# Tạo Claude skill hiệu quả từ quy trình làm việc thật

[Nguyễn Trung Hiếu](https://homus.dev/speakers/nguyen-trung-hieu) · [Maz The Analyst](https://homus.dev/orgs/maz-the-analyst)

> Skill là gì, cấu trúc SKILL.md chuẩn Anthropic với assets, references, scripts, và demo đóng gói quy trình phân tích dữ liệu thành skill có memory.

Topics: Skills, Workflow, Context Engineering

Canonical: https://homus.dev/talks/huong-dan-cach-tao-claude-skills-hieu-qua-2026

## 1. Cùng một Claude, hai cách làm việc

Video mở đầu bằng một màn hình chia đôi. Bên trái là cách mà rất nhiều người vẫn đang dùng Claude hằng ngày: chat từng prompt một, copy và paste từng file vào khung chat. Hôm nay làm như vậy, rồi hôm sau, tuần sau, chúng ta lại ngồi làm chính xác như vậy thêm một lần nữa, từ đầu.

![Một cuộc chat Claude với prompt dài mô tả web app FitFlow, nhãn Chat từng Prompt](https://homus.dev/photos/b3kR_v8Yt1U-0003.jpg)

Cách làm "chat từng prompt": người dùng gõ một prompt dài mô tả web app theo dõi ăn uống và lịch tập gym (đăng nhập, dashboard BMI, BMR, TDEE, nhật ký ăn, lịch tập), và lần sau lại phải viết lại từ đầu.

Bên phải cũng chính là cùng một Claude đó, nhưng có skill. Trên màn hình, Maz chỉ gõ một dòng: gọi skill `/weekly-report-orchestrator` kèm câu "chạy full data pipeline cho file dataset". Chỉ với một dòng ra lệnh như vậy, Claude tự lên kế hoạch, tự phân tích, tự xử lý data, tạo ra các bài báo cáo chuẩn chỉnh, rồi trả kết quả về ngay trong folder trên máy tính của mình.

Kết quả hiện ra là một báo cáo hiệu suất tháng cho một công ty thương mại điện tử giả định tên TechWorld, với tiêu đề lớn "Tháng 3/2022: TechWorld phục hồi hoàn toàn sau sự cố tháng 2", các con số chính (doanh thu tháng 3 khoảng 443 nghìn đô, lợi nhuận ròng 133 nghìn đô, biên lợi nhuận 30%, tỷ lệ hoàn hàng 4,1%), một khối tóm tắt cho lãnh đạo và các khối "Xác nhận, Khoanh vùng, Lý giải" để giải thích vì sao tháng 2 sụt.

Theo Maz, sự khác biệt giữa hai bên không nằm ở prompt, cũng không nằm ở model. Hai bên dùng cùng một Claude. Sự khác biệt nằm ở chính skill.

## 2. Skill là kỹ năng làm việc tiêu chuẩn của AI, và ba phần của video

![Maz nói trước camera, chữ lớn SKILLS và dòng Kỹ năng làm việc tiêu chuẩn của AI](https://homus.dev/photos/b3kR_v8Yt1U-0023.jpg)

Maz định nghĩa ngắn gọn ngay từ đầu: skill là "kỹ năng làm việc tiêu chuẩn của AI".

Maz gọi skill là kỹ năng làm việc tiêu chuẩn của AI. Nội dung video hôm nay là cách tạo ra skill hiệu quả, để AI cho ra những kết quả chính xác và đạt hiệu quả cao cho chính công việc hiện tại của mỗi người. Video được chia thành ba phần:

- **Phần thứ nhất:** giúp người xem hiểu chính xác skill là gì, và tại sao ở thời điểm này ai cũng nói rằng chúng ta phải biết về skill.

- **Phần thứ hai:** tiêu chuẩn và phương pháp để xây dựng những file skill hiệu quả nhất mà chính Maz đang sử dụng.

- **Phần thứ ba, cũng là phần quan trọng nhất:** cho người xem thấy sự khác biệt giữa một skill làm cho có và một skill được xây dựng trên một quy trình chuẩn, và thấy tận mắt kết quả AI tạo ra. Maz tin chắc rằng sau khi xem, bạn sẽ không bao giờ muốn quay lại kiểu chat từng prompt nữa.

