Một dòng code thiếu trong hàm transfer của CryptoPunks từng khiến cả bộ sưu tập suýt sụp đổ. Đó là lỗi zero-address mà tôi phát hiện năm 2021 khi tự đọc mã nguồn. Giờ đây, Anthropic và OpenAI đang cạnh tranh để cho phép AI ghi lại kỹ năng của bạn chỉ bằng cách quan sát màn hình. Liệu công nghệ này có thể tự động hóa việc phát hiện những lỗi tinh vi như vậy, hay sẽ mở ra một thế hệ lỗ hổng bảo mật mới?
Context: Từ SKILL.md viết tay đến Record a Skill
Trong thế giới smart contract, việc tạo một quy trình kiểm thử tự động thường đòi hỏi viết các script phức tạp hoặc ít nhất là một file hướng dẫn dạng SKILL.md. Tôi nhớ hồi mới bắt đầu, phải mất cả tuần để viết một bộ test cho một contract AMM đơn giản, mỗi lần sửa logic là phải cập nhật toàn bộ file markdown. Anthropic và OpenAI dường như đã nhận ra nỗi đau đó. Cả hai gần như đồng thời ra mắt tính năng “Record a skill” – cho phép người dùng ghi lại màn hình, thao tác chuột, bàn phím và giọng nói, sau đó AI chuyển đổi thành một kỹ năng có thể tái sử dụng. Đối với một smart contract architect như tôi, điều này có nghĩa là tôi có thể ghi lại quy trình audit của mình: mở contract trên Etherscan, kiểm tra hàm transfer, chạy thử với các địa chỉ đặc biệt, và để AI học cách làm điều tương tự cho lần sau.
Nhưng bài toán không chỉ dừng ở việc ghi lại. Trong blockchain, mỗi dòng code đều có giá trị gas, mỗi lỗi logic đều có thể dẫn đến mất hàng triệu đô la. Liệu AI có hiểu được ngữ cảnh sâu của một giao thức DeFi, hay chỉ đơn thuần bắt chước thao tác bề mặt? Đây chính là điểm mù mà bài phân tích gốc về “Claude Cowork” và “OpenAI Codex” đã chỉ ra: tính năng này là một engineering-level composition, kết hợp ghi hình màn hình, OCR, nhận dạng giọng nói và LLM để tạo ra workflow. Nó không phải là đột phá về kiến trúc mô hình, mà là đóng gói sản phẩm. Và câu hỏi đặt ra: với bối cảnh thị trường giảm hiện tại, liệu công nghệ này có thực sự giúp nhà phát triển sống sót, hay chỉ tạo thêm gánh nặng bảo mật?
Core: Phân tích kỹ thuật từ góc nhìn Smart Contract
Từ kinh nghiệm audit nhiều dự án, tôi thấy rõ rằng việc ghi lại màn hình để tạo skill có hai mặt. Mặt tích cực: nó giảm thiểu đáng kể thời gian tạo các test case cơ bản. Ví dụ, khi audit một contract token mới, tôi thường phải lặp lại các bước: deploy lên testnet, gọi hàm approve, transfer, kiểm tra balance. Nếu AI có thể ghi lại quy trình này và tự động chạy lại mỗi khi contract thay đổi, tôi sẽ tiết kiệm được 30-40% thời gian. Mặt tiêu cực: kỹ năng được ghi lại phụ thuộc hoàn toàn vào giao diện người dùng (GUI). Một thay đổi nhỏ trong giao diện Etherscan (ví dụ: nút “Write Contract” đổi vị trí) sẽ khiến skill thất bại. Hơn nữa, các lỗi bảo mật thường nằm ở logic sâu, không thể hiện qua thao tác chuột. Lỗi reentrancy, lỗi tính toán sai trong AMM, hay lỗi access control – tất cả đều đòi hỏi phân tích mã nguồn, không phải quan sát hành vi click.
Trong bài phân tích gốc về Claude và Codex, họ gọi kỹ thuật này là behavioral cloning kết hợp với multi-modal input. Dịch sang blockchain, điều này tương đương với việc ghi lại hành vi của một auditor, chứ không phải ghi lại tư duy. Một auditor giỏi có thể nhìn vào một transaction và biết ngay nó có bất thường không, nhưng AI chỉ thấy pixel và tọa độ. Điều này tạo ra một lớp ảo tưởng về năng suất: bạn nghĩ mình đang tự động hóa audit, nhưng thực ra chỉ đang tự động hóa các thao tác nông cạn.
