Bỏ qua tới nội dung
Ông T.vn

12-factor-agents: xây agent LLM đáng tin — hướng dẫn cài đặt và dùng

15 phút đọcCập nhật

Bài này là một góc nhìn khác về humanlayer/12-factor-agents — repo từng đổi tên nên mình viết lại với cách tiếp cận khác. Bài hướng dẫn chính: 12-factor-agents: 12 nguyên tắc xây agent AI đủ tin cậy — hướng dẫn cài đặt và dùng →

12-factor-agents: xây agent LLM đáng tin — hướng dẫn cài đặt và dùng

Tóm tắt nhanh

12-factor-agents là một bộ hướng dẫn và nguyên tắc thiết kế phần mềm dùng LLM, tập trung vào prompt, context, tool, trạng thái và luồng điều khiển. Repo phù hợp cho đội ngũ muốn xây agent có chất lượng sản phẩm thay vì chỉ nối một model với danh sách công cụ. Cài đặt không khó vì chủ yếu là đọc tài liệu; README chưa cung cấp quy trình chạy ứng dụng hoàn chỉnh.

Repo này là một bộ nguyên tắc để xây phần mềm có LLM đủ đáng tin cậy khi đưa cho khách hàng thật. Tác giả gọi đây là “12-factor agents”, lấy cảm hứng từ cách tiếp cận 12 Factor Apps, nhưng tập trung vào agent và ứng dụng dùng mô hình ngôn ngữ lớn.

Repo phù hợp với dev TypeScript, kỹ sư phần mềm, founder kỹ thuật và đội sản phẩm đang muốn thêm AI vào sản phẩm hiện có. Giá trị lớn nhất không nằm ở một thư viện cài vào là chạy ngay, mà ở cách chia nhỏ những vấn đề khó: prompt, context window, tool call, trạng thái, lỗi, quyền can thiệp của con người và luồng điều khiển.

Hiện repo có khoảng 27144 sao và 2048 fork. Ngôn ngữ chính là TypeScript. Nội dung đã lâu chưa cập nhật, nên bạn nên xem đây là một bộ tư duy và mẫu thiết kế để tham khảo, không phải một framework hoàn chỉnh có lệnh khởi chạy được mô tả đầy đủ.

Framework

humanlayer/12-factor-agents

Bộ nguyên tắc giúp xây phần mềm dùng LLM đáng tin cậy, dễ kiểm soát và phù hợp môi trường sản phẩm.

★ 27kTypeScript
Xem repo trên GitHub

I.12-factor-agents làm được gì

A.Giúp biến ngôn ngữ tự nhiên thành thao tác có cấu trúc

Factor đầu tiên mô tả cách để LLM nhận yêu cầu bằng ngôn ngữ tự nhiên rồi chọn một thao tác có cấu trúc. Thay vì để model tự ý thực hiện mọi thứ, phần mềm có thể nhận một lệnh rõ ràng, kiểm tra dữ liệu rồi mới chạy.

Cách này hữu ích khi bạn xây trợ lý cho bán hàng, chăm sóc khách hàng hoặc vận hành nội bộ. Người dùng có thể nói “đổi trạng thái đơn hàng này thành đã giao”, còn hệ thống chỉ thực hiện khi lệnh có đúng dạng và đúng quyền.

B.Giữ quyền kiểm soát prompt

Repo khuyến nghị đội phát triển tự sở hữu prompt thay vì để toàn bộ hành vi bị che giấu trong framework. Bạn có thể đọc, chỉnh sửa, kiểm thử và theo dõi prompt như một phần của sản phẩm.

Điều này quan trọng khi chất lượng chưa đạt yêu cầu. Nếu agent trả lời sai, bạn cần biết lỗi đến từ prompt, dữ liệu đầu vào, tool hay logic điều phối. Prompt nằm trong quyền kiểm soát của đội giúp việc sửa lỗi minh bạch hơn.

C.Tự quản lý context window

Context window là phần thông tin model nhìn thấy ở mỗi lần xử lý. Repo dành riêng một factor cho việc tự quản lý phần này, thay vì cứ nối toàn bộ lịch sử hội thoại và kết quả tool vào nhau.

