Vào một buổi tối tháng 9, người dẫn chương trình của kênh Fireship, chuyên mục The Code Report, ngồi xuống cộng lại các khoản chi tiêu AI hàng tháng của mình.

Cursor: 20 đô la. Claude Max: 100 đô. GPT Pro: thêm 100 đô. Gemini Ultra: thêm 100 đô nữa. Cộng lại vừa đúng 320 đô la — chưa kể phí đăng ký giọng nói của 11 Labs, DeepSeek, và một loạt API key đăng ký từ hai năm trước rồi quên tắt. Trong video, host nửa đùa nửa thật nói rằng cơn "nghiện AI" của mình tốn kém đến mức phải bỏ luôn rượu bia và thiền định; còn đùa rằng doanh số bán rượu tại Mỹ đang ở mức thấp kỷ lục, "tất cả là lỗi của các hãng AI lớn". Đoạn này rõ ràng chỉ là lối nói phóng đại cho vui, không phải số liệu kinh tế thật, nhưng cảm giác "đăng ký chồng đăng ký, đến mức không tự tính nổi tổng" thì chắc không ít lập trình viên đang dùng nhiều công cụ AI cùng lúc đều hiểu.

Điều thực sự khiến host dừng lại không phải vì một khoản nào đó quá đắt, mà là khoảnh khắc trải bốn khoản đăng ký ra nhìn cùng một lúc — không ai chủ ý chi 320 đô la ngay từ đầu, chỉ là từng gói một chồng lên nhau, cho đến một ngày mở hóa đơn ra mới nhận ra. Đó cũng là điểm khởi đầu của video này: thay vì tiếp tục chồng thêm đăng ký, host quyết định chuyển toàn bộ quy trình làm việc AI về máy chủ riêng, dùng các dự án miễn phí, mã nguồn mở để dựng lại một bộ công cụ "rẻ hơn mà năng suất còn cao hơn". Dưới đây là năm công cụ mà anh thực sự ghép lại với nhau, cùng với vấn đề cụ thể mà mỗi công cụ giải quyết.

Không muốn prompt bị lộ ra ngoài? Bắt đầu từ Ollama

Bất kỳ bộ công cụ AI nào cũng phải trả lời câu hỏi đầu tiên: mô hình sẽ chạy ở đâu. Câu trả lời mặc định của phần lớn mọi người là gửi thẳng mã nguồn của mình cho một công ty trị giá hàng nghìn tỷ đô la, rồi tin rằng họ sẽ giữ gìn cẩn thận. Ollama mở ra một hướng khác: đưa toàn bộ mô hình về chạy ngay trên máy của chính mình.

Host ví nó "giống như phiên bản Docker dành cho các mô hình ngôn ngữ lớn" — một giao diện dòng lệnh đơn giản kèm API, cho phép tải về và chạy đủ loại mô hình trọng số mở, kể cả các mô hình đến từ Trung Quốc hay bất kỳ dự án mã nguồn mở nào khác. Cái lợi của việc chạy tại chỗ rất rõ ràng: prompt không bao giờ rời khỏi máy, chi phí suy luận bằng không, và kể cả khi thẻ tín dụng bị từ chối thanh toán, mô hình vẫn tiếp tục hoạt động bình thường.

Nhưng con đường này cũng có một ngưỡng thực tế: phần cứng mà đa số người dùng đang có còn cách khá xa mức "chạy được mô hình đỉnh cao thật sự". Các mô hình nhỏ thì hầu như máy nào cũng chạy được, nhưng để chạy một mô hình cỡ tiên phong, cần đến phần cứng ngang tầm một trung tâm dữ liệu thu nhỏ. Với những lập trình viên vẫn muốn viết ra code đỉnh cao, đây chính là vấn đề tiếp theo cần giải quyết.

Hết hạn mức đăng ký thì sao? Dùng một lớp định tuyến để tự động chuyển tầng

Vì phần cứng tại chỗ không cáng đáng nổi những mô hình mạnh nhất, việc kết nối thêm một số dịch vụ trực tuyến là điều khó tránh. Ở đây, host giới thiệu một giải pháp tự triển khai mà anh gọi là "Nine Router" (cách viết này lấy nguyên theo bản ghi lời thoại tự động của video, tên sản phẩm chính thức chưa được xác nhận) — một lớp trung gian đặt giữa các công cụ AI của bạn và hàng chục nhà cung cấp mô hình khác nhau, gom tất cả về một điểm cuối (endpoint) chạy ngay trên máy.

