Hướng dẫn toàn diện cách kiếm tiền với MCP: Xây dựng AI Agent tự động bằng n8n

Bài viết được chuyển thể từ video How to Make Money with MCP: AI’s Next Frontier (n8n NO-CODE tutorial) của RoboNuggets

Trí tuệ nhân tạo (AI) đang phát triển với tốc độ chóng mặt, và cùng với đó là những cơ hội mới để tự động hóa công việc và thậm chí là kiếm tiền. Một trong những khái niệm mới nổi nhưng đầy tiềm năng chính là Model Context Protocol (MCP). Nếu ae muốn đón đầu xu hướng và tận dụng tối đa sức mạnh của AI trong thời gian tới, đây là lúc để tìm hiểu về MCP.

Bài viết này sẽ giải mã MCP một cách đơn giản nhất, giải thích tại sao nó lại quan trọng và đặc biệt là hướng dẫn ae 3 cách cụ thể để kiếm tiền với MCP ngay bây giờ. Chúng ta sẽ đi sâu vào cách thứ ba – xây dựng một AI Agent mạnh mẽ bằng công cụ no-code n8n, giúp ae tự động tìm kiếm khách hàng tiềm năng mà không cần biết lập trình. Nghe hấp dẫn phải không? Hãy cùng bắt đầu!

MCP là gì? Giải mã giao thức bối cảnh mô hình và tầm quan trọng trong kỷ nguyên AI

MCP (Model Context Protocol), hay Giao thức Bối cảnh Mô hình, là một tập hợp các quy tắc và tiêu chuẩn được thiết kế để giúp các mô hình AI (như các mô hình ngôn ngữ lớn đang cung cấp năng lượng cho ChatGPT) hiểu và tương tác với các công cụ và ứng dụng bên ngoài một cách hiệu quả hơn.

Hãy tưởng tượng AI như một bộ não siêu thông minh. Để bộ não đó có thể thực hiện các tác vụ trong thế giới thực (như đặt vé máy bay, gửi email, quản lý dự án), nó cần “hiểu” cách sử dụng các “công cụ” (các ứng dụng và API). MCP chính là “bộ hướng dẫn sử dụng” tiêu chuẩn cho các công cụ đó, giúp AI biết chính xác công cụ này làm gì, cần thông tin gì (tham số đầu vào) và cách sử dụng nó (thực thi lệnh).

Tại sao MCP lại quan trọng đến vậy?

• Xu hướng Nóng: Dù mới ra mắt không lâu (khoảng cuối năm 2024), lượng tìm kiếm về MCP trên Google Trends đã nhanh chóng vượt qua nhiều chủ đề AI nóng khác. Điều này cho thấy sự quan tâm và tiềm năng to lớn của công nghệ này.
• Tương lai của AI Agent: MCP được xem là nền tảng quan trọng cho sự phát triển của AI Agent – những trợ lý AI có khả năng tự động thực hiện công việc thay vì chỉ đưa ra gợi ý.
• Cơ hội cho người đi đầu: Hiện tại, số người biết và hiểu về MCP vẫn còn khá ít so với những người biết về ChatGPT. Đây chính là cơ hội vàng để ae đầu tư thời gian tìm hiểu và nắm bắt kỹ năng giá trị này trước đám đông.

Trong bài viết này, mình sẽ cung cấp cho ae cái nhìn tổng quan dễ hiểu nhất về MCP và quan trọng hơn là cách ae có thể bắt đầu kiếm tiền với MCP thông qua các phương pháp thực tế, đặc biệt là xây dựng AI Agent tự động với công cụ no-code n8n.

Tại sao MCP là bước tiến lớn cho AI Agent?

Để hiểu rõ giá trị của MCP, trước tiên chúng ta cần phân biệt giữa chatbot thông thường và AI Agent, đồng thời nhận ra những hạn chế mà MCP giúp khắc phục.

Hiểu về AI Agent: Vượt xa chatbot thông thường

AE có thể đã quen thuộc với các chatbot như ChatGPT. Chúng rất giỏi trong việc cung cấp thông tin, viết nội dung, trả lời câu hỏi. Về cơ bản, chatbot chỉ dẫn ae cách thực hiện một hành động.

