Modus là gì? Context Warehouse cho AI trong doanh nghiệp

Modus là một lớp hạ tầng sinh ra để lấp "khoảng trống ngữ cảnh" (context gap) trong AI doanh nghiệp. Về bản chất nó là một context warehouse, tức kho ngữ cảnh giữ hiểu biết sống về cách tổ chức vận hành, rồi cấp cho AI agent đúng phần kiến thức nghiệp vụ, quy trình và quy tắc mà một tác vụ cần.

Luận điểm đứng sau Modus: agent trong doanh nghiệp thất bại vì thiếu hiểu biết nghiệp vụ, chứ không phải thiếu dữ liệu. Các công ty đã bỏ hàng chục năm gom dữ liệu về Snowflake hay BigQuery, nhưng chưa xây thứ gì tương đương cho phần logic và kinh nghiệm nằm bên trên đống dữ liệu đó. Thiếu lớp này, agent không phân biệt nổi đâu là thông tin liên quan, đâu là thông tin cũ, đâu là thông tin không đáng tin.

Về kiến trúc, Modus nằm song song với hệ dữ liệu sẵn có. Nó đọc cách doanh nghiệp vận hành qua kho code, mô hình dbt, bảng số liệu (dashboard), luồng xử lý dữ liệu (pipeline) và các hệ cộng tác, rồi giữ bản đồ đó luôn khớp với hiện tại. Modus ra khỏi giai đoạn hoạt động kín ngày 30/07/2026 với vòng hạt giống 10 triệu USD do Insight Partners dẫn dắt.

Lớp hiểu biết của Modus nằm giữa kho dữ liệu nội bộ của doanh nghiệp và các AI agent

Context warehouse là gì?

Context warehouse là lớp hạ tầng lưu "hiểu biết" ở dạng máy đọc được. Data warehouse lưu các bản ghi thô; context warehouse giữ phần mô liên kết quanh chúng: quan hệ giữa các thực thể, quy tắc vận hành, và đường đi logic khiến một con số có ý nghĩa. Nó được duy trì liên tục, không phải dựng một lần rồi thôi.

Data warehouse lưu bản ghi thô, còn context warehouse lưu quan hệ và ý nghĩa giữa các bản ghi đó

Về mặt kỹ thuật, đây là một cỗ máy xử lý chạy nền. Modus dùng các mô hình ngôn ngữ nhỏ (Small Language Model, SLM) kết hợp công cụ tìm kiếm, tìm kiếm vector và cơ sở dữ liệu đồ thị để tổng hợp ngữ cảnh từ trước, thay vì đợi tới lúc có câu hỏi mới đi tìm. Cách này thay thế thứ mà phần lớn đội ngũ đang phải sống chung: một file Markdown viết tay, hoặc logic nghiệp vụ nhét cứng vào system prompt (câu lệnh hệ thống đặt sẵn cho mô hình) và lỗi thời ngay khi một định nghĩa thay đổi.

Điểm phân biệt của context warehouse không nằm ở chỗ nó lưu gì, mà ở chỗ nó không ngừng cập nhật: nó quan sát công việc đang diễn ra, nên ngữ cảnh đưa cho mô hình luôn khớp với trạng thái hiện tại của doanh nghiệp.

Đây là phần các đội hay đánh giá thấp, và cũng là phần quyết định lớp hạ tầng này còn dùng được sau sáu tháng hay không.

Khoảng trống ngữ cảnh: vì sao agent có đủ dữ liệu mà vẫn trả lời sai

Khoảng trống ngữ cảnh là khoảng cách giữa dữ liệu agent với tới được và hiểu biết cần có để suy luận trên dữ liệu đó. Một agent có quyền đọc Snowflake và GitHub vẫn trả lời sai nếu nó không nắm các định nghĩa chi phối những tập dữ liệu ấy. Mô hình càng thông minh càng không bù được phần ngữ cảnh thiếu: nó tự suy ra logic nghiệp vụ thay vì được cấp, và cho ra câu trả lời sai với độ tự tin rất cao.

Ngân sách chú ý của mô hình bị thông tin nhiễu chiếm chỗ, so với khi chỉ nhận đúng phần tín hiệu cần thiết

Bên dưới còn một ràng buộc kiến trúc. Transformer tạo ra n² quan hệ cặp trên n token, nên sự chú ý (attention) là một ngân sách hữu hạn mà mỗi token thêm vào đều tiêu bớt. Khi cửa sổ ngữ cảnh đầy dần thông tin nhiễu hoặc lỗi thời (hiện tượng mục ruỗng ngữ cảnh, context rot), độ chính xác khi truy xuất và khả năng suy luận đường dài đều giảm. Anthropic đặt mục tiêu của context engineering là tìm ra tập token có tín hiệu cao nhỏ nhất mà vẫn đạt được kết quả mong muốn.

