# Muốn agent làm đúng thì hãy xây knowledge trước. NVIDIA làm việc đó cho database, còn mình làm cho knowledge nằm trong văn bản

Source: https://www.jang.work/writing/muon-agent-lam-dung-thi-xay-knowledge-truoc

> **English summary (Build the Knowledge Layer First: Verified Text Knowledge Packs vs. NVIDIA Auto Ontology for AI Agents):** Why AI agents hallucinate domain facts and how Knowledge Builder compiles source-quoted, ontology-structured, machine-verified Markdown knowledge packs for unstructured documents, compared with NVIDIA Auto Ontology for SQL databases.
> **Published:** 2026-11-16 · **Language:** Vietnamese (`vi`) · **Topics:** AI agents, knowledge engineering, ontology, RAG, NVIDIA Auto Ontology, Knowledge Builder, hallucination prevention
Knowledge cho agent

## Muốn agent làm đúng thì hãy xây knowledge trước. NVIDIA làm việc đó cho database, còn mình làm cho knowledge nằm trong văn bản

AI trả lời sai nhiều khi không phải vì nó kém, mà vì nó không biết những điều chỉ người trong nghề mới biết. Bài này kể cách ghi những điều đó ra để AI dùng được, và cách biết chỗ nào đã đáng tin.

Jang · 16/11/2026

Thử hình dung bạn có một agent, tức một chương trình AI tự làm việc qua nhiều bước. Bạn hỏi nó tháng 6 năm ngoái cửa hàng bán được bao nhiêu. Agent trả ngay một con số rất tự tin, còn bạn thì khó biết con số đó có đúng không.

Một câu hỏi, một con số tự tin, và không có gì để kiểm

Trợ lý

Tháng 6 năm ngoái cửa hàng bán được bao nhiêu?

Tháng 6 năm ngoái cửa hàng bán được 1.284 đơn.

Hỏi tiếp

Câu trả lời không kèm nguồn, cũng không nói đơn tính theo ngày đặt hay ngày giao.

Bài này viết cho người giao việc cho AI mỗi ngày, như giáo viên, kế toán, người làm marketing hay quản lý dự án.

Gần đây mình chú ý tới Auto Ontology, một công cụ NVIDIA đưa lên GitHub, nơi các nhóm phần mềm chia sẻ code. Công cụ này nói về nghĩa của dữ liệu trong database, tức nơi lưu dữ liệu thành các bảng có hàng và cột. Đọc trang giới thiệu của Auto Ontology, mình thấy lại điều mình vẫn tin.

Muốn agent làm đúng thì việc đầu tiên phải là xây knowledge, tức phần tri thức mà agent đọc được. Nhưng khi bắt tay vào làm, ai cũng vướng bốn câu hỏi:

- [1 Xây thế nào?](#xay-the-nao)

- [2 Ontology ra sao, tức knowledge đó sắp xếp thế nào?](#ontology-ra-sao)

- [3 Kiểm chứng thế nào?](#kiem-chung)

- [4 Quản lý thế nào?](#quan-ly-the-nao)

Auto Ontology trả lời bốn câu đó cho database. Knowledge Builder, công cụ mình làm, trả lời bốn câu đó cho phần knowledge nằm trong văn bản, như kế hoạch hay hợp đồng. Gần cuối bài, mình cho bạn xem công cụ này chấm bộ knowledge đầu tiên của chính mình ra sao.

## Agent chỉ đúng trong phạm vi knowledge mà nó đọc được

Giả sử ba team cùng trả lời câu “doanh thu tháng 6 là bao nhiêu”.

Cùng một câu hỏi, ba câu trả lời đều đúng

Ai đang hỏi?

Trợ lý

Doanh thu tháng 6 là bao nhiêu?

Doanh thu tháng 6 là 1,92 tỷ đồng .

Team bán hàng tính theo đơn đặt hàng.

Doanh thu tháng 6 là 1,78 tỷ đồng .

Team kế toán tính theo hóa đơn đã xuất.

Doanh thu tháng 6 là 1,96 tỷ đồng .

Team tài chính cũng lấy hóa đơn đã xuất, nhưng cộng cả thuế.

Hỏi tiếp

Câu hỏi giữ nguyên ở cả ba lượt hỏi.

Ba con số đều đúng theo cách tính của từng team, còn agent không biết ai hỏi nên phải đoán. Agent đang thiếu một thứ. Để chỉ ra thứ đó, mình chia knowledge thành ba bậc, bậc sau thêm vào bậc trước:

- Bậc một là danh sách, như khách hàng và hóa đơn.
- Bậc hai là phân loại, như hóa đơn bán lẻ và hóa đơn bán buôn.
- Bậc ba là ontology, tức hai bậc trên có thêm quan hệ và rule. Quan hệ là chỗ nối giữa hai thứ, như mỗi hóa đơn thuộc về một khách hàng. Rule là điều kiện luôn phải đúng, như một hóa đơn không thuộc về hai khách hàng.

