Đây là bảng thuật ngữ cho người dùng trợ lý AI viết mã, giải thích ngắn bằng tiếng Việt và kèm tên tiếng Anh bạn sẽ gặp trong tài liệu, cài đặt công cụ và các cuộc trao đổi trong nhóm. Các thuật ngữ được chia theo nhóm: mô hình, ngữ cảnh, cách sinh câu trả lời, tác tử và công cụ, an toàn. Cuối bài có những cặp từ hay bị nhầm với nhau.
Mỗi định nghĩa chỉ dừng ở mức người viết mã cần để dùng đúng công cụ và đọc hiểu tài liệu, không đi vào toán học. Những khái niệm quan trọng nhất có bài riêng giải thích kỹ hơn trong cùng mục.
Nhóm thuật ngữ về mô hình
Những từ dưới đây mô tả bản thân mô hình, thứ nằm sau mọi công cụ.
| Thuật ngữ | Giải thích ngắn |
|---|---|
| Mô hình ngôn ngữ lớn (LLM) | Mô hình học từ lượng rất lớn văn bản và mã để đoán phần tiếp theo; là lõi của mọi trợ lý viết mã |
| Tham số (parameter) | Các con số bên trong mô hình được điều chỉnh khi huấn luyện; số tham số thường dùng để nói cỡ mô hình |
| Huấn luyện trước (pre-training) | Giai đoạn mô hình đọc khối dữ liệu khổng lồ để học ngôn ngữ và mã nói chung |
| Tinh chỉnh (fine-tuning) | Huấn luyện thêm trên dữ liệu chọn lọc để mô hình làm theo chỉ dẫn, trò chuyện, hoặc giỏi một loại việc như viết mã |
| Ngày cắt dữ liệu (knowledge cutoff) | Mốc thời gian dữ liệu huấn luyện được chốt; thay đổi sau mốc đó mô hình không biết |
| Mô hình suy luận (reasoning model) | Mô hình sinh chuỗi lập luận trung gian trước khi trả lời, hợp việc nhiều bước, chậm và tốn hơn |
| Mô hình trọng số mở (open-weight) | Mô hình mà hãng công bố bộ tham số để người khác tải về chạy; điều khoản sử dụng tuỳ từng mô hình |
| Lượng tử hoá (quantization) | Lưu tham số bằng ít bit hơn để mô hình nhẹ hơn, chạy được trên máy yếu hơn, đổi lại có thể giảm chất lượng đôi chút |
Cần phân biệt mô hình với sản phẩm: một sản phẩm trợ lý có thể dùng nhiều mô hình cho nhiều việc, và một mô hình có thể nằm trong nhiều sản phẩm khác nhau. Khi so sánh, hãy hỏi đang so mô hình hay so cả lớp công cụ bao quanh.
Nhóm thuật ngữ về ngữ cảnh và dữ liệu đưa vào
Nhóm này quyết định mô hình "thấy" gì mỗi lần trả lời, nên ảnh hưởng trực tiếp tới chất lượng.
| Thuật ngữ | Giải thích ngắn |
|---|---|
| Token | Mẩu chữ nhỏ nhất mô hình đọc và viết; giới hạn độ dài và chi phí đều tính bằng token |
| Cửa sổ ngữ cảnh (context window) | Lượng token tối đa mô hình xem được trong một lượt, gồm cả câu hỏi, mã đưa kèm, lịch sử và câu trả lời |
| Câu lệnh (prompt) | Những gì bạn viết để giao việc cho AI; trong nhóm hay gọi thẳng là prompt |
| Lời dặn hệ thống (system prompt) | Chỉ dẫn nền do công cụ hoặc nhà phát triển đặt sẵn, đứng trước câu hỏi của người dùng |
| Tệp hướng dẫn dự án | Tệp văn bản trong kho mã mà công cụ tự đọc mỗi phiên, chứa quy ước, lệnh chạy, điều cấm |
| Nhúng (embedding) | Biểu diễn một đoạn chữ hay đoạn mã thành dãy số sao cho đoạn gần nghĩa có dãy số gần nhau; dùng để tìm kiếm theo nghĩa |
| Chỉ mục mã (codebase index) | Bản đánh chỉ mục dự án mà công cụ dựng sẵn để tìm nhanh đoạn mã liên quan khi bạn hỏi |
| RAG (retrieval-augmented generation) | Cách làm tìm các đoạn tài liệu liên quan rồi đưa vào ngữ cảnh trước khi mô hình trả lời, giúp trả lời dựa trên dữ liệu riêng |
Ba thuật ngữ cuối liên quan chặt với nhau: chỉ mục mã thường được dựng bằng nhúng, và việc tìm rồi đưa đoạn mã vào ngữ cảnh chính là một dạng RAG. Hiểu điều này giúp bạn đoán vì sao công cụ đôi khi lấy nhầm đoạn mã giống tên mà khác nghĩa.
