0:00

19:22

How AI Agents Actually Work (Every Piece Explained & Built)

Tech With Tim·19:22·Technology·B2

Chương · 8

Chương 1·Introduction: What Is an AI Agent?

Hiển thị

Tiếng ViệtAuto-scroll

0:00

Everyone is talking about AI agents right now.

Hiện tại ai cũng đang nói về các AI agent.

0:03

And almost nobody can tell you what one actually is.

Và gần như không ai có thể nói cho bạn biết nó thực sự là gì.

0:07

Now, ask someone to explain the difference between an agent and ChatGPT, and you're going to get a lot of random hand-waving.

Giờ, hãy hỏi ai đó giải thích sự khác biệt giữa một agent và ChatGPT, và bạn sẽ nhận được rất nhiều lời giải thích mơ hồ.

0:13

But here's the thing: the model, so the actual AI, is maybe 20% of an agent.

Nhưng vấn đề là thế này: mô hình, tức là AI thực sự, chỉ chiếm khoảng 20% của một agent.

0:18

The other 80% is stuff that nobody explains.

80% còn lại là những thứ mà không ai giải thích.

0:21

So, what a harness is, what MCP actually stands for and why it matters, why agents need something called a sandbox.

Vậy harness là gì, MCP thực ra là viết tắt của gì và tại sao nó quan trọng, tại sao agent cần một thứ gọi là sandbox.

0:28

So, in this video, I'm going to explain every single piece of a real AI agent in plain English, and then I'm going to prove that I'm not just making it up by building one from scratch live with all of those pieces built in.

Vậy nên, trong video này, tôi sẽ giải thích từng phần của một AI agent thực sự bằng ngôn ngữ đơn giản, và sau đó tôi sẽ chứng minh rằng tôi không chỉ bịa ra bằng cách xây dựng một cái từ đầu trực tiếp với tất cả các phần đó được tích hợp sẵn.

0:39

Now, everything we use is going to be open source, and by the end, you're going to understand agents better than most people shipping and talking about them.

Giờ, mọi thứ chúng ta sử dụng đều sẽ là mã nguồn mở, và đến cuối video, bạn sẽ hiểu về agent tốt hơn hầu hết những người đang triển khai và nói về chúng.

0:47

And just quick

Và chỉ nhanh thôi

0:48

disclosure before we start here: this video is sponsored by True Foundry, who just open sourced the tool that we're going to be building with later today.

Tiết lộ trước khi chúng ta bắt đầu: video này được tài trợ bởi True Foundry, những người vừa mới mã nguồn mở công cụ mà chúng ta sẽ xây dựng cùng sau đây.

0:54

But everything you see is free, you can run it yourself, and I'm going to link the GitHub in the description so you can follow along.

Nhưng mọi thứ bạn thấy đều miễn phí, bạn có thể tự chạy nó, và tôi sẽ để link GitHub trong phần mô tả để bạn có thể theo dõi.

1:00

Anyways, let's get started with the single most important idea in this video, because if you understand

Dù sao thì, hãy bắt đầu với ý tưởng quan trọng nhất trong video này, bởi vì nếu bạn hiểu

1:05

this, everything else will make sense.

Điều này, mọi thứ khác sẽ trở nên dễ hiểu.

1:07

Now, that idea is that a model is not an agent.

Giờ, ý tưởng đó là một mô hình không phải là một agent.

1:11

A model is really just a function.

Một mô hình thực ra chỉ là một hàm.

1:13

Text goes in, text comes out.

Văn bản vào, văn bản ra.

1:16

That's it.

Chỉ vậy thôi.

1:16

It can't search the web, it can't read your files, it can't run code, it can't even remember what you said in the last message.

Nó không thể tìm kiếm web, nó không thể đọc file của bạn, nó không thể chạy code, nó thậm chí không thể nhớ bạn đã nói gì trong tin nhắn trước.

1:23

Now, when ChatGPT feels smarter than that, it's because there's a bunch of software around the model that's actually doing most of the heavy lifting.

Giờ, khi ChatGPT có vẻ thông minh hơn thế, đó là vì có một loạt phần mềm xung quanh mô hình thực sự đang làm phần lớn công việc nặng nhọc.

1:31

Now, an agent is what you get when you take a model and you put it inside of some type of

Giờ, một agent là thứ bạn có được khi bạn lấy một mô hình và đặt nó vào bên trong một loại

1:37

loop.

Vòng lặp.

1:37

Now, that model looks at a goal, picks an action, and then something executes that action for real, and the result gets fed back in.

Giờ, mô hình đó nhìn vào một mục tiêu, chọn một hành động, và sau đó có thứ gì đó thực thi hành động đó một cách thực sự, và kết quả được đưa trở lại.

1:45

Then it goes again, over and over, until the job is finished.

Sau đó nó lại tiếp tục, lặp đi lặp lại, cho đến khi công việc hoàn thành.

1:49

So, it will search the web, read the results, decide what to do next, maybe write some code, run the code, look at the output, fix the result, you get the idea.

