1. Ý tưởng trung tâm

Agent không chỉ cần thông minh. Agent cần “tay nghề”. Và “Skills” là cách đóng gói tay nghề đó.

Hiện nay, nhiều người xây AI Agent theo hướng:

Mỗi vấn đề → tạo một agent riêng

Ví dụ:

Agent viết content Agent phân tích data Agent làm báo cáo Agent nghiên cứu thị trường Agent quản lý CRM Agent tạo proposal

Nhưng hướng gợi ý là:

Một agent tổng quát + nhiều Skills chuyên môn = agent biết làm việc theo tiêu chuẩn cụ thể

Nói đơn giản:

Agent = người làm việc Skills = bộ kỹ năng / playbook / quy trình / công cụ người đó dùng

2. Vấn đề của AI Agent hiện tại

2.1. Agent thông minh nhưng thiếu chuyên môn thực tế

Một ví dụ rất dễ hiểu: nếu bạn cần làm thuế, bạn sẽ chọn ai?

Các AI Agent hiện nay giống lựa chọn đầu tiên: rất thông minh, nhưng nếu không được hướng dẫn kỹ, chúng thường thiếu ngữ cảnh công việc, quy trình nội bộ, tiêu chuẩn đầu ra, và kinh nghiệm nghề nghiệp cụ thể.  

Diễn giải đơn giản

Một AI mạnh không tự nhiên biết:

• Công ty bạn viết proposal theo format nào.
• Brand voice của bạn là gì.
• Báo cáo marketing của bạn cần những chỉ số nào.
• File Excel của bạn nên được xử lý ra sao.
• Khi nào cần dùng template A, khi nào cần dùng template B.
• Output như thế nào mới được xem là “đạt chuẩn”.

Vì vậy, vấn đề không chỉ là:

AI có thông minh không?

Mà là:

AI có biết cách làm đúng công việc cụ thể của mình không?

3. Skills là gì?

Skills là các thư mục chứa tệp tin được tổ chức có hệ thống, dùng để đóng gói “procedural knowledge” — tức kiến thức quy trình. Một Skill có thể chứa hướng dẫn, prompt, script, template, tài liệu tham khảo và các file hỗ trợ khác.  

Tài liệu chính thức của Anthropic cũng mô tả Skills là các tài nguyên dựa trên filesystem, có thể tái sử dụng, giúp Claude có chuyên môn theo miền cụ thể như workflow, context và best practices; Skills được tải theo nhu cầu, thay vì phải nhồi toàn bộ hướng dẫn vào mỗi cuộc trò chuyện.  

Cấu trúc dễ hiểu

Một Skill có thể trông như sau:

marketing-report-skill/ ├── SKILL.md ├── templates/ │ ├── weekly-report.md │ └── campaign-report.md ├── scripts/ │ └── clean_ads_data.py ├── examples/ │ └── good-report-example.md └── references/ └── kpi-definition.md

Trong đó:

Diễn giải đơn giản

Skill giống như một sổ tay nghề nghiệp cho AI.

Nếu agent là một nhân sự mới, thì Skill là:

SOP + checklist + template + tài liệu training + ví dụ mẫu + tool hỗ trợ

4. Vì sao Skills khác với prompt thông thường?

Prompt thông thường thường là hướng dẫn một lần trong cuộc trò chuyện. Còn Skill là một gói kiến thức có thể tái sử dụng nhiều lần.

Ví dụ

Prompt:

Hãy viết báo cáo marketing tuần này theo phong cách chuyên nghiệp.

Skill:

Khi làm báo cáo marketing tuần: 1. Đọc dữ liệu ads, lead, revenue. 2. Chuẩn hóa các chỉ số CTR, CPC, CPL, CVR. 3. So sánh với tuần trước. 4. Tìm 3 insight chính. 5. Viết theo template weekly-report.md. 6. Nếu thiếu dữ liệu, ghi rõ phần thiếu. 7. Đưa ra action plan tuần tới.

Skill không chỉ bảo AI viết cái gì, mà dạy AI làm theo quy trình nào.

5. Vì sao Skills khác với Tools?

Tools thường là khả năng kết nối hoặc hành động: gọi API, đọc database, tìm kiếm, gửi email, tạo file, chạy code.

Skills là chuyên môn để biết khi nào dùng tool, dùng như thế nào, xử lý ra sao, output đạt chuẩn là gì.

Ví dụ dễ hiểu

Tool = cây dao Skill = kỹ năng nấu ăn

Có dao không có nghĩa là nấu ngon.
Có AI tool không có nghĩa là làm đúng việc.