Trong thực tế, bạn có thể chọn thông tin nào cần giữ, thông tin nào cần tóm tắt và thông tin nào chỉ lấy khi cần. Cách này giảm chi phí, hạn chế nhiễu và giúp agent tập trung vào dữ liệu liên quan.

D.Xem tool như structured output

Tool call không nên được coi là phép màu riêng của framework. Về bản chất, model tạo ra một đầu ra có cấu trúc; code của bạn đọc đầu ra đó, kiểm tra rồi thực thi.

Góc nhìn này giúp dev dễ kiểm soát schema, xác thực tham số và xử lý lỗi. Nó cũng làm rõ ranh giới giữa phần LLM quyết định và phần code chịu trách nhiệm tạo thay đổi thật trong hệ thống.

E.Gộp execution state và business state

Agent có trạng thái chạy, còn sản phẩm có trạng thái nghiệp vụ. Repo đề xuất suy nghĩ về cách hai loại trạng thái này liên hệ với nhau thay vì quản lý chúng như hai thế giới tách biệt.

Ví dụ, một quy trình duyệt hoàn tiền không chỉ cần biết model đã gọi tool nào. Hệ thống còn phải biết yêu cầu hoàn tiền đang ở trạng thái nào, ai đã duyệt và bước tiếp theo được phép làm gì. Đây là nền tảng để khôi phục quy trình và kiểm tra lịch sử.

F.Cho phép launch, pause và resume

Agent có thể cần dừng để chờ dữ liệu, chờ một người duyệt hoặc chờ hệ thống bên ngoài. Repo nhấn mạnh các API đơn giản cho việc khởi chạy, tạm dừng và tiếp tục.

Tư duy này phù hợp với các tác vụ dài như xử lý hồ sơ, đối chiếu dữ liệu hoặc tạo báo cáo. Người dùng không phải giữ một phiên chạy liên tục chỉ để agent hoàn thành công việc.

G.Để agent liên hệ con người bằng tool call

Con người có thể được coi là một công cụ trong workflow. Agent gửi câu hỏi hoặc yêu cầu duyệt, hệ thống tạm dừng, sau đó nhận câu trả lời và tiếp tục.

Điều này phù hợp với hành động có rủi ro như gửi email hàng loạt, sửa dữ liệu khách hàng, duyệt chi phí hoặc xác nhận giao dịch. Agent vẫn tự động hóa phần lớn công việc nhưng không tự ý vượt qua điểm kiểm soát.

H.Tự sở hữu control flow

Một agent tốt không nhất thiết là vòng lặp “đưa prompt, đưa danh sách tool, chạy đến khi xong”. Repo cho rằng phần mềm nên sở hữu các quyết định quan trọng về luồng điều khiển.

Bạn có thể để LLM đề xuất bước tiếp theo, nhưng code vẫn quyết định bước đó có hợp lệ không, được thử lại mấy lần, khi nào cần dừng và khi nào phải chuyển cho người phụ trách.

I.Đưa lỗi trở lại context theo cách hữu ích

Khi tool lỗi, việc ném nguyên thông báo kỹ thuật vào model thường không đủ tốt. Factor 9 nói về việc thu gọn lỗi thành thông tin mà agent có thể hiểu và xử lý.

Ví dụ, thay vì đưa toàn bộ stack trace, hệ thống có thể nói thao tác thất bại vì thiếu mã khách hàng và yêu cầu agent bổ sung. Cách này giúp agent phục hồi có hướng dẫn hơn, đồng thời tránh làm context bị phình to.

J.Chia thành các agent nhỏ, tập trung

Repo khuyến nghị agent nhỏ và có phạm vi rõ. Một agent chuyên phân loại yêu cầu, một agent chuyên tra cứu và một agent chuyên tạo bản nháp thường dễ kiểm thử hơn một agent làm mọi thứ.

