Phần mở đầu (abstract):
Cùng một mô hình, có người chỉ tăng năng suất đôi chút, có người lại biến AI thành một hệ thống lao động trí tuệ thực thụ. Khác biệt không nằm chủ yếu ở số lượng tham số, mà ở kiến trúc bao quanh mô hình, tức cách tổ chức kỹ năng, dữ liệu, ngữ cảnh và quy trình học hỏi. Đó là lý do vì sao thin harness, fat skills không chỉ là một nguyên tắc kỹ thuật, mà còn là một triết lý tổ chức trong kỷ nguyên AI.
Không phải mô hình mạnh hơn, mà là cách ta đóng gói kỹ năng, tổ chức ngữ cảnh và thiết kế hệ thống quanh mô hình, mới quyết định AI sẽ chỉ là chatbot khéo nói hay trở thành một cỗ máy lao động trí tuệ thực thụ.
Có một ngộ nhận đang lan rất nhanh trong làn sóng trí tuệ nhân tạo hiện nay.
Người ta nhìn thấy một số cá nhân hay nhóm phát triển đạt mức năng suất vượt trội với AI, rồi vội kết luận rằng bí mật hẳn nằm ở việc họ dùng mô hình mạnh hơn, có nhiều tham số hơn, hay sở hữu một phiên bản cao cấp hơn phần còn lại của thế giới. Cách giải thích đó hấp dẫn, vì nó đơn giản. Nhưng cũng chính vì quá đơn giản nên nó bỏ sót điều quan trọng nhất. Nhiều người cho rằng chênh lệch năng suất giữa những người dùng AI ở mức bình thường và những người dùng AI ở mức xuất sắc chủ yếu đến từ việc họ có trong tay mô hình mạnh hơn. Họ nghĩ bí mật nằm ở số lượng tham số, ở phiên bản mới hơn, ở một cái tên thời thượng hơn trên bảng xếp hạng. Nhưng quan sát kỹ hơn sẽ cho thấy điều quyết định lại không hẳn nằm ở bản thân mô hình, mà ở cách con người thiết kế hệ thống bao quanh mô hình ấy. Nói cách khác, vấn đề cốt lõi không chỉ là model, mà là architecture, không chỉ là trí thông minh, mà là cấu trúc vận hành của trí thông minh.
Garry Tan diễn đạt điều này bằng một công thức rất gọn, thin harness, fat skills. Tôi cho rằng đây không chỉ là một nhận xét kỹ thuật về AI coding agent, mà còn là một triết lý quan trọng cho cách chúng ta xây dựng hệ thống tri thức trong kỷ nguyên mới. Nó giúp giải thích vì sao cùng dùng một công cụ, có người chỉ nhận được vài câu trả lời khá khôn ngoan, còn có người lại tạo ra được một cỗ máy lao động trí tuệ có khả năng tích lũy, cải tiến và nhân lên năng lực của chính mình.
Không phải chỉ là mô hình, mà là hệ thống quanh mô hình
Khi nhìn vào sự bứt phá về năng suất của một số cá nhân hay nhóm phát triển, phản xạ tự nhiên của nhiều người là đổ công trạng cho model. Họ cho rằng người này làm tốt hơn vì dùng mô hình mạnh hơn, cửa sổ ngữ cảnh rộng hơn, hoặc được tiếp cận sớm với một phiên bản tối tân hơn. Cách giải thích này không sai hoàn toàn, nhưng nó mới chỉ chạm vào bề mặt.
Thực tế là cùng một mô hình, có người chỉ tăng hiệu suất đôi chút, trong khi có người biến nó thành một hệ thống giúp mình đi nhanh gấp nhiều lần. Chênh lệch ấy không đến từ trí thông minh thô của mô hình, mà đến từ việc mô hình được đặt vào một hệ sinh thái như thế nào, được cấp cho đúng ngữ cảnh ra sao, được nối với công cụ nào, được ràng buộc bởi quy trình nào, và được dạy bằng những kỹ năng nào. Nói cách khác, mô hình giống như một bộ não có tiềm năng, nhưng sức mạnh thật sự chỉ xuất hiện khi nó được đặt trong một thân thể biết vận động, một ký ức biết chọn lọc, và một bộ kỷ luật biết định hướng.