• Ví dụ với Chatbot: Nếu ae yêu cầu ChatGPT đặt một chiếc burger từ McDonald’s, nó có thể sẽ hướng dẫn ae truy cập website của McDonald’s để tự đặt hàng. Nó không thể tự mình hoàn thành đơn hàng cho ae. Tương tự, nếu ae yêu cầu viết email, nó sẽ cung cấp bản nháp để ae sao chép và tự gửi qua Gmail.

AI Agent thì đi xa hơn một bước. Chúng được thiết kế để thực hiện hành động thay cho ae.

• Ví dụ với AI Agent: Nếu ae yêu cầu AI Agent đặt burger, nó có thể hỏi ae xác nhận đơn hàng và sau đó tự động tiến hành đặt mua. Nếu ae yêu cầu gửi email, nó sẽ tự động soạn thảo và gửi email đó đi từ tài khoản của ae.

AI Agent hứa hẹn một tương lai nơi các tác vụ lặp đi lặp lại hoặc phức tạp có thể được tự động hóa hoàn toàn bởi AI. Tuy nhiên, việc xây dựng và quản lý AI Agent hiện tại đang gặp phải một rào cản lớn.

Vấn đề của AI Agent hiện tại và vai trò của MCP

Vấn đề cốt lõi nằm ở chỗ việc thiết lập các “hành động” mà AI Agent có thể thực hiện là rất phức tạp và rời rạc. Mỗi hành động (ví dụ: đọc email, gửi email, tạo bản nháp, tìm kiếm email) thường yêu cầu một “ứng dụng” hoặc “kết nối” riêng biệt trong nền tảng xây dựng AI Agent.

Hãy tưởng tượng AI Agent của ae như một nhân viên có một chiếc máy tính. Thay vì chỉ cần cài một ứng dụng Gmail duy nhất để xử lý mọi thứ liên quan đến email, nhân viên này lại phải mở một ứng dụng riêng để đọc mail, một ứng dụng khác để gửi mail, một ứng dụng nữa để soạn nháp,… Điều này cực kỳ rối rắm và không hiệu quả.

Các công cụ xây dựng AI Agent phổ biến như n8n hiện tại cũng hoạt động theo cách tương tự. AE sẽ thấy có các “node” (khối chức năng) riêng biệt cho việc gửi email qua Gmail, trả lời email, tạo nháp,… Người xây dựng agent (chính là ae) phải thiết lập từng node này một cách thủ công. Tệ hơn nữa, mỗi node lại có định dạng và các thuộc tính (thông tin cần điền) khác nhau, gây khó khăn cho cả người xây dựng lẫn AI Agent khi phải xử lý vô số hành động đa dạng.

Đây chính là lúc MCP phát huy giá trị. MCP đóng vai trò như một giao thức chuẩn hóa. Thay vì mỗi hành động nhỏ lẻ là một “app” riêng, MCP cho phép gom tất cả các hành động liên quan đến một ứng dụng (như Gmail) vào một “bộ hướng dẫn” duy nhất.

• Trước MCP: Nhiều node riêng lẻ, phức tạp, định dạng khác nhau.
• Sau MCP: Một node duy nhất cho ứng dụng (ví dụ: Gmail), chứa nhiều hành động được chuẩn hóa, đơn giản hơn nhiều.

Điều này giúp AI Agent dễ dàng hiểu và tương tác với các ứng dụng hơn, đồng thời đơn giản hóa đáng kể quá trình xây dựng và quản lý agent cho người dùng.

Cách MCP hoạt động: Như một “Sách Công thức” cho AI

Để dễ hình dung, hãy xem MCP server của một ứng dụng (ví dụ: Gmail MCP Server) như một cuốn sách công thức nấu ăn (recipe book) dành cho AI Agent (đóng vai trò là đầu bếp).

Cuốn sách này chứa nhiều trang, mỗi trang là một công thức (tool/action) tương ứng với một hành động cụ thể mà AI có thể thực hiện với ứng dụng đó (ví dụ: “kiểm tra email chưa đọc”, “gửi email mới”, “tìm kiếm email”).

