Nếu như tuần nào bạn cũng phải gõ lại gần như nguyên văn một đoạn prompt để yêu cầu AI làm báo cáo tuần, định dạng lại email, hoặc là tóm tắt biên bản họp, đó là dấu hiệu rõ ràng cho cái việc là bạn đang cần một Codex Skill chứ không phải một prompt mới mỗi lần.
Codex Skill là một tệp markdown, thường đặt tên skill.md, ghi lại một quy trình lặp lại để agent AI thực hiện nhất quán thay vì đoán mò. Hãy nghĩ nó như một công thức nấu ăn, một khi agent đã có công thức, nó không cần diễn giải một yêu cầu mơ hồ kiểu “làm món gà” nữa - nó theo đúng các bước đã ghi, và cho ra cùng một chất lượng kết quả mỗi lần, dù đó là một email được định dạng lại hay một bản phân tích thị trường hàng chục mã cổ phiếu.

Codex Skills hiện nay trông như thế nào?
Trước khi đi vào cách viết, cần hiểu rõ bối cảnh hiện tại. Theo tài liệu và kho mã chính thức của OpenAI, Codex Skills dựa trên chuẩn mở Agent Skills do Anthropic công bố cuối năm 2025, và từ năm 2026 được hỗ trợ chính thức trên cả CLI, plugin IDE lẫn ứng dụng Codex. Vì dùng chung định dạng SKILL.md, một kỹ năng viết cho Claude Code cũng có thể mang sang dùng với Codex và ngược lại.

Về cấu trúc thư mục, mỗi skill là một thư mục riêng, trong đó bắt buộc phải có file SKILL.md ; các thư mục scripts/, references/ và assets/ là tùy chọn để chứa script thực thi, tài liệu tham chiếu chi tiết và tệp đầu ra. Vị trí đặt skill cũng đã thay đổi: theo các nguồn cập nhật năm 2026, đường dẫn hiện hành là. agents/skills cho dự án và $HOME/.agents/skills cho cá nhân, thay cho đường dẫn cũ ~/.codex/skills. Vì các chi tiết kỹ thuật này có thể tiếp tục thay đổi, hãy luôn đối chiếu với tài liệu chính thức của OpenAI trước khi triển khai.
Bài viết này tập trung vào phần quan trọng hơn và ít thay đổi hơn: cách tư duy và viết nội dung một skill.md hiệu quả.
Một file skill.md gồm hai phần
Phần đầu (YAML front matter): Nằm ở đầu file, ngăn cách bằng ba dấu gạch ngang, định nghĩa thông tin như tên kỹ năng, điều kiện kích hoạt, và các trường tùy chọn khác như gợi ý tham số đầu vào (ví dụ một đường dẫn URL mà skill cần xử lý).

Phần thân: Viết bằng markdown thuần, trình bày chi tiết các bước hướng dẫn mà agent sẽ đọc trước khi hành động.
Bước 1: Lấy công thức từ một kết quả bạn đã ưng ý, đừng tự tưởng tượng quy trình
Điểm khởi đầu của một skill tốt không phải là mô tả một quy trình trong đầu bạn. Đó phải là một ví dụ kết quả hoàn chỉnh mà bạn đã hài lòng.

Nếu bạn yêu cầu agent làm “món gà” mà không nói rõ, hôm nay nó có thể ra bánh mì kẹp gà, hôm sau lại ra gà rán, vì agent không có mục tiêu cố định. Cách khắc phục là tạo hoặc tìm một kết quả bạn đã ưng ý - một báo cáo hoàn chỉnh, một bảng tính đã định dạng, một bài viết đã xuất bản - và dùng nó làm điểm neo.
Từ đó, bạn đi ngược lại quy trình bằng cách tự hỏi:
- Dữ liệu thô đầu vào là gì?
- Những phép tính hay biến đổi nào đã diễn ra?
- Nó được định dạng như thế nào?
- Điều gì khiến phiên bản này tốt?
Trả lời những câu hỏi đó chính là nội dung thật sự của file skill. Cách này đáng tin hơn việc cố mô tả một quy trình từ trí nhớ hoặc tưởng tượng, vì cả agent xây dựng skill lẫn người yêu cầu đều đang làm việc trên cùng một ví dụ cụ thể, thay vì hai hình dung khác nhau về thế nào là “tốt”.
Bước 2: Mỗi skill chỉ làm một việc, với một điều kiện kích hoạt rõ ràng
Một file skill hoạt động tốt nhất khi được giới hạn vào một tác vụ cụ thể, không phải cả một quy trình hay cả một phòng ban. Một skill tên “điều hành đội marketing” là quá rộng để đáng tin cậy. Thay vào đó, công việc lớn đó nên được chia thành các tác vụ thành phần (viết báo cáo, lấy số liệu phân tích, soạn bài đăng mạng xã hội), mỗi tác vụ trở thành một skill riêng.