Ontology vì vậy là tấm bản đồ dùng chung. Bản đồ ghi từng term, tức từng chữ có định nghĩa riêng trong công ty như “doanh thu”. Với mỗi term, bản đồ ghi nó nghĩa là gì và nối với thứ gì. Với ba team ở trên, bản đồ ghi rõ “doanh thu” tính theo cách nào, nên agent không phải đoán.

Thử với một ví dụ minh họa nữa. Một cô giáo lớp 4 nhờ agent soạn đề cương ôn tập cuối học kì môn Toán. Đề cương có một dạng bài lớp cô chưa học, vì agent giỏi Toán nhưng không biết lớp cô học tới đâu. Ba bậc cho việc của cô là:

Ba bậc knowledge, ví dụ của cô giáo và của cửa hàng

Bậc một

Danh sách

Các bài học trong học kì

Khách hàng và hóa đơn

Bậc hai

Phân loại

Mỗi bài thuộc một chủ đề

Hóa đơn bán lẻ và hóa đơn bán buôn

Bậc ba

Quan hệ và rule

Câu hỏi ôn tập Bài học

Rule Chỉ lấy câu hỏi từ bài lớp đã học

Hóa đơn Khách hàng

Rule Một hóa đơn không thuộc về hai khách hàng

Cùng ba bậc, hai ví dụ.

Đọc ba bậc của cô giáo bằng chữ

- Bậc một là danh sách các bài học trong học kì.
- Bậc hai là phân loại, mỗi bài thuộc một chủ đề.
- Bậc ba là ontology, tức mỗi bài nối với một yêu cầu của chương trình và mỗi câu hỏi ôn tập nối với một bài. Rule ở đây là đề cương chỉ lấy câu hỏi từ bài mà lớp đã học.

Thứ còn thiếu là mấy dòng knowledge đó, không phải một AI giỏi Toán hơn. Ba nghề khác cũng có một chữ dễ bị hiểu sai và một rule cần ghi lại. Mỗi công ty tự chọn rule của mình, và ba dòng trong bảng dưới đây là ví dụ minh họa:

Một chữ dễ hiểu sai, và rule mà công ty ghi lại cho chữ đó

-

-

-

Bấm vào thẻ để lật.

Xem bảng ba nghề

| Nghề | Chữ dễ bị hiểu sai | Rule công ty chọn và ghi lại |
| --- | --- | --- |
| Kế toán, khi lập báo cáo doanh thu | “Doanh thu” tính lúc xuất hóa đơn hay lúc thu tiền | Doanh thu tính theo ngày xuất hóa đơn, và mỗi hóa đơn thuộc về một kỳ báo cáo |
| Marketing, khi báo cáo chiến dịch | “Lead”, tức khách hàng tiềm năng, là người điền form hay người đội bán hàng đã xác nhận | Lead là người đội bán hàng đã xác nhận, và mỗi lead chỉ tính cho một chiến dịch |
| Quản lý dự án, khi báo cáo tiến độ | “Xong” là làm xong hay khách hàng đã nghiệm thu | Việc chỉ là xong khi khách hàng đã nghiệm thu |

Cô giáo và ba nghề vừa kể có một điểm chung. Phần knowledge của cả bốn nghề nằm trong văn bản, như kế hoạch dạy học hay hợp đồng, chứ không nằm trong database.

## Auto Ontology của NVIDIA trả lời cả bốn câu hỏi, nhưng chỉ cho database

Minh họa tạo bằng AI (Google Flow, Nano Banana 2.1 ): một tủ hồ sơ, và tấm bản đồ chỉ ngăn nào chứa gì. Hình không mang số liệu.

Auto Ontology đặt giữa agent và database một lớp ghi nghĩa của dữ liệu, gọi là lớp ngữ cảnh. Nhờ lớp này, agent biết dữ liệu có nghĩa gì.

- Xây thế nào? Code, tức phần chương trình chạy theo lệnh viết sẵn và không phải AI, đọc tên bảng và tên cột. Model, tức chương trình AI viết chữ, viết bản nháp nghĩa của term và đoán chỗ nối giữa các bảng. Người sửa rồi đánh dấu đã duyệt.
- Ontology ra sao? Bản đồ ghi term, công thức tính và quan hệ giữa các bảng. Khi agent trả lời, code tìm đường nối giữa các bảng, không phải model.
- Kiểm chứng thế nào? Với mỗi chỗ nối model đoán, code thử ghép hai bảng thật. Code chỉ giữ chỗ nối nào ghép ra ít nhất một dòng dữ liệu. Agent dùng bản người đã sửa từ câu hỏi kế tiếp. Còn dấu đã duyệt chỉ là nhãn cho người xem. Theo tài liệu của NVIDIA, dấu đó không đổi cách agent tra cứu.
- Quản lý thế nào? Bản đồ nằm trong một database, và người sửa bản đồ qua giao diện web.

- 1 Code Đọc tên bảng và tên cột
- 2 Model Viết bản nháp nghĩa của term và chỗ nối
- 3 Người Sửa rồi đánh dấu đã duyệt

Auto Ontology dựng bản đồ qua ba bước. Model chỉ viết bản nháp ở bước 2, còn người mới là bên chốt. Agent dùng bản sửa của người từ câu hỏi kế tiếp.

