Đào Văn Bắc

NGHỆ THUẬT PHỎNG VẤN NGƯỢC: TẠI SAO BẠN ĐANG DÙNG AI SAI HOÀN TOÀN Bạn đang cố học cách hỏi AI cho đúng trong khi thứ bạn thực sự cần là bắt AI hỏi đúng Nghe rất vô lý đúng không nhưng nó sẽ vô cùng thuyết phục để mình kể cho mọi nguời nghe. Bắc đã mất 3 tuần gõ đủ loại prompt dài ngoằng lập kế hoạch truyền thông cho sản phẩm mật ong cafe nhắm vào dân văn phòng. Đầu ra của những lần sủ dụng prompt sưu tầm lần nào cũng bóng bẩy, đủ mục, đúng format và hoàn toàn vô dụng vì nó đoán mò ngân sách của Bắc chỉ có 10 triệu, không biết đối thủ đang chiếm sóng Phở bò hay Típ Tóp, không biết khách hàng của mình như nào Thật ra thì AI không thiếu kiến thức. Nó thiếu bối cảnh thực tế của chính bạn nên Bắc quyết định đổi luật chơi: thay vì tự nghĩ prompt, mình gõ đúng 1 câu lệnh bắt Claude đóng vai Phóng viên điều tra, hỏi ngược lại mình 5 - 10 câu sắc bén nhất về dự án và kết quả thu được rất bất ngờ Kỹ thuật này gọi là Phỏng vấn Ngược (Reverse Inquiry) và nó thay đổi hoàn toàn vị thế tương tác với AI. Cơ chế của nó thực ra rất đơn giản: Khi AI hỏi, bạn buộc phải trả lời cụ thể. Còn khi bạn tự ngồi nghĩ prompt, bạn cực kỳ dễ viết mơ hồ. Những "vết xước thực tế" kiểu như ngân sách thật, đối thủ đang làm gì, khách hàng ghét điều gì nhất chỉ thực sự được khui ra khi có người gặng hỏi. Càng trả lời chi tiết, AI càng có nhiều bối cảnh chuẩn để làm việc. Để kích hoạt cái này, Bắc chỉ làm đúng 3 bước siêu đơn giản: Bước 1: Kích hoạt vai trò: Bạn mở Claude hay Antigrvaity lên, gõ đúng 1 câu: "Đóng vai Phóng viên điều tra, đặt cho tôi từ 5 đến 10 câu hỏi ngắn gọn, sắc bén nhất để hiểu rõ bối cảnh thực tế dự án [tên dự án] của tôi trước khi bắt đầu." Bước 2: Bắc hay dùng voice trên antigrvaity trả lời cho đỡ phải gõ tay. Kiên quyết không dùng văn mẫu nhé. Cứ nói thẳng tuột ra: ngân sách có bao nhiêu, đối thủ đang làm gì, khách hàng đang ghét cái gì nhất. Càng thô càng "xấu" càng tốt đó mới là context thật. Bước 3: Gửi cái đống câu trả lời đó vào cho AI. Lúc này hãy xem nó tự nhào nặn và trả về kết quả chạm đúng thực tế của bạn như nào. Bản thân Bắc từ giờ chọn đứng hẳn về phía tương tác hai chiều bắt AI làm phóng viên hỏi cung, thay vì tự còng lưng làm người viết prompt một mình. Bây giờ bạn thử mở Claude/Anti lên, gõ câu lệnh ở Bước 1 cho một dự án đang bị kẹt. Rồi quay lại đây kể mình nghe kết quả thay đổi ra sao nha.

CÁI GIÁ CỦA TRI THỨC NGẦM: VÌ SAO NHÂN SỰ NGHỈ VIỆC LÀ DOANH NGHIỆP LẠI TRỐNG RỖNG? Nếu doanh nghiệp anh chị đang tốn 10-14 ngày chỉ để nhân sự mới ngồi bắt chước nhân sự cũ làm việc, và mỗi lần một người cũ xin nghỉ là toàn bộ kiến thức, kinh nghiệm vận hành của họ cũng xách vali đi theo. Đây là thực tế của phần lớn doanh nghiệp dịch vụ SME hiện nay. Chúng ta thường vận hành dựa trên "tri thức ngầm”, thứ kiến thức chỉ nằm trong đầu của một vài cá nhân giàu kinh nghiệm. Theo một nghiên cứu uy tín từ Gallup, chi phí để thay thế một nhân sự có thể dao động từ 1.5 đến 2 lần mức lương năm của họ. Nhưng tổn thất vô hình lớn nhất mà họ chỉ ra chính là "silent knowledge loss" toàn bộ tri thức tích lũy biến mất không dấu vết, biến nhân sự cũ thành một single point of failure (điểm nghẽn đơn lẻ) nguy hiểm nhất, sẵn sàng làm gãy dòng tiền của doanh nghiệp bất kỳ lúc nào. Khi bắt tay vào xây dựng AI Agent cho các doanh nghiệp dịch vụ, Bắc phát hiện ra một nghịch lý rất thú vị. Nhiều anh chị nghĩ xây AI là một dự án công nghệ phức tạp, nhưng thực ra, AI lại chính là tấm gương ép doanh nghiệp phải viết quy trình ra giấy. Muốn dạy một AI Agent xử lý một tác vụ - ví dụ như lọc và chăm sóc khách hàng tiềm năng - anh chị buộc phải bẻ nhỏ nó thành 5 - 10 bước cực kỳ chi tiết, kèm theo kịch bản phản hồi cụ thể cho từng tình huống. Điểm mù lớn nhất của chủ doanh nghiệp là luôn đổ lỗi cho nhân sự mới học chậm, nhưng thực tế là doanh nghiệp chưa từng có một SOP (quy trình vận hành chuẩn) rõ ràng. Khi viết quy trình cho AI Agent, anh chị vô tình làm một việc mà trước đây luôn trì hoãn: tường minh hóa tri thức ngầm. AI không thể tự đoán ý như con người, nó đòi hỏi sự logic tuyệt đối từ đầu vào đến đầu ra. Vì vậy, khi xây dựng xong một quy trình 5 - 10 bước chi tiết cho AI Agent vận hành trên các nền tảng như Antigravity hay Claude, anh chị đồng thời đã tạo ra một bộ SOP chuẩn hóa cho con người. Một quy trình rõ ràng đến mức một nhân sự mới tinh chỉ cần đọc là có thể làm được ngay. Thời gian onboarding được rút ngắn từ 2 tuần xuống còn dưới 2 ngày, và rủi ro rò rỉ tri thức khi nhân sự cũ nghỉ việc cũng biến mất. Bản thân Bắc tin rằng, tài sản lớn nhất của dự án chuyển đổi AI không phải là đoạn code hay tài khoản AI Pro, mà chính là bộ SOP bằng văn bản được chuẩn hóa lần đầu tiên trong lịch sử doanh nghiệp. Bắc chọn cách ép các phong, các nhân sự phải viết ra giấy toàn bộ các bước trước khi nạp vào AI, thay vì để AI tự sinh quy trình một cách mơ hồ. Nếu quy trình cho người chưa chuẩn, đưa AI vào chỉ làm hỗn loạn nhanh hơn. Doanh nghiệp của anh chị hiện tại đang mất bao lâu để onboard một nhân sự mới? Tri thức vận hành đang nằm trong file quy trình hay vẫn nằm trong đầu người cũ? Anh chị comment chia sẻ cùng Bắc nhé.