Phạm vi nhỏ cũng giúp bạn đo chất lượng rõ hơn. Khi có lỗi, bạn biết thành phần nào cần sửa thay vì phải tìm trong một workflow rất dài.

K.Kích hoạt từ nhiều nơi

Agent có thể được kích hoạt từ tin nhắn người dùng, cron, webhook hoặc một sự kiện trong hệ thống. Factor 11 khuyến khích thiết kế để agent được gọi từ nơi phù hợp với người dùng và quy trình.

Nhờ đó, cùng một năng lực có thể phục vụ nhiều kênh. Một workflow xử lý yêu cầu hỗ trợ có thể bắt đầu từ màn hình quản trị, email hoặc sự kiện phát sinh từ sản phẩm.

L.Thiết kế agent như stateless reducer

Factor cuối cùng mô tả agent như một hàm nhận trạng thái và sự kiện rồi tạo ra trạng thái mới. Cách này giúp việc kiểm thử, lưu lại lịch sử và chạy lại một workflow dễ hơn.

Repo cũng có một phần phụ về việc nạp trước context có thể cần dùng. Đây là gợi ý bổ sung, không nằm trong 12 factor chính.

II.Cần chuẩn bị gì

Bạn cần một máy có thể tải mã nguồn Git và một terminal. README không nêu hệ điều hành bắt buộc, nên tài liệu hiện có chưa xác nhận chính thức Windows, macOS hay Linux nào được hỗ trợ.

Ngôn ngữ chính của repo là TypeScript, nhưng README nói các ý tưởng này cũng có thể áp dụng bằng Python hoặc ngôn ngữ khác. README không nêu phiên bản Node.js, trình quản lý gói, phiên bản Python hay dịch vụ model cụ thể cần dùng.

README cũng không cung cấp API key, tên biến môi trường, tài khoản dịch vụ, phần cứng GPU hoặc cấu hình cơ sở dữ liệu bắt buộc. Bạn không nên tự đoán tên package hay biến môi trường từ mô tả repo.

Cấu trúc gốc có README.md, CLAUDE.md, Makefile, thư mục content/, drafts/, hack/, img/, packages/ và workshops/. Makefile là nơi nên xem tiếp nếu bạn muốn tìm các tác vụ tự động, nhưng phần nội dung được cung cấp chưa có lệnh cụ thể trong file này.

README không nêu API key, nhà cung cấp model, chi phí hay quyền truy cập cần thiết. Nếu bạn nối các nguyên tắc này vào sản phẩm thật, hãy giới hạn quyền của tool và yêu cầu con người duyệt các thao tác có thể gây hậu quả.

III.Cài đặt từng bước

  1. Tải mã nguồnLấy bản sao repo về máy bằng Git
  2. Mở thư mục dự ánĐứng đúng thư mục để đọc tài liệu và Makefile
  3. Đọc READMENắm mục tiêu, 12 factor và ví dụ vòng lặp agent
  4. Mở các factorChọn nội dung phù hợp với workflow bạn đang xây
  5. Kiểm tra MakefileTìm tác vụ tự động nếu repo có khai báo

A.Tải mã nguồn về máy

Mở PowerShell hoặc terminal. Chọn một thư mục mà bạn có quyền ghi, rồi chạy lệnh sau. Đây là lệnh Git phổ thông để lấy repo; README không đưa lệnh clone cụ thể nhưng đường dẫn repo đã được cung cấp trong tư liệu.

Terminal
git clone https://github.com/humanlayer/12-factor-agents.git

Lệnh này tạo một thư mục tên 12-factor-agents trong vị trí hiện tại. Nếu máy báo chưa nhận diện git, bạn cần cài Git trước hoặc mở terminal đã có Git trong PATH. README không hướng dẫn cài Git.

B.Đi vào thư mục repo

Sau khi clone xong, chuyển vào thư mục dự án:

Terminal
cd 12-factor-agents

Bạn nên chạy các lệnh đọc file từ đây. Một lỗi phổ biến là terminal đang ở thư mục khác, khiến lệnh mở file hoặc lệnh trong Makefile không tìm thấy tài nguyên.

