[Phần vận hành] Tạo bot nghiên cứu đầu tư cho nhà quản lý quỹ — nghệ thuật vận hành bot bền bỉ, không gặp sự cố

Tạo 7 bot đầu tư thực chiến, từ bản tin tổng kết phiên Mỹ, thông báo kết quả kinh doanh, radar giá mục tiêu đến các yếu tố kích hoạt theo lãi suất. Xây dựng chúng vững chắc bằng các thành phần dùng chung, kết nối thành một hệ thống duy nhất và tự động chạy mỗi ngày.

Chúng tôi tạo một bot nghiên cứu đầu tư tự động gửi qua Telegram bản tin thị trường, cảnh báo các mã quan tâm tăng giảm mạnh và tóm tắt tin tức theo từ khóa vào lúc 6 giờ sáng mỗi ngày. Dựa trên thiết kế thực tế được một nhà quản lý quỹ quy mô 100 tỷ won sử dụng, bạn sẽ thiết lập hạ tầng miễn phí hoạt động 24/7 mà không cần máy chủ và tự tay hoàn thiện 3 bot.

Câu chuyện về AX dạo này xuất hiện rất nhiều. Tại Selfish Club, chúng tôi cũng bắt đầu đặt ra câu hỏi: "Cách chúng ta làm việc có thể trở nên 'agentic' đến mức nào?" Vì vậy, trong suốt 2 tháng qua, chúng tôi đã dấn thân vào thử nghiệm thực tế. Từ việc lập lộ trình như thế nào, những thành viên không chuyên về lập trình đã tạo ra gì với Claude, cho đến cách chúng tôi chuyển đổi quy trình làm trang chi tiết vốn luôn phải làm mới từ đầu thành một hệ thống bài bản. Không phải là những kết luận được trau chuốt kỹ lưỡng, chúng tôi chia sẻ nguyên vẹn quá trình va chạm đầy thử thách này.

Bạn có thể theo dõi trực tuyến buổi meetup offline, nơi Lee Jae-kyu - nhà phát triển của hệ điều hành Agent mã nguồn mở 'Ouroboros', dự án đã tăng gấp 4 lần số sao trên GitHub chỉ trong 3 tháng - chia sẻ về các nguyên tắc thiết kế mà anh ấy đã đúc kết được sau khi trực tiếp tích hợp và thử nghiệm 8 loại runtime coding agent khác nhau!

Chúng tôi xin công khai toàn bộ quá trình gian nan mà những người không chuyên về lập trình đã phải tự mình mày mò để tạo ra một chatbot Slack từ con số không.

Tôi sẽ cho bạn thấy "nên bắt đầu từ đâu" thông qua ví dụ về việc tạo ra một dịch vụ cùng với những người không phải là lập trình viên chỉ trong một ngày, và hướng dẫn "cách quản lý và cộng tác" thông qua ví dụ về việc thiết kế cấu trúc GitHub của nhóm Egoistic Membership.

Trong bài giảng, chúng tôi giải thích vì sao thông qua kiến trúc Claude Code, harness lại quan trọng hơn model. Đồng thời, bài giảng trình bày cách thiết kế hệ thống làm việc với Claude Code dựa trên 6 cấu trúc: Context Harness, Permission Harness, Verification Harness, Tool Harness, Subagent & Worktree Harness và Debugging Harness. Sau đó, nội dung được mở rộng đến CLAUDE.md, quản lý phiên làm việc, kiểm soát các codebase lớn, vận hành worktree song song, phân tích nhật ký lỗi, cũng như truy vết các vấn đề liên quan đến biến môi trường và phạm vi cấu hình, giúp bạn xây dựng các tiêu chuẩn để có thể tiếp tục sử dụng Claude Code trong công việc backend và DevOps thực tế.

