Vespper ra mắt MCP chỉnh sửa Word: nhanh gấp 3 lần, rẻ gấp 2 lần nhờ mô hình AI tinh chỉnh

Vespper, startup thuộc chương trình YC F24, vừa chính thức ra mắt MCP (Model Context Protocol) cho phép các AI agent chỉnh sửa tài liệu Word một cách hiệu quả. Điểm đặc biệt nằm ở mô hình học máy được tinh chỉnh riêng, giúp giải pháp này nhanh gấp 3 lần, rẻ gấp 2 lần và chính xác hơn so với các lựa chọn thay thế gần nhất. Đây được xem là bước tiến đáng chú ý trong bối cảnh tài liệu Word vẫn là định dạng "bất khả xâm phạm" tại nhiều ngành như pháp lý, tài chính và y tế.

Vấn đề: Tại sao AI agent vẫn "vật lộn" với tài liệu Word?

Tài liệu Word xuất hiện ở khắp mọi nơi. Trong các lĩnh vực như pháp lý, tài chính và chăm sóc sức khỏe, file .docx chính là sản phẩm đầu ra cuối cùng. Hợp đồng, hồ sơ pháp lý, báo cáo kiểm toán đều được soạn thảo, chỉnh sửa và ký kết dưới định dạng này. Các doanh nghiệp thường sở hữu cả thư viện mẫu Word phức tạp mà họ phải làm việc hàng ngày.

Công việc đó đang dần được chuyển giao cho AI agent. Microsoft Copilot và Claude trong Word đã đưa AI vào tài liệu trở thành xu hướng phổ thông, trong khi ngày càng nhiều agent chuyên biệt — đặc biệt trong lĩnh vực legal tech — cần tương tác trực tiếp với file .docx.

Tuy nhiên, các AI agent hiện nay vẫn gặp khó khăn lớn khi làm việc với tài liệu Word. Nhóm Vespper đã phỏng vấn hàng chục kỹ sư phần mềm, chủ yếu trong lĩnh vực legal tech và y tế, và nhận thấy họ phải dành hàng tuần, thậm chí hàng tháng để tinh chỉnh hệ thống của mình nhằm chỉnh sửa Word một cách đáng tin cậy. Nhiều người buộc phải duy trì những giải pháp nội bộ cực kỳ phức tạp.

Vấn đề gốc rễ nằm ở chỗ: một file .docx thực chất là một file ZIP chứa hệ thống các file XML tuân theo chuẩn OOXML. Ngay cả một thay đổi "nhỏ" như thêm danh sách đánh số cũng yêu cầu tạo một mục mới trong numbering.xml với ID mới và liên kết ngược lại vào document.xml.

Những thao tác tưởng chừng đơn giản như in đậm một câu cũng đòi hỏi phải tách câu đó thành 3 phần tử run (đơn vị văn bản trong OOXML) trở lên. Điều này khiến việc chỉnh sửa file ZIP trực tiếp (giải nén + grep + sed) trở thành ý tưởng tồi đối với agent, bởi chúng tiêu tốn rất nhiều thời gian và token vào các thao tác kỹ thuật vô nghĩa.

Sơ đồ minh họa kiến trúc MCP của Vespper

Ba cách tiếp cận hiện có và lý do chúng chưa đủ tốt

Hiện nay, các giải pháp cho agent chỉnh sửa Word rơi vào ba nhóm chính:

• Cách 1 — Thư viện cấp thấp: Để agent viết code sử dụng các SDK như python-docx, aspose hoặc Open XML SDK. Cách này có ưu điểm là trực quan với agent vì các thư viện này đã có trong dữ liệu huấn luyện, đồng thời cho phép biểu đạt đầy đủ. Nhưng nhược điểm là chậm và tốn kém, vì agent dành phần lớn thời gian để viết và gỡ lỗi script.

• Cách 2 — MCP server: Kết nối các MCP như SuperDoc, Office CLI, safe-docx hay Adeu, cung cấp công cụ chỉnh sửa có quan điểm sẵn. Cách này nhanh và rẻ hơn so với viết code, nhưng mỗi MCP lại là một DSL (ngôn ngữ chuyên biệt) mới mà agent phải học. Chúng thường chỉ bao phủ 80% trường hợp phổ biến, trong khi 20% còn lại mới là nơi tài liệu thực tế "sinh sống".

