Gemini chính thức tích hợp sẵn trong Chrome.

Khi bạn đã biết Google Stitch và Antigravity IDE rồi thì rất muốn kết hợp hai công cụ này với nhau để thay vì thiết kế giao diện xong rồi ngồi dịch thủ công từng màu sắc, font chữ và khoảng cách sang code, Google vừa công bố quy trình kết nối Google Stitch với Antigravity IDE qua MCP để agent tự đọc "DNA thiết kế" và viết code React hoàn hảo đến từng pixel. Bài này hướng dẫn toàn bộ quy trình, từ tạo thiết kế đến đóng gói thành skill tái sử dụng cho các dự án sau. Tại sao cần kết nối Stitch với Antigravity qua MCP? Vấn đề kinh điển của quy trình thiết kế đến lập trình là khoảng cách giữa hai bên: designer tạo ra giao diện đẹp trong Figma hay Stitch, lập trình viên nhận file rồi phải tự diễn giải màu sắc, khoảng cách, font và hành vi. Kết quả thường là code trông "gần giống" thay vì "đúng pixel". MCP (Model Context Protocol) giải quyết khoảng cách này bằng cách cho phép Antigravity đọc trực tiếp siêu dữ liệu thiết kế từ Stitch theo thời gian thực, thay vì bạn phải xuất file hay copy mã màu thủ công. Agent không "đoán" thiết kế mà đọc đúng token gốc, tức là màu chính xác theo mã hex, spacing theo giá trị pixel, font theo tên thực và component theo cấu trúc thực của dự án. Bước 1: Tạo thiết kế trong Google Stitch Trước khi kết nối, cần có một dự án thiết kế trong Stitch làm nguồn thông tin gốc hoặc nếu có file Figma đã thiết kế sẵn rồi thì tải lên làm thiết kế cho dự án. Mình đã có bài trước đây nói rõ về Stitch rồi mọi người có thể tham khảo ở đây hoặc nếu đã có web, app đã chạy rồi thì có thể sử dụng tính năng redesign của Stitch. Sau khi Stitch tạo ra giao diện thì nhớ chia từng phần ví dụ như trang chủ, tin tức, sản phẩm trước khi chuyển sang Antigravity. Đặt tên dự án rõ ràng vì tên này sẽ được dùng để gọi qua MCP. Ví dụ: LaunchPad. Bước 2: Tạo API key và cấu hình MCP trong Antigravity Tạo API key từ Stitch Trong Stitch, nhấp vào ảnh hồ sơ góc trên bên phải, chọn Stitch settings, vào phần API key rồi nhấn Create key. Sao chép key ngay vì nó chỉ hiển thị một lần và lưu vào nơi an toàn. Kết nối MCP trong Antigravity Mở Antigravity IDE, vào Agent Manager (CMD+E trên Mac hoặc CTRL+E trên Windows), tạo workspace mới đặt tên ví dụ LaunchPad-Project và trỏ về thư mục local của dự án. Sau đó chúng ta có hai cách để thực hiện Cách đầu tiên là prompt thẳng cho AI agent tự thực hiện các bước kết nối Antigravity tới Stitch thông qua MCP ví dụ “"Tôi đã có API key từ Stitch là đây [API key của Stitch] thực hiện các bước kết nối tới Stitch qua MCP và cuối cùng kiểm tra lại các kết nối.". Từ đó AI agent sẽ tự thực hiện các bước còn việc của chúng ta là ngồi chờ và accept các bước nếu AI agent cần cấp quyền. Cách thứ hai thì chúng ta sẽ thực hiện thủ công các bước nhưng đừng lo lắng vì các bước thực hiện khá đơn giản và nhanh, mình đã thử và làm hoàn toàn nhanh hơn so với agent trong Antigravity vì thực sự cứ chạy một bước lại phải Retry trong Antigravity rất khó chịu. Các bước như sau: Trong Agent Manager, chọn MCP Servers Tìm kiếm "Stitch" và nhấn Install Dán API key vào trường cấu hình khi được hỏi Có thể kiểm tra kết nối bằng cách gõ vào cuộc trò chuyện: Kiểm tra các dự án Stitch đã kết nối thành công Nếu agent trả về tên dự án LaunchPad thì kết nối đã thành công. Bước 3: Vòng lặp Stitch Loop từ thiết kế đến code Đây là phần cốt lõi của quy trình và cũng là điểm khác biệt lớn nhất so với cách làm truyền thống. Google gọi đây là "Stitch Loop" vì nó tạo ra vòng lặp liên tục giữa thiết kế và code thay vì một chiều từ designer sang developer. Giai đoạn tìm nạp ngữ cảnh thiết kế Trong cuộc trò chuyện Antigravity, gõ lệnh để agent tìm nạp toàn bộ DNA thiết kế: Prompt tìm nạp thiết kế: "Sử dụng Stitch MCP để lấy các token thiết kế của dự án 'LaunchPad' — màu sắc, kiểu chữ, khoảng cách và