Cài OpenClaw xong, chạy vài hôm, tiền token nhảy lên mà việc thì vẫn chưa ra hồn. Bài này tôi có chia sẻ vì sao chuyện đó xảy ra, và cách tôi dựng mô hình Multi-Agent trên OpenClaw, tách một con agent thành năm con để nó vừa chạy ổn hơn vừa rẻ hơn. Đây là đội agent đang lo phần nội dung cho công ty tôi, không phải ví dụ trên giấy.
Video gốc dài 41 phút. Bài viết bổ sung ba thứ video chỉ nói lướt: hai bài báo khoa học đứng sau hai giới hạn của bộ não, bảng giá token đọc thẳng từ màn hình, và hai mẫu copy được về dùng luôn.
Thứ tự tôi sẽ đi:
- Bên trong OpenClaw có những gì
- Giới hạn thứ nhất, nó quên ở giữa
- Giới hạn thứ hai, nó không tự chấm được chính nó
- Vì sao một agent gánh hết thì tiền đội lên
- Cách chia việc theo giá model
- Đội năm agent tôi đang chạy thật
- Giới hạn thật, và việc làm được trong bảy ngày
Vì sao cài OpenClaw xong lại thấy ngốn tiền mà chưa được việc?
Vì bản cài mặc định chỉ đẻ ra đúng một con agent, và con đó phải gánh mọi thứ.
Anh em lên GitHub, tải về, gõ một hai câu lệnh, xong. Phần cài đặt dễ tới mức ai cũng làm được nên chẳng ai nói tiếp phần sau. Phần sau mới là chỗ tiền đi. Trên diễn đàn trong nước lẫn ngoài nước, câu hay gặp nhất sau khi cài là chat vài việc lung tung đã bay chục đô, có người vài trăm đô mà chưa mang lại kết quả gì.
Chuyện đó không phải lỗi của tool. Nó là hệ quả của việc một con agent duy nhất đang phải làm cả việc rất khó lẫn việc rất dễ, bằng cùng một bộ não đắt tiền, trong cùng một ngữ cảnh mỗi lúc một dài ra.
Muốn chữa thì phải hiểu bộ não bên trong nó bị giới hạn ở đâu. Hiểu xong thì cách chia việc tự nó lộ ra.
Bên trong OpenClaw có những gì?
OpenClaw là một con agent đứng giữa, nối bộ não LLM với tay chân là máy tính, file, database và các kênh chat của anh em.
Đọc theo sơ đồ thì OpenClaw có sáu phần:
- Bộ não, chính là LLM hoặc SLM. Đây là thứ giúp nó hiểu được tiếng người.
- Bộ nhớ, để nó nhớ những gì đã trao đổi.
- Kênh vào ra, Telegram và Zalo.
- Tay chân, gồm máy tính, file và database.
- Tools, nối qua dòng lệnh hoặc qua MCP.
- Sub Agent, tức là nó đẻ được agent con, và mỗi con gắn được một tờ Skills riêng.
Phần quan trọng nhất là bộ não. Sau này có OpenClaw, có tool khác, có hãng khác nhảy vào làm thứ tương tự thì cái nền vẫn là bộ não đó. Nên hiểu giới hạn của bộ não là hiểu giới hạn của mọi tool cùng loại.
Bản chất bộ não làm gì? Nó nhận chữ vào, cắt chữ thành token, rồi dự đoán token tiếp theo. Chỉ vậy thôi. Vì nó dự đoán nên kết quả không bao giờ chắc chắn một trăm phần trăm, và vì nó phải chứa token nên nó có một cái thau, đầy thì tràn. Cái thau đó gọi là context window.
Các hãng đua nhau làm thau to hơn. Câu hỏi đáng tiền là thau to hơn thì có ngon hơn không.
Giới hạn thứ nhất: vì sao nhồi nhiều ngữ cảnh vào thì nó lại quên?
Vì thông tin nằm ở giữa ngữ cảnh là chỗ model đọc kém nhất, và chuyện này đã đo được thành đồ thị.
Bài báo tên Lost in the Middle: How Language Models Use Long Contexts, nhóm Nelson F. Liu và cộng sự, đăng trên Transactions of the Association for Computational Linguistics năm 2023. Kết luận của họ nói thẳng: kết quả thường cao nhất khi thông tin cần dùng nằm ở đầu hoặc ở cuối ngữ cảnh, và tụt hẳn khi model phải với tới thông tin nằm giữa một ngữ cảnh dài.
