https://itup-source-git-main-nguyenhuynhdt37s-projects.vercel.app/

IT.UP CLUB- Bình dân học vụ số, Vinh in, Vinh (2026)

26/05/2026

10 công cụ giúp tối ưu chi phí dùng Claude 🚀

📌RTK - Rust Token Killer
✅Lọc và nén output từ terminal trước khi gửi cho Claude.
🌐 https://github.com/rtk-ai/rtk

📌Caveman Claude
✅Yêu cầu Claude trả lời cực ngắn gọn nhưng vẫn giữ độ chính xác
🌐 https://github.com/JuliusBrussee/caveman

📌claude-token-efficient
✅File CLAUDE.md giúp Claude trả lời súc tích hơn trong mọi phiên làm việc.
🌐 https://github.com/drona23/claude-token-efficient

📌Token Savior MCP
✅Cho phép đọc code theo function/class thay vì nạp cả file.
🌐 https://github.com/Mibayy/token-savior

📌Headroom
✅Nén code/context nhưng vẫn giữ cấu trúc cú pháp quan trọng.
🌐 https://github.com/chopratejas/headroom

📌claude-token-optimizer
✅Tối ưu cấu trúc tài liệu và thứ tự nạp context.
🌐 https://github.com/nadimtuhin/claude-token-optimizer

📌Token Optimizer
✅Tìm và loại bỏ phần context bị lặp, boilerplate, hoặc token rác.
🌐 https://github.com/alexgreensh/token-optimizer

📌PromptThrift MCP
✅Nén lịch sử hội thoại, chỉ giữ lại phần liên quan đến lượt hỏi hiện tại.
🌐 https://github.com/woling-dev/promptthrift-mcp

📌claude-context by Zilliz
✅Index toàn bộ codebase, sau đó chỉ kéo phần code liên quan vào context.
🌐 https://github.com/zilliztech/claude-context

📌Token Optimizer MCP
✅Nén schema/definition của MCP tools để tránh phình context window.
🌐 https://github.com/ooples/token-optimizer-mcp

Dùng AI để code không chỉ là hỏi đúng câu, mà còn là quản lý context hiệu quả. Context càng gọn, Claude càng tập trung, phản hồi càng tốt, và hóa đơn cho API cũng dễ thở hơn.

21/05/2026

Biến Claude Code thành studio game với 49 AI agent 🔥

Thông thường, để làm một game, bạn cần một team khoảng 5-10 người: lập trình viên, artist, game designer, tester… cùng phối hợp trong nhiều tháng.

1 repo có tên là Claude Code Game Studios, và ý tưởng của nó là mô phỏng lại cấu trúc đó bằng các AI agent có vai trò rõ ràng trong một studio ảo.

Cách tổ chức khá giống một studio thật:

✅ Director giữ định hướng sáng tạo
✅ Department lead phụ trách từng mảng chuyên môn
✅ Specialist xử lý các công việc cụ thể
✅ Producer điều phối thay đổi giữa các team

Các agent này dùng chung 72 workflow skills, bao phủ từ thiết kế game, viết code, kiểm thử QA cho đến chuẩn bị launch.

Điểm quan trọng là: AI không tự ý ship sản phẩm. Mỗi agent sẽ đưa ra phương án, bản nháp hoặc đề xuất công việc, rồi chờ bạn duyệt trước khi tiếp tục.

Nói cách khác, bạn vẫn là người ra quyết định cuối cùng.
AI chỉ giúp dựng cấu trúc, chia việc và tăng tốc quá trình làm game.

Link repo: https://github.com/Donchitos/Claude-Code-Game-Studios

19/05/2026

Claude Code, OpenClaw và Hermes Agent giờ đây có thể dùng chung một brain 🧠

Claude Code, OpenClaw, Hermes Agent và nhiều coding agent khác thường có cách lưu trí nhớ riêng. Vấn đề là khi bạn đổi công cụ, agent gần như phải bắt đầu lại từ đầu: mất preference, mất bài học, mất các quy ước đã tích lũy trong quá trình làm việc.

agentic-stack giải quyết chuyện này bằng một thư mục .agent/ dùng chung cho nhiều agent khác nhau.

Bạn chỉ cần đặt .agent/ vào project, chọn công cụ muốn dùng, và agent sẽ tự kết nối với cùng một brain. Công cụ khác nhau, nhưng trí nhớ không bị mất.

