Automation FC

10/07/2026

Một phiên bản thử nghiệm và nâng cấp toàn diện cho khóa học livestream sắp tới "𝐅𝐮𝐥𝐥𝐬𝐭𝐚𝐜𝐤 𝐐𝐀 𝐀𝐮𝐭𝐨𝐦𝐚𝐭𝐢𝐨𝐧"

💥 Thêm module mới trong phần nền tảng: Rest Assured/ Postman for API (học Livestream)
💥 Thêm module mới trong phần nền tảng: Playwright for UI (học Livestream)
💥 Thêm module mới trong phần nâng cao: Build Framework with Playwright (học Livestream)
💥 Có thể học nâng cao Build Framework with Selenium qua các bài học Video (khóa trước)
💥 AI for Testing (Prompt > Context > Harness > Loop Engineering): (học Livestream)
💥 Các nội dung mới chỉ có ở khóa Livestream này (chưa có cho khóa Video)
💥 Học theo phương pháp Flipped Classroom đẩy nhanh tiến độ (Livestream kiến thức mới + Video kiến thức cũ)
💥 Tất cả trong 1 khóa duy nhất/ 1 lần duy nhất và chỉ học Livestream (học được nhiều hơn/ nhanh hơn/ học phí thấp hơn)
💥 Một khóa học có nhiều kĩ năng với mức học phí thấp nhất - lần đầu tiên triển khai chưa có ở khóa Video
💥 Đáp ứng được xu hướng và yêu cầu của thị trường tuyển dụng 2026 - 2030 (Selenium/ Playwright/ API/ AI)
💥 Đầy đủ từ nền tảng cơ bản đến nâng cao để phát triển Career Path trong 3-5-10 năm tới
💥 100 buổi học Livestream tinh gọn liên tục mỗi tuần 3 buổi trong vòng 8 tháng (03/2027 hoàn thành)
💥 Khai giảng sáng CN (12/07) học cố định sáng CN + tối T2/ T4

🎁 20 SLOT đầu tiên với mức học phí cũ 9tr - sau đó áp dụng học phí mới 10tr/ 100 buổi Livestream (Định giá thị trường học hết các kĩ năng trên ~20tr)

NHU CẦU THỊ TRƯỜNG NGÀNH IT
🎯 Năm 2025 là năm AI coding phổ cập nhất lịch sử - GitHub tăng trưởng hơn 36 triệu lập trình viên mới/ 121 triệu repository mới/ gần 1 tỷ commit (+25%)/ 43,2 triệu pull request được merge mỗi tháng
🎯 Cục Thống kê Lao động Mỹ (BLS) dự báo việc làm kỹ sư phần mềm tăng 15% giai đoạn 2025–2034, gấp khoảng 5 lần mức trung bình toàn nền kinh tế với khoảng 129.200 vị trí tuyển mới mỗi năm
🎯 Khối lượng code sẽ tăng mạnh khi AI hạ rào cản và code do AI sinh ra càng cần người thiết kế/ kiểm thử và chịu trách nhiệm
🎯 Andrej Karpathy (đồng sáng lập OpenAI) lý giải - thế giới chưa có nhiều phần mềm hơn không phải vì không cần mà vì phần mềm quá đắt đỏ - khi rào cản chi phí giảm xuống thì nhu cầu phần mềm sẽ bùng nổ
🎯 Tại Việt Nam - ngành CNTT cần ~700.000 kỹ sư nhưng mới có ~530.000/ thiếu gần 200.000 nhân sự - ước tính đến 2030 cần tới 3 triệu nhân lực CNTT - riêng nhân lực AI mới đáp ứng khoảng 1/ 10 nhu cầu thực tế

THỊ PHẦN MẢNG AUTOMATION TESTING
✅ Quy mô thị trường Automation Testing (2026 - 2035) định giá hơn 42 tỷ USD năm 2026/ dự báo vượt 172 tỷ USD vào 2035 (tăng gấp ~4 lần trong 10 năm tới) với CAGR trên 16,7%/ năm (số liệu từ Research Nester/ Polaris Market Research)
✅ AI và Generative AI được tích hợp vào công cụ kiểm thử
✅ DevOps và CI/CD trở thành tiêu chuẩn trong phát triển phần mềm
✅ Continuous Testing thay thế mô hình kiểm thử truyền thống
✅ Cloud Testing và Cross Browser Testing phát triển mạnh
✅ Nhu cầu kiểm thử Mobile/ API/ Microservice/ Cloud tăng nhanh
✅ Doanh nghiệp chuyển đổi số trên quy mô lớn - yêu cầu phát hành phần mềm nhanh hơn nhưng vẫn đảm bảo chất lượng

01/07/2026

Nền tảng luôn quan trọng 😬 😬 😬

26/06/2026

Are you building with AI? 🤖

21/06/2026

𝐐𝐀 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫 𝐢𝐧 𝟐𝟎𝟐𝟔 - The same level as a Developer 😎😎😎

19/06/2026

"Vì sao AI hay "quên" - hiểu về Context Window?