Đây không phải chuyện tôi tự nghĩ ra cho anh em. Nó là đồ thị hình chữ U, đo trên nhiều model, trong đó có cả bản GPT-3.5 Turbo và Claude 1.3.
Vì sao nó lại coi trọng đầu và cuối?
Cách hình dung dễ nhất là nhìn vào thứ người ta dùng để dạy nó.
Hãng đổ vào đó rất nhiều bài báo, sách vở, tài liệu, bài blog. Mà con người viết thì đặt ý quan trọng ở đâu? Ở dòng tiêu đề đầu bài, và ở đoạn kết luận cuối bài. Máy đọc nhiều kiểu đó nên nó học luôn thói quen coi trọng đầu và cuối. Bài báo còn nêu thêm mấy nguyên nhân khác nữa, nhưng với anh em thì hiểu tới đây là đủ để ra quyết định.
Hệ quả trên OpenClaw là gì?
Một con agent duy nhất, làm việc liên tục, càng chạy càng chất đầy ngữ cảnh.
Nhiều người tin rằng cho nó làm mãi thì nó càng ngày càng giỏi. Ngược lại. Càng nhiều thông tin dồn vào một chỗ thì tỉ lệ nó bỏ sót càng cao, mà thứ nó bỏ sót lại nằm đúng khúc giữa, chỗ anh em ít soi nhất.
Tư duy chữa không phải là cố nhét thông tin quan trọng ra đầu với ra cuối. Cách đó cứng nhắc. Tư duy chữa là chia nhỏ việc ra, mỗi phần việc đưa cho một agent riêng, để ngữ cảnh của từng con luôn gọn.
Giới hạn thứ hai: vì sao bảo nó tự soát lại thì nó sửa đúng thành sai?
Vì tự soát bằng chính nó, không có phản hồi từ bên ngoài, là thứ đã được đo là không ăn thua.
Bài báo tên Large Language Models Cannot Self-Correct Reasoning Yet, nhóm Jie Huang và cộng sự, Google DeepMind cùng Đại học Illinois tại Urbana-Champaign, công bố tại hội nghị ICLR 2024. Họ gọi thứ đang xét là intrinsic self-correction, tức là model tự sửa câu trả lời của mình mà không có ai đưa thông tin gì thêm vào.
Kết quả họ đo được, tôi nói lại cho gọn: model chật vật khi phải tự sửa mà không có phản hồi bên ngoài, và có lúc sửa xong còn tệ hơn lúc chưa sửa.
Trong bài có mấy bài toán số học rất cơ bản. Có ca lần đầu trả lời sai, bảo xem lại thì nó sửa thành đúng. Nhưng cũng có ca lần đầu đã đúng, bảo xem lại thì nó sửa phát thành sai. Và có ca sai vẫn hoàn sai. Ba nhánh đó đều xảy ra, nên bảo một con agent tự nghiệm thu việc của chính nó là trò may rủi.
Cách chữa: cho hai con phản biện nhau
Chiêu tôi hay dùng, làm được ngay hôm nay mà chưa cần cài gì: mở hai cửa sổ, một con trả lời, một con đọc bài của con kia rồi phản biện, xong bắt con phản biện đúc kết lại thành một đề bài để gửi ngược về con thứ nhất.
Điểm mấu chốt là phản hồi phải đến từ bên ngoài. Bên ngoài đó có thể là anh em, có thể là một con AI khác. Đừng để một agent tự phản biện chính nó.
Đây là mẫu tôi giao cho con phản biện, anh em chép về dùng luôn:
VAI CUA MAY: nguoi phan bien doc lap. May KHONG viet lai bai.
DAU VAO: toan bo cau tra loi cua agent thu nhat, dan nguyen o duoi.
VIEC PHAI LAM, theo dung thu tu:
[1] Liet ke tung khang dinh co the kiem chung duoc trong bai.
[2] Voi tung khang dinh, ghi mot trong ba nhan: DUNG, SAI, KHONG DU CAN CU.
[3] Voi nhan SAI va KHONG DU CAN CU, ghi ro thieu bang chung gi.
[4] Chi ra cho nao bai dang suy luan nhay coc, khong chi loi chinh ta.
[5] Dong goi tat ca thanh MOT de bai duy nhat de gui nguoc lai agent thu nhat.
RANG BUOC:
Khong khen. Khong viet lai ho. Khong them y moi ngoai pham vi de bai goc.