Mỗi trang công thức (tool/action) sẽ bao gồm:

1. Tên công thức (Tool Name): Tên định danh duy nhất cho hành động (ví dụ: checkUnreadEmails).
2. Mô tả (Description): Giải thích rõ ràng công thức này dùng để làm gì (ví dụ: “Kiểm tra và trả về danh sách các email chưa đọc thỏa mãn tiêu chí nhất định”). Mô tả này rất quan trọng vì AI Agent sẽ đọc nó để hiểu khi nào nên sử dụng công cụ này.
3. Nguyên liệu (Parameters/Ingredients): Danh sách các thông tin đầu vào mà AI Agent (đầu bếp) cần cung cấp để thực hiện công thức (ví dụ: người gửi, ngày tháng, từ khóa tìm kiếm…).
4. Hướng dẫn thực thi (Package/Instructions): Các bước cụ thể để thực hiện công thức. Thông thường, đây là một đoạn mã (code) được lưu trữ trên máy chủ của nhà cung cấp ứng dụng (ví dụ: Google). AI Agent không cần hiểu đoạn mã này, nó chỉ cần “gọi” đúng tên công thức và cung cấp đủ “nguyên liệu”, hệ thống sẽ tự động thực thi và trả về kết quả.

Nhờ cấu trúc “sách công thức” này, MCP cung cấp bối cảnh (context) cần thiết cho mô hình AI (model) để hiểu và sử dụng các công cụ một cách hiệu quả. Đó cũng là lý do nó được gọi là Model Context Protocol.

Ai tạo ra MCP và tương lai của nó?

Một câu hỏi lớn là: Ai đang tạo ra những “cuốn sách công thức” MCP này? Liệu mọi ứng dụng có cần phải có MCP server riêng không?

Thực tế là MCP chỉ mới thực sự bùng nổ trong vài tháng gần đây (từ khoảng cuối 2024 bởi Anthropic giới thiệu). Tuy nhiên, đã có hơn 3.000 MCP server được tạo ra và con số này đang tăng lên nhanh chóng. Điều đáng kinh ngạc là phần lớn chúng được xây dựng bởi cộng đồng mã nguồn mở – những người như ae và mình, có hứng thú với công nghệ và tự nguyện đóng góp. Họ đã tạo ra MCP server cho Gmail, Microsoft Teams, và hàng ngàn ứng dụng khác.

Sự tham gia đông đảo của cộng đồng là một tín hiệu tích cực. Hơn nữa, một diễn biến quan trọng là OpenAI, đối thủ cạnh tranh chính của Anthropic, cũng đã thể hiện sự ủng hộ đối với MCP. Việc hai “ông lớn” trong ngành AI cùng hậu thuẫn cho một giao thức cho thấy tiềm năng rất lớn của MCP trong việc trở thành tiêu chuẩn chung cho cách AI Agent tương tác với thế giới ứng dụng trong tương lai.

Lịch sử công nghệ thường lặp lại theo những cách tương tự:

• Thập niên 90: Internet bùng nổ -> Doanh nghiệp (như McDonald’s) cần website -> Chuẩn TCP/IP ra đời.
• Thập niên 2000: Smartphone phổ biến -> Doanh nghiệp cần app -> Chuẩn iOS/Android thống trị.
• Thập niên 2020: AI Agent trỗi dậy -> Doanh nghiệp có thể sẽ cần MCP server -> Chuẩn MCP có tiềm năng lớn.

Nếu trong tương lai, ae có thể mở ứng dụng ChatGPT và “cài đặt” các MCP app để cho phép ChatGPT thay ae đặt đồ ăn, đặt vé, quản lý lịch trình,… thì việc nắm vững MCP ngay từ bây giờ sẽ là một lợi thế cạnh tranh cực lớn.

3 cách kiếm tiền với MCP: Cơ hội nào dành cho ae?

Với tiềm năng to lớn như vậy, làm thế nào để ae có thể biến kiến thức về MCP thành thu nhập? Hiện tại, có 3 con đường chính ae có thể theo đuổi, với mức độ khó khác nhau:

Cách 1 (Khó): Xây dựng MCP App Store

Đây là ý tưởng tạo ra một nền tảng tập trung, giống như App Store của Apple hay Google Play, nhưng dành riêng cho các ứng dụng MCP. Người dùng AI Agent có thể duyệt và “cài đặt” các MCP app từ đây để mở rộng khả năng cho agent của họ. Một phiên bản mockup để tham khảo như mcp.so.

• Tại sao khó? Thị trường còn quá mới, chưa rõ ràng cách người dùng sẽ khám phá và cài đặt MCP app. Có khả năng các nền tảng lớn như ChatGPT sẽ tự xây dựng và độc quyền “chợ ứng dụng” của riêng họ. Đây là một canh bạc tiềm ẩn rủi ro cao ở thời điểm hiện tại.