Vấn đề nó giải quyết rất cụ thể: thay vì phải xoay vòng thủ công giữa chín API key khác nhau, chỉ cần giữ lại một cánh cửa duy nhất, đóng vai một proxy giả lập định dạng tương thích OpenAI, để mọi công cụ chỉ cần trỏ về localhost là xong. Điều khiến host thực sự ấn tượng là thiết kế "dự phòng theo tầng": tầng một là gói đăng ký bạn vốn đã trả tiền, ví dụ Claude Max; tầng hai là các mô hình tính phí theo lượt dùng với giá rẻ, đóng vai trò dự phòng; tầng ba là toàn bộ các kênh miễn phí, chẳng hạn mô hình Trung Quốc hay hạn mức dùng thử trên nền tảng đám mây. Một khi tầng một dùng hết hạn mức, hệ thống sẽ tự động chuyển sang tầng kế tiếp mà không cần can thiệp thủ công. Ngoài ra, lớp trung gian này còn theo dõi lượng sử dụng thực tế và nén đầu ra của công cụ để giảm số token tiêu tốn — nói cách khác, nó cùng lúc làm hai việc: đừng để hóa đơn vỡ trận, và đừng để hạn mức cạn sớm.

Thủ phạm thật sự đằng sau hóa đơn: Token bị lãng phí

Nếu lượng token tiêu thụ mỗi ngày vẫn ở mức đáng sợ, vấn đề tiếp theo mà host chỉ ra là "nén ngữ cảnh" — anh dùng một ví dụ rất đời thường: bạn chỉ muốn AI căn giữa một thẻ div, nhưng để làm được việc đó, nó phải đọc hết năm mươi nghìn dòng trong file package.json, tiêu tốn lượng tài nguyên tính toán tương đương một bể bơi tiêu chuẩn Olympic, rồi cuối cùng mới phát hiện ra thực ra chỉ cần cài Tailwind CSS.

Headroom mà host giới thiệu chính là để giải quyết vấn đề này: nó nằm giữa ứng dụng của bạn và nhà cung cấp mô hình, nén bớt những nội dung không cần thiết như đầu ra của công cụ, file log, và các phần thừa khác, trước khi nội dung thật sự được gửi tới mô hình và trở thành token đầu vào tính phí. Điểm thiết kế thông minh ở đây là tính "có thể đảo ngược" — phần nội dung đã bị nén khi gửi đi vẫn được lưu cache ngay trên máy, nên nếu sau này mô hình thật sự cần đến, vẫn có thể lấy lại được, không bị mất thông tin vĩnh viễn chỉ vì đã nén.

Ghép xong các công cụ rồi, còn phải có chỗ để chạy

Đến đây, host gặp phải một vấn đề rất thực tế: sau khi ghép hết các công cụ này lại, rốt cuộc phải triển khai ở đâu? Trong video, anh nhắc đến nhà tài trợ Hostinger, cung cấp máy chủ riêng ảo (VPS) có sẵn danh mục ứng dụng Docker, cho phép cài đặt các dự án mã nguồn mở kể trên chỉ bằng một cú nhấp, và để tất cả các công cụ này cùng chạy, phối hợp với nhau trên cùng một máy. Đây là đoạn quảng cáo tài trợ trong video; việc đánh giá và so sánh giá cụ thể xin bạn đọc tự tìm hiểu, bài viết này không nhắc lại mã giảm giá hay đường link liên quan.

Có hạ tầng rồi, giờ đến ứng dụng thật sự dùng được: Dify

Phần trước toàn nói về hạ tầng nền, còn để tạo ra "thứ dùng được", host chọn Dify — một công cụ dựng workflow trực quan, cho phép kéo thả các node thay vì viết toàn bộ logic bằng prompt thuần túy. Anh đưa ra một ví dụ mang tính đùa cợt: một ứng dụng ghép đôi tên "Horse Tinder" dành cho ngựa, đưa hồ sơ của từng con ngựa vào Dify, để quy trình trực quan truy xuất những đối tượng phù hợp từ cơ sở dữ liệu, rồi để mô hình ngôn ngữ lớn tạo lời giải thích cho từng cặp ghép đôi, và cuối cùng toàn bộ quy trình này được mở ra dưới dạng một API, để phía giao diện chỉ cần gọi nó mỗi khi người dùng vuốt màn hình. Ví dụ này rõ ràng chỉ là kiểu hài hước quen thuộc của host, trọng tâm không nằm ở chuyện ghép đôi ngựa, mà ở việc một quy trình làm việc có thể trực tiếp trở thành một API có thể gọi được.

