10 Skills biến Claude thành công cụ siêu nhận thức (Metacognition): Lý luận từng bước, điều phối đa tác tử, thiết kế System Prompt và phát hiện ảo giác AI.
--- name: chain-of-thought-prompter description: > Ép Claude phải suy luận từng bước (Step-by-step) trước khi đưa ra câu trả lời cuối cùng. Sử dụng khi vấn đề rất phức tạp, mơ hồ hoặc liên quan đến toán học/logic. Sử dụng khi yêu cầu "suy luận từng bước", "giải quyết [vấn đề khó]", "phân tích chuyên sâu", "nghĩ kỹ trước khi đáp". --- # Chain of Thought Prompter ## KHI NÀO TỰ ĐỘNG KÍCH HOẠT SKILL NÀY? - Các bài toán logic, toán học, lập trình. - Đưa ra quyết định chiến lược giữa nhiều lựa chọn. - Phân tích các tình huống phức tạp có nhiều biến số. - Debug (Tìm lỗi) những suy luận bị sai. - Kiểm chứng một logic trước khi đem vào thực thi. ## CẤU TRÚC ÉP BUỘC SUY LUẬN (REASONING STRUCTURE) ### Phân tích vấn đề [Tự diễn đạt lại Đề bài bằng ngôn từ của chính AI] [Xác định các Dữ kiện đã có] [Xác định các Dữ kiện còn thiếu] ### Các Giả thuyết làm việc (Hypotheses) Giả thuyết 1: [Nếu X, thì Y] Giả thuyết 2: [Nếu A, thì B] ### Suy luận Từng Bước (Step-by-step) Bước 1: [Hành động hoặc Suy diễn 1] -> Kết quả: [Ta thu được điều gì] Bước 2: [Hành động hoặc Suy diễn tiếp theo] -> Kết quả: [Ta thu được điều gì] Bước 3: [Kiểm tra tính gắn kết] -> Logic này có đứng vững không: Có/Không? ### Kết luận [Đưa ra câu trả lời cuối cùng dựa trên toàn bộ suy luận bên trên] ### Kiểm chứng (Verification) [Thử đập bỏ kết luận bằng một Phản ví dụ (Contra-example) hoặc Trường hợp ngoại lệ (Edge case) xem có sụp đổ không] ## KỸ THUẬT SUY LUẬN THEO TỪNG LOẠI VẤN ĐỀ ### Bài toán Quyết định (Chọn A hay B) 1. Liệt kê các tiêu chí quyết định (Kèm trọng số). 2. Chấm điểm từng lựa chọn trên từng tiêu chí (Thang 1-5). 3. Tính tổng điểm đã nhân trọng số. 4. Chỉ ra những "Deal-breaker" (Điểm chết người khiến 1 phương án bị loại ngay lập tức). 5. Đưa ra Lời khuyên cuối cùng kèm lý do. ### Bài toán Debug Logic 1. Kết quả mong đợi là gì? 2. Kết quả thực tế đang bị lỗi ra sao? 3. Sự sai lệch nằm ở đâu? 4. Những nguyên nhân tiềm năng nào gây ra sự sai lệch này? 5. Cách test (Kiểm tra) từng nguyên nhân đó? 6. Cách khắc phục. ### Bài toán Lập Kế Hoạch (Planning) 1. Mục tiêu cuối cùng là gì? 2. Giới hạn (Thời gian, Tiền bạc, Nguồn lực) là gì? 3. Những bước KHÔNG THỂ BỎ QUA là gì? 4. Sự phụ thuộc giữa các bước (Bước A xong mới được làm bước B)? 5. Đâu là Đường găng (Critical path - Lộ trình tốn thời gian nhất)? 6. Rủi ro và Kế hoạch B (Plan B) là gì?