TẠI SAO NHÂN SỰ PHÌNH TO NHƯNG TỐC ĐỘ LẠI GIẢM ĐI? Có một nghịch lý mà hầu hết CEO đều gặp phải nhưng ít ai chia sẻ, Doanh nghiệp 5 người chạy như tên lửa. Lên 15 người bắt đầu ì ạch. Lên 30 người thì... việc tắc nghẽn liên tục. Quỹ lương tăng gấp đô, Headcount tăng gấp ba nhưng output thì không tỉ lệ thuận. McKinsey có một báo cáo nói rằng các doanh nghiệp vừa và nhỏ ở Đông Nam Á mất trung bình 30–40% năng suất trong giai đoạn mở rộng từ 10 lên 50 người. Không phải vì thiếu người giỏi mà vì chi phí phối hợp tăng nhanh hơn tốc độ tăng nhân sự. Đây không phải vấn đề của riêng DN nào và cũng không nằm ở năng lực cá nhân mà đây là quy luật vật lý của tổ chức Là một người từng điều hành Agency, quản lý các chiến dịch marketing, Bắc thấu hiểu sâu sắc cảm giác này của các CEO: nhân sự tuyển thêm liên tục, quỹ lương phình to nhưng hiệu suất tổng thể lại đi xuống. Bắc đã từng nghĩ rằng team mình cần người giỏi hơn, cần training nhiều hơn, cần quản lý sát hơn. Sau một thời gian loay hoay Bắc mới nhận ra vấn đề là sự thiếu đồng bộ giữa các tầng bộ não doanh nghiệp. HÌNH DUNG CẤU TRÚC DOANH NGHIỆP VẬN HÀNH NHƯ SAU: Nhân Viên: mỗi nhân sự đang tự quản lý công việc theo cách của riêng mình: Excel riêng, ghi chú riêng, AI cũng riêng chỉ nằm trong đầu họ, deadline riêng không ai nhìn thấy nhau đang làm gì và chỉ có thể biết đươc vào mỗi buổi họp hoặc báo cáo Phòng Ban: Giao tiếp giữa các bộ phận đứt gãy, bộ phận này không biết bộ phận kia đang chờ gì, file quan trọng gửi qua Zalo rồi trôi mất, thông tin khách hàng/đối tác gửi qua mail xong cũng lúc cần không biết tìm ở đâu. Vấn đề họp xong tuần này, tuần sau lại họp y chang vì không ai nhớ đã quyết định cái gì và làm tới đâu và rồi 2 chữ “ Tôi tưởng “ xuất hiện Chủ DN: CEO hoàn toàn bị "mù thông tin" thời gian thực phải đi hỏi từng Leader để biết tiến độ. Muốn ra quyết định thì phải chờ báo cáo mà báo cáo thường đến trễ dẫn tới tắc nghẽn công việc, việc gì cũng nối đuôi nhau kéo dài thêm và rồi biến CEO trở thành bottleneck lớn nhất của chính công ty mình VẬY PHẢI LÀM SAO ĐỂ CÓ HOẠT ĐỘNG TRƠN TRU HƠN: Giải pháp là số hóa toàn bộ "não bộ doanh nghiệp" về một nơi duy nhất. Để cá nhân biết mình cần làm gì, deadline bao giờ, ưu tiên cái gì. Để các phòng ban phối hợp được với nhau mà không cần CEO phải đứng ra làm cầu nối mỗi ngày. Để CEO thấy được toàn cảnh thời gian thực ai đang làm gì, đang kẹt ở đâu, cần can thiệp không. Mà để làm được thì cần qua từng bước: Bước 1: Tập trung hóa: Đưa tất cả dữ liệu, công việc, task, deadline về một nền tảng duy nhất Bước 2: Hiển thị hóa: Biến tiến độ trong đầu người thành tiến độ trên màn hình. CEO cần thấy được dashboard thời gian thực, không phải báo cáo hàng tuần Bước 3: Tự động hóa: Sau khi quy trình đã rõ ràng và dữ liệu đã tập trung, mới tích hợp AI và automation để loại bỏ các công việc lặp đi lặp lại. Nhân sự không phải vấn đề. Năng lực không phải vấn đề. Kiến trúc thông tin trong tổ chức mới là vấn đề. Và vấn đề này có thể giải quyết được mà không cần sa thải ai, không cần tuyển thêm chỉ cần bắt đầu số hóa đúng thứ, đúng trình tự. Doanh nghiệp của anh chị đang ở quy mô bao nhiêu nhân sự rồi? Hãy xem lại xem việc có đang bị kẹt ở khâu chuyển giao giữa các bộ phận không?

Doanh nghiệp đang chuyển đổi AI, hay chỉ đang trang bị đồ chơi đắt tiền cho nhân viên? Gần đây, Bắc thấy rất nhiều anh em CEO sốt sắng cho nhân viên đi học các công cụ AI, các khóa đào tạo AI/Prompt nâng cao, rồi hồ hởi gọi đó là CHUYỂN ĐỔI AI hay DOANH NGHIỆP 4.0 Việc nhân sự học và ứng dụng AI vào công việc là đúng, không sai. Nhưng nếu nghĩ rằng cứ mua tài khoản AI hay gửi nhân viên đi học là doanh nghiệp sẽ tự động vận hành trơn tru thì đó là một sự ngộ nhận sẽ trả giá khá đắt Hãy cùng Bắc nhìn sâu vào phần chìm của tảng băng này: 1. Về góc độ nhân viên: Nhân viên của anh chị học Prompt/ học công cụ xong về làm gì? Đương nhiên họ sẽ biết dùng ChatGPT, Gemini, Claude, Antigravity… hay các mô hình chuyên biệt để viết email chuẩn chỉnh hơn, gen content nhanh hơn, hoặc phân tích số liệu cá nhân tốt hơn, tối ưu được vài tác vụ cá nhân Nhưng nhìn vào thực tế: Đó mới chỉ là tối ưu tác vụ cá nhân. Trong khi mục tiêu lớn nhất của anh chị là tối ưu hóa vận hành cho cả doanh nghiệp. Nếu hiệu suất cá nhân tăng nhưng hệ thống phối hợp vẫn thủ công, thì khoản đầu tư đó vẫn chưa mang lại giá trị thực sự. 2. Về góc độ doanh nghiệp: Nếu thông tin giữa các phòng ban: Sales - Kế toán - Kho vận của anh chị vẫn phải trao đổi thủ công, dữ liệu trên các group Zalo rời rạc, hoặc gửi qua gửi lại bằng các file Excel cá nhân… -> dữ liệu bị đứt gãy thì AI cũng chỉ là một món đồ chơi đắt tiền. AI Agent không thể hoạt động nếu không có dữ liệu sạch để đọc, không có quy trình chuẩn để bám vào. Cố nhồi nhét công cụ AI vào một hệ thống vận hành lộn xộn chỉ làm tăng thêm sự hỗn loạn. 3. Lời kết từ góc nhìn của Bắc: Ứng dụng AI trong doanh nghiệp không phải là bài toán của cấp thực thi. Ứng dụng AI là bài toán của Tầm nhìn Điều hành. Chỉ có CEO mới đủ thẩm quyền để giải bài toán "Vẽ lại làn đường cho dữ liệu chảy". Khi người đứng đầu quyết định chuẩn hóa lại làn đường: Đâu là điểm vào (Input), đâu là điểm ra (Output), ai chịu trách nhiệm từng chặng, dữ liệu lưu trữ tập trung ở đâu... thì lúc đó, các AI Agent mới có thể chạy trơn tru và nhân bản hiệu suất hệ thống DN lên gấp nhiều lần. Đường chưa phân làn, thì siêu xe cũng chỉ để ngắm. Doanh nghiệp của anh chị đã đã được vẽ ra thành sơ đồ chưa hay vẫn giữ trong đầu và mỗi lần cần thì mang ra thực hiện bằng trí nhớ?

