Quay lại trang tin tức

Google I/O 2026: Antigravity 2.0 cải tiến lớn nhưng giao diện lại giống Codex

Xuất bản vào 20 tháng 05, 2026
Google I/O 2026: Antigravity 2.0 cải tiến lớn nhưng giao diện lại giống Codex

Tóm tắt nhanh

Tại Google I/O 2026, Antigravity 2.0 lột xác thành nền tảng quản lý tác nhân độc lập chạy trên Gemini 3.5 Flash, nhưng giao diện tối giản kiểu Codex đang gây tranh cãi lớn.

Tại sự kiện Google I/O 2026, gã khổng lồ tìm kiếm đã khiến toàn bộ cộng đồng lập trình viên ngỡ ngàng khi chính thức công bố Antigravity 2.0. Không còn là một IDE tích hợp AI thông thường Antigravity giờ đây lột xác thành một ứng dụng desktop độc lập vận hành bởi Gemini 3.5 Flash, đi kèm gói đăng ký AI Ultra trị giá $100/tháng. Tuy nhiên, việc loại bỏ hoàn toàn trình soạn thảo mã nguồn tích hợp để chuyển sang một giao diện tối giản kiểu Codex đang tạo nên làn sóng tranh cãi dữ dội.

Antigravity 2.0 có bước chuyển mình như thế nào

Quyết định tách biệt hoàn toàn trình soạn thảo mã nguồn ra khỏi Antigravity 2.0 đánh dấu một bước đi táo bạo của Google trong việc định hình lại tương lai của phát triển phần mềm. Thay vì cố gắng tích hợp các tính năng AI vào một IDE truyền thống, phiên bản mới này hoạt động như một trung tâm điều phối AI agent chuyên dụng. Điều này có nghĩa là người dùng sẽ tập trung hoàn toàn vào việc thiết lập nhiệm vụ và giám sát các luồng công việc thay vì trực tiếp chỉnh sửa từng dòng code.

Sự thay đổi này được thể hiện rõ ràng nhất qua việc ra mắt gói dịch vụ AI Ultra trị giá $100 mỗi tháng. Đây là gói đăng ký cao cấp cung cấp giới hạn sử dụng gấp 5 lần so với gói AI Pro hiện tại, hướng tới các doanh nghiệp và nhà phát triển chuyên nghiệp cần vận hành số lượng lớn tác nhân tự chủ cùng lúc để giải quyết các bài toán phức tạp.

Sức mạnh từ Gemini 3.5 Flash và quy trình chạy bất đồng bộ

Trái tim của Antigravity 2.0 chính là mô hình ngôn ngữ lớn Gemini 3.5 Flash được tối ưu hóa đặc biệt cho các tác vụ agentic tốc độ cao. Nhờ khả năng xử lý vượt trội, hệ thống mới hỗ trợ quy trình làm việc đa tác nhân vô cùng phức tạp, cho phép nhiều subagent cùng tham gia giải quyết một dự án lớn. Cụ thể hơn, các tác nhân phụ này sẽ chạy hoàn toàn bất đồng bộ ở chế độ nền.

Cơ chế này đảm bảo rằng giao diện chính của ứng dụng không bao giờ bị đóng băng hay gián đoạn trong suốt quá trình xử lý, giúp lập trình viên duy trì luồng công việc mượt mà. Đây là một cải tiến vượt bậc so với phiên bản tiền nhiệm vốn thường xuyên gặp hiện tượng trễ khi phải xử lý các đoạn mã nguồn lớn.

Bộ đôi công cụ mới: Antigravity CLI và SDK

Để tăng cường tính linh hoạt cho các lập trình viên, Google đã giới thiệu hai công cụ lập trình mới:

  • Antigravity CLI viết bằng Go thay thế hoàn toàn cho Gemini CLI cũ, mang lại hiệu năng cao và tốc độ phản hồi cực nhanh trong terminal.
  • Antigravity SDK viết bằng Python cho phép các lập trình viên có thể tự xây dựng, tùy chỉnh cấu hình và tích hợp sâu các tác nhân tự chủ vào dự án.

Giao diện tối giản kiểu Codex và làn sóng tranh cãi từ cộng đồng

Mặc dù sở hữu nhiều nâng cấp mạnh mẽ về công nghệ, Antigravity 2.0 lại đang phải hứng chịu làn sóng chỉ trích từ cộng đồng người dùng do những thay đổi triệt để về giao diện. Giao diện mới giờ đây chỉ là một console tối giản tập trung vào khung chat để ra lệnh cho tác nhân, loại bỏ hoàn toàn không gian làm việc IDE quen thuộc. Nhiều ý kiến cho rằng thiết kế này trông giống hệt như một bản sao của ứng dụng Codex hay Claude Desktop.

Màn hình làm việc mới của Antigravity 2.0
Màn hình làm việc mới của Antigravity 2.0

Sự tối giản quá mức này khiến không ít lập trình viên cảm thấy hụt hẫng và trống trải vì họ không còn khả năng xem và sửa đổi file trực tiếp một cách nhanh chóng như trước. Việc phải chuyển đổi qua lại giữa Antigravity và một editor bên ngoài làm giảm đáng kể hiệu suất làm việc thực tế của họ.

Cách khôi phục trải nghiệm IDE truyền thống cho người dùng

Nhằm xoa dịu những phản ứng tiêu cực từ phía cộng đồng, Google đã đưa ra một số giải pháp tình thế cho những ai chưa sẵn sàng thích nghi với giao diện mới. Người dùng có thể truy cập vào trang chủ chính thức của Antigravity để tải xuống một phiên bản IDE riêng biệt. Phiên bản này sẽ giúp khôi phục lại không gian làm việc tích hợp quen thuộc với các tính năng chỉnh sửa mã nguồn truyền thống.

Sự phát triển ngày càng nhanh của các công cụ như Antigravity và Codex

Sự phân tách giữa trình soạn thảo code truyền thống và giao diện điều khiển agent là minh chứng rõ nét cho thấy AI đang dịch chuyển từ công cụ hỗ trợ sang đối tác tự chủ. Các lập trình viên cần chủ động làm quen với các công cụ điều khiển mới như CLI và SDK để chuyển dịch dần vai trò của mình từ người gõ code trực tiếp sang nhà quản lý và điều phối các hệ sinh thái tác nhân thông minh.

Thảo luận (0)

Đăng nhập để tham gia thảo luận.

Chưa có bình luận nào. Hãy là người đầu tiên!