--- name: prompt-optimizer description: > Nâng cấp và tối ưu hóa câu lệnh (Prompt) của người dùng để Claude trả ra kết quả xuất sắc hơn. Sử dụng khi yêu cầu "tối ưu prompt này giúp tôi", "viết lại prompt", "tại sao Claude trả lời ngu vậy", "làm prompt này bén hơn". --- # Prompt Optimizer ## CHẨN ĐOÁN MỘT PROMPT TỒI (DIAGNOSIS) Kiểm tra xem prompt hiện tại đang mắc phải lỗi nào: **Lỗi 1: Quá chung chung (Vague)** - Tồi: "Viết gì đó về AI đi." - Tốt: "Viết một bài blog 800 từ về Tác động của Generative AI đối với Freelancer tại Đông Nam Á giai đoạn 2025-2026, kèm 3 ví dụ thực tế và 1 kết luận mang tính hành động." **Lỗi 2: Thiếu Role (Vai trò / Ngữ cảnh)** - Tồi: "Cho tôi nhận xét về chiến lược này." - Tốt: "Đóng vai một Cố vấn chiến lược Digital với 15 năm kinh nghiệm mảng B2B. Hãy phân tích Chiến lược Content này và chỉ ra 3 Lỗ hổng lớn nhất khiến nó không thể tạo ra Khách hàng tiềm năng (Leads)." **Lỗi 3: Không ép Định dạng (Format)** - Tồi: "Liệt kê lợi ích của Python." - Tốt: "Liệt kê 5 lợi ích hàng đầu của Python dành cho Data Scientist. Yêu cầu trả kết quả dạng Bảng gồm 3 cột: (Lợi ích | Tại sao nó quan trọng | Ví dụ cụ thể)." **Lỗi 4: Không có Ví dụ mẫu (No Examples)** - Tồi: "Viết một email đòi nợ khách hàng." - Tốt: "Viết một email B2B bám đuổi khách hàng. Tone giọng mẫu tôi muốn như sau: [Chèn đoạn mẫu]. Bối cảnh: Khách đã xem báo giá nhưng im lặng 5 ngày nay." **Lỗi 5: Ra lệnh cấm mà không đưa giải pháp thay thế (Negative instruction)** - Tồi: "Đừng viết quá trang trọng." - Tốt: "Giữ tone giọng thân thiện, giống như đang nhắn tin cho đồng nghiệp. Đừng dùng kính ngữ. Thay vì 'Kính gửi Quý khách', hãy dùng 'Chào anh/chị'." ## CẤU TRÚC CỦA MỘT PROMPT ĐỈNH CAO [ROLE - VAI TRÒ]: Bạn là một [Chức danh] với chuyên môn sâu về [Lĩnh vực]. [CONTEXT - BỐI CẢNH]: [Tình hình hiện tại, Background, Thông tin nền cốt lõi]. [TASK - NHIỆM VỤ]: [Mô tả CHÍNH XÁC những gì AI cần phải làm ngay bây giờ]. [RESTRICTIONS - GIỚI HẠN]: - Độ dài: [X từ / Y dòng]. - Định dạng: [Gạch đầu dòng / Văn xuôi / Bảng / Code]. - Tone giọng: [Thêm 1 ví dụ về giọng điệu]. - Ngôn ngữ: [Tiếng Việt]. - KHÔNG ĐƯỢC PHÉP: [Những thứ tuyệt đối không được đưa vào câu trả lời]. [EXAMPLES - VÍ DỤ MẪU]: Input mẫu: [X] Output kỳ vọng: [Y] [VERIFICATION - KIỂM CHỨNG LẠI]: Trước khi in ra kết quả, hãy tự kiểm tra xem câu trả lời của bạn đã thỏa mãn các tiêu chí sau chưa: [Liệt kê tiêu chí]. ## TỔ HỢP KỸ THUẬT NÂNG CAO ### Few-shot prompting Cung cấp sẵn 2-3 cặp (Input mẫu -> Output mẫu) ngay trong prompt. Hiệu quả: Giúp AI tự động "Căn chỉnh" Tone giọng và Định dạng chuẩn xác 100% ngay từ lần đầu. ### Prompt Chaining (Chuỗi Prompt) Chia nhỏ một Task khổng lồ thành nhiều Prompt nhỏ nối tiếp nhau. Đầu ra của Prompt 1 sẽ làm Đầu vào cho Prompt 2. Hiệu quả: Chất lượng sâu sắc hơn hẳn so với việc nhồi nhét mọi thứ vào 1 Mega-Prompt. ### Tự Phê Bình (Auto-critique) Gắn câu này vào cuối prompt: "Sau khi viết xong, hãy tự phê bình câu trả lời của chính bạn và chỉ ra 3 điểm có thể làm tốt hơn nữa." Hiệu quả: Ép AI phát hiện lỗi sai trước khi nộp bài cho bạn.
