terms waste ad spend, 351 opportunities giảm paid, 33 organic queries nên amplify, 41 content gaps. Mất 90 giây. → Làm gì: Hỏi câu này cho mọi client, tìm budget overlap.
AI citation tracking không thể bỏ qua Google AI Overviews, Copilot, ChatGPT, Perplexity đều cite content. Tác giả phát hiện 2 blog posts cùng target GEO queries nhưng 1 cái được Copilot cite 12 lần hơn cái kia. Không ai check cái này. → Làm gì: Bắt đầu với Bing Webmaster Tools (free) + 1 SERP API cho AI Overviews.
Trust but verify AI có thể hallucinate cả data analysis. Tác giả từng thấy Claude Code report sai số. Check lại raw JSON trước khi show client. → Làm gì: Spot-check vài con số với source data, đừng tin 100%.

Quick Start

Tuần này: Tạo Google Cloud project, enable Search Console API và Analytics Data API. Tạo service account, download JSON key. Thêm email vào GSC property (read access) và GA4 (Viewer). Test thử pull 1 file JSON từ GSC.
Tuần tới: Thêm GA4. Hỏi Claude Code câu đầu tiên: "Which pages have high GSC impressions but low CTR?" Hoặc "Which pages rank well in GSC but have high bounce rate in GA4?"

CLI quản lý toàn bộ Google Workspace

Thu, 05 Mar 2026 01:55:02 GMT

TL;DR

Công cụ dòng lệnh giúp bạn điều khiển tất cả Google Workspace (Drive, Gmail, Calendar, Sheets...) qua terminal. Đặc biệt hỗ trợ AI agent — mỗi response trả về JSON có cấu trúc, sẵn sàng cho agent xử lý tiếp. Không cần viết code gọi API, cài xong là chạy được.

Nói đơn giản: Gõ lệnh trong terminal để quản lý file Drive, gửi email, tạo lịch — không cần mở trình duyệt, AI agent cũng làm được.

Bài này dành cho ai?

1. Người muốn tự động hóa công việc với Google Workspace

Vấn đề: Mỗi ngày phải làm thủ công những việc lặp đi lặp lại với Drive, Gmail, Calendar — tốn thời gian, dễ quên

Khi nào cần: Gửi report hàng ngày qua Gmail, backup file Drive, tạo lịch họp, kiểm tra email quan trọng

Được gì: Gõ 1 dòng lệnh thay vì thao tác thủ công 10-15 phút mỗi ngày

2. Người muốn build AI agent quản lý workspace

Vấn đề: AI agent cần gọi Google Workspace API nhưng viết code gọi REST API rồi parse response rất mệt

Khi nào cần: Build agent tự đọc email, tạo file, quản lý lịch — mà không muốn tự viết SDK

Được gì: Agent gọi gws drive files list là có JSON sẵn sàng xử lý, không phải viết code parse gì cả

3. Dev muốn script hóa thao tác Google Workspace

Vấn đề: Muốn tự động hóa nhưng không muốn dùng Google Apps Script hay viết code SDK nặng nề

Khi nào cần: CI/CD pipeline cần upload file, cron job backup data, bash script xử lý email

Được gì: Tool nhẹ, gọn, không phụ thuộc vào thư viện nặng, output JSON dễ parse

Các điểm chính

1. Commands được tạo tự động từ Google API thực tế

Tool này không có danh sách commands cố định. Nó đọc Discovery Service của Google — cái Google dùng để mô tả API của họ — rồi build commands tự động. Khi Google thêm API mới, gws tự cập nhật theo.

→ Làm gì: Chạy gws schema drive.files.list để xem cấu trúc request/response của bất kỳ method nào.

2. AI agent đọc được kết quả ngay

Mọi output đều là structured JSON. Không phải text parse lỗi tè le, không phải regex gì cả. Agent nhận JSON là xử lý được liền.

→ Làm gì: Khi build AI agent, cứ gọi gws command rồi parse JSON — không cần viết wrapper gì.

3. MCP Server — AI client nào cũng dùng được

gws có thể chạy như MCP server, expose Google Workspace API thành tools. Claude Desktop, Gemini CLI, VS Code đều gọi được.

→ Làm gì: Thêm config vào MCP client:

`{
  "mcpServers": {
    "gws": {
      "command": "gws",
      "args": ["mcp", "-s", "drive,gmail,calendar"]
    }`
  }
}

4. 100+ agent skills có sẵn

Repo có sẵn SKILL.md cho từng API (Gmail, Drive, Sheets, Calendar...) và 50 recipes cho workflow thường dùng. Agent chỉ việc gọi skill.

→ Làm gì: Cài skill bằng npx skills add https://github.com/googleworkspace/cli

5. Nhiều cách đăng nhập — laptop, server, CI đều được

Hỗ trợ: đăng nhập tương tác (browser), headless/CI (export credentials), service account (server-to-server), access token có sẵn.

→ Làm gì: Server không có browser? Chạy gws auth export --unmasked rồi copy credentials qua.

6. Dry-run trước khi chạy thật

Mọi lệnh đều có --dry-run để xem request sẽ gửi gì trước khi thực thi. An toàn khi chưa quen.

→ Làm gì: Thêm --dry-run vào lệnh bất kỳ để preview.

Quick Start

1. Cài đặt và xác thực — trong tuần này

npm install -g @googleworkspace/cli

# Cài xong chạy setup, tự tạo GCP project và đăng nhập
gws auth setup

2. Thử vài lệnh cơ bản

# Liệt kê 5 file gần nhất trong Drive
gws drive files list --params '`{"pageSize": 5}`'

# Tạo spreadsheet mới
gws sheets spreadsheets create --json '`{"properties": {"title": "Báo cáo tháng"}`}'

# Gửi tin nhắn Chat
gws chat spaces messages create \
  --params '`{"parent": "spaces/xyz"}`' \
  --json '`{"text": "Deploy xong rồi nhen."}`'

3. Nếu muốn dùng với AI agent

# Start MCP server cho drive, gmail, calendar
gws mcp -s drive,gmail,calendar

Triển khai đội AI Agents trong 5 phút

Thu, 05 Mar 2026 01:52:27 GMT

TL;DR

Công cụ giúp deploy và quản lý nhiều AI agents như một đội nhóm. Mình ra lệnh cho Manager, Manager điều phối Workers — tất cả giao tiếp qua ứng dụng chat quen thuộc, giống như nhắn tin trong group.

Nói đơn giản: Tool để mình tạo đội AI làm việc thay, giao tiếp và giám sát qua tin nhắn chat.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Chạy từng AI tool riêng lẻ mệt mỏi, không biết ai đang làm gì, khó kiểm soát

Khi nào cần: Cần nhiều task được xử lý song song bởi nhiều AI chuyên biệt (frontend, backend, viết content...)

Được gì: Giao việc bằng chat thường, AI tự làm và báo cáo lại

2. Teams cần giám sát AI agents

Vấn đề: Không biết agents đang làm gì, không can thiệp được khi sai

Khi nào cần: Dùng AI trong workflow công ty, cần visibility và audit trail

Được gì: Mọi cuộc hội thoại hiển thị trong Matrix Room, can thiệp bất kỳ lúc nào

3. Dev muốn build AI product

Vấn đề: Khó quản lý nhiều agents, tích hợp credentials an toàn

Khi nào cần: Build sản phẩm có AI agents làm backend

Được gì: Infrastructure sẵn có, Workers chỉ nhận consumer token — không lo credentials leak

Các điểm chính

Giao tiếp qua IM quen thuộc Thay vì dashboard phức tạp, mình chat với Manager như chat với đồng nghiệp. Manager tạo Workers, assign task, báo cáo tiến độ. → Làm gì: Gõ lệnh bằng tiếng thường: "Tạo Worker alice làm frontend"
Security chặt từ đầu Workers không giữ API keys thật. Chỉ có consumer token như thẻ ra vào. Gateway giữ keys thật — dù Worker bị compromise cũng không leak credentials. → Làm gì: Không cần lo credentials nằm rải rác trong nhiều agents
Setup trong 5 phút Một câu lệnh duy nhất curl | bash setup xong Higress AI Gateway, Matrix server, file storage, web client, và Manager Agent. → Làm gì: Chạy bash <(curl -sSL https://higress.ai/hiclaw/install.sh) là xong
Mobile access không cần config Dùng Element hoặc FluffyChat connect vào Matrix server của mình — quản lý agents từ điện thoại, không cần VPN hay setup phức tạp. → Làm gì: Download Element app, login bằng credentials khi install
Workers kéo skills từ community Lấy 80,000+ skills từ skills.sh khi cần. An toàn vì Workers không access credentials thật. → Làm gì: Yêu cầu Manager pull skill cần thiết cho Worker
Human in the loop luôn Mọi Room có mình, Manager, và Workers. Thấy sai chỗ nào thì nhắn ngay: "@bob đổi password rule 8 ký tự" — Worker sửa liền. → Làm gì: Không có "black box", can thiệp bất kỳ lúc nào

Quick Start

Cài đặt (Linux/macOS):

bash <(curl -sSL https://higress.ai/hiclaw/install.sh)

Script hỏi API key cho LLM, tự setup hết. Xong mở http://127.0.0.1:18088 login bằng credentials hiện ra.

Tạo Worker đầu tiên: Sau login, gõ cho Manager: "Create a Worker named alice for frontend development"
Giao việc: @alice implement a login page with React
Windows: Chạy PowerShell 7+:

Set-ExecutionPolicy Bypass -Scope Process -Force; Invoke-Expression ((New-Object System.Net.WebClient).DownloadString('https://higress.ai/hiclaw/install.ps1'))

Yêu cầu: Docker Desktop (2 CPU, 4GB RAM trở lên)

Tìm kiếm Instagram qua tên, email, số điện thoại

Wed, 04 Mar 2026 10:47:08 GMT

TL;DR

Script Python dùng để tìm tài khoản Instagram dựa trên tên, email hoặc số điện thoại. Hữu ích cho điều tra OSINT, xác minh danh tính online nhanh chóng.

Bài này dành cho ai?

1. Người làm OSINT, điều tra

Vấn đề: Cần tìm profile Instagram nhưng chỉ có thông tin rời rạc như tên, email hoặc số điện thoại Khi nào cần: Điều tra danh tính online, xác minh thông tin khách hàng, tìm account ẩn danh Được gì: Tìm được Instagram profile từ các mảnh thông tin rời rạc

2. Người cần xác minh danh tính online

Vấn đề: Không biết ai đằng sau email hoặc số điện thoại Khi nào cần: Verify thông tin khách hàng, đối chiếu danh tính Được gì: Kiểm tra nhanh xem email/phone có liên kết với Instagram không

3. Security researcher

Vấn đề: Nghiên cứu về rủi ro bảo mật từ việc leak thông tin Khi nào cần: Đánh giá mức độ expose thông tin cá nhân Được gì: Hiểu cách thông tin rời rạc có thể bị dùng để track người dùng

Các điểm chính

Tìm Instagram từ thông tin rời rạc Script so khớp tên, email (chỉ cần chữ đầu + cuối) và số điện thoại (chỉ cần mã vùng + 2 số cuối) để tìm profile → Làm gì: Thu thập càng nhiều mảnh thông tin càng tốt, kể cả không đầy đủ
Ba mức độ khớp: HIGH, MEDIUM, LOW HIGH = name + email + phone đều khớp; MEDIUM = 2 thông tin khớp; LOW = chỉ 1 thông tin khớp → Làm gì: Dùng mức HIGH để chắc chắn, LOW chỉ mang tính tham khảo
Cần session ID từ Instagram thật Phải đăng nhập Instagram và lấy cookie sessionid, có thể dùng account phụ → Làm gì: Tạo account Instagram phụ riêng cho OSINT, tránh account chính bị block
Dùng dumpor và toutatis để truy vấn Script tận dụng indexing của dumpor.com và toutatis để lấy dữ liệu → Làm gì: Không cần biết cách hoạt động chi tiết, cứ chạy theo hướng dẫn
Cần đặt timeout tối thiểu 10 giây Nếu không đặt timeout, bị Instagram phát hiện và block nhanh → Làm gì: Luôn dùng -t 10 hoặc cao hơn, đừng ham nhanh mà bị block

Quick Start

Clone repo và cài đặt: git clone https://github.com/blackeko/yesitsme/ && cd yesitsme && pip3 install -r requirements.txt
Lấy session ID: Mở Instagram trên browser → Inspect Element → Storage → Cookies → Copy sessionid
Chạy script: python3 yesitsme.py -s "SESSION_ID" -n "Họ Tên" -e "a***z@gmail.com" -p "+84 ** ** **99" -t 10

Tạo AI Skills tự động từ ý tưởng và workflow

Wed, 04 Mar 2026 05:44:58 GMT

TL;DR

Tool giúp bạn tạo AI Skill để tự động hóa công việc lặp đi lặp lại. Chỉ cần nói ý tưởng bằng tiếng Việt, AI sẽ tự phỏng vấn, phát hiện pattern và sinh ra skill hoàn chỉnh. Dành cho cả người không biết code.

Nói đơn giản: Muốn AI làm việc thay mình nhưng hông biết viết code? Tool này sẽ hỏi bạn vài câu, rồi tự tạo ra skill tự động hóa luôn.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Muốn tự động hóa nhưng hông biết code, hông hiểu YAML là gì

Khi nào cần: Khi có workflow lặp đi lặp lại hàng ngày — soạn email báo giá, tổng hợp dữ liệu, trả lời khách hàng

Được gì: Skill AI tự động làm việc đó cho mình, chỉ cần mô tả bằng tiếng Việt thường

2. Developer muốn tạo AI skill cho team

Vấn đề: Muốn chuẩn hóa quy trình team nhưng tạo SKILL.md thủ công mất thời gian

Khi nào cần: Khi cần ai cũng có thể dùng AI làm việc theo cách thống nhất

Được gì: Tool tự sinh ra skill hoàn chỉnh với template chuẩn, examples, checklist

3. Team Lead / Manager

Vấn đề: Muốn team dùng AI nhưng mỗi người tự setup một kiểu, khó quản lý

Khi nào cần: Khi cần ai trong team cũng dùng được AI với cùng cách làm

Được gì: Skill được audit tự động theo 7 nguyên tắc, đảm bảo chất lượng đồng đều

Các điểm chính

5-Phase Pipeline tự động AI sẽ phỏng vấn bạn để hiểu workflow → phát hiện pattern → sinh skill hoàn chỉnh → test thử trước khi deploy. Không cần biết gì về cấu trúc file. → Làm gì: Chỉ cần nói ý muốn tự động hóa gì, để AI lo.
Fast Track cho người đã có flow rõ ràng Nếu bạn mô tả workflow chi tiết từ đầu, AI sẽ bỏ qua bước phỏng vấn, sinh skill ngay. → Làm gì: Khi đã có quy trình rõ trong đầu, nói luôn cho AI tiết kiệm thời gian.
Tương thích 8 nền tảng Antigravity, Claude Code, Cursor, Windsurf, Cline, Copilot, OpenClaw, Aider. Mỗi nền tảng có cách cài riêng nhưng dùng chung một skill. → Làm gì: Clone về rồi copy theo hướng dẫn cho nền tảng mình đang xài.
7 Python scripts đi kèm Audit chấm điểm S/A/B/C/D/F, export sang nền tảng khác, so sánh 2 phiên bản, tạo skeleton mới, kiểm tra tính hợp lệ, mô phỏng chạy thử, xem thống kê. → Làm gì: Dùng script để kiểm tra skill trước khi deploy, đảm bảo chất lượng.
Auto-Optimize tự viết lại AI tự review skill mình viết, phát hiện điểm yếu, viết lại, rồi tính Quality Score. → Làm gì: Sau khi sinh skill, chạy Auto-Optimize để cải thiện nếu cần.
A/B Testing so sánh 2 phiên bản Sinh 2 biến thể instruction, chạy thử cả hai, rồi pick cái tốt hơn. → Làm gì: Khi không chắc cách viết nào hiệu quả, để AI thử cả hai rồi chọn.
Full Package Output Sinh ra cả folder chứa SKILL.md + README + resources + examples + scripts + CHANGELOG.md. Không chỉ một file đơn lẻ. → Làm gì: Skill được đóng gói chuẩn, có tài liệu kèm theo, dễ chia sẻ.

Quick Start

Clone về máy:

git clone https://github.com/marketingjuliancongdanh79-pixel/skill-generator.git

Cài vào nền tảng đang dùng:

Nền tảng	Lệnh
Antigravity (Global)	`cp -r skill-generator ~/.gemini/antigravity/skills/skill-generator`
Claude Code	`cp -r skill-generator ~/.claude/commands/skill-generator`
Cursor	`cp -r skill-generator .cursor/rules/skill-generator`
Windsurf	`cp -r skill-generator .windsurf/rules/skill-generator`
Cline	`cp -r skill-generator .clinerules/skill-generator`

Dùng ngay: Gõ /skill-generate hoặc nói "tạo skill tự động hóa [công việc gì]" trong chat AI.

Context Engineering: The Architecture Behind Modern AI Systems

Tue, 03 Mar 2026 16:13:44 GMT

TL;DR

Bài này nói về Context Engineering — cách thiết kế bộ nhớ cho AI thay vì chỉ viết prompt. Thay vì hỏi AI giỏi hơn, ta cần cho AI thấy đúng thông tin cần thiết. Kết quả: AI trả lời chính xác hơn, ít ảo giác, tiết kiệm token.

Nói đơn giản: Prompt Engineering hỏi "cách hỏi", còn Context Engineering cho AI "cái gì cần đọc".

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: AI trả lời lủng củng, hay "ảo giác" (nói sai sự thật), hoặc quá chậm vì nhồi quá nhiều thông tin.

Khi nào cần: Khi xài AI cho công việc cần độ chính xác cao — viết báo cáo, phân tích dữ liệu, hỗ trợ khách hàng.

Được gì: AI trả lời đúng đắn hơn, không lan sai sự thật, tiết kiệm chi phí API.

2. Người muốn build sản phẩm AI

Vấn đề: Build agent nhưng AI quên thông tin cũ, hoặc bị "nhiễu" bởi dữ liệu không liên quan.

Khi nào cần: Thiết kế hệ thống AI agent, RAG pipeline, hoặc chatbot doanh nghiệp.

Được gì: Kiến trúc rõ ràng để AI hoạt động ổn định, dễ scale.

Các điểm chính

Prompt Engineering hỏi hay, Context Engineering cho đúng Prompt tốt chỉ là 1 phần nhỏ trong toàn bộ input. Điều quyết định AI trả lời tốt là TẤT CẢ thứ nằm trong context window. → Làm gì: Thay vì tối ưu câu hỏi, tập trung thiết kế "bộ nhớ" AI được nhìn thấy.
Context Window như RAM — không có thì AI không biết AI chỉ "nhớ" thứ nằm trong context. Instructions, câu hỏi, ví dụ, tài liệu, kết quả tool — tất cả phải được cho vào đúng lúc. → Làm gì: Kiểm tra xem AI đang có trong tay những gì, trước khi đánh giá câu trả lời.
Context Poisoning — sai 1 ly, đi 1 dặm Thông tin sai được đưa vào đầu context. Mọi thứ sau đó xây dựng trên sai sự thật đó. → Làm gì: Validate facts trước khi cho vào conversation. Dùng tool check thông tin quan trọng.
Context Distraction — càng nhiều càng loạn Nghiên cứu Gemini thấy trên 100,000 tokens, AI bắt đầu lặp hành động cũ thay vì lập kế hoạch mới — dù context hỗ trợ 1M+ tokens. → Làm gì: Tóm tắt lịch sử dài. Giữ context gọn, có mục đích.
Context Confusion — thông tin không liên quan Nhồi quá nhiều thứ rồi AI chọn sai detail để trả lời. Ví dụ: hỏi refund policy mà AI trả lời bằng shipping policy. → Làm gì: Chỉ inject thông tin liên quan đến query hiện tại (nguyên tắc RAG).
Context Clash — mâu thuẫn thông tin Giá $49, rồi $39, AI không biết tin cái nào. → Làm gì: Duy trì single source of truth. Xóa thông tin cũ explicitly.
4 trụ cột: Write, Select, Compress, Isolate

Write: Lưu thông tin vào memory thay vì nhồi vào context
Select: Chỉ lấy đúng thứ cần (RAG, tool loadout)
Compress: Tóm tắt tài liệu dài, cắt 95% mà vẫn giữ signal
Isolate: Tách task thành thread riêng, mỗi thread có context sạch → Làm gì: Áp dụng cả 4 chiến lược tùy tình huống.

Research: Multi-agent thắng đơn agent Anthropic dùng sub-agents chạy song song, mỗi cái explore góc khác nhau rồi nén kết quả cho lead agent. Kết quả: 90.2% performance tốt hơn single agent. → Làm gì: Với task phức tạp, chia thành nhiều agent nhỏ thay vì 1 agent làm tất.
Kiến trúc đã đổi 2022: Human → Prompt → Model → Answer 2026: Human → Orchestrator → Retrieval → Memory → Tools → Model → Reflection → Updated Memory → Answer → Làm gì: Đây là system design, không còn là wording tricks.

Quick Start

Tuần này: Với task AI đang làm kém, thử giảm 50% context — xem AI trả lời tốt hơn không.
Bước tiếp: Thêm bước "chọn lọc" trước khi đưa tài liệu vào AI. Hỏi "Cái này có thực sự cần thiết cho câu trả lời không?"

From LangChain to OpenClaw: Three Paradigm Shifts in AI Application Development

Tue, 03 Mar 2026 13:50:10 GMT

TL;DR

Bài này kể chuyện 3 bước chuyển của AI app development: từ viết prompt → dùng framework → dùng agent tool. Giờ dev chỉ cần nói AI làm gì, không cần gõ code. Ai muốn ứng dụng AI vào công việc nên đọc.

Nói đơn giản: Ngày xưa dev phải viết code điều khiển AI làm gì. Giờ chỉ cần nói "mày làm cái này đi" là xong.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Không biết code, muốn dùng AI nhưng lệ thuộc vào prompt Khi nào cần: Khi thấy việc phải tự gõ lệnh cho AI quá phiền Được gì: Biết xu hướng — giờ AI tự hiểu context, mình chỉ cần nói thôi

2. Người muốn build sản phẩm

Vấn đề: Tích hợp AI vào app quá phức tạp, phải viết nhiều code Khi nào cần: Khi muốn thêm AI vào sản phẩm nhưng không muốn build từ đầu Được gì: Giải pháp — dùng thư viện như RayClaw, tích hợp nhanh

Các điểm chính

Prompts hết thời, giờ là Context Engineering Trước dev phải viết prompt dài loằng ngoằng. Giờ chỉ cần đưa AI đọc file, đọc docs, nó tự hiểu. → Làm gì: Thay vì viết prompt hoàn hảo, tập trung cung cấp context đầy đủ cho AI.
LangChain là thời của framework — giờ hết rồi 2023 dùng LangChain viết 2000 dòng code cho 1 hệ thống RAG. 2024 dùng Claude Code làm trong 30 phút. → Làm gì: Xem xét lại stack hiện tại — nếu vẫn dùng framework quá nhiều code, cần chuyển sang agent tool.
Claude Code đại diện cho bước nhảy mới Khác LangChain: LangChain đòi dev viết flow trong code, Claude Code để AI tự plan và execute. Không cần code, chỉ cần nói bằng ngôn ngữ tự nhiên. → Làm gì: Thử dùng Claude Code hoặc Cursor — để AI tự làm, mình chỉ review.
MCP chuẩn hóa cách AI kết nối bên ngoài Một file JSON config, AI có thể dùng filesystem, GitHub, database — không cần viết code tích hợp. → Làm gì: Tìm hiểu MCP server nào hữu ích cho công việc, thêm vào workflow.
OpenClaw — AI cho người không biết tech Mac Mini + OpenClaw = AI assistant cá nhân. Không cloud, không phí, chạy qua Telegram, Discord. → Làm gì: Nếu muốn đưa AI đến người dùng thường, mô hình này đáng tham khảo.
ACP cho phép AI nói chuyện với nhau RayClaw bảo Claude Code làm việc, Claude Code làm xong báo về. Đa agent collaboration ở mức tool-level. → Làm gì: Thử kết hợp nhiều agent tools thay vì gộp vào 1.
RayClaw — biến AI thành thư viện nhúng vào app Tác giả viết bằng Rust vì performance, cross-platform, memory safety. App nào cũng có thể nhúng Claw capabilities. → Làm gì: Nếu cần tích hợp AI vào app, thư viện như này tiết kiệm cả đống thời gian.

Quick Start

Tuần này: Thử Claude Code hoặc Cursor với 1 task cụ thể trong dự án. Để AI tự làm, mình chỉ review kết quả.
Tuần sau: Tìm hiểu MCP — xem có MCP server nào hữu ích cho workflow hiện tại không.

Excalidraw Diagram Skill — Vẽ Biểu Đồ Đẹp Từ Ngôn Ngữ Tự Nhiên

Tue, 03 Mar 2026 08:52:21 GMT

TL;DR

Skill này cho phép AI vẽ biểu đồ Excalidraw đẹp mắt chỉ từ câu mô tả bằng ngôn ngữ tự nhiên, thay thế hoàn toàn thao tác kéo thả thủ công. Agent tự thiết kế diagram truyền tải đúng ý nghĩa, bao gồm code thật và JSON, đồng thời tự kiểm tra output trước khi trả cho bạn.

Bài này dành cho ai?

1. Người muốn tạo sơ đồ nhanh mà không cần học Excalidraw

Vấn đề: Muốn giải thích kiến trúc, flow hoặc concept bằng hình ảnh nhưng không có thời gian học công cụ vẽ và thao tác kéo thả thủ công Được gì: Chỉ cần gõ câu mô tả, AI vẽ diagram đẹp ra cho bạn trong vài giây

2. Người build coding agent hoặc developer tool

Vấn đề: Cần tích hợp khả năng vẽ diagram vào ứng dụng của mình để tăng năng suất Được gì: Skill sẵn sàng tích hợp, có JSON schema và template để custom

3. Người cần diagram kỹ thuật có giá trị thực

Vấn đề: Diagram thường chỉ có hình mẫu, thiếu code thật để minh họa Được gì: Diagram bao gồm code snippet và JSON payload thật, không phải placeholder

Các điểm chính

Từ text ra diagram đẹp ngay — Chỉ cần gõ câu mô tả bằng tiếng Việt hoặc tiếng Anh, AI tự sinh diagram Excalidraw hoàn chỉnh, không cần học công cụ vẽ hay thao tác kéo thả.
Diagram truyền tải đúng ý nghĩa — Mỗi hình dạng phản ánh đúng concept: fan-out cho one-to-many, timeline cho sequence, convergence cho aggregation. Không dùng grid đều như nhau.
Code snippet thật trong diagram — Diagram kỹ thuật bao gồm code và JSON thật, không phải placeholder, giúp tài liệu có giá trị thực.
Agent tự kiểm tra trước khi trả — Render pipeline dùng Playwright cho phép agent nhìn thấy diagram, phát hiện lỗi layout (text chồng, mũi tên lệch) và tự sửa.
Đổi màu brand dễ dàng — Tất cả màu sắc nằm trong references/color-palette.md, edit một file thì mọi diagram theo palette mới.

