Kỹ thuật Ngữ cảnh cho AI Agent: Hướng dẫn Thực tiễn (2026)
Kỹ thuật ngữ cảnh là gì, khác với kỹ thuật prompt như thế nào, bốn phương pháp cốt lõi, cách các framework lớn so sánh với nhau, cách đo lường hiệu quả và cách áp dụng trong hệ thống đa agent.
Một AI agent chỉ tốt bằng lượng thông tin nằm trong cửa sổ ngữ cảnh (context window) của nó vào thời điểm nó quyết định hành động tiếp theo — và việc chắt lọc thông tin đó chính là toàn bộ cuộc chơi. Nếu prompt engineering là viết một chỉ dẫn tốt, thì context engineering là quản lý toàn bộ môi trường thông tin mà mô hình hoạt động trong đó: chỉ dẫn hệ thống, công cụ, tài liệu được truy xuất, bộ nhớ, và lịch sử vận hành của nhiệm vụ. Khi các agent đảm nhận những công việc kéo dài nhiều bước hơn, đây đã trở thành yếu tố quyết định lớn nhất đến việc chúng thành công hay âm thầm sụp đổ. Hướng dẫn này sẽ trình bày context engineering là gì, nó khác với prompt engineering như thế nào, các kỹ thuật cốt lõi, và cách áp dụng nó vào các hệ thống agent thực tế.
Tại Sao Context Engineering Quan Trọng
Context engineering quan trọng vì các mô hình ngôn ngữ lớn có cửa sổ ngữ cảnh hữu hạn, và cách bạn lấp đầy cửa sổ đó quyết định chất lượng của mọi quyết định mà agent đưa ra. Một mô hình chỉ tốt bằng lượng thông tin trước mắt nó — cho nó quá ít thì nó bịa đặt (hallucinate); cho nó quá nhiều hoặc sai loại thông tin, độ chính xác của nó sẽ giảm.
Đây không phải là một quan ngại lý thuyết. Các nhà nghiên cứu đã ghi lại hiệu ứng "lạc giữa dòng" (lost in the middle), trong đó các mô hình luôn sử dụng tốt thông tin ở đầu và cuối một ngữ cảnh dài nhưng lại bỏ qua các sự kiện bị chôn ở giữa. Những người thực hành mô tả một vấn đề liên quan mà họ gọi là "mục nát ngữ cảnh" (context rot): khi một cuộc hội thoại hoặc một lượt chạy agent kéo dài hơn, các token không liên quan tích tụ lại, tỷ lệ tín hiệu-trên-nhiễu giảm xuống, và mô hình bắt đầu đưa ra những lựa chọn kém hơn. Cửa sổ không hề nhỏ đi — nó chỉ trở nên lộn xộn.
Sự thay đổi trong thuật ngữ phản ánh một sự thay đổi thực sự trong thực tiễn. Vào năm 2025, những tiếng nói dẫn đầu trong lĩnh vực AI — bao gồm Andrej Karpathy và Tobi Lütke của Shopify — đã lập luận rằng "context engineering" mô tả những gì những người xây dựng các ứng dụng LLM nghiêm túc thực sự làm tốt hơn nhiều so với "prompt engineering". Anthropic đã công bố hướng dẫn về context engineering hiệu quả cho các agent; các nhóm đứng sau các sản phẩm agent như Manus đã viết rất chi tiết về những bài học họ đã học được khi quản lý ngữ cảnh trong môi trường sản xuất. Điểm đồng thuận: đối với các hệ thống agentic, ngữ cảnh chính là sản phẩm.
Context Engineering Là Gì?
