“Mọi người sử dụng AI quá bảo thủ rồi!” Claude Code người phụ trách: Phương pháp của tôi tham vọng hơn

Tác giả: QbitAI

Đặt ra một số mục tiêu không hợp lý, rồi nói với mô hình: Điều này rất hợp lý!

Đây là một mẹo nhỏ về cách sử dụng AI được Felix Rieseberg, người phụ trách phiên bản desktop của Claude Code, chia sẻ.

Cụ thể là làm thế nào?

Giả sử bạn muốn giảm thời gian tải trang web từ 10 giây xuống còn 5 giây, anh ấy gợi ý: Đặt mục tiêu trực tiếp là 0.2 giây.

Mô hình nói không thể làm được? Vậy hãy tiếp tục nói với nó: Vấn đề này hoàn toàn có thể giải quyết, hãy thử lại, thử lại.

Theo Felix, khi giao nhiệm vụ cho AI, chúng ta có thể táo bạo hơn một chút.

Anh ấy cũng chia sẻ một mẹo nhỏ: Thay đổi danh từ trong nhiệm vụ thành động từ.

Chẳng hạn, nhiệm vụ ban đầu là "làm một bản báo cáo PPT", có thể diễn đạt lại thành:

Trong 30 phút, thuyết phục một nhóm người bận rộn về giải thích của bạn về nguyên nhân và hậu quả của sự việc, và đưa ra quyết định khi tình hình vẫn chưa rõ ràng.

Ngoài việc cố tình đặt mục tiêu một cách táo bạo, anh ấy còn đưa ra một số cách làm cụ thể:

• Đừng chỉ để AI "suy nghĩ như một chuyên gia". Hãy tiếp tục hỏi: Chuyên gia thực sự sẽ xem những tài liệu gốc nào, sử dụng công cụ gì, áp dụng phương pháp nào, rồi viết những yêu cầu này vào nhiệm vụ.

• Đừng coi phán đoán của bản thân là câu trả lời. Hãy để AI kiểm tra, để AI quay lại tài liệu gốc, tìm kiếm bằng chứng hỗ trợ cho nó, cũng như những ví dụ phản bác có thể.

• Đừng để AI tự chấm điểm cho chính nó. Mã sẽ thực sự chạy, dự đoán kết quả sẽ được kiểm tra bằng dữ liệu mới, cuối cùng để kết quả thực tế lên tiếng.

Dưới đây là hướng dẫn chi tiết về cách sử dụng Claude của Felix, đã được chỉnh sửa.

Thưởng thức nào～

Sử dụng AI, chúng ta có thể táo bạo hơn

Tôi làm việc trong đội ngũ Claude.

Điều thú vị ở công việc này là: hầu như mỗi ngày tôi đều biết rằng, lại có một việc gì đó được hoàn thành nhờ Claude ------ thậm chí là do Claude tự hoàn thành.

Có những việc tôi chưa bao giờ nghĩ đến, có những việc tôi vốn nghĩ là không thể; còn một số việc, chỉ đơn giản là tôi không đủ tò mò và không dành thời gian để thử nghiệm.

Chỉ trong tháng này, Claude có thể đã hỗ trợ phát hiện một hành tinh mới; tôi đã thấy video âm nhạc AI đầu tiên mà tôi thực sự thích; chúng tôi thậm chí đã bắt đầu thảo luận về việc liệu thời đại mới của toán học có đang đến hay không.

Các khả năng của mô hình không phát triển đồng đều. Như Terence Tao đã nói, chúng "thật đáng kinh ngạc ở một số hướng, nhưng vẫn còn thiếu sót ở những hướng khác".

Một số người đã học cách điều khiển những khả năng đáng kinh ngạc của mô hình, như thể họ thực sự đã bay lên. Nhìn họ sử dụng sản phẩm mà tôi tự tay tạo ra để đạt được những độ cao như vậy, thật sự khiến người ta mê mẩn.

Nhiều người khác vẫn đang tìm hiểu cách sử dụng đôi cánh mới mọc này. Họ vẫn đang suy nghĩ: Ngoài việc trả lời "Thủ đô của Pháp là gì", hoặc "Có thể làm cho giọng điệu của email này nhẹ nhàng hơn không", AI còn có thể làm gì nữa?

Tôi và nhiều người làm trong lĩnh vực AI thường nói một câu: Sử dụng AI, nên táo bạo hơn một chút.

