Bài 23: Viết LinkedIn post chia sẻ project và learning journey

Sau bài này, bạn sẽ:

• ✅ Biết 5 dạng LinkedIn post phù hợp cho AI Engineer đang build portfolio
• ✅ Có format chuẩn để viết mỗi loại post, kèm ví dụ thực tế
• ✅ Nắm được pattern viết hook để post không bị skip
• ✅ Hiểu cadence và thời điểm đăng phù hợp
• ✅ Tránh được các lỗi phổ biến làm giảm reach

Lưu ý phạm vi bài: Bài 22 đã cover phần static profile (headline, summary, experience). Bài này tập trung vào dynamic content — tức là các post bạn xuất bản định kỳ, hoàn toàn tách biệt với cấu hình profile.

Một LinkedIn profile được tối ưu tốt (bài 22) chỉ làm bạn tìm thấy được. Post định kỳ mới làm bạn được nhớ đến.

Visibility với recruiter sourcing

LinkedIn algorithm ưu tiên hiện profile của user đang active trong search result. Nếu bạn post tuần vừa rồi, profile xuất hiện cao hơn người chỉ mới update headline 6 tháng trước, dù cả hai có cùng keyword.

Network expansion qua engagement

Khi người khác like hoặc comment post của bạn, post đó xuất hiện trong feed của connection của họ — không phải chỉ connection của bạn. Đây là cách reach lan rộng ra ngoài vòng kết nối hiện tại mà không cần chủ động thêm connection.

Force document learning

Viết để giải thích cho người khác là cách hiệu quả nhất để kiểm tra xem bản thân thực sự hiểu đến đâu. Post về một paper hay một kỹ thuật bắt buộc bạn phải distill nó thành ngôn ngữ đơn giản — quá trình đó consolidate kiến thức tốt hơn đọc lại note.

Personal brand cho chuyển ngành

Khi chuyển từ domain khác sang AI, bạn không có title AI Engineer trên CV chính thức. Post định kỳ về project, learning, và insight kỹ thuật là cách xây dựng bằng chứng năng lực mà không cần chờ job đầu tiên.

Dạng 1: Project Launch

Khi nào dùng: Khi finish 1 project — dù nhỏ hay lớn.

Nội dung cần có:

• Problem bạn giải quyết
• Solution và tech stack cụ thể
• Link demo hoặc repo
• 1-2 insight không self-evident từ quá trình build

Độ dài: 800–1500 ký tự.

Tần suất: Mỗi khi hoàn thành project, không ép buộc lịch.

Dạng 2: Learning Reflection

Khi nào dùng: Khi học xong 1 concept, paper, hoặc course.

Nội dung cần có:

• Cái gì bạn vừa học
• Tại sao nó useful cho AI Engineer
• Bạn áp dụng hoặc sẽ áp dụng thế nào

Độ dài: 500–1000 ký tự.

Lưu ý: Đây không phải summary Wikipedia. Phải có quan điểm cá nhân hoặc ứng dụng thực tế.

Dạng 3: Milestone Reflection

Khi nào dùng: Mốc 3 tháng, 6 tháng, 1 năm trong AI journey.

Nội dung cần có:

• Đã làm được gì (cụ thể)
• Chưa làm tốt gì (thành thật)
• Lesson lớn nhất
• Kế hoạch tháng tới (rõ ràng, có thể đo được)

Độ dài: 1000–2000 ký tự.

Lưu ý: Thành thật về điểm yếu tạo trust. Post chỉ liệt kê thành tích sẽ bị coi là self-promotion thuần túy.

Dạng 4: Technical Insight

Khi nào dùng: Khi gặp issue thú vị và tìm ra nguyên nhân non-obvious.

Format điển hình: "Tôi mất 2 tiếng debug X. Nguyên nhân thực ra là Y — không phải Z như tôi nghĩ ban đầu."

Nội dung cần có:

• Vấn đề ban đầu (triệu chứng)
• Giả thuyết sai đầu tiên
• Nguyên nhân thực
• Fix và lesson

Độ dài: 600–1200 ký tự.

Code snippet: LinkedIn không format code đẹp — xem mục 11 cho workaround.

Dạng 5: Career Update

Khi nào dùng: Job change, role mới, certification đáng kể.

Nội dung cần có:

• Tin tức (ngắn gọn)
• Cảm ơn người đã giúp (nếu có)
• Bước tiếp theo bạn sẽ làm

Độ dài: 300–800 ký tự. Không cần dài.