Bên trong agentic-stack có:

✅4 lớp bộ nhớ: working, episodic, semantic và personal
✅Skill chỉ được tải khi tác vụ cần đến, tránh nhồi quá nhiều context
✅Quy trình chạy hằng đêm để gom các pattern lặp lại thành bài học đề xuất
✅Công cụ review để con người kiểm duyệt trước khi bài học được lưu lâu dài
✅Tool schema rõ ràng và cơ chế phân quyền bắt buộc

Mỗi hành động của agent được ghi vào episodic memory. Sau đó, hệ thống gom các pattern lặp lại thành lesson candidate. Bạn review bằng một lệnh. Những lesson đã được duyệt sẽ tự động được tải vào các phiên làm việc sau.

Với agentic-stack, thay vì chọn một agent, bạn chọn một brain, để rồi agent nào cũng có thể cắm vào đó.

Link repo: https://github.com/codejunkie99/agentic-stack

17/05/2026

AI - 1 hệ sinh thái với 9 mảnh ghép 🔥

AI hiện đại là một hệ sinh thái lớn, gồm nhiều mảng khác nhau, hàng trăm công cụ và rất nhiều kỹ năng liên quan.

Có thể hình dung AI qua 9 trụ cột chính:

📌 Machine Learning: Giúp máy học từ dữ liệu để dự đoán hoặc ra quyết định.
📌 Deep Learning: Sử dụng neural networks để xử lý các bài toán phức tạp như ảnh, ngôn ngữ, âm thanh.
📌 Natural Language Processing: Giúp AI đọc, viết, tóm tắt, dịch và hiểu ngôn ngữ con người.
📌 Computer Vision: Giúp AI nhìn và hiểu hình ảnh, video, vật thể, khuôn mặt, chuyển động.
📌 Generative AI: Tạo ra nội dung mới như văn bản, hình ảnh, âm thanh, video và code.
📌 Agentic AI: AI có khả năng lập kế hoạch, suy luận và tự thực hiện nhiệm vụ.
📌 AI Agents: Các hệ thống agent phối hợp với nhau để xử lý những workflow phức tạp.
📌 Robotics & Autonomous Systems: AI được đưa vào robot, xe tự hành, drone và các hệ thống hoạt động ngoài đời thực.
📌 AI Ethics & Governance: Đảm bảo AI được sử dụng an toàn, minh bạch, có trách nhiệm và tuân thủ quy định.

🚀AI không chỉ là ChatGPT hay vài mô hình tạo ảnh. Đó là một bản đồ công nghệ rộng lớn, nơi mỗi mảng đóng một vai trò khác nhau trong cách AI được xây dựng, triển khai và kiểm soát.

Bài viết gốc: https://www.linkedin.com/posts/artificialintelligence-aiskills-aimap-share-7450415522686349312-54Es?utm_source=social_share_send&utm_medium=member_desktop_web&rcm=ACoAAB8zGzgBCs7tk97g0kh_mpAfaczB4jwFYeo

14/05/2026

Cheatsheet chuẩn bị cho interview về Data Science, Machine Learning 🔥

Đây là 1 trong số các cheatsheet về DS/ML yêu thích của mình 😁

Cheatsheet này có 1 điểm đặc biệt là tổng kết kiến thức và phân loại chủ đề dựa theo các câu hỏi phổ biến khi đi phỏng vấn. Và cheatsheet này sử dụng rất nhiều hình minh họa để giúp người đọc dễ hiểu.

Rất phù hợp cho những bạn ôn tập kiến thức cũng như chuẩn bị cho phỏng vấn 😎

12/05/2026

15 bài báo nền tảng của AI hiện đại 🔥

(Tóm lại là bao gồm Transformer và các bài báo sau đó các bạn nhé)

1️⃣ Attention Is All You Need
2017, Google
Thay thế RNN bằng cơ chế self-attention, giúp mô hình có thể xử lý song song ở quy mô lớn.
🌐 https://arxiv.org/abs/1706.03762

2️⃣ BERT
2018, Google
Giới thiệu biểu diễn ngôn ngữ hai chiều sâu thông qua Masked Language Modeling, hay MLM.
🌐 https://arxiv.org/abs/1810.04805

3️⃣ GPT-2
2019, OpenAI
Chứng minh rằng dự đoán từ tiếp theo có thể giúp mô hình trở thành một “người học đa nhiệm” theo cách không giám sát.
🌐 https://openai.com/research/better-language-models

4️⃣ Scaling Laws for Neural Language Models
2020, OpenAI
Công thức hóa bằng toán học việc tăng compute, dữ liệu và số tham số có thể cải thiện hiệu năng mô hình theo cách dự đoán được.
🌐 https://arxiv.org/abs/2001.08361