Context engineering là bộ môn tập hợp đúng tập hợp token cho một mô hình tại thời điểm suy luận (inference time), để mô hình có chính xác những gì nó cần để thực hiện hành động đúng tiếp theo — không hơn, không kém. "Ngữ cảnh" bao gồm mọi thứ nằm trong cửa sổ:
- Chỉ dẫn hệ thống — vai trò, các ràng buộc, và quy tắc hành xử của agent
- Công cụ và định nghĩa của chúng — những hành động nào agent có thể thực hiện, và chúng được mô tả như thế nào
- Kiến thức được truy xuất — tài liệu, kết quả tìm kiếm, hoặc các dòng dữ liệu được kéo vào cho nhiệm vụ này
- Bộ nhớ — các sự kiện được mang theo từ đầu phiên làm việc hoặc từ các phiên trước đó
- Lịch sử hội thoại và hành động — bản ghi liên tục về những gì đã được nói và làm
- Yêu cầu hiện tại của người dùng — mục tiêu trước mắt
Context engineering là tập hợp các quyết định về những gì sẽ đi vào từng vị trí này, theo hình thức nào, và vào lúc nào. Nó coi cửa sổ ngữ cảnh như một nguồn lực khan hiếm, cần được quản lý, chứ không phải một cái thùng để bạn liên tục đổ văn bản vào.
Cửa sổ ngữ cảnh là một ngân sách chú ý hữu hạn — context engineering quyết định điều gì sẽ lấp đầy từng vị trí.
Context Engineering So Với Prompt Engineering
Sự khác biệt giữa context engineering và prompt engineering nằm ở phạm vi: prompt engineering tối ưu hóa một chỉ dẫn đơn lẻ, còn context engineering quản lý toàn bộ môi trường thông tin động xuyên suốt một nhiệm vụ nhiều bước. Prompt engineering là một tập hợp con của context engineering.
| Prompt engineering | Context engineering | |
|---|---|---|
| Phạm vi | Một prompt / chỉ dẫn | Toàn bộ cửa sổ ngữ cảnh theo thời gian |
| Trạng thái | Chủ yếu không có trạng thái, một lần | Có trạng thái, phát triển qua nhiều bước |
| Mối quan tâm | Cách diễn đạt, ví dụ, định dạng | Những gì cần đưa vào, truy xuất, ghi nhớ, và loại bỏ |
| Cách dùng điển hình | Một lượt hoàn thành hoặc trò chuyện đơn | Các agent tự trị, nhiệm vụ chạy dài |
| Lỗi mà nó ngăn chặn | Một chỉ dẫn mơ hồ hoặc bị hiểu sai | Mục nát ngữ cảnh, mất tập trung, trạng thái mâu thuẫn |
Prompt engineering vẫn quan trọng — một system prompt được diễn đạt tốt là một phần của context engineering tốt. Nhưng khi một agent chạy qua hàng chục bước, gọi các công cụ, và tích lũy lịch sử, cách diễn đạt của bất kỳ prompt đơn lẻ nào không còn là nút thắt cổ chai. Điều quan trọng là bộ môn quản lý mọi thứ xung quanh nó.
Bốn Kỹ Thuật Cốt Lõi
Hầu hết công việc context engineering có thể được quy về bốn hoạt động trên cửa sổ ngữ cảnh. Một cách hữu ích để nhớ chúng: write (ghi), select (chọn), compress (nén), và isolate (cách ly).
Write, select, compress, và isolate — bốn hoạt động đứng sau mọi quyết định context engineering.
1. Write — lưu trữ ngữ cảnh bên ngoài cửa sổ
Không phải mọi thứ agent cần đều nên nằm trong prompt. Ghi ngữ cảnh (writing context) nghĩa là lưu trữ thông tin ở bên ngoài — bản ghi tạm (scratchpad), tệp tin, một kho bộ nhớ, một danh sách nhiệm vụ — để nó sống sót vượt qua một cửa sổ đơn lẻ và có thể được gọi lại một cách chủ động. Một agent chạy dài mà ghi lại kế hoạch của nó vào một tệp tin và đọc lại nó sẽ giữ được đúng hướng tốt hơn nhiều so với một agent chỉ dựa vào lịch sử hội thoại đơn thuần.
2. Select — chỉ đưa vào những gì liên quan hiện tại
Chọn ngữ cảnh (selecting context) là nghệ thuật truy xuất đúng thông tin vào đúng thời điểm: tài liệu cụ thể, quyết định trong quá khứ liên quan, định nghĩa công cụ duy nhất mà bước này cần. Đây là nơi retrieval-augmented generation (RAG), tìm kiếm ngữ nghĩa (semantic search), và lựa chọn công cụ thông minh hoạt động. Mục tiêu là độ chính xác — kéo vào ba sự kiện liên quan, không phải ba trăm sự kiện lân cận.
