Xây dựng và triển khai ứng dụng với Claude Code

Bạn đã bao giờ phải viết một script để lấy dữ liệu từ API, rồi lại viết một script khác để phân tích file JSON vừa tải về? Claude Code có thể tự động hóa toàn bộ workflow này ngay trên terminal của bạn. Nó không chỉ là một model sinh code, mà là một agent lập trình có thể tương tác với file và gọi API. Bài này sẽ đi qua một case study thực tế: xây dựng ứng dụng phân tích bình luận YouTube, từ việc định nghĩa 'skill' để lấy dữ liệu cho đến triển khai thành một MCP server tự động.

Claude Code là gì và tại sao nó khác biệt? 🤖

Claude Code không đơn thuần là một mô hình sinh code. Đây là một "agent" lập trình chạy trực tiếp trên terminal của bạn. Nó có khả năng tương tác với máy tính, mở file, chạy trình duyệt và sử dụng các công cụ phát triển, không bị giới hạn trong một môi trường sandbox.

Điểm khác biệt chính của Claude Code so với các công cụ khác như GitHub Copilot nằm ở khả năng hoạt động độc lập. Trong khi Copilot đóng vai trò trợ lý trong IDE, Claude Code có thể được giao các tác vụ phức tạp và tự mình thực hiện như một "developer". Nó có thể điều khiển chuột và bàn phím để thao tác với các ứng dụng không có API, mở ra nhiều kịch bản tự động hóa mới.

Nhiều nhà phát triển coi Claude Code là một "worker" chính cho các tác vụ phức tạp, thay vì chỉ là một công cụ phụ trợ. Anthropic cũng đã tăng giới hạn tốc độ cho Claude Code trên các gói Pro, Max, Team và Enterprise, đồng thời loại bỏ việc giảm giới hạn trong giờ cao điểm cho tài khoản Pro và Max để hỗ trợ việc sử dụng intensive này [F1]. Hãng cũng hợp tác với SpaceX để bổ sung hơn 300 megawatt công suất tính toán mới, tương đương hơn 220.000 GPU NVIDIA, nhằm tăng giới hạn sử dụng Claude Code và Claude API [F2].

Thậm chí, mã nguồn của Claude Code đã từng vô tình bị công bố trực tuyến vào ngày 1 tháng 4 năm 2026, bao gồm khoảng 512.000 dòng code [F3]. Cộng đồng dev sau đó đã tái tạo mã nguồn bị rò rỉ thành "Claw Code" bằng Python, thu hút hàng chục nghìn lượt sao và fork trên GitHub [F4]. Điều này cho thấy sự quan tâm đáng kể của cộng đồng đối với khả năng của Claude Code.

Thiết lập môi trường cho project đầu tiên 🛠️

Để bắt đầu với Claude Code, bạn cần có tài khoản Anthropic với gói Pro hoặc Max. Tính đến tháng 3 năm 2026, các gói này cung cấp quyền truy cập vào các tính năng nâng cao và giới hạn tốc độ cao hơn [F1].

Hiện tại, Claude Code CLI đang trong giai đoạn research preview và chủ yếu được hỗ trợ trên macOS. Mình sẽ hướng dẫn bạn cài đặt CLI qua Homebrew hoặc npm.

# Cài đặt qua Homebrew (được khuyến nghị trên macOS)
brew tap anthropic/claude-code
brew install claude-code

# Hoặc cài đặt qua npm (nếu bạn đã có Node.js)
npm install -g @anthropic/claude-code-cli

Sau khi cài đặt, bạn cần cấu hình CLI để kết nối với tài khoản Anthropic của mình. Lệnh này sẽ yêu cầu bạn nhập API key.

claude-code configure

Tiếp theo, chúng ta sẽ tạo một thư mục project cho ứng dụng phân tích bình luận YouTube. Cấu trúc project cơ bản sẽ bao gồm thư mục `skills` để định nghĩa các kỹ năng mà Claude Code có thể sử dụng và file `main.ts` là điểm khởi đầu của ứng dụng.

mkdir youtube-analyzer
cd youtube-analyzer
mkdir skills
touch main.ts
touch skills/youtube_analyzer.ts

File `skills/youtube_analyzer.ts` (hoặc tên tương tự) là nơi bạn sẽ định nghĩa các 'kỹ năng' cụ thể, chẳng hạn như lấy bình luận từ YouTube API, phân tích cảm xúc, hoặc tóm tắt nội dung bình luận. Claude Code sẽ sử dụng những định nghĩa này để tương tác với các công cụ bên ngoài.