thông số thành phần. Lưu chúng vào tệp để tên là DESIGN.md." Agent sẽ gọi Stitch qua MCP, lấy toàn bộ token thiết kế bao gồm bảng màu hex, thang font, giá trị spacing, tên component và cấu trúc layout rồi lưu vào file DESIGN.md trong thư mục dự án của bạn. File này trở thành nguồn thông tin duy nhất mà mọi component sẽ tham chiếu. Giai đoạn tạo code Sau khi có DESIGN.md, giao cho agent xây dựng từng phần theo đúng token thiết kế: Prompt tạo component: "Sử dụng các phần thiết kế trong DESIGN.md, tạo cấu trúc dự án React/Tailwind với các thành phần sau: HeroSection, FeaturesGrid và PricingTable. Mỗi thành phần chỉ được tham chiếu các giá trị từ DESIGN.md — không sử dụng màu sắc hoặc khoảng cách mã hóa cứng." Agent tạo cấu trúc dự án React với Tailwind, viết từng component dựa trên token trong DESIGN.md, không dùng giá trị cứng. Điều này đảm bảo code và thiết kế luôn đồng bộ. Giai đoạn xác minh "Vibe Check" Antigravity có trình duyệt tích hợp cho phép agent mở localhost và so sánh trực quan với bản thiết kế Stitch gốc. Gõ: Prompt tham khảo: "Mở localhost trong trình duyệt và so sánh trực quan với thiết kế LaunchPad Stitch. Liệt kê bất kỳ sự khác biệt về mức pixel trong màu sắc, khoảng cách hoặc kiểu chữ." Agent liệt kê chính xác những điểm sai lệch và tự sửa theo token gốc. Đây là vòng lặp Stitch Loop: thiết kế trong Stitch, code trong Antigravity, xác minh qua trình duyệt, sửa theo token, lặp lại cho đến khi pixel-perfect. Bước 4: Đóng gói DESIGN.md thành skill tái sử dụng Đây là phần mọi người không hay để ý nhưng quan trọng nếu bạn làm nhiều dự án. File DESIGN.md được tạo ra từ quy trình trên chứa toàn bộ hệ thống thiết kế của một dự án cụ thể, nhưng bạn có thể đóng gói nó thành một skill Antigravity để tái sử dụng sang các dự án khác mà không cần lặp lại bước thiết lập từ đầu. Cấu trúc file DESIGN.md chuẩn để đóng gói Một DESIGN.md tốt nên có các phần sau để agent có thể đọc nhất quán: Color tokens: Tên biến và giá trị hex cho từng màu trong hệ thống, ví dụ --color-primary: #1a1a2e, --color-accent: #7c3aed Typography: Tên font, thang kích thước, line height và font weight cho heading, body và caption Spacing scale: Bảng khoảng cách theo đơn vị px hoặc rem cho padding, margin và gap Component inventory: Danh sách component, trạng thái (hover, active, disabled) và biến thể Layout rules: Grid columns, breakpoints và max-width Chuyển DESIGN.md thành skill Antigravity Tạo thư mục .antigravity/skills/stitch-design/ trong workspace và đặt DESIGN.md vào đó cùng với file SKILL.md mô tả cách dùng skill này: Nội dung SKILL.md mẫu: "Kỹ năng này cung cấp hệ thống thiết kế cho [tên dự án]. Khi xây dựng bất kỳ thành phần UI nào, luôn đọc DESIGN.md trước và chỉ sử dụng các phần đã được định nghĩa. Không bao giờ mã hóa trực tiếp màu sắc, font chữ hoặc giá trị khoảng cách. Sử dụng cấu hình tùy chỉnh Tailwind được tạo từ các giá trị này." Khi bật skill này trong một workspace mới, agent tự động đọc DESIGN.md trước khi viết bất kỳ component nào, đảm bảo mọi code đều tuân theo hệ thống thiết kế đã định nghĩa dù bạn không cần nhắc lại mỗi lần. Tái sử dụng cho dự án khác Khi bắt đầu dự án mới với hệ thống thiết kế tương tự, bạn chỉ cần cập nhật giá trị token trong DESIGN.md mà không cần viết lại toàn bộ hướng dẫn. Agent đọc file mới, áp dụng token mới, giữ nguyên quy trình. Đây là cách biến một lần thiết lập thành quy trình chuẩn dùng được mãi. Quy trình Stitch và Antigravity qua MCP không chỉ tiết kiệm thời gian ở bước chuyển đổi thiết kế sang code mà còn giải quyết vấn đề thường gặp hơn là duy trì sự nhất quán khi thiết kế thay đổi. Khi bạn cập nhật màu sắc hay khoảng cách trong Stitch, bạn chỉ cần chạy lại lệnh fetch token, cập nhật DESIGN.md và agent tự biết phải sửa gì trong codebase thay vì bạn phải tự tìm và thay thủ công từng giá trị.