3. Compress — giảm token nhưng vẫn giữ tín hiệu
Nén ngữ cảnh (compressing context) nghĩa là tóm tắt hoặc cắt gọt để cửa sổ chứa ý nghĩa, không phải khối lượng lớn. Các chiến thuật phổ biến bao gồm tóm tắt các nhiệm vụ con đã hoàn thành, cắt ngắn các đầu ra công cụ dài dòng, và thay thế các lịch sử dài bằng một bản tóm tắt cô đọng. Nén là điều cho phép một agent làm việc trên một nhiệm vụ lâu hơn so với cửa sổ ngữ cảnh thô của nó cho phép.
4. Isolate — chia tách ngữ cảnh giữa các agent hoặc ranh giới
Cách ly ngữ cảnh (isolating context) nghĩa là cho các phần khác nhau của một vấn đề những cửa sổ sạch riêng của chúng — ví dụ, sinh ra một sub-agent chỉ với ngữ cảnh nó cần cho một nhiệm vụ con, sau đó chỉ trả về kết quả. Cách ly ngăn một phần của công việc làm ô nhiễm phần khác và là nền tảng của các hệ thống đa agent đáng tin cậy.
Các Framework Hàng Đầu So Sánh Với Nhau Như Thế Nào
Một nguồn gây nhầm lẫn là mỗi nhóm lớn sử dụng thuật ngữ riêng của mình cho cùng những hoạt động cơ bản. Anthropic, LangChain, và các nhà cung cấp cơ sở dữ liệu đồ thị như Neo4j đều mô tả context engineering theo cách khác nhau — nhưng chúng đều ánh xạ gọn gàng vào bốn hoạt động trên. Bảng này đối chiếu chúng:
| Hoạt động (theo hướng dẫn này) | Cách diễn đạt của Anthropic | Cách diễn đạt của LangChain | Cách diễn đạt của knowledge-graph / GraphRAG |
|---|---|---|---|
| Write (lưu trữ bên ngoài cửa sổ) | Ghi chú có cấu trúc, bộ nhớ agent (NOTES.md, danh sách công việc) | Store và State; các công cụ ghi qua Command | Bộ nhớ dài hạn; chính đồ thị là một kho lưu trữ bền vững |
| Select (truy xuất những gì liên quan hiện tại) | Ngữ cảnh đúng-lúc (just-in-time), tìm kiếm agentic, truy xuất lai (hybrid retrieval) | Lựa chọn công cụ/tin nhắn động; các công cụ đọc | Hybrid RAG, GraphRAG, "ngữ cảnh khả thi tối thiểu" |
| Compress (giảm token, giữ tín hiệu) | Compaction (nén gọn); sử dụng "ngân sách chú ý" một cách khôn ngoan | Tóm tắt theo chu kỳ sống qua middleware | Ngân sách token/chi phí; "kim tự tháp ngữ cảnh" |
| Isolate (tách các cửa sổ sạch) | Kiến trúc sub-agent trả về các bản tóm tắt chắt lọc | Ranh giới chu kỳ sống và các sub-agent | Chuyển giao và các giao thức (ví dụ: MCP) |
Nếu bạn đã đọc những nguồn đó và cảm thấy chúng mâu thuẫn với nhau, đây là lý do: chúng đang mô tả cùng bốn động tác từ những góc nhìn khác nhau. Hãy chọn thuật ngữ nào phù hợp với hệ thống của bạn — các hoạt động mới là điều quan trọng.
Context Engineering Cho Các Hệ Thống Đa Agent
Trong các hệ thống đa agent, context engineering trở thành một vấn đề điều phối: mỗi agent cần đủ ngữ cảnh để làm công việc của nó, nhưng chia sẻ quá nhiều sẽ tạo ra nhiễu, chi phí, và trạng thái mâu thuẫn. Mẫu hình chủ đạo là một orchestrator (bộ điều phối) giữ kế hoạch cấp cao và giao các nhiệm vụ con có phạm vi hẹp cho các sub-agent chuyên biệt, mỗi sub-agent hoạt động trong một cửa sổ bị cách ly.