Câu nói này gần như đã trở thành khẩu hiệu hành động của chúng tôi. Mỗi khi thấy những thành quả đáng kinh ngạc, chúng tôi sẽ chia sẻ lại, kèm theo một câu: "Chúng ta vẫn chưa đủ táo bạo."

Tôi cũng biết, nói thì dễ, nhưng thực hiện lại rất khó. Vì vậy, đây là một hướng dẫn về "cách để táo bạo hơn".

Tôi chia mục tiêu thành bốn loại: Tốc độ, Độ cao, Độ sâu và Độ rộng.

△AI sinh ra

Tốc độ: Hoàn thành công việc tương tự trong thời gian ngắn hơn. Đây là cách cơ bản nhất mà AI tạo ra giá trị kinh tế.

Chẳng hạn, cùng là viết một đoạn mã, có Claude giúp đỡ, tôi có thể hoàn thành nhanh hơn. Cách sử dụng này đã khá trưởng thành và không cần phải tìm hiểu những cách sử dụng phức tạp hơn, vì vậy tôi sẽ bỏ qua ở đây.

Độ cao: Tăng cường mức độ trừu tượng của nhiệm vụ, tập trung vào kết quả cuối cùng mà bạn muốn đạt được, thay vì từng nhiệm vụ cụ thể.

Độ sâu: Suy nghĩ về nhiệm vụ như một chuyên gia hàng đầu, đi sâu vào dữ liệu, công cụ và vấn đề cơ bản.

Độ rộng: Tìm kiếm ý tưởng giải quyết vấn đề từ nhiều lĩnh vực khác nhau, sử dụng cả những kiến thức, công cụ và phương pháp mà bạn thường không tiếp xúc.

Mặc dù tôi chủ yếu sử dụng Claude, nhưng những gợi ý này không nhắm đến một mô hình cụ thể nào.

Độ cao: Để mô hình làm việc ở mức độ trừu tượng cao hơn

Chúng ta thường gọi cách làm này là "để mô hình làm việc ở mức độ trừu tượng cao hơn". Khi bạn giao nhiệm vụ cho mô hình, thực tế nó đang thực hiện ý tưởng tối ưu của bạn về cách đạt được kết quả mong muốn.

Nếu muốn suy nghĩ ở một chiều cao hơn, hãy tự hỏi bản thân ------ tiếp theo, bạn muốn điều gì xảy ra? Mục tiêu đằng sau mục tiêu là gì?

Đầu năm ngoái, tôi đã để Claude giúp tôi sửa chữa một vấn đề sập chương trình đơn lẻ, sau đó, tôi đã yêu cầu nó đảm bảo rằng ứng dụng của chúng tôi luôn hoạt động mà không bị sập.

Hãy xem một nhiệm vụ văn phòng hàng ngày * (xin lỗi, thậm chí có phần nhàm chán) *.

Giả sử bạn làm việc tại công ty Acme, cần chuẩn bị một bản PPT cho cuộc họp tổng kết kinh doanh quý * (QBR) *. Đưa cho Claude một đống dữ liệu, nó sẽ rất vui lòng giúp bạn làm ra; có thể bạn đã có mẫu, nó chỉ cần điền nội dung vào.

Điều này không thể so sánh với việc phát hiện một hành tinh mới. Nhưng cùng là làm một báo cáo quý, chúng ta có thể để AI làm gì nữa? Có thể bắt đầu từ những yêu cầu cơ bản nhất, từng bước nâng cao tham vọng:

△AI sinh ra

Bước đầu tiên, để nó hiểu những gì đã xảy ra trong kinh doanh.

Hầu hết các cuộc tổng kết cần trả lời những câu hỏi sau: Có gì thay đổi trong quý này? Tại sao? Tiếp theo nên làm gì?

Nếu bạn chỉ muốn cập nhật số liệu trong mẫu, hãy kiềm chế cơn cám dỗ này ------ hãy cố gắng đưa cho mô hình tất cả dữ liệu mà bạn có thể có, để nó thực sự hiểu doanh nghiệp của bạn, rồi hỏi nó:

Hãy cho tôi biết, quý này đã xảy ra những thay đổi gì, tại sao lại xảy ra, và chúng ta nên hành động như thế nào.

Bước thứ hai, để nó tìm ra những quyết định cần đưa ra.

