AI Agent

Mở mang tầm mắt sau khi xem chị Lauren xài AI.

Mình mới xem xong clip của Lauren Tan - Engineer tại SpaceXAI, tranh thủ làm nhanh cái clip vietsub share ae. Chị này đang chạy team 20+ GrokBot agents song song. Sáng ngủ dậy thấy khoảng 20 PR đã tự merge vào main. Ở SpaceXAI, 85% kỹ sư đã vận hành đội ngũ 10+ bot như thế này. Mỗi bot có máy ảo riêng, tự đăng nhập Slack, GitHub, tự click test trên trình duyệt. Có hẳn một con "Chief of Staff" điều phối: phát hiện bug là giao việc cho bot chuyên môn, xong việc nộp lại ảnh chụp màn hình làm bằng chứng. Bí quyết không nằm ở model. Nó nằm ở harness và specs: hệ thống pstack bắt bot tự tạo quy trình kiểm tra (verification), kèm CI/lint chặn mọi đường đi tắt sai luật. Thời nay kỹ sư không ngồi gõ từng dòng code nữa. Việc chính là dựng kiến trúc và làm "sếp" quản lý dàn đồng nghiệp số. Đợt này tạm thời khôgn có khách book làm video seedance nên ngồi nghiên cứu thêm AI Agent của Grok, thấy khá thú vị ae ạ. ——— Nguồn: Workshop của Lauren Tan (@poteto), Principal Engineer tại SpaceXAI. Thanh Tuấn tổng hợp và chia sẻ cùng anh em bằng AI.

MarkItDown - kho của Microsoft, hơn 175 nghìn sao: một dòng lệnh biến PDF, Word, Excel, PowerPoint thành Markdown cho AI đọc

Bạn có một file PDF và muốn AI đọc hiểu nó. Cách thường làm: mở ra, copy, dán vào chat, rồi ngồi sửa lại đống chữ dính nhau, bảng vỡ, tiêu đề mất hết. MarkItDown làm chuyện đó bằng một dòng lệnh. Đây là kho mã nguồn mở của Microsoft, hiện hơn 175 nghìn sao và gần 13 nghìn lượt fork trên GitHub Nó nhận được những gì: PDF, Word, Excel, PowerPoint, HTML, CSV/JSON/XML, EPub, file ZIP (tự đi vào từng file bên trong), ảnh (đọc thông tin kèm ảnh và chữ trong ảnh), audio (đọc thông tin kèm file và bóc lời nói thành chữ), cả link YouTube. Đầu ra là Markdown - kiểu văn bản gần như chữ trơn nhưng vẫn giữ được tiêu đề, danh sách, bảng, link. Vì sao lại là Markdown? Theo chính nhóm phát triển: các mô hình lớn hiểu Markdown rất tự nhiên, và Markdown tốn ít token (đơn vị tính chữ của AI, ít token thì rẻ hơn và nhét được nhiều nội dung hơn). Nói cách khác, đây là định dạng để máy đọc, không phải để in ra cho đẹp. Vài điểm đáng chú ý: 1/ Dùng được ngay từ dòng lệnh. Chỉ một câu lệnh là ra file .md. Kho có sẵn Dockerfile nếu bạn muốn chạy nó trong Docker cho gọn. 2/ Có sẵn máy chủ MCP (một gói cài riêng nằm cùng kho). Cắm vào là agent AI của bạn tự gọi được MarkItDown để đọc tài liệu. Nhóm phát triển ghi rõ gói này dành cho dùng tại máy, với agent tin cậy. 3/ Nối được với dịch vụ đám mây của Azure nếu cần chất lượng cao hơn cho tài liệu scan, bảng phức tạp, hoặc file video. Phần này là tùy chọn và có tính phí bên Azure. 4/ Một lưu ý bảo mật, đọc kỹ trước khi dựng hệ thống: kho này ghi rõ MarkItDown chạy với đúng quyền của tiến trình gọi nó, nên đừng đưa thẳng dữ liệu từ nguồn không tin cậy vào. Với ứng dụng chạy trên máy chủ thì phải kiểm duyệt đầu vào trước. Nếu bạn đang xây trợ lý AI đọc tài liệu nội bộ, hoặc chỉ đơn giản muốn dọn một mớ file lộn xộn thành thứ AI nuốt trôi, đây là mảnh ghép đáng có trong bộ đồ nghề. Link GitHub mình để ngay bình luận nhé 👇

