YC định nghĩa năm hình thức cốt lõi của AI Agent
Tác giả gốc: Taylor Pearson
Dịch: Peggy
Chú ý của biên tập: Khi AI Agent chuyển từ Prompt một lần và vibe coding sang giai đoạn làm việc phức tạp hơn, vấn đề quan trọng thực sự không còn là "mô hình có thể hoàn thành công việc" nữa mà là "có thể biến khả năng AI thành tài sản quy trình có thể tái sử dụng, tích luỹ được".
Bài viết này xuất phát từ GBrain của Garry Tan, tóm lược những hình thái cốt lõi mà nhiều người ngày nay đã dần hội tụ trong việc sử dụng các công cụ Agent như Codex, Claude Code, Hermes: Kỹ năng có thể tham số hóa, Khung thực thi nhẹ Thin Harness, Bộ giải quyết Routes, Lớp thực thi phân biệt giữa đánh giá mô hình và mã xác định, và Bộ nhớ dùng để tích luỹ ngữ cảnh dài hạn.
Các module này kết hợp lại trỏ về một loại "Khả năng quy trình" mới: Biến kinh nghiệm thành quy trình, trừu tượng hóa công việc thành tham số, giao cho mã quy tắc ổn định, giao phần đánh giá và tổng hợp cho mô hình, sau đó thông qua lớp ghi nhớ để tiếp tục tích luỹ. So với ứng dụng hoặc gợi ý được tạo ra một lần, hệ thống này khó sao chép hơn và cũng có thể đóng vai trò nền tảng giúp cá nhân, nhóm nhỏ hay thậm chí là công ty xây dựng ưu thế cạnh tranh dài hạn trong thời đại AI.
Dưới đây là bản gốc:
Tôi đã dành một thời gian nghiên cứu về GBrain của Garry Tan. Là người không có lý thuyết về công nghệ và cũng không làm việc trong ngành đầu tư tư nhân, tôi muốn rút trích những cấu trúc phổ biến mà tôi thấy trong đó, cùng với điểm thú vị thực sự của nó.
Tôi nghĩ rằng nhiều người dần hội tụ vào cùng một nhóm cấu trúc cốt lõi. Chúng có thể tóm lược thành 5 dạng, đồng thời đại diện cho hướng tiếp cận tự nhiên hóa trong cách sử dụng các công cụ AI dạng Agent như Codex, Claude Code, Hermes, OpenClaw.
Đọc thêm: "《Thin Harness, Fat Skill: Nguồn gốc thực sự của năng suất AI cao gấp 100 lần》
Kỹ năng: Từ SOP đến "Gọi phương thức"
Kỹ năng gần như là điểm xuất phát tự nhiên của mọi người. Ngay cả khi không có ai nhắc, người dùng cũng sẽ tự động xây dựng nó, vì hình thức của nó rất quen thuộc. Ban đầu, tôi hiểu nó như một SOP, nghĩa là quy trình hoạt động tiêu chuẩn được sử dụng để hoàn thành một công việc nào đó. Người dùng cung cấp "cần làm cái gì", Kỹ năng cung cấp "làm thế nào".
Điểm quan của Tan là, Kỹ năng (Skill) giống như một lần「Gọi phương thức」. Trong lập trình, việc gọi phương thức đề cập đến việc gọi một quy trình chương trình với tham số. Mã giống nhau sẽ chạy mỗi lần, sự thay đổi đến từ các tham số: dữ liệu gì, vấn đề gì, mục tiêu gì. Ví dụ, một hàm process_invoice có thể xử lý mọi hóa đơn trong hệ thống, không chỉ hóa đơn mà nó được viết ban đầu.