TEST GEMINI OMNI MỚI: AI VIDEO ĐÃ ĐI ĐẾN ĐÂU? Hôm nay mình ngồi vọc thử tính năng edit video của Gemini Omni mớ ra mắt. Cảm giác vừa phấn khích vì sự thông minh của nó, nhưng cũng vừa nhận ra một giới hạn phũ phàng của công nghệ ở thời điểm hiện tại. Nếu bạn từng tự tay dựng clip, chắc chắn bạn hiểu cảm giác tốn cả buổi trời chỉ để thêm vài hiệu ứng ánh sáng hay chỉnh màu sao cho khớp từng khung hình. Trước đây, mình cũng từng mất hàng giờ loay hoay tạo clip với capcut nhưng bây giờ quăng yêu cầu đó cho Gemini Omni, AI xử lý hiệu ứng bóng đèn phát sáng theo yêu cầu chỉ trong vài phút, rất nhanh và gần như đúng với ý của mình Cái cảm giác 'wow' vừa đến vì hiệu ứng thì lại có 1 điều khó chịu khác là gương mặt của nhân vật ( mặt của mình ) sau khi edit đã bị biến đổi và khác hẳn so với bản gốc. Sự đồng bộ khuôn mặt đã bị AI bịa lại thành một người hoàn toàn xa lạ dù đã yêu cầu rất rõ ràng là phải giữ nguyên bản gốc không thay đổi bất kì điều gì AI ngày càng làm được nhiều điều bất ngờ, những tác vụ tốn thời gian trước đây của các editor nay được xử lý chỉ bằng vài cú click. Và đây mới chỉ là khởi đầu, thử nghĩ xem 1-2 năm tới khi công nghệ giải quyết được bài toán đồng bộ khuôn mặt, AI sẽ còn làm được những điều kinh ngạc thế nào. Còn bạn, bạn đã thử tính năng video của GEMINI OMNI chưa, và trải nghiệm thực tế của bạn thế nào, chia sẻ cùng mình nhé?

ĐỊNH LUẬT KHUẾCH ĐẠI AI Mấy tháng đầu khi mới bắt đầu dùng AI, mình như bị loạn, bị mông lung khi thị trường có quá nhiều công cụ, model mới ra liên tục. Càng tìm hiểu mình càng thấy bản thân lênh đênh giữa biển, không biết phải áp dụng vào đâu trong công việc cho đúng. Đó là lúc mình ý thức được Định luật Khuếch đại AI: AI chỉ thực sự tạo ra ROI khi người dùng đã có sẵn một quy trình chuẩn và một năng lực gốc đủ vững trong công việc. Nếu năng lực bản thân đang là 1, AI sẽ nhân hệ số đó lên thành 5 nhưng nếu năng lực đang là 10, AI sẽ nhân lên thành 50, một mức thay đổi rất kinh khủng. Nhưng ở chiều ngược lại, nếu năng lực gốc đang là số âm, AI cũng sẽ khuếch đại sự yếu kém đó lên gấp nhiều lần và dẫn tới việc mông lung như bản thân mình trước đây Sau nhiều lần thử và sai, mình tự đúc rút ra 3 câu hỏi bắt buộc phải trả lời được trước khi ứng dụng AI vào bất cứ khâu nào trong công việc: 1. Mục tiêu rõ ràng: Mình thực sự muốn đầu ra cuối cùng của việc này là gì? Nếu chính mình còn mơ hồ, AI chắc chắn sẽ mơ hồ và cuối cùng không có kết quả 2. Quy trình đã chuẩn hóa: Mình đã từng tự tay chạy trơn tru quy trình này nhiều lần chưa, đã hướng dẫn được người khác làm theo chưa? Nếu chưa, đừng vội tự động hóa cái mình còn chưa làm chủ. 3. Tác vụ lặp lại được chỉ mặt đặt tên: Đâu là những bước thường xuyên lặp đi lặp lại hàng ngày, kiểu nhập liệu, soạn thư theo mẫu, viết báo cáo theo khung, viết content. Đó mới là chỗ AI cần được ứng dụng để phát huy tác dụng và tiết kiệm thời gian. Mình tin trong vài năm tới, khoảng cách giữa người dùng AI hiệu quả và người dùng AI thất bại sẽ không nằm ở việc ai biết thêm nhiều prompt hay tool mới, mà nằm ở việc ai có quy trình tốt hơn, ai hiểu công việc của mình sâu hơn. Còn bạn, bạn đang ở hệ số năng lực gốc nào trước khi bật "công tắc" AI, chia sẻ cùng mình nhé?

SỬA QUY TRÌNH TRƯỚC, ÁP DỤNG AI SAU Đa số DN hiện tại đều đang chạy đua theo các công cụ AI. Các CEO đều muốn nhân viên mình học và áp dụng AI vào để nâng cao hiệu suất công việc. Những hào nhoáng được chia sẻ từ bên ngoài như AI sẽ thay thế nhân sự, AI Agent được thổi phồng lên thay thế phòng ban, khiến chủ DN dễ tin chỉ cần mua tool xịn cho cả team là xong. Bản thân mình tin nguyên tắc Process-First: bắt buộc phải có 1 quy trình chuẩn hóa, chạy trơn tru bằng sức người trước. Sau đó AI mới vào để tối ưu và nhân bản những tác vụ lặp đi lặp lại, đơn giản của từng phòng ban. Ở đây mọi người hiểu công cụ AI làm tăng tốc độ dòng chảy, nhưng nếu dòng chảy sai thì DN sẽ thiệt hại rất nhiều từ tài chính đến brand. Lộ trình chuyển đổi và ứng dụng AI vào DN: 1. Xây dựng và làm trơn quy trình bằng sức người: Mỗi phòng ban liệt kê 5-10 việc lặp lại hàng ngày, mô tả input/output/quy tắc, cho 1 nhân viên thật chạy 2-3 tuần đến khi không còn lệch. 2. Áp dụng AI: Dùng AI xử lý tác vụ lặp lại, đơn giản nhằm giảm tải sức lao động và thời gian của nhân viên. Những việc như nhập đơn, đối chiếu chứng từ, soạn email mẫu, tra cứu chính sách nội bộ, tóm tắt cuộc họp. 3.Sau khi áp dụng và ổn định 2-3 tháng: mới giải bài phức tạp. Ra quyết định, AI Agent cross-phòng-ban, tự động hóa end-to-end. Anh/chị hình dung DN của mình khi đưa AI vào giống như lắp máy bơm công suất lớn cho hệ thống tưới nhưng đường ống đang thủng mà bơm mạnh thêm dẫn tới vỡ ống, nước lênh láng ngập khắp nơi và phá vườn. Điều cần làm trước tiên là nối lại ống trước rồi bơm sau,và dẫn nước tự động tới đúng từng gốc cây. Anh chị đang ở bước nào trong 3 bước này? Đã có qui tình cụ thể cho từng Phòng chưa?

