0:00

8:20

Agent Harness explained in 8min..

Caleb Writes Code·8:20·Technology·B2

Chương · 4

Chương 1·Introduction to Agent Harness

Hiển thị

Tiếng ViệtAuto-scroll

0:00

Agent harness is just one of those terms that is so confusing to understand because of how broad and also specific the term harnessing actually is.

Agent harness là một trong những thuật ngữ khó hiểu vì tính rộng và cũng rất cụ thể của từ harnessing.

0:07

A common rhetoric out there is that harness refers to an environment for the agent, but that still doesn't really help us understand what it is and what it isn't.

Một quan niệm phổ biến là harness đề cập đến môi trường cho agent, nhưng điều đó vẫn không giúp chúng ta hiểu nó là gì và không phải là gì.

0:16

How exactly is harness engineering different from prompt

Kỹ thuật harness khác với prompt

0:19

engineering and context engineering?

engineering và context engineering như thế nào?

0:21

Welcome to Kelo Bright's Code where every second counts.

Chào mừng đến với Kelo Bright's Code, nơi mỗi giây đều có giá trị.

0:23

Quick shout out to Cursor, more on them later.

Nhanh chóng nhắc đến Cursor, sẽ nói thêm về họ sau.

0:26

To put it simply, harness engineering actually existed before the term harness was coined around early 2026.

Nói một cách đơn giản, harness engineering thực sự đã tồn tại trước khi thuật ngữ harness được đặt ra vào đầu năm 2026.

0:32

Shortly after the release of ChatGPT in 2022, we were dealing mostly in the context window of 4,000 tokens.

Ngay sau khi ChatGPT ra mắt vào năm 2022, chúng ta chủ yếu làm việc với cửa sổ ngữ cảnh 4.000 token.

0:38

And this small context window really limited our ability to do

Và cửa sổ ngữ cảnh nhỏ này thực sự hạn chế khả năng làm

0:42

anything substantial with it.

bất cứ điều gì đáng kể với nó.

0:43

And we could build an agent around this, but what we found is that simple prompting ChatGPT to get what we want to do just wasn't good enough.

Và chúng ta có thể xây dựng một agent xung quanh điều này, nhưng những gì chúng ta thấy là việc đơn giản nhắc ChatGPT để có được thứ mình muốn là chưa đủ tốt.

0:53

So, the question started to emerge on how to recycle this small memory space to effectively do more with less.

Vì vậy, câu hỏi bắt đầu xuất hiện về cách tái chế không gian bộ nhớ nhỏ này để làm được nhiều hơn với ít hơn.

1:00

So, we quickly expanded from prompt engineering to context engineering by using various techniques

Vì vậy, chúng ta nhanh chóng mở rộng từ prompt engineering sang context engineering bằng cách sử dụng các kỹ thuật khác nhau

1:05

like tool calling, MCP, and rag for the purpose of managing the context window more efficiently.

như tool calling, MCP và RAG nhằm quản lý cửa sổ ngữ cảnh hiệu quả hơn.

1:10

Tool calling allowed us to explore the repository and read only specific files that are relevant to the task at hand and creating actions externally.

Tool calling cho phép chúng ta khám phá kho lưu trữ và chỉ đọc các tệp cụ thể liên quan đến nhiệm vụ và tạo hành động bên ngoài.

1:19

MCP allowed vendor specific features to be added on top of the model.

MCP cho phép thêm các tính năng dành riêng cho nhà cung cấp lên trên mô hình.

1:24

And finally, rag allowed custom databases to be connected for an

Và cuối cùng, RAG cho phép kết nối cơ sở dữ liệu tùy chỉnh để có

1:28

on-demand data to be available at any time.

dữ liệu theo yêu cầu bất cứ lúc nào.

1:30

All these techniques gave birth to a new era of agents, mostly in coding agents.

Tất cả các kỹ thuật này đã khai sinh ra một kỷ nguyên mới của agent, chủ yếu là coding agent.

1:36

Cursor, WinServe, Cline, Rue, and Aider are all examples of early players that adopted tool calling for context engineering.

Cursor, WinServe, Cline, Rue và Aider đều là những ví dụ về những người chơi đầu tiên áp dụng tool calling cho context engineering.