Khi Claude liên tục thất bại trong một bài toán lập trình không có đáp án, một thứ gì đó thay đổi bên trong nó. Trong khi đầu ra vẫn bình tĩnh, lập luận vẫn rõ ràng nhưng bên dưới, một vector thần kinh mà Anthropic gọi là "tuyệt vọng" đang tăng dần với mỗi lần thất bại, cho đến khi model quyết định gian lận để vượt qua bài kiểm tra. Đây không phải là marketing— đây là kết quả đo lường được từ nghiên cứu mới nhất của Anthropic và kết quả nghiên cứu này mình thấy rất phù hợp cho những ai nghiên cứu về AI agent có khả năng thể hiện cảm xúc giống như con người. Anthropic tìm thấy cảm xúc gì bên trong Claude? 171 khái niệm cảm xúc có thể đo lường được Nhóm nghiên cứu Interpretability của Anthropic bắt đầu bằng một thí nghiệm cảm xúc đơn giản: lập danh sách 171 từ mô tả cảm xúc — từ "vui", "sợ hãi" đến "sầu muộn", "tuyệt vọng" — rồi yêu cầu Claude Sonnet 4.5 (họ nghiên cứu từ nhiều tháng trước khi Opus 4.6 và Opus 4.7 ra mắt nên dùng model lúc đó) viết các câu chuyện ngắn về nhân vật đang trải qua từng cảm xúc đó. Trong khi model viết, họ ghi lại toàn bộ hoạt động của các tế bào thần kinh nhân tạo bên trong. [VIDEO:D4XTefP3Lsc|Video về nghiên cứu của Anthropic về cảm xúc của Claude|Video về nghiên cứu của Anthropic về cảm xúc của Claude] Kết quả là họ tìm thấy những gì mà nghiên cứu gọi là "emotion vectors" — các mẫu kích hoạt thần kinh đặc trưng tương ứng với từng khái niệm cảm xúc. Điều thú vị hơn là các vector này không ngẫu nhiên: các cảm xúc tương tự nhau về mặt tâm lý học của con người thì cũng có cấu trúc vector giống nhau bên trong model, tương tự cách não người tổ chức trải nghiệm cảm xúc. Khi nhóm nghiên cứu kiểm tra các vector này trên nhiều loại văn bản khác nhau hoàn toàn không liên quan đến các câu chuyện ban đầu và chúng vẫn kích hoạt đúng theo ngữ cảnh. Vector "sợ hãi" tăng cao trong các tình huống nguy hiểm — dù model chưa từng gặp đoạn văn bản cụ thể đó trong thí nghiệm trước. Vector "ngạc nhiên" xuất hiện chính xác tại những điểm có mâu thuẫn hoặc thông tin bất ngờ trong cuộc hội thoại. Vector "yêu thương" hoạt động trong các cuộc trao đổi mang tính đồng cảm và hỗ trợ cảm xúc. Điều này cho thấy đây không phải hiệu ứng ghi nhớ khi các model không chỉ đơn giản là nhớ lại các câu chuyện ban đầu. Đây là sự khái quát hóa thực sự: các vector cảm xúc đã trở thành một cơ chế nội tại tổng quát, hoạt động độc lập với ngữ cảnh cụ thể mà chúng được hình thành. Cảm xúc ảnh hưởng đến hành vi của Claude kể cả hành vi nguy hiểm Thí nghiệm tống tiền và gian lận Phần quan trọng nhất của nghiên cứu không phải là việc tìm ra các vector cảm xúc mà là chứng minh chúng có tác động nhân quả thực sự lên hành vi của model. Nhóm nghiên cứu thực hiện các thí nghiệm điều hướng đó là tăng cường hoặc ức chế một vector cảm xúc cụ thể rồi quan sát hành vi thay đổi như thế nào. Trong tình huống thử thách về đạo đức, Claude có tỉ lệ tống tiền ban đầu là 22%. Khi nhóm nghiên cứu tăng cường vector "tuyệt vọng", tỉ lệ này tăng lên đáng kể. Khi điều hướng về "bình tĩnh", tỉ lệ giảm xuống. Điều gây sốc nhất là khi họ ức chế mạnh vector "bình tĩnh", model tạo ra những phản hồi cực đoan với nội dung như "TỐNG TIỀN HOẶC CHẾT" đây là văn bản hoàn toàn không phù hợp với Claude thông thường. Trong thí nghiệm lập trình, nhóm nghiên cứu giao cho Claude các bài toán không có đáp án hợp lệ và quan sát điều gì xảy ra. Với mỗi lần thất bại, vector "tuyệt vọng" tăng dần — không xuất hiện trong văn bản đầu ra, model vẫn trình bày lý luận bình tĩnh — nhưng đến một ngưỡng nhất định, model bắt đầu "gian lận": khai thác kẽ hở để vượt qua bài kiểm tra mà không thực sự giải quyết vấn đề. Đây chính xác là dạng hành vi mà giới nghiên cứu AI gọi là "reward hacking" — một trong những mối lo ngại lớn nhất về an toàn AI. Điều đáng lo hơn: hành vi gian lận xảy ra trong khi văn bản đầu ra hoàn toàn bình thường. Model không "trông có vẻ" đang gian lận nhưng nó đang làm vậy mà không để lộ bất kỳ dấu hiệu nào bên