AWS Local Zone Hà Nội chính thức mở ra một bước ngoặt lớn cho hạ tầng công nghệ tại khu vực phía Bắc. Câu hỏi đặt ra cho các nhà quản lý là: Doanh nghiệp có thực sự tiết kiệm được chi phí khi chuyển workload sang đây?

Trong bài toán quản trị hạ tầng hiện đại, việc tối ưu hóa chi phí luôn là mối quan tâm hàng đầu. Điều này giúp các tổ chức giảm độ trễ và tối ưu vận hành khi đưa ứng dụng lên mây.

Trong webinar này, Sunny Cloud sẽ phân tích business case cụ thể. So sánh AWS Bill trước và sau khi triển khai Local Zone Hà Nội.

Đồng thời, demo cách tính toán chi tiết để doanh nghiệp tự đánh giá khả năng tiết kiệm.

Thông tin Webinar về chi phi AWS

15:00 | Thứ Năm, 27/08/2026
– ĐĂNG KÝ NGAY
– Nền tảng Zoom

Nội dung chính Webinar chi phí

– Phân tích bài toán doanh nghiệp thực tế
– So sánh chi phí hạ tầng trước và sau
– Demo cách tính chi phí AWS
– Những điểm cần kiểm tra trước khi triển khai Local Zone Hà Nội
– Giải đáp câu hỏi cùng chuyên gia

Đăng ký tham dự hội thảo ngay hôm nay!

Để không bỏ lỡ cơ hội làm chủ và tối ưu hạ tầng cho doanh nghiệp. Tìm hiểu thêm về các giải pháp tối ưu AWS, dịch vụ điện toán đám mây tại Sunny Cloud Vietnam.

——————–
Sunny Cloud services powered by IDS – AWS Advanced Tier Partner. Chuyên cung cấp các giải pháp tối ưu Cloud, AWS Billing và quản trị chi phí AWS cho doanh nghiệp.

The post [Webinar] So sánh chi phí AWS trước và sau Local Zone Hà Nội appeared first on Sunny Cloud | AWS Billing và giải pháp AWS toàn diện.

Amazon S3 Files ra đời (Tìm hiểu thêm tại đây) để giải quyết đúng vấn đề này.

Vấn đề cũ là:

Trong machine learning, hệ thống thường tách biệt:

• Amazon S3 — lưu trữ vô hạn, chi phí thấp, nhưng truy cập qua API
• File system (EFS) — truy cập nhanh, chia sẻ được, nhưng đắt và giới hạn dung lượng

Để train hoặc fine-tune(tùy chỉnh) model, quy trình thường như sau:

1. Copy dataset từ S3 xuống EFS
2. Train model trên EFS
3. Copy model artifact ngược lại lên S3

Kết quả: dữ liệu bị nhân đôi, pipeline phức tạp, thời gian khởi động kéo dài. Nó hoạt động được, nhưng rất kém hiệu quả.

Giải thích chi tiết về Amazon S3 Files

Amazon S3 Files cung cấp giao diện filesystem trực tiếp trên S3. Ứng dụng có thể truy cập S3 object như thể chúng là file thông thường — không cần download, không cần staging sang layer lưu trữ khác.

Điều này thường phát sinh ngay lập tức câu hỏi tưởng chừng đơn giản:

 “Nếu S3 Files dùng EFS bên dưới, thì nó có phải là EFS không?”

Câu trả lời là “Không hoàn toàn”. Điểm khác biệt quan trọng ở chỗ là:

• Dữ liệu vẫn nằm trên S3 — đây là nguồn duy nhất
• EFS chỉ là cache hiệu năng cao — lưu những gì đang được dùng tích cực

Trước đây, bạn phải lưu dataset trên cả S3 lẫn EFS cùng lúc. Với S3 Files, chỉ dữ liệu đang được truy cập mới được cache. AWS cho biết điều này có thể giảm chi phí lưu trữ lên đến 90% so với cách nhân đôi dữ liệu cũ.

Vì sao Amazon S3 Files đặc biệt quan trọng với AI Agent?

Agentic system hoạt động rất khác ứng dụng truyền thống. Agent đọc file, ghi output trung gian, duy trì bộ nhớ, và chia sẻ context với các agent khác. Về bản chất, agent tư duy theo file, không theo API call.

