Hầu hết mọi người đã sử dụng AI được hai năm và vẫn gõ vào ô chat như thể đang tìm kiếm trên Google. Một dòng mơ hồ, nhún vai trước câu trả lời, rồi đóng tab. Họ "dùng AI" theo kiểu bạn "dùng" máy chạy bộ để làm giá treo áo.
Đây là phần khó chịu: khoảng cách giữa những người tận dụng được gấp 10 lần từ các mô hình này và những người chẳng thu được gì không phải là tài năng, và cũng không phải là một mô hình bí mật nào. Đó là một hệ thống. Nhóm 10x tái sử dụng cùng một số ít thao tác — mọi prompt, mỗi ngày — cho đến khi các thao tác đó trở thành phản xạ cơ bắp.
Làm chủ không phải là biết nhiều prompt hơn. Mà là sở hữu một hệ thống có thể lặp lại mà bạn vận hành mà không cần suy nghĩ.
Đây chính là hệ thống đó, được nén gọn trong 30 ngày. Bốn tuần, mười hai chiến thuật được đánh số, mỗi chiến thuật kết thúc bằng một việc bạn làm ngay hôm nay. Các prompt có thể sao chép. Code Python thực tế, có thể chạy được (đã được xác minh với anthropic SDK, phiên bản v0.109.1). Không có lý thuyết nào bạn không thể áp dụng ngay trong tối nay.
Phát súng khởi đầu về mặt văn hóa là câu nói nổi tiếng của Andrej Karpathy về "vibe coding" — "bạn hoàn toàn buông mình theo vibe... và quên mất rằng code tồn tại." Đó là vibe. Còn đây là kỷ luật bên dưới nó, thứ giúp vibe thực sự được tung ra.
Phần 1 · Tuần 1 — Mô hình Tư duy & Những Chiến thắng Đầu tiên (Ngày 1–7)
Mục tiêu của tuần này không phải là kiến thức. Đó là một chiến thắng. Đến Ngày 7, bạn sẽ ủy thác được ít nhất một nhiệm vụ thực tế cho một mô hình và cảm thấy thời gian quay trở lại với mình. Mọi thứ khác đều được xây dựng dựa trên cảm giác đó.
01. Hoàn thành một nhiệm vụ thực tế với AI — ngay hôm nay.
Đừng bắt đầu bằng một khóa học. Hãy bắt đầu bằng một việc vặt bạn đã nợ ai đó: một email bạn đang ngại viết, ghi chú cần dọn dẹp, một hàm cần phác thảo. Cách nhanh nhất để "hiểu" AI là đưa cho nó một thứ có rủi ro thực sự và đánh giá kết quả so với những gì bạn tự viết.
Sai lầm của người mới bắt đầu là gõ một chủ đề ("viết về quy trình onboarding") thay vì một bản tóm tắt ngắn gọn (brief). Hãy đối xử với mô hình như một nhân viên mới sắc sảo trong ngày đầu tiên: nó có kỹ năng nhưng không có bối cảnh của bạn. Hãy cung cấp cho nó vai trò, nhiệm vụ, bối cảnh và đầu ra chính xác bạn muốn.
Sử dụng khi: bạn có bất kỳ nhiệm vụ nào bạn thường làm một mình trong vòng chưa đầy một giờ — viết lách, tóm tắt, định dạng lại, động não, lập kế hoạch.
1Bạn là <vai trò, ví dụ: "biên tập viên điều hành thẳng thắn"> của tôi.2Nhiệm vụ: <một nhiệm vụ cụ thể trong một câu>.3Bối cảnh: <2–3 dòng mà mô hình không thể biết — đối tượng, mục tiêu, ràng buộc>.4Đầu ra: <định dạng chính xác — độ dài, cấu trúc, giọng điệu>.5Nếu có bất kỳ điều gì mơ hồ, hãy hỏi tôi trước thay vì phỏng đoán.
Dòng cuối cùng đó là mã gian lận. Nó biến một phỏng đoán một lần thành một cuộc trò chuyện ngắn, và các cuộc trò chuyện hầu như luôn đánh bại các đoạn độc thoại.