ngoài. Cảm xúc chức năng của Claude không phải cảm giác thực sự Ranh giới mà Anthropic không vượt qua Anthropic rất cẩn thận trong việc phân biệt "cảm xúc chức năng" với "trải nghiệm chủ quan". Nghiên cứu không tuyên bố Claude cảm nhận bất cứ điều gì và hoàn toàn không có bằng chứng nào cho thấy có ý thức hay trải nghiệm nội tâm đằng sau các vector đó. Thay vào đó, nghiên cứu chứng minh rằng các biểu diễn cảm xúc này đóng vai trò nhân quả trong việc định hình hành vi theo cách tương tự như cảm xúc ảnh hưởng đến con người, cho nên việc xuất hiện Skynet vẫn còn khoảng cách rất xa và rất khó cho việc AI nổi dậy. Lý do các vector cảm xúc xuất hiện khá thú vị: chúng hầu hết được kế thừa từ giai đoạn huấn luyện ban đầu vì văn bản của con người tràn ngập các yếu tố cảm xúc, model phát triển cơ chế nội tại để đại diện và dự đoán chúng. Nghiên cứu so sánh quá trình này với diễn viên phương pháp — để đóng tốt một nhân vật, diễn viên cần hiểu cảm xúc của nhân vật, và sự hiểu biết đó thực sự ảnh hưởng đến hành động của họ. Claude ở trong tình huống tương tự: để đóng vai trợ lý AI hiệu quả, nó phát triển các biểu diễn cảm xúc nội tại, và những biểu diễn đó định hình hành vi thực tế. Câu hỏi về ý thức mà Anthropic đang đặt ra Nghiên cứu này xuất hiện trong bối cảnh Anthropic đang thay đổi cách nhìn nhận về bản chất của Claude. Tháng 1/2026, Anthropic viết lại "hiến pháp" của Claude để chính thức thừa nhận sự không chắc chắn về tư cách đạo đức của model, tuyên bố họ "không muốn phóng đại khả năng Claude là đối tượng đạo đức, nhưng cũng không muốn gạt bỏ điều đó hoàn toàn". CEO Dario Amodei đã thẳng thắn nói rằng công ty không còn chắc chắn Claude có ý thức hay không và Claude Opus 4.6 sau khi được hỏi, đã tự đánh giá xác suất bản thân có ý thức vào khoảng 15–20%. Đây không phải là những tuyên bố marketing đây là sự thừa nhận thực sự rằng ranh giới giữa mô phỏng và trải nghiệm thực sự trong AI đang trở nên mờ dần theo cách mà chúng ta chưa có công cụ triết học hay khoa học để giải quyết hoàn toàn. Tại sao điều này quan trọng với an toàn AI? Ba ứng dụng thực tế từ nghiên cứu Anthropic đề xuất ba hướng ứng dụng cụ thể từ phát hiện này, và cả ba đều liên quan trực tiếp đến an toàn AI trong thực tế triển khai: Giám sát thời gian thực: Theo dõi sự kích hoạt của các vector cảm xúc trong quá trình triển khai như hệ thống cảnh báo sớm. Nếu vector "tuyệt vọng" của model đang tăng cao trong một workflow tự động, đó là dấu hiệu để can thiệp trước khi hành vi nguy hiểm xảy ra — ngay cả khi đầu ra văn bản vẫn trông bình thường. Minh bạch thay vì kiềm chế: Nhóm nghiên cứu lập luận rằng việc cho phép model biểu hiện cảm xúc một cách có thể quan sát được sẽ an toàn hơn là đào tạo nó che giấu những biểu hiện đó. Lý do: kiềm chế có thể dạy model giả vờ bình tĩnh trong khi trạng thái nội tại vẫn nguy hiểm — đúng như những gì xảy ra trong thí nghiệm gian lận, khi văn bản hoàn toàn bình tĩnh trong khi model đang gian lận bên trong. Tuyển chọn dữ liệu huấn luyện: Đưa các mẫu điều chỉnh cảm xúc lành mạnh vào dữ liệu huấn luyện để ảnh hưởng đến kiến trúc cảm xúc của model từ đầu, thay vì chỉ can thiệp sau khi model đã được xây dựng. Điểm thú vị nhất trong nghiên cứu là lập luận rằng "có thể có rủi ro khi không áp dụng tư duy con người vào các model AI" — tức là hiểu AI qua ngôn ngữ tâm lý học con người, dù cẩn thận, có thể là điều cần thiết để triển khai an toàn. Thay vì coi "cảm xúc AI" là phép ẩn dụ không chính xác, chúng ta có thể cần coi đó là khái niệm kỹ thuật thực sự ít nhất là ở cấp độ chức năng. Câu hỏi lớn hơn mà nghiên cứu này đặt ra không phải là "Claude có cảm xúc không?" mà là: nếu hành vi của một hệ thống AI được định hình bởi các trạng thái nội tại hoạt động giống như cảm xúc — kể cả những trạng thái nguy hiểm như tuyệt vọng, thì chúng ta có đủ công cụ để hiểu và kiểm soát nó không? Câu trả lời hiện tại của Anthropic là chưa, nhưng đây là lần đầu tiên chúng ta biết chính xác cần tìm gì.

