Báo cáo Lớp 5 — gom 177 repo trong AIToEarn knowledge base thành các stack giải pháp có thể triển khai và bán. Dữ liệu: knowledge-base.json (27 bản tin, 19/05–25/07/2026).
Tuần này kho tri thức bổ sung một loạt repo mới đáng chú ý ở hai hướng chưa được khai thác kỹ ở các báo cáo trước: AI tài chính/giao dịch đa tác nhân và tình báo thị trường thời gian thực. Sáu stack dưới đây ưu tiên nêu các tổ hợp MỚI hoặc thay đổi mạnh so với báo cáo tuần 2026-07-19.
Stack 1 — Chatbot tài liệu doanh nghiệp có trích dẫn (Document Intelligence RAG)
Bài toán: Doanh nghiệp có hàng nghìn tài liệu (hợp đồng, quy trình, hồ sơ kỹ thuật, PDF scan) và cần một trợ lý hỏi–đáp trả lời chính xác kèm trích dẫn nguồn, chạy nội bộ để bảo mật dữ liệu.
Ráp từ:
- opendatalab/MinerU ⭐38k (trend up) — lớp ingest: biến PDF/Office phức tạp, tài liệu scan thành markdown/JSON sạch cho LLM.
- infiniflow/ragflow ⭐70k — engine RAG lõi: retrieval nâng cao + query planning + trích dẫn nguồn.
- VectifyAI/PageIndex ⭐32.1k (up) — RAG "không vector": index theo reasoning cho tài liệu dài, agent tự duyệt thay vì tra embedding — giảm sai lệch với hồ sơ pháp lý/kỹ thuật.
- HKUDS/RAG-Anything ⭐8.5k (mới) — đa phương thức: xử lý cả bảng, hình, biểu đồ trong tài liệu.
- 1Panel-dev/MaxKB ⭐21.1k (mới) — lớp sản phẩm: knowledge base + agent + MCP đóng gói sẵn cho HR/IT/CSKH.
- docusealco/docuseal ⭐15.4k (mới) — ký số: khép kín luồng từ hỏi–đáp hợp đồng sang tạo–điền–ký.
Luồng triển khai: Tài liệu thô → MinerU parse thành markdown → nạp vào ragflow/PageIndex để index → MaxKB làm giao diện chatbot + phân quyền → khi cần chốt hợp đồng, đẩy sang DocuSeal ký. RAG-Anything bọc thêm khi tài liệu nhiều bảng/hình.
Khoảng trống: Kho chưa có repo mạnh về đánh giá độ chính xác (eval/hallucination guard) cho RAG tiếng Việt; cần bổ sung bộ test và con người kiểm duyệt vòng cuối.
Hướng kiếm tiền: Triển khai "knowledge base AI có trích dẫn" on-prem cho ngành nhạy cảm dữ liệu (luật, y tế, tài chính, sản xuất). Tính phí setup + số hoá/ingest theo dung lượng + bảo trì theo năm.
Khả thi: Cao — mọi mảnh ghép đều là repo trưởng thành, self-host được; rào cản chính là công sức làm sạch dữ liệu khách hàng chứ không phải công nghệ.
Stack 2 — Nhân sự phân tích tài chính đa tác nhân (Financial Multi-Agent) — MỚI
Bài toán: Quỹ nhỏ, nhà phân tích độc lập hoặc bộ phận đầu tư của SME muốn một "phòng phân tích" AI tổng hợp cơ bản, kỹ thuật, sentiment và quản trị rủi ro để ra khuyến nghị có lập luận.
Ráp từ:
- TauricResearch/TradingAgents ⭐62.6k (mới) — khung lõi: mô phỏng một công ty giao dịch — các agent phân tích, trader, quản trị rủi ro tranh luận rồi ra quyết định.
- HKUDS/Vibe-Trading ⭐24k (up) — backtest bằng ngôn ngữ tự nhiên: biến câu lệnh thành chiến lược và kiểm thử lịch sử.
- anthropics/financial-services ⭐10.8k (mới) — reference architecture ngành: bộ skills, agent workflow và kiến trúc mẫu cho dịch vụ tài chính.