Quick Start

Clone repo và copy vào .claude/skills/:

git clone https://github.com/coleam00/excalidraw-diagram-skill.git
cp -r excalidraw-diagram-skill .claude/skills/excalidraw-diagram

Yêu agent setup render pipeline: "Set up the Excalidraw diagram skill renderer by following the instructions in SKILL.md."
Yêu agent vẽ diagram: "Vẽ sơ đồ Excalidraw thể hiện cách AG-UI protocol stream events từ AI agent đến frontend UI"

Từ 20 video YouTube thành knowledge graph trong Obsidian

Tue, 03 Mar 2026 04:31:07 GMT

TL;DR

Tác giả build một Claude Code skill để kéo research từ NotebookLM ra thành knowledge graph trong Obsidian. Chạy 3 terminal commands: search YouTube, add video làm sources, hỏi câu hỏi. Mọi answer đều có citation trỏ đến video gốc. Không còn mất công copy-paste giữa các browser tabs.

Nói đơn giản: Tool này giúp bạn research nhiều YouTube videos cùng lúc, hỏi AI câu hỏi, và lưu kết quả có trích dẫn vào Obsidian dưới dạng linked notes.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Xem 20 videos YouTube, copy câu trả lời qua notes nhưng mất citations. Research nằm trong browser tab, không tái sử dụng được.

Khi nào cần: Khi cần research nhiều videos/pdfs cùng lúc, muốn hỏi AI và giữ được nguồn gốc của thông tin.

Được gì: Knowledge graph trong Obsidian, mọi claim đều có link back to source. Tiết kiệm 80% thời gian tra cứu.

2. Người muốn build sản phẩm

Vấn đề: Muốn tự động hóa research workflow nhưng NotebookLM chỉ chạy trên browser, thao tác thủ công chậm.

Khi nào cần: Khi cần xây dựng tool pipeline từ YouTube → AI analysis → personal knowledge base.

Được gì: Source code Python để orchestrate toàn bộ flow, có thể customize theo nhu cầu.

3. Người dùng Obsidian muốn tối ưu hóa

Vấn đề: Vault chứa nhiều notes nhưng không khai thác được connections giữa các sources.

Khi nào cần: Khi muốn biến vault thành queryable database — hỏi "tuần này làm gì" và nhận câu trả lời có citations.

Được gì: Vault-as-source: 282 daily notes có thể chat với chính mình, có trích dẫn cụ thể đến từng ngày.

Các điểm chính

1. NotebookLM trong browser giới hạn bạn NotebookLM đọc được 300 sources, nhưng ai lại ngồi kéo 300 files vào browser? Thao tác thủ công chậm, research bị kẹt trong cửa sổ không thoát ra được. → Làm gì: Dùng CLI thay vì browser — search, add sources, ask đều từ terminal.

2. Ba commands thay thế 20 browser tabs Workflow: ytcli search → search YouTube → chọn videos → notebooklm create → add 20 sources → notebooklm ask → hỏi câu hỏi. Không mở browser. → Làm gì: Copy skill về, cài đặt, chạy thử với 1 notebook nhỏ trước.

3. Citations chính là điểm khác biệt Khi AI trả lời "3 creators nói về Obsidian Bases", nó trỏ đến video nào, timestamp nào. Tác giả test thấy 60% citations match chính xác, 31% partial, 10-15% yếu. Không hoàn hảo nhưng đủ để trust làm starting point. → Làm gì: Click vào citation link để verify trước khi dùng trong bài viết quan trọng.

4. Knowledge graph tự động trong Obsidian Mỗi source thành 1 file, mỗi topic thành 1 file, citations tạo wikilinks. Mở "Claude Code" thấy 6 videos đề cập, có link đến từng đoạn trích. → Làm gì: Mở graph view trong Obsidian để visualize toàn bộ network.

5. Audio overview — research thành podcast NotebookLM generate audio từ sources, lệnh đơn giản: notebooklm audio generate --topic "gaps in Claude Code + Obsidian workflows". Audio sync qua Obsidian Sync, nghe trên điện thoại khi đi bộ. → Làm gì: Dùng cho những notebook lớn, muốn nắm gist trước khi đào sâu.

6. Vault-as-source — chat với chính mình Tác giả upload 282 daily notes vào NotebookLM. Hỏi "tuần 10-16 Feb có gì?" → nhận câu trả lời có citations đến từng ngày. Phát hiện pattern: "late-night sabotage" trong journal. → Làm gì: Export notes ra, feed vào NotebookLM, biến vault thành queryable database.

Quick Start

Cài đặt (15 phút)
- Cài Claude Code
- Tạo Obsidian vault
- Login Google account
- Clone skills repo
Chạy thử tuần này
- ytcli search "Claude Code tutorials" — tìm 5-10 videos
- notebooklm create --name "research" — tạo notebook mới
- notebooklm add \<video_ids> — add videos làm sources
- notebooklm ask "What is project memory?" — hỏi câu hỏi đầu tiên
Tuần sau
- Thử notebooklm audio generate — nghe research trên đường đi
- Thử upload 30 daily notes — chat với journal của mình

Artem Zhutov on X: "Grep Is Dead: How I Made Claude Code Actually Remember Things" / X

Mon, 02 Mar 2026 23:00:00 GMT

TL;DR

Bài này hướng dẫn build một memory system để Claude Code nhớ được tất cả conversation cũ — thay vì mỗi lần bắt đầu từ đầu. Dùng QMD (local search engine) index toàn bộ vault Obsidian, tìm kiếm trong 1 giây thay vì 3 phút như grep thường.

Nói đơn giản: Tool này giúp bạn search mọi thứ đã làm với AI bao quát, như tra Google nhưng cho riêng mình.

Bài này dành cho ai?

1. Người xài Claude Code hàng ngày

Vấn đề: Mỗi lần mở terminal mới là bắt đầu từ zero. Sau 700 session trong 3 tuần, không nhớ nổi mình đã làm gì, quyết định thế nào.

Khi nào cần: Khi cần quay lại project cũ, hoặc tiếp tục công việc hôm qua mà không phải giải thích lại từ đầu.

Được gì: Tìm lại mọi conversation trong 1 giây, context luôn sẵn sàng.

2. Người muốn search vault nhanh hơn

Vấn đề: Grep mất 3 phút, trả về 200 file noise, có cả câu lệnh sleep() trong code.

Khi nào cần: Kần tìm note chi cũ trong Obsidian mà grep chậm và kém chính xác.

Được gì: Search instant, kết quả relevance thay vì string matching.

3. Người muốn AI nhớ việc mình đã làm

Vấn đề: AI không biết mình đã nghĩ gì, quyết định gì trước đó.

Khi nào cần: Khi muốn AI help hoàn thành mục tiêu, thay vì chỉ trả lời từng câu hỏi riêng lẻ.

Được gì: AI tổng hợp ý tưởng cũ, giúp mình nhớ những gì đã quên.

Các điểm chính

Claude Code mất context mỗi session mới Mỗi lần mở terminal là bắt đầu từ zero. Tác giả có 700 session trong 3 tuần, không nhớ nổi mình đã quyết định gì. Khi hit context limit 60%, phải compact hoặc hand off, mất nửa decisions. → Làm gì: Setup hook tự động export session sau mỗi lần đóng terminal.
QMD search nhanh hơn grep 90 lần Grep mất 3 phút, trả về 300 file noise (bao gồm cả câu lệnh sleep() trong code). QMD tìm trong 2 giây, kết quả đúng hơn nhiều. → Làm gì: Dùng QMD thay vì grep để search vault.
3 mode search: BM25, Semantic, Hybrid BM25 (qmd search) — exact keywords nhưng rank theo relevance. Semantic (qmd vsearch) — tìm theo nghĩa, không cần từ khóa chính xác. Hybrid (qmd query) — kết hợp cả hai. → Làm gì: Bắt đầu với BM25 cho 80% searches, thêm semantic cho transcripts và brain dumps.
/recall skill load context trước khi bạn gõ chữ nào 3 mode: temporal (session theo ngày), topic (BM25 search), graph (visualize toàn bộ tuần). Tìm lại 39 session trong một ngày, hoặc search "QMD video" trả về dashboard, plan, to-do list trong 1 phút. → Làm gì: Download /recall skill, drop vào .claude/skills/.
AI tổng hợp được ý tưởng mình đã quên Tác giả search "find the ideas that I have never acted on", Claude tổng hợp: idea viết PhD dashboard tháng 10, app illustration, screen recording workflow — tất cả đã quên hoàn toàn. → Làm gì: Dùng AI synthesize kết quả QMD thay vì tự đọc raw results.
Tất cả local — không phụ thuộc model Embedding sống trên máy bạn. Model thay đổi không sao — Claude Code, Codex, Gemini CLI đều xài được vì context nằm trong vault của mình. → Làm gì: Giữ vault trên Obsidian Sync, chạy OpenClaw trên Mac Mini 24/7 để access từ mọi nơi.

Quick Start

Tải QMD từ trang chủ — local search engine cho Obsidian vault
Download /recall skill, drop vào thư mục .claude/skills/
Mở terminal, gõ /recall topic [từ khóa] để thử search session cũ
Setup hook tự export session sau mỗi lần đóng terminal

Tự động hóa web - Biến mọi website thành API

Mon, 02 Mar 2026 10:18:03 GMT

TL;DR

Bài này giới thiệu TinyFish Cookbook — bộ recipe (công thức) mẫu để build AI agent tự động thao tác trên website thật. Gồm 13 project sẵn sàng dùng: tìm scholarship, so sánh giá bet, tìm nhà nghỉ, research paper...

→ Ai muốn automation website mà không muốn deal với headless browser, selector, proxy phức tạp.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Muốn tự động thu thập dữ liệu từ website nhưng không biết code browser automation Khi nào cần: Cần lấy giá từ nhiều site, theo dõi scholarship, compare bet odds... Được gì: Gọi API bằng tiếng Anh thường, nhận JSON về - không cần quan tâm proxy, stealth, selector

2. Người muốn build sản phẩm

Vấn đề: Cần nhanh prototype web automation mà không setup infrastructure Khi nào cần: Build dashboard, agregator, comparison tool Được gì: 13 recipe mẫu có sẵn, copy paste modify được ngay

3. Developer muốn thử benchmark mới

Vấn đề: Cần so sánh AI agent performance với các provider khác Khi nào cần: Đánh giá TinyFish có tốt hơn Gemini, OpenAI, Anthropic không Được gì: Benchmark Mind2Web đạt 90%, public toàn bộ 300 runs

Các điểm chính

1. Thay vì viết code cho từng website, gọi 1 API với goal = câu thường TinyFish xử lý navigation, form, filter, dynamic content, proxy bên dưới. Mình chỉ cần gửi URL + mô tả goal bằng tiếng Anh, nhận JSON về. → Làm gì: Thử cách gọi API với curl/python xem nó trả về gì

2. Recipe có sẵn cho 13 use case thực tế Từ tìm manga, so sánh bet, tìm scholarship, research paper, tìm nhà nghỉ... mỗi folder là 1 project chạy được → Làm gì: Mở folder nào quan tâm, đọc README xem cách deploy

3. Có stealth mode tích hợp sẵn, không tính thêm tiền Proxy rotation và stealth profile đi kèm API - không cần tự setup → Làm gì: Test thử với website có anti-bot xem nó bypass được không

4. Integrate được với Claude/Cursor qua MCP server Dùng TinyFish như tool trong Claude Desktop hoặc Cursor → Làm gì: Nếu đang dùng Cursor, thử add MCP server xem

5. Accelerator program đang mở - $2M seed pool TinyFish đang accept applications cho 9-week program, có free credits + engineering support → Làm gì: Nếu muốn build product trên TinyFish, apply thử

Quick Start

Đăng ký API key tại tinyfish.ai (miễn phí starter)
Chạy thử command đầu tiên:

curl -N -X POST https://agent.tinyfish.ai/v1/automation/run-sse \
  -H "X-API-Key: $TINYFISH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '`{
    "url": "https://agentql.com",
    "goal": "Find all AgentQL subscription plans and their prices. Return result in json format"
  }`'

Mở folder competitor-analysis nếu muốn xem dashboard mẫu

Công cụ ghi video trình duyệt tự động từ kịch bản

Mon, 02 Mar 2026 09:52:36 GMT

TL;DR

Tool này cho phép mình viết kịch bản (click, gõ phím, scroll...) bằng JSON, rồi nó tự động record trình duyệt thành video MP4. Tiện lắm cho việc tạo demo, tài liệu hướng dẫn tự động.

Nói đơn giản: Viết script bằng JSON, chạy một câu lệnh là có video demo sản phẩm.

Bài này dành cho ai?

1. Người muốn tạo video demo sản phẩm tự động

Vấn đề: Quay video demo thủ công tốn time, mỗi lần update giao diện phải quay lại Khi nào cần: Cần tạo video hướng dẫn, demo tính năng mới, hoặc screenshot tự động Được gì: Viết script JSON một lần, chạy lệnh là có video mới

2. Người muốn generate tài liệu + video cùng lúc

Vấn đề: Phải vừa viết docs vừa chụp ảnh màn hình thủ công Khi nào cần: Tạo marketing assets, documentation với hình ảnh + video Được gì: Vừa record video vừa chụp screenshot tại các điểm mong muốn

Các điểm chính

Script = JSON, không cần viết code Mình define các bước (click, gõ phím, đợi, scroll...) trong file JSON config. Không cần biết code. → Làm gì: Dùng npx webreel init để tạo file config mẫu, rồi sửa theo nhu cầu.
Hỗ trợ đủ thao tác trình duyệt Click, gõ text, scroll, drag-drop, chờ element xuất hiện, giữ phím modifier (Ctrl, Shift...), chuyển trang. → Làm gì: Xem bảng Actions trong docs để chọn action phù hợp với flow cần record.
Tự động thêm cursor + keystroke overlay Video ra có hiển thị con trỏ chuột và phím bấm, giống như đang thao tác thật. → Làm gì: Không cần làm gì thêm, mặc định đã có. Có thể tùy chỉnh theme nếu muốn.
Output đa dạng MP4 mặc định, nhưng cũng hỗ trợ GIF và WebM. → Làm gì: Đổi đuôi file trong config thành .gif hoặc .webm.
Tự động cài Chrome + ffmpeg Lần chạy đầu nó tự tải về, không cần cài thủ công. → Làm gì: Chạy npx webreel record lần đầu, đợi nó tải xong là xong.
Preview không record Chạy thử script trong browser hiển thị để kiểm tra trước khi record thật. → Làm gì: Dùng webreel preview thay vì record để test nhanh.

Quick Start

Cài đặt:

npm install webreel

Tạo project:

npx webreel init --name my-video --url https://example.com

Sửa file webreel.config.json thêm các bước cần record, ví dụ:

`{
  "videos": {
    "my-video": {
      "url": "https://example.com",
      "steps": [
        { "action": "click", "text": "Get Started" }`,
        `{ "action": "type", "text": "hello@example.com", "target": "input[name=email]" }`
      ]
    }
  }
}

Chạy record:

npx webreel record

Nav Toor on X: "17 Best Practices That Make Claude Cowork 100x More Powerful" / X

Mon, 02 Mar 2026 08:03:02 GMT

TL;DR

Claude Cowork không phải ChatGPT — nó là một coworker tự động. Bài này share 17 thực hành giúp bạn setup để AI này thay thế nửa stack phần mềm hiện tại, thay vì chỉ làm chatbot trả lời lòe.

Nói đơn giản: Claude Cowork giờ không còn là chatbot đơn thuần — nó có thể làm việc tự động như một đồng nghiệp thực thụ nếu bạn setup đúng cách.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Viết prompt dài mà output vẫn không như ý Kần: Khi nào chi cần AI xử lý task thực tế, không phải chỉ chat chit Được gì: Setup đúng cách = 10-word prompt ra output client-ready

2. Người muốn build sản phẩm

Vấn đề: AI không nhớ context giữa các session Khi nào cần: Khi cần workflow tự động chạy hàng ngày Được gì: Hệ thống file-based thay thế memory, portable và version-controlled

3. Teams muốn scale AI

Vấn đề: Mỗi người viết prompt khác nhau, output không nhất quán Khi nào cần: Khi cần cả team dùng chung tiêu chuẩn Được gì: Custom plugin encode workflow, ai cũng ra output đúng chuẩn

Các điểm chính

_MANIFEST.md là file cấu trúc thư mục Tạo file này ở thư mục làm việc, chia 3 tier: Tier 1 (source of truth), Tier 2 (domain), Tier 3 (archive). Claude biết đọc file nào trước, tránh_confused output từ file cũ. → Làm gì: Tạo _MANIFEST.md trong thư mục dự án, khai báo file nào là source of truth
Global Instructions thiết lập nền tảng Settings → Cowork → Global Instructions. Đây là baseline cho MỌI session. Viết: bạn là ai, đọc _MANIFEST.md trước, hỏi trước khi làm, output format mặc định. → Làm gì: Set Global Instructions ngay hôm nay, mất 5 phút
Context files — ba file phải có Tạo folder "00_Context" với: (1) identity — bạn làm gì, serve ai, (2) communication style — giọng bạn viết, (3) behavior — cách Claude làm việc với bạn. Refine hàng tuần. → Làm gì: Tạo ba file context, để Claude đọc mỗi session
Folder Instructions — context theo từng folder Chọn folder trong Cowork, Claude tự đọc Folder Instructions. Đặt quy tắc riêng: tên client, deadline, format deliverable. → Làm gì: Setup Folder Instructions cho từng dự án
Quản lý context — đừng load hết Context window lớn không có nghĩa là tốt hơn. Claude đọc càng nhiều file无关, output càng tệ. → Làm gì: Thêm vào Global Instructions: "Chỉ load Tier 1, load Tier 2 khi cần"
Cách viết prompt — định nghĩa "done" Bad: "Help me with my files" Good: "Organize files by client name, format YYYY-MM-DD-descriptive-name, tạo summary log, đừng xóa gì" → Làm gì: Mọi prompt phải trả lời: done trông như thế nào? constraints là gì?
Plan trước khi act Thêm vào Global Instructions: "Show brief plan before action, wait for approval" → Làm gì: Thêm dòng này vào Global Instructions — tránh 90% disaster
Xử lý uncertainty Định nghĩa: "If confidence < 80%, flag instead of guess. If unclear, mark VERIFY" → Làm gì: Từ nay AI sẽ hỏi khi không chắc, không tự đoán sai
Batch task — gom task liên quan 5 task riêng lẻ = 5 lần startup cost. Gom lại: Claude share context giữa các task, output liên kết. → Làm gì: Đừng chạy 5 session, chạy 1 session task
Subagent — với 5 chạy song song "Spin up subagents to research each vendor" — thay vì A→B→C→D, chạy 4 agent cùng lúc. → Làm gì: Dùng subagent cho research, so sánh, xử lý batch
Scheduled tasks — tự động theo lịch /schedule → setup task chạy daily/weekly/monthly. Ví dụ: "Every Monday 7AM, check Slack + calendar, summarize week ahead" → Làm gì: Set 1 scheduled task tuần này
Memory pattern — externalize everything Claude không nhớ giữa sessions. Để preferences trong context files, SOP trong skill files, decisions trong log files. → Làm gì: Viết mọi thứ ra file, đừng dựa vào AI nhớ
Connectors — kết nối Gmail, Slack... Connectors kéo live data: "Every morning, check Gmail for invoices, update expenses spreadsheet" → Làm gì: Connect Slack + Gmail, tiết kiệm hours/tuần
Plugins — cài nhiều hơn 1 Data Analysis + Sales: "Analyze Q1 pipeline, identify weakest deals, draft follow-up emails" → Làm gì: Install 2-3 plugins phù hợp role, thử mix capabilities
Custom skills — tạo skill riêng Skill = markdown file dạy Claude cách làm task cụ thể. Purpose, Inputs, Process, Output, Constraints. → Làm gì: Tạo skill cho workflow lặp đi lặp lại
Plugin Builder — tạo plugin không code "Help me create a plugin for [workflow]" → Claude walk through defining skills, slash commands, subagents. No code. → Làm gì: Team build plugin cho standard process, deploy cho cả team
An toàn Backup trước thử nghiệm. Scope folder chặt — đừng cho Claude quyền cả Documents. Thêm "Don't delete anything" trừ khi muốn xóa. → Làm gì: Backup thư mục quan trọng trước khi chạy workflow mới

Nguyên tắc cốt lõi: Invest in setup. Reduce prompting.

Người đang struggle với Cowork viết prompt dài cho mỗi task. Người thriving đầu tư 2 tiếng setup context architecture — giờ viết 10-word prompt ra client-ready deliverable.

Đây là shift từ ChatGPT-era (prompt engineering) sang Cowork-era (system engineering).

Quick Start

Hôm nay (30 phút): Tạo ba context files trong folder "00_Context", set Global Instructions.

Tuần này: Thêm _MANIFEST.md vào thư mục dự án hay dùng. Install 2-3 plugins phù hợp role. Set 1 scheduled task.

Tháng này: Build custom skill cho workflow lặp lại nhiều nhất. Thử subagent cho research task phức tạp. Refine context files dựa trên output.

Trình xem và kiểm thử API OpenAPI

Mon, 02 Mar 2026 07:34:01 GMT

TL;DR

Scalar là bộ công cụ API mã nguồn mở, gồm API Reference (hiển thị tài liệu từ OpenAPI/Swagger) và API Client (thay thế Postman). Hỗ trợ 30+ framework như Next.js, FastAPI, Laravel. Dùng được cả online lẫn offline.

Nói đơn giản: Dev nào xài API thì dùng cái này vừa viết tài liệu tự động vừa test API, miễn phí hoàn toàn.

Bài này dành cho ai?

1. Backend Developer

Vấn đề: Viết tài liệu API tay mất thời gian, ai cũng khác format Khi nào cần: Khi build API bằng FastAPI, Express, Laravel... Được gì: Tài liệu tự generate từ code, khách hàng hoặc teammate xài được ngay

2. Frontend Developer

Vấn đề: Phải cài Postman, Insomnia để test API, hay phải hỏi backend Khi nào cần: Khi cần xem API docs và test nhanh không cần cài app Được gì: Vào link là thấy docs + test được luôn, khôg cần setup gì

3. Dev muốn thay thế công cụ trả phí

Vấn đề: Postman có tính năng hay nhưng mất phí, team đông thì tốn Khi nào cần: Khi tìm giải pháp miễn phí cho cả team Được gì: Công cụ tương tự, mã nguồn mở, không giới hạn người dùng

Các điểm chính

1. Tài liệu API tự động từ OpenAPI Thay vì viết tài liệu tay, cứ khai báo API theo chuẩn OpenAPI là Scalar tự render ra trang docs đẹp. Có cả chức năng test API ngay trên docs luôn. → Làm gì: Thêm OpenAPI spec vào project, dùng Scalar để render docs

2. API Client miễn phí, hỗ trợ OpenAPI Scalar Client là Postman alternative, đọc được OpenAPI spec và tự điền request parameters. Hỗ trợ environment variables, dynamic parameters. → Làm gì: Download về xài thay Postman nếu team muốn tiết kiệm chi phí

3. Tích hợp sẵn 30+ framework Next.js, Nuxt, Astro, FastAPI, Express, Laravel, Django, Spring Boot... Các framework này còn chọn Scalar làm docs UI mặc định luôn. → Làm gì: Xem danh sách integrations phù hợp với stack đang xài

4. Có phiên bản online và offline Vừa chạy được trên browser (client.scalar.com), vừa tải về máy dùng offline. Có cả managed hosting miễn phí nếu muốn deploy lên cloud. → Làm gì: Thử online trước, nếu thích thì tải desktop app về

5. Một file HTML là có docs Chỉ cần thêm đoạn script ngắn vào HTML là có trang API reference chạy được. Không cần server, không cần build process. → Làm gì: Copy đoạn code sample trong readme, chạy thử 1 phút là xong

Quick Start

Tạo API docs trong 1 phút — Tạo file HTML, thêm script <script src="https://cdn.jsdelivr.net/npm/@scalar/api-reference"></script>, trỏ tới file OpenAPI JSON là có docs chạy được
Test thử API Client — Vào client.scalar.com, upload OpenAPI spec hoặc import từ URL, bắt đầu test request

Ghi lại API từ trình duyệt để AI thao tác web tự động

Mon, 02 Mar 2026 07:09:26 GMT

TL;DR

Nếu bạn muốn AI làm việc trên web app nhưng app đó không có API chính thức, Neo sẽ tự động ghi lại mọi API call trình duyệt bạn thực hiện, rồi cho phép AI replay lại — không cần automation browser chậm chạp.

→ Dành cho ai muốn AI thay mình thao tác trên web app không có API.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình trên web app

Vấn đề: Web app không có API, hoặc API chính thức chỉ cho 10% tính năng. Browser automation thì chậm, dễ break mỗi lần UI thay đổi.

Khi nào cần: Muốn AI đăng bài, lấy dữ liệu, thao tác trên các tool như X, GitHub, Slack... mà không có API đàng hoàng.

Được gì: AI có thể gọi trực tiếp internal API của web app — nhanh gấp 10-20 lần so với browser automation.

2. Người build AI automation product

Vấn đề: Cần integrate với hàng trăm web app nhưng không ai có public API. Reverse engineering từng cái thủ công tốn thời gian.

Khi nào cần: Build agent có thể thao tác trên mọi web app, không cần dev làm API riêng cho từng tool.

Được gì: Schema tự động generate từ traffic thực, có auth tự động, có thể export thành OpenAPI hay skill markdown cho agent.

3. Dev muốn hiểu API của web app nào đó

Vấn đề: Cần biết một button trên web gọi API gì, parameters ra sao, response结构 thế nào — mà không có docs.

Khi nào cần: Debug, reverse engineer, hoặc tạo integration cho tool nội bộ.

Được gì: Xem được mọi API call kèm DOM trigger — biết chính xác click button nào gọi endpoint nào.

Các điểm chính

1. Mọi web app đã có API sẵn — bạn chỉ cần bắt nó Frontend gọi API mỗi lần bạn click, scroll, load dữ liệu. Neo intercept mọi fetch/XHR request, lưu lại URL, headers, body, response. Không cần official API. → Làm gì: Cài extension, browse bình thường — Neo tự ghi mọi thứ.