Một cuộc họp ------ ít nhất là một cuộc họp tốt ------ lý tưởng nên kết thúc bằng một số quyết định. Bạn có thể hỏi Claude như sau:

Dựa trên tất cả những gì bạn đã biết, hãy xác định ba quyết định cấp bách nhất hiện tại, và phân tích các hướng hành động có thể, liệt kê lý do ủng hộ và phản đối cho từng hướng.

Bước thứ ba, để nó thiết kế lại cơ chế làm việc này.

Trước đây, để thực hiện một cuộc tổng kết kinh doanh quý, con người phải cẩn thận lọc dữ liệu, hiểu ý nghĩa của dữ liệu, rồi quyết định xem doanh nghiệp có cần điều chỉnh hay không.

Bây giờ, bạn có thể thử hỏi Claude:

Ý nghĩa của việc tổng kết là để ban lãnh đạo phát hiện sớm vấn đề, và phân bổ tài chính và nhân lực đến những nơi phù hợp.

Hãy thiết kế một cách thực hiện tốt hơn so với bản PPT quý, sử dụng dữ liệu lịch sử của chúng tôi để chứng minh rằng nó có thể phát hiện những vấn đề nào sớm hơn, rồi để nó chạy song song với phương pháp hiện tại trong một quý.

Khi bạn thực sự theo đuổi một kết quả cuối cùng nào đó, phương pháp nâng cao mục tiêu thường là hiệu quả nhất; nhưng đối với các nhiệm vụ sáng tạo, tính khả dụng của nó tương đối hạn chế.

Một tín hiệu đánh giá tốt là: nếu những gì bạn đang làm sau đó cần phải họp bàn thảo luận, thì đáng để nâng cao mục tiêu lên một tầng nữa.

Tất nhiên, hiện tại vẫn còn những hạn chế ------ ít nhất là vào năm 2026, đối với hầu hết các doanh nghiệp, chỉ nói một câu "Claude, hãy kiếm tiền đi", dường như vẫn chưa thể khiến mọi thứ tự động vận hành.

Tuy nhiên, quan sát tổng thể của tôi là: Khi khả năng tăng cường, mô hình dường như ngày càng có thể làm việc ở mức độ trừu tượng cao hơn.

Nâng cao mức độ mục tiêu cũng có thể giúp mọi người tìm ra quy trình làm việc bền vững, không cần sự can thiệp liên tục của con người, để bạn không phải lần lượt giao nhiệm vụ mới cho mô hình.

Để làm tốt điều này, thường cần phải thay đổi quy trình làm việc hiện tại.

Chẳng hạn, để đảm bảo Claude rằng ứng dụng của chúng tôi không bị sập, tôi phải trước tiên cho phép nó dễ dàng truy cập báo cáo sập, hiểu phiên bản ứng dụng nào tương ứng với lần commit Git nào, và cấp quyền cho nó truy cập máy tính Windows, macOS và Linux. Như vậy, nó mới có thể thực sự độc lập tái hiện vấn đề và xác minh xem việc sửa chữa có hiệu quả hay không.

Độ sâu: Sử dụng phương pháp của các chuyên gia hàng đầu, làm rõ vấn đề

Đôi khi, bạn chỉ muốn một nhiệm vụ hoàn thành thật xuất sắc.

Có tham vọng hơn về "độ sâu" là thúc đẩy mô hình sử dụng các công cụ, kỹ thuật, phương tiện và kiến thức mà những chuyên gia xuất sắc trong lĩnh vực này đang sử dụng, và liên tục gia tăng ------ cho đến khi ngay cả những chuyên gia đó cũng có thể học được điều gì đó mới từ kết quả của bạn.

Tiếp tục xem xét cuộc tổng kết kinh doanh quý của công ty Acme. Giả sử công ty này đang đối mặt với vấn đề mất khách hàng, tức là khách hàng liên tục rời bỏ theo thời gian.

Tôi phát hiện ra rằng, kết hợp một số phương pháp dưới đây lại với nhau rất hữu ích:

△AI Tạo ra

Kiên trì sử dụng các công cụ mà những người hàng đầu trong ngành sử dụng

Khi bạn yêu cầu mô hình "làm việc như một chuyên gia", nó thường chỉ thay đổi một bộ từ vựng chuyên nghiệp, nhưng phương pháp thực tế không thay đổi.

