Ở bài đầu tiên của loạt bài tôi đã kể về nỗi bất an khiến tôi bắt đầu tái thiết tech ở Prolog. Ở cuối, tôi hứa sẽ mở ra từng phần. Tôi bắt đầu bằng phần tôi mất nhiều thời gian nhất để hiểu: harness.
Nói trước cho rõ, không có công thức thần kỳ nào ở đây. Đây là những gì tôi đọc, những gì tôi thấy các công ty khác làm và những gì chúng tôi đang thử làm, có đúng có sai.
Tôi đã mất nhiều tháng đi tìm một cái tên cho một thứ mà tôi cảm nhận được nhưng không biết diễn đạt ra sao.
Cái từ tôi còn thiếu
Tôi cứ thấy những công ty ba người giao ra thứ mà trước kia cần tới ba mươi người. Và tôi thấy rằng cái lợi thế không nằm ở model, vì gần như ai cũng chạy model na ná nhau. Nó nằm ở chỗ khác, và tôi không có từ để gọi.
Tháng 2 năm 2026 OpenAI đăng một bài tên Harness Engineering và cho tôi cái từ đó.
Định nghĩa của họ mở đầu bằng hai câu ngắn: “Con người chỉ đạo. Agent thực thi.” Và cái đến sau đó thay đổi cách nghĩ: công việc chính của một đội kỹ thuật thôi là viết code, và trở thành thiết kế môi trường, đặc tả ý định và xây những vòng phản hồi để agent làm việc một cách đáng tin cậy.
Từng mảnh ở đó đều là việc thật. Thiết kế cái môi trường nơi agent chạy. Làm rõ cái cần làm, cái ý định, thay vì từng bước một. Và dựng những vòng lặp nói cho AI biết nó làm đúng hay chưa, để nó tự sửa lấy.
Để ý cái đã biến khỏi câu: viết code. Không phải OpenAI nói code không quan trọng. Là OpenAI nói rằng khi AI viết phần lớn, công việc của con người dâng lên một lớp. Và khi có gì đó hỏng, câu hỏi cũng đổi theo. Nó thôi là “thử lại đi, cố hơn nữa” và trở thành “môi trường thiếu năng lực gì để AI làm đúng”. Con bug thôi là lỗi của AI (“nó ngu”) và trở thành một câu hỏi về cái gì đã thiếu ở xung quanh nó.
Vậy harness là việc tổ chức code, quy trình và công việc sao cho AI thấy được, hiểu được và thực thi được. Nó không phải một công cụ bạn mua. Nó là một cách nghĩ mới về cái mà đội giao ra.
Model là một chuyện, harness là chuyện khác
Câu gọn ghẽ nhất tôi tìm được để ghim điều này lại đến từ Vivek Trivedy, một kỹ sư của LangChain: “nếu không phải là model, thì đó là harness”.
Model là cái LLM thô. Opus, GPT, gì cũng được. Chữ vào, chữ ra, hết. Và gần như ai cũng có model. Nó là hàng phổ thông. Khác biệt giữa người tăng 10% và người tăng 5x không nằm ở model.
Nó nằm ở harness. Harness là tất cả phần còn lại: code, các công cụ mà AI có thể gọi, ngữ cảnh nó thấy, các hook, việc điều phối, cái sandbox nơi nó chạy, bộ nhớ, các quy tắc nghiệp vụ. Tất cả những gì bao quanh model trong luồng, trước khi công việc đến tay bạn ở dạng hoàn chỉnh.
Harness không có bản dịch tốt sang tiếng Việt. Dây cương, dây buộc, đều mất nghĩa. Tôi cứ gọi nó là “cái hạ tầng của agent” cho xong.
Có thể bạn từng nghe “context engineering”. Đó là một phần của chuyện này, phần tổ chức những gì AI thấy. Harness thì lớn hơn: nó bao gồm ngữ cảnh, nhưng cũng có các công cụ, các hook, sandbox, sự lưu trữ bền, việc điều phối. Ngữ cảnh là một mảnh; harness là toàn bộ.
Model vs. harness
Model là hàng hóa phổ thông, gần như ai cũng dùng cái giống nhau. Cái tách mức lợi 10% khỏi mức 5x chính là cái bao quanh nó.
Harness là làm cho mọi thứ đọc được với AI
Nếu phải tóm harness về một nguyên tắc duy nhất, thì sẽ là cái này: làm cho mọi thứ đọc được với AI.
Ở bài trước tôi đã kể cái chẩn đoán làm tôi giật mình. Ngữ cảnh của Prolog nằm rải rác. Một mảnh trong Notion, một mảnh trong Drive, một mảnh trong Jira, trong Figma. Không có nguồn duy nhất. Mỗi cuộc trò chuyện mới với AI đều bắt đầu từ số không, vì thông tin nó cần nằm ở năm nơi và chẳng được gạn lọc ở đâu.
Khi bạn đọc lại điều đó qua lăng kính harness, vấn đề trở nên hiển nhiên. AI không thấy được. Và cái nó không thấy, nó không dùng.
Peter Pang, CTO của CREAO, kể một quyết định nghe có vẻ cực đoan mà hoàn toàn hợp lý: ông gộp toàn bộ code vào một monorepo duy nhất. Lý do không phải để gọn gàng. Là để AI thấy được mọi thứ cùng một lúc.
