Bạn có thể nắm bắt một lĩnh vực mới chỉ trong nửa giờ, vậy làm thế nào để nhanh chóng thiết lập một khuôn khổ nhận thức bằng cách sử dụng trí tuệ nhân tạo?

Tựa gốc: "Chia sẻ một gợi ý phân tích chuyên sâu mà tôi đã sử dụng trong 2 năm, giúp bạn hiểu bất kỳ lĩnh vực nào không quen thuộc chỉ trong nửa giờ."

Tác giả gốc: Cuộc sống kỹ thuật số Kazek

Vài ngày trước, sau khi kết thúc một hội nghị, rồi hôm qua, vào cuối tuần, tôi đã ăn tối với một người bạn. Trong lúc chúng tôi đang trò chuyện, anh ấy đột nhiên đặt đũa xuống, nhìn tôi và nói, "Này, sao cậu có vẻ biết chút ít về mọi thứ vậy?"

Tôi nói tôi không biết.

Anh ấy nói, "Sao cảm giác như mình có thể trò chuyện về bất cứ điều gì, như Harness, như Claude Code, như tâm lý học, như Hitman 2, như Thần thoại Cthulhu, mà vẫn còn thời gian để chơi Pokémon Popakia vậy?" Một ngày thực sự có bao nhiêu giờ?

Tôi sững sờ vào lúc đó.

Thành thật mà nói, nói năng mạnh miệng là một chuyện, nhưng thực sự tôi không cảm thấy mình biết hết mọi thứ. Tôi vốn tò mò về nhiều thứ và có cách để nhanh chóng làm quen với những điều chưa biết.

Ông ta hỏi lại, "Đường nào?"

Tôi nói, "Một khung nghiên cứu do chính tôi phát triển, kết hợp với trí tuệ nhân tạo." Tôi có thể viết một báo cáo nghiên cứu dài từ một đến hai nghìn từ trong vòng nửa giờ, giúp bạn nhanh chóng bắt đầu công việc."

Anh ta lại đặt đũa xuống.

Rồi ông ấy nói, "Hãy viết chuyện này ra giấy."

Vậy đó là lý do bài viết này ra đời ngày hôm nay...

Tôi không biết liệu nó có hữu ích với tất cả mọi người hay không, nhưng đây thực sự là phương pháp luận mà tôi đã sử dụng ba năm trước khi còn làm việc trong ngành tài chính, phương pháp luận được các công ty nghiên cứu và ngành này sử dụng. Rồi trí tuệ nhân tạo (AI) xuất hiện, nhiều loại nghiên cứu chuyên sâu khác nhau ra đời. Tôi đã tự mình cải tiến phương pháp này một chút, đóng gói nó thành một "Lời nhắc" được sử dụng cho nhiều chức năng nghiên cứu chuyên sâu của AI, và có thể áp dụng vào việc nghiên cứu bất cứ điều gì của tôi. Thành thật mà nói, tôi nghĩ đây là một trong những vật dụng tiện lợi nhất mà tôi từng sử dụng trong hai năm qua.

Tôi không dám nói nghiên cứu do công cụ này thực hiện kỹ lưỡng đến mức nào, nhưng ít nhất nó có thể giúp tôi nhanh chóng thiết lập một khuôn khổ nhận thức khá hoàn chỉnh và sau đó đào sâu hơn trong khuôn khổ đó.

Tôi từng gọi phương pháp này là...

Phương pháp phân tích ngang và dọc.

Trước tiên, hãy để tôi giải thích vật này là gì.

Thực ra, nó rất đơn giản, chỉ có hai trục.

Trục thứ nhất, trục dọc. Đó là việc truy tìm lại toàn bộ câu chuyện về một sự vật nào đó theo dòng thời gian, từ khi nó ra đời cho đến hiện tại. Chuyện đó xảy ra như thế nào? Ai đã tạo ra nó? Nó đã trải qua những gì trên hành trình đó? Tại sao nó lại đột ngột tăng tốc tại một thời điểm nhất định, hay đột ngột chuyển hướng? Khi bạn làm sáng tỏ được dòng thời gian này, bạn có thể hiểu sơ bộ về lịch sử và mối quan hệ nhân quả của một sự việc nào đó.