Bạn đã áp dụng AI nhưng vẫn đang tiêu tốn thời gian vào những công việc lặp đi lặp lại? Vấn đề không nằm ở AI mà là ở 'hệ thống'. Khóa học này sẽ hướng dẫn bạn quy trình tự xây dựng đội ngũ 6 trợ lý AI — từ trợ lý công việc, trợ lý nội dung, trợ lý marketing, trợ lý quản lý khách hàng đến trợ lý năng suất cá nhân — chỉ với Notion AI. Dựa trên kinh nghiệm tự động hóa hàng trăm công việc lặp đi lặp lại trong thực tế, chúng ta sẽ cùng nhau xây dựng quy trình làm việc thực thụ từ đầu đến cuối: từ sắp xếp ghi chú, tự động tạo biên bản cuộc họp, viết bài blog, xây dựng CRM cho đến tự động gửi thông báo qua KakaoTalk. Sau khóa học, bạn sẽ sở hữu một hệ thống nơi đội ngũ trợ lý AI tự động làm việc cho riêng bạn chỉ với gói Notion Business.

Từ chuẩn bị họp đến viết biên bản cuộc họp, AI sẽ làm tất cả cho bạn! Phần đầu tiên trong chuỗi series về ứng dụng AI Agent vào công việc tại công ty!

