Từ việc tìm hiểu Skill, đến việc hiểu cách xây dựng Crypto Research Skill
- Quan điểm cốt lõi: Bài viết phân tích sâu về công nghệ Agent Skill do Anthropic ra mắt, trình bày quá trình phát triển của nó từ tính năng độc quyền của Claude trở thành mô hình thiết kế cơ sở chung trong lĩnh vực AI Agent, đồng thời tập trung phân tích sự khác biệt bản chất giữa nó với giao thức MCP và giá trị ứng dụng phối hợp trong bối cảnh nghiên cứu đầu tư tiền mã hóa.
- Yếu tố then chốt:
- Agent Skill được Anthropic ra mắt và mở thành tiêu chuẩn vào cuối năm 2025, nhằm mục đích mô-đun hóa khả năng AI, thông qua hình thức "tài liệu hướng dẫn" để nâng cao tính ổn định và hiệu quả thực thi nhiệm vụ, giảm thiểu sự dư thừa trong việc tối ưu Prompt.
- Cơ chế hoạt động cốt lõi của nó là "tiết lộ dần dần", chia thành ba lớp (siêu dữ liệu, chỉ lệnh, tài nguyên) và tải theo nhu cầu, tiết kiệm Token tối đa và duy trì hiệu quả cao, trong đó Reference được sử dụng để kích hoạt có điều kiện đọc kiến thức bên ngoài, Script được sử dụng để thực thi mã nguồn bên ngoài.
- Agent Skill và MCP có sự khác biệt bản chất: MCP là "đường ống dữ liệu" được tiêu chuẩn hóa, chịu trách nhiệm kết nối nguồn dữ liệu bên ngoài; còn Skill là "quy tắc hành vi (SOP)", chịu trách nhiệm quy định cách mô hình xử lý dữ liệu.
- Trong thực chiến nghiên cứu đầu tư tiền mã hóa, hai bên có thể kết hợp mạnh mẽ, hình thành mô hình "MCP cung cấp nước, Skill ủ rượu", ví dụ như sử dụng MCP để lấy dữ liệu on-chain và tin tức, sau đó thông qua Skill sắp xếp quy trình làm việc tự động tạo báo cáo thẩm định hoặc phát hiện tín hiệu giao dịch.
- Sự kết hợp này có thể xây dựng quy trình làm việc chuyên nghiệp tự động hóa cao, như thẩm định nhanh token mới (xác thực chéo Twitter, dư luận, phân tích AI) và phát hiện tín hiệu giao dịch theo sự kiện thời gian thực (thông qua WebSocket lắng nghe luồng tin tức và kích hoạt cảnh báo).
Tác giả gốc: @BlazingKevin_ , Nhà nghiên cứu Blockbooster
1. Bối cảnh ra đời và sự tiến hóa của Agent Skill
Đến năm 2025, lĩnh vực AI Agent đang ở ngưỡng cửa quan trọng chuyển từ "khái niệm công nghệ" sang "triển khai thực tế". Trong quá trình này, những khám phá của Anthropic về việc đóng gói năng lực đã vô tình thúc đẩy một sự chuyển đổi mô hình ở cấp độ ngành.
Ngày 16 tháng 10 năm 2025, Anthropic chính thức ra mắt Agent Skill. Ban đầu, định vị chính thức về tính năng này tỏ ra rất thận trọng - nó chỉ được coi là một mô-đun hỗ trợ để nâng cao hiệu suất của Claude trong các nhiệm vụ chuyên sâu cụ thể (như logic mã phức tạp, phân tích dữ liệu cụ thể).
Tuy nhiên, phản hồi từ thị trường và các nhà phát triển đã vượt xa mong đợi. Mọi người nhanh chóng phát hiện ra rằng thiết kế "mô-đun hóa năng lực" này thể hiện tính tách rời và linh hoạt cực cao trong kỹ thuật thực tế. Nó không chỉ giảm sự dư thừa trong việc tối ưu hóa Prompt mà còn cải thiện đáng kể độ ổn định của Agent khi thực hiện các nhiệm vụ cụ thể. Trải nghiệm này nhanh chóng tạo ra phản ứng dây chuyền trong cộng đồng nhà phát triển. Trong thời gian ngắn, các công cụ sản xuất và môi trường phát triển tích hợp (IDE) hàng đầu bao gồm VS Code, Codex, Cursor đều theo kịp, lần lượt hoàn thành hỗ trợ cơ sở cho kiến trúc Agent Skill.
Đối mặt với sự mở rộng tự phát của hệ sinh thái, Anthropic đã nắm bắt được giá trị cơ bản phổ quát của cơ chế này. Ngày 18 tháng 12 năm 2025, Anthropic đã đưa ra một quyết định mang tính bước ngoặt trong ngành: chính thức phát hành Agent Skill như một tiêu chuẩn mở.
