Đăng ký trao đổi riêng

16/11/2026 · Kinh nghiệm vận hành AI · 9 phút đọc ·

Tôi chấm 100 bản hướng dẫn cho AI: 0 bản đạt, và vì sao tôi không sửa bản điểm thấp nhất trước

Quick answer. Tôi cho AI chấm 100 bản hướng dẫn đang điều khiển đội tác vụ tự động của mình theo 10 mục đạt/không đạt. Không bản nào đạt từ 8 mục trở lên. Nhưng bài học lớn nhất nằm ở thứ tự sửa: đừng sửa bản điểm thấp nhất. Lấy số lượt chạy nhân với số mục thiếu, sửa bản đứng đầu trước. 11 bản điểm thấp nhất của tôi không chạy lượt nào trong 14 ngày.

Đây là chuyện thật trong hệ thống của tôi. Gà Võ (shop thức ăn bổ sung cho gà), TradingPrimer và vài dự án khác đang chạy bằng một đội tác vụ AI theo lịch. Mỗi tác vụ có một bản hướng dẫn riêng, giống bản mô tả công việc của một nhân viên: làm gì, đọc file nào, xong thì trông thế nào, ghi nhật ký ra sao. Ngày 14/11, tôi giao cho tác vụ chưng cất kiến thức một việc chỉ đọc: chấm 100 bản hướng dẫn đó theo 10 mục, rồi xếp xem bản nào cần sửa trước. Kết quả làm tôi đổi hẳn cách nghĩ về "cải tiến AI".

Biểu đồ thanh: tỉ lệ trong 100 bản hướng dẫn AI có dấu hiệu đạt từng mục. Gọn dưới 300 dòng 76, có nhật ký 69, có bước không quay đầu 63, có tiêu chí đạt 61, có tự soát 52, một việc 29, có mẫu đích 25, ghi khâu và phép đo 16, ghi model 5. Mục độ tự do chưa chấm.
Kết quả chấm 100 bản hướng dẫn ngày 14/11/2026, theo dấu hiệu từ khoá. Mục 4 cần người đọc nên chưa chấm. Mục yếu nhất: ghi model đang dùng (5/100) và ghi khâu + phép đo kết quả (16/100).

Vì sao phải chấm bản hướng dẫn cho AI?

Khi đội AI còn 5–10 tác vụ, tôi nhớ hết từng bản. Khi lên gần 100, mỗi bản được vá thêm một đoạn sau mỗi sự cố, và không ai đọc lại từ đầu. Bản hướng dẫn tệ không làm AI dừng. Nó làm AI chạy đều, báo "xong" đều, nhưng làm sai chỗ hoặc làm thừa.

Trang hướng dẫn viết Skill chính thức của Anthropic cũng nói vài điều tương tự: phần mô tả phải nói cả việc làm gì lẫn khi nào dùng; phần thân nên dưới 500 dòng; và phải thử với đúng những model định dùng, vì hiệu quả của bản hướng dẫn phụ thuộc model chạy nó. Tôi lấy các ý đó làm nền, cộng những gì đã trả giá trong hệ thống, gom thành 10 mục. Riêng trần độ dài tôi đặt chặt hơn: 300 dòng.

10 mục tôi chấm, và kết quả từng mục

MụcCâu hỏi đạt/không đạtSố bản có dấu hiệu đạt
1. Mẫu đíchCó đầu ra mẫu đã duyệt, hoặc mô tả cụ thể "xong trông thế nào"?25/100
2. Một việcPhần mô tả nêu đúng 1 việc + "dùng khi…", không gom nhiều loại đầu ra?29/100
3. Khâu + phép đoGhi rõ việc này đẩy khâu nào trong luồng tiền và đo bằng số nào?16/100
4. Độ tự do đúng loạiPhần quy tắc là bước đánh số; phần phán đoán chỉ ghi mục tiêu + tiêu chí?Chưa chấm (cần người đọc)
5. Tiêu chí đạt đếm đượcCó điều kiện kiểu "= 0", "đủ N" và lối thoát trung thực khi không đạt?61/100
6. Tự soátCó bước tự kiểm trước khi giao, việc công khai có lượt soát riêng?52/100
7. Nhật kýMỗi lượt ghi 1 dòng: kiểm gì, đếm ra mấy, vì sao dừng?69/100
8. Không quay đầuLiệt kê bước không làm lại được; đích gửi/ghi khoá bằng mã cố định?63/100
9. ModelGhi model/mức đang dùng và lần thử hạ gần nhất?5/100
10. GọnDưới 300 dòng, luật chung chỉ trỏ tới file chung, không chép lại?76/100

Không bản nào đạt từ 8/9 trở lên. Nhưng tôi không thấy con số 0 đáng lo bằng hai dòng 3 và 9.