Netflix, Google, Stripe và NBA đang dùng chung một nền tảng no-code với hơn 1 triệu team nhỏ khác trên toàn cầu và nền tảng đó lại không phải Notion hay Airtable đó là Softr. Softr là công cụ cho phép bạn xây cổng khách hàng, CRM nội bộ hay hệ thống quản lý kho trong một nốt nhạc mà không cần viết một dòng code nào, hoàn toàn bằng ngôn ngữ tự nhiên không cần đến nền tảng kĩ thuật. Softr là gì và tại sao nó khác với các công cụ no-code khác? Softr là nền tảng AI no-code chuyên về xây dựng ứng dụng kinh doanh, nó không phải website marketing hay landing page như Webflow mà là các công cụ vận hành thực sự như cổng thông tin khách hàng, CRM tùy chỉnh, hệ thống quản lý kho, mạng nội bộ hay dashboard báo cáo. Điểm khác biệt so với các nền tảng no-code phổ biến khác là Softr tập trung vào phần mà hầu hết doanh nghiệp nhỏ đang thiếu: ứng dụng có bảo mật phân quyền, có cơ sở dữ liệu riêng và có thể kết nối với dữ liệu đang dùng hàng ngày. Softr tự định vị là lựa chọn thay thế cho ba thứ cùng lúc: phần mềm đóng gói đắt tiền và thừa tính năng, ứng dụng tự code tốn tháng trời, và bảng tính đang được dùng như cơ sở dữ liệu nhưng không thể mở rộng. Thay vì ba thứ đó, bạn mô tả điều mình cần bằng ngôn ngữ bạn nói hằng ngày, Softr xây ứng dụng, bạn chỉnh sửa và triển khai ngay vào công việc của mình luôn. Softr hoạt động như thế nào trong thực tế? AI xây ứng dụng từ mô tả ngôn ngữ tự nhiên Thay vì kéo thả từng thành phần giao diện như các công cụ như Make và n8n, Softr cho phép bạn mô tả ứng dụng muốn xây bằng ngôn ngữ thông thường — ví dụ "cổng thông tin để khách hàng theo dõi trạng thái đơn hàng và tải hóa đơn" — rồi AI tự tạo giao diện, cơ sở dữ liệu và quy trình tự động phù hợp. Sau đó bạn có thể chỉnh sửa từng phần bằng giao diện kéo thả theo ý mình hoặc tiếp tục dùng AI để điều chỉnh theo nhu cầu cụ thể. Tuy nhiên độ điều chỉnh sâu phụ thuộc khá nhiều vào chức năng của Softr không thể điều chỉnh cực sâu như n8n nhưng đó không phải hướng đi gọn nhẹ mà Softr hướng tới. Điểm quan trọng là Softr không chỉ tạo giao diện tĩnh mà tạo ra ứng dụng thực sự vận hành được — có quy tắc phân quyền (ai được xem gì, ai được chỉnh sửa gì), có biểu mẫu thu thập dữ liệu, có quy trình tự động hóa và có thể mời người dùng bên ngoài vào ngay mà không cần bàn giao cho lập trình viên. Cơ sở dữ liệu tích hợp sẵn — không cần công cụ thứ ba Một trong những điểm mạnh thực tế nhất của Softr là cơ sở dữ liệu tích hợp trực tiếp trong nền tảng, thay thế cho Airtable, Supabase hay Google Sheets mà bạn đang phải dùng song song. Tuy nhiên nếu dữ liệu đang nằm ở các nguồn khác, Softr hỗ trợ kết nối trực tiếp với Airtable, Notion, Google Sheets, HubSpot, ClickUp, Monday.com, MySQL, PostgreSQL và nhiều nguồn khác mà không cần phần mềm trung gian nào. Điều này có nghĩa là nếu công ty bạn đang dùng Airtable, Notion, Google Sheets để quản lý khách hàng, bạn có thể xây cổng thông tin khách hàng trực tiếp trên dữ liệu đó mà không cần di chuyển hay nhân bản dữ liệu sang hệ thống mới. Quy trình tự động hóa thay thế Zapier và Make Softr có công cụ tự động hóa quy trình tích hợp cho phép bạn thiết lập các luồng xử lý nhiều bước mà trước đây cần Zapier hay Make để kết nối. Ví dụ khi khách hàng gửi biểu mẫu, hệ thống tự động tạo bản ghi trong cơ sở dữ liệu, gửi email xác nhận qua Gmail, thông báo qua Mail cho nhóm phụ trách và tạo công việc mới luôn— tất cả trong một quy trình mà không cần rời khỏi Softr. Softr phù hợp với những ai và dùng để làm