2. Auth tự động — không cần quản lý token Khi replay API, Neo lấy live auth headers từ browser (cookies, CSRF, Bearer token) thay vì lưu trữ. Schema chỉ lưu tên header, không lưu giá trị — an toàn hơn. → Làm gì: Dùng neo exec hoặc neo replay — auth tự động theo tab đang mở.

3. Schema tự generate — hiểu API không cần docs Chạy neo schema generate x.com để tạo API map từ captures: endpoints, parameters, response structure. Export được OpenAPI 3.0 hoặc Markdown cho agent đọc. → Làm gì: Muốn AI hiểu web app nào, chạy schema generate trước.

4. Tìm được workflow từ API dependencies neo flows phát hiện chuỗi API call theo thứ tự. neo deps tìm dependencies giữa response và request — biết API nào cần kết quả từ API khác. → Làm gì: Dùng neo workflow discover để tìm multi-step operations như "đăng tweet" gồm những API nào.

5. Mock server từ schema — test không cần real API neo mock x.com khởi động local server từ schema đã generate, có thể thêm latency mô phỏng network chậm. → Làm gì: Test agent behavior mà không cần chạy real API.

6. Security trade-off — chạy local, nhưng thấy mọi traffic Neo yêu cầu <all_urls> permission, thấy mọi request trên mọi website. Auth header values được redact tự động từ v1.1.0, nhưng response bodies vẫn lưu (truncated 100KB). → Làm gì: Không cài trên shared machine, periodically prune captures của sensitive domains.

Quick Start

Cài đặt:

git clone https://github.com/4ier/neo.git
cd neo && npm install && npm run build

Sau đó load extension vào Chrome: chrome://extensions → Developer mode → Load unpacked → chọn extension/dist/

Thử capture + replay:

# Mở Chrome với --remote-debugging-port=9222
# Browse website bất kỳ — Neo bắt đầu ghi

# Xem captured
node tools/neo.cjs capture list

# Generate schema
node tools/neo.cjs schema generate example.com
node tools/neo.cjs schema show example.com

# Replay API đã capture
node tools/neo.cjs replay \<capture-id> --tab example.com

Chat với tài liệu, tạo podcast từ nghiên cứu - chạy 100% local

Sun, 01 Mar 2026 17:44:59 GMT

TL;DR

Công cụ nghiên cứu AI chạy hoàn toàn trên máy của bạn — không gửi dữ liệu lên cloud. Cho phép chat với tài liệu (PDF, video, audio, web), tạo podcast đa giọng từ nội dung, và dùng được 16+ model AI khác nhau.

Nói đơn giản: Giống NotebookLM của Google nhưng tự host, tự kiểm soát dữ liệu, và có thêm tính năng tạo podcast đa giọng.

Bài này dành cho ai?

1. Người làm nghiên cứu, học tập

Vấn đề: Dùng NotebookLM nhưng muốn dữ liệu riêng tư, không phụ thuộc Google Khi nào cần: Khi đọc nhiều paper, tài liệu PDF, cần chat để hỏi và tạo podcast nghe lại Được gì: Tool nghiên cứu cá nhân, không lo leak data, dùng được offline

2. Người muốn tạo podcast từ nội dung

Vấn đề: NotebookLM chỉ có 2 giọng, format cứng nhắc Khi nào cần: Cần tạo podcast đa giọng (1-4 người) với script tùy chỉnh từ tài liệu Được gì: Podcast chuyên nghiệp, kiểm soát hoàn toàn nội dung và giọng đọc

3. Developer muốn build AI app

Vấn đề: Cần reference implementation cho RAG + podcast generation Khi nào cần: Học cách build tool tương tự, hoặc customize cho nhu cầu riêng Được gì: Full source code, REST API sẵn sàng, tích hợp được 16+ AI providers

Các điểm chính

1. Privacy-first - dữ liệu không bao giờ rời máy bạn Self-hosted hoàn toàn. Không phụ thuộc cloud provider. So với NotebookLM gửi mọi thứ lên Google thì đây là lựa chọn cho ai làm nghiên cứu nhạy cảm. → Làm gì: Deploy bằng Docker, dữ liệu lưu local.

2. 16+ AI providers - không bị lock vào một nhà cung cấp Dùng được OpenAI, Anthropic, Ollama (chạy local miễn phí), Google, Groq... Có thể chuyển đổi linh hoạt, tối ưu chi phí. → Làm gì: Dùng Ollama nếu muốn tiết kiệm API key.

3. Tạo podcast đa giọng - vượt trội hơn NotebookLM Hỗ trợ 1-4 speakers với custom profile. NotebookLM chỉ có 2 giọng cố định. Có full script control. → Làm gì: Dùng tính năng Podcast Generation để tạo nội dung nghe như radio.

4. Multi-modal content - vào được mọi loại tài liệu PDF, video, audio, web pages, Office docs đều xử lý được. Không giới hạn ở text. → Làm gì: Upload video YouTube hoặc file PDF, sau đó chat hoặc tạo podcast từ nội dung đó.

5. Full REST API - tự động hóa được Khác với NotebookLM không có API, Open Notebook cho phép automation hoàn toàn. Tích hợp vào workflow của bạn. → Làm gì: Build script tự động ingest tài liệu và generate podcast mỗi ngày.

Quick Start

Chạy thử trong 2 phút:

curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml
docker compose up -d

Mở http://localhost:8502 sau 15-20 giây

Cấu hình AI: Vào Settings → API Keys → Add Credential → Paste API key (OpenAI/Anthropic/Google) → Test Connection → Discover Models
Dùng miễn phí local: Xem examples/docker-compose-ollama.yml để chạy AI models hoàn toàn local, không tốn tiền API

Điều khiển browser cho AI agent qua HTTP

Sun, 01 Mar 2026 12:12:47 GMT

TL;DR

Tool để AI agent điều khiển Chrome qua HTTP API. 12MB binary, không cần config, token efficient hơn 5-13 lần so với screenshot. Giúp agent automation không bị phụ thuộc framework.

Nói đơn giản: Tool nhỏ giúp AI mở web, click, đọc nội dung — mà không cần screenshot tốn kém.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Các tool như Playwright MCP, OpenClaw chỉ hoạt động trong framework của nó. Muốn script bằng bash hay ngôn ngữ khác thì không được. Khi nào cần: Automate tasks như scrape dữ liệu, đăng bài, monitor giá cả — mà không muốn bị khóa vào 1 framework. Được gì: Dùng được với mọi ngôn ngữ, mọi agent qua HTTP thuần.

2. Người muốn build sản phẩm AI

Vấn đề: Tích hợp browser automation vào product nhưng tốn quá nhiều token (screenshot ~2000 tokens/page). Khi nào cần: Cần browser control mà không muốn chạy vision model cho mỗi action. Được gì: Giảm 80-90% chi phí token, API đơn giản, integration dễ.

3. Dev muốn thử nghiệm automation

Vấn đề: Không muốn cài đặt phức tạp, không muốn chạy Docker nặng. Khi nào cần: Test nhanh idea, tạo prototype, hoặc chạy automation cá nhân. Được gì: 12MB binary, cài bằng 1 câu lệnh, chạy được ngay.

Các điểm chính

1. HTTP API — không bị lock vào framework Tool cũ chỉ chạy trong nội bộ. Pinchtab thì khác — gọi bằng curl cũng được:

curl localhost:9867/text?tabId=X  # Đọc trang ~800 tokens
curl -X POST localhost:9867/action -d '`{"kind":"click","ref":"e5"}`'  # Click

→ Làm gì: Dùng Pinchtab thay vì Playwright MCP nếu cần language-agnostic.

2. Token efficient — 5-13x rẻ hơn screenshot

Method	Tokens
Screenshot (vision)	~2,000
Full snapshot	~10,500
/text (chỉ text)	~800
Interactive filter	~3,600

50 trang search monitoring: screenshot tốn $0.30, dùng /text chỉ $0.01. → Làm gì: Dùng /text cho read-heavy tasks, filter=interactive khi cần interact.

3. Stealth mode — tránh bị phát hiện là bot Pinchtab patch navigator.webdriver, spoof UA, hide automation flags. Vào được site khó như login pages, social media. → Làm gì: Set BRIDGE_STEALTH=full khi cần automate site chống bot.

4. Session persistence — login một lần, dùng mãi Cookie và session lưu trong profile directory. Khởi động lại vẫn logged in. → Làm gì: Đăng nhập lần đầu trong headed mode, sau đó để agent chạy tự động.

5. Headed mode — human + agent workflow Human xử lý login, 2FA, captcha. Agent tiếp tục qua HTTP API với cùng session. → Làm gì: Dùng headed mode cho tasks cần human intervention (login lần đầu, verify).

6. Self-contained — 12MB binary, zero config Không cần cài đặt Chrome riêng, không cần Docker nặng. Tự launch managed Chrome. → Làm gì: curl -fsSL https://pinchtab.com/install.sh | bash là chạy được.

7. Shared Chrome — tiết kiệm resource Nhiều agent dùng chung 1 Chrome instance qua CDP_URL, tiết kiệm 1.3GB RAM mỗi agent. → Làm gì: Set CDP_URL=http://localhost:9222 để chia sẻ browser.

Quick Start

Cài đặt nhanh (macOS/Linux):

curl -fsSL https://pinchtab.com/install.sh | bash
pinchtab  # Start server

Dùng CLI đơn giản:

pinchtab quick https://example.com  # Navigate + analyze tự động
pinchtab snap -i -c  # Xem snapshot
pinchtab click e5   # Click element

Hoặc dùng HTTP trực tiếp:

curl localhost:9867/navigate -d '`{"url":"https://example.com"}`'
curl localhost:9867/text

Danh sách API cho OpenClaw - Tạo skills, MCP servers, webhooks

Sun, 01 Mar 2026 11:53:16 GMT

TL;DR

Danh sách hơn 10.000 API được chọn lọc để dùng với OpenClaw — AI assistant chạy local trên máy. Có sẵn MCP servers và skills dùng ngay cho WhatsApp, Telegram, Slack, calendar, email và automation.

Nói đơn giản: Kho API có sẵn để AI của bạn thực sự làm việc thay, chứ không chỉ chat cho vui.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: AI chat được nhưng không làm được gì thực tế — không gửi email, không tạo task, không auto post Khi nào cần: Khi muốn AI assistant thật sự handle công việc hàng ngày Được gì: Hơn 100 MCP servers và skills sẵn sàng dùng — calendar, Slack, email, weather, search đều có

2. Người muốn build AI product

Vấn đề: Cần API để tích hợp mà không biết cái nào phù hợp, có 10.000+ cái không biết bắt đầu từ đâu Khi nào cần: Khi cần nhanh chóng tìm API cho tính năng cụ thể (payment, scraping, lead gen...) Được gì: List đã được filter sẵn theo category và use case — lấy API xài liền

Các điểm chính

1. Đừng dùng full list 10.498 API — bắt đầu từ curated list ~100 cái List này có sẵn ~100 API được chọn lọc kỹ nhất. Dùng trước 2-3 cái, thêm sau khi cần. → Làm gì: Mở OPENCLAW_RECOMMENDED.md — pick 2-3 API đầu tiên rồi cắm vô

2. MCP servers = cách nhanh nhất để AI làm việc MCP (Model Context Protocol) cho phép cắm thẳng API vào OpenClaw mà không cần code nhiều — search, calendar, Slack, weather đều có sẵn. → Làm gì: Xài MCP thay vì tự viết skill từ đầu

3. 18 categories phủ đủ use case Từ automation (4.825 API), AI/agents (1.208 API), social media (3.268 API), lead generation (3.452 API) tới travel, jobs, news, real estate. → Làm gì: Khi cần tính năng gì — vào đúng category mà lấy

4. Có thể xài cho WhatsApp, Telegram, Slack, Discord OpenClaw hỗ trợ automation qua webhooks và skills trên các nền tảng nhắn tin phổ biến. → Làm gì: Set webhook trong ~/.openclaw/openclaw.json là AI tự chạy task

Quick Start

Tuần này: Mở file OPENCLAW_RECOMMENDED.md, pick 2 API liên quan nhất tới công việc của mình — cắm MCP hoặc tạo skill theo docs
Tuần tới: Thử 1 automation đơn giản — ví dụ: AI tự đọc email rồi tạo task trong calendar

Chat với AI coding agent từ bất kỳ ứng dụng chat nào

Sun, 01 Mar 2026 05:08:44 GMT

TL;DR

Kết nối Claude Code, Codex với Feishu, Slack, Discord, Telegram để chat với AI coding assistant từ điện thoại hay laptop — không cần public IP, không cần remote desktop.

Nói đơn giản: Muốn hỏi AI code giúp gì từ Slack hay Discord như chat bình thường thì dùng cái này.

Bài này dành cho ai?

1. Dev muốn hỏi AI từ điện thoại

Vấn đề: Đang ở ngoài, không mở laptop, nhưng cần hỏi AI code giúp gì đó Khi nào cần: Đi đường, đi cafe, hay đơn giản là lười mở VS Code Được gì: Chat với Claude Code/Codex từ Slack/Discord/Feishu như chat với người

2. Team muốn share AI assistant cho cả team

Vấn đề: Mỗi người phải cài AI assistant riêng, config lằng nhằng Khi nào cần: Team muốn có 1 AI assistant dùng chung qua chat platform Được gì: 1 process chạy AI, cả team chat vô được

3. Dev muốn thử nhiều AI providers

Vấn đề: Muốn đổi từ Anthropic sang OpenAI hay relay service mà phải restart Khi nào cần: Test xem provider nào chạy tốt hơn, hoặc dùng nhiều account Được gì: Đổi provider ngay trong chat, không restart

Các điểm chính

1. Kết nối AI agent với chat platforms qua local Claude Code và Codex chạy local, không cần expose ra ngoài. Kết nối qua WebSocket/Stream/Gateway của từng platform. → Làm gì: Cài cc-connect, config API credentials, chạy 1 command là xong

2. Không cần public IP cho hầu hết platforms Feishu, DingTalk, Telegram, Slack, Discord đều hỗ trợ kết nối inbound — cc-connect tự kết nối ra ngoài, không cần bạn mở port. → Làm gì: Chạy ở local machine hoặc Docker container thường, không cần cloud server

3. Voice messages với Whisper Gửi voice message trên chat, cc-connect tự convert qua Whisper (OpenAI hoặc Groq) thành text rồi mới hỏi AI. → Làm gì: Cài ffmpeg, thêm config speech trong file

4. Permission modes để kiểm soát AI Claude Code có 4 modes: default (hỏi mỗi lần), acceptEdits (tự sửa file), plan (chỉ lên kế hoạch), yolo (chạy hết). Codex cũng có full-auto hoặc suggest. → Làm gì: Gõ /mode yolo trong chat để cho AI chạy tự do, hoặc /mode default để hỏi mỗi bước

5. Đổi API provider không cần restart Thêm nhiều providers (Anthropic direct, relay service, Bedrock) trong config. Gõ /provider switch \<tên> để đổi ngay trong session. → Làm gì: Thêm config provider, dùng command /provider để quản lý

6. Multi-project, multi-session Mỗi project trong config tự có agent và platforms riêng. Mỗi user có session riêng với full conversation context. → Làm gì: Tạo nhiều [[projects]] trong config.toml, dùng /new để tạo session mới

7. Architecture pluggable Platform và Agent đều là interfaces. Muốn thêm platform mới thì implement core.Platform và register. → Làm gì: Đọc phần Extending trong docs nếu cần thêm LINE hay WhatsApp

Quick Start

Cài đặt nhanh:

npm install -g cc-connect
mkdir -p ~/.cc-connect
cp config.example.toml ~/.cc-connect/config.toml

Config platform muốn dùng (Feishu/Slack/Discord/Telegram), thêm agent type (claudecode hoặc codex)
Chạy:

cc-connect

Bắt đầu chat trên platform đã config — gõ /mode để xem các mode, /help để xem commands khác

Thử thách 3 giờ thiết kế lại website để kiểm tra kỹ năng nền tảng

Sun, 01 Mar 2026 01:56:25 GMT

TL;DR

Một designer chuyển từ công việc vẽ UI sang quản lý đã tự thử thách mình redesign website trong 3 tiếng - không research, không AI, không moodboard. Kết quả: kỹ năng cảm nhận màu sắc, grid vẫn còn dùng được, và quan trọng hơn là biết mình đang ở đâu.

Bài này dành cho ai?

1. Designer chuyển sang quản lý/lead

Vấn đề: Sợ mất kỹ năng thiết kế thuần sau thời gian làm management Khi nào cần: Khi muốn biết "tay nghề" còn vững không Được gì: Cách tự kiểm tra năng lực nền tảng không cần công cụ hỗ trợ

2. Người muốn build sản phẩm

Vấn đề: Phụ thuộc quá nhiều vào AI và quy trình, sợ mất khả năng tư duy thiết kế độc lập Khi nào cần: Khi muốn đo lường năng lực thiết kế thật của mình Được gì: Cách "calibrate" lại kỹ năng bằng exercise ngẫu hứng

3. Designer muốn luyện tập mỗi ngày

Vấn đề: Không có thời gian hoặc cảm thấy cần "lý do" để practice Khi nào cần: Khi muốn duy trì và đánh giá khả năng thiết kế Được gì: Gợi ý bài tập 3 tiếng có thể làm bất kỳ lúc nào

Các điểm chính

Kỹ năng thiết kế có thể giảm khi chuyển sang quản lý Sau thời gian chỉ review và định hướng cho team, công việc "zoom 800% chỉnh 8px" không còn. Bắt đầu tự hỏi cảm giác màu sắc, grid, typography còn nhạy không. → Làm gì: Tự đặt câu hỏi và tìm cách kiểm tra, đừng chờ "có dự án" mới luyện.
Thử thách 3 tiếng - không chuẩn bị, không AI Thiết kế lại website Golde chỉ trong 3 tiếng. Không research, không phác thảo, không moodboard, không AI. Chỉ dựa vào kinh nghiệm tích lũy và cảm tính. → Làm gì: Đặt timer 3 tiếng, chọn brand bất kỳ, mở Figma lên làm - không chuẩn bị trước.
Ý tưởng không cần quy trình dài Không phải lúc nào cũng cần moodboard và research mới bắt đầu được. Đôi khi chỉ cần ngồi xuống và làm. → Làm gì: Bỏ qua bước chuẩn bị nhiều khi không cần thiết, nhất là khi muốn đo năng lực thật.
Tắt AI để đo năng lực nền tảng Cố tình không dùng AI vì mục đích là kiểm tra tốc độ xử lý, cảm nhận màu sắc, khả năng chia layout, hiểu grid và hierarchy của mình. Kết quả không quan trọng bằng việc biết mình đang ở đâu. → Làm gì: Thử làm một bài tập không dùng AI, sau đó so sánh với khi có AI hỗ trợ.
Cảm giác màu sắc, grid vẫn còn dùng được Sau 3 tiếng, tạo ra 3 option. Bản cuối có màu sắc cổ điển nhẹ, tạo cảm giác thủ công nhưng vẫn đủ hiện đại. Kết luận: kỹ năng vẫn còn. → Làm gì: Tin vào kinh nghiệm đã tích lũy, đừng tự nghi ngờ quá mức.

Quick Start

Tuần này: Chọn một website bạn thích, đặt timer 3 tiếng, redesign lại nó trong Figma - không research, không AI, không moodboard trước.
Sau khi làm xong: Viết ra 3 điều bạn học được về chính mình - kỹ năng nào còn, kỹ năng nào cần cải thiện.

Chuyển mọi file sang Markdown để dùng với AI

Sat, 28 Feb 2026 15:16:20 GMT

TL;DR

Tool Python của Microsoft, chuyển đổi PDF, Word, Excel, PowerPoint, ảnh, audio, YouTube... sang định dạng Markdown. Dùng khi bạn cần feed tài liệu vào LLM hoặc build pipeline xử lý text tự động.

Nói đơn giản: Choáng choáng gì cũng chuyển được thành text chuẩn Markdown để AI đọc được.

Bài này dành cho ai?

1. Người muốn AI đọc được tài liệu

Vấn đề: PDF, Word, Excel toàn là binary, LLM không đọc trực tiếp được Khi nào cần: Khi muốn prompt AI phân tích hợp đồng, báo cáo, slide presentation Được gì: Tài liệu được chuẩn hóa sang Markdown, giữ nguyên cấu trúc heading, table, list

2. Người build automation workflow

Vấn đề: Mỗi loại file lại cần thư viện khác nhau để parse Khi nào cần: Khi cần xây dựng pipeline xử lý tài liệu tự động Được gì: Một tool xử lý tất cả, không cần viết code riêng cho từng định dạng

3. Developer cần chuẩn bị data cho LLM

Vấn đề: Dữ liệu nằm rải rác nhiều format, không thống nhất Khi nào cần: Khi fine-tune model hoặc build RAG system Được gì: Input统一, giảm token waste vì Markdown hiệu quả về mặt token

Các điểm chính

Markdown là định dạng LLM hiểu tốt nhất LLM như GPT-4o được train trên khối lượng lớn Markdown, hiểu cấu trúc heading, list, table rất tốt. Markdown cũng tiết kiệm token hơn HTML. → Làm gì: Dùng MarkItDown thay vì chỉ extract raw text khi feed document vào LLM
Hỗ trợ cả chục loại file PDF, PowerPoint, Word, Excel, ảnh (OCR + metadata), audio (transcribe + metadata), HTML, CSV, JSON, XML, ZIP, YouTube, EPUB. Đủ mọi thứ. → Làm gì: Thử markitdown file.pdf xem kết quả trước khi tự việt code parse
Cài đặt theo module Mỗi định dạng là một optional dependency. Cài tất cả: pip install 'markitdown[all]'. Hoặc chỉ cài cái cần: pip install 'markitdown[pdf,docx,pptx]'. → Làm gì: Nếu server có giới hạn, cài đúng module mình xài, đừng cài thừa
Tích hợp LLM để mô tả ảnh Cung cấp llm_client và llm_model (hiện chỉ hỗ trợ pptx và image), AI sẽ describe ảnh thay vì chỉ extract text thuần. → Làm gì: Khi có slide chứa biểu đồ, đồ thị, dùng feature này để LLM hiểu nội dung
Có MCP server cho Claude Desktop MarkItDown có MCP server, cho phép tích hợp trực tiếp với Claude Desktop hoặc các LLM app khác hỗ trợ MCP. → Làm gì: Search "markitdown-mcp" trên GitHub để xem hướng dẫn tích hợp
Dùng Azure Document Intelligence để tăng độ chính xác Với file phức tạp (PDF scan, form), có thể dùng Azure Document Intelligence endpoint để improve quality. Tính năng này optional. → Làm gì: Nếu file có bảng phức tạp, thử thêm -d -e "\<endpoint>" xem có better không
Hỗ trợ plugin MarkItDown cho phép viết plugin để hỗ trợ thêm format mới. Search hashtag #markitdown-plugin trên GitHub để tìm plugin cộng đồng. → Làm gì: Nếu cần format đặc biệt, có thể tự viết plugin theo sample trong repo

Quick Start

Cài đặt ngay: pip install 'markitdown[all]'
Chạy thử với file bất kỳ: markitdown baocao.pdf -o output.md
Xem kết quả, nếu ưng thì tích hợp vào workflow

Xây Dựng MCP Server Thực Tế: 10 Vấn Đề Mình Gặp Khi Đưa Prototype Lên Multi-Tenant - Vibery Edu

Sat, 28 Feb 2026 09:38:00 GMT

TL;DR

Tác giả share 10 vấn đề gặp khi build MCP server quản lý WordPress sites — từ auth, isolation, credentials, đến token optimization. Bài này giúp bạn tránh repeat mistakes nếu đang build AI tool infrastructure.

Nói đơn giản: Cách xây MCP server xử lý nhiều users, giữ credentials an toàn, mà vẫn tốn ít token.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Muốn AI control WordPress sites nhưng sợ credentials leak, hoặc không biết cách secure multi-user setup Khi nào cần: Khi cần AI quản lý nhiều tài khoản WordPress mà không ai thấy password của ai Được gì: Architecture để auth, isolate, encrypt — không lo credentials bay đi

2. Người muốn build sản phẩm

Vấn đề: Prototype chạy được nhưng không biết cách scale lên production với nhiều users Khi nào cần: Khi chuẩn bị release AI tool cho nhiều người xài Được gì: 10 bài học có số liệu, từ auth đến token optimization

Các điểm chính

1. Credentials đặt trong claude_desktop_config.json là public cho ai cũng thấy Setup chuẩn đặt secrets trực tiếp trong file config — ai đọc file đều thấy hết. Muốn rotate phải redeploy. → Làm gì: Bỏ config file, dùng Bearer token qua HTTP endpoint. Users nhận API keys cá nhân, revoke được từng cái.

2. Một Worker phục vụ tất cả users — phải ensure User A không thấy sites của User B D1 không có row-level security. Durable Objects thì overkill cho key-value data. → Làm gì: Dùng KV key prefixes kiểu user:{id}:site:{id}. API không cho phép query across users — structural isolation, không phải policy.

3. WordPress credentials phải encrypt at rest Lưu plaintext = breach đang chờ. WordPress dùng app passwords, không phải OAuth. → Làm gì: AES-256-GCM encryption. Encryption key nằm trong Cloudflare secrets. Derive key với PBKDF2 100k iterations — chậm đủ chống brute force.

4. OAuth flow cần state nhưng Workers không giữ memory State sống ở đâu giữa redirect và callback? → Làm gì: Lưu state trong D1 với expiry column. Validate khi callback: WHERE state = ? AND expires_at > NOW(). D1 đã có sẵn — dùng nó.

5. 20+ MCP tools = địa ngục maintenance schema Mỗi operation thành một tool → mỗi cái cần schema, handler, docs, maintenance. → Làm gì: Chỉ 2 primitives theo Code Mode: search() trả về API docs + examples, execute() chạy wp.namespace.method(args) strings. AI tự viết code từ search results.

6. Remote access mà không cần proxy software cài local workers-mcp yêu cầu Node.js proxy chạy local — UX tệ. → Làm gì: Dùng Streamable HTTP transport. POST /mcp cho JSON-RPC, GET /mcp cho SSE stream. Hoạt động với npx mcp-remote — không cần cài gì local.

7. Onboarding users mà không scale được via email thủ công Cần phân phối API keys cho từng user. → Làm gì: Whitelisted self-service. Landing page check email against whitelist (domains hoặc exact emails), generate key, gửi qua external email service. Idempotent — cùng email luôn ra cùng key.

8. API keys không đủ — MCP clients như Raycast hỗ trợ OAuth native Chỉ một auth method hạn chế adoption. → Làm gì: Dual auth với fallback. Endpoint check cả API key và OAuth token, đều extract được userId. Cả hai produce canonical identity — phần còn lại của system không care auth method.