Nhóm thuật ngữ về cách sinh câu trả lời
Nhóm này giải thích những hành vi bạn thấy trong câu trả lời: vì sao nó khác nhau, vì sao bị cắt, vì sao có chỗ bịa.
| Thuật ngữ | Giải thích ngắn |
|---|---|
| Lấy mẫu (sampling) | Cách mô hình chọn token tiếp theo từ bảng xác suất, thường có yếu tố ngẫu nhiên |
| Nhiệt độ (temperature) | Tham số chỉnh mức ngẫu nhiên khi lấy mẫu; thấp thì ổn định, cao thì đa dạng |
| Ảo giác (hallucination) | Khi mô hình đưa ra thông tin nghe hợp lý mà không đúng, trong mã thường là hàm, tham số, gói không có thật |
| Điền vào giữa (fill-in-the-middle) | Cách huấn luyện cho mô hình viết phần còn thiếu khi biết cả phần trước và phần sau, nền tảng của gợi ý dòng |
| Đầu ra có cấu trúc (structured output) | Yêu cầu mô hình trả về theo khuôn cố định như JSON với các trường định trước, để mã của bạn đọc được |
| Truyền dần (streaming) | Câu trả lời được gửi về từng phần ngay khi sinh ra thay vì chờ xong cả câu, giúp giao diện phản hồi nhanh hơn |
Các tham số như nhiệt độ thường chỉ chỉnh được khi bạn tự gọi mô hình qua API. Trong trợ lý của trình soạn thảo, công cụ đã chọn sẵn cho bạn.
Nhóm thuật ngữ về tác tử và công cụ
Đây là nhóm thuật ngữ mới nhất, thay đổi nhanh và hay được dùng lẫn lộn giữa các sản phẩm.
| Thuật ngữ | Giải thích ngắn |
|---|---|
| Tác tử (agent) | Trợ lý được cấp công cụ và tự chạy nhiều bước: đọc tệp, chạy lệnh, sửa mã, xem kết quả rồi làm tiếp |
| Gọi công cụ (tool calling, function calling) | Khả năng mô hình trả về một yêu cầu gọi hàm hay công cụ với tham số, để phần mềm thực hiện rồi đưa kết quả lại |
| Vòng lặp tác tử (agent loop) | Chu kỳ nghĩ, gọi công cụ, đọc kết quả, quyết định bước tiếp theo, lặp tới khi xong |
| MCP (Model Context Protocol) | Chuẩn mở được công bố cuối năm 2024 để nối trợ lý AI với nguồn dữ liệu và công cụ bên ngoài theo một cách chung |
| Chế độ duyệt (approval mode) | Thiết lập quyết định tác tử phải hỏi bạn trước những hành động nào, như chạy lệnh hay sửa tệp |
| Vùng cách ly (sandbox) | Môi trường bị giới hạn quyền, như vùng chứa hay máy ảo, để tác tử chạy mà không chạm được hệ thống thật |
Tên gọi cụ thể của chế độ duyệt và cách cấu hình khác nhau ở từng sản phẩm. Khi đọc tài liệu một công cụ mới, tìm phần nói về quyền hạn trước tiên.
Nhóm thuật ngữ về an toàn
Chèn lệnh (prompt injection). Kỹ thuật cài chỉ dẫn vào nội dung mà AI sẽ đọc, như một trang web, một tệp, một chú thích trong mã, để nó làm điều người dùng không muốn. Với tác tử có quyền chạy lệnh, đây là rủi ro đáng kể.
Lộ khoá bí mật (secret leakage). Khi khoá API, mật khẩu, mã thông báo truy cập nằm trong mã hoặc nhật ký và bị gửi vào ngữ cảnh, bị đưa lên kho mã, hoặc bị in ra trong câu trả lời.
Gói bịa tên. Tên gói thư viện mà AI tự đặt ra, có nguy cơ bị kẻ xấu đăng ký trước trên kho công khai để phát tán mã độc. Cộng đồng có tên gọi riêng cho kiểu tấn công này, gọi chung là giả mạo gói.
Giữ lại dữ liệu (data retention). Chính sách của dịch vụ về việc lưu nội dung bạn gửi trong bao lâu, ai xem được, có dùng để huấn luyện không; khác nhau giữa gói cá nhân và gói doanh nghiệp.
Những cặp thuật ngữ hay bị nhầm
Ngữ cảnh và trí nhớ. Ngữ cảnh là thứ được gửi kèm trong một lượt. Trí nhớ, nếu công cụ có, là tính năng phần mềm lưu ghi chú rồi đưa lại vào ngữ cảnh ở lượt sau. Mô hình tự nó không nhớ gì giữa các phiên.
