原文標題: "Chia Sẻ Một Bảo Chi Đã Nghiên Cứu Kỹ Lưỡng Trong 2 Năm, 30 Phút Giúp Bạn Hiểu Rõ Bất kỳ Lĩnh Vực Lạ Nào."

Tác Giả Gốc: Kazzk của Cuộc Sống Số

Cách đây vài ngày tôi tham dự một hội nghị, sau đó hôm qua cuối tuần tôi đi ăn tối với một người bạn, chúng tôi đang trò chuyện, rồi đột ngột anh ấy đặt đũa xuống và nhìn thẳng vào mặt tôi nói, "Bro, sao mày biết hết vậy?"

Tôi nói tôi không biết mà.

Anh ấy nói cảm thấy như mày có thể trò chuyện với bất kỳ thứ gì, cái gì Harness, cái gì Claude Code, cái gì tâm lý học, cái gì Tháp Sát Thủ 2, cái gì Thần Thoại Cthulhu, mày còn có thời gian chơi Pokémon Popakia, mày ngày có bao nhiêu giờ vậy?

Lúc đó tôi chỉ mặc cười.

Vì thật lòng mà nói, dù nói chuyện lông bông thì tôi không thấy là mình biết hết mọi thứ, tôi chỉ là tò mò với nhiều thứ và tôi có một phương pháp để nhanh chóng làm quen với một thứ lạ lẫm nào đó.

Anh ấy hỏi tiếp, phương pháp là gì?

Tôi nói, một framework nghiên cứu do chính tôi tạo ra, kết hợp với AI, chỉ mất nửa tiếng có thể tạo ra một báo cáo nghiên cứu dài một hai vạn từ, giúp bạn nhanh chóng làm quen.

Anh ấy lại đặt đũa xuống.

Rồi anh ấy nói, "Mày viết thứ này ra đi".

Và đó là lý do cho bài viết ngày hôm nay...

Tôi cũng không biết nó có hữu ích đối với mọi người hay không, nhưng thực sự đây là phương pháp mà tôi đã áp dụng khi còn ở trong ngành tài chính ba năm trước, là phương pháp mà công ty và ngành sử dụng, sau đó AI xuất hiện, nhiều loại nghiên cứu sâu sắc cũng ra đời, tôi đã tự mình điều chỉnh và bọc gói lại phương pháp này cho các Prompt sử dụng trong nghiên cứu sâu về AI, có thể áp dụng cho bất kỳ thứ gì mà tôi nghiên cứu, thực ra, tôi nghĩ rằng đây chính là một trong những thứ linh hoạt mà tôi đã sử dụng trong hai năm qua.

Không dám nói rằng nghiên cứu tạo ra từ công cụ này đến đâu sâu sắc, nhưng ít nhất có thể giúp tôi nhanh chóng xây dựng một khung nhận thức khá hoàn chỉnh, sau đó từ khung này đi sâu hơn.

Phương pháp này, tôi từng gọi nó là.

Phân Tích Ngang Dọc.

Tôi nói trước về cái này là cái gì.

Thực ra rất đơn giản, chỉ có hai trục.

Cột số một, theo chiều dọc. Đây là về việc theo dõi một cái gì đó theo dòng thời gian để khám phá câu chuyện hoàn chỉnh từ khi ra đời cho đến hiện tại. Nó xuất phát từ đâu? Ai thực hiện? Trung đường đã trải qua những gì? Tại sao lại bùng nổ tại một điểm nào đó, hoặc đột ngột thay đổi hướng? Khi bạn làm sáng tỏ đường thẳng này, bạn sẽ hiểu được về lịch sử và nguyên nhân của một thứ gì đó một cách tổng quan.

Cột số hai, theo chiều ngang. Đây là về việc so sánh nó với những thứ khác trên cùng một đường đua trong thời điểm hiện tại. Nó khác biệt với đối thủ như thế nào? Người dùng tại sao chọn nó mà không chọn cái khác? Nó đứng ở vị trí nào trong toàn bộ đường đua? Khi bạn làm sáng tỏ khía cạnh này, bạn sẽ hiểu vị trí và sự khác biệt của một thứ gì đó.

Và sau đó, bước quan trọng nhất là kết hợp hai cột số này lại với nhau.

