Category: AI

Exploring Claude Code Subagents: A Demo Setup for a RAG-Based Website Project

Posted on by hello@scuti

1. Introduction

Recently, Anthropic released an incredible new feature for its product Claude: subagents — secondary agents with specific tasks for different purposes within a user’s project.

2. Main Content

a. How to Set It Up:
First, install Claude using the following command in your Terminal window:

npm i @anthropic-ai/claude-code

If Claude is already installed but it’s an older version, it won’t have the subagent feature.

to update claude, command : claude update

Launch Claude Code in your working directory, then run the command:
/agents

Press Enter, and a management screen for agents will appear, allowing you to start creating agents with specific purposes for your project.

Here, I will set it up following Claude’s recommendation.

After the setup, I have the following subagents:

I will ask Claude to help me build a website using RAG with the following prompt:

The first subagents have started working.

The setup of the RAG project has been completed.

However, I noticed that the subagent ‘production-code-reviewer (Review RAG system code)’ didn’t function after the coding was completed. It might be an issue with my prompt, so I will ask Claude to review the code for me

After the whole working process, Claude Code will deliver an excellent final product.
Link: https://github.com/mhieupham1/claudecode-subagent

3. Conclusion

Through the entire setup process and practical use in a project, it’s clear how powerful and beneficial the Sub-agents feature introduced by Anthropic for Claude Code is. It enables us to have AI “teammates” with specialized skills and roles that operate independently without interfering with each other — allowing projects to be organized, easy to understand, and efficient.

Intelligent Automation with Claude Code Hooks: A New Leap in Software Development

Posted on by Đồng Đức Thưởng

Claude Code has been revolutionizing how we interact with source code, but what if we could make it even smarter and more autonomous? The answer lies in Claude Code Hooks – a powerful feature that allows you to customize and extend Claude Code’s behavior by executing shell commands at specific points in its lifecycle.

In this blog post, we’ll explore Claude Code Hooks, understand how they work, and provide some practical ideas to make the most of this feature.

1. What are Claude Code Hooks and What Can We Do With Them?

Claude Code Hooks are essentially user-defined shell commands that automatically execute at various “trigger points” (hook events) during Claude Code’s operation. This provides deterministic control over Claude Code’s behavior, ensuring that certain actions are always performed without relying on the choices of the large language model (LLM).

You can configure hooks in Claude Code’s settings files (~/.claude/settings.json, .claude/settings.json, or .claude/settings.local.json).

The main types of hook events include:

  • UserPromptSubmit: Triggers immediately when a user submits a prompt (before Claude processes it). This is excellent for prompt validation, adding context, or security filtering.
  • PreToolUse: Runs before any tool is used (e.g., Edit, Bash, Git). This is a critical control point to block dangerous commands, enforce formatting rules, or check permissions.
  • PostToolUse: Activates after a tool successfully completes its operation. Useful for analyzing results, logging commands, automating code formatting, or running tests.
  • Notification: Runs when Claude Code sends a notification (e.g., when waiting for input or requesting permission). Can be used to create custom notifications (Slack, sound).
  • Stop: Triggers when Claude Code finishes its response. Used for performing final checks or generating reports.
  • SubagentStop: Triggers when a sub-agent’s task completes.

2. Experimenting and Understanding How Claude Code Hooks Work

To better understand, let’s consider a simple example: automatically formatting code after each time Claude edits a file.

Step 1: Open the Hooks Configuration In Claude Code, type /hooks to open the configuration interface.

claude code hooks

Step 2: Select the PostToolUse Hook Event We want the hook to run after Claude edits afile, so select PostToolUse.

claude code hooks

Step 3: Add a Matcher Select + Add new matcher… and enter Edit|MultiEdit|Write. This will ensure the hook only runs when Claude uses editing or file-writing tools.

claude code hooks

Step 4: Add a Hook Command Select + Add new hook and enter the following command (example for a TypeScript file):

Bash

jq -r '.tool_input.file_path' | { read file_path; if echo \"$file_path\" | grep -q '\\.ts$'; then npx prettier --write \"$file_path\"; fi; }

This command will extract the edited file path, check if it’s a .ts file, and then run npx prettier --write to format it.

Step 5: Save the Configuration Select Project settings to apply this hook your projects.
claude code hooks

Step 6: Test the Hook Ask Claude to edit a TypeScript file, and you’ll see Prettier automatically format the code once the edit is complete. If the hooks are not triggering as expected, try restarting Claude. Restarting usually helps the system recognize and apply the new configuration settings.Below is a demo video showing how it works:

3. Practical Ideas for Claude Code Hooks

 

The possibilities with Claude Code Hooks are endless. Here are some practical ideas to integrate this feature into your workflow:

 

  • Code Quality Enforcement:

    • Automated Linting and Formatting: As in the example above, run Prettier, ESLint, Black, Ruff, gofmt, etc., after every file edit. This ensures code consistency throughout the project.
    • Type Checking: Automatically run TypeScript, MyPy, or other type-checking tools after file edits to catch errors early.
    • Custom Coding Rules: Enforce team- or project-specific coding rules by running custom scripts to check structure, naming conventions, or design patterns.

  • Automated Testing:

    • Run Unit Tests: Automatically run unit tests (e.g., pytest, jest) after Claude edits files in src/ or tests/ directories.
    • Lightweight Integration/E2E Tests: For minor changes, a subset of integration tests can be triggered to ensure no regressions.

  • Optimization and Security:

    • Prevent Dangerous Commands: Use a PreToolUse hook to block dangerous shell commands like rm -rf or access to sensitive files (.env).
    • Pre-commit Checks: Similar to Git hooks, run quality checks (e.g., searching for API keys, security checks) before Claude is allowed to execute git_commit.
    • Code Optimization: Run static analysis tools to suggest or enforce performance optimizations.

  • Notifications and Logging:

    • Custom Notifications: Send notifications to Slack, Discord, or use desktop notification tools (e.g., ntfy) when Claude needs your attention, completes a long task, or encounters an error.
    • Command Logging: Log all commands Claude executes for tracking, debugging, or auditing purposes.
    • Progress Tracking: Update progress status to a file or database to monitor long-running tasks.

  • Workflow Management:

    • Automated Report Generation: After a major task is completed, automatically generate a report summarizing changes or outcomes.
    • Documentation Updates: If Claude edits specific parts of the code, a hook can trigger automatic updates of related documentation sections.
    • Flow Control: UserPromptSubmit and PreToolUse hooks can block actions if conditions are not met, forcing Claude to rethink or ask you for more information.

4. Conclusion

 

Claude Code Hooks transform Claude Code from a powerful coding assistant into a comprehensive and deterministic development partner. By defining simple yet powerful rules, you can automate mundane but crucial parts of your work, freeing up time and energy to focus on the more creative and complex aspects of software engineering.

Start experimenting with Claude Code Hooks today and discover how they can revolutionize your development process, leading to greater efficiency and better code quality!

Gemini CLI vs. Claude Code CLI: A Comprehensive Comparison for Developers

Posted on by hello@scuti

1. Introduction to the Launch of Gemini CLI

Recently, Google launched Gemini CLI – an open-source AI agent that can be directly integrated into the terminal for work. In previous articles about Claude Code CLI, we already saw its powerful features. Now, with the interesting arrival of Gemini CLI, users have even more options when choosing which agent to use. In this article, we’ll explore and compare the different criteria between Claude Code CLI and Gemini CLI to see which agent might best suit your needs.