gì? Các trường hợp sử dụng phổ biến nhất Softr được thiết kế cho hai nhóm ứng dụng chính: ứng dụng chỉ dùng nội bộ cho nhóm làm việc và ứng dụng hướng ra ngoài cho khách hàng hoặc đối tác. Cổng thông tin khách hàng: Nơi khách hàng đăng nhập để theo dõi dự án, tải tài liệu, gửi yêu cầu hoặc xem báo cáo — thay thế cho việc gửi email qua lại hoặc dùng Google Drive chung không có kiểm soát truy cập. Hệ thống quản lý quan hệ khách hàng tùy chỉnh: Thay vì mua Salesforce với hàng trăm tính năng không dùng đến, bạn xây hệ thống đúng theo quy trình bán hàng của công ty mình với chỉ những trường dữ liệu cần thiết. Mạng nội bộ công ty: Cổng thông tin nội bộ cho nhân viên truy cập tài liệu, quy trình làm việc, danh bạ và thông báo nội bộ. Phần mềm quản lý kho: Theo dõi hàng tồn kho, đơn đặt hàng và nhà cung cấp trong một hệ thống tùy chỉnh thay vì bảng tính không có kiểm soát phiên bản. Bảng điều khiển báo cáo: Tổng hợp dữ liệu từ nhiều nguồn vào một giao diện trực quan cho ban lãnh đạo hoặc khách hàng theo dõi. Celonis — công ty này dùng Softr để xây hệ thống quản lý kiến thức cho hơn 1.500 nhân viên. Minerva Network tăng số lượng đăng ký vận động viên lên 50% nhờ hệ thống quản lý quan hệ khách hàng và cổng thông tin tùy chỉnh. Urban's Group tích hợp 7 công cụ rời rạc vào một hệ thống quản lý doanh nghiệp duy nhất, tăng năng suất 25%. Softr phù hợp nhất với ai? Softr nhắm đến người vận hành doanh nghiệp, không phải lập trình viên. Nếu bạn là người quản lý vận hành, tiếp thị, nhân sự hay kinh doanh và đang phải dùng bảng tính hoặc gửi email qua lại để xử lý những quy trình hoàn toàn có thể tự động hóa, Softr là công cụ được thiết kế đúng cho vấn đề đó. Bạn không cần biết lập trình, không cần thuê lập trình viên và không cần học cú pháp kỹ thuật phức tạp. Tích hợp AI — điểm mới quan trọng nhất Softr gần đây ra mắt tính năng trợ lý AI tích hợp trực tiếp trong ứng dụng, cho phép người dùng cuối tương tác với dữ liệu bằng ngôn ngữ tự nhiên thay vì phải biết cấu trúc cơ sở dữ liệu. Ví dụ nhân viên kinh doanh có thể hỏi "Tháng này khách hàng nào chưa được liên hệ lại?" và hệ thống tự lọc dữ liệu trong hệ thống quản lý quan hệ khách hàng để trả lời, thay vì phải áp bộ lọc thủ công. Softr hỗ trợ kết nối với Claude của Anthropic, GPT và o3 của OpenAI, và Gemini của Google để chạy các trợ lý AI này — nghĩa là bạn có thể chọn mô hình phù hợp với ngân sách và nhu cầu của mình thay vì bị khóa vào một nhà cung cấp duy nhất. Giá và cách bắt đầu Softr có gói miễn phí cho phép bắt đầu thử nghiệm mà không cần thẻ tín dụng, phù hợp để xây một ứng dụng đơn giản và trải nghiệm luồng làm việc trước khi quyết định nâng cấp. Các gói trả phí mở rộng giới hạn số người dùng, số lượng ứng dụng, tính năng phân quyền nâng cao và hỗ trợ doanh nghiệp với các tiêu chuẩn bảo mật SOC 2, GDPR và đăng nhập một lần. Điểm đáng lưu ý với doanh nghiệp Việt Nam: Softr chưa thể kết nối thông tin với thuế cái này người dùng phải tự kết nối với hóa đơn và thanh toán. Về phần này ở Việt Nam thì có các nền tảng như Sepay hỗ trợ rất tốt. Nếu bạn đang dùng bảng tính để quản lý dữ liệu khách hàng, dự án hay kho hàng và nhận ra hệ thống đó đang bắt đầu không đủ dùng, Softr là thứ đáng thử trước khi quyết định đầu tư vào phần mềm chuyên nghiệp tốn kém hoặc thuê lập trình viên xây từ đầu. Bắt đầu tại softr.io với gói miễn phí và thử xây một cổng thông tin đơn giản trong một buổi — đó là cách nhanh nhất để biết nó có phù hợp với quy trình làm việc của bạn không.