Trên màn hình, các tiêu đề phần lần lượt hiện lên: "Phần 1: Skills là gì", "Phần 2: Tạo Skills chuẩn" (với một bảng "Một SKILL.md đúng chuẩn" gồm tên, description, SOP từng bước và output), "Phần 3: Demo kết quả" (so sánh "Skill làm vội" với "Skill đúng chuẩn"). Phần mô tả video thì chia chi tiết hơn: sự phát triển của AI, cấu trúc skill, cách tạo skill, và demo thực hành.

Sau đó Maz tự giới thiệu: anh là Maz, có kinh nghiệm làm trong ngành phân tích dữ liệu, và hiện đang dùng Claude cho chính công việc hằng ngày của bản thân.

## 3. Giai đoạn 1: Traditional AI và hệ thống chặn giao dịch rủi ro

Để hiểu về skill, theo Maz, trước hết cần làm rõ chúng ta đang ở giai đoạn nào trong sự phát triển của AI. Anh chia làm ba giai đoạn, và giai đoạn thứ nhất là **traditional AI**.

Vào những năm 2000, cả thế giới bắt đầu tận dụng sức mạnh của máy tính để xử lý công việc theo những logic có sẵn. Ví dụ Maz đưa ra là hệ thống chặn rủi ro của ngân hàng: hệ thống cần phát hiện những giao dịch bất thường có giá trị lớn hơn 2 triệu đô trong một ngày. Khi đó hệ thống nhận một điều kiện: nếu giao dịch lớn hơn 2 triệu đô thì từ chối, còn nếu nhỏ hơn thì cho giao dịch tiếp tục.

![Slide Hệ thống chặn giao dịch rủi ro với luật IF giao dịch lớn hơn 2 triệu đô thì BLOCK](https://homus.dev/photos/b3kR_v8Yt1U-0123.jpg)

Slide ví dụ traditional AI: một quy tắc IF giao_dịch > $2,000,000 thì BLOCK, ELSE thì ALLOW. Giao dịch 2,5 triệu đô bị chặn, giao dịch 800 nghìn đô được duyệt. Khung dưới cùng ghi "Không phản hồi lại được": hệ thống không xét ngữ cảnh, không học từ lịch sử, không tự cập nhật.

Slide còn có thêm một dòng lịch sử cập nhật của quy tắc: được tạo năm 2003 với ngưỡng 2 triệu đô mỗi ngày, năm 2015 có đề xuất nâng lên 5 triệu nhưng bị từ chối, và tới năm 2024 vẫn chưa cập nhật, quy tắc vẫn đang được áp dụng sau 20 năm. Maz tóm lại: traditional AI hoạt động theo tiêu chuẩn có điều kiện, có logic thì xử lý, và hoàn toàn không có một cơ chế phản hồi lại chúng ta.

## 4. Giai đoạn 2 và 3: từ Generative AI tới Agentic AI

Tiếp theo, vào khoảng 2020 đến 2021, theo lời Maz, cả thế giới thực sự bùng nổ khi ChatGPT ra đời. Khi AI có thể hiểu được ngôn ngữ tự nhiên của con người, đó chính là giai đoạn **Generative AI**. Slide của giai đoạn này đặt tiêu đề "Generative AI: Hỏi & Trả lời": AI trả lời mọi câu hỏi, tạo nội dung theo yêu cầu, hiểu ngữ cảnh trong một cuộc hội thoại. Trong ví dụ trên slide, người dùng nhờ phân tích doanh thu quý 2 và nhận được một phân tích kèm đề xuất, nhưng khi bảo "Xuất ra file Excel và gửi cho team giùm mình" thì AI chỉ trả lời bằng chữ, không tự xuất file, không tự gửi mail, người dùng phải tự copy và làm thủ công. Slide gọi đó là một "chuyên gia ngồi sau bàn": giỏi tư vấn, nhưng không tự đứng dậy đi làm.

Đó cũng là giới hạn mà Maz nhấn mạnh: ở giai đoạn này, câu chuyện dừng lại ở chỗ AI phản hồi kết quả, tư vấn cho chúng ta câu trả lời, nhưng chưa thể thay mình làm việc.

Vì thế, từ cuối năm 2025 tới thời điểm hiện tại, chúng ta đang làm việc trong giai đoạn **Agentic AI**. Sự khác biệt giữa Agentic AI và Generative AI, theo Maz, chính là AI có thể thay mình tự lên kế hoạch (slide ghi "nhận mục tiêu, tự phân tích, chia nhỏ thành từng bước, không cần hướng dẫn chi tiết"), kết nối với nhiều công cụ khác nhau, thực hiện cả một quy trình làm việc, và trả về kết quả phục vụ ngay cho công việc hiện tại.

