Lưu ý quan trọng: Kỹ năng này đóng vai trò như một trợ lý thu thập, phân tích và đối soát dữ liệu thực nghiệm. Kỹ năng không thay thế khả năng phán đoán, kinh nghiệm chuyên môn và quyền ra quyết định cuối cùng của con người.

TỔNG QUAN

Đây là một bộ động cơ tạo kỷ luật nghiên cứu thực địa cho AI Agent. Khi nhận một nhiệm vụ phức tạp, AI không được phép ngồi trong phòng kín để suy diễn lý thuyết suông, mà bị ép buộc phải hoạt động như một chuyên viên nghiên cứu thực thụ bằng cách tự đặt giả thuyết, tự gọi công cụ để thu thập dữ liệu bên ngoài, tự so khớp kiểm chứng và chỉ đưa ra kết luận khi có chứng cứ thực nghiệm rõ ràng.

VÌ SAO KỸ NĂNG NÀY RA ĐỜI

Khi đối mặt với một bài toán khó trong kinh doanh hay kỹ thuật, các mô hình AI hiện nay thường gặp hai điểm nghẽn lớn:

  1. Hiện trạng suy đoán vội vã: AI có xu hướng trả lời ngay chỉ sau vài giây bằng cách suy diễn nội tại. Hệ thống tự đưa ra những kết luận êm tai hoặc lời khuyên chung chung theo sách giáo khoa mà thiếu căn cứ thực tế.
  2. Nghịch lý chi phí mô hình lớn: Để ép AI suy nghĩ sâu hơn, người dùng thường chuyển sang dùng các mô hình khổng lồ đắt đỏ. Nhưng nếu vẫn để AI tự suy diễn trong phòng kín mà không có hành động thực nghiệm, kết quả thu về vẫn là ảo giác tinh vi với chi phí API rất tốn kém.

Skill Nghiên cứu PDCA giải quyết tận gốc điểm nghẽn này bằng một khung kỷ luật thực nghiệm. Kỹ năng chia nhỏ bài toán thành các vòng lặp, bắt buộc AI dùng công cụ (tìm kiếm web, đọc tài liệu, kiểm tra dữ liệu) để kiểm chứng giả thuyết bằng số liệu thật, tự bẻ lái khi phát hiện mình đoán sai và đào sâu đến khi tìm ra giải pháp hành động cụ thể với chi phí tối ưu.

VÍ DỤ THỰC CHIẾN

Đề bài thử nghiệm:

“Tại sao các chuỗi cà phê lớn như Starbucks hay Highlands luôn đông khách hơn quán local dù giá đắt hơn 30% đến 50%? Quán cà phê local vốn nhỏ trong hẻm cần làm gì để cạnh tranh?”

Thay vì phán đoán lý thuyết suông, AI kích hoạt Skill PDCA và liên tục gọi công cụ kiểm chứng qua 4 vòng lặp gồm:

[Vòng 1] Kiểm chứng giả thuyết: "Chuỗi đông vì đồ uống ngon hơn"
├── Hành động bằng Tool: AI gọi tìm kiếm web quét hàng trăm đánh giá của khách hàng.
└── Dữ liệu thực tế: Khách không khen đồ uống xuất sắc. Khách chọn vì không gian và nhận diện.
    => Kết luận: Giả thuyết ban đầu SAI. AI tự bẻ lái sang hướng: Khách đến vì không gian làm việc.

[Vòng 2] Kiểm chứng giả thuyết: "Khách đến chuỗi để ngồi làm việc cả ngày"
├── Hành động bằng Tool: AI tra cứu thời gian ngồi trung bình và quy định wifi của chuỗi lớn.
└── Dữ liệu thực tế: Chuỗi lớn thường giới hạn wifi hoặc ngắt điện để tăng vòng lặp khách (quán local ngồi làm việc thoải mái hơn nhiều). Nhưng chuỗi lớn luôn thâu tóm các mặt bằng đắc địa ở góc ngã tư.
    => Kết luận: Khách không mua chỗ ngồi dài hạn. Khách mua "Giá trị biểu tượng (Check-in/Gặp đối tác)" và "Tính tiện lợi (Ghé lấy mang đi)".

[Vòng 3] Kiểm chứng: "Giá trị biểu tượng và Tiện lợi"
├── Hành động bằng Tool: AI rà soát tỷ lệ mang đi và chiến lược bao bì của chuỗi.
└── Dữ liệu thực tế: Khớp hoàn toàn. Chuỗi sống nhờ khách mang đi tiện đường và khách muốn cầm chiếc ly có logo nổi bật để thể hiện bản thân.
    => Đã rõ Bản chất và Nguyên nhân. Bước tiếp theo là tìm giải pháp cạnh tranh cho quán local.

