Tin tức & Cập nhật AI
Luôn cập nhật những diễn biến mới nhất trong thế giới AI.
Hướng dẫn dùng Codex tự động hóa Excel và Google Sheets
Bởi Nam
Tự động hóa báo cáo Excel và Google Sheets không còn là đặc quyền của các kỹ sư lập trình. Với sự phát triển vượt bậc của các mô hình AI như GPT thì bây giờ nhân viên văn phòng giờ đây có thể tự tạo ra các công cụ tự động hóa công việc chỉ bằng các câu lệnh đơn giản với Codex, giải phóng hàng giờ đồng hồ làm việc lặp đi lặp lại mỗi ngày. Vì sao công thức Excel và VBA không còn đủ Với những báo cáo lặp lại mỗi tuần hay các hàm tự động kết nối với mail, slack, zalo.., các phương pháp truyền thống như viết hàm Excel lồng nhau hay ghi macro VBA (Visual Basic for Applications) đòi hỏi kiến thức kỹ thuật nhất định và rất dễ vỡ khi cấu trúc file nguồn thay đổi dù chỉ một cột. Đây chính là khoảng trống mà OpenAI Codex lấp vào: bạn mô tả chính xác việc cần làm bằng ngôn ngữ tự nhiên, Codex sinh ra mã Python hoặc Google Apps Script hoàn chỉnh để thực thi trong vài giây. Codex không phải một sản phẩm duy nhất Điểm dễ gây nhầm lẫn là Codex hiện có thể sử dụng theo rất nhiều cách CLI chạy trong terminal, extension tích hợp trong các IDE như VS Code, Codex Web chạy trên cloud tại https://chatgpt.com/codex/cloud giành cho những lập trình viên và ai biết về code ngoài ra còn có ứng dụng desktop cho cả macOS lẫn Windows. Với dân văn phòng không rành dòng lệnh, cách dễ bắt đầu nhất là tải Codex desktop app về máy, ứng dụng cho phép quản lý nhiều agent cùng lúc ngay trên giao diện, không cần mở Terminal hay tự cấu hình API key, chỉ cần đăng nhập bằng tài khoản ChatGPT sẵn có. Một prompt mẫu sẽ như thế nào Bạn chỉ cần cung cấp cho Codex một câu prompt chi tiết như sau: "Hãy viết đoạn mã Python đọc tệp Excel 'sales_raw.xlsx', lọc ra các đơn hàng có trạng thái 'Completed', tính tổng doanh thu theo từng chi nhánh và xuất kết quả ra tệp 'bao_cao_doanh_thu.xlsx' với hàng tiêu đề được tô màu xanh dương đậm." Codex sẽ lập tức viết ra đoạn mã chuẩn mực, bạn chỉ việc chạy script và nhận về kết quả báo cáo hoàn hảo. [IMAGE:/image/news%2Fopenai-codex-vi-du-prompt-bao-cao-excel.webp|Codex Web sinh mã Python từ prompt tự động hóa báo cáo doanh thu theo chi nhánh|Codex Web sinh mã Python từ prompt tự động hóa báo cáo doanh thu theo chi nhánh] Tự động hóa báo cáo Excel cục bộ với Python và Codex Với file Excel lưu trên máy, sự kết hợp giữa Codex và hai thư viện Python phổ biến là pandas cùng openpyxl đem lại tốc độ xử lý vượt trội. Pandas xử lý hàng trăm nghìn dòng dữ liệu chỉ trong vài giây, trong khi openpyxl đảm nhận việc định dạng ô tính, tô màu tiêu đề và chèn công thức đúng như ví dụ ở trên đã minh họa. Tự động hóa Google Sheets trên đám mây Khi công ty làm việc trên Google Sheets thay vì file Excel offline, thư viện Python gspread hoặc Google Apps Script là lựa chọn phù hợp hơn. Codex có thể viết mã kết nối trực tiếp với Google Sheets API thông qua Service Account (file JSON xác thực) để đọc và ghi dữ liệu liên tục mà không cần mở trình duyệt. Một luồng công việc mẫu Tự động kéo dữ liệu mới từ Google Form về bảng tính Tự động phân loại phản hồi khách hàng theo mức độ ưu tiên Tự động gửi email tổng hợp cho ban giám đốc vào 17:00 mỗi ngày Toàn bộ luồng này chạy nền, không cần ai chạm tay vào bàn phím sau khi đã thiết lập một lần. Quy trình 4 bước triển khai cho người không biết code Bước 1 - Chuẩn hóa dữ liệu đầu vào: đảm bảo file Excel hoặc Google Sheets có hàng tiêu đề rõ ràng, không merge ô tùy tiện. Bước 2 - Viết prompt rõ ràng cho Codex: nêu cụ thể tên file, tên cột dữ liệu, bước lọc/tính toán và định dạng đầu ra mong muốn. Bước 3 - Chạy thử và dán lỗi để AI tự sửa: nếu script báo lỗi, copy toàn bộ thông báo lỗi (traceback) dán lại cho Codex để nó tự chỉnh sửa. Bước 4 - Lập lịch chạy tự động: dùng Windows Task Scheduler (Windows) hoặc Cron job (macOS/Linux) để script tự chạy theo mốc giờ cố định. Rủi ro cần lường trước khi giao báo cáo cho AI Codex thông minh nhưng không miễn phí hoàn tuy nhiên các thao tác đơn giản với excel hoặc google sheets không làm mất quá nhiều quota cho nên nếu sử dụng ít thì hoàn toàn có thể dùng gói miễn phí còn nếu cần các tác vụ nặng hơn thì có thể cân nhắc mua gói Plus và Pro không nên chọn gói Go vì Codex làm việc ở gói này không khác gói miễn phí là bao. Tuyệt đối không dán mật khẩu hệ thống, dữ liệu tài chính hay thông tin khách hàng thật vào ô chat của công cụ AI công cộng. Khi nhờ Codex viết code, hãy thay bằng dữ liệu giả lập (dummy data) có cùng cấu trúc. Với các xác thực quan trọng như số tiền hay công thức tính thuế, đừng tin tuyệt đối vào code Codex sinh ra ngay từ lần đầu. Hãy đối soát kết quả trong 1-2 lần chạy đầu tiên để chắc chắn logic khớp với yêu cầu nghiệp vụ thực tế của công ty bạn. Tự động hóa báo cáo bằng Codex không biến bạn thành lập trình viên, và cũng không nên được xem là vậy. Giá trị thực sự nằm ở việc bạn hiểu rõ dữ liệu và quy trình của mình đủ để mô tả chính xác cho AI bởi phần viết code, Codex đã lo. Nếu công ty bạn có báo cáo lặp lại mỗi tuần, việc đáng làm ngay là chọn một báo cáo đơn giản nhất, thử viết prompt theo mẫu ở trên và chạy thử trong chính buổi làm việc hôm nay.
MCP là gì? Vì sao cả ngành AI đang đua nhau tích hợp
Tháng 3/2026, SDK của Model Context Protocol (MCP) chạm mốc 97 triệu lượt tải mỗi tháng, tăng gấp 970 lần chỉ sau 18 tháng ra mắt. OpenAI, Google DeepMind, Microsoft, AWS đều đã lần lượt tích hợp MCP vào sản phẩm của mình, và đến tháng 12/2025, chính Anthropic quyết định trao MCP cho Linux Foundation quản lý để nó trở thành chuẩn chung của cả ngành. Đây không còn là một dự án nội bộ của Anthropic mà là hạ tầng mà gần như toàn bộ ngành AI đang xây dựng dựa trên đó. MCP là gì? Model Context Protocol (MCP) là một giao thức mở do Anthropic công bố vào tháng 11/2024, giúp các AI model kết nối với dữ liệu và công cụ bên ngoài như Gmail, GitHub, Notion, database nội bộ, theo một chuẩn chung duy nhất thay vì mỗi bên tự viết tích hợp riêng. Cách dễ hình dung nhất là so sánh MCP với cổng USB-C. Trước khi có USB-C, mỗi thiết bị dùng một loại cổng sạc riêng và bạn phải mang theo cả đống dây cáp khác nhau cực kì rối rắm rồi USB-C xuất hiện giúp mọi thiết bị chỉ cần duy nhất một loại cổng có thể cắm vào bất kỳ đâu. MCP làm điều tương tự cho AI mang đến sự tiện lợi khi có thể kết nối với bất kỳ công cụ, nền tảng hay nguồn dữ liệu nào hỗ trợ chuẩn này, không cần code riêng cho từng cặp model và công cụ hay nền tảng. MCP hoạt động như thế nào? Kiến trúc host-client-server MCP không chỉ có hai lớp client-server đơn giản như mọi người vẫn nghĩ mà thực chất chia làm ba vai trò rõ ràng: Host: ứng dụng AI mà bạn dùng trực tiếp, ví dụ Claude Desktop, Claude Code, hay một IDE có tích hợp AI. Host giống như bộ não đóng vai trò điều phối trung tâm, quản lý quyền truy cập và chính sách bảo mật cho toàn bộ phiên làm việc. Client: thành phần do host khởi tạo, mỗi client kết nối với đúng một server và xử lý giao tiếp hai chiều giữa host và server đó. Server: là máy chủ kết nối trực tiếp với công cụ, nền tảng gốc (như Google Drive, Slack, Email, Calendar, Database). Server đóng vai trò bóc tách và cung cấp khả năng thực thi cho AI. Khi bạn kết nối 3 MCP server trong Claude Desktop, thực chất Host đang quản lý 3 client riêng biệt, mỗi client nói chuyện với đúng một server. Ba thành phần chính: tools, resources, prompts Tools: các hàm mà AI có thể gọi để thực hiện hành động, ví dụ send_email, create_issue, search_database. Resources: dữ liệu mà AI có thể đọc bổ sung ngữ cảnh cho LLM, đó có thể là file hoặc bản ghi hoặc nội dung một trang Notion hay cơ sở dữ liệu. Prompts: các câu lệnh dựng sẵn mà server cung cấp để hướng dẫn AI dùng tool đúng cách cho một tác vụ cụ thể hoặc có thể giúp người dùng kích hoạt nhanh hơn. Một ví dụ cụ thể Giả sử bạn hỏi Claude "email nào gần đây nhắc đến hợp đồng ABC?". Claude Desktop (Host) khởi tạo client kết nối tới MCP server của Gmail. Server này gọi Gmail API để tìm email liên quan, sau đó trả kết quả về theo format MCP chuẩn. Claude đọc kết quả đó và trả lời bạn bằng ngôn ngữ tự nhiên. Với quy trình nhiều bước hơn, ví dụ tóm tắt một video YouTube rồi lưu bản tóm tắt vào Google Drive, Claude sẽ lần lượt gọi hai MCP server khác nhau trong cùng một tác vụ, hoàn toàn không cần bạn tự chuyển đổi qua lại giữa các công cụ. MCP không tự nó tạo ra sự thông minh, thực chất nó chỉ là một lớp kết nối chuẩn hóa. Chất lượng câu trả lời vẫn phụ thuộc vào model đứng sau và vào cách MCP server đó thực hiện công cụ của mình. MCP khác gì so với API hay plugin truyền thống? Trước khi có MCP, nếu bạn muốn 5 AI model khác nhau (Claude, GPT, Gemini, Llama, Mistral) đều kết nối được với 5 dịch vụ (Gmail, Slack, GitHub, Notion, Jira), về lý thuyết bạn cần viết tới 25 bộ tích hợp riêng biệt, mỗi cặp model-dịch vụ một kiểu. Đây gọi là bài toán N×M. MCP giải quyết bài toán này bằng cách chuẩn hóa giao thức ở giữa, ở đây chúng ta chỉ cần viết một MCP server duy nhất và mọi AI model hỗ trợ MCP đều dùng được ngay. Số lượng tích hợp cần thiết giảm từ N×M xuống còn N+M. Plugin truyền thống: mỗi nền tảng AI có hệ plugin riêng (ví dụ GPT Actions, Claude tool use tự viết), không dùng chéo được giữa các nền tảng. API truyền thống: developer phải tự đọc tài liệu, tự viết code riêng gọi API, tự xử lý authentication cho từng dịch vụ tất nhiên giao tiếp thường chỉ một chiều theo yêu cầu-phản hồi cố định. MCP: đã là một chuẩn chung, tức là chỉ cần viết một lần có thể dùng được trên toàn bộ hệ sinh thái AI hỗ trợ MCP, đồng thời hỗ trợ giao tiếp hai chiều liên tục, tức AI vừa có thể kéo dữ liệu về (đọc lịch làm việc) vừa đẩy hành động ra (tạo sự kiện mới) trong cùng một phiên làm việc. Khi nào API truyền thống vẫn tốt hơn MCP? MCP linh hoạt không có nghĩa nó luôn là lựa chọn hàng đầu. Với những hệ thống cần độ chính xác tuyệt đối và hành vi có thể dự đoán trước, ví dụ nghiệp vụ ngân hàng như kiểm tra số dư hay chuyển khoản, API truyền thống với luồng xử lý cố định, được kiểm soát chặt từng bước vẫn là lựa chọn an toàn hơn. MCP phù hợp nhất khi bạn cần AI tự quyết định gọi tool nào, theo thứ tự nào, dựa trên ngữ cảnh hội thoại, chứ không phải cho các giao dịch đòi hỏi quy trình cứng và kiểm soát rủi ro nghiêm ngặt. Vì sao cả ngành AI đang đua nhau làm MCP? Tốc độ áp dụng MCP là điều hiếm thấy với một chuẩn công nghệ mới. Tháng 3/2025, OpenAI chính thức hỗ trợ MCP trong Agents SDK và ChatGPT desktop, dù đây là đối thủ trực tiếp của Anthropic. Giữa năm 2025, Google DeepMind tích hợp MCP vào Gemini API. Microsoft đưa MCP support vào VS Code Copilot đạt bản GA vào tháng 7/2025. Bước ngoặt lớn nhất diễn ra ngày 9/12/2025, khi Anthropic trao MCP cho Agentic AI Foundation (AAIF) thuộc Linux Foundation quản lý. OpenAI, Block cùng đứng ra làm đồng sáng lập, còn AWS, Google, Microsoft, Cloudflare, Bloomberg tham gia với vai trò thành viên platinum. Đây là tín hiệu rõ ràng nhất rằng MCP không còn là sân nhà của Anthropic nữa mà trở thành hạ tầng chung mà cả các đối thủ cạnh tranh cũng muốn cùng xây dựng thay vì tự làm bản riêng. Ngay cả các doanh nghiệp phần cứng cũng không đứng ngoài cuộc chơi và cũng đã tham gia mở cổng MCP cho các thiết bị của mình. Ví dụ như các hãng đồng hồ thông minh, máy đo nhịp tim. Đến tháng 7/2026, MCP tung ra bản cập nhật spec lớn nhất từ trước tới giờ (2026-07-28), với protocol core chuyển sang stateless, thêm Extensions framework và cơ chế authorization theo chuẩn OAuth/OpenID Connect, giải quyết những rào cản cuối cùng khiến doanh nghiệp lớn còn e ngại khi triển khai production. Tính đến năm 2026, hơn 10.000 MCP server công khai đang chạy thực tế, và 28% doanh nghiệp Fortune 500 đã triển khai MCP server của riêng mình. Một chỉ dấu đáng chú ý: OpenAI đã khai tử Assistants API độc quyền của chính mình để chuyển hẳn sang MCP, với deadline ngừng hỗ trợ vào giữa 2026. Khi đối thủ cạnh tranh trực tiếp chọn bỏ chuẩn riêng để dùng chuẩn mở của Anthropic, đó là bằng chứng thị trường rõ ràng hơn bất kỳ tuyên bố nào. Ứng dụng thực tế: dùng MCP với Claude như thế nào? Với người dùng Claude.ai hoặc Claude Desktop, kết nối MCP server không đòi hỏi biết code. Vào Settings → Extensions, bạn sẽ thấy danh sách MCP server có sẵn (Google Drive, Notion, Slack, GitHub, Asana...) hoặc có thể thêm server tùy chỉnh bằng URL. Sau khi kết nối, Claude tự động biết khi nào cần gọi tool nào dựa trên câu hỏi của bạn. Một vài use case cụ thể mà mình dùng hàng ngày cho công việc biên tập 4AIVN: Claude + Google Drive MCP: hỏi trực tiếp "tìm file outline bài về Gemini 3.7 tuần trước" thay vì tự mở Drive tìm thủ công. Claude + GitHub MCP: kiểm tra pull request, đọc issue mà không cần rời khỏi cửa sổ chat. Claude + Notion MCP: cập nhật database content calendar ngay trong lúc đang trao đổi ý tưởng bài viết. Mỗi MCP server bạn kết nối đều được cấp quyền đọc/ghi vào dữ liệu thật của bạn. Trước khi bật một server lạ, kiểm tra kỹ nó do ai phát triển và nó xin quyền truy cập những gì, đặc biệt với server không nằm trong danh sách chính thức. MCP chắc chắn sẽ còn phát triển hơn nữa Điều đáng chú ý nhất về MCP không phải bản thân giao thức, mà tốc độ nó đang trở thành tiêu chuẩn ngầm định khi người dùng chọn công cụ AI. Giống cách người mua laptop giờ mặc định hỏi "có cổng USB-C không", trong 1-2 năm tới, câu hỏi “công cụ này có MCP server không" nhiều khả năng sẽ trở thành tiêu chí đánh giá bất kỳ SaaS hay thiết bị nào, không riêng gì phần mềm AI. Đây không còn là cuộc chơi riêng của OpenAI, Google hay Anthropic, mà đã lan tới cả các nào muốn tích hợp AI, doanh nghiệp nào chưa có MCP, dù sản phẩm tốt đến đâu, cũng đang tự đặt mình vào thế bất lợi khi người dùng ngày càng quen với việc hỏi thẳng AI thay vì tự mở app tra cứu. Phần này đối với các công ty vừa và nhỏ, kể cả ở Việt Nam, đây thực ra là cơ hội nhiều hơn là áp lực. Viết một MCP server không đòi hỏi hạ tầng khổng lồ như tự build một AI model, chỉ cần bọc lớp API sẵn có theo đúng chuẩn MCP là đủ để sản phẩm "nói chuyện" được với Claude, ChatGPT hay bất kỳ AI client nào hỗ trợ giao thức này. Ai làm trước, người đó có lợi thế trong giai đoạn người dùng vẫn còn đang hình thành thói quen.
