Khoá học Claude Code nâng cao miễn phí: điều binh AI như một CEO

Đây là khoá thứ hai trong loạt khoá học AI miễn phí của MONA, dành cho anh chị đã học xong khoá Claude Code cơ bản hoặc đã dùng Claude Code một thời gian. Khoá cơ bản dạy anh chị cầm công cụ; khoá này dạy anh chị **điều binh**: nâng cấp bộ luật CLAUDE.md thành tài sản tích luỹ, chạy hàng chục agent song song có tổ chức, cho máy tự nghiên cứu cải tiến trong lúc anh chị ngủ, tự động hoá thao tác trên internet, phòng rủi ro khi cả thế giới phụ thuộc một công cụ, và chốt bằng bảo mật kiểu 80/20. Như mọi khoá trong loạt này: viết cho người làm kinh doanh, giải thích bằng tiếng người, và toàn bộ đúc từ trải nghiệm dùng thật hằng ngày ở MONA.

Phần 1: CLAUDE.md ở đẳng cấp cao: bộ luật biết tự lớn lên

Khoá cơ bản đã dạy CLAUDE.md là “lời dặn nhét vào đầu mọi phiên”. Lên nâng cao, anh chị cần nhìn nó sâu hơn: một file CLAUDE.md tốt đang gánh cùng lúc bốn vai trò, và hiểu đủ bốn vai trò là tự khắc biết phải viết gì vào đó.

Vai 1: bản nén tri thức. Thay vì máy phải mò đọc từng file trong dự án mỗi lần khởi động, CLAUDE.md nén toàn bộ “cái gì nằm đâu, dự án này để làm gì” thành vài chục dòng. Tụi em từng đo thử trên một dự án web: phần mô tả một file trong CLAUDE.md tốn 22 từ, trong khi mở file gốc ra đọc tốn hơn 1.100 token. Tỉ lệ nén cỡ 45 lần. Nhân con số đó với số lần mở phiên mỗi ngày, anh chị hiểu vì sao có người xài Claude Code tốn gấp chục lần người khác mà kết quả lại kém hơn.

Vai 2: sở thích và quy ước riêng. Trả file thì trả kèm đường dẫn đầy đủ để bấm được. Làm web thì theo chuẩn thẩm mỹ nào. Đụng nền tảng lạ thì phải đọc tài liệu chính chủ trước khi mò. Mỗi bản cập nhật Claude Code đều nạp thêm quy ước phổ biến vào máy sẵn, nhưng quy ước “đo ni” cho cách làm việc của riêng anh chị thì chỉ anh chị viết được.

Vai 3: tuyên bố năng lực. Đây là vai ít ai biết mà lợi hại bất ngờ. Máy hay quên chính khả năng của nó: hỏi “việc này làm mất bao lâu” nó báo ba tháng, trong khi chính nó làm được trong một buổi; nhờ gọi API nó lại chìa câu lệnh bắt mình tự chạy. Vậy nên trong CLAUDE.md hãy liệt kê thẳng: “có toàn quyền và đủ khả năng làm A, B, C; có sẵn skill X, công cụ Y; đừng đẩy ngược những việc đó cho người dùng.” Nghe buồn cười, nhưng dòng đó cắt hẳn những vòng hỏi tới hỏi lui vô ích.

Vai 4: sổ ghi thất bại và thành công. Mỗi lần máy làm việc là một lần anh chị trả tiền token và thời gian. Bài học rút ra từ những lần đó là thứ đã mua bằng tiền thật, vứt đi là lãng phí kép. Ghi lại “cách này đã thử, hỏng, đừng lặp lại” nghĩa là khoanh vùng cấm trong không gian mò mẫm của máy: lần sau nó khỏi tốn tiền của anh chị để sai đúng chỗ cũ.

Vòng lặp kép: cách bộ luật tự lớn lên

Biết bốn vai trò rồi, câu hỏi còn lại là nạp nội dung vào bằng cách nào cho khỏi ngồi nghĩ chay. Câu trả lời là hai vòng lặp mà tụi em chạy hằng ngày ở MONA:

Vòng nhỏ (theo dự án): giao việc, để máy làm, xong việc hỏi máy đúng một câu: “nhìn lại toàn bộ việc vừa làm: cách nào ra được kết quả này nhanh hơn và tốn ít token hơn?” Máy tự khai rất thật: “đáng lẽ nên viết lại cả file một lần thay vì sửa lắt nhắt 20 lần”. Nghe hợp lý thì dặn: “ghi vào CLAUDE.md làm quy ước.” Kèm một câu dặn thường trực ngay trong file: “mỗi lần làm sai, tự ghi vào mục sổ tay những-điều-đừng-làm-lại.” Từ đó mỗi vết vấp tự thành một dòng luật, dự án càng chạy máy càng thuộc việc, thời gian mỗi vòng cứ ngắn dần.

