Minh họa cho cách AI agents hỗ trợ các workflow cá nhân
Hãy làm lại lần nữa — bản redux! Trong bài này tôi sẽ giải thích cách sử dụng AI agents để:
- học ngoại ngữ một cách dễ dàng
- tạo phiên bản đơn giản hơn của bản tin buổi sáng của tôi
- và cuối cùng là một pipeline đơn giản hơn nhiều cho quy trình: transcription → summary → action
Trong quá trình đó, mục tiêu của tôi là giúp người đọc hiểu các nguyên tắc chung để có thể remix và xây dựng các agent của riêng mình (phần lớn là an toàn).
Bài viết trước của tôi về AI agents là bài viết phổ biến nhất và được chia sẻ nhiều nhất từ trước đến nay. Thông thường người ta viết “Part 1” đơn giản và “Part 2” phức tạp hơn.
Bài viết này thì ngược lại hoàn toàn.
Tôi nhận ra có một vấn đề với bài trước.
- “Tôi phải vào matrix ở đâu?” (ý là command line…)
- “Tôi tải Claude Code ở đâu?” (thực ra phức tạp hơn bạn nghĩ, đặc biệt trên Windows)
- “Tron job là gì?” (ý là Cron job…)
Những người đọc có nền tảng kỹ thuật thì đã áp dụng ngay các hướng dẫn đó. Nhưng với những người khác, nó chỉ giống như một ý tưởng thú vị chứ không thể thực sự áp dụng được.
Các scheduled jobs, pipeline tự động và những tính năng phức tạp của agent của tôi đều rất hay — nhưng chúng cũng yêu cầu khá nhiều điều kiện kỹ thuật.
Tôi có thể chấp nhận điều đó, vì tôi tin rằng sẽ sớm có các công ty cung cấp những workflow agentic như vậy cho “người bình thường”.
Tuy nhiên một độc giả có kỹ năng kỹ thuật đã bình luận rất đúng:
“Bài viết của bạn giống như một PSA kiểu: đừng dùng ma túy… vì nó cảm giác tuyệt vời đến mức nào.”
Và điều đó đúng.
Trong một vài cuộc trò chuyện sau đó, tôi nhận ra một số người đã quyết định thử OpenClaw vì họ thấy agents hữu ích đến mức nào — nhưng cách tôi giải thích lại khiến họ nghĩ rằng nó quá khó.
Đó hoàn toàn ngược lại với mục tiêu ban đầu của tôi.
Vì vậy trong bài viết lần này, tôi có ba mục tiêu:
- Giải thích các nguyên tắc tạo agent một cách chậm rãi hơn
- Sử dụng các phương pháp dễ tiếp cận hơn với người không có nền tảng kỹ thuật
- Đưa ra framework để người đọc có thể remix và tạo agent của riêng mình
Trớ trêu thay, bài viết này mất nhiều thời gian hơn bài trước.
Thay vì chỉ chia sẻ workflow của mình, bài viết này được thiết kế để bạn có thể tạo các agent từ đầu, từng bước một — và điều chỉnh chúng cho phù hợp với bạn (không phải với tôi).
Chat học ngoại ngữ
Trước tiên hãy nói về instructions và context.
Để làm điều đó, hãy xem một “agent” cụ thể (từ này được dùng khá linh hoạt ở đây) mà tôi sử dụng mỗi ngày.
Cung cấp instructions và context: sử dụng Projects
Yếu tố quan trọng đầu tiên của agent là context đúng.
Tất cả các nền tảng LLM lớn hiện nay đều có cách để tạo các instructions cố định.
Nếu bạn đọc bài trước của tôi, bạn sẽ nhớ tôi nói về các file CLAUDE.md. Những file này được Claude Code sử dụng để chứa các instructions mà agent AI sẽ luôn đọc.
