NateCue NateCue.
AI & Agentic

AI Engineering Framework: Model, Context, Skill và Prompt - 4 trụ cột của AI thực chiến

Hiểu 4 thành phần cốt lõi tạo nên một hệ thống AI hoạt động thực sự: Model, Context, Skill và Prompt. Framework này giúp bạn thiết kế và vận hành AI đúng cách thay vì chỉ 'chat cho vui'.

AI Engineering Framework: Model, Context, Skill và Prompt

Hầu hết mọi người dùng AI theo cách này: mở chat, gõ câu hỏi, đọc kết quả. Nếu không ưng thì gõ lại.

Cách đó không sai - nhưng nó giống như lái xe mà không hiểu xe chạy bằng cái gì. Bạn có thể đi được, nhưng khi xe hỏng hoặc bạn cần đi nhanh hơn, bạn không biết phải làm gì.

AI Engineering Framework là cái nhìn bên trong: 4 thành phần cốt lõi quyết định một hệ thống AI có hoạt động hiệu quả hay không. Hiểu 4 thành phần này, bạn không còn “cầu may” với AI nữa - bạn thiết kế được kết quả mình muốn.

4 thành phần đó là: Model, Context, Skill, Prompt.

1. Model - “Bộ não” của hệ thống

Model là mô hình ngôn ngữ lớn (LLM) - tức là AI engine thực sự xử lý thông tin và sinh ra kết quả. Đây là lớp nền tảng, quyết định “mức trần” về năng lực của hệ thống.

Các model phổ biến hiện nay:

  • Claude (Anthropic) - Mạnh về lập luận logic, viết code, theo dõi instruction phức tạp. Ít hallucination hơn các đối thủ.
  • GPT-4o (OpenAI) - Linh hoạt, đa dụng, xử lý tốt văn bản + hình ảnh + giọng nói.
  • Gemini 2.5 Pro (Google) - Context window cực lớn (2M tokens), tích hợp sâu hệ sinh thái Google.
  • Llama 3 (Meta) - Open source, có thể tự host, phù hợp khi cần bảo mật dữ liệu nội bộ.

Lựa chọn model nào? Không có câu trả lời tuyệt đối - phụ thuộc vào use case. Viết code thì Claude hoặc GPT-4o. Phân tích tài liệu dài thì Gemini. Dữ liệu nhạy cảm cần tự host thì Llama.

Điểm quan trọng: Model tốt nhất cũng thất bại nếu 3 thành phần còn lại không được thiết kế đúng. Model chỉ là tiềm năng - nó cần Context, Skill và Prompt để tiềm năng đó trở thành kết quả thực tế.

2. Context - “Bộ nhớ và thông tin nền”

Model biết rất nhiều thứ từ quá trình training - nhưng nó không biết gì về bạn, dự án của bạn, hay những gì đang xảy ra ngay lúc này. Đây là khoảng trống mà Context lấp đầy.

Context là toàn bộ thông tin bạn cung cấp cho AI trong một phiên làm việc:

  • Background (Bối cảnh): Bạn là ai, dự án đang làm gì, mục tiêu là gì.
  • Data (Dữ liệu): File tài liệu, code hiện tại, lịch sử chat, kết quả trước đó.
  • Instructions (Chỉ dẫn): Quy tắc cần tuân thủ, phong cách output, những thứ cần tránh.

Mỗi model có Context Window - giới hạn tối đa lượng thông tin có thể xử lý trong một lượt. Vượt quá giới hạn này, AI bắt đầu “quên” và sinh ra kết quả mâu thuẫn.

3 cấp độ cung cấp Context:

Cấp 1 - Thủ công: Copy-paste thông tin vào chat. Nhanh nhưng không bền vững, dễ bị loãng khi chat dài.

Cấp 2 - RAG (Retrieval-Augmented Generation): Hệ thống tự động tìm đúng đoạn thông tin liên quan trong kho tài liệu lớn, rồi nhét vào prompt. Hiệu quả hơn về chi phí và độ chính xác. Xem thêm: RAG là gì.

Cấp 3 - IDE-Level / Agent Context: AI nhìn thấy toàn bộ file system, cấu trúc dự án, lỗi từ terminal, giao diện web đang build. Đây là cấp độ của Claude Code hay Cursor - nơi AI không chỉ đọc những gì bạn paste vào mà hiểu ngữ cảnh toàn diện của công việc.

Nguyên tắc vàng: Context chất lượng quan trọng hơn Context nhiều. Nhét 50 trang tài liệu không liên quan vào chat không giúp AI làm tốt hơn - thậm chí làm loãng sự tập trung của nó. Hãy cung cấp đúng thông tin cần thiết cho từng tác vụ.

3. Skill - “Quy trình làm việc đóng gói”

Nếu Model là bộ não và Context là thông tin, thì Skill là kỹ năng chuyên môn được lập trình sẵn.