Mỗi sub-agent nhận được một cửa sổ sạch, cách ly và chỉ trả về một kết quả chắt lọc — ngăn chặn sự lây nhiễm chéo.
Điều này hiệu quả nhờ vào nguyên tắc "isolate" ở trên. Một sub-agent nghiên cứu mà chỉ nhìn thấy câu hỏi nghiên cứu và các phát hiện của riêng nó sẽ vượt trội hơn một sub-agent phải lội qua lịch sử không liên quan của nhiệm vụ viết code của một agent khác. Sau đó orchestrator nén đầu ra của mỗi sub-agent xuống kết quả thiết yếu trước khi gấp nó trở lại vào ngữ cảnh chính. Nếu làm tốt, đây là cách các nhóm chạy agent trên những nhiệm vụ mà sẽ làm tràn bất kỳ cửa sổ ngữ cảnh đơn lẻ nào nhiều lần.
Các Chế Độ Lỗi Context Engineering Phổ Biến
Hầu hết các lỗi của agent bắt nguồn từ một số vấn đề ngữ cảnh lặp lại. Đặt tên cho chúng giúp việc thiết kế để chống lại chúng dễ dàng hơn:
| Chế độ lỗi | Trông như thế nào | Cách khắc phục chính |
|---|---|---|
| Ngộ độc ngữ cảnh (Context poisoning) | Một sự bịa đặt hoặc lỗi đi vào ngữ cảnh và được tham chiếu lại nhiều lần, làm trầm trọng thêm sai lầm | Isolate + write chỉ những sự kiện đã được xác minh |
| Mất tập trung ngữ cảnh (Context distraction) | Cửa sổ phát triển lớn đến mức mô hình tập trung quá mức vào lịch sử tích lũy và ngừng suy luận về mục tiêu thực sự | Compress |
| Nhầm lẫn ngữ cảnh (Context confusion) | Thông tin không liên quan chen chúc trong cửa sổ và dẫn dắt mô hình đến một lựa chọn sai | Select hẹp hơn |
| Xung đột ngữ cảnh (Context clash) | Thông tin mới được truy xuất mâu thuẫn với những gì đã có trong cửa sổ, và mô hình không thể dung hòa hai điều đó | Select + write vào một nguồn sự thật duy nhất |
Bốn kỹ thuật cốt lõi là các phương thuốc: write để giảm tải, select để duy trì sự liên quan, compress để cắt bỏ sự lộn xộn, và isolate để ngăn chặn lây nhiễm chéo.
Một chế độ lỗi mà các hướng dẫn phổ biến hiếm khi đề cập là một vấn đề an ninh: prompt injection thông qua ngữ cảnh được truy xuất. Khi một agent kéo vào một trang web, một tài liệu, hoặc một kết quả công cụ, nội dung đó có thể chứa các chỉ dẫn được thiết kế để chiếm quyền điều khiển agent. Hãy coi mọi thứ bạn chọn vào cửa sổ là đầu vào không tin cậy — giữ dữ liệu được truy xuất tách biệt với các chỉ dẫn hệ thống, và chạy việc thực thi công cụ trong một sandbox thay vì trực tiếp trên một máy tin cậy.
Cách Đo Lường Liệu Context Engineering Có Hiệu Quả
Bạn đo lường context engineering bằng cách theo dõi tỷ lệ thành công của nhiệm vụ so với số token và thời gian cần để đạt được nó — context engineering tốt sẽ nâng cao tỷ lệ thành công trong khi giữ nguyên hoặc giảm chi phí. Hầu hết các hướng dẫn mô tả kỹ thuật nhưng không bao giờ nói làm sao để biết chúng có hiệu quả không; đây là những chỉ số lấp đầy khoảng trống đó.
- Tỷ lệ thành công của nhiệm vụ (Task success rate) — tỷ lệ các lượt chạy đạt được kết quả đúng, hoàn chỉnh. Đây là chỉ số đầu ra; mọi thứ khác chỉ là phương tiện để đạt được nó. Theo dõi nó dựa trên một tập đánh giá cố định gồm các nhiệm vụ đại diện để bạn có thể so sánh trước và sau mỗi thay đổi.