Trân trọng mời bạn trở thành ‘Kiến trúc sư hệ thống AI doanh nghiệp cấp cao nhất’ Đừng chỉ dừng lại ở vai trò một kỹ thuật viên vi mô (Prompt Writer) chuyên lấy các thư viện do người khác xây dựng rồi gắn vào, hoặc mải miết trau chuốt câu chữ trong prompt. Từ các nguyên lý nền tảng toán học đến kernel vòng lặp điều khiển runtime và hạ tầng tự phục hồi — thông qua 40 năm hiểu biết kỹ thuật thực tiễn dẫn dắt các hiện trường công nghiệp của Hàn Quốc, tôi sẽ giúp bạn vững vàng trở thành ‘kiến trúc sư hệ thống AI doanh nghiệp’ ở đẳng cấp cao nhất, có khả năng bảo vệ hoạt động kinh doanh và chủ quyền số của doanh nghiệp. Ngay bây giờ, hãy bắt đầu hành trình vĩ đại biến AI mất kiểm soát thành một lõi công nghiệp hoàn hảo. “Tại sao AI vốn vận hành hoàn hảo trong bản demo lại bắt đầu nói những điều vô nghĩa hoặc khiến cả pipeline dừng lại ngay khi triển khai production?” “Tại sao các dự án AI mà vô số doanh nghiệp hồ hởi khởi động cuối cùng lại không thể thoát khỏi ‘đầm lầy PoC (Proof of Concept – kiểm chứng khái niệm)’ và bị loại bỏ?” Đó là những câu hỏi cấp thiết nhất mà vô số nhà phát triển và kiến trúc sư hệ thống tôi gặp tại hiện trường đã đặt ra. Xin chào. Tôi là Kim Hong-jip, người đã dẫn dắt hoạt động xuất khẩu công nghệ động cơ và hệ truyền động trị giá 1,300 tỷ won trong hơn 40 năm làm việc tại bộ phận R&D hệ thống truyền động ô tô của Hàn Quốc (17 năm là lãnh đạo R&D của Tập đoàn Hyundai Motor), đồng thời chỉ huy thực địa với tư cách Tổng giám đốc (CEO/CTO) của một doanh nghiệp sản xuất hạng trung niêm yết. Với góc nhìn của một kỹ sư đã dành hàng chục năm trong lĩnh vực cơ khí và điều khiển chính xác, tôi nhận thấy đằng sau làn sóng triển khai AI tạo sinh hiện nay đang tiềm ẩn ‘rủi ro bất định mang tính chí mạng’. Trong các hiện trường công nghiệp mission-critical, nơi chỉ 0.1% sai số hoặc lỗi cũng có thể trực tiếp dẫn đến hư hỏng thiết bị vật lý trị giá hàng trăm triệu won và shutdown toàn doanh nghiệp, việc tích hợp nguyên trạng một chatbot xác suất chỉ dựa vào xác suất để tạo ra văn bản có vẻ hợp lý vào dịch vụ chẳng khác nào cầm bom hẹn giờ bước vào đám cháy. Khóa học này được thiết kế nhằm truyền đạt chính “phương pháp kỹ thuật thực tiễn để rèn luyện AI xác suất mất kiểm soát thành lõi điều khiển công nghiệp vững chắc nhất, không cho phép dù chỉ 0.000% lỗi cú pháp”. 1. 3 điểm nghẽn chí mạng mà bạn phải đối mặt tại hiện trường (Problem) Nhiều kỹ sư tiếp cận môi trường production bằng phương pháp chỉ dừng ở cấp độ tinh chỉnh prompt đơn lẻ (Vibe Prompting), rồi thất vọng khi đụng phải 3 khiếm khuyết mang tính cấu trúc sau: Context hữu hạn và ‘Lost in the Middle’: Khi cuộc trò chuyện hoặc quá trình thực thi multi-turn kéo dài, các chỉ thị hệ thống quan trọng bị đẩy ra ngoài, cửa sổ context cạn kiệt, khiến hệ thống mất trí nhớ và làm khuếch đại hiện tượng hallucination. Đầu ra phi tất định và sự sụp đổ của pipeline liên hoàn: Những biến động xác suất cực nhỏ như thiếu một dấu ngoặc đóng JSON hoặc sai kiểu dữ liệu có thể làm tê liệt các lệnh gọi API ERP/CRM của hệ thống lõi, đồng thời phá vỡ tính nhất quán dữ liệu. Thực thi mã không đáng tin cậy và sự phá sản về bảo mật hạ tầng: Khi các script do agent tự động tạo ra được thực thi trong môi trường host OS không được cách ly, chúng gây ra rủi ro thoát khỏi kernel hoặc rò rỉ dữ liệu nhạy cảm. Như vậy, sự cố AI trong môi trường công nghiệp không chỉ là vấn đề về độ chính xác định lượng, mà còn ập đến như một thảm họa tài chính khổng lồ mang tên tổn thất kinh doanh bất đối xứng (Asymmetric Business Loss). 