Các bài viết liên quan

Cách kết hợp Codex và Claude Code chỉ với plugin

Có ai đang dùng song song cả Codex lẫn Claude Code không? Mình mới phát hiện plugin Codex cho Claude Code do chính OpenAI phát hành. Nói thật là đến giờ mới biết nên cũng có cảm giác như người tối cổ. Điểm hay nhất là từ nay có thể gọi Codex ngay trong phiên Claude Code hiện tại để review code, phản biện hướng triển khai hoặc nhận riêng một tác vụ, không phải chuyển qua lại giữa nhiều tab và session như trước. Plugin Codex cho Claude Code có gì đáng chú ý? Plugin openai/codex-plugin-cc được thiết kế cho người đã quen làm việc trong Claude Code nhưng muốn tận dụng thêm Codex. Thay vì để hai agent cùng nhảy vào chỉnh một file, bạn có thể phân vai rõ ràng: Claude Code triển khai, Codex kiểm tra; hoặc Claude Code giữ luồng chính còn Codex xử lý một vấn đề độc lập ở chế độ nền. Theo tài liệu chính thức, plugin cung cấp ba nhóm khả năng. Nhóm review gồm /codex:review và /codex:adversarial-review. Nhóm giao việc có /codex:rescue. Nhóm quản lý phiên và tác vụ nền gồm /codex:transfer, /codex:status, /codex:result và /codex:cancel. Nhờ vậy, Codex trở thành một cộng sự nằm ngay trong workflow Claude Code thay vì là một cửa sổ tách rời. Không phải một Codex runtime tách biệt Plugin không tạo thêm một hệ thống Codex mới. Nó sử dụng Codex CLI và Codex app server đang cài trên máy, đồng thời dùng lại trạng thái đăng nhập, repository hiện tại và cấu hình trong config.toml. Điều này giúp việc tích hợp gọn hơn, nhưng cũng có nghĩa mọi lượt gọi vẫn được tính vào giới hạn sử dụng Codex của tài khoản. Điều kiện trước khi cài Bạn cần Node.js 18.18 trở lên và một tài khoản ChatGPT, kể cả gói Free, hoặc OpenAI API key. Nếu Codex CLI chưa có trên máy, lệnh /codex:setup có thể hướng dẫn cài; cách thủ công là chạy npm install -g @openai/codex. Nếu chưa đăng nhập, dùng !codex login ngay trong Claude Code. Cách cài Codex plugin trong Claude Code Quy trình cài đặt khá ngắn. Trong Claude Code, lần lượt chạy các lệnh sau: /plugin marketplace add openai/codex-plugin-cc /plugin install codex@openai-codex /reload-plugins /codex:setup Lệnh cuối kiểm tra Codex đã được cài và xác thực hay chưa. Sau khi hoàn tất, danh sách slash command của Codex sẽ xuất hiện trong Claude Code, đồng thời agent codex:codex-rescue cũng có mặt trong mục /agents. Chạy thử ở chế độ nền Một bài thử ít rủi ro là yêu cầu Codex review thay đổi hiện tại bằng /codex:review --background, sau đó dùng /codex:status để xem tiến độ và /codex:result để lấy kết quả. Review nhiều file có thể mất thời gian, vì vậy chạy nền sẽ không chặn luồng làm việc chính của Claude Code. Ba cách phối hợp Codex và Claude Code hiệu quả Giá trị của plugin không nằm ở việc có thêm một AI, mà ở cách phân vai. Nếu cả hai cùng sửa một khu vực mà không có ranh giới, bạn dễ gặp xung đột code, lặp phân tích và tốn context. Ba luồng dưới đây rõ trách nhiệm hơn. Claude viết, Codex review Đây là cách dễ áp dụng nhất. Sau khi Claude Code hoàn thành một tính năng, chạy /codex:review để Codex thực hiện review chỉ đọc. Lệnh này có thể kiểm tra thay đổi chưa commit hoặc so sánh branch với nhánh gốc bằng /codex:review --base main. Codex không sửa file trong chế độ này, nên bạn vẫn giữ quyền quyết định cuối cùng. Ví dụ, Claude vừa thêm luồng thanh toán qua ba module. Thay vì yêu cầu Claude tự đánh giá lại phần việc của chính mình, hãy để Codex rà lỗi logic, trường hợp biên và tác dụng phụ giữa các file. Sau đó Claude Code có thể đọc nhận xét, chọn điểm hợp lý và sửa trong cùng phiên. Giao hẳn một task cho Codex Với một bài toán có thể tách độc lập, dùng /codex:rescue. Chẳng hạn: /codex:rescue --background điều tra nguyên nhân kiểm thử tích hợp không ổn định. Claude Code tiếp tục xử lý UI hoặc tài liệu, trong khi Codex điều tra test ở nền. Lệnh này hỗ trợ --background, --wait, --resume và --fresh, nên có thể tiếp tục một task trước đó hoặc buộc mở một lượt mới. Điểm quan trọng là mô tả đầu ra và phạm vi file rõ ràng. Giao “sửa mọi thứ đang lỗi” cho Codex trong khi Claude cũng đang chỉnh toàn repository vẫn có nguy cơ đụng nhau. Một task tốt nên có mục tiêu cụ thể, tiêu chí hoàn thành và vùng code sở hữu riêng. Dùng adversarial review để chất vấn hướng phát triển dự án /codex:adversarial-review phù hợp khi bạn không chỉ muốn bắt bug mà còn muốn chất vấn quyết định thiết kế. Có thể thêm trọng tâm, ví dụ: /codex:adversarial-review --base main challenge the caching and retry design. Codex sẽ soi giả định ẩn, trade-off, phương án thay thế và các rủi ro như mất dữ liệu, race condition, rollback hoặc độ tin cậy. Nói vui thì đây là lúc hai ông có thể “cãi nhau ỏm tỏi”, nhưng tranh luận chỉ hữu ích khi có người cầm trịch. Hãy đặt câu hỏi hẹp, yêu cầu bằng chứng và chốt tiêu chí ra quyết định; nếu không, phiên phản biện rất dễ biến thành chuỗi ý kiến nối tiếp mà không tạo ra thay đổi thực tế. Chuyển phiên và quản lý tác vụ nền Plugin còn giải quyết một vấn đề quen thuộc: đã thảo luận dài trong Claude Code nhưng muốn chuyển nguyên mạch công việc sang Codex. /codex:transfer tạo một Codex thread bền vững từ phiên Claude Code hiện tại và trả về lệnh codex resume <session-id>. Nhờ đó, bạn không phải viết lại toàn bộ bối cảnh bằng tay. Khi nào nên dùng transfer Hãy dùng transfer khi task đã vượt khỏi một lần review ngắn và bạn muốn tiếp tục trực tiếp trong Codex App hoặc TUI. Ví dụ, Claude Code đã cùng bạn điều tra kiến trúc trong một phiên dài, nhưng giai đoạn tiếp theo cần Codex thực hiện nhiều vòng chỉnh sửa. Việc chuyển phiên giữ lại lịch sử có cấu trúc và giảm rủi ro mất các quyết định đã thống nhất. Theo dõi, lấy kết quả và hủy tác vụ Với task chạy nền, /codex:status cho biết tiến độ, /codex:result trả kết quả cuối cùng và session ID, còn /codex:cancel dừng job đang chạy. Ba lệnh này nghe đơn giản nhưng rất cần thiết để workflow nhiều agent không trở thành một hộp đen. Nếu task đi sai hướng, hủy sớm thường tiết kiệm limit hơn chờ kết quả rồi làm lại. Cẩn thận vòng lặp review và giới hạn sử dụng Lưu ý quan trọng: OpenAI cảnh báo rõ rằng review gate có thể tạo vòng lặp Claude/Codex kéo dài và tiêu hao giới hạn sử dụng nhanh. Khi bật bằng /codex:setup --enable-review-gate, plugin dùng Stop hook, tức cơ chế tự động kích hoạt khi Claude chuẩn bị kết thúc câu trả lời, để gọi một lượt review có mục tiêu. Nếu Codex tìm thấy vấn đề, phản hồi của Claude bị chặn để Claude xử lý trước. Cơ chế này hữu ích trước khi ship, nhưng không nên bật rồi bỏ mặc. Review gate mạnh nhưng cần giám sát Kịch bản dễ gặp là Codex nêu vấn đề, Claude sửa, Codex review lại và phát hiện một điểm mới; chu kỳ tiếp tục vì tiêu chí “đủ tốt” chưa được định nghĩa. Đây chính là phiên bản tự động của việc để hai agent review qua lại liên tục. Chi phí không chỉ là limit mà còn là thời gian và nguy cơ thay đổi quá mức một bản vá vốn đã ổn. Một bộ nguyên tắc vận hành an toàn Phân vai trước khi chạy: một agent triển khai, một agent review hoặc một agent sở hữu một task độc lập. Giới hạn phạm vi: nêu rõ branch, file, loại rủi ro và tiêu chí hoàn thành. Ưu tiên chạy nền cho review nhiều file, nhưng kiểm tra trạng thái định kỳ. Chỉ bật review gate khi đang chủ động theo dõi và tắt bằng /codex:setup --disable-review-gate sau khi hoàn tất. Không yêu cầu Claude review lại toàn bộ kết quả Codex rồi tiếp tục yêu cầu Codex review toàn bộ phần sửa của Claude nếu chưa có điểm dừng rõ ràng. Dùng /codex:cancel khi task lệch hướng thay vì cố cứu một vòng chạy tốn kém. Làm sao kết hợp Codex và Claude Code hiệu quả? Trước đây mình thường mở Codex và Claude Code song song, đôi lúc còn để cả hai cùng nhảy vào một file để tiết kiệm thời gian. Plugin chính chủ của OpenAI tạo ra cách làm gọn hơn: Claude Code giữ vai trò điều phối, Codex vào review, phản biện hoặc nhận task riêng mà không cần chuyển tab liên tục. Bắt đầu tốt nhất là cài plugin, chạy một lượt /codex:review --background trên dự án nhỏ và quan sát cách ba lệnh status, result, cancel hoạt động. Khi đã quen mới thử rescue, transfer và review gate. Hai AI có thể bổ trợ nhau rất tốt, miễn là con người vẫn đặt ranh giới, ngân sách và điểm dừng.