Trục thứ hai, trục ngang. Mục đích là để đặt nó cạnh những thứ khác trong cùng không gian vào thời điểm hiện tại. Nó khác biệt như thế nào so với các đối thủ cạnh tranh? Tại sao người dùng lại chọn nó thay vì những ứng dụng khác? Nó nằm ở vị trí nào trong toàn bộ không gian? Khi đã làm rõ khía cạnh này, bạn có thể hiểu được vị trí và sự khác biệt của một thứ gì đó.

Bước quan trọng nhất là phải giao nhau hai trục này.

Đường thẳng đứng cho bạn biết nó đã phát triển như thế nào đến ngày hôm nay, còn đường nằm ngang cho bạn biết nó đang ở vị trí nào hiện nay. Khi hai trục này giao nhau, bạn có thể nhìn thấy những thứ mà bạn không thể thấy nếu chỉ nhìn vào một trục riêng lẻ. Ví dụ, một lợi thế nhất định mà nó có được ngày nay thực chất là kết quả của một quyết định tưởng chừng như không đáng kể được đưa ra ba năm trước, nhưng đã tích lũy theo thời gian. Hoặc một điểm yếu nhất định mà nó đang gặp phải hiện nay thực chất là hệ quả của một lựa chọn hợp lý được đưa ra ban đầu nhưng lại trở thành gánh nặng.

Hãy đo chiều sâu dọc theo trục dọc, chiều rộng dọc theo trục ngang, và cuối cùng, đưa ra nhận định của bạn tại điểm giao nhau.

Chỉ đơn giản vậy thôi.

Đây cũng là phương pháp mà tôi thấy tiện dụng nhất trong hai năm qua.

Phương pháp này thực chất bắt nguồn từ một số quan điểm nghiên cứu kinh điển trong khoa học xã hội và ngôn ngữ học.

Trong ngôn ngữ học, có một chiều phân tích kinh điển do Saussure đề xuất, được gọi là phân tích lịch đại và phân tích đồng đại.

Khi nghiên cứu một vấn đề nào đó, bạn có thể bắt đầu từ hai chiều. Một là khía cạnh thời gian, quan sát sự tiến hóa từng bước từ quá khứ đến hiện tại, và khía cạnh kia là khía cạnh hiện tại, xem xét hệ thống và các mối quan hệ so sánh mà nó đang tồn tại tại một thời điểm cụ thể.

Các quan điểm nghiên cứu tương tự cũng tồn tại trong khoa học xã hội, được gọi là nghiên cứu dọc và nghiên cứu cắt ngang. Phương pháp đo dọc liên quan đến việc theo dõi sự thay đổi quỹ đạo của một vật thể, trong khi phương pháp đo ngang liên quan đến việc quan sát hình ảnh chụp nhanh của vật thể tại một thời điểm cụ thể và tiến hành so sánh theo chiều ngang.

Tôi chỉ đơn giản là chắt lọc những quan điểm nghiên cứu đã được sử dụng lâu đời từ giới học thuật, kết hợp chúng với một số tư duy phân tích chiến lược kinh doanh và cạnh tranh, rồi biến chúng thành một khuôn khổ nghiên cứu tổng quát được vận hành bởi trí tuệ nhân tạo.

Hiện tại có phiên bản Prompt và phiên bản Skill.