2. ‘Làm thế nào’ để giải quyết triệt để vấn đề này (Solution) Khóa học này đi theo một hướng hoàn toàn khác với các khóa học trên thị trường vốn chỉ dạy cách sử dụng những công cụ thương mại rời rạc. Kết hợp kinh nghiệm thực tiễn 40 năm với kỹ thuật hệ thống máy tính, chúng tôi truyền đạt 3 kiến trúc hardcore cốt lõi để kiểm soát AI xác suất theo chiều dọc ở cấp độ hệ thống: ① Chuyển dịch từ prompting sang ‘LLM-OS & điều phối context’ Theo mô hình tư duy của Andrej Karpathy, chúng ta định nghĩa lại LLM không phải là đối tượng trả lời hội thoại, mà là lõi tính toán trung tâm (CPU) của máy tính. Chúng ta hệ thống hóa cửa sổ context thành RAM biến động có độ trễ cực thấp, cơ sở dữ liệu vector nội bộ thành Disk và các API bên ngoài thành bus I/O. Thông qua cơ chế phân trang bộ nhớ ảo phân cấp của MemGPT, trạng thái cốt lõi được bảo toàn mà không bị bão hòa ngay cả trong các cuộc hội thoại vô hạn; đồng thời, bằng trí tuệ bầy đàn linh hoạt (Liquid Swarm MAS) dựa trên MCP, chúng ta mở rộng mạng lưới agent động trong khi giảm thiểu chi phí token. ② ‘Kỹ thuật harness tất định’ nhằm ràng buộc hallucination xác suất ở mức 0.000% Tính linh hoạt sáng tạo của mô hình ngôn ngữ chỉ được mở trong giai đoạn tư duy (Reasoning), còn đầu ra vật lý tương tác với hệ thống bên ngoài được khóa chặt bằng đại số Boolean và trình biên dịch. Áp dụng cơ chế che logit CUDA dựa trên EBNF / XGrammar, chúng ta buộc xác suất tạo ra các token không hợp lệ bị chặn cứng ở mức P = 0.000%. Mã do agent tạo ra chỉ được phép vận hành một lần bên trong sandbox vi ảo hóa Firecracker MicroVM, có khả năng khôi phục snapshot trong 5ms, qua đó hình thành một vòng cách ly bảo mật vật lý. ③ Hạ tầng MLOps·LLMOps tự phục hồi có độ tin cậy cao, ‘không lãng phí GPU’ Xây dựng vLLM PagedAttention và S-LoRA hot-swap để kiểm soát tỷ lệ lãng phí VRAM nhàn rỗi xuống dưới 4%. Khi API của multi-agent thất bại, khôi phục 100% tính nhất quán dữ liệu về trạng thái ban đầu bằng giao dịch bù trừ theo thứ tự ngược của SagaLLM. Thông qua mạng lưới quan sát phân tán OpenTelemetry/Langfuse, khi phát hiện điểm số trung thành RAGAS suy giảm (Data Drift), hệ thống tự động thực hiện rollback canary không cần người vận hành, bảo vệ tính khả dụng của hệ thống. 3. Giá trị thực tiễn dẫn dắt tăng trưởng theo hình xoắn ốc (Pedagogy & ROI) Khóa học này được thiết kế có hệ thống theo 5 cấp độ của phân loại học tập Bloom đã chỉnh sửa (Bloom's Taxonomy). Người học sẽ xuất phát từ việc ghi nhớ lý thuyết đơn thuần (Remember), sau đó trực tiếp lập trình và kiểm chứng pipeline debug 5 cấp độ (phân tích mã nguồn cái bẫy Deceptive Baseline ➔ tháo rời kỹ thuật đối kháng ➔ thiết lập pipeline toàn vẹn Robust ➔ tính toán công thức ROI TEI ➔ quản trị SOTIF/ISO 42001). Vượt lên trên sự thỏa mãn cảm tính đơn thuần rằng “nó hoạt động tốt”, chúng tôi sẽ áp dụng mô hình tài chính Forrester TEI (Total Economic Impact) để trực quan hóa dưới góc nhìn của ban lãnh đạo các chỉ số cho thấy hệ thống AI bạn xây dựng có thể giảm chi phí làm lại (Rework Cost) của doanh nghiệp đến mức nào, đồng thời tránh được các rủi ro sự cố trị giá hàng trăm triệu won và chứng minh ROI trên 200%.

