Codex

TẶNG seri 7 phần - TOÀN TẬP ChatGPT Work (Codex) cho người mới bắt đầu (từ con số 0)

Mình từng thử khá nhiều Model, thử các gói model cao cấp và cũng kết nối khá nhiều API của nhiều bên. Tool nào cũng thấy hay, model nào cũng muốn thử. NHƯNG khi số lượng công cụ và model nhiều lên, mình bắt đầu không quản lý hết, token bị đốt khá nhiều, nhưng việc thì không trôi? Có gì đó sai sai :))) Mình thấy nhiều anh em chia sẻ về Claude Code, nhưng khá ít người chia sẻ về ChatGPT Work (Codex). Nên mình dành 1 tuần, làm full series 7 phần này (khoảng 2 tiếng rưỡi) đi từ con số 0 cho người mới và non-tech. 7 phần mình đúc kết từ: các bài toán thực tế mình đang làm, các buổi coach 1-1 hay những buổi đào tạo cho doanh nghiệp. Đi từ: Hiểu "Cơ thể" ChatGPT (P1) --> Đưa dữ liệu vào (P2+P3) --> Tạo đầu ra (P4) --> Đóng gói cách làm thành SKILL (P5) --> Nối ra bên ngoài (P6+P7) Phần 1: Thân_Hiểu "cơ thể" bên trong ChatGPT Work (Codex). * Dành cho ae: muốn hiểu "cơ thể" ChatGPT (AI) có gì, để làm gì? * ChatGPT Work và Codex khác nhau thế nào nếu sử dụng? Khi nào dùng GPT-5.6 Sol? Khi nào dùng GPT-5.6 Terra*? * Mẹo chi màn hình 3 ngăn và quản lý chat (dự án) ra sao để đỡ rối? Phần 2: Cloud_Cách đưa dữ liệu từ mạng xã hội (FB, YT, web...) về để AI đọc. * Dành cho ae: Đang muốn tìm, lưu lại các bài viết từ top1 % để học và làm. * Cách lưu full 1 bài viết (chữ + ảnh) từ Facebook, YouTube với 1 click? * Làm sao để AI đọc, phân tích và tạo báo cáo từ dữ liệu đó? * Làm sao biến nội dung đã lưu --> thành ý tưởng hoặc bài viết mới? Phần 3: Offline_Cách làm việc với dữ liệu "file" trong máy tính. * Dành cho ae: Đang muốn ChatGPT "HIỂU" được dữ liệu của mình, để tạo đầu ra. * Cách ChatGPT đọc và hiểu CHÍNH XÁC được: Excel, Word, PDF, ảnh? * Cách xử lý file PDFs khi có nhiều trang như: Ebook, sách... * Cách ChatGPT hiểu được file Video hay Audio? Phần 4: Kết Quả_Tạo đầu ra từ dữ liệu AI đã thẩm thấu. * Dành cho ae: Đang làm việc khối văn phòng hành chính: ngân hàng, luật, kế toán... * Làm sao tạo bài viết, báo cáo, hình ảnh hoặc video từ kho dữ liệu sẵn có? * Dạng file nào thì cho AI đọc, dạng nào cho mình đọc (Word, Excel, PDF hoặc HTML)? * Cách tạo ảnh hay video ngay trên laptop? Phần 5: SKILL_Đóng gói việc lặp lại thành SKILL. * Dành cho ae: Muốn rút thời gian cho các công việc LẶP LẠI? * Cách tạo SKILL: viết Content, viết Ebook và xây Não2 thực tế. * 4 bước đơn giản để tạo 1 SKILL cho AI ? * 4 quy tắc lõi để tạo SKILL để AI làm đúng mà không cần phải hướng dẫn lại? Phần 6: Plugin_Cách nối ChatGPT làm với với Ứng dụng bên ngoài. * Cách ChatGPT làm việc với Google Drive, Sheets hay Docs...? * Cách viết và lọc Gmail bằng ChatGPT? * Cách ChatGPT tạo ảnh và bóc tách thành từng lớp, để chỉnh sửa được trên Canva? Phần 7-1: Plugin_Tạo website đơn giản (Ko cần API phức tạp). * Dành cho ae: đang làm kinh doanh, marketing.. muốn xây sản phẩm số. * Làm thế nào để làm 1 cái website mà ko cần API phức tạp hay model xịn? * 4 bước đơn giản để làm 1 website bằng ChatGPT? * 2 cách để ChatGPT có thể "HIỂU" và nói chuyện được tools bên ngoài? Phần 7-2: Plugin_Quản lý dữ liệu người dùng và email mkt tự động. * Dành cho ae: đang quan tâm CRM, Leads, email mkt tự động... * Cái này mình đang làm, sắp có ^^ 7 phần này không có mục tiêu biến anh em thành developer. Mục tiêu là để anh em biết: ChatGPT Work (Codex) làm được gì trong công việc thật*? * Cách đưa dữ liệu từ "trên mấy" xuống "dưới đất" cho AI đọc và làm? Phân biệt được: cái nào là người đọc trước? cái nào nên đưa cho AI làm sau*? Cách để tạo bài viết, báo cáo, ảnh.*.. bằng ChatGPT trên laptop mà ko cần tools phức tạp? * SKILL thực chất là gì? Khi nào thì nên đóng gói thành SKILL? 4 bước làm đơn giản? * Plugin là gì? Khi nào dùng? Dùng để làm gì? * Liệu có thể làm 1 website miễn phí bằng ChatGPT ko? Ae quan tâm thì comment “chatgpt”, mình gửi link đầy đủ 7 phần nhé.❤ ps: Phần 7-2 đang quay, sẽ cập nhật vào sớm ^^ Ngọc Nam

