Khám phá sâu về kỹ thuật bối cảnh cho AI. Hướng dẫn này bao quát các nguyên lý cốt lõi, từ prompt so với context đến các chiến lược nâng cao như quản lý bộ nhớ, context rot và thiết kế đa agent.
Bức tranh phát triển AI đã trải qua một sự chuyển mình sâu sắc. Nếu trước đây chúng ta chỉ tập trung vào việc tạo prompt hoàn hảo, thì nay thử thách lớn hơn nhiều: xây dựng toàn bộ kiến trúc thông tin bao quanh và tăng cường cho mô hình ngôn ngữ.
Sự chuyển đổi này đánh dấu bước tiến từ prompt engineering sang kỹ thuật bối cảnh—và nó chính là tương lai của phát triển AI thực tiễn. Những hệ thống tạo ra giá trị thật ngày nay không dựa vào prompt thần kỳ. Chúng thành công vì kiến trúc sư biết cách phối hợp một hệ sinh thái thông tin toàn diện.
Andrej Karpathy đã diễn tả hoàn hảo sự tiến hóa này khi ông cho rằng kỹ thuật bối cảnh là thực hành tỉ mỉ nhằm đưa đúng thông tin vào cửa sổ context, đúng thời điểm. Nhìn có vẻ đơn giản, nhưng lại hàm chứa một chân lý: LLM không còn là ngôi sao duy nhất. Nó là một thành phần then chốt trong hệ thống nơi mọi thông tin—từng mảnh ký ức, từng mô tả công cụ, từng tài liệu truy xuất—đều được sắp đặt có chủ đích để tối ưu kết quả.
Gốc rễ của kỹ thuật bối cảnh sâu xa hơn đa số nghĩ. Dù prompt engineering bùng nổ khoảng 2022-2023, nhưng các nguyên lý nền tảng của kỹ thuật bối cảnh đã xuất hiện hơn hai thập kỷ trước từ nghiên cứu về ubiquitous computing và tương tác người-máy.
Năm 2001, Anind K. Dey đã đưa ra một định nghĩa cực kỳ tiên đoán: bối cảnh bao gồm mọi thông tin giúp mô tả tình huống của một thực thể. Khuôn khổ ban đầu này đặt nền móng cho cách chúng ta nghĩ về việc máy hiểu môi trường.
Sự phát triển của kỹ thuật bối cảnh diễn ra qua nhiều giai đoạn, mỗi giai đoạn được định hình bởi tiến bộ của trí tuệ máy:
Kỷ nguyên 1.0: Tính toán sơ khai (1990s-2020) — Trong suốt thời gian này, máy chỉ xử lý được dữ liệu có cấu trúc và tín hiệu môi trường đơn giản. Con người phải chuyển đổi hoàn toàn bối cảnh thành dạng máy xử lý được. Hãy hình dung ứng dụng desktop, mobile có cảm biến, chatbot sơ khai với kịch bản cứng nhắc.
Kỷ nguyên 2.0: Trí tuệ tập trung vào agent (2020–Hiện tại) — Sự ra đời của GPT-3 năm 2020 tạo nên bước ngoặt. Các mô hình ngôn ngữ lớn mang lại khả năng hiểu ngôn ngữ tự nhiên thật sự và xử lý ý định ngầm. Kỷ nguyên này cho phép hợp tác người-agent thực sự, khi sự mơ hồ và thiếu dữ liệu trở nên có thể kiểm soát nhờ hiểu ngôn ngữ nâng cao và học trong ngữ cảnh.
Kỷ nguyên 3.0 & 4.0: Trí tuệ người và siêu người (Tương lai) — Các làn sóng tiếp theo hướng tới hệ thống có thể cảm nhận, xử lý thông tin phức tạp với sự linh hoạt như con người, tiến tới không chỉ phản ứng mà còn chủ động xây dựng bối cảnh và phát hiện nhu cầu chưa được diễn đạt.
Về bản chất, kỹ thuật bối cảnh là ngành khoa học hệ thống thiết kế và tối ưu hóa dòng chảy thông tin ngữ cảnh qua các hệ thống AI—từ thu thập, lưu trữ, quản lý cho đến sử dụng cuối cùng nhằm tăng cường hiểu biết máy và thực thi nhiệm vụ.