Neu khong tim thay loi nao thi ghi dung mot dong: KHONG PHAT HIEN LOI.
DAU RA: chi tra ve de bai o buoc [5], khong tra ve gi khac.Mẫu này là mẫu siết, không phải mẫu mở. Nó bắt con thứ hai làm đúng một việc là soi, và cấm nó ôm luôn việc viết. Nếu để nó vừa soi vừa viết thì anh em quay lại đúng cái bẫy tự chấm chính mình.
Vì sao một agent gánh hết thì tiền đội lên?
Vì công việc trong công ty có bốn hạng khó dễ khác nhau, còn một agent thì chỉ cắm được một bộ não, và bộ não đắt nhất chênh bộ não rẻ tới hơn trăm lần.
| Bộ não | Token vào, mỗi triệu | Token ra, mỗi triệu |
|---|---|---|
| GPT-5.4 Pro | 30,00 đô | 180,00 đô |
| Claude Opus 4.6 | 2,16 đô | 25,00 đô |
| MiniMax-01 | 0,200 đô | 1,10 đô |
Nhìn dòng cuối so với dòng đầu. Token ra chênh nhau khoảng 163 lần. Token vào chênh khoảng 150 lần. Đây là giá đọc tại thời điểm quay video, các hãng chỉnh giá luôn, nên anh em phải tự mở ra xem lại chứ đừng chép con số này.
Token ra là thứ nó đẻ ra cho anh em, và nó luôn đắt hơn token vào. Nên một con agent cắm bộ não to giáo sư rồi đem đi làm cả việc soạn tin nhắn ngắn thì tiền bay theo đúng cách đó, chỗ nào cũng trả giá đắt nhất.
Trong một công ty, việc nó chia ra thế này: có việc rất khó như chọc vào database rồi phân tích dữ liệu, có việc bình thường như viết một bản nháp, có việc dễ như chấm điểm theo một bộ tiêu chí đã cho sẵn, có việc rất dễ như dịch một dòng hoặc dán nhãn. Bắt bộ não đắt nhất làm hết bốn hạng đó thì anh em đang trả tiền giáo sư để nhờ người ta gấp phong bì.
Đúng chỗ này là điểm dở của mô hình một agent. Nó không dở vì công nghệ kém. Nó dở vì anh em bị ép chọn một mức giá duy nhất cho mọi loại việc.
Chia việc theo giá model như thế nào?
Chia theo độ khó thật của từng phần việc, rồi mỗi hạng gắn một hạng bộ não.
| Hạng việc | Ví dụ | Nên cắm bộ não nào |
|---|---|---|
| Rất khó | Vào database phân tích, viết code, xử lý chuỗi bước dài | Model mạnh nhất, chấp nhận đắt |
| Bình thường | Nghiên cứu chủ đề, viết bản nháp | Model tầm trung, ưu tiên con chuyên về tìm kiếm |
| Dễ | Chấm điểm theo bộ tiêu chí, kiểm tra định dạng | Model rẻ |
| Rất dễ | Dán nhãn, tách trường, đổi định dạng, không cần nhanh | SLM chạy ngay trên máy |
SLM là small language model, tức là bộ não nhỏ đặt thẳng trên máy của anh em. Nó không mạnh bằng bộ não của các hãng, đổi lại là đã đầu tư phần cứng rồi thì chạy không mất thêm tiền theo lượt.
Anh em nhìn ảnh sẽ thấy ngay giới hạn: câu hỏi tí xíu mà nó nghĩ dài. Nên SLM chỉ hợp với phần việc đủ nhỏ và không đòi trả lời nhanh. Muốn dùng được nó thì phải bóc tách công việc cho đủ nhỏ trước đã. Bóc tách nghiệp vụ ra thành từng bước là việc tôi có chia sẻ kỹ trong bài đội ngũ AI Agent vận hành cả công ty, ở đây tôi không nhắc lại.
Muốn biết cái bảng giá kia dịch chuyển ra sao qua từng thế hệ model thì xem thêm bài Fable 5 và ba cơ hội cho doanh nghiệp.
Đội năm agent tôi chạy trên OpenClaw gồm những con nào?
Năm con, mỗi con một vai, và ba con trong đó dùng chung một bộ não rẻ.
