Mỗi ngày trên Internet xuất hiện hàng trăm, hàng nghìn bài viết nói về các thuật ngữ AI mới: Graph, Loops, Skills, Context Engineering, MCP, RAG, Agents…
Danh sách này dài đến mức nếu cố học hết, bạn có thể sẽ dành nhiều thời gian để học về thuật ngữ AI hơn là việc hiểu những gì cần để dùng cho thực tế. Không phải thuật ngữ nào đang được nhắc đến nhiều cũng quan trọng: có những thứ bạn chỉ cần biết tên. Nhưng cũng có những khái niệm nếu không hiểu, bạn sẽ rất khó biết vì sao AI trả lời tốt hay tệ, vì sao một workflow hoạt động hay thất bại, và AI thực sự có thể được đưa vào công việc ở đâu.
Vậy một người đang dùng AI cho công việc thực sự cần hiểu bao nhiêu khái niệm? Dưới đây là 10 thuật ngữ AI cơ bản tôi cho rằng người dùng AI trong năm 2026 nên hiểu để dùng AI tốt hơn và giải quyết các vấn đề đang vướng mắc.
1. Model – Năng lực xử lý của AI
Model là mô hình AI nhận đầu vào và tạo ra đầu ra dựa trên những gì nó đã được huấn luyện và những thông tin được cung cấp tại thời điểm xử lý.
Khi bạn trò chuyện với một ứng dụng AI như Claude, ChatGPT hay Gemini, model là phần đứng phía sau giao diện, nó xử lý yêu cầu rồi tạo ra câu trả lời, bản tóm tắt, hình ảnh, đoạn mã hoặc các loại đầu ra khác.
Model không phải là một bộ não toàn diện làm tốt mọi việc như nhau. Mỗi model có thế mạnh, tốc độ, khả năng suy luận, giới hạn và chi phí khác nhau. Một model nhỏ có thể đủ tốt cho việc phân loại hàng nghìn email; một công việc cần phân tích nhiều điều kiện hoặc xử lý vấn đề phức tạp có thể cần model mạnh hơn.
Vì vậy, đừng bắt đầu bằng câu hỏi “Model nào đang hot nhất?” mà hãy bắt đầu bằng “Tôi cần đầu ra gì, và làm thế nào để biết đầu ra đó đạt yêu cầu?”
Model là năng lực xử lý của hệ thống. Nhưng model tốt không tự động tạo ra một hệ thống tốt. Cách bạn giao việc, dữ liệu được cung cấp và workflow phía sau cũng quan trọng không kém.
2. Prompt – Cách bạn giao việc cho AI
Prompt là yêu cầu và bối cảnh bạn gửi cho AI. Nó có thể là một câu hỏi ngắn, một đoạn hướng dẫn nhiều bước hoặc một bộ quy tắc mô tả rõ đầu vào, đầu ra và điều kiện cần tuân theo.
“Viết cho tôi một bài về sản phẩm này” là prompt, nhưng AI phải tự đoán rất nhiều thứ: viết cho ai, mục tiêu là gì, giọng điệu thế nào, dài bao nhiêu, thông tin nào được phép sử dụng và thông tin nào không được bịa.
Thêm bối cảnh, định dạng và tiêu chí đạt sẽ biến một yêu cầu mơ hồ thành một công việc có thể đánh giá.
Ví dụ, thay vì “Tóm tắt nội dung này.”, bạn có thể yêu cầu “Tóm tắt thành 5 gạch đầu dòng, giữ nguyên tên người và thời hạn, đồng thời đánh dấu những việc chưa có người phụ trách.” AI vẫn có thể sai, nhưng kết quả dễ kiểm tra và sử dụng hơn.
Prompt không phải câu thần chú. Một prompt dài chưa chắc tốt. Một prompt rõ ràng mới hữu ích.
3. Token – Đơn vị AI dùng để xử lý văn bản
Token là những đơn vị nhỏ mà hệ thống dùng để biểu diễn và xử lý văn bản.
Một token không hoàn toàn tương đương với một từ. Tuỳ cách hệ thống tách văn bản, một token có thể là một từ ngắn, một phần của từ, dấu câu hoặc một phần nhỏ khác của chuỗi văn bản.
Prompt, tài liệu, lịch sử trò chuyện và câu trả lời đều liên quan đến token. Nội dung càng dài thì lượng token cần xử lý càng nhiều. Điều này có thể ảnh hưởng đến tốc độ, giới hạn xử lý và chi phí trong những hệ thống tính phí theo lượng token.