Kỹ năng cũng có cấu trúc tương tự. Một Kỹ năng có tên là /investigate có thể bao gồm bảy bước cố định, bảy bước này không thay đổi. Thay đổi đến từ các tham số: MỤC TIÊU (đối tượng điều tra là ai hoặc cái gì), CÂU HỎI (bạn muốn tìm hiểu điều gì), BỘ DỮ LIỆU (lấy thông tin từ đâu). Khi áp dụng vào một trường hợp báo cáo vi phạm trong ngành y tế, nó giống như nhà phân tích nghiên cứu; áp dụng vào tài liệu báo cáo cho SEC, nó giống như một nhà điều tra pháp lý. Cùng một tài liệu, cùng bảy bước, sự khác biệt đến từ thế giới bên ngoài cung cấp.
Dễ biết đây khác với SOP truyền thống. Hầu hết các SOP thường được viết cho một vị trí hoặc nhiệm vụ cụ thể, như "Xử lý công nợ". Mỗi trường hợp sử dụng tương ứng với một luồng công việc riêng. Trong khi đó, mức trừu tượng của Kỹ năng cao hơn, một luồng công việc có thể xử lý một loại vấn đề. Một Kỹ năng thiết kế tốt có thể hoàn thành công việc của hàng chục SOP, vì thông tin cụ thể của các trường hợp đã được trích xuất khỏi tài liệu và chuyển sang các tham số. Trên thực tế, một số Kỹ năng gần với SOP hơn, trong khi một số khác gần với việc gọi phương thức.
Thin Harness: Mô hình là trí tuệ, Harness là bàn tay chân
Mô hình, như Opus, GPT-5.5 v.v., là trí tuệ gốc; Harness, như Claude Code, Codex CLI, Hermes, OpenClaw, thì là khung thực thi giúp mô hình thực sự có「bàn tay chân」. Chúng chịu trách nhiệm vòng lặp thực thi, đọc viết tệp, quản lý ngữ cảnh, thực hiện ràng buộc an ninh. Mã lõi của chúng chỉ mất khoảng 200 dòng.
Garry đã đề cập, sai lầm mà hầu hết mọi người mắc phải là liên tục đổ thêm nhiều thứ vào Harness, tôi cũng vậy. Cuối cùng, tôi đã tích luỹ 100 định nghĩa công cụ, cùng với đống máy chủ MCP. Kết quả là, cửa sổ ngữ cảnh bị lấp đầy bởi hàng loạt hướng dẫn công cụ hiện tại không cần thiết cho nhiệm vụ hiện tại. Mô hình bắt đầu nhầm lẫn về việc nào nên sử dụng công cụ nào, độ trễ tăng lên, độ chính xác giảm, cuối cùng dẫn đến hiện tượng「cô đặc ngữ cảnh」.
Resolvers: Sử dụng bảng định tuyến để giải quyết cô đặc ngữ cảnh
Cách giải quyết hiện tượng phân hủy ngữ cảnh là thiết lập một bảng định tuyến. Vai trò của Resolver là ánh xạ rõ ràng từ "loại công việc X vừa vào" sang "nên gọi Kỹ năng Y". Khi bạn chỉ có 5 Kỹ năng, bạn không cần Resolver; nhưng khi bạn có 100 Kỹ năng, các mô tả khác nhau sẽ trở nên mơ hồ, mô hình dễ dàng không thể kích hoạt đúng Kỹ năng vào thời điểm đúng. Resolver sử dụng các quy tắc rõ ràng thay vì so khớp mẫu mơ hồ.
Tan cũng đã triển khai một cơ chế tương tự Resolver cho tệp: một bảng định tuyến độc lập, quyết định đầu ra của một Kỹ năng nào sẽ đi vào vị trí nào trong hệ thống tệp. Đây là cùng một cấu trúc "Kiểm toán—Định tuyến" được áp dụng vào một vấn đề khác. Nhờ đó, đầu ra sẽ ổn định đi vào thư mục đúng, thay vì đi vào vị trí mà mô hình đoán đúng tạm thời.