Cách 2 (Trung bình): Phát triển ứng dụng MCP (MCP Apps)

Nếu có App Store thì chắc chắn cần có người tạo ra các app. Cơ hội ở đây là:

1. Xây dựng MCP server cho các công ty lớn: Các doanh nghiệp truyền thống (như McDonald’s trong ví dụ) sẽ cần các nhà phát triển có kỹ năng xây dựng MCP server để tích hợp dịch vụ của họ với hệ sinh thái AI Agent. Nhu cầu này dự kiến sẽ tăng trong vài năm tới.
2. Tạo ra các ứng dụng hoàn toàn mới: Giống như cách Uber hay Airbnb tận dụng sự bùng nổ của smartphone để tạo ra các dịch vụ đột phá, ae có thể nghĩ ra những ứng dụng/dịch vụ mới mà người dùng muốn AI Agent của họ có thể truy cập và sử dụng thông qua MCP.

Yêu cầu: Cần có kiến thức về lập trình (ví dụ: Python) và hiểu biết về cách hoạt động của MCP thông qua tài liệu chính thức và SDK (Software Development Kit). Mặc dù các mô hình ngôn ngữ lớn có thể hỗ trợ người không chuyên bắt đầu, đây vẫn là con đường đòi hỏi đầu tư thời gian và kỹ năng kỹ thuật nhất định.

Cách 3 (Dễ nhất & trọng tâm bài viết): Tạo AI Agent sử dụng MCP

Đây là con đường dễ tiếp cận nhất, đặc biệt là với sự trợ giúp của các công cụ no-code như n8n. Thay vì xây dựng hạ tầng MCP, ae sẽ sử dụng các MCP server có sẵn (do cộng đồng hoặc các công ty khác tạo ra) để xây dựng các AI Agent hữu ích có khả năng tự động hóa công việc cụ thể.

Ví dụ điển hình (sẽ hướng dẫn chi tiết): Xây dựng một “Infinite Leads AI Agent” (Agent tìm kiếm khách hàng tiềm năng vô hạn). Agent này sẽ:

• Sử dụng MCP của Google Maps (thông qua một dịch vụ trung gian như Apify).
• Tự động thu thập thông tin doanh nghiệp (ví dụ: nhà hàng, nha sĩ) từ Google Maps dựa trên yêu cầu của ae (ví dụ: “tìm 5 nhà hàng ở Sydney”).
• Sử dụng AI để phân tích từng doanh nghiệp (website, đánh giá, hình ảnh, mạng xã hội…).
• Tạo ra một “điểm số tiềm năng” (lead score) để đánh giá mức độ phù hợp của họ với dịch vụ ae cung cấp.
• Soạn thảo một email tiếp cận được cá nhân hóa dựa trên phân tích đó.

Lợi ích:

• Không yêu cầu kỹ năng lập trình phức tạp (chỉ cần kéo thả).
• Tạo ra giải pháp thực tế có thể bán dưới dạng dịch vụ cho các doanh nghiệp cần tìm kiếm khách hàng.
• Hoặc tự sử dụng để tìm kiếm khách hàng cho chính agency/doanh nghiệp của ae.

Đây chính là cách mà chúng ta sẽ tập trung khám phá trong phần tiếp theo của bài viết.

Hướng dẫn chi tiết: Xây dựng AI Agent kiếm tiền với MCP bằng n8n (no-code)

Chúng ta sẽ cùng nhau xây dựng “Infinite Leads AI Agent” từng bước một bằng công cụ n8n. Đừng lo lắng nếu ae là người mới, quy trình này được thiết kế để ai cũng có thể làm theo.

Công cụ cần chuẩn bị:

1. n8n: Một công cụ tự động hóa mã nguồn mở, mạnh mẽ và linh hoạt, rất phù hợp để xây dựng AI Agent. Nó tương tự như Zapier hay Make.com nhưng ngày càng phổ biến nhờ khả năng tùy biến cao, đặc biệt với AI.
2. Railway.app: Một nền tảng giúp triển khai ứng dụng (bao gồm cả n8n) lên server một cách dễ dàng (self-hosting).
3. Tài khoản GitHub: Cần để đăng nhập vào Railway.
4. Tài khoản OpenRouter (Tùy chọn nhưng khuyến nghị): Dịch vụ cung cấp truy cập vào nhiều mô hình AI khác nhau (bao gồm cả model miễn phí và trả phí như GPT-4o) thông qua một API key duy nhất.
5. Tài khoản Apify: Dịch vụ cung cấp các công cụ web scraping, bao gồm cả MCP server cho Google Maps mà chúng ta sẽ sử dụng. (Có gói miễn phí và trả phí).
6. Tài khoản Google: Để sử dụng Google Drive lưu trữ kết quả.