4. Context Window – Sức chứa thông tin AI có thể tham chiếu
Context Window là lượng thông tin mà model có thể xử lý và tham chiếu trong một phiên làm việc.
Nó có thể bao gồm prompt hiện tại, tài liệu được đưa vào, kết quả từ các bước trước và một phần lịch sử cuộc trò chuyện.
Hãy tưởng tượng Context Window giống như một chiếc bàn làm việc. Bạn đặt tài liệu lên bàn để làm việc; bàn càng lớn thì càng đặt được nhiều tài liệu cùng lúc, nhưng nó vẫn có giới hạn.
Khi lượng thông tin vượt quá giới hạn, AI có thể phải rút gọn, loại bỏ hoặc tệ hơn là không còn tham chiếu đầy đủ một phần nội dung trước đó và xuất hiện “Hallucination”
Vì vậy “AI đã đọc ở phía trên” không có nghĩa là “AI sẽ nhớ mọi thứ mãi mãi.” Đây cũng là lý do một cuộc trò chuyện quá dài đôi khi bắt đầu lệch khỏi những điều đã thống nhất từ đầu.
Một điểm ít người để ý: context window lớn hơn không tự động cho kết quả tốt hơn. Tài liệu của Anthropic gọi hiện tượng độ chính xác giảm khi lượng token tăng là context rot — chọn lọc thông tin đưa vào cũng quan trọng như việc có bao nhiêu chỗ trống.
Cách xử lý thực tế là giữ một bản tóm tắt ngắn về mục tiêu, chia tài liệu lớn thành phần phù hợp và nhắc lại những điều kiện quan trọng ở đúng bước cần sử dụng.
5. Hallucination – Khi AI tự tin nói sai
Hallucination là hiện tượng AI ảo giác tạo ra thông tin nghe hợp lý nhưng sai, thiếu căn cứ hoặc không tồn tại trong dữ liệu được cung cấp.
Vấn đề nguy hiểm nhất không phải là AI nói sai, mà là AI có thể nói sai rất trôi chảy. Nó có thể tự thêm một tính năng không tồn tại, gán nhầm người phụ trách, thay đổi một con số hoặc thậm chí tạo ra một nguồn tham khảo chưa từng tồn tại.
Vì vậy, phản hồi tự tin của AI không phải bằng chứng cho độ chính xác. Đặc biệt với tên, số liệu, giá, thời hạn, chính sách, pháp lý hoặc những thông tin có hậu quả thực tế, bạn cần đối chiếu với nguồn gốc.
Không có điều gì có thể biến AI thành một nguồn sự thật tuyệt đối. Hãy luôn kiểm tra kết quả mà AI tạo ra hoặc có một tiêu chuẩn đánh giá trước khi sử dụng kết quả đó.
Cách thiết kế hệ thống tốt hơn là:
- Cung cấp nguồn đáng tin ở đúng bước.
- Yêu cầu AI phân biệt giữa thông tin có căn cứ và phần chưa biết.
- Thiết lập bước kiểm tra với những đầu ra quan trọng.
- Cho phép hệ thống trả lời “chưa đủ thông tin” thay vì bắt buộc phải trả lời.
AI càng được đưa sâu vào công việc thật, cơ chế kiểm chứng càng quan trọng.
6. Memory – Thông tin được lưu để dùng lại
Memory là thông tin được lưu để hệ thống có thể sử dụng trong những lần làm việc sau.
Điểm quan trọng là Memory khác với Context Window. Hãy hình dung Context là tài liệu đang nằm trên bàn làm việc, còn Memory là thông tin đã được lưu vào tủ hồ sơ để lần sau có thể lấy ra.
Một cuộc trò chuyện có thể chứa rất nhiều thông tin trong Context nhưng không có nghĩa tất cả đều được lưu thành Memory.
Memory có thể chứa những thứ như quy tắc giọng văn, sở thích, thông tin hồ sơ, trạng thái công việc hoặc những dữ liệu cần sử dụng lặp lại.
Nhưng lưu được không có nghĩa là lưu đúng: một quy tắc cũ, dữ liệu sai hoặc thông tin không còn phù hợp có thể tiếp tục ảnh hưởng đến những lần xử lý sau.
Vì vậy, khi xây hệ thống có Memory hoặc lưu dữ liệu Memory vào AI, cần quan tâm đến ít nhất bốn câu hỏi:
Lưu cái gì? Lưu ở đâu? Lưu trong bao lâu? Ai được phép sửa?