Bạn từng gặp trường hợp chat với AI một hồi rồi nó "quên" mất thông tin bạn đã mô tả ở đoạn đầu?
Đó không phải AI bị lú - mà đó là giới hạn của Context Window
Hãy hình dung Context Window như một chiếc bàn làm việc có diện tích cố định. Mọi thứ phải đặt lên đó cùng lúc: yêu cầu bạn đưa vào/ lịch sử trò chuyện/ tài liệu bạn tải lên/ câu trả lời của AI. Khi bàn bị đầy thì những thứ cũ bị đẩy ra ngoài rìa hoặc rơi xuống.

✅ AI chỉ "nhìn thấy" những gì nằm trong Context Window tại thời điểm đó
✅ Mọi thứ dùng chung một lượng Token trong phạm vi model đang sử dụng: prompt + lịch sử chat + tài liệu + câu trả lời
✅ Thông tin nằm ở GIỮA đoạn hội thoại dài dễ bị bỏ sót nhất không phải chỉ phần đầu - nghiên cứu "Lost in the Middle" gọi đây là đường cong chữ U: nhớ tốt ở đầu và cuối - kém ở giữa (các model rớt 10-25% độ chính xác với thông tin nằm giữa)
✅ Cửa sổ lưu "1 triệu token" không có nghĩa AI nhớ đều cả 1 triệu - ngữ cảnh thực tế luôn thấp hơn con số quảng cáo
✅ Mỗi đoạn chat mới mặc định là "tờ giấy trắng" - trừ khi bạn bật tính năng Memory

Sai lầm cần tránh:
❌ Dán cả tài liệu specification 50 trang rồi hỏi chung chung - nội dung ở giữa tài liệu dễ bị sót
❌ Cho rằng AI nhớ chính xác cái bạn nói cách đây 30 tin nhắn
❌ Để hội thoại phình to vô tội vạ rồi trách "AI ngày càng dốt"
❌ Đưa yêu cầu quan trọng nhất vào giữa một prompt dài

Cách làm đúng của một Tester thông minh .:
✅ Chia nhỏ - viết test case theo từng chức năng đừng nhồi cả specification một lần
✅ Khi nội dung debug trong đoạn chat dài hãy dán lại đoạn code/ lỗi quan trọng ngay trước câu hỏi
✅ Đặt yêu cầu quan trọng nhất ở ĐẦU hoặc CUỐI prompt - vùng AI chú ý mạnh nhất
✅ Mở đoạn chat mới khi chuyển sang task khác để "bàn làm việc" luôn gọn
✅ Nhắc lại bối cảnh quan trọng thay vì giả định AI vẫn nhớ

Hiểu Context Window không phải để "lách" AI - mà để giao việc cho nó đúng cách hơn. Tester giỏi biết giới hạn của công cụ và làm việc trong giới hạn đó để ra được kết quả tin cậy.

18/06/2026

Kỹ năng nào của Tester càng quan trọng khi có AI?

Càng quan trọng hơn:
✅ Đặt câu hỏi đúng và đánh giá rủi ro
✅ Tư duy phản biện và thẩm định Kết quả (Critical Thinking & Verification)
✅ Kiến thức nghiệp vụ chuyên sâu (Domain Expertise)
✅ Phân tích dữ liệu (Data Literacy)
✅ Thiết kế kiến trúc và chiến lược kiểm thử (Test Architecture & Strategy)
✅ Kỹ năng Prompt Engineering & điều phối AI Agents
✅ Kiểm thử chính các mô hình AI (Testing AI/ LLM Systems)
✅ Kỹ năng giao tiếp đàm phán với các bên liên quan

Giảm dần giá trị:
❌ Viết Test Cases thủ công kiểu "Boilerplate"
❌ Gõ Code Automation tuần tự (Boilerplate Code)
❌ Tạo dữ liệu kiểm thử (Test Data) bằng tay
❌ Kiểm thử hồi quy (Regression Test) thủ công
❌ Báo cáo lỗi bằng tay theo form mẫu

15/06/2026

Dữ liệu nào NÊN và KHÔNG nên đưa cho AI?

