11 bài viết được gắn thẻ "AI Agent"

Trong quá trình sử dụng coding agent, tri thức quan trọng không chỉ nằm trong câu hỏi và câu trả lời. Mỗi session còn mang theo thông tin từ mã nguồn, tài liệu, log, bảng dữ liệu hoặc các loại tệp khác mà người dùng đưa cho agent đọc và sử dụng. Đây cũng là nơi những quyết định, cách giải quyết vấn đề và hiểu biết mới được hình thành.

Nhưng tri thức tích lũy trong các session thường bị chia cắt theo từng công cụ. Những gì Codex biết hôm nay chưa chắc Cursor biết vào ngày mai; khi đổi agent, tôi lại phải giải thích mã nguồn, quyết định kiến trúc và bối cảnh cá nhân từ đầu.

Tôi xây dựng Lorekeep để thử giải quyết vấn đề đó: chắt lọc tri thức từ các session thành một tầng dữ liệu do người dùng sở hữu, có thể được nhiều coding agent sử dụng chung qua MCP.

Trong vài năm qua, ChatGPT đã trở thành nơi nhiều người bắt đầu suy nghĩ: hỏi nhanh, phân tích vấn đề, viết tài liệu, thiết kế hệ thống. Nhưng khi bước sang phần thực thi, nhất là viết code, nhiều người lại mở công cụ khác như Claude Code, Cursor, OpenClaw, Hermes hoặc một coding agent trong terminal.

Nói ngắn gọn: ý tưởng nằm ở ChatGPT, còn phần làm thật lại nằm ở nơi khác. Người dùng phải copy bối cảnh, chuyển công cụ, giải thích lại yêu cầu, rồi tự nối phần suy nghĩ với phần thực thi. Release mới của OpenAI đáng chú ý vì nó xử lý đúng điểm đứt đó.

OpenAI công bố desktop app mới của ChatGPT gộp Chat, Work và Codex vào cùng một ứng dụng: Chat cho hỏi đáp, Work cho nghiên cứu hoặc tạo đầu ra hoàn chỉnh, Codex cho phát triển phần mềm. Codex app cũng được đưa vào ChatGPT desktop app mới, kèm các năng lực như chỉnh sửa trực tiếp trong diff, review pull request ở side panel, computer use nhanh hơn và hỗ trợ nhiều repository trong một project. Nguồn: OpenAI release notes, OpenAI announcement, migration guidance.

RAG (Retrieval-Augmented Generation) đã đi được một chặng đường dài từ những ngày đầu "nhét context vào prompt". Năm 2025-2026 chứng kiến sự bùng nổ của các hệ thống RAG chuyên biệt hóa theo từng domain — nơi retrieval không còn là bài toán "tìm document giống nhất", mà là bài toán "tìm thông tin hữu ích nhất cho một ngữ cảnh chuyên môn cụ thể".

Bài viết này khảo sát 22 paper mới nhất về domain-aware RAG trên 8 lĩnh vực, rút ra những insight chung và bài học thực tiễn cho ai đang xây dựng hệ thống RAG trong doanh nghiệp.

Có một câu hỏi tôi gặp ngày càng nhiều trong các cuộc trò chuyện với đồng nghiệp: "AI code giỏi thế rồi, kiến trúc sư phần mềm còn cần không?"

Câu trả lời ngắn: Cần. Hơn bao giờ hết.

Nhưng câu trả lời dài thì thú vị hơn nhiều.

Tôi nghĩ Agent Skills đang ở đúng một điểm rất thú vị của lịch sử AI ứng dụng. Chúng vừa giống một cái nạng tạm thời, vừa giống một lớp hạ tầng lâu dài. Tạm thời, vì model ngày càng giỏi hơn và sẽ hấp thụ dần nhiều thứ hôm nay còn phải viết ra ngoài. Lâu dài, vì có một nhóm tri thức vận hành mà tôi không tin nên bị nhét hết vào base model.

Đây không phải một bài so benchmark giữa Claude và Codex. Đây là một bài học vận hành. Sau khi bị khóa 2 tài khoản Claude — một Pro và một Max X20 — vì dùng OpenClaw để delegate task cho Claude Code, tôi phải đọc lại chính sách, điều khoản và cách mỗi bên đang productize coding agent của họ. Kết luận rút ra khá rõ: Claude vẫn rất mạnh, nhưng không còn là lựa chọn tôi muốn đặt sau một lớp harness. Nếu muốn làm việc theo kiểu agent runtime, tôi tin OpenClaw + Codex/OpenCode thực dụng hơn ở thời điểm hiện tại.

Nhìn bề ngoài, Claude Code, Model Spec, OpenAI-style API, S3 tooling, tranh luận về coding agent hay các repo mới nổi trên GitHub có vẻ là những mẩu tin rời rạc. Nhưng nếu nhìn ở góc chiến lược sản phẩm, chúng đang ghép thành một bức tranh rõ ràng hơn nhiều.

Tôi đã xây dựng SOUL.md — một file định nghĩa "tâm hồn" của AI agent — với hy vọng nó sẽ là bộ quy tắc bất biến. Nhưng thực tế vận hành hệ thống OpenClaw + Claude Code mỗi ngày đã cho thấy một sự thật khác: agents đọc SOUL.md, nhưng không phải lúc nào cũng tuân theo nó.

Bài viết này là ghi chép thực tế — không phải lý thuyết — về những lần tôi thất vọng nhất với hệ thống AI agent cá nhân của mình.

Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG là một paper survey khá đầy đủ cho ai đang chuyển từ RAG tuyến tính sang các hệ RAG có tính tự chủ cao hơn (agentic). Bài này không giới thiệu một mô hình mới, mà hệ thống hóa lại bức tranh tổng quan: kiến trúc, workflow pattern, framework triển khai, benchmark và những thách thức còn mở.

Bài toán chi phí AI cá nhân: Làm thế nào để có trợ lý AI mạnh mẽ mà không tốn hàng trăm đô mỗi tháng? Giải pháp: Kết hợp OpenClaw (orchestrator chạy DeepSeek giá rẻ) với Claude Code (chuyên gia kỹ thuật flat rate $20/tháng).