Nhưng chúng ta có thể làm điều tương tự mà không cần Claude Code và thậm chí không cần rời khỏi ứng dụng Claude hoặc ChatGPT — bằng cách sử dụng Projects.
Ví dụ giao diện tạo Project với instructions cố định
Tại sao điều này hữu ích?
Trước hết, nó giúp bạn không phải nhập lại instructions liên tục.
Điều này tiện nếu instructions ngắn — nhưng gần như bắt buộc nếu instructions dài.
Ngoài ra nếu bạn có pipeline phức tạp (ví dụ trong phần sau của bài viết), agent cần biết:
- dùng tool nào
- dùng như thế nào
- và phải làm gì
Nếu không, bạn sẽ phải nhập một lượng thông tin khổng lồ mỗi lần chat.
Instructions dài được lưu trong Project
Ngoài ra cách này còn cho phép bạn iterate — liên tục cải tiến instructions.
Điều này cực kỳ quan trọng để tạo ra các agent thực sự hữu ích.
Học tiếng Trung và tiếng Tây Ban Nha bằng chat bình thường
Ngày nay bạn hoàn toàn có thể bỏ qua Google cho nhiều tác vụ.
LLM đã đủ tốt để tìm kiếm và tổng hợp thông tin, vì vậy việc tự lướt qua hàng loạt website hoặc mạng xã hội không còn cần thiết nữa.
(Ngoài ra Google cũng đang đẩy Gemini lên đầu mọi kết quả tìm kiếm...)
Vậy tại sao không tận dụng các truy vấn đó để luyện ngoại ngữ một cách tự nhiên?
Ví dụ chat học ngoại ngữ bằng AI
Như bạn thấy ở trên, gần đây tôi có chuyến book tour tại Georgia Tech.
Tôi đi dạo quanh campus và hỏi về các địa điểm đáng xem.
Thay vì mở một “chat bình thường”, tôi sử dụng Project tên là Chinese Language Chat.
Project này có instructions cố định yêu cầu AI:
- sử dụng từ tiếng Trung
- hiển thị pinyin
- giải thích nghĩa của từ
Khi tôi có thời gian, tôi có thể đọc và học thêm từ vựng.
Khi không có thời gian, tôi chỉ cần lướt qua phần tiếng Trung và đọc phần còn lại.
Iteration liên tục
Lợi ích lớn nhất của việc có instructions cố định là bạn có thể theo dõi cách chúng hoạt động theo thời gian.
Nếu có điều gì không thích, bạn hoàn toàn có thể thay đổi.
Thậm chí tốt hơn: AI có thể giúp bạn chỉnh sửa instructions.
Tiếng Trung của tôi… tạm ổn. Tiếng Tây Ban Nha thì tệ hơn.
Khi tôi tạo phiên bản Spanish của chat này, nó lại quá dễ.
Nó chỉ đưa ra những từ đơn lẻ quá ngắn và thiếu ngữ cảnh.
Vì vậy tôi yêu cầu AI chỉnh sửa instructions.
Chỉnh sửa instructions để cải thiện trải nghiệm học ngôn ngữ
Tôi yêu cầu Claude đọc lại instructions của Project và đề xuất chỉnh sửa.
Sau khi áp dụng những chỉnh sửa đó, agent trở nên hữu ích hơn nhiều với tôi.
Lưu ý: bạn vẫn cần copy-paste instructions mới vào phần Instructions. Nó không tự cập nhật.
Tùy chỉnh cho trường hợp của bạn
Tôi đã đưa instructions của mình lên GitHub để bạn tham khảo.
Bạn cũng không cần tự chỉnh sửa chúng.
Bạn chỉ cần copy đoạn prompt sau vào LLM yêu thích của mình:
Please view this set of instructions at https://raw.githubusercontent.com/j-wang/how-i-utilize-ai-agents-article/refs/heads/main/For_Regular_People/Chinese_Language_Prompt.md and help me adapt it for my use case. Ask me questions about what language I want to learn, my proficiency level, the context of my learning, and anything else that is required to fully adapt these to me.