Auto Ontology còn có một bước chấm xem bản đồ đã đủ cho câu hỏi chưa, dành cho agent khác gọi vào từ bên ngoài. Nếu bản đồ thiếu thứ câu hỏi nhắc tới, agent đó hỏi lại người dùng thay vì đoán.

Đã có người thử Auto Ontology và kể lại. Syed Humair, một người làm video trên YouTube, thử công cụ này trong [một video](https://www.youtube.com/watch?v=Zksf5xKOo-s) của ông.

Với câu hỏi về doanh thu, cứ khoảng ba lần ông hỏi thì agent sai một lần. Sau đó ông viết tay một câu lệnh mẫu, tức câu lệnh lấy con số doanh thu từ database. Ông kèm một ghi chú nói doanh thu nghĩa là gì. Trong các lần thử sau đó, agent đều trả lời đúng.

Số của người khác

Có câu lệnh mẫu, các lần thử sau đều đúng

Chưa có câu lệnh mẫu

Khoảng ba lần hỏi, một lần sai

Có câu lệnh mẫu

Các lần thử sau đều đúng

Nguồn: video của Syed Humair. Hình vẽ theo lời kể trong video, mình không chạy lại.

Ông thử tiếp trên 11 model và tự nói đây chỉ là một phép thử nhanh. Ở lượt thử này, gần như model nào cũng sai khi không có câu lệnh mẫu và đúng khi có. Trong lượt thử đó, chính phần nghĩa do người viết ra đã sửa được câu trả lời, không phải một model mạnh hơn.

## Nhiều knowledge nằm trong văn bản chứ không nằm trong database, nên mình làm Knowledge Builder cho phần đó

Auto Ontology chỉ làm việc với dữ liệu đã xếp thành bảng trong database. Còn quy trình, kế hoạch dạy học, nghiên cứu và hợp đồng thì là văn xuôi. Văn xuôi không có tên bảng hay tên cột để code đọc, cũng không có dòng dữ liệu nào để nối thử.

Cùng một điều, trong bảng và trong văn xuôi

| Bài | Chủ đề | Tuần |
| --- | --- | --- |
| | | |
| 12 | Phân số | 9 |
| | | |
| | | |
| | | |

Code đọc được tên cột

Kế hoạch dạy học Toán lớp 4

Sang tuần 9 , lớp học bài 12 về phân số, sau khi ôn xong phép chia.

Không có tên cột nào để code đọc

Hai bên nói cùng một điều: bài 12 về phân số học vào tuần 9 .

Knowledge Builder là công cụ mình làm cho phần đó. Ý chính của công cụ là một phát biểu (claim) chỉ đáng tin khi đi kèm câu trích nguyên văn từ nguồn. Công cụ gom các claim thành một pack, tức một bộ knowledge. Một bước kiểm cuối, gọi là gate, quyết định pack đã đủ để dừng nghiên cứu hay chưa.

Knowledge Builder có hai phần. Phần công cụ là code chạy trên máy bạn, còn phần skill là bộ hướng dẫn dạy agent quy trình làm việc. Knowledge Builder không dành cho bí mật hay dữ liệu cá nhân.

Auto Ontology có mấy thứ mà Knowledge Builder chưa có, như giao diện web, phân quyền cho từng người và các database nối sẵn. Hai công cụ không cạnh tranh nhau, vì một bên dành cho database và một bên dành cho văn bản.

## Xây thế nào? Agent đi nghiên cứu, nhưng mỗi claim phải trích nguyên văn một nguồn mà công cụ đã lưu lại

Minh họa tạo bằng AI (Google Flow, Nano Banana 2.1 ): nguồn nằm yên sau kính, thẻ chỉ chép một dòng. Hình không mang số liệu.

Quay lại cô giáo. Nếu cô dùng Knowledge Builder, cô bắt đầu bằng một câu hỏi cô sẽ hỏi agent, như lớp đã học tới bài nào. Công cụ sẽ đóng băng chương trình môn Toán, kế hoạch dạy học và sách giáo khoa. Đóng băng là lưu mỗi nguồn thành một bản mà công cụ không bao giờ ghi đè. Agent sẽ ghi từng atom, tức một câu trích nguyên văn cùng điều agent rút ra từ câu đó.

Công cụ chỉ nâng atom thành claim khi câu trích có thật trong bản đóng băng. Sau đó agent viết tài liệu dùng các claim, và mỗi câu dùng claim phải chỉ tới đúng claim đó.

Cô giáo chỉ là ví dụ, còn các bước trên là cách Knowledge Builder đang chạy thật. Skill còn cấm agent sửa thẳng vào file claim, nên claim nào cũng phải đi qua công cụ. Hình dưới có cả bảy bước, từ lúc người đặt câu hỏi tới lúc gate quyết định. Hình chưa vẽ bước cô giáo duyệt ontology, mục kế tiếp kể bước đó.