• Cách 3 — Chuyển đổi vòng (Round-trip): Chuyển file Word sang Markdown hoặc HTML bằng pandoc, mammoth.js, để agent chỉnh sửa rồi chuyển ngược lại .docx. Ưu điểm là agent không phải nghĩ về Word nữa, chỉ cần chỉnh sửa văn bản. Nhưng nhược điểm chí mạng là chuyển đổi bị mất mát dữ liệu theo một chiều và không thể khôi phục ở chiều ngược lại. Markdown đặc biệt không thể biểu đạt mối quan hệ style mà tài liệu kế thừa từ template.

Cả ba cách đều dẫn đến cùng một kết quả: agent tiêu tốn ngân sách context vào các thao tác kỹ thuật Word thay vì tập trung vào nhiệm vụ thực sự.

Harvey — một startup legal tech nổi tiếng — cũng từng vấp phải vấn đề này. Khi xây dựng lại hệ thống chỉnh sửa tài liệu, họ nhận ra sai lầm là đã yêu cầu một agent đảm nhận đồng thời hai vai trò: trợ lý pháp lý và "cỗ máy trạng thái Word". Một agent như của Harvey vốn đã có nhiệm vụ cực khó: đọc các chỉnh sửa của đối tác, áp dụng playbook của công ty, kiểm tra thuật ngữ định nghĩa ở điều khoản 3 có nhất quán với điều khoản 27 không, và phát hiện rằng giới hạn bồi thường vừa sửa mâu thuẫn với phần trách nhiệm pháp lý ở hai trang trước. Việc tách run và theo dõi tham chiếu numbering không phải là công việc chính, nhưng lại cạnh tranh cùng một cửa sổ context.

Giải pháp của Vespper: Cho agent chỉnh sửa Word như thể đang chỉnh sửa HTML

Nhóm Vespper tin tưởng vào cách tiếp cận thứ ba — chuyển đổi vòng — nhưng với một bước ngoặt quan trọng. Họ lấy cảm hứng từ thế giới Infrastructure as Code.

Trước khi Terraform và Pulumi xuất hiện, lập trình viên phải "click chuột" thủ công trên console AWS/GCP để quản lý hạ tầng, tốn hàng giờ đồng hồ. Khi có nhiều môi trường cần đồng bộ (staging, production, QA, môi trường khách hàng), việc này nhanh chóng trở thành ác mộng. Terraform và Pulumi giải quyết bằng cách để lập trình viên chỉ thay đổi code, công cụ sẽ tự động "đối chiếu" (reconcile) những gì cần thay đổi trên cloud.

Ý tưởng này dịch chuyển rất đẹp sang bài toán agent và tài liệu Word: agent chỉnh sửa một định dạng dễ đọc, trực quan với nó, còn một hệ thống khác sẽ đối chiếu thay đổi đó vào file gốc.

Vespper chọn HTML thay vì Markdown vì hai lý do:

• HTML có cấu trúc gần với OOXML hơn hẳn.
• CSS liên kết style với phần tử cụ thể, tương tự cách style OOXML hoạt động.

Điểm mấu chốt: Vespper không bao giờ chuyển HTML trở lại DOCX. HTML chỉ là một "phép chiếu" (projection) để agent hiểu cấu trúc và style của thứ nó đang chỉnh sửa. File gốc vẫn là nguồn chân lý duy nhất và được thay đổi trực tiếp tại chỗ.

Điều này cũng có nghĩa agent không cần học DSL mới. Chỉnh sửa tài liệu Word giờ đây giống hệt như chỉnh sửa file HTML trên hệ thống file — điều mà các agent vốn đã làm rất giỏi. Trong khi nhiều MCP DOCX khác đưa cho agent hàng chục, thậm chí hàng trăm công cụ, MCP của Vespper chỉ phơi bày đúng ba công cụ: read, search và edit.

Cách hoạt động: Mô hình tinh chỉnh làm bộ đối chiếu

Sau khi agent gửi yêu cầu chỉnh sửa dưới dạng cặp (old_html, new_html), Vespper đối chiếu nó vào file .docx gốc. Quá trình này được vận hành bởi mô hình được tinh chỉnh, sử dụng base 3-8B với LoRA adapter.

Nhóm phát triển đã chọn phương pháp LoRA (Low-rank Adaptation) — một kỹ thuật nhẹ nhàng đóng băng mô hình gốc và chỉ huấn luyện một tập ma trận "adapter" nhỏ đi kèm. Các thử nghiệm ban đầu đưa họ đến cấu hình rank 16, alpha 32, learning rate 2e-4 với AdamW 8-bit.

Bộ dữ liệu huấn luyện được khai thác tự giám sát từ tập dữ liệu agentic, gồm các bộ 4 (html_old, html_new, xml_old, xml_new) cùng các phép tăng cường dữ liệu dựa trên quan sát thực tế từ production. Tập dữ liệu cuối cùng gồm khoảng 16.000 tác vụ, chia theo tỷ lệ 70/15/15 cho train/validation/test, sử dụng framework Unsloth và GPU trên Modal.

