SỰ THẬT PHŨ PHÀNG TRƯỚC TIÊN
Hầu hết các nhà phát triển đang xây dựng AI hiện tại đều đang xây dựng đồ chơi.
Họ bọc GPT bằng vài câu prompt. Họ gọi nó là "sản phẩm AI." Họ tự hỏi tại sao không ai trả tiền cho nó.
Thị trường đang tràn ngập các lớp mỏng phủ lên trên LLM.
Đây không phải là doanh nghiệp. Chúng là những tính năng đang chờ bị Big Tech "Sherlock" (thâu tóm).
Đây là những gì các công ty thực sự trả tiền vào năm 2026:
→ Agent không bị hỏng lúc 2 giờ sáng thứ Sáu
→ Hệ thống bạn có thể đo lường và chứng minh không bị thoái hóa
→ Harness giúp cùng một mô hình hoạt động tốt hơn 86%
Điểm cuối cùng không phải là hư cấu.
Anthropic đã chạy cùng một mô hình (Opus 4.5) trên hai harness khác nhau.
→ Claude Code harness: 78% trên benchmark CORE
→ Smolagents harness: 42% trên benchmark CORE
Cùng mô hình. Khác harness. Chênh lệch 36 điểm.
Harness mới chính là công việc.
MỘT KỸ SƯ AI THỰC SỰ LÀM GÌ TRONG NĂM 2026
Không phải viết prompt. Không phải chọn mô hình.
Một kỹ sư AI xây dựng và vận hành hệ thống xung quanh mô hình.
Điều đó có nghĩa là:
→ Thiết kế vòng lặp agent và phân phối công cụ
→ Kỹ thuật context — token nào được đưa vào trước mô hình ở mỗi bước → Viết các công cụ mà mô hình thực sự chọn đúng
→ Thêm bộ nhớ, độ bền và sandboxing cho lưu lượng production
→ Kết nối evals và CI regression gates để "tốt hơn" trở nên có thể đo lường được
→ Triển khai agent sống sót qua người dùng thực và chi phí thực
Bốn nguyên thủy context mà mọi kỹ sư agent cần:
Write — scratchpads, tệp bộ nhớ mà agent đọc và cập nhật Select — truy xuất tại điểm sử dụng, không phải đổ dữ liệu từ đầu Compress — tóm tắt ở mức 85-95% của cửa sổ context Isolate — sub-agent với cửa sổ context riêng biệt
Đây được gọi là kỹ thuật context. Prompt engineering đã chết như một kỹ năng độc lập. Context engineering đã thay thế nó.
LỘ TRÌNH 6 GIAI ĐOẠN
17 tuần nếu bạn làm toàn thời gian. 40 tuần nếu bạn làm ngoài giờ.
Mỗi giai đoạn có một dự án cụ thể. Không giai đoạn nào kết thúc mà không ra mắt thứ gì đó.
GIAI ĐOẠN 0: Xây Dựng Mô Hình Tư Duy Đúng Đắn(Tuần 1-2)
Chưa viết bất kỳ dòng code agent nào.
Hầu hết người mới bắt đầu bỏ qua bước này. Họ lao thẳng vào các bài hướng dẫn. Sau đó họ viết code mà không thể suy luận khi nó hỏng.
Ba điều cần hiểu thật kỹ trước bất cứ điều gì khác:
1. Workflow so với Agent
Một workflow có luồng điều khiển cố định do bạn viết. Một agent tự đưa ra quyết định về luồng điều khiển bên trong một vòng lặp.
Xây dựng một agent khi bạn cần một workflow tốn kém hơn 10 lần và hỏng thường xuyên gấp đôi.
2. 5 mẫu workflow (từ Anthropic)
→ Prompt chaining: chuyển đầu ra từ lệnh gọi này sang lệnh gọi tiếp theo
→ Routing: các mô hình khác nhau cho các tác vụ khác nhau
→ Parallelization: chạy nhiều tác vụ cùng một lúc
→ Orchestrator-worker: một bộ não, nhiều bàn tay
→ Evaluator-optimizer: tạo → đánh giá → cải thiện
3. Harness
Harness là thứ nằm giữa bạn và API mô hình.