Chiều dọc cho bạn biết nó đã đi từ đâu đến ngày nay, chiều ngang cho bạn biết nó đang đứng ở đâu ngày hôm nay. Khi hai cột số này gặp nhau, bạn sẽ nhìn thấy những điều mà chỉ riêng lẻ một trong hai cột không thể nhìn thấy được. Ví dụ, một ưu điểm ngày hôm nay của nó, thực sự là kết quả của một quyết định nhỏ không đáng chú ý ba năm trước từ từ tích luỹ. Ví dụ, một điểm yếu ngày hôm nay của nó, thực sự là kết quả của một lựa chọn hợp lý ban đầu biến thành một gánh nặng.

Theo dõi sâu hơn theo chiều dọc, tiếp cận rộng hơn theo chiều ngang, và cuối cùng là tổng hợp ra quyết định.

Chỉ đơn giản như vậy.

Cũng là một phương pháp tôi đã sử dụng mượt mà nhất trong hai năm vừa qua.

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

Trong lĩnh vực ngôn ngữ học, có một khía cạnh phân tích cực kỳ kinh điển, được đề xuất bởi Saussure, gọi là phân tích theo thời gian và phân tích theo không gian.

Đó là khi bạn muốn nghiên cứu một thứ gì đó, bạn có thể bắt đầu từ hai khía cạnh, một là khía cạnh thời gian, nhìn vào cách nó đã phát triển từ quá khứ đến hiện tại, một là khía cạnh hiện tại, nhìn vào cách nó ở tại một thời điểm nhất định, ở trong một hệ thống và mối quan hệ so sánh như thế nào.

Trong lĩnh vực khoa học xã hội cũng có những quan điểm nghiên cứu tương tự, gọi là nghiên cứu theo chiều dọc và nghiên cứu theo chiều ngang. Chiều dọc là theo dõi quỹ đạo biến đổi của một đối tượng, chiều ngang là quan sát trạng thái cắt ngang của nó vào một thời điểm cụ thể và tiến hành so sánh qua chiều ngang.

Tôi chỉ đơn giản rút ra những quan điểm nghiên cứu này đã được sử dụng từ lâu trong giới học thuật, kết hợp với một số suy nghĩ về phân tích kinh doanh và chiến lược cạnh tranh, tạo thành một khung nghiên cứu chung chạy trên máy tính AI.

Hiện tại có phiên bản Prompt và phiên bản Skill

Cả hai đều được công khai mã nguồn trên kho Github của tôi:

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

Phiên bản Prompt sẽ hoạt động đặc biệt tốt khi kết hợp với một số tính năng nghiên cứu sâu của trí tuệ nhân tạo, ví dụ như DeepResearch của ChatGPT, DeepResearch của Claude, chế độ chuyên gia của Màu Đậu, chế độ chuyên gia của DeepSeek, v.v. Bên cạnh đó, tôi đã tinh chỉnh lối viết văn, sử dụng một số khả năng viết skill của Kha'Zix để đảm bảo sau khi bản báo cáo này hoàn thành, bạn sẽ có thể đọc và không phải đối mặt với một cuốn sách khó hiểu như kinh thánh...

Tôi đặt Prompt ở đây, nếu bạn cần, chỉ cần sao chép trực tiếp, hoặc bạn cũng có thể lấy từ kho Github:

Cách sử dụng rất đơn giản, đơn giản thay thế cụm từ phía sau công thức đối tượng nghiên cứu thành đối tượng bạn muốn.

Ví dụ như Harness, CLI, Anthropic đối với Aus SaaS có ảnh hưởng gì, v.v.

Thậm chí bạn có thể nghiên cứu về "Thế giới Vương Quốc Rock", "Thế giới Vinh Quang của Vương Giả", xung đột quân sự giữa Iran và Mỹ, sự thất thường của Trump, v.v.

Mọi thứ đều có thể.

Tôi sẽ lấy ví dụ về Harness+DeepResearch của Claude đang rất hot gần đây.

Tôi đã đơn giản thay đổi Prompt, thay vào đó là Harness trong phần công thức, sau đó mở chế độ DeepResearch của Claude.

Gửi trực tiếp.

Sau đó, Claude sẽ xác nhận với tôi về Harness là cái gì, tôi đã bổ sung thêm thông tin.