Ba giai đoạn phát triển của AI theo cách Maz kể: từ luật cứng, qua chatbot hỏi đáp, tới agent tự lên kế hoạch và thực hiện cả quy trình.

Nên bây giờ, nếu bạn vẫn chưa tận dụng sức mạnh của AI agent thì, theo lời Maz, có vẻ như bạn đang ở phía sau rồi đó.

## 5. Skill không phải prompt: đó là quy trình làm việc được đóng gói

Từ đó Maz đưa ra điều mọi người cần nhớ: skill không phải là prompt mà chúng ta viết từng lần cho AI. Skill chính là một bộ năng lực, đóng gói lại quy trình làm việc tiêu chuẩn mà chúng ta đang "training" cho AI. Đó là một hướng dẫn chi tiết và cụ thể, giúp AI biết khi nào việc này sẽ xuất hiện, làm nó từng bước một như thế nào, và kết quả đầu ra phải đảm bảo những tiêu chuẩn gì.

![Slide Skill khác Prompt, so sánh prompt viết lại mỗi lần với skill gồm quy trình chuẩn hóa, hướng dẫn từng bước, template đầu ra cố định](https://homus.dev/photos/b3kR_v8Yt1U-0216.jpg)

Slide "Skill ≠ Prompt". Bên trái, prompt "viết lại mỗi lần, không cố định" (ví dụ lần thứ 3 vẫn gõ "Viết email tóm tắt báo cáo quý 3...") nên kết quả khác nhau mỗi lần. Bên phải, skill là "SOP đóng gói, train 1 lần, dùng mãi" gồm quy trình chuẩn hóa, hướng dẫn từng bước và template đầu ra cố định, cho ra kết quả đạt chuẩn mọi lần, với mọi người dùng, không cần nhớ.

Màn hình cũng chiếu đoạn định nghĩa của Anthropic trong bài "What are Skills?": skill là những folder chứa instructions, scripts và resources mà Claude nạp một cách linh hoạt để làm tốt hơn các task chuyên biệt; hãy nghĩ về chúng như những gói chuyên môn dạy Claude cách hoàn thành một task cụ thể theo cách lặp lại được. Đoạn đó còn nói rằng nếu bạn từng dùng Claude để tạo file Excel, PowerPoint, Word hay PDF thì bạn đã thấy skill hoạt động phía sau, và custom skill có thể mã hóa cả một quy trình lặp lại, chẳng hạn một phương pháp phân tích chênh lệch theo quý hay một checklist tuân thủ, để Claude đi đúng các bước chặt chẽ mỗi lần.

## 6. Cấu trúc skill chuẩn Anthropic: file SKILL.md và YAML front matter

Bây giờ Maz chuyển sang cấu trúc skill chuẩn Anthropic. Theo anh, phần này thường bị nói qua loa, kiểu "skill có tên và cách thức làm việc của nó" là xong. Nhưng anh nhắn mọi người hãy tin mình: kiến thức ở đây rất quan trọng, vì phần sau chúng ta còn phải dựa vào nó để build ra nhiều hệ thống AI khác nhau.

Theo Anthropic, file bắt buộc phải có khi làm skill chính là file SKILL viết hoa, đuôi `.md`. Maz lưu ý tên file phải chính xác là `SKILL.md` thì Claude mới có thể nhận diện. Đây chính là file skill.

Cấu trúc của file này gồm các tầng. Tầng thứ nhất là **YAML front matter**. Ở phần này chắc chắn phải có hai trường:

- **name:** tên của skill. Nếu tên có nhiều từ thì phải nối với nhau bằng dấu gạch ngang.

- **description:** đoạn mô tả. Ở đây bạn nói cho Claude biết khi nào sẽ kích hoạt, sử dụng skill này, và output mục tiêu của skill là gì. Thông thường, description có thể dài từ 3 đến 5 dòng.

![Slide File SKILL.md 2 trường bắt buộc, ví dụ name email-writer và description](https://homus.dev/photos/b3kR_v8Yt1U-0303.jpg)

Slide "File SKILL.md: 2 trường bắt buộc" với ví dụ skill `email-writer`: dấu gạch ngang nối hai từ trong tên được tô sáng, description có một dòng mô tả việc, một dòng trigger ("Dùng khi") và một dòng output.

