Chỉ trong nửa giờ có thể hiểu rõ một lĩnh vực mới, làm thế nào để sử dụng AI nhanh chóng xây dựng khung nhận thức?

Tiêu đề gốc：《Chia sẻ một Prompt nghiên cứu sâu mà tôi đã dùng 2 năm, giúp bạn hiểu rõ bất kỳ lĩnh vực mới nào trong nửa giờ đồng hồ》

Tác giả gốc: Số hóa sinh Kaczka

Nguồn gốc gốc:

Chuyển thể: Mars Finance

Hai ngày trước tôi vừa hoàn thành hội nghị, rồi hôm qua cuối tuần đi ăn cùng một người bạn, nói chuyện một hồi thì đột nhiên anh ấy đặt đũa xuống nhìn tôi và nói một câu: Không phải anh em, sao cậu hiểu rõ mọi thứ thế?

Tôi nói tôi không hiểu rõ đâu.

Anh ấy hỏi: Cảm giác như cậu có thể trò chuyện về tất cả mọi thứ, như Harness, Claude Code, tâm lý học, Slaughterhouse-Five, thần thoại Cthulhu, rồi sao còn có thời gian chơi Pokémon popakia nữa? Một ngày của cậu có bao nhiêu giờ vậy?

Lúc đó tôi cũng hơi sững lại.

Vì thành thật mà nói, chuyện trò khoác lác thì khoác lác, tôi thật sự không nghĩ mình hiểu rõ tất cả, tôi chỉ tò mò về nhiều thứ, rồi có một bộ phương pháp giúp tôi nhanh chóng mày mò sơ qua một thứ mới lạ.

Anh ấy lại hỏi: Phương pháp gì vậy?

Tôi nói: Một khung nghiên cứu do chính tôi xây dựng, cộng thêm AI, nửa giờ có thể ra một báo cáo nghiên cứu dài một hai chục nghìn chữ, giúp bạn vào nhanh và hiệu quả.

Anh ấy lại đặt đũa xuống.

Rồi nói: “Cậu viết ra cái này đi.”

Vì thế mà có bài viết hôm nay…

Tôi cũng không biết có hữu ích cho mọi người không, nhưng thực ra đây là phương pháp tôi đã dùng để nghiên cứu công ty và ngành nghề khi còn làm trong ngành tài chính ba năm trước, rồi sau này AI xuất hiện, các phương pháp nghiên cứu sâu đa dạng cũng ra đời, tôi lại chỉnh sửa, đóng gói thành một bộ Prompt dùng cho nhiều chức năng nghiên cứu sâu của AI, phù hợp để tôi nghiên cứu bất kỳ thứ gì. Nói thật, tôi cảm thấy đây là một trong những thứ dùng thuận tiện nhất trong hai năm qua.

Không dám nói nghiên cứu này có độ sâu thế nào, nhưng ít nhất giúp tôi nhanh chóng xây dựng một khung nhận thức khá đầy đủ, rồi dựa trên đó đào sâu thêm.

Phương pháp này tôi từng gọi là.

Phương pháp phân tích ngang dọc.

Tôi sẽ nói sơ về nó là gì.

Thực ra rất đơn giản, chỉ có hai trục.

Trục thứ nhất, theo chiều dọc. Là theo dòng thời gian, kể lại toàn bộ câu chuyện của một thứ từ khi ra đời đến nay. Nó xuất phát từ đâu? Ai làm ra? Trải qua những gì? Tại sao đột nhiên bùng nổ ở một điểm nào đó, hoặc đột ngột đổi hướng? Nếu bạn làm rõ được dòng này, bạn sẽ hiểu sơ bộ về lịch sử và nguyên nhân của thứ đó.

Trục thứ hai, theo chiều ngang. Là tại thời điểm hiện tại, so sánh nó với các thứ khác cùng ngành. Nó khác gì so với các đối thủ cạnh tranh? Người dùng tại sao chọn nó chứ không chọn cái khác? Nó nằm ở vị trí nào trong toàn bộ ngành? Nếu bạn nhìn rõ mặt này, bạn sẽ hiểu vị trí và điểm khác biệt của thứ đó.