Sau đó:
- tạo Project mới
- đặt tên
- thêm instructions
Hai lưu ý khi dùng Claude:
- Description không phải là Instructions
- bạn có thể phải refresh hoặc restart app để thấy Project
Đây có thực sự là một agent không?
Nói thật thì định nghĩa hơi bị kéo giãn.
Tôi coi đây là một custom chatbot hơn là một agent.
Tôi sử dụng ví dụ này chủ yếu để giới thiệu về Projects và cho thấy instructions cố định hữu ích đến mức nào.
Ví dụ tiếp theo sẽ phức tạp hơn một chút — và có thể coi là một agent thực sự, dù vẫn còn khá đơn giản.
Morning Briefing — chỉ dùng Projects
Trước khi tôi có bản tin buổi sáng tự động gửi lúc 5:30, tôi từng có một phiên bản đơn giản hơn chỉ dùng Project.
Điểm yếu của nó là tôi phải gõ từ “morning” để kích hoạt.
Vì vậy nó không hoàn toàn autonomous.
Nhưng nó vẫn giúp xử lý các tác vụ hữu ích trong cuộc sống hàng ngày.
Do nó lấy dữ liệu từ rất nhiều nguồn (email, calendar, HubSpot, todo list, newsletters…), nên quá trình này mất một chút thời gian.
Nếu bạn gõ “morning” rồi đi pha cà phê thì ổn.
Nhưng nếu bạn muốn đọc ngay lập tức thì sẽ phải chờ vài phút.
Đó là lý do cuối cùng tôi đã biến nó thành một pipeline tự động hoàn toàn.
Dù vậy phiên bản này không cần:
- cron jobs
- scripts
- config files
Nó cũng có thể tự hỏi thêm context và cải thiện dần theo thời gian.
Dưới đây là ví dụ output của nó.
Ví dụ đầu ra của Morning Briefing
Ví dụ đầu ra của Morning Briefing được tạo bởi AI
Điểm quan trọng ở đây không phải là định dạng cụ thể của output, mà là ý tưởng rằng một Project có thể đóng vai trò như một agent đơn giản.
Chỉ với một từ kích hoạt (“morning”), AI có thể:
- tổng hợp thông tin từ nhiều nguồn
- tạo bản tóm tắt
- đưa ra các hành động cần thực hiện
Nó chưa phải là một agent hoàn toàn autonomous, nhưng nó đã bắt đầu có hành vi giống agent.
Điều thú vị hơn là Project này có thể tự hỏi thêm context để cải thiện output theo thời gian.
Ví dụ:
- AI có thể hỏi thêm về lịch làm việc
- hỏi về ưu tiên công việc
- hỏi về loại thông tin bạn muốn trong briefing
Sau đó bạn chỉ cần cập nhật instructions trong Project.
Qua thời gian, agent sẽ ngày càng phù hợp hơn với workflow cá nhân của bạn.
Cơ chế cải thiện theo thời gian
Một trong những lợi ích lớn của cách tiếp cận này là khả năng continuous improvement.
Mỗi lần bạn sử dụng agent, bạn sẽ nhận ra:
- điều gì hoạt động tốt
- điều gì chưa phù hợp
- điều gì cần bổ sung
Sau đó bạn chỉ cần chỉnh sửa instructions.
Trong nhiều trường hợp, bạn thậm chí có thể yêu cầu AI đề xuất cách chỉnh sửa instructions để cải thiện workflow.
Điều này khiến việc xây dựng agent trở nên giống một quá trình iterative design hơn là một lần cấu hình duy nhất.
Tại sao cách tiếp cận này quan trọng
Nhiều người nghĩ rằng để sử dụng AI agents hiệu quả, bạn cần:
- viết code
- thiết lập automation
- cấu hình hệ thống phức tạp
Nhưng thực tế là bạn có thể bắt đầu với những thứ đơn giản hơn rất nhiều.