TÍCH HỢP GG DRRIVE & NOTEBOOKLM & GEMINI THÀNH 1 HỆ THỐNG LÀM VIỆC HOÀN CHỈNH Như bài trước e có hướng dẫn mọi người cách tạo wiki tri thức để phục vụ dự án trong notebooklm thì có vẻ nhiều anh/chị vẫn chưa làm được. Nay e phát hiện ra 1 cách làm mới nhanh hơn không cần vào notebooklm mà có thể làm trực tiếp trên Gemini và tiện hơn rất nhiều nên chia sẻ và hướng dẫn chi tiết qua hình ảnh Bước 1 + 2: Tạo sổ ghi chú mới và đặt tên cho dự án muốn thực hiện Bước 3 + 4: Nạp kiến thức cho dự án bằng các tài liệu liên quan như file pdf, tài liệu từ gg drive, các đoạn văn bản đã có sẵn… Bước 5 + 6: Dự án đã có đầy đủ thông tin và bắt đầu làm việc Bước 7: Nếu muốn gene trang trình bày sau khi làm việc xong với gemini thì mọi người vào notebooklm, vào đúng dự án vừa làm và nhập prompt theo yêu cầu để gene Với cách làm này mọi người không cần vào notebooklm nữa mà có thể thoải mái làm trực tiếp trên gemini mà vẫn có đầy đủ ngữ cảnh để phục vụ riêng cho mục đích sử dụng. Nếu mọi người thao tác mà gặp vấn đề gì thì cm dưới đây e sẽ hỗ trợ thêm. Bài cũ của e mọi người có thể đọc ở đây facebook.com/share/p/1AnWqs…

3 Qui Luật Học AI Hiệu Quả: Từ "Biết" Đến "Làm Được" 1. Qui luật 80/20: Dành 80% thời gian để vọc vạch AI ứng dụng cho công việc, 20% còn lại đọc kiến thức về AI nhưng phải là những người fl và xác định họ chia sẻ giá trị gần giống với công việc mình đang làm 2. Hiểu logic quan trọng hơn copy prompt: Hiểu tại sao AI trả lời như vậy thì mới áp dụng được cho mọi trường hợp. Ưu tiên làm xong hơn làm ẹp.Thà làm ra một quy trình AI chạy được (dù còn thô, chưa chuẩn), còn hơn có một kho tài liệu cực đẹp nhưng không bao giờ đụng vào 3. Không lưu link nếu trong vòng 24h tới không áp dụng nó vào một việc cụ thể. Từ ngày mình tập trung vào "làm đến đâu học đến đó" mình không còn cảm giác bị "ngợp" kiến thức, không còn bị mông lung trong mớ bòng bong AI, mà quan trọng nhất là mình thực sự hiểu và điều khiển được công cụ giải quyết vấn đề của mình Hôm nay, bạn đã dùng AI để "xong" được việc gì thực tế chưa? Chia sẻ với mình dưới comment nhé! 👇

QUY TRÌNH 4F "MA SÁT KIẾN THỨC" TRONG OBSDIDIAN Vài tháng trước, cứ xem YouTube, đọc Facebook hay đọc một cuốn ebook đào tạo thấy nội dung nào hay là mình vội vàng lưu lại bằng đủ mọi cách. Từ việc chụp màn hình, bookmark link cho đến việc copy nguyên xi bài viết của người khác vào Obsidian và tự đắc nghĩ rằng bản thân đang tích lũy được rất nhiều kiến thức giá trị. Nhưng thực tế thì đó là một sai lầm cực lớn. Mỗi khi cần dùng đến, mình mở ghi chú ra và đầu óc hoàn toàn trống rỗng. Việc chỉ lưu trữ thuần túy những nội dung từ bên ngoài không hề biến chúng thành kiến thức của mình, đó không phải là sự hiểu biết của mình và chắc chắn không phản ánh thế giới quan của bản thân. Việc đó đơn thuần chỉ là mình đang làm thao tác "lưu trữ hộ" cho tác giả gốc. Từ những trải nghiệm không tốt đó, mình ý thức được rằng để kiến thức thực sự sống, bản thân phải chủ động tạo ra sự "ma sát kiến thức". Nghĩa là sau khi đọc, nhớ và hiểu, mình bắt buộc phải tự viết lại và thuật lại thông tin đó hoàn toàn theo góc nhìn cá nhân để nó móc nối chặt chẽ với những logic sẵn có của mình. Sau nhiều lần tìm hiểu mình tìm tiếp cận mô hình 4F+. Nó đóng vai trò như một "khuôn đúc" để ép mọi dữ liệu thô ráp phải đúc kết lại theo đúng trải nghiệm, phong cách, góc nhìn của bản thân. Ví dụ, thay vì chỉ lưu một bài hướng dẫn "Tích hợp hệ sinh thái Google thành trung tâm dữ liệu", mình sẽ ép bản thân viết lại qua 4 trụ cột: 1. Fact (Sự thật): Dữ liệu gốc hay ý tưởng ban đầu mình vừa đọc được là gì? Có một quy trình liên thông từ Google Drive (Kho lưu trữ) sang NotebookLM (Wiki kiến thức) rồi đến Gemini (Nơi thực thi). 2. Feeling (Cảm xúc): Mình cảm thấy thế nào về nó? Thấy cực kỳ đồng cảm vì trước đây mình rất "ngán" cảnh phải copy-paste thủ công từng đoạn từ Docs sang chatbot, cảm giác như mình đang làm nô lệ cho dữ liệu vậy, rồi AI trả lời đâu đâu 3. Finding (Bài học): Đúc kết cốt lõi rút ra được sau quá trình "ma sát" là gì? Thay vì để dữ liệu "chết" trong Drive, việc dùng NotebookLM sẽ tạo ra một nguồn sự thật duy nhất. Nó giúp AI thực thi đúng ngữ cảnh và không bao giờ bịa đặt thông tin 4. Future (Hành động tương lai): Mình sẽ dùng bài học này vào việc gì vào ngày mai? Ngày mai mình sẽ liên kết ngay thư mục nghiên cứu dự án từ Drive vào Notebook để yêu cầu Gemini lên plan mới và tạo ảnh minh họa dựa trên đúng tệp tài liệu đó Mình tin là mọi thông tin nếu không trải qua quá trình ma sát 4F thì chỉ là những kiến thức của người khác, thay vì giữ thói quen sưu tầm vô tội vạ, mình bỏ hẳn việc lưu trữ nguyên bản và chọn ép bản thân dùng bộ lọc 4F+ để ma sát mọi kiến thức lưu trữ trong Obsidian. Bạn đang tạo "ma sát" cho tri thức của mình bằng cách nào, chia sẻ cùng mình nhé?

