Tại sao lại cần từ điển?
Khi bạn bắt đầu tìm hiểu về Obsidian, second brain hay PKM, bạn sẽ va phải một bức tường thuật ngữ cao hơn tòa nhà 20 tầng: wikilink, backlink, atomic note, Zettelkasten, RAG, LLM, CODE, PARA, Markdown, YAML, MCP, context window… Nghe như là bạn đang học ngoại ngữ mới vậy.
Nhưng đây là cái thú vị: bạn đã dùng các khái niệm này rồi, chỉ là chưa biết tên thôi. Khi bạn ghi ghi chú trong Notes rồi tìm lại sau, bạn đang làm PKM. Khi bạn tổ chức tài liệu vào các thư mục, bạn đang làm folder management. Khi bạn viết dòng “xem thêm ở tài liệu X”, bạn đang tạo liên kết.
Từ điển này không phải để bạn nhớ tên, mà để bạn thấy được: những gì bạn đã làm đơn lẻ từng mảnh có thể kết nối thành một hệ thống. Nếu bạn đang tự hỏi tại sao mình cần kho tri thức, câu trả lời bắt đầu từ việc hiểu ngôn ngữ của nó.
Mỗi khái niệm ở đây được giải thích qua 3 câu hỏi: đó là cái gì (qua phép ẩn dụ), nó hoạt động ra sao (giải thích), và bạn đã dùng rồi chưa (ví dụ thực tế).
Nhóm 1: “nơi chứa đồ” — tại sao lại cần kho tri thức?
Tưởng tượng bạn có một ngôi nhà không có tủ, không có kệ sách, không có tủ lạnh, chỉ có sàn nhà. Bạn mua rau về thì vứt trên sàn. Mua quần áo về thì xếp trên sàn. Sau mấy tuần, sàn trở thành một mớ hỗn độn, bạn không biết cái gì ở đâu, không biết cái gì hỏng mất, không biết cái gì còn dùng được.
Đó chính xác là cuộc sống của 99% mọi người với tri thức. Bạn đọc được điều gì đó hay, bạn thích nó, rồi nó mất. Nhóm thuật ngữ đầu tiên nói về chính cái “ngôi nhà” đó.
| Thuật ngữ | Ẩn dụ | Bạn đã dùng rồi |
|---|---|---|
| PKM (Personal Knowledge Management) | Quản lý hộ gia đình riêng, không phải quản lý công ty lớn | Bạn ghi ghi chú vào Notes, tìm lại sau. Đó là PKM rồi. |
| Second brain | Một bộ não thứ hai mà bạn có thể nhìn vào | Bạn lưu công thức nấu ăn vào điện thoại để không phải nhớ. Điện thoại của bạn là second brain. |
| Vault | Tòa nhà chứa tất cả hộp quý báu của bạn | Thư mục chứa tất cả file .md trong Obsidian là vault. Nó là “nhà” của bạn. |
| Knowledge base | Kho tiếp tế: bạn xếp hàng vào đó để lấy ra khi cần | Tập hợp tất cả tài liệu, ghi chú, ý tưởng của bạn là knowledge base. Nó có thể là Obsidian, Notion, hoặc Confluence. |
| Wiki | Bộ sách tham khảo mở cho tất cả mọi người | Cách gọi cũ (từ Wikipedia). Nay dùng “knowledge base” nhiều hơn. Nhưng ý tưởng vẫn là: tất cả mọi người đều có thể thêm, sửa, xoá. |
| Information architecture | Bản đồ của nhà bạn: mái nhà ở đâu, cửa sổ ở đâu, bếp ở đâu | Cách sắp xếp folder, tag, mục lục trong kho tri thức của bạn. Nếu architecture tốt, bạn tìm đồ nhanh. |
Nhóm 2: “cách sắp xếp” — làm sao để tìm được đồ?
Cái vault hay knowledge base chỉ tốt nếu bạn tìm được đồ bên trong. Nếu tòa nhà bạn có 10.000 phòng nhưng không có bảng chỉ dẫn, bạn sẽ lạc đường. Nhóm thứ hai nói về các “bảng chỉ dẫn” — cách gắn nhãn, kết nối và sắp xếp thông tin.