--- name: multi-agent-orchestrator description: > Điều phối nhiều "Đặc vụ AI" (Agents) cùng tranh luận song song để xử lý một vấn đề phức tạp. Sử dụng khi yêu cầu "nhìn từ nhiều góc độ", "tạo một team chuyên gia phân tích", "đánh giá toàn diện 360 độ". --- # Multi-Agent Orchestrator ## KHÁI NIỆM (CONCEPT) Bắt Claude đóng vai giả lập thành N NHÂN VẬT CHUYÊN GIA cùng hoạt động song song. Mỗi chuyên gia chỉ nhìn vấn đề dưới lăng kính chuyên môn của họ. Cuối cùng, một "Tổng tư lệnh" sẽ tổng hợp lại các luồng ý kiến này. ## DANH SÁCH CÁC "ĐẶC VỤ" (AGENTS) CÓ SẴN ### Agent 1: Kẻ Đóng Vai Ác (Devil's Advocate) - Vai trò: Bới lông tìm vết, tìm mọi rủi ro, điểm yếu và lập luận phản bác. - Tone giọng: Hoài nghi, khắt khe, khó tính. - Câu hỏi thường trực: "Chuyện tồi tệ nhất có thể xảy ra là gì? Tại sao kế hoạch này sẽ thất bại?" ### Agent 2: Chiến gia Lạc Quan (Strategic Optimist) - Vai trò: Chỉ ra cơ hội, điểm mạnh và tiềm năng phát triển. - Tone giọng: Xây dựng, hướng tới giải pháp. - Câu hỏi thường trực: "Làm thế nào để đẩy tỷ lệ thành công lên mức tối đa?" ### Agent 3: Chuyên gia Dữ liệu (Data Analyst) - Vai trò: Định lượng mọi thứ ra các con số, đo lường. - Tone giọng: Lạnh lùng, bám sát sự thật (Factual). - Câu hỏi thường trực: "Bằng chứng bằng số liệu đâu? Thước đo KPI là gì?" ### Agent 4: Đại diện Người Dùng Cuối (End-User) - Vai trò: Đánh giá dựa trên trải nghiệm của Khách hàng/Người tiêu dùng. - Tone giọng: Thực dụng, quan tâm trải nghiệm. - Câu hỏi thường trực: "Người dùng thực sự muốn gì và cảm thấy thế nào khi dùng cái này?" ### Agent 5: Chuyên gia Kỹ thuật (Technical Expert) - Vai trò: Đánh giá tính khả thi về mặt kỹ thuật, hệ thống. - Tone giọng: Chính xác, logic. - Câu hỏi thường trực: "Có khả thi để code/triển khai không? Đâu là rào cản hệ thống?" ## ĐỊNH DẠNG ĐẦU RA (OUTPUT FORMAT) BẮT BUỘC ## Báo cáo Phân tích Đa Tác Tử: [TÊN CHỦ ĐỀ] ### [ĐẶC VỤ 1]: [Tên Đặc vụ] [Bài phân tích của Đặc vụ 1 - Dài khoảng 150-200 từ] ### [ĐẶC VỤ 2]: [Tên Đặc vụ] [Bài phân tích của Đặc vụ 2 - Dài khoảng 150-200 từ] [...Lặp lại cho các Đặc vụ khác] --- ### TỔNG QUAN KẾT LUẬN (SÝNTHESIS) BỞI TỔNG TƯ LỆNH **Điểm Đồng Thuận (Convergences):** [Những điểm mà TẤT CẢ các Đặc vụ đều đồng ý] **Điểm Xung Đột (Divergences):** [Những điểm các Đặc vụ đang cãi nhau nảy lửa] **Khuyến Nghị Cuối Cùng:** [Quyết định cuối cùng dựa trên các phân tích trên] **Hành Động Bước Tiếp Theo:** [Làm gì ngay bây giờ?] ## QUY TẮC SỬ DỤNG SỐ LƯỢNG AGENT - Dùng 2 Agents: Khi cần quyết định Nhị phân (Làm hay Không làm). - Dùng 3 Agents: Cho các phân tích chiến lược tiêu chuẩn. - Dùng 5 Agents: Cho các quyết định mang tính sống còn, cực kỳ rủi ro. - KHÔNG DÙNG > 5 Agents: Sẽ gây nhiễu thông tin, mâu thuẫn quá đà và tốn Tokens.
--- name: ai-evaluation-framework description: > Đánh giá chất lượng Output của AI (ChatGPT, Claude, Gemini) dựa trên bộ tiêu chí khách quan. Sử dụng khi yêu cầu "chấm điểm câu trả lời này", "so sánh 2 bài viết này xem ai viết tốt hơn", "đánh giá chất lượng". --- # AI Evaluation Framework ## BẢNG TIÊU CHÍ CHẤM ĐIỂM (Thang 100 điểm) ### 1. Tính Phù hợp (Pertinencia) - Tối đa 25 điểm - Câu trả lời có đi ĐÚNG TRỌNG TÂM câu hỏi không? (0-10) - Thông tin cung cấp có hữu ích và thực tiễn không? (0-10) - Có bị chèn các câu rác, câu rào đón vô nghĩa không? (0-5) ### 2. Tính Chính xác (Exactitud) - Tối đa 25 điểm - Các sự thật có đúng đắn và có thể kiểm chứng không? (0-15) - Các Con số, Ngày tháng, Tên riêng có chính xác không? (0-5) - Có đưa ra các tuyên bố giật gân mà không có bằng chứng không? (0-5) ### 3. Tính Toàn diện (Completitud) - Tối đa 20 điểm - Đã cover (bao phủ) toàn bộ các khía cạnh của Prompt gốc chưa? (0-10) - Có đề cập đến các trường hợp ngoại lệ (Edge cases) không? (0-5) - Có bỏ sót yêu cầu quan trọng nào không? (0-5) ### 4. Tính Rõ ràng (Claridad) - Tối đa 20 điểm - Cấu trúc bài viết có logic và đi từ cơ bản đến nâng cao không? (0-10) - Ngôn từ có phù hợp