Lộ trình học AI: từ LLM đến AI Agent, rồi đến Skills

Nhiều người khi học AI sẽ bắt đầu trực tiếp bằng cách dùng công cụ: ChatGPT, Claude, Gemini, Cursor, Claude Code, Codex, OpenRouter... rồi lần lượt thử đủ thứ công cụ khác nhau. Cách này chắc chắn có ích, ít nhất giúp bạn nhanh chóng cảm nhận được sức mạnh của AI.

Nhưng nếu chỉ dừng ở mức “biết dùng công cụ”, bạn sẽ sớm gặp bế tắc: biết AI rất mạnh nhưng không hiểu vì sao mạnh; biết Agent đang thịnh hành nhưng không rõ chúng thực thi nhiệm vụ như thế nào; thấy Skills, MCP, tự động hóa workflow nhưng không hiểu mối quan hệ giữa chúng.

Mình khuyên nên tách việc học AI thành một lộ trình rõ ràng:

Hiểu LLM → Học cách gọi mô hình → Học Agent → Làm chủ gọi công cụ → Xây workflow → Chuẩn hóa Skills.

Điểm nhấn của lộ trình này không phải chạy theo trào lưu, mà là xây dựng năng lực theo từng tầng. Bạn không cần phải tự huấn luyện mô hình ngôn ngữ lớn, cũng không cần ngay lập tức viết khung phức tạp; nhưng ít nhất phải biết mỗi tầng giải quyết vấn đề gì.

Bài viết này tổng hợp một lộ trình phù hợp cho người học phổ thông: từ nền tảng LLM, đến ứng dụng mô hình, rồi đến AI Agent, cuối cùng là Skills và quy trình có thể tái sử dụng.

1. Rõ ràng một số khái niệm cốt lõi

Trước khi học chính thức, cần phân biệt rõ vài khái niệm dễ bị nhầm lẫn.

1. LLM là năng lực nền tảng

LLM là viết tắt của Large Language Model, tức mô hình ngôn ngữ lớn. Các sản phẩm như ChatGPT, Claude, Gemini, Qwen, DeepSeek về bản chất đều dựa trên năng lực của mô hình ngôn ngữ lớn.

Học LLM không phải để ngay lập tức huấn luyện mô hình hàng trăm tỷ tham số; mà ít nhất cần hiểu:

• Tại sao văn bản phải được tách thành token;
• Transformer và attention giải quyết vấn đề gì ở mức khái quát;
• Vì sao mô hình có thể tiếp tục văn bản, tóm tắt, dịch và viết mã;
• Vì sao “ngữ cảnh cửa sổ” lại giới hạn trí nhớ của mô hình;
• Pretrain, fine-tuning, RAG, inference có nghĩa là gì;
• Vì sao “hallucination” xảy ra, và tại sao không thể coi mô hình như một công cụ tìm kiếm.

Bạn có thể chưa cần nắm hết chi tiết toán học ngay, nhưng phải xây một bản đồ nền tảng. Nếu không, khi học Agent, gọi công cụ, quản lý ngữ cảnh sau này, rất dễ chỉ nhớ thuật ngữ mà không hiểu bản chất.

2. Ứng dụng mô hình là đưa LLM vào nhiệm vụ thực tế

Sau khi hiểu LLM, bước tiếp theo không phải là lập tức nghiên cứu Agent phức tạp, mà là học cách gọi mô hình.

Các ứng dụng cơ bản của mô hình bao gồm:

• Gọi API;
• Thiết lập system prompt;
• Điều chỉnh temperature, max tokens, v.v.;
• Xử lý input/output;
• Làm phân loại văn bản, tóm tắt, dịch, trích xuất thông tin;
• Dùng tokenizer để ước lượng token;
• Tải model từ thư viện mã nguồn mở và chạy inference.

Lớp này nhìn có vẻ đơn giản nhưng cực kỳ quan trọng. Nhiều vấn đề của Agent thực chất không phải do Agent quá tệ, mà là phần cơ bản của input/output, ngữ cảnh, ràng buộc định dạng chưa làm tốt.