Để thực sự nghiên cứu sâu vấn đề, bạn cần sử dụng các công cụ mà những nhà khoa học dữ liệu và thống kê hàng đầu sử dụng. Khi Claude với tay lấy bảng Markdown, hãy kiên trì yêu cầu nó chuyển sang sử dụng cơ sở dữ liệu và mô hình thống kê.

Bạn không cần phải biết trước chuyên gia sẽ sử dụng gì ------ Claude thường biết.

Đặt ra những mục tiêu "không hợp lý", sau đó nói với mô hình rằng chúng rất hợp lý

Bạn muốn giảm thời gian tải trang web từ 10 giây xuống 5 giây? Hãy yêu cầu trực tiếp 0.2 giây.

Mô hình cảm thấy một điều gì đó không thể thực hiện? Hãy nhấn mạnh với nó rằng vấn đề này hoàn toàn có thể giải quyết, nó cần tiếp tục thử nghiệm.

△AI Tạo ra

Thách thức những kết luận mà bạn đã xác định

Đặc biệt trong lĩnh vực kinh doanh, nhiều điều mà chúng ta tin là sự thật chỉ là những gần đúng thô thiển về thực tế.

Hãy để mô hình tiếp cận thông tin và dữ liệu gốc, kiểm tra những giả thuyết đó với thái độ hoài nghi.

Ví dụ:

Chúng tôi cho rằng việc mất khách hàng là vấn đề ở giai đoạn hướng dẫn người dùng mới. Hãy cố gắng tái hiện kết luận này từ dữ liệu gốc.

Tìm ra kiến thức mới

Bước này rất dễ dàng để theo sau "thách thức nhận thức hiện có" ------ vì Claude đã đi sâu vào dữ liệu, hãy tiếp tục yêu cầu nó tìm kiếm những điểm mù:

Xây dựng một mô hình mô phỏng khách hàng dựa trên nhật ký của chúng tôi, tái hiện tình hình trong năm qua. Sau đó, tìm ra những tín hiệu mà chúng tôi chưa biết, báo hiệu việc mất khách hàng sớm nhất, và xác minh khả năng dự đoán của nó bằng dữ liệu mà nó chưa thấy.

Giới thiệu đánh giá bên ngoài

Đừng để mô hình tự đánh giá bản thân.

Tôi nghĩ rằng, khi trí thông minh của mô hình ngày càng tăng, vấn đề này cuối cùng sẽ được giải quyết. Nhưng vào tháng 10 năm 2026, tôi mạnh mẽ khuyên bạn nên kiên trì sử dụng xác minh bên ngoài.

Trong lý tưởng, phương pháp xác minh nên là một công cụ mà mô hình có thể tự vận hành và nhận phản hồi ngay lập tức.

Dưới đây là một gợi ý đơn giản thường giúp tôi:

Tôi muốn thực hiện nhiệm vụ này một cách sâu sắc hơn, chứ không phải mở rộng phạm vi nhiệm vụ. Trước khi viết lại nhiệm vụ, hãy hoàn thành bốn việc sau:

Nêu rõ những điều mà các chuyên gia hàng đầu trong lĩnh vực này sẽ làm, mà tôi chưa yêu cầu.

Liệt kê những tài liệu gốc mà họ sẽ bắt đầu từ, thay vì sử dụng nội dung đã được tôi sắp xếp và tiêu hóa.

Liệt kê các phương pháp và công cụ cụ thể mà họ sẽ sử dụng.

Nêu rõ có gì khác ngoài bạn và tôi có thể chứng minh rằng kết quả là đúng.

Sau đó, viết lại gợi ý của tôi, đưa những yêu cầu này vào một cách chính xác.

△AI Tạo ra

Độ rộng: Sử dụng phương pháp từ các lĩnh vực khác

Có tham vọng hơn về "độ rộng" có nghĩa là xem xét công việc của bạn từ góc độ của các lĩnh vực khác nhau.

Các lĩnh vực liên quan có thể nhiều hơn so với trước đây, vì trước đây làm như vậy thường không hiệu quả về chi phí.

Ý tưởng này không mới. Hầu như mọi bộ phim nói về việc tập hợp đội ngũ tài năng đều dành 30 phút đầu tiên để tập hợp một nhóm người có nền tảng khác nhau và mỗi người có một điểm mạnh riêng.