- 1 Người Đặt câu hỏi
- 2 Code Đóng băng nguồn
- 3 Agent Ghi atom từ câu trích
- 4 Code Nâng atom thành claim khi câu trích khớp
- 5 Agent Viết tài liệu dùng claim
- 6 Runtime khác Agent trên phần mềm khác chấm lại
- 7 Code Gate quyết định dừng hay đi tiếp

Trong bảy bước, agent làm nghiên cứu chỉ viết ở bước 3 và bước 5. Năm bước còn lại thuộc về người đặt câu hỏi, code, và một agent chạy trên nền khác chấm lại. Mục “Kiểm chứng thế nào?” giải thích vì sao.

## Ontology ra sao? Agent đề xuất, và theo quy tắc của skill, người chủ pack duyệt trước khi agent dựng pack

Nếu cô dựng một pack thì cô là người chủ pack, tức người duyệt ontology của pack. Ontology đó khai báo bốn thứ:

- Object là các loại sự vật, như bài học, chủ đề và câu hỏi ôn tập.
- Property là thuộc tính, như học kì, có giá trị chọn từ danh sách cho trước.
- Link là quan hệ nối hai thứ, như “bài thuộc chủ đề” hay “câu hỏi kiểm tra bài”.
- Action là những kiểu thay đổi mà ontology cho phép ghi vào pack, như nâng một atom thành claim.

Rule của trường không nằm trong bốn thứ đó, và đoạn dưới kể công cụ lưu rule ở đâu. Muốn đổi ontology, agent viết một bản đề xuất kèm lý do. Theo quy tắc của skill, agent chỉ thay ontology đang dùng bằng bản đề xuất sau khi cô giáo duyệt. Công cụ không tự chặn bước này, nên agent và người chủ pack phải tự giữ thứ tự đó.

Ontology khai báo bốn thứ, và agent chờ cô giáo duyệt bản đề xuất

ObjectBài 12PropertyHọc kì một
Linkthuộc
ObjectChủ đề Phân số
ActionNâng atom thành claim

Đề xuất của agent

Thêm link “câu hỏi kiểm tra bài”

Chờ cô giáo duyệt Cô giáo đã duyệt

Bảng là ontology đang dùng, thẻ là bản đề xuất.

Có một giới hạn. Nếu cô ghi rule của trường, công cụ sẽ lưu rule đó thành một claim có câu trích. Nhưng công cụ không tự áp rule đó lên đề cương mà agent soạn. Công cụ chỉ áp các rule của chính nó, như rule câu trích phải khớp nguồn.

## Kiểm chứng thế nào? Không ai tự chấm bài của mình, kể cả agent đã viết ra bài đó

Minh họa tạo bằng AI (Google Flow, Nano Banana 2.1 ): một tấm thẻ đi dọc hàng khay kiểm. Hình không mang số liệu.

### Một câu trích đi qua năm lớp kiểm, rồi gate quyết định pack đã đủ hay chưa

Kế hoạch dạy học Toán lớp 4

Đã đóng băng

Học sinh học xong phép cộng phân số cùng mẫu số trước bài kiểm tra giữa học kì.

Claim

Học sinh học xong phép cộng phân số cùng mẫu số trước bài kiểm tra giữa học kì.

- Câu trích Khớp nguồn

- Nơi xuất bản độc lập Pack có hai nơi

- Mâu thuẫn Không còn mâu thuẫn

- Review của runtime khác Runtime khác đã chấm

- Kiểm lại Tải lại, vẫn khớp

GateXét cả pack

Gate chạy sau cùng, khi năm lớp kiểm đã xong.

Năm lớp đã qua. Gate xét cả pack rồi mới quyết định dừng hay nghiên cứu tiếp.

Claim bị từ chối, chưa vào pack.

Không lớp nào chấm được: điều knowledge nói có đúng với thực tế không

Đoạn bảy trên bảy

- Câu trích. Công cụ không kiểm: điều agent rút ra có đúng không

- Nơi xuất bản độc lập. Công cụ không kiểm: quy tắc hai nơi cho từng claim, chỉ đòi cả pack có hai nơi

- Mâu thuẫn. Công cụ không kiểm: lý do viết ra có thuyết phục không

- Review của runtime khác. Công cụ không kiểm: ai thật sự viết review

Mô tả ngắn: bên trái là một câu trích trong kế hoạch dạy học đã đóng băng. Bên phải là claim chép lại câu đó, với năm lớp kiểm và gate. Cuộn qua bảy đoạn chữ để đi từng bước. Nút Sửa một chữ làm câu trích không còn khớp nguồn, và công cụ từ chối claim ngay. Dòng có biểu tượng con mắt bị gạch là điều công cụ không kiểm được.

Cuộn qua bảy đoạn bên phải bên dưới để đi từng bước. Bấm Sửa một chữ để xem công cụ từ chối claim.

Đoạn một

Công cụ và skill có năm lớp kiểm, và mỗi lớp nhắm vào một loại lỗi.

Đoạn hai

Nếu agent trích một câu mà kế hoạch dạy học không có, công cụ từ chối claim đó. Công cụ chỉ kiểm câu trích có thật trong nguồn, không kiểm điều agent rút ra từ câu trích đó.