Lưu ý: Tránh dùng cụm "humbled and honored" — cliche trên LinkedIn toàn cầu.

LinkedIn cắt text sau 3 dòng và hiện nút "See more". Người đọc quyết định có click không dựa trên 3 dòng đầu đó. Cấu trúc sau áp dụng cho tất cả 5 dạng post:

[Hook — 1 dòng cụ thể hoặc gây chú ý]

[Dòng trắng]

[Context — 2-3 dòng background]

[Dòng trắng]

[Body — 4-8 dòng main content, dùng bullet hoặc số]

[Dòng trắng]

[Takeaway — 2-3 dòng kết luận có giá trị]

[Dòng trắng]

[Call to action — 1 dòng, tùy chọn]

[Hashtag — 3-5 hashtag relevant]

Tại sao cần dòng trắng giữa các block

LinkedIn mobile chiếm khoảng 60% traffic. Trên màn hình nhỏ, wall of text không có khoảng cách sẽ bị skip ngay lập tức. Dòng trắng tạo visual breathing room, giúp reader scan nhanh trước khi quyết định đọc kỹ.

Bullet vs paragraph

Bullet phù hợp khi liệt kê item có tính song song (tech stack, lesson learned, checklist). Paragraph phù hợp khi kể story hoặc giải thích flow. Trộn cả hai trong cùng post là bình thường — miễn là nhất quán trong từng block.

Hook là dòng đầu tiên. Đây là dòng duy nhất reader thấy trước khi click "See more". Có 4 pattern hoạt động tốt:

Pattern 1: Specific Number

Dùng số cụ thể thay vì mô tả chung chung.

• Tệ: "Tôi vừa deploy RAG chatbot và kết quả khá tốt."
• Tốt: "Tôi vừa hit 0.87 Faithfulness sau 4 tuần build RAG chatbot trên 500 trang luật VN."

Số cụ thể trả lời ngay câu hỏi "tốt nghĩa là gì" và tạo credibility.

Pattern 2: Contrarian Statement

Phát biểu ngược với common belief — nhưng phải là quan điểm bạn thực sự argue được.

• "Mọi người bảo cần master toán trước khi học AI. Tôi không đồng ý."
• "Fine-tuning không phải lúc nào cũng tốt hơn RAG. Đây là khi nào dùng cái nào."

Lưu ý: Contrarian có nghĩa là bạn sẽ argue được lý do. Không phải là provocation không có cơ sở.

Pattern 3: Question

Đặt câu hỏi mà target audience đang thực sự thắc mắc.

• "Khi nào nên dùng RAG, khi nào nên fine-tune?"
• "ChromaDB vs Pinecone vs pgvector — tôi đã test cả ba. Đây là kết quả."

Question hook hoạt động tốt khi kết hợp với promise cụ thể ở ngay câu sau.

Pattern 4: Story Start

Bắt đầu bằng trạng thái trước, sau đó gợi ý trạng thái sau.

• "6 tháng trước tôi còn dùng Excel cho mọi việc. Hôm nay tôi vừa deploy LLM agent đầu tiên."
• "Tôi là data analyst 4 năm. Không có background CS. Đây là những gì tôi học được khi chuyển sang AI."

Pattern này đặc biệt hiệu quả cho AI Engineer trái ngành vì tạo identification với người đọc có hoàn cảnh tương tự.

Ví dụ 1: Project Launch

Tôi vừa deploy RAG chatbot trên 500 trang Luật Lao Động Việt Nam — Faithfulness 0.87 (đo bằng Ragas).

Mất 4 tuần từ idea đến public URL. Tech stack:

- LangChain 0.3 cho chain orchestration
- ChromaDB cho vector store (~50k chunks)
- GPT-4o-mini cho generation (cost ~$0.02 / 100 câu hỏi)
- FastAPI cho API + Streamlit cho UI
- Docker Compose, deploy Render

3 insight từ quá trình build:

1. Chunk size 500 token cho Faithfulness cao nhất khi test với 200/500/1000 token.
2. Thêm metadata filter theo số điều luật tăng Context Precision từ 0.72 lên 0.86.
3. Re-rank với Cohere giảm latency nhưng không tăng quality đáng kể trong domain này.

Repo và demo link trong comment.

#RAG #LangChain #AIEngineering

Ví dụ 2: Learning Reflection

Tôi vừa đọc kỹ "Attention Is All You Need" (Vaswani et al., 2017 — arxiv.org/abs/1706.03762).