Mình vừa làm một tool&skill dịch PDF tên là VI Translate cho AI

Lý do khá đơn giản: mình đọc paper tiếng Anh nhiều, mà copy từng đoạn đi dịch rất phiền. Dịch nguyên file bằng mấy tool khác thì nhiều lúc công thức, hình ảnh với bố cục bị lệch hết. Nên mình làm luôn một tool dịch cả PDF sang tiếng Việt, có tích hợp thêm skill dành cho version agent cho codex/claude. Giúp dịch nhưng vẫn giữ lại format và công thức gần như bản gốc. Có app Windows, miễn phí và open source: https://github.com/breslee1707/VI-Translate Ai dùng thử có lỗi gì cứ báo mình nhé

Kho "gu thẩm mỹ" cho AI code giao diện, hơn 115 nghìn sao

AI viết code giao diện rất nhanh. Nhưng để ý mà xem, sản phẩm nào nó làm ra cũng na ná nhau: vẫn kiểu nền tím hồng đó, vẫn bố cục đó, vẫn mấy cái nút đó. Vấn đề không phải nó code dở. Là nó không có gu. UI UX Pro Max là một kho mở đang giải đúng chỗ đó. Nó là một skill (bộ hướng dẫn cài thêm cho AI, để AI biết làm sâu một việc chuyên môn). Cài xong, bạn bảo "làm cho mình trang bán hàng cho tiệm spa", AI sẽ không lao vào code ngay. Nó chốt trước một bộ thiết kế hoàn chỉnh: → kiểu giao diện hợp ngành → bảng màu, cặp font → bố cục các phần của trang → hiệu ứng, chuyển động → và một danh sách "những thứ đừng làm" riêng cho ngành đó Rồi mới code theo bộ đó. Giống như thay vì thuê thợ xây làm luôn, bạn đưa cho họ bản vẽ của kiến trúc sư trước. Bên trong kho có gì (theo tài liệu của chính kho): 1/ 161 bộ luật thiết kế theo ngành - spa, phòng khám, fintech, nhà hàng, game, portfolio... mỗi ngành một cách làm khác nhau 2/ 84 kiểu giao diện - từ Minimalism, Glassmorphism, Bento Grid tới Dark Mode 3/ 192 bảng màu gắn 1-1 với 192 loại sản phẩm 4/ 74 cặp font đã ghép sẵn, kèm sẵn Google Fonts 5/ Gần 100 nguyên tắc UX kèm các lỗi thường gặp và quy tắc dễ tiếp cận 6/ 22 nền tảng lập trình được hỗ trợ: React, Next.js, Vue, Svelte, Flutter, SwiftUI, Tailwind... 7/ 25 kiểu biểu đồ cho ai làm dashboard Cài được cho nhiều công cụ: Claude Code, Cursor, Windsurf, GitHub Copilot, Codex CLI, Gemini CLI, Antigravity, Warp và nhiều cái khác. Với Claude Code thì hai câu lệnh là xong. Điều mình thấy hay nhất nằm ở ý này: muốn AI làm ra thứ đẹp, đừng bắt nó đoán. Hãy đưa cho nó cái gu. Bạn nào đang để AI dựng giao diện thì vào xem thử, thấy hợp thì lưu bài lại. Link mình để ngay bình luận nhé 👇