Nam
14 thg 7, 2026
Hermes Agent làm báo cáo, tối ưu SEO ra sao?

Một báo cáo tốt thường mất nhiều thời gian ở ba việc: tìm nguồn, gom dữ liệu và kiểm tra xem kết luận có thật sự được nguồn hỗ trợ hay không. Hermes Agent phù hợp với loại công việc này vì nó có web search, browser, file, memory, delegation và hệ thống skill trong cùng một quy trình. Khi thiết lập đúng, bạn có thể biến một lần làm thủ công thành routine được dùng lại cho báo cáo tuần, audit nội dung và nghiên cứu từ khóa.Từ trải nghiệm trực tiếp của mình khi dùng Hermes để làm báo cáo và SEO, mình ưu tiên giao cho agent thu thập nguồn trước, lưu bằng chứng, rồi mới viết bản nháp và tách riêng bước SEO. Theo mình, cách này chậm hơn một prompt kiểu “viết giúp tôi”, nhưng kết quả dễ kiểm tra hơn và ít lẫn giữa dữ kiện với suy đoán.Hermes Agent phù hợp với báo cáo và SEO ở điểm nào?Theo tài liệu chính thức của Hermes Agent, hệ thống có hơn 60 công cụ, hỗ trợ web search, browser automation, terminal, file, memory, cron và delegation. Hermes còn có learning loop để tạo skill từ kinh nghiệm và cải thiện skill trong quá trình sử dụng. Đây là điểm hữu ích khi một báo cáo hoặc checklist SEO phải chạy lặp lại.Nếu bạn chưa biết nền tảng này hoạt động ra sao, hãy đọc trước bài Hermes Agent là gì và cơ chế AI tự học của Nous Research. Bài hiện tại tập trung vào thao tác thực tế hơn: biến một đề bài kinh doanh thành tài liệu có nguồn và biến một URL thành danh sách việc SEO có thể thực hiện.Nguyên tắc mình dùng: Hermes được phép tìm, trích xuất, sắp xếp và đề xuất. Con người vẫn duyệt nguồn, kết luận, từ khóa chính và mọi thay đổi có thể ảnh hưởng website.Bốn nhóm công cụ cần bậtWeb và search: tìm nguồn, mở tài liệu và thu thập dữ kiện.Browser: kiểm tra trang thật, điều hướng, đọc nội dung render và quan sát giao diện.File: lưu brief, bảng nguồn, bản nháp và báo cáo cuối cùng.Memory và skills: ghi nhớ tiêu chí thương hiệu, format báo cáo và quy trình đã hoạt động tốt.Tài liệu Hermes cho phép kiểm tra và cấu hình toolset bằng lệnh hermes tools. Khi cần nghiên cứu web và ghi file, mình chỉ bật nhóm công cụ liên quan thay vì trao toàn bộ quyền terminal. Phạm vi nhỏ giúp giảm thao tác ngoài ý muốn và làm log dễ đọc hơn.Thiết lập Hermes Agent cho lần chạy đầu tiênCài đặt và chọn modelTrên Windows, macOS hoặc Linux, bạn có thể làm theo hướng dẫn cài đặt chính thức, sau đó chạy hermes setup để chọn provider, model và các công cụ. Hermes hỗ trợ Nous Portal, OpenRouter, OpenAI và endpoint riêng, vì vậy workflow báo cáo không bị khóa vào một model duy nhất.Mình thường chọn model có context đủ dài cho bước đọc nguồn, nhưng không dùng model mạnh nhất cho toàn bộ pipeline. Tác vụ tìm URL, chuẩn hóa tiêu đề và lập bảng có thể dùng model rẻ hơn; bước đối chiếu mâu thuẫn và viết kết luận mới cần model mạnh.Tạo thư mục làm việc rõ ràngMỗi dự án nên có một thư mục riêng gồm brief.md, sources.md, notes.md, report.md và seo-audit.md. Cấu trúc này giúp Hermes biết file nào là yêu cầu, file nào là bằng chứng và file nào là đầu ra. Khi chạy lại sau một tuần, bạn cũng dễ so sánh thay đổi hơn.Ví dụ thực tế: với báo cáo đối thủ, mình đặt tên thư mục theo tháng, ghi rõ năm website cần theo dõi trong brief và yêu cầu mọi kết luận phải dẫn về một dòng trong sources. Nếu một nhận định không có nguồn, Hermes phải đánh dấu “chưa xác minh” thay vì điền cho đủ.Cách dùng Hermes Agent tạo báo cáo có nguồnBước 1: Viết brief có tiêu chí hoàn thànhMột brief tốt cần trả lời năm câu hỏi: báo cáo dành cho ai, quyết định nào sẽ dựa vào báo cáo, khoảng thời gian nào được tính, nguồn nào được chấp nhận và đầu ra phải có những phần gì. Không nên chỉ nói “nghiên cứu thị trường AI”, bởi Hermes sẽ mở rộng quá xa và gom nhiều thông tin không phục vụ quyết định.Prompt mình dùng thường có dạng: “Đọc brief.md. Tìm tối đa 12 nguồn chính thức hoặc nguồn uy tín xuất bản trong 90 ngày gần nhất. Lưu URL, ngày truy cập, dữ kiện chính và đoạn nào hỗ trợ dữ kiện vào sources.md. Không viết report trước khi hoàn thành bảng nguồn. Nếu hai nguồn mâu thuẫn, tạo mục conflict để mình duyệt.”Bước 2: Yêu cầu nghiên cứu trước khi viếtHermes có web search và web extract, còn browser phù hợp với trang cần render hoặc thao tác. Theo tài liệu Web Search and Extract, browser nên được dùng khi việc tóm tắt trang không đủ hoặc cần tương tác. Mình thường cho Hermes search rộng trước, sau đó chỉ mở browser với các nguồn quan trọng.