Ngừng phát triển AI Agent để chuyển sang xây dựng Skill: Thực tế hay chỉ là phát ngôn thu hút tương tác?

Tác giả: Nokka (Nok-Ka) | Ngày 31/10/2026 Đoạn video TikTok của chuyên gia Keng Phuwanai (@ajkengmaster) đăng ngày 31/10/2026 vào lúc 19 giờ 03 phút, có thời lượng 5 phút 17 giây, đã được chia sẻ trong các hội nhóm thảo luận chuyên môn [1]. Mở đầu video là thông điệp: "Hãy dừng việc tạo mới AI Agent, thay vào đó hãy xây dựng thành tố này", sau đó trình bày quy trình 5 bước được cho là đúc kết từ nhóm phát triển Claude. Đối chiếu với nguồn dữ liệu gốc, nội dung này bắt nguồn từ bài thuyết trình tại diễn đàn AI Engineer mang tên "Don't Build Agents, Build Skills Instead" của hai chuyên gia Barry Zhang và Mahesh Murag thuộc Anthropic nhằm diễn giải hệ sinh thái Agent Skills [2]. Khái quát sơ bộ: Luận điểm cốt lõi của bài thuyết trình là xác thực và có các công trình nghiên cứu khoa học chứng minh. Tuy nhiên, có ba khía cạnh chưa được video đề cập: một số tác vụ khi tích hợp thêm kỹ năng (skill) lại cho kết quả suy giảm; kỹ năng do mô hình tự thiết lập không mang lại giá trị thực tế; và các rủi ro an toàn thông tin trên diện rộng hơn so với nội dung được truyền tải. Nhóm phát triển Claude thực tế đã phát biểu những gì Nội dung cốt lõi của bài thuyết trình Bài thuyết trình có thời lượng 16 phút 22 giây, được công bố trên diễn đàn AI Engineer [2], tập trung vào các nội dung trọng tâm sau: Các AI Agent hiện nay đều vận hành trên cùng một nền tảng, chỉ khác biệt về nhiệm vụ được phân công. Do đó, việc xây dựng tác nhân (agent) mới riêng biệt cho từng lĩnh vực chuyên môn là sự đầu tư nguồn lực trùng lặp. Vấn đề cốt lõi không nằm ở năng lực trí tuệ, mà là tri thức chuyên biệt cho từng tác vụ. Skill (kỹ năng) là một thư mục lưu trữ phương thức xử lý công việc, bao gồm các chỉ dẫn theo từng bước, kịch bản (script) tái sử dụng và các tệp đính kèm; trong đó SKILL.md là tệp chính quy định các nội dung cần thực hiện [3]. Cơ chế then chốt được nhóm nghiên cứu nhấn mạnh là "progressive disclosure" (tiết lộ tăng dần), nghĩa là mô hình ban đầu chỉ tiếp cận tên gọi cùng phần mô tả ngắn gọn, sau đó mới truy xuất thông tin chi tiết khi phát sinh nhu cầu thực tế [2]. Phép so sánh được video nêu phù hợp với bài thuyết trình: Model tương đương CPU, Agent tương đương hệ điều hành, còn Skill tương đương ứng dụng [2]. Lý do tiêu đề "Dừng tạo Agent" gây hiểu lầm Bản thân video đã phân tích đúng khi nêu rõ rằng thông điệp không phải là ngừng sử dụng tác nhân, mà là ngừng tạo mới mỗi khi phát sinh công việc mới. Tuy nhiên, tiêu đề "Dừng tạo AI Agent" mang sắc thái quá mức so với nội hàm, bởi giải pháp mà bài thuyết trình đề xuất là một tác nhân đơn lẻ có thể tích hợp hàng trăm Skill, chứ không phải là loại bỏ tác nhân. Điểm phân định này có ý nghĩa quan trọng, bởi cách giật tiêu đề dễ khiến người tiếp nhận hiểu sai rằng hoàn toàn không cần đến tác nhân. Trên thực tế, tác nhân vẫn là thành phần vận hành, vẫn đòi hỏi công cụ và ngữ cảnh đi kèm. Kiểm chứng từng bước trong quy trình 5 bước của video Bước thứ nhất: Chọn tác vụ được yêu cầu lặp lại nhiều nhất. Video khuyến nghị nên lấy công việc thường xuyên phải diễn giải lại làm Skill đầu tiên. Điểm này hoàn toàn nhất quán với nguyên tắc trong