[Vòng 4] Tìm Giải pháp thực thi cho Quán local
├── Hành động bằng Tool: AI tra cứu các bài phân tích F&B thực tế về mô hình ngách.
└── Giải pháp thực thi cụ thể: Quán local không thể đối đầu về mặt bằng ngã tư hay sự tiện lợi. Vũ khí sống còn là:
    1. Specialty Coffee: Bán chiều sâu trải nghiệm hạt cà phê (thứ mà chuỗi công nghiệp không thể làm).
    2. Community: Xây dựng văn hóa kết nối cá nhân (Barista nhớ tên khách, nhớ gu uống, bán cảm giác thuộc về).

CẬP NHẬT TRONG BẢN 3.1

  • Tối ưu format nghiên cứu: Siết chặt cấu trúc ghi vết theo đúng template PDCA, giảm hiện tượng AI tự ý gộp bước hoặc bỏ qua điểm dừng bắt buộc.
  • Cải thiện kỷ luật điểm dừng: Làm rõ hơn 4 điểm dừng bắt buộc (Stop Points) giữa các chặng P-D-C-A, ép AI dừng thực sự thay vì tiếp tục tuôn văn bản.

Các tính năng kế thừa từ v3.0

  • Động cơ Thác đổ 2 Chiều: Kiểm tra song song chiều Xuôi (từ hiện tượng đến đích) và chiều Ngược (từ đích về điều kiện gốc) để không bị lạc hướng.
  • Kỷ luật chống vội vã: Bắt buộc viết câu hỏi và kỳ vọng ra file trước khi gọi công cụ.
  • Tiết kiệm bộ nhớ: Chỉ đọc 20 dòng cuối của chặng trước, chống tràn ngữ cảnh.
  • Bộ ví dụ mẫu: Đính kèm tài liệu trực quan README.md và nhật ký mẫu thực chiến examples/phase_1_mau.md.

HƯỚNG DẪN CÀI ĐẶT VÀ SỬ DỤNG

1. Cài đặt

  1. Tải file .zip (phiên bản v3.1 mới nhất) từ nút tải phía trên.
  2. Giải nén vào thư mục ~/.gemini/config/skills/ trong môi trường Antigravity.
  3. Mở phiên chat mới để hệ thống tự động nhận diện kỹ năng.

2. Công thức câu lệnh kích hoạt

Cấu trúc một câu lệnh chuẩn giúp AI định vị chính xác bài toán như sau:

/nghien-cuu-pdca [Chủ thể / Hiện tượng cần nghiên cứu] + [Bối cảnh / Giả thuyết ban đầu] + [Yêu cầu kiểm chứng và đầu ra mong muốn]

3. Các mẫu câu lệnh thực tế

Mẫu 1 - Nghiên cứu thị trường & Chiến lược ngành F&B / Bán lẻ:

/nghien-cuu-pdca Tôi muốn tìm hiểu xem vì sao các thương hiệu trà sữa phân khúc giá rẻ (dưới 25.000đ) tại Việt Nam đang mở rộng rất nhanh ở các tỉnh vùng ven. Hãy giúp tôi rà soát các báo cáo ngành gần đây, đánh giá mô hình nhượng quyền và kiểm chứng xem đây là xu hướng bền vững hay chỉ là trào lưu ngắn hạn.

Mẫu 2 - Khảo sát hành vi người dùng & Tối ưu sản phẩm số:

/nghien-cuu-pdca Nghiên cứu nguyên nhân vì sao người dùng ứng dụng quản lý chi tiêu cá nhân thường bỏ app sau 7 ngày đầu tiên. Hãy quét các bài review trên cửa hàng ứng dụng, đối chiếu các điểm rơi trải nghiệm và đề xuất giải pháp giữ chân người dùng phù hợp cho đội ngũ phát triển nhỏ.

Mẫu 3 - Đánh giá công nghệ & Kiến trúc hệ thống:

/nghien-cuu-pdca Hãy nghiên cứu xem việc chuyển từ kiến trúc Microservices về Modular Monolith có thực sự giúp các startup công nghệ giảm chi phí vận hành và tăng tốc độ ra mắt tính năng hay không. Hãy tìm các bài học kinh nghiệm kỹ thuật thực tế và đối chiếu những luận điểm trái chiều.