9. Response payloads quá lớn flood AI context List 100 posts với full content, markdown, ACF = megabytes data. → Làm gì: Response shaping với presets: minimal (id, title), list (+ status, date), search (+ excerpt), edit (+ content, meta), full (everything). AI fetch 100 IDs rồi get full content chỉ khi cần.

10. Tool descriptions lãng phí tokens mỗi lần gọi execute liệt kê mọi function inline — ~800 tokens mà LLM phải đọc mỗi call. Search tool bị ignore. → Làm gì: Minimal descriptions + server instructions. Restructure xuống ~300 tokens: search guide LLM dùng search trước, execute chỉ namespaces + example. Kết quả: token usage giảm 60%.

Quick Start

Tuần này: Nếu đang xài credentials trong config file → chuyển sang Bearer token qua HTTP transport. Đó là vấn đề dễ fix nhất, nghiêm trọng nhất.
Tiếp theo: Xác định data cần isolate. Thêm prefix vào KV keys. Đảm bảo API không cho phép cross-user queries.

Xây dựng Agentic RAG với LangGraph, ghi nhớ và làm rõ truy vấn

Sat, 28 Feb 2026 07:55:16 GMT

TL;DR

Hướng dẫn build Agentic RAG (Retrieval-Augmented Generation) với LangGraph — hệ thống tìm kiếm tài liệu thông minh, có conversation memory, tự query lại khi kết quả chưa đủ, và hỏi lại người dùng khi câu hỏi chưa rõ ràng.

Nói đơn giản: AI tìm kiếm tài liệu giờ có thể nhớ cuộc trò chuyện trước đó, tự phân tích câu hỏi phức tạp thành nhiều sub-query chạy song song, và tự kiểm tra xem kết quả đã đủ chưa.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: AI tìm kiếm tài liệu hiện tại chỉ trả lời một lần, không nhớ context, không chịu hỏi lại khi không hiểu câu hỏi.

Khi nào cần: Cần hỏi AI về tài liệu PDF dài, cần nó nhớ được các câu hỏi trước đó.

Được gì: Hệ thống tìm kiếm thông minh, nhớ conversation, tự query lại khi cần.

2. Người muốn build sản phẩm

Vấn đề: Muốn build chatbot tìm kiếm tài liệu nhưng không biết bắt đầu từ đâu, code lộn xộn không modular.

Khi nào cần: Cần reference architecture để phát triển sản phẩm RAG thực tế.

Được gì: Full codebase có sẵn, modular — đổi LLM provider chỉ 1 dòng code.

3. Người muốn học LangGraph

Vấn đề: LangGraph khó hiểu, không có example thực tế, toàn lý thuyết.

Khi nào cần: Muốn hiểu cách build workflow có nhiều bước, nhiều agent, có memory.

Được gì: Tutorial step-by-step và code chạy được, giải thích từng thành phần.

Các điểm chính

1. Hierarchical Indexing — Parent/Child chunks Tài liệu được chia 2 lần: Parent chunks lớn theo header (H1, H2, H3), Child chunks nhỏ 500 ký tự. Search bằng child để chính xác, retrieve parent để lấy context đầy đủ. → Làm gì: Dùng MarkdownHeaderTextSplitter + RecursiveCharacterTextSplitter cho documents.

2. Conversation Memory AI tóm tắt conversation trước đó thành 1-2 câu, dùng context đó để hiểu câu hỏi tiếp theo. Ví dụ: hỏi "cập nhật nó như nào?" → AI biết "nó" là gì nhờ context. → Làm gì: Thêm bước conversation_summary vào đầu workflow.

3. Query Clarification AI tự phân tích câu hỏi: sửa lỗi chính tả, tách câu hỏi phức tạp thành nhiều sub-query, phát hiện câu hỏi mơ hồ và dừng lại hỏi người dùng. → Làm gì: Viết prompt rewrite_query để AI tự làm rõ trước khi search.

4. Multi-Agent Map-Reduce Câu hỏi "JavaScript là gì? Python là gì?" → spawn 2 agent song song, mỗi agent search riêng. Sau đó aggregate kết quả thành 1 câu trả lời. → Làm gì: Dùng LangGraph Send() để parallelize sub-queries.

5. Self-Correction Agent tự kiểm tra kết quả tìm được. Nếu thấy không đủ, tự search lại với từ khóa khác. Có giới hạn 8 tool calls và 10 iterations để tránh infinite loop. → Làm gì: Thêm logic kiểm tra relevance_score, nếu dưới 0.7 thì query lại.

6. Context Compression Mỗi lần retrieval, context được nén lại còn ~400-600 words. Tránh quá tải LLM với context quá dài. → Làm gì: Dùng tiktoken đếm token, nếu > 2000 thì compress.

7. Modular Architecture Đổi từ Ollama sang OpenAI/Claude chỉ cần sửa 1 dòng. Tương tự cho embedding model, vector DB (Qdrant), PDF converter. → Làm gì: Tách config ra file riêng, dùng LangChain abstraction.

Quick Start

Chạy thử Colab ngay tuần này: Mở link Google Colab trong README, chạy notebook từ đầu đến cuối. Xem workflow chạy như nào trước.
Thay đổi LLM provider: Trong code, đổi ChatOllama thành ChatOpenAI hoặc ChatAnthropic. Xem nó hoạt động với model khác.

AI agent xử lý nhiều user cùng lúc cho Discord, Slack, Telegram

Sat, 28 Feb 2026 06:57:15 GMT

TL;DR

Spacebot là AI agent viết bằng Rust, cho phép nhiều người tương tác đồng thời mà không chờ nhau. Khác với các framework chạy một luồng duy nhất, Spacebot chia tách thành 5 loại process chuyên biệt — channel tiếp chuyện, branch suy nghĩ, worker làm việc, compactor dọn dẹp context, và cortex quản lý memory. Memory không phải file markdown mà là graph có cấu trúc với 8 loại type.

Nói đơn giản: AI agent chạy trên nhiều nền tảng chat cùng lúc, nhớ được ai là ai, làm được việc thật (code, file, browse web) mà không bị đứng máy.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Các agent hiện tại cứ phải đợi nhau — khi nó đang suy nghĩ thì không trả lời được, khi đang compact context thì tắt đen, khi search memory thì context bị phình lên noise.

Khi nào cần: Community Discord 50+ members, team Slack nhiều người hỏi việc cùng lúc, hoặc cần AI vừa trả lời chat vừa chạy code background.

Được gì: Agent phản hồi ngay, không bị block bởi tác vụ nặng. Worker chạy code trong khi channel vẫn nói chuyện bình thường.

2. Người muốn build sản phẩm AI agent

Vấn đề: Muốn build agent cho multi-user nhưng architecture một luồng không đủ. Không biết làm sao quản lý memory cho nhiều user, context window có hạn mà user cứ chat dài.

Khi nào cần: Build community bot, team assistant, hoặc bất kỳ sản phẩm nào nhiều người dùng đồng thời.

Được gì: Architecture đã được thiết kế sẵn — cứ việc config, deploy, không cần tự xây từ đầu.

3. Dev muốn self-host AI agent

Vấn đề: Các framework hiện tại phụ thuộc cloud, hoặc cần Docker, microservices phức tạp. Không muốn bị lock vào provider nào.

Khi nào cần: Cần kiểm soát data, chạy local, hoặc dùng model riêng (Ollama, GLM).

Được gì: Single Rust binary, không cần server dependencies. Clone, build, run. Có cả hosted option nếu không muốn tự host.

Các điểm chính

Một luồng = bottleneck, chia process = concurrent Các agent truyền thống chạy mọi thứ trong một session — khi nó đang làm việc thì không trả lời được, khi đang compact context thì tắt đen. Spacebot chia thành 5 process chuyên biệt chạy song song. → Làm gì: Xây dựng agent theo mô hình delegation — channel giao việc, worker làm, không bao giờ block.
Memory là graph có type, không phải markdown hay vector đơn thuần 8 loại memory: Fact, Preference, Decision, Identity, Event, Observation, Goal, Todo. Mỗi memory có graph edges nối với memory liên quan. Agent biết được sự khác biệt giữa "một sự thật", "một quyết định", và "một mục tiêu" — chứ không phải cứ "nhớ" lung tung. → Làm gì: Khi thiết kế memory cho agent, định nghĩa rõ type từ đầu, đừng lưu tất cả dạng text.
Message coalescing — đọc cả room thay vì spam reply Khi messages bay nhanh, Spacebot batch lại thành một turn cho LLM, có cả timing context. Agent tự quyết định reply cái gì thú vị nhất, hoặc im lặng nếu không có gì đáng reply. → Làm gì: Không cần reply mọi tin nhắn — để LLM tự đánh giá priority.
4-level model routing — chọn model đúng cho tác vụ Process-type routing (channel dùng model tốt, worker dùng model rẻ), task-type override (coding worker upgrade lên model mạnh), prompt complexity scoring (tự động downgrade tác vụ đơn giản sang model cheap), và fallback chains (model lỗi tự động nhảy sang model khác). → Làm gì: Config routing để tối ưu cost — channel dùng Sonnet, worker dùng Haiku, simple query dùng free tier.
Security: kernel-enforced sandbox, không phải string filtering Shell và exec tools chạy trong bubblewrap (Linux) hoặc sandbox-exec (macOS). Toàn bộ filesystem read-only trừ workspace. Không LLM nào có thể write ra ngoài sandbox được — đây là kernel-enforced, không phải filter string đơn thuần. → Làm gì: Khi cho agent chạy shell command, KHÔNG BAO GIỜ tắt sandbox mode.
Branches — think without blocking Channel branch ra một fork để suy nghĩ, có đầy đủ context như channel. Trong khi branch suy nghĩ, channel vẫn trả lời được câu hỏi khác. Branch xong thì channel nhận kết quả và respond. → Làm gì: Dùng branch cho tác vụ cần suy nghĩ (research, memory recall) trong khi vẫn giữ channel responsive.
MCP integration — kết nối external tools dễ dàng Khai báo MCP server trong config, Spacebot tự discover tools, tự retry khi lỗi, hot-reload được. Không cần viết Rust implementation cho mỗi external service. → Làm gì: Cần tool gì thì khai báo MCP server, không cần code thêm.

Quick Start

1. Build và chạy thử:

git clone https://github.com/spacedriveapp/spacebot
cd spacebot
cargo build --release

2. Tạo config.toml cơ bản:

[llm]
openrouter_key = "env:OPENROUTER_API_KEY"

[defaults.routing]
channel = "anthropic/claude-sonnet-4"
worker = "anthropic/claude-sonnet-4"

[[agents]]
id = "my-agent"

[messaging.discord]
token = "env:DISCORD_BOT_TOKEN"

[[bindings]]
agent_id = "my-agent"
channel = "discord"
guild_id = "your-discord-guild-id"

3. Chạy:

spacebot  # start daemon
spacebot status  # kiểm tra

Binary tự tạo database và directories khi chạy lần đầu.

Claude 101

Sat, 28 Feb 2026 03:54:16 GMT

TL;DR

Khóa học miễn phí từ Anthropic dạy bạn cách dùng Claude để làm việc hàng ngày. Từ cách chat đầu tiên cho đến kết nối với công cụ khác, project, và artifacts — tất cả đều có hướng dẫn step-by-step.

Nói đơn giản: Khóa học này giúp bạn biết cách xài Claude đúng cách, không phải chỉ hỏi lung tung.

Bài này dành cho ai?

1. Người mới bắt đầu dùng AI

Vấn đề: Chưa biết cách hỏi AI cho đúng, sợ hỏi ra kết quả vô ích Khi nào cần: Khi mới tạo tài khoản Claude lần đầu, muốn học cách dùng có hệ thống Được gì: Hiểu cách prompt hiệu quả, cách tổ chức cuộc trò chuyện, cách dùng các tính năng như project để quản lý công việc

2. Người đã dùng AI nhưng muốn dùng chuyên sâu

Vấn đề: Dùng AI được nhưng chưa khai thác hết tính năng, không biết có artifacts, skills, enterprise search Khi nào cần: Khi đã quen chat cơ bản muốn nâng cấp workflow Được gì: Cách dùng artifacts để tạo nội dung tương tác, skills để mở rộng khả năng Claude, kết nối API với công cụ khác

3. Doanh nghiệp muốn triển khai AI

Vấn đề: Cần hướng dẫn team dùng AI nhất quán, lo ngại về bảo mật và quyền riêng tư Khi nào cần: Khi muốn adopt Claude cho toàn công ty Được gì: Hiểu về enterprise search, data privacy, cách quản lý tài khoản team

Các điểm chính

Claude giờ không chỉ là chatbot Ngoài chat thông thường, Claude có project để quản lý context dài, artifacts để tạo UI/code tương tác, skills để mở rộng khả năng theo nhu cầu riêng. → Làm gì: Thử tạo một project để quản lý một workflow cụ thể, xem artifacts có thể tạo ra gì hữu ích không.
Prompt tốt quyết định kết quả Khóa học có cả phần hướng dẫn cách viết prompt để Claude hiểu đúng và trả lời chính xác hơn. → Làm gì: Trước khi hỏi Claude, dành 10 giây viết rõ context và format mong muốn.
Có thể kết nối với công cụ khác Phần "Connecting your tools" hướng dẫn cách tích hợp Claude với workflow hiện có của bạn. → Làm gì: Xem danh sách integrations có sẵn, thử kết nối với một công cụ bạn đang xài.
Research mode cho việc cần deep dive Tính năng này giúp Claude tìm hiểu kỹ một chủ đề thay vì trả lời nhanh — hữu ích cho work cần nghiên cứu. → Làm gì: Dùng research mode khi cần tổng hợp thông tin từ nhiều nguồn, không phải chỉ hỏi đáp nhanh.
Miễn phí và có certificate Đăng ký free trên Skilljar, hoàn thành có chứng chỉ. → Làm gì: Đăng ký ngay, mất khoảng 2-3 giờ để xong hết.

Quick Start

Tuần này: Vào link đăng ký khóa học, tạo tài khoản Skilljar — mất 2 phút
Tuần này: Hoàn thành phần "Meet Claude" và "Your first conversation" — khoảng 30 phút
Tuần tới: Làm hết phần "Getting better results" và "Introduction to projects" — áp dụng ngay vào work

Dashboard theo dõi OpenClaw AI agent realtime

Fri, 27 Feb 2026 05:45:17 GMT

TL;DR

TenacitOS là dashboard trực quan để quản lý OpenClaw AI agents trong thời gian thực. Nó đọc trực tiếp từ OpenClaw mà không cần database riêng, hiển thị agent activity, chi phí, system metrics và cả văn phòng 3D. Cài đặt đơn giản, chạy trong workspace của OpenClaw.

Nói đơn giản: Dashboard để xem AI agent đang làm gì, tốn bao nhiêu tiền, và điều khiển được luôn.

Bài này dành cho ai?

1. Người đang xài OpenClaw muốn nhìn thấy agent đang làm gì

Vấn đề: OpenClaw chạy ngầm, không biết agent nào đang active, tốn bao nhiêu token

Khi nào cần: Khi chạy nhiều agents cùng lúc, muốn theo dõi cost và activity

Được gì: Dashboard real-time hiển thị mọi thứ — từ CPU/RAM đến token usage mỗi agent

2. Người build AI workflow trên OpenClaw

Vấn đề: Không có công cụ trực quan để quản lý agent, debug log lộn xộn

Khi nào cần: Khi cần xem memory files, edit cron jobs, kiểm tra workspace files

Được gì: File browser, memory browser, cron manager — tất cả trong một giao diện

3. Người muốn demo AI agent cho khách hàng

Vấn đề: Cần show được "AI đang hoạt động" một cách trực quan, ấn tượng

Khi nào cần: Khi cần present AI solution cho client hoặc team

Được gì: 3D office với avatar cho mỗi agent — cool factor cao

Các điểm chính

1. OpenClaw là backend luôn TenacitOS đọc trực tiếp từ /root/.openclaw/ — không cần database riêng. Agents được auto-discover từ openclaw.json. → Làm gì: Cài đặt vào đúng thư mục workspace của OpenClaw là chạy liền.

2. Agent dashboard với cost tracking Xem được agent nào đang chạy, session nào đang active, tổng token đã dùng, cost theo ngày. → Làm gì: Chạy script collect-usage.ts để lấy data từ SQLite của OpenClaw.

3. System monitor tích hợp CPU, RAM, Disk, Network — tất cả real-time. PM2/Docker status cũng hiển thị. → Làm gì: Dùng để debug khi thấy VPS lag, biết ngay do agent hay do system.

4. Cron manager trực quan Thay vì gõ crontab command, có giao diện để tạo/sửa/xóa cron jobs, xem history run. → Làm gì: Dùng tab Cron trong dashboard để schedule agent tasks.

5. 3D Office với avatar per agent React Three Fiber render văn phòng 3D, mỗi agent có một bàn và avatar riêng. Có thể upload file GLB tùy chỉnh. → Làm gì: Edit src/components/Office3D/agentsConfig.ts để thêm agent vào office.

6. Bảo mật — auth + rate limiting Tất cả routes đều protected bằng password. Login bị giới hổn: 5 lần fail → khóa 15 phút. Terminal chỉ cho chạy command trong allowlist. → Làm gì: Không bao giờ commit .env.local lên git.

Quick Start

1. Clone vào OpenClaw workspace

cd /root/.openclaw/workspace
git clone https://github.com/carlosazaustre/tenacitOS.git mission-control
cd mission-control
npm install

2. Tạo config

cp .env.example .env.local
# Edit .env.local — điền ADMIN_PASSWORD và AUTH_SECRET

3. Copy data files

cp data/cron-jobs.example.json data/cron-jobs.json
cp data/activities.example.json data/activities.json
cp data/notifications.example.json data/notifications.json

4. Chạy thử

npm run dev
# Vào http://localhost:3000, đăng nhập bằng ADMIN_PASSWORD

Nhận diện khuôn mặt all-in-one chỉ với vài dòng Python

Fri, 27 Feb 2026 04:01:49 GMT

TL;DR

UniFace là thư viện Python mã nguồn mở, dùng ONNX Runtime để chạy các model AI nhận diện khuôn mặt nhanh và nhẹ. Tích hợp sẵn detection, recognition, landmark, parsing, gaze estimation, attribute analysis và cả anti-spoofing — chỉ cần cài pip install uniface là chạy được, hỗ trợ cả CPU lẫn GPU.

Nói đơn giản: Thư viện này giúp mình detect khuôn mặt trong ảnh, nhận ra ai là ai, đọc được tuổi/giới tính/cảm xúc, thậm chí là phát hiện khuôn mặt giả — tất cả chỉ trong vài dòng code.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Muốn tự động phân tích khuôn mặt trong ảnh/video nhưng không muốn train model từ đầu, không muốn cài cắm nhiều thư viện rời rạc

Khi nào cần: Khi cần build pipeline xử lý ảnh hàng loạt — ví dụ như kiểm tra nhân viên chấm công, phân tích khách hàng từ camera, hoặc lọc ảnh profile

Được gì: Chỉ 3 dòng code là có kết quả: bbox, landmarks, embedding, attributes — không cần hiểu sâu về model bên dưới

2. Người muốn build sản phẩm

Vấn đề: Cần tích hợp face analysis vào app/web nhưng sợ performance chậm, sợ phải tự optimize cho từng hardware

Khi nào cần: Khi build attendance system, access control, smart gallery, hoặc bất kỳ sản phẩm nào cần nhận diện khuôn mặt

Được gì: ONNX Runtime chạy nhanh trên cả CPU, tối ưu sẵn cho ARM64 (Mac/Mobile) và CUDA (GPU NVIDIA) — production-ready từ đầu

3. Người cần privacy/anonymization

Vấn đề: Cần làm mờ khuôn mặt trong ảnh để protect privacy, nhưng muốn tự động và chính xác

Khi nào cần: Khi xử lý dữ liệu video từ camera công cộng, hoặc chuẩn bị dataset mà không muốn lộ khuôn mặt người thật

Được gì: 5 cách blur khác nhau, tích hợp sẵn — không cần viết code xử lý ảnh từ đầu

Các điểm chính

All-in-one — một thư viện cho tất cả Thay vì cài retinaface, insightface, dlib... riêng lẻ, giờ chỉ cần pip install uniface là có đủ: detection, recognition, landmark, parsing, gaze, attributes, anti-spoofing, anonymization. → Làm gì: Xóa hết mấy thư viện rời rạc trong requirements.txt, thay bằng một thư viện duy nhất.
ONNX Runtime — chạy nhanh trên mọi hardware Model convert sang ONNX rồi, nên inference nhanh hơn PyTorch thuần. Hỗ trợ CPU, CUDA, và ARM64 — tức là chạy ngon trên Mac M1/M2/M3 luôn. → Làm gì: Test thử trên máy local (Mac/Windows) trước khi deploy lên server — không cần GPU vẫn chạy được.
Tự động download model Lần đầu chạy nó tự tải model về ~/.uniface/models, có verify SHA-256. Có thể set cache directory riêng qua code hoặc environment variable. → Làm gì: Set UNIFACE_CACHE_DIR=/data/models nếu máy production không có internet, download sẵn model rồi copy vào.
Anti-spoofing — phát hiện khuôn mặt giả Tích hợp sẵn MiniFASNet để nhận ra ảnh giả, video giả — quan trọng cho mấy hệ thống xác thực khuôn mặt. → Làm gì: Nếu đang build face authentication, nhớ enable anti-spoofing — không thì bị hack bằng ảnh màn hình.
Privacy protection — 5 cách blur khuôn mặt Xóa blur, gaussian blur, pixelate, predicted mask... — dùng cho dataset anonymization hoặc video streaming. → Làm gì: Dùng thẳng FaceAnonymizer class thay vì viết code OpenCV lòng vòng.
FairFace — attribute analysis có fairness Model FairFace được train để giảm bias về chủng tộc — attribute analysis sẽ accurate hơn cho đa dạng dân số. → Làm gì: Nếu sản phẩm hướng đến user toàn cầu, ưu tiên FairFace thay vì model bias về người da trắng.
Jupyter Notebook có sẵn — học nhanh 9 examples từ detection cơ bản đến anonymization, có sẵn link Colab — copy-paste chạy thử liền. → Làm gì: Mở 05_face_analyzer.ipynb lên, thay ảnh mẫu bằng ảnh của mình, chạy thử 30 giây là hiểu.

Quick Start

1. Cài đặt — chạy ngay hôm nay

pip install uniface

Nếu có GPU NVIDIA:

pip install uniface[gpu]

2. Test nhanh — detect khuôn mặt trong ảnh

import cv2
from uniface.detection import RetinaFace

detector = RetinaFace()
image = cv2.imread("photo.jpg")
faces = detector.detect(image)

for face in faces:
    print(f"Confidence: `{face.confidence:.2f}`")
    print(f"BBox: `{face.bbox}`")

3. Chạy full analysis — detection + recognition + attributes

import cv2
from uniface.analyzer import FaceAnalyzer
from uniface.detection import RetinaFace
from uniface.recognition import ArcFace

detector = RetinaFace()
recognizer = ArcFace()
analyzer = FaceAnalyzer(detector, recognizer=recognizer)

image = cv2.imread("photo.jpg")
faces = analyzer.analyze(image)

for face in faces:
    print(f"BBox: `{face.bbox}`")
    print(f"Embedding: `{face.embedding.shape}`")
    print(f"Attributes: `{face.attributes}`")

Sim - Visual Workflow Builder cho AI Agent Automation

Thu, 26 Feb 2026 18:00:49 GMT

TL;DR

Tài liệu giới thiệu Sim, nền tảng visual workflow no-code mã nguồn mở để build và deploy AI agent workflows. Bạn có thể kéo thả kết nối AI models, APIs, databases, và business tools mà không cần viết code. Nền tảng tích hợp sẵn 80+ services và có Copilot AI hỗ trợ xây dựng workflow bằng ngôn ngữ tự nhiên.

Nói đơn giản: Sim là công cụ kéo thả để tự động hóa AI workflows, không cần biết code vẫn làm được.

Bài này dành cho ai?

1. Người muốn tự động hóa công việc bằng AI

Vấn đề: Không biết code, không muốn phụ thuộc dev để tạo automation Khi nào cần: Khi cần chatbot, auto reply email, sync data giữa các tools Được gì: Build được workflow trong 10 phút bằng kéo thả, không cần dev

2. Builder/Developer muốn nhanh

Vấn đề: Muốn prototype nhanh, không muốn viết code từ đầu cho các automation thường gặp Khi nào cần: Khi cần test ý tưởng AI product, hoặc tạo MVP Được gì: 80+ integrations sẵn có, visual debug, deploy nhanh

3. Team muốn collaborate trên AI workflows

Vấn đề: Không có tool chung để team build và quản lý AI automation Khi nào cần: Khi nhiều người cần cùng edit và maintain workflows Được gì: Real-time collaboration, role-based permissions, centralized logging

Các điểm chính

Visual workflow editor - kéo thả thay vì code Giao diện kéo thả trực quan, kết nối AI models, databases, APIs qua canvas. Không cần viết code vẫn build được complex automation. → Làm gì: Vào sim.ai, tạo workflow mới, kéo thử một vài blocks để quen interface.
80+ integrations sẵn có AI Models (OpenAI, Anthropic, Gemini, Groq, Ollama), Communication (Slack, Gmail, WhatsApp), Productivity (Notion, Airtable, Google Workspace), Databases (PostgreSQL, Supabase, Pinecone). → Làm gì: Check xem tool bạn đang xài có supported không trước khi tự build từ đầu.
Copilot - build bằng ngôn ngữ tự nhiên Gõ "@" để hỏi, hoặc switch sang Agent mode để Copilot tự thêm blocks, configure settings, wire variables. Có 4 mode: Fast, Auto, Advanced, Behemoth cho từng mức độ phức tạp. → Làm gì: Thử gõ "thêm block gửi email qua Gmail khi có input mới" xem nó hiểu không.
Trigger đa dạng - chạy workflow theo nhiều cách Start (manual), Schedule (cron), Webhook (external call), RSS Feed. Hoặc trigger từ Slack, GitHub events. → Làm gì: Xác định điều gì sẽ khởi động workflow trước khi build phần xử lý.
Block system modular Có processing blocks (Agent, API, Function), logic blocks (Condition, Loop, Router), output blocks (Response, Evaluator). Mỗi block handle một task cụ thể. → Làm gì: Bắt đầu với simple flow (Input → Agent → Response) trước khi thêm logic phức tạp.
Deploy linh hoạt - cloud hoặc tự host Cloud-hosted: auto scaling, managed infrastructure. Self-hosted: Docker/Kubernetes, data control, dùng local AI models qua Ollama. → Làm gì: Nếu data nhạy cảm hoặc muốn dùng local models, chọn self-hosted.
MCP support - kết nối bất kỳ tool nào Ngoài 80+ integrations có sẵn, dùng MCP (Model Context Protocol) để connect external services không được list. → Làm gì: Nếu tool bạn cần không có trong list, tìm hiểu MCP để tự integrate.
Real-time collaboration cho team Nhiều người edit cùng lúc, live updates, granular permissions (roles and permissions). → Làm gì: Set up workspace roles ngay từ đầu nếu build với team.

