agent-desktop, kimi-k3-in-c: repo GitHub AI mới nổi
Một repo GitHub AI mới nổi đáng chú ý thường giải một bài toán cụ thể mà công cụ cũ làm chưa tốt. Bài viết này của Kungfutech chọn ra 4 dự án mã nguồn mở theo hướng đó: một CLI giúp AI agent điều khiển ứng dụng desktop, một engine C chạy mô hình 2,78 nghìn tỷ tham số trên CPU, một lớp ngữ nghĩa giúp agent truy vấn dữ liệu doanh nghiệp đúng hơn, và một bộ skill rà soát pháp lý website theo luật Việt Nam. Mỗi dự án đều kèm cách cài đặt lấy từ README, sau đó là một số tin tức AI đáng chú ý.
agent-desktop: computer use cho AI agent qua cây accessibility
agent-desktop là gì?
agent-desktop là CLI của Vercel Labs giúp AI agent nhìn và thao tác ứng dụng desktop trên macOS, Windows và Linux. Điểm khác biệt: công cụ không dựa vào ảnh chụp màn hình hay so khớp pixel. Nó đọc cây accessibility của ứng dụng (AX API trên macOS, UI Automation trên Windows, AT-SPI trên Linux) và trả về JSON, mỗi phần tử có thể tương tác được gắn một ref.
Vòng lặp nằm trong agent của bạn: agent chụp snapshot, click hoặc gõ vào một ref, đọc lại giao diện để kiểm tra kết quả, rồi lặp lại. Bản thân agent-desktop không chứa mô hình nào. Theo README, công cụ có 56 lệnh hoạt động, chia thành các nhóm quan sát, thao tác trên ref, bàn phím và chuột, ứng dụng và cửa sổ, thông báo, clipboard. Các thao tác mặc định chạy headless, không di chuyển con trỏ và không đổi focus. Ngoài CLI còn có thư viện C để gọi trực tiếp trong tiến trình, và lệnh agent-desktop mcp để phục vụ mọi lệnh dưới dạng MCP tool. Repo đạt 15.113 sao, giấy phép Apache-2.0.
README cũng lưu ý: snapshot, clipboard và ảnh chụp có thể chứa nội dung riêng tư trên máy, nên không đưa chúng vào log hay file upload công khai.
Cách cài đặt và sử dụng agent-desktop?
Theo README, cài qua npm rồi kiểm tra quyền:
npm install -g agent-desktop
agent-desktop status # nền tảng, quyền, các bề mặt được hỗ trợ
agent-desktop permissions --guide # macOS: hướng dẫn cấp quyền Accessibility
Trên macOS và Linux có thể dùng brew install agent-desktop. Thử nhanh với Finder:
agent-desktop snapshot --app Finder -i # các phần tử tương tác, mỗi phần tử có một ref
agent-desktop click @s8f3k2p9:e8 # thao tác trên một ref từ snapshot đó
agent-desktop snapshot --app Finder -i # quan sát lại để xác nhận
Ref luôn đi kèm id của snapshot, nên dùng @e8 trơn sẽ báo lỗi INVALID_ARGS. Nếu giao diện đã đổi, lệnh trả về STALE_REF và bạn cần chụp snapshot mới. Để cài skill cho coding agent:
npx skills add https://github.com/vercel-labs/agent-desktop --skill agent-desktop
Muốn dùng qua MCP, thêm cấu hình sau vào client:
{ "mcpServers": { "agent-desktop": { "command": "agent-desktop", "args": ["mcp"] } } }
kimi-k3-in-c: chạy mô hình 2,78 nghìn tỷ tham số trên một CPU
kimi-k3-in-c là gì?
kimi-k3-in-c là engine suy luận cho mô hình Kimi K3 viết bằng C99 thuần, không BLAS, không framework, không GPU. Theo số liệu trong README, mô hình có 2,78 nghìn tỷ tham số, checkpoint nặng 1,56 TB, còn bộ nhớ đỉnh đo được chỉ 8,24 GB RAM. Toàn bộ engine gói trong 176 KB.
Ý tưởng chính là biến RAM thành "núm vặn" tốc độ: máy ít RAM thì đọc mô hình từ ổ đĩa ở mỗi bước, máy nhiều RAM thì giữ được nhiều phần mô hình trong bộ nhớ. Bảng đo trong README cho thấy với cùng một prompt ngắn, máy 8 GB mất 26,5 giây mỗi token, còn máy từ 128 GB trở lên mất 5,6 giây, và đầu ra giống hệt nhau từng byte ở mọi cấu hình. Đây không phải cách thực tế để chat hằng ngày, nhưng là tài liệu rất tốt để hiểu cách một mô hình Mixture-of-Experts cực lớn được nạp, lưu cache và suy luận. Repo đạt 10.299 sao, giấy phép Apache-2.0.
Cách cài đặt và sử dụng kimi-k3-in-c?