NÊN đưa:
✅ Dữ liệu giả lập (Mock Data/ Dummy Data)
✅ Log đã được ẩn thông tin nhạy cảm
✅ Code public/ tài liệu không nhạy cảm/ tài liệu đào tạo
✅ Ý tưởng thô và bản thảo văn bản công khai
✅ Mô tả chung về tính năng/ kiến thức chung và logic

KHÔNG nên đưa:
❌ Thông tin định danh cá nhân (PII)/ dữ liệu thật của khách hàng
❌ Mã nguồn nội bộ bí mật/ độc quyền
❌ Thông tin tài khoản/ mật khẩu/ API key
❌ Thông tin bảo mật hệ thống
❌ Hợp đồng và tài liệu pháp lý chưa công bố
❌ Bí mật kinh doanh & dữ liệu doanh nghiệp

Hãy tự hỏi: Nếu dữ liệu này xuất hiện công khai trên Internet vào ngày mai thì mình có chấp nhận được không?

14/06/2026

🤖 Ba khái niệm bạn PHẢI biết khi dùng AI: Prompt/ Token/ Context

📝 1. PROMPT – Câu lệnh bạn gửi cho AI
• Prompt là toàn bộ yêu cầu/ câu hỏi bạn đưa vào cho AI
• Ví dụ trong testing: "Viết 10 test case cho chức năng đăng nhập, bao gồm cả case hợp lệ và không hợp lệ"
• 👉 Nguyên tắc: Prompt càng rõ ràng, cụ thể → kết quả càng tốt
• ❌ Prompt dở: "Viết test case đăng nhập"
• ✅ Prompt tốt: "Viết test case đăng nhập cho web banking, có yêu cầu OTP, mật khẩu tối thiểu 8 ký tự, khóa tài khoản sau 3 lần nhập sai"
━━━━━━━━━━━━━━━
🔢 2. TOKEN – Đơn vị AI "đọc" văn bản
• AI không đọc theo từ hay câu, mà cắt nhỏ văn bản thành các token
• 1 token ≈ 3–4 ký tự tiếng Việt (tiếng Anh thì dài hơn)
• 👉 Mỗi AI có GIỚI HẠN số token cho mỗi cuộc trò chuyện
• Nếu bạn dán cả một tài liệu requirement 50 trang → có thể vượt giới hạn, AI sẽ "quên" phần đầu
• 💡 Mẹo: Chia nhỏ tài liệu, chỉ đưa phần liên quan đến việc bạn đang cần
━━━━━━━━━━━━━━━
🧠 3. CONTEXT – Ngữ cảnh bạn cung cấp
• Context là tất cả thông tin nền bạn đưa cho AI: yêu cầu nghiệp vụ, code, tài liệu, ảnh chụp lỗi…
• 👉 Context càng đầy đủ, rõ ràng → AI trả lời càng sát thực tế
• Ví dụ: Thay vì hỏi "Sao test case này fail?", hãy đưa kèm: log lỗi + bước thực hiện + kết quả mong đợi
• AI sẽ phân tích đúng vấn đề thay vì đoán mò
━━━━━━━━━━━━━━━
⭐ QUY TẮC VÀNG cần nhớ:
AI KHÔNG đọc được suy nghĩ của bạn 🧠❌
Bạn đưa thông tin gì → nó hiểu chừng đó
Đầu vào rác → đầu ra rác
Đầu vào chất lượng → đầu ra chất lượng

13/06/2026

𝗔𝗜/ 𝗠𝗮𝗰𝗵𝗶𝗻𝗲 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴/ 𝗟𝗟𝗠 - 𝗽𝗵𝗮̂𝗻 𝗯𝗶𝗲̣̂𝘁 𝘁𝗿𝗼𝗻𝗴 𝟭 𝗽𝗵𝘂́𝘁
✅ AI (Artificial Intelligence - Trí tuệ nhân tạo) là khái niệm rộng nhất: bất kỳ hệ thống nào làm được việc "cần thông minh" như con người - suy luận/ ra quyết định và nhận diện
✅ Machine Learning (Học máy) là một nhánh của AI: thay vì lập trình cứng từng quy tắc ta đưa dữ liệu vào để máy tự học ra quy luật
Ví dụ: lọc spam/ gợi ý sản phẩm/ dự đoán/..
✅ LLM (Large Language Model - Mô hình ngôn ngữ lớn) là một loại model cụ thể bên trong ML (chính xác hơn là Deep Learning) được huấn luyện trên lượng văn bản khổng lồ để hiểu và sinh ngôn ngữ
ChatGPT/ Claude/ Google Gemini/ Meta Llama/ DeepSeek/ Qwen/ Microsoft Copilot/.. đều là LLM

04/06/2026