Làm điều này ngay bây giờ: chọn một nhiệm vụ trong danh sách của bạn, điền vào bốn ô trống, chạy nó. Giữ lại prompt — bạn sẽ tái sử dụng khung xương này suốt cả tháng.
02. Tìm hiểu giải phẫu của một prompt hiệu quả.
Mọi prompt đáng tin cậy đều có ba phần, và người mới bắt đầu thường bỏ qua hai phần. Rõ ràng (nói chính xác bạn muốn gì), bối cảnh (nói tại sao và cho ai), và định dạng (nói đầu ra sẽ trông như thế nào). Hướng dẫn của chính Anthropic gọi đây là quy tắc "nhân viên mới xuất sắc": bạn giải thích càng chính xác, kết quả càng tốt — và quy tắc vàng theo nghĩa đen của họ là "hãy đưa prompt của bạn cho một đồng nghiệp với ít bối cảnh nhất; nếu họ bối rối, mô hình cũng sẽ bối rối."
Nâng cấp có đòn bẩy cao nhất duy nhất là thêm động lực. Đừng chỉ nói "không bao giờ dùng dấu ba chấm." Hãy nói "nội dung này sẽ được đọc to bởi một công cụ chuyển văn bản thành giọng nói, vì vậy không bao giờ dùng dấu ba chấm — nó không thể phát âm chúng." Mô hình khái quát hóa từ lý do. Đó là sự khác biệt giữa một mệnh lệnh và một lời giải thích.
Sử dụng khi: câu trả lời trả về chung chung, sai giọng điệu, hoặc đúng về mặt kỹ thuật nhưng vô dụng. Chín trên mười trường hợp, một trong ba phần đã bị thiếu.
1# Yếu (chủ đề, không phải bản tóm tắt)2Viết về tính năng mới của chúng tôi.34# Mạnh (rõ ràng + bối cảnh + định dạng)5Viết một thông báo sản phẩm dài 120 từ cho tính năng "Chế độ Tập trung" mới của chúng tôi.6Đối tượng: người dùng hiện tại thấy ứng dụng quá ồn ào.7Mục tiêu: khiến họ dùng thử một lần trong tuần này.8Giọng điệu: điềm tĩnh, tự tin, không cường điệu.9Định dạng: 1 đoạn văn ngắn + một dòng kêu gọi hành động (CTA).
Làm điều này ngay bây giờ: lấy prompt yếu của ngày hôm qua và viết lại nó với cả ba phần được gắn nhãn. Chạy cả hai. Quan sát khoảng cách.
03. Đánh cắp 6 kỹ thuật cốt lõi — và một dòng code.
Sáu kỹ thuật này xuất hiện trong mọi hướng dẫn prompt engineering nghiêm túc vì chúng luôn hiệu quả: (1) rõ ràng và trực tiếp, (2) thêm bối cảnh/động lực, (3) đưa ra ví dụ, (4) cấu trúc bằng thẻ XML, (5) gán vai trò, (6) yêu cầu suy nghĩ trước khi trả lời. Bạn sẽ dành Tuần 2 để thực hành từng kỹ thuật — đây là bản đồ.
Hai kỹ thuật đáng để bạn nắm ngay lập tức: vai trò và thẻ. Một vai trò trong hướng dẫn hệ thống sẽ định hướng giọng điệu và phán đoán cho toàn bộ cuộc trò chuyện; chỉ một câu cũng tạo ra sự khác biệt. Các thẻ như <context> và <examples> ngăn mô hình nhầm lẫn giữa hướng dẫn của bạn với dữ liệu của bạn. Đây là kỹ thuật vai trò dưới dạng code thực tế, có thể chạy được — lần đầu tiên bạn tiếp xúc với API mà bạn sẽ sử dụng vào Tuần 3.
Sử dụng khi: bạn muốn hành vi nhất quán qua nhiều lần gọi (vai trò) hoặc bạn đang trộn lẫn hướng dẫn với đầu vào lộn xộn (các thẻ).