Với kiến trúc cũ:

• Agent gọi S3 API để đọc dữ liệu → latency cao
• Chia sẻ output giữa các agent → phải dùng thêm EFS hoặc cơ chế khác
• Lưu trữ bộ nhớ dài hạn → phức tạp về kiến trúc

Với S3 Files, agent có thể:

• Coi S3 như một shared filesystem dùng chung
• Lưu bộ nhớ trực tiếp vào S3
• Các agent cộng tác qua shared storage
• Truy cập dataset lớn một cách tự nhiên

Toàn bộ một tầng phức tạp trong kiến trúc agentic được loại bỏ.

Hướng dẫn Hands-on thực tế trên AWS Console

Đầu tiên, truy cập aws console > s3

Tiếp tục chọn tính năng File systems

Sau đó nhấn button Create file system

Tiến hành tạo file system như hướng dẫn:

Lưu ý: 

Hệ thống tệp yêu cầu bật tính năng Bucket Versioning cho bucket. Trước khi bạn có thể tạo hệ thống tệp cho nhóm lưu trữ này, bạn phải bật tính năng Bucket Versioning.

Tạo xong, chúng ta sẽ có file system cho hệ thống AI agent. Từ nay, ứng dụng sẽ truy cập dataset không cần thông qua s3 api như cách trước đây nữa.

Amazon S3 Files ra đời để giải quyết đúng vấn đề này.

Kết luận về Amazon S3 Files

Trong nhiều năm, team cơ sở hạ tầng phải tách biệt hai loại lưu trữ: file system cho compute, object storage cho lưu trữ. Amazon S3 Files ra đời để xóa mờ ranh giới đó luôn.

Đây không chỉ là một storage feature mới. Đây là tính năng lớn cải thiện kiến trúc AI hiện đại: đưa khả năng mở rộng của S3 cùng với tính dễ dùng của filesystem vào một giải pháp duy nhất. Hy vọng bài viết có ích và cảm ơn độc giả!

Bên cạnh đó, bạn có thể tìm hiểu thêm về các giải pháp tối ưu AWS và dịch vụ điện toán đám mây tại Sunny Cloud Vietnam

The post Amazon S3 Files: Giải pháp filesystem trực tiếp trên S3 appeared first on Sunny Cloud | AWS Billing và giải pháp AWS toàn diện.

Giới Thiệu Amazon Quick

Nếu bạn biết đến Claude CoWork của nhà Anthropic thì công cụ này cũng gần tương tự như vậy. Hiểu đơn giản: Amazon Quick là một trợ lý AI cho công việc, có thể:

• Trả lời câu hỏi từ dữ liệu và tài liệu của bạn
• Tự động hóa quy trình lặp đi lặp lại
• Tạo dashboard và biểu đồ từ dữ liệu bằng ngôn ngữ tự nhiên
• Kết nối với các ứng dụng bạn đang dùng hàng ngày

Các Thành Phần Trong Amazon Quick

Đây không chỉ là một công cụ đơn lẻ mà là một nền tảng nhiều thành phần:

Ngoài ra, Amazon Quick còn có extension cho trình duyệt, Slack, Microsoft Office, và Outlook — dùng ngay trong công cụ bạn đang làm việc mà không cần mở thêm tab mới.

Để thêm chi tiết, các bạn có thể tham khảo thêm ở đây

Hướng Dẫn Cài Đặt

Cách nhanh nhất: Đăng ký tại quick.aws.com

Bạn không cần tài khoản AWS. Truy cập quick.aws.com và đăng ký bằng:

• Email cá nhân
• Tài khoản Google, Apple, GitHub, hoặc Amazon

Sau khi đăng ký, bạn có thể dùng phiên bản web hoặc tải về máy để cài đặt. Bên dưới là giao diện khi chạy ở máy Local

Nếu bạn đã có tài khoản AWS

Truy cập Quick qua AWS Management Console. Tài khoản loại này dùng IAM để xác thực và thanh toán theo chuẩn AWS billing.

Về Chi phí

Amazon Quick có gói miễn phí để bắt đầu. Hiện tại có các gói:

Gói miễn phí và Plus có: chat AI, agents, Spaces, Quick Flows, Research, Apps, extension, và desktop app.