Prompt Engineering chưa hết nóng, Graph Engineering đã ra lò

Từ Prompt Engineering đến Graph Engineering Chỉ trong khoảng hai năm, cách chúng ta xây dựng AI đã thay đổi rất nhiều. Ban đầu mọi người dành phần lớn thời gian để học Prompt Engineering, tức là học cách giao tiếp với AI. Sau đó đến Context Engineering, nơi trọng tâm chuyển sang việc chuẩn bị đúng dữ liệu và đúng ngữ cảnh để AI có đủ thông tin trước khi suy luận. Đầu năm nay, cộng đồng lại nói rất nhiều về Loop Engineering khi AI Agent bắt đầu biết tự suy nghĩ, tự sử dụng công cụ, tự kiểm tra kết quả rồi lặp lại cho đến khi hoàn thành công việc. Và chỉ vài tuần gần đây, một khái niệm mới lại xuất hiện liên tục trên X, Reddit và các cộng đồng AI: Graph Engineering. Mình thấy Graph Engineering không phải là một kỹ thuật mới mà là hệ quả tất yếu khi AI Agent bắt đầu xử lý những công việc đủ lớn. Andrew Ng mở đầu tài liệu của mình bằng một câu rất đáng chú ý: "Architecture matters more than the model." Nghĩa là khi các mô hình AI ngày càng mạnh và khoảng cách giữa chúng ngày càng thu hẹp, lợi thế cạnh tranh sẽ không còn nằm ở việc dùng GPT, Claude hay Qwen, mà nằm ở cách bạn thiết kế cả hệ thống phía sau. Điều này nghe khá giống với ngành phần mềm. Hai công ty có thể cùng dùng một ngôn ngữ lập trình, cùng dùng một cơ sở dữ liệu, nhưng sản phẩm cuối cùng lại khác nhau hoàn toàn vì kiến trúc hệ thống khác nhau. AI cũng đang bước vào giai đoạn như vậy. Model dần trở thành một thành phần trong hệ thống, thay vì là toàn bộ hệ thống. Vì sao Graph Engineering xuất hiện? Để hiểu vì sao Graph Engineering xuất hiện, trước tiên cần hiểu cách hầu hết AI Agent hiện nay hoạt động. Phần lớn các Agent đều chạy theo một vòng lặp khá đơn giản. Nhận yêu cầu, suy nghĩ, thực hiện hành động, kiểm tra kết quả rồi tiếp tục lặp lại nếu công việc chưa hoàn thành. Đây chính là Loop Engineering. Claude Code, Codex, Cursor hay Qoder đều hoạt động theo tư duy này. Chúng không chỉ trả lời câu hỏi mà có thể tự viết code, chạy terminal, sửa lỗi rồi thử lại nhiều lần cho đến khi chương trình chạy được. Loop Engineering giải quyết rất tốt những công việc có phạm vi nhỏ. Nhưng khi AI bắt đầu xử lý những bài toán lớn hơn thì bottleneck cũng xuất hiện rất nhanh. Hãy tưởng tượng bạn yêu cầu AI xây dựng một sản phẩm hoàn chỉnh. Nó phải đọc tài liệu yêu cầu, nghiên cứu đối thủ, tìm kiếm thông tin trên Internet, viết mã nguồn, chạy kiểm thử, sửa lỗi, viết tài liệu hướng dẫn rồi mới triển khai. Nếu tất cả các bước này đều do một Agent thực hiện thì toàn bộ trạng thái của dự án đều phải nằm trong một cửa sổ ngữ cảnh duy nhất. Dự án càng lớn, cửa sổ ngữ cảnh càng dài. Agent phải nhớ mình đã làm gì, đọc tài liệu nào, sửa lỗi gì, thử giải pháp nào và còn bao nhiêu việc chưa hoàn thành. Lượng token tăng lên, thời gian xử lý lâu hơn, việc kiểm tra lỗi cũng trở nên khó khăn hơn vì mọi thứ đều nằm trong cùng một vòng lặp. Đây chính là giới hạn của một Agent. Hiện tại, AI đang phải đóng quá nhiều vai trò cùng lúc. Nó vừa là người lập kế hoạch, vừa là lập trình viên, vừa là người kiểm thử, vừa là người phản biện và cũng là