Vì vậy, khi nói về AI agent, tôi ngày càng tin rằng câu hỏi quan trọng nhất không còn là mô hình nào mạnh nhất, mà là ta đang đặt mô hình vào loại kiến trúc nào. Chính kiến trúc ấy quyết định model bị sa lầy trong nhiễu loạn hay được giải phóng để thực hiện đúng phần việc mà nó làm tốt nhất.
Thin harness, fat skills, công thức ngắn cho một kiến trúc đúng
Nói một cách dễ hiểu, harness là bộ khung vận hành mô hình. Nó là lớp bao quanh, chịu trách nhiệm gọi model theo vòng lặp, quản lý ngữ cảnh, kết nối với file và công cụ, áp các nguyên tắc an toàn, và điều phối luồng làm việc. Còn skills là những kỹ năng được đóng gói, thường dưới dạng các quy trình, chỉ dẫn, phương pháp xử lý, khung suy nghĩ, hay thủ tục nghiệp vụ mà mô hình có thể tái sử dụng nhiều lần.
Ở đây xuất hiện một đối lập rất đáng chú ý. Nhiều hệ thống hiện nay đi theo hướng fat harness, thin skills, tức là khung bao quanh mô hình ngày càng phình to, đầy các lớp công cụ, vô số định nghĩa, cả rừng kết nối, nhưng phần kỹ năng thực sự lại nghèo nàn, mỏng, ngắn hạn và không được tích lũy thành tài sản lâu dài. Hệ quả là mô hình bị ngợp trong một đám dây nhợ, bị kéo qua kéo lại giữa các lớp công cụ chậm chạp, trong khi phần tri thức vận hành lại không được kết tinh thành năng lực ổn định.
Ngược lại, thin harness, fat skills là một lựa chọn kỷ luật hơn nhiều. Bộ khung phải đủ gọn, đủ rõ, đủ mỏng để không chiếm mất sự chú ý của mô hình. Còn phần kỹ năng phải thật dày, nghĩa là tri thức, quy trình, heuristics, kinh nghiệm, cách điều tra, cách phân tích, cách tổng hợp, tất cả được tích lũy, chưng cất và đóng gói thành những đơn vị có thể gọi lại nhiều lần. Khi đó, giá trị không nằm ở chỗ hệ thống có bao nhiêu công cụ, mà ở chỗ nó có bao nhiêu năng lực đã được định hình thành cấu trúc.
Nếu diễn đạt ngắn nhất, tôi sẽ nói thế này, hãy để phần khung vận hành nhẹ như xương sống, còn phần kỹ năng nặng như cơ bắp. Bộ xương chỉ cần đủ để nâng đỡ và điều phối. Còn sức mạnh thật sự nằm ở cơ bắp của tri thức đã được rèn luyện.
Đẩy trí tuệ lên trên, đẩy thi hành xuống dưới
Một trong những câu đáng nhớ nhất khi bàn về kiến trúc agent là, push intelligence up, push execution down. Dịch sang tiếng Việt, có thể hiểu là đẩy trí tuệ lên trên, đẩy thi hành xuống dưới.
Câu này nghe đơn giản, nhưng thực ra nó vạch ra ranh giới căn bản giữa hai miền trong mọi hệ thống AI. Miền thứ nhất là không gian tiềm ẩn, latent space, nơi mô hình thực hiện những việc đòi hỏi phán đoán, trực giác, tổng hợp, nhận ra mẫu hình, đọc mâu thuẫn và suy luận trong bối cảnh bất định. Miền thứ hai là không gian xác định, deterministic space, nơi hệ thống cần đầu ra ổn định, có thể kiểm chứng, cùng đầu vào thì phải ra cùng kết quả, như tính toán, truy vấn cơ sở dữ liệu, gọi lệnh, chạy chương trình, tối ưu ràng buộc hay kiểm tra điều kiện.
