Trong phòng họp, Lin Zhean (nhân vật minh họa — một nhân viên quản trị hệ thống nội bộ tại một công ty kế toán quy mô vừa và nhỏ, không phải khách hàng thật) mở chia sẻ màn hình, chuẩn bị demo ‘skill tổng hợp báo cáo doanh thu hàng tháng của các chi nhánh’ mà anh đã bỏ cả tối thứ Bảy để làm. Sếp anh ngồi bên cạnh, phía khách hàng cũng đã vào cuộc gọi chờ xem kết quả. Anh nhấn chạy. AI Agent nhanh chóng tổng hợp số liệu từng chi nhánh thành một báo cáo — chỉ riêng con số tổng cộng ở cột cuối cùng lại không khớp với các số tổng phụ bên cạnh.

Căn phòng im lặng ba giây. Sếp anh lên tiếng trước: ‘Con số này… ra từ đâu vậy?’ Lin Zhean không trả lời được, vì chính anh cũng không biết AI đã cộng những con số này như thế nào. Anh chỉ biết rằng ‘skill’ này là do anh nhờ AI viết giúp vào tối thứ Bảy tuần trước, viết xong thấy có vẻ ổn nên anh dùng luôn.

Tối hôm đó, anh tháo rời toàn bộ quy trình ra xem lại, và nhận ra mình đã mắc liền một lúc mấy lỗi phổ biến nhất khi làm ‘AI Agent Skill’ — loại lỗi mà ban đầu không hề nhìn thấy, chỉ khi thực sự đem ra dùng mới lộ ra.

Skill Của Anh Mà AI Chưa Từng Mở Ra

Lin Zhean mở lại file skill.md mình đã viết để kiểm tra, và phát hiện đoạn ‘description’ ở đầu phần YAML được viết quá mơ hồ — đại khái chỉ là ‘tạo tổng hợp báo cáo hàng tháng’. Vấn đề là, AI Agent khi khởi động không đọc toàn bộ nội dung của từng skill; nó chỉ xem tên và mô tả của mỗi skill trước, rồi dựa vào vài câu đó để phán đoán ‘lúc này có nên dùng skill này hay không’. Mô tả càng mơ hồ, Agent càng dễ kết luận ‘có vẻ dùng được, có vẻ cũng không cần’, rồi chọn không dùng và tự tính toán tại chỗ — đây chính là lớp nguyên nhân đầu tiên khiến buổi demo thất bại: skill đó có thể chưa từng được kích hoạt, AI đã tự mình suy ra bản báo cáo đó theo cách riêng của nó.

Anh viết lại mô tả theo cách rõ ràng hơn hẳn: nói thẳng ra ‘skill này làm gì’ và ‘nên dùng trong tình huống nào’, ví dụ ‘Tổng hợp chi tiết doanh thu hàng tháng của từng chi nhánh thành báo cáo tháng; dùng khi người dùng yêu cầu báo cáo tháng, tổng kết cuối tháng hoặc tổng hợp số liệu chi nhánh’. Anh cũng từng nghe nói rằng mô hình vốn có xu hướng ‘đáng ra nên dùng nhưng lại không dùng’ nhiều hơn là ngược lại, nên mô tả thà viết thẳng thắn một chút, thậm chí hơi ‘quảng cáo bản thân’ một chút, còn hơn là viết quá dè dặt, kín đáo.

Cái Skill ‘AI Viết Giúp’ Đó Thực Ra Chẳng Dạy Được Gì

Sau khi giải quyết xong vấn đề kích hoạt, Lin Zhean mở lại phần nội dung chính của skill để đọc lần nữa, và phát hiện phần lớn nội dung chỉ là những câu sáo rỗng dùng ở đâu cũng đúng như ‘vui lòng kiểm tra dữ liệu đầu vào chính xác’ hay ‘xử lý tốt các trường hợp lỗi’ — những điều AI vốn đã biết sẵn, nên viết vào skill cũng như không viết gì cả. Thứ thực sự nên đưa vào skill là phần mà AI không thể tự nghĩ ra được: cách làm đặc thù của riêng bạn cho công việc này — bước nào hay sai, lần trước bị sếp trả lại ở đâu, báo cáo cũ ẩn chứa quy tắc ngoại lệ kỳ lạ nào.

Thế là anh lục lại những báo cáo cũ từng bị sếp trả lại ba lần trong tháng trước, cùng với các ghi chú chỉnh sửa lúc đó, rồi ghi ra từng dòng một xem chính xác lúc đó sai ở đâu và sau này sửa đúng như thế nào. Chính những ‘bài học xương máu’ này mới là phần thực sự có giá trị của skill — vì đó là chi tiết mà AI không cách nào tự tra cứu được, chỉ có người đã thực sự làm việc này mới biết.