1import anthropic23client = anthropic.Anthropic() # đọc ANTHROPIC_API_KEY từ môi trường của bạn45msg = client.messages.create(6 model="claude-opus-4-8",7 max_tokens=1024,8 system="Bạn là một biên tập viên sao chép cấp cao. Bạn cắt bỏ những thứ rườm rà và giữ nguyên giọng văn của tác giả.", # vai trò9 messages=[10 {"role": "user", "content": "Hãy biên tập đoạn văn này, sau đó liệt kê những gì bạn đã thay đổi:\n\n<draft>...</draft>"}11 ],12)13print(msg.content[0].text)
Làm điều này ngay bây giờ: viết lại một prompt với một vai trò rõ ràng và các thẻ <tags> xung quanh đầu vào. Bạn vừa sử dụng 2 trong số 6 kỹ thuật — Tuần 2 sẽ hoàn thành bộ kỹ thuật này.
Phần 2 · Tuần 2 — Kỹ thuật Prompt cho Đầu ra Thực tế (Ngày 8–14)
Tuần này bạn biến "nó hoạt động tàm tạm" thành "nó hoạt động mọi lúc." Cùng một nhiệm vụ, cùng một hình dạng, cùng một chất lượng — theo yêu cầu. Độ tin cậy đó là thứ cho phép bạn tự động hóa trong Tuần 3.
04. Khóa giọng điệu và định dạng bằng các ví dụ đa dạng (multishot).
Nói cho mô hình biết bạn muốn gì là tốt. Cho nó thấy còn tốt hơn. Một vài ví dụ được chọn lọc kỹ càng (kỹ thuật này gọi là few-shot hoặc multishot prompting) sẽ cố định định dạng, giọng điệu và các trường hợp ngoại lệ đáng tin cậy hơn bất kỳ tính từ nào. Hướng dẫn nhất quán trong lĩnh vực này: bao gồm 3–5 ví dụ, làm cho chúng đa dạng để mô hình không bám vào một mẫu ngẫu nhiên, và bọc mỗi ví dụ trong các thẻ để nó rõ ràng là một ví dụ chứ không phải hướng dẫn.
Đây là bước nhảy vọt về chất lượng lớn nhất cho các công việc lặp đi lặp lại — phân loại, trích xuất, định dạng, viết lại. Nếu bạn làm cùng một loại nhiệm vụ hơn hai lần một tuần, nó xứng đáng có các ví dụ.
Sử dụng khi: định dạng đầu ra bị trôi giữa các lần chạy, hoặc bạn cần mô hình khớp với một phong cách nhà (house style) cụ thể.
1Phân loại mỗi ticket hỗ trợ thành chính xác một trong: lỗi | thanh toán | tính năng.23<examples>4<example>5Ticket: "Tôi đã bị tính phí hai lần trong tháng này."6Danh mục: thanh toán7</example>8<example>9Ticket: "Nút Xuất không hoạt động trên Safari."10Danh mục: lỗi11</example>12<example>13Ticket: "Vui lòng thêm chế độ tối."14Danh mục: tính năng15</example>16</examples>1718Ticket: "Ứng dụng bị crash khi tôi tải lên một file PDF."19Danh mục:
Làm điều này ngay bây giờ: lấy một nhiệm vụ định kỳ, viết 3 ví dụ đa dạng trong thẻ <example>, và xem đầu ra được định hình ngay lập tức.
05. Bắt mô hình suy nghĩ trước khi trả lời.
Đối với bất cứ thứ gì cần suy luận — phân tích, toán học, lập kế hoạch, phán đoán khó — điều tồi tệ nhất bạn có thể làm là yêu cầu câu trả lời ngay lập tức. Hãy cho nó không gian để suy luận trước. Bạn có thể để các mô hình mới hơn suy nghĩ thích ứng, hoặc, trong chat thông thường, buộc nó: yêu cầu suy luận từng bước trong một khối <thinking>, sau đó là một câu trả lời cuối cùng ngắn gọn trong một khối <answer>. Việc tách biệt hai phần này có nghĩa là bạn nhận được lợi ích từ suy luận mà không bị một bức tường văn bản.