Front matter trong ví dụ trên slide:

```
---
name: email-writer
description: >
Soạn & reply email chuyên nghiệp.
Dùng khi: "viết email", "soạn email"...
Output: email hoàn chỉnh, sẵn sàng gửi.
---
```

## 7. Phần body: SOP viết rõ từng bước

Tầng thứ hai, nằm sau front matter, là **body**. Ở phần này chúng ta viết quy trình làm việc của skill, hay còn gọi là SOP (Standard Operating Procedure). Slide của phần này ghi "SOP: Hướng dẫn từng bước bắt buộc cho Claude".

Công việc của bạn cụ thể là gì thì cứ viết rõ ra từng bước làm như thế nào. Maz lấy ví dụ công việc làm báo cáo phân tích ở dạng HTML:

- Bước đầu tiên: đọc lại toàn bộ bộ nhớ của skill này.

- Bước thứ hai: xử lý data.

- Bước thứ ba: phân tích, chạy tổng hợp các insight.

- Bước tiếp theo: trình bày báo cáo ở dạng HTML.

- Cuối cùng: xuất kết quả và lưu vào folder.

![Slide quy trình 5 bước Phân tích dữ liệu và Xuất báo cáo HTML](https://homus.dev/photos/b3kR_v8Yt1U-0350.jpg)

Slide "Phân tích dữ liệu & Xuất báo cáo HTML": trigger là khi skill nhận yêu cầu phân tích (người dùng upload file data), rồi 5 bước bắt buộc, không bỏ bước nào: đọc bộ nhớ skill (memory), xử lý dữ liệu đầu vào như parse CSV hay Excel, làm sạch, xử lý null và outlier (data prep), tính KPI và tìm xu hướng (analysis), dựng layout và vẽ biểu đồ D3.js, viết narrative SCQA (render), lưu `report.html` rồi gọi `present_files()` (export).

Đó chính xác là công việc mà hằng ngày chúng ta vẫn phải làm. Chỉ có một khác biệt: bây giờ AI sẽ làm thay mình phần đó.

## 8. Phần chìm của tảng băng: assets, references, scripts và progressive disclosure

Tới đây, theo Maz, chúng ta mới chỉ thấy phần nổi của tảng băng. 80% còn lại chính là kiến trúc thư mục của các folder khác trong skill. Với những công việc cần các bước xử lý phức tạp, một file SKILL.md không chứa hết được toàn bộ quy trình, nên bắt buộc phải tận dụng thêm các folder khác: **assets**, **references** và **scripts**.

- **scripts:** chứa những đoạn code chạy sẵn, để khi AI cần thì dùng ngay, không cần phải suy nghĩ thêm.

- **references:** chứa tài liệu tham khảo như kiến thức chuyên ngành, nghiệp vụ mà Claude cần biết để thực hiện task cho chúng ta.

- **assets:** không gian chứa các bài mẫu, các template của output, để kết quả AI trả về đảm bảo đúng tiêu chuẩn mà chúng ta đưa ra.

![Cây thư mục của một skill gồm SKILL.md, assets, references và scripts, 9 files](https://homus.dev/photos/b3kR_v8Yt1U-0443.jpg)

Cây thư mục của một skill tạo report gồm 9 file: `SKILL.md`; `assets` với `design_tokens.json` và `shared_defs_template.html`; `references` với `chart_guide.md`, `error_patterns.md`, `report_structure.md`; `scripts` với `responsive_resize.js`, `text_wrap_helper.js`, `tooltip_helper.js`.

Phần này vô cùng quan trọng, vì Claude làm việc theo cơ chế **progressive disclosure**, tức là tiết lộ từng phần. Từ tên và description, Claude xác định skill nào sẽ được gọi ra để làm việc. Nếu lần nào Claude cũng đọc, cũng chạy tất cả những thư mục như assets, references và scripts thì sẽ tốn rất nhiều token. Cho nên việc phân bổ ra từng folder như vậy cũng là giới hạn lại không gian Claude làm việc, để tiết kiệm tài nguyên: kích hoạt đúng skill rồi thì mới cần gọi đúng những tài liệu hay template ra để làm mẫu.

Cơ chế progressive disclosure như Maz giải thích: tên và description để chọn skill, sau đó mới tới quy trình, và chỉ khi cần mới mở tài liệu, template hay script.