2. Comparison Criteria Between the Two CLI Agents

a. Platform Support

  • Claude Code CLI: This tool has certain limitations when it comes to operating system support. It works well on MacOS and Ubuntu, but for Windows users, it requires extra steps such as installing an Ubuntu WSL virtual machine. Even then, there are still some restrictions and a less-than-ideal user experience.

  • Gemini CLI: Google’s new tool supports all operating systems, allowing users on any platform to set up and use it quickly and easily.

b. Open Source

  • Claude Code CLI: This is a closed-source tool, so its development is entirely controlled by Anthropic.

  • Gemini CLI: Google’s tool is open source, licensed under Apache 2.0, which enables the user community to access and collaborate on making the tool more robust and faster.

c. AI Model

  • Claude Code CLI: Utilizes powerful Anthropic models such as Claude Opus 4 and Claude Sonnet 3.7, both highly effective for coding tasks.

  • Gemini CLI: Gives access to Gemini 2.5 Pro and Gemini 2.5 Flash, each useful for different needs.

d. Context Limitations

  • Claude Code CLI: This is a paid tool. Users can access it through their Claude account with various tiers, each offering different token limits (from 250K to 1M tokens per model). Users can also use Claude’s API key to pay based on token usage.

  • Gemini CLI: Google’s tool provides a free version, which allows access to Gemini 2.5 Pro, but can quickly hit the limit and drop down to Gemini 2.5 Flash.

e. Community and Extensibility

  • Claude Code CLI: As a closed-source tool, only the developer (Anthropic) can improve and maintain it.

  • Gemini CLI: Being open source, it has a large and vibrant community contributing to its rapid improvement and greater capabilities.

3. Gemini CLI

  • Link: https://github.com/mhieupham1/Flashcard_GeminiCLI

  • Prompt Example:

    • Please make for me a website about using flashcard for learning English with HTML, CSS, Javascript, do the best for UI/UX

    • A flashcard set can archive many words, user can add more word to a new set or existed set

    • Function for folder that can add existed flashcard sets or remove it

    • Function for flashcard set that can edit transfer user to a web to practice in this flashcard set

    • Dashboard need to have more eye-catching, good layout

    • And many prompts to ask Gemini CLI to fix their own bugs

    • Make the web has layout, functions like an official website with better CSS, JS, HTML

  • Strengths:

    • Can handle large token requests and good at reading context

    • Cost: Free version can access Gemini 2.5 Pro, but may quickly hit limits and fall back to Gemini 2.5 Flash. Sometimes, after logging out and back in, it works normally again with Gemini 2.5 Flash. A pro account offers a one-month free trial, after which users can cancel or continue with the stated price.

  • Weaknesses:

    • Requires a very large number of tokens (1M tokens for pro, 11M for flash) to build the website (even when incomplete)

    • Prone to repeated error loops, wasting tokens

    • Codebase is still weak and doesn’t always fully understand user intentions or basic web concepts, so prompts need to be very detailed

4. Claude Code CLI

  • Link: https://github.com/mhieupham1/Flashcard_ClaudeCodeCLI

  • Prompt Example:

    • Please make for me a website about using flashcard for learning English with HTML, CSS, Javascript, do the best for UI/UX

    • A flashcard set can archive many words, user can add more word to a new set or existed set

    • Function for folder that can add existed flashcard sets or remove it

    • Function for flashcard set that can edit transfer user to a web to practice in this flashcard set

    • Dashboard need to have more eye-catching, good layout

  • Strengths:

    • Understands user ideas very well, outputs high-quality, efficient, and minimal code without missing features

    • Only required 30K tokens for the flashcard web demo

    • Good, user-friendly UI/UX

    • Produced the demo with a single request (using only a pro account, not the max tier)

  • Weaknesses:

    • Requires a paid account or API key (tokens = dollars), but the code quality is worth the price

5. Conclusion

With the comparison above, it’s clear that Gemini CLI is currently much stronger than Claude Code CLI. However, a deeper dive into their practical efficiency and benefits for different use cases is still needed.

a. Gemini CLI

  • Strengths:

    • Free to use with high token limits, suitable for large projects needing a large context window

    • Highly compatible across platforms and easy to set up

    • Open source, ensuring rapid improvement through community contributions

    • Fast code reading and generation

  • Weaknesses:

    • Can randomly hit usage limits, dropping from Gemini Pro 2.5 to Gemini Flash 2.5, reducing effectiveness

    • Prone to repeated errors/loops, which can be difficult to escape’

    • Codebase may not be as efficient, often needing very detailed prompts

b. Claude Code CLI:

  • Strengths:

    • High-quality, thoughtful, and efficient codebase generation

    • Highly suitable for commercial projects thanks to token optimization

  • Weaknesses:

    • Requires a paid account, with different tiers for different performance levels; top tier is expensive

    • Limited cross-platform compatibility, making it less accessible or offering a poorer experience for some users

6. Which Should You Use? Summary of Best Use Cases

When is Claude Code CLI most convenient?
Claude Code CLI is the better choice if you prioritize high-quality, efficient, and minimal code output, especially for commercial projects that require clean UI/UX and robust functionality. It is also ideal when you want to achieve your result in a single, well-phrased prompt. However, you need to be willing to pay for a subscription or API access, and set up the tool on a supported platform.

When is Gemini CLI more convenient?
Gemini CLI is perfect if you need a free, open-source tool that works across all major operating systems and is easy to install. It’s best for large projects that require handling a lot of data or context, and for those who want to benefit from fast community-driven improvements. Gemini CLI is especially suitable for personal, experimental, or learning projects, or when you need flexibility and cross-platform compatibility—even though it might sometimes require more detailed prompts or troubleshooting.

Use Cases Of Generative AI In Manufacturing: 10 Applications And Future Outlook

Posted on by Contents writer

Use Cases Of Generative AI In Manufacturing: 10 Applications And Future Outlook

Hello, I am Kakeya, the representative of Scuti.

Our company specializes in services such as Offshore Development And Lab-type Development in Vietnam, as well as Generative AI Consulting.

Recently, we have been fortunate to receive numerous requests for system development in collaboration with generative AI.

Even professionals with expertise in the use of generative AI in manufacturing may be seeking a deeper understanding. Traditionally, the manufacturing industry has been time-consuming and costly, making it difficult to respond swiftly to changes in the market.

However, with the advent of generative AI, every aspect of manufacturing — from product design to supply chain management — is undergoing a dramatic transformation. The market size for generative AI is projected to reach USD 6,398.8 million by 2032, indicating remarkable growth.

In this article, we introduce 10 specific applications of generative AI in the manufacturing industry and provide an in-depth explanation of the challenges during implementation and future outlook. Discover the groundbreaking changes that generative AI is bringing to manufacturing and gain insights to apply them to your business.

Fundamentals Of Generative AI And Its Role In The Manufacturing Industry

If you want to learn more about Generative AI, be sure to check out this article first.

Related article: Comprehensive Guide To Implementing Generative AI: From Basic Knowledge To Practical Applications And Future Prospects

What Is Generative AI? Differences From Traditional AI

Generative AI is a type of artificial intelligence specialized not only in analyzing existing data but also in creating new content and solutions. It learns patterns from vast amounts of data and has the ability to generate text, images, videos, designs, audio, code, simulations, and more based on user instructions.