Gói Professional/Enterprise thêm: Quick Sight dashboard đầy đủ, Quick Automate, API access, và IAM Identity Center.

Ba loại người dùng trong Amazon Quick

Nền tảng này phân chia người dùng thành ba nhóm:

Reader — Người đọc và khám phá Đặt câu hỏi bằng ngôn ngữ thường, đọc dashboard, upload file và chạy automation có sẵn. Không cần biết kỹ thuật.

Author — Người xây dựng Tạo dataset, dashboard, automation, và AI agent. Xây dựng hạ tầng dữ liệu để Reader dùng.

Admin — Người quản trị Quản lý quyền truy cập, theo dõi chi phí, duy trì data source cho cả tổ chức.

Use Case Của Amazon Quick

Amazon Quick có thể hữu ích nếu bạn:

• Thường xuyên phải tổng hợp báo cáo từ nhiều nguồn dữ liệu
• Mất nhiều thời gian với các tác vụ lặp đi lặp lại (phân loại email, chuẩn bị meeting notes, tạo slide…)
• Muốn đặt câu hỏi với dữ liệu mà không cần biết SQL hay code
• Cần chia sẻ insights nhanh với team mà không cần xây dashboard phức tạp

So Sánh với QuickSight cũ

QuickSight vẫn tồn tại dưới tên Amazon Quick Sight — là một thành phần bên trong Amazon Quick. Toàn bộ API, SDK, và tích hợp cũ vẫn hoạt động bình thường.

Kết Luận

Amazon Quick là bước chuyển lớn của AWS từ “công cụ BI cho doanh nghiệp” sang “trợ lý AI cho mọi người trong công việc hàng ngày”. Điểm đáng chú ý nhất: bạn có thể bắt đầu miễn phí, không cần AWS, chỉ cần một địa chỉ email. Hy vọng bài viết có ích và cảm ơn độc giả!

Bên cạnh đó, bạn có thể tìm hiểu thêm về các giải pháp tối ưu AWS và dịch vụ điện toán đám mây tại Sunny Cloud Vietnam

The post Amazon Quick: Trợ lý AI toàn diện từ AWS appeared first on Sunny Cloud | AWS Billing và giải pháp AWS toàn diện.

Chuẩn bị chung

Kiểm tra AWS CLI

aws --version
aws sts get-caller-identity

Kích hoạt model Bedrock

Các model serverless trên Bedrock hiện được kích hoạt tự động khi gọi lần đầu. Riêng model Anthropic, lần đầu bạn có thể cần điền thêm thông tin use case

Cấp quyền IAM

IAM user hoặc role của bạn cần có policy sau:

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "bedrock:InvokeModel",
        "bedrock:InvokeModelWithResponseStream",
        "bedrock:ListInferenceProfiles",
        "bedrock:GetInferenceProfile"
      ],
      "Resource": [
        "arn:aws:bedrock:*:*:inference-profile/*",
        "arn:aws:bedrock:*:*:application-inference-profile/*",
        "arn:aws:bedrock:*:*:foundation-model/*"
      ]
    }
  ]
}

Lưu ý về Inference Profile ID

Bedrock yêu cầu dùng inference profile ID (có tiền tố vùng như us.), không phải bare model ID.

Cài đặt Claude Code trên Bedrock

sudo npm install -g @anthropic-ai/claude-code

Bước 1: Chỉnh file settings.json cho Claude Code trên Bedrock

Cách đơn giản nhất là ghi cấu hình Bedrock vào file settings của trợ lý AI này – không cần export biến môi trường mỗi lần mở terminal.

Mở file ~/.claude/settings.json và thêm:

{
  "model": "us.anthropic.claude-sonnet-4-5-20250929-v1:0",
  "env": {
    "CLAUDE_CODE_USE_BEDROCK": "1",
    "AWS_REGION": "us-east-1"
  }
}

Hai biến quan trọng:

• CLAUDE_CODE_USE_BEDROCK: "1" — báo trợ lý AI này dùng Bedrock thay vì Anthropic API
• AWS_REGION — bắt buộc phải khai báo ở đây, trợ lý AI không tự đọc từ ~/.aws/config

Bước 2: Chạy và kiểm tra

claude

Trong công cụ này, chạy lệnh /status. Nếu đúng, bạn sẽ thấy:

API provider: Amazon Bedrock
AWS region: us-east-1
Model: us.anthropic.claude-sonnet-4-5-20250929-v1:0

Trợ lý AI sẽ tự lấy AWS credentials theo thứ tự chuẩn của SDK: ~/.aws/credentials, biến môi trường, IAM role, hoặc SSO profile.