5️⃣ GPT-3
2020, OpenAI
Với 175 tỷ tham số, GPT-3 mở ra khả năng “in-context learning”, tức học ngay trong ngữ cảnh mà không cần cập nhật trọng số mô hình.
🌐 https://arxiv.org/abs/2005.14165

6️⃣ Vision Transformer, ViT
2020, Google
Đưa Transformer vào lĩnh vực thị giác máy tính bằng cách xem các patch ảnh như một chuỗi token.
🌐 https://arxiv.org/abs/2010.11929

7️⃣ DALL-E
2021, OpenAI
Kết hợp discrete VAE với autoregressive Transformer để tạo ảnh từ văn bản theo kiểu zero-shot.
🌐 https://arxiv.org/abs/2102.12092

8️⃣ Retrieval-Augmented Generation, RAG
2020, Meta
Kết hợp Dense Passage Retrieval, DPR, với mô hình sinh seq2seq để giúp câu trả lời được grounding trên kho dữ liệu bên ngoài.
🌐 https://arxiv.org/abs/2005.11401

9️⃣ LoRA
2021, Microsoft
Tạo ra bước tiến lớn cho parameter-efficient fine-tuning, PEFT, thông qua các ma trận phân rã hạng thấp.
🌐 https://arxiv.org/abs/2106.09685

🔟 InstructGPT / RLHF
2022, OpenAI
Sử dụng Proximal Policy Optimization, PPO, để căn chỉnh mô hình theo phản hồi và sở thích của con người.
https://arxiv.org/abs/2203.02155

1️⃣1️⃣ Chain-of-Thought Prompting
2022, Google
Mở khóa khả năng suy luận có hệ thống thông qua các bước lập luận trung gian.
🌐 https://arxiv.org/abs/2201.11903

1️⃣2️⃣ Constitutional AI
2022, Anthropic
Đặt nền móng cho RLAIF, nơi mô hình tự phê bình và tự điều chỉnh dựa trên một bộ nguyên tắc được định nghĩa trước.
🌐 https://arxiv.org/abs/2212.08073

1️⃣3️⃣ AlphaFold 2
2021, DeepMind
Giải quyết bài toán dự đoán cấu trúc protein 3D thông qua kiến trúc Evoformer.
🌐 https://nature.com/articles/s41586-021-03819-2

1️⃣4️⃣ Denoising Diffusion, DDPM
2020, UC Berkeley
Sử dụng variational inference cho quá trình khuếch tán Markov ngược. Đây là một trong những nền tảng toán học quan trọng đứng sau Stable Diffusion.
🌐 https://arxiv.org/abs/2006.11239

1️⃣5️⃣ ReAct
2022, Google / Princeton
Kết hợp các bước suy luận với hành động cụ thể trong môi trường, ví dụ như gọi API hoặc tra cứu thông tin.
🌐 https://arxiv.org/abs/2210.03629

Bài viết gốc: https://www.linkedin.com/posts/aamero_ml-deeplearning-airesearch-activity-7449747269857267713-h5Mn?utm_source=social_share_send&utm_medium=member_desktop_web&rcm=ACoAAB8zGzgBCs7tk97g0kh_mpAfaczB4jwFYeo

09/05/2026

MegaTrain - Huấn luyện LLM hơn 100B tham số chỉ với 1 GPU 🚀

Một paper mới giới thiệu hệ thống tên MegaTrain với ý tưởng khá lạ: thay vì nhét toàn bộ model và optimizer state vào GPU, hệ thống sẽ lưu phần lớn chúng ở RAM phía CPU, còn GPU chỉ đóng vai trò bộ máy tính toán tạm thời.

Nhờ cách này, nhóm nghiên cứu cho biết có thể huấn luyện LLM tới 120B tham số ở full precision chỉ với một GPU H200, nếu máy có khoảng 1.5TB RAM phía host.

Nếu hướng này tiếp tục chứng minh được hiệu quả thực tế, đây có thể là một bước rất đáng chú ý trong việc giảm bớt rào cản hạ tầng khi huấn luyện model lớn.