Vòng lớn (toàn máy): sau vài chục phiên, chạy lệnh /insights. Máy tự quét lịch sử làm việc của anh chị và rút ra khuôn mẫu lặp đi lặp lại xuyên dự án: hay sa đà nghiên cứu thứ không cần, hay quên đọc tài liệu trước khi thử. Những bài học cấp “tính cách” đó thuộc về CLAUDE.md toàn máy (tầng cá nhân đã học ở khoá cơ bản). Và đây là chỗ duy nhất tụi em khuyên anh chị bắt buộc duyệt tay: vì file toàn máy áp lên mọi dự án về sau, một dòng luật sai ở đây là sai dây chuyền; máy còn có tật đẻ ra hai luật đá nhau mà không tự thấy, chỉ mắt người rà mới bắt được.

Một mẹo đắt nữa cho tầng toàn máy: viết hẳn một đoạn về chính anh chị. Anh chị là ai, làm ngành gì, ưu tiên cái gì. Ví dụ thật: nếu máy không biết chủ nó quý thời gian hơn tiền, nó sẽ luôn tư vấn phương án rẻ mà chậm. Một đoạn 10 dòng về mình giúp mọi câu tư vấn về sau trúng khẩu vị.

Tự tay làm: (1) mở dự án đang chạy, hỏi máy câu “làm sao nhanh hơn, rẻ hơn” sau việc kế tiếp và cho ghi vào CLAUDE.md; (2) thêm câu dặn “sai thì tự ghi sổ” vào CLAUDE.md dự án; (3) chạy /insights, duyệt tay, nhặt 3-5 dòng đáng giá cho tầng toàn máy; (4) viết đoạn 10 dòng về chính anh chị.

Phần 2: Agent harness: hiểu bộ yên cương để hiểu mọi thứ còn lại

Chữ “agent harness” đang được nhắc khắp nơi mà ít ai giải thích cho tử tế. Định nghĩa gọn: harness là mọi thứ bọc quanh model AI mà không phải bản thân model. Model (Claude, GPT…) tự nó chỉ là cỗ máy chữ: nhận chữ vào, nhả chữ ra, hết. Nó không mở được file, không chạy được lệnh, không bấm được nút. Harness là bộ khung cấp cho nó tay chân: bộ công cụ (đọc file, sửa file, chạy lệnh, tìm web), hệ thống ghi nhớ, luật xin quyền, các ngưỡng an toàn. Claude Code chính là một harness, và hiện là harness tốt bậc nhất thị trường.

Hình dung dễ nhất: model là con ngựa khoẻ, harness là bộ yên cương. Cùng một con ngựa, yên cương tốt thì kéo được xe nặng đi đúng đường; yên cương ẩu thì ngựa lồng, đâm đổ hàng rào. Chuyện đâm đổ hàng rào là chuyện thật: từng có harness của nền tảng khác bị chặn lệnh xoá dữ liệu nguy hiểm, và con máy “lách luật” bằng cách viết một đoạn chương trình khác làm đúng việc xoá đó, kèm lời giải thích tỉnh queo “cùng tác dụng, đỡ vướng chính sách”. Cùng model thông minh ngang nhau, harness quyết định chuyện đó được phép xảy ra hay không.

Vì sao người làm kinh doanh cần hiểu tầng này? Ba lý do. Một, khi chọn công cụ cho công ty, thứ anh chị so sánh thật ra không phải model (đa số xài chung vài model lớn) mà là chất lượng harness: luật quyền hạn, cách quản bộ nhớ, độ an toàn. Hai, mọi kỹ thuật trong khoá này (song song hoá, auto-research, đa dạng hoá model) đều là thao tác ở tầng harness, hiểu tầng này thì học phần sau nhanh gấp đôi. Ba, thị trường đang mọc ra hàng loạt harness thay thế (mã nguồn mở có, thương mại có); biết khung đánh giá thì khỏi bị thổi bay bởi lời quảng cáo.

Tự tay làm: liệt kê 4 thành phần harness của chính phiên Claude Code anh chị đang chạy (bộ luật nào đang nạp, công cụ nào được bật, chế độ quyền nào đang chọn, bộ nhớ đang quản kiểu gì). Trả lời được trơn tru là anh chị đã ở nhóm hiểu sâu hơn đa số người dùng.

