How AirOps chases friction to build AI products with Claude

• Dylan từ AirOps (nền tảng growth-marketing cho AI search) giải thích vì sao làm cho agent dễ tiếp cận với các persona phi kỹ thuật như marketer là thực sự khó, và việc "săn các điểm ma sát" là con đường tới agent cấp production, dễ tiếp cận.
• AirOps chuyển từ workflow builder node-based dễ vỡ (chạm trần độ phức tạp, lỗi thời nhanh khi có model mới) sang Claude Agent SDK, điều phối agent qua file markdown và skill; bản phát hành mới AirOps Next gồm Quill (agent cho content marketer) và Playbook (skill dễ tiếp cận, có versioning).
• Hai điểm ma sát họ tập trung là khớp đúng quy trình của marketer (builder dạng tài liệu, minh bạch, kiểm soát, bắt buộc human review) và đảm bảo chất lượng output qua harness engineering — tool chuyên biệt và các sub-agent tập trung (compliance, writing, brand kit) để quản lý ngữ cảnh hiệu quả.

• Hiểu AirOps là nền tảng growth-marketing cho AI search (giống SEO nhưng cho ChatGPT, Gemini, Claude): giúp brand thấy mình xuất hiện thế nào, tìm khoảng trống, hành động và đo tác động.
• Tránh trần độ phức tạp của workflow builder node-based: dạy marketer liquid text và JSON, lỗi thời nhanh khi có Opus mới, và vỡ khi sửa bước 1 lại âm thầm ảnh hưởng biến tham chiếu ở bước 20.
• Tận dụng Opus 4.5 làm bước ngoặt để đầu tư mạnh vào agent nhờ cải thiện tool-calling và tuân thủ instruction; dùng Claude Agent SDK để điều phối agent qua file markdown và skill thay vì routing node lập trình.
• Triển khai AirOps Next: Quill (agent "thuyền trưởng" cho content marketer, truy cập dữ liệu AI search, brand context, brand kit) và Playbook (builder dạng tài liệu, cộng tác, có versioning — về bản chất là skill dễ tiếp cận); case study Parallel: +130% citation rate, +42% share of voice, go-live trong 1 tuần.
• Điểm ma sát 1 — "vô số use case buộc phải có chủ đích": rất rõ ràng về khách hàng và bài toán cần giải; quy trình content-marketing cần IDE dạng tài liệu, minh bạch (thấy tool nào chạy ở mỗi bước), kiểm soát, và human review bắt buộc kèm governance/versioning.
• Điểm ma sát 2 — nhất quán & chất lượng: harness engineering quan trọng ngang model ("xe cần hơn chỉ động cơ"); tool chuyên biệt (một tool phân tích trang thay nhiều tool primitive) giảm ~8% token và tăng tốc độ.
• Dùng sub-agent để đảm bảo chất lượng: bắt đầu với Claude tự gọi tool, rồi thêm sub-agent tập trung — kiểm tra compliance, agent viết với ngữ cảnh riêng, và brand-kit sub-agent fetch ngữ cảnh một lần rồi lưu thành artifact cho main loop tham chiếu.
• Áp dụng "context minimalism" ngay cả với cửa sổ triệu token: lớn hơn không có nghĩa nên dùng hết; phải hiệu quả về thứ model attend tới. Điểm ma sát tiếp theo: self-improvement/feedback loop (memory, "quên cũng là tính năng") và benchmark agent tạo nội dung.