Có thể biểu diễn toán học như một hàm chuyển đổi:
$CE: (C, T) \rightarrow f_{context}$
Trong đó:
Triển khai thực tế gồm bốn thao tác nền tảng:
Kỹ thuật bối cảnh giải quyết sự bất đối xứng căn bản trong giao tiếp người-máy. Khi con người nói chuyện, chúng ta tự động lấp đầy khoảng trống nhờ kiến thức văn hóa, trí tuệ cảm xúc, và nhận thức tình huống. Máy không có các khả năng này.
Khoảng cách này thể hiện dưới dạng entropy thông tin. Giao tiếp của con người hiệu quả vì chúng ta mặc định có lượng lớn bối cảnh chung. Máy cần mọi thứ phải được diễn đạt rõ ràng. Kỹ thuật bối cảnh thực chất là xử lý trước bối cảnh cho máy—nén sự phức tạp cao (entropy lớn) của ý định, tình huống thành biểu diễn đơn giản máy có thể hiểu.
Khi trí tuệ máy tiến bộ, việc giảm entropy này sẽ ngày càng được tự động hóa. Hiện tại (Kỷ nguyên 2.0), kỹ sư phải chủ động tổ chức phần lớn quá trình này. Ở Kỷ nguyên 3.0 trở đi, máy sẽ dần đảm nhận phần lớn gánh nặng. Nhưng thử thách cốt lõi vẫn không thay đổi: nối liền khoảng cách giữa phức tạp của con người và khả năng hiểu của máy.
Một nhầm lẫn phổ biến là gộp hai lĩnh vực này. Thực tế, chúng là hai cách tiếp cận kiến trúc hệ thống AI hoàn toàn khác biệt.
Prompt engineering tập trung vào thiết kế từng chỉ dẫn hoặc truy vấn để điều chỉnh hành vi mô hình. Nó tối ưu cấu trúc ngôn ngữ—cách diễn đạt, ví dụ, và mô hình suy luận trong một lần tương tác.
Kỹ thuật bối cảnh là ngành hệ thống toàn diện quản lý mọi thứ mô hình tiếp nhận trong quá trình suy luận—bao gồm prompt, tài liệu truy xuất, hệ thống bộ nhớ, mô tả công cụ, thông tin trạng thái, v.v.
Hãy phân biệt: Yêu cầu ChatGPT viết email chuyên nghiệp là prompt engineering. Xây dựng nền tảng chăm sóc khách hàng lưu lịch sử hội thoại nhiều phiên, truy cập thông tin tài khoản, ghi nhớ ticket hỗ trợ trước đó—đó là kỹ thuật bối cảnh.
| Khía cạnh | Prompt Engineering | Kỹ Thuật Bối Cảnh |
|---|---|---|
| Trọng tâm | Tối ưu hóa từng chỉ dẫn | Hệ sinh thái thông tin toàn diện |
| Phạm vi | Từ ngữ, diễn đạt, ví dụ | Công cụ, bộ nhớ, kiến trúc dữ liệu |
| Tồn tại | Không lưu trạng thái | Có trạng thái, duy trì bộ nhớ lâu dài |
| Khả năng mở rộng | Hạn chế, dễ vỡ khi mở rộng | Rất mở rộng và vững chắc |
| Phù hợp nhất cho | Tác vụ đơn lẻ, sinh nội dung | Ứng dụng AI thực tế, quy mô lớn |
| Độ phức tạp | Thấp, dễ tiếp cận | Cao—yêu cầu kiến thức thiết kế hệ thống |
| Độ tin cậy | Không ổn định khi mở rộng | Ổn định và đáng tin cậy |
| Bảo trì | Dễ gãy khi thay đổi yêu cầu | Dễ bảo trì, mô-đun hóa |
Điểm mấu chốt: Ứng dụng LLM thực tế quy mô lớn hầu như luôn cần kỹ thuật bối cảnh, không chỉ prompt khéo léo. Như Cognition AI từng nhận định, kỹ thuật bối cảnh đã trở thành nhiệm vụ chính của kỹ sư khi xây dựng agent AI.
Khắp các hệ thống AI hàng đầu—Claude, ChatGPT đến agent chuyên dụng của Anthropic và các phòng lab tiên phong—bốn chiến lược cốt lõi đã định hình cho quản lý context hiệu quả. Chúng có thể áp dụng riêng lẻ hoặc phối hợp để tăng hiệu quả.