3. Agent là hệ thống thực thi có mục tiêu và công cụ

Chatbot thông thường chủ yếu trả lời câu hỏi, còn AI Agent nhấn mạnh “thực thi nhiệm vụ theo mục tiêu”.

Một vòng lặp Agent cơ bản thường gồm:

1. Nhận nhiệm vụ từ người dùng; 2. Hiểu mục tiêu; 3. Chọn công cụ; 4. Thực hiện hành động; 5. Quan sát kết quả; 6. Điều chỉnh tiếp theo theo kết quả; 7. Tiếp tục đến khi hoàn thành nhiệm vụ hoặc xác định không thể tiến thêm.

Tool Calling, hàm gọi, ReAct, lập kế hoạch, bộ nhớ, nén ngữ cảnh, phối hợp đa Agent đều xoay quanh chu trình này.

Bạn có thể hiểu Agent là: LLM không còn chỉ “nói” mà bắt đầu “xem file, gọi công cụ, chạy lệnh, sửa code, tạo ra kết quả”.

4. Skills là chuẩn hóa kinh nghiệm thành năng lực tái sử dụng

Skills có thể hiểu là “các hướng dẫn, script, template và tài nguyên chuyên dụng để AI sử dụng”.

Nếu Tool Calling giải quyết “mô hình gọi một công cụ như thế nào”, Agent giải quyết “mô hình liên tục hành động theo mục tiêu như thế nào”, thì Skills giải quyết “làm sao để AI tái sử dụng một quy trình ổn định cho một nhóm nhiệm vụ”.

Ví dụ:

• Viết CV có thể có một kỹ năng chỉnh sửa CV;
• Làm PPT có thể có một kỹ năng slides;
• Xử lý Excel có thể có một kỹ năng spreadsheet;
• Chỉnh sửa bài viết MDX có thể có một kỹ năng content editing;
• Thu thập thông tin web có thể có một kỹ năng research;
• Phân tích trường hợp tử vi, tạo báo cáo có cấu trúc, cũng có thể được chuẩn hóa thành kỹ năng riêng.

Một Skill tốt không nhất thiết phức tạp, nhưng phải đủ cụ thể. Nó nên giải quyết một nhóm nhiệm vụ rõ ràng, thay vì gom mọi thứ vào một chỉ dẫn “đa năng”.

2. Giai đoạn 1: Học nền tảng LLM

Mục tiêu của giai đoạn đầu không phải trở thành chuyên gia huấn luyện mô hình, mà là xây dựng nhận thức nền tảng về large language model.

Bạn cần biết ít nhất: mô hình không phải cơ sở dữ liệu, trả lời không phải tra bảng; cửa sổ ngữ cảnh không phải trí nhớ dài hạn; token không phải ký tự thông thường; đầu ra của mô hình không phải kết luận hoàn toàn đáng tin, mà là văn bản sinh theo xác suất.

1. Tài liệu gợi ý: Happy-LLM

Happy-LLM là khóa học LLM có cấu trúc do Datawhale mở nguồn, phù hợp cho người đọc tiếng Trung bắt đầu. Nó bắt đầu từ cơ bản NLP, dần đến kiến trúc LLM, quy trình huấn luyện, khung phổ biến và hướng ứng dụng.

Ưu điểm của nó là tài liệu tiếng Trung đầy đủ, lộ trình khá rõ, không đưa người mới ngay vào các bài báo và tài liệu tiếng Anh khó ngay lập tức.

Phù hợp để tập trung học:

• Kiến thức nền về NLP và Transformer;
• Kiến trúc LLM và quy trình huấn luyện;
• Các khái niệm lõi như tokenizer, embedding, attention;
• Các hướng ứng dụng như fine-tuning, RAG, Agent;
• Từ hiểu lý thuyết chuyển sang thực hành code.

Nếu bạn mới bắt đầu, đừng cố đọc hết ngay; hãy tạo trước khung tổng thể. Đủ hiểu 60% ở lượt đầu đã ổn, sau đó khi làm dự án mới quay lại bổ sung.

