Cách tổ chức dự án AI để không rối tung khi mở rộng

Chắc bạn từng gặp cảnh này: lúc mới bắt đầu làm một dự án AI, mọi thứ đều nằm chung một thư mục — prompt viết trực tiếp trong khung chat, file dữ liệu tải về để lung tung, cấu hình Agent và kết quả test trộn lẫn với nhau. Ban đầu thì ổn, nhưng chỉ cần dự án lớn hơn một chút, có thêm người cùng làm, hoặc bạn muốn tái sử dụng phần việc đã làm cho dự án khác — thế là loạn. Bài này chia sẻ một cấu trúc 4 thư mục đơn giản, giúp mọi dự án AI gọn gàng ngay từ đầu.

Ý tưởng cốt lõi về cách tổ chức dự án AI để không rối tung khi mở rộng

Mọi dự án AI, dù nhỏ hay lớn, đều xoay quanh 4 thứ: câu lệnh bạn đưa cho AI, dữ liệu AI cần xử lý, Agent thực hiện công việc, và cách bạn kiểm tra xem AI làm đúng hay không. Vậy nên thay vì để tất cả trộn vào nhau, hãy tách thành 4 thư mục riêng biệt:

ai-du-an/
├── prompts/
├── data/
├── agents/
└── evals/

Nguyên tắc cốt lõi ở đây rất dễ nhớ: prompt là hướng dẫn, dữ liệu là nguyên liệu, Agent là người thực hiện, còn evals là bằng chứng cho thấy hệ thống thực sự hoạt động.

1. `prompts/` — nơi quản lý mọi câu lệnh

Nhiều người có thói quen gõ prompt trực tiếp trong cửa sổ chat rồi thôi, xong việc là quên luôn. Vấn đề là khi cần dùng lại, bạn chẳng nhớ mình đã viết gì. Cách tốt hơn là lưu mỗi prompt thành một file riêng, giống như quản lý mã nguồn — có thể theo dõi thay đổi, cập nhật phiên bản, và tái sử dụng cho dự án khác.

Bên trong prompts/, bạn có thể chia làm ba phần:

system/: chứa system prompt — bộ quy tắc nền tảng quy định AI đóng vai trò gì, làm việc theo nguyên tắc nào, được và không được làm gì. Ví dụ như tro-ly-nghien-cuu.md hay quy-tac-bao-mat-du-lieu.md.
tasks/: chứa prompt cho từng nhiệm vụ cụ thể, ví dụ tom-tat-tai-lieu.md hay viet-bao-cao.md. Nên viết theo khuôn rõ ràng: mục tiêu, dữ liệu đầu vào, các bước thực hiện, tiêu chí kiểm tra, định dạng đầu ra.
tools/: chứa hướng dẫn để AI biết cách dùng các công cụ như tìm kiếm web, đọc file, xử lý Excel hay gọi API.

Mẹo nhỏ: đừng viết prompt kiểu “làm ơn giúp tôi…” rồi để đó. Hãy coi mỗi file prompt như một công thức nấu ăn — ai đọc vào cũng làm ra kết quả giống nhau.

2. `data/` — quản lý mọi dữ liệu đầu vào

Đây là nơi chứa tài liệu, bảng tính, hình ảnh hay bất kỳ dữ liệu nào mà AI cần đọc. Chia thành hai phần:

raw/: dữ liệu gốc, chưa qua chỉnh sửa — file PDF khách gửi, biên bản họp, file Excel xuất từ hệ thống, bản ghi âm… Nguyên tắc quan trọng nhất ở đây là không bao giờ chỉnh sửa trực tiếp dữ liệu trong raw/. Giữ nguyên bản gốc giúp bạn đối chiếu lại khi có gì đó sai sót.
processed/: dữ liệu đã được làm sạch, chuẩn hóa để AI dùng được ngay — PDF đã chuyển thành văn bản, bảng Excel đã bỏ dòng trùng, tài liệu đã che thông tin nhạy cảm, hay đã chia nhỏ để đưa vào hệ thống RAG.

Quy trình đơn giản là: dữ liệu gốc → làm sạch → chuẩn hóa → AI xử lý.

Nếu làm cho doanh nghiệp, nên thống nhất cách đặt tên file theo dạng YYYY-MM-DD_ten-tai-lieu_phien-ban, ví dụ 2026-07-24_bao-cao-doanh-thu_v01.xlsx — vừa dễ tìm, vừa dễ theo dõi phiên bản.

3. `agents/` — quản lý Agent, kỹ năng và công cụ

Thư mục này chứa cấu hình và năng lực của các AI Agent trong dự án. Cũng chia làm hai phần chính:

skills/: mỗi skill đại diện cho một năng lực có thể tái sử dụng, ví dụ tom-tat-tai-lieu/ hay phan-tich-hop-dong/. Bên trong mỗi skill nên có file skill.md mô tả rõ: skill này làm gì, khi nào dùng, cần dữ liệu gì, quy trình ra sao, đầu ra chuẩn là gì, và quan trọng không kém — tình huống nào không nên dùng.
tools/: cấu hình để Agent gọi các công cụ bên ngoài như tìm tài liệu, đọc Google Drive, xử lý Excel, gửi email, hay kết nối MCP.

Nếu dự án có nhiều Agent, nên tách riêng theo phạm vi công việc, ví dụ agent-nghien-cuu/, agent-bao-cao/, agent-nhan-su/. Một Agent ôm hết mọi việc nghe có vẻ tiện, nhưng thực tế lại rất khó kiểm soát chất lượng — Agent nào làm việc gì nên rõ ràng ngay từ đầu.

4. `evals/` — kiểm thử và đánh giá AI

Đây là phần dễ bị bỏ qua nhất, nhưng lại quan trọng không kém ba phần trên. Bạn không thể chỉ dựa vào cảm giác “thấy AI làm ổn” để tin tưởng đưa vào dùng thật. Thư mục evals/ giúp bạn có bằng chứng rõ ràng:

tests/: các bộ câu hỏi hoặc tình huống kiểm thử — AI có trích dẫn đúng nguồn không, có bỏ sót nội dung quan trọng không, có tự bịa thông tin không có trong tài liệu không. Mỗi test nên ghi rõ đầu vào, kết quả mong đợi, kết quả thực tế, và trạng thái đạt hay không đạt.
traces/: ghi lại toàn bộ quá trình Agent xử lý nhiệm vụ — đọc dữ liệu nào, gọi công cụ nào, bước nào bị lỗi. Khi kết quả sai, trace chính là nơi bạn lần ra nguyên nhân.
scorecards/: bảng tiêu chí chấm điểm cho từng nhiệm vụ, ví dụ thang 100 điểm chia cho độ chính xác, đầy đủ nội dung, trích dẫn nguồn, đúng định dạng, rõ ràng dễ đọc, tuân thủ bảo mật.

Lưu ý: chỉ nên đưa Agent vào dùng chính thức khi vượt qua ngưỡng điểm đã đặt ra từ trước, ví dụ 80/100. Đừng để cảm tính quyết định.

Bắt tay vào làm

Nếu muốn áp dụng ngay cho dự án mới, làm theo 6 bước sau:

Tạo 4 thư mục prompts, data, agents, evals.
Đưa tài liệu gốc vào data/raw.
Làm sạch dữ liệu, lưu vào data/processed.
Viết prompt cho từng nhiệm vụ trong prompts/tasks.
Đóng gói các việc lặp lại thành skill trong agents/skills.
Tạo bộ test và bảng chấm điểm trong evals.

Cấu trúc này không có gì cao siêu, nhưng nó giải quyết đúng cái vấn đề mà hầu hết dự án AI gặp phải khi lớn lên: không biết cái gì ở đâu, không tái sử dụng được, và không có cách nào kiểm chứng AI có thực sự làm đúng hay không. Bỏ ra 10 phút dựng khung này từ đầu, về sau đỡ mất cả buổi đi dọn dẹp. Bạn đang tổ chức dự án AI của mình theo cách nào? Chia sẻ bên dưới nhé!