Na
Nam•
21 thg 8, 2026
AI có thể lên kế hoạch tập luyện cá nhân hóa nhờ MCP
Chuẩn kết nối MCP (Model Context Protocol) do Anthropic phát triển đã lan rộng đến mức các nhà sản xuất thiết bị sức khỏe và đồng hồ thể thao thông minh buộc phải nhanh chóng nhập cuộc. Đúng như kỳ vọng từ cộng đồng công nghệ, Strava đã tung ra trình kết nối MCP chính thức đầu tiên cho giới chạy bộ và đạp xe. Chỉ chưa đầy một tháng sau, COROS cũng công bố bản thử nghiệm MCP beta để tối ưu khả năng tương tác với AI. Trong khi đó, dù ông lớn Garmin chưa chính thức đưa ra câu trả lời, làn sóng giải pháp MCP do cộng đồng lập trình viên tự phát triển đã chứng minh việc các thương hiệu tích hợp AI hai chiều chỉ còn là vấn đề thời gian.MCP là gì và vì sao thiết bị tập luyện đang chạy đua tích hợpMCP (Model Context Protocol) là một giao thức mở cho phép các mô hình ngôn ngữ lớn (LLM) như Claude, ChatGPT hay Gemini truy cập trực tiếp vào nguồn dữ liệu và công cụ bên ngoài theo thời gian thực. Thay vì chỉ đưa ra lời khuyên chung chung dựa trên văn bản nhập vào, AI có thể đọc hiểu toàn bộ lịch sử vận động của từng cá nhân.Đối với người tập luyện thể thao, thay vì phải mở ứng dụng, tự lọc biểu đồ nhịp tim và so sánh chỉ số thủ công, bạn chỉ cần hỏi thẳng AI: "Tuần này training load của tôi tăng hay giảm so với tuần trước?" hoặc "Tốc độ chạy bài Easy Run của tôi đã tối ưu cho việc phục hồi chưa?". AI sẽ đưa ra phản hồi chính xác bám sát số liệu cá nhân, giống như bạn đang đồng hành cùng một huấn luyện viên thể lực chuyên nghiệp 24/7.Strava MCP: Tiên phong mở rộng hệ sinh thái và siết chặt APICuộc đua MCP trong mảng thiết bị đeo bắt đầu bùng nổ từ ngày 1/6/2026 khi Strava ra mắt MCP chỉ đọc chính thức dành cho người dùng đăng ký trả phí. Thông qua cơ chế xác thực OAuth an toàn, các mô hình AI có thể truy xuất dữ liệu hoạt động, bản đồ GPS, độ dốc và biểu đồ công suất (power meters).Nhờ hỗ trợ chuẩn kết nối MCP mở, Strava MCP tương thích hoàn hảo với các công cụ hàng đầu từ Anthropic như Claude Cowork và Claude Code. Đáng chú ý, cùng thời điểm ra mắt MCP, Strava cũng tiến hành siết chặt chính sách API đối với các bên thứ ba: áp dụng mức phí hàng tháng và đặt giới hạn 90 ngày cho một số endpoint, nhằm ngăn chặn các công ty AI khai thác dữ liệu người dùng Strava mà không đóng góp doanh thu.MCP của Strava hiện vận hành hoàn toàn ở chế độ Read-Only (Chỉ đọc) để đảm bảo an toàn thông tin. Điều này nghĩa là AI có thể phân tích số liệu nhưng không thể chỉnh sửa, xóa hay tự ý tạo buổi tập mới trong tài khoản của bạn.Coros MCP beta: Kết nối nhanh nhưng dữ liệu còn hạn chếKhông chịu đứng ngoài cuộc chơi, COROS đã phát hành MCP chính thức (bản Beta) từ tháng 5/2026, hỗ trợ kết nối trực tiếp tài khoản COROS với Claude và ChatGPT. Quy trình thiết lập khá dễ dàng: người dùng chỉ cần sao chép liên kết MCP theo từng khu vực (dạng https://mcp.coros.com/mcp), dán vào phần Connector của Claude hoặc Developer Mode trên ChatGPT và hoàn tất xác thực.Mặc dù giúp kết nối dữ liệu nhanh chóng, Coros MCP hiện tại vẫn bộc lộ một số hạn chế nhất định:Độ chi tiết dữ liệu: Chỉ trả về số liệu tổng hợp theo từng buổi tập (workout summary), chưa hỗ trợ dữ liệu chi tiết theo từng lap (hiệp) hay thời gian thực theo từng giây.Quyền hạn: Hoạt động hoàn toàn ở chế độ Read-Only, không thể khởi tạo bài tập hay đẩy giáo án vào đồng hồ.Nền tảng hỗ trợ: Người dùng ChatGPT cần có tài khoản trả phí mới có thể sử dụng MCP. Trong khi đó, Gemini trên giao diện Web chưa hỗ trợ connector MCP tùy chỉnh, bắt buộc người dùng phải thao tác qua Gemini CLI trong terminal.Garmin garmin_mcp: Giải pháp cộng đồng với 110 tools mạnh mẽGarmin – hãng sở hữu thị phần đồng hồ thể thao lớn nhất hiện nay – vẫn chưa phát hành bất kỳ trình kết nối MCP chính thức nào. Tuy nhiên, khoảng trống này đã nhanh chóng được lấp đầy bởi cộng đồng mã nguồn mở với dự án garmin_mcp do lập trình viên Taxuspt phát triển trên GitHub.Dự án garmin_mcp trên GitHub đã đạt hơn 1.000 stars và 324 forks nhờ tích hợp hơn 110 công cụ (tools), bao phủ gần 90% thư viện python-garminconnect. Với garmin_mcp, người dùng có thể thực hiện những yêu cầu phân tích chuyên sâu mà cả Strava lẫn COROS chưa hỗ trợ:Yêu cầu Claude phân tích phân bổ vùng công suất (power zones) của bài đạp xe gần nhất.So sánh biến thiên các chỉ số thể lực nâng cao như CTL (Chronic Training Load), ATL (Acute Training Load) và TSB (Training Stress Balance) trong 6 tuần gần nhất.Tự động khởi tạo bài tập chạy biến tốc (walk-run interval) và đồng bộ trực tiếp lịch tập vào đồng hồ Garmin Connect – tính năng ghi dữ liệu vượt trội so với các bản MCP chỉ đọc.Vì garmin_mcp là dự án do cộng đồng phát triển, người dùng phải xác thực email và mật khẩu tài khoản Garmin Connect thông qua thư viện bên thứ ba. Bạn nên cân nhắc kỹ về vấn đề an toàn thông tin trước khi cung cấp thông tin đăng nhập cá nhân.Thực tế cho thấy vào tháng 3/2026, Garmin đã bất ngờ thay đổi phương thức xác thực API khiến hai thư viện phổ biến là garth và python-garminconnect bị gián đoạn hoạt động, trong đó garth bị ngừng phát triển. Điều này phản ánh rủi ro lớn nhất của các giải pháp MCP không chính thức: chúng phụ thuộc hoàn toàn vào các endpoint chưa công khai và có thể bị lỗi bất kỳ lúc nào nếu Garmin thay đổi hệ thống.So sánh nhanh ba hướng kết nối của Strava, Coros và GarminDưới đây là bảng tổng hợp giúp bạn có cái nhìn tổng quan về các phương án kết nối MCP hiện nay:Strava MCP (Chính thức): Chế độ Read-Only | Đăng ký trả phí | Dữ liệu hoạt động, GPS, công suất | Bảo mật OAuth cao | Không có dữ liệu giấc ngủ, HRV hay phục hồi.Coros MCP (Chính thức Beta): Chế độ Read-Only | Tài khoản AI trả phí | Dữ liệu tổng hợp buổi tập | Dễ thiết lập qua URL | Chưa có dữ liệu chia từng hiệp (lap) hay từng giây.Garmin garmin_mcp (Cộng đồng): Đọc & Ghi (Read & Write) | Mã nguồn mở | 110+ tools, phân tích CTL/ATL/TSB, tạo giáo án | Tính năng mạnh nhất | Nguy cơ gãy API và rủi ro mật khẩu tài khoản.Hướng dẫn thiết lập MCP phù hợp cho thiết bị bạn đang cóNếu bạn đang sử dụng Strava hoặc Coros, việc trải nghiệm vô cùng đơn giản: chỉ cần truy cập phần Tùy chỉnh Trình kết nối trên Claude.ai (hoặc bật Developer Mode trên ChatGPT), dán liên kết MCP chính thức và tiến hành xác thực tài khoản.Đối với người dùng Garmin muốn trải nghiệm sức mạnh AI ngay lập tức, lựa chọn tối ưu nhất là cài đặt extension garmin-mcp.dxt của Taxuspt trên Claude Desktop. Bạn chỉ cần xác thực một lần duy nhất bằng lệnh garmin-mcp-auth để lưu mã OAuth Token bảo mật, sau đó thoải mái trò chuyện với AI mà không cần nhập lại mật khẩu cho các lần sử dụng tiếp theo. Đây chắc chắn là giải pháp chuyển tiếp tuyệt vời trong khi chờ đợi Garmin chính thức công bố chuẩn MCP của riêng mình.
Li
Liên•
19 thg 8, 2026
Muse Glimmer: Trải nghiệm mới khi chạy AI local của Meta
Bạn giao cho một agent AI đọc thư mục hóa đơn, soạn nháp email và đối chiếu lịch làm việc, nhưng toàn bộ là chay local hết. Đó là điều Muse Glimmer của Meta hứa hẹn, tuy nhiên rất nhiều điều cần xem xét trong những tình huống sử dụng thực tế sau hứa hẹn của Meta. Cài đặt và lần chạy đầu tiên Meta Superintelligence Labs công bố Muse Glimmer ngày 10 tháng 8 năm 2026, một mô hình mở 30 tỷ tham số theo giấy phép Apache 2.0. Theo thông báo chính thức, trọng số được đăng thẳng lên Hugging Face nên bước đầu tiên chỉ là tải file về, không cần xin API key hay đăng ký tài khoản nào. Từ lúc tải xong đến khi gõ câu lệnh đầu tiên, trải nghiệm gần giống việc cài một ứng dụng offline hơn là gọi một dịch vụ cloud. Chạy qua Ollama hoặc LM Studio, người dùng chỉ cần trỏ tới file model rồi mở một terminal hoặc giao diện chat cục bộ. Không có màn hình loading chờ phản hồi từ server, không có thông báo giới hạn request, vì mọi thứ diễn ra ngay trên GPU của máy. Nếu chưa quen dùng model local, hãy thử qua LM Studio trước vì giao diện thân thiện hơn dòng lệnh thuần túy. Sau khi quen, chuyển sang vLLM hoặc SGLang nếu cần phục vụ nhiều request cùng lúc. Muse Glimmer không còn kén GPU như lúc mới ra mắt Cấu hình Meta khuyến nghị ban đầu là GPU 24 GB VRAM trở lên, tức là cần đến RTX 4090 hoặc RTX 5090 thì mới chạy được. Với phần đông người dùng phổ thông, đây vẫn là ngưỡng khá cao vì các card đó thuộc phân khúc giá cao thường cho mọi người gaming chứ không cho người dùng phổ thông. Điều thay đổi mọi thứ là bản lượng tử hóa động (dynamic quants) do Unsloth phát hành ngay sau đó, hạ yêu cầu bộ nhớ xuống còn khoảng 18 GB RAM và VRAM kết hợp. Mức này vừa đủ để một chiếc RTX 5060 Ti 16 GB, dòng card tầm trung dễ mua hơn nhiều so với RTX 4090 hay 5090, chạy được Muse Glimmer khi kết hợp thêm một phần bộ nhớ hệ thống. Với người mới muốn thử nghiệm mà chưa sẵn sàng đầu tư một dàn máy giá cao thì đây là cánh cửa thực tế hơn nhiều. Đánh đổi khi dùng bản nén cho RTX 5060 Không có bữa trưa nào miễn phí. Bản lượng tử hóa động của Unsloth cho phép chạy trên phần cứng nhẹ hơn, nhưng đổi lại độ chính xác giảm nhẹ so với bản chạy đầy đủ trên GPU 24 GB trở lên, và tốc độ sinh token cũng chậm hơn khi phải san sẻ một phần công việc sang RAM hệ thống. Với các tác vụ đơn giản như tóm tắt văn bản hay trả lời câu hỏi ngắn, sự khác biệt khó nhận ra. Nhưng với chuỗi tác vụ agentic dài, gọi nhiều công cụ liên tiếp, cấu hình 24 GB trở lên vẫn cho trải nghiệm ổn định hơn. Dùng thử cho việc thật Điểm khiến Muse Glimmer khác một chatbot thông thường nằm ở khả năng duy trì một chuỗi hành động dài thay vì chỉ trả lời từng câu hỏi rời rạc. Ba kịch bản dưới đây là cách hình dung rõ nhất việc đó nghĩa là gì trong công việc hằng ngày. Kịch bản đầu tiên là dọn hộp thư. Giao cho agent một thư mục email chưa đọc, nó có thể phân loại theo mức độ khẩn cấp, soạn nháp trả lời cho những email lặp lại nội dung quen thuộc, rồi để người dùng duyệt lại trước khi gửi. Vì mô hình chạy cục bộ, nội dung nhạy cảm trong hộp thư không rời khỏi máy trong suốt quá trình đó. Kịch bản thứ hai liên quan đến việc sửa lỗi code. Đưa cho agent một traceback lỗi dạng ảnh chụp màn hình, nhờ bộ mã hóa nhận thức riêng, Muse Glimmer đọc được cả