Context management trong AI — bí quyết dùng AI hiệu quả

15 phút đọc

Một content strategist ở TP.HCM kể rằng cô dùng ChatGPT trung bình 40 lần mỗi ngày. Cô mở cuộc hội thoại mới để viết brief cho khách hàng A, chuyển sang tab khác để nghiên cứu thị trường cho khách hàng B, rồi quay lại tab cũ để chỉnh sửa bài blog cho dự án C.

Đến cuối ngày, cô nhận ra mình đã giải thích lại bối cảnh dự án ít nhất 15 lần cho cùng một công cụ AI. Không phải vì AI kém, mà vì cách cô tổ chức thông tin khiến mỗi cuộc hội thoại đều phải bắt đầu từ con số không.

Vấn đề context management mà ai cũng gặp

Chuyện này phổ biến hơn nhiều người nghĩ. Nghiên cứu từ Microsoft năm 2023 cho thấy nhân viên tri thức trung bình chuyển đổi giữa các cửa sổ làm việc hơn 1.200 lần mỗi ngày.

Theo Gloria Mark tại UC Irvine, mỗi lần chuyển đổi ngữ cảnh tiêu tốn trung bình 23 phút để lấy lại sự tập trung.

Khi thêm AI vào quy trình làm việc, vấn đề này không những không giảm mà còn nhân lên. Mỗi cuộc hội thoại AI mới thực sự là một lần reset hoàn toàn. Công cụ không biết bạn đang làm gì, đã làm gì trước đó, và muốn đi đến đâu.

Bài viết này không bàn về cách viết prompt hay hơn. Nó bàn về thứ quan trọng hơn prompt rất nhiều: context management — cách tổ chức bối cảnh sao cho AI (và bộ não của bạn) hoạt động ở mức tốt nhất có thể, thay vì cứ chạy vòng tròn giữa những cuộc hội thoại rời rạc.

Mỗi lần bạn giải thích lại bối cảnh cho AI, bạn đang trả một loại thuế vô hình

Ai cũng từng trải qua chuyện này: đang viết email quan trọng thì chuông điện thoại reo. Nhấc máy trả lời chừng 2 phút rồi quay lại, nhưng phải đọc lại từ đầu để nhớ mình đang viết đến đâu.

Cal Newport — tác giả cuốn Deep Work và giáo sư khoa học máy tính tại Georgetown — gọi hiện tượng này là dư âm chú ý (attention residue). Khi bạn chuyển từ việc A sang việc B, một phần tâm trí vẫn “dính” ở việc A. Não bộ không có cách nào reset sạch sẽ được.

Chi phí thực sự không nằm ở thời gian chuyển đổi, mà ở chất lượng suy nghĩ bị giảm sút ở cả hai đầu.

AI và chi phí tái xây dựng bối cảnh

Với AI, hiện tượng này có một biến thể còn phiền toái hơn. Mỗi khi bạn mở một cuộc hội thoại mới, bạn phải giải thích lại mình đang làm dự án gì, cho ai, mục tiêu là gì, đã thử những gì.

Bạn không chỉ mất thời gian. Bạn đang tái xây dựng toàn bộ bối cảnh từ đầu, cả cho AI lẫn cho chính mình.

Mỗi lần tái xây dựng như vậy, bạn mất đi những chi tiết tinh tế mà cuộc hội thoại trước đã tích lũy được. Cụ thể là cách diễn đạt AI đã hiểu, những hướng đã thử và loại bỏ, những quyết định ngầm mà chưa ai kịp ghi lại.

Ví dụ, bạn đang nghiên cứu chiến lược nội dung cho quý tới. Cuộc hội thoại đầu tiên với AI đã phân tích 50 bài blog cũ, xác định 3 khoảng trống nội dung, và đề xuất 12 chủ đề mới.

Cuộc hội thoại thứ hai, ở một tab khác, đang tinh chỉnh giọng nói thương hiệu. Cuộc thứ ba đang viết outline cho bài đầu tiên.