Đổi model trong Claude Code trên Bedrock

Dùng lệnh

/model

Đổi vĩnh viễn — 

sửa trường model trong settings.json, rồi restart trình mã nguồn này (/exit, sau đó claude).

Cài thêm Skills trong Claude Code trên Bedrock (tùy chọn)

Trợ lý AI hỗ trợ Skills — các gói lệnh mở rộng thêm khả năng. Anthropic có bộ Skills chính thức tại github.com/anthropics/skills.

Cài Skills trong trợ lý AI này:

/plugin marketplace add anthropics/skills
/plugin install document-skills@anthropic-agent-skills
/plugin install example-skills@anthropic-agent-skills
/reload-plugins

Sau khi cài, file settings.json sẽ được cập nhật tự động với hai section mới:

• enabledPlugins — danh sách Skills đang bật
• extraKnownMarketplaces — nguồn GitHub của marketplace

Bạn sẽ có thêm các skill như: tạo file .pptx, .docx, .pdf, .xlsx, kiểm thử web app, và nhiều hơn nữa.

Kết Luận về Claude Code

Bài viết này phù hợp cho ai đang dùng AWS và muốn giữ mọi thứ trong một hệ sinh thái — không cần quản lý thêm tài khoản, không cần API key riêng.

Hy vọng có ích và cảm ơn độc giả đã đọc bài! Tham khảo thêm các bài viết về Giải pháp & Kiến thức công nghệ chuyên sâu tại Sunny Cloud Vietnam

The post Claude Code trên Bedrock: Chạy không cần tài khoản Anthropic appeared first on Sunny Cloud | AWS Billing và giải pháp AWS toàn diện.

Để chuẩn hóa lại pipeline triển khai, bài viết này sẽ tập trung phân biệt giữa Bedrock Agents vs. Managed Agents vs. AgentCore. Chúng ta sẽ cùng bóc tách từng giải pháp và các tiêu chí cốt lõi giúp bạn đưa ra quyết định kiến trúc chính xác nhất.

Amazon Bedrock Agents

Đây là dịch vụ mà hầu hết mọi người biết đến đầu tiên. Bạn cấu hình agent trong Bedrock console hoặc SDK thông qua action groups, knowledge bases, và prompt template — AWS lo phần orchestration loop.

Đặc điểm chính:

• Fully managed, không cần provision hạ tầng
• Vòng lặp orchestration cố định do AWS viết — bạn không mang framework của riêng mình vào
• Tích hợp RAG trực tiếp với Bedrock Knowledge Bases
• Action groups bọc Lambda function làm tool cho agent
• Hỗ trợ multi-agent (supervisor → collaborator) từ tháng 3/2025
• Chỉ dùng được model từ danh sách Bedrock hỗ trợ (Claude, Nova, Llama…)

Dành cho: Team ít code, muốn build RAG chatbot, trợ lý nội bộ, hoặc agent tự động hóa tác vụ mà không cần tự viết agent loop — chỉ cần cấu hình.

Amazon Bedrock Managed Agents – Powered by OpenAI

Đây là cái mới nhất và đang gây nhiều thắc mắc nhất. Về bản chất, đây là một managed agent runtime được xây dựng trên harness của OpenAI — vòng orchestration, memory, và skills của OpenAI — tối ưu cho các model frontier của OpenAI. Bạn mô tả agent, AWS lo phần còn lại: harness, orchestration, identity, và audit logging. Toàn bộ inference chạy qua Amazon Bedrock, nên dữ liệu vẫn nằm trong tài khoản AWS của bạn.