Một chiêu trò bổ sung từ hướng dẫn của Anthropic: yêu cầu nó tự kiểm tra trước khi kết thúc — "xác minh câu trả lời của bạn dựa trên các ràng buộc ở trên." Nó thường xuyên tự phát hiện lỗi của chính mình, đặc biệt là trong toán học và logic.
Sử dụng khi: nhiệm vụ có nhiều hơn một bước, một câu trả lời đúng mà bạn có thể sai, hoặc có sự đánh đổi cần cân nhắc.
1Câu hỏi: <một câu hỏi có sự đánh đổi thực sự>23Đầu tiên, hãy suy luận bên trong thẻ <thinking>: liệt kê những gì bạn biết, những gì còn thiếu,4và hai câu trả lời ứng viên cùng với sự đánh đổi của chúng.5Sau đó đưa ra quyết định của bạn bên trong thẻ <answer> — tối đa 3 câu.6Trước khi kết thúc, hãy xác minh câu trả lời của bạn không mâu thuẫn với bất cứ điều gì ở trên.
Làm điều này ngay bây giờ: lấy một quyết định bạn đang suy nghĩ, chạy nó qua sự phân chia suy nghĩ/câu trả lời, và đọc phần <thinking> — đó là nơi ẩn chứa giá trị.
06. Xây dựng một thư viện prompt có thể tái sử dụng.
Đến bây giờ, bạn đã viết hàng tá prompt tốt và mất một nửa trong số chúng trong lịch sử chat. Dừng lại. Các chuyên gia không viết lại prompt — họ điền vào các mẫu. Hãy kéo các prompt tốt nhất của bạn vào một file duy nhất với {variables} cho các phần thay đổi, và bạn đã biến sự thông minh một lần thành cơ sở hạ tầng.
Đây là bản lề của toàn bộ 30 ngày: đó là khoảnh khắc các prompt của bạn không còn dùng một lần và bắt đầu cộng dồn. Một dict Python đơn giản và str.format là tất cả những gì bạn cần để bắt đầu — không cần framework, không cần phụ thuộc.
Sử dụng khi: bạn đã chạy một prompt tương tự ba lần. Lần thứ ba, hãy mẫu hóa nó.
1# prompt_library.py — các prompt của bạn như một cơ sở hạ tầng có thể tái sử dụng2TEMPLATES = {3 "summarize": (4 "Bạn là một {role}.\n"5 "Tóm tắt văn bản dưới đây cho {audience}.\n"6 "Định dạng: {fmt}.\n\n"7 "<text>\n{text}\n</text>"8 ),9}1011def build(name: str, **kwargs) -> str:12 return TEMPLATES[name].format(**kwargs)1314prompt = build(15 "summarize",16 role="người viết kỹ thuật",17 audience="người dùng phi kỹ thuật",18 fmt="3 gạch đầu dòng, tối đa 15 từ mỗi gạch",19 text="...dán ghi chú phát hành vào đây...",20)21print(prompt) # đưa thẳng vào client.messages.create(...)
Làm điều này ngay bây giờ: tạo prompt_library.py, di chuyển 3 prompt tốt nhất của bạn vào đó dưới dạng các mẫu có biến. File này sẽ phát triển trong suốt tháng.
Phần 3 · Tuần 3 — Tự động hóa với API (Ngày 15–21)
Chat là nơi bạn học. API là nơi bạn mở rộng quy mô. Tuần này bạn tốt nghiệp từ việc thực hiện các nhiệm vụ từng cái một sang chạy chúng hàng trăm cái, theo lịch trình, trong khi bạn ngủ.
