Mạng xã hội Moltbook nơi AI cấm con người tương tác

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. 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.

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.

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

Đang ở ngoài đường mà nhớ ra một chi tiết nhỏ trong dự án cần thay đổi, bạn không nhất thiết phải mở laptop hay remote desktop vào máy. Nếu đã thiết lập kết nối, ChatGPT app trên điện thoại có thể trở thành màn hình điều khiển cho Codex, còn máy tính ở nhà hoặc văn phòng vẫn là nơi chạy code thật. ChatGPT app không chạy Codex trên điện thoại Điểm dễ hiểu sai nhất là tưởng Codex đang chạy trực tiếp trong điện thoại. Thực tế ở đây điện thoại chỉ gửi prompt, câu trả lời, phê duyệt và tin nhắn tiếp theo, trong khi môi trường làm việc thật nằm trên máy Mac hoặc Windows đang chạy Codex. Nói cách khác, app ChatGPT là bộ điều khiển từ xa, còn máy host mới là nơi có repo, terminal, credentials, plugin, MCP server và các công cụ khác. Cách vận hành này rất hợp lý vì codebase thường nằm trên máy phát triển, không nằm trên điện thoại. Khi bạn nhắn yêu cầu như sửa lỗi TypeScript, chạy test hoặc xem diff, Codex xử lý trong project đã chọn trên host rồi gửi lại kết quả để bạn theo dõi. Nếu bạn muốn tìm hiểu nền tảng trước khi dùng remote, có thể đọc bài Codex là gì và cách sử dụng Codex để nắm vai trò của công cụ này trong workflow làm việc. Cần chuẩn bị gì trước khi kết nối ChatGPT app và Codex? Theo tài liệu cập nhật Codex hiện tại của OpenAI, ChatGPT app đã hỗ trợ điều khiển Codex trên cả macOS và Windows còn hiện tại thì chưa có hỗ trợ ở Linux và đặc biệt là tính năng này hỗ trợ tất cả các tài khoản ChatGPT kể cả Free và Go. Sau đó bạn chỉ chuẩn bị đăng nhập cùng một tài khoản hoặc workspace trên cả hai thiết bị: ChatGPT mobile (bản mới nhất trên iOS hoặc Android) và Codex (bản mới nhất trên máy host đang online). Máy host phải luôn bật và Codex phải đang chạy trong suốt thời gian bạn điều khiển từ xa. Nếu máy sleep, mất mạng hoặc Codex App bị đóng, kết nối từ điện thoại sẽ mất ngay lập tức và mọi tác vụ đang chạy có thể bị gián đoạn. Điểm đáng chú ý là toàn bộ quá trình thiết lập bắt đầu từ Codex App trên máy host và rất đơn giản chỉ cần quét QR code là xong . Tức là trong Codex App, bạn chọn mục thiết lập Codex mobile ở sidebar, sau đó quét mã QR bằng điện thoại, rồi hoàn tất xác nhận trong ChatGPT app. Riêng với workspace doanh nghiệp, quản trị viên có thể cần bật quyền Remote Control trước rồi bạn mới có thể kết nối được. Mã QR này là để điều khiển máy tính của bạn, vì vậy bạn hãy bảo mật QR này không được phép chia sẻ để đảm bảo không có điều đáng tiếc xảy ra với máy tính của bạn Vậy mình tổng hợp lại bước kết nối giữa ChatGPT app và Codex khá là đơn giản Máy tính host cần online và đang chạy Codex ChatGPT app và Codex cần đăng nhập cùng tài khoản hoặc workspace Thiết lập mã QR Codex trên host và hoàn tất trên điện thoại Các yêu cầu MFA, SSO hoặc passkey vẫn có thể áp dụng Sau khi kết nối, bạn có thể làm gì? Khi host đã xuất hiện trong Codex trên điện thoại, bạn có thể bắt đầu thread mới trong project trên host hoặc tiếp tục thread đang có. Đây là phần làm trải nghiệm trở nên đáng giá: bạn có thể gửi follow up, trả lời câu hỏi của Codex, duyệt command, xem output, xem diff, xem test result, thậm chí nhận thông báo khi task hoàn tất hoặc cần bạn chú ý. Ví dụ thực tế, bạn đang ngồi cà phê và nhớ ra form đăng nhập có lỗi validate. Bạn có thể mở ChatGPT app, chọn host đang kết nối, nhắn rằng hãy kiểm tra luồng auth, sửa lỗi validate email và chạy test liên quan. Codex sẽ thao tác trên repo ở máy host, còn bạn chỉ cần xem kết quả, approve hành động khi cần và quyết định có yêu cầu chỉnh tiếp hay không. Đây cũng là lý do mọi người