Skillify là một cách tiếp cận bổ sung của ông: đó là một vòng lặp chất lượng giúp biến Kỹ năng một lần sử dụng thành cơ sở hạ tầng có thể tái sử dụng lâu dài. Quy trình 10 bước của Tan bao gồm: xác định hợp đồng, sử dụng mã cố định tại các vị trí phù hợp, kiểm thử đơn vị, kiểm thử tích hợp, đánh giá LLM như một trọng tài, mục nhập Resolver, kịch bản kiểm toán, kiểm tra xem những Kỹ năng nào không có đường đi gọi, và kiểm thử mùi hồi từ đầu đến cuối. Tiêu chí kiểm thử rất đơn giản: nếu bạn phải hỏi lại mô hình cùng một câu hỏi hai lần, thì đó là thất bại.
Ẩn vs. Xác định: Để mô hình quyết định, để hệ thống xác định
Cần phải phân biệt một cách nghiêm túc công việc nào nên để LLM thực hiện, công việc nào nên để hệ thống xác định. LLM giỏi trong việc đánh giá, tổng hợp, nhận diện mẫu và đọc hiểu ý ngoại ngữ; nhưng nó không giỏi về toán học, tối ưu hóa tổ hợp, cũng như không phù hợp với bất kỳ công việc nào cần phải đưa ra cùng một câu trả lời mỗi lần. LLM về bản chất là xác suất, khi giải quyết được vấn đề bằng cách xác định, bạn không nên sử dụng LLM.
Đa số những người không có nền kỹ thuật thường đánh giá thấp giá trị của tầng xác định. Phản ứng mặc định của mọi người là đẩy mọi thứ cho mô hình. Nhưng nếu một công việc có thể được hoàn thành theo cách xác định, gần như luôn nên làm như vậy. Và bạn không cần phải là một lập trình viên, vì mô hình có thể viết mã thay bạn. Điều thực sự cần đào tạo là một loại kỷ luật: luôn tự hỏi, công việc này có thể được thực hiện bằng mã một cách ổn định, chi phí thấp không? Nếu câu trả lời là có, hãy để mô hình viết đoạn mã đó ra.
Bộ nhớ: Cho phép hệ thống tích luỹ thực sự
Để hệ thống trở nên hữu ích, nó phải có một dạng bộ nhớ nào đó. Tôi vẫn chưa chắc chắn dạng hình đúng nhất là gì, hiện nay nhiều người đang xây dựng theo cách khác nhau: nhúng vector, tương đồng ngữ nghĩa, đồ thị tri thức, lưu trữ kết hợp, v.v. Phương pháp của Tan và tôi giống nhau: đó là một thư mục markdown.
Cấu trúc của anh ấy là: mỗi người trên một trang, mỗi công ty trên một trang, mỗi khái niệm trên một trang. Đầu trang mỗi trang là "Kết luận đáng tin cậy hiện tại", tức là một đánh giá tổng hợp liên tục được viết lại và cập nhật với bằng chứng mới; cuối trang là một dòng thời gian chỉ thêm vào, không ghi đè.
Chọn markdown sẽ mang lại một số kết quả. Đầu tiên, tệp đó chính là hồ sơ chính của hệ thống, không phải là kết quả xuất. Bạn có thể mở nó trong VS Code, chỉnh sửa thủ công, và Agent sẽ tự động đọc những thay đổi đó. Thứ hai, mối quan hệ có kiểu, như works_at, invested_in, founded, attended, advises, sẽ được trích xuất tự động thông qua biểu thức chính quy mỗi khi ghi, do đó đồ thị tri thức có thể kết nối mà không phải tiêu tốn token. Schema cụ thể này rất phù hợp với công việc của anh ấy, nhưng đối với người khác, có thể cần tùy chỉnh lại dựa trên ngành nghề và tình huống kinh doanh của họ.