Ở bước này, output tốt nhất chưa phải văn bản đẹp mà là bảng nguồn sạch. Mỗi dòng nên có tiêu đề, tổ chức phát hành, URL, ngày, dữ kiện và mức tin cậy. Nếu thiếu ngày hoặc tác giả, Hermes phải ghi rõ thay vì tự đoán.Bước 3: Tổng hợp theo câu hỏi kinh doanhSau khi duyệt sources.md, mình mới yêu cầu Hermes viết report.md. Prompt cần buộc nó tách ba lớp: facts là dữ kiện có nguồn, interpretation là cách giải thích dữ kiện, action là đề xuất hành động. Cách tách này giúp người đọc thấy phần nào chắc chắn và phần nào còn là nhận định.Trong một lần làm báo cáo nội dung, Hermes tìm thấy traffic giảm cùng thời điểm nhiều URL mất internal link. Thay vì kết luận ngay rằng Google phạt website, báo cáo tách rõ hai khả năng: thay đổi cấu trúc liên kết và thay đổi nhu cầu tìm kiếm. Nhờ vậy, hành động đầu tiên là khôi phục internal link rồi theo dõi, không phải viết lại toàn bộ site.Mẹo kiểm tra: yêu cầu Hermes tạo thêm mục “Những điều báo cáo chưa chứng minh được”. Đây thường là phần hữu ích nhất khi báo cáo được dùng để ra quyết định.Cách dùng Hermes Agent làm SEO thực tếBắt đầu từ search intent, không bắt đầu từ từ khóaVới SEO, mình đưa cho Hermes URL, nhóm người đọc và mục tiêu chuyển đổi. Sau đó yêu cầu nó xác định search intent chính, câu hỏi phụ, thực thể liên quan và loại nội dung đang xếp hạng. Nếu chỉ đưa danh sách keyword, agent rất dễ tạo bài chứa nhiều cụm từ nhưng không giải quyết nhu cầu tìm kiếm.Prompt mẫu: “Kiểm tra URL này bằng browser. Xác định intent chính và ba intent phụ. So sánh title, H2, phần mở đầu, độ phủ chủ đề, internal link và schema với năm kết quả phù hợp. Không đề xuất tăng mật độ từ khóa. Mỗi đề xuất phải chỉ ra vị trí cần sửa và lợi ích cho người đọc.”Kiểm tra SEO on-page theo checklistHermes có thể kiểm tra title, description, canonical, hreflang, heading, alt text, internal link, structured data và nội dung bị lặp. Browser automation hữu ích vì agent nhìn thấy trang render thay vì chỉ đọc source thô. Tuy nhiên, quyền sửa nên tách khỏi quyền audit để tránh thay đổi website trước khi duyệt.Title có mô tả đúng intent và không bị lặp hay không.Đoạn mở đầu có trả lời câu hỏi chính sớm hay không.H2 và H3 có tạo đường đọc rõ ràng hay chỉ nhồi từ khóa.Internal link có dẫn tới trang giải thích sâu hơn hay không.Schema có phản ánh nội dung người dùng thật sự nhìn thấy hay không.Ảnh có URL hợp lệ, alt text hữu ích và kích thước phù hợp hay không.Tạo content brief thay vì tạo bài ngayMình không cho Hermes viết bài SEO ngay sau khi research. Nó phải tạo content brief gồm persona, intent, angle, dàn ý H2/H3, bằng chứng cần dùng, internal link và các câu hỏi chưa có đáp án. Brief này được duyệt trước, sau đó agent mới viết.Ví dụ với bài hướng dẫn Hermes Agent, brief không chỉ có keyword “Hermes Agent SEO”. Nó còn yêu cầu giải thích toolset, cung cấp prompt thật, cảnh báo về quyền browser, liên kết tới bài nền tảng và có checklist đo chất lượng sau khi chạy.Biến quy trình thành skill để dùng lạiĐiểm mạnh đặc trưng của Hermes là hệ thống skill. Tài liệu quickstart mô tả skill như instruction document được nạp khi nhiệm vụ phù hợp, còn learning loop có thể đề xuất lưu quy trình sau những tác vụ phức tạp. Khi workflow báo cáo đã chạy tốt hai hoặc ba lần, mình chuyển nó thành skill thay vì tiếp tục dùng prompt dài.Một skill báo cáo nên chứa gì?Điều kiện kích hoạt và loại đầu vào được chấp nhận.Cấu trúc thư mục và tên file bắt buộc.Tiêu chí chọn nguồn và cách xử lý mâu thuẫn.Format báo cáo, bảng nguồn và phần chưa xác minh.Checklist duyệt trước khi gửi hoặc xuất bản.Với skill SEO, mình bổ sung nguyên tắc không sửa production, không tạo schema cho nội dung không hiển thị và không tự đổi canonical. Những ràng buộc này quan trọng hơn một danh sách từ khóa, bởi chúng ngăn agent tạo ra thay đổi có vẻ đúng nhưng gây hại cho website.Lên lịch báo cáo bằng cronHermes hỗ trợ các tác vụ tự động và có thể gửi kết quả qua các nền tảng nhắn tin. Một báo cáo tuần có thể chạy vào sáng thứ Hai, lấy dữ liệu mới, so sánh với tuần trước và gửi bản tóm tắt. Dù vậy, cron chỉ nên tự động hóa bước đọc và tổng hợp; bước xuất bản hoặc thay đổi SEO vẫn cần phê duyệt.Không đưa bí mật vào prompt: hãy che dữ liệu khách hàng, giới hạn quyền file và browser, đồng thời dùng command approval hoặc môi trường cô lập khi Hermes có quyền terminal.Những lỗi mình gặp khi dùng Hermes cho báo cáo và SEOGiao mục tiêu quá rộngYêu cầu “phân tích toàn bộ website” tạo ra output dài nhưng khó hành động. Khi đổi thành “tìm ba nguyên nhân có bằng chứng cho việc impressions giảm ở nhóm bài công cụ”, báo cáo ngắn hơn nhưng hữu ích hơn. Scope nên gắn với một quyết định cụ thể.Cho viết trước khi duyệt nguồnNếu agent viết ngay sau search, câu văn mượt có thể che đi nguồn yếu. Tách sources.md khỏi report.md khiến lỗi dễ phát hiện hơn. Mình luôn duyệt bảng nguồn trước khi cho phép bước tổng hợp.Đánh giá SEO bằng điểm số duy nhấtMột score tổng hợp không nói rõ thay đổi nào tạo tác động. Hermes nên trả về issue, bằng chứng, mức ưu tiên, công sức và cách kiểm tra sau khi sửa. Các đề xuất không thể đo lại nên được xếp thấp hơn.Quên lưu bài học thành skillNếu tuần nào cũng sửa prompt giống nhau, learning loop chưa được tận dụng. Sau mỗi lần chạy, hãy ghi lại lỗi, điều chỉnh checklist và cập nhật skill. Sau vài vòng, Hermes sẽ bám sát cách làm của bạn hơn mà không cần nhắc lại toàn bộ.Từ trải nghiệm của mình, nên bắt đầu với Hermes như thế nào?Hãy chọn một báo cáo nhỏ, tối đa năm nguồn và một quyết định rõ ràng. Tạo brief, yêu cầu Hermes lập bảng nguồn, duyệt bằng chứng rồi mới cho viết báo cáo. Sau đó dùng cùng dữ liệu để tạo content brief hoặc SEO audit, nhưng không cho agent tự xuất bản.Khi quy trình đã cho kết quả ổn định, lưu nó thành skill và thêm checklist cuối. Giá trị thật của Hermes Agent không phải viết nhanh hơn một lần, mà là biến cách làm tốt thành quy trình có thể lặp lại, kiểm tra và cải thiện theo thời gian.

