Nguồn: Code as Agent Harness
1. Lời mở đầu: Vượt qua “bottleneck của sự tự trị”
Tại sao các mô hình ngôn ngữ lớn (LLM) hiện nay, dù sở hữu khả năng ngôn ngữ ưu việt, vẫn thường xuyên gặp khó khăn trước các bài toán tính toán biểu tượng (symbolic reasoning) hoặc mất phương hướng trong các nhiệm vụ dài hơi (long-horizon)? Vấn đề không nằm ở kích thước mô hình, mà ở phương thức tương tác: chúng đang tư duy trong một không gian phi trạng thái và thiếu cơ chế kiểm chứng thực tế.
Nghiên cứu mới nhất từ Stanford, Meta và UIUC đã định nghĩa lại ranh giới này thông qua khái niệm “Agent Harness” (Khung nền tảng tác nhân). Thay vì coi mã nguồn chỉ là một “đầu ra” (output), nghiên cứu này đề xuất một sự dịch chuyển kiến trúc: sử dụng code như một “Operational Substrate” (chất xúc tác vận hành) – một bộ khung thực thi cho phép AI không chỉ “nói” về giải pháp, mà thực sự sống, tư duy và điều chỉnh hành vi bên trong chính mã nguồn đó.
2. Takeaway 1: Code là “Hệ thần kinh” trung tâm, không phải là sản phẩm cuối cùng
Trong kiến trúc tác nhân hiện đại, mã nguồn đóng hai vai trò song song nhưng biệt lập mà các chuyên gia cần phân biệt rõ:
- Hạ tầng Harness (Infrastructure): Lớp phần mềm bao quanh LLM gồm sandbox, API, bộ nhớ và các validator. Đây là môi trường cung cấp “quyền lực” thực thi cho mô hình.
- Vật phẩm mã nguồn (Agent-initiated artifacts): Các đoạn mã, script hoặc công cụ do AI tự tạo ra, thực thi, quan sát và điều chỉnh trong quá trình làm việc.
“Agent Harness là lớp phần mềm biến một mô hình phi trạng thái (stateless) thành một tác nhân chức năng. Ở đó, mã nguồn không còn là mục tiêu cuối cùng mà là môi trường để AI ngoại hóa suy luận, thực thi hành động và lưu trữ trạng thái tiến triển.”
Sự kết hợp này biến mã nguồn thành một “hệ thần kinh” giúp kết nối các dự đoán xác suất của LLM với các hành động mang tính định hướng trong thế giới thực.
3. Takeaway 2: Executable, Inspectable, Stateful – Bộ khung biến mô hình phi trạng thái thành tác nhân chức năng
Để mã nguồn trở thành “bộ giáp” bảo vệ AI khỏi những lỗi logic mơ hồ, nó phải hội đủ ba đặc tính kỹ thuật cốt lõi:
- Executable (Có thể thực thi): Khác với văn bản, code cho phép harness xác minh trực tiếp ý định của AI. Kết quả thực thi là bằng chứng khách quan duy nhất để đánh giá một bước đi là đúng hay sai.
- Inspectable (Có thể kiểm chứng): Quá trình tư duy của AI được “ngoại hóa” thành các dấu vết thực thi (execution traces) và logs. Điều này cho phép hệ thống chẩn đoán lỗi ở mức độ cấu trúc, thay vì chỉ dựa vào phán đoán ngôn ngữ.
- Stateful (Có trạng thái): Đây là chìa khóa để giải quyết bài toán long-horizon. Mã nguồn cho phép duy trì tiến trình nhiệm vụ một cách bền vững (persistent, modifiable task progress). Trạng thái của chương trình chính là “bộ nhớ làm việc” giúp AI không bị mất dấu mục tiêu sau hàng trăm bước tương tác.
