Skill, RAG và MCP là gì? Hiểu sự khác nhau qua ví dụ

Đọc về AI một thời gian, bạn sẽ gặp ba cái tên: Skill, RAG và MCP. Cả ba đều giúp AI làm việc tốt hơn, nên rất dễ lẫn vào nhau. Thật ra mỗi cái giải quyết một vấn đề khác hẳn. Bài này giải thích từng khái niệm bằng một ví dụ đời thường, rồi đặt chúng cạnh nhau để bạn thấy rõ ranh giới.

Ba cái tên này cũng không phải ba công cụ cùng loại: Skill là cách đóng gói hướng dẫn, RAG là cách trả lời có tra cứu, còn MCP là chuẩn kết nối. Bạn có thể dùng riêng hoặc kết hợp chúng tuỳ việc cần làm.

Hình dung AI như một nhân viên mới

Một trợ lý AI như Claude, ChatGPT hay Gemini giống một nhân viên mới rất giỏi: đọc nhanh, viết tốt, biết nhiều thứ. Nhưng ngày đầu đi làm, người này vướng ba chuyện:

• Chưa biết cách làm việc của bạn: mẫu báo cáo, giọng văn, các bước quen thuộc. Thứ giúp được là Skill, giống một cuốn sổ tay quy trình.
• Chưa biết tài liệu riêng của bạn: chính sách, hợp đồng, hướng dẫn sản phẩm. Thứ giúp được là RAG, giống một tủ hồ sơ có người tra cứu giúp.
• Chưa kết nối được với phần mềm của bạn: email, lịch, bảng tính, cơ sở dữ liệu. Thứ giúp được là MCP, giống một ổ cắm chung để nối AI với từng phần mềm.

Ví dụ xuyên suốt: cửa hàng của chị Mai

Hãy lấy một ví dụ giả định: chị Mai quản lý một cửa hàng đồ gia dụng bán online. Chị muốn nhờ AI ba việc:

1. Sáng thứ Hai nào cũng viết báo cáo bán hàng tuần theo đúng một mẫu cố định.
2. Trả lời khách hỏi về bảo hành, đúng theo bộ chính sách dài 80 trang của cửa hàng.
3. Tự xem đơn hàng mới trong bảng tính và soạn sẵn email xác nhận cho từng khách.

Mỗi việc cho thấy một nhu cầu khác nhau. Ta dùng chúng để hiểu từng khái niệm, rồi xem khi nào có thể kết hợp.

Skill: cuốn sổ tay quy trình

Skill là gì?

Trong bài này, "Skill" được hiểu theo nghĩa Agent Skills, một định dạng do Anthropic phát triển rồi công bố thành chuẩn mở. Skill là một thư mục chứa hướng dẫn để AI làm một việc lặp lại theo đúng cách bạn muốn. Tệp chính trong thư mục là SKILL.md, gồm hai phần:

• Phần mô tả ngắn: skill này tên gì, làm gì, khi nào nên dùng.
• Phần hướng dẫn: các bước, quy tắc, ví dụ mẫu.

Trong thư mục còn có thể kèm tài liệu tham khảo, file mẫu hoặc đoạn mã (script). AI có thể đọc hoặc chạy chúng khi công cụ đang dùng hỗ trợ và có đủ quyền.

Với chị Mai, skill "Báo cáo tuần" có thể trông như sau:

---
name: bao-cao-tuan
description: Dùng khi cần viết báo cáo bán hàng tuần của cửa hàng.
---
 
# Báo cáo bán hàng tuần
 
1. Gồm 3 mục: Doanh thu, Sản phẩm bán chạy, Việc cần làm tuần tới.
2. Mục Doanh thu có bảng so sánh với tuần trước.
3. Mỗi mục tối đa 5 dòng, giọng văn ngắn gọn, không dùng biệt ngữ.
4. Xem file mau-bao-cao.md để biết một báo cáo đạt yêu cầu trông thế nào.

Skill này quy định báo cáo phải được viết thế nào. Bạn vẫn cần cung cấp số liệu bán hàng hoặc nối AI với nơi lưu số liệu. Muốn tự chạy mỗi sáng thứ Hai thì cần thêm lịch chạy hoặc một quy trình tự động; chỉ tạo skill chưa làm được việc đó.

Skill hoạt động thế nào?

Với công cụ hỗ trợ Agent Skills, hướng dẫn thường được nạp theo từng lớp:

1. Ban đầu, công cụ cung cấp tên và phần mô tả ngắn của các skill để AI biết có những gì.
2. Khi dùng một skill, AI đọc toàn bộ hướng dẫn của skill đó.
3. Tài liệu kèm theo chỉ được mở khi thật sự cần.