While traditional AI performs predictions and analyses based on past data, generative AI is distinguished by its ability to create something new. This creative capability enables the manufacturing industry to generate new value as well.

What Is Generative AI? Differences From Traditional AI

The Role Of Generative AI In The Manufacturing Industry

In the manufacturing industry, generative AI is utilized across a wide range of areas, including product design, process optimization, predictive maintenance, quality control, and supply chain management. For example, in product design, generative AI can automatically generate numerous design candidates based on the conditions specified by the designer.

This significantly shortens the design process and enables the development of more innovative products. Moreover, generative AI also contributes to improving efficiency across the entire supply chain, helping reduce costs and shorten lead times.

10 Use Cases Of Generative AI In The Manufacturing Industry

10 Use Cases Of Generative AI In The Manufacturing Industry

1. Product Design: Automatic Generation And Optimization Of Designs

In traditional product design, designers had to manually create drawings and repeatedly go through the process of producing and evaluating prototypes, which required significant time and cost.

However, by utilizing generative AI, designers can simply input product specifications and requirements, and the AI will automatically generate numerous design candidates. This greatly shortens the design process and enables the development of more innovative products.

For example, the aircraft manufacturer Airbus successfully used Autodesk’s generative AI tool to design aircraft components that are both lighter and stronger.

The AI proposed innovative shapes that were previously unthinkable in conventional design, while still meeting constraints such as strength and weight. In this way, generative AI significantly contributes to innovation in product design.

2. Predictive Maintenance: Reducing Downtime Through Failure Prediction

In manufacturing settings, downtime caused by machine failures can lead to significant losses. Traditional maintenance methods have mainly relied on “preventive maintenance,” which involves periodic inspections. However, this approach carries the risk of over-maintenance or unexpected breakdowns. Predictive maintenance using generative AI enables the analysis of sensor data and other inputs to forecast machine failures in advance.

By performing maintenance at the optimal timing, downtime can be minimized.

For instance, Siemens has developed a predictive maintenance system called “Senseye Predictive Maintenance,” which utilizes generative AI. This system analyzes machine operation status and sensor data in real time to detect early signs of failure. As a result, it significantly reduces downtime and contributes to improved productivity.

3. Demand Forecasting: Flexibly Responding To Demand Fluctuations

Accurate demand forecasting is extremely important in the manufacturing industry. Excess inventory leads to increased storage costs, while inventory shortages result in lost business opportunities. Generative AI analyzes past sales data, market trends, economic indicators, and more to predict future demand with high accuracy. This enables optimized inventory management, cost reduction, and maximized profits.

For example, in the retail sector, generative AI is used to forecast demand while taking into account factors such as seasons, weather, and events. This has led to successful optimization of inventory management, allowing businesses to respond flexibly to demand fluctuations and improve customer satisfaction.

4. Customized Manufacturing: Delivering Products Tailored To Customer Needs

As customer needs continue to diversify, demand for customized manufacturing is increasing. However, traditional customized manufacturing has faced challenges such as increased complexity in design and production processes, leading to higher costs and longer lead times. By utilizing generative AI, it is possible to automate product design based on individual customer requests and achieve efficient customized manufacturing.

For example, in the apparel industry, services have emerged that use generative AI to automatically design clothing tailored to a customer’s body shape and preferences, and produce it on demand. This enables rapid delivery of optimal products to each customer, contributing to higher customer satisfaction.

5. Supply Chain Management: Achieving Efficient Procurement And Logistics

Streamlining the supply chain is a critical challenge for the manufacturing industry. Generative AI optimizes various processes across the entire supply chain, including demand forecasting, inventory management, and transportation route optimization. This enables cost reduction and improved efficiency from procurement to logistics.

For example, in the logistics industry, generative AI is being used to optimize delivery routes and improve truck loading efficiency. As a result, transportation costs are reduced and delivery times are shortened, enhancing the overall efficiency of the supply chain.

6. Quality Control: Detecting Defective Products And Improving Quality

Product quality control is extremely important in the manufacturing industry. Traditional quality control often relies on visual inspections by human inspectors, which carries the risk of human error and oversight.

However, by utilizing generative AI, it becomes possible to automatically detect defective products using technologies such as image recognition. This leads to improved efficiency and accuracy in quality control.

For example, in the automotive industry, generative AI is being used to automatically detect scratches on car bodies or inconsistencies in paint application. As a result, human inspection errors are reduced, enabling the delivery of high-quality products.

7. Workforce Management: Optimal Staffing And Task Allocation

In manufacturing sites, proper staffing and task allocation are essential. Generative AI analyzes factors such as employees’ skills, experience, and workload to suggest the optimal assignment of personnel and tasks.

This leads to improved operational efficiency and better utilization of the workforce.

For example, in warehouse management, generative AI is being used to streamline picking operations and optimize staff allocation. As a result, work time is reduced, costs are lowered, and overall productivity is enhanced.

8. Research And Development: Accelerating The Development Of New Materials And Products

The development of new materials and products is essential for manufacturers to maintain their competitiveness. Generative AI analyzes vast amounts of material and experimental data to suggest potential new materials and product candidates.

This enables greater efficiency and speed in research and development.

For example, in the chemical industry, generative AI is being used to search for candidate compounds for new drugs and to predict material properties. As a result, the R&D process is accelerated, and the time to market is significantly reduced.

9. Document Creation And Compliance: Improving Efficiency Through Automation

In the manufacturing industry, it is necessary to create various types of documents, such as product specifications, manuals, and reports. Generative AI can automate the creation of these documents, significantly improving efficiency.

It also features the ability to automatically check compliance with laws, regulations, and industry standards. This helps companies reduce the time and cost associated with documentation while making compliance easier to maintain.

For example, when creating product specifications or manuals, generative AI can automatically collect the necessary information and generate accurate and timely documents.

As a result, work efficiency is improved, and high-quality documentation can be delivered.

10. Energy Consumption Optimization: Reducing Costs And Environmental Impact

In the manufacturing industry, reducing energy consumption is important both for cutting costs and minimizing environmental impact. Generative AI analyzes energy usage within the factory in detail and proposes optimal energy consumption patterns.

This leads to improved energy efficiency and cost reduction.

Challenges In Implementing Generative AI

Challenges In Implementing Generative AI ​

1. Quality and Quantity of Data

The performance of generative AI heavily depends on the quality and quantity of the data used for training. In manufacturing sites, large volumes of data—such as sensor data and production data—are accumulated, but these are not always suitable for training generative AI. To improve data quality, tasks such as data cleaning and preprocessing are required.

2. Security And Privacy

The training of generative AI may involve the use of highly confidential data. Therefore, ensuring data security and privacy is extremely important. It is necessary to implement appropriate security measures to prevent data leaks and unauthorized access.

3. Ethical Issues

Generative AI has the potential to produce content that contains misinformation or bias. Therefore, it is essential to thoroughly consider the ethical issues surrounding its use. Establishing and adhering to ethical guidelines is required.

The Future Of Manufacturing Brought By Generative AI

The Future Of Manufacturing Brought By Generative AI ​

Generative AI is expected to contribute to the manufacturing industry by automating and streamlining various processes, leading to increased productivity, cost reduction, improved quality, and shorter lead times. Moreover, generative AI holds the potential to generate innovative ideas and solutions that may not be conceived by humans.