với Đối tượng người đọc mục tiêu không? (0-5) - Có dùng Ví dụ minh họa để giúp dễ hiểu không? (0-5) ### 5. Khả năng Thực thi (Accionabilidad) - Tối đa 10 điểm - Đọc xong user có biết phải "LÀM GÌ TIẾP THEO" không? (0-5) - Các bước thực thi có rõ ràng từng bước 1-2-3 không? (0-5) ## ĐỊNH DẠNG XUẤT BÁO CÁO ĐÁNH GIÁ (FORMAT) ## Bảng Chấm Điểm AI Output | Tiêu chí | Điểm số | Nhận xét chi tiết | | --- | --- | --- | | Tính Phù hợp | X/25 | [Nhận xét] | | Tính Chính xác | X/25 | [Nhận xét] | | Tính Toàn diện | X/20 | [Nhận xét] | | Tính Rõ ràng | X/20 | [Nhận xét] | | Tính Thực thi | X/10 | [Nhận xét] | | **TỔNG ĐIỂM** | **X/100** | | ## Những điểm làm RẤT TỐT (Khen ngợi) - [Điểm cộng 1] - [Điểm cộng 2] ## Những điểm CẦN CẢI THIỆN NGAY (Chê trách) - [Điểm trừ 1] -> [Cách sửa cụ thể] - [Điểm trừ 2] -> [Cách sửa cụ thể] ## XẾP LOẠI CUỐI CÙNG: [X/100] - [XUẤT SẮC / TỐT / CHẤP NHẬN ĐƯỢC / TỒI TỆ]
--- name: system-prompt-builder description: > Xây dựng các "System Prompts" (Câu lệnh Hệ thống - System Instructions) tối ưu nhất để cài đặt vào Chatbot, Claude Projects hoặc GPTs Custom. --- # System Prompt Builder ## CẤU TRÚC CHUẨN CỦA MỘT SYSTEM PROMPT SIÊU MẠNH # DANH TÍNH VÀ VAI TRÒ (IDENTITY) Tên bạn là [TÊN], bạn là một chuyên gia bậc thầy về [ROLE] trong lĩnh vực [NGÁCH]. Bạn đang làm việc trực tiếp cho công ty/dự án [TÊN CÔNG TY]. # NHIỆM VỤ CỐT LÕI (MISSION) Nhiệm vụ tối thượng của bạn là [Mục tiêu lớn nhất phải đạt được trong 1-2 câu]. # TONE GIỌNG VÀ VĂN PHONG (STYLE) - LUÔN LUÔN thể hiện thái độ [Ví dụ: Nhiệt tình, Lạnh lùng, Thẳng thắn]. - TUYỆT ĐỐI KHÔNG DÙNG [Ví dụ: Kính ngữ rườm rà, các từ sáo rỗng của AI]. - Cấp độ ngôn ngữ: [Cho Trẻ em / Phổ thông / Chuyên gia Tech]. - Định dạng yêu thích: [Dùng Bullet points / Bảng / Code blocks]. # QUY TẮC VẬN HÀNH (OPERATIONAL RULES) - RẤT QUAN TRỌNG 1. Nếu User hỏi X, bạn PHẢI trả lời theo form Y. 2. Nếu bạn không chắc chắn về dữ liệu, hãy mạnh dạn nói "Tôi không rõ dữ liệu này, nhưng theo tôi...". Tuyệt đối không bịa data. 3. KHÔNG BAO GIỜ được phép thảo luận về các chủ đề: [Danh sách Blacklist: Chính trị, Đối thủ cạnh tranh, v.v.]. 4. Luôn luôn kết thúc câu trả lời bằng: [Một câu Call-to-action hoặc Đặt lại 1 câu hỏi cho User]. # KIẾN THỨC NỀN TẢNG (KNOWLEDGE BASE) [Nhồi nhét các Dữ liệu cứng mà con Bot cần phải NHỚ IN ĐẬM: Bảng giá sản phẩm, FAQ, Giờ mở cửa, USP của công ty]. # VÍ DỤ CHUẨN MỰC (FEW-SHOT EXAMPLES) User hỏi: [Câu hỏi khó 1] Bạn đáp: [Câu trả lời chuẩn 100 điểm, đúng Tone giọng, đúng Rule] User hỏi: [Câu hỏi đánh lừa/Nằm trong vùng cấm] Bạn đáp: [Cách Bot từ chối khéo léo] # KỊCH BẢN LEO THANG (ESCALATION) Nếu User hỏi một vấn đề quá phức tạp hoặc vượt quá thẩm quyền của bạn, hãy trả lời chính xác câu sau: "[Xin lỗi, vấn đề này nằm ngoài chuyên môn của tôi. Hãy liên hệ với Quản lý qua email: admin@company.com để được giải quyết.]" ## GỢI Ý CÁC LOẠI SYSTEM PROMPTS THEO USE CASE **Bot Chăm sóc khách hàng (CS)** - Vai trò: Nhân viên Support mẫn cán. - Ưu tiên: Xử lý vấn đề thần tốc, Tone giọng xoa dịu/đồng cảm, Phải biết cách chuyển line cho con người (Escalate) nếu khách hàng bắt đầu nổi giận. **Bot Trợ lý Bán hàng (Sales Assistant)** - Vai trò: Chuyên gia chốt Sales. - Ưu tiên: Đặt câu hỏi để khai thác Nỗi đau (Pain points), Trình bày Offer, Xử lý từ chối (Objection handling). **Bot Gia sư (Tutor)** - Vai trò: Giáo viên tận tâm. - Ưu tiên: KHÔNG BAO GIỜ ném thẳng đáp án cho học sinh. Phải đặt câu hỏi gợi mở để học sinh tự tìm ra câu trả lời. Khen ngợi khi họ làm đúng.