Tất cả đều là mã nguồn mở trên kho lưu trữ Github của tôi:

https://github.com/KKKKhazix/khazix-skills

Phiên bản Prompt hoạt động đặc biệt hiệu quả với các khả năng AI liên quan đến nghiên cứu chuyên sâu, chẳng hạn như DeepResearch của ChatGPT, nghiên cứu chuyên sâu của Claude, chế độ chuyên gia của Bean, chế độ chuyên gia của DeepSeek, v.v. Tôi cũng đã cố tình tối ưu hóa phong cách viết, tận dụng một số kỹ năng viết của Kha'Zix, để đảm bảo rằng sau khi báo cáo này được hoàn thành, bạn có thể dễ dàng đọc hiểu, chứ không phải là một cuốn sách khó hiểu như...

Tôi đã đặt đoạn mã gợi ý ở đây, vì vậy nếu ai cần, họ chỉ cần sao chép hoặc có thể vào kho lưu trữ Github để lấy:

Cách sử dụng rất đơn giản, chỉ cần thay thế cụm từ sau phương trình của chủ đề nghiên cứu đó bằng chủ đề nghiên cứu mà bạn muốn.

Ví dụ, các công ty gần đây nổi tiếng như Hermes Agent, Harness, CLI, tác động của Anthropic đến cổ phiếu SaaS, v.v...

Hoặc có lẽ bạn muốn nghiên cứu về "Vương quốc Locke", "Vua Vinh Quang", xung đột Iran-Mỹ, tính khó đoán của Trump, vân vân và vân vân.

Mọi thứ đều có thể xảy ra.

Tôi xin đưa ra một ví dụ dựa trên nghiên cứu chuyên sâu gần đây của Harness+Claude, một công ty rất được ưa chuộng.

Tôi đã chỉnh sửa trực tiếp gợi ý đó một chút, thay thế nội dung bên trong phương trình bằng Harness, rồi kích hoạt chế độ nghiên cứu chuyên sâu của Claude.

Tôi đã gửi ngay lập tức.

Sau đó, Claude yêu cầu tôi xác nhận chính xác Harness là gì, vì vậy tôi đã cung cấp thêm một số thông tin.

Và sau đó chúng tôi tiến hành ngay lập tức.

Sau 13 phút, báo cáo nghiên cứu về Harness đã hoàn thành.

Bạn có thể xem hiệu ứng đó. Tôi nghĩ phần phân tích theo chiều dọc được viết rất tốt. Lịch sử được trình bày rất rõ ràng, cho bạn biết khi nào nó ra đời, khi nào nó bùng nổ và những cột mốc quan trọng nào cần ghi nhận.

Cũng có một lời giải thích rất hợp lý cho việc tại sao nó lại bùng phát vào thời điểm cụ thể này.

Về nghiên cứu theo chiều ngang, sự so sánh được thực hiện giữa Prompt Engineering, Context Engineering và Agent Engineering.

Tôi tin rằng bất cứ ai hiểu về Agent sẽ không nghi ngờ tính chuyên nghiệp của nó khi so sánh, phải không? Bạn có thể nhanh chóng làm rõ sự khác biệt bằng một số khái niệm tương tự.

Và cuối cùng, hướng phát triển trong tương lai.

Toàn bộ báo cáo này dài khoảng mười nghìn từ. Hãy tin tôi, nếu bạn tò mò về Harness và muốn hiểu mọi thứ về nó một cách nhanh chóng và toàn diện nhất có thể, thì báo cáo nghiên cứu này gần như tốt hơn hầu hết các bài tóm tắt mà bạn từng thấy.

Nội dung đầy đủ và dễ đọc.

Đối tượng nghiên cứu có thể là một sản phẩm, chẳng hạn như Cursor, Claude Code, Hermes Agent. Đó có thể là một công ty, chẳng hạn như Anthropic hoặc ByteDance. Đó có thể là một khái niệm kỹ thuật, chẳng hạn như giao thức MCP, RAG. Đó thậm chí có thể là một cá nhân, chẳng hạn như một nhân vật chủ chốt trong một ngành công nghiệp.