ảnh lẫn văn bản mà không cần gõ lại nội dung lỗi bằng tay. Nó tìm file liên quan, đề xuất sửa, chạy kiểm tra rồi tự xem lại kết quả trả về, và nếu lần sửa đầu chưa đúng, nó thử lại theo một hướng khác thay vì dừng lại chờ người dùng chỉ dẫn tiếp. Kịch bản thứ ba là ghép nối với Hermes Agent hoặc một pipeline agent tự xây. Vì Muse Glimmer hỗ trợ endpoint tương thích OpenAI và Anthropic khi chạy qua LM Studio, việc thay thế một model cloud bằng Muse Glimmer chạy local chỉ là đổi vài dòng cấu hình, không cần viết lại toàn bộ logic agent. Tốc độ thực sự khá nhanh Con số thô dễ khiến người đọc lướt qua, nhưng đặt vào ngữ cảnh thực tế thì khác. Meta đo được tốc độ sinh token trên RTX 5090 tăng từ 74,9 lên 233,4 token mỗi giây nhờ cơ chế speculative decoding của drafter DFlash, một mức tăng gấp 3,1 lần. Với người dùng, khoảng cách đó là sự khác biệt giữa việc phải đợi một câu trả lời dài xuất hiện từng chữ một, và việc gần như thấy toàn bộ đoạn văn hiện ra ngay khi vừa gõ xong câu lệnh. Trên MacBook, mức tăng khiêm tốn hơn nhưng vẫn đáng kể: M5 Max đi từ 26,6 lên 50,2 token mỗi giây, còn M4 Max từ 23,7 lên 37,8. Nói cách khác, ngay cả trên laptop thay vì desktop gaming, người dùng vẫn cảm nhận được sự khác biệt rõ ràng giữa việc bật và tắt drafter. Ở benchmark MCP Atlas đo khả năng xử lý tác vụ agentic, Muse Glimmer đạt 75,5 điểm, vượt Gemma4-31B (54,2 điểm) và Qwen3.6-27B (62,5 điểm). Đây là bài đo về độ "thông minh" khi lập kế hoạch và gọi công cụ, không phải bài đo tốc độ. Nhược điểm vẫn chưa được tối ưu Trải nghiệm mượt như mô tả ở trên chủ yếu đến từ phần cứng mạnh và các tích hợp đã chạy ổn định. Thực tế ở thời điểm ra mắt, không phải mọi thứ đều sẵn sàng ngay. Meta chỉ công bố các tích hợp tối ưu với llama.cpp, MLX và ExecuTorch sẽ xuất hiện "trong những ngày tới", nghĩa là những người thử nghiệm sớm phải tự ghép nối qua các bản build chưa chính thức, dễ gặp lỗi runtime hoặc hiệu năng không như benchmark công bố. Bản thân cơ chế speculative decoding với drafter DFlash cũng chưa chắc mang lại mức tăng tốc như trên RTX 5090 hay dòng MacBook Max cho mọi cấu hình. Với GPU tầm trung hoặc bản lượng tử hóa chạy trên RTX 5060 Ti, Meta và Unsloth đều chưa công bố số liệu tốc độ chính thức, nên người dùng phải tự đo trên máy của mình thay vì tin vào con số quảng cáo cho cấu hình cao cấp. Một điểm khác ít được nhắc tới là quản lý bộ nhớ khi chạy chuỗi tác vụ agentic dài. Vì phải giữ ngữ cảnh qua nhiều lượt gọi công cụ, một số người dùng thử nghiệm sớm phản ánh tình trạng chậm dần hoặc tốn thêm VRAM khi phiên làm việc kéo dài, khác với cảm giác mượt mà ở vài câu lệnh đầu. Đây là kiểu vấn đề mà các dịch vụ cloud trưởng thành đã tối ưu qua nhiều năm vận hành, còn hệ sinh thái chạy local cho riêng Muse Glimmer vẫn còn quá mới để khẳng định đã ổn định. Trước khi cho agent chạm vào việc thật Chạy cục bộ không tự động đồng nghĩa với an toàn tuyệt đối. Một agent có quyền đọc tệp, gửi email hoặc gọi hệ thống nội bộ vẫn cần giới hạn quyền truy cập rõ ràng, nhật ký hoạt động đầy đủ và một bước xác nhận của con người trước khi thực hiện hành động không thể hoàn tác. Đừng để agent tự động gửi email hoặc xóa file ngay từ lần chạy đầu tiên. Hãy để nó ở chế độ chỉ đề xuất, người dùng duyệt lại thủ công, cho đến khi đủ tin tưởng vào cách nó ra quyết định. Cách thử an toàn nhất là chọn một tác vụ hẹp, chẳng hạn tra cứu tài liệu trong một thư mục mẫu hoặc tạo bản nháp từ lịch thử nghiệm, thay vì giao ngay dữ liệu công việc thật. Đo tốc độ, chất lượng đầu ra và mức dùng bộ nhớ trên chính phần cứng của mình trước khi mở rộng phạm vi quyền cho agent. Muse Glimmer và làn sóng chạy AI local Muse Glimmer không phải cái tên duy nhất trong xu hướng đưa LLM về máy cá nhân. Llama của chính Meta, Qwen của Alibaba hay Gemma của Google cũng có các bản mở tương tự, và cộng đồng như Unsloth liên tục ra bản lượng tử hóa cho từng model mới. Điều khiến Muse Glimmer đáng chú ý hơn trong nhóm này là nó được huấn luyện riêng cho tác vụ agentic, thay vì chỉ tối ưu cho việc trả lời câu hỏi thông thường. Chạy LLM local nói chung mang lại ba lợi ích rõ nhất so với gọi qua cloud. Thứ nhất là dữ liệu không rời khỏi máy, phù hợp với công việc chạm tới thông tin nhạy cảm như hợp đồng, hồ sơ khách hàng hay mã nguồn nội bộ. Thứ hai là không phát sinh chi phí theo token, một khi đã có phần cứng thì dùng bao nhiêu cũng không tốn thêm. Thứ ba là vẫn hoạt động khi mạng chập chờn hoặc mất kết nối hoàn toàn, điều mà bất kỳ dịch vụ cloud nào cũng không đáp ứng được. Đổi lại, người dùng phải tự quản lý phần việc mà trước đây nhà cung cấp cloud lo giúp: cập nhật model khi có bản mới, tinh chỉnh cấu hình cho từng loại GPU, và tự xử lý khi model gặp lỗi thay vì có đội hỗ trợ đứng sau một API. Đây là lý do chạy local phù hợp hơn với người dùng kỹ thuật hoặc đội ngũ có thời gian thử nghiệm, còn người cần một giải pháp dùng ngay không cần chỉnh sửa vẫn nên cân nhắc kỹ trước khi chuyển hẳn khỏi cloud. Với người mới bắt đầu, thứ tự hợp lý là kiểm tra VRAM máy đang có, chọn công cụ chạy phù hợp trình độ như LM Studio cho người mới hoặc Ollama cho người quen dòng lệnh, rồi thử trên một tác vụ hẹp không quan trọng trước khi giao việc thật. Cách tiếp cận này áp dụng được không chỉ với Muse Glimmer mà với hầu hết model mở khác đang có trên thị trường.
Li
Liên•
12 thg 8, 2026
GPT-5.6 giảm giá API 80% có phải do áp lực từ Kimi K3?
Chỉ hai tuần sau khi Kimi K3 ra mắt, OpenAI cắt giá API GPT-5.6 Luna tới 80%. Đây không phải là bằng chứng OpenAI phản ứng trực tiếp với Kimi K3, nhưng là dấu hiệu rõ ràng cho thấy cuộc đua AI năm 2026 đang dịch chuyển từ "ai thông minh hơn" sang "ai rẻ hơn với hiệu năng tương đương". OpenAI cắt giá API mạnh tay, Luna giảm tới 80% Từ ngày 30/7, OpenAI điều chỉnh giá API cho dòng GPT-5.6. GPT-5.6 Luna, phiên bản nhanh và có giá thấp nhất trong ba tier, giảm 80%, còn 0,20 USD cho mỗi triệu token input và 1,20 USD cho mỗi triệu token output. Terra, phiên bản cân bằng cho công việc hằng ngày, giảm 20%, còn 2 USD/12 USD cho mỗi triệu token input/output. GPT-5.6 Sol, flagship của dòng này, giữ nguyên giá nhưng có thêm Fast mode thay cho Priority Processing. Theo OpenAI, Fast mode xử lý nhanh hơn tối đa 2,5 lần so với Standard với giá gấp đôi, trong khi năng lực model không thay đổi. Mức giá mới cũng được phản ánh vào cách tính credit trên ChatGPT Work và Codex. Người dùng Terra hoặc Luna qua các gói này sẽ tiêu tốn ít credit hơn cho cùng một khối lượng công việc, dù giá gói thuê bao không đổi. Bạn có thể xem chi tiết giá mới tại thông báo chính thức của OpenAI. Có phải OpenAI đang chịu áp lực từ Kimi K3? OpenAI không nhắc trực tiếp đến Kimi K3 trong thông báo, vì vậy không thể khẳng định đợt giảm giá là phản ứng với riêng model này. Tuy nhiên, thời điểm của hai sự kiện khiến nhận định đó có cơ sở để bàn luận. Ngày 16/7, Moonshot AI ra mắt Kimi K3, một model open-weight có cửa sổ ngữ cảnh 1 triệu token. Chỉ trong vài ngày, Kimi K3 gây chú ý trong cộng đồng developer vì giá API cạnh tranh và hiệu năng cao hơn nhiều kỳ vọng dành cho một model có trọng số mở. Kimi K3 tiệm cận GPT-5.6 Sol ở đâu? Trên một số bảng benchmark, Kimi K3 tiệm cận GPT-5.6 Sol bản max; khoảng cách tổng thể vẫn còn, nhưng nhỏ hơn đáng kể so với kỳ vọng trước đây về một model open-weight. Kimi K3 còn dẫn đầu ở một vài thước đo cụ thể như FrontierSWE, BrowseComp và Frontend Code Arena, trong khi giá API ở mức 3 USD/15 USD cho mỗi triệu token input/output, thấp hơn Sol. Sol vẫn có lợi thế ở nhiều benchmark tổng hợp và có chế độ Ultra multi-agent đạt 91,9% trên Terminal-Bench 2.1. Dù vậy, việc một model open-weight áp sát flagship đóng của OpenAI với mức giá thấp hơn đã tạo ra áp lực cạnh tranh thực sự, nhất là với doanh nghiệp và developer nhạy cảm với chi phí vận hành dài hạn. Bạn có thể so sánh các model trên bảng xếp hạng 4AIVN. Việc liên hệ đợt giảm giá với Kimi K3 là nhận định dựa trên thời điểm và bối cảnh thị trường, không phải xác nhận chính thức từ OpenAI. Bức tranh giá AI toàn ngành đang thay đổi Kimi K3 không phải là áp lực duy nhất. DeepSeek tiếp tục theo đuổi chiến lược giá thấp: DeepSeek V4 Flash được niêm yết ở mức 0,14 USD/0,28 USD mỗi triệu token, còn DeepSeek V4 Pro ở mức 0,435 USD/0,87 USD; cả hai đều đi kèm cửa sổ ngữ cảnh 1 triệu token. Ngay cả sau khi giảm 80%, GPT-5.6 Luna ở mức 0,20 USD/1,20 USD vẫn đắt hơn DeepSeek V4 Flash ở đầu ra, dù khoảng cách đã thu hẹp đáng kể. Đợt điều chỉnh của OpenAI vì thế phù hợp với một xu hướng lớn hơn, không chỉ là phản ứng đơn lẻ trước Kimi K3. Các lab Trung Quốc liên tục kéo giá xuống trong khi vẫn giữ hiệu năng cạnh tranh, buộc các công ty Mỹ phải tối ưu chiến lược định giá nhanh hơn trước. Người dùng được lợi gì? Với người dùng ChatGPT không sử dụng API, tác động trực tiếp gần như không có vì giá thuê bao không đổi. Nhưng với đội ngũ đang xây dựng ứng dụng, chatbot hoặc agent tự động dựa trên GPT-5.6 API, đây là một thay đổi đáng kể. Các công cụ như Hermes Agent, vốn cho phép chọn GPT-5.6 Sol, Terra hoặc Luna làm model nền, có thể giảm chi phí vận hành rõ rệt khi dùng đúng tier cho từng loại việc. Luna phù hợp với tác vụ lặp lại, khối lượng lớn và không cần suy luận phức tạp.Terra là lựa chọn cân bằng cho công việc hằng ngày và trợ lý đa năng.Sol vẫn phù hợp nhất khi độ chính xác và năng lực suy luận cao là ưu tiên. Góc nhìn 4AIVN Khoảng cách hiệu năng giữa những model hàng đầu đang thu hẹp nhanh hơn khoảng cách giá. Khi một model open-weight như Kimi K3 có thể áp sát model đóng đầu bảng, các công ty lớn phải cân nhắc giữa bảo vệ biên lợi nhuận và giữ chân khách hàng doanh nghiệp. Động thái của OpenAI cho thấy hãng chọn cải thiện hiệu năng trên mỗi USD, ít nhất với Luna và Terra. Nếu đang vận hành ứng dụng hoặc agent trên GPT-5.6 API, đây là lúc nên phân bổ lại tác vụ giữa Sol, Terra và Luna thay vì dùng một model duy nhất cho mọi việc. Chênh lệch giá giữa ba tier giờ đủ lớn để lựa chọn model theo từng tác vụ trở thành quyết định tối ưu chi phí thực sự, không chỉ là lựa chọn kỹ thuật.