bài thuyết trình: Skill lưu trữ phương pháp thực hiện chứ không lưu trữ dữ liệu đơn thuần [3]. Bước thứ hai: Thực hiện hoàn chỉnh một quy trình rồi yêu cầu lưu thành Skill. Video hướng dẫn hoàn tất công việc trước, sau đó đưa ra câu lệnh "Lưu phương thức làm việc này thành Skill". Trên thực tế, Claude Code có tiện ích mang tên skill-creator hỗ trợ thiết lập cấu trúc thư mục và soạn thảo bản nháp SKILL.md [3]. Dù vậy, kết quả đầu ra vẫn đòi hỏi sự rà soát của con người, do nghiên cứu khoa học đã cảnh báo rằng các kỹ năng do AI hoàn toàn tự tạo không đem lại hiệu quả thực chất [4]. Bước thứ ba: Mô tả rõ ràng thời điểm áp dụng. Video nhận định đây là yếu tố then chốt thường bị bỏ qua, và điều này hoàn toàn trùng khớp với cơ chế "progressive disclosure" trong bài thuyết trình [2]. Nếu phần mô tả quá chung chung, mô hình sẽ không kích hoạt kỹ năng tương ứng hoặc áp dụng sai trường hợp. Bước thứ tư: Lưu các tác vụ đòi hỏi tính chính xác tuyệt đối thành kịch bản mã nguồn (script). Video cho biết đội ngũ Anthropic nhận thấy Claude thường xuyên viết lại các đoạn mã lặp từ các trang trình bày, do đó đã yêu cầu lưu trữ các đoạn mã này vào kỹ năng [2]. Nguyên tắc được video đúc kết là: "Phần việc đòi hỏi tư duy giao cho AI, phần việc đòi hỏi chính xác giao cho script". Đây là khuyến nghị có giá trị thực tiễn ngay cả bên ngoài lĩnh vực AI. Bước thứ năm: Mỗi khi phát sinh lỗi, cần chỉ rõ và yêu cầu chỉnh sửa Skill. Video đánh giá đây là bước có tính chất quyết định. Nội dung này tương thích cao nhất với các nghiên cứu khoa học, bởi kết quả thử nghiệm cho thấy các kỹ năng có sự chọn lọc, hiệu đính của con người mang lại hiệu quả tích cực rõ rệt, trong khi kỹ năng do mô hình tự soạn thảo hoàn toàn không tạo ra chuyển biến [4]. Bằng chứng có giá trị thực chứng cao nhất Số liệu từ thực nghiệm Nghiên cứu SkillsBench công bố trên arXiv ngày 13/2/2026 đã tiến hành thử nghiệm trên 86 tác vụ thuộc 11 lĩnh vực, thu thập dữ liệu từ 7.308 quy trình vận hành [4]. Các kết quả đáng lưu ý: Kỹ năng do con người hiệu đính giúp tỷ lệ hoàn thành tăng trung bình +16,2 điểm phần trăm. Lĩnh vực kỹ thuật phần mềm tăng +4,5 điểm. Lĩnh vực y tế tăng +51,9 điểm. Có 16 trên tổng số 84 tác vụ ghi nhận kết quả suy giảm. Kỹ năng do mô hình tự tạo nhìn chung không mang lại hiệu quả cải thiện. Số liệu này được trích xuất từ phiên bản v3 của công trình nghiên cứu. Khi truy cập liên kết ở thời điểm hiện tại, tài liệu hiển thị là phiên bản v4 công bố ngày 14/6/2026, trong đó toàn bộ dữ liệu được đánh giá lại trên 87 tác vụ thuộc 8 lĩnh vực và ghi nhận mức tăng 16,6 điểm. Do đó, sự chênh lệch so với số liệu được trích dẫn xuất phát từ việc khác biệt phiên bản, không phải do sai sót số liệu. Vì vậy, tài liệu tham khảo (REF) được gắn trực tiếp vào phiên bản v3 nhằm bảo đảm tính chuẩn xác với số liệu trích dẫn. Tập số liệu này đã thay đổi góc nhìn về vấn đề khi phản ánh đồng thời hai nội dung: Thứ nhất, kỹ năng (skill) mang lại hiệu quả thực tế nhưng mức độ tác động không đồng đều giữa các tác vụ. Nhóm tác vụ kỹ thuật phần mềm chỉ tăng 4,5 điểm, trong khi nhóm tác vụ y tế tăng tới 51,9 điểm. Báo cáo nghiên cứu chưa lý giải nguyên nhân dẫn đến mức chênh lệch lớn này. Có thể nhận định sơ bộ rằng mô hình vốn đã xử