Cách này gọi là progressive disclosure, tạm hiểu là "mở dần từng lớp". Nhờ vậy không phải đưa toàn bộ hướng dẫn của mọi skill vào mỗi cuộc trò chuyện. Tuỳ công cụ và cấu hình, AI có thể tự chọn skill phù hợp, hoặc bạn gọi rõ tên skill muốn dùng.

Vì thế, phần mô tả quan trọng hơn bạn nghĩ. Mô tả mơ hồ thì AI không biết lúc nào nên dùng skill.

Skill dùng ở đâu?

Với Claude, hai cách cài thường gặp là:

• Ứng dụng Claude: thêm và bật skill trong phần Skills của tài khoản.
• Claude Code: đặt thư mục ngay trên máy.
  • ~/.claude/skills/: dùng cho mọi dự án của bạn.
  • .claude/skills/ trong thư mục dự án: dùng chung cho cả nhóm.

Theo tài liệu Claude Code hiện tại, skill bật trên tài khoản claude.ai có thể được đồng bộ sang Claude Code khi bạn đăng nhập bằng tài khoản đó, dùng phiên bản hỗ trợ và cấu hình cho phép. Skill chỉ lưu ở thư mục trên máy không tự được tải ngược lên tài khoản. Vì vậy, khi sửa skill, hãy kiểm tra bạn đang cập nhật bản nào.

Vì Agent Skills là chuẩn mở, nhiều công cụ khác cũng đọc được cùng kiểu thư mục SKILL.md, như OpenAI Codex, GitHub Copilot, VS Code, Cursor, Gemini CLI. Cách cài và mức hỗ trợ ở mỗi nơi khác nhau, nên hãy xem tài liệu của công cụ bạn dùng.

Khi nào nên dùng Skill?

Dấu hiệu rõ nhất: bạn cứ phải dán lại cùng một đoạn hướng dẫn mỗi lần làm một việc. Bạn có thể gom hướng dẫn thành skill, rồi thử trên vài nhiệm vụ để xem AI có làm đúng không.

Skill có thể kèm tài liệu và hướng dẫn AI dùng công cụ, kể cả hệ thống RAG hay kết nối MCP. Nhưng hướng dẫn dùng một thứ không có nghĩa thứ đó đã được cài sẵn: muốn tra cứu kho tài liệu hay thao tác phần mềm, bạn vẫn cần các thành phần tương ứng.

RAG: tủ hồ sơ có người tra cứu giúp

RAG là gì?

RAG là viết tắt của Retrieval-Augmented Generation, tạm dịch là "tạo câu trả lời có tra cứu". Ý tưởng rất đơn giản: trước khi AI trả lời, hệ thống tìm những đoạn tài liệu liên quan nhất, rồi đưa cho AI đọc kèm câu hỏi.

Vì sao cần? Để trả lời đúng chính sách riêng của cửa hàng, AI cần được cung cấp bản chính sách đang áp dụng. Nếu bạn chưa đưa tài liệu đó vào cuộc trò chuyện hoặc vào một hệ thống tra cứu, câu trả lời có thể chỉ là kiến thức chung, hoặc tệ hơn: một chính sách bị bịa ra nghe rất hợp lý.

RAG hoạt động thế nào?

Một cách làm phổ biến như sau:

1. Chuẩn bị kho. Bộ chính sách 80 trang được cắt thành nhiều đoạn nhỏ. Mỗi đoạn được đổi thành một dãy số gọi là embedding, có thể hiểu là "tọa độ ý nghĩa": hai đoạn nói về cùng một chuyện sẽ có tọa độ gần nhau. Các dãy số này được cất vào một kho để tìm kiếm.
2. Tra cứu. Khách hỏi "Nồi chiên tôi mua 14 tháng rồi, còn bảo hành không?". Câu hỏi cũng được đổi thành embedding, rồi hệ thống tìm vài đoạn gần nghĩa nhất, chẳng hạn đoạn "Thời hạn bảo hành theo nhóm sản phẩm".
3. Trả lời. Các đoạn tìm được gửi kèm câu hỏi cho AI. AI đọc chúng rồi mới trả lời.

Tìm theo nghĩa bằng embedding chỉ là một cách. Hệ thống RAG cũng có thể tìm theo từ khoá như ô tìm kiếm quen thuộc, hoặc kết hợp cả hai để tăng khả năng tìm được thông tin liên quan.

Ưu điểm lớn: muốn cập nhật thì không phải huấn luyện lại AI. Khi chính sách đổi, bạn thay tài liệu trong kho và cho hệ thống xử lý lại phần tài liệu đó (cập nhật chỉ mục tìm kiếm). AI nhận chính sách mới nhanh hay chậm tuỳ cách hệ thống được dựng.