Khi các sản phẩm AI làm cho hệ thống đa tác nhân ngày càng dễ vận hành ------ cho dù thông qua nhiều luồng, điều phối viên, hay sử dụng trực tiếp các tác nhân phụ, tôi nhận thấy rằng việc để Claude đưa ra những ý tưởng từ các lĩnh vực khác thường mang lại một số kết quả thú vị.

Thực hiện điều này không dễ dàng, nó cần bạn phát huy sự sáng tạo.

Trước khi thấy đồng nghiệp Alex Albert sử dụng Blender để tạo hình thiết kế nội thất, tôi chưa bao giờ nghĩ rằng có thể sử dụng Claude để tạo ra môi trường 3D cho trang chủ của mình.

Phải biết rằng, trước đây tôi đã làm trò chơi điện tử!

Tuy nhiên, đây cũng chính là nơi tôi thường thấy những điều bất ngờ nhất.

Cụ thể nên làm như thế nào? Tôi sẽ sử dụng những phương pháp dưới đây.

Cố gắng thay đổi danh từ thành động từ

Đây là một phương pháp cũ mà Tom Kelley và Jonathan Littman đề cập trong cuốn "Nghệ thuật đổi mới".

Mục đích của việc tổng kết hàng quý không chỉ là tạo ra "một bản PPT". Những gì bạn cần làm là:

Trong vòng 30 phút, thuyết phục một nhóm người bận rộn về một giải thích liên quan đến nguyên nhân và hậu quả của sự việc, và đưa ra quyết định trong tình huống không chắc chắn.

Sử dụng động từ để mô tả nhiệm vụ sẽ giúp tôi và Claude dễ dàng nhìn thấy những lĩnh vực có thể cung cấp những góc nhìn độc đáo và hữu ích.

△AI Tạo ra

Tạo ra một đội ngũ đa lĩnh vực

Giả sử bản PPT này phải gây ấn tượng, nếu không người ngoài hành tinh sẽ phá hủy trái đất. Con người sẽ tập hợp một đội ngũ như thế nào?

Để đảm bảo chất lượng sản phẩm, tôi sẽ tìm một nhà phân tích, một nhà báo và một biên tập viên.

Nếu cần trình bày trực tiếp, có thể còn cần tìm một nhà thiết kế chuyển động và một nhà thiết kế âm thanh.

Việc đưa vào một "đội đỏ" chuyên tìm lỗi có thể rất hữu ích, vì vậy hãy tìm một người hoài nghi và một kế toán pháp lý.

Tuy nhiên, phương pháp này rất dễ trở thành diễn xuất không mong muốn. Kết quả chỉ khiến cuộc đối thoại giữa bạn và mô hình trở nên kỳ quặc hơn, nhưng kết quả thực tế không được cải thiện.

Bạn nên sử dụng phương pháp này để tìm kiếm các lĩnh vực và công nghệ hữu ích. Để mô hình tiến hành điều tra theo phương pháp của một nhà đầu tư hoài nghi sẽ có ý nghĩa hơn là yêu cầu nó viết một vai diễn như vậy.

Tất cả các phương pháp mà tôi đã giới thiệu trước đó đều yêu cầu mô hình có một máy tính có thể vận hành, có thể cài đặt phần mềm và truy cập vào nhiều dữ liệu liên quan, cho dù thông qua kết nối MCP hay các phương pháp khác.

Hiện có nhiều công cụ có thể cung cấp những điều kiện này, tôi khuyên bạn nên chọn một cái để sử dụng.

Cảm giác tự hiệu quả: Con người cũng cần cập nhật đánh giá về khả năng của bản thân

Trên đây là những gợi ý cụ thể của tôi về "cách trở nên tham vọng hơn".

Nếu bạn sẵn lòng ở lại thêm một chút, tôi muốn nói về lý do tại sao chúng ta cần thảo luận về vấn đề này.

Con người luôn bị giới hạn bởi sự đánh giá của chính mình: chúng ta nghĩ điều gì là có thể, điều gì là không thể. Thậm chí còn rắc rối hơn, chúng ta thường nghĩ rằng mình chỉ có thể có tác động trong những lĩnh vực rất hẹp.

Michelangelo không muốn vẽ cho Nhà nguyện Sistine là một ví dụ nổi tiếng. Ông cho rằng mình là một nhà điêu khắc và thiếu sự công nhận về danh tính của một họa sĩ.

