HTML is All You Need (for Agents to Make Graphics)

1. Coding agent làm được gần như mọi thứ

Amol Kapoor mở đầu bằng lời giới thiệu ngắn: anh là CEO của Nori Agentic. Công ty của anh deploy một "AI employee", một nhân viên AI hiểu công ty của bạn: code, docs, Slack và nhiều loại data khác. Vì làm sản phẩm như vậy, đội của anh dành rất nhiều thời gian để nghĩ xem coding agent thật sự hoạt động thế nào.

Theo Amol, phần lớn mọi người nghĩ coding agent chỉ để viết code. Nhưng nếu hỏi anh, đó chỉ là marketing tệ. Hãy quên cái tên "coding" đi một giây: coding agent làm được gần như mọi thứ. Chỉ có một mẹo duy nhất: bạn phải biết nghĩ như một agent thì mới khiến nó làm đúng điều bạn muốn.

Chủ đề hôm nay là cách đội Nori dùng coding agent cho một việc mà hầu hết mọi người cho rằng agent làm rất dở: tạo ra visual artifact, tức là slide, docs, và vâng, cả video nữa.

2. Cái giá thật của một slide deck

Amol đưa ra một con số: mỗi ngày, cả thế giới đổ vào việc làm slide deck khoảng ba mươi bốn nghìn năm công của con người (34.000 human years). Và phần lớn thời gian đó không phải để suy nghĩ, mà là để "fiddling": chỉnh tới chỉnh lui, căn từng ô, kéo từng hình.

Theo anh, một deck tốn mười giờ đồng hồ thật ra chỉ nên tốn khoảng hai mươi lăm phút, một khi bạn bỏ đi toàn bộ phần định dạng, phần branding, và phần di chuyển các thứ qua lại trên trang.

Con số 34.000 năm có cách tính khá đơn giản. Trong bài newsletter "Agentics: I hate making powerpoints, coding agents make it better", Amol viết rằng Microsoft ước tính khoảng 30 triệu bài thuyết trình PowerPoint được tạo ra mỗi ngày trên toàn thế giới; nếu giả định mỗi deck mất khoảng 10 giờ, ta ra được khoảng 34.000 năm công mỗi ngày.

3. Công cụ canvas sinh ra cho tay và mắt người

Giả sử bạn cần làm một slide. Bạn sẽ làm gì? Bạn mở một công cụ: PowerPoint, Google Slides, Figma, Canva. Rồi bạn bắt đầu thao tác trên một canvas.

Mọi công cụ kể trên đều được xây cho bàn tay và đôi mắt của con người. Click, drag, drop, resize, snap to grid: tất cả đều là những động tác và pattern hợp lý với cách con người nhìn thế giới theo không gian (geospatial). Bên dưới có một data structure thật, nhưng nó nằm ở một format mà chỉ chính ứng dụng đó đọc được.

Vậy điều gì xảy ra khi bạn đưa những công cụ này cho một agent? Kết quả ra sai hết. Các thành phần chồng lên nhau theo những cách kỳ quặc. Bạn không đọc được chữ. Không có căn lề gì cả. Nói thẳng ra, đó là rác.

4. Bài test con bồ nông đạp xe đạp

Những người hoài nghi AI cho rằng vấn đề không nằm ở công cụ: agent về bản chất không thể suy luận về không gian. Có hẳn những benchmark được xây đúng quanh tiền đề đó, ví dụ ARC-AGI.

Có một bài test nhỏ nổi tiếng về chuyện này, của developer Simon Willison. Mỗi khi có model mới, anh ấy hỏi đúng một câu: "Can you draw a pelican riding a bicycle?", tức là vẽ một con bồ nông đang đạp xe đạp. Nhưng có một mẹo: agent chỉ được dùng SVG. Đây là một phép thử nhanh bằng cảm giác (gut check) xem model có suy luận được về không gian hay không. Simon ghi lại kết quả của từng model trên blog, dưới tag pelican-riding-a-bicycle.

Generate an SVG of a pelican riding a bicycle.

Rồi Amol cho xem vài ví dụ về những gì các model thật sự trả về trong bài test này. Và vâng, chúng khá tệ. Tệ một cách thật lòng, sâu sắc, tệ thật sự.

Vậy có phải là hết hy vọng? Agent cứ thế mà dở đồ hoạ mãi? Amol trả lời: không, anh không nghĩ vậy.

5. Không phải lỗi của model, mà là lỗi của medium

Nếu hỏi Amol, vấn đề không phải ở model, mà ở medium, tức là phương tiện mà ta bắt model làm việc trên đó.

Anh đảo ngược tình huống: nếu anh nhờ bạn, một người mà anh đoán là con người, viết tay một file SVG vẽ con bồ nông, thì bạn cũng sẽ không làm được. SVG chỉ là một bức tường toàn con số. Bạn không thể đi từ một bức tường số tới một con bồ nông. Mắt bạn không nhìn theo cách đó, và đó cũng không phải cách con người suy nghĩ.

Con người nghĩ bằng hình ảnh, nên chúng ta xây những công cụ cho phép mình vẽ trên canvas.

Rồi khi muốn agent làm đồ hoạ, chúng ta lại xây công cụ theo đúng lối đó: Figma MCP, PowerPoint CLI, các vòng lặp chụp màn hình rồi thay thế (screenshot and replace). Tất cả những công cụ cho agent này có điểm gì chung? Chúng đều tiếp cận vấn đề như một con người. Nhưng AI không phải là con người.