## 9. Cách tạo skill thứ nhất: gọi /skill-creator

Sau khi đã hiểu rõ bản chất và kiến trúc folder của skill, Maz chuyển sang cách tạo skill. Hiện tại Anthropic cũng giới thiệu một cách làm nhanh gọn: gọi lệnh `/skill-creator` rồi điền yêu cầu của mình. Ví dụ, Maz yêu cầu Claude "tạo cho tôi skill làm báo cáo phân tích ở dạng HTML". Chỉ cần gọi một dòng lệnh này thôi.

![Ô nhập của Claude với lệnh /skill-creator đang được gõ, nhãn 1. /skill-creator](https://homus.dev/photos/b3kR_v8Yt1U-0509.jpg)

Cách thứ nhất: trong ô nhập của ứng dụng Claude (chế độ Cowork), gõ `/skill-creator` rồi viết yêu cầu tạo skill bằng lời thường.

Claude vẫn có thể tạo ra cho mình một file skill. Nhưng kết quả, theo Maz, chắc chắn sẽ không đảm bảo được chất lượng, vì Claude đâu có cơ sở nào để soạn ra skill này. Nó chỉ đang dự đoán nhu cầu của mình và trả về một kết quả phỏng đoán mà thôi.

## 10. Cách thứ hai: copy skill của người khác, và chuyện mã độc

Cách thứ hai là copy skill của người khác từ những kho skill nổi tiếng. Trên màn hình, Maz mở một repo skill công khai trên GitHub (Taste Skill, một skill giúp AI làm giao diện frontend bớt nhàm chán) với nhãn "2. Copy skill", rồi mở trang web của skill đó.

Nhưng Maz nhắc mọi người phải nhớ rằng skill của người khác được viết cho công việc của họ, nên nó sẽ tạo ra kết quả phù hợp với cách họ làm, không phải với công việc của mình. Điều quan trọng tiếp theo là khi cài những skill public, mọi người phải cẩn thận (màn hình hiện nhãn "Cẩn thận mã độc"), vì trong nội dung của những skill đó đôi khi có chứa đoạn mã độc có thể đọc được các thư mục trong bộ nhớ máy tính của mình và làm rò rỉ thông tin ra ngoài. Điều đó rất nguy hiểm.

Ba cách tạo skill Maz so sánh trong video, và cách anh cho là hiệu quả nhất.

Cho nên cách Maz thường làm, và anh cho là hiệu quả nhất, là xuất phát từ chính quy trình làm việc của cá nhân mình, rồi từ đó mới đóng gói thành các bộ skill chuẩn.

## 11. Cách Maz làm: đi từ quy trình thật, demo skill phân tích

Ở phần demo thực hành, Maz cho mọi người xem quá trình anh làm một bài phân tích, sau đó tạo ra báo cáo và đóng gói tất cả thành một folder skill.

Anh tải lên một file data để Claude phân tích (trên màn hình là file `techworld_ecommerce_teaching_Q1_2022.csv`), rồi yêu cầu dùng skill phân tích mô tả và chẩn đoán bằng cách gõ `/descriptive-diagnostics-analysis`. Chỉ với một câu lệnh, Claude biết kích hoạt chính xác skill nào, đi theo quy trình làm việc của skill đó và trả về kết quả đầy đủ, chi tiết nhất.

Maz mở skill này ra cho mọi người xem bên trong có gì. Kỹ năng phân tích mô tả và chẩn đoán của anh có kiến trúc folder giống như anh đã chia sẻ lúc nãy: `SKILL.md`; folder `assets` để chứa tài liệu; folder `memory` để chứa các bài học; và folder `references` chứa các phương pháp phân tích chi tiết anh đã soạn sẵn, để Claude áp dụng đầy đủ các phương pháp phân tích khoa học.

![Trang chi tiết skill descriptive-diagnostics-analysis trong phần Skills của Claude, 10 files](https://homus.dev/photos/b3kR_v8Yt1U-0621.jpg)

Skill `descriptive-diagnostics-analysis` mở trong phần cài đặt Skills (10 files). Mô tả: phân tích kết quả kinh doanh từ một dataset CSV hay Excel theo framework B.A.D, chạy Descriptive Analytics qua 4 lens rồi Diagnostic Analytics theo protocol Confirm, Isolate, Explain. Đoạn mở đầu ghi skill tự học: mỗi lần chạy xong ghi bài học vào `memory/lessons_learned.md` và đọc lại memory đó trước khi bắt đầu lần sau để không lặp lỗi cũ.