4. Takeaway 3: Ngoại hóa suy luận (Externalize Inference) – Tách biệt tư duy cấp cao và thực thi cấp thấp
Điểm yếu chí mạng của phương pháp Chain-of-Thought (CoT) truyền thống là buộc AI phải thực hiện các phép toán arithmetic hoặc symbolic computation phức tạp ngay trong đầu. Với kiến trúc Harness, chúng ta áp dụng cơ chế “Code-Grounded Reasoning”:
- Phân tách nhiệm vụ: AI đảm nhiệm tư duy cấp cao (lập thủ tục - procedure), còn hệ thống (Interpreter/Harness) đảm nhiệm việc thực thi cấp thấp.
- Vòng lặp Fail-and-fix: Thay vì chỉ dự đoán từ tiếp theo, AI sử dụng phản hồi từ các lỗi runtime để tự sửa đổi. Đây là một cơ chế iterative (lặp lại) mạnh mẽ, nơi các lỗi thực thi trở thành tín hiệu học tập tức thì để tinh chỉnh logic suy luận.
5. Takeaway 4: Shared Harness Substrate – Ngôn ngữ chung của sự phối hợp đa tác nhân
Khi mở rộng sang hệ thống đa tác nhân (Multi-agent), mã nguồn đóng vai trò là một Shared Repository (kho lưu trữ chung), nơi tất cả AI cùng tương tác và đồng bộ hóa (synchronization) thông qua các vai trò chuyên biệt:
- Manager & Planner: Điều phối mục tiêu và phân rã nhiệm vụ dựa trên cấu trúc mã.
- Coder: Chuyển đổi kế hoạch thành các artifact có thể thực thi.
- Reviewer & Tester: Phân tích tĩnh (static analysis) và chạy thử trong sandbox để cung cấp test feedback – một kênh thông tin phản hồi quan trọng giúp các tác nhân khác điều chỉnh hành vi.
Sự tương tác trên một “chất nền chung” này giúp giảm thiểu sự mơ hồ và đảm bảo tính nhất quán của trạng thái hệ thống giữa các tác nhân khác nhau.
6. Takeaway 5: Những ứng dụng thực tiễn định hình lại ngành công nghiệp
Kiến trúc “Code as Agent Harness” đang mở ra những biên giới mới cho AI tự trị:
- Embodied Agents (Tác nhân hiện thân): Robot không còn nhận lệnh đơn giản mà sử dụng mã nguồn làm các executable policies (chính sách thực thi). AI dịch ý định thành mã để điều khiển phần cứng trong môi trường vật lý với độ chính xác cao.
- Scientific Discovery (Khám phá khoa học): AI tự động thiết lập các vòng lặp mô phỏng (simulation loop), quy trình tự động hóa phòng thí nghiệm (lab automation) và tự phân tích dữ liệu để kiểm chứng giả thuyết.
- GUI/OS Automation: Tác nhân tương tác với hệ điều hành thông qua việc đọc cấu trúc DOM và gọi API, biến mọi giao diện phức tạp thành một “thế giới mã nguồn” có thể lập trình và kiểm chứng.
Lời kết: Hướng tới kỷ nguyên “Harness Engineering”
Sự thành công của AI tự trị trong tương lai không chỉ phụ thuộc vào việc tối ưu hóa tham số mô hình, mà còn nằm ở sự hình thành của Harness Engineering – một ngành khoa học mới chuyên về thiết kế các khung kết nối an toàn, bền vững và tin cậy giữa AI và thế giới thực.
Mã nguồn chính là phương tiện tốt nhất để chúng ta kiểm soát và trao quyền cho AI. Tuy nhiên, khi chúng ta tiến gần hơn tới sự tự trị hoàn toàn, một câu hỏi quản trị mang tính hệ thống cần được đặt ra: “Nếu mã nguồn là thứ giúp AI hiểu và tác động vào thế giới, liệu chúng ta đã sẵn sàng để trao cho chúng chìa khóa của những hệ thống quan trọng nhất chưa?”