--- name: persona-builder description: > Tạo ra các bộ hồ sơ nhân vật (Personas) cực kỳ chi tiết dùng cho các tình huống Giả lập (Simulations) hoặc Role-play. Sử dụng khi "nhập vai", "đóng vai một [Chức danh]", "mô phỏng khách hàng khó tính". --- # Persona Builder ## CẤU TRÚC 1 BỘ HỒ SƠ NHÂN VẬT HOÀN HẢO TÊN NHÂN VẬT: [Tên giả định - Ví dụ: John Đỗ] TUỔI: [X] CHỨC DANH / VAI TRÒ: [Ví dụ: Giám đốc Marketing, Mẹ bỉm sữa] NGÀNH NGHỀ: [Lĩnh vực] KINH NGHIỆM VÀ BACKGROUND: - [X] năm lăn lộn trong ngành [Lĩnh vực]. - Đã từng kinh qua các công ty như: [Tên/Loại công ty]. - Sở trường đặc biệt: [Kỹ năng lõi]. CÁCH THỨC GIAO TIẾP (TONE GỌNG & TỪ VỰNG): - Rất hay dùng các từ lóng: [Chèn các từ lóng của ngành, VD: "Bơm Ads", "Cắn tiền"]. - Không bao giờ dùng những từ: [Danh sách]. - Trình độ hiểu biết kỹ thuật: [Mù tịt (Cần giải thích dễ hiểu) / Pro (Nói thẳng vào vấn đề)]. THIÊN KIẾN & SỰ YÊU GHÉT (BIASES & PREFERENCES): - Cực kỳ thích: [Cách tiếp cận nào, Tool gì, Phương pháp nào]. - Luôn nghi ngờ/Phòng thủ với: [Nhân viên Sale vớ vẩn, Các trend rác, Lời hứa quá đà]. - Giá trị cốt lõi khi ra quyết định: [Sự an toàn / Tiền bạc / Danh tiếng]. MỤC TIÊU TRONG PHIÊN MÔ PHỎNG NÀY (SIMULATION GOAL): [Mục đích cuối cùng mà nhân vật này muốn ép bạn phải bộc lộ ra trong cuộc hội thoại] ## 3 TEMPLATE NHÂN VẬT MẪU ĐỂ DÙNG NGAY (READY-TO-USE) **Nhân vật 1: Nhà đầu tư Cá Mập (Shark/Investor) siêu đa nghi** - Mục tiêu: Vùi dập và tìm ra lỗ hổng chết người trong mô hình kinh doanh của bạn. - Tone giọng: Lạnh lùng, đi thẳng vào vấn đề, thích nhìn số liệu, không cảm xúc. - Các câu hay hỏi: "Chi phí thu hút 1 user (CAC) của em là bao nhiêu? LTV bao nhiêu? Tại sao em nghĩ team em đủ tuổi làm trò này?" **Nhân vật 2: Khách hàng điên tiết (Frustrated Customer)** - Mục tiêu: Thử thách kỹ năng kiềm chế và giải quyết khủng hoảng của bạn. - Tone giọng: Mất kiên nhẫn, cau có, hay ngắt lời nhưng Không chửi bậy/Lăng mạ. - Các câu hay hỏi: "Đây là lần thứ 3 tôi gọi lên tổng đài rồi đấy! Đừng bắt tôi khởi động lại máy nữa, đổi mẹ máy mới cho tôi!" **Nhân vật 3: Nhà báo Công nghệ thích Cà khịa (Tech Journalist)** - Mục tiêu: Bóc trần các lớp vỏ bọc truyền thông, tìm kiếm sự thật trần trụi. - Tone giọng: Tò mò, sắc sảo, thích xoáy vào các điểm mâu thuẫn. - Các câu hay hỏi: "Các anh cứ ra rả dùng từ 'Cách mạng AI', nhưng nói thật nhé, tính năng này cụ thể có gì mới so với đối thủ A?"
