— SLIDE 0 · LỘ TRÌNH

Bản đồ 5 cấp độ trưởng thành từ cá nhân đến công ty

“Biết dùng AI” có nhiều bậc. Hôm nay chúng ta xem mình đang đứng ở đâu — và nâng cấp thế nào từ Level 1 → Level 5.

3 · HARNESS ENGINEERING

2 · CONTEXT ENGINEERING

1 · PROMPT ENGINEERING

1

Chat

Cần gì chat nấy, xong tắt — mai lại chat. Rời rạc, không tích luỹ.

PROMPT: lệnh cơ bản

2

Trợ lý cá nhân

AI hiểu bạn: có dữ liệu, memory, chỉ dẫn riêng — hoặc bot tự tạo phục vụ mình.

BOT: trợ giúp công việc theo sự chỉ dẫn

3

Dự án cá nhân

Liên kết nhiều công cụ AI — NotebookLM · Gemini · AI Studio · Drive · Sheet · Doc.

AGENT AI HÃNG XÂY DỰNG: trợ giúp công việc

4

Dự án chung bộ phận

Giao nhiệm vụ từng “quân AI”; nạp knowledge base; thiết lập skill · workflow.

AGENT AI NGƯỜI DÙNG TỰ XÂY: cộng sự cùng làm việc

5

Dự án toàn công ty

Multi-agent tự phối hợp; nối MCP / API vào Facebook · Notion · CRM → AI thành một bộ phận nhân sự.

MULTI AGENT: một đội nhân sự phối hợp làm việc

GENERATIVE AI

AGENTIC AI

→ Hành trình của chúng ta: nâng cấp từng bậc 1 → 5 — biến AI từ cửa sổ chat thành một bộ phận nhân sự thực thụ.

— SLIDE 2 · LARGE LANGUAGE MODEL

LLM là gì?

Large Language Model — mô hình ngôn ngữ lớn. Học hàng nghìn tỷ token; "kiến thức" bị NÉN vào hàng trăm tỷ con số = weights (trọng số).

Bên trong: tất cả chỉ là phép toán trên con số

"xin" → [0.12, -0.85, 1.30, …]

token ↦ thành vector số

↓

w₁·x₁ + w₂·x₂ + … + w_n·x_n + b → f( ) # nhân trọng số · cộng · hàm kích hoạt

qua nhiều lớp mạng nơ-ron — lặp lại hàng tỷ lần

↓

ra một con số mới [2.91, …]

số đó ↦ ánh xạ ngược về token

↓

"xin" + "chào" ← token kế được nối vào

📦 Token là gì?

Mẩu chữ tokenizer cắt ra — KHÔNG phải 1 từ. 1 từ có thể tách thành nhiều mẩu (sub-word):
Chat G PT "ChatGPT" → 3 token
1 từ tiếng Việt ≈ 2 token (dấu thanh hay bị tách nhỏ).

Ẩn dụ

LLM như một người đã đọc CẢ INTERNET rồi đi thi vấn đáp.

Không tra Google lúc trả lời — nói ra từ "trí nhớ đã nén" = các con số trong đầu.

👉 "Hiểu ngôn ngữ" thực ra = hàng tỷ phép nhân–cộng trên những con số. Không có phép màu.

— SLIDE 3 · CÁCH AI SINH CHỮ

AI đoán token tiếp theo — rồi lặp lại

Mỗi bước: nhìn chữ đã có → biến thành số → tính điểm qua weights → đổi ra xác suất → chọn → nối vào → đoán tiếp.

Chuỗi đang sinh · bước 0/2

HàNộilàthủđôcủa

prompt gốc + token vừa đoán

% đến từ đâu?

context→vector số→⚙ × weights→điểm thô→softmax→%

→ chọn "…"

Dự đoán token kế tiếp

—

0%

—

0%

—

0%

👉 Cả câu trả lời = rất nhiều bước đoán nối lại — chỉ là xác suất tính từ các con số, không có "suy nghĩ" sẵn.

— SLIDE 4 · BỐI CẢNH QUYẾT ĐỊNH

Context là gì?

Context = TẤT CẢ những gì AI "nhìn thấy" trước khi trả lời.

Thành phần	Ví dụ
System prompt	"Bạn là trợ lý tài chính..."
Câu hỏi hiện tại	"Phân tích báo cáo Q1"
Lịch sử chat	các tin nhắn trước
File đính kèm	PDF, CSV, ảnh
Memory	AI đã lưu về bạn
Tool results	web search, đọc file

prompt file memory history

✳ AI

↓

output

✓ Context tốt → trả lời tốt.

✕ Context kém → chung chung / sai.