người ra quyết định cuối cùng. Trong thực tế, không có công ty nào vận hành theo cách đó. Graph Engineering xuất hiện để thay đổi đúng điểm này Thay vì xây dựng một AI biết làm tất cả, Graph Engineering chia toàn bộ công việc thành nhiều nút nhỏ, mỗi nút chỉ đảm nhận một vai trò duy nhất. Có AI chuyên lập kế hoạch, AI chuyên nghiên cứu, AI chuyên viết mã nguồn, AI chuyên chạy kiểm thử, AI chuyên kiểm tra tính chính xác, AI chuyên đánh giá kết quả cuối cùng. Nếu Loop Engineering giống như một nhân viên đa năng thì Graph Engineering giống như việc xây dựng cả một tổ chức, nơi mỗi người đều có chuyên môn riêng và phối hợp với nhau để hoàn thành một dự án. Nhưng nhiều Agent vẫn chưa phải là Graph Engineering Điểm quan trọng nhất của Graph không nằm ở số lượng Agent mà nằm ở cách các Agent trao đổi thông tin với nhau. Trong một hệ thống thông thường, gần như mọi thứ AI biết đều nằm trong cửa sổ ngữ cảnh. Khi phiên làm việc kết thúc hoặc cửa sổ ngữ cảnh đầy lên, AI gần như phải bắt đầu lại từ đầu. Nó phải đọc lại tài liệu, xây dựng lại bối cảnh và nhớ lại những gì mình đã làm. Điều này giống như một nhân viên mỗi sáng đi làm lại phải đọc toàn bộ email từ đầu để nhớ hôm qua mình đang làm đến đâu. Bên trong Graph Engineering, dữ liệu chảy như thế nào? Graph Engineering thay đổi hoàn toàn cách ghi nhớ này bằng một khái niệm gọi là Shared State. Thay vì lưu mọi thứ trong trí nhớ của từng Agent, toàn bộ trạng thái của công việc được đưa ra bên ngoài thành một vùng dữ liệu chung. Kế hoạch dự án, tài liệu đã đọc, các dữ kiện đã kiểm chứng, kết quả kiểm thử, những lỗi đã phát hiện hay quyết định của từng Agent đều được lưu lại trong Shared State. Mỗi Agent chỉ cần đọc đúng phần dữ liệu mình cần, xử lý công việc rồi ghi kết quả trở lại. Nó không cần đọc lại toàn bộ cuộc hội thoại để biết chuyện gì đã xảy ra. Nếu ví AI như một nhóm người cùng làm dự án thì Shared State giống hệt một tài liệu Google Docs mà cả nhóm cùng sử dụng. Người nghiên cứu ghi kết quả nghiên cứu. Người lập trình đọc kết quả đó để viết code. Người kiểm thử đọc phiên bản mới nhất để chạy test. Người đánh giá đọc toàn bộ kết quả để đưa ra quyết định cuối cùng. Không ai phải hỏi lại từ đầu hay đọc lại toàn bộ lịch sử làm việc của cả nhóm. Đó cũng là lý do Anthropic đưa ra một nhận xét rất thú vị: Agent có thể quên, nhưng Graph thì không quên. Trí nhớ không còn nằm trong model mà đã trở thành một phần của hệ thống. Graph Engineering cũng thay đổi hoàn toàn cách dữ liệu di chuyển trong hệ thống. Thay vì mọi bước đều chạy tuần tự, công việc được chia thành nhiều nhánh có thể thực hiện đồng thời. Nếu cần phân tích 100 báo cáo tài chính, hệ thống có thể tạo ra 100 Agent nhỏ, mỗi Agent đọc một báo cáo riêng rồi gửi kết quả về một Agent tổng hợp. Nếu cần kiểm tra một đoạn mã nguồn, một Agent có thể chạy kiểm thử trong khi Agent khác kiểm tra bảo mật và Agent thứ ba đánh giá hiệu năng. Cuối cùng, một Agent tổng hợp sẽ đọc kết quả của tất cả các Agent trước đó để đưa ra quyết định. Model hoàn toàn không thay đổi, nhưng tốc độ xử lý của cả hệ thống tăng lên rất nhiều nhờ kiến trúc mới.