Ngoài ra, còn một bộ dò tín hiệu đang chạy ngầm. Mỗi khi một người được đề cập một lần, một trang gạch chân sẽ được tạo ra; nếu anh ấy được đề cập từ nhiều nguồn ba lần, thì sẽ kích hoạt việc bổ sung thông tin trang web; sau khi một cuộc họp kết thúc, quy trình đầy đủ sẽ chạy. Chu kỳ "mơ cảm giác" ban đêm sẽ quét cuộc trò chuyện, bổ sung thông tin thực thể lỗi thời và sửa chữa tham chiếu không đúng. Tầng cơ bản là văn bản, mọi thứ ở trên tầng này đều rẻ và có thể kết hợp.
Tất nhiên, ở tầng dưới vẫn còn nhiều chi tiết hơn, nhưng theo tôi, đây là những đường nét quan trọng nhất trong đó, và chúng đến một mức độ khá chung chung.
Tôi thực sự đã xây dựng khoảng một nửa cấu trúc như vậy. Trước đây chưa đạt được quy mô cần phải giới thiệu Resolver thực sự, nhưng hiện tại đã đạt được điều này, vì vậy tôi vừa thực hiện một vòng tái cấu trúc nhỏ, biến hệ thống của mình trở thành không phụ thuộc vào mô hình và tích hợp Resolver. Điểm quan trọng mà tôi vẫn chưa xây dựng là bộ dò tín hiệu chạy tự động ở nền và chu kỳ mơ ban đêm, tức cơ chế tự động bổ sung và sắp xếp thông tin, đó là phần mà tôi muốn thử nghiệm bổ sung tiếp theo.
Tôi nghi ngờ, các nhà xây dựng khác nhau đều đang hội tụ vào một cấu trúc tương tự, đó là một dấu hiệu: dạng này mặc dù không chắc chắn phù hợp với tất cả mọi người, nhưng tổng quát có khả năng hữu ích. Ngay cả khi có sự khác biệt quan trọng về chi tiết triển khai cụ thể, nhưng cấu trúc tổng thể này, đang được ngày càng nhiều người độc lập khám phá.
Câu hỏi cuối cùng mà tôi luôn tự hỏi bản thân là: Làm thế nào để sử dụng trí tuệ nhân tạo để xây dựng ưu thế cạnh tranh bền vững?
Mọi người đều rất hứng thú với ứng dụng được lập trình theo cảm hứng và prompt một lần, điều này tất nhiên rất tuyệt vời. Ngay từ đầu tôi cũng bắt đầu chơi với điều này và từ đó mà tham gia. Nhưng bất cứ điều gì được xây dựng thông qua prompt một lần, giá cân bằng của nó cuối cùng sẽ giảm xuống đến giá trị token cần thiết để xây dựng nó, tức là vài xu Mỹ.
Ví dụ, một người đã sao chép MyFitnessPal, bán với giá rẻ hơn và kiếm được 1 triệu đô la, điều này tất nhiên rất ấn tượng. Nhưng sớm hay muộn sẽ có người sao chép nó một lần nữa và bán với giá thấp hơn. Vòng lặp này sẽ tiếp tục cho đến khi không còn không gian lợi nhuận.
Điều thực sự bền vững, là một cái gì đó gọi là "sức mạnh quy trình". Theo khung 7 Powers của Hamilton Helmer, điều ngầm định của cấu trúc trên là chính là sức mạnh quy trình.
"7 Powers" đề cập, lý do mà các doanh nghiệp có thể duy trì tỷ suất lợi nhuận cao hơn mức trung bình thị trường trong thời gian dài là vì họ sở hữu một trong bảy loại sức mạnh cấu trúc. Bất kỳ ưu thế nào không dựa trên những sức mạnh này, cuối cùng đều sẽ bị xói mòn bởi cạnh tranh.
Đối với các doanh nghiệp vừa và nhỏ cũng như các công ty mới thành lập, có năm trong bảy sức mạnh của Helmer mà cửa có thể đóng. Quy mô kinh tế yêu cầu quy mô; hiệu ứng mạng và chi phí chuyển đổi có thể xây dựng, nhưng đòi hỏi một cơ sở người dùng lớn trước; tài nguyên độc quyền thường ám chỉ bằng sở hữu bằng sáng chế hoặc tài sản tương tự, điều không phải là điều mà hầu hết các công ty có thể sở hữu; thương hiệu thường cần mất mười năm để tích lũy và không thể t shortcut.