Bước cuối cùng: thay luôn cả chính mình

Kết thúc video, host nói nửa đùa nửa thật rằng việc tự tay viết code đã có phần lỗi thời kể từ sau quý hai năm 2026 — vì đã có OpenHands. Đây là một tác nhân lập trình tự động mã nguồn mở, nằm trong nhóm những công cụ có thành tích hàng đầu trên SWE-bench Verified, một bộ benchmark đánh giá khả năng mô hình sửa các issue thật trên GitHub. Thay vì tự tay sửa lỗi, chỉ cần mở một issue trên GitHub và để OpenHands xử lý.

Về bản chất, nó cung cấp một trung tâm điều khiển, cho phép bạn tự triển khai cả một đội quân agent AI hoạt động liên tục ngay trên máy chủ riêng của mình. Vì toàn bộ môi trường chạy trên VPS của chính bạn, bạn có thể chọn kết nối với mô hình của OpenAI hay Anthropic, hoặc dùng thẳng mô hình cục bộ đã cài bằng Ollama từ trước — và đây cũng chính là bước ngoặt thật sự của cả video: bắt đầu từ việc không muốn trả thêm một khoản đăng ký nào nữa, đến cuối cùng trở thành toàn bộ quy trình phát triển nằm gọn trong tay mình, và mô hình có thể thay đổi bất cứ lúc nào.

Đăng ký hay tự triển khai, câu hỏi chưa bao giờ là "cái nào ngầu hơn"

Xem qua năm công cụ này sẽ thấy, vấn đề host thực sự giải quyết không đơn giản chỉ là "mã nguồn mở rẻ hơn", mà là "rốt cuộc tiền và prompt của mình đang chảy đi đâu" — đây chính xác là điều mà đa số mọi người chỉ nhận ra sau khi đã chồng chất đăng ký đến một ngày nào đó. Con đường tự triển khai đòi hỏi thời gian vận hành máy chủ, xử lý giới hạn phần cứng, không phải là miễn phí với tất cả mọi người; nhưng đổi lại, bạn nhìn thấy rõ ràng từng lần gọi mô hình, từng đồng tiền đã đi đâu.

Dù chọn con đường nào, logic cốt lõi vẫn giống nhau: phải trải hết mức sử dụng mô hình thực tế của mình ra trước, mới có cơ sở để lựa chọn. Đây cũng là lý do vì sao gần đây, không chỉ chuyện tự triển khai mã nguồn mở được bàn tán nhiều hơn, mà cả những cách làm như AI Token King — gộp mức sử dụng và hóa đơn của nhiều mô hình khác nhau vào cùng một chỗ để đối chiếu — cũng ngày càng được nhắc đến. Hai hướng này không giải quyết hoàn toàn cùng một vấn đề: một bên là ép chi phí mỗi lần gọi xuống thấp nhất, bên kia là làm rõ tiền thật sự chảy vào tay những nhà cung cấp nào; nhưng cuối cùng cả hai đều dẫn về cùng một điểm xuất phát: phải có một cuốn sổ mà mình đọc hiểu được đã, mới đến lượt bàn xem nên chọn con đường nào.

Câu hỏi thường gặp (FAQ)

Câu 1: Nếu không có card đồ họa mạnh ở máy tại nhà, còn dùng được Ollama không? Được. Video có nhắc rằng các mô hình nhỏ gần như chạy được trên bất kỳ máy nào, chỉ khi muốn chạy mô hình cỡ lớn gần ngang tầm tiên phong mới cần đến phần cứng gần mức trung tâm dữ liệu thu nhỏ. Đa số người dùng có thể bắt đầu từ mô hình nhỏ trước, sau đó tùy nhu cầu mà quyết định có đầu tư thêm phần cứng hay không.