Nam
11 thg 7, 2026
GPT-5.6 có gì mới so với Claude Fable 5?

Ba cái tên Sol, Terra và Luna khiến GPT-5.6 trông giống một hệ sản phẩm hơn là một model đơn lẻ. Cách đặt tên này cũng cho thấy điều OpenAI muốn thay đổi: người dùng không còn phải chọn giữa một model mạnh nhưng đắt và một model nhỏ nhưng yếu, thay vào đó họ có ba mức năng lực được thiết kế cho ba kiểu công việc khác nhau. Tuy nhiên, GPT-5.6 hiện mới ở giai đoạn preview giới hạn và OpenAI nói rõ rằng dòng model này chưa có trong ChatGPT trong thời gian preview.Ở phía đối diện, Claude Fable 5 được Anthropic định vị là model mạnh cho reasoning, lập trình, nghiên cứu khoa học và các tác vụ agentic kéo dài. Vì vậy, câu hỏi đáng quan tâm không chỉ là model nào thông minh hơn, mà là kiến trúc sản phẩm nào giúp người dùng hoàn thành công việc tốt hơn với chi phí có thể kiểm soát.GPT-5.6 thực sự là gì?Theo thông báo preview của OpenAI, GPT-5.6 gồm ba phiên bản Sol, Terra và Luna. Sol là model chủ lực có năng lực cao nhất, Terra là lựa chọn mạnh với chi phí thấp hơn, còn Luna là model nhanh và tiết kiệm nhất trong dòng sản phẩm.Điểm quan trọng nằm ở cách OpenAI chia nhu cầu thành ba tầng. Một nhóm nghiên cứu có thể dùng Sol để xử lý bài toán khó, một đội sản phẩm có thể dùng Terra cho phần lớn công việc hằng ngày, trong khi một hệ thống xử lý hàng nghìn yêu cầu ngắn có thể dùng Luna để giảm độ trễ. Cách tổ chức này gần với chiến lược hạ tầng hơn là cách ra mắt một chatbot mới.Lưu ý về phạm vi phát hành: OpenAI cho biết GPT-5.6 chưa có trong ChatGPT trong giai đoạn preview. Trải nghiệm trên API, công cụ dành cho developer hoặc nền tảng đối tác không nên được hiểu là trải nghiệm ChatGPT chính thức.Sol dành cho công việc khó và dàiSol được định vị là model mạnh nhất của GPT-5.6, phù hợp với nhiệm vụ cần reasoning sâu, lập trình nhiều bước và kiểm tra chéo kết quả. Ví dụ, một đội kỹ thuật có thể giao cho Sol việc đọc cấu trúc repository, tìm nguyên nhân lỗi, đề xuất bản vá và viết kiểm thử hồi quy. Giá trị của Sol không nằm ở việc trả lời nhanh một câu hỏi ngắn, mà ở khả năng giữ mục tiêu xuyên suốt một chuỗi hành động dài.OpenAI cũng nhấn mạnh mức cải thiện về năng lực cyber khi reasoning tăng. Điều này có ích cho kiểm tra bảo mật và phân tích lỗ hổng trong môi trường được cấp phép, nhưng đồng thời khiến việc kiểm soát quyền truy cập, ghi log và phê duyệt hành động trở nên quan trọng hơn.Terra là lựa chọn cân bằngTerra hướng đến phần việc rộng nhất: phân tích tài liệu, viết nội dung, lập trình ứng dụng, tổng hợp nghiên cứu và hỗ trợ vận hành. Nếu Sol giống một chuyên gia được gọi vào khi bài toán thật sự khó, Terra giống một thành viên mạnh có thể làm việc liên tục trong ngày mà không khiến chi phí tăng quá nhanh.Ví dụ, một nhóm marketing có thể dùng Terra để đọc báo cáo thị trường, trích xuất insight, xây dựng dàn ý và tạo nhiều phiên bản nội dung. Một đội phát triển có thể dùng Terra cho code review, viết test và xử lý ticket có phạm vi rõ ràng. Đây là tầng model có khả năng trở thành lựa chọn mặc định nếu chất lượng thực tế ổn định.Luna ưu tiên tốc độ và quy môLuna được thiết kế cho phản hồi nhanh và chi phí thấp. Các tác vụ như phân loại yêu cầu, tóm tắt đoạn hội thoại, trích xuất trường dữ liệu, tạo bản nháp hoặc định tuyến ticket thường không cần model mạnh nhất. Trong những trường hợp đó, độ trễ và tổng chi phí quan trọng hơn khả năng reasoning cực đại.Tuy nhiên, nhanh không đồng nghĩa với phù hợp cho mọi việc. Nếu nhiệm vụ yêu cầu kiểm chứng nguồn, lập kế hoạch nhiều bước hoặc chỉnh sửa code có ảnh hưởng lớn, người dùng nên chuyển sang Terra hoặc Sol thay vì cố ép Luna xử lý vượt quá vai trò của nó.Claude Fable 5 chọn một hướng khácAnthropic giới thiệu Claude Fable 5 như một model frontier dành cho reasoning, software engineering, vision, nghiên cứu khoa học và công việc agentic dài. Thay vì nhấn mạnh ba tầng sản phẩm trong cùng một thế hệ, Anthropic tập trung thông điệp vào năng lực của một model mạnh có thể xử lý các nhiệm vụ phức tạp trong hệ sinh thái Claude.Sự khác biệt này ảnh hưởng trực tiếp đến cách doanh nghiệp triển khai. Với GPT-5.6, đội kỹ thuật có thể xây bộ định tuyến để gửi từng yêu cầu đến Sol, Terra hoặc Luna. Với Fable 5, trọng tâm có thể nằm ở việc tối ưu prompt, công cụ và ngân sách reasoning cho một model chủ lực. Không có cách nào luôn tốt hơn, bởi quyết định phụ thuộc vào loại workload và khả năng vận hành của từng tổ chức.Cách so sánh thực tế: Đừng dùng một prompt duy nhất rồi kết luận. Hãy tạo bộ test gồm tác vụ ngắn, tác vụ reasoning dài, coding, trích xuất dữ liệu và xử lý lỗi. Sau đó đo độ chính xác, thời gian phản hồi, số lần phải sửa và chi phí hoàn thành.Khác biệt trong coding và agentic workCả GPT-5.6 Sol và Claude Fable 5 đều hướng đến công việc lập trình phức tạp, nhưng trải nghiệm thực tế phụ thuộc nhiều vào công cụ bao quanh model. Khả năng đọc repository, chạy lệnh, quan sát kết quả và tự sửa sai thường quan trọng ngang với điểm benchmark. Nếu bạn làm việc với workflow OpenAI, trang Codex là điểm bắt đầu phù hợp để hiểu cách model tham gia vào quy