- Canner/WrenAI ⭐6.5k (mới) — BI hỏi đáp: text-to-SQL trên 20+ nguồn dữ liệu để truy vấn số liệu nội bộ.
- PriorLabs/TabPFN ⭐6.7k (mới) — dự báo dữ liệu bảng: foundation model cho tabular, bổ sung dự báo định lượng.
Luồng triển khai: WrenAI kéo số liệu từ kho dữ liệu → TradingAgents điều phối các vai phân tích tranh luận → Vibe-Trading backtest giả thuyết → TabPFN dự báo chỉ số → toàn bộ dựng theo pattern của financial-services để chuẩn hoá tuân thủ.
Khoảng trống: Không repo nào lo phần dữ liệu thị trường thời gian thực có giấy phép, cũng không đảm bảo tuân thủ pháp lý. Đây là công cụ research/hỗ trợ ra quyết định, không phải hệ thống giao dịch tự động — cần nêu rõ giới hạn này với khách.
Hướng kiếm tiền: SaaS "phòng phân tích AI" bán theo seat cho nhà đầu tư cá nhân/quỹ nhỏ; hoặc consulting dựng hệ multi-agent theo vai cho bộ phận đầu tư doanh nghiệp.
Khả thi: Trung bình — công nghệ ấn tượng nhưng rủi ro pháp lý và trách nhiệm tài chính cao. Nên định vị là công cụ nghiên cứu, tránh hứa hẹn lợi nhuận; ưu tiên khách B2B thay vì retail.
Stack 3 — Tình báo thị trường & social listening as-a-service — MỚI
Bài toán: Brand và agency cần theo dõi xu hướng, đối thủ, dư luận đa nền tảng theo thời gian thực và nhận báo cáo/cảnh báo — nhưng ngại chi phí API mạng xã hội đắt đỏ.
Ráp từ:
- koala73/worldmonitor ⭐61.7k (mới) — dashboard tình báo: tổng hợp tin tức, theo dõi biến động qua AI + MCP + OSINT.
- sansan0/TrendRadar ⭐60.5k (up) — radar xu hướng: gom đa nền tảng/RSS, lọc theo từ khoá, phân tích cảm xúc, alert qua Telegram.
- Panniantong/Agent-Reach ⭐55k (mới) — thu thập giá rẻ: đọc & tìm kiếm Twitter, Reddit, YouTube, GitHub qua một lệnh, không tốn phí API.
- firecrawl/firecrawl ⭐58k — web-to-markdown: scrape/crawl trang đối thủ thành dữ liệu có cấu trúc cho LLM.
- D4Vinci/Scrapling ⭐69.2k (mới) — scraping thích ứng: chế độ stealth + MCP server cho pipeline dữ liệu quy mô lớn.
Luồng triển khai: Agent-Reach + Scrapling + Firecrawl thu dữ liệu thô đa kênh → TrendRadar lọc và chấm cảm xúc → worldmonitor trực quan hoá thành dashboard theo ngành → LLM viết bản tóm tắt/cảnh báo hàng tuần cho client.
Khoảng trống: Kho thiếu lớp lưu trữ lịch sử dài hạn để so sánh xu hướng theo tháng/quý và lớp báo cáo tự động thành slide/PDF — cần ghép thêm công cụ ngoài hoặc dựng riêng.
Hướng kiếm tiền: Dịch vụ social listening + market intelligence theo thuê bao cho SME/brand nhỏ, giá cạnh tranh nhờ tiết kiệm phí API; hoặc bán dashboard tuỳ biến theo vertical (F&B, bán lẻ, tài chính).
Khả thi: Cao — chi phí đầu vào thấp, nhu cầu rõ ràng, dễ demo. Rủi ro chính là điều khoản sử dụng của các nền tảng mạng xã hội; nên minh bạch nguồn dữ liệu.
Stack 4 — Xưởng nội dung tự động + tối ưu AEO/GEO cho publisher
Bài toán: Publisher và agency nội dung quy mô vừa cần sản xuất bài viết/video hàng loạt, phân phối đa kênh, và quan trọng hơn — được ChatGPT/Perplexity/Google AI Overviews trích dẫn (không chỉ xếp hạng SEO truyền thống).