In the future, the use of generative AI will further expand across all areas of manufacturing, driving the evolution toward a smarter, more efficient, and more sustainable industry.

Posted in AI

Trường Hợp Ứng Dụng Generative AI Trong Ngành Sản Xuất: 10 Phương Pháp Áp Dụng Và Triển Vọng Trong Tương Lai

Posted on by Contents writer

Trường Hợp Ứng Dụng Generative AI Trong Ngành Sản Xuất: 10 Phương Pháp Áp Dụng Và Triển Vọng Trong Tương Lai

Xin chào, tôi là Kakeya, đại diện của công ty Scuti.

Công ty chúng tôi chuyên cung cấp các dịch vụ như Phát triển phần mềm offshore và phát triển theo hình thức Labo tại Việt Nam, cũng như Cung cấp giải pháp AI tạo sinh. Gần đây, chúng tôi rất vinh dự khi nhận được nhiều yêu cầu phát triển hệ thống kết hợp với AI tạo sinh.

Ngay cả những chuyên gia có kiến thức chuyên sâu về việc ứng dụng Generative AI trong ngành sản xuất cũng có thể đang muốn hiểu rõ hơn về lĩnh vực này. Trước đây, ngành sản xuất vốn tốn nhiều thời gian và chi phí, đồng thời khó thích ứng nhanh chóng với những biến động của thị trường.

Tuy nhiên, với sự xuất hiện của Generative AI, mọi khía cạnh trong ngành sản xuất — từ thiết kế sản phẩm đến quản lý chuỗi cung ứng — đang thay đổi một cách mạnh mẽ. Dự báo đến năm 2032, quy mô thị trường Generative AI sẽ đạt 6.398,8 triệu USD, cho thấy tốc độ tăng trưởng ấn tượng.

Trong bài viết này, chúng tôi sẽ giới thiệu 10 ví dụ ứng dụng cụ thể của Generative AI trong ngành sản xuất, đồng thời phân tích chi tiết về những thách thức khi triển khai và triển vọng trong tương lai. Hãy khám phá những thay đổi mang tính cách mạng mà Generative AI mang lại cho ngành sản xuất và tìm ra những gợi ý hữu ích để áp dụng vào doanh nghiệp của bạn.

Kiến Thức Cơ Bản Về Generative AI Và Vai Trò Của Nó Trong Ngành Sản Xuất

Nếu bạn muốn tìm hiểu thêm về Generative AI, hãy xem trước bài viết này.

Bài viết liên quan: Hướng Dẫn Toàn Diện Về Triển Khai AI Tạo Sinh: Từ Kiến Thức Cơ Bản Đến Ứng Dụng Thực Tiễn Và Triển Vọng Tương Lai

Generative AI Là Gì? Sự Khác Biệt So Với AI Truyền Thống

Generative AI là một loại trí tuệ nhân tạo không chỉ phân tích dữ liệu hiện có mà còn chuyên tạo ra nội dung và giải pháp mới. Nó học các mô hình từ khối lượng dữ liệu khổng lồ và có khả năng tạo ra văn bản, hình ảnh, video, thiết kế, âm thanh, mã nguồn, mô phỏng… dựa trên hướng dẫn của người dùng.

Trong khi AI truyền thống chỉ dựa vào dữ liệu trong quá khứ để dự đoán và phân tích, thì Generative AI nổi bật bởi khả năng sáng tạo ra cái mới. Nhờ vào khả năng sáng tạo này, ngành sản xuất cũng có thể tạo ra những giá trị mới.

What Is Generative AI? Differences From Traditional AI

Vai Trò Của Generative AI Trong Ngành Sản Xuất

Trong ngành sản xuất, Generative AI được ứng dụng trong nhiều lĩnh vực khác nhau như thiết kế sản phẩm, tối ưu hóa quy trình, bảo trì dự đoán, kiểm soát chất lượng và quản lý chuỗi cung ứng. Ví dụ, trong thiết kế sản phẩm, Generative AI có thể tự động tạo ra nhiều phương án thiết kế dựa trên các điều kiện do nhà thiết kế chỉ định.

Nhờ đó, quá trình thiết kế được rút ngắn đáng kể và việc phát triển các sản phẩm mang tính đổi mới cao trở nên khả thi hơn. Bên cạnh đó, Generative AI còn góp phần nâng cao hiệu quả cho toàn bộ chuỗi cung ứng, từ đó giúp giảm chi phí và rút ngắn thời gian giao hàng.

10 Ví Dụ Ứng Dụng Generative AI Trong Ngành Sản Xuất

10 Use Cases Of Generative AI In The Manufacturing Industry

1. Thiết Kế Sản Phẩm: Tự Động Tạo Và Tối Ưu Hóa Thiết Kế

Trong quy trình thiết kế sản phẩm truyền thống, các nhà thiết kế phải tự tạo bản vẽ bằng tay và lặp đi lặp lại quy trình chế tạo, đánh giá nguyên mẫu, dẫn đến tiêu tốn nhiều thời gian và chi phí.

Tuy nhiên, với việc ứng dụng Generative AI, nhà thiết kế chỉ cần nhập các thông số kỹ thuật và yêu cầu của sản phẩm, hệ thống AI sẽ tự động tạo ra nhiều phương án thiết kế khác nhau. Nhờ đó, quá trình thiết kế được rút ngắn đáng kể và việc phát triển các sản phẩm mang tính đổi mới cao trở nên khả thi hơn.

Chẳng hạn, hãng chế tạo máy bay Airbus đã sử dụng công cụ Generative AI của Autodesk để thiết kế thành công các bộ phận máy bay nhẹ hơn và có độ bền cao hơn.

AI đã đề xuất những hình dạng sáng tạo chưa từng có trong các thiết kế truyền thống, đồng thời vẫn đảm bảo đáp ứng các yêu cầu về độ bền và trọng lượng. Như vậy, Generative AI đang góp phần quan trọng vào việc đổi mới trong thiết kế sản phẩm.

2. Bảo Trì Dự Đoán: Giảm Thời Gian Ngừng Máy Nhờ Dự Đoán Sự Cố

Tại hiện trường sản xuất, thời gian ngừng máy do sự cố thiết bị có thể gây ra những tổn thất nghiêm trọng. Phương pháp bảo trì truyền thống chủ yếu dựa vào “bảo trì định kỳ”, tức là kiểm tra thiết bị theo lịch cố định. Tuy nhiên, phương pháp này có nguy cơ dẫn đến bảo trì quá mức hoặc không thể ngăn chặn các sự cố bất ngờ. Với bảo trì dự đoán sử dụng Generative AI, hệ thống có thể phân tích dữ liệu cảm biến và các thông tin liên quan để dự đoán trước khi sự cố xảy ra.

Nhờ đó, doanh nghiệp có thể thực hiện bảo trì đúng thời điểm cần thiết, từ đó giảm thiểu tối đa thời gian ngừng máy.

Ví dụ, Siemens đã phát triển hệ thống bảo trì dự đoán mang tên “Senseye Predictive Maintenance” sử dụng công nghệ Generative AI. Hệ thống này phân tích dữ liệu vận hành của máy móc và dữ liệu từ cảm biến theo thời gian thực để phát hiện sớm các dấu hiệu hỏng hóc. Nhờ vậy, thời gian ngừng máy được giảm đáng kể và năng suất được cải thiện rõ rệt.