2. Tài liệu gợi ý: minGPT

minGPT là dự án hiện thực hóa GPT tối giản do Andrej Karpathy viết. Nó không nhằm tối ưu hiệu năng sản phẩm mà để người học hiểu cấu trúc lõi của GPT.

So với các framework lớn, code của minGPT ngắn gọn và sạch hơn, phù hợp để nắm các cơ chế cơ bản của Transformer, attention, vòng huấn luyện và quá trình sinh văn bản.

Phù hợp để tập trung học:

• Cách cài đặt GPT ở mức tối giản;
• Cấu trúc mã của Transformer block;
• Làm sao token đầu vào biến thành phân phối xác suất token tiếp theo;
• Vòng lặp huấn luyện và quá trình sinh khi inference;
• Mô hình không phải phép màu, mà là cấu trúc tính toán có thể tách rời.

Nếu bạn đã biết chút Python và PyTorch, minGPT rất đáng đọc. Bạn không cần tái tạo đầy đủ quá trình train, nhưng ít nhất nên biết lõi code của GPT trông như thế nào.

3. Bài tập của giai đoạn này

Giai đoạn này đừng chỉ “gom tài liệu”, hãy làm vài bài thực hành nhỏ:

• Dùng lời của riêng mình giải thích token là gì;
• Vẽ một sơ đồ luồng đơn giản của Transformer;
• Chạy xong một demo sinh văn bản tối giản;
• Thay đổi nhiệt độ một lần và quan sát sự thay đổi đầu ra;
• So sánh biểu hiện của cùng một câu hỏi trong ngữ cảnh ngắn và dài;
• Viết một ghi chú: tại sao LLM có thể sinh ra “hallucination”.

Học AI mà chỉ xem khái niệm nhưng không làm thực hành thì nguy hiểm. Ngay cả chạy một demo nhỏ cũng có giá trị hơn rất nhiều so với cứ lưu giữ mười tài liệu liên tiếp.

3. Giai đoạn 2: Học ứng dụng mô hình và gọi theo hướng kỹ thuật

Sau khi đã nắm nền tảng LLM, giai đoạn hai là học cách đưa mô hình vào nhiệm vụ thật.

Ở đây trọng tâm không phải “huấn luyện mô hình”, mà là “sử dụng mô hình”. Với đa số lập trình viên phổ thông, nhà sáng tạo nội dung và người làm nội dung độc lập, thứ thật sự hữu ích là: gọi mô hình thế nào, ràng buộc đầu ra thế nào, tích hợp công cụ, xử lý file, hoàn thành quy trình nghiệp vụ.

1. Tài liệu gợi ý: Hugging Face Transformers

Hugging Face Transformers là thư viện mô hình mã nguồn mở cực phổ biến, bao phủ mô hình sinh văn bản, phân loại văn bản, QA, dịch, giọng nói, thị giác,... Rất phù hợp để học cách tải mô hình, dùng tokenizer, gọi pipeline, và tích hợp model mã nguồn mở vào dự án của bạn.

Phù hợp để tập trung học:

• Tokenizer và tải mô hình;
• Inference nhanh với pipeline;
• Chạy mô hình cục bộ;
• Định dạng input/output của mô hình;
• Khái niệm cơ bản về fine-tuning và deployment.

Trong tài liệu chính thức của Hugging Face, pipeline được thiết kế như một giao diện inference đơn giản, rất phù hợp cho người mới để nhanh hoàn thành các tác vụ phân loại văn bản, QA, tóm tắt,... Tài liệu tokenizer cũng rất đáng đọc vì nhiều vấn đề độ dài ngữ cảnh, ước lượng chi phí và cắt bớt token về thực chất đều liên quan đến xử lý token.

2. Học API trước khi nói về Agent

Nhiều người muốn làm Agent “toàn năng” ngay từ đầu, nhưng chưa hiểu cơ bản việc gọi API, format message, output có cấu trúc. Kết quả là dễ thành dự án “trông phức tạp nhưng chạy rất yếu”.