trình coding.Fable 5 có lợi thế khi người dùng đã quen với hệ sinh thái Claude và các quy trình agentic dài. Bạn có thể đọc thêm bài Anthropic ra mắt Claude Fable 5 để xem cách Anthropic định vị model này và những nhóm công việc mà hãng muốn nhắm tới.Trải nghiệm ban đầu từ các diễn đàn nói gì?Các cuộc thảo luận ban đầu trên Reddit và cộng đồng developer tập trung nhiều vào câu hỏi Sol, Terra và Luna khác nhau đến đâu trong công việc thật. Một số người mô tả Sol là lựa chọn phù hợp cho nhiệm vụ nhiều bước, Terra dễ dùng hơn cho công việc thường xuyên, còn Luna gây chú ý nhờ tốc độ. Những nhận xét này phù hợp với cách OpenAI định vị ba model, nhưng chưa đủ để chứng minh khoảng cách chất lượng cụ thể.Phản hồi diễn đàn có giá trị vì nó cho thấy vấn đề người dùng thật đang quan tâm, tuy nhiên đây là dữ liệu tự chọn. Người đăng có thể dùng prompt khác nhau, quyền truy cập khác nhau và môi trường tích hợp khác nhau. Một kết quả tốt trên công cụ dành cho developer không đảm bảo sẽ giống hệt khi model xuất hiện trong ChatGPT.Điểm cộng được nhắc đếnBa tier giúp người dùng hình dung rõ hơn model nào phù hợp với từng loại tác vụ.Luna tạo kỳ vọng về độ trễ thấp cho các quy trình cần xử lý số lượng lớn.Terra có tiềm năng trở thành lựa chọn mặc định nếu giữ được chất lượng ổn định với chi phí dễ chịu.Sol được kỳ vọng mạnh hơn ở coding, reasoning dài và nhiệm vụ cần nhiều vòng kiểm tra.Những câu hỏi vẫn chưa có đáp án đầy đủKhoảng cách chất lượng thực tế giữa Sol và Terra lớn đến đâu trên workload phổ biến.Chi phí toàn phần khi tính cả số lần sửa, retry và thời gian người dùng phải kiểm tra.Hiệu quả của Luna khi prompt dài hoặc yêu cầu có nhiều ràng buộc.Mức độ ổn định khi OpenAI mở rộng GPT-5.6 từ preview sang ChatGPT, Codex và API.Không nên dùng phản hồi diễn đàn như benchmark: Trải nghiệm cộng đồng là tín hiệu để chọn bài test, không phải bằng chứng đủ mạnh để chọn model cho production.So sánh GPT-5.6 và Fable 5 theo công việcViết và phân tích tài liệuTerra có vẻ là lựa chọn hợp lý cho phần lớn công việc tài liệu vì nó được định vị cân bằng giữa năng lực và chi phí. Fable 5 có thể phù hợp khi tài liệu dài, câu hỏi phức tạp và người dùng muốn model duy trì lập luận xuyên suốt. Khi thử nghiệm, nên chấm cả độ chính xác của trích dẫn, khả năng giữ cấu trúc và mức độ chỉnh sửa cần thiết trước khi xuất bản.Lập trình và sửa lỗiSol và Fable 5 đều là ứng viên cho nhiệm vụ coding khó. Một bài test tốt nên bao gồm đọc code hiện có, tìm nguyên nhân, sửa tối thiểu, viết test và giải thích rủi ro. Nếu chỉ yêu cầu tạo một hàm mới từ đầu, kết quả có thể không phản ánh khả năng làm việc trong repository thật.Tác vụ số lượng lớnLuna có lợi thế định vị rõ ràng trong phân khúc tốc độ và chi phí. Với hàng nghìn yêu cầu trích xuất hoặc phân loại mỗi ngày, chênh lệch nhỏ về giá và latency có thể tạo ra tác động lớn. Fable 5 không nhất thiết là lựa chọn kinh tế cho loại workload này nếu tổ chức chỉ cần câu trả lời ngắn và có cấu trúc.Nghiên cứu và reasoning dàiSol và Fable 5 nên được so sánh bằng nhiệm vụ có đáp án kiểm chứng được, thay vì câu hỏi mở dễ tạo cảm giác thuyết phục. Ví dụ, hãy giao cùng một tài liệu nghiên cứu, yêu cầu xác định giả định, tìm mâu thuẫn, đề xuất thí nghiệm và chỉ ra phần nào chưa đủ bằng chứng. Model tốt hơn là model giúp người dùng phát hiện lỗi nhanh hơn, không phải model viết dài hơn.Nên chọn Sol, Terra, Luna hay Fable 5?Nếu ưu tiên chất lượng cao nhất trong hệ sinh thái OpenAI, Sol là lựa chọn đáng thử đầu tiên. Nếu cần một model mạnh để dùng thường xuyên, Terra có vị trí hợp lý hơn. Nếu workload gồm nhiều tác vụ ngắn và lặp lại, Luna có thể giảm chi phí đáng kể. Trong khi đó, Fable 5 phù hợp với đội nhóm đã đầu tư vào hệ sinh thái Claude hoặc cần reasoning và agentic work dài.Do GPT-5.6 vẫn ở giai đoạn preview, lựa chọn an toàn là không chuyển toàn bộ workload ngay lập tức. Hãy chạy thử song song trên dữ liệu thật, che thông tin nhạy cảm, ghi lại lỗi và dùng cùng tiêu chí đánh giá cho mọi model.Bộ kiểm tra có thể áp dụng ngayChọn 20 tác vụ đại diện cho công việc thật, gồm cả trường hợp dễ và khó.Chạy từng tác vụ trên Sol, Terra, Luna và Fable 5 nếu có quyền truy cập.Chấm độ chính xác, thời gian phản hồi, chi phí và số lần cần con người sửa.Ghi lại lỗi nghiêm trọng thay vì chỉ tính điểm trung bình.Chọn model theo từng nhóm tác vụ, không nhất thiết dùng một model cho mọi việc.GPT-5.6 có đáng để chuyển sang ngay không?Điểm mới đáng chú ý nhất của GPT-5.6 không chỉ là năng lực của Sol, mà là cách OpenAI biến một thế hệ model thành ba tầng vận hành rõ ràng. Điều đó có thể giúp doanh nghiệp kiểm soát chi phí tốt hơn, nhưng cũng đòi hỏi họ biết phân loại workload và xây cơ chế chuyển model phù hợp.Hành động thiết thực nhất lúc này là tạo một bộ test nhỏ từ dữ liệu thật của bạn. Nếu Sol thắng ở tác vụ khó, Terra đủ tốt cho phần lớn công việc và Luna xử lý tốt tác vụ số lượng lớn, kiến trúc ba tầng sẽ có giá trị. Nếu Fable 5 cho kết quả ổn định hơn trên reasoning dài, bạn vẫn có lý do để duy trì hệ thống đa model thay vì đặt cược vào một nhà cung cấp.