Hãy nghĩ về nó như một hệ điều hành:
→ Model = CPU (tính toán thô)
→ RAM = cửa sổ context
→ OS = harness
→ Apps = kỹ năng của agent của bạn
Hệ điều hành quyết định CPU thực sự có thể làm gì. Harness quyết định mô hình thực sự có thể làm gì.
Dự án Giai đoạn 0: Viết một tài liệu 2 trang — bằng lời của bạn — định nghĩa: workflow vs agent, 5 mẫu workflow, 4 nguyên thủy context, mẫu orchestrator-worker.
Nếu bạn không thể viết nó mà không cần nhìn lại, bạn đã chưa đọc đủ kỹ.
GIAI ĐOẠN 1: Xây Dựng Agent Đầu Tiên Từ Đầu(Tuần 3-5)
Viết một agent hai lần.
Đầu tiên: với Anthropic SDK thô. Khoảng 100 dòng Python. Thứ hai: với Claude Agent SDK.
Sau đó cảm nhận sự khác biệt.
Bản dựng #1 — Vòng Lặp Thô
Vòng lặp agent không phải là phép màu.
- Gọi mô hình với messages và tools
- Phân tích các khối tool_use
- Thực thi công cụ
- Thêm tool_result
- Lặp lại cho đến khi stop_reason = end_turn
Hãy tự viết nó trong vòng chưa đầy 100 dòng.
Một khi bạn làm điều đó, mọi framework đều trở nên dễ đọc.
Cung cấp cho nó 3 công cụ: → web_search → read_file → write_file
Chạy nó trên một nhiệm vụ nghiên cứu. Đọc từng bước của trace.
Bản dựng #2 — Cùng Agent trên Claude Agent SDK
Claude Agent SDK là cùng một harness cung cấp năng lượng cho Claude Code.
Thêm:
→ CLAUDE.md với các quy ước dự án
→ Một Skill (một thư mục xác định định dạng đầu ra "research-summary")
→ Một hook PostToolUse tự động định dạng mọi tệp mà agent viết
→ Một sub-agent được sinh ra thông qua công cụ Task
Sau đó viết 200 từ trả lời: "Harness đã cho tôi miễn phí điều gì mà tôi tự viết trong Bản dựng #1?"
Dự án Giai đoạn 1: Một agent điểm tin hàng ngày. Đọc ghi chú Markdown + RSS feeds của bạn. Viết một bản tóm tắt điểm tin ra đĩa mỗi sáng. Chạy nó trong một tuần. Nhìn nó thất bại. Sửa nó.
GIAI ĐOẠN 2: Xây Dựng Một Agent Thực Thụ Với Kiến Trúc Phù Hợp(Tuần 6-9)
Bây giờ bạn xây dựng trên LangGraph + Deep Agents.
Đây là stack production.
LangGraph cung cấp cho bạn:
→ State machine (nodes + edges)
→ Checkpoint PostgresSaver (sống sót sau bất kỳ sự gián đoạn tiến trình nào)
→ Gỡ lỗi du hành thời gian (quay lại bất kỳ bước nào)
→ Ngắt Human-in-the-loop
→ Khả năng quan sát hạng nhất qua LangSmith
Deep Agents (LangChain's packaged harness) cung cấp cho bạn:
→ Middleware lập kế hoạch
→ Hệ thống tệp ảo
→ Sub-agent spawning
→ Nén context tự động
→ Skills
Khái niệm chính: middleware
Middleware là cách bạn tùy chỉnh một packaged agent mà không cần fork nó.