Tại sao cần self-host n8n?

Thông thường, ae có thể dùng n8n qua phiên bản cloud (n8n.io). Tuy nhiên, tại thời điểm viết bài, chỉ phiên bản n8n tự cài đặt (self-hosted) mới hỗ trợ MCP. Ngoài ra, self-hosting qua Railway có thể rẻ hơn đáng kể (chỉ từ $5/tháng so với vài chục đô của bản cloud) và ae có toàn quyền kiểm soát dữ liệu của mình. Việc cài đặt có thêm vài bước nhưng khá đơn giản với hướng dẫn sau.

Bước 1: Cài đặt n8n self-hosted qua Railway

1. Truy cập Railway.app: Vào trang chủ Railway và đăng ký/đăng nhập bằng tài khoản GitHub của ae. Chấp nhận các điều khoản sử dụng.
2. Tạo dự án mới: Nhấp vào “New Project” -> “Deploy from Template”.
3. Tìm template n8n: Gõ “n8n” vào ô tìm kiếm và chọn template có tên “n8n with workers” (đây là template phổ biến và ổn định).
4. Deploy: Nhấp vào nút “Deploy”.
   • Lưu ý: Railway có thể yêu cầu ae nâng cấp lên gói “Hobby” (khoảng $5/tháng) để deploy template này do giới hạn của gói miễn phí. Nếu gặp lỗi, hãy thực hiện nâng cấp và thử deploy lại.
5. Chờ deploy hoàn tất: Quá trình này có thể mất vài phút. Khi thành công, ae sẽ thấy log báo “successful” cho các thành phần được triển khai.
6. Truy cập n8n: Trong danh sách các dịch vụ đã deploy, tìm và nhấp vào “n8n” (primary node). AE sẽ thấy một đường link công khai (public URL) dạng *.up.railway.app. Nhấp vào link đó.
7. Tạo tài khoản n8n: Trang n8n self-hosted của ae sẽ hiện ra. Hãy tạo một tài khoản quản trị cho instance này. AE có thể chọn nhận license key miễn phí để dùng một số tính năng trả phí.
8. Hoàn tất: Chúc mừng! AE đã có một instance n8n self-hosted sẵn sàng để xây dựng workflow.

Bước 2: Xây dựng Workflow AI Agent trên n8n

Bây giờ, hãy tạo workflow tự động hóa của chúng ta.