07. Tốt nghiệp từ chat lên API.
API chỉ là các prompt chat của bạn trong một hàm bạn có thể gọi. Nếu bạn có thể viết một prompt, bạn có thể viết cái này — nó chỉ mười dòng. Đặt key của bạn như một biến môi trường (không bao giờ dán nó vào code), bọc lệnh gọi trong một hàm, và bạn có một lệnh AI có thể tái sử dụng mà bạn có thể thả vào bất kỳ script nào.
Simon Willison, người đã ghi chép về việc sử dụng LLM thực tế tốt hơn hầu hết mọi người, chỉ ra rằng đòn bẩy không nằm ở các thiết lập kỳ lạ — mà nằm ở việc kết nối các mô hình vào các công cụ nhỏ bạn đã sử dụng. Hàm này chính là sợi dây kết nối đó.
Sử dụng khi: bạn muốn cùng một prompt có sẵn ở mọi nơi — trong script, cron job, các chương trình khác — không chỉ trong một tab trình duyệt.
1import os2import anthropic34client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])56def ask(prompt: str) -> str:7 msg = client.messages.create(8 model="claude-opus-4-8",9 max_tokens=1024,10 messages=[{"role": "user", "content": prompt}],11 )12 return msg.content[0].text1314if __name__ == "__main__":15 print(ask("Đưa tôi 5 dòng tiêu đề ấn tượng cho email ra mắt sản phẩm."))
Làm điều này ngay bây giờ: cài đặt SDK (pip install anthropic), đặt ANTHROPIC_API_KEY, và chạy file này. Lần gọi API thành công đầu tiên = Tuần 3 đã được mở khóa.
08. Biến một công việc hàng ngày thành một script.
Đây là lúc thời gian thực sự quay trở lại. Bất kỳ nhiệm vụ nào bạn làm với một thư mục chứa nhiều thứ — tóm tắt 50 bản ghi âm này, gắn thẻ 200 ticket này, viết lại 30 mô tả sản phẩm này — là một vòng lặp. Viết phiên bản cho một mục một lần, trỏ nó vào một thư mục, và bỏ đi. Sử dụng một mô hình rẻ hơn, nhanh hơn cho công việc số lượng lớn; bạn không cần mô hình mạnh nhất của mình để tóm tắt một bản ghi nhớ.
Sử dụng khi: bạn thấy mình đang làm đi làm lại cùng một nhiệm vụ AI bằng tay. Sự lặp lại đó là một script bạn chưa viết.
1import pathlib2import anthropic34client = anthropic.Anthropic()5INBOX = pathlib.Path("./inbox") # thả các file .txt vào đây6OUT = pathlib.Path("./summaries")7OUT.mkdir(exist_ok=True)89def summarize(text: str) -> str:10 msg = client.messages.create(11 model="claude-haiku-4-5", # rẻ + nhanh: công cụ phù hợp cho công việc số lượng lớn12 max_tokens=300,13 system="Tóm tắt bằng 3 gạch đầu dòng cụ thể. Không rườm rà.",14 messages=[{"role": "user", "content": text}],15 )16 return msg.content[0].text1718for f in INBOX.glob("*.txt"):19 (OUT / f"{f.stem}.md").write_text(summarize(f.read_text(encoding="utf-8")), encoding="utf-8")20 print("đã tóm tắt:", f.name)
Làm điều này ngay bây giờ: tìm một công việc hàng loạt, thả các file vào ./inbox, chạy vòng lặp. Bạn vừa làm xong một giờ làm việc trong một phút.
09. Cắt giảm chi phí và độ trễ với bộ nhớ đệm (caching).
Khi bạn đã chạy với khối lượng thực sự, hai điều bắt đầu trở nên quan trọng: tốc độ và hóa đơn. Đòn bẩy lớn nhất là prompt caching. Nếu mọi lần gọi đều chia sẻ một tiền tố dài, không thay đổi — một hướng dẫn về phong cách, một cơ sở kiến thức, một hướng dẫn hệ thống lớn — bạn đang trả tiền để đọc lại nó mỗi lần. Đánh dấu nó bằng cache_control và mô hình sẽ tái sử dụng phiên bản đã được lưu trong bộ nhớ đệm: một lần đọc bộ nhớ đệm có giá khoảng 10% giá đầu vào thông thường, so với một lần ghi một lần với mức tăng +25%. Đối với các công việc hàng loạt chia sẻ một tiền tố, Batch API chồng thêm một khoản giảm giá ~50% nữa.
