Báo cáo Lớp 5 — gom 212 repo trong AIToEarn knowledge base thành các stack giải pháp có thể triển khai và bán được. Dữ liệu: knowledge-base.json (36 bản digest, dải 2026-05-19 → 2026-08-09).
Điểm mới đáng chú ý tuần này: làn sóng trợ lý AI cá nhân tự host bùng nổ (openclaw 382k sao — repo tăng sao nhanh nhất lịch sử GitHub), lớp điều phối đội agent 24/7 trưởng thành (lobehub "Chief Agent Operator", ruflo swarm), và RAG theo reasoning (PageIndex) đang thay thế dần RAG embedding thuần. Hai stack MỚI so với tuần trước: *Nhân viên số AI tự host đa kênh* và *Answer engine nội bộ kiểu Perplexity*.
Stack 1 — Chatbot tài liệu doanh nghiệp có trích dẫn (Document Intelligence RAG)
Bài toán: Doanh nghiệp có kho tài liệu lớn (hợp đồng, quy trình, hồ sơ kỹ thuật, PDF scan) muốn một trợ lý hỏi–đáp nội bộ trả lời kèm trích dẫn nguồn, chạy riêng tư trong hạ tầng của họ.
Ráp từ:
- infiniflow/ragflow ⭐83.8k (up) — engine RAG lõi, xử lý tài liệu doanh nghiệp mạnh, retrieval kết hợp năng lực agent.
- VectifyAI/PageIndex ⭐32.1k (up) — RAG "không vector", index theo reasoning để agent tự duyệt tài liệu; nâng độ chính xác cho hồ sơ dài, cấu trúc phức tạp. Yếu tố mới tuần này.
- opendatalab/MinerU ⭐32k — trích xuất PDF (text, bảng, công thức, layout) sang dữ liệu có cấu trúc; khâu tiền xử lý.
- Mintplex-Labs/anything-llm ⭐62.3k (up) — hoặc open-webui/open-webui ⭐124k làm lớp giao diện chat, phân quyền, workspace riêng tư local-first.
Luồng triển khai: MinerU bóc tách tài liệu → PageIndex/RAGFlow dựng lớp retrieval theo reasoning + trích dẫn → anything-llm/open-webui cung cấp UI chat, SSO, phân quyền theo phòng ban.
Khoảng trống: Chưa có sẵn lớp đánh giá độ chính xác câu trả lời (eval/guardrail), kiểm soát rò rỉ dữ liệu (DLP), và connector vào hệ nội bộ (SharePoint, ERP) — phải tự viết hoặc mua ngoài.
Hướng kiếm tiền: Triển khai trọn gói theo phòng ban (setup + tinh chỉnh) + phí vận hành/bảo trì hàng tháng; gói theo số tài liệu hoặc số nhân viên. Vertical dễ bán: pháp lý, xây dựng/EPC, y tế, tài chính — nơi trích dẫn nguồn là bắt buộc.
Khả thi: Cao — tất cả mảnh đều production-ready, nhu cầu ổn định, đầu ra dễ chứng minh giá trị. Rào cản chính là bán được vào tổ chức và bảo mật dữ liệu.
Stack 2 — Nhân viên số AI tự host đa kênh (Personal / Digital AI Employee) — MỚI
Bài toán: SME và chủ doanh nghiệp muốn một "nhân viên AI" thường trực trên các kênh nhắn tin (WhatsApp, Telegram, Zalo/WeChat, email) để trực chat, tra cứu, đặt lịch, thao tác vài tác vụ web — nhưng không muốn đẩy dữ liệu lên SaaS bên thứ ba.
Ráp từ:
- openclaw/openclaw ⭐382k (up) — trợ lý AI cá nhân self-hosted, kết nối LLM tới 50+ công cụ (nhắn tin, shell, web, email) mà không đẩy dữ liệu ra ngoài. Repo viral nhất tuần.
- zhayujie/CowAgent ⭐43k — khung nhân viên số cho 10+ nền tảng nhắn tin, sẵn multi-agent + skills + long-term memory, mạnh cho CSKH.
- thedotmack/claude-mem ⭐85k (up) hoặc mem0ai/mem0 ⭐52k — lớp bộ nhớ bền vững để "nhân viên" nhớ khách hàng và ngữ cảnh qua nhiều phiên.