1. Tạo Workflow mới: Trong giao diện n8n, nhấp vào “Create Workflow” (hoặc “New”). Đặt tên cho workflow (ví dụ: “AI Agent Tìm Leads Google Maps”).
2. Node 1: Chat Trigger (Kích hoạt bằng Chat)
   • Nhấp vào “Add first step” hoặc dấu +.
   • Tìm và chọn “Chat Trigger”. Node này cho phép ae tương tác với workflow thông qua giao diện chat. Giữ nguyên cài đặt mặc định.
3. Node 2: AI Agent (Bộ não xử lý)
   • Nhấp vào dấu + sau Chat Trigger.
   • Tìm và chọn “AI Agent”.
   • Trong phần cài đặt của node AI Agent:
     • Input: Đảm bảo nó được kết nối với “Chat Trigger Node”.
     • Chat Model (Bắt buộc): Nhấp vào đây.
       • Chọn “Model”: Tìm và chọn “OpenRouter Chat Model”. (AE cũng có thể dùng OpenAI, Google Gemini,… nếu muốn).
       • Credential: Nhấp “Create New Credential”.
         • Đặt tên (ví dụ: “OpenRouter API Key”).
         • Truy cập trang OpenRouter, đăng nhập, vào phần Settings -> API Keys, tạo một key mới và sao chép nó.
         • Dán API key vào ô “API Key” trong n8n và nhấp “Save”. Kết nối sẽ được kiểm tra.
       • Model Name: Sau khi kết nối thành công, ae có thể chọn model. Gõ “free” để xem các model miễn phí hoặc chọn một model mạnh hơn như “openai/gpt-4o” (khuyến nghị để có kết quả tốt nhất, nhưng sẽ tốn phí rất nhỏ qua OpenRouter).
     • Để trống các nhánh khác (Tools, Memory,…) ở bước này. Nhấp ra ngoài để lưu cấu hình node.
     • Lưu workflow: Nhấp nút “Save” ở góc trên bên phải.
   • Test thử: Nhấp vào nút “Open Chat” ở góc trên bên phải. Gõ “Xin chào” vào ô chat. AI Agent (sử dụng model ae chọn) sẽ phản hồi.
4. Cài đặt MCP Node (Community Node)
   • Để sử dụng MCP trong n8n, ae cần cài đặt một node do cộng đồng phát triển.
   • Nhấp vào biểu tượng ba chấm (…) ở góc trên bên phải -> Settings.
   • Trong menu bên trái, chọn “Community Nodes”.
   • Nhấp “Install a Community Node”.
   • Trong ô “NPM Package Name”, nhập: n8n-nodes-mcp
   • Tick vào ô xác nhận và nhấp “Install”. Chờ quá trình cài đặt hoàn tất.
   • Quay lại màn hình chỉnh sửa workflow.
5. Node 3: MCP Client (Kết nối Google Maps qua Apify)
   • Bây giờ, chúng ta sẽ thêm công cụ MCP vào AI Agent. Nhấp vào nhánh “Tool” bên dưới node AI Agent.
   • Tìm và chọn node “MCP Client” (sẽ có biểu tượng hình hộp nhỏ bên cạnh, cho biết đây là community node).
   • Đặt tên Node (Quan trọng): Đổi tên node thành “MCP Google Maps”. Tên này giúp AI Agent biết khi nào cần sử dụng công cụ này dựa trên mô tả trong System Prompt (sẽ cấu hình sau).
   • Credential: Nhấp “Create New Credential”.
     • Đặt tên (ví dụ: “Apify MCP”).
     • Command: Nhập npx.
     • Arguments: Nhập -y @apify/mcp-server. (Xóa dấu ngoặc kép nếu có).
     • Environment: Chuyển sang chế độ “Expression”. Dán đoạn sau vào: {"APIFY_TOKEN": "YOUR_APIFY_TOKEN"}.
       • Lấy APIFY_TOKEN: Truy cập Apify.com, đăng nhập, vào Settings -> Integrations -> API tokens. Tạo một token mới, sao chép và thay thế YOUR_APIFY_TOKEN trong chuỗi trên.
     • Nhấp “Save”.
   • Operation: Chọn “Execute a Tool”.
   • Tool Name: Nhập chính xác tên tool của Apify dùng để scrape Google Maps. Tên tool này thường là apify/google-maps-scraper (ae có thể kiểm tra lại trong tài liệu của Apify MCP Server hoặc dùng node MCP Client với action “List available tools” để tự khám phá).
   • Tool Parameters: Đây là phần quan trọng để AI tự điền thông tin. Chuyển sang chế độ “Expression”. Dán đoạn mã sau (hoặc tương tự, tùy thuộc vào tham số chính xác của tool Apify): json { "queries": "{{ $agent.input.query | default('restaurants in Sydney') }}", "maxCrawledPlacesPerSearch": {{ $agent.input.limit | default(5) }}, "includeReviews": false, "includeImages": false, "includeOpeningHours": false, "language": "en", "maxReviews": 0, "proxyConfiguration": { "useApifyProxy": true }, "searchStringsArray": ["{{ $agent.input.keyword | default('') }}"], "skipClosedPlaces": true }