Sai lầm phổ biến nhất trong thiết kế agent là lẫn lộn hai miền này. Người ta bắt mô hình làm những việc đáng ra nên giao cho thuật toán xác định, rồi thất vọng khi nó cho ra một kết quả nghe có vẻ hợp lý nhưng sai ở bản chất. Đồng thời, người ta lại cố gói quá nhiều logic cứng và quá nhiều thao tác vụn vặt vào phần bao quanh mô hình, biến bộ khung thành một mê cung vận hành vừa chậm, vừa tốn token, vừa dễ vỡ.
Một hệ thống tốt thì ngược lại. Những gì cần trí tuệ, hãy để mô hình lo. Những gì cần độ tin cậy, hãy giao cho lớp xác định. AI dùng để đọc, hiểu, phán đoán, diễn giải, khám phá cấu trúc ẩn. Máy dùng để thi hành, kiểm tra, sắp xếp, tính toán, đối chiếu và chứng minh. Đây không chỉ là nguyên tắc kỹ thuật, mà còn là một biểu hiện của sự tiết chế trí tuệ, biết cái gì thuộc về sức mạnh của model, cái gì thuộc về sức mạnh của máy.
Skill không phải prompt, mà là năng lực được đóng gói
Điểm đặc sắc trong cách Garry Tan nhìn vấn đề là ông không xem skill như một prompt dài hơn. Skill, theo nghĩa đúng, gần với một phương pháp hơn là một câu lệnh. Nó mô tả cách tiếp cận, trình tự tư duy, các bước điều tra, tiêu chí đánh giá, nguyên tắc tranh luận hai chiều, cách đọc tài liệu, cách chưng cất thông tin, và cách đi tới kết luận. Người dùng cung cấp bài toán, còn skill cung cấp quá trình.
Ở đây ta thấy một chuyển động rất lớn của thời đại agent. Chúng ta đang rời khỏi giai đoạn viết prompt như những câu thần chú ngắn hạn, để đi sang giai đoạn đóng gói tri thức thao tác thành tài sản có thể tái sử dụng. Một skill tốt giống như một thủ tục nghề nghiệp đã được kết tinh. Nó mang dấu vết của kinh nghiệm, của thất bại trước đó, của những ngoại lệ đã từng gặp, của các lối tắt và các cảnh báo. Khi một đội ngũ làm việc đủ lâu với AI và biết chưng cất bài học thành skill, họ không còn làm việc với mô hình như người mới cầm một dụng cụ lạ, mà đang dần huấn luyện cho hệ thống cách làm việc theo phong cách riêng của tổ chức mình.
Tôi cho rằng đây là chỗ rất đáng suy nghĩ với doanh nghiệp Việt Nam. Nhiều nơi nói nhiều về ứng dụng AI, nhưng thực chất mới dừng ở việc thử vài công cụ hoặc viết vài prompt. Điều còn thiếu không phải là thêm một subscription, mà là kỷ luật đóng gói tri thức nội bộ thành kỹ năng có thể gọi lại. Khi chưa làm được việc ấy, tổ chức vẫn đang sống dựa vào hứng khởi và tài ứng biến của từng cá nhân. Khi đã làm được, tổ chức bắt đầu chuyển từ sử dụng AI sang sở hữu năng lực AI.
Resolver, ký ức có chọn lọc và nghệ thuật tiết kiệm sự chú ý
Một điểm rất sâu trong lập luận của Garry Tan là vai trò của resolver, tức cơ chế định tuyến ngữ cảnh. Skill cho mô hình biết phải làm như thế nào. Resolver cho mô hình biết lúc nào cần nạp tài liệu gì, trong tình huống nào phải đọc nguồn nào trước. Đó là cách hệ thống đưa đúng tri thức vào đúng thời điểm.
Chi tiết này rất quan trọng, vì vấn đề lớn của AI agent không phải lúc nào cũng là thiếu thông tin, mà nhiều khi là thừa thông tin. Một mô hình không chết vì nghèo dữ liệu, nó thường chết vì bị nhấn chìm trong dữ liệu không đúng lúc. Chú ý, attention, là tài nguyên đắt nhất. Mọi thứ đổ hết vào cửa sổ ngữ cảnh sẽ nhanh chóng làm hệ thống mất sắc bén. Ta tưởng mình đang cung cấp đầy đủ tri thức, nhưng thực chất đang làm loãng khả năng tập trung.