Ráp từ:
- AgriciDaniel/claude-seo ⭐6.7k (up) — lõi SEO: 25 sub-skill + 18 sub-agent technical SEO và E-E-A-T.
- yaojingang/GEOFlow ⭐2.9k (mới) — content engineering GEO: AI task + RAG semantic + phân phối đa site.
- cxcscmu/AutoGEO ⭐600 (mới) — tối ưu engine sinh: framework GEO (paper ICLR’26) tự học sở thích của từng answer engine.
- Auriti-Labs/geo-optimizer-skill ⭐1.2k (mới) — audit & theo dõi: đo mức độ ChatGPT/Perplexity/Gemini trích dẫn nội dung.
- gitroomhq/postiz-app ⭐29.6k (up) — phân phối: quản lý & lên lịch mạng xã hội agentic, self-host.
- harry0703/MoneyPrinterTurbo ⭐21k (mới) & AIDC-AI/Pixelle-Video ⭐9.2k (mới) — video: từ chủ đề ra short video hoàn chỉnh.
Luồng triển khai: claude-seo + GEOFlow sản xuất bài chuẩn E-E-A-T → AutoGEO/geo-optimizer tối ưu và theo dõi mức trích dẫn của các answer engine → MoneyPrinterTurbo/Pixelle-Video biến bài thành short video → Postiz lên lịch đa kênh.
Khoảng trống: Chưa có repo đo lường doanh thu/chuyển đổi từ lượt hiển thị trên answer engine; hiệu quả AEO/GEO còn khó quy đổi thành số tiền cụ thể.
Hướng kiếm tiền: Gói "content + AEO" cho publisher gaming/esport, giáo dục, thương mại quy mô vừa; hoặc dịch vụ đưa thương hiệu vào câu trả lời AI (một nhu cầu mới nổi năm 2026).
Khả thi: Cao về vận hành, Trung bình về chứng minh ROI — AEO/GEO còn sớm, nên bán kèm cam kết đo lường minh bạch thay vì hứa thứ hạng.
Stack 5 — Nhân viên số CSKH đa kênh (Digital Support Employee)
Bài toán: SME muốn một "nhân viên" AI trực 24/7 trên nhiều kênh nhắn tin, nhớ được lịch sử khách hàng, tra cứu tài liệu và thực hiện thao tác thay người (tra đơn, điền form).
Ráp từ:
- zhayujie/CowAgent ⭐43k — lõi đa kênh: super assistant hỗ trợ 10+ nền tảng nhắn tin, multi-agent, long-term memory.
- langgenius/dify ⭐120k — nền tảng app agentic: workflow builder + RAG quản lý sẵn để dựng luồng CSKH theo kịch bản.
- mem0ai/mem0 ⭐52.1k — trí nhớ khách hàng: bộ nhớ dài hạn, theo dõi sở thích để cá nhân hoá và tăng retention.
- browser-use/browser-use ⭐101k (up) — tay chân: điều khiển trình duyệt để tra cứu/nhập liệu thay người.
- ItzCrazyKns/Vane ⭐33.6k — answer engine: RAG + tìm kiếm để trả lời câu hỏi ngoài kịch bản.
Luồng triển khai: Khách nhắn qua CowAgent → Dify điều phối kịch bản + RAG tài liệu → mem0 lưu ngữ cảnh khách → khi cần thao tác web, gọi browser-use → câu hỏi mở thì Vane tra cứu.
Khoảng trống: Chưa có repo lo tích hợp sâu với các CRM/tổng đài phổ biến tại Việt Nam; phần đấu nối hệ thống nội bộ khách hàng phải làm thủ công.
Hướng kiếm tiền: Thiết lập + vận hành chatbot CSKH multi-channel theo tháng cho SME; nâng cấp lên bán hàng tự động khi tích hợp CRM.
Khả thi: Cao — nhu cầu phổ biến, tất cả mảnh ghép trưởng thành. Khó khăn nằm ở tích hợp và huấn luyện kịch bản riêng từng khách.
