Có 3 lớp trong một hệ thống AI Agent mà rất nhiều người đang nhầm lẫn: Harness, Loop và Graph.
Cả ba đều nằm xung quanh model, đều ảnh hưởng đến độ tin cậy và đều có thể chứa vòng lặp. Nhưng mỗi lớp giải quyết một vấn đề khác nhau. Cách nhớ ngắn nhất là: > Harness tạo môi trường. Loop tạo phản hồi. Graph kiểm soát luồng. Harness là toàn bộ môi trường làm việc được xây xung quanh model. Một model tự nó không thể đọc file, mở trình duyệt, gọi API, chạy test, ghi nhớ tiến độ hay kiểm soát quyền truy cập. Những khả năng này đến từ hệ thống công cụ, dữ liệu, bộ nhớ, sandbox, quyền hạn và log mà chúng ta cung cấp. Nếu agent không truy cập được dữ liệu, dùng sai công cụ hoặc quên những gì đã làm ở phiên trước, vấn đề thường nằm ở harness chứ chưa chắc do model yếu. Loop là cách hệ thống tạo ra vòng phản hồi có kiểm chứng. Agent thực hiện một việc, kiểm tra kết quả, nhận phản hồi, sửa lại rồi tiếp tục. Nhưng điểm quan trọng không phải là cho AI lặp thật nhiều, mà là xác định bằng chứng nào chứng minh công việc đã hoàn thành. “AI nói đã xong” chưa phải bằng chứng. Test đã pass, liên kết hoạt động, schema hợp lệ hoặc con người đã phê duyệt mới là điều kiện dừng đáng tin cậy. Một loop tốt cũng cần giới hạn số lần thử, thời gian và chi phí để tránh biến thành vòng lặp đốt token. Graph trả lời một câu hỏi khác: sau bước này, thành phần nào được phép chạy tiếp? Ví dụ, một hệ thống sản xuất nội dung có thể đi từ nghiên cứu đến viết nháp, kiểm chứng, phê duyệt rồi mới xuất bản. Nếu dữ kiện không đạt, bài quay lại bước viết. Nếu cần làm cả video và landing page, hai nhánh có thể chạy song song rồi hợp nhất. Graph hữu ích khi có nhiều agent, nhiều nhánh hoặc nhiều điểm quyết định. Nhưng nếu một agent và vài công cụ đã đủ giải quyết công việc, chưa cần biến nó thành một sơ đồ phức tạp. Ba lớp này thực tế lồng vào nhau. Graph vận hành bên trong harness. Loop có thể nằm trong từng bước của graph. Harness cung cấp công cụ và trạng thái để cả hai hoạt động. Hiểu được sự khác biệt này giúp chúng ta chẩn đoán đúng hơn: Nếu agent thiếu công cụ hoặc quên tiến độ, hãy xem lại Harness. Nếu kết quả gần đúng nhưng thiếu ổn định, hãy thêm Loop kiểm chứng. Nếu nhiều agent phối hợp sai thứ tự hoặc workflow có quá nhiều nhánh, đó mới là lúc cần Graph. Một hệ thống AI Agent tốt không phải là hệ thống có nhiều model, nhiều tool hay nhiều node nhất. Đó là hệ thống mà model được đặt trong đúng môi trường, nhận phản hồi dựa trên bằng chứng và đi theo một luồng thực thi phù hợp. Mình vừa viết một bài phân tích chi tiết hơn về chủ đề này, kèm bảng so sánh và 6 sơ đồ đã Việt hóa để mọi người dễ hình dung. Link bài mình để dưới phần bình luận 👇