Đây là hệ thống tôi dựng để lo phần nội dung. Tôi hỏi thẳng nó xem đang có những agent nào và mỗi con dùng bộ não gì:
| Agent | Việc của nó | Bộ não đang cắm |
|---|---|---|
| Content Manager, cũng là Main | Điều phối toàn bộ luồng | openai/gpt-5.4-nano |
| Research Specialist | Thu thập và đào sâu thông tin cho chủ đề | perplexity/sonar-deep-research |
| Content Writer | Viết nội dung theo đầu ra của Research | minimax/minimax-m2.7 |
| SEO Scorer | Chấm điểm SEO và góp ý sửa | minimax/minimax-m2.7 |
| Platform Publisher | Đăng lên nền tảng khi được yêu cầu | minimax/minimax-m2.7 |
Tôi không cấu hình tất cả giống nhau, vì nhiệm vụ của chúng nó khác nhau. Con đi nghiên cứu thì cắm bộ não chuyên tìm kiếm, vì đó là phần quyết định chất lượng cả bài. Ba con còn lại làm việc đã có khuôn sẵn nên cắm bộ não rẻ.
Chúng nó chuyển việc cho nhau theo luồng nào?
Tôi chỉ nói chuyện với đúng một con, là con Main. Nó nhận đề bài rồi tự điều phối sang các con khác.
Trong demo, tôi giao đúng một câu: nghiên cứu về sự kiện GPU Technology Conference của NVIDIA 2026, viết một bài, chấm điểm SEO, nhưng chưa cần đăng LinkedIn vội. Sau đó nó chạy ngầm, gọi tool, giao việc cho nhau, còn tôi thì đi làm việc khác.
Cái vòng lặp đó mới là chỗ đáng tiền. Con Writer viết, con SEO Scorer chấm, chưa đủ điểm thì quay lại sửa, đủ điểm mới đi tiếp. Đúng cách một phòng ban làm việc: người viết và người nghiệm thu không được là một người.
Và để ý con chấm điểm cũng chỉ cắm bộ não rẻ. Chấm theo bộ tiêu chí có sẵn là việc dễ, không cần giáo sư.
Mẫu khai báo đội agent để anh em chép về
Đây là khung tôi dùng khi dựng một đội mới. Chép về, thay tên vai và ngưỡng theo việc của anh em:
DOI AGENT: <ten luong viec>
VAI 1 · DIEU PHOI (main)
Viec: nhan de bai, chia viec, gom ket qua, tra ve mot dau ra duy nhat.
Bo nao: hang re. Con nay khong sang tao, chi dieu phoi.
Cam: tu viet noi dung thay cac con khac.
VAI 2 · THU THAP
Viec: tim va doi chieu thong tin, moi y phai kem nguon goc.
Bo nao: con manh nhat trong doi, uu tien con chuyen tim kiem.
Dau ra: danh sach y kem link nguon.
VAI 3 · THUC THI
Viec: lam ra ban nhap tu dau ra cua VAI 2.
Bo nao: hang trung binh.
Cam: tu di tim them thong tin ngoai danh sach cua VAI 2.
VAI 4 · NGHIEM THU
Viec: cham diem ban nhap theo BO TIEU CHI ben duoi, tra ve so va ly do.
Bo nao: hang re. Cham theo khuon la viec de.
Cam: tu sua ban nhap.
BO TIEU CHI: <liet ke tung muc, tong 100 diem>
NGUONG DAT: <vi du 85>
SO VONG SUA TOI DA: 2
Het 2 vong ma chua dat thi DUNG, tra ban tot nhat kem ly do chua dat.
LUAT CHON BO NAO:
Viec rat kho, dai nhieu buoc -> model manh nhat
Viec co khuon san -> model re
Viec rat de, khong can nhanh -> model chay tren mayHai chỗ đáng chú ý trong mẫu này. Một là dòng số vòng sửa tối đa, thiếu nó thì vòng lặp chấm điểm quay mãi và tiền chảy mãi. Hai là mỗi vai đều có một dòng cấm, vì nếu không cấm thì con nào cũng có xu hướng ôm việc của con bên cạnh, và anh em quay lại đúng mô hình một agent làm tất.
Bức tranh gói lại thế nào?
| Giới hạn của bộ não | Biểu hiện khi chỉ có một agent | Cách chia trên OpenClaw |
|---|---|---|
| Ngữ cảnh có trần, và quên ở giữa | Càng chạy lâu càng bỏ sót, sai lặt vặt | Mỗi agent một phần việc, ngữ cảnh của từng con luôn gọn |
| Không tự sửa được suy luận của mình | Bảo soát lại thì sửa đúng thành sai | Tách con viết và con nghiệm thu thành hai con khác nhau |
| Một agent chỉ cắm được một bộ não | Trả giá đắt nhất cho cả việc rất dễ | Mỗi vai một hạng model, việc rất dễ đẩy xuống SLM trên máy |
Ba dòng này là toàn bộ lý do multi-agent tồn tại. Nó không phải kiểu chơi cho oai, nó là cách đi vòng qua ba chỗ mà bộ não hiện nay còn yếu.