Sau đó, bước quan trọng nhất là kết hợp hai trục này lại để xem.

Dọc cho bạn biết nó đã đi đến ngày hôm nay như thế nào, ngang cho bạn biết nó đứng ở đâu hôm nay. Khi hai trục này giao nhau, bạn sẽ thấy được những thứ mà chỉ nhìn một trục thôi chưa chắc đã thấy. Ví dụ, lợi thế hôm nay của nó thực ra là kết quả của một quyết định nhỏ bé từ ba năm trước tích lũy dần. Ví dụ, điểm yếu hôm nay của nó thực ra là một lựa chọn hợp lý ban đầu nhưng sau đó trở thành gánh nặng.

Dọc theo dòng thời gian để sâu, ngang theo phạm vi đồng thời để rộng, cuối cùng kết hợp để ra quyết định.

Chỉ đơn giản vậy thôi.

Đây là bộ phương pháp tôi đã dùng trong hai năm qua, rất thuận tiện.

Thực ra, phương pháp này bắt nguồn từ các góc nhìn nghiên cứu kinh điển của khoa học xã hội và ngôn ngữ học.

Trong ngôn ngữ học có một phân tích rất kinh điển do Saussure đề xuất, gọi là phân tích lịch sử và phân tích đồng thời.

Nghĩa là bạn muốn nghiên cứu một thứ, có thể bắt đầu từ hai góc độ: một là chiều thời gian, xem nó đã tiến hóa như thế nào từ quá khứ đến hiện tại; hai là chiều hiện tại, xem nó đang ở trong hệ thống và mối quan hệ so sánh ra sao tại một thời điểm nhất định.

Trong khoa học xã hội cũng có góc nhìn nghiên cứu tương tự, gọi là nghiên cứu theo chiều dọc và nghiên cứu theo cắt ngang. Nghiên cứu theo chiều dọc là theo dõi quá trình biến đổi của đối tượng, nghiên cứu theo cắt ngang là quan sát trạng thái tại một thời điểm và so sánh.

Tôi chỉ đơn giản lấy các góc nhìn nghiên cứu đã được sử dụng lâu dài trong học thuật, rồi kết hợp một số ý tưởng phân tích chiến lược cạnh tranh và kinh doanh, tạo thành một khung nghiên cứu chung dùng AI chạy.

Hiện có hai phiên bản Prompt và Skill.

Cũng đều đã mở source trên Github của tôi:

Phiên bản Prompt kết hợp với các AI có chức năng nghiên cứu sâu sẽ hiệu quả hơn, ví dụ như DeepResearch của ChatGPT, nghiên cứu sâu của Claude, chế độ chuyên gia của Doubao, DeepSeek, v.v… Và tôi đã tối ưu phong cách viết, dùng một số khả năng của kỹ năng viết của Kaczka, đảm bảo báo cáo ra xong bạn có thể đọc hiểu, không phải như một cuốn sách khó nuốt…

Tôi để Prompt ở đây, ai cần thì copy luôn, cũng có thể tự lấy từ Github:

Cách dùng rất đơn giản, chỉ cần đổi từ khóa sau dấu bằng của phần đối tượng nghiên cứu thành thứ bạn muốn nghiên cứu.

Ví dụ gần đây rất hot là hermes agent, rồi Harness, rồi CLI, rồi tác động của Anthropic đối với cổ phiếu SaaS, v.v…

Thậm chí bạn muốn nghiên cứu về “Thế giới Lộc Vương Quốc”, “Thế giới Liên Quân Mobile”, chiến tranh Iran và Mỹ, Trump thất thường, v.v…

Tất cả đều có thể.

Ví dụ tôi dùng nghiên cứu sâu về Harness + Claude để minh họa.