- Hiệu quả ngữ cảnh (token trên mỗi nhiệm vụ thành công) — tổng số token tiêu thụ chia cho số lần hoàn thành thành công. Token-trên-mỗi-thành-công giảm là tín hiệu rõ ràng nhất cho thấy việc nén và lựa chọn đang mang lại hiệu quả.
- Mức sử dụng cửa sổ (Window utilization) — mức độ đầy của cửa sổ ngữ cảnh trong khi thực hiện một nhiệm vụ. Liên tục gần đến giới hạn dự báo tình trạng mục nát ngữ cảnh; đây là chỉ số dẫn đầu cho thấy bạn cần nén hoặc cách ly.
- Độ chính xác và độ thu hồi khi truy xuất (Retrieval precision and recall) — trong số các mục bạn đã chọn vào cửa sổ, bao nhiêu thực sự liên quan (độ chính xác), và trong số các mục liên quan có sẵn, bạn đã kéo vào bao nhiêu (độ thu hồi). Độ chính xác kém nghĩa là bạn đang thêm nhiễu; độ thu hồi kém nghĩa là bạn đang bỏ đói mô hình.
- Độ trễ và chi phí trên mỗi nhiệm vụ (Latency and cost per task) — giới hạn thực tế. Việc khám phá "đúng-lúc" mạnh mẽ có thể cải thiện độ chính xác nhưng làm chậm agent; chỉ số này giữ cho sự đánh đổi đó minh bạch.
Bộ môn kết nối tất cả những điều này lại là kiểm thử hồi quy (regression testing): giữ một bộ nhiệm vụ cố định, chạy nó sau mỗi thay đổi đối với prompt, truy xuất, hoặc bộ nhớ, và quan sát các chỉ số di chuyển. Context engineering mà không có một vòng lặp đánh giá chỉ là suy đoán.
Cách Happycapy Áp Dụng Context Engineering
Happycapy là một máy tính agent-native chạy các AI agent — bao gồm Claude Code — trực tiếp trong trình duyệt của bạn, và context engineering được xây dựng vào cách các agent đó hoạt động thay vì bị bỏ mặc cho người dùng. Ba lựa chọn thiết kế thực hiện phần lớn công việc:
- Skills như ngữ cảnh có phạm vi giới hạn. Thay vì đổ mọi năng lực vào một prompt duy nhất, Happycapy cho phép một agent kéo vào một skill cụ thể — thiết kế một bản trình bày, phân tích một bảng tính, thực hiện nghiên cứu web — để chỉ những chỉ dẫn và công cụ liên quan đi vào cửa sổ cho nhiệm vụ đó. Đó là các nguyên tắc "select" và "isolate" được áp dụng theo mặc định.
- Một sandbox bền vững với bộ nhớ và tệp tin. Mỗi agent làm việc trong một không gian làm việc cách ly nơi nó có thể ghi các kế hoạch, kết quả trung gian, và ghi chú vào đĩa và gọi lại chúng sau — nguyên tắc "write", để tiến trình sống sót vượt qua một cửa sổ ngữ cảnh đơn lẻ.
- Truy cập vào hơn 150 mô hình. Các bước khác nhau có nhu cầu ngữ cảnh khác nhau; định tuyến công việc đến một mô hình phù hợp chính nó là một quyết định context engineering.
Kết quả thực tế là bạn có thể giao một nhiệm vụ dài, nhiều bước và để agent tự quản lý ngữ cảnh của nó trong nền, sau đó nhận kết quả hoàn thiện — mà không cần tinh chỉnh prompt bằng tay hay canh giữ cửa sổ một cách tự tay.
Bắt Đầu Với Context Engineering
Bạn không cần phải xây dựng lại toàn bộ hệ thống của mình để bắt đầu. Hãy bắt đầu với những thói quen có tác động lớn nhất:
- Coi cửa sổ ngữ cảnh như một ngân sách. Trước khi thêm bất cứ điều gì, hãy hỏi liệu nó có đáng với số token của nó không.