| Thuật ngữ | Ẩn dụ | Bạn đã dùng rồi |
|---|---|---|
Wikilink [[]] | Chuông cửa mà bạn nhấn khi muốn ghé thăm một căn phòng khác | Bạn viết [[tên bài]] là bạn tạo chuông cửa. Khi bấm vào, bạn nhảy qua bài viết đó. |
| Backlink | Danh sách tất cả các căn phòng khác mà có người ghé thăm căn phòng này | Nếu 5 bài viết khác đều liên kết đến bài A2, backlink của A2 sẽ liệt kê cả 5 cái. Nó giống như “ai cite mình” vậy. |
| Graph view | Bản đồ tất cả phòng trong nhà, với các mũi tên nối lại những phòng liên quan | Obsidian vẽ biểu đồ: mỗi ghi chú là một chấm, mỗi liên kết là một dây nối. Bạn nhìn vào, bạn thấy hình dáng tri thức của mình. |
Tag # | Sticker: bạn dán một nhãn lên một hộp, sau này bạn có thể nhóm tất cả hộp có cùng sticker | Bạn viết #obsidian ở đầu một bài viết, sau đó filter để xem tất cả bài viết có tag đó. |
| Folder | Tủ gỗ: bạn xếp tất cả đồ chơi vào một tủ, quần áo vào tủ khác, sách vào tủ thứ ba | Trong Obsidian: /00-Dan-Nhap/, /01-Co-Ban/ là các folder. Nó là cách sắp xếp theo chủ đề. |
| MOC (Map of Contents) | Bảng mục lục: 1 trang duy nhất liệt kê tất cả những gì bạn có | Bạn tạo một file MOC rồi viết: “Phần 1 có bài A1, A2, A3; Phần 2 có bài B1, B2”. MOC là điểm khởi động của kho tri thức. |
| Atomic note | Một hộp chứa đúng 1 viên bi, không phải 5 viên hay 20 viên | Mỗi ghi chú nên nói về 1 ý tưởng duy nhất. Nếu một note có 5 ý tưởng, bạn nên tách thành 5 note. |
Cách sắp xếp tốt nhất không phải theo folder, cũng không phải chỉ dùng tag. Kết hợp cả ba: folder cho bối cảnh, tag cho chủ đề, wikilink cho ý tưởng. Khi đó, bạn có thể tìm được đồ bằng 3 cách khác nhau. Chi tiết hơn ở bài về liên kết hai chiều trong Obsidian.
Nhóm 3: “cách xử lý” — làm sao để thông tin trở thành kiến thức?
Bạn đã có “ngôi nhà” (vault) và “bảng chỉ dẫn” (tag, folder, wikilink). Nhưng chỉ có đó là chưa đủ. Tiếp theo là câu hỏi: bạn đút thứ gì vào ngôi nhà? Bạn xử lý nó ra sao để nó không thành rác, mà thành tài sản?
Nhóm thứ ba nói về quy trình: làm sao để biến thông tin thô thành tri thức có thể sử dụng được.
| Thuật ngữ | Ẩn dụ | Bạn đã dùng rồi |
|---|---|---|
| PARA | Phân chia công việc hàng ngày: dự án (gì đang làm), khu vực trách nhiệm (gì đang quản), tài nguyên (gì có thể dùng sau), hồ sơ lưu trữ (gì không dùng nữa) | Bạn tạo folder “Project: Website Redesign” (dự án), “Role: Content Lead” (khu vực), “Resource: Templates” (tài nguyên), “Archive: 2024” (lưu trữ). Đó là PARA. |
| Zettelkasten | Một hệ thống index card: mỗi thẻ chỉ ghi 1 ý tưởng, nhưng các thẻ được kết nối lại thành một mạng lưới tri thức | Thay vì ghi 1 file dài 20 trang về “tiếp thị kỹ thuật số”, bạn tách thành 20 file nhỏ (atomic notes), rồi kết nối chúng. |
| Progressive summarization | Bước lọc: lần đầu bạn tô đậm phần quan trọng, lần hai bạn tô đậm phần quan trọng của phần quan trọng, lần ba bạn viết 1 đoạn tóm tắt | Bạn đọc bài 3.000 từ. Bạn tô đậm 500 từ quan trọng. Lần sau bạn tô đậm 100 từ đó lại. Lần thứ ba bạn viết 20 từ tóm tắt. |
| CODE | Vòng xoay: Collect (lấy), Organize (xếp), Distill (lọc), Express (dùng) | Bạn clip bài viết từ web (collect). Bạn xếp nó vào folder “Resource: Marketing” (organize). Bạn tô đậm 3 ý chính (distill). Bạn viết blog post dựa trên nó (express). |
| Frontmatter / Metadata | Hộp tư vấn y tế: bạn nhìn vào nó, bạn biết bệnh nhân là ai, bao tuổi, dị ứng gì | Ở đầu file .md, bạn viết --- và ghi title, date, tag, status. Dữ liệu này giúp Obsidian và AI hiểu bài viết. |
| DIKW | Một cái thang: dữ liệu là những con số, thông tin là con số đó có nghĩa, kiến thức là biết dùng nó để làm gì, trí tuệ là biết khi nào nên dùng | Bạn thu thập “100 marketing channels” (data), bạn phân nhóm nó (information), bạn biết dùng mỗi cái cho tình huống khác (knowledge), bạn quyết định cái nào phù hợp với mình (wisdom). |
Nếu bạn chỉ lưu thông tin thô mà không lọc, kho tri thức của bạn sẽ trở thành một bãi rác: đầy noise, không có signal. Bạn phải lọc dần dần, giống như một cái lò lọc nước. Bài về dữ liệu thô vs dữ liệu tinh lọc giải thích cụ thể hơn.