Tôi chỉ chỉnh lại Prompt, đổi từ trong biểu thức thành Harness, rồi bật chế độ nghiên cứu sâu của Claude.

Gửi đi.

Sau đó Claude sẽ hỏi lại tôi: Harness là thứ gì, tôi bổ sung thêm.

Rồi bắt đầu luôn.

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

Bạn xem thử kết quả, tôi nghĩ phần phân tích theo chiều dọc khá tốt, lịch sử rõ ràng, khi nào ra đời, khi nào bùng nổ, các mốc quan trọng.

Vì sao lại bùng nổ đúng thời điểm đó cũng rất hợp lý.

Về phần so sánh ngang, tôi đối chiếu với Prompt Engineering, Context Engineering và Agent Engineering.

Tôi tin ai hiểu Agent đều không thể nghi ngờ độ chuyên nghiệp của các khái niệm này, bạn có thể nhanh chóng phân biệt các khái niệm liên quan.

Và còn phần dự đoán hướng phát triển trong tương lai.

Toàn bộ báo cáo dài khoảng 10 nghìn chữ, tin tôi đi, nếu bạn tò mò về Harness, muốn hiểu nhanh và toàn diện về nó, thì báo cáo này gần như còn hay hơn phần lớn các bài tổng hợp khác.

Đầy đủ và dễ đọc.

Đối tượng nghiên cứu có thể là một sản phẩm như Cursor, Claude Code, Hermes Agent. Có thể là một công ty như Anthropic, ByteDance. Có thể là một khái niệm công nghệ như MCP, RAG. Hoặc là một nhân vật, như nhân vật chủ chốt trong ngành.

Prompt sẽ tự động điều chỉnh trọng tâm phân tích theo loại đối tượng nghiên cứu. Nghiên cứu sản phẩm thì chú trọng phiên bản, chức năng; nghiên cứu công ty thì chú trọng quá trình gọi vốn, mô hình kinh doanh; nghiên cứu nhân vật thì chú trọng sự nghiệp, so sánh với các nhân vật cùng lĩnh vực.

Nếu bạn thường dùng Cowork, Claude Code hoặc Codex, tôi còn biến phương pháp này thành một Skill tên là hv-analysis, cũng đã mở source trên Github.

Cài đặt rồi, chỉ cần nói “Giúp tôi nghiên cứu về xxx”, nó sẽ theo khung phân tích ngang dọc để làm.

Thêm nữa, Skill này còn tự động kết nối mạng, truy cập API của arxiv, giúp bạn tra cứu bài báo khoa học khi nghiên cứu các vấn đề học thuật, cuối cùng sẽ tạo ra một báo cáo PDF đã định dạng rõ ràng, phong cách dễ đọc hơn, phong phú hơn so với phiên bản Prompt.

Tất nhiên, tôi phải thành thật nói về giới hạn của phương pháp này.

Nó không phải là thần thánh.

Nó giúp bạn xây dựng khung nhận thức khá đầy đủ trong thời gian ngắn, nhưng không thể thay thế nghiên cứu sâu, thực sự của chính bạn.

Và thông tin AI thu thập, dù giờ mô hình AI đã giảm thiểu rất nhiều các hiện tượng “ảo tưởng”, vẫn có thể có sai sót.

Nên đừng lấy báo cáo của AI làm kết luận luôn, nó chỉ là bước khởi đầu để bạn nghiên cứu, giúp bạn nhanh chóng vẽ ra bản đồ, rồi dựa vào đó để khám phá sâu hơn.

Một vấn đề nữa là chất lượng báo cáo của AI phụ thuộc lớn vào mô hình và công cụ bạn dùng. Dùng các công cụ hỗ trợ DeepResearch hoặc nghiên cứu sâu thì hiệu quả tốt hơn, vì chúng sẽ thực sự kết nối mạng, xác minh nhiều thông tin, mỗi lần làm thường mất hơn 10 phút.