Quick Start

Tạo workflow đầu tiên trong 10 phút

Đăng ký tại sim.ai
Chọn "Create Workflow" → kéo thả Trigger (Start) → Agent (OpenAI/Anthropic) → Response
Connect credentials cần thiết → Test chạy

Thử Copilot Agent mode

Mở Copilot → gõ yêu cầu bằng tiếng Việt như "tạo workflow gửi tin nhắn Slack khi có email mới"
Xem nó tự thêm và configure blocks như thế nào

Đăng 13 mạng xã hội cùng lúc bằng Postiz

Thu, 26 Feb 2026 17:25:30 GMT

TL;DR

Postiz là tool open-source cho phép schedule post lên nhiều nền tảng cùng lúc (Instagram, YouTube, LinkedIn, TikTok, Facebook, X, Discord...). Có thể tự host hoặc dùng cloud, tích hợp sẵn với N8N, Make.com, Zapier để tự động hóa workflow.

Nói đơn giản: Tool cho phép viết một bài rồi đăng lên nhiều mạng xã hội cùng lúc, thay vì phải làm thủ công từng cái.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Đăng content lên nhiều mạng xã hội tốn thời gian, phải làm thủ công từng nền tảng Khi nào cần: Khi cần đồng bộ content lên nhiều kênh cùng lúc Được gì: Tiết kiệm thời gian đăng bài, tập trung vào sáng tạo nội dung

2. Người muốn build sản phẩm

Vấn đề: Muốn tích hợp social media scheduling vào SaaS nhưng không muốn xin approval từ các nền tảng Khi nào cần: Khi muốn build social media management tool cho users Được gì: Multi-tenant architecture, full OAuth support, headless API - build nhanh mà không lo compliance

Các điểm chính

Hỗ trợ 13+ nền tảng Instagram, YouTube, LinkedIn, TikTok, Facebook, X, Discord, Pinterest, Threads, Reddit, Dribbble, Mastodon, Bluesky - schedule từ một chỗ → Làm gì: Dùng Postiz thay vì đăng thủ công từng kênh
Self-hosted và Cloud đều có Bản self-hosted thì tự deploy, bản cloud thì dùng ngay. Hiện tại feature giống nhau → Làm gì: Nếu biết Docker thì self-hosted, không thì dùng cloud
Tích hợp sẵn automation Có NodeJS SDK, N8N node, Make.com integration, sẵn API cho Zapier → Làm gì: Kết nối với N8N hoặc Make.com để auto post từ workflow của mình
Enterprise - Postiz-as-a-service Multi-tenant architecture, skip app approvals từ social platforms, full OAuth support - dành cho SaaS muốn offer social media management cho users → Làm gì: Nếu đang build SaaS thì xem bản enterprise để tích hợp nhanh
Tuân thủ platform policies Dùng OAuth chính thức, không scrape, không thu thập API keys của users. Users tự login với platform → Làm gì: Yên tâm sử dụng vì không lo violate policies của các nền tảng
Tech stack hiện đại Monorepo (Pnpm), NextJS + NestJS, Prisma + PostgreSQL, Temporal cho workflow, Resend cho email → Làm gì: Nếu muốn contribute hoặc customize thì cần dev biết stack này

Quick Start

Vào docs.postiz.com/quickstart để setup
Thử deploy bản self-hosted trước nếu muốn tự host

30+ cách xài OpenClaw vào công việc hàng ngày

Thu, 26 Feb 2026 16:30:31 GMT

TL;DR

Tổng hợp 30+ use case thực tế của OpenClaw — nền tảng AI agent mã nguồn mở. Bao gồm social media automation, quản lý dự án, devops, research và cả trading thử nghiệm. Giúp xem cách người ta đang dùng AI agent để tự động hóa công việc thay vì tự làm bằng tay.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Làm nhiều việc lặp đi lặp lại mất thời gian — đọc tin tức, tổng hợp email, quản lý lịch Kễu nào cần: Khi thấy mình làm những việc lặp đi lặp lại mỗi ngày Được gì: Không phải tự làm nữa, cứ nhờ AI tổng hợp rồi gửi cho mình

2. Người build sản phẩm AI

Vấn đề: Cần ý tưởng để tạo ra sản phẩm AI thực tế, có người dùng Kễu cần: Lúc đang brainstorm features hoặc tìm gap trên thị trường Được gì: 30+ ví dụ cách người ta đang xài AI agent, xem được use case nào đã có, nào còn trống

3. Developer/DevOps

Vấn đề: Muốn tự động hóa infrastructure nhưng không có thời gian ngồi viết script Kễu cần: Khi cần agent quản lý server, điều phối webhook, hoặc deploy tự động Được gì: Pattern cụ thể như STATE.yaml cho multi-agent, tích hợp n8n qua webhook

Các điểm chính

AI giờ làm được cả ngày lẫn đêm Multi-channel AI customer service trả lời WhatsApp, Instagram, Email, Google Reviews 24/7 — không cần người online. → Làm gì: Cần hỗ trợ khách hàng liên tục thì setup multi-channel inbox ngay.
Content creation chạy tự động Multi-agent content factory trong Discord — research agent, writing agent, thumbnail agent làm việc song song trong các channel riêng. → Làm gì: Muốn scale content thì xây multi-agent team thay vì 1 người làm hết.
DevOps giờ chỉ cần 1 agent Self-healing home server chạy SSH access, cron jobs tự động, tự sửa lỗi trên network nhà. → Làm gì: Có server cá nhân thì đặt agent giám sát 24/4, khỏi phải login thủ công.
Research không cần tự search tay Knowledge base (RAG) cho phép nhét URL, tweet, article vào chat rồi hỏi AI tìm kiếm. Market research dùng Reddit/X tìm pain points rồi build MVP luôn. → Làm gì: Ai cần nghiên cứu thị trường thì xài RAG + Last 30 Days skill.
Paper trading có data thật Polymarket autopilot trade thử nghiệm trên prediction markets, có backtesting và báo cáo performance hàng ngày. → Làm gì: Muốn test chiến lược trading mà không dùng tiền thật thì chạy autopilot này.

Quick Start

Tuần này: Vào danh sách use case, chọn 1 cái phù hợp với công việc mình đang làm mỗi ngày. Đọc kỹ cảnh báo bảo mật trước khi xài.
Tuần sau: Thử setup thử 1 workflow nhỏ — ví dụ Daily Reddit Digest hoặc Inbox De-clutter — xem nó hoạt động thế nào rồi mới scale lên.

Vercel Knowledge Agent: AI Chatbot không cần Vector DB

Thu, 26 Feb 2026 09:14:49 GMT

TL;DR

Template của Vercel để build AI chatbot trả lời về docs/codebase. Không cần vector DB hay embeddings — agent search trực tiếp trên file. Deploy một lần, chạy trên web, GitHub Issues, Discord.

Nói đơn giản: Fork repo, deploy lên Vercel, có ngay AI assistant cho tài liệu của bạn.

Bài này dành cho ai?

1. Dev muốn build AI chatbot cho tài liệu nội bộ

Vấn đề: Thường phải setup embeddings, vector DB, chunking pipeline — phức tạp, tốn infra.

Khi nào cần: Khi cần AI trả lời về codebase, docs, hoặc knowledge base có sẵn.

Được gì: Không cần vector DB, search nhanh, deterministic, có thể explain được kết quả.

2. Team cần AI agent trả lời trên GitHub/Discord

Vấn đề: Phải build riêng bot cho từng nền tảng, code lại logic.

Khi nào cần: Khi muốn team hỏi AI trực tiếp trên GitHub Issues hoặc Discord channel.

Được gì: Một agent code một lần, deploy lên cả web, GitHub, Discord.

3. Người muốn tự host AI agent với chi phí thấp

Vấn đề: Các giải pháp SaaS AI agent thường đắt đỏ, khó tùy chỉnh.

Khi nào cần: Khi muốn kiểm soát data, tùy chỉnh prompts, tự host trên Vercel.

Được gì: Template có sẵn auth, admin panel, sync workflow — chỉ việc fork và deploy.

Các điểm chính

1. File-Based Search — Không cần Embeddings Agent dùng grep, find, cat trong sandbox để search trực tiếp trên file system. Không vector DB, không chunking pipeline, không embedding model. Kết quả deterministic và có thể explain được. → Làm gì: Thêm nguồn (GitHub repos, YouTube transcripts) qua admin UI, AI sẽ search trực tiếp.

2. Multi-Platform từ Một Codebase Viết agent một lần, deploy lên web chat, GitHub Issues, Discord. Thêm platform mới chỉ cần một adapter file. → Làm gì: Dùng Chat SDK của Vercel để thêm Slack, Linear nếu cần.

3. Smart Complexity Router Mỗi câu hỏi được classify độ phức tạp và route tới model phù hợp. Câu đơn giản dùng model rẻ, câu khó dùng model mạnh. Tự động tối ưu chi phí. → Làm gì: Không cần viết rule thủ công, cứ hỏi đi, hệ thống tự chọn model.

4. Shared Sandbox Pool Sandbox được pool chung giữa các users. Khi chat bắt đầu, connect tới sandbox đang chạy sẵn — startup dưới 100ms. Nếu không có, dùng pre-built snapshot khởi động trong 1-3s. → Làm gì: Tận dụng infrastructure có sẵn, không phải tạo mới mỗi lần.

5. AI-Powered Admin Agent Hỏi app về chính nó bằng ngôn ngữ tự nhiên: "Có lỗi gì trong 24h?", "Model nào tốn token nhất?". Admin agent có tools như query_stats, query_errors, run_sql, chart. → Làm gì: Truy cập /admin, hỏi AI để debug hoặc xem analytics.

6. Real-Time Tool Visualization Chat UI hiển thị agent đang làm gì: đọc file nào, chạy command gì, mất bao lâu. Không phải black box. → Làm gì: Debug dễ hơn, biết AI đang nghĩ gì.

Quick Start

1. Deploy lên Vercel ngay

Click button "Deploy with Vercel" trong README, điền:

BETTER_AUTH_SECRET: chạy openssl rand -hex 32
Tạo GitHub App tại github.com/settings/apps/new, lấy Client ID + Secret

2. Thêm content sources

Vào /admin → Add source → GitHub repo hoặc YouTube channel → Trigger sync.

3. Test thử

Mở chat UI, hỏi gì đó về source vừa thêm.

4. (Tuỳ chọn) Thêm bot

Vào docs/CUSTOMIZATION.md xem cách thêm Discord bot hoặc GitHub bot.

Cách viết Skill cho AI Agent: Cấu trúc, Trigger, Validate

Thu, 26 Feb 2026 09:12:01 GMT

TL;DR

Bài này hướng dẫn cách tạo skill cho AI agent: từ cấu trúc thư mục, cách viết instruction để agent hiểu, đến quy trình validate. Giúp skill của bạn chạy đúng, dễ maintain, và không ngốn token.

Nói đơn giản: Hướng dẫn cách viết "công thức" để AI agent biết làm gì, khi nào làm, và làm đúng.

Bài này dành cho ai?

1. Dev đang build AI agent hoặc workflow

Vấn đề: Viết instruction cho AI mà nó hiểu sai, làm sai, hoặc hỏi liên tục Khi nào cần: Khi cần tạo skill để agent có thể reuse cho nhiều task tương tự Được gì: Skill chạy tự động, ít token, dễ maintain

2. Người muốn tự động hóa workflow với AI

Vấn đề: AI làm việc không nhất quán, mỗi lần phải prompt lại từ đầu Khi nào cần: Khi có task lặp đi lặp lại (vd: migrate project, generate code theo template) Được gì: Workflow có thể lưu lại và xài nhiều lần

3. AI product builder

Vấn đề: Skill không discoverable, agent không biết khi nào nên dùng Khi nào cần: Khi build hệ thống agent cần chọn skill phù hợp từ nhiều options Được gì: Agent routing chính xác, ít false trigger

Các điểm chính

1. Skill cần theo cấu trúc thư mục cố định Mỗi skill gồm: SKILL.md (bắt buộc - dưới 500 dòng), scripts/ (code chạy được), references/ (context phụ), assets/ (templates). SKILL.md là "não" - dùng để navigation và high-level procedure. → Làm gì: Tạo thư mục theo format trên trước khi viết bất kỳ content nào

2. Frontmatter quyết định agent có trigger skill hay không Trường name và description trong YAML là thứ duy nhất agent thấy trước khi quyết định load skill. Description tối đa 1024 ký tự, viết theo third person, có cả "negative triggers" (khi nào KHÔNG nên dùng). → Làm gì: Viết description kiểu "Creates React components using Tailwind. Use when user wants to update styles. Don't use for Vue or vanilla CSS"

3. Progressive disclosure - chỉ load info khi cần Giữ SKILL.md dưới 500 dòng. Chi tiết nặng nề move sang references/, scripts/, assets/. Agent sẽ không thấy các file này trừ khi bạn bảo nó đọc ("See references/auth-flow.md for error codes"). → Làm gì: Tách large config, template phức tạp ra file riêng, trong SKILL.md chỉ ghi đường dẫn

4. Viết instruction cho LLM, không phải cho human Dùng step-by-step numbering, third-person imperative ("Extract the text" thay vì "I will extract"). Template cụ thể để trong assets/ thay vì mô tả bằng prose dài. → Làm gì: Thay vì viết "JSON output nên có field X, Y, Z", đặt file template mẫu trong assets/ rồi bảo agent "copy structure này"

5. Script phức tạp thì bundle sẵn, đừng bắt LLM viết lại Nếu agent cần parse data phức tạp hoặc query database, cho nó script Python/Bash có sẵn trong scripts/. Script phải trả về error message rõ ràng để agent tự sửa. → Làm gì: Viết script xử lý task phức tạp một lần, để trong scripts/, gọi khi cần

6. Validate skill bằng chính LLM 4 bước: (1) Discovery - test description có trigger đúng không, (2) Logic - feed toàn bộ SKILL.md rồi simulate execution, (3) Edge Case - prompt LLM tấn công logic của mình, (4) Refinement - restructure theo progressive disclosure. → Làm gì: Dùng LLM khác (hoặc chat khác) để test skill trước khi deploy

Quick Start

Tạo thư mục skill với cấu trúc:

skill-name/
├── SKILL.md              # \<500 dòng, navigation + main steps
├── scripts/              # Python/Bash scripts
├── references/           # 1 level deep only
└── assets/               # templates, schemas

Viết description tối ưu cho frontmatter - đây là thứ duy nhất agent thấy để quyết định có load skill hay không. Include cả trigger lẫn negative trigger.

Kho skill build AI agent chuẩn production

Thu, 26 Feb 2026 07:07:34 GMT

TL;DR

Tác giả share bộ skill mã nguồn mở giúp build AI agent hiệu quả bằng cách quản lý context window tối ưu. Bao gồm từ cơ bản đến nâng cao: multi-agent patterns, memory systems, tool design, evaluation framework. Dùng được với Claude Code, Cursor, Codex.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Agent hay "quên" thông tin quan trọng, output không nhất quán, hoặc chậm khi context dài Khi nào cần: Khi chạy agent cho task phức tạp, nhiều bước, hoặc cần giữ state lâu dài Được gì: Kỹ thuật context compression, memory systems, progressive disclosure để agent hoạt động ổn định

2. Người muốn build sản phẩm AI

Vấn đề: Không biết architecture nào phù hợp, không có framework đánh giá chất lượng Khi nào cần: Khi thiết kế hệ thống agent từ đầu hoặc cải thiện hệ thống hiện tại Được gì: Pre-built patterns (orchestrator, peer-to-peer, hierarchical), evaluation framework, tool design best practices

3. Dev muốn nâng cấp workflow

Vấn đề: Viết prompts dài nhưng agent vẫn không hiểu đúng, tốn token quá mức Khi nào cần: Khi muốn tối ưu chi phí API, cải thiện output quality Được gì: Context optimization strategies, compression techniques, cách giảm "lost-in-the-middle"

Các điểm chính

Context window không phải vấn đề token, mà là attention Model bị "quên" thông tin ở giữa context (lost-in-the-middle), attention suy yếu khi context dài. Giải pháp là dùng ít token nhưng chất lượng cao, không phải nhồi nhét thêm data. → Làm gì: Trước khi thêm context, hỏi "Token này có high-signal không?"
Progressive Disclosure - chỉ load cái cần Mỗi skill chỉ load tên và description khi khởi động. Full content chỉ load khi skill được activate cho task cụ thể. Giúp tiết kiệm context và tránh overload. → Làm gì: Thiết kế system với tiered loading - SKILL.md → MODULE.md → data files
3 loại architecture cho multi-agent Orchestrator (một agent điều phối nhiều agent), Peer-to-peer (agent bình đẳng trao đổi), Hierarchical (cấp bậc supervisor-subordinate). Mỗi loại phù hợp use case khác nhau. → Làm gì: Chọn architecture dựa trên độ phức tạp task và mức độ cần control
Memory systems gồm 3 tầng Short-term (trong session), Long-term (across sessions), Graph-based (entities và relationships). Agent cần cả 3 để hoạt động như con người. → Làm gì: Implement append-only memory với JSONL + schema-first lines
Evaluation quan trọng không kém development LLM-as-Judge techniques: direct scoring, pairwise comparison, rubric generation, bias mitigation. Không có evaluation thì không biết agent tốt hay dở. → Làm gì: Build evaluation framework từ đầu project, không để sau
BDI mental states - cho agent có "tư duy" Chuyển RDF context thành beliefs, desires, intentions - mô hình BDI (Belief-Desire-Intent). Giúp agent có deliberative reasoning và explainable hơn. → Làm gì: Khi cần agent đưa ra quyết định có lý do, không chỉ pattern-match
Platform agnostic - không phụ thuộc vendor Patterns trong repo dùng được với Claude Code, Cursor, Codex, hoặc bất kỳ platform nào cho phép custom instructions. Không lock vào một ecosystem. → Làm gì: Học principles, không phải syntax. Áp dụng được ở bất cứ đâu
Digital Brain Skill - ví dụ hoàn chỉnh Personal operating system cho founders/creators với 6 modules, 4 automation scripts. Complete Claude Code skill demonstrate toàn bộ concepts đã học. → Làm gì: Clone example về, chạy thử, modify theo nhu cầu

Quick Start

Tuần này - Register marketplace và test 1 skill Chạy trong Claude Code:

/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering

Sau đó browse và install thử context-engineering-fundamentals

Tuần tới - Áp dụng progressive disclosure Tạo file SKILL.md cho project của mình, load full content chỉ khi cần. Đo lường token usage trước/sau để xem hiệu quả

OpenFang: Agent OS viết bằng Rust cho AI làm việc 24/7

Thu, 26 Feb 2026 05:12:24 GMT

TL;DR

OpenFang là hệ điều hành cho AI agent, viết bằng Rust, cho phép agent tự động làm việc 24/7 mà không cần bạn ngồi đợi. Bao gồm 7 "Hands" có sẵn, 40 kênh kết nối, bảo mật 16 lớp, và chỉ cần cài đặt một câu lệnh.

Nói đơn giản: Thay vì phải ngồi chat với AI từng câu, giờ bạn có thể để AI tự chạy nghiên cứu, kiếm lead, đăng bài, thu thập dữ liệu cho bạn - như một nhân viên ảo làm việc liên tục.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Đang phải ngồi chat AI từng câu, mỗi lần hỏi lại phải gõ lại context Khi nào cần: Khi muốn AI tự động chạy nghiên cứu, kiếm lead, thu thập tin tức mỗi sáng Được gì: Agent chạy 24/7, gửi kết quả qua Telegram/Discord khi xong

2. Dev muốn build AI product

Vấn đề: Các framework hiện tại (LangGraph, CrewAI) nặng, chậm khởi động, thiếu bảo mật Khi nào cần: Khi cần production-grade agent system với security, audit trail Được gì: Single binary 32MB, cold start dưới 200ms, 16 lớp bảo mật có sẵn

3. Người đang dùng OpenClaw muốn migrate

Vấn đề: OpenClaw thiếu feature, muốn chuyển sang hệ thống mạnh hơn Khi nào cần: Khi cần nhiều channel adapters hơn (40 vs 13), nhiều security layers hơn Được gì: Migrate một câu lệnh, tương thích SKILL.md và ClawHub

Các điểm chính

Quick Start

Cài đặt và chạy thử

curl -fsSL https://openfang.sh/install | sh
openfang init
openfang start
# Dashboard tại http://localhost:4200

Kích hoạt một Hand

openfang hand activate researcher
openfang hand status researcher

GoClaw: Multi-agent AI Gateway trong một Binary 25MB

Thu, 26 Feb 2026 03:32:21 GMT

TL;DR

GoClaw là một multi-agent AI gateway viết bằng Go, deploy thành một file binary duy nhất, không cần runtime. Nó kết nối nhiều LLM providers với tools và channels (Telegram, Discord, Zalo...), có agent teams, delegation, evaluate loop, và security 5 lớp. Chạy ngon trên VPS 5 USD/tháng.

Nói đơn giản: Tool cho phép nhiều AI agents làm việc cùng nhau như một team, có phân công công việc, kiểm tra chất lượng, giao việc lẫn nhau — tất cả trong một binary.

Bài này dành cho ai?

1. Người muốn build AI agent infrastructure cho team

Vấn đề: LangChain/LlamaIndex thiếu multi-agent orchestration thực sự, không có per-user isolation, khó deploy production Khi nào cần: Cần nhiều agents phối hợp với nhau, có task board, quality gates, audit trail Được gì: Agent teams với shared task board, delegation có permission links, conversation handoff giữa agents, evaluate loop tự động kiểm tra output

2. Dev muốn deploy AI gateway nhẹ

Vấn đề: OpenClaw (Node.js) tốn 1GB RAM, cần infrastructure phức tạp Khi nào cần: Cần gateway chạy trên VPS rẻ, khởi động nhanh, binary đơn giản Được gì: ~25MB binary, <1s startup, ~35MB RAM idle, chạy trên $5 VPS

3. Người cần bảo mật cho AI agents

Vấn đề: Prompt injection, SSRF, credential leak — các tool hiện tại thiếu security layer đầy đủ Khi nào cần: Deploy AI agents cho nhiều users, cần per-user isolation, encrypted API keys Được gì: 5-layer defense (rate limiting, prompt injection detection, SSRF protection, shell deny patterns, AES-256-GCM encryption)

Các điểm chính

1. Agent Delegation — giao việc giữa các agents có kiểm soát Một agent có thể nhờ agent khác làm việc — sync (chờ kết quả) hoặc async (làm tiếp, không chờ). Có permission links để giới hạn ai được nhờ ai, concurrency limits per-link và per-agent. → Làm gì: Thiết lập agent links với direction (outbound/inbound/bidirectional) và maxConcurrent để tránh overload.

2. Agent Teams — shared task board và mailbox Team gồm Lead agent (điều phối) và Member agents. Có task board chung với dependencies, ai claim thì task đó được lock. Mailbox cho peer-to-peer messaging giữa các agents. → Làm gì: Dùng team khi cần workflow phức tạp — Lead phân công, members claim và report qua mailbox.

3. Evaluate Loop — generator-evaluator feedback cycle Agent A generate output, agent B evaluate theo criteria. Nếu reject thì A làm lại — max 5 rounds. Tự động quality gate trước khi output đến user. → Làm gì: Setup evaluate_loop với pass_criteria cụ thể để QA tự động, không cần human review mỗi lần.

4. Managed mode = full features Standalone mode chỉ dùng được basic agent loop và memory. Managed mode (PostgreSQL) mới có: agent teams, delegation, handoff, evaluate loops, quality gates, tracing, skills (BM25 + pgvector), MCP integration, custom tools, web dashboard. → Làm gì: Nếu cần advanced features — dùng managed mode từ đầu, đừng bắt đầu với standalone rồi migrate.

5. 11+ LLM providers với prompt caching Native Anthropic HTTP+SSE với cache_control giảm ~90% chi phí cho repeated prefixes. OpenAI-compatible providers (OpenRouter, Groq, DeepSeek...) cũng có auto prompt caching. → Làm gì: Dùng Anthropic cho agents chạy recurring tasks — cache tiết kiệm đáng kể.

6. Security 5 layers Rate limiting (token bucket), prompt injection detection (6 regex patterns), SSRF protection (DNS pinning, blocked private IPs), shell deny patterns (curl|sh, eval $(), base64|sh), AES-256-GCM encrypted API keys trong DB. → Làm gì: Managed mode + encryption key là bắt buộc nếu deploy cho nhiều users.

7. Single binary, không runtime ~25MB static Go binary, không cần Node.js. Khởi động <1s, RAM ~35MB idle. Docker image ~50MB Alpine. → Làm gì: Deploy bằng docker-compose có sẵn, hoặc build binary rồi chạy trực tiếp — không lo dependency hell.

Quick Start

1. Thử nhanh với Docker (standalone mode):

# Tạo .env với một provider API key
echo "GOCLAW_OPENROUTER_API_KEY=sk-or-your-key" > .env

# Chạy standalone
docker compose -f docker-compose.yml -f docker-compose.standalone.yml up

2. Dùng managed mode để unlock full features:

# .env
GOCLAW_OPENROUTER_API_KEY=sk-or-your-key
GOCLAW_ENCRYPTION_KEY=$(openssl rand -hex 32)
POSTGRES_USER=goclaw
POSTGRES_PASSWORD=your-password
POSTGRES_DB=goclaw

# Chạy với PostgreSQL
docker compose -f docker-compose.yml -f docker-compose.managed.yml up

Sau đó truy cập web dashboard ở http://localhost:3000 để tạo agents, teams, configure channels.

Template AI agent search tài liệu - không cần vector DB

Wed, 25 Feb 2026 16:06:06 GMT

TL;DR

Template open-source cho phép build AI agent tìm kiếm trong tài liệu (GitHub repos, YouTube transcripts, API...) bằng lệnh terminal (grep, find, cat) thay vì vector DB. Deploy được ngay thành web chat, GitHub bot, hoặc Discord bot.

Nói đơn giản: Mình có một cái template Vercel cho sẵn, fork về rồi config vô bao có ngay con AI bot có thể search mọi thứ trong tài liệu của mình mà không cần setup vector database phức tạp.