Bốn hook quan trọng:
→ before_agent — chạy trước khi vòng lặp bắt đầu
→ wrap_model_call — bao bọc mọi lệnh gọi LLM
→ before_tools — chạy trước khi bất kỳ công cụ nào thực thi
→ after_tools — chạy sau khi bất kỳ công cụ nào thực thi
Dự án Giai đoạn 2: Agent Phân tích Nghiên cứu
Đầu vào: một câu hỏi nghiên cứu
Kiến trúc:
→ Agent chính lập kế hoạch, viết TODO list vào hệ thống tệp ảo
→ Sinh ra 3 sub-agent tìm kiếm song song (context biệt lập)
→ Sub-agent viết kết quả vào tệp, trả về tóm tắt ngắn cho agent cha
→ Sub-agent trích dẫn xác minh tuyên bố
→ Agent viết tạo Markdown cuối cùng với trích dẫn nội tuyến
→ Trạng thái tồn tại qua PostgresSaver — giết tiến trình, tiếp tục từ nơi nó dừng lại
→ Ngắt Human-in-the-loop: yêu cầu xác nhận trước khi vượt quá $1 token
Gửi kèm URL trace LangSmith bên cạnh README của bạn.
GIAI ĐOẠN 3: Tự Xây Dựng Lớp Harness(Tuần 10-13)
Đây là giai đoạn có đòn bẩy cao nhất trong toàn bộ lộ trình.
Ngừng sử dụng packaged harness. Tự xây dựng một cái nhỏ.
Bạn sẽ không bao giờ đưa ra các đánh đúng đắn về harness trong production cho đến khi bạn đã tự xây dựng một cái một lần.
10 thành phần của một harness hiện đại:
- Loop control — while-loop điều khiển model → tools → model
- Tool dispatch — registry, xác thực schema, gọi song song, thử lại
- Quản lý context — lắp ráp system-prompt, nén ở mức 85% của cửa sổ
- Persistence — checkpoint trạng thái mọi node để tiếp tục, quay lại, fork
- Sub-agent orchestration — children với context biệt lập, tóm tắt đã nén gửi về
- Skills & progressive disclosure — tải khả năng chỉ khi phù hợp
- Hooks — PreToolUse, PostToolUse, PreCompact, Stop
- Observability — OTEL spans cho mọi lệnh gọi model, lệnh gọi công cụ, sub-agent invocation
- Sandboxing — thực thi code trong container mà mô hình không bao giờ có quyền truy cập
- Auth brokering — thông tin xác thực không bao giờ vào context của mô hình
Dự án Giai đoạn 3: Viết một mini-harness trong khoảng 1.500 dòng Python.
Phải bao gồm:
→ Tool registry từ decorator @tool với tạo JSON-schema
→ Trình tải system-prompt kiểu CLAUDE.md
→ Trình tải progressive-disclosure SKILL.md
→ Nguyên thủy sinh sub-agent với context biệt lập
→ Giảm tải hệ thống tệp: bất kỳ kết quả công cụ nào trên 20K token
→ ghi vào đĩa, thay thế trong context bằng đường dẫn + xem trước 10 dòng
→ Tự động nén ở mức 85% của cửa sổ context
→ Hệ thống hook có thể cắm thêm (pre_tool, post_tool, stop)
→ Theo dõi OpenTelemetry
→ Tiếp tục bền bỉ: tồn tại vào SQLite sau mỗi bước, tải lại theo run ID
Kết quả thực sự: một bài đánh giá 1.000 từ so sánh mini-harness của bạn với Claude Agent SDK và Deep Agents. Những gì bạn đã làm đúng. Những gì bạn đã cắt bỏ. Những gì bạn sẽ làm khác đi.
GIAI ĐOẠN 4: Xây Dựng Harness Eval và Regression(Tuần 14-17)
Nếu không có điều này, mọi "cải tiến" chỉ là cảm tính.
Đây là nơi hầu hết các kỹ sư bị mắc kẹt.