Li
Liên•
31 thg 7, 2026
Claude Opus 5 ra mắt với sức mạnh áp sát Fable 5
Anthropic vừa ra mắt Claude Opus 5 với mức giá giữ nguyên như Opus 4.8 nhưng chất lượng trả lời được nâng lên gần bằng Fable 5, model đắt gấp đôi. Nói cách khác, với mức giá bằng một nửa Fable 5 mà hiệu năng lại áp sát, phần lớn người dùng nhiều khả năng sẽ chọn Opus 5 làm model mặc định, chỉ giữ Fable 5 cho số ít tác vụ thật sự cần đến giới hạn cao nhất. Claude Opus 5 mang đến những nâng cấp nào? Theo thông báo ra mắt của Anthropic, Claude Opus 5 là model Opus mạnh nhất tính đến nay và là đại diện đầu tiên của dòng Opus thuộc thế hệ Claude 5. Anthropic mô tả đây là model chủ động, biết suy nghĩ sâu và tiến gần trí tuệ cấp cao nhất của Claude Fable 5 trong nhiều lĩnh vực, nhưng chỉ tốn một nửa chi phí token. Model có mã API claude-opus-5, context mặc định và tối đa 1 triệu token, tương tự Opus 4.8 và Fable 5, cùng giới hạn đầu ra 128.000 token và chế độ thinking được bật mặc định. Nó đã trở thành model mặc định trên Claude Max và là model mạnh nhất khả dụng trên Claude Pro, đồng thời có mặt trên Claude API, Amazon Bedrock, Google Cloud, Microsoft Foundry và cả GitHub Copilot. Vì sao nhiều người sẽ chọn Opus 5 thay vì Fable 5? Câu trả lời không chỉ nằm ở con số giá. Có bốn lý do khiến Opus 5 nhiều khả năng trở thành lựa chọn mặc định cho công việc hằng ngày, trong khi Fable 5 lùi về vai trò công cụ chuyên dụng cho số ít trường hợp đặc biệt. Thắng nhiều hơn thua trên các bài kiểm tra thực tế Trên Frontier-Bench v0.1, bài kiểm tra coding tự động của chính Anthropic, Opus 5 đạt 43,3% trong khi Fable 5 chỉ đạt 33,7%, một khoảng cách gần 10 điểm nghiêng hẳn về Opus 5. Trên CursorBench 3.2 ở mức effort tối đa, Opus 5 đạt khoảng 70,1%, thua Fable 5 chưa tới nửa điểm phần trăm nhưng chi phí chỉ bằng một nửa. Tính chung trên các bài kiểm tra mà cả hai model đều có số liệu, Opus 5 thắng nhiều hơn thua và phần thắng thường lớn hơn phần thua. Cách kiểm chứng nhanh nhất: chạy cùng một tác vụ trên cả hai model ở effort tương đương, rồi so sánh chất lượng đầu ra thay vì chỉ nhìn benchmark được công bố. Không bị ép giữ dữ liệu 30 ngày Fable 5 và Mythos 5 thuộc nhóm Covered Models, bắt buộc lưu giữ prompt và kết quả trong 30 ngày để phục vụ công tác an toàn, đồng thời không hỗ trợ zero data retention (ZDR) trên bất kỳ nền tảng nào, kể cả khi tổ chức đã có thỏa thuận ZDR từ trước. Ngược lại, Opus 5 vẫn vận hành được dưới ZDR như Opus 4.8. Với các đội ngũ xử lý dữ liệu pháp lý, y tế hoặc tài chính, riêng điểm này đã đủ để loại Fable 5 khỏi danh sách lựa chọn mà không cần so hiệu năng. Ít bị gián đoạn bởi bộ lọc an toàn Anthropic cho biết bộ phân loại an ninh mạng của Opus 5 can thiệp ít hơn khoảng 85% so với Fable 5. Với các coding agent chạy nhiều giờ hoặc qua đêm, việc bị chặn giữa chừng vì request chạm ngưỡng an toàn là rủi ro thực sự làm gián đoạn quy trình, và Opus 5 giảm đáng kể tần suất đó. Effort điều chỉnh được, ngân sách dễ đoán hơn Opus 5 hỗ trợ adaptive thinking với effort từ thấp đến tối đa. Mức thấp hoặc trung bình phù hợp cho phản hồi nhanh và khối lượng lớn, còn mức cao hoặc tối đa dành cho coding phức tạp, nghiên cứu sâu và quy trình nhiều bước. Vì phải trả tiền theo effort đã chọn thay vì bị khóa vào một mức giá cố định như Fable 5, đội ngũ có thể tối ưu ngân sách theo từng loại tác vụ thay vì trả giá cao nhất cho mọi request. Cảm nhận ban đầu sau khi dùng thử Opus 5 Sau khi dùng thử Opus 5 cho công việc viết lách và xử lý code hằng ngày, cảm nhận rõ nhất là model này thông minh hơn hẳn Opus 4.8, đặc biệt ở khả năng hiểu ý đồ ngay từ lần yêu cầu đầu tiên mà không cần giải thích lại nhiều lần. Với các tác vụ như tóm tắt tài liệu dài, viết code có logic rẽ nhánh phức tạp hoặc lên kế hoạch nhiều bước, Opus 5 xử lý mượt và ít khi đi lạc đề như bản cũ thường gặp. So với Fable 5 thì vẫn có khoảng cách, dù không lớn như tưởng tượng. Ở những tác vụ đòi hỏi suy luận sâu hoặc phải tự chủ qua nhiều bước liên tiếp mà không có ai can thiệp, Fable 5 vẫn xử lý chắc tay và ít sai sót hơn một chút. Nhưng với phần lớn công việc hằng ngày, mức chênh lệch đó khó nhận ra nếu không đặt hai model cạnh nhau để so sánh trực tiếp. Nếu bạn đang dùng Opus 4.8, đây là thời điểm hợp lý để nâng cấp. Còn nếu đang cân nhắc giữa Opus 5 và Fable 5 cho công việc thông thường, Opus 5 gần như đủ dùng mà không cần trả thêm tiền. Khi nào Fable 5 vẫn là lựa chọn đúng? Fable 5 vẫn giữ được lợi thế ở đúng những chỗ khó nhất. Trên SWE-bench Pro, bộ kiểm tra dùng vấn đề GitHub có thật và được xem là thước đo khắt khe nhất cho công việc coding thực tế, Fable 5 đạt khoảng 80% trong khi Opus 5 đạt khoảng 79%, một khoảng cách nhỏ nhưng vẫn nghiêng về Fable 5. Fable 5 cũng là model duy nhất Anthropic định vị ở cấp Mythos, tức năng lực tổng thể cao hơn Opus theo thiết kế, và điều này thể hiện rõ ở các lĩnh vực chuyên sâu như phân tích y tế chuyên môn hoặc nghiên cứu tự chủ kéo dài nhiều ngày mà không có người giám sát. Nói cách khác, phần thắng của Opus 5 tập trung ở công việc coding và xử lý tri thức hằng ngày, còn lợi thế của Fable 5 nằm ở những bài toán khó nhất và các lĩnh vực đòi hỏi độ tin cậy tuyệt đối. Với đa số người dùng và đội ngũ nhỏ, những bài toán đó chiếm tỷ trọng rất nhỏ trong công việc thường ngày, nên khoản chênh lệch giá gấp đôi khó biện minh được, trừ khi công việc của bạn rơi đúng vào nhóm này. So sánh nhanh Opus 5 và Fable 5 Tiêu chíClaude Opus 5Claude Fable 5 Giá đầu vào5 USD/triệu token10 USD/triệu token Giá đầu ra25 USD/triệu token50 USD/triệu token Context1 triệu token1 triệu token Đầu ra tối đa128.000 token128.000 token Frontier-Bench v0.1 (coding agent)43,3%33,7% SWE-bench Pro (coding thực tế)~79%~80% Lưu giữ dữ liệuHỗ trợ zero data retentionBắt buộc lưu giữ 30 ngày, không có ZDR Tần suất chặn bởi bộ lọc an toànThấp hơn khoảng 85%Cao hơn Phù hợp nhấtCông việc hằng ngày, coding agent, dữ liệu nhạy cảmNghiên cứu khó, dự án tự chủ dài ngày, phân tích y tế chuyên sâu Vậy Opus 5 có thật sự đọ được với GPT-5.6? Trên giấy tờ, câu trả lời là có, nhưng không phải toàn diện. Opus 5 dẫn trước GPT-5.6 Sol ở khả năng suy luận với tình huống mới, thao tác máy tính và phần lớn bài kiểm tra coding công khai, trong khi GPT-5.6 Sol vẫn nhỉnh hơn ở một số bài kiểm tra thao tác dòng lệnh và tìm kiếm thông tin. Không bên nào thắng tuyệt đối, nhưng lần đầu tiên một model tầm giá trung của Anthropic đứng ngang hàng, thậm chí nhỉnh hơn ở nhiều mặt so với model đầu bảng của OpenAI. Câu hỏi đáng quan tâm hơn không phải model nào mạnh hơn mà là model nào thực sự phù hợp với bạn. Nếu công việc hằng ngày xoay quanh code, tài liệu dài và tác vụ nhiều bước, Opus 5 đang là lựa chọn hợp lý cả về giá lẫn chất lượng. Còn nếu bạn đã quen với hệ sinh thái OpenAI hoặc cần đúng thế mạnh của GPT-5.6, chi phí chuyển đổi có thể không đáng để thay đổi. Cách trả lời chắc chắn nhất vẫn là tự chạy thử cùng một việc trên cả hai, vì bảng benchmark không phải lúc nào cũng phản ánh đúng trải nghiệm thật.
Na
Nam•
25 thg 7, 2026
ChatGPT Health ra mắt, kết nối hồ sơ y tế và Apple Health
Mỗi tuần có hơn 300 triệu người dùng ChatGPT để hỏi về sức khỏe, từ đọc kết quả xét nghiệm đến chuẩn bị câu hỏi cho bác sĩ. Vấn đề là hơn 70% các cuộc trò chuyện đó lại xảy ra ngoài không gian Health riêng biệt mà OpenAI xây dựng cho mục đích này. Đó chính là lý do OpenAI vừa mở rộng Health trong ChatGPT ra toàn bộ người dùng đủ điều kiện tại Mỹ, cho phép kết nối Apple Health và hồ sơ y tế để AI dùng dữ liệu cá nhân ngay trong mọi cuộc trò chuyện, không chỉ trong một tab riêng. ChatGPT Health không phải tính năng hoàn toàn mới OpenAI lần đầu giới thiệu ChatGPT Health vào ngày 7/1/2026, dưới dạng thử nghiệm giới hạn theo danh sách chờ cho một nhóm nhỏ người dùng. Ở giai đoạn đó, các cuộc trò chuyện về sức khỏe buộc phải diễn ra trong một không gian Health tách biệt, và việc phải chuyển qua lại giữa các tab tạo ra rào cản đủ lớn khiến phần lớn người dùng vẫn hỏi sức khỏe ngay trong khung chat thông thường thay vì mở Health. Đợt triển khai ngày 23/7 vừa qua thực tế là bản mở rộng toàn diện, không phải lần ra mắt đầu tiên. OpenAI đưa Health đến tất cả người dùng Mỹ đủ điều kiện trên các gói Free, Go, Plus và Pro, đồng thời bỏ luôn rào cản không gian riêng: một khi đã cấp quyền, ChatGPT có thể dùng dữ liệu sức khỏe đã kết nối ở bất kỳ đâu trong ứng dụng, kể cả khi người dùng chỉ đang hỏi về thực đơn hay lịch tập. ChatGPT Health ra mắt với những khả năng nào? Người dùng có thể kết nối Apple Health cùng hồ sơ y tế từ các hệ thống bệnh viện được hỗ trợ, One Medical hoặc Function Health. Khi được cấp quyền, ChatGPT có thể dùng dữ liệu liên quan để so sánh kết quả xét nghiệm mới với những lần trước, tóm tắt thay đổi kể từ buổi khám gần nhất hoặc tìm mối liên hệ giữa giấc ngủ, vận động và thói quen hằng ngày. Mục tiêu là giảm việc người dùng phải liên tục thu thập, tải lên và giải thích lại cùng một thông tin cho AI mỗi lần trò chuyện. Dữ liệu sức khỏe được đưa vào cuộc trò chuyện như thế nào? Health vẫn là nơi người dùng kết nối và quản lý dữ liệu, xem xu hướng gần đây, duyệt hồ sơ đã đồng bộ và quay lại các cuộc trò chuyện sức khỏe trước đó. Nhưng khác với bản thử nghiệm ban đầu, sau khi đồng bộ, thông tin phù hợp có thể được dùng trong những cuộc trò chuyện thông thường nếu người dùng cho phép, thay vì bắt buộc phải mở không gian riêng. Gõ @Health vào câu hỏi cũng là cách yêu cầu ChatGPT chủ động đưa ngữ cảnh sức khỏe vào phản hồi. ChatGPT có thể sử dụng những dữ liệu nào? Dữ liệu có thể bao gồm thuốc đang dùng, kết quả xét nghiệm, lần khám gần đây, giấc ngủ, mức vận động và bài tập. Nếu ứng dụng thiết bị đeo hoặc dinh dưỡng chia sẻ dữ liệu với Apple Health, ChatGPT có thể sử dụng phần dữ liệu được chuyển tiếp khi người dùng cấp quyền, dù OpenAI lưu ý một số chỉ số độc quyền của bên thứ ba có thể không được chuyển sang. Người dùng vẫn quyết định thời điểm cấp quyền Mặc định, ChatGPT sẽ hỏi trước khi dùng hồ sơ y tế hoặc Apple Health để cá nhân hóa câu trả lời. Người dùng có thể cho phép một lần, luôn cho phép hoặc thay đổi thiết lập sau đó, và có thể ngắt kết nối bất kỳ lúc nào trong Health > Accounts. Quyền riêng tư là phần quan trọng nhất, nhưng không tuyệt đối Theo công bố chính thức của OpenAI, hồ sơ y tế, dữ liệu Apple Health và các cuộc trò chuyện sử dụng những dữ liệu này không được dùng để huấn luyện mô hình nền tảng hoặc nhắm mục tiêu quảng cáo, bất kể thiết lập huấn luyện thông thường của tài khoản. Dữ liệu kết nối được bảo vệ bằng các lớp mã hóa bổ sung bên cạnh mã hóa khi lưu trữ và truyền tải. Khi ngắt kết nối một nguồn dữ liệu, thông tin đồng bộ từ nguồn đó sẽ bị xóa khỏi hệ thống của OpenAI trong vòng 30 ngày, nhưng thông tin đã xuất hiện trong lịch sử trò chuyện vẫn tồn tại cho đến khi người dùng tự xóa cuộc trò chuyện tương ứng. Điều ít được nói đến hơn là một khi dữ liệu y tế rời khỏi hệ thống của bệnh viện hay phòng khám để vào ChatGPT, nó không còn nằm dưới sự bảo vệ của HIPAA, đạo luật bảo mật y tế của Mỹ. Toàn bộ cam kết về bảo mật và không dùng để huấn luyện mô hình hiện chỉ dựa trên điều khoản dịch vụ tự nguyện của OpenAI, không phải nghĩa vụ pháp lý bắt buộc như với hồ sơ y tế trong hệ thống bệnh viện truyền thống. Dữ liệu sức khỏe có thể thiếu hoặc lỗi thời, chẳng hạn một loại thuốc vẫn còn trong hồ sơ dù người dùng đã ngừng sử dụng. Hãy kiểm tra thông tin quan trọng với nguồn gốc ban đầu và chuyên gia y tế, đồng thời cân nhắc kỹ trước khi kết nối những dữ liệu thực sự nhạy cảm. GPT-5.6 Sol được dùng cho câu hỏi sức khỏe phức tạp OpenAI cho biết GPT-5.5 Instant mang khả năng trả lời câu hỏi sức khỏe đến người dùng miễn phí, còn GPT-5.6 Sol là lựa chọn mạnh nhất của hãng cho các câu hỏi cần suy luận qua nhiều chi tiết, dành cho người dùng trả phí. Các tình huống được nhắc đến gồm giải thích ghi chú buổi khám bằng ngôn ngữ dễ hiểu, theo dõi biến động xét nghiệm và chuẩn bị câu hỏi cho lần tái khám. OpenAI làm việc với hơn 260 bác sĩ tại 60 quốc gia để xây dựng tình huống và tiêu chí đánh giá, với hơn 600.000 lượt chấm điểm đầu ra mô hình trên 30 lĩnh vực sức khỏe khác nhau. Các tiêu chí gồm độ chính xác, an toàn, giao tiếp, nhận biết ngữ cảnh, mức độ đầy đủ và khả năng chuyển người dùng đến hỗ trợ chuyên môn khi cần. Tuy vậy, công ty vẫn cảnh báo ChatGPT có thể đưa ra thông tin sai lệch, đây vẫn đang là điểm yếu chung của các mô hình AI trong lĩnh vực đòi hỏi độ chính xác tuyệt đối. ChatGPT Health hữu ích nhưng hoàn toàn không thay thế được bác sĩ Lợi ích rõ nhất của Health là gom dữ liệu vốn nằm rải rác trong cổng bệnh nhân, ứng dụng và thiết bị đeo thành ngữ cảnh có thể đặt câu hỏi. Điều này có thể giúp người dùng hiểu lịch sử sức khỏe, chuẩn bị tốt hơn cho cuộc hẹn và trao đổi rõ ràng hơn với bác sĩ. Rủi ro cũng lớn hơn một cuộc trò chuyện thông thường vì câu trả lời liên quan trực tiếp đến dữ liệu nhạy cảm và quyết định sức khỏe. Người dùng không nên tự thay đổi thuốc, trì hoãn cấp cứu hoặc đưa ra quyết định điều trị chỉ dựa trên phản hồi của AI, mà vẫn cần tuân theo chỉ dẫn của bác sĩ thực sự. Người dùng ngoài nước Mỹ nên nhìn nhận tính năng này thế nào? Cả hai đợt triển khai của ChatGPT Health, từ bản thử nghiệm tháng 1 đến bản mở rộng tháng 7, đến nay vẫn giới hạn trong nước Mỹ. Riêng phần kết nối hồ sơ y tế từ hệ thống bệnh viện luôn chỉ dành cho Mỹ ngay từ đầu, còn EU, Anh và Thụy Sĩ bị loại khỏi cả hai đợt vì các quy định bảo mật dữ liệu nghiêm ngặt hơn và khả năng tính năng này bị xếp vào nhóm rủi ro cao theo EU AI Act. OpenAI chưa công bố bất kỳ mốc thời gian nào cho việc mở rộng ra ngoài nước Mỹ, bao gồm cả các thị trường châu Á như Việt Nam. Với người dùng ChatGPT ở các khu vực chưa có Health, có vài điều đáng lưu ý. Trước hết, việc chưa kết nối được hồ sơ y tế không có nghĩa là không thể hỏi ChatGPT về sức khỏe, chỉ là câu trả lời sẽ dựa trên thông tin người dùng tự mô tả thay vì dữ liệu đồng bộ tự động. Kế đến, ngay cả khi tính năng này chưa khả dụng, người dùng vẫn nên thận trọng khi dán nguyên văn kết quả xét nghiệm hay hồ sơ bệnh án vào khung chat thông thường, vì mức bảo vệ dữ liệu sẽ khác so với khi dùng qua không gian Health có mã hóa bổ sung. Cuối cùng, giá trị thực sự của Health khi đến các thị trường khác sẽ phụ thuộc vào việc có bao nhiêu hệ thống y tế địa phương hỗ trợ kết nối, vì phần hồ sơ bệnh viện tại Mỹ khó áp dụng trực tiếp cho hạ tầng y tế của từng nước. Đây là một bước tiến đáng chú ý trong việc cá nhân hóa ChatGPT, nhưng thành công thực tế sẽ được quyết định bởi chất lượng dữ liệu, quyền kiểm soát của người dùng và cách AI biết dừng lại đúng lúc để chuyển giao cho chuyên gia y tế thay vì tự đưa ra kết luận.