Bước 1: Dạy Claude Code lấy dữ liệu từ YouTube API

Để Claude Code có thể tương tác với thế giới bên ngoài, mình cần định nghĩa các 'skill'. Một skill thực chất là một hàm TypeScript hoặc Python mà Claude Code có thể gọi để thực hiện một tác vụ cụ thể. Điều này giúp Claude Code mở rộng khả năng của nó, không chỉ giới hạn trong việc xử lý văn bản.

Đầu tiên, bạn cần lấy API key cho YouTube Data API v3 từ Google Cloud Console. Sau khi tạo project và bật API, bạn sẽ có một key để xác thực các yêu cầu gọi API. Hãy lưu key này vào biến môi trường để đảm bảo an toàn.

Bây giờ, mình sẽ viết skill đầu tiên: `getLatestComments`. Skill này sẽ nhận `videoId` và `maxResults` làm tham số, sau đó dùng `fetch` để gọi đến YouTube API và lấy về các bình luận mới nhất. Mình sẽ đặt API key vào biến môi trường `YOUTUBE_API_KEY`.

import fetch from 'node-fetch';

interface YouTubeComment {
  authorDisplayName: string;
  textDisplay: string;
  publishedAt: string;
}

interface GetLatestCommentsResult {
  comments: YouTubeComment[];
}

export async function getLatestComments(videoId: string, maxResults: number = 10): Promise<GetLatestCommentsResult> {
  const apiKey = process.env.YOUTUBE_API_KEY;
  if (!apiKey) {
    throw new Error('YOUTUBE_API_KEY environment variable is not set.');
  }

  const url = `https://www.googleapis.com/youtube/v3/commentThreads?part=snippet&videoId=${videoId}&key=${apiKey}&maxResults=${maxResults}&order=time`;

  try {
    const response = await fetch(url);
    if (!response.ok) {
      throw new Error(`HTTP error! status: ${response.status}`);
    }
    const data: any = await response.json();
    const comments: YouTubeComment[] = data.items.map((item: any) => ({
      authorDisplayName: item.snippet.topLevelComment.snippet.authorDisplayName,
      textDisplay: item.snippet.topLevelComment.snippet.textDisplay,
      publishedAt: item.snippet.topLevelComment.snippet.publishedAt,
    }));
    return { comments };
  } catch (error) {
    console.error('Error fetching YouTube comments:', error);
    throw error;
  }
}

Sau khi định nghĩa skill này, bạn có thể 'giao việc' cho Claude Code ngay trong terminal. Claude Code sẽ tự động nhận diện và sử dụng skill đã được định nghĩa. Ví dụ, mình sẽ yêu cầu nó lấy 10 bình luận mới nhất từ một video cụ thể và lưu vào file JSON.

claude, use the getLatestComments skill to get the 10 latest comments from video ID 'dQw4w9WgXcQ' and save them to a file named 'comments.json'

Khi bạn chạy lệnh này, Claude Code sẽ phân tích yêu cầu, xác nhận việc sử dụng skill `getLatestComments`, sau đó gọi API YouTube. Cuối cùng, nó sẽ tạo một file `comments.json` chứa dữ liệu bình luận thô mà nó nhận được từ API. Đây là cách Claude Code kết nối và tương tác với các dịch vụ bên ngoài thông qua các skill bạn định nghĩa.

Bước 2: Yêu cầu Claude Code phân tích và tóm tắt bình luận

Sau khi mình đã có file `comments.json` chứa dữ liệu bình luận, bước tiếp theo là yêu cầu Claude Code xử lý tập tin này. Đây là lúc chúng ta thực hiện prompt chaining, tức là giao nhiệm vụ thứ hai cho Claude Code dựa trên kết quả của nhiệm vụ đầu tiên.

Bạn có thể dùng prompt như sau để Claude Code thực hiện phân tích: `claude, read the 'comments.json' file. For each comment, identify the main topic and sentiment (positive, negative, neutral). Then, create a summary report in markdown format named 'report.md'`. Claude Code sẽ đọc file cục bộ, dùng khả năng ngôn ngữ của nó để phân tích từng bình luận, rồi ghi kết quả vào một file mới tên `report.md`.

Chất lượng của prompt ảnh hưởng trực tiếp đến kết quả. Prompt càng chi tiết, kết quả Claude Code đưa ra sẽ càng chính xác và hữu ích. Mình nên tránh các prompt quá ngắn gọn hoặc mơ hồ vì chúng có thể dẫn đến kết quả không như mong đợi.