Ba cuộc hội thoại chạy song song, ba ngữ cảnh hoàn toàn riêng biệt. Không cuộc nào biết cuộc nào đã làm gì. Kết quả là bạn trở thành người phiên dịch giữa các phiên bản AI của chính mình.

Con số thực tế về chi phí chuyển đổi

Gerald Weinberg — tác giả cuốn Quality Software Management — từng đo lường một điều khá bất ngờ. Khi bạn làm 2 dự án song song, thời gian không chia đều 50/50 mà chỉ còn 40% cho mỗi dự án, với 20% bị mất hoàn toàn vào chi phí chuyển đổi.

Lên 3 dự án thì mỗi dự án chỉ còn 20%. Gần nửa thời gian trong ngày bay hơi vào việc “nhớ lại mình đang ở đâu”.

Do đó, nếu áp dụng con số này vào cách bạn dùng AI — chạy 3 dự án song song trên ChatGPT chẳng hạn — gần nửa thời gian tương tác đang rơi vào việc nhắc lại bối cảnh. Cả cho AI, và cho chính mình.

Context window không phải giới hạn kỹ thuật — đó là kiến trúc tư duy

Mọi mô hình AI đều có một giới hạn gọi là context window — lượng thông tin tối đa mà mô hình có thể “nhìn thấy” trong một lần tương tác. Tùy mô hình, con số này dao động từ vài chục nghìn đến hàng triệu từ.

Nghe thì rộng rãi, nhưng trong thực tế, context window không phải là dung lượng bạn cần lo. Vấn đề thực sự là cách bạn sắp xếp thông tin bên trong nó.

Bàn làm việc và tải nhận thức

Cách dễ nhất để hình dung context window là nghĩ về bàn làm việc vật lý. Bạn có thể có bàn rộng 2 mét, nhưng nếu chất đầy giấy tờ không phân loại thì vẫn không tìm được tài liệu cần trong 10 giây.

Nghiên cứu về tải nhận thức (cognitive load) của John Sweller cho thấy bộ nhớ làm việc của con người chỉ xử lý tốt khoảng 4–5 nhóm thông tin cùng lúc.

AI cũng hoạt động theo logic tương tự. Dù context window có lớn đến đâu, chất lượng đầu ra vẫn giảm đáng kể khi thông tin đầu vào thiếu cấu trúc rõ ràng.

Vì vậy, những người dùng AI hiệu quả nhất thường không phải là người viết prompt dài nhất. Họ là người thiết kế context tốt nhất. Họ biết quyết định trước thông tin nào cần đưa vào, theo thứ tự nào, và ở mức chi tiết nào.

Trong cộng đồng AI, cách tiếp cận này đang được gọi là context engineering. Nó đặt nặng việc cung cấp đúng bối cảnh hơn là trau chuốt câu chữ trong prompt.

Nguyên tắc nhóm thông tin của George Miller

Nhà tâm lý học George Miller tại Princeton đã chứng minh trong nghiên cứu kinh điển “The Magical Number Seven” rằng con người xử lý thông tin hiệu quả nhất khi nó được nhóm lại thành các đơn vị có ý nghĩa. Nguyên tắc này áp dụng rất trực tiếp vào cách bạn nên tổ chức context cho AI.

Ví dụ, bạn cần AI viết email pitch cho khách hàng mới. Cách mà hầu hết mọi người làm là dán toàn bộ brief 5 trang vào prompt, kèm lịch sử trao đổi, kèm bảng giá.

Họ hy vọng AI tự tìm ra trọng tâm. Kết quả thường là một email dài, lan man, không biết đang nói với ai.

Tuy nhiên, nếu bạn chỉ gửi 3 dòng — mục tiêu là upsell gói premium, đối tượng là CFO quan tâm đến ROI, tone chuyên nghiệp và ngắn gọn — thì AI trả về email đúng trọng tâm ngay lần đầu. Ít thông tin hơn, nhưng đúng thông tin hơn. Đó chính là context engineering trong thực tế hằng ngày.