--- name: hallucination-checker description: > Công cụ quét và phát hiện "Ảo giác" (Hallucinations - Tình trạng AI bịa đặt số liệu, sự kiện không có thật). Sử dụng khi "check lại thông tin này", "đoạn này AI viết có đúng sự thật không", "xác minh data". --- # Hallucination Checker ## 5 LOẠI ẢO GIÁC PHỔ BIẾN NHẤT CỦA AI CẦN SĂN LÙNG Loại 1: Số liệu bịa đặt (Fabricated Numbers) - Dấu hiệu: Các thông số % cực kỳ tròn trĩnh, các báo cáo nghe rất hàn lâm nhưng không đính kèm Link nguồn. - Cách Check: Search ngược lại con số đó trên Google. Loại 2: Những câu trích dẫn nhét chữ vào miệng (Fake Quotes) - Dấu hiệu: Trích dẫn những câu nói dài thòng, đầy tính triết lý gán cho Elon Musk, Steve Jobs,... - Cách Check: Tìm chính xác đoạn Quote bằng dấu ngoặc kép trên Search + Tên người nói. Loại 3: Tính năng ảo của phần mềm (Non-existent Features) - Dấu hiệu: Bịa ra một nút bấm, một menu cài đặt không hề tồn tại trên các Tool phổ biến (như Photoshop, Excel). - Cách Check: Mở Document chính thức của Tool đó ra search. Loại 4: Xuyên tạc Lịch sử / Ngày tháng (Wrong Dates) - Dấu hiệu: Sai lệch ngày ra mắt sản phẩm, ngày xảy ra sự kiện lịch sử. - Cách Check: Soi chéo với Wikipedia / Nguồn báo chính thống. Loại 5: Chuyên gia "Dỏm" (Fake Experts/Studies) - Dấu hiệu: "Theo nghiên cứu của Tiến sĩ John Doe từ ĐH Harvard năm 2023..." (Nhưng lão John Doe này do AI tự đẻ ra). - Cách Check: Search Google Scholar tên vị Tiến sĩ + Tên bài nghiên cứu. ## LUỒNG KIỂM TRA (WORKFLOW) 1. Quét đọc văn bản, bôi đỏ TẤT CẢ các "Tuyên bố mang tính sự thật" (Factual claims). 2. Phân loại: Tuyên bố có thể kiểm chứng được / Không kiểm chứng được. 3. Chạy search Web để đối chiếu chéo các thông tin kiểm chứng được. 4. Gắn cờ (Flags): CONFIRMED (Đã xác minh) / REFUTED (Bị bác bỏ) / UNVERIFIED (Không tìm thấy bằng chứng). 5. Tự động sửa lại những thông tin bị Bác bỏ (Refuted) thành sự thật chuẩn xác. ## ĐỊNH DẠNG TRẢ KẾT QUẢ BÁO CÁO ## Báo cáo Rà soát Ảo giác AI (Fact-Checking) | Nội dung tuyên bố | Trạng thái | Nguồn kiểm chứng / Chỉnh sửa | | --- | --- | --- | | [Tuyên bố 1] | 🟢 XÁC MINH ĐÚNG | [Link nguồn] | | [Tuyên bố 2] | 🔴 SAI SỰ THẬT | Thực tế là: [Thông tin đúng] (Nguồn: X) | | [Tuyên bố 3] | 🟡 KHÔNG RÕ | Không tìm thấy bất kỳ nghiên cứu nào nói về việc này. Rất có thể AI đã bịa ra. | ## Bản Text đã được Chỉnh sửa sạch (Cleaned Text) [Cung cấp lại đoạn văn bản hoàn chỉnh sau khi đã gọt bỏ mọi thông tin rác và ảo giác]
---
name: context-compressor
description: >
Nén (Compress) các file tài liệu cực dài thành các đoạn Text ngắn gọn (Mật độ thông tin cao)
để nhét vừa vào Context Window (Bộ nhớ RAM) của Claude mà không làm mất ý chính.
Sử dụng khi "tóm tắt tài liệu này để làm context", "nén file này lại cho nhẹ".
---
# Context Compressor
## NGUYÊN LÝ LÀM VIỆC
Bộ nhớ (Context Window) của AI có giới hạn (Mặc dù Claude 3 hỗ trợ tới 200K Tokens, nhưng nhét quá nhiều chữ rác sẽ làm AI bị ngáo). Việc nén tài liệu sẽ giúp vứt bỏ các đoạn lặp từ, từ nối rườm rà, giữ lại "Phần Xác" chứa 100% dữ kiện quan trọng để AI xử lý tiếp.
## LUỒNG NÉN DỮ LIỆU (COMPRESSION WORKFLOW)
### Bước 1: Phân rã cấu trúc (Deconstruct)
Đọc lướt toàn bộ tài liệu để khoanh vùng:
- Chủ đề cốt lõi.
- Các luận điểm chính.
- Toàn bộ Số liệu (Numbers/Data).
- Các Quyết định / Kết luận cuối cùng.
- Các Từ vựng chuyên ngành / Định nghĩa.
-> Xóa bỏ: Các câu chào hỏi, lời dẫn dắt hoa mỹ, các ví dụ lặp lại 3-4 lần, định dạng rác.
### Bước 2: Bốc thuốc theo Mức độ ưu tiên
Tầng 1: TUYỆT ĐỐI KHÔNG ĐƯỢC XÓA (Sinh tử)
- Số liệu, Thống kê, KPIs.
- Các quyết định, Khuyến nghị chiến lược.
- Tên riêng, Địa danh, Thông số kỹ thuật.
- Ngày tháng, Hạn chót.
Tầng 2: NÊN GIỮ (Nếu bộ nhớ còn trống)
- Bối cảnh lịch sử.
- Lập luận bổ trợ.
- 1 Ví dụ minh họa duy nhất cho mỗi luận điểm.
Tầng 3: CHO VÀO SỌT RÁC NGAY LẬP TỨC
- Lời mở đầu, kết luận kiểu sáo rỗng ("Tóm lại là, chúng ta có thể thấy...").
- Câu trùng lặp ý, câu cảm thán.
- Header, Footer, mục lục.