Vãi, profile khủng vậy mà còn sợ thất nghiệp

Ông Liu Sheng là kỹ sư ở DeepSeek, người trực tiếp viết phần Attention chính cho DeepSeek V4.1. Vậy mà giờ ổng cũng bắt đầu lo có ngày AI làm luôn công việc của mình. Ổng kể khoảng một năm trước, AI chỉ giúp được mấy chuyện như tra tài liệu, đọc mã nguồn, tìm lỗi. Còn bây giờ AI đã đọc được CUDA, PTX, SASS, tự phân tích từng lệnh chạy mất bao nhiêu thời gian rồi tự tìm cách tối ưu. Theo ổng, với tốc độ này thì khoảng 6 tháng tới 1 năm nữa, AI có thể viết những phần này ngang trình, thậm chí giỏi hơn ổng. Nghe cũng cay. Ổng càng làm tốt thì DeepSeek càng chạy nhanh, mà DeepSeek càng mạnh thì AI càng tiến gần tới việc làm thay ổng. Nhưng nghỉ cũng đâu được, vì ổng nghỉ thì người khác vẫn làm, cuộc đua AI vẫn chạy tiếp. Thành ra biết có ngày mất việc mà vẫn phải tiếp tục làm cho tốt. Ổng nói có lẽ mình không thất nghiệp hẳn, nhưng sẽ phải đổi nghề. Từ người trực tiếp viết mã nguồn thành người ngồi điều khiển một đám AI Agent làm việc cho mình. Cái ổng tiếc nhất cũng không phải tiền hay công việc. Ổng sợ sau này mình không còn được tự tay làm thứ mình giỏi nhất và thích nhất nữa. Một ông kỹ sư DeepSeek còn nghĩ tới chuyện AI làm thay mình, vậy anh em làm mấy công việc văn phòng, nội dung, thiết kế, lập trình… chắc cũng nên để ý rồi đó.

Front-End Checklist - 73 nghìn sao trên GitHub, giờ AI agent cắm thẳng vào để soi code hộ bạn

Một bộ quy tắc kiểm tra chất lượng front-end đóng gói sẵn để AI agent gọi thẳng vào. Kho Front-End Checklist của David Dias hơn 73.000 sao và hơn 6.600 lượt fork. Mô tả của chính kho ghi rõ: bản kiểm tra thiết yếu cho phát triển web hiện đại, cho con người và cho AI agent. Bên trong có gì 385 quy tắc tiếng Anh, chia 11 nhóm: HTML, CSS, JavaScript, Hiệu năng, Khả năng tiếp cận, SEO, Bảo mật, Hình ảnh, Kiểm thử, Quyền riêng tư, Đa ngôn ngữ. Hai nhóm dày nhất là Khả năng tiếp cận (95 quy tắc) và SEO (94), gộp lại đã chiếm gần một nửa cả bộ. Mỗi quy tắc có trang riêng: giải thích vì sao cần, cách sửa, và cách kiểm chứng lại. Chỗ đáng chú ý: nó nói được chuyện với AI Từ bản 2.0 phát hành cuối tháng 5 năm nay, kho có thêm một MCP server (cầu nối chuẩn để AI agent gọi thẳng vào một kho dữ liệu bên ngoài) chạy công khai, mở ra 11 công cụ. Nghĩa là bạn không cần chép quy tắc ra dán vào chat nữa. Bạn nối agent vào, rồi bảo nó: 1/ Soi đoạn code bạn dán vào, đối chiếu với bộ quy tắc 2/ Chấm luôn một trang web công khai qua đường link 3/ Tra một quy tắc cụ thể kèm hướng dẫn sửa 4/ Tìm quy tắc theo từ khóa, theo nhóm, theo mức ưu tiên Ngoài ra kho còn xuất sẵn bộ skills (gói hướng dẫn cài vào công cụ AI để nó biết làm đúng một việc), cài bằng một dòng lệnh. Vì sao mình thấy đáng lưu Chất lượng front-end lâu nay phụ thuộc vào việc người review có nhớ hết hay không. Một bộ quy tắc đứng yên trong tài liệu thì ai cũng gật đầu rồi quên. Còn khi bộ quy tắc đó nằm ngay trong tay con agent đang đọc code của bạn, nó thành thứ chạy được. Đây cũng là hình dáng chung mà nhiều dự án mã nguồn mở đang chuyển sang: không chỉ viết cho người đọc, mà đóng gói để máy dùng được. Bạn nào làm web, làm sản phẩm, hoặc đang dựng agent lo phần review code thì vào xem. Link mình để ngay bình luận nhé 👇

Prompt cũ đã lỗi thời!

Prompt cũ: Hãy dùng tô vít, cờ lê, sử dụng lực bàn tay, xoay cờ lê tô vít để vặn bu lông/theo chiều ngược kim đồng hồ để tháo ốc này ra giúp tôi. tô vít thì dùng góc thẳng đứng với ốc, còn cờ lê đặt vuông góc với chiếc vít... Prompt mới thời Agent: "Vặn ốc ra cho tôi".