1:43

And they were really good tools that got the job done.

Và chúng là những công cụ thực sự tốt, hoàn thành công việc.

1:47

And while all of this work was undergoing, the underlying models actually evolved and context window started to grow as well, which meant that coding agents started to be able to do longer duration tasks.

Và trong khi tất cả công việc này đang diễn ra, các mô hình cơ bản thực sự đã phát triển và cửa sổ ngữ cảnh cũng bắt đầu mở rộng, điều đó có nghĩa là coding agent bắt đầu có thể thực hiện các tác vụ kéo dài hơn.

1:57

And that's exactly what we were seeing.

Và đó chính xác là những gì chúng ta đang thấy.

2:00

People started to ask these coding agents to work on features and bug fixes at a bigger and bigger scope.

Mọi người bắt đầu yêu cầu các coding agent này làm việc trên các tính năng và sửa lỗi với phạm vi ngày càng lớn.

2:06

And suddenly,

Và đột nhiên,

2:07

context engineering that autonomously loaded proper context and take necessary actions gave these coding agents more and more ability to work on more complex tasks.

context engineering tự động tải ngữ cảnh phù hợp và thực hiện các hành động cần thiết đã cho các coding agent này ngày càng nhiều khả năng làm việc trên các tác vụ phức tạp hơn.

2:15

But even this had its own limits because as the duration of tasks got longer and we asked the coding agent some incredibly long tasks like clone an entire website, a simple prompt engineering will give you a very sketchy

Nhưng ngay cả điều này cũng có giới hạn của nó bởi vì khi thời lượng tác vụ kéo dài hơn và chúng ta yêu cầu coding agent thực hiện các tác vụ cực kỳ dài như clone toàn bộ một trang web, một prompt engineering đơn giản sẽ cho bạn một trang web rất sơ sài

2:30

website because it can only respond in one shot.

vì nó chỉ có thể phản hồi trong một lần.

2:32

And even with context engineering, the result you got was not that great given the huge scope of the task.

Và ngay cả với context engineering, kết quả bạn nhận được cũng không tốt lắm với phạm vi công việc quá lớn.

2:39

Not because context engineering was necessarily bad, but because you have symptoms like this where the website will be partially finished and some buttons would just not work and features aren't really tested all the

Không phải vì context engineering nhất thiết là xấu, mà vì bạn có các triệu chứng như trang web sẽ được hoàn thành một phần và một số nút sẽ không hoạt động và các tính năng không thực sự được kiểm tra hết

2:50

way through.

toàn bộ.

2:50

And one major issue with context engineering was that we typically use context summarization to essentially keep shrinking down the context as it was topping up.

Và một vấn đề lớn với context engineering là chúng ta thường sử dụng tóm tắt ngữ cảnh để liên tục thu nhỏ ngữ cảnh khi nó đầy lên.

2:58

So, if the task that we gave to an agent took, let's say, 12 hours, as the context window started to fill up, it would summarize its context to shrink it and continue working on them without having

Vì vậy, nếu tác vụ chúng ta giao cho một agent mất, giả sử, 12 giờ, khi cửa sổ ngữ cảnh bắt đầu đầy, nó sẽ tóm tắt ngữ cảnh của mình để thu nhỏ lại và tiếp tục làm việc mà không bị

3:11

to run out of context window.

hết cửa sổ ngữ cảnh.

3:13

So, effectively, the agent was bound by its own ability to properly summarize its previous work.

Vì vậy, về cơ bản, agent bị giới hạn bởi khả năng tóm tắt công việc trước đó của chính nó.

3:18

And that's why you see tasks that are either half completed or not even attempted at all.

Và đó là lý do tại sao bạn thấy các tác vụ hoặc là hoàn thành một nửa hoặc thậm chí không được thực hiện.

3:24

If context started to fill up mid-task, it would summarize and assume the task is already finished in some instances or oversimplify the task and assume some

Nếu ngữ cảnh bắt đầu đầy giữa chừng, nó sẽ tóm tắt và cho rằng tác vụ đã hoàn thành trong một số trường hợp hoặc đơn giản hóa quá mức tác vụ và cho rằng một số

3:34

features are completed and verified when it really wasn't.

tính năng đã được hoàn thành và xác minh trong khi thực tế không phải vậy.

