Điều gì khiến Agent Skills trở thành chủ đề nóng?

Khi một doanh nghiệp thử AI ở vài phòng ban, mọi việc thường bắt đầu bằng những prompt riêng lẻ. Người chăm sóc khách hàng có một đoạn hướng dẫn, nhân viên vận hành có một đoạn khác, trưởng nhóm lại giữ bản mới nhất trong Google Docs. Vấn đề lớn dần không phải AI thiếu kiến thức tổng quát, mà là AI không có một cách làm thống nhất, được cập nhật và kiểm tra.

Repository công khai anthropics/skills thuộc nhóm dự án nổi bật trên GitHub Trending tháng 11/2026. Anthropic mô tả “skill” là một thư mục gồm hướng dẫn, mã lệnh và tài nguyên được nạp khi cần cho tác vụ chuyên biệt. Điểm đáng chú ý không nằm ở một bộ prompt thần kỳ, mà ở ý tưởng đóng gói kiến thức vận hành để có thể lưu phiên bản, kiểm thử và tái sử dụng.

Cấu trúc một skill nói lên điều gì?

Theo đặc tả Agent Skills, phần tối thiểu là tệp SKILL.md chứa metadata như name, description và nội dung hướng dẫn. Thư mục có thể có scripts, references, assets. Khi bắt đầu, hệ thống chỉ cần biết tên và mô tả; khi một tác vụ phù hợp xuất hiện mới đọc hướng dẫn đầy đủ, rồi mở thêm các tệp cần thiết. Cách nạp theo nhu cầu này giúp tránh nhét toàn bộ quy trình vào mọi lượt hội thoại.

Thẻ giới thiệu repository anthropics/skills trên GitHub
Nguồn ảnh: GitHub, repository anthropics/skills, ảnh chụp ngày 12/11/2026. Xem nguồn ảnh

Ví dụ, skill “kiem-tra-don-hang” có thể định nghĩa điều kiện kích hoạt khi khách hỏi về trạng thái giao hàng, chỉ rõ công cụ nào đọc được mã đơn và viết thành ba bước: xác thực thông tin tối thiểu, tra cứu trạng thái qua API, trình bày kết quả. Nếu API lỗi, skill phải trả về quy trình chuyển nhân viên chứ không tự bịa đơn đã giao.

Skill, RAG và workflow khác nhau ở đâu?

RAG giúp truy xuất thông tin từ kho tri thức: giá, chính sách, hướng dẫn sử dụng. Skill hướng dẫn AI phải làm theo quy trình nào và khi nào dùng công cụ. Workflow là cơ chế thực thi có trạng thái: chờ phê duyệt, retry, đối soát và ghi log. Ba lớp này giải quyết những vấn đề khác nhau, có thể kết hợp nhưng không thay thế nhau.

Chẳng hạn khi khách đòi đổi sản phẩm, RAG lấy chính sách đổi trả còn hiệu lực; skill quy định phải xác thực đơn và kiểm tra thời hạn; workflow tạo yêu cầu, chờ phê duyệt với trường hợp ngoại lệ và cập nhật trạng thái. Nếu chỉ viết một prompt bảo AI “xử lý đổi trả tốt”, doanh nghiệp sẽ không biết bước nào đã được thực hiện hay quy tắc nào được áp dụng.

Thiết kế một skill bán hàng có thể kiểm chứng

Một skill tốt bắt đầu từ đầu vào và kết quả. Đầu vào có thể gồm mã hội thoại, mã SKU, số lượng và mã khách. Kết quả không phải câu trả lời nghe hợp lý, mà là một đối tượng có cấu trúc: giá đã xác thực, tình trạng còn hàng, tùy chọn giao hàng và cờ cần người duyệt. Mọi lời hứa giảm giá hoặc miễn phí vận chuyển phải kiểm tra từ chính sách hiện hành.