Câu 2: Tự triển khai toàn bộ công cụ AI có thật sự rẻ hơn đăng ký không? Video trình bày trải nghiệm và đánh giá cá nhân của host sau khi hủy bốn gói đăng ký và chuyển sang tự triển khai, không đưa ra con số so sánh chi phí cụ thể. Việc có đáng hay không còn tùy vào mức sử dụng thực tế, khả năng vận hành và mức đầu tư phần cứng của từng người, bạn đọc nên tự đánh giá theo tình huống của mình, không nên áp dụng máy móc kết luận của người khác.

Câu 3: Cơ chế "dự phòng theo tầng" của lớp định tuyến trong video nghĩa là gì? Theo mô tả trong video, các kênh cung cấp mô hình được chia thành ba tầng: tầng một là gói đăng ký bạn đã trả tiền (ví dụ Claude Max), tầng hai là mô hình tính phí theo lượt dùng với giá rẻ, tầng ba là các kênh miễn phí khác nhau. Khi tầng trước dùng hết hạn mức, hệ thống sẽ tự động chuyển sang tầng kế tiếp mà không cần can thiệp thủ công.

Câu 4: Các công cụ dựng workflow trực quan như Dify khác gì so với viết prompt trực tiếp? Khác biệt nằm ở cách trình bày và bảo trì: Dify cho phép kéo thả node để dựng các bước như truy xuất dữ liệu, gọi mô hình, định dạng đầu ra, và có thể mở toàn bộ quy trình đó thành một API, thay vì nhồi hết logic vào một đoạn prompt. Cách làm này dễ bảo trì hơn với các tình huống cần gọi lặp lại nhiều lần hoặc cung cấp dịch vụ ra bên ngoài.

Câu 5: Các agent lập trình tự động như OpenHands có thể thay thế hoàn toàn kỹ sư không? Video mô tả đây là một trong những agent lập trình tự động có thành tích hàng đầu trên benchmark SWE-bench Verified, có thể tự động xử lý issue trên GitHub và hoạt động liên tục trong nền, nhưng không tuyên bố rằng nó có thể thay thế hoàn toàn vai trò phán đoán và kiểm soát của kỹ sư con người. Khi triển khai thực tế, vẫn nên giữ lại bước kiểm tra thủ công.

Tuyên bố nguồn dữ liệu

Bài viết này được biên soạn lại dựa trên video đăng tải trên kênh YouTube Fireship ngày 7 tháng 9 năm 2026, tựa đề "5 open source tools that replaced my $320/mo AI stack..." (lượt xem được xác nhận tại thời điểm biên soạn là 1.247.954), đường link gốc: https://www.youtube.com/watch?v=Y5rSSvXfL4g. Nội dung được tổ chức và viết lại dựa trên bản ghi lời thoại tiếng Anh gốc, không phải dịch nguyên câu; tên công cụ, con số chi phí và bối cảnh được nhắc đến đều dựa theo nguyên văn bản ghi lời thoại, không tự ý thêm số liệu mà bản ghi không đề cập. Cụm từ "Nine Router" trong video là cách viết do công cụ nhận dạng giọng nói tự động tạo ra; tên sản phẩm chính thức và chi tiết cụ thể cần được kiểm chứng thêm trước khi sử dụng làm căn cứ. Đoạn nói về doanh số bán rượu tại Mỹ và chi tiêu cho AI là lối nói phóng đại, đùa vui của người dẫn chương trình trong video gốc, không phải số liệu kinh tế mà bài viết này khẳng định.

Đọc thêm

Bài viết về chi phí tự triển khai một mô hình AI tiên phong, so sánh giữa việc mua card đồ họa và trả phí Claude hàng tháng

Bài viết giới thiệu OpenRouter, lớp cổng định tuyến mô hình AI

Bài viết về việc Prompt Caching đôi khi khiến hóa đơn AI tăng thay vì giảm

Bài viết về câu chuyện hóa đơn AI đáng sợ, phản chiếu lại chính cách sử dụng của người dùng

Trải nghiệm ngay

Dù bạn quyết định tự tay dựng năm công cụ này, hay chỉ muốn biết rõ tiền chi cho AI mỗi tháng của mình đang chảy vào tay những nhà cung cấp nào, bước đầu tiên vẫn giống nhau: cần có một bản ghi mà mình đọc hiểu được. Dùng thử miễn phí AI Token King (https://aitokenking.com.tw/home), gộp toàn bộ mức sử dụng và chi phí đang nằm rải rác ở nhiều tài khoản khác nhau về cùng một nơi để đối chiếu.