AI KHÔNG đọc được suy nghĩ trong đầu bạn.

👉 "Prompt tốt" thực ra là "Context tốt".

— SLIDE 5 · GIỚI HẠN BỘ NHỚ

Context Window là gì?

Giới hạn TỐI ĐA số token model nhìn cùng lúc — gồm input + phần output đã sinh. Mỗi chữ (token) AI vừa sinh lại được nối vào cuối context → thành đầu vào để đoán chữ tiếp theo.

Cửa sổ đang được lấp đầy

0K / 200K · 0%

📎 File 50K

💬 Chat 30K

🤖 12K

còn trống → tối đa 200K

⚙️ System 2K

🧠 Memory 1K

📎 File đính kèm 50K

💬 Lịch sử chat 30K

❓ Câu hỏi 1K

🤖 Output AI sinh ra 12K

⚠️ Output AI cũng tính vào cửa sổ — token sinh ra tới đâu, cửa sổ đầy thêm tới đó.
(200K ≈ sách ~500 trang)

Model	Context
◉ GPT-4o	128K (~50K từ)
✳ Sonnet 4.5	200K (~150K từ)
✳ Opus	1,000K (~1 tủ sách)
✦ Gemini 3.5 Pro	2,000K tokens

KHI ĐẦY → CONTEXT ROT

✕Nội dung đầu cuộc trò chuyện rơi ra → AI quên

✕Chậm hơn + tốn tiền hơn

✕Câu trả lời chất lượng giảm dần

👉 Input (file · chat · câu hỏi) + Output AI sinh ra = cùng 1 cửa sổ. Đầy → AI quên, chậm, tốn tiền.

— SLIDE 6 · FAST và THINKING

AI "suy nghĩ" (Thinking) là gì?

Model thường → trả lời ngay. Model có Thinking → có "vùng nháp" riêng: tự suy luận từng bước (sinh ra reasoning tokens) trước khi đưa câu trả lời cuối.

🙋 Trả lời NGAY — không nháp

đoán vội → dễ ✕ sai

✍️ Nháp ra giấy rồi mới trả lời → ✓ đúng

· giả thuyết A → kiểm tra…

· ✗ A sai, loại bỏ

· giả thuyết B → kiểm tra…

· ✓ B đúng → tổng hợp

Có Thinking

✳ Extended Thinking ◉ Gemini 3.5 Thinking

Quá trình Thinking

1Phân tích đề

2Đưa nhiều giả thuyết

3Tự kiểm tra

4Loại bỏ cái sai

5Tổng hợp → trả lời

↺ Nháp trở thành context bổ sung → AI có thêm tài liệu để đoán token tốt hơn.

✅ NÊN BẬT

toán · logic · code phức tạp · phân tích nhiều bước

❌ ĐỪNG BẬT

chat thường · tóm tắt · dịch → phí tiền

👉 Bật Thinking đúng việc — sai việc thì phí token.

— SLIDE 7 · TRÍ NHỚ

Memory — AI có nhớ bạn không?

🧠 Short-term (Ngắn hạn) RAM

= toàn bộ context window của cuộc chat hiện tại.

Đóng chat → mất hết. Nhanh nhưng không bền.

📚 Long-term (Dài hạn) KHO RIÊNG

AI tự tóm tắt định kỳ → lưu thông tin quan trọng vào kho riêng.

💾 ""

Lần sau → dò kho memory → đưa thông tin liên quan vào context → trả lời cá nhân hoá.

Vòng ghi nhớ

1Bạn chat với AI

↓

2AI bóc tách "thông tin đáng nhớ"

↓

3Lưu vào file memory 💾

↓

4Lần sau → đọc lại trước khi trả lời

👉 Gemini có Memory — vào Settings → Saved info để xem / sửa / xoá.

— SLIDE 8 · PROMPT → CONTEXT → HARNESS

3 cấp độ điều khiển AI

3 · Harness — toàn bộ khung điều khiển

2 · Context — tài liệu · lịch sử · fact

1 · Prompt

"Viết email xin lỗi khách…"

1Prompt Engineering

Diễn đạt yêu cầu sao cho AI hiểu đúng. VD: "... tone thân thiện, 5 dòng."

2Context Engineering

Cấp ĐỦ & ĐÚNG context: file, lịch sử, fact, ví dụ, persona — quản token gì vào gì bỏ.

3Harness Engineering CAO NHẤT

Thiết kế TOÀN BỘ khung quanh model. tools · memory · skills · loop · permissions...

👉 Cấp sau bao trùm cấp trước — AI càng mạnh càng cần khung tốt.