Sử dụng khi: nhiều lần gọi chia sẻ một phần bối cảnh tĩnh, lớn (trường hợp kinh điển: một prompt hệ thống dài được tái sử dụng trong toàn bộ một công việc).
1import anthropic23client = anthropic.Anthropic()4STYLE_GUIDE = open("style_guide.md").read() # dài, giống hệt nhau trong mọi lần gọi56msg = client.messages.create(7 model="claude-opus-4-8",8 max_tokens=1024,9 system=[10 {11 "type": "text",12 "text": STYLE_GUIDE,13 "cache_control": {"type": "ephemeral"}, # lưu vào bộ nhớ đệm tiền tố lớn này14 }15 ],16 messages=[{"role": "user", "content": "Viết lại email này để khớp với hướng dẫn:\n\n..."}],17)18print(msg.usage) # xem cache_read_input_tokens tăng lên sau lần gọi đầu tiên
Làm điều này ngay bây giờ: tìm một prompt có tiền tố lặp lại lớn, bọc nó trong một khối cache_control, và chạy nó hai lần. In msg.usage và xem bộ nhớ đệm hoạt động.
Phần 4 · Tuần 4 — Công cụ, Dữ liệu & Triển khai (Ngày 22–30)
Tuần cuối cùng là bước nhảy từ "AI biết nói" sang "AI biết làm." Bạn cung cấp công cụ cho mô hình, kết nối nó với dữ liệu thực tế của bạn, và đóng gói toàn bộ thành một quy trình làm việc mà bạn sẽ chạy trong nhiều năm.
10. Cung cấp công cụ cho mô hình (function calling).
Một mô hình đơn thuần chỉ có thể tạo ra văn bản. Cung cấp cho nó công cụ và nó có thể thực hiện các hành động — tra lịch của bạn, gọi một API, chạy một phép tính. Bạn mô tả mỗi công cụ bằng một tên, một mô tả và một lược đồ JSON về đầu vào của nó; mô hình quyết định khi nào gọi nó và đưa cho bạn các đối số có cấu trúc để thực thi. Đây là nền tảng bên dưới mọi "AI agent" bạn từng nghe đến.
Sử dụng khi: nhiệm vụ cần dữ liệu trực tiếp hoặc một hành động mà mô hình không thể thực hiện chỉ từ văn bản (bất cứ thứ gì có "tra cứu," "lấy," "tính toán," hoặc "gửi").
1import anthropic23client = anthropic.Anthropic()45tools = [6 {7 "name": "get_calendar_events",8 "description": "Trả về các sự kiện của người dùng cho một ngày nhất định.",9 "input_schema": {10 "type": "object",11 "properties": {12 "date": {"type": "string", "description": "Ngày theo định dạng YYYY-MM-DD"}13 },14 "required": ["date"],15 },16 }17]1819msg = client.messages.create(20 model="claude-opus-4-8",21 max_tokens=1024,22 tools=tools,23 messages=[{"role": "user", "content": "Thứ Hai tới tôi có gì trong lịch?"}],24)2526for block in msg.content:27 if block.type == "tool_use":28 print("Mô hình muốn gọi:", block.name, "với", block.input)29 # bây giờ BẠN chạy get_calendar_events(**block.input) và gửi kết quả trở lại
Làm điều này ngay bây giờ: định nghĩa một công cụ cho thứ bạn thực sự sử dụng (lịch, thời tiết, tìm kiếm), và xem mô hình tạo ra một lệnh gọi tool_use sạch sẽ. Bạn thậm chí chưa cần chạy nó — chỉ cần thấy nó quyết định.