Ngân sách đó bị tiêu sai khi agent phải lục hàng trăm pull request hay ticket Jira chỉ để biết cái gì mới đáng quan tâm, trước cả khi bắt tay vào việc được giao. Modus đẩy phần lọc và tổng hợp đó ra khỏi lượt suy luận, xuống lớp hạ tầng, rồi đưa cho mô hình lớn một bản tóm tắt đã hoàn chỉnh.

Modus hoạt động thế nào: Context Miner, Context Composer và bốn bước triển khai

Hai thành phần gánh phần việc chính. Context Miner liên tục quét tài sản của tổ chức (GitHub, dbt, Jira, Snowflake, Postgres) để dựng lại cách doanh nghiệp vận hành. Nó làm việc trên phần thay đổi (delta) thay vì quét lại toàn bộ, có logic riêng để biết cần kiểm tra gì và với tần suất nào, đọc metadata cùng thói quen sử dụng thật, chẳng hạn những câu truy vấn mà analyst thực sự viết.

Context Miner quét liên tục, Context Composer lắp ghép bản tóm tắt rồi đưa cho agent, qua bốn bước Connect, Learn, Govern và Compose

Context Composer biến hiểu biết đã khai thác đó thành các kỹ năng sinh động (dynamically generated skills): những bản tóm tắt ngắn, dựng riêng cho từng việc, lắp ghép theo thời gian thực và trao cho agent ngay khi nó nhận tác vụ. Agent nhận đúng lát cắt nó cần, không phải cả khối dữ liệu đổ vào cửa sổ ngữ cảnh.

Việc triển khai đi qua bốn bước:

Bước	Chuyện gì xảy ra
Connect	Tích hợp vào hệ thống sẵn có theo hướng metadata-first, cả dữ liệu có cấu trúc lẫn phi cấu trúc. Dữ liệu không di chuyển.
Learn	Kho tự lấp đầy bằng cách quan sát công việc đang diễn ra và bám theo các thay đổi.
Govern	Quản trị viên đặt phạm vi mỗi agent được nhìn thấy, áp dụng trước khi bất cứ thứ gì chạm tới mô hình.
Compose	Ngữ cảnh phù hợp, đã kiểm tra quyền, được phục vụ theo thời gian thực.

Context warehouse khác gì semantic layer, data catalog và RAG

So với RAG, khác biệt nằm ở thứ được giao ra. Ở dạng cơ bản, truy xuất tăng cường sinh (Retrieval-Augmented Generation, RAG) tìm tài liệu rồi đẩy sang mô hình, và chính mô hình phải tự lọc. Các hệ RAG hiện đại có thêm bước xếp hạng lại, nhưng thứ chúng trả về vẫn là đoạn văn bản. Context warehouse quản lý ý nghĩa nghiệp vụ, danh tính và chính sách trước khi việc truy xuất diễn ra, rồi trả về một bản tóm tắt đã tổng hợp thay vì một chồng đoạn văn.

So sánh bốn cách tiếp cận: RAG, semantic layer, data catalog và context warehouse

So với semantic layer, khác biệt nằm ở phạm vi và người dùng cuối. Lớp ngữ nghĩa chuẩn hoá các chỉ số (thế nào là biên lợi nhuận gộp, thế nào là khách hàng đang hoạt động) và được thiết kế cho người đọc dashboard. Nó cấp định nghĩa nhưng không cấp quan hệ liên hệ thống, tín hiệu quản trị và ngữ cảnh chính sách mà agent cần khi đi từ CRM sang ERP. Gartner dự báo tới năm 2028, 60% dự án phân tích dùng agent mà chỉ dựa vào Model Context Protocol (MCP) sẽ thất bại vì thiếu một lớp ngữ nghĩa nhất quán bên dưới. Context warehouse coi semantic layer là một đầu vào, không phải toàn bộ lời giải.

So với data catalog, khác biệt nằm ở tư thế. Danh mục dữ liệu liệt kê những gì đang tồn tại và được viết cho người đọc. Context warehouse được dựng để máy truy vấn ở tốc độ máy trong các lượt suy luận nối tiếp, và nó tự bảo trì thay vì chờ ai đó vào sửa mô tả.

Kết nối agent qua MCP, API và SDK

Modus được thiết kế để phục vụ những agent công ty đang chạy, chứ không thay thế chúng. Agent gọi Modus qua MCP hoặc REST API và nhận về ngữ cảnh đã kiểm tra quyền cho đúng tác vụ đang làm, dù đó là Claude, Cursor hay agent tự viết trong nhà. Bạn giữ agent của mình; Modus lo phần hiểu biết bên dưới. Đội nào muốn xây thẳng trên nền tảng thì chạy được các luồng tự động theo lịch hoặc theo sự kiện, có điểm dừng cho người duyệt và truy vết đầy đủ.