Có thể giao cho AI Agent đảm nhận đến đâu? Từ nguyên lý LLM đến thiết kế, bảo mật và đánh giá theo từng nhà cung cấp, kỹ sư đang trực tiếp làm việc tại IBM sẽ trả lời dựa trên những bằng chứng được kiểm chứng thực tế, đồng thời tạo cả Skill để đảm nhận công việc của bạn.

Thay vì viết prompt dài hơn, hãy lần lượt tạo các tệp quy tắc, nhật ký, quyền hạn, hook và quy trình xác thực mỗi khi xảy ra sự cố trong dự án thực tế. Với bot thông báo tin tức đã được xây dựng và đưa lên máy chủ trong năm ngày, gồm 211 ảnh chụp màn hình và 87 chỉ dẫn được giữ nguyên văn.

Bản nháp do AI thực hiện, còn phán đoán và trau chuốt là việc của tôi. Người làm kế hoạch mới vào nghề sẽ học các kỹ năng và thuật ngữ công việc được sử dụng ngay từ ngày đầu tiên, đồng thời cùng Claude trực tiếp xây dựng trọn bộ tài liệu cho một dịch vụ đặt chỗ quán cà phê học tập: kế hoạch, cấu trúc menu, thiết kế màn hình và định nghĩa chức năng.

Từ việc vận hành backend AWS EC2 đến tự động sửa lỗi, chúng tôi xin công khai toàn bộ quá trình xây dựng Sidabari (https://github.com/cx8537/sidabari) - một công cụ tự động hóa dựa trên Claude Code. Trong khóa học này, tất cả các câu lệnh (prompt) và lịch sử trò chuyện thực tế sẽ được cung cấp làm tài liệu học tập, giúp bạn trải nghiệm toàn bộ quy trình nhập prompt để tạo ra sản phẩm.

Phiên bản mới nhất tháng 10 năm 2026. Đây là khóa học gồm 299 bài do kênh YouTube “Giáo sư kiêm nhiệm AI Lee Jong-beom” (5,4 vạn người đăng ký) xây dựng. Khóa học bắt đầu từ cách mở tab trình duyệt và hướng dẫn theo trình tự đến bước tạo một đội ngũ nhân viên AI bằng Claude Code. Đi kèm hơn 290 bài thực hành và 1.000 tín dụng.

Dạo này bạn vẫn tự viết code chứ? Đã đến thời đại mà ngay cả vibe coding cũng thấy phiền! Hãy trở thành chuyên gia tự động hóa AI với n8n mà không cần viết code. Hướng dẫn thiết kế quy trình tự động hóa có thể áp dụng ngay vào công việc thực tế. Chiến lược tự động hóa thực tiễn, giúp tối đa hóa hiệu suất công việc. Xây dựng quy trình trực quan với n8n và trải nghiệm đổi mới trong công việc.

Thời đại nhận "gợi ý" mã nguồn đã kết thúc. Tôi sẽ giới thiệu cho bạn một cách dễ hiểu và rõ ràng về Google Antigravitiy - nền tảng phát triển Agent thế hệ mới, nơi các Agent AI trực tiếp điều khiển trình chỉnh sửa, terminal và trình duyệt để lập kế hoạch, thực thi cũng như kiểm chứng các tác vụ phần mềm phức tạp.

Đọc cách các dịch vụ AI vận hành dưới góc độ bảo mật, từ token và ngữ cảnh đến RAG, tác nhân và lớp bảo vệ. Đối chiếu các khái niệm với mã backend được cung cấp, đồng thời tổng hợp các điểm cần kiểm tra trong quá trình nhập liệu, tìm kiếm và gọi công cụ thành một bản đồ bề mặt tấn công duy nhất.

Bạn có thể dùng AI để tạo ra một bản kế hoạch trông rất thuyết phục, nhưng lại không đủ tự tin để mang vào phòng họp sao? Một chuyên gia hoạch định nội dung toàn cầu với 17 năm kinh nghiệm, từng tích lũy năng lực hoạch định thực tiễn tại các công ty quảng cáo lớn và lĩnh vực thương mại điện tử toàn cầu, đồng thời được kiểm chứng năng lực hoạch định trên một nền tảng giáo dục toàn cầu, sẽ hướng dẫn bạn các nguyên tắc hoạch định thực tiễn có thể áp dụng hiệu quả và quy trình làm việc với AI — từ xác định vấn đề đến hoàn thiện slide.

Kiểm thử ranh giới quyền hạn trong các lệnh gọi công cụ của tác tử và việc tìm kiếm, truy cập tài liệu của RAG. Sử dụng mô hình thực tế cùng các công cụ và tài liệu mô phỏng phục vụ đào tạo để quan sát cổng phê duyệt và bộ lọc quyền tìm kiếm, đồng thời điền phiếu ghi chép chẩn đoán cho nhiệm vụ 5·6.