Hai lỗ hổng mà tôi không ngờ

Chỉ 16/100 bản ghi rõ khâu và phép đo. Đọc kỹ bản chăm sóc khách qua Zalo mới thấy vì sao. Bản đó có hẳn một mục "phép đo", nhưng toàn số hoạt động: bao nhiêu tin xếp hàng, bao nhiêu tin bị từ chối, bao nhiêu suất còn hụt. Không có dòng nào đo kết quả: khách có trả lời không, có đơn mua lại từ tin chăm sóc không. AI chạy đúng bản đó thì sẽ tối ưu cho việc gửi đủ tin, không phải cho việc khách quay lại.

Đây là nhận định tôi muốn nói thẳng: phần lớn bản hướng dẫn cho AI, của tôi và tôi đoán của nhiều người, đang đo sự bận rộn chứ không đo kết quả. Bận rộn thì AI làm rất giỏi.

Chỉ 5/100 bản ghi model đang dùng. Nghĩa là 95 bản còn lại tôi không biết đang chạy bằng model nào, đã thử hạ xuống model rẻ hơn bao giờ chưa. Muốn cắt chi phí AI mà không có dòng này thì chỉ đoán.

Sửa bản nào trước? Đừng sửa bản điểm thấp nhất

Phản xạ tự nhiên là xếp theo điểm và sửa từ dưới lên. Tôi suýt làm vậy. Rồi tôi ghép thêm cột "số lượt chạy trong 14 ngày" lấy từ Nhật ký đội AI, và bảng đảo ngược.

So sánh 2 cách chọn bản cần sửa. Xếp theo lượt chạy nhân số mục thiếu: 5 bản đầu chiếm 133 trên 336 lượt chạy và 44 trên 84 lượt lỗi trong 14 ngày, riêng bản chăm sóc khách Zalo 72 lượt, 29 lượt lỗi. Xếp theo điểm thấp nhất: 11 bản điểm 1 trên 9 có tổng 0 lượt chạy.
Cùng 100 bản, hai cách chọn. Lượt chạy và lượt lỗi đếm từ Nhật ký đội AI 31/10–14/11/2026 (chỉ dòng do Claude ghi).

Trong 14 ngày, 100 bản này có 336 lượt chạy, 84 lượt ghi lỗi. Riêng bản chăm sóc khách Zalo chạy 72 lượt, tức khoảng 21% tổng lượt, và gánh 29 lượt lỗi, khoảng 35% tổng lỗi. Điểm của nó chỉ 4/9. Xếp theo "lượt × số mục thiếu", 5 bản đầu bảng chiếm 133 lượt chạy và 44 lượt lỗi, tức hơn một nửa số lượt lỗi.

Còn 11 bản điểm thấp nhất, 1/9? Tổng cộng 0 lượt chạy. Rộng hơn, 42/100 bản không chạy lượt nào trong 14 ngày. Sửa chúng cho đẹp thì bảng điểm lên, còn hệ thống không đổi gì.

Điều này nghe hiển nhiên khi viết ra, nhưng khi nhìn một bảng điểm đỏ rực, người ta luôn muốn xoá màu đỏ trước. Bảng điểm không biết bản nào đang làm việc thật. Nhật ký thì biết.

❌ Chỗ tôi suýt tin nhầm chính bảng chấm của mìnhBảng 14/11 chấm bằng cách dò từ khoá trong file, không đọc hiểu. Ngày 15/11, tôi cho đọc kỹ bản Zalo đủ 10 mục. Tổng điểm gần như khớp (4/9 theo từ khoá, 4/10 khi đọc), nhưng sai ở từng mục: mục "tiêu chí đạt" thực ra có mà máy báo thiếu; mục "gọn" máy báo đạt vì file dưới 300 dòng, nhưng đọc thì trong đó còn nhiều đoạn luật cũ chưa gỡ. Tổng đúng mà chi tiết sai là loại sai nguy hiểm nhất, vì nó làm mình yên tâm. Thêm hai chỗ hở nữa: tác vụ nào ghi nhật ký dưới tên khác bị đếm 0 lượt; và 29 lượt lỗi của bản Zalo chưa chứng minh được là do bản hướng dẫn, mới chỉ là nghi vấn cần đối chiếu từng lượt.

Chấm bằng máy để chọn, đọc bằng người để sửa

Từ chuyện trên, tôi chia việc thành hai bước rõ ràng:

  1. Máy chấm cả 100 bản bằng từ khoá, rẻ và nhanh, chỉ để trả lời một câu: đọc bản nào trước. Không dùng điểm này làm điểm cuối.
  2. Đọc hiểu đủ 10 mục cho 3 bản đầu bảng, ghi bằng chứng cho từng mục (thấy dòng nào, đoạn nào). Chỉ sửa sau khi đọc xong.
  3. Mỗi lượt sửa đúng 1 bản, có sao lưu. Sửa nhỏ (ghi chú đoạn nào hết hiệu lực) thì làm luôn; sửa lớn (đổi phần mô tả, đổi cách gửi) thì để tôi duyệt.

Bản Zalo đi đúng ba bước này: chấm 14/11, đọc kỹ 15/11, bước sửa nhỏ đầu tiên làm ngày 16/11. Phần sửa lớn hơn đang chờ tôi duyệt, nên tôi chưa có số trước/sau để kể. Có thì tôi sẽ viết tiếp.