Dưới đây là ví dụ về nội dung file `report.md` mà Claude Code có thể tạo ra sau khi phân tích:

# Báo cáo Phân tích Bình luận

## Tổng quan
Tổng số bình luận được phân tích: 5

## Phân tích chi tiết

### Bình luận 1
- Nội dung: "Sản phẩm này tuyệt vời, rất hài lòng!"
- Chủ đề chính: Chất lượng sản phẩm
- Cảm xúc: Positive

### Bình luận 2
- Nội dung: "Giao hàng hơi chậm, nhưng đóng gói cẩn thận."
- Chủ đề chính: Giao hàng, Đóng gói
- Cảm xúc: Neutral

### Bình luận 3
- Nội dung: "Tính năng X không hoạt động như mong đợi, khá thất vọng."
- Chủ đề chính: Tính năng sản phẩm, Lỗi
- Cảm xúc: Negative

### Bình luận 4
- Nội dung: "Dịch vụ hỗ trợ khách hàng rất nhiệt tình."
- Chủ đề chính: Dịch vụ khách hàng
- Cảm xúc: Positive

### Bình luận 5
- Nội dung: "Giá cả hợp lý, sẽ mua lại."
- Chủ đề chính: Giá cả
- Cảm xúc: Positive

## Tóm tắt cảm xúc chung
- Positive: 3 (60%)
- Neutral: 1 (20%)
- Negative: 1 (20%)

Triển khai và tự động hóa với MCP Server 🚀

Model Context Protocol (MCP) Server là một giải pháp để bạn có thể 'đóng gói' các skill đã tạo và cho phép Claude truy cập chúng từ xa. Thay vì chỉ chạy cục bộ trên máy của mình, MCP Server giúp các skill của bạn hoạt động như một dịch vụ, sẵn sàng để Claude gọi đến bất cứ lúc nào.

Việc triển khai MCP Server mang lại nhiều lợi ích đáng kể. Bạn có thể thiết lập các tác vụ tự động hóa chạy theo lịch (cron job), ví dụ như tổng hợp báo cáo định kỳ hoặc kiểm tra trạng thái hệ thống. Ngoài ra, nó còn cho phép các thành viên khác trong team sử dụng các skill bạn đã phát triển, thúc đẩy sự hợp tác và tích hợp vào các workflow lớn hơn của dự án.

Để triển khai MCP Server, bạn có một vài lựa chọn. Mình có thể tự host server trên một máy chủ riêng ảo (VPS) từ các nhà cung cấp như Vultr hoặc DigitalOcean. Cách này cho mình toàn quyền kiểm soát môi trường. Một lựa chọn khác là sử dụng các nền tảng serverless hoặc container hóa để dễ dàng mở rộng và quản lý hơn.

Anthropic đã tăng giới hạn tốc độ năm giờ của Claude Code cho các gói Pro, Max, Team và Enterprise, đồng thời loại bỏ việc giảm giới hạn trong giờ cao điểm cho các tài khoản Pro và Max [F1]. Điều này tạo điều kiện thuận lợi hơn cho việc triển khai các ứng dụng tự động hóa với Claude Code. Anthropic cũng đã hợp tác với SpaceX để tăng cường năng lực tính toán, bổ sung hơn 300 megawatt công suất mới (hơn 220.000 GPU NVIDIA) nhằm tăng giới hạn sử dụng Claude Code và Claude API [F2].

Cộng đồng developer cũng đã tái tạo mã nguồn Claude Code bị rò rỉ thành "Claw Code" bằng Python, thu hút hàng chục nghìn lượt sao và fork trên GitHub [F4]. Tuy nhiên, cần lưu ý rằng một lỗ hổng nghiêm trọng đã được nhóm Adversa AI Red Team phát hiện trong Claude Code ngay sau khi mã nguồn của nó bị rò rỉ [F5].

Như vậy, mình đã đi qua toàn bộ quá trình xây dựng một agent Claude Code, từ định nghĩa skill gọi YouTube API đến triển khai thành MCP server. Đây là workflow nền tảng để bạn áp dụng cho các API và tool nội bộ. Để xem thêm các ví dụ khác, bạn có thể tham khảo repo chính thức của `modelcontextprotocol/servers` trên GitHub.

Bài viết được hỗ trợ tạo bởi AI — vui lòng xem video gốc để tham khảo trực tiếp.