Li
Liên•
25 thg 7, 2026
Gemini 3.6 Flash ra mắt nhưng thực chiến gây thất vọng
Google công bố Gemini 3.6 Flash ngày 21/7/2026 với hàng loạt điểm benchmark tăng vọt so với 3.5 Flash: DeepSWE từ 37% lên 49%, MLE Bench từ 49,7% lên 63,9% và OSWorld Verified đạt 83%. Nhưng trải nghiệm sử dụng thực tế của 4AIVN lại kể một câu chuyện khác hẳn: model xử lý việc nhỏ khá ổn, còn khi được giao một kế hoạch nhiều bước thì lại quên mục tiêu, bỏ sót bước và đi lệch hướng giữa chừng. Benchmark tăng mạnh nhưng không phản ánh đúng việc dùng thật Theo thông báo chính thức của Google, Gemini 3.6 Flash dùng ít hơn 17% token đầu ra so với 3.5 Flash trên Artificial Analysis Index; một số bài test như DeepSWE ghi nhận mức giảm token tới 65%. Cửa sổ đầu vào của model đạt 1.048.576 token và giới hạn đầu ra là 65.536 token, những con số nghe rất ấn tượng trên giấy. Vấn đề nằm ở chỗ tất cả những con số này đều đến từ các bài test được thiết kế sẵn, có mục tiêu cố định ngay từ đầu và chạy trong một phiên ngắn. Đó không phải cách một plan thực tế vận hành, vì công việc thật luôn cần điều chỉnh liên tục theo phản hồi, chứ không phải hoàn thành xong một lượt là kết thúc. Bám plan dài là điểm yếu chí mạng Trong trải nghiệm sử dụng thực tế, Gemini 3.6 Flash thể hiện quá kém ngay khi bước ra khỏi phạm vi một task đơn lẻ. Giao việc nhỏ, có bước kiểm tra rõ ràng thì model làm tốt và ít vòng lặp thừa. Nhưng khi được giao một kế hoạch nhiều bước, model bắt đầu quên mục tiêu ban đầu, bỏ sót các bước đã thống nhất từ trước hoặc tự ý đi lệch hướng sau vài lượt trao đổi. Khi được nhắc lại, model đôi khi chỉ xin lỗi rồi lặp lại đúng lỗi cũ thay vì thực sự sửa. Cửa sổ 1 triệu token mô tả sức chứa đầu vào, không phải khả năng ghi nhớ. Model có thể “nhìn thấy” toàn bộ context nhưng vẫn bỏ sót chi tiết khi thực hiện; chỉ cần một điểm nhỏ không được chú ý là kế hoạch có thể lệch hướng ngay. Đây không phải lỗi ngẫu nhiên hiếm gặp mà là điểm yếu lặp lại đủ nhiều để không thể bỏ qua. Nói cách khác, Gemini 3.6 Flash mạnh ở việc làm nhanh một tác vụ, nhưng chưa đáng tin khi phải thực hiện đúng một chuỗi tác vụ, và đó chính là khoảng cách mà benchmark không đo được. Giá giảm 17% nhưng chất lượng chưa chắc tương xứng Giá niêm yết của Gemini 3.6 Flash là 1,50 USD cho một triệu token đầu vào và 7,50 USD cho một triệu token đầu ra, giảm khoảng 17% so với mức 9 USD của 3.5 Flash. Nghe qua, đây là một bước tiến hợp lý: rẻ hơn mà benchmark lại cao hơn. Nhưng nếu chất lượng thực thi trên các tác vụ dài lại kém, phần tiết kiệm chi phí trên giấy có thể bị nuốt gọn bởi số lần phải nhắc lại, sửa lại hoặc chạy lại toàn bộ kế hoạch từ đầu. Gemini 3.5 Flash Lite còn rẻ hơn, với giá 0,30 USD cho một triệu token đầu vào và 2,50 USD cho đầu ra, nhưng đó là lựa chọn dành cho phân loại và chuyển đổi dữ liệu đơn giản, những việc không đòi hỏi model phải nhớ một kế hoạch dài. Được gì, mất gì khi dùng Gemini 3.6 Flash? Nhìn một cách khách quan, đây không phải là một bản nâng cấp thất bại. Google có lẽ đã tính toán rất kỹ để tối ưu giữa chất lượng đầu ra, tốc độ và chi phí, dù kết quả thực tế chưa hẳn đáp ứng kỳ vọng cao dành cho đội ngũ kỹ sư của họ. Những cải thiện này hoàn toàn rõ ràng chứ không chỉ dừng lại trên lý thuyết: tốc độ phản hồi nhanh hơn, chi phí đầu ra giảm đáng kể và với các tác vụ ngắn, phạm vi hẹp như phân loại nội dung, viết một hàm code đơn lẻ hoặc giải quyết một câu hỏi cụ thể, model xử lý rất gọn gàng, hạn chế các vòng lặp thừa. Nhưng cái giá phải trả lộ ra ngay khi công việc kéo dài quá một vài bước. Model càng phải giữ nhiều ràng buộc và nhớ nhiều quyết định đã thống nhất trước đó thì tỷ lệ đi lệch càng tăng. Với coding agent hoặc quy trình dài đang chạy ổn định trên Claude Fable 5 hoặc GPT 5.6, chưa có lý do đủ thuyết phục để đổi sang Gemini 3.6 Flash chỉ vì benchmark hoặc giá thấp hơn. Vẫn phải chờ Gemini 3.5 Pro Google cho biết Gemini 3.5 Pro vẫn đang được thử nghiệm cùng các đối tác và sẽ được phát hành rộng rãi khi sẵn sàng. Vì vậy, câu chuyện cốt lõi của đợt phát hành này nằm ở khoảng cách khá xa giữa benchmark và thực tế công việc. Với những ai đang tìm kiếm một agent đủ tin cậy cho các quy trình dài hạn, có lẽ họ vẫn phải kiên nhẫn chờ xem 3.5 Pro có tạo nên bước ngoặt mới hay không. Nếu các phiên bản tiếp theo tiếp tục thể hiện mờ nhạt trong thực chiến, Google có nguy cơ tự tay nhường lợi thế cho các đối thủ như Anthropic, OpenAI và Meta.
Na
Nam•
23 thg 7, 2026
Spotify ra mắt trợ lý AI trò chuyện
Spotify biến tìm nhạc thành một cuộc trò chuyện liên tục: người dùng có thể yêu cầu phát nghệ sĩ mới, đổi không khí, lưu bài hát và hỏi về lịch sử nghe mà không rời ứng dụng. Trợ lý mới đưa AI từ gợi ý thụ động thành công cụ hiểu yêu cầu và thực hiện hành động. Spotify biến tìm kiếm thành cuộc trò chuyện như thế nào? Theo thông báo chính thức của Spotify, người dùng đủ điều kiện sẽ thấy cách trò chuyện mới tại màn hình Home và Now Playing trên ứng dụng di động. Họ có thể gõ câu hỏi hoặc nhấn nút micro để nói, sau đó tiếp tục trao đổi qua nhiều lượt thay vì nhập lại một truy vấn hoàn toàn mới. Điểm đáng chú ý là trợ lý không chỉ trả về một danh sách bài hát. Nó có thể điều khiển nội dung đang phát, giải thích thông tin liên quan và thực hiện hành động như lưu bài, thêm bài vào hàng đợi hoặc theo dõi nghệ sĩ. Ví dụ, người nghe có thể yêu cầu một số nghệ sĩ mà mình chưa từng nghe, rồi bổ sung rằng họ muốn nhạc mới phát hành hoặc không khí sôi động hơn. Trợ lý AI mới làm được những gì? Spotify chia trải nghiệm thành ba nhóm chính gồm chọn nội dung, tìm hiểu nội dung đang phát và khám phá thói quen nghe. Trong âm nhạc, người dùng có thể yêu cầu một phong cách, một nghệ sĩ hoặc một tâm trạng, sau đó thay đổi lựa chọn bằng câu hỏi tiếp theo. Trong podcast và sách nói, họ có thể hỏi thêm về khách mời, tác giả hoặc những chương trình liên quan. Trợ lý cũng có quyền truy cập vào ngữ cảnh cá nhân mà một chatbot thông thường không tự có. Nó hiểu playlist, nghệ sĩ yêu thích, bài nghe lặp lại và lịch sử phát của tài khoản, vì vậy người dùng có thể hỏi lần đầu mình nghe một bài là khi nào hoặc gần đây đang nghe nhiều thể loại nào. Đây là lợi thế lớn vì câu trả lời gắn với dữ liệu sử dụng thực tế thay vì chỉ dựa trên kiến thức chung. Một yêu cầu có thể được chỉnh qua nhiều lượt Hãy hình dung bạn đang chuẩn bị một buổi chạy bộ nhưng không biết nên mở playlist nào. Bạn có thể yêu cầu nhạc có nhịp nhanh từ các nghệ sĩ chưa từng nghe, tiếp tục thêm một ca sĩ yêu thích, rồi giới hạn kết quả ở các bản phát hành gần đây. Khi gặp bài phù hợp, bạn có thể yêu cầu lưu bài ngay mà không chuyển qua nhiều màn hình. Tính năng này khác AI DJ và ChatGPT ra sao? AI DJ chủ yếu đóng vai trò người dẫn chương trình, chọn nhạc và giới thiệu bằng giọng nói, trong khi trợ lý mới mở rộng hội thoại sang Home và Now Playing. Người dùng không chỉ nghe lựa chọn do hệ thống đưa ra mà còn có thể đặt câu hỏi, thay đổi hướng đề xuất và yêu cầu ứng dụng thực hiện tác vụ cụ thể. Spotify cũng từng kết nối dịch vụ với ChatGPT, nhưng trải nghiệm mới diễn ra trực tiếp bên trong ứng dụng nghe nhạc. Điều này có nghĩa là người dùng không cần rời Spotify, liên kết một dịch vụ khác rồi quay lại để phát nội dung. Theo TechCrunch, Spotify kết hợp công nghệ AI do hãng phát triển với model từ nhiều nhà cung cấp và chọn công nghệ phù hợp cho từng tác vụ. Spotify chưa công bố tên model cụ thể hoặc cách định tuyến yêu cầu. Vì vậy, chưa thể kết luận trợ lý mạnh đến đâu ở các câu hỏi kiến thức, nhưng chiến lược nhiều model cho thấy hãng không muốn phụ thuộc vào một nhà cung cấp duy nhất. Người dùng cần lưu ý gì trước khi thử? Tính năng đang được triển khai dần dưới dạng beta cho người dùng Premium từ 18 tuổi tại Mỹ, Ireland và Thụy Điển. Trợ lý hiện hỗ trợ tiếng Anh trên iOS và Android, vì vậy người dùng tại Việt Nam chưa nằm trong phạm vi được công bố. Spotify thừa nhận phản hồi có thể chưa luôn chính xác trong giai đoạn thử nghiệm và ý kiến của người dùng sẽ được dùng để cải thiện sản phẩm. Trước khi tin vào thông tin về ngày phát hành, nguồn cảm hứng của bài hát hoặc tiểu sử nghệ sĩ, người nghe vẫn nên kiểm tra nguồn chính thức nếu dữ kiện đó quan trọng. Kiểm tra tài khoản có thuộc khu vực và độ tuổi được hỗ trợ hay không. Thử cả nhập chữ và giọng nói để xem cách nào hiểu ý định tốt hơn. Bắt đầu bằng yêu cầu rõ ràng, sau đó dùng câu hỏi nối tiếp để tinh chỉnh. Không xem câu trả lời beta là nguồn duy nhất cho thông tin cần độ chính xác cao. Spotify đang thay đổi cách khám phá âm thanh Điểm quan trọng nhất không phải là Spotify có thêm một chatbot, mà là hội thoại đang trở thành lớp điều khiển cho cả nội dung và hành động trong ứng dụng. Khi AI hiểu được thư viện, lịch sử nghe và nội dung đang phát, một câu nói có thể thay thế nhiều lần tìm kiếm, mở menu và chỉnh hàng đợi. Nếu được quyền thử beta, người dùng nên kiểm tra ba tình huống gồm khám phá nghệ sĩ mới, hỏi về lịch sử nghe và tinh chỉnh playlist qua nhiều lượt. Ba phép thử này sẽ cho thấy trợ lý thực sự hiểu sở thích cá nhân hay chỉ biến câu lệnh thành một cách tìm kiếm dài hơn.
Na
Nam•
19 thg 7, 2026
Muse Image khác gì Nano Banana 2 và GPT Image 2.0?