Bởi vậy, hệ thống trưởng thành không nhồi toàn bộ tri thức vào một tệp chỉ dẫn khổng lồ. Nó dùng các chỉ dấu, mô tả và resolver để nạp đúng phần cần thiết khi có tín hiệu phù hợp. Đây là một nguyên tắc nghe rất kỹ thuật, nhưng thực ra khá gần với triết học sống. Người khôn ngoan không mang mọi thứ trong đầu mọi lúc. Họ biết điều gì quan trọng ở thời điểm này và biết gọi lại kinh nghiệm phù hợp khi hoàn cảnh yêu cầu. Ký ức hữu ích không phải ký ức chứa tất cả, mà là ký ức biết truy hồi đúng lúc.
Diarization, bước chưng cất khiến AI trở nên hữu ích cho lao động tri thức
Trong số các khái niệm được nêu ra, diarization có lẽ là từ ít quen thuộc hơn, nhưng lại là một bước cực kỳ mạnh. Hiểu đơn giản, đó là quá trình mô hình đọc rất nhiều tài liệu về một chủ thể hay một vấn đề, rồi viết ra một hồ sơ có cấu trúc, tóm tắt được điều cốt lõi, những thay đổi theo thời gian, các mâu thuẫn, khoảng cách giữa lời nói và hành động, và những nét nổi bật mà một phép tìm kiếm thông thường không lôi ra nổi.
Điểm hay ở đây là không một câu truy vấn SQL nào tự sinh ra được loại tri thức ấy. Một hệ thống truy xuất tăng cường bằng truy hồi, retrieval augmented generation, cũng không tự động tạo ra được mức độ hiểu biết này nếu mô hình chưa thực sự đọc, đối chiếu và kết tinh. Diarization gần hơn với việc viết một brief của nhà phân tích, chứ không phải trả lời một câu hỏi từ cơ sở dữ liệu. Nó đòi hỏi mô hình giữ nhiều tài liệu trong tâm trí, phát hiện điều gì lặp lại, điều gì thay đổi, điều gì bị che khuất và điều gì là khoảng trống đáng chú ý.
Ở đây ta thấy rõ ranh giới của AI hữu ích. Một hệ thống muốn đi vào lao động tri thức thực thụ thì không thể chỉ dừng ở tìm và ghép. Nó phải đi đến mức đọc và chưng cất. Khi làm được điều này, AI không còn là một công cụ trả lời nữa, mà bắt đầu trở thành một phụ tá phân tích.
Vòng lặp tự cải tiến, từ công cụ sang hệ thống biết học
Hình minh họa thứ tư, với chu trình investigation, diarization, rewriting skill, là phần khiến tôi chú ý nhất. Nó chỉ ra rằng giá trị cao nhất của agent không nằm ở từng lần chạy riêng lẻ, mà nằm ở khả năng đọc lại chính kết quả của mình, phát hiện mẫu hình từ các phản hồi chưa tốt, rồi viết lại kỹ năng để lần sau làm tốt hơn.
Đây là một bước tiến rất lớn so với cách nhiều người đang dùng AI hiện nay. Phần lớn vẫn ở chế độ hỏi và đáp, thất bại thì sửa prompt, may mắn thì lưu lại đâu đó, còn hệ thống thì không thực sự học được gì. Trong khi đó, kiến trúc mà Garry Tan mô tả nhắm tới một dạng phản thân, tức hệ thống có thể quan sát những lần mình làm chưa đạt, chưng cất nguyên nhân, biến kinh nghiệm ấy thành quy tắc mới, và nạp ngược vào skill. Khi đó, skill không còn là tài liệu tĩnh, mà trở thành nơi tích lũy học hỏi.
Điều này có ý nghĩa triết học rất mạnh. Nó gợi nhớ đến việc con người trưởng thành bằng phản tỉnh. Ta không chỉ sống, mà còn nhìn lại đời sống của mình, nhận ra chỗ nào còn kém, rút thành nguyên tắc, rồi đem nguyên tắc ấy quay lại định hướng hành vi sau này. Một agent biết viết lại skill của chính mình, dĩ nhiên chưa phải là một chủ thể đạo đức, nhưng nó đã tiến thêm một bước từ công cụ sang hệ thống có cơ chế học tập. Và đó chính là nơi sức mạnh bắt đầu cộng dồn.