Sau đó, quá trình bắt đầu ngay lập tức.

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

Bạn có thể xem xét hiệu quả, tôi nghĩ phân tích theo chiều dọc mà tôi viết là không tồi, lịch sử được thể hiện rất rõ ràng, khi nào ra đời, khi nào bùng nổ, có những điểm dừng quan trọng nào.

Tại sao lại bùng nổ vào thời điểm này cũng rất hợp lý.

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

Tôi tin rằng bất kỳ ai hiểu biết về Agent, đều sẽ không đặt câu hỏi về tính chuyên nghiệp của việc so sánh, phải không, bạn có thể nhanh chóng lý giải sự khác biệt so với một số khái niệm tương tự.

Và cuối cùng là hướng phát triển tương lai.

Báo cáo toàn bộ khoảng một vạn từ, tin tôi, nếu bạn tò mò về Harness, muốn hiểu biết mọi thứ về nó một cách nhanh chóng và toàn diện nhất có thể, bản nghiên cứu này, gần như tốt hơn hầu hết các bài viết tổng hợp mà bạn đã thấy.

Toàn diện và dễ đọc.

Mục tiêu 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 kỹ thuật, như giao thức MCP, RAG. Thậm chí có thể là một cá nhân, như một nhân vật chính trong một ngành nào đó.

Prompt sẽ điều chỉnh tự động trọng tâm của phân tích theo chiều dọc và ngang dựa vào loại đối tượng nghiên cứu. Nghiên cứu về sản phẩm sẽ tập trung vào việc so sánh phiên bản và tính năng, nghiên cứu về công ty sẽ tập trung vào quá trình tài trợ và mô hình kinh doanh, nghiên cứu về cá nhân sẽ tập trung vào sự nghiệp và so sánh với những người trong cùng lĩnh vực.

Nếu bạn thường xuyên sử dụng Cowork, Claude Code hoặc Codex và các Agent khác, tôi cũng đã biến phương pháp này thành một kỹ năng, có tên là hv-analysis, và đã phát hành mã nguồn mở trên kho Github của tôi.

Sau khi cài đặt, bạn chỉ cần nói với Agent "Hãy nghiên cứu về xxx" và nó sẽ thực hiện theo cấu trúc phân tích theo chiều ngang và dọc.

Và phiên bản Skill này còn tự động truy cập mạng để tìm kiếm thông tin, cũng có tích hợp API của arxiv, sẽ tự động tra cứu bài báo khi bạn nghiên cứu một số vấn đề học thuật, cuối cùng sẽ tạo ra một bản báo cáo nghiên cứu đã định dạng PDF, phong cách văn hóa còn dễ đọc hơn, linh hoạt hơn so với phiên bản Prompt.

Tất nhiên, tôi cũng phải trung thực thừa nhận giới hạn của phương pháp này.

Nó không phải là phương pháp đa năng.

Nó có thể giúp bạn xây dựng một khung nhìn tri thức khá đầy đủ trong thời gian ngắn, nhưng nó không thể thay thế cho việc nghiên cứu sâu sắc thực sự, từng bước một.

Và thông tin mà AI thu thập, mặc dù hiện tại ảo giác của mô hình AI đã rất thấp, nhưng vẫn có thể xảy ra tình huống không chính xác.

Do đó, bạn không thể lấy báo cáo được tạo ra bởi AI mà trực tiếp coi là kết luận, nó hơn như là một điểm xuất phát cho việc nghiên cứu của bạn trong lĩnh vực này, giúp bạn nhanh chóng xây dựng bản đồ, sau đó bạn có thể dựa vào bản đồ này để thăm dò sâu hơn.

Vấn đề khác là chất lượng của báo cáo do AI tạo ra phụ thuộc rất nhiều vào mô hình và công cụ mà bạn sử dụng. Sử dụng công cụ hỗ trợ DeepResearch hoặc nghiên cứu sâu thường cho hiệu quả tốt hơn vì chúng thực sự đi tìm kiếm trên mạng, xác minh nhiều thông tin, mỗi nhiệm vụ thường vượt quá 10 phút.

Nhưng nếu bạn chỉ có thể sử dụng công cụ AI hỗ trợ tìm kiếm trên mạng thông thường, mỗi lần dưới 1 phút, thì hiệu suất có thể bị giảm sút.