Con số từ bài báo gốc

Tên gọi RAG xuất phát từ bài báo của Patrick Lewis và cộng sự, công bố năm 2020. Trên bộ câu hỏi Natural Questions (lấy từ các truy vấn tìm kiếm thật trên Google), hệ thống RAG-Sequence đạt 44,5 điểm theo thước đo "khớp chính xác". Mô hình T5-11B, trả lời chỉ bằng kiến thức đã học mà không tra cứu, đạt 34,5 điểm.

Giới hạn của RAG

• Có thể tìm thiếu hoặc tìm nhầm. AI có thể trả lời sai nếu thông tin đưa vào không đủ hoặc không liên quan. Khi chưa có căn cứ, hệ thống nên nói rõ thay vì đoán.
• Chất lượng phụ thuộc vào tài liệu. Kho chứa thông tin cũ hoặc mâu thuẫn có thể làm câu trả lời sai. Thêm RAG không tự làm tài liệu trở nên đúng.
• Không tự động có trích nguồn. Muốn câu trả lời ghi rõ "theo mục 3.2 chính sách", hệ thống phải được thiết kế để làm vậy.

Khi nào chưa cần tự dựng RAG?

Nhiều ứng dụng AI cho phép tải tài liệu thẳng vào cuộc trò chuyện hoặc vào một "dự án". Với tài liệu không quá nhiều, bạn nên thử cách này trước. Mỗi công cụ xử lý tài liệu dài theo cách riêng và có giới hạn riêng, nên hãy kiểm tra câu trả lời với vài câu hỏi bạn đã biết đáp án.

Công cụ bạn dùng có thể đã có bước tra cứu tài liệu bên trong. Vì vậy, cần phân biệt dùng một tính năng có tra cứu với tự xây hệ thống RAG.

Tự dựng RAG đáng cân nhắc khi kho tài liệu lớn, thay đổi thường xuyên, hoặc nhiều người cùng hỏi, ví dụ một trợ lý trả lời khách tự động trên website.

MCP: ổ cắm chung nối AI với phần mềm

MCP là gì?

MCP là viết tắt của Model Context Protocol. "Giao thức" (protocol) là một bộ quy tắc chung để hai bên nói chuyện được với nhau. MCP là chuẩn mở để nối ứng dụng AI với các hệ thống bên ngoài: file, cơ sở dữ liệu, email, lịch, công cụ làm việc. Anthropic công bố MCP vào tháng 11/2024. Cách so sánh hay được dùng: MCP giống cổng USB-C cho AI.

Hình dung bạn có 3 ứng dụng AI và 4 phần mềm cần kết nối. Nếu làm riêng từng cặp, có thể phải xây 12 tích hợp. MCP giúp dùng lại các kết nối theo một chuẩn chung: ứng dụng AI hỗ trợ MCP có thể làm việc với các server tương thích, thay vì phải viết lại từng tích hợp từ đầu. Việc kết nối vẫn phụ thuộc vào tính năng hai bên hỗ trợ và cách cấu hình.

MCP chỉ quy định cách hai bên trao đổi. Để AI thật sự đọc được email hay bảng tính, bạn vẫn cần:

• một ứng dụng AI hỗ trợ MCP;
• một MCP server cho đúng công cụ đó;
• cài đặt kết nối, đăng nhập và cấp quyền phù hợp.

MCP gồm những phần nào?

• Host (ứng dụng chủ): ứng dụng AI bạn đang dùng, như Claude Desktop, ChatGPT hay VS Code.
• Client: phần nằm bên trong host, giữ kết nối với từng server.
• Server: chương trình cung cấp các công cụ và dữ liệu cho ứng dụng AI qua MCP. Một server có thể cung cấp nhiều công cụ cùng lúc (ví dụ server bảng tính vừa đọc, vừa ghi, vừa tìm kiếm). Server có thể chạy ngay trên máy bạn hoặc ở trên mạng.

Mỗi server có thể đưa ra ba loại thứ:

• Tools (công cụ): hành động AI gọi được, như "đọc bảng tính" hay "tạo email nháp".
• Resources (tài nguyên): dữ liệu để AI đọc, như nội dung một file.
• Prompts (mẫu lệnh): các câu lệnh dựng sẵn để dùng lại.

Quay lại ví dụ giả định của chị Mai. Sau khi thiết lập kết nối và quyền phù hợp, chị gõ: "Hôm nay có đơn mới nào? Soạn email xác nhận cho từng khách." AI có thể gọi công cụ đọc bảng tính, lấy 5 đơn và tạo 5 email nháp nếu các server cung cấp những thao tác đó. Chị kiểm tra lại thư trước khi gửi.

MCP phổ biến đến đâu?