Skill là các module hành vi được định nghĩa trước, kích hoạt bằng slash command (như /knowledge-natecue, /commit, /review-pr). Mỗi Skill là một file SKILL.md chứa:

  • Tên và mô tả (để agent biết khi nào dùng)
  • Quy trình bước-by-bước cần thực hiện
  • Format output và nơi lưu kết quả
  • Các ràng buộc (rules) agent phải tuân theo

Tại sao cần Skill?

Không có Skill, mỗi lần cần AI làm một việc cụ thể bạn phải viết lại prompt dài từ đầu, mô tả đủ ngữ cảnh, định dạng kỳ vọng, các quy tắc… Nhân với 10-20 lần mỗi ngày, đó là lãng phí khổng lồ.

Skill đóng gói tất cả những điều đó vào một lệnh ngắn. Hơn thế nữa, Skill đảm bảo kết quả nhất quán - agent luôn theo đúng quy trình dù bạn dùng vào buổi sáng hay 2 giờ sáng, dù đây là lần thứ nhất hay lần thứ 200.

Skill vs Prompt thông thường:

PromptSkill
Lưu trữCopy-paste mỗi lầnFile SKILL.md cố định
Kích hoạtPaste vào chat/lệnh hoặc tự động
Khả năngHướng dẫn cho 1 lầnĐọc file, gọi tool, nhiều bước
Tái sử dụngThủ côngTự động, nhất quán

Nếu Model là CPU thì Skill là phần mềm được cài lên - nó định hình CPU đó làm gì và làm như thế nào.

4. Prompt - “Ngôn ngữ giao tiếp”

Prompt là thứ bạn thực sự gõ vào lúc này - yêu cầu cụ thể cho một tác vụ cụ thể trong một thời điểm cụ thể.

Dù đã có Model tốt, Context đầy đủ, và Skill được thiết kế cẩn thận - Prompt vẫn là điểm tiếp xúc cuối cùng quyết định output chính xác như thế nào.

Cấu trúc Prompt hiệu quả (theo Prompt Engineering cơ bản):

  • Role (Vai trò): “Hãy đóng vai một Content Strategist…”
  • Context (Bối cảnh): Thông tin nền cần thiết cho tác vụ này (bổ sung những gì Context tổng thể chưa có)
  • Task (Nhiệm vụ): Mô tả rõ ràng cần làm gì
  • Output Format: Định dạng kết quả mong muốn (markdown, bảng, danh sách, code…)
  • Constraints (Ràng buộc): Những gì cần tránh, giới hạn độ dài, v.v.

Prompt tốt không phải là Prompt dài. Một Prompt 3 dòng rõ ràng, có đủ 4 yếu tố trên thường tốt hơn một Prompt 20 dòng lan man. Khi Context và Skill đã làm tốt công việc của mình, Prompt chỉ cần cung cấp phần thông tin còn thiếu cho tác vụ hiện tại.

Kết hợp 4 thành phần: Framework hoàn chỉnh

4 thành phần này không hoạt động độc lập - chúng bổ trợ cho nhau theo một logic rõ ràng:

Model  →  Khả năng xử lý nền tảng
Context →  Thông tin và ngữ cảnh để AI biết mình đang làm gì
Skill  →  Quy trình và hành vi được chuẩn hóa
Prompt →  Yêu cầu cụ thể cho từng tác vụ

Ví dụ thực tế: Khi tôi gõ /knowledge-natecue Viết bài về AI Engineering Framework:

  1. Model (Claude Sonnet) xử lý yêu cầu
  2. Context (toàn bộ vault Obsidian + các bài viết hiện có) cung cấp thông tin nền - biết bài nào đã có, biết format chuẩn, biết đối tượng đọc
  3. Skill (/knowledge-natecue) kích hoạt quy trình: nghiên cứu related notes, xác định slug, viết bài theo format SEO, lưu đúng thư mục, cập nhật liên kết
  4. Prompt (“Viết bài về AI Engineering Framework, gồm Model, Context, Skill, Prompt”) xác định chủ đề cụ thể

Thiếu bất kỳ thành phần nào, kết quả sẽ kém hơn đáng kể - hoặc tệ hơn, agent sẽ làm sai hoàn toàn.

Tại sao Framework này quan trọng với Marketer và Non-dev?

Bạn không cần là developer để áp dụng AI Engineering Framework. Thực ra, đây chính xác là tư duy mà Marketer in Tech cần có:

  • Model: Hiểu điểm mạnh/yếu của từng model để chọn đúng tool cho đúng job.
  • Context: Biết cách cấu trúc thông tin dự án để AI luôn có đủ ngữ cảnh làm việc.
  • Skill: Đóng gói các quy trình làm việc lặp đi lặp lại thành lệnh tái sử dụng.
  • Prompt: Giao tiếp chính xác với AI để ra đúng output, không phải thử-sai mãi mãi.

Người hiểu Framework này không “dùng AI” - họ thiết kế hệ thống AI phục vụ mục tiêu của mình. Đó là sự khác biệt giữa người dùng và người xây dựng trong kỷ nguyên AI.

Liên kết