Trong đó, `SKILL.md` là file quan trọng nhất. Nó có tên, phần mô tả hướng dẫn của skill, và cấu trúc đi qua quy trình từng bước như thế nào, rất chi tiết và rõ ràng. Trên màn hình còn thấy mục "Nguyên tắc nền tảng" với câu: B.A.D không phải checklist mà là kỷ luật tư duy; analyst junior mở data trước, analyst senior hoàn thành bước B trước khi chạm vào một dòng dữ liệu nào. Tiếp theo là mục cấu trúc project và quy ước file khi làm việc theo folder ở chế độ Cowork.

## 12. Báo cáo phân tích và vòng chỉnh sửa cùng AI

Sau khi Claude chạy xong skill này, Maz nhận ngay một file báo cáo cực kỳ đầy đủ và chi tiết: báo cáo phân tích hiệu quả kinh doanh. Báo cáo đi qua từng bước phân tích:

- phân tích summary,

- phân tích trend, tức xu hướng,

- phân tích segmentation,

- phân tích Pareto,

- phân tích correlation,

và sau đó đưa ra kết quả chẩn đoán, insight và các khuyến nghị. Trên màn hình là các bảng theo nhóm hàng (Electronics chiếm khoảng 87% GMV, rồi Wearables, Audio, Accessories) với biên lợi nhuận và tỷ lệ hoàn hàng, một đoạn chẩn đoán "ISOLATE + EXPLAIN" khoanh vùng cú sụt vào nhóm Electronics trong tháng 2, và bảng hoàn trả theo tháng. Claude xuất hai file: một report `.md` cho người đọc và một file `analysis_results.json` để chuyển tiếp sang bước sau.

Maz giải thích rằng ở đây anh đang áp dụng các phương pháp Descriptive và Diagnostic vào quá trình cho AI làm. Nếu để AI tự làm, nó sẽ phân tích theo những hướng mà nó tự tiếp cận, chứ sẽ không bám vào những phương pháp mà anh vẫn dùng trong báo cáo hằng ngày.

Đọc xong, Maz phát hiện bài phân tích của mình còn thiếu phân tích theo tuần và theo ngày, nên anh chạy tiếp để bổ sung theo phương pháp đó. Câu anh gõ:

```
Bổ sung phân tích theo ngày & tuần vào phần trend
```

Mọi người thấy đó, theo Maz, AI làm việc ra một kết quả, nhưng có thể nó vẫn chưa đáp ứng yêu cầu của mình, và mình vẫn phải tiếp tục cùng nó chỉnh sửa để đạt chất lượng cao nhất cuối cùng. Claude tiếp tục bổ sung: phân tích theo tuần để tìm ra điểm gãy, và phân tích theo ngày để tìm ra những ngày có vấn đề. Màn hình cho thấy Claude ghi rằng nó sẽ bổ sung đủ ba tầng tháng, tuần, ngày, tính trend theo tuần ISO, phân biệt "gãy đột ngột" với "trượt mặt bằng" và soi cụm ngày quanh Tết, rồi in ra bảng theo tuần với các tuần tháng 2 in đậm. Phần khuyến nghị của báo cáo gồm quản trị năng lực giao vận mùa cao điểm Tết, giảm rủi ro tập trung vào một mẫu laptop, không "chữa" cú sụt tháng 2 như sự cố sản phẩm, và rà soát chất lượng data với 32,9% đơn có `Marketing_Cost=0`.

## 13. Từ báo cáo phân tích sang báo cáo HTML

Khi đã thấy báo cáo chuẩn chỉnh, Maz yêu cầu AI tạo một báo cáo trình bày dạng HTML, đảm bảo các tiêu chí: data storytelling, người dùng cuối là dân business và manager, theme color light mode, font chữ Inter, ngôn ngữ chuyên nghiệp, dễ hiểu. Câu lệnh trên màn hình:

```
Tạo ra báo cáo trình bày html, đảm bảo tiêu chí data storytelling, end user là dân business/manager, theme color light mode, font chữ inter , ngôn ngữ chuyên nghiệp dễ hiểu.
```