Theo README, phần kiểm thử không cần checkpoint, không cần mạng và không cần Python:
git clone https://github.com/FareedKhan-dev/kimi-k3-in-c.git
cd kimi-k3-in-c
make -j
make test
Muốn chạy mô hình thật, cần khoảng 1,7 TB ổ trống (checkpoint 1,56 TB cộng 109 GB trunk đã đóng gói), CPU có AVX2 + FMA trên x86-64 hoặc NEON trên arm64, GCC 9+ hoặc Clang 10+ và Python 3.9+ cho các script tải và đóng gói:
- Chạy
./scripts/k3-doctor.shđể kiểm tra toolchain, RAM, tốc độ ổ đĩa và gợi ý preset phù hợp. - Lấy token Hugging Face, đặt
export HF_TOKEN=...rồi chạy./scripts/download-model.sh ~/k3model. Script tải lại được khi bị ngắt và kiểm tra kích thước từng shard; README nhấn mạnh tải thiếu sẽ sinh token sai chứ không báo lỗi rõ. - Đóng gói trunk một lần:
./scripts/pack-trunk.sh ~/k3model ~/k3trunk, nên đặt trên ổ nhanh nhất. - Chạy thử:
./bin/k3 ~/k3model --trunk ~/k3trunk --preset workstation \
--tok ~/k3model --prompt "The capital of France is" --gen 8 --incremental
Chọn preset theo máy, ví dụ laptop cho máy 8 GB. Xem danh sách bằng ./bin/k3 --list-presets.
Auto Ontology: lớp ngữ nghĩa giúp AI agent truy vấn dữ liệu đúng
Auto Ontology là gì?
Auto Ontology là thư viện Python của NVIDIA để xây một lớp ngữ cảnh (ontology) cho AI agent làm việc với dữ liệu doanh nghiệp. README đặt vấn đề rõ: một chỉ số doanh thu trả lời nhanh hơn cũng vô giá trị nếu con số sai. Agent cần biết dữ liệu nằm ở đâu, nghĩa là gì, có nên dùng không, dùng thế nào và đến từ đâu.
Thư viện sinh ontology từ metadata, đối chiếu các định nghĩa không thống nhất giữa nhiều hệ thống, kiểm tra câu SQL do agent sinh ra với định nghĩa đã được xác nhận, và trả về nguồn gốc kèm mỗi câu trả lời. Lớp ngữ cảnh này được cung cấp cho agent qua MCP, CLI và API. Một điểm hay: khi câu hỏi vượt ngoài dữ liệu, agent kết nối qua MCP sẽ kiểm tra khả năng trả lời trước và hỏi lại người dùng thay vì đoán. Stack gồm frontend Next.js, backend FastAPI dùng LangChain, Postgres + pgvector, suy luận qua NVIDIA NIM. Repo đạt 5.015 sao, giấy phép Apache-2.0, và hiện chưa nhận đóng góp từ bên ngoài.
Cách cài đặt và sử dụng Auto Ontology?
Theo README, bản quickstart chạy bằng Docker Compose trên cơ sở dữ liệu mẫu Wide World Importers của Microsoft. Bạn cần Docker với Compose v2, uv và API key NVIDIA (nvapi-...) từ build.nvidia.com.
- Clone repo và tạo file môi trường:
git clone https://github.com/NVIDIA/auto-ontology.git && cd auto-ontology
cp .env.example .env
- Điền trong
.envcác giá trịDEFAULT_MODELS_API_KEY,AUTH_SECRET,APP_URL,POSTGRES_PASSWORD,CONNECTION_STRINGS,AUTO_ONTOLOGY_ADMIN_PASSWORD,PGADMIN_PASSWORD, và thay mọi mật khẩu mặc định vì Compose mở các cổng này ra máy chủ. - Khởi động Postgres và nạp dữ liệu mẫu bằng script trong repo
NVIDIA/auto-ontology-eval:
docker compose up -d --wait postgres
git clone https://github.com/NVIDIA/auto-ontology-eval.git ../auto-ontology-eval
(cd ../auto-ontology-eval && uv sync && cp .env.example .env && \
POSTGRES_PASSWORD='<mật khẩu đã đặt>' \
uv run python scripts/seed/seed_wwi.py --database-name wideworldimporters --drop)
- Build và chạy phần còn lại:
docker compose up -d --build. - Mở
http://localhost:3000, đăng nhập bằng tài khoản admin trong.env, vào Settings, mục Semantic Compilation và bật lên. Sau đó đặt câu hỏi trong Chat; câu trả lời đi kèm câu SQL và các bước suy luận để bạn đối chiếu với nguồn.
vn-law-check: AI rà soát pháp lý website theo luật Việt Nam
vn-law-check là gì?
vn-law-check là bộ hướng dẫn và checklist giúp coding agent rà soát rủi ro pháp lý của website và app theo luật Việt Nam, dùng được với Claude Code, Cursor, Copilot, Windsurf, Cline và Codex. Bộ checklist dựa trên Luật Bảo vệ dữ liệu cá nhân 91/2025, Luật Thương mại điện tử 122/2025, Luật An ninh mạng 116/2025, Luật Quảng cáo sửa đổi 75/2025, Luật Trí tuệ nhân tạo 134/2025 cùng các nghị định hướng dẫn.