     • Giải thích:
       • {{ $agent.input.query | default('...') }}: Lấy địa điểm/truy vấn từ input của AI Agent (nếu không có, dùng giá trị mặc định).
       • {{ $agent.input.limit | default(5) }}: Lấy số lượng kết quả mong muốn từ input (mặc định là 5).
       • {{ $agent.input.keyword | default('') }}: Lấy từ khóa tìm kiếm (ví dụ: “pizza”, “dentist”) từ input.
       • Các tham số khác (includeReviews, skipClosedPlaces…) được đặt cố định hoặc có thể điều chỉnh tùy nhu cầu. Hàm from AI mà video gốc đề cập là một cách khác, nhưng sử dụng input trực tiếp như trên cũng rất hiệu quả và dễ kiểm soát hơn.
   • Nhấp ra ngoài để lưu cấu hình node.
6. Node 4: Google Drive (Lưu kết quả CSV)
   • Nhấp vào nhánh “Tool” bên dưới node AI Agent một lần nữa (để thêm công cụ thứ hai).
   • Tìm và chọn node “Google Drive”.
   • Credential: Nhấp “Create New Credential”.
     • Thực hiện theo hướng dẫn của n8n để kết nối tài khoản Google của ae. Quá trình này thường yêu cầu ae tạo OAuth Client ID và Secret trong Google Cloud Console (n8n sẽ có hướng dẫn chi tiết hoặc ae có thể tìm kiếm “n8n google drive credential setup”).
   • Resource: Chọn “File”.
   • Operation: Chọn “Upload”.
   • Binary Data?: Đảm bảo tắt (OFF).
   • File Content: Nhấp vào biểu tượng bánh răng cưa (Add Expression). Chọn Nodes -> AI Agent -> Output Data -> json -> result. Biểu thức sẽ là {{ $json.result }}. Điều này sẽ lấy nội dung (dự kiến là CSV) mà AI Agent tạo ra.
   • Destination File Name: Chuyển sang chế độ “Expression”. Dán: {{ $now.toFormat('yyyy-MM-dd') }}_Leads_{{ $json.query }}.csv
     • Điều này tạo tên file động, ví dụ: 2024-08-15_Leads_pizza in New York.csv. $json.query lấy từ input của Chat Trigger.
   • Destination Folder ID: Chọn thư mục trên Google Drive ae muốn lưu file vào.
   • Nhấp ra ngoài để lưu cấu hình node.
7. Cấu hình System Prompt cho AI Agent (Rất quan trọng!)
   • Quay lại node AI Agent.
   • Nhấp vào “Add Option” -> “System Message”.
   • Chuyển sang chế độ “Expression”.
   • Dán toàn bộ nội dung System Prompt vào đây. AE có thể lấy prompt mẫu từ transcript video (phần giải thích về system prompt) hoặc tự viết/chỉnh sửa. Nội dung cốt lõi cần có:
     • Vai trò: “AE là một AI Agent chuyên tìm kiếm và phân tích khách hàng tiềm năng từ Google Maps.”
     • Công cụ: Mô tả rõ 2 công cụ ae đã thêm:
       • MCP Google Maps: “Dùng để lấy thông tin doanh nghiệp (tên, địa chỉ, website, đánh giá, số lượng ảnh, mạng xã hội, trạng thái GMB) từ Google Maps dựa trên truy vấn địa điểm và từ khóa.”
       • Google Drive: “Dùng để lưu kết quả phân tích dưới dạng file CSV.”
     • Quy trình:
       1. Nhận yêu cầu từ người dùng (ví dụ: “tìm 3 nha sĩ ở Hà Nội”).
       2. Sử dụng tool MCP Google Maps để lấy dữ liệu thô.
       3. Phân tích từng doanh nghiệp dựa trên dữ liệu thu được (website có không? điểm đánh giá? số lượng ảnh? có link social? GMB đã claim chưa?).
       4. Tính toán lead_score (ví dụ: từ 1-10) dựa trên mức độ tiềm năng (ví dụ: thiếu website, review thấp -> điểm cao).
       5. Viết reasoning (lý do chấm điểm).
       6. Soạn draft_email (email nháp) cá nhân hóa, đề xuất dịch vụ phù hợp (ví dụ: “Chúng tôi thấy ae chưa có website…”, “Chúng tôi có thể giúp cải thiện đánh giá…”).
       7. Định dạng tất cả kết quả thành một chuỗi CSV hoàn chỉnh, bao gồm các cột: name, address, website, rating, reviewsCount, photosCount, cid (Google ID), placeId, phone, mainCategory, isClaimed, lead_score, reasoning, draft_email.
       8. Sử dụng tool Google Drive để lưu chuỗi CSV này vào file.
       9. Trả lời người dùng xác nhận đã hoàn thành và lưu file.
     • Yêu cầu định dạng: Nhấn mạnh việc phải trả về đúng định dạng CSV, các cột phải chính xác.
   • Nhấp ra ngoài để lưu và nhấp “Save” workflow lần cuối.