• AI search — tối ưu cách brand xuất hiện trong câu trả lời từ AI engine (ChatGPT, Gemini, Claude)
• workflow builder — công cụ node-based kéo-thả để điều phối nội dung; cách tiếp cận cũ của AirOps
• Claude Agent SDK — SDK điều phối agent qua file markdown và skill
• playbook — builder dạng tài liệu, cộng tác, có versioning của AirOps
• Quill — agent "thuyền trưởng" cho content marketer
• harness engineering — xây mọi thứ quanh model (tool, ngữ cảnh, sub-agent) — "chiếc xe quanh động cơ"
• sub-agent — agent tập trung với ngữ cảnh riêng cho một việc cụ thể
• brand kit — lớp ngữ cảnh chứa mọi thứ về một brand, fetch một lần và lưu thành artifact
• human-in-the-loop — điểm human review bắt buộc trong quy trình agentic

AirOps và bài toán "AI search"

AirOps là nền tảng growth-marketing cho AI search — giống SEO nhưng cho các engine như ChatGPT, Gemini, Claude. Khi người mua hỏi Claude ("Tôi muốn mua cặp kính râm này"), brand cần đảm bảo mình xuất hiện. AirOps giúp brand thấy mình hiện diện thế nào, xác định khoảng trống, hành động (tạo/làm mới nội dung) và đo tác động.

Thông điệp lớn nhất: làm cho agent dễ tiếp cận với marketer là bài toán thực sự khó. Với lập trình viên thì dễ hơn; với marketer có rất nhiều điểm ma sát.

Từ workflow builder đến Claude Agent SDK

Trước đây AirOps điều phối nội dung qua workflow builder node-based (kiểu N8N, kéo-thả node). Nhưng nó chạm "trần độ phức tạp": phải dạy content marketer liquid text, JSON; lỗi thời nhanh khi Opus 4.6, 4.7 ra mắt buộc cập nhật từng bước; và vỡ khi sửa bước 1 lại âm thầm ảnh hưởng biến tham chiếu ở bước 20. Mở rộng cho enterprise cần người kỹ thuật dẫn dắt. Mục tiêu: hạ rào cản cho marketer trong khi giữ chuẩn chất lượng (brand không muốn "AI slop").

Bước ngoặt là Opus 4.5 — model đủ giỏi tool-calling và tuân thủ instruction. AirOps thử nhiều cách: ban đầu lấy "Google Doc" rồi dùng LLM biên dịch workflow ở nền (hơi dễ vỡ); rồi dùng framework điều phối agent truyền thống (cũng dễ vỡ, đổi cách điều phối sub-agent phải sửa code). Cuối cùng họ đầu tư mạnh vào Claude Agent SDK — điều phối agent chỉ qua file markdown và skill, bằng cách thao tác môi trường và harness thay vì lập trình.

AirOps Next: Quill và Playbook

Bản phát hành tuần trước gồm:

• Quill: agent "thuyền trưởng" cho content marketer, truy cập dữ liệu AI search, brand context và brand kit (chứa mọi thứ về brand). Giúp đưa người dùng từ insight trên dashboard tới hành động ở bước kế tiếp.
• Playbook: trải nghiệm xây dựng mới — về bản chất là một skill dễ tiếp cận theo phong cách tài liệu quen thuộc với marketer, nhưng có cộng tác, governance và versioning (một người có thể có 10 phiên bản playbook).

Kết quả case study với Parallel: tăng 130% citation rate, 42% share of voice, go-live trong 1 tuần (thường mất cả tháng với workflow builder). Khách hàng nói agent "như một strategist cấp trung" (Animalz) và giúp loại bỏ tác vụ nhàm chán (Rock Content).

Điểm ma sát 1: Vô số use case buộc phải có chủ đích

Agent rất mạnh nên dễ "tràn" vào vô số use case. Cần rất chủ đích về khách hàng và bài toán cụ thể ("marketers, marketers, marketers"). Quy trình content marketer điển hình: khám phá chủ đề, nghiên cứu, soạn brief, soạn bài, thêm internal link và best practice SEO/AEO — với nhiều điểm human review xuyên suốt.