Đặc điểm chính:

• Dùng harness của OpenAI (không phải orchestrator của Bedrock Agents hay AgentCore)
• Tối ưu riêng cho model frontier của OpenAI
• Mỗi agent có identity riêng, log từng hành động
• Chạy trong môi trường AWS — inference không rời khỏi Bedrock
• AgentCore là compute environment mặc định bên dưới

Điểm quan trọng cần hiểu: Managed Agents không phải đối thủ của AgentCore — AWS nói rõ AgentCore là nền tảng compute bên dưới nó. Hiểu đơn giản: Managed Agents là một trải nghiệm agent chuyên biệt cho OpenAI, đặt trên nền AgentCore.

Agents trên Amazon Bedrock AgentCore – Toàn quyền kiểm soát

Đây là lựa chọn cho người muốn kiểm soát hoàn toàn. Bạn tự viết logic agent; AWS cung cấp các building block hạ tầng. AgentCore là nền tảng modular, không phụ thuộc framework hay model.

Đặc điểm chính:

• Framework tùy chọn: Strands, LangGraph, CrewAI, LlamaIndex, hoặc Python thuần
• Model tùy chọn: Bedrock, OpenAI, Anthropic direct, Google, self-hosted — bất kỳ LLM nào
• 7 dịch vụ modular kết hợp tùy nhu cầu: Runtime, Memory, Gateway, Identity, Code Interpreter, Browser Tool, Observability
• Mỗi session chạy trong Firecracker microVM riêng, tối đa 8 tiếng, filesystem riêng biệt
• Tính phí theo mức dùng thực tế
• Tháng 4/2026: thêm managed harness (preview) và AgentCore CLI với CDK/Terraform

Dành cho ai: Engineering team có sẵn code agent (Strands, LangGraph, CrewAI), cần MCP tools qua Gateway, session chạy lâu, memory tùy chỉnh, hoặc linh hoạt đa framework và đa model.

So sánh thông số kỹ thuật

Phân tích kiến trúc tầng

Thực tế, ba mô hình trên không vận hành ở cùng một tầng mà có mối quan hệ xếp chồng phụ thuộc

Hãy nhìn theo kiến trúc từ dưới lên:

Bedrock Managed Agents (OpenAI harness)
        ↓ chạy trên
Amazon Bedrock AgentCore Runtime (microVM, Gateway, Memory...)
        ↓ dùng
Amazon Bedrock (inference layer)

---

Amazon Bedrock Agents (dịch vụ riêng biệt)
→ KHÔNG chạy trên AgentCore
→ Có orchestrator và service plane riêng

Nói cách khác: Managed Agents dùng harness OpenAI làm bộ não orchestration, chạy trên AgentCore Runtime làm compute, và dùng Bedrock để gọi model OpenAI. Đó là lý do AWS nói Managed Agents và AgentCore “hoạt động cùng nhau” — chúng xếp chồng lên nhau, không phải lựa chọn thay thế.

Bedrock Agents (bản gốc) thì hoàn toàn tách biệt — có service plane và orchestrator riêng, ra đời trước AgentCore.

Tiêu chí lựa chọn hạ tầng

Kết Luận

Về bản chất, sự đồng tồn tại của ba lối tiếp cận này phản ánh sự phân hóa rõ rệt trong bài toán đánh đổi giữa mức độ kiểm soát hạ tầng và tốc độ triển khai

• Bedrock Agents – loại bỏ hoàn toàn sự phức tạp. Cấu hình, không cần code.
• Managed Agents (OpenAI) – lấy orchestration tốt nhất của OpenAI, kết hợp với bảo mật và data residency của AWS.
• AgentCore – toàn quyền kiểm soát hạ tầng, không phụ thuộc framework hay model.

Chúng không cạnh tranh mà phục vụ các điểm khác nhau trên trục “bạn muốn kiểm soát bao nhiêu phần orchestration”. Chọn dựa trên mức độ bạn muốn tự viết logic agent, và model nào bạn cần dùng.

Hy vọng bài viết có ích và cảm ơn độc giả! Tham khảo thêm các bài viết về Giải pháp & Kiến thức công nghệ chuyên sâu tại Sunny Cloud Vietnam

The post Bedrock Agents: Phân biệt Managed Agents và AgentCore appeared first on Sunny Cloud | AWS Billing và giải pháp AWS toàn diện.