3. Dự Báo Nhu Cầu: Linh Hoạt Ứng Phó Với Biến Động Nhu Cầu

Dự báo nhu cầu chính xác là yếu tố vô cùng quan trọng đối với ngành sản xuất. Tồn kho dư thừa sẽ làm tăng chi phí lưu trữ, trong khi thiếu hàng tồn kho lại dẫn đến mất cơ hội kinh doanh. Generative AI có khả năng phân tích dữ liệu bán hàng trong quá khứ, xu hướng thị trường, các chỉ số kinh tế,… để dự đoán nhu cầu trong tương lai với độ chính xác cao. Nhờ đó, việc quản lý tồn kho được tối ưu hóa, giúp giảm chi phí và tối đa hóa lợi nhuận.

Chẳng hạn, trong ngành bán lẻ, các doanh nghiệp đã sử dụng Generative AI để dự báo nhu cầu bằng cách tính đến các yếu tố như mùa vụ, thời tiết, sự kiện,… Qua đó, họ đã tối ưu hóa được việc quản lý hàng tồn kho, linh hoạt ứng phó với biến động nhu cầu và nâng cao sự hài lòng của khách hàng.

4. Sản Xuất Tùy Chỉnh: Cung Cấp Sản Phẩm Phù Hợp Với Nhu Cầu Của Khách Hàng

Khi nhu cầu của khách hàng ngày càng đa dạng, nhu cầu đối với sản xuất tùy chỉnh cũng ngày càng tăng. Tuy nhiên, sản xuất tùy chỉnh truyền thống gặp phải nhiều thách thức như quy trình thiết kế và sản xuất phức tạp hơn, kéo theo chi phí và thời gian sản xuất tăng lên. Nhờ ứng dụng Generative AI, doanh nghiệp có thể tự động hóa việc thiết kế sản phẩm theo yêu cầu cá nhân của khách hàng và hiện thực hóa quy trình sản xuất tùy chỉnh một cách hiệu quả.

Chẳng hạn, trong ngành thời trang, đã xuất hiện các dịch vụ sử dụng Generative AI để thiết kế quần áo phù hợp với vóc dáng và sở thích của từng khách hàng, sau đó sản xuất theo yêu cầu. Nhờ đó, doanh nghiệp có thể nhanh chóng cung cấp sản phẩm tối ưu cho từng cá nhân và nâng cao mức độ hài lòng của khách hàng.

5. Quản Lý Chuỗi Cung Ứng: Hiện Thực Hóa Việc Mua Sắm Và Logistics Hiệu Quả

Tối ưu hóa chuỗi cung ứng là một thách thức quan trọng đối với ngành sản xuất. Generative AI giúp tối ưu hóa nhiều quy trình trong toàn bộ chuỗi cung ứng, bao gồm dự báo nhu cầu, quản lý hàng tồn kho và tối ưu hóa tuyến đường vận chuyển. Nhờ đó, doanh nghiệp có thể giảm chi phí và nâng cao hiệu quả từ khâu mua sắm đến hậu cần.

Ví dụ, trong ngành logistics, Generative AI đang được sử dụng để tối ưu hóa tuyến giao hàng và cải thiện hiệu suất xếp hàng lên xe tải. Điều này giúp giảm chi phí vận chuyển, rút ngắn thời gian giao hàng và nâng cao hiệu quả tổng thể của chuỗi cung ứng.

6. Kiểm Soát Chất Lượng: Phát Hiện Sản Phẩm Lỗi Và Nâng Cao Chất Lượng

Kiểm soát chất lượng sản phẩm là yếu tố vô cùng quan trọng đối với ngành sản xuất. Trong các phương pháp kiểm tra truyền thống, nhân viên kiểm định thường sử dụng mắt thường để kiểm tra, dẫn đến nguy cơ xảy ra lỗi do con người hoặc bỏ sót.

Tuy nhiên, với việc ứng dụng Generative AI, doanh nghiệp có thể sử dụng công nghệ nhận dạng hình ảnh để tự động phát hiện sản phẩm lỗi. Nhờ đó, hiệu suất và độ chính xác trong kiểm soát chất lượng được nâng cao rõ rệt.

Chẳng hạn, trong ngành công nghiệp ô tô, các nhà sản xuất đã triển khai Generative AI để tự động phát hiện các vết trầy xước trên thân xe hoặc các lỗi trong lớp sơn. Điều này giúp giảm thiểu lỗi kiểm tra do con người và đảm bảo cung cấp các sản phẩm có chất lượng cao.

7. Quản Lý Lực Lượng Lao Động: Phân Bổ Nhân Sự Và Nhiệm Vụ Một Cách Tối Ưu

Tại hiện trường sản xuất, việc bố trí nhân sự hợp lý và phân công nhiệm vụ phù hợp là rất quan trọng. Generative AI có thể phân tích các yếu tố như kỹ năng, kinh nghiệm và khối lượng công việc của nhân viên để đề xuất phương án phân bổ nhân sự và nhiệm vụ tối ưu.

Nhờ đó, hiệu suất công việc được nâng cao và nguồn lực lao động được sử dụng hiệu quả hơn.

Chẳng hạn, trong lĩnh vực quản lý kho hàng, Generative AI đang được ứng dụng để tối ưu hóa quy trình lấy hàng và phân bổ nhân sự một cách hợp lý. Kết quả là thời gian làm việc được rút ngắn, chi phí được giảm thiểu và năng suất tổng thể được cải thiện.

8. Nghiên Cứu Và Phát Triển: Thúc Đẩy Phát Triển Vật Liệu Và Sản Phẩm Mới

Việc phát triển vật liệu và sản phẩm mới là yếu tố không thể thiếu để các doanh nghiệp sản xuất duy trì năng lực cạnh tranh. Generative AI có thể phân tích khối lượng lớn dữ liệu về vật liệu và kết quả thí nghiệm để đề xuất các vật liệu hoặc sản phẩm mới tiềm năng.

Nhờ đó, quá trình nghiên cứu và phát triển (R&D) trở nên hiệu quả hơn và được đẩy nhanh tiến độ.

Chẳng hạn, trong ngành công nghiệp hóa chất, Generative AI đang được ứng dụng để tìm kiếm hợp chất tiềm năng cho thuốc mới hoặc dự đoán đặc tính của vật liệu. Điều này giúp tăng tốc quá trình nghiên cứu và rút ngắn thời gian đưa sản phẩm ra thị trường.

9. Soạn Thảo Tài Liệu Và Tuân Thủ Quy Định: Nâng Cao Hiệu Quả Nhờ Tự Động Hóa

Trong ngành sản xuất, doanh nghiệp cần tạo ra nhiều loại tài liệu khác nhau như bản thông số kỹ thuật sản phẩm, hướng dẫn sử dụng và báo cáo. Generative AI có thể tự động hóa việc soạn thảo các tài liệu này, giúp nâng cao hiệu quả công việc.

Bên cạnh đó, AI còn tích hợp khả năng kiểm tra sự tuân thủ các quy định pháp luật và tiêu chuẩn ngành một cách tự động. Nhờ vậy, doanh nghiệp có thể giảm thời gian và chi phí dành cho việc tạo tài liệu, đồng thời dễ dàng đảm bảo yêu cầu tuân thủ.

Chẳng hạn, trong quá trình tạo bản thông số kỹ thuật hay hướng dẫn sử dụng sản phẩm, Generative AI có thể tự động thu thập thông tin cần thiết và tạo ra tài liệu một cách chính xác và nhanh chóng.