Second brain không phải kho lưu trữ — đó là bộ nhớ ngoại vi có cấu trúc

Tiago Forte — tác giả cuốn Building a Second Brain — có một cách gọi khá hay. Phương pháp quản lý tri thức cá nhân này đang được hơn 500.000 người áp dụng.

Ông không dùng từ “kho lưu trữ” hay “hệ thống ghi chú”. Thay vào đó, ông gọi second brain là bộ nhớ ngoại vi có cấu trúc — tức một hệ thống nằm bên ngoài bộ não, giúp bạn lưu, tổ chức, và lấy lại thông tin mà không cần dựa vào trí nhớ.

Second brain trong thời đại AI

Trước thời AI, second brain chủ yếu phục vụ một mục đích duy nhất: giúp bạn nhớ lại những gì đã đọc, đã nghĩ, đã học.

Tuy nhiên, trong thời đại AI, nó có thêm một chức năng mà ít người nhận ra ngay: cung cấp context cho AI. Khi bạn có một hệ thống tri thức cá nhân được tổ chức tốt, bạn không cần giải thích lại bối cảnh mỗi lần bắt đầu cuộc hội thoại mới nữa.

Bạn chỉ cần trỏ AI đến đúng tài liệu, đúng ghi chú, đúng quyết định đã được ghi lại. Kết quả là AI có thể tiếp tục từ nơi bạn dừng lại.

Nguyên tắc Zettelkasten: một ý, một ghi chú

Có một nguyên tắc rất hữu ích từ hệ thống Zettelkasten của Niklas Luhmann mà bạn nên áp dụng. Mỗi ghi chú chỉ chứa một ý duy nhất và có liên kết rõ ràng đến các ý liên quan.

Đây chính xác là cấu trúc mà AI xử lý tốt nhất. Thay vì phải lọc qua một tài liệu 50 trang, AI chỉ cần xem 5 ghi chú ngắn gọn. Mỗi ghi chú một chủ đề, có đường dẫn rõ ràng đến nhau.

Kết quả là AI “hiểu” nhanh hơn. Và bạn cũng kiểm soát được chính xác AI đang nhìn thấy gì.

David Allen — tác giả cuốn Getting Things Done — từng nói rằng “bộ não của bạn được sinh ra để tạo ý tưởng, không phải giữ ý tưởng”.

Trong thời đại AI, nguyên tắc này còn đúng hơn theo một cách mà Allen chưa hình dung. Bộ não bạn cũng không phải nơi lưu trữ context cho AI.

Nếu bạn cứ cố nhớ trong đầu rằng “cuộc hội thoại hôm qua mình đã thảo luận gì” — đó chính là lúc bạn cần một hệ thống bên ngoài thay mình làm việc đó.

Kiến trúc context: ba tầng mà mọi knowledge worker nên thiết kế

Khi làm việc với AI cho nhiều dự án song song — viết content, nghiên cứu thị trường, lên chiến lược — một cấu trúc ba tầng giúp giảm đáng kể thời gian “khởi động lại” mỗi phiên.

Đây không phải framework lý thuyết. Đây là cách tổ chức đã được nhiều content team và freelancer áp dụng sau khi gặp đúng vấn đề “giải thích lại bối cảnh mỗi ngày” mà phần đầu bài viết mô tả.

Tầng 1: Context file — tài liệu danh tính dự án

Đây là một file duy nhất, ngắn gọn (dưới 500 từ), chứa mọi thứ AI cần biết để bắt đầu làm việc với bạn trên một dự án cụ thể. Nó bao gồm mục tiêu dự án, đối tượng mục tiêu, tone of voice, các quyết định đã đưa ra, và những ràng buộc quan trọng.