Phần 3: Song song hoá kiểu cao thủ: fan-out, đồng thuận ngẫu nhiên và phòng tranh luận

Khoá cơ bản đã học chạy vài phiên song song và sub-agent. Lên nâng cao, song song hoá không còn là “cho nhanh” mà thành phương pháp tư duy: dùng nhiều bộ não rẻ để phủ kín không gian đáp án mà một bộ não đắt không bao giờ phủ nổi.

Kỹ thuật 1: fan-out rồi fan-in, mỗi tầng một loại não. Bài toán mẫu: “tìm cách tối ưu hệ thống này” hoặc “nghiên cứu đối thủ ngành X”. Cách thường: một phiên tự đi đọc từng nguồn, bối cảnh phình dần, càng đọc càng lú (đường cong chất lượng đi xuống khi context đầy, anh chị đã học ở khoá cơ bản). Cách cao thủ: bung 5-6 agent nghiên cứu chạy bằng model rẻ (Sonnet), mỗi con một góc nhìn, ôm rác trong bộ nhớ riêng của nó; xong dồn các bản tóm tắt về một agent tổng hợp chạy model xịn (Opus) với lời dặn “gộp chỗ trùng, giữ lại điểm dị biệt, chấm điểm từng phương án”. Ra lệnh chỉ cần một câu: “dùng fan-out fan-in, tối thiểu 5 sub-agent, nghiên cứu bằng Sonnet, tổng hợp bằng Opus”. Nhanh hơn cỡ một nửa thời gian, rẻ hơn rõ rệt (giá Sonnet chỉ khoảng 60% Opus tính trên token vào, chưa kể token ra), và chất lượng cao hơn vì con tổng hợp nhận nguyên liệu sạch thay vì tự bơi.

Kỹ thuật 2: đồng thuận ngẫu nhiên (stochastic consensus). Có một đặc tính của AI mà người mới coi là bực mình còn cao thủ coi là mỏ vàng: hỏi cùng một câu năm lần, ra năm đáp án hơi khác nhau. Thay vì khó chịu, hãy khai thác: bung 10 agent cùng trả lời một đề, mỗi con gắn một vai (bảo thủ, liều lĩnh, phản biện, suy từ nguyên lý gốc…), rồi một con đứng ra đếm phiếu. Phương án được 7/10 con nhắc tới là phương án đáng tin theo số đông; phương án chỉ 1 con nghĩ ra là của hiếm ngoài rìa, thứ mà chạy một lần không bao giờ lộ ra. Tụi em thử nghiệm đúng kỹ thuật này khi cần brainstorm phương án đóng gói dịch vụ: 10 agent, hơn trăm ý thô, gộp trùng còn năm chục ý, trong đó có những ý một người ngồi nghĩ cả buổi không chắc ra. Đây cũng chính là họ kỹ thuật mà các phòng thí nghiệm lớn dùng khi cho AI giải các bài toán khó.

Kỹ thuật 3: phòng tranh luận (debate). Nâng thêm một nấc: không chỉ đếm phiếu, mà cho các agent đọc bài của nhau qua từng lượt. Lượt một mỗi con nộp ý riêng; lượt hai con nào cũng thấy bài của cả phòng, được quyền phản bác, vay ý, ghép ý thành phương án mới; cứ thế vài lượt rồi tổng hợp. Có con chuyên đóng vai “kẻ phản biện” chê tới bến, có con chuyên bênh, kết quả cuối được tôi qua va đập nên sắc hơn hẳn bản nộp lượt đầu. Nghe rất quen, vì nó chính là buổi họp phản biện của một đội ngũ giỏi, chỉ khác là triệu tập trong một phút và giải tán không tốn bánh kẹo. Cái giá: token nhân lên theo số lượt, nên để dành cho quyết định đáng tiền (chọn kiến trúc hệ thống, chọn hướng sản phẩm), đừng xài cho việc vặt.

Điểm chốt của cả phần, xin nói bằng giọng thật của người xài lâu: các kỹ thuật này không thay được đề bài tốt. Đề mơ hồ thì mười agent tranh luận vẫn ra mười câu vô thưởng vô phạt. Nhưng với đề rõ, chúng biến một mình anh chị thành người có nguyên phòng chiến lược trực 24/7.

Tự tay làm: lấy một quyết định kinh doanh đang cân nhắc (giá gói mới, chọn thị trường ngách…), chạy đồng thuận ngẫu nhiên 10 agent, đọc bảng đếm phiếu và soi kỹ các ý ngoài rìa. Rồi lấy 2 ý mạnh nhất cho vào phòng tranh luận 3 lượt.