Đây không chỉ là chuyện code, mà là chuyện tổ chức
Nếu chỉ đọc bề mặt, người ta có thể tưởng thin harness, fat skills là một khẩu hiệu dành riêng cho dân làm AI coding agent. Tôi nghĩ như vậy là quá hẹp. Thực ra, nó còn là một triết lý tổ chức.
Một tổ chức trưởng thành cũng cần một bộ harness mỏng, tức cấu trúc điều hành không nên phình to đến mức bóp nghẹt sự linh hoạt. Nhưng đồng thời, tổ chức ấy phải có fat skills, nghĩa là có năng lực cốt lõi thật dày, có quy trình thật vững, có tri thức ngầm được làm rõ, có chuẩn thực hành được chưng cất từ kinh nghiệm, và có cơ chế cập nhật những chuẩn ấy theo thực tế mới. Khi đó, tổ chức không còn sống bằng sự anh hùng cá nhân hay vài cú bùng nổ ngẫu hứng, mà sống bằng năng lực tích lũy.
Nhìn từ góc độ này, thin harness, fat skills không chỉ là một lựa chọn thiết kế agent. Nó là cách nghĩ về quản trị tri thức, về đào tạo nhân lực, về phát triển năng lực tổ chức trong kỷ nguyên AI. Một doanh nghiệp không thể chỉ mua mô hình rồi hy vọng năng suất tự tăng. Điều họ cần là xác định đâu là phần phán đoán cần tăng cường bằng AI, đâu là phần thi hành phải chuẩn hóa bằng công cụ xác định, và đâu là những kỹ năng phải được đóng gói, viết lại, dạy lại, để trở thành tài sản lâu dài của tổ chức.
Từ prompt đến phẩm chất của hệ thống
Nếu phải rút toàn bộ câu chuyện này về một nhận định ngắn, tôi sẽ nói thế này, tương lai không thuộc về những ai chỉ có model tốt hơn, mà thuộc về những ai biết biến kinh nghiệm thành skill, skill thành hệ thống, và hệ thống thành một vòng lặp tự cải tiến.
Đó là chỗ mà năng suất gấp mười, gấp trăm không còn là lời quảng cáo. Nó trở thành hệ quả tự nhiên của một kiến trúc đúng. Cũng như trong triết học Khắc kỷ, sức mạnh không đến từ cảm hứng nhất thời, mà đến từ việc xây dựng cấu trúc giúp điều đúng được lặp lại, AI agent mạnh không đến từ một vài khoảnh khắc lóe sáng của mô hình, mà từ kỷ luật biến những lần làm đúng thành năng lực bền vững.
Vì thế, điều đáng học ở đây không chỉ là một mẹo xây agent.
Với một bài viết dạng Substack, tôi muốn nhấn thêm một ý. Những tranh luận về mô hình nào dẫn đầu, benchmark nào vừa bị vượt qua, hay công ty nào tung ra bản cập nhật mới nhất, dĩ nhiên vẫn quan trọng. Nhưng ở tầng sâu hơn, đó chỉ là mặt nước. Phần chìm của tảng băng là kiến trúc tri thức mà mỗi cá nhân và tổ chức đang âm thầm xây dựng quanh AI. Chính phần chìm ấy mới quyết định ai chỉ theo dõi làn sóng, và ai thực sự biết cưỡi lên làn sóng đó. Điều đáng học là một triết lý, trí tuệ phải được đặt vào đúng chỗ, thi hành phải được đặt vào đúng chỗ, còn tăng trưởng phải đến từ khả năng học lại chính mình.
Khi nhìn như vậy, thin harness, fat skills không còn là một khẩu hiệu kỹ thuật. Nó trở thành một nguyên tắc tổ chức cho thời đại AI, nơi lợi thế cạnh tranh sẽ thuộc về những ai biết thiết kế không chỉ công cụ, mà cả phẩm chất của hệ thống.