Mỗi lần bắt đầu cuộc hội thoại mới, bạn gửi context file này trước. AI đi từ zero đến 80% hiểu biết trong 10 giây, thay vì bạn mất 5 phút giải thích lại từ đầu.

Cụ thể là khi làm content cho một thương hiệu, context file chứa brand positioning, 5 từ khóa chính, target persona, danh sách nội dung đã publish, và style guide tóm tắt.

Tầng 2: Knowledge base — kho tài nguyên có phân loại

Đây là hệ thống Notion, Obsidian, hoặc Google Drive chứa tài liệu chi tiết hơn, được tổ chức theo phương pháp PARA hoặc Zettelkasten. Không cần AI “thấy” toàn bộ knowledge base. Bạn chỉ trích xuất những phần liên quan khi cần.

Ví dụ, một content strategist có thể có thư mục “Brand Assets” chứa 30 tài liệu. Nhưng khi yêu cầu AI viết bài blog, chỉ cần kéo ra 3 tài liệu liên quan nhất: editorial guidelines, keyword research cho chủ đề đó, và outline đã duyệt.

Tầng 3: Session state — trạng thái phiên làm việc

Đây là thứ ít người nghĩ đến nhưng tạo ra khác biệt lớn nhất. Bạn ghi lại ở đâu đó (một ghi chú ngắn, một comment trong file) những gì đã hoàn thành trong phiên trước và bước tiếp theo là gì.

Khi bạn quay lại dự án sau 2 ngày, thay vì mở lại cuộc hội thoại cũ hoặc bắt đầu cuộc mới, bạn gửi cho AI: context file (tầng 1) + session state (tầng 3).

AI biết ngay bạn đang ở đâu, đã làm gì, và cần tiếp tục thế nào.

Kiến trúc này giải quyết đồng thời ba vấn đề. Mỗi phiên bắt đầu nhanh hơn vì không cần giải thích lại. AI nhận đúng thông tin cần thiết thay vì bị ngập trong chi tiết thừa. Và bạn không mất mạch làm việc giữa các ngày.

Bốn thói quen thay đổi cách bạn làm việc với AI

Thói quen 1: Viết context file trước khi bắt đầu dự án

Hầu hết mọi người mở ChatGPT và bắt đầu bằng “Tôi đang làm dự án về…” rồi gõ 3–4 đoạn giải thích. Họ lặp lại việc này mỗi lần, mỗi cuộc hội thoại, mỗi ngày.

Có một cách đơn giản hơn nhiều. Viết sẵn một context file khoảng 300 từ một lần duy nhất, rồi gửi nó mở đầu mỗi cuộc hội thoại.

AI sẽ hiểu được khoảng 80% bối cảnh chỉ trong 10 giây đầu. Bạn không cần mất 5 phút giải thích lại mỗi lần. Với một dự án kéo dài 4 tuần, 15 phút đầu tư ban đầu có thể trả lại 3–5 giờ.

Thói quen 2: Kết thúc mỗi phiên AI bằng bản tóm tắt ngắn

Cách mà hầu hết mọi người kết thúc phiên làm việc với AI là đóng tab. Ngày mai họ mở lại và cuộn ngược 50 tin nhắn tìm xem “hôm qua mình đang ở đâu”. Hoặc đơn giản hơn là mở cuộc mới và giải thích lại mọi thứ từ đầu.

Ngoài ra, có một cách tốt hơn rất nhiều. Trước khi đóng cuộc hội thoại, yêu cầu AI tóm tắt lại trong 3–5 dòng: những gì đã làm, quyết định nào đã đưa ra, và bước tiếp theo cần làm gì.

Bạn copy bản tóm tắt đó vào ghi chú, và ngày mai gửi lại cho AI cùng với context file. Thao tác này chỉ mất 30 giây nhưng tạo ra sự liên tục giữa các phiên — thứ mà hầu hết quy trình làm việc với AI hiện tại đang thiếu hoàn toàn.