bắt đầu xem Codex hay các IDE khác như một đồng nghiệp làm việc trong môi trường thật, chứ không phải chỉ là một công cụ code nữa. Sức mạnh của nó nằm ở việc đọc file, chạy lệnh, chỉnh sửa code và giữ mạch công việc qua nhiều vòng trao đổi. Giới hạn nào cần nhớ khi dùng từ điện thoại với ChatGPT app Điều khiển qua điện thoại tất nhiên phụ thuộc hoàn toàn vào máy host nếu máy tính sleep, mất mạng, đóng Codex hoặc không còn đăng nhập đúng workspace, điện thoại sẽ không còn môi trường để điều khiển. Tuy nhiên nếu Codex đang thực hiện dở tác vụ thì nó sẽ vẫn thực hiện tiếp trên máy host và sẽ được thông báo xong ngay khi điện thoại kết nối lại nên mọi người sẽ bớt lo khi điện thoại tự nhiên mất mạng khi đang chạy dở trên Codex. Một lưu ý nữa là trên Windows, các tác vụ dùng Computer Use còn yêu cầu phiên làm việc chạy ở nền trước phù hợp, vì vậy đây không phải phương án thay thế hoàn toàn cho việc ngồi trực tiếp trước máy . Bạn cũng nên phân biệt việc giao một tác vụ gọn với việc review thay đổi lớn. Điện thoại rất hợp cho bug nhỏ, chạy test, hỏi nhanh về một file, duyệt các tác vụ ngắn hoặc kiểm tra trạng thái task. Tuy nhiên, các tác vụ yêu cầu làm việc với mức độ cao vẫn nên được review trên màn hình lớn để tránh bỏ sót chi tiết. Cách dùng thực tế cho hiệu quả Cách dùng hiệu quả nhất là giao việc có phạm vi rõ ràng và kết quả cụ thể. Thay vì nhắn chung chung "hãy sửa đăng nhập"thì hãy mô tả rõ lỗi xảy ra ở đâu, sau khi sửa kỳ vọng hành vi như thế nào, test nào cần chạy và phần nào không được đụng vào. Codex xử lý tốt hơn khi biết rõ ranh giới công việc, đặc biệt vì điều khiển qua điện thoại khiến mỗi vòng phản hồi chậm hơn so với ngồi trực tiếp trước máy. Một nhịp làm việc thực tế có thể là: mô tả chi tiết công việc cần làm dù nhỏ hay vừa, yêu cầu Codex đọc các file liên quan, để nó đề xuất hướng giải quyết, chỉ approve khi cần thiết và chờ báo cáo kết quả. Làm quen với nhịp này, bạn sẽ thấy những khoảng thời gian vụn vặt bên ngoài hoàn toàn có thể xử lý được việc thật, trong khi vẫn giữ quyền quyết định cuối cùng trong tay mình. So sánh với Claude Code Remote và Telegram bot Hiện có rất nhiều cách phổ biến để điều khiển AI coding agent từ điện thoại tuy nhiên mình mới chỉ biết đến 3 cách và mỗi cách phục vụ một nhu cầu khác nhau. Tiêu chí ChatGPT app + Codex Claude Code Remote Telegram + Codex Chat tự nhiên ✅ Rất tốt ✅ Tốt ❌ Cần đúng cú pháp Kiểm soát chi tiết Trung bình Cao nhất Thấp Độ ổn định kết nối Ổn định Ổn định Hay mất kết nối UI trên mobile Tối ưu tốt Chưa tối ưu hoàn toàn Dùng app Telegram sẵn có Setup ban đầu Dễ, quét QR Dễ Cần tự cấu hình bot Yêu cầu máy tính bật ✅ Bắt buộc ✅ Bắt buộc ✅ Bắt buộc Claude Code Remote Control là lựa chọn mạnh nhất về mặt kiểm soát bạn xem được terminal output trực tiếp, can thiệp giữa chừng được và cảm giác sát với agent hơn. Tuy nhiên UI trên màn hình điện thoại nhỏ chưa được tối ưu hoàn toàn, một số thao tác vẫn khó có thể thực hiện khi không có bàn phím vật lý. Telegram bot là lựa chọn không cần app riêng và dễ tiếp cận ban đầu, nhưng trải nghiệm thực tế có nhiều hạn chế: hay bị chậm, thi thoảng mất kết nối giữa chừng mà không báo trước, và vì thiếu context AI thực sự nên những yêu cầu phức tạp hơn một chút là bot bắt đầu không hiểu ý, buộc bạn phải gõ lệnh chính xác thay vì mô tả tự nhiên. ChatGPT app + Codex nằm ở điểm cân bằng tốt nhất cho phần lớn người dùng — đủ mượt, đủ thông minh, setup nhanh bằng QR và không cần học thêm cú pháp mới để bắt đầu. ChatGPT app kết nối với Codex không biến điện thoại thành máy lập trình, mà biến nó thành cửa điều khiển cho một máy phát triển đang sẵn sàng làm việc. Nếu host được bật, quyền được thiết lập đúng và task đủ gọn, đây là cách thực dụng nhất hiện tại để xử lý công việc code khi không ngồi trước laptop.