Phương pháp cá nhân của tôi, sau khi nhận được báo cáo, tôi sẽ đọc nhanh một lượt để xây dựng cấu trúc, sau đó tập trung vào những điểm mà tôi cảm thấy hoặc đặc biệt quan tâm, sau đó tiến hành tìm kiếm thêm thông tin.

Đây chính là việc kết hợp giữa báo cáo AI được tạo ra bằng phương pháp phân tích lưới và việc tìm hiểu sâu hơn từ chính bản thân, hiệu quả hơn nhiều so với việc bắt đầu từ đầu.

Thực sự, ngày nay, khi đã có AI, không cần thiết phải tự mình mò mẫm, đó thực sự là việc không cần phải làm.

Đôi khi, tôi nghĩ, trong thời đại này, điều thực sự khan hiếm không phải là thông tin, mà là sự tò mò của bạn với thế giới này.

Thực ra, nếu bạn hỏi liệu tôi có thực sự rộng lượng hay chuyên nghiệp đến đâu không, thì chắc chắn cũng không phải, tôi chỉ đơn giản là tò mò với thế giới này một chút thôi.

Đó chính là khi một loạt câu hỏi bất ngờ xuất hiện trong đầu bạn bất cứ lúc nào, bất cứ nơi đâu.

Đồ vật này được tạo ra như thế nào? Tại sao nó lại xuất hiện vào lúc này? Nó liên quan đến đồ vật kia như thế nào? Người làm việc này trước đó đã làm gì? Khi tôi nghĩ đến những câu hỏi này mà không có câu trả lời, thực sự khiến tôi cảm thấy bất an. Không biết mọi người có cảm giác tương tự không, đó chính là cảm giác bạn muốn ngay lập tức và ngay lập tức đóng gói được câu trả lời.

Thông tin đã tràn ngập như một trận lụt, trí tuệ nhân tạo giúp bạn tiếp cận thông tin với chi phí gần như bằng không.

Nhưng bạn phải hỏi câu hỏi gì, nhìn từ góc độ nào, cách tổ chức thông tin rải rác thành nhận định có ý nghĩa, những điều này trí tuệ nhân tạo không thể giúp bạn, hoặc có thể nói rằng trí tuệ nhân tạo chỉ có thể giúp bạn thực hiện sau khi bạn xác định hướng, nhưng hướng này phải do chính bạn quyết định.

Phương pháp phân tích ngang dọc thực sự là một khung hỏi tôi tự đặt ra cho bản thân. Mỗi khi đối mặt với một đồ vật xa lạ, tôi không cần phải nghĩ tạm thời rằng tôi nên hiểu nó từ những góc độ nào, khung này đã giúp tôi nghĩ sẵn rồi.

Theo dõi theo thời gian dọc, theo dõi theo không gian ngang, cuối cùng giao nhau để đưa ra nhận định, ba bước hoàn tất, khung nhận thức đã được xây dựng.

Nó giúp tôi không phải mất ba ngày như trước đây để thu thập thông tin, bây giờ, chỉ mất nửa giờ để xây dựng khung, và sau đó dành thời gian còn lại vào những điều thực sự thú vị, đó là theo dõi từng thông tin từng chút một nối thành một bức tranh hoàn chỉnh, sau đó đột nhiên "Aha, chính là như vậy" trong một khoảnh khắc ấy.

Khoảnh khắc đó quá phê.

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

Nhưng nếu bạn cũng là loại người, đầu óc thường xuyên nảy ra một loạt câu hỏi và cảm thấy việc thu thập thông tin quá chậm chạp, bạn có thể thử.

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

Theo tôi, công cuộc nghiên cứu cũng bắt đầu từ sự hiếu kỳ thực sự với một đồ vật nào đó, phương pháp và công cụ chỉ là thứ sau cùng, hiếu kỳ đứng đầu.

Không có hiếu kỳ, ngay cả khi có phương pháp tốt đẹp, cũng chỉ là một trang trí.

Có hiếu kỳ, dù phải dùng phương pháp cồng kềnh một chút, bạn vẫn sẽ tìm ra câu trả lời.

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

Nhanh đến mức bạn có thể tìm hiểu về nhiều điều hơn.

Hãy giữ cho tinh thần hiếu kỳ.

Link gốc

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia