Từ Prompt Engineer đến AI Agent Developer: lộ trình học nghề AI thực chiến

Năm 2023, báo chí công nghệ toàn thế giới nhắc đi nhắc lại một nghề mới toanh: Prompt Engineer — người viết câu lệnh cho AI. Có tin đồn về mức lương vài trăm nghìn đô la một năm cho công việc "chỉ ngồi gõ chữ". Rất nhiều bạn trẻ đã lao vào học cách viết prompt.

Chưa đầy hai năm sau, phần lớn những tin tuyển dụng ấy đã biến mất.

Không phải vì AI hết hot — ngược lại hoàn toàn. Mà vì nghề đó đã tan vào các nghề khác. Viết prompt giỏi bây giờ giống như biết dùng Google giỏi: một kỹ năng cần thiết, nhưng không ai trả lương cho riêng nó nữa.

Vậy thứ gì đang được trả lương? Câu trả lời ngắn: người biến AI thành một sản phẩm chạy được, ổn định, và không gây hoạ cho doanh nghiệp. Bài này vẽ ra con đường tới đó, bắt đầu từ chỗ bạn đang đứng.

Tóm tắt nhanh

• Giai đoạn "thử nghiệm prompt" đã qua. Thị trường giờ tuyển người xây AI Agent — hệ thống AI tự thực hiện chuỗi công việc, không chỉ trả lời một câu hỏi.
• Ba vai trò đang tuyển nhiều nhất: AI Engineer, Agentic Workflow Developer và AI Solution Architect.
• Kỹ năng nền tảng vẫn là Python + API + SQL. Không có ba thứ này thì mọi khoá học AI đều trượt trên bề mặt.
• Học nghề AI không bắt buộc qua đại học, nhưng bắt buộc phải có sản phẩm công khai để chứng minh.
• Ngân hàng, sàn thương mại điện tử và công ty gia công phần mềm ở Hà Nội, TP.HCM đang là bên tuyển mạnh nhất.

Chuyện gì đã xảy ra với nghề "Prompt Engineer"?

Hãy hình dung thế này. Khi máy tính cá nhân mới xuất hiện, có hẳn một nghề tên là "người đánh máy vi tính". Vài năm sau nghề đó biến mất — không phải vì không ai cần đánh máy nữa, mà vì ai cũng đánh máy được, nên nó trở thành một phần của mọi công việc khác.

Prompt engineering đi đúng con đường ấy, chỉ nhanh hơn nhiều lần. Các mô hình AI đời mới hiểu ý người dùng tốt hơn hẳn, nên mẹo viết prompt cầu kỳ mất dần giá trị. Đồng thời, doanh nghiệp nhận ra vấn đề thật của họ không nằm ở câu lệnh.

Vấn đề thật là: làm sao để AI trả lời dựa trên dữ liệu của chính công ty mình, không bịa đặt, không rò rỉ thông tin khách hàng, chạy được cho 10.000 người cùng lúc, và khi nó sai thì biết sai ở đâu?

Không câu prompt nào giải quyết được chuyện đó. Nó cần một người biết lập trình, biết thiết kế hệ thống, và hiểu giới hạn của mô hình. Đó chính là nghề mới.

Ba vai trò đang thật sự được tuyển

AI Engineer — kỹ sư AI

Người ghép mô hình AI vào phần mềm thật. Họ không tự huấn luyện mô hình từ đầu (việc đó tốn hàng triệu đô và chỉ vài phòng lab trên thế giới làm), mà lấy mô hình có sẵn rồi dựng mọi thứ quanh nó: kết nối dữ liệu, kiểm soát đầu ra, đo chất lượng, tối ưu chi phí.

Ví dụ dễ hình dung: một ngân hàng muốn có trợ lý trả lời thắc mắc về sản phẩm vay. AI Engineer là người làm cho trợ lý ấy đọc được đúng bộ tài liệu nội bộ của ngân hàng, từ chối trả lời khi không chắc, và không bao giờ tiết lộ thông tin của khách hàng khác.

Agentic Workflow Developer — người xây quy trình AI tự hành

Đây là vai trò mới nhất và đang nóng nhất. Agent là một AI được giao mục tiêu thay vì một câu hỏi, và nó tự chia nhỏ việc rồi dùng công cụ để làm.

So sánh cho rõ:

• Chatbot thường: bạn hỏi "doanh thu tháng 5 bao nhiêu?", nó trả lời dựa trên thứ nó biết.
• Agent: bạn nói "làm báo cáo doanh thu tháng 5 và gửi cho trưởng phòng". Nó tự truy vấn cơ sở dữ liệu, tự dựng biểu đồ, tự soạn email, tự gửi — và báo lại cho bạn từng bước.

Người xây được những quy trình như vậy đang cực kỳ có giá, vì mỗi quy trình chạy được là một công việc lặp đi lặp lại được gỡ khỏi vai con người.

AI Solution Architect — kiến trúc sư giải pháp AI

Vai trò cấp cao hơn, thường cần vài năm kinh nghiệm. Họ trả lời câu hỏi "nên dùng AI ở đâu trong công ty này, và ở đâu thì đừng". Họ cân đối giữa chi phí, rủi ro pháp lý và lợi ích kinh doanh.

Bạn chưa cần nhắm tới vị trí này ngay, nhưng nên biết nó tồn tại — đó là đích đến sau 5–7 năm của một AI Engineer giỏi. Có một nghề họ hàng gần không đòi viết mã nhiều, mô tả trong bài AI Translator: nghề "phi kỹ thuật" đắt giá trong doanh nghiệp số.

Cây kỹ năng: học gì trước, học gì sau

Sai lầm phổ biến nhất của người mới là nhảy thẳng vào tầng 3. Thứ tự bên dưới không phải gợi ý — nó là điều kiện. Bỏ tầng dưới thì tầng trên sẽ sụp.

Tầng	Học gì	Vì sao cần	Thời gian
1. Nền móng	Python cơ bản, Git, cách API và HTTP hoạt động, SQL	Mọi thư viện AI đều viết bằng Python; mọi hệ thống AI đều gọi API và đụng vào cơ sở dữ liệu	3–4 tháng
2. Lõi AI ứng dụng	Cách mô hình ngôn ngữ hoạt động, embedding, cơ sở dữ liệu vector, kỹ thuật RAG	Đây là phần khiến AI trả lời theo dữ liệu công ty thay vì bịa	2–3 tháng
3. Dựng agent	LangChain hoặc LlamaIndex, thiết kế công cụ cho agent, xử lý lỗi và thử lại	Đây là phần thị trường đang trả lương cao nhất	2–3 tháng
4. Đưa vào thực tế	Đánh giá chất lượng đầu ra, theo dõi chi phí, triển khai, MLOps cơ bản	Chạy được trên máy mình khác xa chạy được cho 10.000 người	2–3 tháng
5. Bắt buộc, học song song	Đạo đức AI, bảo mật, quy định bảo vệ dữ liệu cá nhân	Làm sai ở đây là rủi ro pháp lý cho cả công ty, không chỉ là lỗi kỹ thuật	Liên tục

Giải thích ba từ khó nhất trong bảng

Embedding là cách biến một đoạn chữ thành một dãy số, sao cho hai đoạn chữ có nghĩa gần nhau thì dãy số cũng gần nhau. Nhờ vậy máy "so nghĩa" được chứ không chỉ so từng chữ.

Cơ sở dữ liệu vector là nơi lưu những dãy số đó và tìm ra cái gần nhất thật nhanh, kể cả khi có hàng triệu đoạn.

RAG (Retrieval-Augmented Generation) là kỹ thuật ghép hai thứ trên lại: trước khi để AI trả lời, hệ thống đi tìm những đoạn tài liệu liên quan nhất rồi đưa kèm vào cho AI đọc. Đây là cách phổ biến nhất hiện nay để AI trả lời đúng theo tài liệu nội bộ và bớt bịa.

Có cần học đại học ngành AI không?

Trung thực mà nói: không bắt buộc, nhưng cũng đừng coi thường con đường đại học.

Ngành AI là một trong số ít lĩnh vực mà người tự học có cửa thật sự, vì ba lý do: tài liệu chất lượng cao đa phần miễn phí, công cụ dùng thử gần như không tốn tiền, và kết quả công việc nhìn thấy được — một agent chạy được thì ai cũng kiểm chứng được, không cần tin vào bảng điểm.

Con đường tự học có ba trụ:

• Khoá học có uy tín. DeepLearning.AI, các chứng chỉ của Google Cloud, AWS hoặc Microsoft về AI và máy học. Chúng có bài thi chuẩn hoá nên nhà tuyển dụng đọc được.
• Mã nguồn mở. Đọc mã người khác, sửa một lỗi nhỏ, gửi đóng góp. Một đóng góp được chấp nhận vào dự án có tiếng nói nhiều hơn mười dòng trong CV.
• Dự án công khai trên GitHub. Ba đến năm dự án, mỗi dự án có phần mô tả rõ: giải quyết vấn đề gì, làm thế nào, kết quả đo được ra sao.

Còn đại học cho bạn thứ khó tự học: nền toán và giải thuật để về sau đi sâu, cùng mạng lưới bạn bè, thầy cô. Nếu có điều kiện học, hãy học — nhưng đừng chỉ học. Hãy làm sản phẩm song song từ năm nhất.

Lương và lộ trình thăng tiến ở Việt Nam

Các con số dưới đây là khoảng tham khảo, tổng hợp từ báo cáo thị trường IT trong nước và tin tuyển dụng công khai. Lương thật dao động rất mạnh theo thành phố, quy mô công ty và việc bạn làm cho khách trong nước hay nước ngoài — hãy đọc như một bản đồ, không phải một lời hứa.

Cấp độ	Kinh nghiệm	Khoảng lương tháng (VNĐ)	Làm gì
Thực tập / Fresher	0–1 năm	5 – 15 triệu	Làm theo hướng dẫn, sửa lỗi nhỏ, viết tài liệu
Junior AI Engineer	1–2 năm	15 – 30 triệu	Tự làm một tính năng có AI, dưới sự giám sát
Middle	2–4 năm	30 – 55 triệu	Tự thiết kế và chịu trách nhiệm một hệ thống nhỏ
Senior	4–7 năm	55 – 100 triệu	Dẫn dắt kỹ thuật, quyết định kiến trúc, kèm người mới
Solution Architect / Lead	7 năm trở lên	100 triệu trở lên	Quyết định dùng AI ở đâu trong cả tổ chức

So với khu vực Đông Nam Á, mức lương ở Việt Nam thường thấp hơn Singapore đáng kể nhưng cạnh tranh được với nhiều nước lân cận, trong khi chi phí sinh hoạt thấp hơn. Đó là lý do làm việc từ xa cho công ty nước ngoài đang là lựa chọn hấp dẫn với nhiều kỹ sư Việt — và cũng là lý do tiếng Anh là kỹ năng nhân đôi thu nhập nhanh nhất trong nghề này.

Lộ trình 12 tháng từ con số 0

Dành cho học sinh cuối cấp hoặc sinh viên năm nhất, với khoảng 8–10 giờ mỗi tuần.

• Tháng 1–3: Python từ đầu. Mục tiêu không phải "học hết cú pháp" mà là viết được 20–30 chương trình nhỏ giải quyết việc thật: đổi tên hàng loạt tệp, tải dữ liệu từ một trang web, tính điểm trung bình từ file Excel của lớp.
• Tháng 4–5: Học gọi API, học Git và đưa mã lên GitHub. Làm một chatbot đơn giản gọi API của một mô hình ngôn ngữ. Đây là lúc bạn có sản phẩm công khai đầu tiên.
• Tháng 6–7: Học SQL và cơ sở dữ liệu vector. Xây một hệ thống RAG nhỏ — ví dụ: hỏi đáp trên toàn bộ sách giáo khoa một môn bạn đang học.
• Tháng 8–9: Học LangChain hoặc LlamaIndex. Nâng dự án trên thành một agent biết dùng công cụ: tra cứu, tính toán, ghi ra file.
• Tháng 10–11: Học cách đo chất lượng đầu ra và triển khai lên máy chủ để người khác dùng được. Thi một chứng chỉ đám mây cơ bản.
• Tháng 12: Dọn lại GitHub, viết mô tả tử tế cho từng dự án, làm một trang giới thiệu bản thân. Bắt đầu nộp hồ sơ thực tập.

Sau 12 tháng như vậy, bạn sẽ có thứ mà rất nhiều sinh viên năm tư chưa có: bằng chứng kiểm chứng được.

Ba cái bẫy thường gặp

Bẫy 1 — Học lý thuyết mãi không làm. Xem hết 40 giờ video rồi không viết nổi chương trình 50 dòng là tình trạng rất phổ biến. Nguyên tắc: cứ một giờ học thì phải có ít nhất một giờ gõ mã.

Bẫy 2 — Chạy theo công cụ mới nhất. Thư viện AI đổi từng quý. Người nhảy theo từng cái mới sẽ luôn ở mức sơ cấp của mười thứ. Hiểu sâu nguyên lý thì đổi công cụ chỉ mất vài ngày.

Bẫy 3 — Bỏ qua phần đạo đức và bảo mật. Nghe khô khan, nhưng đây là chỗ khiến một dự án AI bị dừng giữa chừng. Dữ liệu cá nhân của người dùng đưa vào mô hình phải theo quy định pháp luật, và ở Việt Nam quy định này đã chặt chẽ hơn nhiều — xem bài An ninh mạng và bảo vệ dữ liệu cá nhân.

Câu hỏi thường gặp

Em học lớp 11, chưa biết lập trình, bắt đầu có kịp không?

Rất kịp — thậm chí là thời điểm lý tưởng. Bạn có lợi thế mà sinh viên năm tư không có: thời gian. Hãy bắt đầu bằng Python cơ bản, mỗi ngày 30–45 phút. Đừng học AI trước khi viết được chương trình thường.

Cần máy tính mạnh không?

Không. Đây là hiểu lầm khiến nhiều bạn chùn bước. Bạn sẽ gọi mô hình có sẵn qua mạng chứ không huấn luyện chúng, nên một laptop phổ thông là đủ. Phần nào cần máy mạnh thì đã có dịch vụ đám mây, nhiều nơi có bậc miễn phí cho người học.

AI có thay thế chính người làm AI không?

AI đang viết mã ngày càng tốt, và đúng là phần việc gõ mã thuần tuý đang mất giá. Nhưng phần quyết định làm gì, chịu trách nhiệm khi sai và ghép hệ thống với nghiệp vụ có thật thì vẫn là việc của con người. Người dùng AI để làm nhanh gấp ba sẽ thay thế người không dùng — đó mới là mối lo thực tế.

Ngành AI có bão hoà không?

Mức sơ cấp thì đang đông: rất nhiều người biết gọi API và dựng một chatbot demo. Mức làm được sản phẩm chạy thật, có đo lường, có xử lý lỗi thì vẫn thiếu người trầm trọng. Khoảng cách giữa hai mức đó chính là chỗ bạn cần vượt qua.

Kết lại

Làn sóng AI không tạo ra một nghề duy nhất tên là "làm AI". Nó tạo ra một lớp kỹ năng mới cắt ngang qua mọi nghề — và một nhóm nhỏ những người xây nên hạ tầng cho lớp kỹ năng đó.

Nếu bạn muốn thuộc nhóm thứ hai, con đường đã khá rõ ràng: nền móng lập trình vững, hiểu nguyên lý mô hình, làm sản phẩm thật, công khai chúng. Không có đường tắt, nhưng cũng không có rào chắn nào ngoài thời gian và sự kiên trì của bạn.

Chưa chắc AI là hướng hợp với mình? Hãy làm bài trắc nghiệm hướng nghiệp của Grade trước, rồi đọc thêm Bản đồ việc làm kỷ nguyên số để thấy bức tranh tổng thể.