#Aiarchitecture

LLM Wiki là pattern biến codebase thành "living knowledge base" – AI đọc một lần, nhớ mãi, kiến thức tích lũy theo thời gian. Khác với RAG truyền thống, LLM Wiki compound knowledge: mỗi lần hỏi đều thông minh hơn lần trước. Tôi nhớ lần đầu tiên tiếp cận một codebase e-commerce 5 năm tuổi. Hệ thống đang chạy ổn định, team cũ đã nghỉ gần hết, và tôi được giao nhiệm vụ thêm một tính năng tưởng đơn giản: hiển thị trạng thái tồn kho real-time trên trang sản phẩm. Ba ngày sau, tôi vẫn còn ngồi đọc code. Không phải vì code xấu. Mà vì không ai – kể cả những dev còn lại trong team – có thể giải thích được tại sao InventoryService lại gọi thẳng vào một endpoint của OrderService thay vì dùng shared database. Confluence có một trang wiki viết năm 2021 với nội dung "TODO: update this section." File README chỉ có hướng dẫn setup môi trường local. Đó là lần đầu tôi thực sự hiểu cái gọi là tribal knowledge – kiến thức nằm trong đầu người, không phải trong code.

Năm 2026, AI agents đang bùng nổ và nhiều người vội vã tuyên bố "prompt engineering đã chết". Sai hoàn toàn. Chain of Thought, flipping roles — những kỹ thuật cơ bản đó vẫn còn sống, chỉ là giờ chúng ta không chạy 1 luồng nữa, mà chạy song song 40 luồng cùng lúc. Bài này là câu chuyện về sự tiến hóa đó. Hôm rồi tôi ngồi cà phê với một ông bạn — tôi gọi anh là Khoa cho tiện — senior developer 6 năm, đang chuyển sang làm AI engineer ở một startup khá hot trong nước. Anh mở màn bằng một câu khiến tôi suýt đổ cà phê: "Anh ơi, prompt engineering giờ chết rồi. Giờ phải học AI agents mới là đúng hướng." Tôi nhìn anh, hỏi: "Chết theo nghĩa nào?" Anh giải thích: "Thì giờ người ta build hệ thống multi-agent rồi, AI tự lo với nhau, mình chỉ cần thiết kế workflow là xong. Ai còn ngồi viết prompt thủ công nữa?" Tôi im lặng một lúc, rồi hỏi ngược: "Thế mấy cái agent đó nó tự nhiên biết làm việc không? Hay vẫn cần ai đó chỉ cho nó cách nghĩ?" Anh Khoa dừng lại. Ừ nhỉ.

Microsoft vừa đồng loạt ship một loạt sản phẩm AI trong Q1/2026 - từ Phi-4 chạy local không tốn cloud, đến GitHub Copilot Agent Mode tự resolve issue và tạo PR, đến Azure AI Foundry GA cho production. Là dev .NET 20 năm, tôi thấy đây là lần đầu tiên Microsoft không chỉ ra mắt feature - họ đang xây cả một hệ sinh thái.

AI coding tools đã qua 3 giai đoạn: autocomplete → chat → pair programmer chủ động. Ở mỗi giai đoạn, kỹ năng developer cần không phải là "viết code giỏi hơn" - mà là "nhìn nhận vấn đề sâu hơn". Bài này là roadmap thực tế từ 20 năm kinh nghiệm + 2 năm dùng AI hàng ngày.

Không có một LLM nào tốt nhất cho mọi use case. Dùng nhiều models - đúng model, đúng task - là pattern đang emerge trong production AI systems. Đây là framework tôi đang dùng sau nhiều tháng thực chiến.

RAG pipeline trên cloud thì nhiều tutorial. Nhưng khi bạn build cho hệ thống chính phủ - không được phép gửi data ra ngoài, network isolated, model phải run on-premise - mọi thứ khác hoàn toàn. Đây là những gì tôi học được từ dự án thực tế.

Bạn đang dùng Episerver Find và muốn cải thiện search quality với AI? Đừng rewrite toàn bộ. Có một con đường từng bước - từ keyword search → hybrid search → semantic search - mà không cần phá vỡ hệ thống đang chạy ổn.