△Francisco Goya's "Modo de volar" (A Way of Flying)

【Francisco Goya là một trong những họa sĩ vĩ đại nhất trong lịch sử Tây Ban Nha, được coi là người tiên phong của hội họa lãng mạn và là nhân vật quan trọng kết nối giữa các bậc thầy cổ điển và nghệ thuật hiện đại】

Khi nghiên cứu vấn đề "tham vọng", tôi đã tìm hiểu một khái niệm liên quan trong tâm lý học: cảm giác tự hiệu quả.

Nói đơn giản, những người có cảm giác tự hiệu quả cao hơn tin tưởng vào khả năng của mình hơn, và do đó có thể hoàn thành nhiều việc hơn.

Có bằng chứng cho thấy cảm giác tự hiệu quả có thể được nâng cao thông qua một số phương pháp.

Locke và Latham đã tổng hợp 35 năm nghiên cứu về thiết lập mục tiêu và đưa ra kết luận rõ ràng: những người được giao những mục tiêu rõ ràng và thách thức sẽ thể hiện tốt hơn những người chỉ được bảo "cố gắng hết sức".

Người sáng lập Stripe, Patrick Collison, duy trì một danh sách có tên "Fast", ghi lại những gì con người đã hoàn thành dưới áp lực của những mục tiêu táo bạo và thời hạn gấp rút.

Dưới đây là một số phương pháp đã được ghi chép đầy đủ.

Tin rằng những điều khó khăn có thể thực hiện được

Năm 1939, George Dantzig đến lớp học thống kê ở Berkeley muộn.

Ông đã chép lại hai bài toán trên bảng đen, nghĩ rằng đó là bài tập về nhà, và sau đó nộp lời giải của mình.

Thực tế, đó là hai vấn đề chưa được giải quyết trong thống kê.

Thấy người khác làm được, rồi hoàn thành những điều khó khăn

Trong nhiều thập kỷ, con người đã cố gắng rút ngắn thời gian chạy một dặm xuống dưới 4 phút.

Vào tháng 5 năm 1954, Roger Bannister đã vượt qua cột mốc này. Nhưng tình huống "trên toàn cầu chỉ có một mình anh ấy chạy vào dưới 4 phút" chỉ kéo dài 46 ngày.

Nếu bạn quan tâm đến việc chạy, bạn sẽ thấy rằng cột mốc hai giờ trong marathon đang xảy ra điều tương tự.

Vào tháng 4 năm nay, Sabastian Sawe đã chạy được thành tích marathon đầu tiên dưới hai giờ trong một sự kiện chính thức. Á quân của cùng một cuộc thi cũng đã chạy dưới hai giờ.

【Rào cản marathon hai giờ: Marathon có tổng chiều dài 42.195 km, việc con người "phá 2" (chạy trong vòng 2 giờ) được coi là một cột mốc thể lực mang tầm vóc tương đương với "bốn phút một dặm"】

△AI tạo ra

Cho phép bản thân thất bại, rồi tiếp tục thách thức khó khăn

Cuốn sách "The Inner Game of Tennis" dường như là một cuốn sách kinh doanh mà ai cũng yêu thích, và tôi mới phát hiện ra nó tuần trước.

Điểm cốt lõi của cuốn sách là: Khi bạn cố gắng quá sức, nỗ lực quá nhiều, bạn lại không thể phát huy được trình độ quần vợt tốt nhất của mình.

Chúng ta, những kỹ sư có lẽ vẫn nhớ, khi Linux vừa được công bố, Linus đã mô tả nó như thế này:

Tôi làm cái này chỉ để vui, không giống như GNU vĩ đại và chuyên nghiệp～

(Chẳng ai có thể ngờ rằng, sau này Linux trở thành một hiện tượng lớn, trong khi nhân GNU đến nay vẫn chưa thành công…)

Cảm giác tự hiệu quả không phải là một vấn đề mới, nhưng giờ đây nó trở nên cực kỳ quan trọng!

Trong một thời đại mà khả năng của chúng ta tăng vọt mỗi vài tuần, chúng ta cần gấp rút một số phương pháp để thực hiện những điều mà chúng ta chưa từng nghiêm túc xem xét, thậm chí chưa bao giờ tin rằng mình có thể làm được.