Nguyên tắc nền tảng rất đơn giản: không bắt mô hình phải nhớ mọi thứ. Thay vào đó, lưu trữ thông tin quan trọng ngoài context window để dễ dàng truy xuất khi cần.
Scratchpad là cách trực quan nhất. Như con người ghi chú khi giải quyết vấn đề, agent AI dùng scratchpad để lưu thông tin phục vụ về sau. Có thể là công cụ agent gọi để lưu chú thích, hoặc trường trong đối tượng trạng thái runtime lưu trữ qua nhiều bước thực thi.
Nghiên cứu multi-agent của Anthropic thể hiện rất rõ: LeadResearcher khởi đầu bằng việc lên kế hoạch và lưu vào Memory để đảm bảo dù context window vượt 200.000 tokens và bị cắt, kế hoạch vẫn được giữ.
Bộ nhớ (Memories) mở rộng scratchpad qua nhiều phiên. Thay vì chỉ lưu trong một phiên (bộ nhớ theo session), hệ thống có thể xây dựng bộ nhớ lâu dài phát triển theo thời gian qua nhiều lần tương tác. Mô hình này đã thành chuẩn trong ChatGPT, Claude Code, Cursor, Windsurf.
Dự án như Reflexion tiên phong bộ nhớ phản chiếu—agent tự phản tư sau mỗi bước và sinh memory cho tương lai. Generative Agents mở rộng bằng cách tổng hợp memory định kỳ từ phản hồi quá khứ.
Ba loại bộ nhớ:
Khi đã lưu trữ, agent phải truy xuất đúng cái cần cho tác vụ hiện tại. Lựa chọn sai còn tệ hơn không có memory—thông tin không liên quan có thể gây nhiễu hoặc sinh ảo tưởng.
Cơ chế chọn bộ nhớ:
Cách đơn giản là luôn kèm file hẹp. Claude Code dùng file CLAUDE.md cho procedural memory, Cursor và Windsurf dùng file rules. Tuy nhiên, cách này không mở rộng được khi agent có hàng trăm fact và mối quan hệ.
Với bộ nhớ lớn, retrieval dựa trên embedding và knowledge graph rất phổ biến. Hệ thống chuyển đổi memory và truy vấn thành vector, rồi truy xuất memory gần nhất về mặt ngữ nghĩa.
Dẫu vậy, như Simon Willison đã minh chứng tại AIEngineer World’s Fair, cách này có thể thất bại bất ngờ. ChatGPT từng lấy nhầm vị trí của ông từ memory vào ảnh sinh ra, cho thấy ngay cả hệ thống tinh vi cũng chọn nhầm memory. Điều này chứng tỏ sự cần thiết của kỹ thuật tỉ mỉ.
Chọn công cụ (Tool Selection) có thách thức riêng. Khi agent có hàng chục, hàng trăm công cụ, liệt kê tất cả sẽ gây nhiễu—mô tả trùng lặp làm model chọn nhầm. Giải pháp hiệu quả: áp dụng nguyên lý RAG cho mô tả công cụ. Chỉ truy xuất công cụ liên quan, độ chính xác chọn công cụ tăng gấp ba lần.
Truy xuất tri thức (Knowledge Retrieval) là bài toán phong phú nhất. Agent code là ví dụ điển hình ở quy mô lớn. Như kỹ sư của Windsurf nói, chỉ index code thôi chưa đủ để truy xuất context hiệu quả. Họ kết hợp indexing, embedding search với phân tích AST, chunking theo ranh giới ngữ nghĩa. Tuy nhiên, embedding search giảm độ tin cậy khi codebase lớn. Thành công đến từ phối hợp grep/file search, knowledge graph retrieval và rerank theo mức độ liên quan.
Khi agent xử lý tác vụ dài, context sẽ tích tụ dần. Ghi chú, kết quả công cụ, lịch sử tương tác nhanh chóng vượt quá cửa sổ context. Chiến lược nén giải quyết thách thức này bằng cách chắt lọc thông tin nhưng vẫn giữ điều cốt lõi.
Tóm tắt (Summarization) là kỹ thuật chính. Claude Code dùng “auto-compact”—khi context window chạm 95%, hệ thống sẽ tóm tắt toàn bộ quá trình tương tác. Có thể dùng nhiều cách:
Cognition AI tiết lộ họ dùng model fine-tune để tóm tắt ở biên agent-agent nhằm giảm token khi truyền tri thức—cho thấy chiều sâu kỹ thuật của bước này.