Bài này dành cho ai?

1. Người muốn AI trả lời dựa trên tài liệu nội bộ

Vấn đề: Dùng RAG/embeddings thì phải setup vector DB, chunking pipeline, embedding model - phức tạp, tốn infra Khi nào cần: Cần con bot trả lời câu hỏi về docs, codebase, nội dung YouTube Được gì: Không cần embeddings, kết quả deterministic (luôn đúng như grep), explainable (biết agent đọc file nào)

2. Dev muốn deploy AI bot lên nhiều nền tảng

Vấn đề: Phải viết bot riêng cho từng nền tảng (Discord, GitHub, Slack), code lặp lại Khi nào cần: Muốn một agent chạy everywhere - web chat, GitHub Issues, Discord Được gì: Viết agent một lần, deploy lên mọi nơi. Thêm platform mới chỉ cần một adapter file

3. Team cần internal knowledge assistant

Vấn đề: Không muốn dùng external AI service, cần tự host Khi nào cần: Build AI cho company knowledge base, internal docs Được gì: Template có sẵn auth (Better Auth), admin panel, user management

Các điểm chính

Tìm kiếm bằng terminal commands, không cần vector DB Agent dùng grep, find, cat trong sandbox để search. Không embedding, không chunking, không vector database. Kết quả instant và deterministic. → Làm gì: Fork template, thêm source (GitHub repo, YouTube channel) qua admin UI là xong
Một agent, deploy được nhiều nơi Web chat, GitHub Issues, Discord bot đều xài chung một agent. Thêm Slack hay Linear chỉ cần viết thêm adapter file. → Làm gì: Muốn thêm platform mới thì đọc phần Customization trong docs
Admin panel có AI hỏi được về app itself Hỏi "câu hỏi nào tốn nhiều token nhất?" hay "24h qua có lỗi gì?" - AI admin có tools query_stats, query_errors, run_sql sẵn. → Làm gì: Vô /admin hỏi bằng ngôn ngữ tự nhiên để lấy stats
Smart complexity router tự chọn model Câu hỏi đơn giản (trivial) -> model rẻ, nhanh. Câu hỏi phức tạp -> model mạnh. Không cần viết rules, AI tự classify và route. → Làm gì: Không cần làm gì, nó tự optimize cost
Sandbox pool - startup dưới 100ms Sandbox được pool sẵn, khi chat bắt đầu thì connect tới sandbox đang chạy, không cần tạo mới. Nếu không có sẵn thì dùng pre-built snapshot, chỉ 1-3s. → Làm gì: Không cần quan tâm, infrastructure tự handle
Real-time visualization - thấy agent đang làm gì Chat UI hiển thị agent đang đọc file nào, chạy lệnh gì, mỗi bước tốn bao lâu. Không phải black box. → Làm gì: Debug dễ hơn, hiểu agent suy nghĩ gì

Quick Start

Deploy lên Vercel ngay Click button "Deploy with Vercel" trong README, config vài env variables là có app chạy. Xem docs/ENVIRONMENT.md để biết cần gì.
Thêm knowledge sources Vô admin panel /admin, add GitHub repos hoặc YouTube channels, trigger sync. Không cần code.
Muốn tự host?

git clone https://github.com/vercel-labs/knowledge-agent-template.git
cd knowledge-agent-template
bun install
cp apps/app/.env.example apps/app/.env
# Edit .env rồi chạy
bun run dev

Playwright MCP Burns 114K Tokens Per Test. The New CLI Uses 27K. Here’s When to Use Each | by Pramod Dutta | Feb, 2026 | Medium

Wed, 25 Feb 2026 16:02:18 GMT

TL;DR

Tác giả test thực tế thấy Playwright MCP tốn ~114K tokens/test, trong khi CLI chỉ ~27K — cách nhau 4 lần. Nhưng CLI không phải lúc nào cũng tốt hơn. Bài này share decision tree 3 câu hỏi để biết khi nào dùng cái nào, giúp bạn tiết kiệm token mà vẫn test hiệu quả.

Nói đơn giản: Hai cách dùng Playwright để tự động test web — một cách đưa hết data vào AI (tốn nhiều tiền), một cách chỉ hỏi khi cần (rẻ hơn). Tùy workflow mà chọn.

Bài này dành cho ai?

1. QA/Automation Engineer muốn AI giúp test

Vấn đề: Token burn quá nhanh, AI bắt đầu "quên" context sau 10-15 bước Khi nào cần: Chạy AI test daily, cần tối ưu chi phí Được gì: Biết cách chọn tool phù hợp, tiết kiệm 4x token

2. Developer build AI testing agent

Vấn đề: Agent chạy lâu thì context window "cooked", output sai Khi nào cần: Viết agent tự động explore app và viết test Được gì: Decision tree rõ ràng, hybrid workflow đã được test thực tế

Các điểm chính

MCP đưa hết vào context, CLI chỉ hỏi khi cần MCP trả về full accessibility tree + screenshot + console sau mỗi action — tất cả vào context. CLI chỉ trả về file path, agent tự quyết định có đọc không. → Làm gì: Session <10 bước, cần deep understanding → MCP. Session >10 bước → CLI.
Token sink #1: Tool schema overhead MCP expose 26+ tools, mỗi cái có full JSON schema. Load vào context từ đầu ~4,200 tokens. CLI chỉ cần đọc playwright-cli --help một lần ~68 tokens. → Làm gì: Không cần quan tâm schema nếu dùng CLI.
Token sink #2: Inline snapshots Mỗi navigation MCP trả về full accessibility tree. Login form đơn giản ~3,800 tokens. Dashboard phức tạp ~50K tokens. Sau 3 navigations, bạn mang theo cả núi stale data. → Làm gì: CLI lưu snapshot ra YAML file, agent đọc khi cần.
Token sink #3: Inline screenshots MCP gửi image bytes trực tiếp vào context — hàng nghìn tokens mỗi lần. CLI save PNG ra disk, zero pixels vào context trừ khi agent explicitly open. → Làm gì: Chỉ đọc screenshot khi thực sự cần verify visual.
MCP vẫn thắng: Không filesystem Agent chạy trong Claude Desktop hoặc sandboxed environment không có shell access? CLI không hoạt động được — cần disk để save snapshots. MCP là lựa chọn duy nhất. → Làm gì: Kiểm tra môi trường chạy agent trước khi chọn tool.
MCP vẫn thắng: Multi-agent collaborative testing MCP server persistent cho phép nhiều agent share browser context. Tác giả chạy agent A verify functional, agent B monitor accessibility — cùng session. CLI sessions isolated by design. → Làm gì: Multi-agent architecture → MCP.
CLI dominates: Session >15 bước By step 15, MCP carry 60-80K tokens accumulated. Model bắt đầu lose earlier context. CLI flat — step 50 cost same as step 5. → Làm gì: Complex flows 30-50 steps → CLI.
CLI dominates: Agents juggle browser + code Khi agent cần explore app, viết test, chạy test, verify fix — trong một session — bạn không thể spend 100K tokens cho browser state. Context cần cho source files, test code, reasoning. → Làm gì: Agent vừa test vừa code → CLI.
Decision tree: 3 câu hỏi Q1: Agent có filesystem access không? → Không → MCP Q2: Bao nhiêu browser interactions? → <10 deep understanding → MCP, >10 → CLI Q3: Single hay multi-agent? → Multi → MCP, Single → CLI → Làm gì: Trả lời 3 câu này trước khi bắt đầu.
Hybrid approach: MCP exploration → CLI execution Tác giả dùng MCP cho Phase 1: agent map app structure, identify test flows (8-10 steps). CLI cho Phase 2: concrete test runs (30-50 steps). Phase 3: không AI, chạy static .spec.ts deterministic. → Làm gì: Đừng chọn một tool cố định — switch theo workflow.

Quick Start

Tuần này — kiểm tra workflow của bạn Hỏi 3 câu: Có filesystem? Bao nhiêu steps? Single hay multi-agent? Trả lời xong là biết dùng MCP hay CLI rồi.
Nếu test thường xuyên >10 bước Thử npm install -D @playwright/cli, chạy thử playwright-cli open [url], so sánh token usage với MCP của bạn. Con số sẽ nói ra tất cả.

Chuyển chat Claude Code thành dataset để share

Wed, 25 Feb 2026 15:59:48 GMT

TL;DR

DataClaw là tool cho phép mình xuất toàn bộ lịch sử chat từ Claude Code và Codex ra file có cấu trúc, sau đó upload lên Hugging Face chỉ bằng vài câu lệnh. Tool tự động xóa secrets, API keys, và thông tin cá nhân trước khi publish.

Nói đơn giản: Tool này giúp mình đóng gói toàn bộ code mình đã viết cùng AI thành dataset công khai, để người khác có thể dùng cho việc nghiên cứu hoặc train model.

Bài này dành cho ai?

1. Người muốn contribute vào AI community

Vấn đề: Muốn share dữ liệu thực tế từ quá trình code với AI, nhưng sợ lộ secrets hoặc thông tin nhạy cảm

Khi nào cần: Khi muốn đóng góp dataset cho cộng đồng, hoặc muốn lưu trữ conversation history một cách có tổ chức

Được gì: Dataset sạch, đã được redact tự động, sẵn sàng publish lên Hugging Face

2. Người muốn nghiên cứu về human-AI collaboration

Vấn đề: Cần dữ liệu thực tế về cách dev làm việc với AI coding agents

Khi nào cần: Khi nghiên cứu về AI coding, xây dựng dataset cho training, hoặc phân tích workflow

Được gì: Truy cập dataset thực tế từ nhiều developer trên Hugging Face

3. Developer muốn backup lịch sử làm việc

Vấn đề: Conversation history chiếm dung lượng, muốn lưu trữ có cấu trúc ở nơi khác

Khi nào cần: Khi cần clean up máy nhưng vẫn muốn giữ lại dữ liệu để tham khảo sau

Được gì: File JSONL có cấu trúc, dễ search và truy xuất

Các điểm chính

1. DataClaw là performance art, không chỉ là tool Anthropic dùng dữ liệu miễn phí từ internet để train model, rồi sau đó chặn người khác làm điều tương tự. DataClaw ra đời để "kéo thang xuống lại" - cho phép mọi người share lại dữ liệu human-AI collaboration của mình.

→ Làm gì: Cân nhắc xem việc contribute dataset có phù hợp với mục tiêu cá nhân hoặc công ty không trước khi chạy.

2. Xuất dữ liệu Claude Code hoặc Codex Tool hỗ trợ cả hai: Claude Code (ứng dụng desktop) và Codex (API). Mình chọn được scope trước khi export - có thể là một trong hai hoặc cả hai.

→ Làm gì: Chạy dataclaw config --source "claude|codex|both" để chọn nguồn trước.

3. Tự động redact secrets và PII DataClaw có nhiều lớp bảo vệ: xóa đường dẫn file, hash username, phát hiện API keys (JWT, AWS keys, GitHub tokens...), xóa email, và phân tích entropy để tìm strings có thể là secrets. Nhưng devs vẫn cần review thủ công trước khi publish.

→ Làm gì: Luôn export với --no-push trước, review kỹ rồi mới publish.

4. Data schema chuẩn cho ML Mỗi session được lưu thành một dòng trong JSONL, gồm: session_id, project name, model đang dùng, timestamps, messages (cả user và assistant), extended thinking, tool calls, và token usage stats.

→ Làm gì: Dùng thư viện datasets của Hugging Face để load dữ liệu dễ dàng.

5. Dataset được tag "dataclaw" trên Hugging Face Tất cả dataset từ DataClaw đều được tag, có thể browse toàn bộ tại huggingface.co/datasets?other=dataclaw. Ai cũng có thể combine nhiều datasets lại để tạo tập dữ liệu lớn hơn.

→ Làm gì: Clone thử vài dataset về để xem cấu trúc thực tế.

Quick Start

1. Cài đặt trong 30 giây

pip install dataclaw
dataclaw update-skill claude  # Cài skill cho Claude Code

2. Setup và export lần đầu

dataclaw prep
dataclaw config --source both  # Chọn claude, codex, hoặc cả hai
dataclaw list --source both   # Xem danh sách project, chọn folder để exclude
dataclaw config --confirm-projects

# Export local trước, KHÔNG push
dataclaw export --no-push --output /tmp/my_export.jsonl

# Review xong thì confirm
dataclaw confirm --full-name "Tên đầy đủ" \
  --attest-full-name "Đã scan với tên đầy đủ" \
  --attest-sensitive "Không có tên công ty/client" \
  --attest-manual-scan "Đã scan 20 sessions"

# Push lên Hugging Face
dataclaw export --publish-attestation "User explicitly approved"

Schedule post lên 13 mạng xã hội - miễn phí, tự host

Wed, 25 Feb 2026 09:45:24 GMT

TL;DR

Postiz là tool schedule social media miễn phí, tự host được. Hỗ trợ 13+ nền tảng, có AI tạo content, API để xài với N8N/Make/Zapier. Thay thế Buffer hay Hypefury mà không tốn tiền.

Nói đơn giản: Công cụ đăng bài tự động lên nhiều mạng xã hội cùng lúc, chạy trên máy chủ riêng của mình.

Bài này dành cho ai?

1. Marketer / Content creator muốn tự động đăng bài

Vấn đề: Đăng thủ công từng nền tảng mất thời gian, tốn tiền tool như Buffer Khi nào cần: Quản lý nhiều kênh social, muốn schedule bài trước 1 tuần Được gì: Miễn phí, tự host, không giới hạn team members

2. Dev muốn build sản phẩm liên quan social media

Vấn đề: Khó tích hợp OAuth từng nền tảng, mất thời gian approval Khi nào cần: Cần social media scheduling cho SaaS của mình Được gì: API sẵn có, enterprise version support multi-tenant

3. Agency quản lý nhiều tài khoản khách hàng

Vấn đề: Tool thương mại đắt đỏ, không linh hoạt Khi nào cần: Cần quản lý hàng chục tài khoản cho khách Được gì: Self-hosted, không tốn phí theo user, full control

Các điểm chính

Miễn phí, mã nguồn mở Toàn bộ code available trên GitHub, license AGPL-3.0. Không bị lock-in vào platform của ai. → Làm gì: Clone về chạy trên VPS/Docker, tự quản lý hoàn toàn.
Hỗ trợ 13+ nền tảng Instagram, YouTube, LinkedIn, TikTok, Facebook, X, Discord, Slack, Reddit, Pinterest, Threads, Mastodon, Bluesky. Đăng 1 lần lên nhiều kênh. → Làm gì: Kết nối tất cả tài khoản vào 1 dashboard, schedule tập trung.
Có AI tạo content Tích hợp AI features để generate caption, suggest content. Không cần viết từng bài thủ công. → Làm gì: Dùng AI generate draft rồi edit lại, tiết kiệm 50% thời gian viết content.
API mạnh, tích hợp N8N/Make/Zapier Public API sẵn có, có NodeJS SDK và N8N custom node. Tự động hóa workflow dễ dàng. → Làm gì: Build automation — ví dụ: AI viết bài → Postiz đăng tự động.
Enterprise - Postiz-as-a-Service Cho SaaS muốn offer social media management cho khách. Multi-tenant, full OAuth, headless API. → Làm gì: Không cần tự build từ đầu, tích vào product có ngay tính năng scheduling.
Không violate platform terms Dùng official OAuth flows, không scrape, không thu API keys. An toàn, không bị block tài khoản. → Làm gì: Yên tâm sử dụng dài hạn, không sợ bị platform banned.
Tech stack hiện đại NextJS + NestJS + Prisma + PostgreSQL + Temporal. Monorepo structure rõ ràng. → Làm gì: Dev dễ contribute, dễ customize theo nhu cầu riêng.

Quick Start

Chạy thử local: git clone gitroomhq/postiz-app, xem docs https://docs.postiz.com/quickstart
Deploy lên cloud: Dùng Railway, Render hoặc Docker compose trên VPS
Tích hợp automation: Thử N8N node @postiz/node — đăng bài từ Google Sheets

Tìm model AI nào vừa RAM máy bạn trong 1 lệnh

Wed, 25 Feb 2026 07:34:08 GMT

TL;DR

Tool terminal giúp tìm model AI nào chạy được trên máy bạn. Tự detect GPU/RAM, thử từng quantization level, sort theo quality score. Tích hợp Ollama để tải model ngay.

Nói đơn giản: Gõ 1 lệnh là biết model nào vừa với máy mình, không cần đoán mò rồi Out of Memory.

Bài này dành cho ai?

1. Dev muốn chạy LLM local mà không biết chọn model nào

Vấn đề: Tải model về chạy không nổi, Out of Memory liên tục Khi nào cần: Có GPU RTX 3080/4090 hay MacBook M1/M2/M3 mà không biết model bao nhiêu params Được gì: Biết ngay model + quantization nào fit với VRAM, chạy được luôn

2. Người build AI product cần chọn model phù hợp infra

Vấn đề: Khách hàng có hardware khác nhau, không biết recommend model nào Khi nào cần: Deploy AI assistant, cần support nhiều cấu hình máy Được gì: Config tự động cho từng user qua OpenClaw integration

3. AI enthusiast muốn thử nhiều model

Vấn đề: Lượm được list 206 models mà không biết cái nào chạy được Khi nào cần: Tìm model coding, reasoning, chat ngon nhất cho laptop Được gì: Filter theo use case, sort theo score, tải luôn qua Ollama

Các điểm chính

1. Hardware detection tự động Đọc RAM, CPU cores, detect GPU (NVIDIA qua nvidia-smi, AMD qua rocm-smi, Apple Silicon qua system_profiler). Multi-GPU cũng được. Nếu detect sai dùng --memory=24G ghi đè thủ công. → Làm gì: Chạy llmfit là thấy system specs hiện ngay ở trên cùng.

2. Dynamic quantization — không cần đoán Thay vì cố định quantization, llmfit thử từ Q8_0 (chất lượng cao nhất) xuống Q2_K (nén nhất), chọn cái highest quality mà vừa RAM. Nếu full context không fit, thử lại với half context. → Làm gì: Không cần research quantization nữa, cứ dùng recommended là được.

3. Scoring 4 chiều — Quality, Speed, Fit, Context Mỗi model được chấm điểm 0-100 theo 4 tiêu chí. Weight khác nhau theo use case: Coding ưu tiên Speed (0.35), Reasoning ưu tiên Quality (0.55). Model không chạy được (Too Tight) luôn ở dưới cùng. → Làm gì: Gõ / search theo tên, provider, params, hoặc use case.

4. MoE (Mixture-of-Experts) support Mixtral 8x7B có 46.7B params nhưng chỉ activate ~12.9B mỗi token. llmfit tính đúng VRAM cần thiết (~6.6 GB thay vì 24 GB), không như tools khác đếm full params. → Làm gì: Chạy được Mixtral, DeepSeek-V2/V3 trên GPU yếu hơn.

5. Ollama integration — tải model trực tiếp Tích hợp Ollama để detect model đã cài (hiện ✓ xanh), bấm d để pull model mới. Tự map tên HuggingFace sang tên Ollama. → Làm gì: Không cần mở terminal riêng, tải ngay trong TUI.

Quick Start

Cài đặt trong 30 giây:

curl -fsSL https://llmfit.axjns.dev/install.sh | sh

Chạy và xem model nào chạy được trên máy:

llmfit

Bấm f lọc theo fit level, / search, d tải model qua Ollama.

Xem chi tiết Claude Code đã làm gì - đọc file nào, chạy lệnh gì

Wed, 25 Feb 2026 05:03:54 GMT

TL;DR

Claude Code giờ chỉ hiển thị summary như "Read 3 files", "Edited 2 files" — không có đường dẫn, không có nội dung. App này đọc session logs có sẵn trong ~/.claude/ và hiển thị lại toàn bộ execution trace: file nào được đọc, regex nào được search, diff nào được apply — không cần cấu hình gì thêm.

Nói đơn giản: Mình xài Claude Code trên terminal mà muốn xem lại chi tiết nó đã làm gì (đọc file nào, chạy lệnh gì) thì dùng app này.

Bài này dành cho ai?

1. Người dùng Claude Code muốn debug

Vấn đề: Claude Code giờ chỉ hiển thị "Read 3 files", không biết đọc file nào, có edit đúng không Khi nào cần: Session chạy sai, muốn xem lại Claude đã làm gì Được gì: Xem chi tiết từng tool call, inline diff, syntax-highlighted code

2. Dev muốn tối ưu context usage

Vấn đề: Không biết token消耗 ở đâu, context compaction xảy ra lúc nào Khi nào cần: Session dài, context limit bị hit liên tục Được gì: Token attribution per-turn, compaction visualization, biết chính xác CLAUDE.md nào được load

3. Team lead quản lý nhiều agent

Vấn đề: Subagent spawn ra nhiều, không biết mỗi agent làm gì Khi nào cần: Dùng Team feature, muốn monitor ai đang làm gì Được gì: Execution tree per subagent, teammate messages color-coded, team lifecycle visibility

Các điểm chính

Claude Code giờ thiếu thông tin chi tiết Gần đây Claude Code thay tool output bằng summary như "Read 3 files", "Edited 2 files". Muốn xem chi tiết phải dùng --verbose nhưng nó dump raw JSON + internal prompts + hàng nghìn dòng noise. Không có middle ground. → Làm gì: Tải claude-devtools, nó đọc logs có sẵn và hiển thị structured thay vì phải đọc JSON lộn xộn.
Đọc logs có sẵn, không modify Claude Code App này không wrap Claude Code, không inject prompt gì cả. Nó đơn giản đọc ~/.claude/ — thư mục logs đã lưu trên máy. Chạy Claude ở đâu (terminal, IDE, tool khác) thì app cũng đều thấy. → Làm gì: Không cần thay đổi workflow hiện tại, cài xong là dùng được với mọi session cũ.
Thấy context fill như thế nào Claude Code có context limit. Khi hit limit nó tự compress conversation nhưng terminal không hiển thị. App này detect compaction boundaries, đo token delta trước/sau, và visualize context fill/compress/refill theo thời gian. → Làm gì: Biết chính xác token tiêu tốn ở đâu, tránh bị compress giữa chừng.
Custom notification khi có event quan trọng Set up rules để nhận notification khi: file .env bị đọc, tool error xảy ra, token usage vượt ngưỡng (default 8000), hoặc regex pattern bất kỳ nào đó match. → Làm gì: Không cần ngồi watch terminal, app tự báo khi có gì quan trọng.
Thấy subagent tree rõ ràng Claude Code spawn subagent qua Task tool, team coordination qua TeamCreate/SendMessage/TaskUpdate. Terminal hiển thị lộn xộn. App render thành expandable tree, mỗi agent có metrics riêng. → Làm gì: Debug khi agent làm sai, theo dõi ai làm gì trong team.

Quick Start

Cài đặt nhanh:
- macOS: brew install --cask claude-devtools
- Windows: Tải .exe từ releases
- Linux: Tải .AppImage hoặc .deb
- Docker: docker compose up → mở http://localhost:3456
Chạy lần đầu:
- Mở app, nó tự đọc ~/.claude/ và hiển thị toàn bộ session
- Không cần API key, không cần login
- Muốn xem session nào thì click vào, muốn search thì Cmd+K

Forgemax - MCP Gateway giảm 76 tools xuống còn 2 tools

Wed, 25 Feb 2026 05:02:19 GMT

TL;DR

Bài này nói về công cụ giúp LLM gọi MCP tools mà không bị context overflow. Thay vì đưa toàn bộ schema của 76 tools vào prompt (~15,000 tokens), Forgemax chỉ cần ~1,000 tokens cho 2 tools duy nhất.

Nói đơn giản: Tool này giúp AI gọi API của nhiều dịch vụ (GitHub, Figma, Stripe...) mà không bị quá tải context.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Đang dùng nhiều MCP servers (GitHub, Figma, Supabase...) nhưng bị context overflow, token consumption quá lớn Khi nào cần: Khi cần AI tự động gọi nhiều tools mà không muốn prompt dài nghìn tokens Được gì: Giảm token usage ~93%, gọi tools nhanh hơn (1 call thay vì 5-10 round-trips)

2. Người muốn build sản phẩm

Vấn đề: Cần orchestrate nhiều MCP services nhưng sợ security, scalability Khi nào cần: Khi build AI agent cần gọi nhiều external APIs Được gì: Solution an toàn, đã qua 3 vòng security testing, có audit logging đầy đủ

Các điểm chính

1. Traditional MCP gặp vấn đề context bloat 76 tools = ~15,000 tokens schema. Mỗi tool mới thêm lại làm prompt dài thêm. 5-10 round-trips để gọi xong 1 task. → Làm gì: Xem xét Forgemax nếu đang dùng nhiều MCP servers

2. Forgemax collapse N servers x M tools thành 2 tools search — query capability manifest để discover tools (read-only) execute — chạy JavaScript gọi qua typed proxy objects Chỉ ~1,000 tokens thay vì 15,000 tokens → Làm gì: Thử config Forgemax connect thử 1-2 MCP servers

3. V8 sandbox là core innovation Dùng deno_core chạy LLM-generated JavaScript trong locked-down V8 isolate Không fs, network, env, child process access Mỗi lần execute là fresh runtime — không state leakage Credentials, file paths, internal state never leave host → Làm gì: Đọc phần forge-sandbox trong doc để hiểu rõ security model

4. Layered discovery giúp scale Layer 0: Server names + descriptions (~50 tokens) Layer 1: Categories per server (~200 tokens) Layer 2: Tool list per category (~500 tokens) Layer 3: Full schema per tool (~200 tokens each) → Làm gì: Không cần load hết schema — chỉ load khi cần

5. Security model nhiều lớp Code Validator → V8 Bootstrap → V8 Isolate → API Boundary → Manifest Sanitization → Content Size Limits → Error Redaction → Resource Limits → Circuit Breakers → Server Groups → Process Isolation → Binary Security → IPC Protocol → Audit Logging Đã qua 3 vòng adversarial testing, resolve 19 findings → Làm gì: Tin tưởng được vì đã có security review đàng hoàng

Quick Start

Cài đặt qua npm (recommended):

npm install -g forgemax

Copy config template và thêm tokens:

cp forge.toml.example forge.toml

Chạy thử:

RUST_LOG=info forgemax

Plano — Proxy server để build AI agent production-ready dễ hơn

Wed, 25 Feb 2026 04:22:54 GMT

TL;DR

Plano giải quyết mấy cái "hidden middleware" lúc đưa AI agent từ demo ra production: routing, guardrail, observability. Giờ chỉ cần viết config YAML, agent là HTTP server bình thường, xong.

Nói đơn giản: Tool giúp bạn build AI agent mà không phải tự viết mấy thàm chứ nhán như routing, logging, bảo mật.

Bài này dành cho ai?

