Stephan_

Gói đăng ký đáng tiền nhất hiện nay không phải là opencode-go
cũng không phải commandcode-goat
mà là ChatGPT-plus 😂

Gần đây tôi vẫn luôn suy nghĩ về một vấn đề: Khi viết skill cho các mô hình tiên tiến, nên cân bằng giữa tính xác định và tính linh hoạt như thế nào?
Tính xác định nghĩa là sử dụng nhiều ràng buộc cứng hoặc mã hơn để viết skill
Tính linh hoạt nghĩa là ít chi tiết và ràng buộc hơn, chỉ viết skill từ góc độ high-level và prompt-driven
Giữa hai yếu tố này cần có một sự cân bằng động, không có một đáp án duy nhất
Nguyên nhân là do tôi đang so sánh /spec-implement do matt viết với /pi-matt-implement-flow do tôi viết
Quy trình và framework của tôi đặt ra rất nhiều giới hạn, ưu điểm là tính xác định

Suy nghĩ gần đây🤔:
Nên dành nhiều thời gian hơn cho việc xây dựng bộ dữ liệu đánh giá eval, cũng như đánh giá độ chính xác và tính đầy đủ, sau đó thúc đẩy việc cải tiến nghiệp vụ thông qua xây dựng eval loop
thay vì trực tiếp vibe coding mã nguồn nghiệp vụ
Trong trường hợp lý tưởng, với goal + eval loop hợp lý, mã nguồn nghiệp vụ lẽ ra có thể tự cải tiến
Đang thử chuyển hướng theo cách này, hoan nghênh trao đổi.

Tại sao điểm số trong nhiều bài đánh giá AI lại không hoàn toàn giống với trải nghiệm thực tế của chính mình?
Tôi nghĩ mấu chốt là phần lớn các bài đánh giá đều giống như vừa nghe tiếng súng lệnh là xem ai chạy được xa hơn
Còn chạy đến đâu thì không quan tâm, chạy lên tận trời cũng được, toàn bộ quá trình đánh giá không cần hội tụ
Trong các tình huống thực tế, điều khiến người ta mệt mỏi nhất là quá trình hội tụ và căn chỉnh; chạy xa chưa chắc đã tốt, có thể一直 chạy trong đường đua mới là tốt.

Đã quen dùng Deepseek-v4-flash, tôi thực sự không chịu nổi GLM-5.3-flash 😂
Mấu chốt là GLM chậm thì cũng đành, nhưng lại thường xuyên báo lỗi, độ ổn định không tốt lắm
Như vậy hoàn toàn có thể dùng mô hình mạnh hơn để lập kế hoạch + deepseek-v4-flash để thực thi thay thế mà.

Hãy suy nghĩ về một vấn đề: Liệu có một framework có thể kết hợp một template dịch vụ SaaS hoàn chỉnh + AI harness + skill tùy chỉnh thành một framework có thể cắm thêm không?
DeepSeek Harness có thể trở thành một cơ sở hạ tầng như vậy không? Có dự án nào khác đã được định hình không?

Smart zone mà Matt Pocock đề cập là độ dài ngữ cảnh khoảng 120 nghìn token; trải nghiệm của tôi với grok-4.6 cũng gần tương tự, khi tiến gần đến khoảng 200 nghìn token thì bắt đầu có dấu hiệu kém thông minh rõ rệt. Không biết trải nghiệm của mọi người thế nào? Các mô hình khác cũng có smart zone rõ rệt như vậy không?

grok build là TUI có trải nghiệm tốt nhất mà tôi từng sử dụng, giờ kết hợp với grok-4.6 thì có thể nói là ông vua về hiệu năng trên chi phí. Chủ yếu là tốc độ của grok nhanh hơn nhiều mô hình hàng đầu, nếu chất lượng có thể đứng trong nhóm dẫn đầu thì sức cạnh tranh sẽ quá mạnh (hơn nữa cứ nạp tiền thoải mái mà không bị khóa tài khoản)!

Sau khi xem xong ba tiếng rưỡi podcast của Lão Lạc phỏng vấn Chu Hồng Huy, có thể nghe ra rằng Lão Chu thực sự có rất nhiều kinh nghiệm thực tiễn trong ngành, thật tiếc là những câu hỏi của Lão Lạc không đủ sâu sắc và chuyên nghiệp, có chút đáng tiếc.
Chẳng hạn, khi Lão Lý đề cập đến quan điểm rằng mô hình hàng đầu ở nước ngoài là như vậy, tôi nghĩ rằng điều đó có phần thiên lệch. Bởi vì các lĩnh vực khác nhau có mô hình tốt nhất khác nhau, chẳng hạn như trong lĩnh vực lập trình, hiện tại claude-4 và gpt-5-codex có thể đều tốt hơn; lại còn như vấn đề ảo giác LLM mà Lão Chu đã đề cập không chỉ

OpenAI đã phát hành một "Hướng dẫn lập trình GPT-5", đưa ra 6 thực tiễn tốt nhất khi sử dụng GPT-5 để lập trình AI:
# 1. Lệnh nên chính xác, tránh xung đột thông tin
Mẫu GPT-5 mới đã có sự cải thiện đáng kể trong khả năng tuân theo hướng dẫn, nhưng điều này cũng mang lại một tác dụng phụ: khi đối mặt với các hướng dẫn mơ hồ hoặc mâu thuẫn, nó có thể gặp khó khăn trong việc xử lý. Tình huống này đặc biệt cần được chú ý trong .cursor/rules hoặc tệp cấu hình của bạn.
# 2. Đặt mức độ suy luận phù hợp
GPT-5 luôn thực hiện một mức độ suy luận nhất định khi giải quyết vấn đề. Để đạt được hiệu quả tốt