Kết quả là hiệu suất công việc được cải thiện và doanh nghiệp có thể cung cấp các tài liệu chất lượng cao.

10. Tối Ưu Hóa Tiêu Thụ Năng Lượng: Giảm Chi Phí Và Tác Động Đến Môi Trường

Trong ngành sản xuất, việc giảm tiêu thụ năng lượng đóng vai trò quan trọng cả về khía cạnh cắt giảm chi phí và giảm thiểu tác động đến môi trường. Generative AI có thể phân tích chi tiết tình trạng sử dụng năng lượng trong nhà máy và đề xuất các mô hình tiêu thụ năng lượng tối ưu.

Nhờ đó, hiệu suất sử dụng năng lượng được nâng cao và chi phí được giảm đáng kể.

Những Thách Thức Trong Việc Triển Khai Generative AI

Challenges In Implementing Generative AI ​

1.Chất lượng và số lượng dữ liệu

Hiệu suất của Generative AI phụ thuộc rất nhiều vào chất lượng và số lượng dữ liệu được sử dụng trong quá trình huấn luyện. Tại hiện trường sản xuất, một lượng lớn dữ liệu như dữ liệu từ cảm biến hoặc dữ liệu sản xuất được thu thập, nhưng không phải tất cả đều phù hợp để huấn luyện Generative AI. Để nâng cao chất lượng dữ liệu, cần thực hiện các công việc như làm sạch và xử lý dữ liệu trước.

2. Bảo Mật Và Quyền Riêng Tư

Việc huấn luyện Generative AI có thể liên quan đến việc sử dụng dữ liệu có độ bảo mật cao. Do đó, việc đảm bảo an toàn và quyền riêng tư của dữ liệu là vô cùng quan trọng. Cần áp dụng các biện pháp bảo mật thích hợp để ngăn chặn rò rỉ dữ liệu và truy cập trái phép.

3. Vấn Đề Đạo Đức

Generative AI có thể tạo ra nội dung chứa thông tin sai lệch hoặc định kiến. Do đó, cần xem xét một cách nghiêm túc các vấn đề đạo đức liên quan đến việc sử dụng công nghệ này. Việc xây dựng và tuân thủ các nguyên tắc đạo đức là điều cần thiết.

Tương Lai Của Ngành Sản Xuất Dưới Tác Động Của Generative AI

The Future Of Manufacturing Brought By Generative AI ​

Generative AI được kỳ vọng sẽ góp phần nâng cao năng suất, giảm chi phí, cải thiện chất lượng và rút ngắn thời gian sản xuất bằng cách tự động hóa và tối ưu hóa nhiều quy trình trong ngành sản xuất. Ngoài ra, Generative AI còn có khả năng tạo ra những ý tưởng và giải pháp đột phá mà con người có thể không nghĩ đến.

Trong tương lai, Generative AI sẽ được ứng dụng rộng rãi hơn trong mọi lĩnh vực của ngành sản xuất, thúc đẩy sự chuyển đổi sang một ngành công nghiệp thông minh hơn, hiệu quả hơn và bền vững hơn.

Posted in AI

Combining tmux and Claude to Build an Automated AI Agent System (for Mac & Linux)

Posted on by hello@scuti

1. Introduction

With the rapid growth of AI, multi-agent systems are attracting more attention due to their ability to coordinate, split tasks, and handle complex automation. An “agent” can be an independent AI responsible for a specific role or task.

In this article, I’ll show you how to combine tmux (a powerful terminal multiplexer) with Claude (Anthropic’s AI model) to build a virtual organization. Here, AI agents can communicate, collaborate, and work together automatically via the terminal.

 

2. What is tmux?

tmux lets you split your terminal into multiple windows or sessions, each running its own process independently. Even if you disconnect, these sessions stay alive. This is super useful when you want to run several agents in parallel, each in their own terminal, without interfering with each other.

 

3. What is Claude?

Claude is an advanced language AI model developed by Anthropic. It can understand and respond to text requests, and it’s easy to integrate into automated systems—acting as a “virtual employee” taking on part of your workflow.

 

4. Why combine tmux and Claude?

Parallel & Distributed: Each agent is an independent Claude instance running in its own tmux session.

Workflow Automation: Easily simulate complex workflows between virtual departments or roles.

Easy Debug & Management: You can observe each agent’s logs in separate panes or sessions.

 

5. System Architecture

Let’s imagine a simple company structure:

PRESIDENT: Project Director (sets direction, gives instructions)

boss1: Team Leader (splits up tasks)

worker1, worker2, worker3: Team members (do the work)

Each agent has its own instruction file so it knows its role when starting up.

Agents communicate using a script:

./agent-send.sh [recipient] “[message]”

Workflow:

PRESIDENT → boss1 → workers → boss1 → PRESIDENT

 

6. Installation

Since the code is a bit long, I’ll just share the GitHub link to keep things short.

tmux:
Install guide: tmux Installing Guide

Claude:
Install guide: Claude Setup Guide

Git:
Install guide: Git Download

Clone the project:

bash
git clone https://github.com/mhieupham1/claudecliagent

 

Inside, you’ll find the main folders and files:

CLAUDE.md: Describes the agent architecture, communication, and workflows.

instructions/: Contains guidance for each role.

.claude/: JSON files to manage permissions for bash scripts.

setup.sh: Launches tmux sessions for PRESIDENT, boss1, worker1, worker2, worker3 so agents can talk to each other.

agent-send.sh: Script for sending messages between agents.

 

7. Deployment

Run the setup script:

bash
./setup.sh
This will create tmux sessions for PRESIDENT and the agents (boss1, worker1, worker2, worker3) in the background.

To access the PRESIDENT session:

bash
tmux attach-session -t president


To access the multiagent session:

bash
tmux attach-session -t multiagent


In the PRESIDENT session, run the claude command to set up the Claude CLI.

Do the same for the other agents.

Now, in the PRESIDENT window, try entering a request like:

you are president. create a todo list website now
PRESIDENT will start the to-do list. PRESIDENT will send instructions to boss1, boss1 will assign tasks to worker1, worker2, and worker3.

You can watch boss1 and the workers do their jobs, approve commands to create code files, and wait for them to finish.

Result:

8. Conclusion

Combining tmux and Claude lets you create a multi-agent AI system that simulates a real company: communicating, collaborating, and automating complex workflows. Having each agent in its own session makes it easy to manage, track progress, and debug.

This system is great for AI research, testing, or even real-world workflow automation, virtual team assistants, or teamwork simulations.

If you’re interested in developing multi-agent AI systems, try deploying this model, customize roles and workflows to your needs, and feel free to contribute or suggest improvements to the original repo!

Introducing Claude 4 and Its Capabilities

Posted on by Duong Nguyen

Claude 4 refers to the latest generation of AI models developed by Anthropic, a company founded by former OpenAI researchers. The most powerful model in this family as of June 2024 is Claude 3.5 Opus, often informally called “Claude 4” due to its leap in performance.

Claude Opus 4 is powerful model yet and the best coding model in the world, leading on SWE-bench (72.5%) and Terminal-bench (43.2%). It delivers sustained performance on long-running tasks that require focused effort and thousands of steps, with the ability to work continuously for several hours—dramatically outperforming all Sonnet models and significantly expanding what AI agents can accomplish.