Tháng 12/2025, Anthropic trao MCP cho Agentic AI Foundation, một quỹ thuộc Linux Foundation, để chuẩn này được phát triển độc lập. Theo Anthropic, vào thời điểm đó đã có hơn 10.000 MCP server công khai đang hoạt động. MCP cũng đã được dùng trong ChatGPT, Cursor, Gemini, Microsoft Copilot, VS Code và nhiều sản phẩm khác.

Mức hỗ trợ ở từng nơi khác nhau: có nơi dành cho người dùng phổ thông, có nơi chỉ dành cho lập trình viên hoặc phải bật một chế độ riêng.

Cẩn thận khi dùng MCP

Đặt ba thứ cạnh nhau

Kết hợp tuỳ nhu cầu

Đây không phải bài toán chọn một, nhưng cũng không cần đủ cả ba. Nhiều nhu cầu chỉ cần một thứ. Khi cần, chúng ghép với nhau khá tự nhiên:

• RAG có thể đi qua MCP: một MCP server làm nhiệm vụ "tìm trong kho tài liệu", AI gọi nó như gọi một công cụ.
• Skill có thể hướng dẫn cách dùng MCP: "Khi soạn email xác nhận, lấy đơn từ bảng tính, dùng mẫu thư này, chỉ lưu nháp, không tự gửi."

Ghép lại cho chị Mai: MCP lấy đơn hàng mới, RAG tra chính sách đổi trả để nhắc khách, Skill bảo AI viết thư theo đúng giọng của cửa hàng.

Những hiểu lầm hay gặp

"MCP thay thế RAG." Không. MCP là cách kết nối, RAG là cách tìm đúng đoạn tài liệu. MCP có thể là con đường để AI gọi tới một hệ thống RAG.

"Skill chỉ là một prompt dài." Hướng dẫn là phần chính, nhưng một skill còn có tên và mô tả để công cụ nhận diện, có thể kèm tài liệu, mẫu và mã chạy. Cách chọn và nạp skill phụ thuộc công cụ hỗ trợ.

"RAG là dạy lại AI." Không. RAG không thay đổi mô hình, chỉ đưa thêm tài liệu cho AI đọc lúc trả lời. Dạy lại (tinh chỉnh, fine-tuning) là chuyện khác: thay đổi chính mô hình, thường cần chuẩn bị dữ liệu huấn luyện, và hay được dùng để dạy cách làm hay văn phong hơn là để nạp kiến thức thay đổi liên tục.

"Có RAG thì AI hết bịa." Bớt bịa, không phải hết. Tìm nhầm đoạn hoặc tài liệu sai vẫn cho ra câu trả lời sai. Thông tin quan trọng vẫn cần bạn kiểm tra lại.

"Chỉ Claude mới có." Skill và MCP do Anthropic khởi xướng nhưng đều đã thành chuẩn mở và được nhiều công cụ khác hỗ trợ. RAG là kỹ thuật chung của cả ngành AI.

Nên bắt đầu từ đâu?

Chọn một việc bạn đang cần, thử cách đơn giản nhất và kiểm tra kết quả trước khi mở rộng:

• Hay phải dán lại một đoạn hướng dẫn? Bắt đầu với Skill, hoặc phần hướng dẫn chung của "dự án" trong ứng dụng AI bạn dùng.
• Muốn AI trả lời theo tài liệu riêng? Thử tải tài liệu vào tính năng dự án của ứng dụng trước. Khi tài liệu quá nhiều, đổi liên tục hoặc cần phục vụ nhiều người, mới tính tới RAG.
• Muốn AI thao tác phần mềm? Thử một kết nối MCP có sẵn từ nhà phát triển chính thức, bắt đầu với quyền chỉ đọc.

Nguồn tham khảo

• Equipping agents for the real world with Agent Skills: Anthropic, giới thiệu Skill và cơ chế mở dần từng lớp.
• Agent Skills và Specification: trang chuẩn mở Agent Skills, có danh sách công cụ hỗ trợ.
• Extend Claude with skills: tài liệu Claude Code về skill.
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks: Lewis và cộng sự, 2020, bài báo gốc về RAG.
• Retrieval-augmented generation (RAG) in Azure AI Search: Microsoft, về các cách tìm kiếm (từ khoá, theo nghĩa, kết hợp) và cập nhật chỉ mục.
• What is the Model Context Protocol? và Architecture overview: tài liệu chính thức của MCP.
• MCP Authorization: phần đặc tả về cấp quyền.
• Introducing the Model Context Protocol: Anthropic, 25/11/2024.
• Donating the Model Context Protocol and establishing the Agentic AI Foundation: Anthropic, 09/12/2025.
• Model Context Protocol has prompt injection security problems: Simon Willison, 09/04/2025, về rủi ro chèn lệnh.

Cập nhật lần cuối: 14/10/2026.