Muse Image là nỗ lực mới nhất của Meta nhằm biến Meta AI thành một studio sáng tạo nằm ngay trong mạng xã hội. Mô hình không chỉ tạo hoặc sửa ảnh mà còn có thể tìm kiếm, viết code, suy luận và tự kiểm tra kết quả. Khi đặt cạnh Nano Banana 2 và GPT Image 2.0, Muse Image không cố chiến thắng bằng một chỉ số duy nhất mà chọn lợi thế tích hợp sâu với Meta AI, Instagram, WhatsApp cùng cách tạo ảnh mang tính AI agent. Muse Image hoạt động ra sao ? Meta Superintelligence Labs công bố Muse Image tháng 7-2026 cùng preview của Muse Video. Đây là mô hình tạo ảnh đầu tiên của Meta AI để cạnh tranh với các ông lớn Google hay OpenAI. Meta cho biết Muse Image tuân thủ hướng dẫn tốt, chỉnh sửa chính xác và có thể kết hợp nhiều ảnh tham chiếu trong một yêu cầu. Điểm khác biệt nằm ở quy trình trước khi ảnh được xuất đó là thay vì nhận prompt rồi dựng hình ngay, Muse Image có thể lên kế hoạch, gọi công cụ và tự đánh giá bản nháp. Hệ thống phối hợp với Muse Spark để chia sẻ công cụ và cùng lập kế hoạch, đưa khả năng suy luận của mô hình ngôn ngữ vào quá trình tạo nội dung trực quan. Tìm kiếm và viết code giúp ảnh chính xác hơn Muse Image có hai nhóm công cụ đáng chú ý đó là tìm kiếm web giúp mô hình lấy ngữ cảnh thời gian thực và tham chiếu thị giác cho chủ đề cần kiến thức mới. Công cụ viết code được dùng khi ảnh yêu cầu chi tiết có cấu trúc như biểu đồ, công thức hoặc code QR có thể quét. Thay vì chỉ “vẽ gần giống”, hệ thống có thể tạo dữ liệu bằng code, dựng kết quả rồi dùng nó làm điều kiện cho ảnh cuối. Về nguyên lý, cách làm này khá giống với kỹ thuật của GPT Image 2.0 và Nano Banana 2: cả ba đều không chỉ dựa vào prompt ban đầu mà còn tận dụng ngữ cảnh, suy luận hoặc thông tin bổ trợ để nâng độ chính xác của ảnh. Điểm khác biệt của Muse Image theo như Meta nói đó là nhấn mạnh quy trình Agent kết hợp tìm kiếm web, viết lại code và tự đánh giá bản nháp. Nếu một chi tiết nhỏ sai, Muse Image có thể sửa cục bộ; nếu bố cục sai lớn, mô hình có thể tạo lại hoặc đổi chiến thuật bằng cách gọi thêm công cụ. Meta cho biết chất lượng tăng khi mô hình được cấp thêm ngân sách suy luận và các bước tự tinh chỉnh ở thời điểm chạy.Lưu ý: Các nhận định về khả năng và thứ hạng của Muse Image hiện chủ yếu đến từ Meta. Kết quả thực tế còn phụ thuộc prompt, ảnh tham chiếu, khu vực được hỗ trợ và việc tính năng có được triển khai đầy đủ trên tài khoản hay chưa. Trải nghiệm tạo và chỉnh sửa ảnh có gì đáng chú ý? Trong Meta AI, người dùng dĩ nhiên có thể mô tả yêu cầu bằng ngôn ngữ hội thoại, bắt đầu từ ảnh trắng hoặc tải ảnh có sẵn. Đây gần như là điều kiện tối thiểu ở thời điểm hiện tại khi tương tác với công cụ tạo ảnh, thiếu nó đồng nghĩa với việc bị coi là thụt lùi so với mặt bằng chung. Các ví dụ Meta đưa ra gồm xóa người thừa khỏi hậu cảnh, ghép người dùng vào một địa danh, phục hồi ảnh cũ, thử kiểu tóc, tạo infographic và dựng code QR. Preset gợi ý giúp người mới bắt đầu mà không cần viết prompt dài.Chỉnh trực tiếp bằng nét vẽ và giữ ngữ cảnh nhiều lượt Muse Image cho phép khoanh, vẽ hoặc ghi chú trực tiếp lên vùng cần sửa. Vì Meta AI giữ ngữ cảnh hội thoại, người dùng có thể đổi phong cách, thêm vật thể hoặc tinh chỉnh chi tiết qua nhiều lượt mà không phải bắt đầu lại. Đây là cách tương tác phù hợp với người dùng điện thoại và mạng xã hội, nơi thao tác trực quan quan trọng hơn bảng tham số kỹ thuật.Khả năng kết hợp nhiều tham chiếu cũng là lợi thế lớn khi này một prompt có thể đưa người từ ảnh chân dung, trang phục từ ảnh khác, bối cảnh từ ảnh thứ ba và phong cách từ một tham chiếu riêng vào cùng bố cục. Muse Image hỗ trợ xen kẽ văn bản với ảnh trong prompt, giúp yêu cầu phức tạp dễ mô tả hơn.Tích hợp Meta khiến ảnh đi thẳng vào nơi cần chia sẻMuse Image có mặt trong ứng dụng và web của Meta AI đồng thời cung cấp hiệu ứng cho Instagram Stories và tạo ảnh trong cuộc trò chuyện WhatsApp tại một số quốc gia. Meta dự kiến mở rộng sang Facebook, Messenger, thêm khu vực trên Instagram và WhatsApp, cũng như Advantage+ creative cho quảng cáo.Điều này rút ngắn đáng kể quãng đường từ ý tưởng đến bài đăng. Người dùng không cần tạo ảnh ở một ứng dụng, tải xuống rồi nhập lại vào mạng xã hội. Đổi lại, mức độ sẵn có và luồng làm việc phụ thuộc nhiều vào hệ sinh thái Meta hơn so với các model có API công khai rõ ràng. Muse Image so với Nano Banana 2 và GPT Image 2.0 Ba công cụ đều tạo và chỉnh sửa ảnh chất lượng cao, nhưng được tối ưu cho ba điểm xuất phát khác nhau. Muse Image bắt đầu từ Meta AI và mạng xã hội. Nano Banana 2, tên model Gemini 3.1 Flash Image, nhấn mạnh tốc độ, giá thành và khối lượng triển khai. GPT Image 2.0 kết nối trải nghiệm ChatGPT Images 2.0 với model API `gpt-image-2` dành cho tạo và chỉnh sửa ảnh chất lượng cao.Tiêu chíMuse ImageNano Banana 2GPT Image 2.0Cách tiếp cậnTác tử tạo ảnh dùng tìm kiếm, code và tự tinh chỉnhModel Flash tối ưu tốc độ, chi phí và throughputModel chất lượng cao trong ChatGPT và OpenAI APIĐiểm mạnh nổi bậtNhiều ảnh tham chiếu, chỉnh sửa trực tiếp, tích hợp MetaGrounding web và hình ảnh, bản địa hóa chữ, nhiều độ phân giảiĐộ trung thực cao, đầu vào ảnh chất lượng cao, phong cách đa dạngĐộ phân giải và tỉ lệMeta chưa công bố bộ thông số API chuẩn hóa rộng rãi0.5K, 1K, 2K, 4K và các tỉ lệ rất rộng như 8:1Kích thước linh hoạt qua ChatGPT và APIKênh sử dụngMeta AI, meta.ai, Instagram, WhatsApp và dần mở rộngGemini, Google AI Studio và Gemini APIChatGPT, Playground và OpenAI APIPhù hợp nhấtSáng tạo nhanh để chia sẻ trong hệ sinh thái MetaỨng dụng cần tốc độ, chi phí tốt và tạo ảnh số lượng lớnThiết kế, chỉnh sửa và pipeline cần chất lượng cùng kiểm soát caoNano Banana 2 thiên về tốc độ và quy môNano Banana 2 được Google định vị là model Flash hiệu quả cao. Nó hỗ trợ tìm kiếm web và hình ảnh để lấy ngữ cảnh mới, cải thiện chữ trong ảnh và bản địa hóa nhiều ngôn ngữ. Nhà phát triển có thể chọn mức suy luận, nhiều tỉ lệ khung hình và độ phân giải từ 0.5K đến 4K.Điểm hấp dẫn nhất của Nano Banana 2 là khả năng đưa vào quy trình sản xuất khi mà Google công bố giá theo độ phân giải và có chế độ batch rẻ hơn, phù hợp ứng dụng thương mại điện tử, quảng cáo theo thị trường hoặc công cụ cần tạo lượng lớn biến thể. Nếu bài toán là tốc độ, chi phí dự đoán được và API, Nano Banana 2 có lợi thế rõ. GPT Image 2.0 thiên về chất lượng và không gian sáng tạo rộng ChatGPT Images 2.0 cho thấy thế mạnh ở typography đa ngôn ngữ, phong cách thị giác, ảnh chân thực, poster, truyện tranh, infographic và thiết kế nhiều khung. Model `gpt-image-2` cũng có trên OpenAI API với khả năng tạo nhanh, chỉnh sửa, kích thước linh hoạt và đầu vào hình ảnh có độ trung thực cao.Trải nghiệm ChatGPT phù hợp với quá trình trao đổi ý tưởng dài: người dùng có thể đưa tài liệu, ảnh tham chiếu và yêu cầu thay đổi bằng hội thoại. Với nhà phát triển, API tạo ảnh và chỉnh sửa tách bạch giúp đưa model vào sản phẩm. GPT Image 2.0 vì thế cân bằng tốt giữa công cụ cho người dùng cuối và hạ tầng lập trình.Nên chọn công cụ nào cho từng loại công việc?Không có model thắng mọi trường hợp. Nếu kết quả cuối cùng là Story, bài đăng, tin nhắn hoặc quảng cáo trong hệ sinh thái Meta, Muse Image mang lại luồng làm việc ngắn nhất. Khả năng chỉnh bằng nét vẽ và preset cũng giúp người không quen prompt bắt đầu nhanh.Chọn Muse Image khi cần ghép nhiều ảnh cá nhân, tạo nội dung xã hội, chỉnh sửa trên điện thoại hoặc chia sẻ ngay trong Meta.Chọn Nano Banana 2 khi xây ứng dụng tạo ảnh quy mô lớn, cần nhiều độ phân giải, bản địa hóa và tối ưu chi phí API.Chọn GPT Image 2.0 khi cần phong cách đa dạng, chỉnh sửa bằng hội thoại, đầu vào ảnh trung thực hoặc tích hợp với OpenAI API.Một nhóm sản xuất cũng có thể dùng nhiều model. Nano Banana 2 tạo biến thể số lượng lớn, GPT Image 2.0 xử lý tài sản cần art direction kỹ, còn Muse Image phục vụ nội dung cá nhân hóa để phân phối trên Instagram, WhatsApp hoặc Facebook.Muse Image có đủ sức trở thành đối thủ lớn không?Meta cho biết Muse Image đứng thứ hai trên bảng xếp hạng Arena cho text-to-image, chỉnh sửa một ảnh và chỉnh sửa nhiều ảnh theo xếp hạng ưu tiên của người dùng. Con số này cho thấy model có chất lượng cạnh tranh, nhưng lợi thế bền vững của Meta có thể nằm ở phân phối hơn là bảng xếp hạng.Muse Image bước vào nơi hàng tỷ người đã trò chuyện, đăng story, chia sẻ ảnh và mua quảng cáo. Nếu khả năng suy luận, tìm kiếm và tự tinh chỉnh hoạt động ổn định, Meta có thể biến tạo ảnh AI thành tính năng mặc định trong giao tiếp hằng ngày thay vì một công cụ chuyên biệt.Ở chiều ngược lại, Nano Banana 2 và GPT Image 2.0 vẫn giữ hệ sinh thái API rõ ràng hơn cho nhà phát triển, còn Muse Image cần mở rộng khu vực, minh bạch hơn về hạn mức và có lựa chọn tích hợp đủ mạnh nếu muốn cạnh tranh ngoài ứng dụng Meta. Đây là công cụ đáng chú ý nhất cho mảng sáng tạo trên mạng xã hội tính đến lúc này, dù Meta AI vốn mang tiếng luôn đi sau về chất lượng model. Lần này khoảng cách có vẻ đã hẹp hơn đáng kể, nhưng việc Meta có thực sự bắt kịp hay không vẫn cần chờ người dùng đánh giá qua thời gian sử dụng thực tế.
Li
Liên•
19 thg 7, 2026
GPT-Live có gì mới và trải nghiệm sử dụng ra sao?
OpenAI vừa đưa GPT-Live vào ChatGPT Voice, biến cuộc trò chuyện bằng giọng nói từ kiểu hỏi xong rồi chờ trả lời thành một dòng tương tác liên tục. Mô hình có thể nghe khi đang nói, nhận ra lúc người dùng muốn ngắt lời, biết chờ khi họ cần suy nghĩ và giao việc khó cho GPT-5.5 xử lý ở nền. Trải nghiệm mới vì thế gần với một cuộc hội thoại thực hơn, nhưng vẫn có những giới hạn cần biết trước khi sử dụng.GPT-Live khác ChatGPT Voice trước đây ở điểm nào?OpenAI công bố GPT-Live ngày 8/7/2026 như một thế hệ mô hình giọng nói mới, gồm GPT-Live-1 và GPT-Live-1 mini. Cả hai đang được triển khai trên ChatGPT thay vì là một sản phẩm độc lập có giao diện riêng. Người dùng chỉ cần mở nút Voice quen thuộc để nhận trải nghiệm mới khi tài khoản được cập nhật.[VIDEO:EAN5Cj347PY|OpenAI ra mắt GPT-Live|Video giới thiệu ChatGPT Voice mới được hỗ trợ bởi GPT-Live]Khác biệt lớn nhất nằm ở kiến trúc full-duplex. Các hệ thống giọng nói nối tầng trước đây phải lần lượt chuyển giọng nói thành văn bản, gửi văn bản cho mô hình ngôn ngữ rồi đọc câu trả lời bằng giọng tổng hợp. Cách làm này tạo độ trễ và có thể làm mất một phần sắc thái. Advanced Voice Mode đã xử lý âm thanh trực tiếp hơn, nhưng cuộc trò chuyện vẫn vận hành theo lượt: AI thường chờ người dùng dừng hẳn rồi mới phản hồi.GPT-Live liên tục xử lý đầu vào trong khi tạo đầu ra. Nhiều lần mỗi giây, mô hình có thể quyết định nên nói, tiếp tục nghe, tạm dừng, chấp nhận lời ngắt hoặc gọi công cụ. Đây là lý do một khoảng im lặng ngắn không nhất thiết bị hiểu nhầm là người dùng đã nói xong.Vừa nghe vừa nói thay đổi cuộc hội thoại ra sao?Khi hai bên có thể phản ứng liên tục, người dùng không còn phải diễn đạt mọi yêu cầu thành một lượt nói hoàn chỉnh. Bạn có thể bổ sung ý giữa chừng, yêu cầu AI nói chậm lại hoặc sửa ngay một giả định mà không cần đợi hết đoạn trả lời. GPT-Live cũng có thể dùng những phản hồi ngắn như “mình đang nghe” để báo hiệu rằng nó vẫn theo kịp, hoặc giữ im lặng khi được yêu cầu chỉ lắng nghe.Full-duplex còn hữu ích cho dịch trực tiếp, luyện hội thoại ngoại ngữ và các tình huống cần trao đổi nhanh. Tuy nhiên, “tự nhiên hơn” không có nghĩa AI đã hiểu mọi tín hiệu giống con người. Giọng vùng miền, môi trường quá ồn, kết nối mạng không ổn định hoặc câu nói thiếu ngữ cảnh vẫn có thể khiến cuộc trò chuyện lệch hướng.Trải nghiệm sử dụng GPT-Live thực tế như thế nào?Cảm giác khác biệt rõ nhất không đến từ một tính năng đơn lẻ mà từ nhịp hội thoại. Khi bạn ngập ngừng để nhớ một con số, GPT-Live được thiết kế để chờ thay vì chen vào. Khi bạn đổi câu hỏi giữa lúc AI đang giải thích, mô hình có thể dừng và chuyển hướng nhanh hơn. Trong môi trường có tiếng xe hoặc cuộc trò chuyện gần đó, OpenAI cho biết khả năng tập trung vào giọng của người dùng cũng được cải thiện.Đối thoại tự nhiên hơn nhưng vẫn cần nói rõ mục tiêuGPT-Live phù hợp với các yêu cầu như lập kế hoạch trong lúc đi bộ, luyện phỏng vấn, luyện phát âm, hỏi nhanh khi đang nấu ăn hoặc phân tích một ý tưởng mà không muốn gõ bàn phím. Người dùng có thể bắt đầu bằng mục tiêu, bổ sung ràng buộc trong quá trình nói và yêu cầu mô hình tóm tắt quyết định ở cuối cuộc trao đổi.Để trải nghiệm ổn định, nên nói rõ vai trò và kết quả cần nhận. Chẳng hạn, thay vì chỉ nói “giúp tôi luyện tiếng Anh”, hãy yêu cầu GPT-Live đóng vai người phỏng vấn, giữ tốc độ chậm, sửa lỗi sau mỗi câu và đưa nhận xét cuối buổi. Khả năng nghe liên tục làm cuộc trò chuyện linh hoạt hơn, nhưng một mục tiêu cụ thể vẫn quyết định chất lượng đầu ra.Việc khó được giao cho GPT-5.5 ở nềnGPT-Live tách phần tương tác tức thời khỏi phần suy luận sâu. Khi câu hỏi cần tìm kiếm web, phân tích phức tạp hoặc nhiều bước xử lý, mô hình giọng nói có thể giao việc cho GPT-5.5 ở nền rồi đưa kết quả trở lại hội thoại. Trong lúc chờ, GPT-Live vẫn có thể tiếp tục nói chuyện và duy trì ngữ cảnh thay vì để người dùng đối diện một khoảng im lặng dài.Ở thời điểm ra mắt, chế độ Instant và GPT-Live-1 mini dùng GPT-5.5 Instant ở nền; các mức Medium và High dùng GPT-5.5 Thinking với mức nỗ lực suy luận tương ứng. Người dùng có thể chọn Instant cho câu hỏi thường ngày hoặc chuyển sang Medium và High khi muốn mô hình dành nhiều thời gian hơn cho một vấn đề khó.Lưu ý: Việc giao tác vụ cho mô hình mạnh hơn không loại bỏ sai sót. Với thông tin quan trọng, người dùng vẫn nên kiểm tra nguồn, phép tính và kết luận thay vì xem câu trả lời bằng giọng nói là kết quả cuối cùng.GPT-Live còn bổ sung những tính năng nào?OpenAI đã tinh chỉnh lại chín giọng nói có sẵn trong ChatGPT cho GPT-Live. Mục tiêu không chỉ là phát âm rõ mà còn giữ nhịp điệu, cảm xúc và phản hồi ngắn tự nhiên hơn. Người dùng vẫn lựa chọn trong bộ giọng được định sẵn; GPT-Live không được thiết kế để bắt chước giọng của một người thật.Trong lúc trò chuyện, ChatGPT có thể hiển thị thẻ trực quan cho thời tiết, chứng khoán, thể thao và một số chủ đề khác. Voice tiếp tục hoạt động cùng tìm kiếm, bộ nhớ, hình ảnh và tệp tải lên. Nhờ đó, trải nghiệm không còn bị giới hạn trong âm thanh: người dùng có thể nghe phần giải thích và đồng thời nhìn số liệu hoặc thông tin cần đối chiếu trên màn hình.Công việc hằng ngày: hỏi nhanh, lên lịch, tạo danh sách và tóm tắt quyết định khi không tiện gõ.Học tập: luyện ngoại ngữ, mô phỏng phỏng vấn, giải thích khái niệm và kiểm tra kiến thức bằng hội thoại.Sáng tạo: phát triển ý tưởng, thử nhiều hướng và yêu cầu AI ghi lại phương án cuối.Tìm kiếm: đặt câu hỏi nối tiếp trong khi GPT-5.5 xử lý thông tin phức tạp ở nền.Hai phiên bản dành cho hai nhóm người dùngGPT-Live-1 trở thành mô hình mặc định cho ChatGPT Voice trên các gói Go, Plus và Pro. Người dùng Free được cung cấp GPT-Live-1 mini. OpenAI triển khai hai phiên bản trên iOS, Android và ChatGPT.com theo từng đợt, vì vậy một số tài khoản có thể chưa nhìn thấy thay đổi ngay lập tức.Đối với nhà phát triển, GPT-Live chưa được mở rộng rãi qua API ở thời điểm công bố. OpenAI cho biết API sẽ xuất hiện sau và đang nhận đăng ký thông báo từ doanh nghiệp cũng như nhà phát triển. Vì thế, GPT-Live hiện chủ yếu là trải nghiệm trong ChatGPT Voice chứ chưa phải lựa chọn có thể thay ngay cho mọi hệ thống voice agent đang chạy bằng Realtime API.Những giới hạn nào dễ nhận thấy khi sử dụng?Ở thời điểm ra mắt, GPT-Live chưa hỗ trợ trò chuyện giọng nói kết hợp video hoặc chia sẻ màn hình. Người dùng cần các khả năng này vẫn có thể chuyển về Standard Voice hoặc Advanced Voice Mode cũ. Đây là điểm cần lưu ý nếu quy trình hỗ trợ từ xa phụ thuộc vào việc AI quan sát camera hay nội dung trên màn hình.OpenAI cũng thừa nhận mô hình được tối ưu trước cho một số ngôn ngữ phổ biến. Với những ngôn ngữ khác, giọng nói có thể mang âm sắc không giống người bản địa hoặc đôi lúc thiếu trôi chảy. Trải nghiệm tiếng Việt vì thế có thể thay đổi theo giọng, tốc độ nói, môi trường và giai đoạn triển khai.An toàn trong hội thoại liên tụcGiọng nói tạo cảm giác gần gũi hơn văn bản, nên rủi ro phụ thuộc cảm xúc cũng đáng chú ý hơn. OpenAI đã bổ sung đánh giá cho tự hại, rối loạn tâm lý, bạo lực, nội dung tình dục và sự gắn bó cảm xúc với AI. Hệ thống có thể điều hướng câu trả lời, hiển thị hỗ trợ phù hợp hoặc kết thúc cuộc trò chuyện trong tình huống rủi ro cao.System Card của GPT-Live cũng mô tả các biện pháp bảo vệ người dùng tuổi teen và cơ chế kiểm soát của phụ huynh. Dù vậy, GPT-Live không phải chuyên gia y tế hay người thay thế các mối quan hệ thật. Người dùng nên xem đây là công cụ hỗ trợ và tìm đến người có chuyên môn khi gặp vấn đề nhạy cảm.GPT-Live có thực sự thay đổi cách dùng ChatGPT Voice?GPT-Live giải quyết đúng điểm gây khó chịu nhất của hội thoại AI: phải chờ đến lượt, bị ngắt khi đang suy nghĩ và gặp khoảng lặng khi hệ thống xử lý việc khó. Kiến trúc full-duplex kết hợp với khả năng giao việc cho GPT-5.5 làm trải nghiệm vừa nhanh ở lớp tương tác vừa đủ thông minh cho câu hỏi phức tạp.Giá trị lớn nhất có thể không nằm ở việc giọng nói nghe giống con người hơn, mà ở khả năng duy trì một dòng công việc bằng hội thoại. Người dùng có thể suy nghĩ thành tiếng, sửa yêu cầu trong lúc nói và nhận cả câu trả lời âm thanh lẫn nội dung trực quan. Điều này mở đường cho các phiên làm việc dài hơn như luyện tập, tư vấn ý tưởng hoặc điều phối nhiều tác vụ.Tuy nhiên, GPT-Live mới ở giai đoạn triển khai đầu tiên. API chưa phát hành rộng rãi, hỗ trợ ngôn ngữ chưa đồng đều và video hoặc chia sẻ màn hình tạm thời vắng mặt. Với nhu cầu trò chuyện rảnh tay, luyện tập và hỏi đáp liên tục, đây là nâng cấp đáng thử. Với công việc yêu cầu quan sát màn hình, tính chính xác tuyệt đối hoặc tích hợp doanh nghiệp ngay lập tức, người dùng vẫn cần kết hợp các chế độ và công cụ khác. Nếu cần xây dựng ứng dụng thoại qua API ngay lúc này, có thể cân nhắc gpt-realtime trong khi chờ GPT-Live được mở cho nhà phát triển.