Tiếp theo, vào ngày 29 tháng 1 năm 2026, chính thức đã phát hành hướng dẫn sử dụng chi tiết về Skill, từ cấp độ giao thức đã phá vỡ hoàn toàn rào cản kỹ thuật về việc tái sử dụng đa nền tảng, đa sản phẩm. Loạt hành động này đánh dấu Agent Skill đã hoàn toàn thoát khỏi nhãn "phụ kiện độc quyền của Claude", chính thức tiến hóa thành một mô hình thiết kế cơ sở phổ quát trong toàn bộ lĩnh vực AI Agent.
Đến đây, một câu hỏi lớn được đặt ra: Agent Skill này, khiến các công ty lớn và nhà phát triển cốt lõi đều đón nhận, cuối cùng đã giải quyết điểm đau cốt lõi gì trong kỹ thuật cơ sở? Giữa nó và MCP đang rất nổi hiện nay, có sự khác biệt và mối quan hệ hợp tác bản chất như thế nào?
Để làm rõ triệt để những vấn đề này, và cuối cùng đặt chúng vào việc xây dựng thực tế của nghiên cứu đầu tư trong ngành mã hóa, bài viết này sẽ tiến hành thảo luận sau đây theo từng lớp:
- Phân tích khái niệm: Bản chất của Agent Skill và cách xây dựng kiến trúc cơ sở của nó.
- Quy trình làm việc cơ bản: Tiết lộ logic vận hành cơ sở và luồng thực thi của nó.
- Cơ chế nâng cao: Phân tích sâu hai cách sử dụng nâng cao: Reference và Script.
- Ví dụ thực tế: Phân tích sự khác biệt bản chất giữa Agent Skill và MCP, và trình diễn ứng dụng kết hợp trong bối cảnh nghiên cứu đầu tư Crypto.
2. Agent Skill là gì và cách xây dựng cơ bản
Cuối cùng Agent Skill là gì? Nói một cách dễ hiểu nhất, nó thực chất là một "tài liệu hướng dẫn chuyên dụng" mà mô hình lớn có thể tham khảo bất cứ lúc nào.
Trong quá trình sử dụng AI hàng ngày, chúng ta thường gặp phải một điểm đau: mỗi lần bắt đầu cuộc trò chuyện mới, đều phải dán lại yêu cầu dài dòng một lần nữa. Và Agent Skill được sinh ra để giải quyết rắc rối này.
Lấy một ví dụ thực tế: Giả sử bạn muốn tạo một Agent "dịch vụ khách hàng thông minh", bạn có thể viết rõ quy tắc trong Skill: "Khi gặp phải khiếu nại của người dùng, bước đầu tiên phải xoa dịu cảm xúc, và tuyệt đối không được tùy tiện đưa ra lời hứa bồi thường." Lại ví dụ, bạn thường xuyên cần "tổng kết cuộc họp", bạn có thể trực tiếp định sẵn mẫu trong Skill: "Mỗi lần xuất bản tóm tắt cuộc họp, phải tuân thủ nghiêm ngặt ba phần 'Người tham gia', 'Chủ đề cốt lõi', 'Quyết định cuối cùng' để định dạng."
Có "tài liệu hướng dẫn" này, bạn không cần phải lặp lại chuỗi lệnh dài dòng đó trong mỗi cuộc trò chuyện. Khi nhận nhiệm vụ, mô hình lớn sẽ tự động tham khảo Skill tương ứng, lập tức biết nên sử dụng tiêu chuẩn nào để làm việc.
Tất nhiên, "tài liệu hướng dẫn" chỉ là một phép ẩn dụ đơn giản để mọi người dễ hiểu. Trên thực tế, Agent Skill có thể làm được nhiều việc hơn nhiều so với việc chỉ quy định định dạng đơn thuần, những tính năng cao cấp "sát thủ" của nó sẽ được phân tích chi tiết trong các chương sau. Nhưng trong giai đoạn bắt đầu, bạn hoàn toàn có thể coi nó như một bản hướng dẫn nhiệm vụ hiệu quả.
Tiếp theo, chúng ta hãy sử dụng kịch bản "tổng kết cuộc họp" quen thuộc nhất với mọi người, để xem cuối cùng nên bắt đầu tạo một Agent Skill như thế nào. Toàn bộ quá trình không cần kiến thức lập trình phức tạp.
Theo thiết lập của các công cụ chủ lưu hiện nay (như Claude Code), chúng ta cần tìm (hoặc tạo mới) một thư mục tên là .claude/skill trong thư mục người dùng của máy tính, đây chính là "căn cứ" lưu trữ tất cả các Skill.
Bước đầu tiên, tạo một thư mục mới trong thư mục này. Tên của thư mục này, chính là tên của Agent Skill này. Bước thứ hai, trong thư mục vừa tạo, tạo một tệp văn bản tên là skill.md.