Prompt sẽ tự động điều chỉnh mức độ nhấn mạnh vào phân tích theo chiều dọc và chiều ngang dựa trên loại chủ đề nghiên cứu. Nghiên cứu sản phẩm tập trung vào việc lặp lại phiên bản và so sánh tính năng, nghiên cứu công ty tập trung vào quy trình tài chính và mô hình kinh doanh, và nghiên cứu cá nhân tập trung vào lộ trình sự nghiệp và so sánh với các nhân vật khác cùng lĩnh vực.

Nếu bạn thường thích sử dụng Cowork, Claude Code, hoặc Codex, v.v., tôi cũng đã biến phương pháp này thành một Kỹ năng có tên là hv-analysis và đã công khai mã nguồn trên kho lưu trữ GitHub của mình.

Sau khi cài đặt, bạn có thể trực tiếp yêu cầu Agent "Hãy giúp tôi nghiên cứu xxx", và nó sẽ tuân theo khuôn khổ phân tích theo chiều dọc và chiều ngang.

Hơn nữa, phiên bản Skill này sẽ tự động tìm kiếm thông tin trên web, bao gồm cả API của arXiv, để tự động tra cứu các bài báo khi bạn nghiên cứu các câu hỏi học thuật. Sau đó, nó sẽ tạo ra một báo cáo nghiên cứu PDF được định dạng tốt, dễ đọc hơn, giúp nó linh hoạt hơn so với phiên bản Prompt.

Dĩ nhiên, tôi phải thành thật về những hạn chế của phương pháp này.

Đây không phải là giải pháp vạn năng.

Nó có thể giúp bạn nhanh chóng xây dựng một khuôn khổ nhận thức khá toàn diện, nhưng không thể thay thế cho việc nghiên cứu chuyên sâu, trực tiếp.

Ngoài ra, mặc dù thông tin do AI thu thập hiện nay rất chính xác, nhưng vẫn có khả năng xảy ra sai sót.

Do đó, bạn không thể coi báo cáo do AI tạo ra như một kết luận trực tiếp; nó giống như một điểm khởi đầu cho nghiên cứu của bạn trong lĩnh vực này, giúp bạn nhanh chóng lập sơ đồ để có thể tiếp tục khám phá dựa trên sơ đồ đó.

Một vấn đề khác là chất lượng của các báo cáo do AI tạo ra phụ thuộc rất nhiều vào mô hình và công cụ bạn sử dụng. Các công cụ hỗ trợ nghiên cứu chuyên sâu hoặc khám phá chi tiết thường cho kết quả tốt hơn vì chúng thực sự tìm kiếm và xác minh rất nhiều thông tin trực tuyến, và mỗi tác vụ thường mất hơn 10 phút.

Tuy nhiên, nếu bạn chỉ có thể sử dụng các công cụ AI hỗ trợ tìm kiếm web cơ bản, với thời gian thực hiện mỗi tác vụ dưới một phút, thì hiệu quả có thể bị giảm đáng kể.

Cách tiếp cận của tôi là, sau khi nhận được báo cáo, tôi sẽ nhanh chóng đọc lướt qua để nắm được nội dung chính, rồi sau đó đi sâu hơn vào những thông tin chi tiết ở những điểm mà tôi thắc mắc hoặc đặc biệt quan tâm.

Như vậy, đây là sự kết hợp giữa các báo cáo do AI tạo ra bằng phương pháp phân tích chéo và quá trình điều tra sâu hơn của riêng tôi, hiệu quả hơn nhiều so với việc bắt đầu từ đầu.

Xét cho cùng, trong thời đại ngày nay, với sự hỗ trợ của trí tuệ nhân tạo, thực sự không cần thiết phải tự mình tìm kiếm thông tin một cách tỉ mỉ; điều đó sẽ tốn nhiều công sức một cách không cần thiết.

Đôi khi tôi nghĩ rằng trong thời đại nghiên cứu này, điều thực sự khan hiếm không còn là thông tin mà chính là sự tò mò của bạn về thế giới.