Họ có thể xây dựng một agent tuyệt vời. Họ không thể biết liệu thay đổi tiếp theo của họ làm nó tốt hơn hay tệ hơn.
4 loại eval bạn phải triển khai:
1. Single-turn evalsVới đầu vào này, đầu ra có đúng không? Rẻ nhất. Người chấm điểm xác định nếu có thể. Chạy liên tục.
2. Trajectory evalsAgent có gọi đúng chuỗi công cụ với đúng đối số không? Kiểm tra các biến thể single-step, full-turn và multi-turn.
3. LLM-as-judgeCho đầu ra mở: báo cáo nghiên cứu, đánh giá code, giải thích. Hiệu chỉnh với các ví dụ do con người chấm điểm hàng tuần.
4. End-state evalsCho agent có trạng thái: cơ sở dữ liệu có được ghi chính xác không? Các tệp đúng có thay đổi không? So sánh trạng thái môi trường cuối cùng với ground truth.
Sự thật khó chịu về evals:
Mô hình có thể phát hiện khi nào chúng đang được đánh giá. Chúng hoạt động khác trên đầu vào eval.
Thiết kế bộ eval của bạn để ngăn chặn điều này. Sử dụng các truy vấn production thực, không phải truy vấn tổng hợp.
Dự án Giai đoạn 4: Regression harness xoay quanh Agent Giai đoạn 2 của bạn.
→ Golden dataset: 30-50 câu hỏi nghiên cứu do con người chấm điểm (3 cấp độ khó)
→ Người chấm điểm xác định cho các truy vấn thực tế
→ LLM-as-judge với thang đánh giá 5 tiêu chí cho các truy vấn mở
→ Trajectory eval: agent có lập kế hoạch, sinh 2+ sub-agent, trích dẫn nguồn, hoàn thành trong ngân sách không?
→ Kết nối vào GitHub Actions: chặn merge nếu tỷ lệ đạt golden-set giảm 3+ điểm
→ Lấy mẫu production: 1% trace trực tiếp được chấm điểm tự động hàng đêm
GIAI ĐOẠN 5: Củng Cố Production(Mãi mãi)
Giai đoạn này không kết thúc.
Năm điều quan trọng mãi mãi:
1. Kỷ luật chi phí
→ Lưu cache CLAUDE.md, system prompt và định nghĩa công cụ — tiết kiệm đến 90%
→ Định tuyến theo độ khó: Haiku cho các lượt đơn giản, Sonnet cho hầu hết tác vụ, Opus cho suy luận khó
→ Batch API cho công việc không thời gian thực: giảm 50%
→ Multi-agent đốt khoảng 15x token so với single-agent — chỉ chạy khi giá trị vượt qua mức đó
2. Độ trễ
→ Gọi công cụ song song, luôn luôn — system prompt của chính research agent của Anthropic nói "bạn PHẢI sử dụng gọi công cụ song song"
→ Stream đầu ra một phần lên UI
→ Sub-agent fan-out: một agent tuần tự 60 bước
→ 10 bước dẫn dắt + 5 sub-agent 10 bước song song
3. An toàn và sandboxing
→ Tất cả thực thi code trong sandbox (Modal, E2B): không bao giờ exec() đầu ra mô hình trong tiến trình chính của bạn
→ Thông tin xác thực được môi giới bên ngoài context mô hình: mô hình không bao giờ nhìn thấy API key nó sử dụng
→ Ngắt Human-in-the-loop trên bất kỳ hành động không thể đảo ngược nào
4. Giám sát và drift
→ Cảnh báo về: chi phí token mỗi yêu cầu, tỷ lệ thất bại gọi công cụ, điểm LLM-as-judge, độ trễ p95
→ Đặt lại baseline evals sau mỗi lần nâng cấp mô hình — harnesses mã hóa các giả định về những gì mô hình không thể làm và những giả định đó trở nên lỗi thời
5. Khả năng phục hồi
→ Thực thi bền bỉ (Inngest, Temporal, PostgresSaver) cho bất kỳ agent nào chạy hơn 60 giây
→ Checkpoint sau mỗi node
→ Quay lại và fork luôn có thể thực hiện được
5 DỰ ÁN CẤP PRODUCTION (Chọn một và xây dựng vào cuối tuần này)
Các dự án này được xếp hạng theo độ phức tạp.