3:37

So, as much as this elastic way of self-managing the context window gave the appearance of ability to work on longer-range tasks, it really wasn't all that effective.

Vì vậy, dù cách tự quản lý cửa sổ ngữ cảnh linh hoạt này tạo ra vẻ ngoài có khả năng làm việc trên các tác vụ dài hạn, nhưng nó thực sự không hiệu quả như vậy.

3:46

Now, this narrative I'm putting out here is an overview of what happened in the past, Meaning, people had been experimenting with different ways to get around this

Bây giờ, câu chuyện tôi đang kể ở đây là tổng quan về những gì đã xảy ra trong quá khứ. Nghĩa là, mọi người đã thử nghiệm nhiều cách khác nhau để giải quyết vấn đề này

3:56

problem by implementing sub-agents for hierarchical context management or even swarms of agents where you deploy multiple agents with their own context window.

bằng cách triển khai các sub-agent để quản lý ngữ cảnh phân cấp hoặc thậm chí là bầy agent, nơi bạn triển khai nhiều agent với cửa sổ ngữ cảnh riêng của chúng.

4:04

So, we were already converging towards a point of harnessing the underlying agents.

Vì vậy, chúng ta đã hội tụ về một điểm harness các agent cơ bản.

4:09

And as you can see, having a better orchestration layer and having a better execution environment and better context management are all

Và như bạn có thể thấy, có một lớp điều phối tốt hơn, một môi trường thực thi tốt hơn và quản lý ngữ cảnh tốt hơn là tất cả các

4:18

ingredients that we needed to master for harnessing the agent.

thành phần chúng ta cần làm chủ để harness agent.

4:21

And this is when the concept of harnessing an agent or agent harness started to emerge and officially coined the term in early 2026.

Và đây là lúc khái niệm harnessing một agent hay agent harness bắt đầu xuất hiện và chính thức được đặt ra vào đầu năm 2026.

4:29

And while you can certainly make the argument that harnessing is a buzzword, it does capture the essence of something transformative that was happening in the AI industry.

Và mặc dù bạn có thể cho rằng harnessing là một từ thông dụng, nó thực sự nắm bắt được bản chất của một điều gì đó mang tính chuyển đổi đang diễn ra trong ngành AI.

4:39

So, the

Vì vậy, câu

4:40

question is, how is harnessing an agent really different from what we've seen before?

hỏi là, harnessing một agent thực sự khác biệt như thế nào so với những gì chúng ta đã thấy trước đây?

4:43

But first, a quick word from Cursor.

Nhưng trước tiên, một lời nhắn nhanh từ Cursor.

4:45

I'm always trying to build on my websites, but not only do I have multiple devices that I have to keep track of, but I also want to keep working on them on my browser or my phone without having to set up the entire project on my devices.

Tôi luôn cố gắng xây dựng trên các trang web của mình, nhưng không chỉ có nhiều thiết bị phải theo dõi, mà tôi còn muốn tiếp tục làm việc trên chúng qua trình duyệt hoặc điện thoại mà không cần phải thiết lập toàn bộ dự án trên các thiết bị của mình.

4:57

I use

Tôi sử dụng

4:58

Cursor for that reason.

Cursor vì lý do đó.

4:59

For example, I can see that the models tab on my website is already behind in information since OpenAI released newer models since.

Ví dụ, tôi có thể thấy rằng tab models trên trang web của tôi đã lạc hậu về thông tin vì OpenAI đã phát hành các mô hình mới hơn kể từ đó.

5:06

So, I can just spin up Cursor locally to keep this up to date.

Vì vậy, tôi chỉ cần khởi chạy Cursor cục bộ để cập nhật thông tin này.

5:10

And while the agent is working on that, I can concurrently fix different features at the same time, spawning multiple agents with their own context as needed.

Và trong khi agent đang làm việc đó, tôi có thể đồng thời sửa các tính năng khác, tạo ra nhiều agent với ngữ cảnh riêng khi cần.

5:18

Pretty cool.

Khá tuyệt.

5:18

But I want to raise the bar.

Nhưng tôi muốn nâng cao tiêu chuẩn.

5:20

With cloud agents, I can actually have this entire thing run on cloud instead of my desktop, which means I can just close Cursor and the job will continue on without my machine and create a pull request once it's done.