Li
Liên•
18 thg 7, 2026
NotebookLM đổi tên thành Gemini Notebook và có gì mới?
NotebookLM đã chính thức mang tên Gemini Notebook từ ngày 16/7/2026. Tên mới đánh dấu bước chuyển từ công cụ hỏi đáp tài liệu sang không gian nghiên cứu AI có thể chạy code, phân tích dữ liệu, tạo báo cáo đa định dạng và theo người dùng sang Gemini cũng như Google Search. Bài viết này giải thích điều gì thực sự thay đổi, tính năng nào được giữ lại và ai có thể sử dụng các nâng cấp mới. Gemini Notebook vẫn là NotebookLM quen thuộc Google khẳng định Gemini Notebook vẫn là một sản phẩm độc lập, tập trung vào nghiên cứu và học tập. Người dùng hiện tại không phải chuyển dữ liệu sang dịch vụ khác. Notebook, nguồn, ghi chú và nội dung đã tạo vẫn nằm trong cùng trải nghiệm, trong khi tên mới cho thấy sản phẩm đang trở thành một phần rõ ràng hơn của hệ sinh thái Gemini. Cốt lõi của công cụ cũng không đổi. Người dùng tập hợp PDF, website, video YouTube, tệp âm thanh, Google Docs hoặc Google Slides vào từng notebook. Khi đặt câu hỏi, Gemini Notebook trả lời dựa trên những nguồn đã chọn và đưa ra trích dẫn để người đọc mở đúng đoạn tài liệu liên quan. Cách làm này đặc biệt hữu ích khi cần kiểm chứng một nhận định thay vì chỉ nhận câu trả lời trôi nổi từ chatbot. Việc đổi tên đến sau hành trình bắt đầu với Project Tailwind tại Google I/O 2023. Theo Google, sản phẩm đã có hơn 30 triệu người dùng và hơn 600.000 tổ chức sử dụng. Tên Gemini Notebook vì thế phản ánh giai đoạn trưởng thành mới, khi một notebook không còn chỉ là nơi đọc tài liệu mà trở thành không gian để nghiên cứu, phân tích và tạo đầu ra hoàn chỉnh. Gemini Notebook chạy code như thế nào? Thay đổi kỹ thuật đáng chú ý nhất là mỗi notebook có thể được trang bị một máy tính đám mây bảo mật. Hiểu đơn giản, Gemini Notebook có một môi trường riêng để viết và chạy code phục vụ nhiệm vụ nghiên cứu. Công cụ có thể làm sạch dữ liệu, tính toán, so sánh nhiều bảng số liệu, dựng biểu đồ hoặc kiểm tra một giả thuyết thay vì chỉ tóm tắt văn bản. Từ hỏi đáp tài liệu đến phân tích có hành động Trước đây, giá trị nổi bật của NotebookLM nằm ở khả năng đọc nhiều nguồn và trả lời có trích dẫn. Với môi trường chạy code, Gemini Notebook tiến thêm một bước: nó có thể thao tác trên dữ liệu để tạo ra kết quả mới. Một nhà phân tích có thể nhập dữ liệu từ nhiều quốc gia với định dạng khác nhau, yêu cầu công cụ chuẩn hóa chúng, chạy phép tính rồi tạo biểu đồ và báo cáo. Google cho biết hệ thống còn có hơn 100 kỹ năng phần mềm được tuyển chọn. Tuy vậy, đây vẫn là AI có thể mắc lỗi. Người dùng nên kiểm tra code, phép tính, dữ liệu đầu vào và kết luận, nhất là khi kết quả được dùng cho tài chính, pháp lý, y tế hoặc quyết định kinh doanh. Lưu ý: Khả năng agent và chạy code chưa mở đồng loạt cho mọi tài khoản. Google AI Ultra cùng một số gói Workspace được hỗ trợ trước; Google cho biết tính năng sẽ tiếp tục được triển khai cho người dùng Pro trên web. Gemini Notebook tạo được những định dạng đầu ra nào? Gemini Notebook không còn giới hạn ở báo cáo dạng chữ. Từ dữ liệu và tài liệu trong notebook, người dùng có thể yêu cầu tạo biểu đồ PNG hoặc SVG, báo cáo PDF, tệp Word, Markdown, văn bản, CSV, JSON, Excel và PowerPoint. Hệ thống cũng hỗ trợ hình ảnh, bảng dữ liệu, infographic và slide, đồng thời cho phép chỉnh sửa phiên bản sau khi tạo. Một nguồn, nhiều cách trình bày Cùng một bộ tài liệu đào tạo có thể được chuyển thành báo cáo cho quản lý, slide cho buổi thuyết trình, bảng tính cho nhóm vận hành và Audio Overview cho người muốn nghe. Học sinh có thể tạo thẻ ghi nhớ, câu đố, sơ đồ tư duy hoặc Video Overview. Nhóm nội dung có thể dựng bảng so sánh và infographic mà không phải sao chép dữ liệu qua quá nhiều công cụ. Nghiên cứu: tìm nguồn, đọc chéo tài liệu, trích dẫn và tạo báo cáo có biểu đồ. Phân tích dữ liệu: chuẩn hóa bảng, chạy code, xuất CSV hoặc XLSX và trực quan hóa kết quả. Học tập: tạo hướng dẫn ôn tập, flashcard, quiz, audio, video và sơ đồ tư duy. Làm việc nhóm: xây kho kiến thức, chia sẻ quyền xem hoặc chỉnh sửa và theo dõi mức sử dụng. Điểm đáng giá không nằm ở số lượng định dạng, mà ở việc chúng được tạo từ cùng một tập nguồn. Khi muốn thay đổi góc nhìn hoặc đối tượng người đọc, người dùng có thể điều chỉnh yêu cầu mà không phải dựng lại toàn bộ ngữ cảnh. Gemini Notebook xuất hiện ở đâu trong hệ sinh thái Google? Gemini Notebook đã bắt đầu xuất hiện trong ứng dụng Gemini. Notebook tạo ở sản phẩm độc lập có thể hiển thị trong phần điều hướng của Gemini; việc đổi tên notebook, thêm nguồn hoặc cập nhật hướng dẫn tùy chỉnh được đồng bộ giữa các ứng dụng. Người dùng vì thế có thể tiếp tục trò chuyện với kho kiến thức mà không phải luôn quay về một tab riêng. Google cũng dự kiến đưa notebook vào AI Mode trong Search. Khi hoàn thiện, hướng đi này có thể biến notebook thành lớp ngữ cảnh cá nhân đi cùng người dùng từ nghiên cứu trên web đến trò chuyện với Gemini. Dù vậy, notebook được chia sẻ và hội thoại trong Gemini có quy tắc hiển thị, chia sẻ và lưu giữ dữ liệu riêng; người dùng tổ chức nên đọc chính sách của gói Workspace đang sử dụng. Cách bắt đầu với tên gọi mới Mở Gemini Notebook bằng tài khoản Google và tạo một notebook cho một mục tiêu cụ thể. Thêm các nguồn đáng tin cậy, sau đó kiểm tra cách công cụ phân loại và trích dẫn chúng. Đặt câu hỏi hẹp trước, rồi mới yêu cầu nghiên cứu sâu, phân tích dữ liệu hoặc tạo tệp đầu ra. Kiểm tra trích dẫn, phép tính và phiên bản cuối trước khi chia sẻ. Người dùng cũ có thể tiếp tục truy cập địa chỉ NotebookLM quen thuộc trong giai đoạn chuyển đổi. Slug công cụ trên 4AIVN cũng được giữ nguyên để các liên kết cũ không bị đứt, trong khi tên và nội dung đã được cập nhật thành Gemini Notebook. Đổi tên có làm Gemini Notebook hữu ích hơn không? Bản thân cái tên không thay đổi chất lượng nghiên cứu. Điều làm lần đổi tên này đáng chú ý là Google đang ghép ba lớp năng lực vào một sản phẩm: nguồn có trích dẫn, môi trường chạy code và khả năng đưa notebook sang Gemini cũng như Search. Nếu được triển khai ổn định, Gemini Notebook có thể rút ngắn quãng đường từ đọc tài liệu đến phân tích và giao sản phẩm hoàn chỉnh. Tuy nhiên, không phải tính năng nào cũng có sẵn cho mọi người ngay lập tức, và đầu ra do AI tạo vẫn cần kiểm tra. Cách dùng hiệu quả nhất vẫn là chọn nguồn tốt, chia notebook theo mục tiêu rõ ràng, yêu cầu đầu ra cụ thể và giữ con người ở bước phê duyệt cuối.
Li
Liên•
17 thg 7, 2026
Hermes Agent và MCP: Tự động hóa workflow thực tế
Một AI agent có thể lập kế hoạch rất tốt nhưng vẫn không thể cập nhật Notion, đọc issue GitHub hay lấy báo cáo từ Google Drive nếu không có đường kết nối phù hợp. Khi kết hợp Hermes Agent với MCP, người dùng có thể biến một cuộc trò chuyện thành workflow thực tế, đồng thời kiểm soát rõ công cụ và quyền mà agent được phép sử dụng. Nếu bạn chưa quen với khả năng ghi nhớ và tự tạo skill của Hermes, bài Hermes Agent là gì? sẽ cung cấp phần nền tảng cần thiết. Trong bài này, trọng tâm là cách MCP mở rộng Hermes ra ngoài terminal để làm việc với dữ liệu và dịch vụ đang được sử dụng hằng ngày. MCP bổ sung điều gì cho Hermes Agent? MCP là một chuẩn kết nối giữa ứng dụng AI và server cung cấp công cụ hoặc dữ liệu. Có thể hình dung MCP như một lớp chuyển đổi: Hermes vẫn là agent chịu trách nhiệm hiểu mục tiêu và quyết định bước tiếp theo, còn từng MCP server cung cấp các thao tác cụ thể như tìm trang Notion, đọc pull request, tạo issue hoặc truy vấn tệp. Theo tài liệu MCP của Hermes Agent, Hermes hỗ trợ cả server chạy cục bộ qua stdio và server từ xa qua HTTP. Khi khởi động hoặc tải lại cấu hình, Hermes tự khám phá công cụ mà server cung cấp rồi đăng ký chúng vào hệ thống tool thông thường. Vì vậy, người dùng không cần viết một công cụ Hermes riêng cho mọi dịch vụ đã có MCP server phù hợp. Điểm quan trọng là MCP không tự động làm workflow an toàn. Mỗi server có thể cung cấp nhiều công cụ đọc, ghi, tạo và xóa dữ liệu. Hermes cho phép lọc theo từng server, nên người dùng có thể chỉ bật nhóm thao tác cần thiết thay vì đưa toàn bộ quyền cho model. Cách kết nối MCP mà không mở quá nhiều quyền Bản cài Hermes tiêu chuẩn đã bao gồm hỗ trợ MCP. Người dùng có thể mở trình chọn bằng lệnh hermes mcp, xem danh mục bằng hermes mcp catalog và kiểm tra một kết nối bằng hermes mcp test. Danh mục tích hợp của Hermes được Nous Research xem xét trước khi đưa vào repository, nhưng chính tài liệu cũng khuyến nghị đọc manifest, nguồn mã và lệnh cài đặt trước khi sử dụng. Với server ngoài danh mục, người dùng có thể thêm kết nối HTTP hoặc một lệnh stdio vào config.yaml. Sau khi hoàn tất OAuth hoặc cấu hình biến môi trường cần thiết, hãy tải lại MCP và yêu cầu Hermes liệt kê các công cụ đang có. Đây là bước kiểm tra đơn giản để phát hiện server chưa kết nối hoặc công cụ bị lọc nhầm. Bắt đầu bằng quyền đọc Cách thiết lập an toàn nhất là kết nối một server, chỉ bật công cụ đọc và thử trên dữ liệu không nhạy cảm. Khi kết quả ổn định, bạn mới thêm quyền tạo hoặc cập nhật. Quyền xóa, thay đổi chia sẻ và gửi nội dung ra ngoài nên cần bước phê duyệt của con người. Notion chỉ cần quyền tìm kiếm và đọc trang trong giai đoạn đầu. GitHub có thể giới hạn ở đọc repository, issue và pull request. Google Drive nên giới hạn thư mục, tài khoản và phạm vi OAuth cần thiết. Ba workflow thực tế với Notion, GitHub và Google Drive Biến tài liệu Notion thành trung tâm tri thức Notion MCP chính thức cho phép agent tìm kiếm, đọc và cập nhật nội dung trong workspace theo quyền của tài khoản đã xác thực. Một workflow hữu ích là để Hermes thu thập ghi chú họp, tìm các quyết định liên quan rồi tạo bản tổng hợp vào trang dự án. Người dùng có thể yêu cầu Hermes chỉ tạo bản nháp, sau đó kiểm tra trước khi cập nhật trạng thái hoặc giao việc. Notion MCP dùng OAuth theo người dùng, vì vậy không phù hợp với mọi tác vụ chạy hoàn toàn không có người giám sát. Nếu muốn chạy tự động theo lịch, hãy kiểm tra cách server duy trì phiên xác thực và tránh thiết kế workflow phụ thuộc vào thao tác mà OAuth không hỗ trợ ở chế độ headless. Đồng bộ công việc phát triển qua GitHub GitHub MCP Server do GitHub cung cấp và duy trì, cho phép công cụ AI làm việc với dữ liệu phát triển phần mềm theo quyền tài khoản. Hermes có thể đọc issue mới, đối chiếu với thay đổi trong repository và soạn báo cáo tiến độ. Ở bước tiếp theo, agent có thể chuẩn bị nội dung issue hoặc release note nhưng chờ người phụ trách xác nhận trước khi ghi. Workflow này hiệu quả hơn khi tiêu chí được mô tả rõ. Chẳng hạn, Hermes chỉ tổng hợp pull request đã merge trong bảy ngày, nhóm theo nhãn và liên kết từng thay đổi với issue liên quan. Kết quả có thể được chuyển tiếp sang Notion thông qua MCP thứ hai để tạo báo cáo tuần. Tổng hợp tệp và báo cáo từ Google Drive Với một MCP server tương thích Google Workspace, Hermes có thể tìm tệp trong Drive, đọc nội dung được cấp quyền và đưa dữ liệu vào quy trình tổng hợp. Ví dụ, agent tìm báo cáo bán hàng trong một thư mục cố định, trích các chỉ số cần thiết rồi tạo bản tóm tắt để lưu vào Notion hoặc đính kèm vào issue GitHub. Google đã tập hợp các dự án MCP chính thức tại repository Google MCP, trong đó có hướng tích hợp Google Workspace. Tuy nhiên, Drive từng có nhiều server cộng đồng với mức bảo trì khác nhau. Vì vậy, hãy kiểm tra nguồn, lịch sử cập nhật và phạm vi OAuth của server cụ thể thay vì cài theo tên gọi. Ghép nhiều MCP server thành một workflow có kiểm soát Một workflow hoàn chỉnh có thể bắt đầu từ GitHub, dùng Drive làm nguồn dữ liệu và kết thúc ở Notion. Hermes đọc issue được gắn nhãn báo cáo, tìm bảng tính tương ứng trong Drive, tạo phần tóm tắt rồi cập nhật trang dự án. Mỗi bước sử dụng một nhóm công cụ MCP khác nhau, còn Hermes giữ vai trò lập kế hoạch và chuyển kết quả giữa các bước. Không nên bật thực thi song song chỉ vì server hỗ trợ. Tài liệu Hermes cho phép khai báo khả năng gọi tool song song, nhưng cảnh báo rằng các thao tác cùng đọc và ghi trạng thái có thể tạo xung đột. Các bước chỉ đọc độc lập có thể chạy đồng thời, trong khi cập nhật Notion, tạo issue hoặc thay đổi tệp nên diễn ra tuần tự. Lưu ý: MCP server là phần mềm có thể chạy lệnh và nhận thông tin xác thực. Chỉ cài server từ nguồn đáng tin, không đặt token trong prompt, lọc bỏ công cụ nguy hiểm và luôn giữ bước phê duyệt cho hành động xóa, chia sẻ hoặc xuất bản dữ liệu. Nên bắt đầu workflow đầu tiên như thế nào? Đừng kết nối Notion, GitHub và Google Drive trong cùng ngày rồi giao ngay một quy trình quan trọng. Hãy chọn một đầu vào, một đầu ra và một tiêu chí hoàn thành dễ kiểm tra. Ví dụ đầu tiên có thể là đọc các issue GitHub đã đóng rồi tạo bản nháp báo cáo trong Notion, không có quyền xóa hoặc xuất bản. Sau vài lần chạy ổn định, bạn có thể biến quy trình thành skill để Hermes tái sử dụng và thêm lịch chạy tự động. Giá trị thực của MCP không nằm ở số lượng server đã kết nối, mà ở việc Hermes có thể hoàn thành một workflow lặp lại với phạm vi quyền nhỏ, kết quả dễ kiểm tra và đường đi dữ liệu rõ ràng.