Càng Vá Thêm Vào Skill, AI Lại Càng Bắt Đầu ‘Đãng Trí’

Sau khi vá thêm từng bài học một, file skill này ngày càng dài ra, dài đến mức Agent chạy chậm hẳn đi, thậm chí bắt đầu bỏ sót những điểm quan trọng đã được dặn từ trước. Lúc đó Lin Zhean mới hiểu ra: một khi skill được chọn, toàn bộ nội dung sẽ được nạp vào ngữ cảnh của cuộc trò chuyện hiện tại, tranh giành cùng một phần ngân sách chú ý với tất cả những nội dung khác đang được xử lý. Skill càng dài, ‘không gian tư duy’ khả dụng của AI càng bị chính bản hướng dẫn của nó chiếm mất một phần lớn, ngay đúng lúc lẽ ra nó phải tập trung làm việc thật sự.

Cách giải quyết không phải là cắt nội dung cho đến khi trống rỗng, mà là phân lớp: phần thân skill chỉ giữ lại những gì AI thực sự cần dùng ngay lúc đó, dung lượng khống chế ở khoảng 500 dòng, quy đổi ra vào khoảng 5.000 token (đây là quy tắc kinh nghiệm của người thuyết trình trong video gốc, không phải tiêu chuẩn quy đổi chính thức của trang này hay bất kỳ nền tảng nào; số token thực tế sẽ khác nhau tùy theo mô hình và cách phân tách token). Những quy tắc chi tiết hơn, không phải lúc nào cũng dùng đến — như quy định ngoại lệ riêng của một chi nhánh cụ thể — thì đặt riêng vào một thư mục con, AI chỉ đọc đến khi thực sự gặp đúng tình huống đó, chứ không chiếm dụng vô ích ngân sách chạy hàng ngày. Đây là lần đầu tiên Lin Zhean nhận ra rằng viết skill thực chất cũng là một kiểu lập kế hoạch ngân sách token phải tính toán kỹ lưỡng, chứ không phải càng chi tiết càng an toàn.

Con Số Không Khớp Đó Hóa Ra Không Phải Ngẫu Nhiên

Quay lại vấn đề tổng cộng bị lỗi hôm đó trước mặt khách hàng. Sau khi kiểm tra, Lin Zhean phát hiện ở bước cộng tổng, ban đầu anh chỉ để AI tự đọc số liệu và tự nhẩm cộng trong đầu — nhưng bản chất mô hình ngôn ngữ là đang ‘dự đoán’ kết quả tiếp theo có khả năng cao nhất, chứ không thực sự thực hiện phép tính chính xác. Số cột càng nhiều, số liệu càng lộn xộn, AI càng dễ tính sai — và vẫn tỏ ra vô cùng chắc chắn khi tính sai như vậy.

Anh đổi bước ‘cộng tổng’ này từ ‘để AI tự tính’ sang viết một đoạn logic tính toán cố định nhỏ, để skill trực tiếp gọi đoạn đó thực hiện phép cộng; AI không còn tự nhẩm tính trong đầu nữa, mà chỉ chịu trách nhiệm sắp xếp dữ liệu và đưa kết quả tính toán vào báo cáo. Lỗi tổng cộng từng gây sự cố trước mặt khách hàng đó, từ đây trở thành một loại lỗi sẽ không bao giờ xảy ra lại — vì đúng sai không còn do AI ‘đoán’ tại chỗ nữa, mà do một đoạn logic luôn cho ra cùng một kết quả mỗi lần chạy quyết định. Anh cũng nhận ra nguyên tắc này không chỉ áp dụng cho việc tính toán số liệu: bất kỳ bước nào ‘mỗi lần đều phải chính xác và nhất quán’ thì nên giao cho logic cố định xử lý, AI chỉ cần chịu trách nhiệm phán đoán ‘khi nào nên gọi nó’.

Suýt Chút Nữa Anh Đã Cài Đặt Ngay Một File Skill ‘Người Khác Đã Viết Sẵn’

Sau khi sửa xong skill và báo cáo tháng chạy ra đúng số liệu, Lin Zhean thấy trong nhóm Line của đồng nghiệp cùng ngành có người chia sẻ một file nén ‘skill đối soát hóa đơn’ làm sẵn, kèm lời nhắn ‘cứ thả vào dùng là được, rất tiện’. Anh từng có lúc định cài đặt ngay — dù sao thì file đó cũng chỉ gồm vài đoạn hướng dẫn văn bản và vài đoạn script, thì có thể tệ đến đâu?

