Repo GitHub hữu ích khi dùng AI coding: tiết kiệm token, tăng productivity

Bạn mở Cursor hoặc Claude Code, gõ một câu — agent trả lời dài nửa trang, rồi sửa 12 file trong khi bạn chỉ muốn đổi một prop. Cuối tháng nhìn usage: token bay, diff rối, cảm giác làm việc với AI nhưng không làm chủ được AI.

Bài này không phải 「top 10 trending」. Mình gom vài repo GitHub đang dùng thật (hoặc đã thử kỹ) để giải ba bài toán:

1. Nói ngắn — ít filler, đọc nhanh, đôi khi rẻ token hơn.
2. Code đúng hướng — ít giả định sai, ít over-engineer.
3. Skill đúng lúc — workflow sẵn, không nhồi hết mọi rule vào mỗi tin nhắn.

Dành cho: ai đang build side project / làm việc hàng ngày với Cursor, Claude Code, Codex — và muốn stack nhỏ nhưng có chủ đích.

Ý chính: Token rẻ hơn không bằng quyết định đúng hơn. Repo tốt nhất là repo dạy agent khi nào dừng và hỏi, không chỉ nói ngắn.

Liên quan trải nghiệm build thật: Mình build side project bằng AI agent.

Bản đồ nhanh · Repo nào cho việc gì

Không cần cài hết. Hai lớp nền (Karpathy + một skill pack) + một lớp miệng (caveman nếu bạn ghét filler) là đủ cho hầu hết người.

1 · Caveman — miệng nhỏ, não vẫn to

Repo: JuliusBrussee/caveman

Caveman là skill/plugin: bảo agent bỏ filler, giữ nguyên chất kỹ thuật. Code, lệnh, chuỗi lỗi — không đụng.

Trước / sau (ý tưởng)

Trước (~69 token):
The reason your React component is re-rendering is likely because you're creating a new object reference on each render… I'd recommend using useMemo…

Sau (~19 token):
New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo.

Cùng một fix. Ít chữ hơn rõ.

Số liệu (và chỗ 「honest」)

Benchmark của họ (Claude API, 10 prompt): ~65% output so với agent verbose mặc định. Nhưng docs Honest Numbers nói thẳng:

• Chỉ co output. Input + thinking không giảm.
• Skill thêm ~1–1.5k input token mỗi turn.
• Session thực tế thường chỉ khoảng 14–21% tổng nếu workload dài lời; Q&A đã ngắn sẵn có thể lỗ token.
• Win thật với nhiều người: đọc nhanh hơn, không phải hóa đơn luôn giảm 65%.

Cài Cursor (gọn)

# Skill cho Cursor
npx skills add JuliusBrussee/caveman -a cursor

# Always-on rule trong repo (tuỳ chọn)
# → .cursor/rules/caveman.mdc

Bật: /caveman hoặc 「talk like caveman」. Tắt: 「normal mode」. Level: lite | full | ultra | wenyan.

Khi nào nên dùng: giải thích dài, review, debug walkthrough.
Khi nào tắt: trả lời vốn đã ngắn; hoặc pricing theo request (mỗi tin = 1 request) — ngắn không giảm bill.

Mình gắn rule always-on trong project mylittleworld.dev vì muốn chat agent dễ scan khi ngồi debug đêm. Token là bonus; tốc độ đọc mới là lý do chính.

2 · Karpathy skills — chống 「đoán rồi chạy」

Repo: multica-ai/andrej-karpathy-skills

Lấy từ quan sát của Andrej Karpathy: model hay giả định sai, giấu confusion, over-engineer, sửa code không liên quan.

Bốn nguyên tắc trong một file (CLAUDE.md / rule Cursor):

Cursor

Repo có sẵn .cursor/rules/karpathy-guidelines.mdc. Copy vào project bạn, hoặc đọc CURSOR.md.

Dấu hiệu đang hoạt động

• Diff chỉ còn đúng việc bạn xin
• Agent hỏi làm rõ trước khi viết 400 dòng
• Ít lần 「viết lại vì phức tạp quá」
• PR sạch hơn — không 「nhân tiện format cả file」

Tradeoff họ ghi rõ: bias cẩn thận hơn tốc độ. Typo một dòng thì đừng bắt full ritual. Mục tiêu là giảm sai đắt ở việc không trivial.

Với side project, nguyên tắc này cứu mình nhiều hơn caveman: agent thích tạo 「service layer」 khi chỉ cần một hàm. Karpathy rule = push back được phép.