11. Kết nối AI với dữ liệu của bạn bằng MCP.
Việc dán bối cảnh bằng tay không mở rộng được. Giao thức Ngữ cảnh Mô hình (MCP), được Anthropic giới thiệu vào tháng 11 năm 2024, là giải pháp tiêu chuẩn — hãy nghĩ về nó như một cổng USB-C cho AI: một đặc tả kết nối duy nhất, và bất kỳ ứng dụng tuân thủ nào cũng có thể kết nối với các file, cơ sở dữ liệu và công cụ của bạn. Nó đã đi từ một ý tưởng nội bộ trở thành tiêu chuẩn của ngành trong vòng vài tháng, với hàng nghìn máy chủ có sẵn mà bạn có thể thả vào thông qua cấu hình.
Bạn không cần viết code để sử dụng hầu hết các máy chủ — bạn chỉ cần thêm một mục vào file cấu hình. Đây là một máy chủ filesystem cung cấp cho mô hình quyền đọc vào một thư mục ghi chú:
Sử dụng khi: bạn liên tục cung cấp cho mô hình cùng một nguồn sự thật bằng tay — tài liệu của bạn, một kho lưu trữ, một cơ sở dữ liệu, một cơ sở kiến thức.
1{2 "mcpServers": {3 "filesystem": {4 "command": "npx",5 "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/you/notes"]6 }7 }8}
Làm điều này ngay bây giờ: duyệt qua các máy chủ MCP có sẵn, chọn một máy chủ trỏ đến dữ liệu bạn sử dụng hàng tuần, và thêm nó vào cấu hình client của bạn. Đặt một câu hỏi mà chỉ dữ liệu của bạn mới có thể trả lời.
12. Đóng gói một quy trình làm việc bạn sẽ tái sử dụng mãi mãi.
Ngày 30. Bạn đã có prompt, script và công cụ — bây giờ hãy biến chúng thành một thứ bạn triệu hồi bằng tên. Kỹ năng Tác nhân (Agent Skills) của Anthropic (được tạo thành tiêu chuẩn mở vào tháng 12 năm 2025) là định dạng sạch sẽ cho việc này: một thư mục với một file SKILL.md chứa tên, mô tả về thời điểm sử dụng nó và các bước. Mô hình chỉ tải nó khi có liên quan (một nguyên tắc thiết kế gọi là progressive disclosure), vì vậy bạn có thể xếp chồng hàng tá mà không làm phồng ngữ cảnh. Ngay cả khi bạn không bao giờ chạm vào API nữa, việc viết các nhiệm vụ có thể lặp lại của bạn dưới dạng kỹ năng là thói quen giúp bạn trở nên nhanh nhẹn.
Sử dụng khi: bạn có một nhiệm vụ nhiều bước mà bạn sẽ lặp lại trong nhiều tháng — một báo cáo hàng tuần, một bài đánh giá tiêu chuẩn, một quy trình định dạng.
1---2name: weekly-report3description: Biến các ghi chú thô của tôi thành báo cáo hàng tuần tiêu chuẩn. Sử dụng khi tôi dán ghi chú và yêu cầu "báo cáo tuần."4---56# Báo cáo hàng tuần78## Các bước91. Nhóm các ghi chú thành: Đã hoàn thành, Đang tiến hành, Bị chặn.102. Viết 2–3 gạch đầu dòng mỗi nhóm, thì quá khứ, không rườm rà.113. Kết thúc bằng "Tuần tới" — chính xác 3 ưu tiên.1213## Định dạng14- Tiêu đề: "Báo cáo tuần — <ngày>"15- Dưới 200 từ. Không cường điệu.
Làm điều này ngay bây giờ: chọn nhiệm vụ lặp lại nhiều nhất của bạn, viết nó dưới dạng một file SKILL.md với một mô tả sắc nét. Mô tả đó là thứ kích hoạt nó vào đúng thời điểm — hãy dành công sức thực sự cho nó.
Những sai lầm điển hình (và cách khắc phục)
1. Prompt mơ hồ. "Viết về X" khiến mô hình phải đoán ý định của bạn — và nó đoán ở mức trung bình. Khắc phục: luôn cung cấp vai trò + bối cảnh + định dạng. Bạn là <vai trò>. Nhiệm vụ: <một câu>. Đầu ra: <định dạng chính xác>.