Nhưng anh chợt nhớ đến chính cái skill mình vừa sửa xong: bản thân nó có thể thực thi mã, đọc ghi file cục bộ, thậm chí có khả năng chạm tới các API key đã được cấu hình sẵn trong hệ thống — nói cách khác, cài đặt một skill do người lạ viết, ở một mức độ nào đó cũng giống như trực tiếp chạy một chương trình do người không quen biết viết ngay trong môi trường của chính mình. Sau đó anh biết được rằng chính video giới thiệu những phương pháp thực hành tốt nhất này cũng nhắc đến một cuộc kiểm tra khoảng bốn nghìn skill đang lưu hành công khai, trong đó khoảng 35% bị phát hiện có một dạng lỗ hổng bảo mật nào đó, và khoảng 13% chứa vấn đề nghiêm trọng hơn — như mã độc hoặc các thủ thuật được thiết kế để khiến AI thực hiện hành vi ngoài ý muốn (con số này là lời dẫn của người thuyết trình video về một cuộc kiểm tra nào đó, video không nêu rõ thêm nguồn gốc, đây là thông tin thuật lại chưa được trang này hay AITK kiểm chứng độc lập, chỉ mang tính tham khảo để nâng cao nhận thức rủi ro, không đại diện cho tỷ lệ thực tế của bất kỳ kho skill công khai cụ thể nào).

Anh không cài đặt trực tiếp file nén đó, mà dành mười phút mở phần hướng dẫn và script bên trong ra đọc qua trước, để xác nhận nó thực sự sẽ chạm đến những file nào, có gửi bất cứ thứ gì ra ngoài hay không — giống như cách bạn đánh giá xem có nên đưa một gói phần mềm mới vào dự án hay không. Từ lần đó, ‘đọc qua trước rồi mới dùng’ trở thành hành động mặc định của anh đối với bất kỳ skill nào không phải do chính mình viết.

Tuần Sau, Cùng Một Phòng Họp, Anh Lại Nhấn Chạy Một Lần Nữa

Buổi demo báo cáo tháng của tuần sau, Lin Zhean lại nhấn chạy trong cùng một phòng họp, trước mặt cùng một sếp và cùng một khách hàng. Lần này, con số tổng khớp ngay từ lần đầu tiên, màn hình cũng không có bất kỳ khoảng chờ hay khựng lại thừa thãi nào. Không ai đặc biệt khen ngợi điều này — một báo cáo đúng vốn dĩ không cần được khen, nó vốn dĩ phải đúng như vậy.

Nhưng sau khi cuộc họp kết thúc, Lin Zhean tự mình làm thêm một việc: anh tổng hợp tất cả những bài học xương máu trong mấy tuần qua thành một ‘danh sách kiểm tra trước khi triển khai skill’ dùng chung cho cả nhóm, để từ nay bất kỳ ai muốn đưa một skill mới vào quy trình chính thức đều phải đi qua danh sách này trước, thay vì làm như anh lần đầu tiên — viết xong thấy có vẻ ổn là đem thẳng ra demo trước mặt khách hàng.

FAQ

Q1: AI Agent Skill khác gì so với prompt thông thường?

Prompt thường là chỉ dẫn tạm thời được đưa ra ngay trong một cuộc trò chuyện cụ thể. Còn Skill là một ‘sổ tay hướng dẫn công việc’ tồn tại cố định, được viết thành file, dạy cho AI cách làm cụ thể của bạn đối với một công việc nhất định, và sau đó không cần giải thích lại nữa — AI sẽ tự phán đoán khi cần thiết xem có nên gọi đến nó hay không.

Q2: File skill có phải viết càng chi tiết càng tốt không?

Không. Một khi skill được Agent chọn để thực thi, toàn bộ nội dung sẽ chiếm dụng ngân sách xử lý ngay lúc đó — viết quá dài sẽ chiếm mất sự chú ý của AI dành cho những việc khác, làm chậm phản hồi. Nguyên tắc là chỉ nên viết ‘cách làm đặc thù của riêng bạn’ mà AI không thể tự nghĩ ra; những chi tiết không dùng hàng ngày nên tách riêng vào một thư mục bổ sung, chỉ đọc khi thực sự cần.

Q3: Tại sao AI trông có vẻ rất thông minh nhưng lại tính sai cả những việc đơn giản như cộng tổng?