Đó chính là việc phải làm. Không phải một prompt khôn ngoan, không phải một mẹo. Là lấy cái đang nằm rải rác, ngầm ẩn, chỉ sống trong đầu người ta, và làm cho nó đọc được ở một chỗ, được viết ra, agent với tới được. Đôi khi chán ngắt. Nhưng đó chính xác là thứ tách cái lợi 10% khỏi cái lợi 5x.
Bằng chứng: 3 kỹ sư, 1 triệu dòng
Tôi vốn đa nghi với hype. Nên thứ thuyết phục tôi rằng đây không phải mốt là một trường hợp có con số.
Đội OpenAI xây Codex CLI, cái công cụ dòng lệnh của họ, có ba kỹ sư. Trong vài tuần, họ giao ra khoảng một triệu dòng code: ứng dụng, hạ tầng, tooling, tài liệu. Và không một dòng nào viết bằng tay. Triết lý của đội, do chính họ nói ra, là “không code nào viết thủ công”. Đó là khoảng một nghìn năm trăm pull request, tất cả được merge, không cái nào do một con người gõ. Ba người chỉ đạo, AI xây.
Cho khỏi lẫn: OpenAI có Codex, là model được huấn luyện cho code, và Codex CLI, là công cụ. Ba người dùng model, thông qua công cụ, để xây chính cái công cụ đó. Cái thứ tự xây lấy chính nó bằng chính nó.
Và chưa dừng ở đó. Trong toàn bộ OpenAI, Codex review 100% pull request của công ty.
Cái chốt lại với tôi không phải con số của OpenAI một mình. Là việc Peter Pang, ở CREAO, đi tới cùng kết luận đó bằng một con đường riêng, chẳng bàn với ai. Hai nơi khác nhau mô tả cùng một thứ. Khi chuyện đó xảy ra, thường thì đó không phải mốt. Đó là một khuôn mẫu.
Ba người chỉ đạo, AI xây. Không một dòng code viết bằng tay.
no manually-written code triết lý đội tự nêu ra. Và trong toàn bộ OpenAI, Codex review 100% pull request.
AI-assisted không phải là AI-first
Ở đây tôi cần thành thật về việc Prolog đang ở đâu.
Có một khác biệt mà gần như không ai để ý giữa việc dùng AI để hỗ trợ công việc và đặt AI vào trung tâm của nó.
AI-assisted là con người ở trung tâm và AI cắm vào ở các đầu mút. Cùng một sprint, cùng một board, cùng một cuộc họp, cùng một luồng. AI giúp bên trong cái quy trình vốn đã có. Cái lợi là thật và nhỏ: 10, 20%. Đó là nơi phần lớn các công ty đang ở. Đó là nơi Prolog đang ở hôm nay, và tôi sẽ không giả vờ ngược lại.
AI-first là AI ở trung tâm và con người chỉ đạo. Bạn mặc định rằng agent là người xây chính, và bạn dựng lại quy trình, kiến trúc, thậm chí cả cách tổ chức quanh điều đó. Con người phản biện, kiểm chứng, phán đoán. Cái lợi ở một cấp độ khác: 5x, 10x. Đó là điều Codex, CREAO và Anthropic đang làm.
Khác biệt đó, như Peter Pang tóm lại, là cấp số nhân, không phải cộng thêm. Và đó là vì sao harness quan trọng đến vậy. Bạn không tới được AI-first bằng cách cắm AI vào cái vốn đã có. Bạn tới đó bằng cách dựng lại để AI thấy được, hiểu được và thực thi được. Nói cách khác, bằng cách làm harness.
Và đây không chỉ là chuyện của engineering
Câu của OpenAI, “công việc chính không còn là viết code”, được viết với engineering trong đầu. Nhưng khi tôi đọc lại và đổi chủ ngữ, nó vừa với mọi vị trí trong tech.
Product thôi chỉ viết tài liệu; nó trao cho agent năng lực đề xuất giải pháp. Design thôi chỉ vẽ màn hình; nó trao cho agent năng lực sinh ra giao diện bên trong hệ thống. QA thôi chỉ chạy test bằng tay; nó trao cho agent năng lực kiểm chứng. Data thôi chỉ chạy query; nó trao cho agent năng lực trả lời câu hỏi nghiệp vụ.
Ở tất cả, câu hỏi trở thành một: agent còn thiếu năng lực gì để làm việc này, và làm sao tôi khiến nó thấy được và điều khiển được.
Điều tôi rút ra từ chuyện này
Harness không phải một công cụ mua về được hay một model tốt hơn để đăng ký thuê bao. Nó là việc phải làm. Cái việc lấy thứ đang nằm trong đầu người ta và rải rác khắp mười hệ thống rồi làm cho nó đọc được, ở một chỗ, để một cái máy dùng được.
Phần chán là không có đường tắt. Phần hay là, vì là việc phải làm, nên làm được. Chúng tôi đang ở giữa chặng: còn xa AI-first, gần hơn so với hai tháng trước. Tôi sẽ tiếp tục kể chuyện đi tới đâu.
Nguồn
- OpenAI, Harness Engineering: leveraging Codex in an agent-first world (tháng 2 năm 2026). Nơi câu “con người chỉ đạo, agent thực thi” và trường hợp đội Codex CLI xuất phát.
- Vivek Trivedy, LangChain, The Anatomy of an Agent Harness. Định nghĩa “nếu không phải là model, thì đó là harness”.
- Peter Pang, CREAO, về việc đặt AI vào trung tâm. Cái monorepo để AI thấy mọi thứ và khác biệt cấp số nhân.
- How OpenAI’s Codex Team Works and Leverages AI, Eng Leadership Newsletter. Những con số của đội Codex.