Chúng chứng minh những gì các công ty thực sự cần thấy.
Dự án 1: Ứng Dụng Di Động AI với SLM
Xây dựng một ứng dụng di động offline trước tiên sử dụng mô hình ngôn ngữ nhỏ (SLM). Chi phí API bằng không. Quyền riêng tư hoàn toàn.
Điều gì làm cho nó không tầm thường:
→ Tải mô hình theo yêu cầu, dỡ tải khi áp lực bộ nhớ
→ Cửa sổ context trượt với phân khối ngữ nghĩa
→ Lượng tử hóa 4-bit cho thiết bị cũ, 8-bit cho thiết bị mới
→ Suy luận hàng loạt để giảm chu kỳ đánh thức pin
Tại sao nó quan trọng: bạn chứng minh bạn hiểu các ràng buộc tài nguyên và AI cấp thiết bị. Bạn không chỉ gọi API — bạn đang quản lý áp lực bộ nhớ và lượng tử hóa.
Dự án 2: Coding Agent Tự Cải Thiện
Xây dựng một agent viết code, chạy test và học hỏi từ thất bại. Nó không dừng lại cho đến khi code hoạt động.
Điều gì làm cho nó không tầm thường:
→ Lập kế hoạch → Thực thi → Kiểm tra
→ Vòng lặp phản xạ với giới hạn lặp tối đa
→ Môi trường thực thi biệt lập cho mỗi tác vụ với giới hạn tài nguyên
→ Phân cấp bộ nhớ: ngắn hạn (5 lần lặp gần nhất), dài hạn (các mẫu thành công), bộ nhớ thất bại (chữ ký lỗi + giải pháp)
→ Phân tích tĩnh trước khi thực thi — phát hiện các thao tác nguy hiểm
Tại sao nó quan trọng: giới thiệu các vòng lặp agentic. Cho thấy bạn hiểu gỡ lỗi production và cải tiến lặp đi lặp lại.
Dự án 3: Cursor nhưng Dành Cho Biên Tập Video
Fork một trình biên tập mã nguồn mở (Shotcut) và xây dựng một AI agent hiểu ý định biên tập.
Người dùng nói "làm cho nó điện ảnh." Agent xử lý cắt, chuyển cảnh và chỉnh màu.
Điều gì làm cho nó không tầm thường:
→ Mô hình thị giác phân tích mọi khung hình + mô hình âm thanh phân tích hội thoại
→ Dịch ý định: "điện ảnh"
→ các tham số cụ thể (nhịp độ, LUT, mô phỏng lấy nét)
→ Phát hiện cảnh qua phân tích khác biệt khung hình
→ Xem trước gia tăng — chỉ kết xuất lại các phần bị ảnh hưởng
Tại sao nó quan trọng: AI đa phương thức + tích hợp công cụ phức tạp. Đặt bạn ra khỏi 99% nhà xây dựng chatbot.
Dự án 4: Agent Hệ Điều Hành Cuộc Sống Cá Nhân
Xây dựng một agent quản lý lịch, tài chính và sức khỏe của bạn. Lập kế hoạch trước hàng tháng. Phát hiện kiệt sức bằng cách phân tích mẫu ngủ và mật độ cuộc họp.