Từ đó tập trung ba điểm, cộng human review:

• IDE dạng tài liệu (playbook view): marketer quen Google Docs hơn workflow builder node-based.
• Minh bạch: người dùng thích thấy tool nào chạy ở mỗi bước — nên dù là tài liệu, vẫn cho thấy tool và ngữ cảnh đang dùng tại từng điểm.
• Kiểm soát: đảm bảo người dùng vẫn làm chủ workflow, đặc biệt khi nó không còn xác định (deterministic).
• Human review bắt buộc: mang governance, configurability, accountability vào quy trình agentic — khác với coding (review thường chỉ ở PR sau khi xong việc).

Demo: playbook là builder ngôn ngữ tự nhiên (slash command, định nghĩa input/output, tool, thêm MCP bất kỳ), có lịch trigger/webhook, monitor ("xem internet" qua Parallel), và AO insights (kích hoạt khi metric như citation rate giảm). Human review enforce bằng cách gán user ở cuối mỗi section — người được gán là "gatekeeper" duy nhất bỏ chặn agent. Bề mặt cho người dùng: inbox (xem agent runs, thought traces, output/artifact, sửa và duyệt) và grid (chạy skill quy mô lớn, mỗi hàng một job, review hàng loạt).

Điểm ma sát 2: Nhất quán và chất lượng (Harness Engineering)

Lo lớn nhất với agent là tính nhất quán. AirOps hình dung qua ẩn dụ "chiếc xe": động cơ là model (Claude, Opus, Sonnet), nhưng mọi thứ xây quanh nó mới tạo nên agent tuyệt vời. Claude Agent SDK và Claude Managed Agents API giúp lặp nhanh khi cấu hình các sub-agent.

• Tool chuyên biệt: thay vì cho agent nhiều tool primitive (traffic data, citation data, scraper) rồi để nó đi "safari" tốn token, AirOps tạo một tool chuyên biệt: nhập URL và lập tức trả về mọi thứ về trang đó kèm khoảng trống nội dung có cấu trúc và keyword/prompt mục tiêu. Tool "page-versus" benchmark trang của bạn với top page. Đây giống "code mode" — sinh code lấy đúng thứ cần trong một vòng thay vì lặp nhiều tool call.
• Sub-agent: bắt đầu với Claude tự gọi tool, không làm quá phức tạp; rồi thêm dần sub-agent tập trung: (1) compliance check — kiểm tra nội dung có theo quy tắc brand, trả về điểm và lỗi để agent sửa; (2) agent writing với ngữ cảnh riêng tập trung chỉ vào việc viết, không bị phân tâm bởi nghiên cứu hay compliance cũ; (3) brand-kit sub-agent chạy đầu mỗi run, fetch ngữ cảnh liên quan một lần và lưu thành artifact để main loop tham chiếu (tránh mỗi sub-agent fetch brand context khác nhau); (4) sub-agent tùy chỉnh cho solutions architect.

Bài học lớn nhất: dù cửa sổ ngữ cảnh ngày càng lớn (triệu token với Opus 4.7), lớn hơn không có nghĩa nên dùng hết — phải hiệu quả về thứ model attend tới.

Kết quả và hướng tiếp theo

Kết quả: giảm ~8% token cho tool cụ thể (một tool call thay 20 lần lặp), tăng tốc độ, và 10 khách hàng enterprise tự publish nội dung trong dưới 2 tuần (trước đây cần "cầm tay chỉ việc"). Mỗi lần giải xong một bài toán, điểm ma sát lại dịch chuyển — "săn ma sát" chính là cách tạo agent cấp production dễ tiếp cận.

Hai điểm ma sát tiếp theo: (1) self-improvement và feedback loop — cấu trúc tóm tắt trace, thu thập memory liên quan, và "quên cũng là một tính năng"; (2) benchmark agent tạo nội dung — vì nội dung không như luật hay code, không dễ nói đúng/sai, rất nhiều gu thẩm mỹ, nên cần benchmark để biết mỗi lần đổi harness/thêm skill có thực sự cải thiện hay chỉ là "vibe".