Tư tưởng này không dính vào OpenClaw. Anh em làm được nó trên tool nào cũng được. Tôi có chia sẻ một cách dựng khác, để một model mạnh tự điều phối gần trăm subagent trong cùng một phiên, trong bài dynamic workflow điều phối subagent. Hai cách khác nhau ở chỗ ai giữ quyền chia việc, còn nguyên lý đằng sau thì vẫn là ba dòng trong bảng trên.
Cách làm này có giới hạn gì?
Nói thẳng những chỗ tôi thấy đau, để anh em khỏi vấp lại.
Chia nhiều agent không tự động rẻ hơn. Mỗi lần bàn giao là một lượt gọi mới, và toàn bộ đề bài phải nạp lại vào ngữ cảnh của con tiếp theo. Chia bừa thành mười con thì tổng token vào còn phình hơn để một con. Chỉ tách khi phần việc đó thật sự đứng riêng được.
Model rẻ hỏng việc thì đắt hơn model đắt. Con rẻ viết ra bản nháp lởm, con chấm trả về 40 điểm, quay lại sửa ba vòng. Cộng lại có khi tốn hơn gọi thẳng con mạnh một phát. Nên hạ hạng model thì phải đo, đừng hạ theo cảm giác. Cách đo tôi có chia sẻ trong bài tối ưu chi phí token khi cho AI vận hành kênh YouTube.
Vòng lặp nghiệm thu là chỗ tiền chảy âm thầm nhất. Ngưỡng đặt quá cao, ví dụ bắt đủ 95 điểm, thì nó sửa mãi không xong. Luôn đặt số vòng tối đa, và luôn ghi lại mỗi vòng tốn bao nhiêu.
Agent chạy ngầm theo lịch thì càng phải chặn. Đội agent hay đi kèm cron job, tức là nó tự chạy khi không ai ngồi nhìn. Một vòng lặp hỏng lúc hai giờ sáng, mỗi lượt vài xu, sáng ra mới thấy hoá đơn. Đặt hạn mức chi theo ngày ở chỗ nào cấp API key, đừng chỉ đặt trong đầu.
Việc chạm vào dữ liệu thật vẫn là việc khó nhất, và đây là chỗ đừng tiết kiệm. Cho agent chọc vào database rồi tự viết câu lệnh là nơi tôi thấy sai nhiều nhất, vì nó phải hiểu nghiệp vụ. Hiểu cú pháp thôi thì chưa đủ. Nếu chưa nắm chắc phần nền thì đọc trước tối ưu SQL nên bắt đầu từ đâu và vì sao có index mà SQL vẫn chậm, rồi hãy giao cho nó.
Cuối cùng, OpenClaw là dự án đang chạy rất nhanh. Tên màn hình, tên trường cấu hình, cách khai báo agent đều có thể đổi sau vài tháng. Cái không đổi là ba giới hạn của bộ não. Nhớ ba cái đó thì đổi tool cũng làm lại được.
Bảy ngày tới anh em làm được gì?
Không cần cài gì thêm ở ba việc đầu.
- Mở openrouter.ai, vào trang của đúng model anh em đang dùng, bấm sang tab Pricing. Ghi lại hai con số giá vào và giá ra. Rồi mở tab Apps của model đó xem app nào đang ngốn nhiều token nhất, đấy là cách xem người ngoài kia đang dùng gì.
- Liệt kê năm việc anh em đang giao cho AI trong tuần. Xếp mỗi việc vào một trong bốn hạng: rất khó, bình thường, dễ, rất dễ. Riêng cột này thôi đã cho thấy anh em đang trả giá đắt cho bao nhiêu việc dễ.
- Lấy mẫu phản biện ở trên, chạy thử trên đúng một việc anh em không tin tưởng kết quả. Một con trả lời, một con soi. Xem nó bắt được lỗi gì.
- Cài OpenClaw, vào mục Agents, tạo thêm đúng một agent thứ hai làm vai nghiệm thu. Đừng tạo năm con ngay. Hai con chạy thông đã là bước lớn.