TÍCH HỢP GOOGLE & GEMINI: BIẾN DỮ LIỆU THÀNH BỘ NÃO THỨ HAI Trước đây, mỗi lần làm dự án hay nghiên cứu đối thủ, mình cực kỳ "ngán" cảnh phải copy-paste thủ công từng đoạn tài liệu từ Google Docs sang chatbot để hỏi cho đúng với dữ liệu làm việc. Cảm giác như mình đang làm nô lệ cho dữ liệu của chính mình vậy, rất mất thời gian mà Gemini đôi khi vẫn trả lời kiểu "râu ông nọ cắm cằm bà kia" vì thiếu ngữ cảnh. Nhưng với tính năng mới từ Google, mình đã tìm ra cách biến Gemini thành một trợ lý thực thụ, hiểu rõ mọi ngóc ngách dữ liệu mình lưu trữ. Bí mật nằm ở mô hình liên thông: Google Drive (Kho lưu trữ) → NotebookLM (Wiki kiến thức) → Gemini (Nơi thực thi). Về cơ bản, đây là cách mình xây dựng một "nguồn sự thật duy nhất" để AI không bao giờ bịa đặt thông tin. Thay vì để dữ liệu nằm chết trong Drive, mình biến nó thành một bộ não động có khả năng phản hồi tức thì. Giai đoạn 1 ( Hình 1 ): Thiết lập NotebookLM làm "Wiki tri thức" 1. Truy cập NotebookLM và tạo một Notebook mới cho dự án cụ thể. Việc tách nhỏ theo từng dự án giúp AI tập trung sâu hơn, không bị nhiễu bởi các luồng dữ liệu khác. 2. Liên kết trực tiếp các thư mục từ Google Drive hoặc tải lên các file PDF nghiên cứu vào Notebook. Đây là bước quan trọng để "dạy" cho AI biết đâu là giới hạn kiến thức nó được phép sử dụng. 3. Chờ NotebookLM quét nội dung trong vài giây. Lúc này, bạn đã có một cuốn Wiki thông minh sẵn sàng giải đáp mọi thắc mắc chỉ dựa trên chính dữ liệu bạn đã cung cấp. Giai đoạn 2 ( Hình 2 ): Vận hành và thực thi cùng Gemini Chat 1. Sử dụng Gemini để truy vấn sâu vào các tài liệu cũ đã được NotebookLM hệ thống hóa. Bạn có thể yêu cầu nó tóm tắt các điểm quan trọng hoặc so sánh các phiên bản dự án mà không sợ sai sót. 2. Yêu cầu Gemini lập kế hoạch mới hoặc tạo ảnh minh họa dựa trên ngữ cảnh từ tài liệu. Ví dụ: "Dựa trên nghiên cứu đối thủ trong Drive, hãy gợi ý cho mình 3 ý tưởng hình ảnh marketing tạo sự khác biệt". 3. Tận dụng khả năng hiểu ngữ cảnh của Gemini để biến các ghi chú thô thành hành động. Gemini lúc này đóng vai trò là "cánh tay thực thi", hiểu rõ ý đồ của bạn thông qua kho dữ liệu đã input. Bạn đã thử kết nối kho Drive của mình với NotebookLM chưa, hay vẫn đang copy-paste thủ công mỗi ngày?

CẤU TRÚC CHUẨN FILE MARKDOWN TRONG OBSIDIAN Trước đây mình dùng Obsidian theo kiểu hứng gì chép nấy, cuối ngày là lưu trải nghiệm, kinh nghiệm hoặc cách xử lý 1 vấn đề trong công việc vào brain2. Rồi sau đó mình mất cả tuần trời chỉ để dọn dẹp lại đống note hỗn độn vì không có một cấu trúc chuẩn ngay từ đầu. Theo quan điểm của mình một file .md chất lượng không chỉ để lưu trữ, mà nó phải là một "viên gạch" đã được mài giũa để bạn có thể xây lên những kết nối tri thức lớn hơn. Do quan điểm mỗi người khác nhau, mục tiêu khác nhau nên cách áp dụng sẽ khác nhau nhưng sau nhiều lần đập đi xây lại, đây là quy trình 3 bước mà mình và Antigravity đang áp dụng để chuẩn hoá ghi chú trong Ob theo mục tiêu của mình: Bước 1: Gắn "chứng minh thư" cho Note (Metadata) Đừng bao giờ bắt đầu một file bằng nội dung ngay. Hãy cho nó một cái YAML Frontmatter ở đầu file. Nó giống như nhãn dán trên một thùng hàng: nhìn vào là biết bên trong có gì, tạo khi nào mà không cần mở ra xem. Tiêu đề: Đặt theo Keyword chính, ngắn gọn. Source: Nguồn này được dẫn từ đâu, học từ đâu, cùng ai… Phân loại: Note này là định nghĩa, là trải nghiệm hay là quy trình… Tag: Có liên quan tới các chủ đề nào Bước 2: Tinh chế nội dung theo công thức 4F+ vì đây là linh hồn của ghi chú. Thay vì chép nguyên văn, mình ép bản thân phải lọc qua 4 "màng lọc" tư duy: Facts: Sự thật của vấn đề là gì, chỉ ghi lại những gì là cốt lõi nhất, khách quan nhất. Feelings: Mình cảm thấy thế nào, mình thấy cái này có thực tế không? Có điểm nào mình nghi ngờ không? Findings: Bài học trong sự vật, sự việc này là gì? Rút ra một nguyên lý có thể áp dụng được. Nếu sau này mình dạy lại cho ai đó, mình sẽ nói gì? Future: Trong tương lai nếu gặp lại vấn đề này thì sao, mình sẽ làm gì. Ghi chú này sẽ phục vụ dự án nào của mình sắp tới? Bước 3: Câu chuyện liên tưởng Do bản thân mình hay quên nên khi học 1 kiến thức mới mình sẽ liên tưởng tới hình ảnh hoặc những thực tế đã xảy ra. Sau đó móc lại với nhau thành những mắt xích có liên quan đến nhau bằng những ví dụ có liên quan So sánh cách làm cũ và cách làm mới nếu áp dụng kiến thức, trải nghiệm mà mình mới đúc kết được 4. Nối não (MOCs): Bắt buộc phải gắn nó vào các "bản đồ tri thức" lớn như [[MOC AI]] hay [[MOC Tri Thức]]. Nếu không có liên kết, note của bạn sẽ bị cô lập và sớm bị lãng quên. Mình tin là khi bạn dành thêm 2 phút để làm đúng cấu trúc này, mỗi ghi chú bạn viết ra sẽ tăng giá trị theo thời gian. Bạn có đang gặp khó khăn ở bước nào trong việc duy trì thói quen ghi chú không? Chia sẻ với mình ở comment nhé!