1. Dev đang build AI agent product

Vấn đề: Demo thì nhanh, nhưng đưa vào production phải viết thêm cả đống thứ: routing, guardrail, logging, model fallback... Khi nào cần: Khi thấy mình viết code lặp đi lặp lại mấy thứ giống nhau cho mỗi agent Được gì: Không phải viết "hidden middleware" nữa — khai báo trong YAML là xong

2. Team muốn scale AI agent

Vấn đề: Thêm agent mới phải sửa code, test lại, deploy lại cả hệ thống Khi nào cần: Khi cần chạy nhiều agent cùng lúc, hoặc switch qua lại giữa nhiều model Được gì: Thêm agent chỉ bằng thêm vào config, không đụng code

3. Người muốn observability cho AI agent

Vấn đề: Không biết agent đang làm gì, không trace được, không đo lường được Khi nào cần: Khi cần debug hoặc cải thiện agent dựa trên data thực Được gì: Tự động capture traces, signals mà không viết instrumentation code

Các điểm chính

Plano tách "plumbing work" ra khỏi app code Thay vì viết routing, guardrail, logging trong code mỗi agent, giờ khai báo trong config YAML. App code chỉ tập trung vào business logic. → Làm gì: Thử viết 1 config YAML cho 2 agents, xem nó route tự động không
Orchestration = khai báo, không code Định nghĩa agent URL + description bằng tiếng thường. Plano dùng 4B-parameter model để tự routing, không cần viết intent classifier. → Làm gì: Khai báo thêm agent mới vào config, restart là chạy
Model Agility — đổi model dễ như đổi áo Route theo model name, alias, hoặc để Plano tự chọn dựa trên preference. Đổi provider chỉ sửa config. → Làm gì: Thử switch từ GPT-4o sang Claude, xem có cần sửa code agent không
Signals & Observability tự động Mỗi request capture end-to-end bằng OpenTelemetry, không cần viết instrumentation code. Zero-code signals để học từ agent behavior. → Làm gì: Chạy demo xong, mở dashboard xem trace nó ra sao
Filter Chains cho guardrail Thêm jailbreak protection, moderation, memory hooks bằng cách chain các filter lại — không sửa agent code. → Làm gì: Thử thêm 1 filter chain đơn giản, xem nó can thiệp request thế nào
Nhẹ hơn nhiều so với việc tự build Dùng lightweight LLMs (4B params) cho routing thay vì GPT-4, giảm cost và latency đáng kể. → Làm gì: So sánh chi phí routing tự viết vs dùng Plano

Quick Start

Tuần này: Cài Plano, chạy demo travel_agent theo hướng dẫn trong docs — mất ~30 phút
Tuần sau: Thử thêm 1 agent mới vào config, xem nó route tự động không

Chat SDK - Viết bot chat 1 lần, deploy khắp nơi

Wed, 25 Feb 2026 02:33:29 GMT

TL;DR

Thư viện TypeScript cho phép build chatbot chạy trên Slack, Teams, Google Chat, Discord, GitHub, Linear cùng lúc. Viết logic một lần, khỏi lo adapter từng nền tảng.

Nói đơn giản: Thay vì học cách viết bot riêng cho từng app chat, dev giờ xài một thư viện duy nhất viết code đó.

Bài này dành cho ai?

1. Dev muốn build chatbot cho nhiều platform

Vấn đề: Mỗi nền tảng (Slack, Teams, Discord...) có API riêng, viết bot mất công học từng cái một.

Khi cần: Khi khách hàng yêu cầu bot chạy trên cả Slack lẫn Teams, hoặc startup muốn hỗ trợ nhiều kênh cùng lúc.

Được gì: Viết code một lần, bot tự xuất hiện trên mọi nền tảng.

2. Dev muốn tập trung logic, không phải boilerplate

Vấn đề: Khâu setup API, xử lý event, handle state tốn thời gian, dễ sai.

Khi cần: Khi cần deliver nhanh, không muốn đấu tranh với documentation của từng platform.

Được gì: SDK lo hết phần boring, dev tập trung viết business logic.

Các điểm chính

Một code base, 6 nền tảng Code viết một lần chạy được trên Slack, Teams, Google Chat, Discord, GitHub, Linear. Không cần viết adapter riêng cho từng cái. → Làm gì: Xác định nền tảng cần hỗ trợ, cài đặt adapter tương ứng, viết logic chung.
AI streaming tích hợp sẵn Hỗ trợ stream response từ LLM với native Slack streaming, các nền tảng khác dùng post+edit fallback. → Làm gì: Dùng tính năng streaming để bot trả lời nhanh, không chờ LLM xử lý xong mới hiển thị.
JSX-based cards cho mọi nền tảng Viết cards một lần, tự convert sang Block Kit (Slack), Adaptive Cards (Teams), Google Chat Cards. → Làm gì: Dùng JSX component cho buttons, dropdowns thay vì viết JSON thủ công.
State management tích hợp Có sẵn adapter cho Redis, ioredis, và in-memory. Redis cho production, memory cho dev. → Làm gì: Dùng state-redis khi deploy thật, state-memory khi test local.
Thêm vào AI coding agent dễ dàng Chỉ cần chạy npx skills add vercel/chat để dạy Claude Code về SDK này. → Làm gì: Khi cần AI viết code liên quan đến bot, agent sẽ hiểu SDK và viết đúng syntax.

Quick Start

Cài đặt SDK và adapter:

npm install chat
npm install @chat-adapter/slack @chat-adapter/teams

Viết bot cơ bản:

import `{ Chat }` from "chat";
import `{ createSlackAdapter }` from "@chat-adapter/slack";

const bot = new Chat(`{
  userName: "mybot",
  adapters: {
    slack: createSlackAdapter(),
  }`,
});

bot.onNewMention(async (thread) => `{
  await thread.post("Hello! I'm listening.");
}`);

Search local mọi thứ - QMD tìm kiếm offline cho markdown

Tue, 24 Feb 2026 23:02:05 GMT

TL;DR

QMD là công cụ search chạy hoàn toàn trên máy, index markdown notes, tài liệu, transcript họp. Dùng BM25 + vector + AI re-ranking để ra kết quả chính xác. Tích hợp được với AI agents qua MCP.

Nói đơn giản: Giống như Spotlight nhưng thông minh hơn - nó hiểu cả nội dung lẫn ngữ nghĩa, chạy offline hoàn toàn.

Bài này dành cho ai?

1. Người viết note nhiều, cần tìm lại nhanh

Vấn đề: Có hàng trăm file markdown, mỗi lần cần cái gì phải mở từng file Khi nào cần: Tìm lại thông tin từ meeting 3 tháng trước, note viết lung tung Được gì: Search nhanh bằng từ khóa hoặc câu hỏi tiếng Việt

2. Dev muốn tích hợp search vào workflow

Vấn đề: Cần search private docs nhưng không muốn up lên cloud Khi nào cần: Build RAG pipeline, tìm kiếm trong codebase/docs Được gì: MCP server sẵn sàng, JSON output cho automation

3. Người build AI products

Vấn đề: Muốn tìm kiếm local nhưng vẫn chính xác như cloud-based Khi nào cần: Cần reranking, query expansion nhưng giữ data ở máy Được gì: Hybrid search với AI re-ranking, không phụ thuộc API

Các điểm chính

Cài đặt nhanh trong 5 phút npm install -g @tobilu/qmd → tạo collection → chạy embed → xài liền → Làm gì: Chạy 3 lệnh trong Quick Start, trong vòng 5 phút là xong
3 chế độ search cho 3 nhu cầu search = BM25 (nhanh, từ khóa), vsearch = vector (ngữ nghĩa), query = cả 2 + AI reranking (chính xác nhất) → Làm gì: Dùng search cho speed, query khi cần kết quả đúng đắn
Tích hợp AI agents qua MCP Chạy qmd mcp là có server, Claude gọi được trực tiếp → Làm gì: Thêm config vào Claude Desktop, AI tự search được trong knowledge base của mình
HTTP transport cho shared server Một server chạy nền, nhiều client kết nối, model load một lần → Làm gì: Dùng qmd mcp --http --daemon cho team hoặc nhiều agent
Smart chunking giữ ngữ cảnh Thay vì cắt cứng 900 tokens, nó tìm heading, code block để cắt sao cho nghĩa không bị tách đôi → Làm gì: Kết quả search trả về nguyên đoạn mạch lạc, không bị cắt giữa chừng
Query expansion bằng AI Khi search "project timeline", AI tự sinh thêm variant như "lịch trình dự án" để tìm rộng hơn → Làm gì: Không cần gõ từ khóa chính xác, gõ ý cũng ra
Re-ranking theo vị trí Top 1-3: giữ nguyên kết quả search (exact match), Top 11+: tin AI reranker nhiều hơn → Làm gì: Exact match không bị đẩy xuống vì expanded queries

Quick Start

Chạy ngay hôm nay:

npm install -g @tobilu/qmd
qmd collection add ~/notes --name notes
qmd context add qmd://notes "Ghi chú cá nhân"
qmd embed
qmd query "thông tin về dự án"

Tích hợp Claude Desktop: Thêm config vào ~/Library/Application Support/Claude/claude_desktop_config.json:

`{
  "mcpServers": {
    "qmd": {
      "command": "qmd",
      "args": ["mcp"]
    }`
  }
}

Full Tutorial: Use OpenClaw to Build a Business That Runs Itself in 35 Min | Nat Eliason

Tue, 24 Feb 2026 17:03:36 GMT

TL;DR

Nat build con AI tên Felix, cho nó quyền truy cập Vercel, Stripe, GitHub rồi bảo "mày đi kiếm tiền đi". Nó lập tức build website, tạo PDF hướng dẫn, cắm Stripe thanh toán. 4 ngày sau đã có $3,500 doanh thu. Giờ nó có $100k trong ví crypto riêng.

Nói đơn giản: Nat build một con AI, cho nó quyền xài công cụ thanh toán và deploy, rồi bảo nó tự kiếm tiền. Nó làm thật.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Mình không có thời gian build sản phẩm, chạy marketing, support Khi nào cần: Khi muốn tạo ra thu nhập thụ động mà không phải làm mọi thứ từ đầu Được gì: Xem cách một AI thực sự tạo ra sản phẩm và bán được tiền thật

2. Người muốn build AI agent cho công việc

Vấn đề: Làm sao để AI tự chạy mà không cần mình ngồi canh liên tục? Khi nào cần: Khi cần AI handle nhiều task cùng lúc — code, deploy, support, marketing Được gì: Kiến trúc multi-threaded với Telegram, memory system, cron jobs

3. Người quan tâm AI + crypto

Vấn đề: Thanh toán bằng credit card rất phiền cho agent vì cần login thủ công Khi nào cần: Khi muốn agent tự chi tiêu mà không cần con người approve từng đồng Được gì: Cách dùng crypto wallet để agent tự quản lý tiền

Các điểm chính

Cấp quyền full access rồi để AI tự quyết định Nat cho Felix quyền xài Vercel, Stripe, GitHub. Rồi bảo "mày build đi, deploy đi, kiếm tiền đi". 4 tiếng sau nó có website, có sản phẩm, có thanh toán. → Làm gì: Thay vì hỏi AI "làm gì đây", hãy giao KPI rõ ràng và cấp công cụ để nó tự làm.
Multi-thread = làm nhiều việc cùng lúc Dùng Telegram group chat với Felix. Mỗi topic khác nhau = một chat riêng. Nó chạy 5 task cùng lúc mà không bị nhiễu context. → Làm gì: Tạo nhiều group chat trong Telegram, add bot vào, mỗi dự án một chat.
Memory consolidation mỗi đêm Felix tự chạy cron job lúc 2am, đọc lại tất cả chat trong ngày, extract thông tin quan trọng, cập nhật vào markdown files, re-index. Sáng ra nó nhớ mọi thứ. → Làm gì: Setup cron job hàng ngày để AI tự回顾 và cập nhật kiến thức.
Phân biệt authenticated vs information input Felix không bị prompt injection qua Twitter hay email. Nó biết đâu là lệnh thật, đâu chỉ là tin nhắn. Người lạ email bảo gửi crypto đi, nó ignore. → Làm gì: Khi setup agent, rõ ràng phân biệt input nào là lệnh, input nào chỉ là thông tin.
Heartbeat để không quên task dài Với task code lớn, Felix hay quên. Nat setup heartbeat (chạy mỗi 30p) để nó check daily note xem có job đang chạy không. Nếu died thì restart tự động, xong thì báo Nat. → Làm gì: Dùng heartbeat feature của OpenClaw để monitor long-running tasks.
Crypto > credit card cho agent Agent xài credit card rất phiền vì cần login thủ công. Crypto thì chỉ cần wallet address, code được. Felix giờ có $100k trong ví. → Làm gì: Cân nhắc dùng stablecoin để agent tự chi tiêu mà không cần human approval.
Mỗi lần nó hỏi, hỏi lại: "Làm sao để nó không cần hỏi nữa?" Nat tự nhủ mỗi lần Felix hỏi: "Ta có thể remove bottleneck này không? Làm sao để nó tự làm luôn?" — Đó là lý do Felix giờ có full API keys, tự report sales, tự restart jobs. → Làm gì: Khi AI hỏi, đừng trả lời ngay — hãy nghĩ xem làm sao AI tự giải quyết được lần sau.

Quick Start

Setup OpenClaw, cấp quyền Vercel + Stripe + GitHub Giao KPI: "Build sản phẩm có thể bán được, deploy lên, setup thanh toán."
Tạo 3-5 Telegram group chats cho các topic khác nhau Dùng BotFather enable group chat permissions, mỗi dự án một chat riêng.
Setup nightly memory consolidation Dùng prompt: "Tạo knowledge management system. Mỗi đêm 2am, đọc tất cả chat trong ngày, extract thông tin quan trọng, cập nhật markdown files, re-index."

OpenClaw là gì mà 160K người mê?

Tue, 24 Feb 2026 16:59:23 GMT

TL;DR

Peter Steinberger - dev từ Áo - build OpenClaw, con AI agent chạy local trên máy tính, có thể điều khiển Tesla, đèn, lò nướng, thậm chí nhiệt độ giường ngủ. Nó không chỉ làm task được dạy sẵn mà còn tự giải quyết vấn đề chưa từng gặp. Cuộc trò chuyện này cho thấy tương lai AI sẽ đi theo hướng swarm intelligence thay vì centralized god intelligence.

Nói đơn giản: Một dev build con AI chạy trên máy mình, nó tự làm được nhiều thứ mà dev cũng không ngờ tới, và giờ cả internet đều muốn xài thử.

Bài này dành cho ai?

1. Dev đang build AI product

Vấn đề: Không biết làm sao để AI agent thực sự hữu ích, không chỉ là chatbot Khi nào cần: Khi muốn build tool mà user không thể sống thiếu sau khi xài Được gì: Cách tiếp cận của Peter: chạy local thay vì cloud, để AI tự solve vấn đề

2. Người muốn AI làm việc thay mình

Vấn đề: AI hiện tại chỉ làm được những thứ được dạy, không tự nghĩ ra cách Khi nào cần: Khi muốn một AI thực sự có thể handle mọi thứ trên máy Được gì: OpenClaw cho phép AI truy cập toàn bộ máy, tự tìm file cũ, tự convert audio, tự solve vấn đề chưa gặp

3. Founder/Startup muốn hiểu xu hướng AI 2026

Vấn đề: Không biết tương lai AI sẽ đi về đâu, value nằm ở đâu Khi nào cần: Khi định hướng sản phẩm, tránh build thứ sẽ bị obsolete Được gì: 80% app sẽ biến mất, memory là thứ duy nhất không bị commoditize, swarm intelligence thay thế centralized AI

Các điểm chính

1. OpenClaw chạy local, không phải cloud Mọi thứ Peter thấy trước đó đều chạy trên cloud. OpenClaw chạy trên máy user, nên có thể điều khiển Tesla, lò nướng, đèn, Sonos, thậm chí nhiệt độ giường - những thứ cloud-based AI không làm được. → Làm gì: Nếu đang build AI agent, nghĩ về local execution trước, cloud sau.

2. AI giờ biết lúc nào nên dừng lại hỏi mình, thay vì cứ cố làm sai Peter kể: đang đi ở Marrakesh, gửi voice message cho bot, nó tự convert audio bằng ffmpeg, tự tìm thấy openAI key, tự call Whisper để transcribe, reply lại - tất cả trong 9 giây. Peter không build tính năng đó. AI tự học cách solve vấn đề. → Làm gì: Đừng giới hạn AI trong prompt. Để nó access tools và tự quyết định.

3. Bot sẽ thuê người làm việc thay mình Peter mô tả tương lai: bot mình muốn đặt nhà hàng, sẽ gọi cho bot nhà hàng, thương lượng giá. Nhà hàng cổ không thích bot, bot sẽ thuê người thật gọi điện hoặc đứng xếp hàng. → Làm gì: Nghĩ về AI không chỉ là tool, mà là agent có thể delegate work.

4. 80% app sẽ biến mất Tại sao cần My Fitness Pal khi agent biết mình đang ăn gì, tự track, tự điều chỉnh lịch tập? Tại sao cần todo app khi chỉ cần nói "nhắc mai làm gì", nó tự nhớ? App chỉ còn là sensor - camera, microphone. → Làm gì: Nếu đang build app quản lý data, chuyển hướng sang AI agent trước khi bị obsolete.

5. Memory là value cuối cùng, model bị commoditize Peter nhận định: model companies đang leapfrog nhau liên tục, user quen với model mới rất nhanh. Open source sẽ đuổi kịp. Thứ không bị commoditize là memory - user muốn AI nhớ việc của mình, và không muốn company khác access được. → Làm gì: Build system cho user own data. Memory = markdown files trên máy user.

6. Peter có cách dev khác người - không dùng Claude Code, Worktrees, MCP Anh dùng Codex vì nó đọc nhiều file hơn trước khi quyết định. Anh dùng nhiều copy repo thay vì worktrees - đơn giản hơn. Anh không dùng MCP vì "đầu gối chạm khuỷu tay" - CLI đủ rồi. Không UI vì thêm complexity. → Làm gì: Đừng chase tool mới vì nó hype. Dùng thứ đơn giản, hiệu quả cho mình.

7. Soul.md - file quan trọng nhất Peter có một file gọi là soul.md chứa core values, cách model nên react. File này không open source vì nó là "linh hồn" của bot. Nhiều người cố hack bot nhưng không ai crack được file này. → Làm gì: Nghĩ về personality/values của AI, không chỉ functionality.

Quick Start

Thử OpenClaw hoặc tự build AI agent chạy local - Cho nó access terminal, file system, rồi thử ask một việc bạn chưa từng hướng dẫn. Xem nó tự giải quyết được không.
Nghĩ về use case Bot-Bot - Việc gì bạn đang làm mà bot có thể thương lượng với bot khác? Đặt đồ ăn, book flight, thậm chí thuê người?

Khi AI model không còn quá quan trọng với outcome?

Tue, 24 Feb 2026 15:14:26 GMT

TL;DR

Nghiên cứu mới cho thấy frontier models như GPT, Claude, Gemini chỉ hoàn thành được 24% task thực tế dù benchmark đạt 90%. Điều này cho thấy model không phải bottleneck — harness (lớp infrastructure xung quanh model) mới là thứ quyết định AI agent có làm việc được hay không.

Nói đơn giản: Giống như điện thoại — cấu hình chip không còn quan trọng bằng hệ điều hành. AI giờ cũng vậy, model chỉ là "máy" còn harness mới là "xe" chạy trên đường.

Bài này dành cho ai?

1. Người đang build AI agent

Vấn đề: Agent chạy được lúc được, lúc không — không biết fix từ đâu Khi nào cần: Khi thêm bao nhiêu tools, guardrails, routing logic mà agent vẫn fail Được gì: Hiểu rằng vấn đề có thể nằm ở LỚP HARNESS, không phải model

2. Team lead / Manager muốn apply AI vào workflow

Vấn đề: Tuyển người cho AI project nhưng không biết skill nào thực sự cần Khi nào cần: Khi đang định tuyển "prompt engineer" hay mua license model đắt đỏ Được gì: Nhận ra harness engineering mới là skill quan trọng nhất

3. Dev muốn hiểu xu hướng AI 2026

Vấn đề: Thấy AI thay đổi liên tục, không biết tập trung vào đâu Khi nào cần: Khi muốn build hệ thống bền vững, không phải chase model mới mỗi tháng Được gì: Công thức: model thay đổi, harness tốt thì ở lại

Các điểm chính

Benchmark 90% không có nghĩa gì trong task thực tế Nghiên cứu EPICS test GPT, Claude, Gemini trên task của consultants, lawyers, analysts — những việc người thật mất 1-2 tiếng. Kết quả: model tốt nhất chỉ làm được 24%. Sau 8 lần thử, lên được 40%. Nguyên nhân không phải model thiếu kiến thức — mà là orchestration và execution fail. → Làm gì: Đừng tin số benchmark. Test trên workflow THỰC TẾ của mình.
Harness = hệ điều hành của AI agent Harness quản lý: model thấy gì, dùng tools gì, recover khi lỗi thế nào, track tiến độ ra sao. Model là "máy", harness là "xe". Cả ngành đang tranh cãi ai có máy tốt hơn mà không ai build được xe chạy nổi. → Làm gì: Khi agent fail, hỏi "harness có vấn đề gì?" trước khi đổi model.
Warsel experiment: Bỏ 80% tools, accuracy từ 80% lên 100% Warsel có text-to-SQL agent với đầy đủ tools: schema reader, query writer, validator... hoạt động 80%. Họ làm thử ngược: bỏ 80% tools, chỉ cho bash, read file, write file — những thứ người thường dùng. Kết quả: accuracy lên 100%, token giảm 40%, nhanh hơn 3.5 lần. Kết luận từ engineer: "Model đã smart, có thể best agent architecture là almost no architecture." → Làm gì: Thử strip agent xuống, cho nó tools cơ bản thay vì specialized pipeline.
Manus rebuild 5 lần trong 6 tháng — rút ra gì? Manus (vừa được Meta acquire) rebuild entire agent framework 5 lần. Phát hiện: performance gains đến từ VIỆC BỎ, không phải thêm. Họ bỏ complex document retrieval, bỏ fancy routing, thay bằng simple shell + specialized tools. Quan trọng nhất: thay management agents bằng structured handoffs đơn giản. → Làm gì: Mỗi lần thêm feature mới, hỏi "Cái này có còn cần không khi model smart hơn?"
Context quá dài = signal bị noise drown Manus agent xử lý task cần ~50 tool calls. Dù model support huge context, performance vẫn degrade. Không phải model quên — mà signal từ đầu task bị chôn dưới hàng trăm intermediate results. Giải pháp: dùng file system làm external memory. Agent viết important info ra file, đọc lại khi cần. → Làm gì: Thêm progress file / to-do list cho agent, đọc đầu mỗi action, viết cuối mỗi action.
3 harness thành công nhất hiện nay

Hệ thống	Cách tiếp cận
Codex (OpenAI)	3 layers: orchestrator (plan) → executor (do) → recovery (fix). Robust, để bạn "hand off và đi làm việc khác"
Claude Code	Chỉ 4 tools: read, write, edit file, run bash. Intelligence nằm trong model, harness tối thiểu. Extensibility qua MCP
Manus	Reduce/offload/isolate: shrink context, dùng sub-agents rồi bring back summary

→ Làm gì: Nếu đang build, chọn philosophy phù hợp — robust layered (Codex) hay minimal tools (Claude Code).

Bitter lesson: Harness nên đơn giản theo thời gian Richard Sutton (father of reinforcement learning) viết essay "The Bitter Lesson": approaches scale with computation thắng approaches dựa trên human engineered knowledge. Áp dụng vào harness: model càng smart, harness càng phải đơn giản. Nếu mỗi model upgrade mà bạn thêm routing, handcoded logic, custom pipelines — bạn đang swimming against the current. → Làm gì: Build for deletion. Mỗi piece trong harness phải là thứ bạn có thể BỎ KHI model không cần.

Quick Start

1. Tuần này — làm thử Warsel experiment: Lấy agent bạn đang build, strip xuống chỉ còn:

Run bash command
Read file
Write file

Test lại xem kết quả thế nào. Ghi lại accuracy trước và sau.

2. Thêm progress file cho agent: Tạo file markdown, agent đọc đầu mỗi action, viết cập nhật cuối mỗi action. Đây là trick Manus và Claude Code đều dùng.

3. Đánh giá lại team skill: Skill quan trọng nhất hiện giờ không phải prompt engineering hay model selection — mà là harness engineering: ability design infrastructure để agent chạy reliable trong long-running complex tasks.

Kho 10K prompt cho Nano Banana Pro xài cực dễ

Tue, 24 Feb 2026 09:29:33 GMT

TL;DR

Bài này giới thiệu bộ sưu tập gần 10,000 prompt cho AI tạo ảnh của Google. Có gallery web xài như Pinterest, search được, chia theo categories rõ ràng. Mình tải về xài thử vài cái, chất lượng ổn.

Nói đơn giản: Kho prompt có sẵn để AI vẽ hình theo ý mình, không cần viết lại từ đầu.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Mất thời gian viết prompt từ đầu, mỗi lần tạo ảnh phải thử đi thử lại nhiều lần.

Khi nào cần: Cần tạo thumbnail, banner, hình quảng cáo nhanh mà không biết viết prompt sao cho đúng.

Được gì: Copy prompt có sẵn, thay tham số (sản phẩm, text...) rồi generate. Tiết kiệm 15-30 phút mỗi lần.

2. Người muốn build sản phẩm

Vấn đề: Cần reference prompt chất lượng để học cách viết hoặc tích hợp vào app của mình.

Khi nào cần: Build tool tạo ảnh từ AI, hoặc tạo template cho khách hàng.

Được gì: ~10,000 prompt thực tế, đủ mọi thể loại từ product marketing đến anime style. Xem cách người ta structure prompt để học theo.

3. Người thích thử nghiệm AI

Vấn đề: Muốn xem AI có thể làm được gì nhưng không biết bắt đầu từ đâu.

Khi nào cần: Thích khám phá AI vẽ hình, muốn xem các ví dụ thực tế.

Được gì: Gallery đẹp, click vô là xem được ảnh mẫu kèm prompt. Tha hồ mò mẫm.

Các điểm chính

1. Gần 10,000 prompt trong kho Tính đến 24/02/2026 có 9896 prompt. Số lượng đủ lớn để xài dài dài không hết. → Làm gì: Vào gallery, browse theo category mình cần, copy-paste thử vài cái.

2. Gallery web xài dễ hơn GitHub So với đọc README trên GitHub, gallery youmind.com có:

Layout dạng Masonry Grid nhìn đẹp hơn
Search toàn text có lọc theo category
Xem trên mobile thoải mái → Làm gì: Vào đường link gallery, khỏi cần cài gì, mở browser là xài được.