Bắt AI dùng canvas cũng giống như bắt con người viết SVG bằng tay: nó không có nhiều ý nghĩa. Bạn cần đưa cho AI công cụ dựa trên cách nó suy nghĩ, không phải bằng pixel, mà bằng ngôn ngữ. Words, token, structure: đó mới là medium tự nhiên (native medium) của nó.

6. HTML: ngôn ngữ để model nghĩ bằng structure

Amol mời khán giả hình dung: một ngôn ngữ cực giỏi trong việc mô tả layout, một ngôn ngữ mà model đã thấy và được train trên hàng tỷ ví dụ, mà model hiểu một cách trực giác, có thể render ra pixel và chạy được ở mọi nơi. "Oh, right." Ngôn ngữ đó có sẵn rồi: HTML.

HTML cho phép model nghĩ bằng structure. Các tag HTML mang ý nghĩa ngay trong ngôn ngữ: đây là một heading, đây là một chart, đây là một grid. Còn trình duyệt lo việc biến tất cả thành pixel, nên model không bao giờ phải tự đặt một toạ độ nào. Và bạn có đủ loại hiệu ứng thị giác, chart và layout, font và chuyển động, tất cả đều miễn phí, vì trình duyệt đã làm sẵn.

Một ví dụ cụ thể cho ý "model không bao giờ đặt toạ độ": khi viết display: grid với vài cột, việc chia khung và căn từng ô là việc của layout engine trong trình duyệt (xem Basic concepts of grid layout trên MDN). Model chỉ cần nói "đây là một lưới bốn ô", chứ không phải tính ô thứ ba nằm ở x bằng bao nhiêu.

Nhớ con bồ nông lúc nãy chứ? Giờ hãy yêu cầu model làm đúng bài đó, nhưng bằng HTML. Vẫn là con chim ấy, nhưng giờ nó nằm trong một structure mà model suy luận được, và bạn có thể đọc, đổi theme và chỉnh sửa từng dòng một.

7. PowerPoint không phải là slide deck

Amol kể rằng cả đời anh làm slide deck bằng PowerPoint, nên anh luôn nghĩ hai thứ đó, slide deck và PowerPoint, là từ đồng nghĩa. Nhưng thật ra không phải vậy, đúng không?

PowerPoint là một công cụ bạn dùng để làm slide deck. Còn bản thân cái deck, đó chỉ là chế độ trình chiếu (presentation mode). Và hoá ra, chẳng ai trong khán giả của bạn quan tâm bạn đã đi tới presentation mode bằng cách nào.

Format dùng để chỉnh sửa là hoàn toàn tuỳ ý. Vì vậy bạn cứ chọn format chỉnh sửa mà agent vốn đã giỏi, tức HTML, và nếu cần thì sau đó render sang một format khác, ví dụ PDF.

Đội Nori dùng mẹo HTML này để làm toàn bộ slide deck của họ: board deck (deck cho hội đồng quản trị) và sales deck. Đây không phải đồ demo, mà là những thứ họ thật sự trình bày và gửi đi liên tục.

8. Docs và cả video cũng là HTML

Đội Nori cũng dùng cách này cho docs. Nó mang lại cho docs của họ màu sắc và sức sống, mà vẫn đi đúng brand của công ty.

Và tất nhiên, họ dùng nó để làm video, giống như chính video talk này. Những gì người xem đang thấy chỉ là HTML và CSS. Đúng nghĩa đen là toàn div, div chồng div tới tận đáy ("divs all the way down").

Gần như mọi thứ đều tốt hơn khi có một chút structure và một chút màu sắc. Plain text là một lựa chọn, thường là lựa chọn vì tiện. Nhưng theo Amol, đó thường là lựa chọn sai nếu bạn thật sự muốn tạo ra thứ gì đó có ích.

9. Deck đẹp thôi thì chưa đủ: nội dung đến từ data

Ở đây Amol dừng lại một nhịp để nói rõ: một cái deck đẹp, tự nó, nói chung chẳng có giá trị gì. Bạn vẫn phải đi thu thập toàn bộ nội dung, tất cả những thứ thật sự lấp đầy cái deck đó.

Cách giải, một lần nữa, là nghĩ như model. Nếu bạn chỉ cần cho model quyền truy cập vào data của bạn, ví dụ transcript các cuộc gọi hay email, thì model có thể build cả deck từ đầu tới cuối. Hãy để agent làm hết phần việc tay chân (grunt work), còn bạn tập trung vào tầm nhìn và câu chuyện.

Đó chính là thứ Nori Sessions cho phép bạn làm. Amol kể anh đã build nguyên những board deck từ điện thoại, trên tàu điện ngầm trong lúc đi làm. Vì sao làm được? Vì Nori bot sống ngay trong "lớp vải" (fabric) của công ty họ.

Và tất nhiên, Nori đi kèm sẵn mọi thứ cần thiết để làm được tất cả những điều trên, nên bạn không cần phát minh lại cái bánh xe.

Thông tin thêm về sản phẩm có trên trang chủ Nori.

10. Takeaway: hãy nghĩ như model

Amol khép lại "bài nói ngắn" của mình và cảm ơn người nghe. Nếu chỉ mang về một điều, thì đó là: đừng nghĩ như một người dùng nữa. Hãy nghĩ như model. Hãy đưa cho nó đúng ngôn ngữ. Và với đồ hoạ, tất cả những gì bạn cần là HTML.