Ở giai đoạn này, ít nhất nên nắm:

• Cách gửi một request cho mô hình;
• Cách thiết lập message loại system, user, assistant;
• Cách yêu cầu mô hình đầu ra JSON;
• Cách xử lý khi output không khớp định dạng;
• Cách tính chi phí token;
• Cách lưu lịch sử hội thoại;
• Cách chia đoạn, tóm tắt và gộp trong nhiệm vụ dài.

Những thứ này cơ bản nhưng cực kỳ then chốt. Bản chất của Agent không phải “thần bí”, nó vẫn xây trên hàng loạt lời gọi mô hình.

3. Bài tập của giai đoạn này

Bạn có thể làm vài dự án nhỏ rất thực dụng:

• Viết một công cụ tóm tắt bài viết;
• Viết một generator tiêu đề Markdown;
• Viết một công cụ trích xuất nội dung web có cấu trúc;
• Viết công cụ chuyển JD tuyển dụng thành gợi ý tối ưu CV;
• Viết script chia nhỏ bài viết dài, tóm tắt rồi gộp;
• Viết một bảng tính chi phí đơn giản để ghi nhận mỗi lần gọi tiêu tốn bao nhiêu token.

Những dự án này không “phô trương”, nhưng rất hữu dụng. Khi làm xong, xem lại Agent sẽ dễ hiểu hơn vì bạn sẽ thấy tại sao ngữ cảnh, trạng thái, tool và output có cấu trúc lại quan trọng đến vậy.

4. Giai đoạn 3: Học AI Agent

Khi bạn đã biết gọi mô hình, mới bước vào giai đoạn Agent.

Khó nhất của Agent không phải là “cho mô hình nói giỏi hơn”, mà là giúp mô hình hoàn thành nhiệm vụ một cách ổn định. Nó phải biết khi nào gọi tool, khi nào đọc file, khi nào tiếp tục, khi nào dừng, khi nào xác nhận với người dùng, khi nào nhận lỗi và thừa nhận thất bại.

1. Tài liệu gợi ý: Hello-Agents

Trang này cũng có một bài hướng dẫn đi kèm: “Hello Agents: Xây dựng AI Agent từ con số 0”, bổ sung thêm góc nhìn thực hành.

Hello-Agents là khóa học học agent của Datawhale theo hướng mã nguồn mở, giúp người học từ đầu hiểu và xây Agent AI. Nó nhấn mạnh nguyên lý cốt lõi, mô hình kiến trúc và triển khai thực tế, thay vì chỉ dạy bạn dùng sẵn nền tảng có sẵn.

Phù hợp để tập trung học:

• Khái niệm cơ bản của Agent;
• Gọi công cụ và thực thi nhiệm vụ;
• Chu trình hành động theo tư duy ReAct;
• Quản lý bộ nhớ và ngữ cảnh;
• Hợp tác đa-agent;
• Đường chuyển từ demo tới hệ thống ứng dụng.

Nếu bạn muốn hiểu sâu Agent, thay vì chỉ kéo thả vài node sẵn có, dạng tài liệu này giá trị hơn việc chỉ dùng nền tảng.

2. Tài liệu gợi ý: OpenAI Agents SDK

OpenAI Agents SDK là framework phát triển Agent do OpenAI cung cấp, phù hợp để học cách tổ chức Agent, công cụ, handoff, guardrails, tracing và output có cấu trúc theo hướng kỹ thuật hơn.

Một số khái niệm quan trọng:

• handoffs: để một Agent giao việc cho một Agent chuyên biệt hơn;
• guardrails: thêm ràng buộc an toàn và định dạng cho input, output hoặc gọi tool;
• tracing: ghi lại lần gọi mô hình, gọi công cụ, handoff và các sự kiện thực thi khác để dễ debug và quan sát;
• structured output: giúp output của mô hình ổn định hơn theo cấu trúc dữ liệu.

Giá trị của framework này không phải để bạn viết ít code hơn, mà để quá trình chạy Agent dễ debug, dễ bảo trì và dễ mở rộng.

3. Tài liệu gợi ý: LangGraph

LangGraph thuộc hệ sinh thái LangChain, là framework orkestration Agent theo kiểu graph, phù hợp xây Agent workflow có trạng thái, có vòng lặp, có nhánh. Nó mô hình hóa quá trình thực thi Agent thành cấu trúc đồ thị, thích hợp cho nhiệm vụ nhiều bước, trạng thái dài hạn, can thiệp của con người và tự động hóa phức tạp.