TƯ DUY AI FIRST ĐÚNG CÁCH VÀ ĐỪNG ĐỂ Ý TƯỞNG VẮT KIỆT NĂNG LƯỢNG CỦA BẠN Nếu bạn đang rơi vào cảnh "rặn" từng chữ cho bài viết/triển khai idea đến mức cạn kiệt năng lượng ngay từ đầu ngày, thì có lẽ bạn đang làm sai cách Bản thân mình cũng từng kẹt trong cái bẫy "tự lực cánh sinh" đó suốt thời gian đầu tìm hiểu về AI. Hồi đó mình dùng ChatGPT hay Gemini chỉ như một cái máy tìm kiếm cao cấp, hỏi nhặt nhạnh từng mẩu thông tin rồi lại hì hục tự chắp vá. Kết quả là dù đã dùng AI, mình vẫn thấy mệt và không hiệu quả. Mãi sau này mình mới nhận ra một tư duy quan trọng: Chuyển dịch từ tư duy "tự làm tất cả" sang tư duy "lọc và chọn" với công thức 80/20. Chắc hẳn các bạn cũng gặp phải trường hợp cứ mỗi lần tắt tab là coi như bot "mất trí nhớ", mình lại phải giải thích lại từ đầu về mong muốn của mình. Cảm giác cực kỳ ức chế vì AI không hiểu được cái "ngữ cảnh" mình cần. Chỉ đến khi mình bắt đầu chuyển sang sử dụng các hệ thống có khả năng lưu trữ lịch sử và hiểu sâu về workflow (như cách mình đang làm với Antigravity, Claude), mọi thứ mới thực sự thay đổi. AI lúc này không chỉ trả lời mà còn dẫn hướng, lưu lại toàn bộ "vết" tư duy để phản hồi tốt hơn theo thời gian. Bây giờ, thay vì ngồi suy nghĩ khổ sở, mình để AI gánh vác 80% khối lượng công việc thô, tức là phần triển khai bản thảo từ những idea lóe lên. Mình chỉ dành 20% trí tuệ tinh túy nhất để tinh lọc (Refining). Góc nhìn của mình là: Đừng bao giờ bắt não bộ phải làm việc như một cái máy đánh máy. Hãy để não bộ làm đúng chức năng của nó là kiến trúc sư. Mình chọn cách đưa ngay các dòng suy nghĩ vừa lóe lên vào AI để triển khai bản thảo ngay lập tức, sau đó mới dùng tư duy cá nhân để tối ưu hóa. BẢN THÂN MÌNH RÚT RA 3 QUI TẮC: Ghi lại tức thì: Đừng để ý tưởng trôi mất, note ngay vào hoặc voice vào telegram Ủy thác bản thảo: Để AI triển khai 80% phần khung và chi tiết dựa trên gợi ý ban đầu ( dĩ nhiên là phải dựa vào knowlegde nữa, cái này thì mình lưu trữ ở Obsidian ) Tập trung tinh lọc: Dành năng lượng tốt nhất vào giai đoạn cuối để kiểm soát chất lượng đầu ra Bạn đang sử dụng tư duy AI First thế nào? Hãy chia sẻ xuống đây để mọi người học được những góc nhìn mới hơn

CASE STUDY: MỌI NGƯỜI SỬ DỤNG OBSIDIAN LÀ SỬ DỤNG RÁC? Trong mấy bài viết trước mình đã chia sẻ cách mình đã sử dụng Obsidian thì có bạn chia sẻ “ Mọi người thật sự tin mấy cái rác rưởi này ah “ Mình đưa ra vài câu thảo luận cùng bạn ấy vì đúng là nếu bạn chỉ biết "ghi" mà không biết "chế", Obsidian sẽ mãi là một Thùng rác Lego và đây là 1 sai lầm cực lớn khi mọi người dùng Ob để ghi chép chứ khôn phải kết nối Hôm nay, mình sẽ chia sẻ với bạn cách mình biến "đống rác" đó thành một Thành phố Trí tuệ (Second Brain), nơi mà mỗi thông tin thô đều có thể tự động chuyển hóa thành nội dung viết content hoặc những bài chia sẻ chỉ trong vài giây, với sự hỗ trợ của AI. Bước 1: Tinh chế 4F+ : Không chỉ là copy-paste, AI sẽ chắt lọc nội dung thô qua bộ lọc 4F: - Facts (Sự thật) - Feelings (Cảm xúc) - Findings (Bài học) - Future (Áp dụng) Biến thông tin rời rạc thành một "Ghi chú nguyên tử" sắc lẹm. Bước 2: Làm giàu tri thức : Đây là lúc điều hay ho nhất hình thành. AI đóng vai một "Kiến trúc sư" để: - Chuyển ngữ các thuật ngữ chuyên môn cách chuẩn xác. - Xây dựng Câu chuyện liên tưởng cực kỳ hóm hỉnh để não bộ ghi nhớ tức thì. - Lập Bảng so sánh giữa "Cách làm cũ" và "Tư duy chuyên gia" để thấy rõ sự khác biệt. Bước 3: Đóng gói & Lưu trữ: Mọi thứ được tự động "nhập kho" Obsidian vào đúng thư mục (Concept, Strategy, hay Skill) với Metadata chuẩn chỉnh. Việc của bạn chỉ là nạp dữ liệu thô, việc "nối dây thần kinh" Tất cả workflow này mình đã đóng gói thành skill kientrucsubrain2. Nếu bạn muốn thì cm phía dưới kientrucsubrain2 mình sẽ share skill này cho mọi người

OBSIDIAN MOCS: VẼ BẢN ĐỒ TRI THỨC THAY VÌ XÂY THÊM THƯ MỤC Nếu bạn đang dùng Obsidian hay Notion, vừa ghi xong 1 note mới là loay hoay 5 phút không biết nên nhét vào folder nào, lúc cần tìm lại thì click qua 5-6 lớp folder mới thấy, có khi quên hẳn mình đã lưu ở đâu Trước đây mình cũng y chang. Mình tự hào về độ ngăn nắp với cấu trúc Vault phân cấp đẹp như sách giáo khoa: Dự án → 2025 → Marketing → Chiến dịch A → Tài liệu → Draft, folder lồng folder 5-6 lớp. Càng xây càng đẹp, càng tìm càng mệt. Trao đổi với Antigravity về setup PKM, mình học được 1 khái niệm gọi là MOC (Maps of Content). MOC không phải thêm 1 thư mục nữa, mà là 1 ghi chú đặc biệt đóng vai trò "trạm trung chuyển", chứa danh sách WikiLinks [[]] đến các note cùng chủ đề. Bản đồ kết nối, không phải lồng cứng. Mình nhớ lại 1 lần ghi note tên "Tâm lý học hành vi" sau khi đọc xong 1 chương sách. Đứng đắn đo 10 phút giữa 3 folder: Tâm lý học, Marketing, hay Phát triển bản thân. Cuối cùng nhét vào Marketing vì hôm đó đang viết content. 3 tháng sau cần lại note đó cho 1 deal khách, mở Vault loay hoay 7-8 phút search keyword cũng trật vì đặt tên file không nhất quán. Note vẫn nằm đó, nhưng coi như chết trong folder. Đó là cốt lõi: bộ não con người liên kết theo mạng lưới, không theo lồng. 1 ý tưởng có thể dính đến hàng chục chủ đề khác nhau. Thư mục bắt note chỉ được ở 1 nơi là đi ngược cách não nghĩ, và Notion hay Obsidian dùng theo lối folder sâu đều rơi vào lỗi này. Mình bỏ folder phân cấp sâu, chỉ giữ 4 folder K-W-S-R làm khung định danh, còn lại dùng MOC để kết nối ngang. Khi mở MOC "Content Strategy", mình thấy ngay 15 note liên quan từ AI / Marketing / Tâm lý / Pricing trên cùng 1 màn hình, không cần lục 5 lớp folder hay nhớ mình lưu ở đâu. Và đây là 4 bước mình xây MOC đầu tiên: Chọn 1 chủ đề bạn đang đào sâu nhất tuần này (ví dụ: Lead Magnet, Pricing, AI Agent setup) Tạo 1 note mới đặt tên theo công thức [Tên chủ đề] MOC Mở các note liên quan, dùng WikiLinks [[]] để link tất cả vào note MOC này Sắp xếp theo logic tư duy của bạn (Tổng quan → Công cụ → Thực hành), không xếp A-Z Bây giờ bạn thử tạo 1 MOC cho chủ đề bạn đang đào sâu tuần này, link tối thiểu 5 note vào đó. Quay lại đây kể mình nghe Vault của bạn dùng có khác đi như nào nha.