Chỉ cần:
- một Project
- instructions rõ ràng
- một trigger đơn giản
Từ đó, bạn có thể dần dần mở rộng thành các workflow phức tạp hơn.
Từ Project đơn giản đến agent thực sự
Ví dụ Morning Briefing này là một bước trung gian.
Nó chưa hoàn toàn tự động, nhưng nó đã cho thấy cách:
- context
- instructions
- tools
có thể kết hợp với nhau để tạo ra hành vi giống agent.
Trong phần tiếp theo của bài viết, chúng ta sẽ đi xa hơn một bước — đến một pipeline thực sự:
transcription → summary → action pipeline
Đây là nơi AI agents bắt đầu trở nên cực kỳ hữu ích cho các workflow cá nhân.
Pipeline: Transcription → Summary → Action
Ví dụ tiếp theo bắt đầu tiến gần hơn đến thứ mà nhiều người sẽ gọi là một AI agent thực sự.
Trong trường hợp này, tôi xây dựng một pipeline xử lý nội dung từ các buổi briefing hoặc cuộc họp của mình.
Pipeline này gồm ba bước:
- Transcription
- Summary
- Action items
Nói cách khác, tôi ghi âm nội dung, sau đó AI sẽ:
- chuyển lời nói thành văn bản
- tóm tắt nội dung chính
- xác định các hành động cần thực hiện
Điều quan trọng là pipeline này không chỉ tóm tắt.
Nó còn giúp chuyển thông tin thành các bước hành động cụ thể.
Đây là điểm mà AI agents bắt đầu trở nên thực sự hữu ích.
Tại sao transcription pipeline lại hữu ích
Nhiều người trong chúng ta có rất nhiều thông tin đến từ:
- cuộc họp
- podcast
- voice notes
- briefing cá nhân
Nhưng phần lớn thông tin đó không bao giờ được xử lý.
Nó chỉ tồn tại dưới dạng audio hoặc ghi chú rời rạc.
AI có thể biến những dữ liệu này thành thông tin có cấu trúc.
Ví dụ:
- tóm tắt nội dung chính
- những ý tưởng đáng chú ý
- các việc cần làm tiếp theo
Cách pipeline này hoạt động
Pipeline cơ bản của tôi hoạt động như sau.
Bước 1: AI nhận transcript.
Bước 2: AI tạo summary.
Bước 3: AI trích xuất các action items.
Kết quả cuối cùng giống như một bản briefing được xử lý sẵn.
Ví dụ output của pipeline transcription → summary → action
Điều quan trọng ở đây là AI không chỉ tóm tắt văn bản.
Nó đang chuyển đổi thông tin thành workflow thực tế.
Tại sao điều này giống một agent
Một chatbot thông thường chỉ trả lời câu hỏi.
Một agent thì khác.
Nó:
- nhận input
- xử lý thông tin
- tạo output có cấu trúc
- hỗ trợ hành động tiếp theo
Pipeline này bắt đầu thể hiện các đặc điểm đó.
Nó giống một trợ lý xử lý thông tin hơn là một chatbot đơn thuần.
Từ pipeline đến hệ thống tự động
Khi bạn đã có pipeline như vậy, bước tiếp theo là tự động hóa.
Ví dụ:
- tự động chạy mỗi ngày
- tự động lấy dữ liệu từ email hoặc calendar
- tự động tạo briefing
Đó chính là hướng mà các AI agents thực sự phát triển.
Bạn bắt đầu với những thứ đơn giản như:
- Projects
- instructions
- pipeline cơ bản
Sau đó bạn dần dần xây dựng các workflow phức tạp hơn.
Điều quan trọng là bạn không cần bắt đầu bằng một hệ thống phức tạp.
Bạn có thể bắt đầu bằng những bước nhỏ — và để agent phát triển cùng workflow của mình.