Cách sử dụng và tối ưu AI Agent tìm kiếm khách hàng tiềm năng

Giờ là lúc thu hoạch thành quả!

1. Test Agent: Mở lại cửa sổ “Open Chat” trong n8n.
2. Đưa ra yêu cầu: Nhập một truy vấn cụ thể, ví dụ: tìm 3 quán trà sữa đậm vị ở Thái Nguyên.
3. Quan sát: AI Agent sẽ:
   • Nhận diện yêu cầu.
   • Kích hoạt tool MCP Google Maps (ae có thể thấy nó chạy trong log của n8n và cả trong phần “Runs” của tool Google Maps Scraper trên dashboard Apify).
   • Phân tích dữ liệu (bước này AI tự làm dựa trên System Prompt).
   • Kích hoạt tool Google Drive để lưu file CSV.
   • Phản hồi lại ae trong chat, xác nhận hoàn thành.
4. Kiểm tra kết quả: Mở thư mục ae đã chọn trên Google Drive. AE sẽ thấy một file CSV mới được tạo. Mở file đó ra để xem danh sách khách hàng tiềm năng, điểm số, lý do và email nháp được cá nhân hóa!
5. Sử dụng công khai (Tùy chọn):
   • Trong n8n, nhấp vào workflow của ae. Gạt nút gạt từ “Inactive” sang “Active” ở góc trên bên trái.
   • Nhấp vào node “Chat Trigger”. Bật tùy chọn “Publicly Accessible Chat”.
   • Sao chép “Chat URL” được cung cấp. AE có thể dán link này vào trình duyệt khác để có giao diện chat độc lập, hoặc thậm chí chia sẻ link này cho khách hàng nếu ae đang bán dịch vụ này.

Tối ưu và mở rộng:

• Tinh chỉnh System Prompt: Đây là trái tim của AI Agent. Hãy thử nghiệm với các cách diễn đạt khác nhau, thay đổi tiêu chí chấm điểm, điều chỉnh giọng văn email để phù hợp hơn với mục tiêu của ae.
• Thử nghiệm đa dạng: Tìm kiếm các loại hình kinh doanh khác nhau, ở các khu vực địa lý khác nhau.
• Tích hợp thêm: Ae có thể mở rộng workflow này bằng cách thêm các node khác, ví dụ:
  • Tự động gửi email nháp đến địa chỉ của ae để duyệt.
  • Kết nối với CRM để tự động thêm leads mới.
  • Sử dụng một AI model khác để viết email tinh vi hơn.

Nắm bắt cơ hội kiếm tiền với MCP ngay hôm nay

Model Context Protocol (MCP) không còn là một khái niệm tương lai xa vời. Nó đang định hình cách các AI Agent tương tác với thế giới số và mở ra những cơ hội vô cùng hấp dẫn cho những ai nhanh nhạy nắm bắt.

Chúng ta đã cùng nhau tìm hiểu:

• MCP là gì: Một giao thức chuẩn hóa giúp AI hiểu và sử dụng các ứng dụng bên ngoài.
• Tại sao MCP quan trọng: Nó giải quyết những hạn chế của AI Agent hiện tại và được sự ủng hộ của các ông lớn trong ngành.
• 3 cách kiếm tiền với MCP: Xây dựng MCP App Store, phát triển MCP Apps, và (quan trọng nhất trong bài này) tạo AI Agent sử dụng MCP.
• Cách xây dựng AI Agent tìm leads bằng n8n và MCP: Một quy trình chi tiết, không cần code, giúp ae tự động hóa việc tìm kiếm và phân tích khách hàng tiềm năng từ Google Maps.

Thị trường MCP còn rất mới, đồng nghĩa với việc cạnh tranh chưa cao và tiềm năng phát triển còn rất lớn. Bằng cách đầu tư thời gian tìm hiểu và thực hành theo hướng dẫn này, ae đang đặt những viên gạch đầu tiên để khai thác một trong những kỹ năng AI giá trị nhất trong tương lai gần.

Đừng ngần ngại thử nghiệm, tùy chỉnh AI Agent theo nhu cầu của ae và khám phá những khả năng vô tận mà MCP và tự động hóa AI mang lại. Chúc ae thành công trên hành trình kiếm tiền với MCP!