THOÁT BẪY "LƯU TRỮ RÁC" TRONG OBSIDIAN VỚI KHUNG KWSR Nếu bạn đang sử dụng Obsidian, đang có 1 thư mục Inbox với mấy trăm ghi chú nằm im, mỗi lần mở Obsidian là thấy ngợp không biết trích xuất dữ liệu như nào, kết hợp ra sao và mở được 1 chút xong chỉ muốn đóng app Trước đây mình cũng y chang lưu trữ vài trăm file trong Inbox, từ link bài AI, công thức mkt, công thức bán hàng, ý tưởng lóe lên 2h sáng đến đoạn code dở dang. Mỗi lần thấy gì hay trên YouTube hay Facebook lại "ném" vào Obsidian với suy nghĩ "để đây lúc nào cần thì dùng". Sự thật là càng lưu nhiều, mình càng ít mở app để đọc lại hơn Trao đổi với Antigrvity, mình học được áp dụng làm note theo 1 khung phân loại gọi là KWSR - không phải cách đặt tên thư mục, mà là cách định danh bản chất thông tin ngay khi nó chạm vào não. Obsidian hay Notion hay Notes nếu sử dụng chưa đúng đều rơi vào lỗi này. Tool không sai, sai ở chỗ mình "nhặt" mà không "định danh". 1 mảnh thông tin chưa biết sẽ dùng cho việc gì thì chỉ làm não thêm tải, không khác gì rác trong nhà kho. Ghi chép nhiều không giúp bạn thông minh hơn, phân loại đúng mới giúp bạn quyền năng hơn.Và đây là cách mình xây khung KWSR trong 1 note có 4 trụ rõ rệt: K (Knowledge - Kiến thức): trả lời "Đây là gì, hoạt động thế nào?". Khái niệm, định nghĩa, lý thuyết. Vd "LLM là gì", "Cấu trúc của 1 Prompt". W (Workflow - Quy trình): trả lời "Làm thế nào 1 cách bài bản?". Các bước 1-2-3, checklist, sơ đồ luồng. Vd "Quy trình thiết kế Landing Page", "Cách cài Ollama". S (Skill - Kỹ năng): trả lời "Mình thực hành ra sao, tiến bộ thế nào?". Nhật ký thực hành, bài tập, kinh nghiệm rút ra. Vd "Nhật ký luyện Prompting", "Kinh nghiệm fix lỗi Local AI". R (Rule - Nguyên tắc): trả lời "Luật bất biến nào không được phá?". Quy định, triết lý, giới hạn cứng. Vd "Quy tắc 3 Magic Strings", "Nguyên tắc bảo mật dữ liệu khách". Bây giờ bạn thử tạo 4 thư mục K-W-S-R trong Obsidian, lọc 10 ghi chú gần nhất trong Inbox và tự vấn "ghi chú này giúp mình HIỂU, LÀM, GIỎI hay GIỮ KỶ LUẬT?". Quay lại đây kể mình nghe Inbox của bạn thay đổi như nào nha.

3 TẦNG DÙNG AI - BẠN ĐANG Ở TẦNG NÀO? Sau 1 thời gian vọc AI Agent trên Claude, mình nhận ra một điều phũ: phần lớn người nghĩ áp dụng AI là xài ChatGPT, Gemini… tưởng đã vọc vạch hết, thực ra mới chạm mặt ngoài. Bản thân mình trước đây cũng vậy, 5 - 6 tab ChatGPT, Gemini… mở cùng lúc, paste prompt copy trên mạng, output ra chung chung không xài được, chắc hẳn mọi người sẽ tự nhủ "Chắc AI chỉ làm được tới đó". Sau 1 thời gian mình thấy có 3 tầng rõ rệt: Tầng 1: Hỏi đáp 1 lần. Mở app, hỏi 1 câu, nhận 1 đáp án. Hôm sau mở lại, nó quên sạch. Khoảng 90% người dùng AI đang ở đây, dùng như Google search thông tin nâng cấp. Tầng 2: Có prompt system + rule rõ. AI biết nó là ai, làm cho ai, trả lời nhất quán đúng giọng đúng quy trình. Khác hẳn tầng 1, nhưng vẫn cần người ngồi canh và copy-paste tay. Tầng 3: AI Agent tự vận hành. Tự đọc data khách, phân loại lead, đi đúng flow bán hàng, tự biết khi nào chuyển cho người thật. Và rồi mình biết cách đi từ tầng 1 lên tầng 3. Không phải vì giỏi mà vì chịu làm từng bước nhỏ, mỗi bước đều có sai, có fix, có bài học thật. Bài 1: Hiểu tại sao cần build Ai Agent thay vì chỉ dùng Bài 2: Viết CLAUDE.md đầu tiên, cho AI biết nó là ai Bài 3: Hiểu vì sao prompt copy trên mạng không dùng được Bài 4: Tổ chức knowledge base để AI không bịa Bài 5: Xây quy trình bán hàng cho AI đi theo Bài 6: Hướng dẫn cho AI nhớ khách, multi-session Mình tin 90% người kẹt tầng 1 và không ai chỉ đường lên tầng 2-3. Bạn đang ở tầng nào? Comment cho mình biết, lần tới mình kể tiếp cách xử lý edge case và cách làm cho AI thông minh hơn từ những lỗi nó đã mắc phải