7. RAG – Tìm đúng thông tin trước khi trả lời
RAG, viết tắt của Retrieval-Augmented Generation, là cách kết hợp việc tìm kiếm thông tin liên quan với việc tạo câu trả lời bằng AI. Thuật ngữ này xuất hiện lần đầu trong nghiên cứu cùng tên của Lewis và cộng sự năm 2020.
Thay vì chỉ dựa vào những gì model đã học, hệ thống có thể tìm những đoạn tài liệu phù hợp trong một nguồn dữ liệu rồi đưa chúng vào Context trước khi AI tạo câu trả lời.
Ví dụ, khi hỏi “Chính sách hoàn tiền của công ty là gì?”, một hệ thống RAG có thể tìm chính sách hiện hành trong kho tài liệu, lấy phần liên quan rồi đưa cho AI để trả lời.
Điều này đặc biệt hữu ích khi AI cần làm việc với:
- Tài liệu nội bộ.
- Chính sách doanh nghiệp.
- Knowledge Base.
- Tài liệu sản phẩm.
- Hồ sơ và dữ liệu thường xuyên thay đổi.
Nhưng RAG không phải tấm chắn tuyệt đối chống Hallucination.
Nếu tài liệu cũ, dữ liệu mâu thuẫn hoặc hệ thống tìm nhầm đoạn, AI vẫn có thể tạo ra câu trả lời sai. Vì vậy RAG không chỉ là chuyện “nhét tài liệu vào AI” — bạn còn phải quản lý chất lượng nguồn, cập nhật dữ liệu và kiểm tra xem hệ thống có thực sự tìm đúng thông tin hay không.
Một cách nhớ đơn giản: Memory = thông tin được lưu để dùng lại. RAG = cơ chế tìm thông tin phù hợp vào lúc cần. Hai thứ có thể kết hợp, nhưng không phải cùng một thứ.
8. Tools – Khả năng AI thực hiện hành động
Nếu Model là năng lực xử lý, thì Tool là cách hệ thống cho AI khả năng tương tác với thế giới bên ngoài.
Một model tự nó có thể tạo ra câu trả lời. Nhưng khi được kết nối với tools, hệ thống có thể thực hiện những hành động như:
- Tìm kiếm thông tin.
- Đọc dữ liệu từ database.
- Gọi API.
- Truy cập một hệ thống nội bộ.
- Tạo hoặc cập nhật dữ liệu.
- Gửi email.
- Thực hiện một phép tính hoặc chạy code.
Điểm này rất quan trọng khi nói về AI Agents. Agent không chỉ là một model “thông minh hơn”; nó thường cần khả năng quan sát trạng thái, suy luận, lựa chọn hành động và sử dụng tools để tiến tới mục tiêu.
Nhưng trao quyền hành động cho AI cũng đồng nghĩa với việc tăng rủi ro. Một AI chỉ trả lời sai có thể gây phiền; một AI được phép sửa database hoặc gửi email sai có thể gây hậu quả thật.
Vì vậy, quyền hạn của tool cần được thiết kế cùng với giới hạn và điểm kiểm tra.
9. AI Agents – AI có thể quyết định bước tiếp theo
AI Agent là một hệ thống nhận mục tiêu, sử dụng thông tin và tools, sau đó có thể quyết định hành động tiếp theo dựa trên trạng thái hiện tại và kết quả của những hành động trước đó.
Điểm khác biệt quan trọng nằm ở quyền quyết định. Một workflow cố định đi theo lối Bước 1 → Bước 2 → Bước 3 → Bước 4, còn một agent có thể được giao “Hãy xử lý yêu cầu này và hoàn thành mục tiêu.” Sau đó nó có thể:
- Đọc yêu cầu.
- Xác định thông tin còn thiếu.
- Tìm dữ liệu cần thiết.
- Chọn tool phù hợp.
- Kiểm tra kết quả.
- Quyết định bước tiếp theo.
- Lặp lại cho đến khi đạt điều kiện hoàn thành hoặc phải dừng.
Vì vậy, không phải chatbot nào có AI cũng là Agent, và cũng không phải cứ có nhiều bước là Agent. Một hệ thống trở nên “agentic” khi AI có quyền quyết định hành động tiếp theo trong một phạm vi được xác định trước.
Đây cũng là lý do Agent cần giới hạn rõ ràng: được phép làm gì, không được phép làm gì, khi nào phải dừng và khi nào cần con người phê duyệt. Càng nhiều quyền hành động, càng cần kiểm soát.
10. Workflow & AI Automation – Thiết kế công việc và cho hệ thống tự chạy
Workflow là cách một công việc được thiết kế từ đầu vào đến đầu ra: các bước xử lý, điều kiện, điểm kiểm tra và điểm bàn giao giữa người với hệ thống.