Nhóm 4: “AI giúp gì?” — làm sao AI kết nối tri thức?
Tại sao AI lại quan trọng với kho tri thức? Vì AI có thể nhìn vào 10.000 ghi chú của bạn và tìm ra những kết nối mà con người không nhìn thấy. AI có thể “hiểu” ý tưởng của bạn và gợi ý: “Điều này giống cái kia, bạn có muốn nối chúng lại không?”.
| Thuật ngữ | Ẩn dụ | Bạn đã dùng rồi |
|---|---|---|
| LLM (Large Language Model) | Một người đã đọc sách vở của cả Internet. Bạn hỏi nó gì, nó trả lời dựa trên những gì nó đã học. Claude, ChatGPT, Gemini đều là LLM. | Bạn dùng ChatGPT để viết email, tóm tắt bài viết, brainstorm idea. Bạn đang dùng LLM. |
| RAG (Retrieval-Augmented Generation) | Người đó còn có một cuốn sổ: khi bạn hỏi, nó không chỉ dùng kiến thức toàn cầu mà còn lật cuốn sổ cá nhân của bạn để trả lời chính xác hơn | Bạn upload 100 tài liệu vào ChatGPT, rồi hỏi: “Công ty mình có bao nhiêu người?”. Thay vì nó nói “tôi không biết”, nó lật qua 100 tài liệu tìm con số. Đó là RAG. |
| Karpathy pattern / LLM wiki | Bạn tạo một wiki từ ghi chú của mình. Khi bạn hỏi AI gì, AI tìm trong wiki trước, rồi dùng kết quả để trả lời. | Bạn có knowledge base về sản phẩm của công ty. Bạn cho Claude đọc nó. Sau đó hỏi: “Giá sản phẩm X là bao nhiêu?”. Claude tìm trong knowledge base thay vì dùng Internet. Chi tiết ở bài Karpathy pattern. |
| MCP (Model Context Protocol) | Một cách bạn “nói chuyện” với AI. Thay vì copy-paste dữ liệu vào chat, MCP tự động kéo dữ liệu từ các nguồn khác nhau và feed cho AI. | Obsidian plugin kết nối với Claude qua MCP. Khi bạn hỏi: “Tóm tắt tất cả ghi chú của tôi”, Claude không phải chờ bạn copy-paste. MCP tự động pull tất cả ghi chú về. |
| Context window | Một cái túi: túi càng to, AI đọc hiểu được càng nhiều thông tin một lúc | Claude có context window 200.000 tokens. Tức là bạn có thể cho nó đọc một quyển sách nguyên vẹn, rồi hỏi gì đó về nó. |
| Prompt | Cách bạn hỏi AI. Prompt càng rõ ràng, chi tiết, AI trả lời càng tốt. | Thay vì hỏi “viết bài”, bạn hỏi “viết bài blog 2.000 từ về PKM, tông giọng chia sẻ với đồng nghiệp, có ví dụ thực tế, kết thúc bằng câu hỏi engagement”. Prompt rõ ràng, kết quả tốt hơn. |
Nhóm 5: “định dạng file” — bạn viết bằng cái gì?
