Nguyen Le PhongNguyen Le Phong
CV
← Về trang Blog

Bài viết

AI & Future of Work

Hiểu AI đủ rõ để dùng tốt hơn, build chắc hơn và không bị cuốn theo hype.

Những bài viết dành cho engineer và người làm sản phẩm muốn làm việc thông minh hơn với AI: prompt, context engineering, LLM, AI agent, workflow và rủi ro khi đưa AI vào production. Giọng viết đi theo hướng thực tế: AI giúp gì, giới hạn ở đâu, và mình nên thay đổi cách học, cách làm thế nào để đi nhanh hơn mà vẫn giữ được phán đoán của con người.

AI & Future of Work

Cognitive debt trong AI-assisted development: khi code lớn nhanh hơn mức team hiểu

AI coding tools có thể làm team sinh code nhanh hơn tốc độ team hiểu, review, debug và vận hành an toàn phần code đó. Bài viết giải thích cognitive debt, khác gì technical debt và intent debt, vì sao agentic coding làm khoản nợ này rõ hơn, và các cách giảm rủi ro: giới hạn batch size, bắt PR nói rõ why/invariant/rollback, giữ checkpoint con người, xem prototype AI là bản nháp, và dùng AI để trả nợ hiểu biết thay vì chỉ tạo thêm artifact.

15 phút đọc
AI & Future of Work

Trong thời đại AI, tham vọng nên lớn hơn nỗi sợ

AI có thể làm nhiều việc nhanh hơn, rẻ hơn và đều hơn con người. Điều đó đáng lo nếu mình chỉ muốn giữ nguyên cách làm cũ. Nhưng nếu nhìn AI như một đòn bẩy, câu hỏi thú vị hơn là: mình có thể đặt mục tiêu lớn hơn đến đâu? Bài này là một lời nhắc tỉnh táo về tham vọng, học hỏi và cách dùng AI để mở rộng giới hạn thay vì thu mình lại.

11 phút đọc
AI & Future of Work

Từ SDLC đến ADLC: AI Agent đang thay đổi cách làm phần mềm ra sao

Khi AI agent bắt đầu tham gia planning, coding, testing và deployment, vòng đời phát triển phần mềm cũng đổi nhịp. Bài này so sánh SDLC truyền thống với ADLC, giải thích những phần việc đang được tự động hóa, những phần vẫn cần phán đoán của engineer, và cách bắt đầu dùng agent an toàn mà không giao hết tay lái.

15 phút đọc
AI & Future of Work

AI Agent là gì: cách nó hoạt động và khi nào thật sự hữu ích

AI agent không chỉ trả lời câu hỏi; nó có thể nhận mục tiêu, chia việc, dùng tool và quay lại kiểm tra kết quả. Bài này giải thích agent bằng ngôn ngữ ít thuật ngữ: vòng lặp cơ bản, các thành phần chính, mức độ tự chủ, ví dụ trong công việc hằng ngày, và những rủi ro cần biết trước khi để agent làm thay mình.

17 phút đọc
AI & Future of Work

Từ prompt đến workflow: cách thiết kế AI workflow tiết kiệm thời gian mỗi tuần

Một prompt hay có thể giúp một lần; một workflow tốt có thể giúp lặp lại mỗi tuần. Bài này chỉ cách biến các việc quen thuộc thành AI workflow: xác định input, chia bước, kiểm tra output, tái sử dụng template và đo thời gian tiết kiệm được. Mục tiêu không phải dùng AI cho vui, mà để giảm việc lặp lại và có thêm thời gian cho phần cần suy nghĩ thật.

18 phút đọc
AI & Future of Work

Xu hướng AI 2026: nhìn bớt hype, tìm giá trị thật

Tin tức AI thay đổi nhanh đến mức rất dễ mệt. Bài này chọn lọc những xu hướng đáng theo dõi hơn trong năm 2026 như agentic AI, multimodal, AI trong app hằng ngày, on-device AI và vai trò ngày càng lớn của phán đoán con người. Quan trọng hơn, bài đưa ra một cách lọc hype để biến xu hướng thành thử nghiệm nhỏ có giá trị thật.

18 phút đọc
AI & Future of Work

AI đang đổi vai trò BA, PO, PM, Dev và QC như thế nào

AI không chỉ làm developer viết code nhanh hơn. Nó đang dịch chuyển phần việc của BA, PO, PM, Dev, QC và cả cách team phối hợp. Bài này đi qua từng vai trò: việc gì có thể được AI hỗ trợ hoặc tự động hóa, kỹ năng nào trở nên quan trọng hơn, và làm sao để mỗi người vẫn tạo ra giá trị thật trong một team đang chuyển sang AI-first.

21 phút đọc
AI & Future of Work

Generative AI trong công việc và đời sống: những cách dùng thực tế có thể thử ngay

Generative AI không chỉ để hỏi vài câu lặt vặt. Nếu dùng đúng, nó có thể giúp viết nháp, tóm tắt, học nhanh, chuẩn bị cuộc họp, lên ý tưởng, kiểm tra logic và xử lý nhiều việc nhỏ trong ngày. Bài này gom các use case dễ thử, kèm giới hạn cần nhớ để AI trở thành trợ lý đáng tin hơn thay vì một nguồn tự tin sai.

16 phút đọc
AI & Future of Work

Context Engineering: kỹ năng khiến AI hiểu việc của bạn tốt hơn

Nhiều kết quả AI kém không phải vì model quá dở, mà vì context quá mỏng. Bài này giải thích context engineering: cần đưa gì vào prompt, cách mô tả mục tiêu, dữ liệu, ràng buộc, ví dụ, tiêu chí đánh giá, và các anti-pattern làm AI trả lời lan man. Đây là kỹ năng nhỏ nhưng tạo khác biệt lớn khi làm việc với LLM.

15 phút đọc