Phù hợp để tập trung học:

• Workflow dựa trên graph;
• Quản lý state;
• Node và edge;
• Vòng lặp, nhánh điều kiện và phục hồi gián đoạn;
• Quy trình phối hợp đa Agent.

Nếu nói Agent đơn giản là một vòng lặp, thì LangGraph thích hợp để tách nhiệm vụ phức tạp thành nhiều node: tìm kiếm, đọc, phân tích, viết, kiểm tra, chỉnh sửa, xuất kết quả. Mỗi node đảm nhiệm một việc, trạng thái được truyền giữa các node.

4. Bẫy dễ mắc khi học Agent

Các lỗi thường gặp nhất khi học Agent:

• Làm ngay một Agent “đa năng” ngay từ đầu;
• Không ghi lại kết quả gọi công cụ;
• Không xử lý lỗi;
• Không giới hạn quyền công cụ;
• Không thiết kế điều kiện dừng;
• Không quản lý độ dài ngữ cảnh;
• Không tách lập kế hoạch, thực thi, kiểm tra;
• Không có log và tracing;
• Prompt quá dài nhưng thiếu luồng xử lý có cấu trúc.

Agent hữu ích thực sự thường không phải “làm được tất cả”, mà là “hoàn thành ổn định một nhiệm vụ cụ thể trong phạm vi rõ ràng”.

5. Bài tập của giai đoạn này

Nên bắt đầu từ Agent nhỏ:

• Agent sắp xếp file: đọc tên file, phân loại theo quy tắc;
• Agent tóm tắt web: tìm thông tin, sắp xếp điểm chính, xuất bản tóm tắt;
• Agent kiểm tra code: đọc một file, tìm vấn đề rõ ràng;
• Agent tối ưu CV: đọc JD và CV, xuất gợi ý chỉnh sửa;
• Agent biên tập bài viết: chỉnh sửa bài MDX theo quy tắc cố định;
• Agent nghiên cứu tài liệu: tìm kiếm, trích xuất, khái quát, sinh nguồn tham chiếu.

Mỗi Agent đều cần rõ input, output, công cụ, giới hạn và điều kiện dừng. Đừng vội chạy theo phối hợp multi-agent; trước tiên hãy làm vững được vòng lặp của một Agent.

5. Giai đoạn 4: Học Skills và chuẩn hóa quy trình

Khi đã có thể làm vài Agent nhỏ, bạn sẽ thấy một vấn đề: nhiều nhiệm vụ thực tế cứ lặp đi lặp lại.

Ví dụ, mỗi lần viết bài bạn đều phải kiểm tra frontmatter, phân cấp tiêu đề, mô tả SEO, liên kết tham khảo, định dạng thân bài; mỗi lần xử lý CV lại kiểm tra mức độ khớp JD, cách trình bày project, keyword, chỉ số định lượng; mỗi lần xử lý bảng tính lại kiểm tra trường, format, chuẩn thống kê và template đầu ra.

Những kinh nghiệm lặp lại như vậy, nếu mỗi lần đều dựa vào prompt tạm thời, sẽ rất mệt. Giá trị của Skills nằm ở đây: biến một nhóm nhiệm vụ thành năng lực cố định, để khi AI gặp nhiệm vụ tương tự lần sau sẽ tự dùng quy trình chín chắn hơn.

1. Tài liệu gợi ý: Anthropic Skills

Về các kịch bản thực tế của Skills, có thể tham khảo “Khởi động chuyên đề Skill: từ prompt đến workflow AI có thể tái sử dụng”.

Anthropic đã công bố tài liệu và ví dụ về Agent Skills. Tài liệu công khai cho thấy Skills thường được tổ chức dạng thư mục, có thể chứa hướng dẫn, script, template và tài nguyên khác để Claude nạp các năng lực liên quan cho nhiệm vụ cụ thể.