3 điểm thực tế cho AI Engineer:

1. Self-attention không phải "magic" — chỉ là dot product giữa Q, K, V matrices. Khi hiểu được cơ chế này, các paper Transformer về sau dễ đọc hơn nhiều.

2. Multi-head attention không phải lúc nào cũng hơn single-head. Đây là trade-off compute vs expressivity, không phải quy tắc tuyệt đối.

3. Positional encoding thường bị xem nhẹ khi đọc lần đầu. Các variant sau này (RoPE, ALiBi) đều derive từ insight ở phần này.

Note: paper 2017 nhưng vẫn là reading cần thiết nếu bạn làm việc với LLM. Nên đầu tư 1 tuần đọc kỹ, không chỉ đọc tóm tắt.

#DeepLearning #Transformer #PaperReview

Ví dụ 3: Milestone Reflection (6 tháng)

6 tháng trong AI Engineer journey. Update thực tế.

Background: data analyst 4 năm, không có CS chính quy.

Đã làm:
- 3 capstone project (ML churn prediction, image classification, RAG chatbot)
- Học PyTorch, FastAPI, LangChain
- Deploy 3 demo lên Render và Hugging Face Spaces
- Connect với ~50 AI engineer trên LinkedIn

Chưa làm tốt:
- Toán nền tảng vẫn có lỗ hổng ở calculus và linear algebra
- Chưa contribute được PR nào vào open source project lớn
- Code quality cải thiện nhưng test coverage vẫn yếu

Lesson lớn nhất: chọn 1 framework và 1 problem rồi đi sâu. Tôi mất 2 tháng đầu học rộng nhiều thứ mà không có project cụ thể — đó là giai đoạn học ít hiệu quả nhất.

Tháng tới: target contribute 3 PR vào LangChain hoặc Transformers, dù nhỏ.

#AIEngineerJourney #CareerTransition

Ví dụ 4: Technical Insight

Tôi mất 3 tiếng debug tại sao RAG pipeline của mình trả về kết quả khác nhau cho cùng 1 câu hỏi.

Giả thuyết đầu tiên: vector database bị corrupt. Sai.

Nguyên nhân thực: embedding model được load lại mỗi request vì tôi khởi tạo nó trong function thay vì ở module level. Mỗi lần load lại, random seed cho approximate nearest neighbor search thay đổi → top-k results hơi khác nhau.

Fix:

from sentence_transformers import SentenceTransformer

# Khởi tạo 1 lần ở module level
embedder = SentenceTransformer("all-MiniLM-L6-v2")

def retrieve(query: str, k: int = 5):
    query_embedding = embedder.encode(query)
    ...

Thêm: nhiều ANN index (HNSW, IVF) có element of randomness trong search — đây là by design để đổi lấy speed, không phải bug.

#RAG #VectorDatabase #Debugging

Lưu ý: trong post thực tế trên LinkedIn, phần code nên đưa vào image — xem mục 11.

Không có con số tuyệt đối đúng cho mọi người. Điều quan trọng hơn là nhất quán.

Giai đoạn	Khuyến nghị	Lý do
Mới bắt đầu	1 post / 1-2 tuần	Tập trung vào quality, học cách viết trước khi tăng frequency
Có portfolio ban đầu	2-3 post / tuần	Đủ material để post đa dạng, có thể xen kẽ dạng post
Đang tìm việc tích cực	3-4 post / tuần	Tăng visibility trong giai đoạn cần được thấy nhất

Nguyên tắc cơ bản: 1 post có giá trị thực sự mỗi tuần tốt hơn 5 post nông không có điểm cụ thể. LinkedIn không thưởng quantity nếu engagement rate thấp — algorithm sẽ giảm dần reach của bạn.

Nếu không có gì đủ hay để chia sẻ tuần này, không cần post. Còn hơn là post filler để duy trì "streak".

LinkedIn algorithm tính engagement trong 1-2 giờ đầu sau khi post để quyết định reach. Đăng vào lúc target audience online giúp maximize engagement trong khung thời gian đó.

Target audience	Khung giờ tốt (giờ VN)	Ghi chú
Audience VN	8–10h sáng, 8–10h tối	Trước giờ làm và sau giờ làm
Audience global tech	15–17h VN (7–9h UTC)	Sáng sớm US/EU
Tránh	Cuối tuần	LinkedIn reach giảm rõ rệt Thứ 7, Chủ Nhật

Đây là heuristic, không phải quy tắc cứng. Sau khi post được vài tháng, LinkedIn Analytics của bạn sẽ cho thấy khung giờ cụ thể mà follower của bạn active nhất — dùng số liệu đó để điều chỉnh.