3 · Addy Osmani Agent Skills — workflow có cổng kiểm

Repo: addyosmani/agent-skills

Không phải một prompt ngắn. Đây là pack skill engineering: bước, verification gate, anti-pattern — kiểu checklist senior gắn vào agent.

Cài nhanh (skills CLI):

npx skills add addyosmani/agent-skills

Cursor: skill nằm dưới .cursor/skills/; policy ngắn trong .cursor/rules/*.mdc — đừng dán cả skill dài vào always-on rule (mỗi tin nhắn bạn trả input token).

Giá trị productivity: agent đỡ 「tự khám phá codebase 40 file」 nếu skill đã mô tả pattern + gate (security review, performance, accessibility…). Bạn trả token cho làm đúng quy trình, không phải mò.

4 · JuliusBrussee/skills — grill trước, build sau

Repo: JuliusBrussee/skills

Cùng 「hang」 với caveman. Một lệnh:

npx skills@latest add JuliusBrussee/skills

grill-me là skill mình thích ghép với Karpathy: một cái ép suy nghĩ trước, một cái ép đơn giản. Cùng giảm vòng 「code xong mới biết sai yêu cầu」 — chỗ tốn token và tinh thần nhất.

5 · Skills CLI — đường ống cài chung

Repo: vercel-labs/skills

Nhiều repo ở trên nhờ npx skills add …. CLI này là lớp vận chuyển: một skill → Cursor / Claude Code / Codex / Cline / …

Khi stack skill lớn, nhớ:

• Skill on demand tốt hơn nhồi hết vào system prompt mỗi session.
• Always-on rule chỉ để policy ngắn (Karpathy, 「đừng commit secrets」).
• Skill dài (security audit, performance) — để agent gọi khi cần.

Đây là chỗ tối ưu token input thực sự: bớt context chết mỗi turn.

6 · Vài mảnh phụ trong cùng hệ sinh thái

Không bắt buộc, nhưng hữu ích nếu bạn đi sâu:

Stack gợi ý · 15 phút setup Cursor

Mình khuyên tăng dần, không cài 30 skill ngày đầu:

Bước 1 — Não (bắt buộc nếu làm việc nghiêm)

Copy karpathy-guidelines.mdc vào .cursor/rules/, alwaysApply: true.

Bước 2 — Miệng (tuỳ gu)

npx skills add JuliusBrussee/caveman -a cursor

Thử một tuần. Không thích giọng caveman → tắt, giữ Karpathy.

Bước 3 — Một pack skill chất lượng

Chọn một trong hai (đừng cả hai ngày đầu):

• npx skills add addyosmani/agent-skills — engineering gates
• npx skills@latest add JuliusBrussee/skills — grill-me + caveman siblings

Bước 4 — Rule dự án của bạn

Thêm file ngắn: stack (Next, Hono, Drizzle…), 「lint trước commit」, 「không đụng .env」. Giống pre-push-lint mình giữ trong repo này.

Checklist tự kiểm sau 1 tuần

• Diff trung bình có gọn hơn không?
• Agent có hỏi khi mơ hồ không — hay vẫn đoán?
• Usage token tuần này vs tuần trước (cùng kiểu task)?
• Bạn có tắt được skill nào vì thừa không?

Sai lầm hay gặp

1. Cài hết trending skill → context phình, agent chậm, hóa đơn tăng. Ít mà sắc.
2. Tin 「65%」 là cả session → đọc Honest Numbers; đo A/B trên usage thật.
3. Chỉ tối ưu miệng, không tối ưu hành vi → trả lời ngắn nhưng vẫn viết abstraction 800 dòng. Karpathy > caveman nếu phải chọn một.
4. Nhét skill dài vào always-on → trả 1–2k token mỗi tin dù không dùng. Skill = on demand; rule = ngắn.
5. Không review diff → productivity ảo. Agent nhanh không thay ownership (bài side project).

Kết

GitHub đang đầy 「AI skill」. Lớp hữu ích thật thường chia ba:

• Hành vi: Karpathy guidelines — ít sai đắt.
• Miệng / token output: Caveman — ít filler (khi workload phù hợp).
• Quy trình: Agent skills packs + skills CLI — làm đúng việc, đúng lúc.

Bạn không cần hang động đầy đủ. Cần một khung để agent không chạy lung tung, và vài van để context không phình vô tội vạ.

Token tiết kiệm được là phần thưởng. Ít vòng làm lại mới là productivity.

---

Nếu bạn thử stack trên với Cursor — ghi lại một tuần usage + cảm giác diff. Con số của bạn quan trọng hơn benchmark marketing.