Stack 6 — Xưởng vibe coding vận hành nhiều agent song song
Bài toán: Agency phần mềm hoặc team nhỏ muốn tăng năng suất x5–x10 bằng cách chạy nhiều coding agent song song, kiểm soát chi phí model và giữ ngữ cảnh xuyên phiên.
Ráp từ:
- sst/opencode ⭐165k — harness lõi: CLI coding agent phổ biến nhất, đa provider, hỗ trợ MCP.
- farion1231/cc-switch ⭐116k (up) — bảng điều khiển: giao diện all-in-one quản lý Claude Code, Codex, OpenCode, Gemini CLI.
- stablyai/orca ⭐12k (mới) — điều phối song song: workspace desktop+mobile chạy nhiều agent trên worktree riêng.
- diegosouzapw/OmniRoute ⭐17.9k (up) — cổng model: một endpoint định tuyến qua 231+ provider để tối ưu chi phí.
- thedotmack/claude-mem ⭐85k (up) — trí nhớ xuyên phiên: nén và bơm lại ngữ cảnh giữa các phiên.
- InsForge/InsForge ⭐8.8k (mới) — backend: Postgres + auth + storage + AI gateway để agent tự deploy sản phẩm.
Luồng triển khai: cc-switch làm bảng điều khiển → orca tách worktree chạy nhiều opencode song song → OmniRoute định tuyến model theo giá/tác vụ → claude-mem giữ ngữ cảnh dự án → InsForge làm backend để agent ship thẳng MVP.
Khoảng trống: Chưa có repo đảm bảo chất lượng/review tự động đủ mạnh cho code do agent sinh ở quy mô lớn — vẫn cần senior review vòng cuối.
Hướng kiếm tiền: Agency giao MVP/tính năng nhanh theo dự án; hoặc bán preset harness + quy trình đã tinh chỉnh theo stack công nghệ.
Khả thi: Cao — đây là hướng có dòng tiền nhanh nhất và rào cản kỹ thuật thấp nhất, tận dụng năng lực sẵn có của một team dev.
Khoảng trống chung của kho
Nhìn xuyên 6 stack, ba năng lực lặp đi lặp lại mà không repo nào trong kho phủ đủ:
1. Đánh giá chất lượng & chống ảo giác (eval/QA): cả RAG, tài chính lẫn code do agent sinh đều thiếu lớp kiểm chứng tự động đáng tin — con người vẫn phải review vòng cuối.
2. Đo lường ROI/chuyển đổi: đặc biệt ở AEO/GEO và social listening, khó quy đổi hoạt động AI thành số tiền cụ thể cho khách.
3. Tích hợp hệ thống nội địa (CRM, tổng đài, kế toán, cổng thanh toán VN): phần đấu nối vào công cụ doanh nghiệp Việt Nam gần như phải làm thủ công — cũng chính là nơi tạo lợi thế cạnh tranh cho ai làm tốt.
Nên làm gì trước
Xét vốn, rủi ro và tốc độ ra tiền, Stack 6 (Xưởng vibe coding) và Stack 3 (Tình báo thị trường) nên làm trước: chi phí đầu vào thấp, mọi mảnh ghép đã trưởng thành, dễ demo và ra dòng tiền theo dự án/thuê bao trong vài tuần. Stack 1 (Chatbot tài liệu doanh nghiệp) là lựa chọn xây giá trị dài hạn với biên lợi nhuận tốt khi nhắm ngành nhạy cảm dữ liệu, nhưng chu kỳ bán dài hơn. Ngược lại, Stack 2 (Tài chính đa tác nhân) dù công nghệ hấp dẫn nên để sau: rủi ro pháp lý và trách nhiệm tài chính cao, chỉ nên tiếp cận khi định vị rõ là công cụ nghiên cứu B2B và có tư vấn tuân thủ đi kèm.
Qualified Opportunity Actions
- Chọn một stack: ưu tiên cơ hội có buyer rõ, dữ liệu truy cập được và demo trong 7 ngày.
- Đi tiếp có chủ đích: đọc Kho tri thức hoặc Tổng hợp giải pháp liên quan trước khi xây pilot.
- Đo tín hiệu: ghi lại lượt click nội bộ, reply/outreach và số cuộc discovery phát sinh từ bài này.