Post chất lượng là điều kiện cần, nhưng chưa đủ. Engagement trong 2 giờ đầu sau khi đăng quyết định phần lớn reach của post.

Reply comment sớm

Reply tất cả comment trong vòng 2 giờ đầu. Mỗi reply là 1 interaction mới — LinkedIn tính đây là tín hiệu content đang active và đẩy tiếp vào feed của người khác. Reply không cần dài, nhưng phải có nội dung thực, không phải chỉ "Thanks!".

Tag có chọn lọc

Tag người thực sự liên quan đến nội dung post — mentor đã giúp bạn, tác giả paper bạn đang discuss, hoặc peer vừa chia sẻ resource tương tự. Tag random người nổi tiếng để câu engagement là phản tác dụng và tạo impression xấu.

Comment trên post người khác

Comment value-add (không phải "Great post!") trên post của người trong field trước khi post của mình. Khi bạn comment, profile bạn hiện với người đọc comment đó — đây là cách mở rộng network passive.

Share với note thêm

Khi share post của người khác, thêm 2-3 câu quan điểm cá nhân thay vì share blank. Điều này tạo giá trị cho follower của bạn và thường được tác giả gốc appreciate hơn.

Carousel post (LinkedIn Document)

Upload file PDF nhiều slide — LinkedIn render thành dạng swipeable gallery. Engagement thường cao hơn text post vì người đọc swipe nhiều slide = thời gian trên nội dung dài hơn, algorithm tính đây là strong signal.

Use case phù hợp:

• Tutorial step-by-step (5-10 bước)
• Project breakdown — 1 slide per component
• Lesson learned dạng visual
• So sánh kỹ thuật (ví dụ: RAG vs fine-tuning tradeoff)

Tool tạo carousel: Canva, Figma, hoặc Google Slides export ra PDF. Giữ mỗi slide đơn giản — 1 điểm chính, font lớn đủ đọc trên mobile.

Video native upload

Native upload lên LinkedIn thường reach cao hơn đáng kể so với link YouTube hoặc Loom. LinkedIn ưu tiên content giữ user ở lại platform.

Thông số thực tế:

• Độ dài: 30 giây đến 2 phút là sweet spot. Dài hơn thường giảm completion rate.
• Caption: bắt buộc. LinkedIn auto-generate nhưng accuracy không cao — edit thủ công trước khi publish.
• Hook: 3 giây đầu quyết định người xem có watch tiếp không.

LinkedIn không có code block. Paste code trực tiếp vào text post sẽ mất indentation và formatting, khó đọc trên mobile.

Workaround hiệu quả nhất: image

Capture code dưới dạng image và đính kèm vào post. Tool:

• Carbon — paste code, chọn theme, export PNG. Miễn phí.
• Ray.so — tương tự Carbon, UI đơn giản hơn.

Lưu ý khi dùng image: Thêm alt text mô tả code khi upload — LinkedIn cho phép nhập alt text và tốt cho accessibility.

Khi nào nên bỏ code hoàn toàn

Nếu code snippet dài hơn 15-20 dòng, post LinkedIn không phải nơi phù hợp. Thay vào đó: link đến blog post (bài 19), GitHub Gist, hoặc repo của bạn — và trong post LinkedIn chỉ explain insight, không paste code.

AI có thể giúp ở một số bước, nhưng không phải tất cả.

Dùng được

• Brainstorm hook: Cho Claude hoặc ChatGPT đọc draft của bạn và đề xuất 5 cách viết lại dòng đầu. Chọn cái phù hợp với giọng văn của bạn.
• Shorten: "Rút gọn đoạn này xuống còn 3 câu mà vẫn giữ đủ ý." Giúp cắt bỏ redundancy.
• Check grammar: Grammarly hoặc LanguageTool cho bản tiếng Anh.

Không nên

Để AI generate toàn bộ post từ đầu và post nguyên xi. Văn phong AI có pattern nhận biết được — dùng nhiều filler phrase, cấu trúc liệt kê quá đều, tone đồng đều không có cá tính. Người trong field đọc nhiều sẽ detect, và điều đó giảm trust với content của bạn.

Personal narrative là thứ AI không thể fabricate thuyết phục — hoàn cảnh của bạn, số liệu cụ thể từ project của bạn, và bài học từ trải nghiệm thực tế của bạn. Đó mới là phần tạo giá trị.

LinkedIn Analytics (Creator Mode) cung cấp số liệu cho từng post: impressions, reactions, comments, shares, follower growth. Xem đây là feedback loop, không phải vanity metric.