- browser-use/browser-use ⭐101k (up) — cho agent thao tác web thật (điền form, tra cứu cổng dịch vụ) khi không có API.
Luồng triển khai: openclaw/CowAgent làm lõi định tuyến kênh + gọi tool → claude-mem/mem0 lưu hồ sơ khách và hội thoại → browser-use xử lý các tác vụ web không có API → RAG (Stack 1) cắm vào để trả lời theo tài liệu doanh nghiệp.
Khoảng trống: Thiếu lớp kiểm duyệt hành động rủi ro (nhất là khi agent có quyền shell/thanh toán), audit log tuân thủ, và phân tách quyền theo vai trò. Cần thêm hàng rào phê duyệt thủ công cho tác vụ nhạy cảm.
Hướng kiếm tiền: Dịch vụ "nhân viên số theo tháng" cho SME (spa, phòng khám, đại lý, shop) — thuê bao theo số kênh/khối lượng hội thoại; bán bản triển khai riêng cho doanh nghiệp coi trọng bảo mật dữ liệu.
Khả thi: Trung bình–Cao — nhu cầu rất nóng và mảnh ghép sẵn, nhưng giao quyền hành động thực cho agent tiềm ẩn rủi ro vận hành/bảo mật; nên bắt đầu ở phạm vi "trả lời + tra cứu", mở rộng dần sang hành động.
Stack 3 — Xưởng nội dung tự động + tối ưu AEO/GEO (Autonomous Content Studio)
Bài toán: Agency và publisher (blog, thương mại điện tử, media vertical) cần sản xuất nội dung đa kênh đều đặn, chuẩn SEO và được các cỗ máy AI (ChatGPT, Perplexity, Google AI Overviews) trích dẫn — với chi phí biên gần bằng 0.
Ráp từ:
- AgriciDaniel/claude-seo ⭐9.4k (up) — bộ skill SEO all-in-one (technical SEO, E-E-A-T, schema, GEO/AEO, semantic clustering).
- every-app/open-seo ⭐7.7k (up) — thay thế Semrush/Ahrefs: site audit, nghiên cứu từ khoá, backlink, tích hợp Google Search Console qua MCP.
- AJaySi/ALwrity ⭐1k — nền tảng sinh nội dung đa phương thức + publishing + persona.
- gitroomhq/postiz-app ⭐29.6k (up) — lên lịch & phân phối 14+ nền tảng mạng xã hội, self-host.
- Anil-matcha/Open-AI-UGC ⭐117 — sinh video quảng cáo UGC với diễn viên AI (Veo/Seedance/Grok Video) cho nội dung short-form.
Luồng triển khai: open-seo tìm từ khoá & khoảng trống nội dung → claude-seo + ALwrity viết bài chuẩn E-E-A-T/schema → Open-AI-UGC dựng video short → postiz lên lịch và phân phối đa kênh → open-seo/GSC đo thứ hạng, lặp lại.
Khoảng trống: Thiếu lớp kiểm soát chất lượng/nguyên bản (chống nội dung "AI rỗng", trùng lặp) và đo lường chuyển đổi thực (không chỉ traffic). Chấm điểm mức được AI trích dẫn (AI visibility) còn sơ khai.
Hướng kiếm tiền: Gói content-as-a-service theo số bài/tháng cho publisher và SME; upsell dịch vụ "tối ưu để được AI trích dẫn" (AEO/GEO) như một dòng doanh thu riêng. Vertical áp dụng tốt: publisher gaming/esport quy mô vừa, giáo dục, du lịch, thương mại điện tử ngách.
Khả thi: Cao — mảng trưởng thành nhất trong kho, đầu ra đo được. Cạnh tranh đông nên khác biệt nằm ở chất lượng biên tập và bằng chứng chuyển đổi.
Stack 4 — Điều phối đội agent 24/7 as-a-service (Agent Operations / SuperAgent) — MỚI cách ráp
Bài toán: Doanh nghiệp muốn một "đội AI" chạy nền liên tục (theo dõi thị trường, xử lý ticket, tổng hợp báo cáo, chạy quy trình dài) và cần một trung tâm để tổ chức, lên lịch, giám sát và báo cáo hoạt động của nhiều agent.