- Chuyển trạng thái ra khỏi prompt. Sử dụng các tệp tin, bản ghi tạm, hoặc một kho bộ nhớ cho bất cứ điều gì agent cần giữ lại.
- Truy xuất hẹp. Kéo vào các sự kiện cụ thể mà một bước cần, không phải toàn bộ tài liệu.
- Tóm tắt khi bạn tiến hành. Thay thế các lịch sử dài và đầu ra công cụ dài dòng bằng những bản tóm tắt gọn gàng.
- Cách ly các nhiệm vụ con. Cho mỗi công việc riêng biệt một ngữ cảnh sạch riêng của nó, đặc biệt trong các thiết lập đa agent.
Nếu bạn không muốn tự tay tinh chỉnh bất kỳ điều gì trong số này, Happycapy chạy các nhiệm vụ của bạn với những mẫu hình này đã được xây dựng sẵn vào agent: nó tự quản lý cửa sổ ngữ cảnh của nó trong nền — chọn, nén gọn, và cách ly khi nó tiến hành — vì vậy bạn mô tả kết quả và không bao giờ phải chạm vào ngân sách token của mình.
Câu Hỏi Thường Gặp
H: Context engineering có giống với prompt engineering không?
Không. Prompt engineering tối ưu hóa một chỉ dẫn đơn lẻ; context engineering quản lý toàn bộ môi trường thông tin mà một agent nhìn thấy xuyên suốt một nhiệm vụ nhiều bước — chỉ dẫn, công cụ, dữ liệu được truy xuất, bộ nhớ, và lịch sử. Prompt engineering là một phần của context engineering.
H: Tại sao context engineering đặc biệt quan trọng đối với các AI agent?
Vì các agent chạy qua nhiều bước, gọi công cụ, và tích lũy lịch sử, cửa sổ ngữ cảnh của chúng lấp đầy nhanh chóng. Không có sự quản lý chủ động, các token không liên quan sẽ chen lấn tín hiệu và các quyết định của agent sẽ suy giảm — một vấn đề được gọi là mục nát ngữ cảnh. Context engineering giữ cửa sổ tập trung vào những gì quan trọng.
H: Các kỹ thuật context engineering chính là gì?
Bốn kỹ thuật cốt lõi là write (lưu trữ ngữ cảnh bên ngoài cửa sổ), select (chỉ truy xuất những gì liên quan hiện tại), compress (tóm tắt để tiết kiệm token), và isolate (cho các nhiệm vụ con ngữ cảnh sạch riêng của chúng). Hầu hết công việc thực tế là một sự kết hợp nào đó của những điều này.
H: Context engineering có đáng để học vào năm 2026 không?
Có. Khi ngày càng nhiều phần mềm được xây dựng trên LLM và các agent tự trị, khả năng quản lý ngữ cảnh tốt đang trở thành một năng lực cốt lõi cho các nhà phát triển, các nhà thiết kế prompt, và các nhóm sản phẩm AI — và nó ngày càng là sự khác biệt giữa một agent hoạt động và một agent không hoạt động.
H: Làm sao để đo lường liệu context engineering có hiệu quả không?
Theo dõi tỷ lệ thành công của nhiệm vụ so với một tập đánh giá, cùng với các chỉ số hiệu quả: token trên mỗi nhiệm vụ thành công, mức sử dụng cửa sổ ngữ cảnh, độ chính xác và độ thu hồi khi truy xuất, và độ trễ/chi phí trên mỗi nhiệm vụ. Context engineering tốt làm tăng tỷ lệ thành công trong khi giữ nguyên hoặc giảm chi phí. Chạy bộ đánh giá sau mỗi thay đổi để bạn có thể thấy liệu một điều chỉnh có giúp ích hay gây hại.
H: Tôi có cần tự làm context engineering để sử dụng AI agent không?
Không nhất thiết. Các nền tảng agent như Happycapy xây dựng việc quản lý ngữ cảnh vào hệ thống — giới hạn phạm vi ngữ cảnh với skills, duy trì trạng thái trong một sandbox, và cách ly các nhiệm vụ con — để bạn có thể chạy công việc nhiều bước mà không cần tinh chỉnh cửa sổ ngữ cảnh bằng tay.