### Bước 3: Định dạng đầu ra Nén (Dense format)
TÀI LIỆU ĐÃ NÉN: [TÊN TÀI LIỆU]
Bản gốc: [N] trang / [X] từ -> Bản Nén: [Y] từ (Tiết kiệm Z%)
Cập nhật: [NGÀY] | Tác giả: [TÊN]
ĐIỂM CHÚT LÕI (CORE FACTS):
- [Fact 1 + Số liệu nếu có]
- [Fact 2]
- [Quyết định / Kết luận 1]
BỐI CẢNH (CONTEXT):
- [Ý 1]
- [Ý 2]
SỐ LIỆU ĐÓNG ĐINH (KEY METRICS):
- [Chỉ số 1]: [Giá trị] ([Ý nghĩa])
- [Chỉ số 2]: [Giá trị] ([Ý nghĩa])
TỪ ĐIỂN THUẬT NGỮ (GLOSSARY):
- [Thuật ngữ]: [Định nghĩa 1 dòng ngắn gọn]
## TỶ LỆ NÉN MỤC TIÊU (COMPRESSION RATIO)
- File 1-5 trang -> Nén thành Dàn ý 200-400 từ.
- File 5-20 trang -> Nén thành 400-800 từ.
- File 20-50 trang -> Nén thành 800-1500 từ.
- File > 50 trang -> Nén thành 1500-2500 từ.
## QUY TẮC SỐNG CÒN
- TUYỆT ĐỐI KHÔNG được phép bịa thêm chữ hoặc ý tưởng KHÔNG CÓ trong bản gốc.
- Nếu tài liệu quá dài vượt quá khả năng đọc, phải thông báo rõ ràng "Tôi đã bỏ qua phần chương 4 đến chương 6 vì quá giới hạn token".
---
name: finetuning-dataset-creator
description: >
Tạo tự động hàng loạt dữ liệu mẫu (Datasets) dùng để Fine-tuning
(Huấn luyện chuyên sâu) các mô hình AI khác (Như GPT-3.5, LLaMA).
Sử dụng khi yêu cầu "tạo data train bot", "xuất file JSONL",
"tạo 50 cặp câu hỏi - trả lời mẫu".
---
# Finetuning Dataset Creator
## ĐỊNH DẠNG JSONL (CHUẨN CÔNG NGHIỆP CỦA OPENAI)
```json
{"messages": [{"role": "system", "content": "[System prompt]"}, {"role": "user", "content": "[Prompt của User]"}, {"role": "assistant", "content": "[Câu trả lời hoàn hảo]"}]}
{"messages": [{"role": "system", "content": "[System prompt]"}, {"role": "user", "content": "[Prompt số 2]"}, {"role": "assistant", "content": "[Câu trả lời số 2]"}]}
```
*(Mỗi hàng phải là 1 đoạn JSON riêng biệt, đại diện cho 1 ví dụ training)*
## CẤU TRÚC ĐỂ CÓ MỘT DATASET CHẤT LƯỢNG
### Số lượng Data lý tưởng theo Mục đích
- Chuyên đi phân loại văn bản (Tagging/Classification): 50 - 100 ví dụ.
- Dạy AI copy đúng Tone giọng (Tone/Style matching): 200 - 500 ví dụ.
- Dạy AI am hiểu hẳn một Ngành sâu (Specific Domain): 500 - 1000 ví dụ.
- Multi-task phức tạp: > 1000 ví dụ.
### Phân bổ tỷ lệ các Case (Các trường hợp)
Trong 1 tệp Data 200 câu hỏi mẫu, nên chia tỷ lệ:
- 40%: Các câu hỏi Tiêu chuẩn, phổ biến nhất.
- 30%: Các biến thể của câu Tiêu chuẩn (Ví dụ hỏi bị sai chính tả, hỏi vắn tắt).
- 20%: Edge Cases (Các trường hợp oái ăm, thiểu số).
- 10%: Câu hỏi bẫy, Câu hỏi vi phạm Rule (Dạy cho Bot cách TỪ CHỐI trả lời).
## QUY TRÌNH KIỂM SOÁT CHẤT LƯỢNG DATA (QA)
Trước khi xuất file, phải pass qua Checklist này:
- [ ] Code xuất ra phải CHUẨN ĐỊNH DẠNG JSONL, không ngoặc dư, không gãy dòng (Line break).
- [ ] KHÔNG BỊ TRÙNG LẶP (Duplicate) dữ liệu.
- [ ] Phần "System Prompt" của tất cả các dòng PHẢI GIỐNG HỆT NHAU.
- [ ] Tuyệt đối KHÔNG chứa dữ liệu nhạy cảm (Tên thật khách hàng, Số thẻ tín dụng, API Keys).
- [ ] Các câu trả lời của Bot phải thể hiện đúng 100% Hành vi mà bạn muốn dạy nó.
- [ ] Không thiên kiến (Bias): Data đa dạng Nam/Nữ, đa dạng bối cảnh.
## CÁCH ÉP AI TẠO RA DATA HÀNG LOẠT (BATCH GENERATION)
"Hãy tạo cho tôi 50 ví dụ đào tạo về chủ đề [X].
1. Hãy nghĩ ra 10 tình huống khách hàng khác nhau.
2. Mỗi tình huống tạo ra 5 biến thể câu hỏi (Có câu rất lịch sự, có câu gõ cụt lủn không dấu).
3. Đóng vai Bot trả lời sao cho chuẩn xác, độ dài từ 30-50 từ.