Còn nếu chỉ dùng các AI hỗ trợ tìm kiếm thông thường, một lần chỉ dưới một phút, thì hiệu quả chắc chắn sẽ giảm đi nhiều.

Cách của tôi là, sau khi có báo cáo, tôi sẽ nhanh chóng đọc qua để xây dựng khung, rồi dựa vào những điểm còn mơ hồ hoặc đặc biệt quan tâm, đi sâu tìm thêm tài liệu.

Đây chính là sự kết hợp giữa báo cáo AI do phương pháp ngang dọc sinh ra và việc tự đào sâu của tôi, hiệu quả cao hơn nhiều so với bắt đầu từ con số 0.

Dù sao, trong thời đại này, khi đã có AI rồi, thật sự không cần thiết phải tự mò mẫm từng thứ, vì chẳng mấy chốc đã có thể làm được rồi.

Tôi đôi khi nghĩ, trong thời đại này, nghiên cứu thực ra không còn thiếu thông tin nữa, mà là thiếu sự tò mò về thế giới này.

Thật ra, tôi có thể nói tôi không phải là người học rộng hay chuyên nghiệp gì, chỉ là tôi tò mò hơn một chút về thế giới này thôi.

Là những câu hỏi luôn xuất hiện trong đầu tôi: Cái này từ đâu ra? Tại sao lại xuất hiện bây giờ? Nó liên quan gì đến thứ kia? Người làm ra nó trước đây đã làm gì? Những câu hỏi này nếu tôi nghĩ ra mà không có câu trả lời, tôi cảm thấy rất khó chịu. Tôi không biết mọi người có cảm giác này không, đó là cảm giác muốn có câu trả lời ngay lập tức, ngay lúc đó.

Thông tin thì như lũ lụt, AI giúp bạn tiếp cận thông tin gần như không mất phí.

Nhưng mà, hỏi câu gì, nhìn từ góc độ nào, tổ chức thông tin rời rạc thành những nhận định có ý nghĩa, thì AI không thể giúp bạn, hoặc nói đúng hơn, AI chỉ giúp bạn thực hiện sau khi bạn đã định hướng rồi, còn định hướng đó là do chính bạn.

Phương pháp phân tích ngang dọc thực ra chính là khung câu hỏi tôi tự đặt ra cho mình. Mỗi lần đối mặt với thứ mới lạ, tôi không cần phải nghĩ xem nên bắt đầu từ đâu, khung này đã giúp tôi rồi.

Dọc theo dòng thời gian để sâu, ngang theo không gian để rộng, cuối cùng kết hợp để ra quyết định, chỉ vậy thôi, khung nhận thức đã hình thành.

Nó giúp tôi không còn phải mất ba ngày để đi tìm thông tin như trước nữa, giờ chỉ nửa giờ là đã xây dựng xong khung, rồi dành thời gian còn lại để xem các thông tin đó ghép lại thành một bức tranh hoàn chỉnh, rồi đột nhiên “À, ra là vậy” — khoảnh khắc aha đó thật đã.

Thật sự rất phấn khích.

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

Nhưng nếu bạn là người thường xuyên có nhiều câu hỏi trong đầu, lại cảm thấy việc thu thập thông tin quá chậm, thì có thể thử.

Người Hy Lạp cổ nói, triết học bắt đầu từ sự ngạc nhiên.

Tôi nghĩ, nghiên cứu cũng vậy, bắt đầu từ sự tò mò thực sự về một thứ, phương pháp và công cụ chỉ là thứ sau, còn sự tò mò mới là thứ dẫn đường.

Không có sự tò mò, dù có phương pháp tốt đến đâu cũng chỉ là đồ trang trí.

Có tò mò rồi, dù phương pháp có ngu ngốc thế nào, bạn vẫn sẽ tìm ra câu trả lời.

Chỉ là bây giờ, việc tìm câu trả lời nhanh hơn rất nhiều.

Nhanh đến mức bạn có thể quan tâm đến nhiều thứ hơn.

Giữ vững sự tò mò.