C.Đọc tài liệu tổng quan

Mở README.md bằng trình soạn thảo bạn đang dùng. README liệt kê 12 factor, giải thích lịch sử từ phần mềm dạng DAG đến agent dạng vòng lặp, và đưa một đoạn Python mô tả cách agent chọn bước tiếp theo.

README chưa ghi một lệnh cài package, lệnh chạy demo hoặc lệnh khởi động ứng dụng. Vì vậy, không có cơ sở để thêm npm install, npm run dev, uv sync hay lệnh tương tự.

D.Đọc từng factor theo nhu cầu

Các tài liệu chi tiết nằm trong thư mục content/. Bạn có thể bắt đầu từ factor 3 nếu vấn đề của bạn là context engineering, hoặc đọc lần lượt từ factor 1 đến factor 12 nếu đang thiết kế một hệ thống mới.

README chưa cung cấp danh sách lệnh để dựng website tài liệu hay chạy workshop. Nếu muốn tìm cách tự động hóa được repo hỗ trợ, mở Makefile và đọc các target có sẵn trước khi chạy.

E.Kiểm tra phần mã và workshop

Sau khi đọc nguyên tắc, xem tiếp packages/ và workshops/ để xác định repo có ví dụ hoặc mã hỗ trợ phù hợp hay không. Tư liệu hiện có không đưa nội dung bên trong các thư mục này, nên chưa thể khẳng định chúng có demo chạy độc lập, dependency hay lệnh khởi động nào.

IV.Kiểm tra đã chạy được chưa

Repo này chủ yếu là tài liệu và bộ nguyên tắc, không phải một ứng dụng có màn hình “đã chạy”. Kiểm tra đầu tiên là thư mục 12-factor-agents xuất hiện sau lệnh clone và có các mục như README.md, content/, packages/ và workshops/.

Kiểm tra tiếp theo là mở README và thấy phần “The 12 Factors”, cùng đoạn vòng lặp minh họa bằng Python. Đoạn mã có dạng:

Python
initial_event = {"message": "..."}
context = [initial_event]
while True:
  next_step = await llm.determine_next_step(context)
  context.append(next_step)

  if (next_step.intent === "done"):
    return next_step.final_answer

  result = await execute_step(next_step)
  context.append(result)

Đây là mã minh họa ý tưởng, không phải chương trình hoàn chỉnh để bạn copy chạy ngay. Nó còn cần một đối tượng llm, hàm execute_step và môi trường async phù hợp. README không cung cấp cấu hình cụ thể cho các thành phần này.

Nếu mục tiêu của bạn là chạy một agent mẫu, hãy xem các file trong packages/ và workshops/, rồi đối chiếu với Makefile. Chỉ chạy các target và lệnh được ghi rõ trong repo; tư liệu hiện có chưa cho biết target nào.

V.Dùng vào việc thật

A.Chủ shop muốn xử lý yêu cầu đổi trả

Chủ shop có thể dùng các nguyên tắc để thiết kế agent nhận tin nhắn như “khách này muốn đổi màu sản phẩm”. Agent trước hết chuyển yêu cầu thành tool call có cấu trúc, chẳng hạn loại yêu cầu, mã đơn và hành động đề xuất.

Code kiểm tra đơn hàng và chính sách đổi trả. Nếu thiếu mã đơn, hệ thống đưa lỗi có ích trở lại context để agent hỏi thêm. Nếu yêu cầu liên quan đến hoàn tiền, agent tạm dừng và gọi bước yêu cầu chủ shop duyệt.

Kết quả là agent hỗ trợ xử lý nhanh nhưng không tự ý hoàn tiền hoặc sửa đơn khi dữ liệu chưa đủ.

B.Nhân viên văn phòng muốn tạo báo cáo định kỳ

Một workflow có thể được kích hoạt từ cron thay vì bắt đầu bằng tin nhắn. Agent nhỏ thứ nhất thu thập dữ liệu, agent thứ hai kiểm tra các điểm bất thường, còn code chính chịu trách nhiệm định dạng báo cáo.