Bạn chỉ cần đưa project hoặc URL, agent sẽ phân loại site rồi trả báo cáo có mức ưu tiên: cần sửa ngay, nên cải thiện, đạt, không áp dụng. Các điểm được kiểm tra gồm form thu thập dữ liệu, Google Analytics và các pixel quảng cáo, đăng nhập và thanh toán, chatbot AI, cookie banner và chính sách bảo mật. Ví dụ trong README: câu "tiếp tục sử dụng website là đồng ý" bị đánh dấu cần sửa vì luật quy định im lặng không được coi là đồng ý. Tác giả ghi rõ đây chỉ là rà soát sơ bộ, không thay được luật sư. Repo đạt 408 sao, README ghi giấy phép MIT cho phần code.
Cách cài đặt và sử dụng vn-law-check?
Theo README, với Claude Code (gõ trong Claude Code, không phải terminal):
/plugin marketplace add mhfed/vn-law-check
/plugin install vn-law-check
Với Cursor, Windsurf, Copilot, Cline hoặc Codex, chạy trong thư mục project:
curl -fsSL https://raw.githubusercontent.com/mhfed/vn-law-check/main/install.sh | bash
Script cài checklist vào .vn-law-check/ và không ghi đè file của bạn. Sau đó mở project và yêu cầu agent:
audit pháp lý website này theo luật Việt Nam
Chỉ có địa chỉ website cũng được: audit pháp lý https://ten-mien-cua-ban.vn. Đọc báo cáo, rồi yêu cầu tiếp "sửa giúp các mục cần sửa ngay" hoặc "soạn chính sách bảo mật cho dự án này".
Tin tức thêm về AI
OpenAI dùng agent tìm và vá 948 lỗ hổng leo thang đặc quyền trong Linux
OpenAI công bố một pipeline tự động gồm năm bước: tìm vùng mã nhạy cảm, quét lỗi, tái hiện trong môi trường cô lập, viết exploit chứng minh và sinh bản vá, cuối cùng là chuyên gia bảo mật duyệt lại. Trong một lượt chạy, hệ thống tái hiện 1.724 lỗ hổng trong nhân Linux và tạo 948 exploit leo thang đặc quyền cục bộ kèm bản vá, với chi phí API 1.213.430 USD, khoảng 1.279 USD mỗi exploit. Con số này cho thấy việc tìm lỗ hổng đang chuyển từ điều tra thủ công sang quy trình có hệ thống, còn khâu ưu tiên và xác minh vẫn cần con người. Nguồn: OpenAI.
Meta mua Conductor, ứng dụng chạy nhiều coding agent song song
Meta mua lại Conductor, startup làm ứng dụng macOS cho phép chạy nhiều coding agent cùng lúc, mỗi agent trên một bản sao Git riêng. Dịch vụ Conductor Cloud sẽ ngừng hoạt động, còn ứng dụng sẽ thôi nhận mô hình mới và bản sửa lỗi quan trọng. Thương vụ cho thấy các công ty mô hình lớn đang mua thêm công cụ dành cho lập trình viên để giữ lợi thế khi bản thân mô hình ngày càng giống nhau. Nguồn: The Register.
OpenAI mua Pierre Computer Company để mở rộng Codex
OpenAI cho biết sẽ mua Pierre Computer Company, công ty làm Code Storage, dịch vụ lưu mã và lịch sử thay đổi bằng Git cho ứng dụng, cùng một số công cụ mã nguồn mở. Thư viện Trees và Diffs của Pierre vốn đã chạy phần duyệt file và xem thay đổi trong ứng dụng Codex. Đây là thêm một ví dụ về việc công cụ đọc và review mã trở thành phần cốt lõi của coding agent. Nguồn: AI News Briefing.
Google công bố khung đánh giá AI cho lĩnh vực sức khỏe
Google công bố bài báo, viết cùng chuyên gia y tế bên ngoài, mô tả cách hãng đánh giá AI dùng cho nhu cầu sức khỏe theo ba tiêu chí: độ chính xác, độ an toàn và tính hữu ích. Khung đánh giá kết hợp benchmark câu hỏi đóng, autorater bằng AI và chuyên gia con người, áp dụng qua ba giai đoạn từ phát triển mô hình, phát triển sản phẩm đến giám sát sau triển khai. Đây là tài liệu tham khảo hữu ích cho nhóm nào đang làm sản phẩm AI trong lĩnh vực rủi ro cao. Nguồn: AI News Briefing.