Claude Opus 4 excels at coding and complex problem-solving, powering frontier agent products. Cursor calls it state-of-the-art for coding and a leap forward in complex codebase understanding. Replit reports improved precision and dramatic advancements for complex changes across multiple files. Block calls it the first model to boost code quality during editing and debugging in its agent, codename goose, while maintaining full performance and reliability. Rakuten validated its capabilities with a demanding open-source refactor running independently for 7 hours with sustained performance. Cognition notes Opus 4 excels at solving complex challenges that other models can’t, successfully handling critical actions that previous models have missed.

Claude Sonnet 4 significantly improves on Sonnet 3.7’s industry-leading capabilities, excelling in coding with a state-of-the-art 72.7% on SWE-bench. The model balances performance and efficiency for internal and external use cases, with enhanced steerability for greater control over implementations. While not matching Opus 4 in most domains, it delivers an optimal mix of capability and practicality.

GitHub says Claude Sonnet 4 soars in agentic scenarios and will introduce it as the model powering the new coding agent in GitHub Copilot. Manus highlights its improvements in following complex instructions, clear reasoning, and aesthetic outputs. iGent reports Sonnet 4 excels at autonomous multi-feature app development, as well as substantially improved problem-solving and codebase navigation—reducing navigation errors from 20% to near zero. Sourcegraph says the model shows promise as a substantial leap in software development—staying on track longer, understanding problems more deeply, and providing more elegant code quality. Augment Code reports higher success rates, more surgical code edits, and more careful work through complex tasks, making it the top choice for their primary model.

These models advance our customers’ AI strategies across the board: Opus 4 pushes boundaries in coding, research, writing, and scientific discovery, while Sonnet 4 brings frontier performance to everyday use cases as an instant upgrade from Sonnet 3.7.

 

 

Key Strengths of Claude 4

 1. Superior Reasoning and Intelligence

Claude 4 ranks at the top in benchmark evaluations such as:

  • MMLU (Massive Multitask Language Understanding)

  • GSM8k (math problem solving)

  • HumanEval (coding)
    It rivals or exceeds OpenAI’s GPT-4-turbo and Google Gemini 1.5 Pro in complex reasoning, long-context understanding, and task execution.

 2. Massive Context Window (Up to 200K Tokens)

Claude 4 can read and reason over hundreds of pages at once, making it perfect for:

  • Analyzing lengthy legal or scientific documents

  • Comparing large codebases

  • Summarizing long texts or reports

 3. Advanced Coding Support

Claude 4 excels in:

  • Writing and explaining code in multiple languages (Python, JS, Java, etc.)

  • Debugging and understanding large code repositories

  • Pair programming and iterative development tasks

 4. Natural and Helpful Communication

  • Responses are clear, polite, and structured

  • Especially strong in creative writing, professional emails, and educational explanations

  • Can follow complex instructions and maintain context over long conversations

Safe and Aligned by Design

Claude is built with safety and alignment in mind:

  • It avoids generating harmful or unethical content

  • It is more cautious and transparent than most models

 

 How to Access or Use Claude 4

Claude is a cloud-based AI model, so you don’t install it like software — instead, you access it via the web or API.

1. Use Claude via Web App

 Steps:

  1. Go to: https://claude.ai

  2. Sign up or log in (you need a US/UK/Canada/EU phone number).

  3. Choose from free or paid plan (Claude 3.5 Opus is available only in Claude Pro – $20/month).

 Claude Pro Includes:

  • Claude 3.5 Opus (latest, most powerful)

  • Larger context

  • Priority access during high demand

 Currently, Claude is only available in select countries. If you’re outside the US/UK/Canada/EU, you may need to use a VPN and a virtual phone number to sign up (unofficial workaround).

2.  Use Claude via API (For Developers)

 API Access:

  1. Go to: https://console.anthropic.com

  2. Sign up and get an API key

  3. Use the API with tools like Python, cURL, or Postman

 Example (Python):

import anthropic

client = anthropic.Anthropic(api_key="your_api_key")

response = client.messages.create(
model="claude-3.5-opus-20240620",
max_tokens=1024,
messages=[
{"role": "user", "content": "Explain quantum computing in simple terms"}
]
)

print(response.content)

Can I Install Claude Locally?

No. Like ChatGPT or Gemini, Claude is not open-source or downloadable. It’s only available via:

 

Feature Claude 4 (Claude 3.5 Opus)
Developer Anthropic
Model Type Large Language Model (LLM)
Reasoning & Math Top-tier performance
Context Length Up to 200,000 tokens
Code Assistance Strong support for multiple languages
Language Style Human-like, calm, professional
Best Use Cases Analysis, writing, coding, dialogue
Access claude.ai or API

A Step-by-Step Guide to Integrating and Using Claude Code Action on GitHub

Posted on by hello@scuti

Investigate how Claude Code Action is great. Just create an issue and put  a mention to Claude  like @claude, Claude can write the code automatically

Introduction

In the current era of rapidly evolving technology, artificial intelligence (AI) 

stands out as one of the most significant and transformative breakthroughs on a global scale. Among the various AI-driven tools, Claude — particularly the Claude Action Code — represents a powerful integration that can be embedded into user’s GitHub repositories to address raised issues with remarkable accuracy and efficiency. This paper aims to explore the capabilities and applications of Claude Action Code in modern software development workflows.

Body content

Claude Code Action is a extension categorized as a “Action” and made available on the GitHub Marketplace by Anthropic. Users can search for and utilize it by following the provided setup instructions outlined in the README documentation. Below is a summary of the basic setup steps for integrating Claude Code Action into user’s GitHub repository: 

1.Create a workflow folder:

On GitHub: In user’s GitHub repository, click “Add file”:

insert the configuration into the path:“.git/workflows/[file_name].yml”. For instance: 

Next, insert the appropriate workflow configuration for this extension, depending on your intended use:

For example: 

name: Claude PR Assistant

on:

  issue_comment:

    types: [created]

  pull_request_review_comment:

    types: [created]

  issues:

    types: [opened, assigned]

  pull_request_review:

    types: [submitted]

 

jobs:

  claude-code-action:

    if: |

      (github.event_name == ‘issue_comment’ && 

contains(github.event.comment.body, ‘@claude’)) ||

      (github.event_name == ‘pull_request_review_comment’ && contains(github.event.comment.body, ‘@claude’)) ||

      (github.event_name == ‘pull_request_review’ && 

contains(github.event.review.body, ‘@claude’)) ||

      (github.event_name == ‘issues’ && contains(github.event.issue.body, ‘@claude’))

    runs-on: ubuntu-latest

    permissions:

      contents: write

      pull-requests: read

      issues: read

      id-token: write

    steps:

      – name: Checkout repository

        uses: actions/checkout@v4

        with:

          fetch-depth: 1

 

      – name: Run Claude PR Action

        uses: anthropics/claude-code-action@beta

        with:

          anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

          timeout_minutes: “60”

Then, click “Commit changes” to successfully add the configuration to your repository.