Ráp từ:
- lobehub/lobehub ⭐79.8k (up) — "Chief Agent Operator": tổ chức, lên lịch, báo cáo cả một team agent 24/7, tích hợp MCP + knowledge base + đa LLM. Mảnh ghép mới tuần này.
- ruvnet/ruflo ⭐62k (up) — meta-harness điều phối multi-agent swarm với bộ nhớ thích ứng; hoặc crewAIInc/crewAI ⭐38k / agno-agi/agno ⭐39.2k làm framework đội hình vai trò.
- bytedance/deer-flow ⭐75.4k (up) — SuperAgent xử lý tác vụ dài (research + code + sáng tạo), sẵn sandbox + subagents + message gateway.
- MemPalace/mempalace ⭐57.2k (up) — lớp bộ nhớ dài hạn dùng chung cho cả đội agent.
Luồng triển khai: lobehub làm bảng điều khiển & scheduler → ruflo/crewAI/agno định nghĩa đội hình và điều phối swarm → deer-flow đảm nhận các tác vụ dài phức tạp → mempalace giữ trí nhớ chung → cắm connector (Slack, email, CRM) để giao việc và nhận kết quả.
Khoảng trống: Thiếu lớp quan sát chi phí/độ tin cậy (observability, cost guard), cơ chế con người phê duyệt (human-in-the-loop) và SLA khi agent chạy nền không giám sát. Rủi ro "trôi chi phí token" nếu không có hạn mức.
Hướng kiếm tiền: Bán như "phòng vận hành AI" thuê ngoài — thuê bao theo số agent/quy trình đang chạy; dịch vụ thiết lập playbook + giám sát. Khách hàng: đội growth, vận hành, nghiên cứu thị trường của công ty vừa.
Khả thi: Trung bình — công nghệ đã đủ mảnh nhưng vận hành đội agent không giám sát còn non; giá trị cao nhưng cần đầu tư guardrail và observability trước khi bán rộng.
Stack 5 — Answer engine nội bộ kiểu Perplexity (Private AI Search) — MỚI
Bài toán: Tổ chức muốn công cụ tìm kiếm hội thoại "kiểu Perplexity" nhưng chạy trên dữ liệu nội bộ + web có kiểm soát, trả lời tổng hợp kèm nguồn — thay cho việc nhân viên tự Google rời rạc.
Ráp từ:
- ItzCrazyKns/Vane ⭐33.6k — answer engine mã nguồn mở tương tự Perplexity, tích hợp RAG + SearXNG + đa LLM, self-host. Lõi mới tuần này.
- firecrawl/firecrawl ⭐141k (up) — biến web thành dữ liệu markdown sạch cho LLM, nguồn dữ liệu web thời gian thực.
- infiniflow/ragflow ⭐83.8k (up) — lớp RAG cho dữ liệu nội bộ, gắn trích dẫn.
- sansan0/TrendRadar ⭐60.5k (up) — theo dõi xu hướng/dư luận đa nền tảng, biến "tìm kiếm" thành "cảnh báo chủ động".
Luồng triển khai: firecrawl cấp dữ liệu web sạch + RAGFlow cấp dữ liệu nội bộ → Vane hợp nhất thành trải nghiệm hỏi–đáp có nguồn → TrendRadar chạy nền để đẩy cảnh báo theo chủ đề thay vì chờ người hỏi.
Khoảng trống: Thiếu kiểm soát nguồn được phép (allowlist domain), khử trùng lặp/chống nhiễu tin, và đánh giá độ tin cậy nguồn. Cần quản trị quyền truy cập theo phòng ban.
Hướng kiếm tiền: Triển khai "thanh tìm kiếm AI nội bộ" cho công ty tri thức (tư vấn, luật, R&D, đầu tư) — thuê bao theo người dùng; gói "radar ngành" gửi bản tin cảnh báo tự động cho đội kinh doanh/PR.
Khả thi: Trung bình–Cao — mảnh ghép đủ và nhu cầu rõ; thách thức là chất lượng nguồn và chống ảo giác, nên định vị "tìm kiếm có nguồn kiểm soát" thay vì "trả lời mọi thứ".
Stack 6 — Xưởng Vibe Coding vận hành nhiều agent (Vibe Coding Factory)
Bài toán: Studio/agency phần mềm muốn tăng năng suất bằng cách vận hành nhiều coding agent song song, chia sẻ skill và bộ nhớ, thực thi code an toàn — để nhận nhiều dự án nhỏ với đội người tinh gọn.