Nhấn mạnh của Anthropic về Skills là: Skills không phải chỉ prompt, mà có thể là gói năng lực gồm instructions, code và tài nguyên. Nó giúp AI ổn định hơn trong xử lý tài liệu, phân tích dữ liệu, chuẩn thương hiệu, workflow chuyên môn,...

Phù hợp để tập trung học:

• Skill được kích hoạt như thế nào;
• Viết SKILL.md hay instructions ra sao;
• Cách viết rõ bối cảnh áp dụng;
• Cách đưa script, template, tài liệu tham khảo vào Skill;
• Cách tránh làm Skill quá lớn, quá bao quát;
• Cách xử lý an toàn và quyền truy cập.

2. Tài liệu gợi ý: awesome-skills-cn

awesome-skills-cn là dự án tổng hợp tài nguyên Skills tiếng Trung, thu thập nội dung liên quan Claude Skills, OpenClaw Skills, cũng như Agent Skills chung.

Nó phù hợp để quan sát người khác thiết kế Skill như thế nào: sắp xếp thư mục ra sao, cách viết mô tả, định nghĩa biên nhiệm vụ, tổ chức script và template như thế nào.

Nhưng đừng chỉ “gom tài nguyên”. Cách học hiệu quả là tham khảo cấu trúc của người khác rồi viết một Skill cho đúng nhiệm vụ thực tế của mình.

3. Một Skill tốt trông ra sao

Thông thường một Skill tốt nên có:

• Bối cảnh áp dụng rõ ràng: dùng khi nào;
• Input rõ ràng: người dùng phải cung cấp gì;
• Output rõ ràng: cuối cùng cần tạo gì;
• Trình tự ổn định: làm gì trước, sau đó gì;
• Ràng buộc định dạng: tiêu đề, bảng, JSON, Markdown, quy ước đặt tên file;
• Điều kiện giới hạn: những việc không được làm, thông tin nào bắt buộc giữ;
• Ví dụ: cho AI một mẫu tham khảo;
• Script cần thiết: giao việc lặp lại, có tính xác định cho code.

Skill cực kỳ dễ thành “workflow vạn năng”. Càng vạn năng càng dễ mất kiểm soát. Một Skill hữu dụng thường là gọn mà chuyên biệt.

4. Bài tập của giai đoạn này

Hãy chọn một nhiệm vụ trong workflow thực tế của bạn:

• Skill chỉnh sửa MDX;
• Skill tối ưu CV;
• Skill sinh tiêu đề SEO;
• Skill tổng hợp tài liệu web;
• Skill làm sạch dữ liệu Excel;
• Skill tạo README project;
• Skill báo cáo trường hợp tử vi có cấu trúc;
• Skill viết email xin việc.

Nên bắt đầu bằng phiên bản tối thiểu, chỉ giải một vấn đề rõ. Khi nó chạy ổn, hãy tăng dần template, script và quy tắc kiểm tra.

6. Thứ tự học gợi ý

Nếu bạn mới bắt đầu, có thể đi theo trình tự dưới đây.

1. Tuần 1: Xây bản đồ LLM

Dùng Happy-LLM để xây nhận thức toàn cảnh. Tập trung vào các nội dung cơ bản: NLP, Transformer, token, huấn luyện và inference.

Đừng cố “nuốt” hết chi tiết ngay tuần đầu. Mục tiêu tuần đầu là biết lĩnh vực này gồm những module nào và chúng liên quan nhau thế nào.

2. Tuần 2: Xem một hiện thực GPT tối giản

Dùng minGPT để quan sát cấu trúc lõi của GPT. Mục tiêu không phải ghi nhớ code, mà hiểu: input biến thành embedding như thế nào, attention làm gì, mô hình xuất ra phân phối xác suất của token tiếp theo ra sao.

Ngay cả nếu không hiểu toàn bộ code cũng không sao. Hãy nhìn bức tranh tổng thể trước, rồi từ từ bổ sung kiến thức nền PyTorch.

3. Tuần 3: Luyện gọi mô hình

Dùng Hugging Face Transformers hoặc API mô hình để làm vài nhiệm vụ nhỏ như tóm tắt, phân loại, dịch, trích xuất thông tin, sinh tiêu đề.