Thành phầnVai trò trong ví dụ đổi trả
RAGLấy chính sách đổi trả còn hiệu lực
SkillHướng dẫn kiểm tra đơn, thời hạn và khi nào cần duyệt
WorkflowGiữ trạng thái, tạo yêu cầu và ghi nhận kết quả

Trong quy trình bàn giao, nhóm nghiệp vụ chịu trách nhiệm nội dung; nhóm kỹ thuật kiểm soát API, quyền và nhật ký; nhóm kiểm thử lập các tình huống không đủ thông tin, khách đổi ý, SKU hết hàng và quy định hết hiệu lực. Mỗi bản cập nhật SKILL.md cần ghi lý do thay đổi để truy lại khi có sự cố.

Những rủi ro dễ bị bỏ qua khi lấy skill từ GitHub

Skill có thể đi kèm script thực thi và chỉ dẫn gọi công cụ, nên không nên coi mọi thư mục công khai là tài liệu vô hại. Trước khi cài, cần xem nguồn gốc repository, giấy phép của từng thành phần, quyền file, command mà script chạy và việc có gửi dữ liệu ra ngoài hay không. Sau khi cài vẫn phải kiểm soát quyền truy cập dữ liệu theo tài khoản và tenant.

Một skill nội bộ cũng có thể lỗi thời. Ví dụ chính sách đổi trả được cập nhật nhưng bản skill cũ vẫn ra quyết định theo mức phí trước đây. Cách xử lý là tách thông tin biến động sang nguồn có hiệu lực theo ngày, yêu cầu kiểm tra phiên bản và test hồi quy theo các trường hợp ranh giới.

Lộ trình thử nghiệm 4 tuần

Tuần đầu, lựa chọn một nghiệp vụ có ranh giới rõ như phân loại và chuyển ticket, thống kê những tình huống phải hỏi lại. Tuần thứ hai, viết SKILL.md ngắn, tách tài liệu tham chiếu và triển khai sandbox với dữ liệu giả lập. Tuần thứ ba, chạy tập kiểm thử gồm cả câu hỏi đánh lừa, tình huống thiếu thông tin và thao tác bị từ chối. Tuần cuối, cho một nhóm nhân viên dùng song song rồi đo lỗi nghiệp vụ, độ nhất quán và thời gian xử lý.

Thành công không đồng nghĩa nhiều skill nhất. Một doanh nghiệp có thể vận hành đáng tin với năm skill được kiểm thử kỹ tốt hơn hàng trăm skill tải về nhưng không rõ ai bảo trì.

Bản kiểm thử tối thiểu của một skill nội bộ

Bộ kiểm thử nên bao gồm yêu cầu đúng phạm vi, yêu cầu thiếu dữ liệu, câu hỏi vượt quyền, chính sách đã hết hạn và nội dung độc hại cố đóng vai chỉ thị hệ thống. Với một skill tra đơn, bài test quan trọng không phải bot trả lời lưu loát, mà là bot từ chối cung cấp trạng thái nếu thiếu thông tin xác thực và không lộ dữ liệu đơn của khách khác.

Cần chấm kết quả theo từng tiêu chí: chọn đúng skill, chỉ sử dụng nguồn được cấp quyền, thực hiện đúng thứ tự, không gọi công cụ thừa và xuất dữ liệu đúng định dạng. Các trường hợp lỗi phải có hướng chuyển nhân viên hoặc yêu cầu bổ sung thông tin thay vì im lặng.

Khi đưa vào hoạt động, hãy lưu mã phiên bản skill gắn với từng phiên tác vụ. Nếu khách khiếu nại vì áp dụng sai quy định, đội vận hành cần biết câu trả lời được tạo từ skill nào và dữ liệu chính sách có hiệu lực lúc nào.

Kết luận

Agent Skills gợi ra cách biến kinh nghiệm làm việc thành tài sản có thể phiên bản hóa và kiểm tra. Nhưng nó chỉ phát huy tác dụng khi đi cùng nguồn dữ liệu đúng, workflow có trạng thái, kiểm soát công cụ và người chịu trách nhiệm. Đó là lý do doanh nghiệp nên bắt đầu từ một quy trình tạo giá trị thực thay vì chạy theo bộ sưu tập skill.

Nguồn tham khảo