Quà Tặng: Dựng Mọi Agent Claude Code Từ YouTube Trong 6 Bước

YouTube là kho hướng dẫn nghề lớn nhất thế giới và gần như miễn phí — nhưng kiến thức nằm rải trong hàng trăm video, xem hết thì mất hàng tuần mà xem xong vẫn quên. Món quà này đảo ngược chuyện đó: lắp cho Claude Code khả năng nghe (transcript) và nhìn (khung hình), rồi bắt nó nuốt 10 video hay nhất về một nghề và gộp thành một agent chuyên gia. Nói như câu trên tài liệu: “Bạn không xem 10 video — bạn có một agent đã xem hộ và làm được theo.” Sáu bước, chia ba chặng, kèm câu lệnh copy–dán và bảng agent mẫu. Điều kiện: Claude Code + một API key Gemini miễn phí.

Vì sao phải có cả hai nguồn: tai và mắt

Điểm cốt lõi của cả phương pháp là dùng đồng thời hai nguồn dữ liệu bổ khuyết cho nhau. Transcript cho bạn từng chữ tác giả nói, nhưng bỏ sót mọi thứ diễn ra trên màn hình; Gemini phân tích khung hình cho bạn thấy tác giả thật sự bấm gì, chỉnh gì. Chỉ khi có cả hai, agent mới làm lại được chứ không chỉ kể lại:

Bản đồ 6 bước, 3 chặng

Toàn bộ quy trình đi qua ba chặng: hiểu vấn đề, lắp tai + mắt, rồi dựng agent. Mỗi bước có một câu lệnh dán thẳng vào Claude Code:

Chặng 1: hiểu điểm mù của Claude Code

Bước 1 — Biết trước Claude Code đang thiếu gì. Mặc định, Claude Code không xem được video: dán một link YouTube vào, nó chỉ thấy một chuỗi ký tự chứ không nghe hay nhìn được gì. Hiểu đúng điểm mù này rất quan trọng, vì ba bước tiếp theo chính là để vá nó. Cách diễn đạt cho đúng: bạn không “dạy Claude xem video” — bạn lắp thêm mắt và tai cho nó bằng các công cụ ngoài. Nắm rõ điều đó thì bạn sẽ không kỳ vọng sai và cũng không bỏ sót bước nào.

Chặng 2: lắp tai và mắt (bước 2–5)

Bước 2 — Cài skill YouTube (tai): lấy skill YouTube trên GitHub, đặt vào thư mục skill của Claude Code (~/.claude/skills/), gõ dấu gạch chéo để kiểm tra đã nhận chưa. Nó kéo transcript và rút kiến thức từ bất kỳ video nào. Bước 3 — Lấy API key Gemini miễn phí: tạo key trong Google AI Studio; dùng Gemini vì nó vốn đã hiểu link YouTube sẵn (cùng của Google) — nhớ lưu key vào biến môi trường, đừng dán thẳng vào file rồi đẩy lên GitHub. Bước 4 — Thêm máy chủ MCP YT Analysis (mắt): cắm Gemini vào Claude Code qua MCP để nó phân tích khung hình và âm thanh thật (claude mcp add… rồi claude mcp list để kiểm tra). Bước 5 — Ghép lời + hình: yêu cầu Claude phân tích video bằng cả hai nguồn và xuất một bảng gồm mốc thời gian, lời nói, thứ nhìn thấy trên hình, và kỹ thuật rút ra — vì phần lớn hướng dẫn kỹ thuật nằm ở thao tác trên màn hình, không nằm ở lời nói.

Chặng 3: dựng agent chuyên gia từ 10 video

Bước 6 — Nạp 10 video, gộp thành agent. Sau khi phân tích 10 video hay nhất về một chuyên môn, yêu cầu Claude gộp lại thành một agent: tìm những kỹ thuật nhiều tác giả cùng dùng (đó là phần cốt lõi của nghề), ghi lại chỗ các tác giả mâu thuẫn kèm điều kiện áp dụng, viết thành skill có đủ “khi nào dùng — quy trình — luật — lỗi hay gặp”, và nói rõ kỹ thuật nào chỉ một người dùng để đừng coi là chuẩn chung. Nguyên tắc vàng: một video cho bạn ý kiến một người; mười video cho bạn thấy cái gì lặp lại — đó mới là nghề, phần còn lại là khẩu vị cá nhân.