Tham số mô hình và tham số lấy mẫu. Tham số mô hình là hàng tỉ con số học được, bạn không chỉnh. Tham số lấy mẫu như nhiệt độ là vài thiết lập khi gọi, bạn chỉnh được nếu dịch vụ cho phép.
Tác tử và chatbot. Chatbot trả lời bằng chữ để bạn tự làm. Tác tử tự hành động trên máy hoặc hệ thống. Một sản phẩm có thể có cả hai chế độ.
Trọng số mở và nguồn mở. Trọng số mở nghĩa là tải được bộ tham số. Nguồn mở theo nghĩa đầy đủ còn bao gồm mã huấn luyện, thông tin dữ liệu và giấy phép cho phép sửa, phân phối. Nhiều mô hình chỉ đạt vế đầu, nên cần đọc giấy phép cụ thể.
Tinh chỉnh và RAG. Tinh chỉnh thay đổi chính mô hình bằng huấn luyện thêm. RAG không đổi mô hình mà chỉ đưa tài liệu liên quan vào ngữ cảnh. Muốn AI biết tài liệu nội bộ, RAG thường rẻ và dễ cập nhật hơn.
Cách theo kịp thuật ngữ mới mà không bị cuốn
Lĩnh vực này đặt tên mới rất nhanh, và nhiều cái tên chỉ là cách gọi tiếp thị cho thứ đã có. Khi gặp một thuật ngữ lạ, ba câu hỏi giúp bạn xếp nó vào đúng chỗ: nó thay đổi bản thân mô hình, thay đổi thứ được đưa vào ngữ cảnh, hay thay đổi những gì AI được phép làm? Hầu hết khái niệm mới rơi vào một trong ba nhóm đó, và khi đã xếp được, bạn đoán được ưu nhược điểm của nó.
Nguồn tốt nhất để hiểu một thuật ngữ vẫn là tài liệu chính thức của công cụ hoặc bài công bố gốc, không phải bài tổng hợp lan truyền trên mạng xã hội. Khi trao đổi trong nhóm, nên thống nhất một bảng thuật ngữ ngắn, ghi cả tên tiếng Việt và tiếng Anh, đặt trong tài liệu dự án để người mới đọc một lần là theo kịp. Bảng đó cũng nên ghi rõ những từ nhóm quyết định không dùng, để tránh mỗi người gọi một kiểu cho cùng một thứ.
Câu hỏi thường gặp
Có cần thuộc hết thuật ngữ mới dùng được trợ lý viết mã không?
Không. Để dùng hằng ngày, chỉ cần nắm token, cửa sổ ngữ cảnh, ảo giác, tác tử và chèn lệnh. Các thuật ngữ còn lại cần khi bạn chọn công cụ cho nhóm hoặc tự đưa tính năng AI vào sản phẩm.
Nên dùng thuật ngữ tiếng Việt hay tiếng Anh trong nhóm?
Dùng cái cả nhóm hiểu giống nhau. Nhiều nhóm nói tiếng Việt cho khái niệm chung như ngữ cảnh, tác tử, nhưng giữ tiếng Anh cho tên kỹ thuật như embedding, RAG để khớp với tài liệu và cài đặt công cụ.
RAG có thay được việc tinh chỉnh mô hình không?
Với nhu cầu cho AI biết tài liệu riêng, RAG thường đủ và dễ cập nhật hơn. Tinh chỉnh hợp hơn khi cần đổi cách mô hình trả lời, như giữ một phong cách hay định dạng rất riêng. Hai cách có thể dùng cùng nhau.
MCP có phải sản phẩm của một hãng riêng không?
MCP là một chuẩn mở, được công bố cuối năm 2024 và được nhiều công cụ hỗ trợ. Mức hỗ trợ và cách cấu hình khác nhau theo từng sản phẩm, nên cần xem tài liệu của công cụ bạn dùng.
Lượng tử hoá có làm mô hình viết mã kém đi nhiều không?
Tuỳ mức. Lượng tử hoá vừa phải thường giảm chất lượng ít mà tiết kiệm bộ nhớ nhiều; mức quá thấp có thể làm mô hình sai rõ rệt hơn. Cách chắc nhất là thử trên chính việc của bạn.
Chèn lệnh khác gì với lỗi bảo mật thông thường?
Lỗi thông thường nằm trong mã. Chèn lệnh khai thác việc mô hình không phân biệt chắc chắn đâu là chỉ dẫn của người dùng, đâu là nội dung nó đang đọc. Cách phòng chủ yếu là giới hạn quyền của AI và duyệt hành động nhạy cảm.