Công thức Claude Code: prompt → context → memory → results

Bài giới thiệu một video khoảng 28 phút của Boris Cherny – kỹ sư đứng sau Claude Code (công cụ agentic coding của Anthropic): video này chứa những lời khuyên thực tế về cách viết prompt và dùng AI hiệu quả, vượt xa nhiều khóa học giá 300 USD chỉ trong 10 phút đầu.

Cốt lõi mà bài đăng tóm tắt là công thức:prompt → context → memory → results

Dưới đây là giải thích chi tiết dựa trên các buổi nói chuyện công khai của Boris (đặc biệt buổi Y Combinator Startup School 2026 ngay sau khi ra mắt Opus 5, cùng các chia sẻ khác).

1. Prompt (Lời nhắc) – Không còn là thứ quan trọng nhấtTrước đây mọi người tập trung viết prompt cực kỳ chi tiết, liệt kê từng bước 1-2-3-4. Boris nói rõ: với model hiện đại (Opus 5 trở đi), cách này không còn hiệu quả, thậm chí còn cản trở model.

• Sai lầm phổ biến: “Làm việc A theo cách X, rồi B theo cách Y, bắt buộc làm theo thứ tự…”
• Cách đúng: Mô tả kết quả mong muốn (outcome), đặt ràng buộc (guardrails) và tiêu chí hoàn thành (exit criteria), rồi để model tự làm.
• Ví dụ thực tế: Anh đưa một prompt duy nhất “Rewrite the entire Bun runtime (hơn 100.000 dòng Zig) sang Rust” + cho model quyền truy cập test suite. Model chạy 11 ngày, dùng hàng nghìn agent song song, và hoàn thành thành công.

Boris nhấn mạnh: Kỹ năng hiện nay không phải prompt engineering, mà là đưa cho Claude nhiệm vụ hơi khó hơn khả năng bạn nghĩ + cho nó cách tự kiểm tra kết quả.2. Context (Ngữ cảnh) – Cung cấp thông tin đúng lúc, đúng chỗClaude Code hoạt động trong terminal, có quyền đọc codebase, chạy lệnh, dùng tool. Context là toàn bộ thông tin model “nhìn thấy” mỗi lần suy nghĩ:

• Codebase hiện tại, lịch sử git, file liên quan.
• Công cụ (tools) được tích hợp (bash, browser, test runner…).
• Cách tối ưu: Đừng nhồi tất cả mọi thứ vào prompt ngay từ đầu. Hãy để model tự tìm kiếm (query codebase), chỉ đưa những gì cần thiết.

Boris khuyên: Hãy unhobble (bỏ ràng buộc) model. Nhiều sản phẩm AI cũ “hobbling” model bằng giao diện hạn chế (chỉ autocomplete 1 dòng). Claude Code thì cho model quyền viết cả file, cả feature.3. Memory (Bộ nhớ) – Giữ context bền vững giữa các phiênClaude Code vốn không nhớ lâu dài giữa các session. Giải pháp của team Anthropic và Boris:

• File CLAUDE.md (hoặc .claude/CLAUDE.md) đặt trong repo: ghi quy tắc coding, kiến trúc, những lỗi model từng mắc để nó không lặp lại.
• Mỗi khi Claude làm sai → thêm vào CLAUDE.md → lần sau nó biết.
• Các lớp memory khác: Auto-memory, Skills, session files…
• Lời khuyên quan trọng: Cứ khoảng 6 tháng hoặc khi model mới ra, hãy xóa CLAUDE.md / system prompt / skills cũ, chạy lại và chỉ thêm những gì model thực sự cần. Team Claude Code đã xóa 80% system prompt khi chuyển sang Opus 5 vì model đã thông minh hơn, không cần những chỉ dẫn sửa lỗi cũ nữa.

Đây chính là phần “memory” giúp tiết kiệm thời gian lớn nhất: không phải giải thích lại context mỗi lần.4. Results (Kết quả) – Tự kiểm tra + chạy lâu dàiBoris chạy nhiều Claude song song (5 tab terminal + 5-10 trên web), thậm chí hàng trăm đến hàng nghìn agent. Công việc của anh giờ là viết loops / workflows thay vì tự gõ prompt từng cái.

• Cho model cách tự verify (chạy test, so sánh pixel-by-pixel, mở browser kiểm tra UI…).
• Model có thể chạy hàng ngày đến hàng tuần mà không cần người ngồi canh (ví dụ rewrite Electron app sang Swift mất hơn 2 tuần).
• Kết quả: Anh gần như không viết code tay nữa, ship 20-30 PR/ngày, và Claude Code tự viết phần lớn code của chính nó.

Tóm tắt triết lý của Boris

• Model đang tiến bộ rất nhanh → sản phẩm/prompt cũ thường cản trở hơn là hỗ trợ.
• Hãy empirical (thử nghiệm thực tế): Đưa nhiệm vụ khó → quan sát chỗ thất bại → chỉnh sửa → lặp lại.
• Đừng nghe quá nhiều influencer về “mẹo prompt kỳ diệu”. Không có mẹo nào cả.
• Mục tiêu cuối: Xây hệ thống (loops → workflows → graphs) để agent tự điều phối lẫn nhau, còn bạn chỉ review kết quả.

Bài viết này đặc biệt hữu ích cho developer dùng Claude Code hoặc bất kỳ agent coding nào, vì nó đến từ người xây dựng công cụ, chứ không phải người bán khóa học. Công thức prompt → context → memory → results chính là cách chuyển từ “chat với AI” sang “quản lý đội quân agent” hiệu quả.

 Link  trên X  

(BYC)