2. Prompt quá mức với sự khẩn cấp VIẾT HOA. Các mô hình mới hơn tuân theo hướng dẫn một cách chính xác và phản ứng thái quá với "QUAN TRỌNG!!! Bạn PHẢI." Hướng dẫn của chính Anthropic: hãy giảm bớt xuống cách diễn đạt bình thường như "Sử dụng công cụ này khi…". Khắc phục: viết hướng dẫn như thể bạn đang giao việc cho một người trưởng thành có năng lực, chứ không phải đang la mắng một con chó.
3. Mô tả thay vì cho thấy. Tính từ ("làm cho nó chuyên nghiệp") yếu; ví dụ mạnh. Khắc phục: thêm 3–5 ví dụ đa dạng trong thẻ <example> và để mẫu hình tự làm việc.
4. Diễn đạt dưới dạng "đừng." "Đừng dài dòng" khiến mô hình nghĩ về sự dài dòng. Khắc phục: nói những gì nên làm — "Trả lời trong 2 câu ngắn." Các hướng dẫn tích cực có tác dụng mạnh hơn các điều cấm.
5. Tin tưởng đầu ra mà bạn chưa kiểm tra. Sao chép-dán một câu trả lời bạn chưa xác minh là cách lỗi được tung ra. Khắc phục: đối với công việc nặng về sự kiện, yêu cầu nó dựa trên các tuyên bố trong các trích dẫn từ nguồn và tự kiểm tra trước khi kết thúc: Xác minh từng tuyên bố dựa trên văn bản ở trên; gắn cờ bất cứ điều gì bạn không chắc chắn.
6. Làm bằng tay những gì một vòng lặp có thể làm. Chạy cùng một prompt 50 lần trong chat là điều tốn kém nhất bạn có thể làm với buổi chiều của mình. Khắc phục: ngay khi bạn gặp sự lặp lại, hãy viết vòng lặp ở Block 08. Thời gian của bạn là nguồn tài nguyên khan hiếm, không phải token.
Kết luận: hệ thống chính là kỹ năng
Ba mươi ngày không biến bạn thành một nhà nghiên cứu AI. Nó biến bạn thành một thứ hữu ích hơn: một người có hệ thống. Bạn có thể nhận bất kỳ nhiệm vụ nào, đưa ra một bản tóm tắt ngắn gọn sạch sẽ, cho nó xem các ví dụ, thúc đẩy nó suy nghĩ, và — khi nó lặp lại — tự động hóa nó, lưu vào bộ nhớ đệm, và đóng gói nó thành một kỹ năng bạn triệu hồi bằng tên.
Đó là toàn bộ bí mật mà nhóm 10x chưa bao giờ giấu. Không phải nhiều prompt hơn. Không phải một mô hình tốt hơn. Một bộ nhỏ các thao tác, được thực hiện cho đến khi chúng trở thành phản xạ. Bây giờ bạn đã có các thao tác. Biến số duy nhất còn lại là số lần lặp.
Danh sách kiểm tra 30 ngày của bạn — hãy bắt đầu ngay hôm nay:
- Hoàn thành một nhiệm vụ thực tế với prompt vai trò + bối cảnh + định dạng (Block 01).
- Bắt đầu prompt_library.py và di chuyển 3 prompt tốt nhất của bạn vào đó dưới dạng các mẫu (Block 06).
- Thực hiện lần gọi API đầu tiên của bạn với hàm ask() gồm 10 dòng (Block 07).
- Tự động hóa một công việc hàng loạt với vòng lặp thư mục (Block 08).
- Viết một file SKILL.md cho quy trình làm việc lặp lại nhiều nhất của bạn (Block 12).
Làm được năm điều đó, bạn đã vượt qua 90% những người "có ý định tìm hiểu về AI." Sau đó, chỉ cần tiếp tục chạy vòng lặp.
