Muốn agent làm tốt hơn, đôi khi việc cần làm không phải là cài thêm skill - mà là xóa bớt.

Nghe ngược đời, vì phản xạ tự nhiên llà cài thật nhiều skill, gắn thật nhiều MCP server, để AI tự viết luôn CLAUDE.md, và window một triệu token thì cứ tận dụng cho hết. Nhưng thực tế việc này lại không đồng nghĩa với cách một agent thực sự hoạt động tốt.

Gần đây có bài viết "A beginner's guide to managing context for AI agents" của Eugene Meidinger và Kurt Buhler. Nhiều đoạn trong đó gợi hình ảnh rất quen với dân BI - như thể cùng một bài toán, chỉ đổi tên gọi.

✨ Context là gì, và vì sao càng nhiều chưa chắc càng tốt?

LLM không có trí nhớ thật. Mỗi lượt, nó chỉ "nhìn thấy" những gì được đưa vào: system prompt, CLAUDE.md / AGENTS.md, mô tả tool, lịch sử chat, kết quả tool... Toàn bộ phần đó gộp lại gọi là context.

Context không miễn phí, và quá nhiều thì kéo theo ba hệ quả:

▪️ Agent càng dễ làm kém khi context càng dài - kể cả ở việc đơn giản như nhớ lại điều vừa nói (gọi là context rot). Không phải vì model yếu đi, mà vì mỗi token cũ vẫn tiếp tục cạnh tranh sự chú ý với yêu cầu mới nhất.

▪️ Context không liên quan khiến agent bị phân tâm, khó bám sát instruction đã đưa.

▪️ Token nào cũng tính tiền, nên context dư thừa là chi phí âm thầm cộng dồn.

Window một triệu token cũng vậy - tác giả ví như tải trọng thang máy: chở được không có nghĩa là nên chất tới nóc.

Dân BI đọc tới đây sẽ thấy khá quen, vì context engineering chạy trên đúng những nguyên tắc BI vẫn làm hằng ngày:

→ Muốn tối ưu data model, cách dễ nhất là giảm data. Muốn tối ưu agent, nguyên tắc tương tự: giảm context, bớt những gì không trực tiếp phục vụ việc đang làm.

→ Token caching có thể hiểu gần giống query folding: cả hai đều tránh làm lại phần việc đã xử lý. Input token được cache thường rẻ hơn 50-90%, nhưng đổi model giữa session là mất cache.

→ Curate context cũng cần đều tay như cập nhật semantic model khi business đổi: việc "vệ sinh" này không gấp nên dễ bị bỏ qua, nhưng bỏ lâu là hệ thống xuống cấp dần mà không ai nhận ra ngay.

✨ Vậy quản context thế nào?

5 nguyên tắc, đều xoay quanh một chủ đích: giữ phần "luôn có mặt" trong context càng gọn càng tốt, chỉ mở rộng khi cần.

1️⃣ Cái gì load mọi session thì phải cực gọn

CLAUDE.md / AGENTS.md nên ngắn, cần thêm gì thì trỏ tới file tham chiếu. Tác giả khuyên cứ tưởng tượng mỗi chữ viết vào đó tốn 5 cent.

2️⃣ Progressive disclosure: cần tới đâu đưa tới đó

→ Frontmatter của skill (khoảng 100 token) luôn nằm trong context.

→ Thân SKILL.md (dưới 5k token) chỉ được đọc khi skill đó thực sự được gọi.

→ File tham chiếu không tốn gì cho tới lúc agent chủ động mở ra.

Nhờ vậy, một agent có hàng chục skill vẫn giữ context nền rất nhẹ. Vì vậy description phải ghi rõ skill dùng khi nào: mơ hồ khiến agent đọc skill quá thường, hoặc chẳng bao giờ đọc.

3️⃣ Scope đúng chỗ

Skill của project pricing thì nên nằm trong project pricing, không đặt ở mức dùng chung cho mọi project. Mỗi skill, mỗi MCP server cài thêm là một khoản "thuế" trả mỗi session, dù có dùng tới hay không.

4️⃣ Clear thường xuyên, compact thỉnh thoảng

Compact là tóm tắt, mà tóm tắt thì mất chi tiết; compact nhiều lần khiến session xuống cấp dần. Tốt hơn là mở session mới, hoặc cho agent viết HANDOFF.md ngắn để session sau đọc lại. Subagent cũng giúp được, vì nó chạy với context riêng, xong việc chỉ trả kết quả mà không làm nhiễu context chính.