Phần 4: Skills, sub-agent và ảo tưởng “công ty AI có CEO”

Trên mạng đang rộ những bộ khung “công ty AI”: agent làm CEO, dưới có CTO, CMO, trưởng phòng, nhân viên, có cả sơ đồ tổ chức đẹp như công ty thật. Nhìn rất đã mắt. Phần này tụi em mổ thật: cái gì trong đó là giá trị, cái gì là hào nhoáng đốt tiền.

Trước hết, một nhận ra quan trọng giúp anh chị đỡ rối: skill và sub-agent thực chất là hai kiểu đóng gói của cùng một thứ. Cùng là file markdown có tên, mô tả “khi nào dùng”, danh sách công cụ được phép, và phần ruột hướng dẫn. Khác biệt duy nhất: skill đưa hướng dẫn cho chính phiên đang chạy làm; sub-agent bung một phiên riêng với bộ nhớ sạch ra làm. Việc cần bộ nhớ sạch (phản biện, kiểm thử) hoặc cần chạy song song thì đóng thành sub-agent; còn lại đóng thành skill cho nhẹ. Hết. Đừng để ai làm anh chị choáng bằng từ ngữ.

Giờ tới các “công ty AI”. Vấn đề của mô hình CEO-CTO-nhân viên ảo nằm ở chỗ nó bê nguyên sơ đồ tổ chức của loài người sang cho máy, trong khi hai giống loài này mạnh yếu khác hẳn nhau. Sơ đồ công ty người sinh ra để xử lý giới hạn của người: một người chỉ ôm nổi chừng đó việc, chỉ nói chuyện được với chừng đó người. Máy không có giới hạn đó, nhưng máy có giới hạn khác mà sơ đồ kia làm trầm trọng thêm: mỗi tầng chuyển giao là một lần nhân xác suất sai. Chuỗi ba bước máy-giao-máy với mỗi bước đúng 90% thì cả chuỗi chỉ còn 73% đúng; sơ đồ càng nhiều tầng nấc, kết quả cuối càng xa ý người ra đề, tiền token càng cháy. Đó là lý do các bộ khung “26 agent chuyên trách” nhìn hoành tráng mà xài thật thì thất vọng.

Sau nhiều thử nghiệm thật, tụi em đọng lại đúng hai mô hình tổ chức đáng dùng:

• Mô hình đầy đủ: mẹ + đội nghiên cứu + kiểm thử. Agent mẹ chạy model xịn giữ vai tổng công trình sư; đội nghiên cứu chạy model rẻ, bung ra thu về theo kiểu fan-out phần 3; một agent kiểm thử/phản biện bộ nhớ sạch soi lại mọi thứ trước khi ra cửa. Ba vai, hai tầng, hết. Đủ hưởng trọn lợi ích chuyên môn hoá mà chuỗi chuyển giao vẫn ngắn.
• Mô hình tối giản: thợ chính + người soi. Một phiên làm, một phiên bộ nhớ sạch soi, lặp tới khi người soi hết ý kiến. Ghi thẳng vào CLAUDE.md: “xong mỗi tính năng phải đưa qua agent kiểm thử mới”. Với đa số việc hằng ngày, cặp đôi này là đủ.

Nguyên tắc đem về: tổ chức agent theo bài toán, đừng theo chức danh. Câu hỏi đúng không phải “công ty tôi cần con CMO ảo không” mà là “việc này chia mảnh được không, mảnh nào cần bộ nhớ sạch, mảnh nào cho model rẻ cày”. Trả lời ba câu đó xong, sơ đồ tự hiện ra, và thường nó gọn hơn nhiều so với cái sơ đồ đẹp trên mạng.

Tự tay làm: rà lại các sub-agent và skill đang có; món nào là sub-agent mà không cần bộ nhớ sạch cũng chẳng chạy song song, gộp về skill. Dựng cặp “thợ chính + người soi” thành quy trình mặc định trong CLAUDE.md của một dự án thật.

Phần 5: Auto-research: cho máy tự làm nghiên cứu cải tiến trong lúc anh chị ngủ

Đây là phần mà tụi em nghĩ chủ doanh nghiệp nên đọc kỹ gấp đôi dân kỹ thuật, vì nó đổi cách nghĩ về chuyện “cải tiến”.