— SLIDE 9 · CẤP 1 · PROMPT ENGINEERING

Khung prompt 4 lớp

1

Context · Bối cảnh

2

Task · Việc cần làm

3

Format · Định dạng

4

Constraint · Ràng buộc

Lớp	Trả lời câu hỏi	Ví dụ
Context	Bối cảnh? Tôi là ai?	"Tôi là sale KiotViet, khách F&B miền Bắc..."
Task	Cần AI làm gì?	"Viết kịch bản cold call cho chủ quán cafe..."
Format	Output trông như nào?	"Dạng dialogue, 5–7 lượt thoại, có ghi chú tâm lý..."
Constraint	Ràng buộc/cấm gì?	"Không quá 300 từ, không từ chuyên môn, không nhắc giá."

👉 Prompt thấy chưa ổn → tự hỏi "Mình thiếu LỚP nào?"

— SLIDE 10 · TƯ DUY PROMPT

Tư duy Prompt — hãy "thật lòng" với AI

✕ SAI LẦM

Gõ cộc lốc kiểu Google: "viết email khách hàng" → AI đoán mò → kết quả chung chung.

✓ ĐÚNG

Coi AI như đồng nghiệp mới vào — chưa biết gì về bạn/công ty/task. Brief đủ thì làm đúng.

Quy tắc "thật lòng"

• Nói rõ mục tiêu cuối — ❌ "Viết email" → ✅ "Viết email xin lỗi khách giao trễ 3 ngày, giữ khách không huỷ đơn 50tr"

• Đưa hết thông tin đang có — "Khách anh Minh, mua 2 năm, đang gấp lễ, hàng đã ship, mai tới"

• Nói thẳng điều đang phân vân — "Nên xin lỗi thẳng hay đưa lý do trước?"

• Nói rõ ràng buộc — "Không hứa giảm giá, không đổ lỗi shipper"

• Không biết mình muốn gì → nói thẳng — "Hãy hỏi tôi 3–5 câu trước khi bắt đầu"

🙂 Cộc lốc

""

😕 ...đoán mò?

VS

🙂 Brief đủ chi tiết

""

🤖 → hiểu ngay!

👉 Nói ra HẾT những gì trong đầu — AI không đọc được suy nghĩ.

— SLIDE 11 · HANDS-ON · 35′

Lab thực chiến — bấm để xem prompt mẫu

📊Phân tích CSV / Sheet

📄Tóm tắt PDF dài + đào sâu

📝Làm sạch note họp

📅Lên kế hoạch

✉️Viết email khó

🔍Insight báo cáo đối thủ

Quy trình: 14 lớp→ 2bảo AI hỏi lại→ 3iterate 2–3 vòng→ 4lưu prompt+output vào .md

👉 Bấm từng ô → copy cả prompt + dữ liệu mẫu → chạy ngay, rồi thay bằng việc THẬT của bạn.

— SLIDE 12 · CẤP 2 · CONTEXT ENGINEERING

Context Engineering — quản cái Gemini nhìn thấy

"Prompt tốt" thực ra là "context tốt". Nhiệm vụ: cấp ĐỦ & ĐÚNG, bỏ cái thừa — context window có hạn, đầy thì AI quên · chậm · tốn tiền.

3 thao tác trên hệ Google — từ dễ đến khó

1Đính file Drive thay vì mô tả — báo giá · hợp đồng · tracker (hoặc @tên file trong Docs, Sheets). 1 file chuẩn thắng 10 đoạn kể lại.

↓

2Tạo Gem riêng cho mảng việc — bot riêng: system instruction + tài liệu nạp sẵn (bảng Gem bên phải →)

↓

3Dựng NotebookLM cho kho tài liệu đóng — chỉ trả lời từ nguồn bạn nạp, kèm trích dẫn.

Bộ Gem khởi điểm cho 6 phòng ban

Phòng ban	Gem gợi ý · nạp gì
Sale	"Trợ lý chào giá" — bảng giá · chiết khấu · T&C
Presales	"Trợ lý giải pháp" — datasheet · BOM · RFP
Marketing	"Content Mi2" — brand voice · case study
Postsales	"Trợ lý CSKH" — FAQ · SLA · mẫu renewal
Back-office	"Sổ tay nội bộ" — nội quy · biểu mẫu
Accounting	"Trợ lý công nợ" — chính sách · mẫu nhắc nợ

Dựng 1 lần — cả phòng dùng chung, không phải "dạy lại" AI ở mỗi chat.

👉 Dấu hiệu thiếu cấp 2: dán đi dán lại cùng tài liệu vào từng chat — chuyển nó vào Gem / NotebookLM.