Liên
9 thg 7, 2026
Tư duy CEO Y Combinator về 6 câu hỏi để bắt đầu dự án

Mình đã nghe rất nhiều về repo gstack của CEO Y Combinator thế là tò mò cài vào thử, thứ khiến mình bất ngờ nhất không phải các workflow xịn mà là tư duy thật sự khác biệt của vị CEO này. Đó là lệnh đầu tiên trong cả hệ thống: /office-hours với sáu câu hỏi bắt đầu nhưng lại không hỏi về code chỉ hỏi những thứ mà hầu hết mọi người chưa trả lời được trước khi bắt tay vào build. gstack là gì và tại sao Garry Tan tạo ra nó gstack là bộ công cụ mã nguồn mở của Garry Tan, CEO Y Combinator, chủ yếu được thiết kế ra dành cho Claude Code. Ý tưởng cốt lõi của repo là thay vì dùng AI như một người viết code đơn thuần, Garry Tan muốn biến Claude thành cả một nhóm AI agent làm việc thu nhỏ, mỗi thành viên phụ trách một vai trò khác nhau từ người định hướng sản phẩm, kiểm tra bảo mật, đến người kiểm thử và phát hành. Toàn bộ quy trình chạy theo vòng lặp có thứ tự: suy nghĩ → lên kế hoạch → xây dựng → kiểm tra → thử nghiệm → phát hành → đánh giá lại . Cụ thể hơn, gstack chia Claude Code thành 23 vai trò chuyên biệt tất nhiên trong workflow kết quả của bước trước tự động được chuyển sang bước tiếp theo mà không cần bạn làm thủ công. Một số lệnh nổi bật như sau: /office-hours 6 câu hỏi buộc bạn suy nghĩ lại tính năng trước khi viết dòng code đầu tiên /plan-ceo-review tìm xem bạn đang làm quá nhiều hay quá ít so với thực tế cần /review bắt lỗi nghiêm trọng mà các công cụ kiểm tra tự động thông thường không thấy /qa mở trình duyệt thật, thao tác thật, tìm lỗi thật /cso chạy kiểm tra bảo mật theo chuẩn quốc tế tự động /ship đồng bộ, kiểm tra, đẩy code và tạo pull request trong một lệnh duy nhất Kết quả gstack hoạt động thế nào? Garry Tan cho biết tốc độ làm việc của ông năm 2026 nhanh hơn khoảng 810 lần so với năm 2013 khi đo bằng dòng code hoàn chỉnh mỗi ngày (11.417 so với 14 dòng). Trong 60 ngày, ông ship 3 dịch vụ production và hơn 40 tính năng, tất cả trong khi vẫn điều hành Y Combinator toàn thời gian. Andrej Karpathy, đồng sáng lập OpenAI, cũng chia sẻ rằng ông không gõ một dòng code nào kể từ tháng 12/2025 nhờ các tác nhân AI. Nhưng trong tất cả các lệnh đó, /office-hours là thứ đáng chú ý nhất vì một lý do ngược lại với phần còn lại, nó không giúp bạn làm việc nhanh hơn mà nó giúp bạn không làm nhầm thứ ngay từ đầu. Tại sao /office-hours lại được xếp đầu tiên Garry Tan đặt /office-hours ở đầu workflow vì một quan sát đơn giản: hầu hết các sản phẩm thất bại không phải vì code kém mà vì làm sai thứ mọi người cần. Họ bỏ hàng tuần viết một tính năng không ai cần, hoặc xây dựng đúng tính năng nhưng lại sai đối tượng, hoặc giải quyết một vấn đề mà người dùng đã có cách giải quyết tốt hơn từ lâu. Lệnh này có hai chế độ: Startup mode dành cho founder và người build sản phẩm thật, và Builder mode dành cho side project, hackathon, open source. Bài này tập trung vào Startup mode, nơi 6 câu hỏi được áp dụng đúng nghĩa nhất. 6 câu hỏi của /office-hours và tại sao mỗi câu đều đáng giá Đây không phải 6 câu hỏi để trả lời qua loa rồi tiếp tục đến các phần sau. Chúng được thiết kế để bạn suy nghĩ thật, vì câu trả lời càng trung thực thì kết quả Claude tạo ra càng bám sát đúng thứ bạn thực sự cần và bạn sẽ tiết kiệm được rất nhiều thời gian về sau. Bạn có thể xem nội dung gốc đầy đủ 6 cau hỏi tại office-hours/SKILL.md.tmpl. Demand reality: Nhu cầu có thật không? Câu hỏi gốc: "Ai cụ thể đang gặp vấn đề này? Họ đang giải quyết tạm bằng cách nào?" Không phải người dùng nói chung hay team marketing mà tác giả muốn hướng đến một người thật, có tên(càng tốt) đang vật lộn với vấn đề cụ thể là gì. Nếu bạn không biết được một người như vậy, bạn sẽ chưa thực sự hiểu họ cần gì. Ví dụ cụ thể: Thay vì "người dùng muốn quản lý task tốt hơn", phải là "Minh, project manager tại công ty 20 người, đang copy-paste giữa Notion và Google Sheet mỗi sáng thứ Hai vì hai tool không sync được." Tất nhiên đây là ví dụ mọi người tự áp dụng vào trường hợp của mình. Status quo: Họ đang dùng gì thay thế? Câu hỏi gốc: "Giải pháp thay thế tạm thời hiện tại của họ là gì? Bạn cần tốt hơn bao nhiêu để họ chịu đổi sang dùng giải pháp của bạn?" Mọi người đều đang giải quyết vấn đề theo một cách nào đó, dù là Excel, sticky note, hay nhóm chat WhatsApp. Nếu giải pháp hiện tại của họ đủ tốt, họ chẳng có lý do gì để chuyển dữ liệu và phải học sử dụng lại một nền tảng hoàn toàn mới, vì vậy giải pháp của bạn phải làm thực sự tốt hơn