Khi ứng dụng AI Agent phát triển nhanh chóng, các nhà phát triển đang chuyển từ “Prompt Engineering” sang thiết kế hệ thống có cấu trúc rõ ràng hơn. Hướng dẫn mới nhất của Google Cloud Tech đã đề xuất năm mô hình thiết kế, nhằm xây dựng khung phát triển đáng tin cậy và có thể tái sử dụng cho kỹ năng của AI Agent (Agent Skills).
Bài chia sẻ do Shubham Saboo và Lavi Nigam viết chỉ ra rằng, khi SKILL.md trở thành tiêu chuẩn được hơn 30 loại công cụ áp dụng, trọng tâm phát triển đã chuyển từ “cách đóng gói” sang “cách thiết kế logic nội bộ”, đánh dấu bước tiến chính thức của phát triển AI vào giai đoạn kỹ thuật hóa mới.
SKILL.md trở thành tiêu chuẩn, kỹ năng AI Agent hướng tới mô-đun hóa
Khái niệm Agent Skills lần đầu được đề xuất bởi Anthropic, hiện đã phát triển thành tiêu chuẩn mã nguồn mở. Cốt lõi của nó là thông qua cấu trúc thư mục mô-đun và tệp SKILL.md, cho phép AI Agent tải khả năng theo nhu cầu.
SKILL.md không chỉ chứa lệnh và metadata mà còn có thể tham chiếu tài nguyên bên ngoài, giúp Agent khi thực thi nhiệm vụ sử dụng phương pháp “tiết lộ dần dần”, tránh làm quá tải ngữ cảnh, nâng cao hiệu quả và độ chính xác.
Hiện tại, hơn 30 công cụ như Claude Code, Gemini CLI, Cursor đã áp dụng tiêu chuẩn này, cho thấy nó đang nhanh chóng trở thành nền tảng phát triển AI Agent.
Từ Prompt Hack đến mô hình thiết kế: phân tích năm kiến trúc cốt lõi
Google Cloud Tech chỉ ra rằng, nhiều nhà phát triển vẫn quá chú trọng vào cấu trúc YAML và thiết kế thư mục, nhưng thực sự then chốt nằm ở “logic nội bộ của kỹ năng”. Vì vậy, nhóm đã đề xuất năm mô hình thiết kế có thể tái sử dụng, giúp các nhà phát triển xây dựng hệ thống AI ổn định và dự đoán được.
Tool Wrapper: giúp AI trở thành chuyên gia ngay lập tức
Tool Wrapper là mô hình cơ bản nhất, đóng gói các công cụ hoặc framework cụ thể thành kỹ năng, cho phép AI truy cập kiến thức chuyên môn nhanh chóng khi cần.
Ví dụ, khi phát triển bằng FastAPI, có thể đặt các quy chuẩn API và thực hành tốt nhất vào thư mục references/, chỉ tải khi nhiệm vụ liên quan được kích hoạt, tránh làm quá tải prompt chính.
Generator: động cơ chính để chuẩn hóa đầu ra
Mô hình Generator phù hợp với các kịch bản yêu cầu đầu ra nhất quán, như tài liệu API, thông điệp commit tự động hoặc tạo mẫu dự án.
Cốt lõi của nó là đặt mẫu vào thư mục assets/, kết hợp với hướng dẫn phong cách trong references/, do kỹ năng chịu trách nhiệm điền nội dung. Cách làm này giúp đầu ra vừa chuẩn hóa vừa linh hoạt.
Reviewer: xây dựng cơ chế kiểm tra có thể định lượng
Mô hình Reviewer tách biệt “tiêu chuẩn kiểm tra” và “logic thực thi”. Nhà phát triển có thể tạo danh sách kiểm tra trong references/, ví dụ như chất lượng mã hoặc quy chuẩn an toàn.
AI sẽ dựa trên các tiêu chuẩn này để chấm điểm và xuất ra kết quả có cấu trúc. Nếu thay thế bằng các tiêu chuẩn an toàn OWASP, có thể nhanh chóng chuyển thành công cụ rà quét lỗ hổng, phù hợp đặc biệt cho quy trình kiểm duyệt PR tự động.
Inversion: từ người trả lời thành người đặt câu hỏi
Mô hình Inversion đảo ngược quy trình truyền thống của AI, buộc Agent phải đặt câu hỏi có cấu trúc trước.
Thông qua giới hạn “không tiếp tục trước khi hoàn thành”, AI phải thu thập đầy đủ yêu cầu từng bước, rất phù hợp cho các dự án cần nhiều ngữ cảnh, giúp tránh các lỗi do thiếu thông tin.
Pipeline: trung tâm điều khiển quy trình các nhiệm vụ phức tạp
Mô hình Pipeline thiết kế cho các nhiệm vụ nhiều bước, bắt buộc thực thi theo thứ tự và có điểm kiểm tra, đồng thời có thể thêm cơ chế xác nhận của người dùng.
Ví dụ, trong quy trình tạo tài liệu, phải xác nhận docstring trước rồi mới tiến hành lắp ráp cuối cùng. Mô hình này đảm bảo từng giai đoạn đều đúng như mong đợi, tránh bỏ sót bước gây lỗi.
Tổ hợp mô-đun: các cách chơi nâng cao cho kỹ năng AI Agent
Năm mô hình thiết kế này không tồn tại độc lập mà có thể linh hoạt kết hợp. Ví dụ:
Pipeline có thể tích hợp Reviewer để tự kiểm tra
Generator có thể kết hợp Inversion để thu thập tham số trước
Google cung cấp bộ phát triển Agent (ADK) hỗ trợ nguyên bản, qua SkillToolset chỉ tải các module cần thiết khi thực thi, tối ưu hóa hiệu quả sử dụng token.
Ngoài ra, còn có cây quyết định (decision tree) giúp nhà phát triển chọn mô hình phù hợp theo từng kịch bản, giảm đáng kể rào cản thiết kế.
Chuyển sang thời đại kỹ thuật hóa trong phát triển AI: độ tin cậy trở thành yếu tố then chốt
Google Cloud Tech nhấn mạnh: “Đừng cố nhồi nhét các lệnh phức tạp và dễ bị tổn thương vào một system prompt duy nhất.”
Câu này chỉ ra bước chuyển lớn trong phát triển AI — từ giai đoạn thử nghiệm dựa vào prompt hack, tiến tới phương pháp thiết kế kỹ thuật có cấu trúc và nguyên tắc, tương tự quá trình chuyển đổi của kỹ thuật phần mềm từ thời kỳ đầu sang mô hình thiết kế.
Phản hồi từ cộng đồng trên nền tảng X cũng rất sôi nổi, nhiều nhà phát triển gọi đây là “điểm khởi đầu của thiết kế hệ thống AI”, thậm chí cho rằng các mô hình này có thể giúp tránh tình trạng Agent trở thành “spaghetti” khó bảo trì.
Hiện tại, quy chuẩn Agent Skills đã hoàn toàn mở mã nguồn, Google ADK cũng cung cấp tài liệu và ví dụ đầy đủ (google.github.io/adk-docs), giúp các nhà phát triển nhanh chóng bắt đầu.