Đây là cách Vinamilk, Techcombank ứng dụng AI để tiết kiệm hàng triệu đô

Mình vừa xem tập 2 của Tiên Phong Podcast, khách mời là anh Hoàng Trung Hiếu, Giám đốc Kiến trúc Giải pháp tại AWS Việt Nam. Cuộc trò chuyện xoay quanh câu hỏi: Việt Nam cần gì để AI đi từ vài thử nghiệm riêng lẻ thành năng lực tạo ra giá trị rộng khắp? Hi vọng là 1 vài recap (bằng AI) này sẽ có insights cho mọi người AI đã bắt đầu tạo ra kết quả kinh doanh Theo số liệu anh Hiếu chia sẻ, năm 2024 có khoảng 47.000 doanh nghiệp Việt Nam đã hoặc đang ứng dụng AI. Trong số này, 61% cho biết AI góp phần tăng doanh thu. Một số ví dụ cho thấy AI không chỉ dành cho công ty công nghệ: * Vinamilk xử lý hơn 50.000 giao dịch mỗi ngày. Ứng dụng AI giúp tự động hóa quy trình và tiết kiệm khoảng 3 triệu USD mỗi năm. * Techcom Life xây dựng nền tảng bảo hiểm AI-first trong 60 ngày. * Techcombank có hơn 16,5 triệu khách hàng, với trên 91% giao dịch thực hiện trên nền tảng số; giao dịch số tăng khoảng 30% mỗi quý. * Katalon dùng agent AI hỗ trợ kiểm thử phần mềm, bao phủ toàn bộ các hạng mục cần kiểm thử và giảm khoảng 60% thời gian. Điểm chung là các doanh nghiệp này bắt đầu từ một quy trình cụ thể cần cải thiện, rồi dùng AI và hạ tầng cloud để triển khai nhanh hơn. Vì sao nhiều doanh nghiệp vẫn chỉ dùng AI ở mức cơ bản? Anh Hiếu ước tính khoảng 80% doanh nghiệp Việt Nam đã sử dụng AI ở mức cơ bản. Nhưng để đưa AI vào vận hành sâu hơn, doanh nghiệp còn vướng ba điểm: * Nhân lực: khoảng 55% doanh nghiệp nói họ thiếu người có kỹ năng cloud và AI. * Nhận thức về chi phí, hạ tầng: khoảng 34% nghĩ rằng phải đầu tư rất lớn vào GPU và hạ tầng mới xây được hệ thống AI. * Tuân thủ và chi phí: khoảng 52% có lo ngại liên quan đến chi phí và yêu cầu tuân thủ khi ứng dụng AI. Vì vậy, bài toán doanh nghiệp cần là người biết triển khai, hiểu rõ bài toán kinh doanh và có hạ tầng phù hợp với yêu cầu về dữ liệu, độ trễ và bảo mật. Hạ tầng nội địa giúp mở thêm những ứng dụng nào? AWS đã đưa Local Zone tới Hà Nội, giúp doanh nghiệp chạy một số ứng dụng và lưu trữ dữ liệu ngay tại Việt Nam, đồng thời kết nối với các Region trong khu vực để dùng thêm dịch vụ cloud. Điều này có ích với những ngành cần dữ liệu ở trong nước hoặc cần phản hồi rất nhanh: * Viễn thông, với dữ liệu thuê bao và dữ liệu cá nhân. * Ngân hàng, nơi phát hiện gian lận cần phản hồi trong vài mili giây. * Sản xuất thông minh, nơi độ trễ có thể làm gián đoạn dây chuyền. * Game, nơi kết nối chậm ảnh hưởng trực tiếp tới trải nghiệm. Hạ tầng này giúp doanh nghiệp xử lý yêu cầu về dữ liệu và độ trễ, trong khi vẫn có thể tiếp cận các mô hình và dịch vụ AI tiên tiến qua cloud. AI mở cơ hội cho đội nhỏ, nhưng phải triển khai nhanh Anh Hiếu cho rằng lợi thế của Việt Nam là dân số trẻ, nền tảng số tốt và tinh thần sẵn sàng thử cái mới. AI có thể giúp đội ngũ nhỏ tạo sản phẩm với nguồn lực trước đây cần một tổ chức lớn mới có được. Xu hướng cũng đang chuyển từ AI chỉ trả lời câu hỏi sang AI agent có thể tự thực hiện một phần công việc. Ví dụ, Katalon ứng dụng agent vào kiểm thử phần mềm, giúp doanh nghiệp mở rộng phạm vi kiểm thử trong khi giảm thời gian thực hiện khoảng 60%. Theo anh, AI sẽ khuếch đại khả năng của nhân viên. Mục tiêu nên là giúp mỗi người làm việc hiệu quả hơn và trở thành người biết ứng dụng AI trong chuyên môn của mình. Muốn thành “AI Nation” cần ba việc Anh Hiếu nêu ba ưu tiên để Việt Nam tiến gần hơn tới mục tiêu trở thành quốc gia AI: 1. Dân chủ hóa khả năng tiếp cận AI: doanh nghiệp ở nhiều ngành, kể cả doanh nghiệp nhỏ, đều có thể tiếp cận nền tảng và công cụ AI. 2. Phát triển nhân lực: AWS cho biết đã đào tạo hơn 157.000 người về cloud và AI tại Việt Nam. Cộng đồng học tập có hơn 52.000 thành viên; chương trình First Cloud Journey có hơn 12.500 người tham gia đào tạo và hơn 260 kỹ sư tốt nghiệp đã vào làm tại doanh nghiệp. 3. Xây dựng AI cho người Việt: phát triển sản phẩm, mô hình và ứng dụng phù hợp với ngôn ngữ, dữ liệu và nhu cầu trong nước.