Bạn nên giữ context ở mức cần thiết: số liệu kỳ này, các quy tắc báo cáo và lỗi mới nhất. Không cần đưa toàn bộ lịch sử mọi báo cáo vào mỗi lần gọi model.

Nếu nguồn dữ liệu tạm thời lỗi, hệ thống compact lỗi thành thông báo dễ hiểu, ghi trạng thái workflow và cho phép resume sau. Kết quả là báo cáo có thể tiếp tục mà không cần chạy lại toàn bộ quy trình.

C.Dev thêm tính năng AI vào sản phẩm hiện có

Thay vì đưa toàn bộ sản phẩm vào một framework agent, dev có thể lấy từng nguyên tắc nhỏ. Ví dụ, giữ prompt trong mã nguồn, định nghĩa schema tool rõ ràng, xác thực đầu ra và để control flow ở code.

Một yêu cầu “tìm khách hàng rồi tạo bản nháp email” có thể gồm các bước cố định: tìm kiếm, kiểm tra quyền, tạo bản nháp và chờ người dùng xác nhận. LLM đề xuất tham số hoặc nội dung, còn code quyết định bước nào được phép chạy.

Kết quả là đội có thể cải thiện một tính năng cụ thể mà không phải viết lại toàn bộ sản phẩm.

D.Đội hỗ trợ xây agent có thể kiểm thử

Đội hỗ trợ có thể dùng mô hình stateless reducer để lưu mỗi sự kiện và trạng thái mới. Khi một câu trả lời sai, dev xem lại chuỗi sự kiện, prompt, tool call và kết quả tool.

Agent phân loại yêu cầu nên là agent nhỏ, chỉ chịu trách nhiệm chọn nhóm hoặc chuyển tiếp. Agent khác mới đảm nhiệm việc tra cứu. Nếu một thành phần lỗi, phạm vi ảnh hưởng rõ hơn và việc chạy lại cũng dễ hơn.

Agent tốt không phải là một vòng lặp mơ hồ; đó là phần mềm có ranh giới, trạng thái và quyền kiểm soát rõ ràng.

Ông T

VI.Lỗi hay gặp và cách xử lý

A.Tìm lệnh cài đặt nhưng README không có

Đây không nhất thiết là lỗi máy của bạn. README hiện được cung cấp không ghi phiên bản runtime, package manager hoặc lệnh cài đặt.

Hãy mở Makefile, packages/ và workshops/ để tìm hướng dẫn cụ thể. Không tự thêm tên package, biến môi trường hay cờ lệnh khi chưa thấy chúng trong repo.

B.Cố chạy đoạn Python minh họa như chương trình hoàn chỉnh

Đoạn mã trong README dùng llm.determine_next_step và execute_step, nhưng không định nghĩa hai thành phần này. Ngoài ra, đoạn mã còn dùng cú pháp truy cập thuộc tính trong điều kiện theo phong cách minh họa, không phải một file Python hoàn chỉnh để chạy ngay.

Hãy xem nó như pseudocode mô tả vòng lặp agent. Muốn chạy thật, bạn cần tìm ví dụ hoàn chỉnh trong các thư mục khác của repo.

C.Context quá dài hoặc chứa quá nhiều dữ liệu

Đây là vấn đề trực tiếp mà factor 3 đề cập. Nếu bạn nối toàn bộ lịch sử hội thoại, tool result và lỗi vào mỗi lần gọi model, agent có thể bị nhiễu hoặc tốn chi phí hơn.

Hãy chọn lại thông tin cần giữ, tóm tắt phần cũ và chỉ nạp dữ liệu liên quan. README không cung cấp một thư viện hay cấu hình cụ thể để tự động làm việc này.

D.Agent tự ý thực hiện hành động rủi ro

Nếu tool có thể sửa dữ liệu, gửi email, hoàn tiền hoặc thay đổi trạng thái nghiệp vụ, không nên giao toàn bộ quyền cho model. Hãy xác thực tham số trong code và thêm bước pause để người có trách nhiệm duyệt.