Vì bản chất mô hình ngôn ngữ là đang ‘dự đoán’ nội dung tiếp theo có khả năng cao nhất, chứ không thực sự thực hiện phép tính chính xác. Số cột càng nhiều, số liệu càng lộn xộn, AI càng dễ tính sai khi tự nhẩm tại chỗ. Bất kỳ bước nào ‘mỗi lần đều phải chính xác và nhất quán’ thì nên chuyển sang dùng logic chương trình cố định, AI chỉ cần chịu trách nhiệm phán đoán khi nào nên gọi nó.

Q4: Có thể cài đặt trực tiếp file skill làm sẵn do người khác chia sẻ không?

Nên coi đó như việc đưa một gói phần mềm mới vào sử dụng: file skill có thể chứa mã thực sự được thực thi, có khả năng chạm tới file cục bộ hoặc các API key đã được cấu hình sẵn trong hệ thống. Đọc qua và xác nhận nó thực sự làm gì trước khi cài đặt sẽ an toàn hơn nhiều so với việc ‘nghe có vẻ tiện là dùng luôn’.

Q5: Những cách làm này có chỉ áp dụng cho các sản phẩm của Claude không?

Theo video gốc, cách tiếp cận skill kiểu ‘thư mục cộng file hướng dẫn’ này hiện đang được thúc đẩy như một tiêu chuẩn mở liên nền tảng (agentskills.io), video cũng nhắc đến việc các nền tảng Agent khác như OpenAI Codex hoạt động theo cách tương tự. Đây là thông tin thuật lại từ người thuyết trình trong video — trang này chưa kiểm chứng độc lập xem thông số kỹ thuật thực tế có hoàn toàn giống nhau giữa các nền tảng hay không — nhưng các nguyên tắc phán đoán mà bài viết này đề cập (mô tả phải chính xác, nội dung phải tinh gọn, không để AI đoán mò ở những bước quan trọng) là tư duy kỹ thuật mang tính phổ quát, không giới hạn ở công cụ của riêng một nhà cung cấp nào.

Ghi Chú Nguồn

Bài viết này tham khảo từ video của kênh YouTube ‘IBM Technology’ đăng ngày 10 tháng 8 năm 2026, với tựa đề ‘5 Best Practices for Building AI Agent Skills’ (do Martin Keen và Bri Kopecki trình bày), được tổ chức lại và kể theo dạng câu chuyện chứ không dịch nguyên văn. ‘Lin Zhean’ trong bài viết là nhân vật minh họa dùng để giải thích, không phải khách hàng thật; tình huống demo báo cáo tháng và quá trình khắc phục được mô tả là sự sắp xếp lại mang tính minh họa, không phải hồ sơ vụ việc của bất kỳ khách hàng thật nào. Đoạn nêu rằng cuộc kiểm tra bảo mật các skill công khai phát hiện khoảng 35% có lỗ hổng bảo mật và khoảng 13% chứa vấn đề nghiêm trọng là lời thuật lại của người thuyết trình video về một cuộc kiểm tra nào đó; bản thân video không nêu rõ thêm nguồn gốc, và trang này chưa kiểm chứng độc lập — chỉ mang tính tham khảo nâng cao nhận thức rủi ro và không đại diện cho tỷ lệ thực tế của bất kỳ kho skill cụ thể nào. Cấu trúc file skill được mô tả (các thư mục skill.md, references và scripts) cùng hướng dẫn về số dòng/token cũng được trích từ video gốc; thông số thực tế nên tham chiếu theo tiêu chuẩn công khai agentskills.io và tài liệu chính thức của từng nền tảng. Nhận định ‘agentskills.io là tiêu chuẩn mở liên nền tảng’ và ‘các nền tảng như OpenAI Codex hoạt động theo cách tương tự’ cũng là lời thuật lại từ người thuyết trình video, và trang này chưa kiểm chứng độc lập xem thông số kỹ thuật thực tế có hoàn toàn giống nhau giữa các nền tảng hay không.

Hành Động Ngay

Suy nghĩ rõ ràng về việc một AI Agent Skill nên được kích hoạt khi nào, cần bao nhiêu nội dung, và bước nào không nên để AI đoán mò, thực chất cũng chính là việc suy nghĩ rõ ràng xem hệ thống tự động hóa AI của bạn đang tiêu tốn bao nhiêu token mỗi tháng — cả hai đều bắt đầu từ việc phơi bày mức tiêu thụ vốn vô hình ra ánh sáng, để biết nên đặt giới hạn ở đâu. Hãy dùng thử miễn phí AI Token King, để chúng tôi giúp bạn phơi bày chính xác lượng token mà từng agent, từng skill trong đội ngũ của bạn thực sự đã dùng hết, để bạn thiết lập đúng giới hạn sử dụng cho đội ngũ mình.