Cuối cùng, chúng ta nói về định dạng: bạn viết dữ liệu bằng cái gì để vừa con người đọc được, vừa máy tính hiểu được?
| Thuật ngữ | Ẩn dụ | Bạn đã dùng rồi |
|---|---|---|
| Markdown | Cách viết đơn giản: thay vì <b>chữ đậm</b>, bạn chỉ cần **chữ đậm**. Máy tính vẫn hiểu, con người cũng dễ đọc. | Bạn viết # Tiêu đề, **chữ đậm**, - danh sách. Đó là Markdown. Obsidian, GitHub, Notion, Slack đều dùng Markdown. Chi tiết ở bài Markdown là ngôn ngữ chung của bạn và AI. |
| YAML | Một cách ghi “thông tin về thông tin” (metadata): bạn viết title: Bài viết của tôi, máy tính hiểu. | Ở đầu file .md, bạn viết --- rồi liệt kê các thuộc tính. Nó giống như “hộp tư vấn” nhưng bằng code. |
| Dataview | Một cách để hỏi dữ liệu trong kho: “cho tôi tất cả ghi chú có tag #obsidian, được tạo sau ngày 2026-01-01, sắp xếp theo date”. | Bạn viết vài dòng code Dataview trong Obsidian, nó tự động tạo bảng liệt kê kết quả. Không cần dùng Excel hay database. |
| Template | Một khuôn mẫu: bạn define một format, mỗi lần tạo note mới chỉ cần fill vào chỗ trống | Bạn tạo template: “Ngày: [date], Cảm xúc: [mood], Kế hoạch: [plan]”. Mỗi sáng, bạn tạo note mới, template tự động fill ngày hôm nay vào. |
Markdown dễ viết, dễ đọc, dễ convert sang định dạng khác (HTML, PDF, Word). YAML dễ cho máy tính đọc và xử lý. Kết hợp cả hai, bạn có được một hệ thống mạnh mẽ: con người và máy tính cùng hài lòng.
Cách sử dụng từ điển này
Đây không phải một cuốn sách mà là một công cụ tham khảo. Bạn có thể đọc từ đầu đến cuối nếu là người mới, để hiểu toàn bộ bối cảnh. Hoặc dùng Ctrl+F (hay Cmd+F trên Mac) để tìm một thuật ngữ cụ thể. Cách học tốt nhất là ghi nhớ phần “bạn đã dùng rồi” — ví dụ thực tế luôn dễ nhớ hơn định nghĩa khô cứng.
Bạn không cần học tất cả 30 thuật ngữ. Khoảng 10 thuật ngữ cốt lõi là đủ để bắt đầu: PKM, second brain, vault, wikilink, tag, folder, atomic note, Markdown, YAML, frontmatter. Những cái còn lại, bạn học dần dần khi thực hành.
Câu hỏi thường gặp
PKM có khác với Knowledge Management không?
Có. Knowledge Management (KM) là cách một công ty quản lý kiến thức chung: tài liệu, quy trình, best practice. PKM là cách bạn (cá nhân) quản lý kiến thức riêng. Nó nhỏ hơn, nhanh hơn, linh hoạt hơn.
Zettelkasten khác gì so với folder + tag?
Folder + tag là cách sắp xếp tĩnh: bạn xếp đồ vào chỗ cố định. Zettelkasten là cách sắp xếp động: các ý tưởng tự kết nối với nhau qua các liên kết, tạo thành một mạng lưới phát triển. Zettelkasten mạnh hơn khi bạn có nhiều ý tưởng phức tạp, nhưng khó hơn khi mới bắt đầu.
Tôi phải học tất cả thuật ngữ mới bắt đầu được không?
Không. Bắt đầu từ 10 thuật ngữ cốt lõi, thực hành với chúng vài tuần, rồi mở rộng dần. Hiểu qua làm luôn nhanh hơn hiểu qua đọc.
Nguồn tham khảo
[1] A Pragmatic Mind (2024). Personal Knowledge Management (PKM) Glossary.
[2] Zettelkasten.de (2024). The Complete Guide to Atomic Note-Taking.
[3] AWS (2024). What is Retrieval-Augmented Generation (RAG)?.
Bài liên quan
- Tại sao bạn cần kho tri thức cá nhân — từ các vấn đề thực tế đến giải pháp
- Markdown là ngôn ngữ chung của bạn và AI — viết Markdown dễ dàng, AI hiểu ngay
- Liên kết hai chiều trong Obsidian — tạo wikilink và backlink để tối đa hóa khả năng tìm kiếm
- Karpathy pattern — cách dùng AI để quản lý kho tri thức
- Dữ liệu thô vs dữ liệu tinh lọc — tại sao phải lọc lại, chứ không phải lưu hết
Bửu Trung — Dân Lười, thích Tối ưu.
Bạn đang ở đâu trên hành trình xây kho tri thức? Đã biết bao nhiêu thuật ngữ trong 30 cái trên? Chia sẻ tí, mình tò mò lắm.