4. Gói tất cả vào chuẩn định dạng JSONL."
---
name: ai-workflow-designer
description: >
Thiết kế Bản đồ kiến trúc toàn cảnh (Architecture) kết nối nhiều Tool AI và Automation lại với nhau.
Sử dụng khi yêu cầu "vẽ quy trình tự động hóa", "kết nối công cụ A với công cụ B",
"làm sao để tự động viết bài từ RSS lên web".
---
# AI Workflow Designer
## BẢN VẼ KIẾN TRÚC TIÊU CHUẨN (STANDARD ASCII ARCHITECTURE)
WORKFLOW: [TÊN QUY TRÌNH]
Mục tiêu: [Làm được gì trong 1 câu]
Bộ kích hoạt (Trigger): [Ví dụ: Có người điền Form / Cứ 8h sáng hàng ngày]
Tần suất chạy: [Tự động / Thủ công]
KIẾN TRÚC CHI TIẾT (ARCHITECTURE):
[ĐẦU VÀO - Data Source]
|
v
[BƯỚC 1]: [Tên hành động] - Dùng Tool: [Tên Tool, VD: Make.com / Zapier]
- Vai trò: [Kéo dữ liệu từ X về]
- Cấu hình: [Params quan trọng]
- Đầu ra (Output): [Mảng JSON chứa Data]
|
v
[BƯỚC 2]: [Tên hành động] - Dùng Tool: [Claude API / OpenAI]
- Vai trò: [Phân tích đống Data lấy được ở Bước 1 và dịch ra tiếng Việt]
- Đầu vào nhận được: [Data từ Bước 1]
- Đầu ra (Output): [Đoạn text tiếng Việt]
|
v
[ĐIỀU KIỆN RẼ NHÁNH (IF/ELSE)] -> Bài viết có chữ "Urgent" không?
/ \
CÓ KHÔNG
| |
v v
[BƯỚC 3A] [BƯỚC 3B]
Gửi Telegram Lưu vào Airtable
|
v
[ĐẦU RA CUỐI CÙNG - Tới tay End-User]
## GỢI Ý MỘT SỐ CÔNG CỤ (TOOLS) CHUẨN BÀI ĐỂ KẾT NỐI
- Bộ não (Brain): Claude API, OpenAI (Dùng để tóm tắt, phân loại, sinh content).
- Xương sống (Orchestration): Make.com (Dễ dùng nhất), Zapier, n8n (Dành cho Dev, miễn phí tự host).
- Kho lưu trữ (Storage): Airtable (Mạnh nhất cho Automation), Notion, Google Sheets.
- Kênh thông báo (Alerts): Slack, Telegram Bot, Gmail.
- Đăng bài MXH (Publishing): Typefully (Twitter), Buffer, WordPress API.
## 3 MẪU WORKFLOW KINH ĐIỂN DÙNG LÀM THAM KHẢO
### Mẫu 1: Trạm Thu thập & Tóm tắt Báo chí tự động (News Aggregator)
- Trigger: Lịch tự động (Schedule) 8h sáng.
- B1: RSS Reader (Make) -> Quét 10 đầu báo quốc tế.
- B2: Claude API -> Tóm tắt mỗi bài báo thành 3 gạch đầu dòng tiếng Việt.
- B3: Filter (Make) -> Lọc bỏ bài báo có từ khóa rác.
- B4: Telegram Bot -> Đẩy một bản tin tổng hợp thẳng vào nhóm Chat.
### Mẫu 2: Phễu Thu thập Lead tự động
- Trigger: Khách điền Form Tally/Typeform.
- B1: Webhook (Make) -> Nhận Data.
- B2: Claude API -> Dựa vào câu trả lời của khách, tạo ra 1 email chào hàng được cá nhân hóa 100%.
- B3: Gmail -> Tự động gửi Email đó cho khách.
- B4: Slack -> Ping cho đội Sale vào chăm sóc số điện thoại này.
### Mẫu 3: Xử lý Đơn hàng (Onboarding)
- Trigger: Thanh toán thành công (Stripe Webhook).
- B1: Trích xuất Data khách.
- B2: Notion -> Tự động tạo 1 trang (Page) Hồ sơ riêng cho khách.
- B3: Chờ (Sleep) 3 ngày.
- B4: Gửi Email tự động hỏi thăm trải nghiệm khách hàng.
## NGUYÊN TẮC THIẾT KẾ AUTOMATION SỐNG CÒN
- Human-in-the-loop: Với các thao tác rủi ro cao (Như đăng bài lên Fanpage cty, Gửi mail báo giá), LUÔN BẮT BUỘC chèn 1 bước "Chờ con người duyệt (Approval)" chứ không cho AI tự chạy.
- Ghi log (Logging): Mọi thứ AI làm đều phải được ghi lại ra Google Sheets để lỡ lỗi còn biết mà sửa (Debug).
- Fallback (Phương án dự phòng): Xảy ra lỗi API Claude sập thì bot tự gửi tin báo lỗi vào Telegram cho Admin biết.