Ráp từ:
- sst/opencode ⭐165k — hoặc google-gemini/gemini-cli ⭐65k / aaif-goose/goose ⭐51.1k (up) làm coding agent lõi.
- farion1231/cc-switch ⭐116k (up) — bảng điều khiển all-in-one quản lý nhiều agent, provider, session, skill.
- thedotmack/claude-mem ⭐85k (up) — bộ nhớ bền vững xuyên phiên cho agent.
- upstash/context7 ⭐58.9k (up) — cấp tài liệu API luôn cập nhật, chống model dùng API lỗi thời.
- daytonaio/daytona ⭐72.4k (up) hoặc alibaba/OpenSandbox ⭐2.5k — sandbox chạy code do agent sinh ra an toàn.
- anthropics/skills ⭐79.6k — kho skill chuẩn để cài năng lực cho agent.
- All-Hands-AI/OpenHands ⭐62k — agent tự đọc issue, sửa code, chạy test, mở PR.
Luồng triển khai: cc-switch điều phối nhiều opencode/goose → context7 + anthropics/skills nạp tài liệu và kỹ năng → claude-mem giữ ngữ cảnh dự án → daytona/OpenSandbox thực thi & test an toàn → OpenHands khép vòng issue→PR.
Khoảng trống: Thiếu lớp review/bảo mật code tự động trước khi merge, kiểm soát chi phí token theo dự án, và quy trình bàn giao chuẩn cho khách. Chất lượng vẫn phụ thuộc kỹ sư giám sát.
Hướng kiếm tiền: Nhận dự án khoán (MVP, tính năng, tự động hoá nội bộ) với biên lợi nhuận cao nhờ agent; bán "bộ đồ nghề vibe coding" cấu hình sẵn cho đội dev khác.
Khả thi: Cao về năng suất nội bộ, Trung bình khi bán dịch vụ — công cụ đã chín, nhưng chất lượng đầu ra và trách nhiệm bàn giao cần người giám sát; hợp làm đòn bẩy năng suất hơn là bán "code hoàn toàn tự động".
Khoảng trống chung của kho
Xuyên suốt các stack, kho AIToEarn mạnh ở lớp năng lực (agent, RAG, coding, nội dung) nhưng mỏng ở lớp vận hành và niềm tin:
- Guardrail & tuân thủ: thiếu công cụ kiểm duyệt hành động rủi ro, DLP, audit log, human-in-the-loop cho agent có quyền thực thi (shell, thanh toán, gửi tin).
- Đánh giá & quan sát: thiếu eval độ chính xác câu trả lời, observability chi phí token, cảnh báo khi agent chạy nền "trôi" ngân sách.
- Kết nối hệ nội bộ: ít connector vào ERP/CRM/SharePoint doanh nghiệp; đa số dừng ở web + file.
- Đo chuyển đổi kinh doanh: mảng nội dung/marketing đo traffic tốt nhưng yếu ở đo doanh thu/chuyển đổi thực.
Đây là những mảng nên tìm thêm repo hoặc bù bằng dịch vụ/công cụ thương mại — và cũng là nơi có thể tạo khác biệt cạnh tranh.
Nên làm gì trước
Ưu tiên Stack 1 (Document Intelligence RAG) và Stack 3 (Autonomous Content Studio) để ra tiền trước: cả hai vốn khởi động thấp, mảnh ghép chín, đầu ra dễ chứng minh giá trị và rủi ro vận hành thấp (agent không cần quyền hành động thực). Stack 3 cho dòng tiền nhanh theo tháng; Stack 1 cho hợp đồng lớn hơn nhưng chu kỳ bán dài hơn. Stack 2 (Nhân viên số tự host) là cơ hội "sóng lớn" tuần này nhưng nên vào ở phạm vi an toàn (trả lời + tra cứu) trước khi trao quyền hành động, vì rủi ro bảo mật/vận hành cao. Stack 4 và 5 giá trị cao nhưng cần đầu tư guardrail/observability, phù hợp làm bước 2 sau khi có dòng tiền. Stack 6 nên dùng làm đòn bẩy năng suất nội bộ ngay để giảm chi phí giao dự án, chưa vội đóng gói bán ra ngoài.