Agent Skills: Cách Dạy AI Dùng Vnstock Đúng Việc

Cùng một AI Agent, nhưng kết quả thay đổi đáng kể tùy việc nó có biết quy trình nghiệp vụ hay không. Agent có thể viết Python mà vẫn chọn sai lớp dữ liệu, hiểu nhầm một chỉ tiêu hoặc bỏ qua ngoại lệ của thị trường Việt Nam.

Agent Skills giải quyết khoảng trống đó bằng các bộ hướng dẫn theo nhiệm vụ. Thay vì người dùng nhắc lại mọi quy tắc trong từng prompt, một skill chỉ cho Agent nên dùng công cụ nào, kiểm tra điều gì và khi nào phải dừng để hỏi.

Trong harness, skill không phải “bộ não thứ hai” và cũng không phải nguồn dữ liệu. Nó giống một chỉ dẫn nghiệp vụ có thể nạp đúng lúc.

Bài 3/7 — tuyến chính: Trước: Dùng Vnstock với AI Agent · Tiếp: Xây harness đầu tiên

Từ prompt dùng một lần tới năng lực tái sử dụng

Một prompt thường giao việc cho một lần:

“Lọc các doanh nghiệp có ROE cao và thanh khoản phù hợp.”

Yêu cầu này chưa nói ROE lấy theo kỳ nào, thanh khoản đo bằng khối lượng hay giá trị, dữ liệu thiếu xử lý ra sao và bảng kết quả phải để lại bằng chứng gì.

Nếu cần phần nhập môn về cấu trúc và cách tạo skill, bạn có thể đọc Agent Skills là gì?. Bài này tập trung vào vai trò của Skills trong harness và cách nó nối nghiệp vụ tài chính với lớp công cụ Vnstock.

Một skill cho nhiệm vụ sàng lọc có thể bổ sung cấu trúc:

• hỏi lại người dùng về kỳ và ngưỡng;
• đọc đúng tài liệu Vnstock trước khi viết code;
• lấy dữ liệu qua lớp công cụ phù hợp;
• kiểm đơn vị, kỳ, dòng trùng và dữ liệu thiếu;
• ghi từng điều kiện vào cột riêng để giải thích vì sao một mã đạt hoặc không đạt;
• tạo báo cáo kèm giới hạn, không biến bộ lọc thành khuyến nghị đầu tư.

Điểm khác biệt không nằm ở việc prompt dài hơn. Skill biến cách làm tốt thành tài nguyên có tên, có phạm vi và có thể gọi lại cho nhiều nhiệm vụ cùng loại.

Một skill gồm những gì?

Tuỳ môi trường Agent, cấu trúc cụ thể có thể khác. Về ý nghĩa, một skill thường có bốn phần:

Ví dụ, một skill tính chỉ báo không chỉ ghi công thức RSI. Nó cần nói chuỗi giá nào được dùng, yêu cầu tối thiểu bao nhiêu quan sát, xử lý dòng thiếu thế nào và đầu ra phải kèm tham số gì.

Script đi kèm giúp phép tính lặp lại được. Hướng dẫn giúp Agent biết khi nào nên dùng script và cách đọc kết quả. Hai phần bổ sung nhau; không nên biến skill thành một bài văn dài mà thiếu công cụ xác định được.

Vì sao nghiên cứu năm 2026 coi Skills là lớp kiến trúc đáng chú ý?

Nghiên cứu mã nguồn 11 coding agent ghi nhận cơ chế Skills ở 9 hệ thống và MCP ở 8 hệ thống trong mẫu khảo sát. Tám trong chín hệ thống có Skills dùng cách nạp trì hoãn hoặc theo nhu cầu: Agent biết tên và mô tả trước, chỉ đọc nội dung chi tiết khi nhiệm vụ thực sự cần.¹

Con số này không phải bảng xếp hạng hay bằng chứng Skills luôn tốt hơn MCP. Nó cho thấy hai xu hướng thực dụng:

1. hướng dẫn theo nhiệm vụ đã trở thành một phần có thể nhận diện trong harness;
2. đưa đúng kiến thức vào đúng thời điểm hữu ích hơn việc nhồi toàn bộ tài liệu vào mọi buổi làm việc.

Điều này đặc biệt phù hợp với tài chính. Một Agent đang đọc báo cáo doanh nghiệp không cần mang theo quy trình quản trị danh mục; Agent đang tính chỉ báo không cần toàn bộ hướng dẫn truy xuất tin tức.

Agent Guide và Agent Skills của Vnstock khác nhau thế nào?

Agent Guide không cần chứa mọi quy trình. Skill không cần lặp lại toàn bộ hướng dẫn cài đặt. Tài liệu hàm không nên gánh trách nhiệm dạy phương pháp nghiên cứu. Tách đúng vai trò giúp mỗi phần ngắn hơn và dễ cập nhật hơn.