Tự soi: bản hướng dẫn viết ra bài này được mấy điểm?

Bài bạn đang đọc do một tác vụ AI trong đội viết, theo bản hướng dẫn riêng. Bản đó cũng nằm trong bảng: 4/9, thiếu mục một việc, khâu + phép đo, tiêu chí đạt, tự soát, và model. Nó chạy ít lượt nên đứng giữa bảng, chưa đến lượt sửa.

Tôi để chuyện này vào bài vì nó đúng với tinh thần cả bài: chấm không phải để chứng minh mình làm tốt. Chấm là để biết sửa chỗ nào trước, kể cả khi chỗ đó là của chính mình.

Khối "10 câu chấm + thứ tự sửa" — chép về dùng

CHẤM 1 BẢN HƯỚNG DẪN CHO AI (mỗi câu: đạt / không đạt)1. Có đầu ra mẫu đã duyệt hoặc mô tả "xong trông thế nào" không?
2. Phần mô tả nêu đúng 1 việc + "dùng khi…" không?
3. Có ghi việc này đẩy khâu nào (thu hút, tư vấn, chốt đơn, giao hàng, mua lại) và đo bằng số KẾT QUẢ nào không?
4. Phần quy tắc có thành bước đánh số, phần phán đoán chỉ ghi mục tiêu + tiêu chí không?
5. Có điều kiện đạt đếm được ("= 0", "đủ N") và cho phép báo "không đạt + lý do" không?
6. Có bước tự kiểm trước khi giao không?
7. Mỗi lượt có ghi 1 dòng nhật ký: kiểm gì, ra mấy, vì sao dừng không?
8. Có liệt kê bước không làm lại được, và nơi gửi/ghi khoá bằng mã cố định không?
9. Có ghi model đang dùng và lần thử hạ gần nhất không?
10. Dưới 300 dòng, luật chung chỉ trỏ tới file chung không?
Thứ tự sửa: điểm ưu tiên = số lượt chạy 14 ngày × số câu "không đạt". Đọc kỹ 3 bản cao nhất rồi mới sửa, mỗi lượt 1 bản.

Bắt đầu thế nào nếu bạn là doanh nghiệp nhỏ?

  1. Gom mọi bản hướng dẫn AI về một chỗ: prompt dán trong ChatGPT, Project của Claude, kịch bản chatbot. Chưa gom được thì chưa chấm được.
  2. Ghi số lần dùng mỗi bản trong 2 tuần, đếm tay cũng được. Đây là cột quan trọng nhất, quan trọng hơn cả điểm.
  3. Chấm nhanh 10 câu ở trên, mỗi bản 5 phút. Có thể nhờ AI chấm hộ, nhưng coi đó là bảng chọn, không phải kết luận.
  4. Sửa câu 3 trước cho bản dùng nhiều nhất: viết một dòng "việc này đo bằng số nào". Ví dụ chatbot trả lời khách: đo số khách để lại số điện thoại, không đo số tin đã trả lời.
  5. Bản không ai dùng trong 2 tuần thì cất đi, đừng tốn công sửa.
✅ Một câu để mang vềSửa bản hướng dẫn AI theo số lần nó chạy, không theo điểm nó được chấm. Bảng điểm không biết bản nào đang làm việc thật; nhật ký thì biết.
Muốn đội AI của riêng bạn có bản hướng dẫn chuẩn ngay từ đầu, và có nhật ký để biết sửa đâu trước?

Khoá học 2 ngày của tôi dựng trọn hệ thống — bộ não, đội agent, tác vụ tự chạy mỗi sáng, cổng kiểm trước khi báo xong — trên chính máy của bạn. Hoặc gói Đồng hành, tôi vào tận doanh nghiệp set up cùng bạn.

Xem khoá học & gói Đồng hành →
Nguồn & ghi chú: bảng chấm 100 bản hướng dẫn do tác vụ chưng cất kiến thức trong hệ thống của tác giả lập ngày 14/11/2026, chỉ đọc, bằng cách dò từ khoá; mục 4 chưa chấm nên thang là /9. Lượt chạy và lượt lỗi đếm từ "Nhật ký đội AI" trên Notion, các dòng do Claude ghi từ 31/10 đến 14/11/2026, khớp theo đúng tên tác vụ; tác vụ ghi dưới tên khác có thể bị đếm thiếu. Phần đọc hiểu bản chăm sóc khách Zalo làm ngày 15/11/2026. Ý về mô tả "làm gì + khi nào dùng", phần thân dưới 500 dòng và thử với từng model lấy từ trang Skill authoring best practices của Anthropic (mở ngày 16/11/2026). Khung "chấm rồi xếp theo lượt × mục thiếu" rút từ ghi chú chưng cất nội bộ, viết lại bằng trải nghiệm của tác giả. Tên tác vụ, đường dẫn nội bộ, số đơn và doanh thu được lược bỏ. Hai ảnh minh hoạ vẽ bằng code từ đúng số trong bài.

← Tất cả bài viết