AI coding agent lỗi không phải vì mô hình yếu, mà vì thiếu hạ tầng "harness"
AI coding agent là chương trình dùng mô hình sinh ngôn ngữ để đọc, sửa, viết code và tương tác với hệ thống phát triển phần mềm, nhưng nếu không được đặt trong một môi trường có cấu trúc rõ ràng với quy tắc, công cụ và vòng phản hồi phù hợp, nó sẽ dễ lặp lại cùng một lỗi, bỏ sót ngữ cảnh và tạo ra công việc phát sinh cho kỹ sư thay vì tự động hóa hiệu quả. Các đội kỹ thuật đang dần nhận ra rằng vấn đề lớn nhất không nằm ở bản thân mô hình mà ở cách chúng ta xây dựng "harness" – toàn bộ kiến trúc bao quanh AI agent từ prompt, cấu hình, quyền truy cập công cụ đến quy trình kiểm tra kết quả. Khi harness yếu, cùng một lỗi sẽ lặp lại dù bạn nâng cấp model. Ngược lại, một harness tốt có thể biến công việc tiêu chuẩn, nhàm chán thành luồng tự động hóa kỹ thuật đáng tin cậy, nơi con người chỉ cần ra quyết định thay vì làm tay từng bước.
Một ví dụ: tự động hóa xử lý lỗ hổng bảo mật với kiến trúc ba tầng
Một hệ thống tự động hóa kỹ thuật phục vụ xử lý lỗ hổng bảo mật được xây dựng dựa trên ba thành phần: dispatcher tìm việc, coding agent thực thi và closer hoàn tất vòng đời công việc. Đây là minh chứng sống động cho việc AI agent environment quan trọng thế nào đối với kết quả tự động hóa. Trong thực tế, hệ thống này thay đổi hẳn trải nghiệm của kỹ sư: thay vì nhận thông báo ticket sắp trễ SLA rồi phải tự tìm thời gian, đọc ticket, sửa code, chạy test, mở PR và quay lại đóng ticket, họ giờ đây "nhận sẵn PR, review, rồi merge" – mọi thứ còn lại được xử lý tự động. Chỉ riêng từ tháng 5 đến tháng 7 năm 2026, hệ thống đã xử lý hơn 120 lỗ hổng bảo mật, với hơn 55 pull request tự động được merge và đạt tỷ lệ merge lần đầu 95%, không cần làm lại hay sửa test.
| Giai đoạn | Trước tự động hóa | Sau tự động hóa |
|---|---|---|
| Nhận việc | Thông báo ticket sắp quá hạn SLA | Nhận PR đã sẵn sàng review |
| Thực thi | Đọc ticket, sửa code, chạy test, mở PR, theo dõi deploy | Review và merge PR, phần còn lại chạy tự động |
| Kết quả | Backlog tích tụ, kỹ sư làm lớp thực thi | Backlog được xả liên tục, kỹ sư tập trung vào ra quyết định |
Harness engineering: prompts, guide và sensor quan trọng hơn đổi model
Trong ví dụ trên, nhà thiết kế hệ thống coi prompts là trung tâm: "The prompts are the system. They encode institutional knowledge in a form that’s versioned, reviewable, and improvable. Invest here first, everything else is infrastructure." Nói cách khác, harness engineering – cách chúng ta mã hóa kinh nghiệm của đội vào guide và sensor – quyết định việc lặp lại lỗi AI có giảm hay không. Ở lớp guide, dispatcher được mô tả như một agent có quy trình rõ: Fetch để lấy các item việc trong cửa sổ thời gian, Classify để tách việc tự động được khỏi việc cần phán đoán con người, Deduplicate and batch để gộp các item cùng bản chất thay đổi, và Dispatch để chạy coding agent với đúng ngữ cảnh. Đây không phải một rule forwarding đơn giản mà là thiết kế chủ động, ngăn AI coding agent lỗi theo kiểu bắn PR cho mọi ticket thiếu chọn lọc.
Kỹ sư phải liên tục cải tiến khung, không sửa lỗi từng lần
Một điểm quan trọng trong harness engineering là thái độ: khi thấy lặp lại lỗi AI, đừng chữa cháy từng trường hợp rồi thôi, hãy xem đó là tín hiệu môi trường cần được chỉnh. Những gì con người từng làm "tự nhiên" – đánh giá tính dễ bảo trì, tuân thủ thiết kế, xem phần mềm có hoạt động đúng yêu cầu – phải được trích ra thành quy tắc và kiểm tra mà AI có thể dùng. Ở phía coding agent, cấu trúc prompt được thiết kế để mảnh AI này "đọc item được dispatcher chuyển sang, gọi skill fix-vulnerability, rồi báo cáo kết quả và link pull request". Kỹ sư có thể dùng cùng skill đó trong phiên làm việc tương tác, nghĩa là cùng một nguồn tri thức được dùng cho cả tự động hóa và thao tác thủ công. Khi phát hiện kiểu lỗi lặp, thay vì nhắc AI bằng lời, họ cập nhật skill và prompt – sửa harness – để lần chạy sau tránh được. Môi trường cũng phải được thiết kế để việc chạy lại luôn an toàn: pipeline hàng ngày cần idempotent, dùng trạng thái hiện có của hệ thống – ticket, label, PR – làm nguồn sự thật để chạy lại không gây hại.
Tự động hóa kỹ thuật thành công nhờ môi trường được thiết kế bài bản
Bài học lớn từ các hệ thống agentic automation là: tự động hóa kỹ thuật thành công nhờ AI agent environment được thiết kế và cải tiến liên tục, không chỉ nhờ model mạnh. Khi prompts đóng vai trò hệ thống, được version, review và cải thiện như code, chúng trở thành nơi tích lũy kinh nghiệm của đội thay vì chỉ là lời nhắc tạm thời. Ở góc nhìn của nhà phát triển, harness engineering chính là nỗ lực biến một phần phán đoán từng được con người làm trong đầu thành quy tắc và kiểm tra để AI có thể dùng. Dù không thể thay thế mọi quyết định, họ có thể mở rộng những gì giao cho AI: từ kiểm tra, sửa mã đến đóng vòng đời ticket, để con người tập trung vào vấn đề khó và "trở thành lớp ra quyết định" thay vì lớp thực thi. Nếu bạn đang thấy lặp lại lỗi AI trong team, hãy dừng việc đổ lỗi cho model. Nhìn lại kiến trúc quanh agent: dispatcher, prompt, skill, test, quy trình rerun. Ở đó mới là nơi đáng đầu tư đầu tiên.