Metrics cần theo dõi

• Impressions: Số lần post xuất hiện trong feed. Mốc tham khảo: 500+ impression / post là khởi đầu tốt cho account nhỏ.
• Engagement rate: (reactions + comments + shares) / impressions. Trên 3% là tốt.
• Comments: Comment là signal mạnh nhất. 5+ comment là LinkedIn algorithm sẽ tiếp tục push post.
• Follower growth: Theo dõi tuần nào tăng nhiều nhất — thường tương quan với post loại nào.

Iterate dựa trên data

Sau 10-15 post đầu tiên, nhìn lại xem dạng post nào, hook pattern nào, và topic nào có engagement cao nhất. Không phải đoán — đọc số liệu và lặp lại pattern hoạt động, bỏ bớt những thứ không hoạt động.

LinkedIn là nền tảng professional. Một số loại nội dung ảnh hưởng tiêu cực đến impression với recruiter và người trong ngành:

• Chính trị và controversy: Phân cực audience, và recruiter thường tránh candidate có quá nhiều controversy trên professional profile.
• "Open to Work" spam: Dùng frame #OpenToWork trên avatar thay vì post liên tục. Post mỗi tuần "Tôi đang tìm việc" không tạo giá trị và thường bị ignore.
• Generic motivation quote: "Success is not final, failure is not fatal..." — loại content này không liên quan đến field và không giúp bạn được nhớ đến như AI Engineer.
• Negative về employer cũ hoặc đồng nghiệp: Ngành AI nhỏ hơn bạn nghĩ. Người đọc không biết bạn, nhưng có thể biết người bạn đang nói đến.
• Crypto, MLM, hoặc get-rich scheme: Instant credibility damage trong technical community.
• Cross-post y chang từ Twitter/X: Tone và format Twitter không phù hợp với LinkedIn. Nếu muốn chia sẻ cùng nội dung, rewrite cho LinkedIn format.

Nếu bạn đang chuyển từ domain khác sang AI, đây là lợi thế thực sự — không phải điểm yếu cần che giấu. LinkedIn có nhiều AI Engineer thuần technical nhưng thiếu context domain. Góc nhìn crossover của bạn tạo angle độc đáo.

Dạng post khai thác background cũ

• "What [domain] taught me about AI": "Làm finance 5 năm dạy tôi gì về feature engineering trong ML?" — Loại post này attract cả người trong finance lẫn người trong AI.
• Domain-specific AI application: "Tôi apply NLP vào phân tích hợp đồng pháp lý — đây là những khó khăn không ai nói trong tutorial." — Specific domain problem thu hút recruiter tìm kiếm AI Engineer có domain knowledge.
• "What I wish I knew before transitioning": Honest reflection về 6 tháng đầu — extremely relatable với đông đảo người đang cân nhắc chuyển ngành.

Framing

Đừng frame bản thân là "junior AI Engineer đang học". Frame là "engineer đang apply AI vào [domain bạn hiểu sâu]". Hai cách đó tạo ra impression khác nhau rõ rệt với người đọc.

Các lỗi thường gặp, đặc biệt ở giai đoạn đầu:

• Wall of text không có whitespace: Không ai đọc paragraph 10 dòng liên tục trên LinkedIn mobile. Ngắt dòng sau mỗi 2-3 câu.
• Hashtag spam 15+ tag: LinkedIn documentation (2023) xác nhận dùng quá nhiều hashtag giảm reach. Giới hạn 3-5 tag relevant.
• Self-promotion 100% không có value cho người đọc: "Tôi vừa hoàn thành course X" không đủ — phải thêm 1 takeaway người đọc có thể dùng.
• Mua engagement (comment, like fake): LinkedIn detect pattern này và demote post + account. Không đáng rủi ro.
• Không reply comment: Bỏ qua comment là bỏ phí engagement signal và tạo impression bạn không engage với community.
• Post giống nhau mỗi tuần: Nếu mọi post đều theo cùng 1 template y chang, người theo dõi sẽ tune out. Xen kẽ dạng post khác nhau.

Tóm tắt nhanh

• Viết cho 1 người cụ thể (AI Engineer đang chuyển ngành như bạn) thay vì viết cho "mọi người"
• Có observation hoặc data cụ thể — không chỉ general advice
• Format có whitespace, không wall of text
• Hook dòng đầu — specific hơn generic
• 3-5 hashtag relevant
• Reply comment trong 2 giờ đầu