Factor 7 và factor 8 là cơ sở để thiết kế điểm kiểm soát này. Quyền cụ thể cần tùy sản phẩm của bạn vì README không đưa một hệ thống phân quyền mẫu.

E.Không biết workflow đang dừng ở đâu

Nếu execution state và business state bị tách rời, bạn có thể biết model đã gọi tool nhưng không biết nghiệp vụ đã đi đến đâu. Hãy lưu sự kiện, trạng thái hiện tại và kết quả tool theo cách có thể kiểm tra lại.

Thiết kế stateless reducer và API launch/pause/resume giúp việc khôi phục rõ hơn. Tuy nhiên, repo không cung cấp một backend lưu trạng thái cụ thể.

VII.Có nên dùng không

Nên dùng nếu bạn đang thiết kế agent cho sản phẩm thật và muốn một khung tư duy có hệ thống. Repo đặc biệt hữu ích cho dev muốn hiểu vì sao một agent chỉ gồm prompt, tool và vòng lặp thường khó đạt chất lượng cao.

Điểm mạnh là tài liệu bao quát đúng các phần hay gây rắc rối: context, prompt, tool call, trạng thái, lỗi, control flow và human-in-the-loop. Các nguyên tắc cũng có thể áp dụng từng phần vào sản phẩm hiện có, không bắt buộc phải chuyển sang một framework mới.

Giới hạn là README không mô tả quy trình cài đặt hoàn chỉnh, không nêu phiên bản Node.js hay package, không cung cấp API key hoặc một ứng dụng mẫu có thể chạy ngay. Repo cũng đã lâu chưa cập nhật, nên bạn cần kiểm tra các thư mục và mã nguồn thực tế trước khi dùng cho dự án mới.

Nếu bạn cần một framework có lệnh khởi tạo, adapter model, tracing, lưu trạng thái và ví dụ production sẵn, hãy tìm một công cụ chuyên dụng khác rồi dùng 12 factor làm tiêu chí đánh giá. Nếu mục tiêu là học cách xây agent đáng tin và chọn đúng phần nên tự kiểm soát, đây là một tài liệu đáng đọc.

4.2/5 · Ông T chấm

Chưa có độc giả chấm

Bài này có ích với bạn không?

Câu hỏi thường gặp

12-factor-agents có phải ứng dụng chạy ngay không?

Không. README chủ yếu là tài liệu về 12 nguyên tắc xây phần mềm dùng LLM. Tư liệu được cung cấp chưa có lệnh khởi chạy ứng dụng hoàn chỉnh.

Repo này có miễn phí không?

README ghi nội dung và hình ảnh dùng giấy phép CC BY-SA 4.0, còn code dùng Apache 2.0. Metadata được cung cấp không ghi giấy phép chung của repo, nên bạn nên kiểm tra file LICENSE trước khi dùng cho trường hợp cụ thể.

Có cần GPU không?

README không nêu yêu cầu GPU hay phần cứng cụ thể. Repo cũng không chỉ định model hoặc cách chạy model, nên chưa có thông tin để khẳng định cần GPU.

Có chạy được trên Windows không?

README không nêu hệ điều hành được hỗ trợ. Bạn có thể tải mã nguồn bằng Git nếu môi trường Windows của bạn đã có Git, nhưng khả năng chạy các ví dụ cần được kiểm tra trong Makefile và các thư mục của repo.

Có cần API key không?

README không nêu nhà cung cấp model, API key hay biến môi trường. Nếu bạn triển khai các nguyên tắc vào ứng dụng LLM thật, nhu cầu key sẽ phụ thuộc vào model và dịch vụ bạn chọn.

Điểm khác biệt chính so với framework agent là gì?

Repo không tập trung vào việc che giấu luồng điều khiển trong một framework. Tài liệu khuyến nghị giữ quyền kiểm soát prompt, context, tool, trạng thái và control flow trong phần mềm của bạn.

Có thể áp dụng các nguyên tắc này bằng Python không?