Na
Nam•
16 thg 7, 2026
So sánh Hermes Agent, OpenClaw và Claude Cowork
Hermes Agent, OpenClaw và Claude Cowork đều được gọi là AI agent vì chúng không chỉ trả lời câu hỏi. Chúng có thể chia mục tiêu thành nhiều bước, gọi công cụ, đọc dữ liệu và tạo ra kết quả hoàn chỉnh. Tuy nhiên, đặt ba sản phẩm cạnh nhau chỉ bằng một bảng tính năng rất dễ dẫn tới lựa chọn sai. Hermes Agent hướng tới một agent có thể học thêm cách làm việc. OpenClaw hướng tới một trợ lý cá nhân luôn sẵn sàng qua các kênh nhắn tin còn Claude Cowork hướng tới người dùng muốn giao việc văn phòng bằng ngôn ngữ tự nhiên trong một môi trường được Anthropic quản lý. Vì vậy, câu hỏi quan trọng không phải công cụ nào mạnh nhất, mà là bạn muốn tự quản bao nhiêu và muốn agent xuất hiện ở đâu trong quy trình hằng ngày. Ba sản phẩm với thiết kế khác nhau Sự khác biệt của 3 công cụ AI Agent không chỉ nằm ở model thực thi mà còn ở bộ khung bao quanh model để quản lý công cụ, bộ nhớ, quyền truy cập và vòng lặp thực thi. Khái niệm này được giải thích chi tiết trong bài Agent Harness là gì?, qua đó người đọc có thể hiểu vì sao cùng được gọi là AI agent nhưng ba sản phẩm lại hành xử rất khác nhau. Hermes Agent ưu tiên vòng lặp học và môi trường thực thi Điểm đáng chú ý của Hermes là skills không chỉ là danh sách các skills đã được cài sẵn. Khi hoàn thành một công việc, agent có thể rút ra quy trình hữu ích, lưu lại và cải thiện ở lần sau. Bài Hermes Agent là gì? giải thích riêng cơ chế tự học này. Giá trị của cơ chế tích lũy tăng dần theo thời gian nếu người dùng có nhiều nhiệm vụ lặp lại như phân tích dự án, theo dõi nguồn tin, chuẩn hóa báo cáo hoặc vận hành một chuỗi công cụ nội bộ. Hermes cũng hỗ trợ nhiều kiểu sandbox như chạy cục bộ, Docker, SSH, Singularity hoặc Modal. Sandbox là môi trường cô lập nơi agent thực thi lệnh và thao tác tệp. Sự linh hoạt này giúp người dùng chọn giữa tốc độ, khả năng kiểm soát và mức độ cách ly, nhưng đồng thời đòi hỏi hiểu biết về hạ tầng, quyền truy cập và cách xử lý khóa bí mật. OpenClaw lấy Gateway làm trung tâm điều phối Trong OpenClaw, Gateway là lớp điều khiển đứng giữa agent, thiết bị và các kênh giao tiếp. Một tin nhắn có thể trở thành yêu cầu để agent đọc lịch, xử lý tệp, gọi dịch vụ hoặc phản hồi về đúng cuộc trò chuyện. Cách tiếp cận này rất tự nhiên với người muốn nhắn cho trợ lý từ điện thoại mà không cần nhớ máy chủ đang chạy ở đâu. OpenClaw phù hợp nhất khi agent cần phản ứng ngay khi có việc cần đến, không cần người dùng mở máy tính hay vào một ứng dụng riêng. Thay vì chờ bạn khởi động một phiên làm việc, nó ngồi sẵn trong các kênh nhắn tin bạn đang dùng và bắt đầu xử lý ngay khi có tin nhắn hoặc sự kiện kích hoạt sẵn. Claude Cowork cung cấp không gian làm việc được quản lý Cowork giảm phần việc hạ tầng mà người dùng phải tự lo. Trong ứng dụng desktop, người dùng có thể cấp quyền cho thư mục cục bộ rồi yêu cầu Claude đọc, sắp xếp hoặc tạo tệp. Với phiên làm việc từ xa, công việc diễn ra trong môi trường cô lập trên máy chủ của Anthropic, phù hợp với những tác vụ dài không cần giữ máy cá nhân hoạt động liên tục. Đổi lại, phạm vi tùy biến và quyền kiểm soát tầng thực thi không rộng như một dự án tự host. Cowork phù hợp hơn với người muốn kết quả nhanh trong hệ sinh thái Claude, không muốn duy trì máy chủ hoặc tự thiết kế một Gateway. Bộ nhớ của ba công cụ hoạt động khác nhau như thế nào Bộ nhớ trong agent không nên được hiểu đơn giản là lưu toàn bộ hội thoại. Một hệ thống hữu ích phải biết thông tin nào đáng giữ, thông tin nào chỉ có giá trị trong phiên hiện tại và khi nào cần lấy lại dữ liệu cũ. Nếu lưu quá ít, agent sẽ phải hỏi những câu hỏi lặp lại còn nếu lưu quá nhiều, chi phí chắc chắn sẽ tăng và dữ liệu nhạy cảm rất dễ bị dùng sai chỗ. Hermes lại nổi bật nhờ kết hợp bộ nhớ bền vững với skill có thể cải thiện. Bộ nhớ giúp ghi nhận sở thích và bối cảnh, còn skill ghi lại cách hoàn thành một loại nhiệm vụ. Hai lớp này tạo ra cảm giác agent ngày càng hiểu người dùng, nhưng chất lượng vẫn phụ thuộc vào việc người dùng xem lại những gì được lưu và loại bỏ quy trình không phù hợp. OpenClaw chạy trên nhiều kênh cùng lúc và đó lại chính là điểm phức tạp nhất của nó. Nhớ nội dung hội thoại chỉ là một phần, vấn đề khó hơn là phân biệt được ai đang nói chuyện ở kênh nào và việc đó thuộc phạm vi nào. Một lệnh gửi trong nhóm Slack của công ty không nên tự động kéo theo ngữ cảnh riêng tư bạn từng trao đổi qua Telegram. Nếu cấu hình phiên và chính sách định danh nên được thiết lập rõ ràng ngay từ đầu, chất lượng model tốt đến đâu cũng không cứu được nếu mọi thứ mù mờ. Cowork giới hạn ngữ cảnh trong từng phiên làm việc, chỉ đọc những tệp bạn cấp quyền và kết nối nào bạn cho phép. Với người không quen dựng hệ thống, cách này dễ kiểm soát hơn vì ranh giới của mỗi tác vụ khá rõ ràng nhưng rõ ràng không có nghĩa là tự động hiểu, bạn vẫn cần nói rõ mình muốn gì, hoàn thành trông như thế nào và dữ liệu lấy từ đâu. Cowork không tự suy ra bối cảnh công ty của bạn nếu bạn không chủ động đưa vào. Mỗi công cụ tự động hóa tốt nhất loại việc nào Hermes có công cụ web, terminal, MCP, lịch chạy tự động và subagent. MCP là chuẩn kết nối giúp agent giao tiếp với nguồn dữ liệu hoặc ứng dụng bên ngoài qua một giao diện thống nhất. Khi kết hợp MCP với skill, người dùng có thể biến một thử nghiệm thành quy trình lặp lại, chẳng hạn mỗi sáng thu thập dữ liệu, phân tích thay đổi và gửi bản tóm tắt. OpenClaw mạnh ở các workflow bắt đầu từ tin nhắn hoặc sự kiện. Ví dụ, người dùng gửi hóa đơn vào kênh riêng, agent trích xuất thông tin rồi cập nhật hệ thống lưu trữ. Một ví dụ khác là nhận cảnh báo dịch vụ, hỏi thêm dữ liệu chẩn đoán và trả về bản tóm tắt ngay trong nhóm vận hành. Giá trị nằm ở việc giảm khoảng cách giữa lúc phát sinh nhu cầu và lúc agent bắt đầu hành động. Cowork phù hợp với đầu ra văn phòng có cấu trúc. Nó có thể nghiên cứu một chủ đề, tổng hợp dữ liệu, tạo tài liệu và tiếp tục chỉnh sửa theo phản hồi. Các tác vụ dài hoặc được lên lịch giúp Cowork vượt khỏi kiểu hỏi đáp ngắn. Tuy vậy, doanh nghiệp cần kiểm tra kỹ từng connector và quyền truy cập trước khi để agent thao tác trên kho dữ liệu thật. Nếu cần tích hợp sâu với hạ tầng riêng, Hermes và OpenClaw thường cho nhiều không gian hơn. Nếu ưu tiên thời gian đi từ yêu cầu tới tài liệu hoàn chỉnh, Cowork thường có lợi thế. Đây là khác biệt giữa nền tảng để lắp ghép và sản phẩm đã đóng gói. Bảo mật của ba AI agent này như thế nào Câu hỏi dùng cái nào an toàn hơn không có câu trả lời đơn giản, vì rủi ro bảo mật của từng công cụ đến từ những điểm hoàn toàn khác nhau. Hermes Agent: Tự host không đồng nghĩa là tự động an toàn. Rủi ro lớn nhất đến từ các skill tự sinh ra vì về bản chất đây là đoạn mã được agent tự viết rồi tự chạy. Nếu không xem lại trước khi cho chạy định kỳ, một skill có quyền terminal hoặc quyền gửi dữ liệu ra ngoài có thể làm những việc bạn không hề hay biết. Ngoài ra, khóa API và thư mục nhạy cảm không nên xuất hiện trong prompt hay được gắn trực tiếp vào sandbox nếu skill đó không thực sự cần đến. OpenClaw: Kết nối càng nhiều kênh thì bề mặt tấn công càng rộng. Điểm dễ bị bỏ qua nhất là xác thực người gửi, vì nếu Gateway chỉ tin vào tên hiển thị hoặc một kênh chưa được bảo vệ đúng cách, một tài khoản nhắn tin bị chiếm quyền là đủ để ai đó ra lệnh cho agent của bạn. Danh sách người được phép gửi lệnh và quyền của từng bot cần được xem xét lại mỗi khi bạn thêm một kênh mới. Claude Cowork: Rủi ro đáng lo nhất là prompt injection, tức khi agent đọc một tài liệu hoặc trang web có chứa chỉ dẫn ẩn nhằm khiến nó làm lệch yêu cầu ban đầu của bạn. Anthropic có cơ chế bảo vệ và yêu cầu xác nhận cho các hành động nhạy cảm, nhưng điều đó không thay thế được việc bạn tự kiểm tra kết quả và không cấp quyền rộng hơn mức công việc thực sự cần. Lưu ý: Với bất kỳ agent nào, đừng cấp quyền xóa tệp hay gửi tin nhắn ra ngoài hay thực hiện giao dịch nhạy cảm. Vậy hãy bắt đầu với chế độ chỉ đọc, bật ghi nhật ký đầy đủ và giữ quyền phê duyệt cho những hành động cần đến con người. Nên chọn Hermes Agent, OpenClaw hay Claude Cowork? Mội công cụ có một điểm mạnh điểm yếu riêng vì vậy muốn chọn được công cụ phù hợp nhất còn tùy thuộc vào người sử dụng và công việc cần sử dụng. Chọn Hermes Agent khi muốn agent ngày càng hiểu cách bạn làm việc Hermes phù hợp với nhà phát triển, người nghiên cứu hoặc nhóm kỹ thuật muốn agent học quy trình riêng và chạy trên hạ tầng linh hoạt. Nó đặc biệt đáng cân nhắc khi nhiệm vụ lặp lại đủ nhiều để skill tạo ra lợi ích tích lũy. Bạn cần sẵn sàng đọc log, kiểm tra skill và quản lý môi trường thực thi. Phù hợp nhất khi: Bạn muốn agent nhớ và cải thiện quy trình làm việc qua từng lần dùng. Bạn có thể tự quản lý sandbox, chọn model và kiểm soát quyền truy cập. Chọn OpenClaw khi công việc cần giao tiếp liên tục từ tin nhắn OpenClaw phù hợp khi trợ lý cần có mặt trên Telegram, WhatsApp, Slack, Zalo hoặc các kênh tương tự. Nó hữu ích cho cảnh báo, thu thập yêu cầu nhanh và tự động hóa có điểm bắt đầu từ hội thoại. Đổi lại, bạn phải quản lý danh tính, quyền kênh và độ ổn định của Gateway. Phù hợp nhất khi: Yêu cầu thường đến dưới dạng tin nhắn hoặc cảnh báo tự động. Bạn cần một điểm điều phối duy nhất cho nhiều kênh giao tiếp khác nhau. Chọn Claude Cowork khi cần kết quả nhanh mà không muốn dựng hệ thống Cowork phù hợp với người làm nội dung, phân tích hoặc quản lý cần tài liệu, bảng tính và slide hoàn chỉnh mà không muốn nghĩ đến server hay Gateway. Bù lại, bạn nên hiểu rõ giới hạn của gói đang dùng, dữ liệu đi qua đâu, kết nối nào đang được bật trước khi đưa công việc thật vào. Phù hợp nhất khi: Bạn muốn mô tả kết quả cần đạt bằng ngôn ngữ tự nhiên và nhận lại đầu ra hoàn chỉnh. Bạn ưu tiên sự tiện lợi của một dịch vụ được quản lý hơn là toàn quyền kiểm soát hạ tầng.
Na
Nam•
14 thg 7, 2026