Thực ra, nếu bạn hỏi liệu tôi có thực sự uyên bác hay chuyên sâu về một lĩnh vực nào đó hay không, thì chắc chắn là không; tôi chỉ có một sự tò mò lớn hơn một chút về thế giới mà thôi.

Đó chỉ là một loạt câu hỏi bất chợt nảy ra trong đầu bạn bất cứ lúc nào, bất cứ nơi đâu.

Vật này từ đâu mà ra vậy? Tại sao nó lại xuất hiện vào lúc này? Nó có mối quan hệ như thế nào với thứ kia? Họ đang làm gì trước khi làm việc này? Những câu hỏi này, khi không có câu trả lời ngay tại thời điểm suy nghĩ, thực sự khiến tôi cảm thấy khó chịu. Tôi không biết liệu mọi người có cảm giác này không, nhưng đó là kiểu cảm giác mà ngay lúc này, lập tức, tôi cần phải có câu trả lời.

Thông tin hiện nay đã trở nên tràn lan như thác lũ, và trí tuệ nhân tạo (AI) khiến chi phí tiếp cận thông tin gần như bằng không.

Nhưng cần đặt những câu hỏi nào, nhìn nhận vấn đề từ góc độ nào, làm thế nào để sắp xếp thông tin rời rạc thành những phán đoán có ý nghĩa—đây là những điều mà trí tuệ nhân tạo không thể giúp bạn. Hay nói cách khác, trí tuệ nhân tạo chỉ có thể hỗ trợ bạn sau khi bạn đưa ra hướng dẫn, nhưng chính hướng dẫn đó phải do bạn thiết lập.

Phương pháp phân tích theo chiều dọc và chiều ngang thực chất là một khuôn khổ câu hỏi mà tôi tự đặt ra cho bản thân. Mỗi khi đối mặt với điều gì đó xa lạ, tôi không cần phải tạm thời suy nghĩ xem nên hiểu nó từ góc độ nào; khuôn khổ này đã tự động xác định điều đó cho tôi.

Theo dõi theo chiều dọc thời gian, theo dõi theo chiều ngang không gian, cuối cùng hội tụ để hình thành một phán đoán. Ba bước đã hoàn thành và khung nhận thức được thiết lập.

Nó cho phép tôi không còn phải mất ba ngày để thu thập thông tin như vài năm trước nữa; giờ đây, tôi có thể xây dựng khung sườn trong nửa giờ và dành phần thời gian còn lại cho phần thực sự thú vị, đó là quan sát những thông tin này dần dần kết hợp lại để tạo thành một bức tranh hoàn chỉnh và rồi đột nhiên có khoảnh khắc "à, thì ra là vậy" đầy bất ngờ.

Khoảnh khắc đó quá tuyệt vời.

Thành thật mà nói, tôi không chắc phương pháp này có phù hợp với tất cả mọi người hay không.

Nhưng nếu bạn cũng thuộc kiểu người thường xuyên có nhiều câu hỏi nảy ra trong đầu và cảm thấy việc thu thập thông tin quá chậm, bạn có thể thử cách này.

Người Hy Lạp cổ đại từng nói: "Triết học bắt đầu từ sự kinh ngạc."

Tôi nghĩ rằng nghiên cứu cũng bắt đầu khi bạn thực sự tò mò về một điều gì đó, còn phương pháp và công cụ sẽ đến sau; sự tò mò sẽ dẫn đường.

Nếu thiếu đi sự tò mò, ngay cả với phương pháp tốt nhất, nó cũng chỉ là vật trang trí mà thôi.

Với lòng tò mò, ngay cả khi phương pháp có hơi vụng về, bạn vẫn sẽ luôn tìm ra câu trả lời.

Chỉ là bây giờ, việc tìm kiếm câu trả lời thực sự nhanh hơn nhiều so với trước đây.

Đủ nhanh để bạn có thể tìm hiểu sâu hơn về nhiều thứ.

Hãy luôn tò mò.

Liên kết bài đăng gốc