Tuần này cần tập trung hiểu input/output, token, độ dài ngữ cảnh, output có cấu trúc và xử lý lỗi.

4. Tuần 4: Học vòng lặp cơ bản của Agent

Dùng Hello-Agents để hiểu luồng thực thi nhiệm vụ của Agent. Tập trung vào gọi công cụ, quan sát kết quả, quyết định tiếp tục, và điều kiện dừng.

Lúc này bạn có thể tự viết một Agent tối giản: đọc một file văn bản, tóm tắt nội dung, rồi sinh output Markdown.

5. Tuần 5: Học framework Agent theo hướng kỹ thuật

Học OpenAI Agents SDK hoặc LangGraph. Framework đầu phù hợp để hiểu các khái niệm kỹ thuật như Agent, công cụ, handoff, guardrails, tracing; framework sau phù hợp để hiểu máy trạng thái, cấu trúc đồ thị, biên soạn đa bước bằng workflow.

Đừng đi sâu song song cả hai framework cùng lúc. Hãy chọn một để chạy trơn, rồi mới đến cái còn lại.

6. Tuần 6: Viết Skills cho nhiệm vụ lặp lại

Chọn một nhiệm vụ bạn làm thường xuyên và viết quy trình thành một Skill. Ví dụ, biến “quy tắc chỉnh sửa bài MDX” thành một hướng dẫn cố định: viết thế nào frontmatter, đánh số tiêu đề ra sao, layout thân bài thế nào, đặt nguồn tham chiếu ở đâu.

Bước này giúp bạn hiểu sâu rằng năng lực AI không chỉ dựa vào chat tạm thời, mà có thể được tổ chức, tái sử dụng và chuẩn hóa.

7. Cách phối hợp đầu vào mình khuyến nghị

Nếu chỉ chọn vài dự án để bắt đầu, mình khuyên dùng bộ sau:

Nếu bạn chưa có nền tảng, có thể đi theo thứ tự Happy-LLM → Hugging Face Transformers → Hello-Agents trước. Khi đã có chút kinh nghiệm code và API, sau đó mới bổ sung minGPT, OpenAI Agents SDK, LangGraph và Skills.

8. Đừng đi sai hướng trong lộ trình học

Cuối cùng là vài nhận định thực tế.

1. Người dùng phổ thông không cần lập tức huấn luyện mô hình lớn của riêng mình

Huấn luyện mô hình tất nhiên quan trọng, nhưng với hầu hết người học, điều nên nắm đầu tiên là gọi, phối hợp và áp dụng theo hướng kỹ thuật. Năng lực bạn dùng ngay được là đưa mô hình lớn vào workflow của riêng mình, không phải mơ hồ về việc tự xây “ChatGPT riêng”.

2. Đừng đắm chìm trong các dự án demo

Thời AI có nhiều demo rất “đẹp”: tự động viết sách, tự động kiếm tiền, công ty tự động toàn phần, Agent vạn năng. Một số có ý tưởng hay, nhưng nhiều thứ không ổn định và không phù hợp để người mới đầu tư quá nhiều thời gian.

Đánh giá một dự án đáng học qua ba tiêu chí:

• Có thể giải thích được nguyên lý cốt lõi hay không;
• Có chạy được nhiệm vụ thật hay không;
• Có thể chuyển vào workflow của bạn hay không.

Nếu một dự án chỉ để chụp ảnh đẹp khoe kỹ thuật mà không chuẩn hóa được năng lực thì không đáng tốn nhiều thời gian.

3. Quan trọng nhất là hình thành workflow của chính bạn

Học AI có giá trị không phải là gom bao nhiêu bảng xếp hạng model hoặc nhớ bao nhiêu thuật ngữ mới, mà là dần dần xây dựng workflow của chính mình.