Tôi từng chứng kiến một dự án sử dụng công cụ RPA (cũng dựa trên ghi lại màn hình) để kiểm tra các giao dịch hàng loạt. Khi contract upgrade lên phiên bản mới với giao diện khác, toàn bộ pipeline sụp đổ, và họ mất 2 tuần để viết lại script. Đó là bài học về độ mong manh của GUI-dependent automation. Với blockchain, nơi các giao thức thay đổi liên tục (upgrade proxy, thêm pool mới), skill ghi lại từ màn hình sẽ nhanh chóng lỗi thời trừ khi AI có khả năng semantic understanding để thích nghi – điều mà bài phân tích gốc chỉ ra chưa được đảm bảo.
Contrarian: Điểm mù bảo mật mà AI không thể thấy
Góc nhìn phản trực giác: Các tính năng “Record a skill” không chỉ không giúp ích cho bảo mật, mà còn có thể tạo ra lỗ hổng mới. Hãy tưởng tượng một kỹ năng được ghi lại từ một auditor, trong đó có chứa thao tác mở file chứa private key, nhập mật khẩu (dù có thể bị mask trên màn hình, nhưng tọa độ click vẫn bị ghi lại). Kỹ năng đó được chia sẻ trong team, và một kẻ tấn công có thể phân tích skill để tìm ra pattern nhập liệu. Đây là vấn đề data poisoning và training data leakage mà bài phân tích gốc đã cảnh báo. Trong blockchain, nơi mỗi skill có thể chứa địa chỉ contract, seed phrase, hoặc private key (nếu người dùng vô tình để lộ), thì việc chia sẻ skill tương đương với việc phát tán tài sản nhạy cảm.
Hơn nữa, các skill được tạo từ hành vi người dùng có thể bị thao túng. Một kẻ tấn công có thể tạo một skill giả mạo: “Audit contract ERC-20 an toàn”, nhưng thực chất khi chạy nó sẽ gọi hàm approve cho địa chỉ lạ. Nếu AI chỉ học cách bắt chước thao tác mà không hiểu ý nghĩa, nó sẽ vô tình thực thi lệnh độc hại. Điều này đặc biệt nguy hiểm trong môi trường DeFi, nơi một click nhầm có thể khiến bạn mất toàn bộ token. Bài phân tích gốc cũng nhấn mạnh rằng việc thiếu cơ chế sandbox và skill validation là một rủi ro lớn.
Từ quan điểm của tôi về DeFi, tôi cho rằng “phân mảnh thanh khoản” không phải vấn đề thực – nó chỉ là narrative do VC tạo ra để bán sản phẩm mới. Nhưng ở đây, vấn đề thực sự là tính toàn vẹn của kỹ năng AI. Khi các nhà phát triển dựa vào AI để ghi lại và tái tạo quy trình, họ đang đặt niềm tin mù quáng vào một hộp đen. Và trong blockchain, niềm tin mù quáng là thứ đắt đỏ nhất.
Takeaway: Tương lai của automation trong blockchain
Sẽ có một ngày bạn mở Claude, nói “Ghi lại cách tôi audit contract Uniswap v3”, và AI sẽ tạo ra một kỹ năng có thể chạy trên mọi biến thể. Nhưng trước khi điều đó xảy ra, chúng ta cần giải quyết bài toán robustness (khả năng thích ứng với GUI thay đổi) và security (không để lộ thông tin nhạy cảm trong skill). Nếu Anthropic và OpenAI chỉ tập trung vào việc giảm chi phí tạo skill mà bỏ qua những vấn đề này, họ sẽ tạo ra một thế hệ công cụ nguy hiểm hơn là hữu ích.
Câu hỏi dành cho bạn: Khi AI có thể ghi lại mọi thao tác của bạn, liệu nó có ghi lại cả những sai lầm mà bạn chưa kịp nhận ra không? Và nếu có, ai sẽ chịu trách nhiệm khi một skill cũ gây ra thảm họa trên mainnet?
Dựa trên kinh nghiệm audit của tôi, câu trả lời luôn là: kiểm tra mã nguồn, đừng chỉ kiểm tra hành vi. Và với AI, cũng vậy – đừng để nó tự động hóa sự thiếu hiểu biết của bạn.