Thói quen 3: Giữ một cuộc hội thoại xuyên suốt cho mỗi dự án

Nhiều người có thói quen mở cuộc hội thoại mới cho mỗi câu hỏi, kể cả khi tất cả đều thuộc cùng một dự án. Mỗi cuộc mới đồng nghĩa với việc AI quên sạch mọi thứ trước đó.

Nếu bạn giữ một cuộc hội thoại xuyên suốt, context sẽ tích lũy qua từng tương tác. AI hiểu bạn sâu hơn sau mỗi lần trao đổi.

Hơn nữa, chỉ bắt đầu cuộc mới khi AI bắt đầu có dấu hiệu “quên” phần đầu cuộc hội thoại. Lúc đó, context file kết hợp với bản tóm tắt phiên trước sẽ giúp cuộc hội thoại mới bắt kịp rất nhanh.

Thói quen 4: Tách riêng phiên suy nghĩ và phiên thực thi

Một sai lầm rất phổ biến là vừa brainstorm 10 ý tưởng, vừa viết bài, vừa chỉnh sửa — tất cả trong cùng một cuộc hội thoại. Kết quả là AI lẫn lộn giữa những ý tưởng đã bị loại bỏ và hướng đi đã được chọn. Điều này dẫn đến output mâu thuẫn với chính nó.

Cal Newport trong cuốn Deep Work có một nguyên tắc rất đáng áp dụng ở đây. Hãy tách rõ một phiên chỉ để nghiên cứu và ra quyết định, rồi dùng một phiên khác chỉ để thực thi dựa trên quyết định đó.

Khi tách như vậy, context window không bị pha loãng bởi những nội dung khám phá đã lỗi thời. Do đó, AI có thể tập trung đúng vào nhiệm vụ được giao.

FAQ — Câu hỏi thường gặp

Bắt đầu xây dựng context management system từ đâu?

Bắt đầu từ một dự án duy nhất. Viết một context file 300 từ cho dự án đó, bao gồm mục tiêu, đối tượng, tone, quyết định quan trọng, và ràng buộc.

Dùng context file này mở đầu mỗi cuộc hội thoại AI. Kết thúc mỗi phiên bằng session summary 3–5 dòng. Sau 1 tuần, bạn sẽ thấy rõ sự khác biệt — và tự nhiên muốn mở rộng sang các dự án khác.

Công cụ nào phù hợp để xây knowledge base cho workflow AI?

Notion phù hợp với team vì có collaboration tốt và cấu trúc database linh hoạt. Obsidian phù hợp với cá nhân muốn kiểm soát dữ liệu vì hỗ trợ liên kết giữa các ghi chú và lưu trữ local.

Ngoài ra, Google Docs/Drive phù hợp khi cần đơn giản và chia sẻ nhanh. Quan trọng nhất không phải công cụ nào — mà là thông tin có cấu trúc rõ ràng để trích xuất nhanh khi cần gửi cho AI.

Làm sao biết context window sắp đầy và cần bắt đầu cuộc hội thoại mới?

Khi AI bắt đầu “quên” những gì bạn đã thảo luận ở đầu cuộc hội thoại — đó là dấu hiệu rõ ràng nhất. Cụ thể là AI hỏi lại thông tin bạn đã cung cấp, đưa ra gợi ý mâu thuẫn với quyết định trước đó, hoặc bỏ qua ràng buộc bạn đã nêu rõ.

Lúc đó, hãy bắt đầu cuộc hội thoại mới với context file + session summary từ phiên trước. AI sẽ bắt kịp trong vài giây.

Kiến trúc 3 tầng ở trên — context file, knowledge base, session state — cần một nền tảng để triển khai. Bạn có thể tự xây từ đầu trên Notion hay Obsidian, hoặc bắt đầu với một cấu trúc đã được thiết kế sẵn.

Bài viết liên quan

• Knowledge management cho doanh nghiệp nhỏ
• Hệ thống vận hành doanh nghiệp nhỏ
• Làm việc để trở thành, không phải để sở hữu