PROMPT HAY MÀ THIẾU CONTEXT THÌ VÔ NGHĨA Có phải bạn từng copy 1 prompt mấy trăm like trên mạng, paste vào ChatGPT hay Gemini, rồi thất vọng vì output chung chung không xài được? Tháng 3 vừa rồi vọc vạc AI Agent tư vấn bất động sản, mình lấy 1 prompt có sẵn lưu từ bài chia sẻ khá viral trên fb, bản thân thấy khá ổn để cắm cho dự án AI Agent tư vấn bất động sản của mình. Và vấn đề lòi ra là khách hỏi "nhà hẻm xe hơi Bình Tân giá bao nhiêu?", bot bịa luôn 1 con số 4.5 tỷ không có data thật. Lúc đó mình khựng lại “Ủa gì kì vậy, ý của mình đâu phải như vậy” Mình ngộ ra prompt chung chung luôn thiếu 3 thứ: 1. Ngành cụ thể (BĐS khác mỹ phẩm khác SaaS) 2. Sản phẩm cụ thể (phân khúc, pháp lý, giá theo phường) 3. Khách hàng cụ thể (họ hay băn khoăn gì, phản đối kiểu gì). Sau khi mình nạp knowledge base giá theo từng loại hẻm, từng phường vào Claude thì output đổi hẳn: chính xác, đáng tin và tích hợp cho khách hàng đã chốt được lịch hẹn dẫn được khách đi xem nhà thật. Mình tin prompt không phải công thức copy-paste, prompt là bản thiết kế. Mà bản thiết kế thì phải vẽ theo đất của mình, không vẽ theo đất hàng xóm. Bài kế mình sẽ viết cách tổ chức knowledge base để AI trả lời đúng thay vì bịa. Follow để đọc tiếp nha

AI VÀ AI AGENT KHÁC NHAU CHỖ NÀO Thường ngày chúng ta dùng ChatGPT, Gemini để hỏi đáp, xong lâu lâu nghe mọi người nhắc "AI Agent" lại thấy lạ tai và không rõ nó khác AI thường ở chỗ nào? Hồi đầu mình cũng nhầm hai khái niệm này làm một. Mãi đến khi ngồi setup, vọc vạch một AI Agent tư vấn khách trên Claude, đổ thêm vài trăm dòng knowledge base về sản phẩm và quy trình chốt deal, mình mới ngộ ra hai thứ này khác biệt: Agent = LLM (Bộ não) + Tools (Tay chân) + Planning (Kế hoạch). Tạm hiểu là như này: các bạn cứ hình dung một thiên tài đã đọc hết mọi cuốn sách trong thư viện, hỏi gì cũng biết, nói chuyện về phở Hà Nội thì anh ta đọc vanh vách công thức gốc lẫn 5 phiên bản biến thể. Nhưng anh ta không cầm được dao, không bật được bếp, không đi chợ được, anh ta chỉ ngồi đó và nói. Đó chính là LLM. Còn AI Agent là một đầu bếp có đúng bộ não đó, nhưng có thêm đôi tay biết sơ chế nguyên liệu, bật bếp, và một cái đầu biết bước nào làm trước bước nào làm sau cho ra bát phở thật bốc khói trên bàn ăn của bạn. AI và AI Agent y hệt vậy. ChatGPT hay Gemini là chatbox, là cuốn từ điển sống, bạn hỏi gì nó trả lời nấy, hỏi xong là thôi, không nhớ bạn đang vướng việc gì hay ngày mai có deadline gì. Còn AI Agent là một "nhân sự số" tận tụy (giống như robot có não và có tay chân), được nạp sẵn knowledge base về công ty bạn, biết quy trình bạn đang dùng, có quyền cầm tool (gửi mail, đọc Google Sheet, đăng bài lên fanpage), và chủ động làm việc theo mục tiêu được giao chứ không phải nhắc câu nào cũng gõ tay câu đó. Bản thân mình rút ra 3 nguyên tắc nhỏ khi nhìn vào công thức này: LLM (Bộ não): không phải đích đến, chỉ là nguyên liệu, đừng dừng lại ở mức chat hỏi đáp xong khen "ồ AI giỏi quá". Workflow + skill (Tay chân): Agent không có 2 cái này thì cũng chỉ là một thiên tài ngồi xe lăn, càng nhiều quyền truy cập công cụ thật (mail, sheet, CRM, calendar) thì càng giải quyết được nhiều việc thật. Knowledge base: đây là phần đáng đầu tư nhất, nạp đầy đủ tri thức ngách của bạn vào thì Agent mới hành xử như chuyên gia trong nghề chứ không phải sinh viên năm nhất tra Google. Bạn thì sao? Trong công việc hằng ngày, bạn đã thử dựng cho mình một "nhân sự số" có thể tự làm việc chứ không chỉ ngồi trả lời câu hỏi chưa? Chia sẻ cùng mình nhé! 👇

CẤU TRÚC THƯ MỤC CHUẨN CHO CLAUDE Có phải bạn đang prompt dài cả ngàn chữ mà AI vẫn trả lời chung chung như copy từ sách giáo khoa sửa đi sửa lại nhưng vẫn không đúng ý của mình mà nhiều khi còn vẽ thêm và dẫn mình đi tới những điều khác mà quên mất mục tiêu chính của mình Hồi đầu mình build AI Agent trên Claude mình cũng vậy. Hai tuần đầu mình nghĩ prompt càng dài thì AI càng hiểu sâu, thả vào một đoạn mô tả 400 - 500 rồi ngồi hi vọng sẽ ra kết quả đúng ý của mình nhưng không rất chi là chung chung và khác hẳn với điều mình mong muốn Mất gần 2 tuần mới nhận ra vấn đề không phải ở prompt mà là AI không biết mình đang làm việc ở đâu, với cái gì, theo logic nào và mình nhận ra rằng AI cần "bản đồ" để làm việc Nằm vùng ở nhiều hội nhóm và trao đổi thêm với AI thì mình nhận ra workflow AI Agent có một thứ gọi là "bản đồ thư mục": cấu trúc folder + file index + CLAUDE.md mà AI đọc trước mỗi lần làm việc. Tạm hiểu là như này: Các bạn có nhớ lần đầu từ tỉnh lên TP.HCM. Trên tay có Google Maps đầy đủ tên đường, vậy mà vẫn lạc vài con đường, mất rất nhiều thời gian vì đường 1 chiều hoặc các đoạn ngã 3 ngã 4. Cuối cùng hỏi đường xe ôm hoặc bắt xe ôm cho nhanh. Ngồi sau thấy tài xế không xài bản đồ gì, chặt hẻm, chạy vèo vèo đi 10 phút là tới vì tài xế có bản đồ sẵn trong đầu AI Agent bất động sản mình build với Claude cũng y hệt vậy. Mình chia folder theo từng phase bán hàng: tiếp nhận khách, xác định nhu cầu, xử lý băn khoăn, chốt lịch xem nhà. Mỗi folder có file index riêng, Claude đọc index trước rồi mới biết vào file nào. Cả hệ thống chạy được vì thư mục có logic, không phải vì AI đoán giỏi. Nhiều người nói "AI giờ thông minh rồi, cần gì tổ chức file". Mình nghĩ ngược lại hoàn toàn. AI càng mạnh thì bản đồ càng quan trọng, vì nó đi xa hơn, nhanh hơn, và nếu lạc thì lạc rất xa. Câu hỏi cốt lõi không phải "AI của bạn có thông minh không", mà là "bạn đã đưa cho nó đúng bản đồ chưa". Bản thân mình rút ra vài nguyên tắc nhỏ khi làm dự án: 1. Đặt tên folder theo chức năng chứ đừng theo nội dung 2. Viết file index cho mỗi thư mục lớn 3. CLAUDE.md mô tả rule và toàn bộ cấu trúc 4. Knowledge base là cái quan trọng nhất cần nạp đầy đủ và hướng dẫn cụ thể cho từng trường hợp Còn bạn thì sao? đang build AI agent phục vụ cho mục đích nào và đã cấu trúc thu mục đúng cách chưa?