Đoạn ba

Nơi xuất bản là người hoặc tổ chức đứng tên trang. Theo skill, claim quan trọng cần ít nhất hai nơi độc lập, như chương trình môn học và kế hoạch của trường. Công cụ không kiểm quy tắc đó cho từng claim, mà chỉ đòi cả pack có ít nhất hai nơi. Ghi chú của chính cô không tính là nơi độc lập.

Đoạn bốn

Agent phải ghi mỗi mâu thuẫn giữa hai nguồn thành một atom riêng. Công cụ chỉ coi một mâu thuẫn là đã giải quyết khi có lý do viết ra hoặc khi một bên bị bỏ.

Đoạn năm

Review là bản chấm lại độc lập. Runtime là phần mềm mà agent chạy bên trong, như Claude Code hay Codex. Runtime viết review phải khác với runtime đã làm nghiên cứu. Review hết hạn khi câu trích, nguồn đã lưu hoặc claim thay đổi sau lúc review.

Đoạn sáu

Khi ai đó chạy lệnh kiểm lại, công cụ tự tải lại từng trang nguồn thay vì tin lời review. Vì vậy, nếu review nói đã thấy câu trích trong nguồn mà thật ra không có, lần kiểm lại sẽ bắt được. Nhưng công cụ không kiểm được ai thật sự viết review.

Đoạn bảy

Cuối cùng, gate quyết định pack đã đủ để dừng hay phải nghiên cứu tiếp. Agent chỉ báo lại quyết định đó. Skill không cho agent tự cấp quyết định “đã đủ”, và cấm agent sửa file để qua gate. Các bước kiểm tự động bắt được lỗi ghi chép, như câu trích không có trong nguồn. Nhưng chúng không chấm được điều knowledge nói ra có đúng với thực tế hay không.

## Quản lý thế nào? Knowledge là file thường trong thư mục bạn chọn, và mỗi lần ghi qua công cụ đều để lại nhật ký

Pack là các file thường nằm trong một thư mục bạn chọn. Nếu bạn đưa thư mục đó vào git, tức công cụ lưu lịch sử file, git sẽ cho bạn thấy từng thay đổi.

Sang học kì hai, kế hoạch dạy học có thể đổi. Nếu cô dùng Knowledge Builder, công cụ sẽ đóng băng bản mới và giữ nguyên bản cũ, còn review cũ hết hạn.

Mỗi lần ghi vào pack qua công cụ đều để lại một dòng nhật ký, và công cụ hoàn tác nếu lần ghi có lỗi. Bạn vẫn sửa được file trực tiếp, nhưng nhật ký không ghi lần sửa đó.

Bản mới vào thư mục, bản cũ nằm yên, nhật ký thêm một dòng

Thư mục pack

Nguồn đã đóng băng

- Kế hoạch dạy học, học kì một Đã đóng băng

- Kế hoạch dạy học, học kì hai Đã đóng băng

Review

- Còn hạn Hết hạn

- Nhật ký lưu nguồn có thêm bản mới, nên review cũ hết hạn.

Claim

-
-
-

Nhật ký

-
-
-
-
-
-
-
-

- Đóng băng kế hoạch học kì một

- Đóng băng kế hoạch học kì hai

Thư mục pack và nhật ký ghi qua công cụ, trong cùng một cửa sổ.

## Pack thật đầu tiên có 197 claim , và gate của chính công cụ nói pack chưa đủ

Minh họa tạo bằng AI (Google Flow, Nano Banana 2.1 ): xấp hồ sơ còn chờ ngoài cổng. Hình không mang số liệu.

Cô giáo ở trên là ví dụ minh họa, còn pack dưới đây là pack thật của mình. Pack này trả lời câu hỏi làm sao giữ được phán đoán của mình khi giao việc cho AI.

Pack có 197 claim lấy từ 80 nguồn , và các nguồn đến từ 49 nơi xuất bản . Bước kiểm tra tổng thể báo 0 lỗi , vì mọi câu trích đều khớp nguồn đóng băng.

### Trong 197 claim , mới có 1 claim dựa trên hai nơi xuất bản

Mỗi chấm là một claim trong pack. Chấm xanh là claim có câu trích từ hai nơi xuất bản khác nhau.

Mô tả ngắn: 196 claim chỉ dựa trên một nơi xuất bản, còn 1 claim dựa trên hai nơi, trong tổng 197 claim .

Xem bảng số liệu

| Nhóm claim | Số claim |
| --- | --- |

Có hai claim dựa trên hai file nguồn. Chỉ một trong hai claim đó có hai file đến từ hai nơi xuất bản khác nhau.

Nguồn: pack knowledge của tác giả, đếm lại bằng script chỉ đọc ngày 16/11/2026.

Nhưng dòng cuối của chính bước kiểm tra đó, bằng tiếng Anh và mình chép nguyên văn, lại nói pack chưa đủ:

### Gate nêu bốn thiếu sót, chưa mục nào được gỡ

Dòng gate dưới đây chép nguyên văn. Mỗi ô rỗng bên dưới là một thiếu sót mà dòng đó nêu.

gate: DEEPEN - Deficiencies detected: Version declared not applicable but the review did not confirm it, Saturation not yet reached (low-delta rounds 0/3, delta 11.7%), A viable probe remains, Independent review has not passed. Probing further.