Cắt tỉa context (Trimming) là phương pháp bổ sung. Thay vì dùng LLM để tóm tắt, trimming chỉ đơn giản loại bỏ context dựa trên quy tắc cứng—bỏ tin nhắn cũ, lọc theo mức độ quan trọng, hoặc dùng bộ lọc huấn luyện như Provence cho QA.
Ý nghĩa then chốt: Loại bỏ gì quan trọng không kém giữ lại gì. Một context 300 token tập trung thường hiệu quả hơn một context 113.000 token không chọn lọc khi đối thoại.
Cuối cùng, chiến lược cô lập thừa nhận mỗi tác vụ cần thông tin khác nhau. Thay vì dồn hết vào một context window, các kỹ thuật này phân bổ context cho các hệ thống chuyên biệt.
Kiến trúc đa agent là phổ biến nhất. Thư viện OpenAI Swarm thiết kế với “tách biệt chức năng”—mỗi sub-agent chuyên xử lý một tác vụ với công cụ, hướng dẫn, context riêng.
Nghiên cứu của Anthropic chứng minh sức mạnh của cách này: nhiều agent với context riêng thường vượt trội agent đơn, vì mỗi subagent có thể tối ưu cho tiểu nhiệm vụ. Subagent chạy song song với context riêng, cùng lúc khám phá nhiều khía cạnh vấn đề.
Tuy nhiên, hệ thống đa agent có mặt trái. Anthropic ghi nhận token sử dụng cao hơn tới 15 lần so với chat agent đơn. Điều này đòi hỏi phải điều phối chặt chẽ, prompt engineering cho lên kế hoạch và cơ chế phối hợp tinh vi.
Sandbox là một cách cô lập khác. CodeAgent của HuggingFace cho thấy: thay vì trả về JSON để model xử lý, agent xuất code chạy trong sandbox. Chỉ kết quả (return value) được trả về LLM, giữ các object nặng token trong môi trường thực thi. Cách này rất tốt cho dữ liệu hình, âm thanh.
Cô lập trạng thái (State Object Isolation) có thể là kỹ thuật bị đánh giá thấp nhất. Trạng thái runtime của agent có thể thiết kế theo schema cấu trúc (Pydantic model) với nhiều trường. Một trường (ví dụ messages) sẽ truyền vào LLM mỗi bước, các trường khác giữ riêng để dùng chọn lọc. Kiểm soát chi tiết mà không tăng phức tạp kiến trúc.
Dù khả năng kéo dài context window được ca ngợi, nghiên cứu gần đây cho thấy một thực tế đáng lo: context dài hơn không đồng nghĩa chất lượng cao hơn.
Một nghiên cứu lớn trên 18 LLM hàng đầu—gồm GPT-4.1, Claude 4, Gemini 2.5, Qwen 3—phát hiện hiện tượng context rot: hiệu suất suy giảm không thể đoán trước và thường rất mạnh khi đầu vào dài dần.
1. Suy giảm không đồng đều
Hiệu suất không giảm tuyến tính. Thay vào đó, mô hình có thể giảm đột ngột, khác nhau tùy model và tác vụ. Có thể giữ 95% chính xác đến một ngưỡng, rồi rơi thẳng xuống 60%. Những “vách đá” này không thể dự đoán giữa các model.
2. Độ phức tạp ngữ nghĩa làm trầm trọng context rot
Tác vụ đơn giản (lặp lại từ, truy xuất chính xác) giảm vừa phải. Nhưng với tác vụ cần gần nghĩa, thêm thông tin gây nhiễu sẽ làm giảm chính xác rõ rệt.
3. Thiên vị vị trí và attention sụp đổ
Cơ chế attention của transformer không mở rộng đều cho context dài. Token đầu (thiên vị đầu) và cuối (thiên vị cuối) được chú ý nhiều hơn. Trong trường hợp cực đoan, attention sụp đổ hoàn toàn, model bỏ qua phần lớn đầu vào.
4. Lỗi đặc thù từng mô hình
Mỗi LLM có hành vi riêng khi scale lớn:
5. Ảnh hưởng thực tế trong hội thoại
Nghiêm trọng hơn cả: ở benchmark LongMemEval, model truy cập toàn bộ hội thoại (khoảng 113k token) lại kém hơn rõ rệt khi chỉ dùng đoạn 300 token trọng tâm. Điều này chứng tỏ context rot làm giảm cả truy xuất lẫn suy luận trong môi trường thực tế.