Vnstock hỗ trợ cơ chế nạp động: Agent có thể nhận hướng dẫn và tài liệu hiện hành khi cần, thay vì người dùng phải sao chép một bộ tệp tĩnh rồi tự theo dõi thay đổi. Bạn có thể xem cách thiết lập tại Tự động nạp Agent Skills và tài liệu.

Skill và MCP giải quyết hai việc khác nhau

Một cách phân biệt ngắn gọn:

• Skill dạy Agent cách làm một việc.
• MCP cho ứng dụng AI một đường gọi công cụ bên ngoài.

Một skill có thể hướng dẫn Agent dùng thư viện Python trực tiếp. Nó cũng có thể yêu cầu gọi một công cụ qua MCP. Ngược lại, một MCP server có thể công bố công cụ nhưng không tự dạy Agent cách kết hợp dữ liệu, kiểm tra kỳ hay diễn giải ngoại lệ.

Vì vậy, với Vnstock, bạn có thể áp dụng Skills trực tiếp khi làm việc với Python trong môi trường lập trình, hoặc kết nối qua Vnstock MCP khi muốn trợ lý AI gọi công cụ trong giao diện trò chuyện (xem thêm: Vnstock MCP: Từ câu hỏi với AI đến quy trình nghiên cứu cá nhân).

Skill tốt phải giúp tự bộc lộ lỗi, không chỉ tạo đầu ra

Một skill tài chính yếu thường mô tả kết quả đẹp nhưng không quy định điều kiện dừng. Một skill tốt nên buộc Agent trả lời ít nhất năm việc:

1. Đã xác định đúng đối tượng, kỳ và đơn vị chưa?
2. Đã đọc tài liệu hiện hành thay vì đoán tên hàm chưa?
3. Đã chạy phép tính bằng code và giữ bảng trung gian chưa?
4. Đã kiểm tra dữ liệu thiếu, trùng và ngoại lệ chưa?
5. Nếu chưa đủ căn cứ, Agent có dừng và nói rõ phần thiếu không?

Nói cách khác, skill là một phần của cơ chế quản lý chất lượng. Giá trị của nó không nằm ở số lượng câu lệnh mà ở việc làm cho những bước quan trọng khó bị bỏ qua.

Prompt để yêu cầu Agent dùng skill đúng cách

Bạn có thể bắt đầu bằng yêu cầu:

Hãy đọc Agent Guide của Vnstock và chỉ nạp skill liên quan đến nhiệm vụ phân tích báo cáo tài chính. Trước khi viết code, hãy cho tôi biết skill yêu cầu xác nhận những giả định nào. Dùng tài liệu hiện hành để tìm giao diện lập trình, không đoán tên hàm. Khi chạy, giữ bảng trung gian và báo rõ phép kiểm nào đã đạt hoặc thất bại. Nếu thiếu kỳ, đơn vị hoặc định nghĩa chỉ tiêu, hãy dừng để hỏi thay vì tự điền.

Prompt này không quy định chi tiết kỹ thuật. Nó đặt đúng kỳ vọng: nạp kiến thức theo nhu cầu, kiểm tra tài liệu, chạy bằng công cụ và không che giấu khoảng trống.

Khi nào nên tự viết hoặc chỉnh một skill?

Một quy trình đáng đưa thành skill khi:

• bạn đã thực hiện cùng loại việc nhiều lần;
• các bước chính tương đối ổn định;
• lỗi thường gặp đã được nhận diện;
• đầu vào, đầu ra và điều kiện hoàn thành có thể mô tả rõ;
• vẫn có điểm cần người dùng xác nhận.

Đừng đóng gói quá sớm một ý tưởng còn thay đổi sau mỗi lần thử. Hãy chạy nó trong harness tối thiểu, quan sát lỗi thật rồi mới chuyển phần ổn định thành skill. Cách làm này phù hợp với khuyến nghị của nghiên cứu: bắt đầu nhỏ và chỉ thêm cơ chế khi thất bại quan sát được cho thấy cần thêm.

Kết luận

Agent Skills là lớp nối giữa kiến thức nghiệp vụ và khả năng thực thi của AI. Nó giúp Vnstock không chỉ là những hàm Python mà trở thành bộ dụng cụ Agent có thể dùng theo quy trình, trong khi người dùng vẫn nhìn thấy chương trình, dữ liệu và phép kiểm.

Bài tiếp theo sẽ biến các thành phần đó thành một harness tối thiểu cho AI phân tích chứng khoán bằng Python.

— Vnstock là hệ sinh thái năm phần mềm chạy trên hạ tầng của bạn. Công ty cấp quyền sử dụng từng phần mềm; riêng nội dung được kết nối qua vnstock hoặc vnstock_news vẫn chịu điều kiện, tính sẵn sàng và độ chính xác của nguồn. Nội dung phục vụ nghiên cứu và tham khảo, không phải khuyến nghị đầu tư.

Footnotes

1. Nguồn: Harness Engineering: Anatomy, Architecture, and Evolution of Coding Agents, nghiên cứu mã nguồn 11 hệ thống, công bố năm 2026. Kết quả mô tả mẫu khảo sát, không đại diện cho mọi AI Agent. ↩