6. Progressive Disclosure “tiết lộ dần dần”

Một ý quan trọng là progressive disclosure. Theo bài kỹ thuật của Anthropic, progressive disclosure là nguyên tắc thiết kế cốt lõi giúp Agent Skills linh hoạt và mở rộng được: thay vì tải mọi thứ vào context ngay từ đầu, agent chỉ xem thông tin tổng quan trước, rồi chỉ đọc chi tiết khi cần.  

Diễn giải đơn giản

Hãy tưởng tượng một cuốn sách hướng dẫn rất dày.

AI không cần đọc toàn bộ cuốn sách ngay từ đầu. Nó chỉ cần xem:

Mục lục → Chọn chương cần dùng → Đọc phần hướng dẫn chi tiết → Mở phụ lục / template / script khi thật sự cần

Đây chính là progressive disclosure.

Vì sao quan trọng?

Vì nếu nhét tất cả hướng dẫn vào prompt hoặc context:

Context bị phình to → Tốn token → AI dễ rối → Dễ bỏ sót chi tiết → Chi phí cao → Khó mở rộng

Còn với Skill:

AI thấy metadata / mô tả ngắn → Biết skill tồn tại → Khi cần mới mở file chi tiết → Context gọn hơn → Dễ quản lý hơn

7. Kiến trúc Agent thế hệ mới

Theo phần tổng hợp,, Anthropic mô tả kiến trúc AI đang hội tụ về mô hình gồm bốn lớp: Agent Loop, Runtime, MCP, và Skills Library.  

Sơ đồ đơn giản

Model / LLM ↓ Agent Loop ↓ Runtime / Code Execution ↓ MCP / Tools / Data Connectors ↓ Skills Library

Diễn giải từng lớp

Anthropic mô tả MCP là một chuẩn mở để kết nối an toàn, hai chiều giữa nguồn dữ liệu và công cụ AI. MCP giúp developer expose dữ liệu qua MCP server hoặc xây ứng dụng AI làm MCP client để kết nối với các server này.  

Cách hiểu dễ nhất

Model = bộ não Agent Loop = cách suy nghĩ và hành động Runtime = đôi tay làm việc trên máy MCP = dây cắm vào thế giới bên ngoài Skills = tay nghề / chuyên môn

8. Tầm nhìn: Skills là “ứng dụng” của kỷ nguyên AI

Một phép so sánh rất hay:

Theo cách nhìn này:

Model AI không phải sản phẩm cuối. Agent runtime cũng chưa phải sản phẩm cuối. Skills mới là nơi chuyên môn thật sự được đóng gói để giải quyết vấn đề cụ thể.

Thay vì tạo agent mới cho mỗi công việc, nên tập trung đóng gói chuyên môn thành các thư mục Skills để AI không chỉ thông minh hơn, mà có “tay nghề” theo tiêu chuẩn của tổ chức hoặc cộng đồng.  

Diễn giải đơn giản

Ngày xưa, máy tính mạnh lên không đủ.
Điều làm máy tính hữu dụng là phần mềm.

Ngày nay, model AI mạnh lên không đủ.
Điều làm AI hữu dụng là các Skill giải quyết công việc thật.

9. So sánh: Multi-Agent vs Skill-Based Agent

Kết luận thực tế

Không phải multi-agent là sai.
Nhưng với giai đoạn đầu của Marketing OS, hướng Agent + Skills có thể gọn, dễ kiểm soát và dễ productize hơn.

10. Nguyên lý thiết kế Skill tốt

Một Skill tốt nên có 7 đặc điểm:

10.1. Có mục đích rõ

Không đặt tên mơ hồ như:

marketing-skill

Nên cụ thể hơn:

weekly-marketing-report-skill campaign-postmortem-skill brand-voice-rewrite-skill

10.2. Có điều kiện kích hoạt

Trong SKILL.md, nên ghi rõ:

Use this skill when: - User asks for weekly marketing report - Input includes ads/social/lead/revenue data - Need compare current period vs previous period

10.3. Có quy trình từng bước

Ví dụ:

1. Identify input data sources. 2. Validate required fields. 3. Clean and normalize metrics. 4. Calculate key KPIs. 5. Compare with previous period. 6. Extract insights. 7. Write final report using template. 8. List missing data and confidence level.

10.4. Có template đầu ra

AI không nên tự nghĩ format mỗi lần.
Cần có file mẫu để output nhất quán.