Với cloud agent, tôi thực sự có thể chạy toàn bộ việc này trên đám mây thay vì máy tính để bàn, nghĩa là tôi có thể đóng Cursor và công việc sẽ tiếp tục mà không cần máy của tôi và tạo một pull request khi hoàn thành.

5:32

Pretty cool, but I want to raise the bar again.

Khá tuyệt, nhưng tôi muốn nâng cao tiêu chuẩn một lần nữa.

5:34

I can integrate with Slack to send my feature request to Cursor and it'll also run the cloud agent to get the job done and ping me once it's done with a PR.

Tôi có thể tích hợp với Slack để gửi yêu cầu tính năng của mình đến Cursor và nó cũng sẽ chạy cloud agent để hoàn thành công việc và thông báo cho tôi khi có PR.

5:42

Pretty cool, but now I want to raise the bar again.

Khá tuyệt, nhưng bây giờ tôi muốn nâng cao tiêu chuẩn một lần nữa.

5:44

Now I want to take this website and somewhat run it autonomously because I don't want to manually check for new information, I

Bây giờ tôi muốn đưa trang web này vào hoạt động tự động phần nào vì tôi không muốn kiểm tra thủ công thông tin mới, tôi

5:50

can add automation in the cloud to check daily for new model releases, and Cursor now keeps my website up-to-date autonomously.

Có thể thêm tự động hóa trên đám mây để kiểm tra hàng ngày các bản phát hành mô hình mới, và Cursor giờ đây tự động cập nhật trang web của tôi.

5:56

One of the most critical changes that happened with the rise of harness engineering was the idea of loops.

Một trong những thay đổi quan trọng nhất khi kỹ thuật harness nổi lên là ý tưởng về các vòng lặp.

6:02

By stepping away one layer above context engineering and essentially looping the agents in a loop where at each iteration they have a fresh clean

Bằng cách lùi lại một lớp so với kỹ thuật ngữ cảnh và về cơ bản đặt các agent vào một vòng lặp, trong đó mỗi lần lặp chúng có một bộ ngữ cảnh mới

6:11

set of context, but under a strict rule of how the agent should start and finish its task, we started to see an incredible result by putting the agent under this very environment.

nhưng dưới một quy tắc nghiêm ngặt về cách agent bắt đầu và kết thúc nhiệm vụ, chúng tôi bắt đầu thấy kết quả đáng kinh ngạc khi đặt agent trong môi trường này.

6:21

One of the primary example is Ra, which took over the internet given how effective it was, but more importantly, just how simple the architecture was underneath.

Một ví dụ điển hình là Ra, đã thống trị internet vì hiệu quả của nó, nhưng quan trọng hơn là kiến trúc bên dưới đơn giản đến mức nào.

6:29

One clarification to be made here is that

Một điều cần làm rõ ở đây là

6:32

harness engineering doesn't necessarily deprecate context engineering, and it certainly doesn't deprecate prompt engineering.

Kỹ thuật harness không nhất thiết làm mất đi kỹ thuật ngữ cảnh, và chắc chắn không làm mất đi kỹ thuật prompt.

6:37

If you peek below open-source coding agents like Klein, you see that their system prompt is still largely driven by a well-written prompt.

Nếu bạn nhìn vào các agent mã nguồn mở như Klein, bạn sẽ thấy rằng system prompt của chúng phần lớn vẫn được thúc đẩy bởi một prompt được viết tốt.

6:45

So, prompt engineering is still used, but a much smaller component in comparison to the system as whole.

Vì vậy, kỹ thuật prompt vẫn được sử dụng, nhưng là một thành phần nhỏ hơn nhiều so với toàn bộ hệ thống.

6:52

So,

Vì vậy,

6:53

prompt engineering reminds the coding agents who the agent is and gives them the persona of a coding agents.

Kỹ thuật prompt nhắc nhở các agent mã hóa về danh tính của chúng và cho chúng tính cách của một agent mã hóa.

6:59

And the layer above that is context management and context engineering.

Và lớp trên đó là quản lý ngữ cảnh và kỹ thuật ngữ cảnh.

7:03

So, harness engineering effectively leverages both prompt and context engineering.