Đổi bộ video là đổi chuyên môn

Sức mạnh thật sự: cùng một quy trình, chỉ thay 10 video đầu vào là ra một agent nghề khác. Vài bộ đáng dựng trước:

5 lỗi hay gặp

Năm cái bẫy khiến agent của bạn yếu đi. Chỉ cài skill transcript rồi tưởng xong — mới có tai chưa có mắt, mất đúng phần đắt nhất là thao tác trên màn hình. Nạp video linh tinh cho đủ số 10 — thà 5 video thật hay còn hơn 10 video gom cho đủ, vì agent học cả thói quen dở. Nạp 10 video của cùng một người — bạn không dựng được agent chuyên gia mà chỉ nhân bản một cá nhân kèm cả tật của họ. Dán API key thẳng vào file rồi đẩy lên GitHub — lộ key là người khác xài hạn mức của bạn, luôn để trong biến môi trường. Và tin agent ngay, không đối chiếu lại video — AI tóm tắt vẫn bỏ sót và suy diễn, kỹ thuật nào quan trọng thì mở video soi lại đúng mốc thời gian.

Từ “xem cho biết” sang “có agent làm được”

Phương pháp này biến YouTube từ nơi bạn xem giải trí thành một nguồn nguyên liệu dựng công cụ. Thay vì xem 10 video rồi quên, bạn có một agent chắt lọc đúng phần lặp lại — tức phần thật sự là nghề — và dùng lại được mãi. Nó là anh em sinh đôi với cách biến mọi cuốn sách thành Skill Claude: một cái chắt nghề từ chữ, một cái chắt nghề từ hình — và cả hai đều khép lại bằng một skill bạn gọi ra khi cần. Nhớ giữ mình ở vai người kiểm chứng cuối: mở lại video gốc soi đúng mốc ít nhất vài kỹ thuật trước khi tin agent. Tải trọn bộ 6 bước kèm câu lệnh từng bước ở bên dưới.

Vì sao “mắt” mới là phần đắt nhất

Nhiều người dừng lại ở bước lấy transcript vì thấy đã có chữ là đủ. Nhưng thử nghĩ về một video hướng dẫn dựng phim: tác giả nói “kéo cái này sang đây, giảm cái kia xuống một chút” — transcript ghi đúng câu đó, nhưng “cái này”, “cái kia” là gì thì chỉ nhìn màn hình mới biết. Thông số hiện trên panel, nút được bấm, thứ tự thao tác — toàn bộ phần thực thi nằm ở hình chứ không ở lời. Đó là lý do bước lắp “mắt” bằng Gemini quan trọng ngang, thậm chí hơn, bước lấy “tai”. Một agent chỉ đọc transcript sẽ kể lại rất trôi chảy nhưng khi bắt tay làm thì lúng túng, vì nó chưa từng “thấy” ai làm. Ghép cả hai nguồn mới cho ra một agent hiểu trọn video ở mức làm lại được.

Checklist trước khi tin agent

In ra tick từng dòng: skill YouTube đã nằm đúng thư mục và gọi được bằng lệnh gạch chéo; đã có API key Gemini miễn phí lưu trong biến môi trường chứ không trong file; máy chủ MCP YT Analysis đã kết nối (kiểm bằng lệnh liệt kê máy chủ); thử một video lấy được cả transcript lẫn mô tả khung hình; đã chọn 10 video thật sự hay của nhiều tác giả khác nhau; agent đã chỉ ra được kỹ thuật nào nhiều người cùng dùng và kỹ thuật nào chỉ một người; và cuối cùng đã mở lại video gốc soi đúng mốc thời gian để kiểm chứng ít nhất hai kỹ thuật. Bước kiểm chứng cuối là không thể bỏ — AI dựng agent rất nhanh, nhưng người xác nhận nó đúng vẫn phải là bạn.