Điều gì làm cho nó không tầm thường:
→ Tiếp nhận thời gian thực từ lịch, tài chính, sức khỏe, truyền thông
→ Đồ thị tri thức cá nhân về các thực thể và mối quan hệ
→ Luồng nền chạy mỗi 6 giờ kiểm tra bất thường
→ Căn chỉnh giá trị: người dùng nêu ưu tiên (gia đình > công việc) — mọi đề xuất được xác thực dựa trên chúng
→ Tất cả dữ liệu được mã hóa khi lưu trữ với khóa do người dùng kiểm soát
Tại sao nó quan trọng: yêu cầu quản lý context tinh vi và thiết kế AI đạo đức. Chứng minh kiến trúc production ưu tiên quyền riêng tư.
Dự án 5: Agent Workflow Doanh Nghiệp Tự Động
Một agent chạy các workflow kinh doanh từ đầu đến cuối.
Giám sát Slack/Jira → lập kế hoạch thực thi → phân công tác vụ → báo cáo kết quả với nhật ký kiểm toán đầy đủ.
Điều gì làm cho nó không tầm thường:
→ Hướng sự kiện: lắng nghe Slack, Jira, email, hệ thống giám sát
→ Ủy quyền multi-agent: orchestrator
→ agent truyền thông, agent dữ liệu, agent phân tích, agent tài liệu
→ Tự phục hồi: backoff theo cấp số nhân, bộ ngắt mạch, quyết định thử lại tự động
→ Nhật ký kiểm toán bất biến: mọi hành động, ai đã ủy quyền, kết quả là gì
→ Human-in-the-loop: agent đề xuất kế hoạch trước khi thực thi trên các workflow quan trọng
Tại sao nó quan trọng: kết hợp điều phối, bảo mật và khả năng quan sát thành một hệ thống có thể mở rộng. Đây là người kết thúc danh mục đầu tư.
STACK (Những gì thực sự cần học)
Framework: LangGraph 1.0 + Deep Agents
Tại sao không phải CrewAI, AutoGen hay OpenAI Swarm?
→ CrewAI: demo nhanh nhất, mong manh trong production. Sử dụng cho hackathons.
→ AutoGen: đã được hợp nhất vào Microsoft Agent Framework. Tương lai không rõ ràng.
→ OpenAI Swarm: rõ ràng là "không sẵn sàng cho production" theo README của chính OpenAI.
LangGraph cung cấp cho bạn: state machine + độ bền PostgresSaver + gỡ lỗi du hành thời gian + khả năng quan sát thân thiện với OTEL + không phụ thuộc vào mô hình.
Harness tham chiếu: Claude Agent SDK
Nghiên cứu nó. Sử dụng nó. Đó là cùng harness như Claude Code.
CLAUDE.md + Skills + sub-agents + hooks + hệ thống tệp làm bộ nhớ.
Mọi harness khác trong năm 2026 đang hội tụ về các nguyên thủy này.
Khả năng quan sát: Chọn một
→ LangSmith: nếu bạn sống trong LangGraph
→ Braintrust: nếu bạn muốn CI gating không phụ thuộc framework ($249/tháng cố định)
→ Arize Phoenix: nếu bạn muốn mã nguồn mở + gốc OTEL
Bỏ qua trong năm 2026:
→ OpenAI Swarm — không sẵn sàng cho production (có thể sử dụng Kimi Agent Swarm)
→ OpenAI Assistants API — sẽ ngừng hoạt động vào giữa năm 2026
→ Xây dựng vector store của riêng bạn trước khi đo lường vấn đề recall thực tế
→ Nền tảng agent không cần code trừ khi nó là dùng một lần
CÁC CON SỐ BENCHMARK (Tháng 5 năm 2026)
SWE-bench Verified (tác vụ code): → Claude Opus 4.7: ~87.6% → GPT-5.5: ~88.7%
GAIA (tác vụ agent tổng quát): → Claude Sonnet 4.5 dẫn đầu ở 74.6%
τ-bench (tác vụ agent dịch vụ khách hàng): → Claude Mythos Preview: 89.2%
Thông tin chính: cùng benchmark, khác harness = chênh lệch 10-36 điểm.
Mô hình ít quan trọng hơn harness.