Mỗi Agent Skill đều phải có một tệp skill.md như vậy. Tác dụng của nó là nói với AI: Tôi là ai, tôi có thể làm gì, và bạn nên làm việc theo yêu cầu của tôi như thế nào. Mở tệp này, bạn sẽ thấy nó được chia rõ ràng thành hai phần trên dưới:
Ở phần đầu tệp, thường là khu vực được bao bọc bởi hai dấu gạch ngang ngắn ---. Trong này chỉ viết hai thuộc tính cốt lõi: name và description.
name: chính là tên của Skill này, phải giống hệt với tên thư mục bên ngoài.description: Đây là một phần cực kỳ quan trọng. Nó chịu trách nhiệm giải thích cho mô hình lớn về công dụng cụ thể của Skill này. AI ở phía sau sẽ liên tục quét mô tả của tất cả các Skill, để đánh giá câu hỏi hiện tại của người dùng cuối cùng nên được giải đáp bằng Skill nào. Do đó, viết một đoạn mô tả chính xác, toàn diện là tiền đề lớn để đảm bảo Skill của bạn có thể được AI đánh thức chính xác.
Phần còn lại bên dưới dấu gạch ngang, chính là các quy tắc cụ thể viết cho AI xem. Chính thức gọi phần này là "lệnh". Đây là nơi bạn phát huy, bạn cần mô tả chi tiết logic mà mô hình cần tuân theo ở đây. Ví dụ trong ví dụ tổng kết cuộc họp, bạn có thể quy định ở đây bằng ngôn ngữ thông thường: "Phải tóm tắt được danh sách người tham gia, chủ đề thảo luận và quyết định cuối cùng được thực hiện."
Hoàn thành các bước này, một Agent Skill đơn giản nhưng rất thực tế đã ra đời.
Tuy nhiên, một Skill thực sự hữu dụng thường bắt đầu từ thiết kế chu đáo trước đó. Trước khi gõ dòng chữ đầu tiên trên bàn phím, việc xác định rõ ràng mục tiêu, phạm vi và tiêu chuẩn thành công sẽ giúp quá trình xây dựng của bạn đạt được kết quả gấp đôi với nỗ lực một nửa.
Bước đầu tiên xây dựng Skill, thực chất không phải là nghĩ "Tôi có thể khiến AI tạo ra những trò gì", mà là tự hỏi bản thân: "Cuối cùng tôi cần giải quyết vấn đề lặp đi lặp lại nào trong công việc hàng ngày?" Đề xuất ban đầu nên xác định cụ thể 2 đến 3 kịch bản rõ ràng mà Skill này nên bao phủ.
Thứ hai, là xác định tiêu chuẩn thành công. Làm thế nào bạn biết Skill mình viết ra có tốt không? Trước khi bắt tay vào làm, hãy đặt ra một vài tiêu chuẩn có thể đo lường được cho nó. Ví dụ tiêu chuẩn định lượng có thể là "tốc độ xử lý có nhanh hơn không", tiêu chuẩn định tính có thể là "quyết định cuộc họp nó trích xuất có đủ chính xác và không bỏ sót mỗi lần không".
3. Quy trình làm việc cơ bản của Agent Skill
Sau khi hiểu được diện mạo cơ bản của Agent Skill, chúng ta không khỏi thắc mắc: Trong quá trình vận hành thực tế, bộ "tài liệu hướng dẫn" này cuối cùng phát huy tác dụng như thế nào?
Nếu bạn đã trải nghiệm các sản phẩm như Manus AI gần đây, bạn có lẽ đã trải qua kịch bản như thế này: Khi bạn đưa ra một câu hỏi cụ thể, AI không lập tức bắt đầu "diễn thuyết dài dòng" hoặc tạo ra ảo giác, mà nhận thức sắc bén rằng "việc này thuộc quản lý của một Agent Skill cụ thể". Do đó, nó sẽ bật lên một thông báo trên giao diện, hỏi bạn có cho phép gọi Skill đó không.
Khi bạn nhấp "Đồng ý", AI giống như thay đổi thành một người khác, tuân thủ nghiêm ngặt các quy tắc đã đặt trước và xuất kết quả hoàn hảo.
Đằng sau tương tác "yêu cầu-đồng ý-thực thi" tưởng chừng đơn giản này, thực chất ẩn chứa một quy trình làm việc cơ sở vận hành cực kỳ tinh tế. Để giải thích triệt để cơ chế này, chúng ta cần xác định rõ "ba vai trò cốt lõi" tham gia tương tác trong toàn bộ quy trình:
- Người dùng: Người khởi xướng yêu cầu nhiệm vụ.
- Công cụ phía client (như Claude Code, v.v.): "Người trung gian" chịu trách nhiệm điều phối và tổng hợp.
- Mô hình ngôn ngữ lớn: "Bộ não" chịu trách nhiệm hiểu ý định và tạo ra kết quả cuối cùng.
Khi chúng ta nhập một yêu cầu vào hệ thống (ví dụ: "Giúp tôi tổng kết cuộc họp dự án sáng nay"), ba vai trò này sẽ thực hiện bốn bước hợp tác chính xác như sau:
Bước 1: Quét nhẹ (truyền siêu dữ liệu)