Vậy nên, nó sẽ tìm kiếm web, đọc kết quả, quyết định làm gì tiếp theo, có thể viết một ít code, chạy code, xem đầu ra, sửa kết quả, bạn hiểu ý rồi đấy.

1:59

Now, the model

Giờ, mô hình

2:00

is the brain, but a brain that's just sitting inside of a jar can't do anything.

Là bộ não, nhưng một bộ não chỉ ngồi trong lọ thì không thể làm gì được.

2:04

So, the interesting part that nobody really explains properly is everything that's around that brain.

Vậy nên, phần thú vị mà không ai thực sự giải thích đúng cách là mọi thứ xung quanh bộ não đó.

2:08

And there's basically five pieces here, and I'm going to walk you through all of them, and all of this will start to make sense.

Và cơ bản có năm phần ở đây, và tôi sẽ dẫn bạn qua tất cả chúng, và mọi thứ sẽ bắt đầu trở nên dễ hiểu.

2:15

But understand that a model is not an agent.

Nhưng hãy hiểu rằng một mô hình không phải là một agent.

2:17

An agent requires a bunch

Một agent cần một loạt

2:19

of things around the model, and again, the model's really just 20%.

Những thứ xung quanh mô hình, và một lần nữa, mô hình thực sự chỉ chiếm 20%.

2:22

The other 80% is what I want to get into now.

80% còn lại là những gì tôi muốn đi sâu vào bây giờ.

2:26

Okay.

Được rồi.

2:26

So, the first piece to discuss here is the harness.

Vậy, phần đầu tiên cần thảo luận ở đây là harness.

2:29

Now, this is effectively just the loop that I described.

Giờ, đây thực chất chỉ là vòng lặp mà tôi đã mô tả.

2:32

So, it's an actual piece of software, so it's written in code, it's not this fancy, you know, AI model, LLM, whatever.

Vậy nên, nó là một phần mềm thực sự, được viết bằng code, nó không phải là mô hình AI, LLM, hay gì đó cao siêu.

2:38

And the harness effectively holds the runtime that ties everything together.

Và harness thực chất giữ runtime kết nối mọi thứ lại với nhau.

2:42

So, it sends prompts to the model, it executes the actions that the

Vậy nên, nó gửi prompt đến mô hình, nó thực thi các hành động mà

2:46

model asks for, it manages the context window, so the model doesn't drown in its own history, and it keeps state so a long task can survive a restart.

Mô hình yêu cầu, nó quản lý cửa sổ ngữ cảnh, để mô hình không bị chết đuối trong lịch sử của chính nó, và nó giữ trạng thái để một tác vụ dài có thể tồn tại qua lần khởi động lại.

2:55

If you've used something like Claude Code, ChatGPT, or Cursor, you've used a harness.

Nếu bạn đã từng dùng thứ gì đó như Claude Code, ChatGPT, hoặc Cursor, bạn đã dùng một harness.

2:59

You maybe didn't know that it was called that, but this is how you really use AI models in today's era.

Có thể bạn không biết nó được gọi như vậy, nhưng đây là cách bạn thực sự sử dụng các mô hình AI trong thời đại ngày nay.

3:06

Now, the harness that I'm going to show you today is called TrueForge.

Giờ, harness mà tôi sẽ cho bạn thấy hôm nay được gọi là TrueForge.

3:09

It's MIT open source, you can run it with a single command, and importantly, it's model agnostic.

Nó là mã nguồn mở theo giấy phép MIT, bạn có thể chạy nó bằng một lệnh duy nhất, và quan trọng là nó không phụ thuộc vào mô hình.

3:13

So, that means that you can plug in any model that you want, even a local model or something with open weights, like so something like Kimmy or DeepSeek, and then you can swap it whenever you want, so you're not

Vậy nên, điều đó có nghĩa là bạn có thể cắm vào bất kỳ mô hình nào bạn muốn, thậm chí là một mô hình cục bộ hoặc thứ gì đó với trọng số mở, như Kimmy hay DeepSeek, và sau đó bạn có thể hoán đổi nó bất cứ khi nào bạn muốn, để bạn không bị

3:23

locked into a provider.

Khóa cứng vào một nhà cung cấp.

3:24

Okay, so that's the harness.

Được rồi, đó là harness.

3:25

Again, it's the runtime.

Một lần nữa, nó là runtime.

3:27

It's really a piece of software that orchestrates the model, sends prompts to it, gets the results, executes tool calls, and it's probably the most important part, but the harness has some other components kind of inside of it or that it connects.

Nó thực sự là một phần mềm điều phối mô hình, gửi prompt đến nó, nhận kết quả, thực thi các lệnh gọi công cụ, và nó có lẽ là phần quan trọng nhất, nhưng harness có một số thành phần khác ở bên trong nó hoặc mà nó kết nối tới.

3:39

So, the second piece here is MCP.

Vậy, phần thứ hai ở đây là MCP.

3:41

Now, you've probably heard of this before, and it stands for Model Context Protocol.

Giờ, bạn có thể đã nghe về nó trước đây, và nó là viết tắt của Model Context Protocol.