Chỉ còn hai loại, đó là định vị đảo ngược và sức mạnh quy trình.
Định vị đảo ngược chỉ ra một mô hình kinh doanh mà các ông lớn hiện có không thể mô phỏng, vì nếu mô phỏng, sẽ tổn thương doanh nghiệp hiện có của họ. Cơ hội này đôi khi tồn tại, nhưng không phải lúc nào cũng có sẵn.
Vì vậy, con đường thực tế nhất chỉ để lại sức mạnh quy trình. Và một hệ thống trí tuệ nhân tạo được thiết kế tốt, chính là công cụ có thể tạo ra sức mạnh quy trình.
Điều này giống như việc xây dựng SOP chất lượng cao hoặc phần mềm độc quyền tự phát triển, bản chất chúng đều là một loại công việc: quy trình được mã hóa, trường hợp được tham số hóa, hệ thống xác định cụ thể ở tầng cơ bản nhanh chóng và đáng tin cậy, trong khi tầng nhớ liên tục bổ sung những gì đã học từ quá khứ. Điều này giúp "sản phẩm hóa dịch vụ" được mở rộng hơn: bạn có thể cung cấp một dịch vụ hoặc sản phẩm với chi phí thấp hơn hoặc chất lượng cao hơn, vì toàn bộ công việc đã được cấu trúc.
Hãy tưởng tượng một kế toán viên xây dựng một hệ thống như vậy. Tầng nhớ là một thư mục, mỗi khách hàng có một tệp markdown, bao gồm kết luận có thể tin cậy hiện tại, như cấu trúc thực thể, tư cách thuế hàng năm, kiểm toán đang diễn ra và một dòng thời gian ghi chép các cuộc họp, quyết định và thay đổi đã xảy ra.
Cô ấy có một số Kỹ năng, chẳng hạn như /year-end-review, /quarterly-estimate, /audit-prep. Cùng một quy trình có thể được thực thi với tham số hoá cho từng khách hàng khác nhau.
Cô ấy cũng có một tầng xác định, bao gồm bảng thuế, bảng khấu hao, tài liệu IRS, lịch sử thuế của khách hàng v.v.
Thêm vào đó là một cơ chế tương tự như việc tổ chức log hoặc chu kỳ mơ. Ví dụ, hệ thống tự động phát hiện vào ban đêm rằng phân phối K-1 của một đối tác đã giảm 40% mà không có thay đổi chiến lược; hoặc nhận thấy cấu trúc khấu trừ văn phòng gia đình của một khách hàng có thể chuyển sang một khách hàng khác, cấu trúc có thể tái sử dụng, nhưng danh tính và quyền riêng tư vẫn được giữ nguyên tại chỗ.
Điều này cho phép cô ấy thu thêm một khoản phí chênh lệch nhỏ, phục vụ nhiều khách hàng hơn mỗi năm, trong khi đối thủ khó mà sao chép, vì cấu trúc này không phải là điều xuất hiện từ hơi hơi sau khi cô ấy thành công, mà từ đầu đã được tích luỹ liên tục.
Nhìn từ bên ngoài, công cụ này chỉ là một thư mục markdown. Nhưng mỗi dòng trong mỗi tệp đều đến từ việc thử nghiệm, xây dựng và lặp lại cẩn thận. Điều tạo nên rào cản cạnh tranh thực sự không phải là tệp itu, mà là khả năng quy trình mà những tệp đó mang lại.
Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:
Nhóm Telegram đăng ký: https://t.me/theblockbeats
Nhóm Telegram thảo luận: https://t.me/BlockBeats_App
Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia
Bài viết liên quan