Trâu bò đánh nhau, ruồi muỗi được lợi :))))

Cụ thể là có một ông dùng Claude Code nhưng lại chạy với model khác, xong một ngày đẹp trời thì tài khoản Anthropic bị suspend. Thế là ông này lên X hỏi: Ủa, Anthropic ban tài khoản vì tôi dùng Claude Code với model khác à? Bài đăng nhanh chóng được cộng đồng AI coding chú ý, vì nếu đúng là như vậy thì khá căng. Claude Code vốn là một coding harness, nên chuyện người dùng muốn cắm model nào vào workflow của mình cũng là một hướng rất tự nhiên. Thế là drama bắt đầu. Một ông khác vào bảo: “Tôi cũng gặp y chang. Làm đúng setup đó xong tài khoản Anthropic cũng bị khóa.” Mọi người bắt đầu đặt câu hỏi: Anthropic đang chơi trò khóa người dùng dùng model đối thủ? Và rồi... Boris Cherny, người đứng sau Claude Code, trực tiếp vào cuộc nói là Anthropic không ban người dùng chỉ vì họ sử dụng harness với model khác. Theo Boris, gần như chắc chắn tài khoản kia bị một hệ thống classifier khác đánh nhầm, và Anthropic sẽ kiểm tra lại. Nhưng Tibo (Technical Staff OpenAI) mỉa tiếp: “Đúng rồi, GPT-5.6 Sol rất ngon, dùng được gần như ở mọi nơi, kể cả Claude Code.” Rồi ông còn tuyên bố luôn Reset usage limits cho toàn bộ người dùng ChatGPT Work và Codex để ăn mừng :))))

OpenMontage - kho mã nguồn mở hơn 54 nghìn sao biến trợ lý code AI của bạn thành một xưởng dựng video

Phần lớn công cụ video AI hiện nay cho bạn một đoạn clip từ một câu lệnh. OpenMontage đi xa hơn: nó cho trợ lý code AI của bạn cả một quy trình sản xuất từ đầu tới cuối. Nó làm gì Bạn cài kho vào máy, mở bằng Claude Code, Cursor, Copilot, Windsurf hay Codex, rồi ví dụ có thể nói: "Làm cho tôi video 60 giây giải thích cách mạng thần kinh học". Con agent sẽ tự tra cứu trên web, viết kịch bản, tạo hình ảnh, đọc lời bình, tìm nhạc nền miễn phí, gắn phụ đề và render ra file video cuối. Ba điểm mình thấy đáng chú ý 1/ Không cần khóa API trả phí vẫn ra được video thật. Cài xong là đã có sẵn Piper (bộ đọc chữ thành giọng nói chạy offline, miễn phí), kho tư liệu mở Archive org, NASA, Wikimedia Commons, bộ dựng hình Remotion và HyperFrames, FFmpeg để ghép và nén. Có khóa API thì mở thêm được các model tạo hình, tạo video, giọng đọc cao cấp. 2/ Nó dựng được video từ phim thật, không chỉ cho ảnh tĩnh trôi qua trôi lại. Repo nói rõ đây là chỗ nhiều "stack video AI miễn phí" hay lờ đi. Với luồng documentary montage, agent gom một kho phim tư liệu mở, tìm đúng cảnh cần rồi cắt dựng thành một timeline hoàn chỉnh. 3/ Có chốt duyệt của con người ở từng khâu sáng tạo. Storyboard được dựng thành bảng có giá tiền từng cảnh để bạn duyệt TRƯỚC khi render, và sau khi render máy còn tự soi lại video bằng ffprobe, lấy mẫu khung hình, đo mức âm thanh rồi mới đưa cho bạn. Quy mô Theo mô tả của kho: hơn 10 luồng sản xuất (giải thích hoạt hình, người dẫn, quay màn hình, trailer điện ảnh, cắt clip ngắn, lồng tiếng đa ngữ, podcast...), hơn 100 công cụ và hơn 700 file kiến thức dạy agent dùng từng công cụ cho đúng. Mỗi luồng đều đi theo một mạch cố định: nghiên cứu → đề xuất → kịch bản → lên kế hoạch từng cảnh → tạo tài nguyên → dựng phim → ghép hoàn chỉnh. Link GitHub mình để ngay bình luận 👇