để họ còn cân nhắc. Desperate specificity: Ai đang cần giải pháp này đủ nhiều? Câu hỏi gốc: "Ai đang cần giải pháp đến mức có thể dùng bản beta xấu xí của bạn ngay hôm nay?" Đây là câu phân biệt "nice-to-have" và "must-have". Nếu bạn không tìm được ai sẵn sàng dùng một bản chưa hoàn chỉnh, chưa có UI đẹp, còn nhiều lỗi, thì vấn đề bạn đang giải quyết chưa đủ cấp bách. Người dùng thật của giai đoạn đầu là người cần đến mức họ chịu đựng được cả sản phẩm chưa đẹp nhưng có sửa đổi và hướng đi phù hợp. Narrowest wedge: Phần nhỏ nhất là gì? Câu hỏi gốc: "Phần nhỏ nhất có thể ra mắt ngày mai là gì? Không phải toàn bộ sản phẩm mà là phần nhỏ nhất." Không phải phiên bản đầu tiên đầy đủ tính năng mà là phần nhỏ hơn nữa. Câu hỏi này thường cắt bỏ 80% những thứ bạn tự thêm vào vì nghĩ "làm luôn cho tiện". Đây là lỗi mà mình rất hay bị khiến cho mọi thứ vượt tầm kiểm soát, phần này giúp mọi người ra mắt phần nhỏ nhất trước, lắng nghe phản hồi từ người dùng thật rồi mới quyết định mở rộng tiếp. Lưu ý: Nhiều người hay nhầm "phần nhỏ nhất" với "phiên bản đầu tiên đầy đủ tính năng". Thực ra phần nhỏ nhất đúng nghĩa có thể chỉ là tính năng nhỏ giải quyết một vấn đề duy nhất, cho một nhóm người dùng duy nhất, không hơn không kém. Observation and surprise: Bạn đã xem người thật dùng chưa? Câu hỏi gốc: "Bạn đã ngồi xem người thật dùng sản phẩm chưa? Họ dùng theo cách bạn không ngờ không?" Câu hỏi này có lẽ nên để cho vòng lặp thứ hai trở đi, khi bạn đã có bản thử nghiệm trong tay. Thay vì hỏi cảm nhận qua tin nhắn hay khảo sát, hãy ngồi xem trực tiếp hoặc xem lại video ghi màn hình khi họ dùng. Những phát hiện đáng giá nhất thường không phải từ lời họ nói mà từ những thao tác họ làm mà bạn không thiết kế, hoặc những bước họ bỏ qua dù bạn nghĩ là quan trọng. Lưu ý: Nếu bạn đang ở vòng đầu tiên và chưa có sản phẩm nào, mình nghĩ có thể bỏ qua câu này và quay lại sau khi đã ra mắt phần nhỏ nhất ở bước 4. Future-fit: Tầm nhìn 2 đến 3 năm Câu hỏi gốc: "2-3 năm nữa, thứ bạn đang build có còn phù hợp không, hay trend đang đi ngược lại?" Không phải để dự đoán tương lai chính xác, mà để tránh build thứ đang chết dần. Nếu xu hướng đang làm cho vấn đề bạn giải quyết trở nên ít cấp bách hơn trong 2 năm tới, đó chắc chắn là tín hiệu cần xem xét lại từ đầu còn nếu bạn muốn đánh nhanh thắng nhanh để tránh big tech ra sản phẩm giống hệt bạn thì hãy bỏ qua câu hỏi này. Ví dụ thực tế: một ý tưởng tưởng đơn giản bị lật ngược hoàn toàn Trong tài liệu của gstack, Garry Tan lấy một ví dụ rất thực tế. Bạn mở /office-hours và nói: "Tôi muốn làm một app tóm tắt lịch làm việc hàng ngày." Claude không đồng ý ngay và bắt đầu làm theo. Thay vào đó, nó phản hồi: thứ bạn vừa mô tả không chỉ là app tóm tắt lịch mà thực chất là một trợ lý cá nhân AI toàn diện. Hai thứ này khác nhau hoàn toàn về quy mô, độ phức tạp kỹ thuật và kỳ vọng của người dùng. Chỉ từ một câu mô tả ban đầu, /office-hours giúp bạn nhìn ra: 5 tính năng bạn đang mô tả mà chưa nhận ra 4 giả định cần kiểm chứng trước khi bắt tay làm 3 hướng triển khai khác nhau với mức độ phức tạp khác nhau 1 gợi ý: ra mắt phần nhỏ nhất trước, phần còn lại để làm dần về sau Toàn bộ quá trình đó xảy ra rồi cho ra kết quả sẽ được lưu lại thành tài liệu để các bước tiếp theo trong quy trình tự động đọc và tiếp tục. Khả năng mở rộng của 6 câu hỏi này ra ngoài repo gstack 6 câu hỏi của /office-hours không phụ thuộc vào Claude Code, không cần cài gstack. Chúng là tư duy, cách YC partners ngồi đánh giá startup, và bạn có thể áp dụng ngay hôm nay bằng bất kỳ công cụ AI nào đang dùng. Sự khác biệt khi dùng qua gstack là khi Claude sẽ không để bạn trả lời qua loa. Nó giúp Claude hiểu yêu cầu cụ thể hơn và nó không tiếp tục cho đến khi câu trả lời đủ thực tế. Đó là lý do vì sao/office-hours là skill đáng sợ nhất trong cả repo, không phải vì nó khó dùng, mà vì nó hỏi đúng thứ bạn đang bỏ qua. Thử ngay hôm nay: Trước khi làm sản phẩm tiếp theo, paste 6 câu hỏi trên vào Claude, Gemini, hay ChatGPT cùng với mô tả ý tưởng của bạn. Yêu cầu nó hỏi từng câu một và không cho phép bạn bỏ qua. Kết quả thường bất ngờ hơn bạn nghĩ, kể cả với những ý tưởng bạn đã nghĩ rất kỹ. gstack hiện có hơn 117k lượt star trên GitHub và vẫn đang tăng. Với mình, phần đáng giá nhất không phải các lệnh kỹ thuật như /review hay /ship, mà chính là /office-hours vì đây là lệnh duy nhất trong cả bộ công cụ buộc bạn dừng lại và suy nghĩ trước khi làm bất cứ điều gì.

Nam
27 thg 6, 2026