Vì vậy, kỹ thuật harness tận dụng hiệu quả cả kỹ thuật prompt và kỹ thuật ngữ cảnh.

7:07

It's a shift away from relying on these two approaches, but a paradigm change on the environment that puts the agent into

Đó là sự chuyển dịch khỏi việc phụ thuộc vào hai phương pháp này, nhưng là một sự thay đổi mô hình về môi trường đặt agent vào

7:15

series of steps where typically you start by generating a large requirement file and then looping each task and selecting only one task to be completed from the document.

một loạt các bước, thường bắt đầu bằng việc tạo một tệp yêu cầu lớn, sau đó lặp qua từng nhiệm vụ và chỉ chọn một nhiệm vụ để hoàn thành từ tài liệu.

7:25

And it tests and documents each steps, and this loop continues on iteration after iteration until the entire step is finished.

Và nó kiểm tra và ghi lại từng bước, và vòng lặp này tiếp tục lặp đi lặp lại cho đến khi toàn bộ bước hoàn thành.

7:32

And at each iteration, they're given a fresh set of prompt and fresh set of context.

Và ở mỗi lần lặp, chúng được cung cấp một bộ prompt mới và một bộ ngữ cảnh mới.

7:38

You see this kind of architecture mirrored in Ra's documentation as well where first starts with creating a production requirement document, which gets outlined into a JSON file, and it goes into a loop implementing feature after feature until completion.

Bạn thấy loại kiến trúc này được phản ánh trong tài liệu của Ra, nơi đầu tiên bắt đầu bằng việc tạo một tài liệu yêu cầu sản xuất, được phác thảo thành một tệp JSON, và sau đó đi vào một vòng lặp thực hiện từng tính năng cho đến khi hoàn thành.

7:50

And you can see just how simple this entire architecture is when you look at how small the repository really is.

Và bạn có thể thấy toàn bộ kiến trúc này đơn giản đến mức nào khi nhìn vào kích thước nhỏ của kho lưu trữ.

7:56

Same

Tương

7:57

thing for Anthropic's simple demonstration of harnessing when we look at their repository.

tự cho bản trình diễn đơn giản của Anthropic về harness khi chúng ta nhìn vào kho lưu trữ của họ.

8:01

Similar story here, lightweight and simple environment.

Câu chuyện tương tự, môi trường nhẹ và đơn giản.

8:04

In fact, many coding agents now have already adopted this harnessing layer directly inside the application.

Thực tế, nhiều agent mã hóa hiện nay đã áp dụng lớp harness này trực tiếp trong ứng dụng.

8:10

Although each of them implemented their own way of harnessing their agents.

Mặc dù mỗi agent triển khai cách harness riêng của chúng.

8:14

That's why you're seeing so many companies talking about harnessing layer these days because of how effective it really is.

Đó là lý do tại sao bạn thấy nhiều công ty nói về lớp harness ngày nay vì hiệu quả thực sự của nó.

Transcript

Hiển thị

Introduction to Agent Harness

The video introduces the confusing term 'agent harness' and explains that it refers to an environment for agents. It contrasts harness engineering with prompt engineering and context engineering, noting that harness engineering emerged around early 2026. The early days of ChatGPT with a 4,000-token context window led to limitations that prompted the development of context engineering techniques like tool calling, MCP, and RAG. These techniques allowed agents to manage context more efficiently and gave rise to coding agents such as Cursor, WinServe, Cline, Rue, and Aider.

Video giới thiệu thuật ngữ khó hiểu 'agent harness' và giải thích rằng nó đề cập đến một môi trường cho các tác nhân. Nó so sánh kỹ thuật harness với kỹ thuật prompt và kỹ thuật ngữ cảnh, lưu ý rằng kỹ thuật harness xuất hiện vào khoảng đầu năm 2026. Những ngày đầu của ChatGPT với cửa sổ ngữ cảnh 4.000 token dẫn đến những hạn chế thúc đẩy sự phát triển của các kỹ thuật quản lý ngữ cảnh như gọi công cụ, MCP và RAG. Các kỹ thuật này cho phép các tác nhân quản lý ngữ cảnh hiệu quả hơn và tạo ra các tác nhân lập trình như Cursor, WinServe, Cline, Rue và Aider.