Rồi anh chờ xem kết quả ra sao. Claude tạo một báo cáo hoàn chỉnh ở dạng HTML với tiêu đề "Báo cáo Kết quả Kinh doanh TechWorld, Quý 1, 2022", các con số chính (doanh thu quý 1 khoảng 1,24 tỷ, tỷ suất lợi nhuận 31,8%, 2.008 đơn hàng, kỳ báo cáo tháng 1 tới tháng 3 năm 2022) và một khối tóm tắt cho lãnh đạo: "Một quý làm ăn tốt, nhưng gần như toàn bộ kết quả đang dựa vào một nhóm hàng duy nhất". Phần chat bên trái liệt kê những gì Claude đã thêm: chart doanh thu 13 tuần, các highlighted insight kèm câu "nghĩa là gì", cơ cấu doanh thu theo nhóm hàng, khu vực và kênh bán, mặt hàng nào kéo Electronics xuống, và phần review cuối với 5 takeaway và 5 khuyến nghị.

Maz bấm "Download and open" và nhận được một báo cáo mà anh gọi là tuyệt vời: có phần mở bài, phần tổng hợp, tất cả các phân tích theo từng mục, những insight kể lại chuyện gì đã xảy ra, đúng tinh thần data storytelling, và kết thúc là phần recommendation. Theo anh, kết quả ngoài mong đợi; việc còn lại của mình chỉ là sửa thêm wording, câu chữ, hoặc những lỗi nếu có.

![Báo cáo HTML TechWorld mở trên trình duyệt, mục Năm điều cần nhớ từ báo cáo này](https://homus.dev/photos/b3kR_v8Yt1U-0823.jpg)

Báo cáo HTML mở trên trình duyệt, đoạn tổng kết "Năm điều cần nhớ từ báo cáo này": quý làm ăn tốt; "bỏ trứng vào một giỏ" là rủi ro lớn nhất (87% doanh thu dồn vào nhóm điện tử); cú chững tháng 2 chỉ là theo mùa; thủ phạm là vài mẫu chủ lực chứ không phải trả hàng; cơ hội nằm ở mức lời. Bên dưới là khối "Việc nên làm tiếp theo".

Video có một đoạn ngắn Maz giới thiệu khóa học về phân tích dữ liệu với AI do anh trực tiếp hướng dẫn, trong đó học viên xây một AI analyst, một hệ thống AI agent chạy end-to-end quá trình phân tích, và các web app phục vụ phân tích, báo cáo.

## 14. Đóng gói cả quy trình thành skill analysis-report-html

Quay lại với báo cáo đã hoàn chỉnh, Maz yêu cầu Claude đóng gói toàn bộ quá trình vừa làm thành một bộ kỹ năng. Anh viết: hãy dựa vào kết quả và quy trình phân tích ở trên, đóng gói lại thành một folder skill tên là `analysis-report-html`, với cấu trúc gồm `SKILL.md`, `assets`, `references` và `memory`. Folder memory dùng để ghi lại các lesson learned cho mỗi lần xử lý. Câu lệnh đầy đủ trên màn hình, kết thúc bằng việc gọi skill-creator:

```
Hãy dựa vào kết quả và quy trình phân tích đã làm, tạo thành SKILL folder tên là "analysis-report-html" có cấu trúc folder (SKILL.md, assets, references, memory). Memory folder dùng để ghi lại các lesson_learned cho mỗi lần xử lý. /skill-creator
```

Quá trình này diễn ra trong khoảng 1 đến 2 phút. Sau khi Claude xây xong cấu trúc của skill và tổng hợp lại, nó gửi cho Maz cấu trúc hoàn chỉnh, để thư mục skill có thể đảm bảo chất lượng kết quả đạt tiêu chuẩn.

![Claude trả về skill analysis-report-html với nút Save skill và cây thư mục assets, memory, references](https://homus.dev/photos/b3kR_v8Yt1U-0936.jpg)

Kết quả đóng gói: skill `analysis-report-html` với nút "Save skill". Cây thư mục gồm `assets` (`chart-recipes.js`, `report-template.html`), `memory` (`lessons_learned.md`, `README.md`), `references` (`chart-standards.md`, `design-system.md`, `report-structure.md`) và `SKILL.md`. Description ghi rõ các câu trigger như "trình bày kết quả thành report HTML", "tạo báo cáo HTML".

Phần chat còn cho thấy Claude nói design system và 6 chart recipe đều được rút thẳng từ report TechWorld vừa hoàn thiện, nên lần sau dựng report tương tự sẽ rất nhanh, và giờ đã có một cặp skill hoàn chỉnh: phân tích (B.A.D) rồi trình bày (HTML tư vấn). Khi kết quả đã trả về, chỉ cần bấm nút "Save skill" là skill được kích hoạt.

