Trong gần 2 năm qua mình đã trải nghiệm (phát triển các dự án thật) rất nhiều AI Agents (Editor/cli). Và với một mindset architect/engineer, mình hay tìm cách hồi quy về nền tảng, những thứ để có thể áp dụng cho bất kỳ con AI nào.
Câu trả lời rõ ràng là “Context Engineering”.
Nhưng ứng dụng thế nào giữa một mớ kiến thức hàn lâm lý thuyết?! Liệu có một cách nào đó để dễ áp dụng, dù là “mì ăn liền” nhưng hiệu quả không?! Có cách nào đỡ tốn tiền không nhưng cũng được việc không?!
Có chứ!!
OK hy vọng bài này sẽ giúp các bạn dùng những cách đơn giản nhất để trở thành “người thống trị AI” thay vì “con nghiện AI”.
Các bạn có thể dùng bất kì AI-Powered Editor hay cli nào cũng được, miễn là được chọn model.
1. Tìm hiểu sức mạnh nội tại của LLM Model (phần pre-trained): Tạm gọi gen code “thả rông”
Phần kết quả trả về sẽ có vài sự khác biệt tùy vào editor/cli bạn đang sử dụng. Tụi nó sẽ có các system prompt khác nhau nên mức độ Agentic sẽ khác nhau. Tạm thời cứ kệ nó, bạn đang dùng Agent nào thì test với agent đó.
Vậy nên xài qua CLI của hãng làm ra model là ngon nhất!!! Còn bạn đang xài qua API Keys, tự làm system prompts thì cứ bỏ bớt ra.
VD như “Generate a product listing in TypeScript React TailwindCSS”.
Đây chính là một Zero-shot prompting, các bạn đừng lo nó quá là tệ do ít thông tin. Hãy cứ “thả rông” model nhé.
Những model “học giỏi” thì phần code gen ra sẽ chỉnh chu, stack version khá mới, thậm chí mới nhất, có lỗi thì nó cũng fix nhanh, đúng chỗ. Ngược lại là các model học tương đối dốt, kết quả ra khá tệ, lỗi nhiều và thậm chí không thể tự fix được.
Tại sao phải làm điều này á? Đơn giản là với đứa học giỏi rồi các bạn đỡ tốn nhiều rules, conventions, snippet tokens trong Context. Ngược lại thì phải ngồi coi nó “dốt” chỗ nào thì chỉ dẫn kỹ chỗ đó.
Bước này giúp bạn hiểu được năng lực sẵn có của model (và độ tương thích với Agent bạn đang xài) khi làm task của các Stack bạn quan tâm. Bạn thấy nó ổn thì dùng tiếp, không ổn thì ở ngoài có benchmark cao cỡ nào thì cũng không xài được.
2. Để model (và Agent) hiểu được project/workspace của bạn đầy đủ nhưng ngắn gọn và hiệu quả nhất
Xong phần bạn tìm hiểu model thì tới phần để model tìm hiểu bạn. Đôi bên hiểu nhau thì làm việc mới hiệu quả.
Bước này có một cái hơi phiền là tùy vào các project của các bạn đang được tổ chức tốt hay không. “Tốt” hiểu đơn giản là có kiến trúc rõ ràng, file code đặt đúng layer, LoC không lớn (~300). Nếu không model sẽ rất vả thậm chí không thể hiểu được!
Có vài cách, nhưng câu prompt đơn giản nhất hẵn là “Analyze this project and make a detail guideline file ai-docs/guideline.md so that other agents can understand and implement my tasks.”
Lưu ý: Nếu workspace to quá, chứa nhiều repo, có frontend lẫn backend, docs, tests thì nên chia ra làm từng folder/submodule.
Bước này các bạn không nên lấy model đang test ra để làm, mà nên dùng một model tương đối mạnh và context window đủ lớn (có thể dùng Gemini Pro 2.5, Claude 4, GPT5 (med/high)).
Các bạn nên review file này kỹ nhé, vì có thể nó sẽ ảo tưởng ra những thứ không có trong project do bị “lost context” trong quá trình phân tích.
Ngược lại một số chỗ có thể quá ngắn gọn dẫn đến agent cũng không đủ thông tin để làm task. Trường hợp này các bạn cứ “Add some examples in [section/rule name] to make it clear”.
3. Làm task và tinh chỉnh lại file guideline
Tới đây các bạn đã có thể đưa file guideline vào context rồi thử cho Agent làm task. Nếu có vấn đề các bạn tinh chỉnh file guideline để Agent ghi nhớ.
=> Việc này cơ bản là giúp Agent không cần phải “lội” vào mớ code để tìm hiểu lại từ đầu. Cái này cũng là một kỹ thuật trong xây dựng memory cho AI.
Ở bước này các bạn chỉ cần ghi nhớ giúp mình thần chú: CLEAR/COMPRESS CONTEXT:
- Khi làm task mới, hãy mở tab mới (áp dụng cho Editor) hoặc clear context (cli).
- Khi thấy agent có dấu hiệu lost context (VD tự nhiên đang xài TS lại thành JS, không đúng rules), lỗi nhưng fix nhiều rounds không được -> mở tab mới.
- Khi mở tab mới mà muốn có context cũ, trước đó hãy prompt: “Summary what things you’ve done, things not done yet and issues you’ve found into
summary-[task-name].md. Mở tab mới thì attach lại file này. - Một khi AI đã đi vào wrong track (lầm đường lỡ bước) thì bạn nên bỏ hết đi (dùng git checkout) rồi clear context, prompt chi tiết hơn (hoặc chia nhỏ workflow) để làm lại từ đầu. Đừng cố ép nó fix trên giải pháp đã sai, cũng không cần những prompt như “Your solution is stupid, think and do it again” – Coi chừng nó chửi lại á, mấy con model sau này “láo” lắm =))).
Tới đây dù các bạn không áp dụng memory-bank hay các kỹ thuật nâng cao trong Context Engineering cũng đã đủ xài rồi!
Quan trọng nhất vẫn là tìm được model và agent phù hợp nhất cho công việc của bạn. Ai hype thì cứ hype thôi, việc của chúng ta là luôn biết cách “trị” tụi nó.