lý tốt các tác vụ phần mềm, trong khi lĩnh vực y tế đòi hỏi tri thức chuyên sâu không sẵn có trong trọng số của mô hình. Tuy nhiên, đây chỉ là giả thuyết, không phải kết luận chính thức của công trình nghiên cứu. Thứ hai, có tới 16 tác vụ ghi nhận kết quả suy giảm sau khi tích hợp kỹ năng. Đây là chi tiết chưa được đề cập trong video và là minh chứng cho thấy quy trình kiểm duyệt kỹ năng có sự tham gia của con người giữ vai trò quan trọng hơn số lượng kỹ năng sẵn có. Nghiên cứu cũng chỉ ra rằng các kỹ năng tập trung vào 2 đến 3 mô-đun mang lại hiệu quả vượt trội so với tài liệu dài bao quát toàn bộ nội dung; đồng thời mô hình quy mô nhỏ được trang bị kỹ năng có thể đạt hiệu năng tương đương mô hình quy mô lớn không có kỹ năng [4]. Cảnh báo về an toàn thông tin được nêu trong video là chính xác. Theo nội dung video, một doanh nghiệp an ninh mạng đã quét gần 4.000 kỹ năng trong kho lưu trữ cộng đồng và phát hiện 76 trường hợp có mã độc hại. Số liệu này trùng khớp với báo cáo của Snyk đánh giá dữ liệu tính đến ngày 5/2/2026 và công bố trên arXiv ngày 27/5/2026 [5]. Cụ thể, kết quả kiểm tra 3.984 kỹ năng từ thị trường kỹ năng quy mô lớn cho thấy: Phát hiện 76 payload được xác nhận là độc hại, bao gồm hành vi đánh cắp thông tin xác thực, cài đặt cửa sau (backdoor) và trích xuất dữ liệu trái phép. 13,4% tổng số kỹ năng tồn tại ít nhất một lỗ hổng bảo mật ở mức nghiêm trọng. Vẫn còn ít nhất 8 kỹ năng độc hại tiếp tục cho phép tải về tại thời điểm báo cáo được công bố. Những dữ liệu trên chứng minh nhận định trong video: "Tải Skill của người khác về sử dụng đồng nghĩa với việc thực thi mã nguồn của người lạ" không mang tính phóng đại, mà hoàn toàn phù hợp với kết quả nghiên cứu. Một số điểm thông tin chính xác trong video: Ban đầu, thông tin trong video cho rằng Anthropic triển khai dịch vụ trong lĩnh vực tài chính và khoa học đời sống mà không phát triển agent mới, chỉ bổ sung MCP và Skill, từng gây nghi vấn. Tuy nhiên, qua đối chiếu hai thông cáo chính thức, nội dung trong video hoàn toàn chuẩn xác. Ngày 20/10/2025, Anthropic ra mắt Claude for Life Sciences, tập trung kết nối các công cụ khoa học thông qua MCP và phát triển các bộ kỹ năng phục vụ công tác nghiên cứu [8]. Ngày 27/10/2025, Anthropic mở rộng gói dịch vụ Claude for Financial Services với tiện ích bổ sung Excel (add-in), cổng kết nối (connector) dữ liệu thị trường theo thời gian thực và bộ Agent Skills hoàn chỉnh phục vụ xây dựng mô hình DCF cùng báo cáo phân tích cổ phiếu [7]. Cả hai đợt công bố đều không giới thiệu agent mới, mà bổ sung công cụ kết nối và bộ kỹ năng vào hệ sinh thái sản phẩm sẵn có của Claude, hoàn toàn khớp với nội dung phản ánh trong video. Bản chất của 10 mẫu thiết kế (template) xuất hiện trong năm 2026: Trên một trang thông tin khác, Anthropic đã giới thiệu 10 mẫu agent cho lĩnh vực tài chính [6]. Tuy nhiên, nội dung này được công bố vào ngày 5/5/2026, tức khoảng sáu tháng sau các sự kiện được đề cập trong video. Việc sử dụng trang tài liệu này để phản bác video sẽ dẫn đến sai lệch do không tương đồng về mốc thời gian đánh giá. Tài liệu này cho biết thêm, theo thời gian, Anthropic đã đóng gói lại các tác vụ thành dạng mẫu chuẩn tích hợp ba tầng gồm: skills, connectors và subagents.