Có. README nói tác giả dùng chủ yếu TypeScript nhưng các ý tưởng có thể áp dụng bằng Python hoặc ngôn ngữ khác. Đoạn vòng lặp minh họa trong README cũng được viết bằng Python.

Chuyển nhanh tới mục

  1. I.12-factor-agents làm được gì
    1. A.Giúp biến ngôn ngữ tự nhiên thành thao tác có cấu trúc
    2. B.Giữ quyền kiểm soát prompt
    3. C.Tự quản lý context window
    4. D.Xem tool như structured output
    5. E.Gộp execution state và business state
    6. F.Cho phép launch, pause và resume
    7. G.Để agent liên hệ con người bằng tool call
    8. H.Tự sở hữu control flow
    9. I.Đưa lỗi trở lại context theo cách hữu ích
    10. J.Chia thành các agent nhỏ, tập trung
    11. K.Kích hoạt từ nhiều nơi
    12. L.Thiết kế agent như stateless reducer
  2. II.Cần chuẩn bị gì
  3. III.Cài đặt từng bước
    1. A.Tải mã nguồn về máy
    2. B.Đi vào thư mục repo
    3. C.Đọc tài liệu tổng quan
    4. D.Đọc từng factor theo nhu cầu
    5. E.Kiểm tra phần mã và workshop
  4. IV.Kiểm tra đã chạy được chưa
  5. V.Dùng vào việc thật
    1. A.Chủ shop muốn xử lý yêu cầu đổi trả
    2. B.Nhân viên văn phòng muốn tạo báo cáo định kỳ
    3. C.Dev thêm tính năng AI vào sản phẩm hiện có
    4. D.Đội hỗ trợ xây agent có thể kiểm thử
  6. VI.Lỗi hay gặp và cách xử lý
    1. A.Tìm lệnh cài đặt nhưng README không có
    2. B.Cố chạy đoạn Python minh họa như chương trình hoàn chỉnh
    3. C.Context quá dài hoặc chứa quá nhiều dữ liệu
    4. D.Agent tự ý thực hiện hành động rủi ro
    5. E.Không biết workflow đang dừng ở đâu
  7. VII.Có nên dùng không

Repo & Skill · 13/11/2026 · 11 phút đọc

Garden Skills: bộ skill thiết kế web, tạo ảnh, làm video cho AI — hướng dẫn cài đặt và dùng

Garden Skills là bộ sưu tập Agent Skills (kỹ năng cho AI) của tác giả ConardLi, dùng được với Claude Code, Cursor, Codex và các AI coding agent khác. Mỗi skill dạy agent làm tốt một việc như thiết kế trang web, tạo ảnh, làm video bằng code, biến tài liệu thành bài viết đẹp. Cài không khó, nhưng README có nhiều cách cài nên bạn cần chọn một cách hợp với công cụ đang dùng.

Repo & Skill · 13/11/2026 · 15 phút đọc

thesysdev/openui: xây giao diện AI dạng streaming — hướng dẫn cài đặt và dùng

OpenUI là framework full-stack, độc lập framework, giúp mô hình AI sinh giao diện có cấu trúc và hiển thị dần khi dữ liệu streaming về. Bạn có thể dựng nhanh một ứng dụng chat bằng CLI hoặc cài từng gói cho React, Vue, Svelte, Angular và LangChain. Việc bắt đầu khá đơn giản nếu máy có đúng phiên bản Node; README chưa ghi đầy đủ lệnh chạy ứng dụng sau khi scaffold.

Repo & Skill · 13/11/2026 · 11 phút đọc

Ruflo: điều phối nhóm agent AI cho Claude Code và Codex — hướng dẫn cài đặt và dùng

Ruflo (trước đây là Claude Flow) là một agent harness: lớp công cụ bao quanh Claude Code và Codex, bổ sung nhiều agent chuyên biệt, bộ nhớ qua các phiên và khả năng chia việc cho nhóm agent. Cài bằng một lệnh `npx ruflo@latest init` trong thư mục dự án, cần Node 20 trở lên. Cài khá dễ, nhưng hệ thống rất rộng nên bạn nên bắt đầu từ một tác vụ nhỏ.