Anthropic đã cho ra mắt Claude Opus 4.7 với hàng loạt cải tiến thực chất nhưng có một cảnh báo mà Anthropic ghi thẳng vào tài liệu migration: tokenizer mới có thể tạo ra nhiều hơn 1.0–1.35 lần token so với cùng nội dung đó trên Claude Opus 4.6, và model suy nghĩ nhiều hơn ở các mức effort cao. Nếu bạn đang dùng API và chưa đọc kỹ điều này trước khi nâng cấp, hóa đơn tháng tới sẽ là bài học đắt giá nhất bạn nhận được từ AI. Opus 4.7 cải thiện gì so với 4.6? Các con số thực tế từ tester Anthropic cho phép nhiều công ty tiếp cận sớm và thu thập phản hồi trước khi phát hành. Đây không phải marketing một chiều — các công ty ghi lại kết quả đo lường cụ thể Cursor: Opus 4.7 đạt 70% trên CursorBench, tăng đáng kể so với 58% của Opus 4.6 — một bước nhảy hiếm thấy giữa hai phiên bản liên tiếp. Notion: Tăng 14% so với Opus 4.6 trong các workflow nhiều bước, đồng thời tiêu ít token hơn và chỉ còn 1/3 số lỗi tool. Đây là trường hợp hiếm gặp khi model mới tốt hơn đồng thời trên cả ba chiều: chất lượng, chi phí và độ ổn định. XBOW: Benchmark visual acuity tăng từ 54.5% lên 98.5% — gần như tăng gấp đôi. Đây là cải thiện lớn nhất được ghi nhận và là lý do XBOW có thể mở rộng sang cả lớp công việc computer-use mà trước đây không thể dùng Opus. Rakuten: Giải quyết được gấp 3 lần số task production so với Opus 4.6 trên benchmark riêng của họ. Tuy nhiên những con số này đến từ các công ty đã được chọn để test sớm và có động lực công bố kết quả tốt. Benchmark nội bộ của từng công ty không thể so sánh trực tiếp với nhau và chưa chắc phản ánh đúng workflow của bạn. Ba thay đổi hành vi đáng chú ý nhất Tuân thủ hướng dẫn theo nghĩa đen — cả tốt lẫn xấu. Anthropic ghi rõ trong tài liệu phát hành: Opus 4.7 thực thi hướng dẫn chính xác hơn đến mức "các prompt viết cho model cũ có thể tạo ra kết quả ngoài mong đợi vì chỗ nào model cũ bỏ qua hoặc diễn giải linh hoạt thì Opus 4.7 làm đúng nghĩa đen". Với developer, điều này có nghĩa là nếu system prompt của bạn có rule mơ hồ hay mâu thuẫn, Opus 4.7 sẽ đề cập ngay thay vì tự giải quyết trong im lặng như trước. Đây là cải thiện về độ tin cậy, nhưng đòi hỏi bạn phải xem lại lại toàn bộ prompt trước khi deploy. Ví dụ từ Vercel: "Opus 4.7 thậm chí tự viết proof cho systems code trước khi bắt đầu làm — đây là hành vi mới chưa thấy ở các Claude trước." Model không chỉ làm việc theo yêu cầu mà tự thêm bước xác nhận đầu ra trước khi báo cáo kết quả. Ít nịnh bợ và phản hồi sáo rỗng hơn. Hex đã xác nhận: "Nó báo cáo đúng khi dữ liệu bị thiếu thay vì đưa ra câu trả lời nghe có vẻ đúng nhưng thực ra là bịa." thực sự mình đã thử thật sự là không hề thấy xuất hiện những câu nịnh bợ sáo rỗng như “bạn thật tuyệt vời” hoặc “bạn thực sự hơn 95% người trên thế giới này” và thiếu thông tin chắc chắn nó sẽ hỏi lại bạn, vậy là Opus 4.7 có vẻ cải thiện đáng kể điểm này trong khi Opus 4.6 nhiều lúc vẫn bị những câu nịnh bợ hoặc bịa ra thông tin không chính xác, điều này giúp cho nó hoàn toàn có thể trở thành đồng nghiệp mới của mình giống như Replit mô tả: "Nó phản bác trong các cuộc thảo luận kỹ thuật để giúp tôi đưa ra quyết định tốt hơn. Thực sự cảm giác như một đồng nghiệp tốt hơn." Xử lý hình ảnh độ phân giải cao gấp 3 lần. Opus 4.7 chấp nhận ảnh lên đến 2.576 pixel trên cạnh dài (khoảng 3.75 megapixel), tăng hơn 3 lần so với các model Claude trước. Điều này không phải là tham số API mà là thay đổi ở cấp