Việc giới hạn phạm vi hẹp này mang lại hai lợi ích:
- Đặt được điều kiện kích hoạt chính xác trong phần YAML front matter, để agent biết chính xác khi nào cần gọi skill đó thay vì phải đoán giữa nhiều cách hiểu khác nhau.
- Các skill nhỏ có thể được nối chuỗi với nhau theo thời gian, vì các đơn vị nhỏ, được định nghĩa rõ ràng kết hợp với nhau dễ dự đoán hơn một file khổng lồ ôm đồm nhiều mục đích.
Bài kiểm tra thực tế: nếu bạn không thể mô tả công việc của một skill trong một câu, nhiều khả năng nó cần được tách ra.
Bước 3: Đặt đúng “mức độ tự do” cho từng loại việc

Mọi quy trình tự động hóa đều nằm đâu đó trên một trục: từ hoàn toàn xác định (deterministic) đến hoàn toàn không xác định (non-deterministic).
- Việc xác định có đầu vào dự đoán được, một chuỗi bước cố định và đầu ra kiểm chứng được, ví dụ chuyển dữ liệu từ bảng tính sang từng trường trong hệ thống CRM.
- Việc không xác định đòi hỏi phán đoán, ví dụ chuyển bản ghi âm cuộc họp thành một bài viết, nơi mỗi đầu vào đều khác nhau và “đáp án đúng” không thể quy về một công thức cố định.
Hiểu đúng sự khác biệt này thay đổi cách bạn viết skill:
|
Loại việc |
Cách viết hướng dẫn |
|
Xác định (deterministic) |
Như một danh sách đánh số, bước một làm đúng điều này, bước hai làm đúng điều kia. Ngôn ngữ mơ hồ ở đây tạo khoảng trống để agent diễn giải lệch, điều bạn tuyệt đối không muốn khi tác vụ chỉ có một đáp án đúng. |
|
Không xác định (non-deterministic) |
Mô tả tiêu chí đánh giá và để agent tự suy luận ra kết quả. Hướng dẫn quá cứng nhắc (ví dụ “chụp màn hình ở phút thứ nhất”, “chèn vào dòng 400”) sẽ cho kết quả chung chung, lệch lạc vì dữ liệu gốc mỗi lần đều khác nhau. |
Bước 4: Xây vòng kiểm chứng để biến bản nháp thành sản phẩm hoàn chỉnh
Kiểm chứng (verification) là bước biến một skill từ “tạo ra một kết quả” thành “tạo ra một kết quả bạn có thể tin tưởng”. Mục tiêu là để agent tự kiểm tra kết quả của chính nó hoặc của nhau, trước khi đến tay bạn, thay vì bạn phải rà soát từng bản nháp đầu tiên.
Một mô hình phổ biến là vòng lặp : một agent tạo ra kết quả, một agent thứ hai (hoặc cùng agent đó ở lượt rà soát) kiểm tra theo một tiêu chuẩn, phản hồi được gửi ngược lại, và chu trình lặp lại cho đến khi kết quả đạt chuẩn. Vòng lặp này có thể chạy một lượt hoặc nhiều lượt.

Kiểm chứng chia thành hai loại:
Kiểm tra khách quan (objective): dựa trên quy tắc và có thể chứng minh được. Ví dụ, một quy trình nghiên cứu có thể yêu cầu lấy đủ một số lượng nguồn nhất định, thu hẹp lại, và mọi tuyên bố dữ kiện phải được một agent thứ hai xác nhận. Đây là các điều kiện đúng/sai không cần diễn giải.
Kiểm tra chủ quan (subjective): áp dụng khi không có chỉ số cứng, ví dụ đánh giá một video hoặc trang web “có trông ổn không”. Ở đây, skill thực chất biến agent thành người phán xét kiểu LLM (LLM-as-judge): vì agent vẫn phải dùng phán đoán để chấp nhận hay từ chối kết quả, skill cần mô tả chi tiết thế nào là “tốt” để việc phán đoán đó nhất quán, ngay cả khi không có ngưỡng số để đối chiếu.
Có đáng xây skill thay vì cứ prompt từng lần không?
Xây một skill tốn công sức ban đầu hơn so với gõ một prompt dùng một lần, nhưng điều đó đáng giá với bất kỳ quy trình nào bạn lặp lại. Một file skill ghi lại định dạng, phép tính, nguồn dữ liệu và tiêu chuẩn chất lượng cho một tác vụ một lần duy nhất, để mỗi lần chạy sau bắt đầu từ chuẩn đã ghi thay vì một cách diễn giải mới.
Khi nào nên viết skill, khi nào không:
- Với việc thật sự chỉ làm một lần, một prompt thông thường là đủ.
- Với bất kỳ việc gì bạn hoặc nhóm yêu cầu agent làm nhiều hơn vài lần, đặc biệt là việc có một kết quả “tốt” được định nghĩa rõ (báo cáo hằng tuần, định dạng nội dung, tóm tắt nghiên cứu), một skill loại bỏ được độ lệch do phải giải thích lại tác vụ mỗi lần.
Đánh đổi là skill cần được lặp đi lặp lại nhiều vòng: một file skill đáng tin cậy hiếm khi đúng ngay lần thử đầu tiên, mà thường được cải thiện qua nhiều vòng kiểm tra và điều chỉnh.