5️⃣ Cái gì bắt buộc thì đừng dặn, hãy chặn

Muốn agent kiểm tra data đúng cách → đưa sẵn query .dax / .sql mẫu. Không muốn nó chạy lệnh nào → viết hook chặn. Lý do: instruction phải cạnh tranh với mọi thứ khác trong context, nên không đảm bảo luôn được tuân theo; một rào chặn bằng code thì không cạnh tranh với ai - nó chạy, hoặc không cho chạy.

Phần đáng đọc nhất của bài viết lại không nằm ở năm nguyên tắc trên, mà ở một tiêu đề có tới ba dấu chấm than: "Don't let AI write (all) your context!!!"

→ LLM thường viết dài, kèm nhiều chi tiết chỉ liên quan một phần - những chi tiết agent có thể tự tra lại khi cần, không cần nằm sẵn trong context.

→ Context do người viết có giá trị riêng vì nó biến kiến thức ngầm thành thứ rõ ràng, kiểm chứng được. AI viết thì chủ yếu tóm tắt lại cái đã có - kiểu tam sao thất bản, mỗi lần tóm tắt lại mất thêm một ít sắc thái của bản gốc.

→ Nhờ AI nháp bản đầu, viết skill nhỏ dùng riêng, hay sửa có mục tiêu thì được, miễn có người duyệt. Còn context dùng cho cả tổ chức thì không nên giao hẳn cho AI — phần đó cần một người hiểu nghiệp vụ xác nhận là đúng, không phải chỗ để AI tự suy diễn thay.

✨ Tóm lại

Đọc tới đây, liên tưởng ngay tới Agentic BI Kit đang được MDA xây: 61 file SKILL.md cùng CLAUDE.md, trải qua 14 layer, 15 agent - một ví dụ cụ thể cho scope đúng chỗ và progressive disclosure, chỉ khác là quá trình hướng dẫn AI làm từng bước.

Đây cũng chính là tinh thần của Semantic Layer trước, AI Agent sau. Doanh thu thuần có trừ hàng trả về không? Có loại giao dịch test cần loại ra không? Những câu hỏi tưởng nhỏ đó là kiến thức ngầm của người hiểu nghiệp vụ. Không ai ghi ra thì AI viết SQL vẫn chạy ngon - chỉ là sai ngay từ logic business.

Context engineering, vì vậy, không phải kỹ năng mới toanh. Chính tác giả cũng nói chỗ này chẳng có gì mới, chỉ là thói quen tốt làm đều tay: documentation, semantic model, source control, những bước dân BI vẫn làm từ trước. Ai từng bỏ qua thì giờ gặp lại, dưới một cái tên mới.

Token maxxing ≠ Outcome maxxing. Đầy context không đồng nghĩa với quyết định đúng hơn nhiều khi chỉ tạo ra một câu trả lời tốn tiền hơn.

Còn bạn: CLAUDE.md / AGENTS.md hiện đang dài bao nhiêu dòng? Tự viết, hay để AI viết hết?

Chuyện xếp lớp SOUL.md / SKILL.md / CLAUDE.md cũng là một phần được dạy trong khóa Agentic AI Analytics. Tìm hiểu về chương trình bạn sẽ học được kiến thức thật sự nền tảng & ứng dụng thực tế cao, không chỉ kiến thức bề mặt!

---

🔔+250.000 người đăng ký theo dõi chúng tôi trên các nền tảng: https://www.mastering-da.com/newsletter

📌Các chương trình ANALYTICS ứng dụng vào AGENTIC AI - phiên bản NÂNG CẤP mới nhất 2026, kế thừa nền tảng đào tạo Analytics hàng đầu Việt Nam từ 2020, tập trung vào tư duy phân tích, năng lực ra quyết định và ứng dụng AI trong thực tế doanh nghiệp

→ Agentic AI Analytics (BI) dành cho mọi phòng ban làm việc với dữ liệu: https://www.mastering-da.com/agentic-ai-anlytics-program

→ Finance Analytics Agent Skills (FA) dành cho tài chính, kế hoạch, quản trị, CFO: https://www.mastering-da.com/finance-analytics-agent-skills-program

Tại MDA nơi tập trung vào tư duy phân tích & năng lực ra quyết định, không chỉ công cụ.

#PhuongThaoAnalytics #AI #Analytics #DataDriven #AgenticAI #MasteringDataAnalytics

Until next time, keep turning data into decisions!