Công cụ của chính mình nói pack của mình chưa đủ. Muốn nó nói khác, mình phải viết một review giả hoặc tự sửa file ghi tiến độ của lượt nghiên cứu. Skill cấm cả hai việc đó, và review giả không qua được khi chạy kiểm lại. Dòng trên nêu bốn thiếu sót, và chúng có nghĩa như sau:

- Chưa gỡ. Chưa có runtime nào khác viết review. Runtime làm nghiên cứu là Claude Code, nên review phải đến từ một runtime khác.
- Chưa gỡ. Pack chưa bão hòa, tức mỗi vòng nghiên cứu vẫn tìm ra nhiều điều mới. Vòng cuối vẫn thêm 11,7% so với trước đó, nên công cụ chưa coi pack là bão hòa.
- Chưa gỡ. Lượt nghiên cứu chưa ghi rằng đã hết hướng tra cứu, nên gate mặc định coi như vẫn còn một hướng đáng đi tiếp.
- Chưa gỡ. Pack khai báo rằng chủ đề này không phụ thuộc phiên bản phần mềm nào, nhưng chưa có review nào xác nhận khai báo đó.

Mô tả ngắn: dòng gate trả DEEPEN, tức nghiên cứu tiếp, và nêu 4 thiếu sót .

Xem bảng số liệu

| Thiếu sót | Trạng thái |
| --- | --- |

Nguồn: dòng cuối của bước kiểm tra tổng thể trên pack của tác giả. Chép nguyên văn từ kết quả lệnh chỉ đọc ngày 16/11/2026.

### Vòng nghiên cứu cuối vẫn thêm 11,7% , nên pack chưa bão hòa

Mỗi vạch ngang là một atom. Vòng ba, màu cam, thêm 21 atom trên nền 180 atom của hai vòng trước.

Mô tả ngắn: vòng một ghi 141 atom , vòng hai thêm 39 atom và vòng ba thêm 21 atom , tổng cộng 201 atom .

Xem bảng số liệu

| Nhóm | Số lượng |
| --- | --- |

Nguồn: sổ atom của pack knowledge của tác giả, nhóm theo vòng ghi trong từng atom, đếm lại bằng script chỉ đọc ngày 16/11/2026.

Pack còn những chỗ yếu khác:

- Trong 197 claim , mới có 1 claim dựa trên hai nơi xuất bản.
- Hơn một nửa số bản đóng băng lấy từ file có sẵn trên máy. Gate chỉ tính các bản này sau một review, mà chưa có review nào.
- Một mâu thuẫn đã biết giữa hai nghiên cứu mà pack trích vẫn chỉ là một dòng ghi chú, nên gate không thấy nó.
- Mình duyệt ontology sau khi agent dựng xong pack, và quy tắc của skill coi thứ tự đó là một lỗi.
- Mình quyết định tạm dừng nghiên cứu ở mức này, nên pack vẫn ở trạng thái chưa đủ.

### 57 bản trong 110 bản đóng băng lấy từ file có sẵn, còn chờ review

Mỗi vạch là một bản đóng băng. Vạch rỗng là bản lấy từ file có sẵn trên máy.

Mô tả ngắn: 40 bản tải từ web, 57 bản lấy từ file có sẵn, 13 bản là kết quả lệnh. Tổng cộng 110 bản đóng băng . Hàng lấy từ file có sẵn là hàng vạch rỗng.

Xem bảng số liệu

| Nhóm | Số lượng |
| --- | --- |

80 bản gắn với 80 nguồn của pack, mỗi nguồn một bản. 30 bản còn lại có trong nhật ký, nhưng không nguồn nào của pack chỉ tới.

Nguồn: nhật ký lưu nguồn của pack knowledge của tác giả, đếm lại bằng script chỉ đọc ngày 16/11/2026.

## Với design system, mình đã áp dụng ontology trong một dự án thật từ tháng 6/2026

Ngoài văn bản, mình còn áp dụng ontology cho design system, tức bộ thành phần giao diện dùng chung. Mình làm việc đó trong một dự án cho doanh nghiệp lớn từ tháng 6/2026. Phần knowledge của dự án hiện ghi 325 ruling , tức quyết định của người chủ dự án. Gần như ruling nào cũng ghi ngày và phạm vi áp dụng.

### Dự án đã ghi 325 ruling , và 7 ruling trong đó đã bị ruling mới thay

Mỗi vạch là một ruling, tức một quyết định của người chủ dự án. Vạch rỗng là ruling đã bị thay. Thứ tự các vạch không mang nghĩa.

Mô tả ngắn: 325 ruling , trong đó 7 ruling đã bị ruling khác thay.

Xem bảng số liệu

| Nhóm | Số lượng |
| --- | --- |

Nguồn: mình đếm file ruling của dự án ngày 16/11/2026, trên bản code ngày 22/10/2026. Tên dự án không nêu.

Cái mới là mình vừa đóng gói cách làm đó thành một bộ lệnh trong DESIGN:OS, bộ công cụ thiết kế mình phát triển. Nhờ vậy dự án nào cũng dùng được. Mình chưa đo bộ lệnh này làm kết quả của agent đổi ra sao.