P/s: Đọc để tham khảo, để biết thôi chứ chắc chắn các cá nhân như chúng ta sẽ gần như không bao giờ đi huấn luyện các LLM hằng trăm tỉ tham số, cũng như gần như sẽ không bao giờ được chạm vào cỗ máy nào có 1.5 TB RAM cả 😅

Link paper: https://arxiv.org/pdf/2604.05091

06/05/2026

Video hướng dẫn cách biến Claude Code thành bộ nhớ biết tự học theo thời gian 🔥

Nếu bạn đang quan tâm tới AI coding agent, mình highly recommend video này của Cole Medin.

Nội dung chính của video là cách anh ấy xây một hệ thống “self-evolving memory” cho Claude Code dựa trên ý tưởng LLM Knowledge Base của Andrej Karpathy. Thay vì để mọi phiên làm việc với AI trôi qua rồi mất luôn, hệ thống này sẽ lưu lại những gì quan trọng như quyết định kỹ thuật, lỗi đã gặp, cách sửa, pattern hiệu quả… rồi dần dần biến chúng thành một kho tri thức có thể tái sử dụng ở các lần làm việc sau

Video này sẽ đặc biệt hợp với những ai đang tìm hiểu:

📌Claude Code
📌AI agent có memory dài hạn
📌Obsidian / knowledge base cho developer
📌Cách biến workflow AI từ chat đơn giản thành một hệ thống làm việc nghiêm túc hơn

Video cũng chia sẻ một góc nhìn khá hay về tương lai của AI coding: AI không chỉ hỗ trợ viết code, mà còn dần tích lũy kinh nghiệm từ chính quá trình làm việc cùng bạn.

Link video: https://www.youtube.com/watch?v=7huCP6RkcY4

04/05/2026

Tài liệu hướng dẫn xây dựng AI agent của Google 🔥

Đây là những gì bạn sẽ học được trong tài liệu này:

✅ Cách AI agent thực sự hoạt động, được giải thích rõ ràng, gồm model, công cụ, bộ nhớ và cơ chế điều phối
✅ Cách xây dựng agent đầu tiên của bạn từng bước bằng Google ADK
✅ 3 kiến trúc agent cốt lõi: LLM, Workflow và Custom
✅ Các best practice để đánh giá, giám sát và bảo mật agent
✅ Cách đưa agent của bạn từ bản prototype lên production trên Google Cloud
✅ Các ưu đãi cho startup, bao gồm tối đa 350.000 USD cloud credits

Ngoài việc tài liệu này chỉ tập trung vào hệ sinh thái của Google (tất nhiên) thì mọi thứ mình thấy đều OK cả. Hữu ích cho những bạn đang quan tâm đến quy trình xây dựng AI agent

Link pdf:https://services.google.com/fh/files/misc/startup_technical_guide_ai_agents_final.pdf

03/05/2026

Machine Learning cheatsheet phiên bản siêu ngắn (5 trang) 🔥

Mình hay xài cheatsheet này để ôn tập 1-2 ngày trước khi đi phỏng vấn. Ngắn nhưng vẫn cover rất đầy đủ các kiến thức cơ bản và thiết yếu nhất về Machine Learning 🥰

02/05/2026

Caleb Writes Code - kênh Youtube tập trung vào AI & LLM 🔥

Mình xin chia sẻ với các bạn 1 kênh Youtube vô cùng thú vị, tập trung vào AI nói chung cũng như LLM nói riêng

Kênh này không chỉ nói lý thuyết chung chung, mà đi khá sâu vào những chủ đề thật sự đáng quan tâm như:

📌Phân tích chi tiết chi phí vận hành các hệ thống AI, cũng như bài toán hiệu quả kinh tế khi tự xây dựng cụm GPU chuyên dụng
📌Tóm lược và cập nhật những research paper quan trọng liên quan đến Transformer và các kỹ thuật tối ưu mô hình
📌Review hiệu năng thực tế của các dòng GPU mới khi dùng để chạy LLM local
📌Bàn về xu hướng phát triển phần cứng trong thời gian tới, cùng với những động thái đáng chú ý từ các công ty lớn trong ngành bán dẫn

Nhìn chung, đây là một kênh khá đáng để theo dõi nếu bạn quan tâm đến:

✅AI ở góc nhìn thực tế
✅Hạ tầng chạy model
✅GPU cho LLM
✅Cuộc đua phần cứng phía sau làn sóng AI hiện nay

Link kênh Youtube: https://www.youtube.com/

IT.UP CLUB- Bình dân học vụ số

26/05/2026

21/05/2026

19/05/2026

17/05/2026

14/05/2026

12/05/2026

09/05/2026

06/05/2026

04/05/2026

03/05/2026

02/05/2026

Address

Website

Alerts

Shortcuts

Share

Category