Mọi thứ làm được trên giao diện đều làm được bằng code, qua SDK, API, CLI và MCP. Cấu hình được quản lý phiên bản trong Git và duyệt bằng pull request, tức lớp ngữ cảnh chịu cùng kỷ luật kỹ thuật với phần còn lại của hệ thống. Bạn cũng đẩy được bộ phân loại của riêng mình qua API, để định nghĩa của tổ chức dẫn dắt hệ thống.

Sự tách rời đó mới là điểm đáng giá. Vì việc quản lý ngữ cảnh nằm ngoài mọi kho dữ liệu, mô hình hay framework agent cụ thể, và vì cấu hình xuất ra được, đổi sang mô hình mới không có nghĩa là dựng lại từ đầu cách quản lý ngữ cảnh.

Token, chi phí và lời hứa giảm tới 10 lần mỗi truy vấn

System prompt phình to là vấn đề đo được, không phải suy đoán. Báo cáo State of AI Engineering 2026 của Datadog ghi nhận 69% token đầu vào trong dữ liệu theo dõi của khách hàng là system prompt (chỉ dẫn nội bộ, định nghĩa chính sách và hướng dẫn công cụ), do kỹ sư nhét logic nghiệp vụ vào từng lời gọi. Phần đó ăn ngân sách và tăng độ trễ trước khi mô hình chạm tới câu hỏi thật.

Một system prompt phình to đặt cạnh một bản tóm tắt đã cô đặc gửi cho mô hình

Modus đẩy phần chuẩn bị này xuống các mô hình nhỏ rẻ tiền chạy nền, nên mô hình đắt chỉ nhìn thấy một bản tóm tắt đã cô đặc. Modus tuyên bố cách này cắt lượng token mỗi truy vấn xuống tới mười lần. Hãy đọc con số đó như số liệu nhà cung cấp đưa ra, chưa có bên thứ ba nào đo lại. Dù vậy lập luận bên dưới vẫn đứng vững: một mô hình lớn tiêu ngân sách vào việc lục lọi và phân loại là đang được trả giá cao cho việc lặt vặt.

Quản trị, bảo mật và phạm vi truy cập

Kiến trúc bảo mật đi theo hướng metadata-first, tức ưu tiên siêu dữ liệu. Modus học từ siêu dữ liệu (metadata) và cách dữ liệu được sử dụng, không phải từ bản thân bản ghi, nên dữ liệu thô của khách hàng ở nguyên môi trường cũ. Dữ liệu gốc nằm lại trong kho của chính doanh nghiệp; Modus quản lý lớp hiểu biết bên trên.

Cổng kiểm tra quyền đặt trước mô hình, trong khi dữ liệu thô vẫn nằm trong môi trường của doanh nghiệp

Quản trị được áp một lần, ngay tại lớp mà mọi agent đều đi qua, và thực thi trước khi bất cứ thứ gì tới được mô hình. Quyền truy cập gắn với danh tính đã xác thực của người dùng và hệ thống không tự nâng quyền, nên agent không trở thành đường vòng để lấy thứ mà người dùng của nó vốn không được xem. Modus công bố các chứng nhận SOC 2 Type II và ISO 27001, cùng tuân thủ GDPR, HIPAA và CCPA.

Ai đứng sau Modus và khi nào bạn thực sự cần một context warehouse

Modus do Daniel Shimoni (CEO, từng là VP Product tại Lusha) và Tomer Mesika (CTO, từng là Head of Architecture tại Cyera) sáng lập. Hai người rời vị trí cũ vào tháng 9/2025 và tuyển những nhân sự đầu tiên vào tháng 1/2026. Ngoài Insight Partners, vòng hạt giống còn có Soma Capital và một nhóm nhà đầu tư thiên thần, trong đó có các nhà sáng lập của Cyera và Wix. Khách hàng họ nhắm tới là đội kỹ thuật, văn phòng CTO, và bộ phận phụ trách dữ liệu và AI mới hình thành từ các đội dữ liệu truyền thống.

Theo tôi, phép thử thành thật cho câu hỏi "có cần không" là gánh nặng bảo trì, chứ không phải sự hào hứng với một danh mục công nghệ mới. Nếu agent của bạn bắt đầu lệch vì Sales và Finance định nghĩa doanh thu khác nhau, nếu tiền token đang chảy vào việc lục lọi thay vì suy luận, hoặc nếu có người trong đội đều đặn mất một buổi mỗi tuần chỉ để chỉnh file Markdown cho khớp với cách doanh nghiệp vận hành hôm nay, thì đó chính là khoản chi phí lặp lại mà context warehouse sinh ra để gánh. Còn nếu chưa điều nào chạm tới bạn, một system prompt được chăm sóc tử tế vẫn là lời giải rẻ hơn.