## Bạn làm được ba việc ngay hôm nay mà chưa cần công cụ nào

Ba việc làm được ngay hôm nay

- Viết ra nghĩa của năm chữ mà mỗi người trong team hiểu một kiểu, như “doanh thu”, “lead”, “xong” hay “ôn tập”.

- Chỉ định một người chịu trách nhiệm duyệt mỗi nghĩa, và ghi ngày duyệt.

- Dặn agent rằng khi không tìm thấy nghĩa đã ghi thì trả lời là không biết.

Chưa làm việc nào trong ba việc

Pack của mình chưa có review từ runtime khác, và mình chưa đo được Knowledge Builder làm agent trả lời đúng thêm bao nhiêu. Mình vẫn tin rằng muốn agent làm đúng thì việc đầu tiên phải là xây knowledge.

## Người build agent có thể thử Knowledge Builder bằng hai lệnh

Bạn không build agent thì có thể dừng ở đây, vì phần trên đã đủ lập luận. Trong Claude Code, bạn thêm marketplace của repo rồi cài plugin bằng hai lệnh:

Hai lệnh trong Claude Code/plugin marketplace add jangtrinh/design-os-knowledge-builder
/plugin install design-os-knowledge-builder@design-os-knowledge-builder

Sau đó bạn chỉ cần nói với agent chủ đề bạn muốn có knowledge. Skill dẫn agent đi qua các bước còn lại trong hình ở trên. Ví dụ:

Câu nói với agentXây knowledge pack về kế hoạch dạy học môn Toán lớp 4.

Skill chạy trên Claude Code, Codex, Gemini CLI, Antigravity, OpenCode, Cursor và Windsurf. Công cụ chạy trên máy bạn, không gửi telemetry và chỉ dùng mạng khi tải trang web, chạy review hay kiểm lại nguồn. Trong các lệnh dưới đây, kb là python3 -m knowledge_builder.cli .

Các lệnh chính là kb ingest --freeze , kb action promote-claim , kb run review và kb pack check --recheck .

Bốn giá trị của gate gồm STOP_SUFFICIENT để dừng vì đủ, DEEPEN để nghiên cứu tiếp, PAUSE_BUDGET khi hết ngân sách và ABSTAIN_BLOCKED khi bị chặn.

Lệnh kb action promote-claim từ chối atom nếu dấu vân tay (hash) của file nguồn hoặc câu trích không khớp bản đóng băng. Câu trích phải dài ít nhất 6 từ và 30 ký tự . Mỗi action khóa pack, ghi tất cả hoặc không ghi gì, rồi dựng lại danh mục.

Pack đầu tiên của mình có 312 object . Trong đó có 197 claim và 80 nguồn , còn lại là 7 tài liệu và 28 entity . Agent ghi 201 atom , trong đó 4 atom ghi mâu thuẫn giữa các nguồn. Nhật ký action có 2.263 dòng , và nhật ký action bị từ chối có 1 dòng . Nhật ký lưu nguồn ghi 110 bản đóng băng . Trong đó 40 bản tải từ web, 57 bản lấy từ file có sẵn và 13 bản là kết quả lệnh.

Gate chỉ coi pack là bão hòa sau ba vòng liên tiếp có tỷ lệ atom mới thấp. Pack hiện chưa nằm trong git.

Auto Ontology còn có máy chủ MCP cho agent gọi từ ngoài và 10 loại database nối sẵn. Khung chat có sẵn của nó không gọi bước chấm bản đồ đã đủ hay chưa. Nó cũng có một bộ đo chạy cùng một model hai lần, một lần có và một lần không có lớp ngữ cảnh. Trang giới thiệu của bộ đo không in kết quả độ chính xác nào.

Bộ lệnh ui ontology của DESIGN:OS, thêm vào ngày 11 và 12/11/2026, có ba lệnh là build, lint và query. Cả ba đều không gọi model nào.

Theo cách đọc của mình, thuật ngữ của hai công cụ khớp nhau như sau:

| Trong Auto Ontology | Trong Knowledge Builder |
| --- | --- |
| Term, tức chữ có định nghĩa riêng | Entity và tài liệu |
| Thuộc tính SQL đã duyệt | Claim có câu trích |
| Chỗ nối giữa các bảng | Link có kiểu khai báo trước |
| Dấu đã duyệt (certified) | Người chủ pack duyệt ontology, một runtime khác review |

Đặt cạnh nhau theo bốn câu hỏi, thêm một dòng về nguồn và một dòng về lúc chưa đủ, hai công cụ làm như sau:

| Câu hỏi | Auto Ontology | Knowledge Builder |
| --- | --- | --- |
| Nguồn là gì | Schema, khóa, giá trị mẫu và lịch sử query | Trang web, tài liệu và kết quả lệnh chạy trên máy |
| Xây thế nào | Code đọc, model viết nháp, người sửa | Agent ghi atom, code đóng băng nguồn và nâng atom thành claim, người chủ pack duyệt ontology |
| Ontology ra sao | Term, thuộc tính SQL, quan hệ | Object, property, link, action |
| Kiểm chứng thế nào | Code nối thử ra một dòng dữ liệu thật, và agent chấm độ phủ (coverage) qua MCP | Câu trích có trong nguồn đóng băng, runtime khác review |
| Quản lý thế nào | Postgres và giao diện web | Pack là file thường trong thư mục người dùng chọn. Mỗi action để lại một dòng nhật ký, và lệnh tra cứu từ chối chạy khi danh mục đã cũ |
| Khi chưa đủ thì sao | Agent nối từ ngoài vào qua MCP thấy độ phủ thấp thì hỏi lại người dùng | Gate trả DEEPEN và nêu thiếu gì |

Repo của Knowledge Builder nằm ở [github.com/jangtrinh/design-os-knowledge-builder](https://github.com/jangtrinh/design-os-knowledge-builder).

