Kiến thức
Toàn bộ bài học đã xuất bản. Tìm theo từ khoá (có dấu hay không dấu đều được) hoặc lọc theo chủ đề.
8 kết quả
- An toàn dữ liệu khi dùng AI: cái gì không được dán vào hộp thoại
Dữ liệu bạn gửi cho AI service đi đâu, chế độ train mặc định hoạt động thế nào, và checklist phân loại thông tin trước khi dán code hoặc log vào model.
- Harness và evals: đo chất lượng hệ AI như đo phần mềm
Harness là lớp code quanh model (quản lý ngữ cảnh, tool, retry); evals là bộ test lặp lại được cho chất lượng. Không có eval, mọi cải tiến prompt chỉ là tin đồn.
- Model và ngữ cảnh: model thấy gì, không thấy gì
Hiểu cửa sổ ngữ cảnh, token và giới hạn kiến thức của model là nền tảng để dùng AI coding hiệu quả và không ảo tưởng về khả năng của nó.
- Project instructions và skills: biến quy ước thành file, không lặp lại miệng
CLAUDE.md / AGENTS.md và skill là hai tầng mang tri thức qua phiên: facts luôn nạp và procedure nạp khi dùng. Viết gì, không viết gì, và giới hạn của chúng.
- Quy trình AI coding bốn bước: đặc tả → sinh code → kiểm chứng → chốt
Framework làm việc lặp lại với AI coding agent: nói rõ đầu ra mong muốn, giới hạn phạm vi sinh code, bắt model tự chạy kiểm tra, và chỉ coi là xong khi có bằng chứng.
- Tool calling và MCP: cho model đôi tay, không chỉ đôi mắt
Cơ chế model gọi hàm: JSON schema, vòng gọi- trả-kết-quả, và cách MCP chuẩn hoá việc gắn công cụ/data vào mọi client AI như một cổng USB-C.
- Lab: đọc/ghi ngữ cảnh dự án — AGENTS.md từ số không
Tạo repo mẫu, viết AGENTS.md đúng kiểu, đo dung lượng bằng wc -m, và kiểm chứng coding agent có thực sự đọc chỉ dẫn hay không bằng một câu hỏi bẫy.
- Lab: viết MCP server local và gọi tool qua client
Theo quickstart chính thức của MCP: dựng server weather bằng Python SDK, kiểm tra bằng MCP Inspector, và gắn vào một client hỗ trợ MCP để xem trọn vòng tool call.
Thuật ngữ thường gặp
- Token
- Đơn vị text model đọc/sinh (mảnh của từ). Độ dài ngữ cảnh, tốc độ và chi phí đều tính theo token; tiếng Việt thường 'đắt' hơn tiếng Anh.
- Context window (cửa sổ ngữ cảnh)
- Toàn bộ văn bản model được tham chiếu trong một lượt sinh, gồm system prompt, lịch sử, nội dung file được đọc và cả phản hồi đang viết. Ngoài cửa sổ = model không thấy.
- Context rot
- Hiện tượng độ chính xác và khả năng nhớ đúng của model giảm khi số token trong ngữ cảnh tăng — lý do chọn lọc ngữ cảnh quan trọng ngang dung lượng cửa sổ.
- System prompt
- Phần chỉ dẫn đặt ở đầu hội thoại, định vai trò và ràng buộc hành vi. Với coding tool, file AGENTS.md/CLAUDE.md được nạp vào đây hoặc tương đương.
- Hallucination (ảo giác)
- Model sinh nội dung nghe hợp lý nhưng sai hoặc bịa (API không tồn tại, trích dẫn bịa). Giảm bằng cách nạp đúng ngữ cảnh và yêu cầu kiểm chứng bằng máy, không biến mất hẳn.
- Prompt injection
- Tấn công nhét chỉ dẫn độc hại vào dữ liệu mà model sẽ đọc (file, web, tool result) để điều khiển hành vi nó. Phòng thủ chính: cô lập quyền hạn của bước thực thi, không phải viết prompt 'canh gác'.
- Function calling / Tool calling
- Cơ chế model xin gọi hàm theo JSON schema; ứng dụng của bạn mới là bên thực thi và chịu trách nhiệm an toàn của bước thực thi.
- MCP (Model Context Protocol)
- Chuẩn mã nguồn mở nối ứng dụng AI với data/tools/workflow; server viết một lần, mọi client chuẩn MCP dùng được — 'USB-C cho AI'.
- Agent
- Hệ thống trong đó model lặp vòng: quan sát → quyết định bước tiếp → gọi công cụ → đọc kết quả, cho tới khi đạt tiêu chí dừng. Năng lực nằm ở cả model lẫn harness.
- Harness
- Lớp code quanh model quyết định nó thấy gì, làm được gì, lặp thế nào, lỗi ra sao. Cùng model, hai harness cho hai chất lượng.
- Evals
- Bộ test lặp lại được cho chất lượng hệ AI: dataset input cố định + tiêu chí chấm (programmatic, LLM-as-judge, người) + kết quả lưu theo lần chạy để bắt hồi quy.
- Compaction (nén hội thoại)
- Kỹ thuật tự động tóm tắt lịch sử cũ khi ngữ cảnh gần đầy, đổi độ trung thực chi tiết lấy chỗ tiếp tục làm việc.