Ví dụ minh họa viết một skill tóm tắt biên bản họp
Để cụ thể hóa bốn bước trên, hãy hình dung bạn muốn chuẩn hóa việc tóm tắt biên bản họp hằng tuần.
- Lấy công thức: Chọn một bản tóm tắt cũ bạn thấy tốt nhất, ghi lại nó có bao nhiêu phần (quyết định, việc cần làm, người phụ trách), độ dài khoảng bao nhiêu từ, và giọng văn như thế nào.
- Một việc, một kích hoạt: Đặt tên skill là “tóm tắt biên bản họp thành danh sách việc cần làm”, điều kiện kích hoạt là khi người dùng đính kèm một bản ghi âm hoặc bản chép lời cuộc họp.
- Mức độ tự do: Phần trích xuất người phụ trách và hạn chót nên viết theo kiểu quy tắc chặt (xác định), còn phần tóm tắt nội dung thảo luận nên để agent tự do diễn đạt (không xác định).
- Vòng kiểm chứng: Thêm một bước kiểm tra khách quan - mỗi việc cần làm phải có người phụ trách và hạn chót rõ ràng, nếu thiếu thì agent phải tự đánh dấu “cần bổ sung” thay vì tự bịa ra.
Những sai lầm thường gặp khi viết skill
- Viết một skill quá rộng, ôm nhiều việc không liên quan, khiến agent khó xác định đúng lúc nào nên dùng.
- Dùng ngôn ngữ mơ hồ cho việc có một đáp án đúng duy nhất, dẫn đến kết quả không nhất quán giữa các lần chạy.
- Ép khuôn cứng nhắc cho việc cần phán đoán, ví dụ quy định cứng “chèn vào dòng 400” cho một tác vụ mà dữ liệu đầu vào luôn thay đổi.
- Không có bước kiểm chứng nào, khiến bạn vẫn phải tự đọc lại từng kết quả như khi chưa có skill.
- Kỳ vọng skill đúng ngay từ lần viết đầu tiên, trong khi thực tế gần như luôn cần vài vòng chỉnh sửa mới ổn định.
Công cụ và cách tiếp cận thay thế
Nếu bạn chưa dùng Codex hoặc muốn so sánh cách chuẩn hóa quy trình AI, có thể tham khảo:
- Claude Code / Claude Skills: dùng chung chuẩn Agent Skills, nên một skill viết cho Codex có thể thử chuyển sang Claude Code và ngược lại.
- Zapier, Make: phù hợp cho các quy trình hoàn toàn xác định (deterministic), như chuyển dữ liệu giữa các ứng dụng theo lịch cố định, không cần đến agent AI đầy đủ.
- Notion AI, Google Workspace AI: hợp để chuẩn hóa định dạng tài liệu nội bộ, biên bản họp, báo cáo lặp lại.
- GitHub Copilot, Cursor: có thể kết hợp với các quy tắc dự án riêng để chuẩn hóa quy trình review code, dù không dùng đúng định dạng skill.md.
Câu hỏi thường gặp
Codex Skills dùng định dạng tệp gì?
- Codex Skills được viết dưới dạng file skill.md - một tài liệu markdown thuần. Markdown dùng các ký hiệu đơn giản như dấu thăng cho tiêu đề và dấu gạch ngang cho gạch đầu dòng, giúp file dễ đọc và chỉnh sửa như ngôn ngữ tự nhiên thay vì code.
Phần YAML front matter của file skill chứa gì?
- Phần YAML front matter nằm ở đầu file, ngăn cách bằng ba dấu gạch ngang, định nghĩa các thông tin như tên skill, điều kiện kích hoạt, và các trường tùy chọn như gợi ý tham số đầu vào mà skill cần xử lý.
Một skill cần sửa bao nhiêu lần mới đáng tin cậy?
- Không có con số cố định, nhưng các file skill thường được cải thiện qua nhiều vòng lặp thay vì viết đúng ngay lần đầu. Một skill phức tạp xây quanh một tác vụ không xác định có thể cần qua nhiều lần chỉnh sửa trước khi cho kết quả đáng tin cậy ổn định.
Có nên biến mọi tác vụ tự động thành một skill không?
- Không nhất thiết. Các tác vụ xác định theo quy tắc và các tác vụ cần phán đoán mà bạn làm lặp đi lặp lại là ứng viên tốt cho skill. Các tác vụ một lần, biến đổi nhiều, có thể không đủ lợi ích để bỏ công viết và duy trì một file skill riêng.
Codex Skills không phải là một tính năng kỳ diệu khiến AI tự nhiên làm đúng mọi việc. Nó là một cách tư duy: bắt đầu từ một kết quả bạn đã ưng ý, giới hạn mỗi skill vào một việc rõ ràng, đặt đúng mức độ tự do cho từng loại công việc, và xây vòng kiểm chứng để agent tự lọc bớt lỗi trước khi đến tay bạn. Với những việc bạn lặp lại mỗi tuần, mỗi tháng, đầu tư thời gian viết và tinh chỉnh một skill sẽ tiết kiệm hơn nhiều so với việc gõ lại cùng một yêu cầu mỗi lần.
Hướng dẫn AI
AI Tools
Học IT
AI
Hàm Excel