Chuyện bắt đầu từ Andrej Karpathy (đồng sáng lập OpenAI, người đặt ra chữ vibe coding mà anh chị đã gặp ở loạt bài trước). Ông để ý công việc nghiên cứu cải tiến của chính mình thực chất là một vòng lặp rất máy móc: đặt giả thuyết (“đổi chỗ này chắc nhanh hơn”) → thử thay đổi → chấm điểm bằng một thước đo cố định → tốt thì giữ, tệ thì bỏ → ghi sổ → lặp lại. Mà vòng lặp máy móc thì… để máy làm. Ông đóng nó thành bộ khung mã nguồn mở tên auto-research (công khai trên GitHub, ai cũng tải được): mô tả cho máy biết được đổi cái gì, cấm đổi cái gì, chấm điểm bằng gì, ghi sổ vào đâu, rồi thả cho nó tự chạy. Sáng ngủ dậy, anh chị có một cuốn sổ thí nghiệm dày cộp và một hệ thống đã tốt hơn tối qua.

Sức mạnh của vòng lặp này nằm ở phép nhân nhỏ mà đều. Nếu một vòng thử-và-chấm chỉ mất một phút, máy chạy được cả nghìn vòng mỗi ngày. Chỉ cần 30 vòng trong số đó ăn, mỗi vòng cải thiện 1%, thì lãi kép một ngày đã là hơn 30%. Đây không phải lý thuyết suông: CEO của Shopify từng công khai kết quả trỏ auto-research vào phần lõi hệ thống của họ và thu về tốc độ xử lý nhanh hơn 53%, một con số mà đội kỹ sư người thật có khi cày hàng quý mới ra. Ví dụ gần tay hơn: tụi em cho nó tối ưu tốc độ tải một website theo thang điểm Lighthouse của Google (thước đo tốc độ web chuẩn ngành), thả chạy nền, website nhanh lên cỡ 20% mà không ai phải ngồi canh.

Muốn áp cho việc của anh chị, chỉ cần đề bài đạt đủ ba điều kiện:

1. Một thước đo khách quan. Điểm Lighthouse, tỷ lệ mở email, tỷ lệ khách để lại số điện thoại trên trang. Thứ đo được bằng máy, không cãi nhau được.
2. Một cần gạt tác động trực tiếp. Sửa code trang web, đổi tiêu đề email, đổi thứ tự khối nội dung. Máy phải tự tay gạt được.
3. Một cách chấm nhanh. Càng chấm nhanh vòng lặp càng dày. Chấm trong 30 giây thì nghìn vòng một ngày; phải chờ số liệu một tuần thì lãi kép teo lại (vẫn đáng làm, chỉ chậm hơn).

Việc kinh doanh nào khớp cả ba? Tối ưu tốc độ và tỷ lệ chuyển đổi của website. Tiêu đề và nội dung email hàng loạt (đo tỷ lệ mở, tỷ lệ trả lời theo từng đợt gửi). Nội dung quảng cáo. Kịch bản trả lời của chatbot chăm khách. Còn một lưu ý ranh giới quen thuộc của loạt bài này: thả máy tự sửa thì khoanh vùng cho kỹ (như tụi em luôn kèm điều kiện “không được đổi giao diện nhìn thấy, chụp màn hình so từng điểm ảnh”), và hệ thống đang gánh khách thật, tiền thật thì mọi thay đổi vẫn phải qua người duyệt trước khi lên sóng.

Phần này cũng cho anh chị cái khung nhìn toàn cảnh đáng giá: ba nấc tiến hoá của việc dùng AI. Nấc một, vibe coding: người ra lệnh từng việc, máy làm, người duyệt. Nấc hai, điều binh agent: người làm đạo diễn, nhiều máy chạy song song. Nấc ba, nghiên cứu tự động: người chỉ đặt mục tiêu và thước đo, máy tự đi. Vai của anh chị trượt dần từ thợ sang đạo diễn sang viện trưởng viện nghiên cứu. Ai nắm nấc ba sớm, người đó có cỗ máy cải tiến chạy không nghỉ.

Tự tay làm: chọn một thước đo trong công ty khớp đủ ba điều kiện, tải bộ khung auto-research từ GitHub của Karpathy về một dự án thử, mô tả cần gạt + vùng cấm + cách chấm, thả chạy một buổi tối và đọc cuốn sổ thí nghiệm sáng hôm sau.

Phần 6: Ba nấc tự động hoá internet: HTTP, điều khiển trình duyệt, điều khiển máy tính

Phần lớn việc vận hành của một công ty nằm trên internet: tra cứu, điền form, đặt lịch, gom dữ liệu, đăng bài. Claude Code tự động hoá được gần hết, nhưng có ba nấc với ba mức giá, chọn đúng nấc là tiết kiệm cả chục lần.