Đường cong loss trong quá trình huấn luyện mô hình reconciler

Tỷ lệ vượt qua (pass rate) trên tập train và validation trong quá trình huấn luyện

Kết quả đánh giá: Vượt trội trên mọi chỉ số

Vespper đã so sánh giải pháp của mình với 5 giải pháp khác trên 279 tác vụ chỉnh sửa DOCX, mỗi tác vụ chạy trên hai mô hình: GPT 5.6 Sol và GPT 5.6 Terra. Các đối thủ bao gồm SuperDoc MCP, Office CLI, Adeu MCP, DOCX skill của Anthropic và harness python-docx thuần.

Bốn chỉ số chính so sánh sáu giải pháp: tỷ lệ vượt qua, chi phí, độ trễ và số lượng tool call

Kết quả cho thấy Vespper MCP đạt hiệu suất tổng thể tốt nhất. Cụ thể:

• Rẻ hơn 2,7-2,9 lần và nhanh hơn 2,7-3,5 lần so với việc sử dụng DOCX skill, đồng thời chính xác hơn.
• GPT 5.6 Sol kết hợp Office CLI cho kết quả khoảng 0,24 USD/tác vụ và 57 giây/tác vụ — đắt hơn 4,5 lần và chậm hơn 3,8 lần so với Vespper.
• GPT 5.6 Terra kết hợp Vespper MCP đạt hiệu suất nhỉnh hơn GPT 5.6 Sol cùng DOCX skill, trong khi rẻ hơn khoảng 7 lần và nhanh hơn khoảng 3,7 lần.
• Vespper chỉ cần 3 lần gọi công cụ (p50) mỗi tác vụ, so với 10 lần của DOCX skill và 13 lần của Office CLI.

Đặc biệt, trên các tài liệu dài, Vespper MCP duy trì tỷ lệ vượt qua ổn định, trong khi nhiều giải pháp khác sụt giảm xuống chỉ còn khoảng 74% hoặc thấp hơn. Các nhóm tác vụ có khoảng cách lớn nhất là bảng biểu, quản lý tracked change và tiêu đề (heading).

Tỷ lệ vượt qua theo độ dài tài liệu — Vespper ổn định trên các file dài

Hạn chế và những ứng dụng thực tế

Phiên bản v1 vẫn chưa hỗ trợ một số tính năng: tạo và trả lời comment, đính kèm hình ảnh/video, và hỗ trợ latent style (style không được định nghĩa trong styles.xml). Nhóm phát triển cho biết đang nỗ lực bổ sung trong các phiên bản tiếp theo.

Về quyền riêng tư, MCP của Vespper chạy trên cloud, nghĩa là người dùng gửi file .docx lên máy chủ của họ. Vespper cam kết không huấn luyện trên dữ liệu người dùng, và các nhóm có thể chọn Zero Data Retention (ZDR) hoặc tự triển khai (self-hosting). Hiện có gói miễn phí với 500 lượt chỉnh sửa mỗi tháng.

Một số ứng dụng đã được ghi nhận từ người dùng thực tế:

• Các công ty legal tech đang vận hành luồng chỉnh sửa trực tiếp trong Office.js.
• Một startup AI tối ưu CV và tự động ứng tuyển thay người dùng.
• Đơn vị govtech cần soạn thảo bản ghi nhớ chính sách.
• Một startup khoa học đời sống dùng agent chạy dài hạn để hoàn thành biểu mẫu pháp lý.

Ý nghĩa đối với thị trường công nghệ Việt Nam

Đối với các doanh nghiệp Việt Nam đang ứng dụng AI vào quy trình tài liệu — từ các công ty luật, ngân hàng, bảo hiểm đến các startup fintech và healthtech — giải pháp như Vespper MCP mở ra hướng đi thực tế để tự động hóa việc soạn thảo hợp đồng, hồ sơ pháp lý và báo cáo tuân thủ mà không phải hy sinh độ chính xác về định dạng.

Bài toán chỉnh sửa tài liệu Word phức tạp vốn là rào cản lớn khiến nhiều dự án AI nội bộ tại Việt Nam chững lại ở giai đoạn thử nghiệm. Với chi phí chỉ bằng một phần ba và tốc độ nhanh gấp ba lần so với các giải pháp hiện có, các MCP chuyên biệt như của Vespper có thể giúp doanh nghiệp Việt đưa AI vào quy trình thực tế nhanh hơn, đặc biệt trong các ngành mà tài liệu Word vẫn giữ vai trò then chốt.