Ví dụ một workflow sản xuất nội dung có thể là:
Chủ đề → kiểm tra nguồn → tạo bản nháp → kiểm tra chất lượng → chỉnh sửa → duyệt → xuất bản.
AI có thể tham gia vào một hoặc nhiều bước, nhưng workflow vẫn bao gồm cả những phần do con người thực hiện.
Còn AI Automation là khi bạn thiết kế hệ thống để một phần hoặc toàn bộ những bước có thể được tự động thực thi.
Ví dụ:
Form mới → AI đọc nội dung → phân loại → ghi vào database → thông báo cho người phụ trách.
Nếu yêu cầu có mức độ rủi ro cao:
Form mới → AI đọc → phân loại → nếu thuộc nhóm nhạy cảm → dừng → người kiểm tra → tiếp tục.
Đây là ba khái niệm rất dễ bị trộn lẫn:
Workflow trả lời câu hỏi:
“Công việc diễn ra như thế nào?”
Automation trả lời:
“Phần nào trong công việc có thể tự động chạy?”
AI trả lời:
“Ở bước nào AI có thể đảm nhận khả năng đọc, viết, phân loại, suy luận hoặc xử lý thông tin?”
Còn Agent đặt thêm một câu hỏi:
“AI có được tự quyết định bước tiếp theo không?”
Đây là điểm phân biệt rất quan trọng. Bạn không cần biến mọi workflow thành Agent: nhiều công việc chỉ cần một workflow cố định với một vài bước AI là đã đủ tốt. Agent chỉ đáng dùng khi công việc thực sự cần khả năng lựa chọn hành động và xử lý các tình huống thay đổi.
Vậy 10 thuật ngữ AI này liên kết với nhau thế nào?
Bạn có thể hình dung một hệ thống AI đơn giản như sau:
Model cung cấp năng lực xử lý.
Prompt giao việc cho Model.
Token là đơn vị thông tin được xử lý.
Context Window quyết định lượng thông tin Model có thể tham chiếu trong một lần.
Hallucination nhắc chúng ta rằng đầu ra vẫn có thể sai và cần được kiểm chứng.
Memory cho phép một số thông tin được lưu để sử dụng lại.
RAG giúp hệ thống tìm thông tin bên ngoài vào đúng lúc.
Tools cho AI khả năng thực hiện hành động bên ngoài việc tạo văn bản.
Agents cho AI khả năng lựa chọn hành động tiếp theo để tiến tới một mục tiêu.
Workflow & Automation đưa những năng lực đó vào một quy trình công việc có thể vận hành lặp lại.
Nhìn theo cách này, bạn sẽ thấy AI không chỉ là “viết một prompt thật hay”. Một hệ thống AI thực tế thường là:
Input → Context/Data → Model → Decision/Generation → Tool/Action → Check → Output
và phía sau đó là cả một Workflow quy định hệ thống phải làm gì, khi nào được tự động chạy và khi nào cần con người can thiệp.
Cuối cùng, bạn thực sự cần biết bao nhiêu thuật ngữ AI?
Không phải càng biết nhiều thuật ngữ thì càng giỏi dùng AI.
Trong vài năm tới, thuật ngữ AI sẽ còn tiếp tục sinh ra. Sẽ có thêm các cách tổ chức hệ thống, các chuẩn kết nối, các kỹ thuật mới và hàng loạt tên gọi mới xuất hiện mỗi tháng.
Bạn không cần chạy theo tất cả. Điều quan trọng hơn là có một khung tư duy đủ tốt để khi gặp một thuật ngữ mới, bạn có thể tự hỏi:
Nó đang giải quyết vấn đề gì?
Nó nằm ở đâu trong hệ thống?
Nó có thực sự giúp công việc của tôi tốt hơn không?
Khi bắt đầu một công việc mới với AI, đừng bắt đầu bằng việc tìm tool hay viết prompt. Hãy mô tả công việc bằng ngôn ngữ đời thường:
Đầu vào là gì? → Cần làm những bước nào? → Đầu ra là gì? → Thế nào là đạt? → Bước nào AI có thể hỗ trợ? → Bước nào có thể tự động hóa? → Bước nào vẫn cần con người kiểm tra?
Sau đó mới chọn model, prompt, RAG, tool, agent hay automation phù hợp.
Hiểu công việc trước. Hiểu AI sau. Khi hai thứ này kết hợp đúng, AI mới thực sự trở thành một phần của hệ thống làm việc — thay vì chỉ là một chatbot để hỏi đáp.