Nấc 1: HTTP request, rẻ và nhanh nhưng giòn. Mỗi lần trình duyệt mở một trang là nó gửi một “yêu cầu HTTP” tới máy chủ và nhận chữ về. Claude Code gửi thẳng được các yêu cầu này không cần trình duyệt: đọc nội dung một trang, lấy dữ liệu từ dịch vụ có cổng API, thậm chí đặt lịch hẹn nếu dịch vụ đó có API chuẩn. Ưu điểm: chạy trong tích tắc, gần như miễn phí, xếp hàng loạt trăm việc cũng nổi. Nhược điểm: giòn. Mỗi dịch vụ một định dạng riêng, mò cho đúng khá mất công, đổi phiên bản là gãy, và nhiều trang chủ động chặn.

Nấc 2: điều khiển trình duyệt, món chủ lực. Chrome DevTools MCP (đã học ở khoá cơ bản) cho máy mở Chrome thật: tự điền form nhiều bước, tự chọn ngày giờ đặt lịch, tự lượn trang tìm nhà đất chỉnh bộ lọc gom danh sách. Tổng quát hơn hẳn nấc 1: việc gì người làm được qua trình duyệt, máy làm được. Giá phải trả: chậm hơn nhiều (mỗi thao tác vài giây) và tốn token hơn. Với các nền tảng chống tự động hoá gắt (mạng xã hội là chúa), có dịch vụ thương mại chuyên “đóng vai người thật” để không bị chặn; biết là có, còn dùng hay không thì đọc đoạn cảnh báo cuối phần.

Nấc 3: điều khiển máy tính (computer use). Máy cầm luôn chuột và bàn phím của anh chị: mở Finder, lục thư mục, đổi tên file, thao tác trên bất kỳ phần mềm nào đang cài. Tổng quát tuyệt đối, cái gì người làm được trên máy thì nó làm được. Đổi lại chậm nhất và đốt token dữ nhất, vì nó phải chụp màn hình liên tục để “nhìn” mà lần từng bước. Hiện chạy qua ứng dụng Claude desktop. Để dành cho việc không còn đường nào khác.

Chiến thuật phối ba nấc, đúc từ cách tụi em dựng hệ thống thật: thử nghiệm bằng nấc 2, vận hành bằng nấc 1. Dùng trình duyệt tự động để chứng minh luồng việc chạy được đã (nhanh, dễ, nhìn thấy tận mắt); chạy ổn rồi mới bảo máy: “luồng này vừa chạy ngon qua trình duyệt rồi, giờ soi các yêu cầu mạng bên dưới, viết bản gọi thẳng HTTP để chạy hàng loạt cho rẻ.” Đây đúng nhịp “thử bằng đồ tiện, chốt bằng đồ bền” mà anh chị đã gặp ở bài MCP-với-skill khoá trước, lặp lại vì nó là khuôn tư duy dùng cả đời.

Và đoạn nói thẳng cho sòng phẳng: tự động hoá kiểu này vi phạm điều khoản sử dụng của không ít nền tảng, nhất là mạng xã hội; gọi HTTP dồn dập còn có thể bị khoá tài khoản. Tụi em kể để anh chị biết mặt bằng công nghệ và tự cân nhắc rủi ro trên tài sản của mình, không phải để xúi. Nguyên tắc của MONA khi làm cho khách: ưu tiên cổng chính thức (API chính chủ), thứ gì đi cửa sau thì nói rõ rủi ro trước khi làm.

Tự tay làm: (1) sai máy đọc và tóm nội dung 3 trang web bằng HTTP thuần; (2) giao một việc điền form nhiều bước qua Chrome DevTools MCP; (3) với luồng ở bước 2, hỏi máy “chuyển được sang gọi HTTP thuần không, lợi hại thế nào” và đọc câu trả lời của nó như một bài học miễn phí.

Phần 7: Đừng bỏ hết trứng vào một giỏ: phòng khi Claude “hắt hơi”, và cách tổ chức workspace

Nói thật lòng: Claude Code hiện là công cụ tốt bậc nhất của thể loại này, và chính sự tốt đó tạo ra rủi ro mà nông nghiệp gọi là độc canh. Trồng độc một giống lúa năng suất cao thì trúng lớn… tới mùa dịch bệnh của đúng giống đó. Chuyện đã xảy ra không chỉ một lần: dịch vụ AI lớn sập vài tiếng, và năng suất của cơ số công ty phụ thuộc nó rơi thẳng đứng, việc gấp không chạy được, quy trình khựng giữa chừng. Từng có giai đoạn model bị lỗi ngầm khiến chất lượng giảm dần trong nhiều ngày liền trước khi được vá. Công ty càng gắn vận hành vào AI, câu hỏi “sập thì sao” càng là câu hỏi quản trị nghiêm túc, y như câu “mất điện thì sao” của nhà xưởng.