3. Chia category cụ thể 3 nhóm chính:

Use Cases: profile avatar, social media post, thumbnail YouTube, product marketing...
Style: photography, anime, 3D render, oil painting, cyberpunk, pixel art...
Subjects: portrait, product, food, animal, architecture... → Làm gì: Biết mình cần loại nào thì vào category đó, khỏi search tùm lum.

4. 9 prompt nổi bật có ảnh mẫu Mỗi prompt featured đều có ảnh generate ra, xem được trước khi xài. Ví dụ:

Quote card với portrait nổi tiếng
Bento grid infographic cho sản phẩm
Bản đồ Đức vẽ style nước
Ảnh ghép puzzle 4 panel → Làm gì: Vô phần Featured, xem ảnh mẫu rồi chọn cái nào phù hợp với nhu cầu.

5. Một số prompt hỗ trợ Raycast Raycast là tool cho Mac, có syntax {argument name="..."} để điền dynamic. Prompt nào có badge 🚀 là xài được với Raycast, thay đổi nội dung nhanh. → Làm gì: Nếu xài Raycast, tìm prompt có badge để tiện customize nhanh.

6. Đa ngôn ngữ Prompt có tiếng Anh, Trung, Nhật, Đức... Khoảng 16 ngôn ngữ. Riêng tiếng Việt cũng có. → Làm gì: Tìm kiếm theo ngôn ngữ mình quen, đọc hiểu dễ hơn.

7. Miễn phí, license CC BY 4.0 Lấy prompt về xài thoải mái, không vi phạm gì cả. Nhưng cẩn thận nếu prompt lấy từ nguồn có bản quyền. → Làm gì: Yên tâm xài cho personal hoặc commercial, nhưng check nguồn gốc nếu nghi ngờ.

Quick Start

Vô gallery ngay: https://youmind.com/en-US/nano-banana-pro-prompts → Click vô category nào đó → Xem ảnh mẫu → Copy prompt.
Thử prompt đơn giản nhất: Vô category "Quote Card" → Lấy prompt đầu tiên → Thay quote và author theo ý mình → Generate.

Scrapling — Thu thập dữ liệu web thông minh, qua mặt được cả Cloudflare

Tue, 24 Feb 2026 05:01:40 GMT

TL;DR

Scrapling là thư viện Python cho web scraping với khả năng tự thích nghi khi website đổi cấu trúc, bypass anti-bot như Cloudflare Turnstile, và build spider crawl quy mô lớn chỉ vài dòng code. Speed thì nhanh gấp 10-40x so với BeautifulSoup.

Nói đơn giản: Thư viện Python giúp mình lấy dữ liệu từ bất kỳ website nào, kể cả những trang có chống bot. Nó còn tự nhớ vị trí dữ liệu dù trang đổi giao diện.

Bài này dành cho ai?

1. Người cần thu thập dữ liệu web

Vấn đề: Website đổi layout là code lại từ đầu, bị chặn liên tục Khi nào cần: Crawl giá sản phẩm, tin tức, job posts dài hạn Được gì: Code chạy được dù website có thay đổi, không bị block

2. Dev cần automation tool cho workflows

Vấn đề: Phải viết script riêng cho từng trang, xử lý proxy, session thủ công Khi nào cần: Build pipeline thu thập dữ liệu tự động Được gì: Tích hợp sẵn proxy rotation, session management, pause/resume crawl

3. Người xây dựng sản phẩm AI

Vấn đề: Tốn token khi dùng AI để parse HTML thủ công Khi nào cần: RAG pipelines, AI agents cần dữ liệu web Được gì: MCP server tích hợp sẵn, giảm token usage đáng kể

Các điểm chính

1. Adaptive — Element tự tìm lại khi website đổi Scrapling dùng thuật toán similarity để nhớ vị trí element. Đổi CSS? Đổi layout? Thêm bớt div? Chỉ cần thêm adaptive=True, nó tự locate lại data. → Làm gì: Dùng page.css('.product', adaptive=True) cho những data cần thu thập dài hạn.

2. Bypass anti-bot — Qua mặt Cloudflare, Turnstile dễ dàng StealthyFetcher tự động giả mạo browser fingerprint, TLS signature, headers. Cloudflare Turnstile, Incapsula, Akamai đều bị qua mặt out of the box. → Làm gì: Dùng StealthyFetcher.fetch(url, solve_cloudflare=True) cho những trang bị chặn.

3. Spider framework — Crawl quy mô lớn trong vài dòng Định nghĩa spider với start_urls và async parse. Hỗ trợ concurrent requests, per-domain throttling, pause/resume bằng Ctrl+C. Tích hợp sẵn proxy rotation. → Làm gì: Dùng Spider class thay vì viết vòng for thủ công khi crawl nhiều trang.

4. Speed — Nhanh gấp 10-40x so với thư viện phổ biến Benchmark chính thức: Scrapling parse 5000 elements mất 2.02ms, trong khi BeautifulSoup + Lxml mất 1584ms (~784x chậm hơn). Element similarity cũng nhanh gấp 5x so với AutoScraper. → Làm gì: Nếu đang dùng BeautifulSoup mà thấy chậm, thử Scrapling parser thôi cũng đã thấy khác biệt.

5. MCP Server — AI assistance tích hợp sẵn MCP server cho phép AI (Claude, Cursor) gọi Scrapling để extract data trước khi xử lý. Giảm token usage vì AI không phải parse HTML thủ công. → Làm gì: Cài pip install "scrapling[ai]" nếu build AI workflow cần web data.

Quick Start

Cài đặt:

pip install scrapling
pip install "scrapling[fetchers]"  # Nếu cần browser automation
scrapling install  # Download browsers

Dùng thử — Adaptive scraping:

from scrapling.fetchers import StealthyFetcher

# Lấy data, tự qua mặt Cloudflare
page = StealthyFetcher.fetch('https://example.com')

# Extract, adaptive=True để tự tìm lại khi website đổi
products = page.css('.product', adaptive=True)

Dùng Spider cho crawl quy mô lớn:

from scrapling.spiders import Spider, Response

class MySpider(Spider):
    name = "demo"
    start_urls = ["https://example.com/"]
    concurrent_requests = 10
    
    async def parse(self, response: Response):
        for item in response.css('.item'):
            yield {"title": item.css('h2::text').get()}

MySpider().start()

Kinh nghiệm xài Claude Code hàng ngày để build production systems

Tue, 24 Feb 2026 04:08:08 GMT

TL;DR

Tác giả là dev 7 năm kinh nghiệm (Amazon, Disney, Capital One), giờ là CTO startup AI agents. Bài này share kinh nghiệm xài Claude Code hàng ngày để build production systems. Phần mở đầu nói về một thói quen cực kỳ quan trọng: ĐỪNG VỘI GÕ CODE — HÃY SUY NGHĨ TRƯỚC.

Nói đơn giản: Muốn AI viết code tốt cho mình thì phải biết cách hỏi, chứ không phải cứ gõ liền là được.

Bài này dành cho ai?

1. Dev muốn xài AI hiệu quả hơn

Vấn đề: Gõ prompt lung tung, AI ra code lộn xộn, phải sửa đi sửa lại Khi nào cần: Mỗi lần bắt đầu task mới với Claude Code Được gì: Code chất lượng hơn, ít phải debug

2. Team lead muốn tăng productivity cho team

Vấn đề: Dev trong team chưa biết cách khai thác AI coding agent Khi nào cần: Onboard AI vào workflow Được gì: Team ship nhanh hơn mà không cần thêm người

Các điểm chính

1. Đừng gõ liền — hãy suy nghĩ trước Sai lầm lớn nhất là mở Claude Code lên là gõ liền. Tác giả nói mỗi lần dùng plan mode (Shift + Tab 2 lần) thì output tốt hơn gấp nhiều lần so với cứ thế gõ. → Làm gì: Trước khi hỏi AI bất kỳ điều gì, dành 30 giây nghĩ xem mình muốn gì, hoặc bảo AI "nghĩ giúp mình cách làm" trước.

2. Nếu chưa có kinh nghiệm, hỏi AI để học Tác giả gợi ý hai cách: (1) Học system design, hoặc (2) Ngồi hỏi ChatGPT/Gemini/Claude thật sâu trước — mô tả mình muốn build gì, hỏi design options, để nó hỏi ngược lại. → Làm gì: Với task mới, đừng nhảy vào code ngay. Chat với AI về solution trước 5-10 phút.

Quick Start

Tuần này: Mỗi lần dùng Claude Code, ấn Shift + Tab 2 lần để vào plan mode trước khi hỏi bất kỳ điều gì
Tuần tới: Thử mô tả task lớn bằng lời cho AI, để nó đặt câu hỏi rồi mới bắt đầu code

Xài OpenClaw 50 ngày, và đây là toàn bộ prompts

Tue, 24 Feb 2026 03:43:23 GMT

TL;DR

Tác giả share 20 prompt cụ thể để chạy AI agent tự host — từ auto tweet briefing, backup tự động, monitor server, đến điều khiển smart home. Mỗi cái đều copy-paste được, phần lớn chạy ngon trên VPS.

Nói đơn giản: Hướng dẫn xài OpenClaw (AI agent tự cài ở nhà) để làm 20 việc tự động mỗi ngày, có cả prompt để bạn dùng liền.

Bài này dành cho ai?

1. Người muốn AI làm việc thay mình

Vấn đề: Đang làm thủ công những việc lặp đi lặp lại mỗi ngày — đọc tin Twitter, check email, backup file, monitor server.

Khi nào cần: Khi thấy mình làm những việc giống nhau mà AI hoàn toàn có thể tự làm.

Được gì: 20 prompt cụ thể, setup xong là chạy tự động, không cần mò từng bước.

2. Người muốn build sản phẩm

Vấn đề: Đang xây dựng AI agent nhưng không biết prompt thế nào cho hiệu quả, hay bị AI làm sai ý.

Khi nào cần: Khi cần reference prompt thực tế từ người đã chạy ổn định hàng ngày.

Được gì: Cách viết prompt rõ ràng về intent, để agent tự suy luận implementation thay vì phải hướng dẫn từng bước.

3. Người đã xài AI nhưng muốn tự host

Vấn đề: Đang phụ thuộc ChatGPT/Claude API, lo về chi phí hoặc muốn quyền kiểm soát dữ liệu.

Khi nào cần: Khi muốn chuyển sang self-hosted nhưng không biết bắt đầu từ đâu.

Được gì: Setup cụ thể: OpenClaw + Discord + Obsidian + Coolify + Tailscale.

Các điểm chính

1. Prompt viết rõ intent, để AI tự figure out cách làm Tác giả không viết từng bước. Chỉ nói " cái này cần làm gì" và "output như thế nào". Agent tự biết cách execute. Cách này linh hoạt hơn, prompt dài hơn chút nhưng đỡ phải sửa sau.

→ Làm gì: Khi viết prompt, tập trung vào "mình muốn gì" và "kết quả trông ra sao", đừng liệt kê từng bước.

2. Discord là interface chính Tất cả workflow chạy qua Discord — gửi lệnh, nhận notification, điều khiển server. Không cần web dashboard, không cần app riêng.

→ Làm gì: Nếu muốn thử, cài OpenClaw vào Discord trước, rồi từ từ add workflow.

3. Cron job cho những việc cần chạy định kỳ 7:00am — Twitter briefing. 5:30am — AI art. 4:00am — update. 4:30am — backup. 30 phút/lần — health checks.

→ Làm gì: Xác định những việc lặp đi lặp lại mỗi ngày, set cron để AI tự chạy.

4. Draft-only cho email, never send trực tiếp Agent đọc email, flag urgent, draft response cho mình review. Không bao giờ gửi thay. Lý do: prompt injection risk từ email độc.

→ Làm gì: Khi setup email integration, chỉ cho phép đọc và draft, không cho phép gửi.

5. Tailscale — không expose gì ra internet Tất cả máy trong mạng Tailscale. Không mở port công khai. Server, Home Assistant, NAS — tất cả ẩn.

→ Làm gì: Nếu host OpenClaw ở nhà/VPS, dùng Tailscale thay vì mở firewall.

6. Phân tầng model để tiết kiệm cost Haiku — việc rẻ (monitoring, summaries). Sonnet — việc cân bằng (daily assistant, email triage). Opus — việc cần suy nghĩ sâu (research, complex analysis).

→ Làm gì: Set default model là Sonnet, chỉ upgrade lên Opus khi thực sự cần.

7. Sub-agents cho research lớn Thay vì 1 agent làm hết, launch nhiều sub-agents chạy song song — Twitter, Reddit, HN, YouTube, web. Mỗi cái tự search rồi tổng hợp lại.

→ Làm gì: Khi cần research sâu, chia nhỏ theo source, chạy parallel thay vì sequential.

Quick Start

1. Tuần này — cài OpenClaw vào Discord

Clone repo, chạy trên VPS, connect vào Discord. Xong cái này thì 19 workflow còn lại có thể add dần.

Link hướng dẫn: ClawdBot (OpenClaw): The self-hosted AI that Siri should have been

2. Tuần tới — chọn 1-2 workflow đầu tiên

Tác giả gợi ý: Morning Twitter briefing (#1) hoặc /summarize command (#7) — đơn giản nhất, dùng được liền.

MacDown - Trình Soạn Thảo Markdown Mã Nguồn Mở Cho macOS

Mon, 23 Feb 2026 09:39:07 GMT

TL;DR

MacDown là trình soạn thảo Markdown mã nguồn mở dành cho macOS, được phát triển như một giải pháp thay thế cho Mou sau khi dự án gốc ngừng phát triển. Phần mềm cung cấp khả năng tùy chỉnh cao trong hiển thị Markdown, tính năng tô sáng cú pháp trong các khối code, và hỗ trợ tự động hoàn thiện thông minh.

Bài này dành cho ai?

Lập trình viên và nhà phát triển: Cần soạn thảo tài liệu README, API docs, hoặc viết blog kỹ thuật - hưởng lợi từ tính năng tô sáng cú pháp và tự động hoàn thiện code
Nhà văn và content creator: Viết nội dung web, blog cá nhân bằng Markdown - được lợi từ giao diện trực quan với chế độ xem trước real-time
Người dùng Mou cũ: Đang tìm kiếm trình soạn thảo Markdown thay thế cho Mou đã ngừng phát triển - có thể chuyển sang MacDown với giao diện và trải nghiệm tương tự

Các điểm chính

Mã nguồn mở và miễn phí: Phát hành theo giấy phép MIT, hoàn toàn miễn phí sử dụng
Tùy chỉnh linh hoạt: Cho phép tùy chỉnh cao độ hiển thị Markdown theo nhu cầu người dùng
Tô sáng cú pháp code: Hỗ trợ tô sáng cú pháp trong các fenced code blocks
Tự động hoàn thiện: Tính năng auto-completion thông minh hỗ trợ viết lách nhanh hơn
Giao diện quen thuộc: Thiết kế theo phong cách Mou, dễ tiếp cận cho người dùng macOS

Quick Start

Tải và cài đặt: Tải file .app.zip từ GitHub (19.9 MB, phiên bản 0.7.3) hoặc chạy lệnh brew install --cask macdown nếu đã cài đặt Homebrew Cask
Mở ứng dụng: Sau khi cài đặt, mở MacDown từ thư mục Applications và bắt đầu soạn thảo Markdown
Khám phá tính năng: Truy cập trang Features để tìm hiểu các tùy chỉnh nâng cao và cấu hình theo nhu cầu

CLAUDE.md: File Cấu Hình Quan Trọng Nhất Mà Dev Thường Bỏ Qua

Mon, 23 Feb 2026 04:11:24 GMT

TL;DR

CLAUDE.md không phải documentation — nó là system configuration. Điều này quan trọng vì Claude treat instructions trong CLAUDE.md nghiêm ngặt hơn prompt thường. Viết quá 150-200 instructions thì quality degrade đều, nên "less is more" là nguyên tắc vàng. Điểm hay nhất: dùng # shortcut để add instructions ngay khi đang làm việc, không cần chờ edit file riêng.

Hiểu nôm na là CLAUDE.md giúp Claude "nhớ" project setup của mình mỗi lần start session mới, thay vì phải giải thích lại từ đầu.

Bài này dành cho ai?

1. 🤖 AI Office Orchestrator (Người muốn AI làm việc thay mình)

Pain point: Hỏi AI từng task một, mỗi lần phải explain project setup lại từ đầu, tốn 5-10 phút mỗi session Dùng khi: Bất kỳ project nào cần AI hỗ trợ code — từ simple script đến complex app Được gì: Setup một lần, AI nhớ mãi — tiết kiệm 5-10 phút mỗi lần bắt đầu, project càng lớn càng thấy hiệu quả

2. 🛠 Vibe Coder / Builder (Người muốn build products)

Pain point: Mỗi lần Claude vào project mới là "trắng tinh", phải dò tìm folder structure, không biết dùng lệnh nào Dùng khi: Build bất kỳ project nào — prototype, MVP, hay production app Được gì: Claude hiểu project ngay từ đầu, tập trung vào code thay vì setup, có quy trình chuẩn cho workflow phức tạp

3. 🎯 Team Lead / Dev Manager (Người quản lý team dev)

Pain point: Muốn team dùng AI đúng cách nhưng không có standard, mỗi người setup một kiểu Dùng khi: Onboard member mới, review code, enforce conventions Được gì: CLAUDE.md commit vào git, cả team dùng chung — enforce coding standards tự động, onboarding nhanh hơn

Các điểm chính

CLAUDE.md không phải documentation — nó là system configuration. Joe nhấn mạnh: khi đặt trong CLAUDE.md, Claude tuân theo nghiêm ngặt hơn prompt thường vì nó trở thành phần của system prompt. Thực tế: đây là điểm leverage lớn nhất mà developer có trong Claude Code. Mình nên tận dụng bằng cách viết instructions ngắn gọn, rõ ràng, áp dụng cho hầu hết các sessions.
Less is more — giới hạn 150-200 instructions. Nghiên cứu frontier LLMs cho thể follow reliably khoảng 150-200 instructions. Claude Code's system prompt đã có ~50 instructions sẵn, nghĩa là mình chỉ còn ~100-150 trước khi quality degrade. Joe's golden rule: nếu instruction không apply cho 80%+ sessions thì move sang file riêng. Đây là cách tránh bloat mà nhiều dev mắc phải.
Hierarchy system — global, project, nested. CLAUDE.md có thể đặt ở nhiều nơi: ~/.claude/CLAUDE.md (global), ./CLAUDE.md (project root), và ./subdir/CLAUDE.md (nested). Thứ tự load: global → project → nested. Monorepo setup rất hữu ích — app/ có CLAUDE.md riêng, api/ có CLAUDE.md riêng, Claude chỉ load khi cần. Nhớ thêm .local.md cho personal preferences mà không push lên git.
Progressive disclosure — dùng separate files cho task-specific instructions. Thay vì nhét tất cả vào CLAUDE.md, tách ra: agent_docs/building.md, agent_docs/database_schema.md... Trong CLAUDE.md chỉ cần reference: "Read agent_docs/building.md when building." Kỹ thuật này giúp Claude tập trung vào task hiện tại mà không bị overwhelm bởi context không cần thiết.
Đừng dùng CLAUDE.md làm linter. Dev thường add 50+ code style rules vào CLAUDE.md — sai rồi. Joe khuyên dùng ESLint/Prettier cho JS, Black/Ruff cho Python, rustfmt cho Rust. Thay vì viết "use 2 spaces indentation", cài pre-commit hook hoặc Claude Code hooks để run linter tự động. CLAUDE.md chỉ nói "Code must pass linting before commit" — ngắn gọn.
Ba cách tạo CLAUDE.md: /init, manual, và # shortcut. /init phân tích codebase và generate starter file — dùng làm baseline, không phải finished product. Manual creation cho full control. # shortcut là hay nhất: đang làm việc, phát hiện Claude miss điều gì, gõ ngay "# Always run tests before committing" — nó tự add vào. Mình recommend: bắt đầu với /init, sau đó refine manually, dùng # để iterate liên tục.
Advanced patterns: workflow definitions, conditional instructions, MCP documentation. Workflow definitions ngăn Claude nhảy vào code liền — ví dụ: "Adding new API endpoint: 1. Check existing... 2. Create schema... 3. Implement..." Conditional instructions: "When working in src/api/: use dependency injection; When working in tests/: use fixtures from conftest.py." MCP documentation: "Slack MCP: post to #dev-notifications only, rate limited 10 msg/hour." Những pattern này biến CLAUDE.md thành complete automation system.
Hooks + Subagents = complete system. CLAUDE.md định nghĩa rules, hooks enforce tự động (pre-commit lint chạy không cần hỏi), subagents handle isolated tasks với clean context. Joe hướng dẫn cách phối hợp: CLAUDE.md nói rule tồn tại, hook enforce, Claude focus vào coding. Đây là foundation trước khi học Hooks Masterclass.
Maintenance: update với PRs, review quarterly, commit to git. CLAUDE.md không phải "set and forget" — project thay đổi, team học patterns mới, tools mới vào workflow. Best practice: add vào PR checklist "CLAUDE.md updated if workflows changed." Review mỗi quý: commands còn chính xác? Workflows có thay đổi? Có gì obsolete? Commit vào git để team benefit và track changes.

Quick Start

Tạo CLAUDE.md đầu tiên: Vào project, gõ claude /init — nó sẽ scan codebase và generate starter file. Xem lại, edit lại cho phù hợp workflow của mình, save.
Áp dụng Golden Rule: Trước khi thêm bất kỳ instruction nào, hỏi "Cái này apply cho 80%+ sessions không?" — nếu không thì move sang file riêng hoặc slash command.

OpenClaw Runbook – Hướng dẫn thực tế để chạy OpenClaw trong production

Mon, 23 Feb 2026 02:49:39 GMT

TL;DR

OpenClaw Runbook là tài liệu hướng dẫn thực tế giúp bạn chạy OpenClaw ổn định trong production mà không burn hết quota API hay bị crash liên tục. Tập trung vào coordinator/worker models, kiểm soát chi phí, và các guardrails để hệ thống chạy được vài tuần thay vì vài phút.

Nói cách khác, đây là tài liệu cho những ai muốn dùng AI agent vào việc thật – không phải demo, không phải marketing – mà là cách setup để nó chạy bền, không tốn tiền oan, và không phải fix lỗi lúc 2 giờ sáng.

Bài này dành cho ai?

1. Solo Developer / Indie Hacker

Dùng khi: Bạn đang build side project hoặc MVP, cần chạy AI agent trên VPS để automate task nhưng không muốn tốn quá nhiều tiền mỗi tháng.

Được gì: Setup ổn định, chạy được vài tuần liên tục mà không phải restart liên tục. Tiết kiệm thời gian debug vì đã có config mẫu sẵn.

2. Small Team Lead (3-10 người)

Dùng khi: Team cần tự động hóa workflow nhưng không có devops riêng. Bạn muốn agent chạy background mà không lo nó sẽ "bùng" API key hay quota.

Được gì: Có pattern về security và cost control sẵn. Không phải mò từ đầu.

3. Automation-First User (đã dùng AI agent trước)

Dùng khi: Bạn từng thử chạy agent và thấy nó chạy vài phút rồi chết, hoặc không biết cách scale lên production.

Được gì: Hướng dẫn cụ thể để chạy bền vững, có monitoring, có cách handle failure. Không phải tự mò lại từ đầu mỗi lần nó crash.

Các điểm chính

1. Không phải beginner tutorial – đây là runbook cho người đã biết cách chạy OpenClaw. Tài liệu tập trung vào coordinator vs worker models, cost control, memory boundaries, và guardrails. Nếu bạn mới bắt đầu, hãy xem docs chính thức tại docs.openclaw.ai trước.

2. Examples directory chứa template có thể copy-paste ngay. Bao gồm: agent-prompts.md (tạo specialized agents, model chains), spawning-patterns.md (spawn sub-agents từ skills/prompts/cron), security-hardening.md (API keys, tool policies, cost controls, network lockdown), và check-quotas.sh (script kiểm tra quota API). Mỗi file đều có config snippet cụ thể – lấy về xài liền.

3. Showcases sẵn sàng deploy chỉ cần thay placeholders. Ví dụ: daily-brief tự động tổng hợp thời tiết/lịch/tasks mỗi sáng, linkedin-drafter tạo content hàng tuần, homelab-access cho SSH an toàn qua Telegram. Copy cron job, điền placeholders, deploy – xong.

4. Tài nguyên cộng đồng bổ sung: ClawHub và awesome lists. ClawHub giúp discover và share AgentSkills. Ba awesome lists (usecases, tools, skills) có hàng trăm ví dụ thực tế từ cộng đồng – dùng khi cần thêm pattern ngoài những gì runbook cung cấp.

5. Phiên bản tested: OpenClaw 2026.2.x. Đây là tài liệu được tạo với sự hỗ trợ của Claude, không phải official guide hay marketing. Nghĩa là bạn nhận được trải nghiệm thực từ người đã "break it repeatedly" và muốn setup ổn định, predictable, và boring theo cách tốt. Kiểm tra version trước khi áp dụng.

Quick Start

1. Chạy script kiểm tra quota API

cd examples/
chmod +x check-quotas.sh
./check-quotas.sh

Script này sẽ cho bạn biết mình đã dùng bao nhiêu API quota tuần này. Biết số liệu trước khi bị charge – không phải guesswork.

2. Áp dụng security-quickstart

Mở examples/security-quickstart.md, copy đoạn prompt đầu tiên, paste vào OpenClaw. Đây là cách nhanh nhất để thêm guardrails cơ bản cho agent mà không cần config phức tạp.

3. Deploy một showcase đơn giản

Chọn showcases/homelab-access.md – nó dùng được ngay với Telegram, không cần setup gì nhiều. Copy cron job, thay placeholders, chạy thử.

Hoặc nếu muốn something nhẹ hơn: showcases/daily-brief.md – chạy mỗi sáng, cho bạn biết thời tiết + lịch + tasks.

Cả 3 đều không cần hiểu sâu về OpenClaw trước. Bắt đầu từ cái dễ nhất, rồi mở rộng dần.

System Design Primer

Sun, 22 Feb 2026 02:12:51 GMT

Learn how to design systems at scale and prepare for system design interviews. A curated collection of resources, covering fundamental concepts, architecture patterns, and real-world case studies for building scalable backend systems.

AntV Infographic

Sat, 21 Feb 2026 11:00:00 GMT

Điểm hay nhất của cái infographic này là nó AI-native, tức là nó cũng sẽ giống như mermaid cho các infographic phức tạp.

Đây là một bước chuyển hay bởi vì có thể dùng AI để tạo ra các infographic ổn định, chất lượng cao.