On the user’s local machine: If a folder in VScode has already  been connected to the GitHub repository, the user can manually create a workflow directory and a .yml file to store the Claude configuration. Then, file can be pushed to the GitHub repository

2.API key:

  • After that, the API key should be added to the repository’s Secrets under the Setting tab, rather than being hard-coded directly into workflow file to prevent unauthorized access

 

Find Action in Secret and variables

Create a new repository secret

Add your API key to Secret’s description

Name secret as key’s name in the workflow file

✅Correct

❌Never do it

3. Using Claude Code Action: 

User creates a new issue within repository where Claude is intended to be used: 

The user describes the issue to be resolved – such as feature creation, bug fixing, code review, …  – in the issue’s description. You can tag “@claude” directly in the description or in a comment after the issue is created, in order trigger Claude to process the request

Ex: Ask Claude to generate complete login and registration pages based on the initial files in the repo

Claude is invoked via API to address the issue described, with the response time depending on the complexity of the request. It uses the token associated with your API key to read the issue content as well as to create or modify code within the repository

Claude’s response will appear in the comments section of the issue.

Here, Claude generates additional files, for example register.html and dashboard.html, as part of the requested implementation and show what changes are made to each file — including which parts are added, modified, or deleted.

At this point, Claude has created a separate branch in the repository containing the proposed changes. The user can then review and consider merging these updates into the main branch via a pull request.

After successfully merging into the main branch

 

Following a successful merge, the issue may be closed. At this point, Claude has been effectively utilized to generate complete, functional demo pages for user login and registration.

 

4.Result:

Registration page

Login screen

Dashboard screen

In summary, Claude Code Action proves to be a highly effective tool for streamlining development tasks, making it easier for both individuals and teams to enhance productivity.

Buổi học nội bộ! Tìm hiểu “MCP” – giao thức không thể thiếu trong ứng dụng AI tạo sinh

Posted on by hello@scuti

Internal seminar about MCP

 

Xin chào, tôi là Kakeya, Giám đốc điều hành của Scuti.

Công ty chúng tôi chuyên phát triển offshore tại Việt Nam với thế mạnh về AI tạo sinh. Chúng tôi cung cấp các dịch vụ như Tư vấn AI tạo sinh và AI-OCR, và gần đây rất vui mừng khi nhận được nhiều yêu cầu phát triển hệ thống tích hợp cùng AI tạo sinh.

Gần đây, Scuti đã tổ chức một buổi học nội bộ để nâng cao hiểu biết về “MCP (Model Connection Protocol)”.

MCP là một giao thức dùng để kết nối AI – đặc biệt là LLM (Mô hình ngôn ngữ lớn) – với các dịch vụ bên ngoài. Mặc dù nghe có vẻ kỹ thuật, nhưng thực tế lại rất hữu ích ngay cả đối với những người không phải kỹ sư. Ví dụ, khi sử dụng các công cụ như Claude, MCP giúp tích hợp hiệu quả với các dịch vụ khác, nâng cao năng suất đáng kể.

Buổi học này hướng đến cả kỹ sư và những người không chuyên kỹ thuật. Nội dung bao gồm khái niệm cơ bản về MCP, các ví dụ ứng dụng thực tế, cũng như cách triển khai vào công việc hàng ngày. Một điểm nổi bật là việc sử dụng MCP kết hợp với các công cụ phát triển như Cursor để kết nối với các dịch vụ bên ngoài, từ đó tăng tốc độ phát triển và nâng cao chất lượng sản phẩm. Đây là kỹ năng gần như bắt buộc đối với kỹ sư.

Tại Scuti, chúng tôi luôn nỗ lực tạo ra môi trường giúp mọi thành viên cập nhật các công nghệ mới nhất. Ngoài các buổi hội thảo nội bộ thường xuyên, chúng tôi còn có chính sách thưởng cho việc nghiên cứu và chia sẻ kết quả, cũng như hỗ trợ nhân viên lấy các chứng chỉ kỹ thuật.

Trong thời đại AI tạo sinh ngày càng gắn liền với sự phát triển kinh doanh, saldo5d việc toàn bộ nhân viên có cùng nền tảng kiến thức và khả năng áp dụng thực tiễn là điều vô cùng quan trọng. Thông qua các buổi học như thế này, Scuti tiếp tục củng cố năng lực công nghệ và khả năng phối hợp nội bộ một cách vững chắc.

Cursor 0.50 Just Dropped – Your AI-Powered Coding Assistant Just Got Smarter

Posted on by Cuong Dinh

💡 Cursor 0.50 Just Dropped – Your AI-Powered Coding Assistant Just Got Smarter

TL;DR: With the release of Cursor 0.50, developers get access to request-based billing, background AI agents, smarter multi-file edits, and deeper workspace integration. Cursor is fast becoming the most capable AI coding tool for serious developers.

🚀 What Is Cursor?

Cursor is an AI-native code editor built on top of VS Code, designed to let AI work with your code rather than next to it. With GPT-4 and Claude integrated deeply into its architecture, Cursor doesn’t just autocomplete — it edits, debugs, understands your full project, and runs background agents to help you move faster.

🔥 What’s New in Cursor 0.50?

💰 Request-Based Billing + Max Mode for All Models

Cursor now offers:

  • Transparent usage-based pricing — You only pay for requests you make.

  • Max Mode for all LLMs (GPT-4, Claude, etc.) — Access higher-quality reasoning per token.

This change empowers all users — from solo hackers to enterprise teams — to choose the right balance between cost and quality.

🤖 Background AI Agents (Yes, Parallel AI!)

One of the most powerful new features is background AI agents:

  • Agents run asynchronously and can take over tasks like bug fixing, PR writing, and large-scale refactoring.

  • You can now “send a task” to an agent, switch context, and return later — a huge leap in multitasking with AI.

Powered by the Multi-Context Project (MCP) framework, these agents can reference more of your codebase than ever before.

🧠 Tab Model v2: Smarter, Cross-File Edits

Cursor’s AI can now:

  • Suggest changes across multiple files — critical for large refactors.

  • Understand relationships between files (like components, hooks, or service layers).

  • Provide syntax-highlighted AI completions for better visual clarity.

🛠️ Redesigned Inline Edit Flow

Inline editing (Cmd/Ctrl+K) is now:

  • More intuitive, with options to edit the whole file (⌘⇧⏎) or delegate to an agent (⌘L).

  • Faster and scalable for large files (yes, even thousands of lines).

This bridges the gap between simple fixes and deep code transformations.

🗂️ Full-Project Context + Multi-Root Workspaces

Cursor now handles large, complex projects better than ever:

  • You can use @folders to add whole directories into the AI’s context.

  • Multi-root workspace support means Cursor can understand and work across multiple codebases — essential for microservices and monorepos.

🧪 Real Use Cases (from the Community)

According to GenerativeAI.pub’s deep dive, developers are already using Cursor 0.50 to:

  • Let background agents auto-refactor legacy modules.

  • Draft PRs from diffs in seconds.

  • Inject whole folders into the AI context for more accurate suggestions.

It’s not just about faster code — it’s about working smarter with an AI assistant that gets the big picture.

📌 Final Thoughts

With Cursor 0.50, the future of pair programming isn’t just someone typing next to you — it’s an agent that can read, think, and refactor your code while you focus on building features. Whether you’re a solo developer or a CTO managing a team, this update is a must-try.

👉 Try it now at cursor.sh or read the full changelog here.

🏷 Suggested Tags for SEO:

#AIProgramming, #CursorEditor, #GPT4Dev, #AIAgents, #CodeRefactoring, #DeveloperTools, #VSCodeAI, #Productivity, #GenerativeAI

© 2015 - 2025 Scuti. All rights reserved.