Ví dụ:

• Khi viết bài, AI giúp bạn tra thông tin, sắp xếp cấu trúc, chỉnh sửa diễn đạt;
• Khi học lập trình, AI giúp giải thích code, sinh test, sửa bug;
• Khi làm website, AI giúp viết component, kiểm tra SEO, tổ chức nội dung;
• Khi đi xin việc, AI giúp phân tích JD, tối ưu CV, chuẩn bị phỏng vấn;
• Khi nghiên cứu, AI giúp thu thập tài liệu, tổng hợp ý kiến, tạo danh sách trích dẫn.

Khi các flow này ổn định, bạn không còn chỉ “biết dùng AI”, mà đang xây một hệ thống làm việc bằng AI của riêng mình.

9. Kết: Từ người dùng đến người xây dựng

Nói ngắn gọn, trọng tâm của lộ trình này là:

Hiểu mô hình trước, rồi mới gọi mô hình; làm công cụ đơn giản trước, rồi mới làm Agent; chạy xong nhiệm vụ trước, rồi mới chuẩn hóa Skills.

Đừng nóng vội chạy theo mọi khái niệm mới. AI đổi nhanh, nhưng chuỗi năng lực nền tảng khá rõ: hiểu LLM, biết dùng API, biết gọi công cụ, biết quản lý ngữ cảnh, biết thiết kế workflow, biết chuyển hóa kinh nghiệm thành Skill.

Đi theo lộ trình này, bạn sẽ dần chuyển từ “người dùng AI” sang “người xây dựng ứng dụng AI”.

Câu hỏi thường gặp

Học AI có cần nền tảng lập trình không?

Không nhất thiết. Hiểu khái niệm LLM, học gọi API và nắm nguyên lý Agent, cơ bản Python là đủ; nhưng nếu muốn triển khai Agent tùy chỉnh hoặc viết Skills, đọc code sẽ giúp hiệu quả hơn. Gợi ý lộ trình: bắt đầu từ khái niệm và cách dùng công cụ, rồi dần bổ sung năng lực lập trình.

Sự khác biệt giữa LLM và AI Agent là gì?

LLM là mô hình ngôn ngữ nền tảng, chịu trách nhiệm hiểu và sinh văn bản; AI Agent là hệ thống thực thi có bổ sung mục tiêu, gọi công cụ, bộ nhớ và suy luận đa bước ở trên LLM. Nói ngắn gọn: LLM là “bộ não”, Agent là “người thực thi dùng công cụ để hoàn thành nhiệm vụ”.

Khác gì giữa Skill và prompt?

Prompt là chỉ thị một lần, giải quyết “lần này nói thế nào”. Skill là gói năng lực có thể tái sử dụng, thường gồm tài liệu hướng dẫn, script, template,... giải quyết “sau này gặp nhiệm vụ tương tự thì tái sử dụng ổn định như thế nào”. Mục đích khác nhau; Skill gần với một module workflow có thể cài.

Lộ trình này nên bắt đầu từ đâu?

Nên bắt đầu từ giai đoạn 1 (nền tảng LLM) với Happy-LLM trước, xây khung nhận thức tổng thể, cứ cần hiểu được 60% đã đủ; rồi đi vào ứng dụng mô hình (gọi API) → vòng lặp cơ bản Agent (Hello-Agents) → chuẩn hóa Skills. Mỗi giai đoạn nên đi kèm thực hành sẽ hiệu quả hơn.

Tham khảo nguồn

• Datawhale Happy-LLM: Xây dựng mô hình lớn từ đầu
• Andrej Karpathy minGPT: hiện thực GPT tối giản
• Hugging Face Transformers Quickstart
• Tài liệu Pipeline của Hugging Face Transformers
• Tài liệu Tokenizer của Hugging Face Transformers
• Datawhale Hello-Agents: Xây dựng agent từ số 0
• OpenAI Agents SDK: Handoffs
• OpenAI Agents SDK: Guardrails
• OpenAI Agents SDK: Tracing
• LangGraph GitHub: Build resilient agents
• Giới thiệu chính thức của LangGraph
• Anthropic: Equipping agents for the real world with Agent Skills
• Anthropic Skills GitHub
• Khoá học chính thức Claude Agent Skills
• Agent Skills Overview
• awesome-skills-cn: tổng hợp tài nguyên Skills tiếng Trung