- Đặt ngưỡng điểm và số vòng sửa tối đa cho cặp hai con đó. Chạy một tuần, ghi lại tổng token của từng con.
- Tuần sau mới hạ hạng model của con nghiệm thu xuống hạng rẻ, rồi so lại chất lượng với tuần trước.
- Đặt hạn mức chi theo ngày ở chỗ cấp API key trước khi bật bất kỳ cron job nào.
Cứ làm đi, sai lại sửa. Hai con chạy được rồi thì con thứ ba tự khắc biết đặt vào đâu.
Câu hỏi hay gặp
Multi-agent có phải chỉ dành cho dân code không?
Không. Toàn bộ phần khai báo trong bài này làm bằng cách điền vào ô trên màn hình Agents, chọn model trong danh sách, và viết mô tả vai bằng tiếng Việt. Thứ khó không nằm ở code, nó nằm ở chỗ anh em có mô tả nổi công việc của mình thành từng bước rõ ràng hay không.
Bao nhiêu agent là đủ?
Bắt đầu bằng hai con: một con làm, một con nghiệm thu. Chỉ tách thêm khi anh em chỉ ra được một phần việc đứng riêng, có đầu vào rõ và đầu ra rõ. Đội của tôi trong bài là năm con, và năm con đó lớn dần lên theo nhu cầu thật chứ không dựng một lần.
Chia nhiều agent thì có chắc rẻ hơn không?
Không chắc. Mỗi lần bàn giao là một lượt gọi mới nên tổng token vào tăng. Chỗ tiết kiệm đến từ việc hạ hạng bộ não cho các vai dễ, chứ không đến từ việc chia. Muốn biết mình đang lãi hay lỗ thì phải ghi lại token của từng con trong ít nhất một tuần.
SLM chạy trên máy có thay được model của hãng không?
Chưa. Nó yếu hơn thấy rõ, và như trong ảnh, một câu chào cũng làm nó nghĩ năm bước. Chỗ nó có giá trị là các phần việc rất nhỏ, lặp nhiều, không cần nhanh, và không muốn đẩy dữ liệu ra ngoài. Coi nó là một hạng nhân sự nữa trong đội, không phải bản thay thế.
Không dùng OpenClaw thì áp dụng được không?
Được. Ba giới hạn trong bài là giới hạn của bộ não LLM, tool nào cũng dính. Anh em dựng đội agent bằng công cụ nào cũng theo đúng ba nguyên tắc đó: giữ ngữ cảnh từng con cho gọn, tách người làm khỏi người nghiệm thu, gắn mỗi vai một hạng model.
Nên giao việc gì đầu tiên cho đội agent?
Chọn việc lặp lại hàng tuần, có khuôn rõ, và sai thì không chết ai. Việc kiểm tra giấy tờ đầu vào là một ví dụ hợp, tôi có chia sẻ nguyên quy trình trong bài AI Agent kiểm tra hoá đơn đầu vào. Đừng chọn việc quan trọng nhất công ty để làm thí nghiệm đầu tiên.
Đúc kết
Multi-agent không phải mốt. Nó là cách đi vòng qua ba chỗ yếu đã đo được của bộ não: ngữ cảnh dài thì quên ở giữa, tự chấm mình thì không ăn thua, và một agent thì chỉ cắm được một mức giá.
Chia việc ra rồi thì mỗi vai được gắn đúng hạng bộ não. Việc khó vẫn trả tiền giáo sư, việc rất dễ đẩy xuống con chạy ngay trên máy. Tiền đi đúng chỗ, mà chất lượng còn lên vì có con nghiệm thu riêng.
Anh em cứ bắt đầu bằng hai con rồi lớn dần. Tôi để mẫu ở trên, chép về sửa theo việc của mình. Phong cách nào cũng được, miễn là người viết và người chấm không phải cùng một con.
Nguồn tham khảo
- Nelson F. Liu và cộng sự, Lost in the Middle: How Language Models Use Long Contexts, Transactions of the Association for Computational Linguistics, 2023: arxiv.org/abs/2307.03172
- Jie Huang và cộng sự, Large Language Models Cannot Self-Correct Reasoning Yet, ICLR 2024, Google DeepMind và Đại học Illinois tại Urbana-Champaign: arxiv.org/abs/2310.01798
- Bảng giá token theo từng model: openrouter.ai
- Video gốc: Mô hình Multi-Agent trên OpenClaw