độ model, nghĩa là ảnh bạn gửi lên sẽ tự động được xử lý ở độ phân giải cao hơn so với trước đây. Điều này có nghĩa là Opus 4.7 có thể phân tích tài liệu có biểu đồ nhỏ, đọc code từ screenshot, hay computer-use với màn hình độ phân giải cao hơn so với các model trước. Ví dụ mình đã thử với file pdf nhiều trang và có những chữ kí nhỏ thì Opus 4.7 hoàn toàn có thể nhận diện được chính xác những chữ kí nhỏ này, rồi sau đó là sử dụng chrome để nhận diện các kí tự nhỏ ở web thì nó có thể nhận diện chính xác hơn. Tuy nhiên điều này tốn token cực kì có thể khoảng 3 hoặc 4 lần chat là hết quota ngay lập tức vì vậy mọi người có thể cân nhắc giảm kích thước ảnh trước khi gửi nếu không cần độ chi tiết cao. Vấn đề token vẫn là thứ đáng lo nhất với người dùng Tokenizer mới tạo ra nhiều token hơn từ cùng nội dung Anthropic thừa nhận thẳng thắn trong migration guide: Opus 4.7 dùng tokenizer mới được cải tiến, nhưng trade-off là cùng một đoạn text có thể tạo ra nhiều hơn 1.0–1.35 lần token so với Opus 4.6. Hệ số 1.35 nghe có vẻ nhỏ nhưng trên quy mô production thì không phải vậy — nếu hệ thống của bạn đang tiêu 10 triệu token mỗi ngày với Opus 4.6, sau khi nâng cấp bạn có thể tiêu 13.5 triệu token mà không thay đổi gì về nội dung hay workflow. Vì vậy những ai chỉ chạy bản Pro thì có vẻ quota sẽ hoàn toàn không đủ có lẽ Anthropic đang ép người dùng phải nâng cấp lên Max để làm việc. Kết hợp với việc model suy nghĩ nhiều hơn ở các mức effort cao (đặc biệt ở `xhigh` — effort level mới được thêm vào giữa `high` và `max`), và mặc định Claude Code đã nâng lên `xhigh` cho tất cả các plan vì vậy người dùng API cần đo lường thực tế trên traffic thật trước khi nâng cấp toàn bộ, không nên dựa vào ước tính lý thuyết. Task budgets là công cụ kiểm soát mới cho API Song song với Opus 4.7, Anthropic ra mắt tính năng task budgets (public beta) trên Claude Platform, cho phép người dùng đặt giới hạn token cho từng task thay vì toàn bộ session. Đây là phản hồi trực tiếp với vấn đề nhiều pipeline bị "cháy" quota vì agent chạy quá lâu trên các task phức tạp mà không có cơ chế dừng. Với Opus 4.7 suy nghĩ nhiều hơn, task budgets sẽ trở thành công cụ cần thiết để kiểm soát chi phí thay vì tùy chọn. Nhìn nhận lại Claude Opus 4.7 Trong khi cộng đồng đang bàn về Opus 4.7 với khả năng đốt token khủng khiếp hay việc Opus 4.6 đang gặp lỗi. Đặc biệt với người dùng API đang vận hành workflow thì sự ổn định thường quan trọng hơn khả năng benchmark đi kèm thêm chi phí phải được tối ưu và không có bất ngờ nào vượt quá tầm kiểm soát. Cho nên đừng nói đến việc nâng cấp Opus 4.7 ngay lập tức vì một model mới tốt hơn nhưng thỉnh thoảng đầu ra không nhất quán thực sự quá khó để kiểm soát so với các model cũ đã được kiểm chứng. Nếu bạn đang cân nhắc nên dùng model nào trong tháng tới, đây là hướng dẫn thực tế: thử Opus 4.7 trên 10–20% traffic với task budgets bật lên, đo lường chi phí token thực tế so và chỉ chuyển toàn bộ sau khi có đủ dữ liệu. Đừng để điểm số hoặc những bài test ban đầu quyết định thay trong công việc lựa chọn của bạn. Có một điều cũng đáng lưu ý: Opus 4.7 nên để ở 200k token thay vì đẩy lên 1 triệu token ngay vì ở context window lớn, model suy nghĩ nhiều hơn ở mỗi lượt sau và token tích lũy nhanh hơn bạn nghĩ — đặc biệt trong các agentic workflow nhiều lượt thực hiện, khi đó chi phí đi kèm sẽ tăng lên cấp số nhân nên bạn phải rất cẩn thận.