Thông điệp then chốt từ nghiên cứu context rot: số lượng token đầu vào không quyết định toàn bộ chất lượng. Cách xây dựng, lọc và trình bày context quan trọng không kém, thậm chí quan trọng hơn.
Phát hiện này củng cố lý do tồn tại của kỹ thuật bối cảnh. Thay vì nghĩ context window lớn là vạn năng, các đội ngũ tinh vi nhận ra kỹ thuật bối cảnh—nén, chọn lọc, cô lập—là bắt buộc để duy trì hiệu suất với đầu vào lớn.
Claude Code và Cursor là ví dụ điển hình cho kỹ thuật bối cảnh trợ giúp code:
Thu thập: Hệ thống lấy context từ nhiều nguồn—file mở, cấu trúc dự án, lịch sử chỉnh sửa, đầu ra terminal, bình luận người dùng.
Quản lý: Thay vì dồn mọi file vào prompt, họ nén thông minh. Claude Code dùng tóm tắt phân cấp. Context được gắn thẻ chức năng (ví dụ “file đang chỉnh sửa”, “phụ thuộc”, “thông báo lỗi”).
Sử dụng: Mỗi lượt, hệ thống chọn file và thành phần context liên quan, trình bày có cấu trúc, giữ riêng track cho suy luận và output.
Nén: Khi gần chạm giới hạn context, auto-compact kích hoạt, tóm tắt lại quá trình mà vẫn giữ quyết định then chốt.
Kết quả: Dụng cụ này dùng được với dự án lớn (hàng ngàn file) mà không giảm hiệu suất, dù context window hạn chế.
Tongyi DeepResearch cho thấy kỹ thuật bối cảnh cho phép thực hiện nhiệm vụ nghiên cứu phức tạp:
Pipeline tổng hợp dữ liệu: Thay vì phụ thuộc dữ liệu gán nhãn thủ công, Tongyi dùng pipeline tổng hợp tạo câu hỏi cấp độ tiến sĩ qua nhiều vòng tăng độ phức tạp. Mỗi vòng mở rộng ranh giới kiến thức và tác vụ suy luận.
Quản lý context: Hệ thống theo mô hình IterResearch—mỗi vòng nghiên cứu, workspace được tái cấu trúc chỉ giữ lại output thiết yếu từ vòng trước. Tránh “nghẹt thở nhận thức” do dồn hết thông tin vào một context window.
Khám phá song song: Nhiều agent nghiên cứu hoạt động song song với context riêng, mỗi agent đi sâu một khía cạnh. Một agent tổng hợp sẽ tích hợp kết quả cho câu trả lời hoàn chỉnh.
Kết quả: Tongyi DeepResearch đạt kết quả ngang ngửa OpenAI DeepResearch, đạt 32.9 điểm ở Humanity’s Last Exam và 75 điểm trên benchmark tập trung người dùng.
Nghiên cứu của Anthropic chứng minh cô lập và chuyên môn hóa cải thiện hiệu suất:
Kiến trúc: Subagent chuyên trách từng nhiệm vụ nghiên cứu (tổng quan tài liệu, tổng hợp, xác minh) với context window riêng.
Lợi ích: Phương pháp này vượt trội agent đơn, mỗi subagent tối ưu context cho nhiệm vụ hẹp.
Đánh đổi: Chất lượng vượt trội, nhưng token sử dụng tăng tới 15 lần so với chat agent đơn.
Điều này chỉ ra: kỹ thuật bối cảnh luôn phải cân bằng giữa chất lượng, tốc độ, chi phí. Lựa chọn phù hợp phụ thuộc vào yêu cầu ứng dụng.
Triển khai kỹ thuật bối cảnh hiệu quả cần tư duy hệ thống ở ba chiều: thu thập & lưu trữ, quản lý, sử dụng.
Lựa chọn công nghệ lưu trữ:
Mẫu thiết kế:
Nguyên tắc: Thiết kế tối ưu cho truy xuất, không chỉ lưu trữ. Hệ thống tốt là nơi bạn tìm nhanh thứ mình cần.