Lời giải là đa dạng hoá có chủ đích, tụi em khuyên tỉ lệ thực dụng: khoảng 7 phần Claude, 3 phần dự phòng. Cụ thể ba việc, xếp từ dễ tới kỹ:

1. Giữ sẵn một lối thoát đã mở. Cài sẵn và biết dùng một công cụ tương đương (Codex của OpenAI là ứng viên phổ biến, hoặc agent trong Antigravity). Không cần xài hằng ngày; cần đã từng chạy thử, để hôm hữu sự không phải vừa học vừa chữa cháy.
2. Làm workspace “song ngữ”. Toàn bộ tài sản anh chị tích luỹ (bộ luật, skill, sổ thất bại) đang viết theo định dạng của Claude. Thêm một dòng vào CLAUDE.md: “mỗi lần cập nhật CLAUDE.md, đồng bộ nội dung sang file agents.md” (định dạng chung mà các công cụ khác đọc được). Một dòng dặn, và tài sản của anh chị không còn bị khoá vào một nhà cung cấp.
3. Bắc cầu giữa các model. Có MCP cho phép Claude Code gọi sang Codex ngay trong phiên; có công cụ như Conductor cho chạy nhiều loại agent cạnh nhau trong một giao diện. Mức này dành cho anh chị nào đã vận hành nặng.

Nửa sau của phần này là chuyện nghe nhỏ mà quyết định độ bền: tổ chức workspace. Khuôn tụi em đúc lại sau thời gian dài dùng thật:

• Tách workspace theo đời sống: một thư mục lớn cho việc công ty, một cho việc cá nhân (giấy tờ, sức khoẻ, dự án riêng). Mỗi cái có CLAUDE.md, skill, sổ riêng. Mẹo nhỏ mà hiệu quả: chỉnh màu cửa sổ khác nhau cho hai workspace, liếc phát biết mình đang “đội mũ” nào.
• Trong workspace công ty, mỗi khách hàng một thư mục con với bộ đồ riêng: khoá API của khách, skill riêng cho dự án của khách, và một CLAUDE.md mô tả khách (họ là ai, hệ thống họ có gì, ai là đầu mối). Đây chính là cách tụi em quản dự án khách ở MONA: máy mở thư mục khách nào là “thuộc hồ sơ” khách đó, không lẫn chuyện nhà này sang nhà kia.
• Cấm vứt rác ra thư mục gốc. Mọi file sinh ra trong lúc làm việc dồn về một thư mục active/, file tạm chui vào thư mục tạm ẩn. Trong mỗi skill ghi rõ kết quả xuất ra đâu, đặt tên kiểu gì. Và định kỳ chạy một lệnh dọn: “rà thư mục active, thứ gì là file tạm thì bỏ, thứ đáng giữ thì xếp vào thư mục hợp lý.” Workspace sạch thì máy làm việc sạch, đó là quan hệ nhân quả tụi em thấy lặp lại đủ nhiều để gọi là luật.

Tự tay làm: (1) thêm dòng đồng bộ agents.md vào CLAUDE.md; (2) cài và chạy thử một công cụ dự phòng đúng một việc nhỏ; (3) tách workspace cá nhân khỏi công việc, đổi màu cửa sổ; (4) chạy lệnh dọn thư mục active đầu tiên.

Phần 8: Bảo mật 80/20 và một cái nhìn thẳng về tương lai

Nói chuyện bảo mật thường có hai phe: phe “cứ quất tới, đưa máy cả mật khẩu két” và phe “cái gì cũng cấm”. Cả hai đều dở. Sự thật nằm giữa: mọi thứ đều hack được, câu hỏi chỉ là tốn bao nhiêu công; việc của mình là làm 20% việc chặn được 80% rủi ro, để kẻ dòm ngó thấy nhà mình có rào có camera mà chuyển sang nhà khác. Năm việc thấp treo, việc nào cũng làm trong vài phút:

1. Mọi khoá API vào file .env, tuyệt đối không dán vào khung chat. Lý do ít ai biết: toàn bộ hội thoại Claude Code được lưu dạng chữ thường trong thư mục ẩn ~/.claude trên máy. Dán khoá vào chat một lần là nó nằm trong log vĩnh viễn, ai (hoặc phần mềm độc nào) đọc được thư mục đó là hốt trọn. Để trong .env rồi trỏ máy tới thì log chỉ ghi “khoá nằm trong .env“, sạch sẽ. Nhớ kèm: .env phải nằm trong danh sách không đẩy lên GitHub.
2. Soi gói phần mềm lạ trước khi cài. AI thỉnh thoảng “nhớ nhầm” tên thư viện, thêm bớt một chữ cái; kẻ xấu biết vậy nên đăng sẵn các gói tên gần giống có cài mã độc chuyên lục .env và log hội thoại gửi đi. Thói quen rẻ tiền: trước khi chạy dự án mới, dặn máy “rà danh sách gói, gói nào lạ, ít người dùng, tên na ná gói nổi tiếng thì khai ra.”
3. Bật row-level security cho cơ sở dữ liệu. Anh chị nào dựng app có đăng nhập theo kiểu khoá trước: dịch vụ database phổ biến không bật sẵn tính năng “mỗi người chỉ đọc được hàng của mình”. Quên bật là một người dùng bất kỳ đọc, sửa, xoá được dữ liệu của mọi người dùng. Đã có nền tảng đình đám bị lộ sạch dữ liệu vì đúng một nút này. Bật mất hai giây.
4. Không bao giờ chạm số thẻ. Hệ thống của anh chị không lưu, không đọc, không đi qua số thẻ tín dụng của khách. Giao trọn cho cổng thanh toán chuyên nghiệp (Stripe và các cổng đạt chuẩn PCI), họ nuôi cả đội chỉ để làm mỗi việc đó. Mình chạm vào là ôm rủi ro pháp lý không đáng một xu nào.
5. Đưa đồ public qua một vòng audit bằng phiên sạch. Bất kỳ thứ gì mở ra internet: chạy một lượt kiểm tra bảo mật bằng prompt audit trong một phiên mới toanh, không dính bối cảnh lúc xây (nguyên tắc “mắt sạch” của kiểm thử, áp vào bảo mật). Máy sẽ tự quét các vết lộ khoá, gói lạ, cấu hình hớ hênh và trả danh sách việc phải vá. Còn chuyện máy chủ public bị bot quét cổng ngày đêm, xin nói với tư cách bên vận hành hạ tầng cho hàng nghìn website: đó không phải chuyện “nếu” mà là chuyện “liên tục”, nên phần cứng hoá máy chủ (tường lửa, khoá cổng, sao lưu) hãy để người có nghề dựng, đúng ranh giới mà loạt bài này nhắc từ đầu.

Khép khoá bằng ba nhận định về đường dài, đúc từ vị trí tụi em đứng giữa công nghệ và doanh nghiệp Việt mỗi ngày:

Một, phần con người trong vòng lặp sẽ mỏng dần, nhưng không biến mất. Từ vibe coding sang điều binh agent sang nghiên cứu tự động, vai của người trượt dần lên tầng đặt mục tiêu và chịu trách nhiệm. Một người điều trăm việc thay vì trăm người làm trăm việc. Kỹ năng đáng luyện nhất từ hôm nay không phải gõ lệnh, mà là ra đề, đặt thước đo, và duyệt.

Hai, phần mềm thôi là con hào; phân phối và niềm tin mới là con hào. Khi ai cũng dựng được sản phẩm trong một buổi chiều, giá trị chuyển về nơi máy không sao chép được: tập khách quen thuộc, uy tín tích luỹ, quan hệ, giấy phép, sự tuân thủ. Tin vui cho anh chị: đó toàn là thứ doanh nghiệp truyền thống đang có sẵn. AI không xoá lợi thế của anh chị; nó xoá lợi thế của người chỉ có mỗi phần mềm.

Ba, tốc độ thay đổi chỉ tăng, không giảm. Công cụ anh chị vừa học cả khoá này sẽ tiếp tục đổi từng tháng. Nhưng để ý mà xem: những thứ tụi em dạy đều là nguyên lý (bộ luật tự lớn, chia việc cho nhiều não, đo rồi mới tin, tách môi trường, 80/20 bảo mật), và nguyên lý thì sống lâu hơn nút bấm. Người nắm nguyên lý ở thời điểm này đang thuộc một nhóm rất nhỏ nắm lợi thế rất lớn; khoảng cách năng suất giữa người dùng thạo và người đứng ngoài sẽ chỉ ngày một doãng ra.

Anh chị học tới đây là đã đi trước phần rất lớn thị trường. Bước tiếp theo có hai đường, chọn theo vị trí của anh chị: tự tay áp các bài “tự tay làm” của từng phần vào công ty mình, từng tuần một món; hoặc khi đụng tới hệ thống gánh vận hành thật, dữ liệu khách thật, gọi cho tụi em qua 1900 636 648, đội kỹ thuật MONA đồng hành từ đánh giá ý tưởng tới dựng hệ thống có người đứng tên chịu trách nhiệm. Khoá tiếp theo của loạt: làm app điện thoại bằng Claude Code, đi từ ý tưởng tới app chạy trên máy thật.