## 15. Lesson learned, gọi lại skill bằng slash và lời khuyên cuối

Muốn kiểm tra lại skill, ta vào phần Customize, chọn Skills. Danh sách hiện các skill của Maz, trong đó có `analysis-report-html`, `descriptive-diagnostics-analysis`, `data-cleaning`, `slide-deck-builder` cùng `skill-creator` do Anthropic làm tác giả. Maz bóc tách bộ kỹ năng `analysis-report-html` cho mọi người cùng xem: nó gồm ba folder assets, memory và references.

Anh mở file lesson learned. Đây là phần anh muốn nhấn mạnh: nó giúp AI ghi nhớ từng lần làm việc, để mỗi lần sau nó thông minh hơn và không mắc lại những lỗi đã gặp ở lần trước. Trong phân tích cũng vậy: càng phân tích lâu thì AI càng phải hiểu rõ business problem và domain của mình, từ đó những insight nó đưa ra mới có thể cải tiến và phù hợp với tình hình thực tế trong công ty.

![File lessons_learned.md của skill analysis-report-html, mục bài học về report TechWorld](https://homus.dev/photos/b3kR_v8Yt1U-1023.jpg)

File `lessons_learned.md`: một log chỉ ghi thêm, được đọc toàn bộ trước mỗi lần dựng report (bước 0) và được ghi mục mới sau mỗi lần (bước 5). Mục đầu tiên ghi lại bài học từ report TechWorld, ví dụ khi kể "ai gây ra thay đổi của tổng" thì dùng đóng góp tuyệt đối thay vì phần trăm nội bộ từng nhóm, và đổi tiêu đề section từ nhãn sang một câu insight.

Maz nhắc lại một câu mọi người thường nói: AI không thể thay thế con người ở khả năng ra quyết định. Điều đó hoàn toàn đúng. Nhưng AI vẫn có thể hiểu được business của chúng ta, thông qua cách chúng ta set up kiến thức, tài liệu, và cách chúng ta dạy nó học như dạy một nhân viên mới. Từ đó AI mới đưa ra được những kết quả phân tích có giá trị cho công việc hiện tại.

Khi skill đã có rồi, những lần tiếp theo bạn chỉ cần gõ dấu gạch chéo, tìm skill `analysis-report-html`, là skill được kích hoạt tự động. Claude sẽ hiểu nó cần làm công việc gì và trả kết quả ra như thế nào.

Điều quan trọng cuối cùng Maz muốn chia sẻ: khi làm việc với AI và skill, cứ tạo skill ra và thử nghiệm, cứ thoải mái chỉnh sửa cùng Claude. Sai hoặc chưa đủ ở đâu thì cứ sửa ở đó. Các model càng về sau sẽ càng thông minh hơn và có khả năng làm việc vô cùng sâu sát với tính chất công việc của chúng ta hiện nay.

Anh hy vọng video giúp mọi người học skill, tạo skill và áp dụng ngay vào thực tế công việc, rồi mời người xem theo dõi kênh để gặp lại ở những nội dung tiếp theo về data và AI.

## Nguồn và liên kết

- Tên gốc: Hướng dẫn cách tạo Claude SKILLS hiệu quả 2026.
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=b3kR_v8Yt1U](https://www.youtube.com/watch?v=b3kR_v8Yt1U)

- Kênh YouTube Maz The Analyst (Nguyễn Trung Hiếu): [youtube.com/channel/UCClTa_jbo8yksWrtJJBejVw](https://www.youtube.com/channel/UCClTa_jbo8yksWrtJJBejVw)

- Anthropic, "What are Skills?" (đoạn định nghĩa skill chiếu trong video): [support.claude.com/en/articles/12512176-what-are-skills](https://support.claude.com/en/articles/12512176-what-are-skills)

- Tài liệu Agent Skills của Anthropic (cấu trúc SKILL.md, trường name và description, progressive disclosure): [platform.claude.com/docs/en/agents-and-tools/agent-skills/overview](https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview)

- Skill `skill-creator` trong repo skill chính thức của Anthropic: [github.com/anthropics/skills/tree/main/skills/skill-creator](https://github.com/anthropics/skills/tree/main/skills/skill-creator)

Nguồn: https://homus.dev/talks/huong-dan-cach-tao-claude-skills-hieu-qua-2026 · cập nhật 2026-10-09