Tất cả những gì bạn cần biết về Harness Engineering

Tóm tắt

Video giải thích Harness Engineering và cách nó khác với Prompt Engineering và Context Engineering. Ý tưởng cốt lõi được tóm gọn bằng công thức:

Agent = mô hình + harness

Mô hình ngôn ngữ là “bộ não”; harness là hệ thống xung quanh giúp mô hình nhận thông tin, sử dụng công cụ, thực hiện công việc, kiểm tra kết quả và tiếp tục cho đến khi hoàn tất.

Từ Prompt Engineering đến Harness Engineering

• Prompt Engineering tập trung vào cách viết yêu cầu rõ ràng để mô hình trả lời đúng hơn. Cách này hữu ích với tác vụ đơn giản, nhưng thường mang tính “làm một lần rồi dừng”, nên hạn chế với công việc dài và phức tạp.
• Context Engineering tập trung vào việc đưa đúng thông tin vào ngữ cảnh của mô hình đúng lúc, thay vì nạp mọi thứ cùng lúc. Các cách làm được nêu gồm gọi công cụ để tìm thông tin liên quan, dùng MCP để kết nối dịch vụ và dùng RAG để truy xuất tài liệu bên ngoài.
• Harness Engineering mở rộng phạm vi sang việc tổ chức toàn bộ quy trình và môi trường làm việc của agent: điều phối các bước, quản lý ngữ cảnh, cung cấp công cụ, kiểm tra kết quả và kiểm soát quyền hạn.

Video lưu ý rằng harness không thay thế prompt hay context engineering; hai kỹ thuật đó trở thành những phần bên trong một hệ thống rộng hơn. Video cũng phân biệt harness với các framework như LangChain, LangGraph, CrewAI và AutoGen: framework cung cấp các thành phần để người dùng tự lắp ráp, còn harness được mô tả như một môi trường agent đã tích hợp sẵn quy trình, công cụ và cơ chế vận hành.

Vì sao cần harness?

Với nhiệm vụ lớn, chỉ viết prompt tốt hoặc mở rộng context window vẫn có thể không đủ. Ngữ cảnh có thể đầy, buộc agent phải tóm tắt và loại bỏ thông tin; nếu tóm tắt sai, agent có thể quên yêu cầu hoặc báo đã hoàn tất dù công việc chưa xong. Video nêu các hướng xử lý như dùng sub-agent hoặc nhiều agent, nhưng nhấn mạnh nhu cầu phối hợp công việc, quản lý môi trường và ngữ cảnh một cách có hệ thống.

Một mô hình giống nhau có thể cho kết quả khác nhau tùy công cụ, chỉ dẫn và cách kiểm tra mà hệ thống cung cấp. Vì vậy, khi agent làm việc kém, nên xem xét cả harness chứ không chỉ đổi sang mô hình mạnh hơn.

Chín thành phần chính được trình bày

1. Vòng lặp agent (agent loop): Mô hình đọc yêu cầu, chọn công cụ, nhận kết quả rồi lặp lại. Vòng lặp dừng khi agent trả lời mà không gọi thêm công cụ hoặc chạm giới hạn số vòng.
2. Quản lý ngữ cảnh: Quyết định thông tin nào cần giữ, tóm tắt hay loại bỏ khi context window gần đầy. Video gọi việc nén ngữ cảnh là compaction và cảnh báo rằng tóm tắt thiếu chính xác có thể làm mất yêu cầu quan trọng.
3. Công cụ (tools): Các thao tác cơ bản như đọc/ghi tệp, tìm kiếm mã nguồn và chạy lệnh.
4. Kỹ năng (skills): Quy trình hoặc kiến thức chuyên biệt được xây dựng trên công cụ, chẳng hạn hướng dẫn chạy kiểm thử hoặc quy trình tạo pull request. Một số kỹ năng có sẵn; người dùng cũng có thể bổ sung.
5. Sub-agent: Agent phụ có ngữ cảnh, chỉ dẫn và quyền hạn riêng, được giao nhiệm vụ giới hạn. Agent chính phân việc rồi nhận kết quả để tổng hợp.
6. Bộ nhớ phiên: Ghi lại tiến độ và kết quả công cụ vào tệp nhật ký để có thể khôi phục hoặc tiếp tục công việc sau gián đoạn.
7. Lắp ghép chỉ dẫn hệ thống: Kết hợp quy tắc chung với hướng dẫn riêng của dự án, ví dụ từ các tệp như AGENTS.md hoặc CLAUDE.md (tên tệp trong phụ đề có thể bị nhận dạng sai). Video cũng nhấn mạnh việc sắp xếp phần chỉ dẫn ổn định trước, phần thay đổi sau để hỗ trợ prompt caching.
8. Hooks (điểm mở rộng): Cho phép chạy logic trước hoặc sau khi công cụ được gọi. Hook trước có thể kiểm tra, sửa hoặc chặn thao tác; hook sau có thể ghi nhật ký, kiểm toán và theo dõi kết quả.
9. Quyền hạn và bảo mật: Phân quyền theo mức độ rủi ro; thao tác nhạy cảm như xóa tệp hoặc chạy lệnh đặc quyền có thể bị chặn hoặc yêu cầu người dùng xác nhận. Sandbox và môi trường giới hạn giúp agent tự chủ hơn trong phạm vi an toàn.

Hướng dẫn thực tế được rút ra

• Bắt đầu bằng việc làm rõ yêu cầu và hướng dẫn riêng của dự án; không nhất thiết phải tự xây agent từ đầu.
• Với lỗi lặp lại, đừng chỉ thêm lời nhắc. Hãy dùng cơ chế phù hợp: kiểm thử để phát hiện lỗi, giới hạn quyền ghi để ngăn sửa nhầm, hoặc hook để kiểm tra thao tác.
• Muốn agent tự sửa lỗi, cần cung cấp phản hồi có thể kiểm chứng, như kết quả kiểm thử, thông báo lỗi, ảnh chụp màn hình hoặc bước xác minh bằng công cụ.
• Nếu muốn tăng mức tự chủ, hãy tạo môi trường làm việc có ranh giới rõ ràng—chẳng hạn sandbox, container hoặc máy ảo—và giới hạn dữ liệu, tài nguyên agent được phép truy cập.
• Cách diễn giải cuối video: Prompt Engineering là viết yêu cầu; Context Engineering là cung cấp đúng thông tin đúng lúc; Harness Engineering là tổ chức cả quy trình để agent có thể hành động, kiểm tra và tiếp tục làm việc.

Đánh giá và nội dung hướng dẫn

Đây là video giải thích và hướng dẫn khái niệm, không phải bài đánh giá so sánh sản phẩm. Video dùng ví dụ nhà hàng phở xuyên suốt để minh họa cho agent, context, công cụ, phân quyền và quy trình kiểm tra. Các ví dụ về công cụ lập trình AI gồm Claude Code, Codex và Cursor; tên một số sản phẩm trong phụ đề có thể bị nhận dạng sai.

Người nói và nguồn được nhắc đến

• Người nói chính: Việt Nguyễn AI, người dẫn giải nội dung.
• Các nguồn/tổ chức được nhắc đến: OpenAI, Anthropic và Google. Video lấy harness của Anthropic/Claude Code làm ví dụ minh họa, đồng thời nhắc đến một số AI coding agent như Codex và Cursor.