Xử lý context văn bản:
Xử lý context đa phương tiện:
Tổ chức context:
Trừu tượng hóa context (Self-Baking):
“Self-baking” là khả năng context tự cải thiện qua xử lý lặp lại. Mẫu gồm:
Chọn context:
Chia sẻ context:
Nội bộ hệ thống:
Giữa hệ thống:
Suy đoán chủ động nhu cầu người dùng:
Khi kỹ thuật bối cảnh ngày càng trọng yếu, một số kỹ năng tách biệt đội ngũ hiệu quả và những nhóm vật lộn mở rộng.
Đội ngũ cần hiểu thông tin nào phục vụ mỗi nhiệm vụ. Không chỉ gom dữ liệu—mà phải hiểu sâu yêu cầu để nhận diện điều thực sự cần so với nhiễu.
Thực tế:
Thiết kế hệ memory hiệu quả đòi hỏi hiểu rõ loại và thời điểm dùng:
Vượt qua tìm kiếm từ khóa đơn giản, đội ngũ phải nắm:
Mỗi byte context đều có đánh đổi:
Khi có nhiều agent, công cụ, memory, điều phối trở nên then chốt:
Kỹ thuật bối cảnh là ngành tối ưu hóa:
Như một kỹ sư cấp cao nói, cách nhanh nhất để đưa phần mềm AI chất lượng đến khách hàng là lấy các ý tưởng nhỏ, mô-đun từ agent và tích hợp vào sản phẩm hiện có.
Bắt đầu với prompt cơ bản cộng bộ nhớ dạng scratchpad. Chỉ thêm phức tạp (đa agent, retrieval nâng cao) khi có bằng chứng cần thiết.
Dùng công cụ như LangSmith để quan sát. Theo dõi:
Curation memory thủ công không mở rộng được. Thực hiện:
Chất lượng context càng quan trọng khi bạn hiểu
Prompt engineering tập trung vào soạn thảo một chỉ dẫn cho LLM. Kỹ thuật bối cảnh là một ngành hệ thống rộng hơn, quản lý toàn bộ hệ sinh thái thông tin cho mô hình AI, bao gồm bộ nhớ, công cụ và dữ liệu truy xuất, để tối ưu hóa hiệu suất cho các tác vụ phức tạp, có trạng thái.
Context rot là sự suy giảm không thể dự đoán của hiệu suất LLM khi ngữ cảnh đầu vào ngày càng dài. Mô hình có thể giảm mạnh độ chính xác, bỏ qua một phần bối cảnh hoặc sinh ra thông tin ảo, cho thấy sự cần thiết phải quản lý chất lượng và cẩn thận đối với bối cảnh thay vì chỉ tăng số lượng.
Bốn chiến lược cốt lõi gồm: 1. Ghi Bối Cảnh (lưu trữ thông tin ngoài cửa sổ context, như scratchpad hoặc bộ nhớ), 2. Lựa Chọn Bối Cảnh (chỉ truy xuất thông tin liên quan), 3. Nén Bối Cảnh (tóm tắt hoặc cắt bớt để tiết kiệm không gian), và 4. Cô Lập Bối Cảnh (dùng hệ thống đa agent hoặc sandbox để tách biệt chức năng).
Arshia là Kỹ sư Quy trình AI tại FlowHunt. Với nền tảng về khoa học máy tính và niềm đam mê AI, anh chuyên tạo ra các quy trình hiệu quả tích hợp công cụ AI vào các nhiệm vụ hàng ngày, nâng cao năng suất và sự sáng tạo.
Sẵn sàng xây dựng thế hệ hệ thống AI tiếp theo? Khám phá tài nguyên và công cụ của chúng tôi để ứng dụng kỹ thuật bối cảnh nâng cao vào dự án của bạn.
Khám phá cách kỹ thuật context đang định hình lại phát triển AI, quá trình tiến hóa từ RAG đến hệ thống sẵn sàng sản xuất, và vì sao các cơ sở dữ liệu vector hi...
AI đã phát triển đến ngày nay như thế nào?
Khám phá cách phòng thí nghiệm Thinking Machines Lab của Mira Murati giải quyết vấn đề không xác định trong các mô hình ngôn ngữ lớn, cho phép AI tạo ra kết quả...
Đồng Ý Cookie
Chúng tôi sử dụng cookie để cải thiện trải nghiệm duyệt web của bạn và phân tích lưu lượng truy cập của mình. See our privacy policy.