MỐC THỜI GIAN 17 TUẦN
Tuần 2 → Giai đoạn 0 hoàn thành. Bạn có thể giải thích harness bằng tiếng Anh đơn giản.
Tuần 5 → Giai đoạn 1 hoàn thành. Agent Claude Agent SDK đã ra mắt với một Skill, một hook, một sub-agent.
Tuần 9 → Giai đoạn 2 hoàn thành. Deep-agent LangGraph đang chạy với độ bền PostgresSaver và trace LangSmith.
Tuần 13 → Giai đoạn 3 hoàn thành. Mini-harness 1.500 dòng đã viết và tài liệu hóa.
Tuần 17 → Giai đoạn 4 hoàn thành. Bộ dữ liệu vàng, CI gates, một lần chạy benchmark đã công bố qua Inspect.
Tuần 17+ → Giai đoạn 5. Mãi mãi.
Làm ngoài giờ 10-15 giờ mỗi tuần: nhân mọi thứ với 2.5 lần.
SỰ THẬT KHÓ CHỊU
Hầu hết mọi người sẽ đọc điều này và không làm gì cả.
Họ sẽ đánh dấu nó. Nói "bài viết tuyệt vời." Quay lại xây dựng các lớp bọc.
Sự thật phũ phàng cho năm 2026:
→ Có thể thay thế: xây dựng các lớp bọc GPT mỏng → Không thể sa thải: triển khai các hệ thống tự trị với evals và độ bền
Khoảng cách giữa chúng là 5 dự án và 17 tuần tập trung làm việc.
57% nhóm hiện có agent trong production.
89% trong số đó có khả năng quan sát được kết nối.
Chất lượng là rào cản số 1 (32% nhóm trích dẫn nó).
Điều đó có nghĩa là toàn bộ lĩnh vực đang bị tắc nghẽn bởi các kỹ sư có thể xây dựng evals và harnesses.
Không phải bởi các kỹ sư có thể gọi API LLM.
Đó là cơ hội việc làm.
KẾT THÚC
Lộ trình này sẽ không biến bạn thành kỹ sư AI chính trong 17 tuần.
Nó sẽ biến bạn thành người có thể xây dựng và triển khai các hệ thống agent sống sót qua lưu lượng production.
Đó là điều mà các công ty đang trả tiền ngay bây giờ.
Đây là những gì tôi muốn bạn làm tiếp theo:
1. Chọn một dự án. Bắt đầu với Dự án 1 nếu bạn là người mới. Bắt đầu với Dự án 5 nếu bạn đã triển khai code. Chỉ cần bắt đầu.
2. Xây dựng nó vào cuối tuần này. Thị trường thưởng cho việc ra mắt, không phải học tập.
3. Ghi lại mọi thứ: quyết định kiến trúc của bạn, thất bại và phục hồi của bạn, vòng lặp tự sửa lỗi của bạn.
4. Xây dựng công khai. Tag tôi khi bạn ra mắt — tôi sẽ khuếch đại nó.
Đến tháng sau, 90% mọi người sẽ không làm gì cả. Họ vẫn sẽ xây dựng các lớp bọc giống nhau.
10% còn lại sẽ đã ra mắt thứ gì đó thực sự. Họ sẽ có các cuộc phỏng vấn, lời mời và đòn bẩy sự nghiệp.
Sự lựa chọn rất đơn giản:
Trở thành kiến trúc sư mà các công ty đang tuyệt vọng muốn thuê. Hoặc trở nên lỗi thời.
Chuyên môn là sự bảo đảm công việc duy nhất còn lại. Hệ thống production là danh mục đầu tư duy nhất quan trọng.
Bây giờ hãy xây dựng thứ gì đó sống sót qua thực tế.
Trả lời với dự án bạn đang bắt đầu. Tôi đọc mọi phản hồi.
→ Repost để chia sẻ với mạng lưới của bạn
→ Theo dõi @sairahul1 để biết thêm các phân tích như thế này