## Nguồn

Mình đọc các trang dưới đây ngày 16/11/2026.

- [NVIDIA, auto-ontology](https://github.com/NVIDIA/auto-ontology): các số về Auto Ontology lấy từ README, trang docs/architecture.md, code và GitHub API, đọc ngày 16/11/2026.
- [NVIDIA, auto-ontology-eval](https://github.com/NVIDIA/auto-ontology-eval): README của bộ đo chạy cùng một model hai lần.
- [Syed Humair, NVIDIA Auto Ontology: Give Your AI a Map of Your Database (Free)](https://www.youtube.com/watch?v=Zksf5xKOo-s), thử nghiệm với database mẫu, đọc qua phụ đề tiếng Anh.
- [jangtrinh, design-os-knowledge-builder](https://github.com/jangtrinh/design-os-knowledge-builder): repo của Knowledge Builder, cùng tài liệu skill của nó.
- [jangtrinh, design-os](https://github.com/jangtrinh/design-os): repo của ui ontology .
- Bài của mình, [“Design system thôi chưa đủ: để suy luận và ra quyết định, AI cần thêm layer ontology”](https://www.jang.work/writing/design-system-thoi-chua-du), ngày 11/11/2026.

Số liệu về Knowledge Builder và pack lấy từ README của repo, tài liệu của skill và kết quả các lệnh chỉ đọc ngày 16/11/2026. Số về dự án enterprise đếm từ file ruling của dự án cùng ngày. Số liệu trong video là của người làm video, và mình không chạy lại. Các ví dụ về giáo viên, kế toán, marketing và quản lý dự án là ví dụ minh họa do mình đặt ra.

Mình chưa dựng pack nào cho bốn nghề này.

Nội dung: Jang · Dữ liệu: Jang · Đồ họa: Jang

Hỗ trợ AI: các hình minh họa tạo bằng AI trên Google Flow, ảnh tĩnh bằng model Nano Banana 2.1. Gồm hai ảnh đầu bài và bốn ảnh mở chương: tủ hồ sơ, khung kính, bàn kiểm và cổng trường. Claude dựng trang và kiểm lại số đếm. Jang kiểm chứng số liệu.

Biểu đồ dựa trên lieflat-charts (躺在废墟里, PolyForm Noncommercial)

## Về dữ liệu và phương pháp

- Nguồn: pack knowledge của tác giả về cách giữ phán đoán khi giao việc cho AI, dựng bằng Knowledge Builder. Pack nằm trên máy tác giả và chưa công khai; bài chỉ công bố số đếm, đếm lại ngày 16/11/2026.

- Đơn vị phân tích: claim cho biểu đồ nơi xuất bản; atom, bản đóng băng và ruling cho ba biểu đồ còn lại. Nơi xuất bản là người hoặc tổ chức đứng tên nguồn, đếm theo tên ghi trên từng file nguồn.

- Xử lý: đếm bằng script Python chỉ đọc, không chạy lệnh nào của Knowledge Builder và không ghi gì vào pack. Kết quả thô lưu cùng bản thảo, không đăng kèm.

- Giới hạn: tên nơi xuất bản không được gộp, nên hai cách viết khác nhau của cùng một tổ chức vẫn tính là hai nơi.

- Số về Auto Ontology lấy từ trang giới thiệu, tài liệu kiến trúc, code và GitHub API của NVIDIA, đọc ngày 16/11/2026. Số trong video là của người làm video, tác giả không chạy lại, và bài không vẽ phép thử 11 model thành biểu đồ.

- Số atom theo vòng lấy từ trường vòng ghi trong từng atom của pack. Số bản đóng băng lấy từ nhật ký lưu nguồn, theo nơi lấy của từng bản.

- Số ruling của dự án thiết kế là 325, đếm trên file ruling của dự án, và tên dự án không nêu. Số này nói về lượng quyết định được ghi lại, chưa nói gì về chất lượng câu trả lời của agent.

- Cô giáo, cửa hàng, ba team, ba nghề, hai khung chat và thư mục pack là ví dụ minh họa do mình đặt ra. Câu trích trong hình năm lớp kiểm cũng là ví dụ, chưa phải kết quả đo. Năm lớp kiểm và gate là cách công cụ chạy thật.

- Các hình minh họa do AI tạo trên Google Flow (ảnh tĩnh bằng Nano Banana 2.1) và chỉ để minh họa.