10.5. Có ví dụ tốt

Ví dụ tốt giúp AI hiểu tiêu chuẩn:

examples/good-weekly-report.md examples/bad-weekly-report.md

10.6. Có script cho phần lặp lại

Các việc tính toán, validate schema, clean data nên để script làm.

scripts/normalize_ads_data.py scripts/calculate_kpi.py scripts/export_markdown.py

10.7. Có giới hạn và cảnh báo

Ví dụ:

Do not invent missing metrics. If data is incomplete, state missing fields clearly. Do not compare periods with different date ranges unless normalized.

11. Bài học chiến lược cho người xây AI Product

Bài học 1: Đừng chỉ xây chatbot, hãy xây capability

Chatbot chỉ là giao diện.
Giá trị thật nằm ở capability — khả năng làm việc.

Chat UI ≠ sản phẩm AI hoàn chỉnh Capability + Data + Workflow + Feedback Loop = sản phẩm AI có giá trị

Bài học 2: Prompt không đủ cho workflow dài hạn

Prompt tốt giúp xử lý một lần.
Skill tốt giúp xử lý lặp lại nhiều lần với cùng tiêu chuẩn.

Bài học 3: Data và Skill phải đi chung

Skill không có data thì chỉ là quy trình rỗng.
Data không có Skill thì agent không biết dùng để làm gì.:

PostgreSQL = trí nhớ có cấu trúc Skills = tay nghề xử lý trí nhớ đó Agent = người vận hành

Bài học 4: Productization cần đóng gói chuyên môn

Nếu sau này muốn app cài được trên máy khác, thì Skills là một cách đóng gói rất tốt:

Core app + Skill packs + User data + Database + Scheduler + AI provider

12. Câu hỏi Socrates để hiểu sâu

1. Một AI Agent “thông minh” khác gì với một AI Agent “có tay nghề”?
2. Trong công việc Marketing, phần nào là kiến thức chung, phần nào là chuyên môn riêng của công ty?
3. Nếu phải đóng gói kinh nghiệm của bạn thành một Skill, bạn sẽ đóng gói skill nào trước?
4. Việc nào trong Marketing OS nên là Skill, việc nào nên là Tool?
5. Nếu một Skill làm sai, làm sao phát hiện và cải thiện nó?
6. Có cần nhiều agent không, hay chỉ cần một agent dùng đúng skill đúng lúc?
7. Skills có thể thay thế SOP truyền thống không, hay chỉ là SOP dành cho AI?
8. Nếu mỗi brand có Brand Core riêng, Skill nên cố định phần nào và linh hoạt phần nào?
9. Skills có thể tự cải thiện theo report và feedback không?
10. Một Skill tốt nên chứa bao nhiêu context là vừa đủ?

13. Sơ đồ tư duy tổng hợp

AI Skills Learning Map 1. Vấn đề → Agent thông minh nhưng thiếu chuyên môn → Prompt dài, khó tái sử dụng → Tool nhiều nhưng thiếu quy trình dùng đúng 2. Skills là gì? → Thư mục chứa hướng dẫn, script, template, tài liệu → Đóng gói procedural knowledge → Tải theo nhu cầu 3. Progressive Disclosure → Đọc metadata trước → Khi cần mới đọc chi tiết → Tiết kiệm context và giảm rối 4. Kiến trúc mới → Model → Agent Loop → Runtime → MCP → Skills Library 5. Ứng dụng → Marketing OS → Reporting → Content → Ads → Planning → Data cleaning → CRM 6. Tầm nhìn → Model là processor → Runtime là OS → Skills là applications

14. Tóm tắt cuối cùng

1. Tương lai AI không chỉ là agent thông minh hơn, mà là agent có tay nghề hơn.
2. Skills là cách đóng gói chuyên môn, quy trình, template và công cụ cho AI.
3. Prompt phù hợp cho tác vụ ngắn; Skills phù hợp cho workflow lặp lại.
4. Tools cho AI khả năng hành động; Skills dạy AI hành động đúng cách.
5. Progressive disclosure giúp AI chỉ đọc thông tin cần thiết vào đúng thời điểm.
6. Agent thế hệ mới cần model, agent loop, runtime, MCP và skills library.
7. Skills có thể xem như ứng dụng của kỷ nguyên AI.
8. Doanh nghiệp nên đóng gói SOP và chuyên môn nội bộ thành Skills.
9. Với Marketing OS, Agent + Skills có thể gọn hơn nhiều agent rời rạc.
10. Muốn AI làm việc tốt, đừng chỉ cho nó trí tuệ — hãy cho nó nghề.