# Bài viết Liên quan AI Tác nhân

Trung tâm Tin tức HTX cung cấp những bài viết mới nhất và phân tích chuyên sâu về "AI Tác nhân", bao gồm xu hướng thị trường, cập nhật dự án, phát triển công nghệ và chính sách quản lý trong ngành tiền kỹ thuật số.

Cách đúng đắn để mở khóa Skill: 5 bài học từ phương pháp nội bộ được Anthropic công bố

Bài viết này chia sẻ 5 bài học chính từ bài viết "Lessons from building Claude Code: How we use skills" của Anthropic về cách thiết kế và sử dụng Skill hiệu quả: 1. **Tránh lời thừa, tập trung vào "Gotchas"**: Skill nhằm lưu trữ kiến thức ẩn (kinh nghiệm "lão làng") như các lỗi hay gặp hoặc thông tin đặc thù hệ thống, thay vì lặp lại kiến thức chung đã có. 2. **Skill là "Context Engineering"**: Cấu trúc Skill nên là một thư mục với các file riêng biệt (hướng dẫn, tài liệu tham khảo, script, ví dụ). Cách tiếp cận "tiết lộ dần" này giúp quản lý ngữ cảnh tốt hơn, tránh làm quá tải mô hình bằng thông tin không cần thiết trong mọi lần gọi. 3. **Ưu tiên sử dụng Script**: Những công việc lặp lại, có quy trình cố định nên được đóng gói thành script. Điều này giúp tiết kiệm token, tăng độ chính xác và cho phép mô hình tập trung vào suy luận thay vì thực thi các bước cơ bản. 4. **Mô tả Skill phải như một quy tắc định tuyến**: Phần mô tả nên nêu rõ *khi nào* thì Skill nên được kích hoạt (dựa trên ý định của người dùng), thay vì chỉ liệt kê chức năng của nó. Điều này giúp mô hình định tuyến và lựa chọn Skill chính xác. 5. **Quản lý và phân phối Skill linh hoạt**: Khi số lượng Skill tăng lên, nên có cơ chế quản lý nhẹ nhàng. Anthropic khuyến khích để Skill mới được thử nghiệm và lan truyền tự nhiên trong nhóm nhỏ trước. Những Skill nào thực sự hữu ích và được nhiều người dùng sẽ được đưa vào kho chung (Marketplace) một cách tự nhiên.

marsbit06/08 09:08

Cách đúng đắn để mở khóa Skill: 5 bài học từ phương pháp nội bộ được Anthropic công bố

marsbit06/08 09:08

Kỹ sư hậu huấn luyện OpenAI Weng Jiayi đề xuất giả thuyết mới về Agentic AI

Thập kỷ qua, AI phát triển chủ yếu dựa vào mô hình lớn hơn với nhiều dữ liệu và năng lực tính toán hơn. Gần đây, kỹ sư OpenAI Weng Jiayi đã đề xuất một hướng đi mới có tên "Heuristic Learning" (HL) - Học theo phỏng đoán. Trong thí nghiệm, ông sử dụng Codex (dựa trên GPT-5.4) để duy trì một hệ thống tự động viết, chạy thử, phân tích nhật ký, xem video phát lại và sửa mã nguồn chiến lược cho trò chơi Atari Breakout. Qua nhiều vòng lặp, Codex đã tạo ra một chiến lược thuần Python đạt điểm tối đa lý thuyết 864. Kinh nghiệm được mã hóa thành phần mềm có thể đọc, sửa, kiểm tra và kiểm toán, thay vì chỉ nằm trong các tham số mạng nơ-ron khó giải thích. HL được định nghĩa là một hệ thống học trong đó đối tượng được cập nhật là cấu trúc phần mềm, không phải trọng số mạng nơ-ron, sử dụng phản hồi từ môi trường, kiểm thử, nhật ký và video. So với Deep RL, HL có ưu điểm về khả năng giải thích, hiệu quả mẫu theo đơn vị thay đổi mã, khả năng bảo toàn kiến thức cũ thông qua kiểm thử hồi quy và ít bị "lãng quên thảm khốc". Thử nghiệm mở rộng trên 57 trò chơi Atari cho thấy HL đạt hiệu suất ngang bằng các thuật toán RL cổ điển như PPO ở một số trò, nhưng bộc lộ hạn chế ở các nhiệm vụ đòi hỏi lập kế hoạch dài hạn như Montezuma's Revenge. Nếu được chứng minh, HL có thể có ý nghĩa lớn trong: 1) Điều khiển robot cho các nhiệm vụ cấu trúc ổn định, giảm phụ thuộc vào suy luận mạng nơ-ron thời gian thực; 2) Các kịch bản an toàn quan trọng, nơi tính kiểm tra được của mã nguồn là giá trị thương mại; 3) Học liên tục được kỹ thuật hóa thông qua các công cụ phần mềm truyền thống; 4) Giúp Agent tích lũy kinh nghiệm thành tài sản mã nguồn có thể tái sử dụng và chia sẻ. Tóm lại, Weng Jiayi đưa ra giả thuyết rằng trong kỷ nguyên AI có khả năng lập trình, kinh nghiệm có thể được chuyển đổi thành phần mềm có thể đọc và bảo trì, bổ sung cho mô hình học sâu truyền thống. Tuy nhiên, con đường này vẫn cần được thử nghiệm thêm ở các nhiệm vụ phức tạp hơn.

marsbit05/11 00:22

Kỹ sư hậu huấn luyện OpenAI Weng Jiayi đề xuất giả thuyết mới về Agentic AI

marsbit05/11 00:22

Bài phát biểu mới nhất của Jensen Huang tại CES2026: Ba chủ đề chính, một 'quái vật chip'

Tại CES 2026, CEO NVIDIA Jensen Huang đã công bố nhiều công nghệ đột phá, tập trung vào ba chủ đề chính: nền tảng tính toán Rubin, AI suy luận (Reasoning AI) và ứng dụng AI vật lý. Rubin là kiến trúc GPU thế hệ mới, với hiệu năng推理 (suy luận) tăng gấp 5 lần và băng thông bộ nhớ tăng 2.8 lần so với Blackwell, giúp giảm chi phí suy luận xuống 10 lần. Hệ thống bao gồm Rubin GPU, Vera CPU, NVLink 6 và nền tảng lưu trữ ngữ cảnh suy luận mới, cho phép AI "suy nghĩ lâu hơn" một cách hiệu quả về chi phí. Về AI suy luận, NVIDIA mở rộng hệ sinh thái mã nguồn mở (Open Model Universe) với các mô hình như Nemotron cho RAG và an toàn nội dung, cùng bộ công cụ đầy đủ từ dữ liệu đến mã code. Trong lĩnh vực AI vật lý, NVIDIA công bố Cosmos - mô hình cơ sở để hiểu và tạo video về thế giới vật lý, và Alpamayo - mô hình suy luận thị giác-ngôn ngữ-hành động mã nguồn mở cho xe tự lái. Hệ thống DRIVE của NVIDIA cũng chính thức được sản xuất hàng loạt trên xe Mercedes-Benz CLA. Ngoài ra, hệ thống robot dựa trên nền tảng Isaac và mô hình GR00T đang được phát triển bởi nhiều công ty hàng đầu, từ công nghiệp đến robot hình người. Bài phát biểu của ông Huang nhấn mạnh tầm nhìn về một kỷ nguyên AI vật lý, nơi AI có thể suy luận lâu dài và triển khai trong thế giới thực, với cơ sở hạ tầng toàn diện từ phần cứng, phần mềm đến các mô hình ứng dụng.

marsbit01/06 02:16