3:46

It's really just a standard way to give AI agents access to tools.

Nó thực sự chỉ là một cách tiêu chuẩn để cung cấp cho các tác nhân AI quyền truy cập vào các công cụ.

3:51

Now, here's the problem that this solves.

Bây giờ, đây là vấn đề mà điều này giải quyết.

3:53

Let's say I want my agent to search the web.

Giả sử tôi muốn tác nhân của mình tìm kiếm trên web.

3:55

So, maybe I want it to check my calendar, query a database, whatever, right?

Vậy, có thể tôi muốn nó kiểm tra lịch của tôi, truy vấn cơ sở dữ liệu, đại loại vậy, đúng không?

3:59

Before MCP, every one of these was a custom integration that you had to write and maintain yourself.

Trước MCP, mỗi thứ trong số này là một tích hợp tùy chỉnh mà bạn phải tự viết và duy trì.

4:05

Now, MCP turns each of these into a server that can speak one common language.

Bây giờ, MCP biến mỗi thứ trong số này thành một máy chủ có thể nói một ngôn ngữ chung.

4:09

So, the agent can connect to it, ask what tools it offers, and then it can immediately use them.

Vì vậy, tác nhân có thể kết nối với nó, hỏi nó cung cấp những công cụ gì, và sau đó nó có thể sử dụng chúng ngay lập tức.

4:14

You can think of it literally just like a USB.

Bạn có thể nghĩ về nó theo đúng nghĩa đen giống như một cổng USB.

4:17

You don't have to write a custom driver every time you plug it into the keyboard, you just take whatever USB you want, you plug it in, and it works.

Bạn không phải viết một trình điều khiển tùy chỉnh mỗi lần cắm nó vào bàn phím, bạn chỉ cần lấy bất kỳ USB nào bạn muốn, cắm nó vào, và nó hoạt động.

4:24

So, any MCP server will work with any AI agent as long as the harness will support that and kind of handle the communication and the bridge between the model and the tools.

Vì vậy, bất kỳ máy chủ MCP nào cũng sẽ hoạt động với bất kỳ tác nhân AI nào miễn là khung hỗ trợ điều đó và xử lý việc giao tiếp cũng như cầu nối giữa mô hình và các công cụ.

4:32

Now, in our build, we're going to connect an MCP server

Bây giờ, trong phần xây dựng của chúng ta, chúng ta sẽ kết nối một máy chủ MCP

4:35

that handles web search.

Thứ xử lý tìm kiếm trên web.

4:36

We'll talk about that in a second.

Chúng ta sẽ nói về điều đó trong giây lát.

4:38

And this is going to allow our model to actually see some other tools, start executing those, and pull real-life data.

Và điều này sẽ cho phép mô hình của chúng ta thực sự nhìn thấy một số công cụ khác, bắt đầu thực thi chúng, và lấy dữ liệu thực tế.

4:44

Okay.

Được rồi.

4:44

Now, piece three is skills.

Bây giờ, phần thứ ba là các kỹ năng.

4:45

Now, what MCP servers wouldn't agent can do, skills are how it knows how to do things well.

Vậy, những gì máy chủ MCP không thể làm cho tác nhân, thì các kỹ năng là cách nó biết cách làm mọi thứ một cách tốt.

4:51

So, a skill is literally just a markdown file, which is kind of a way to format text.

Vậy, một kỹ năng thực sự chỉ là một tệp markdown, đại loại là một cách để định dạng văn bản.

4:56

It's typically called something like skill.md, standing for markdown, and it's full of instructions for a specific kind of task.

Nó thường được gọi là một cái gì đó như skill.md, viết tắt của markdown, và nó chứa đầy hướng dẫn cho một loại nhiệm vụ cụ thể.

5:02

So, think of it like an onboarding document or an

Vậy, hãy nghĩ về nó như một tài liệu giới thiệu hoặc một

5:06

SOP that you might hand a new hire.

SOP mà bạn có thể đưa cho một nhân viên mới.

5:08

Skills might include things like how you build a report, here's a format that you need to follow, here are the steps that I want you to go through, here's the specific tool to use, here are gotchas or things to watch out for, you get the idea.

Các kỹ năng có thể bao gồm những thứ như cách bạn xây dựng một báo cáo, đây là định dạng mà bạn cần tuân theo, đây là các bước mà tôi muốn bạn thực hiện, đây là công cụ cụ thể để sử dụng, đây là những cạm bẫy hoặc những điều cần chú ý, bạn hiểu ý rồi đấy.

5:19

Now, the agent is going to load this only when it's relevant.

Bây giờ, tác nhân sẽ chỉ tải cái này khi nó liên quan.

5:21

And that's important because a lot of times you'll have a bunch of skills that can take up

Và điều đó quan trọng bởi vì nhiều khi bạn sẽ có một loạt các kỹ năng có thể chiếm

5:26

a lot of room in context.

Rất nhiều chỗ trong ngữ cảnh.

5:27

So, the agent will know these skills are available, but it will only load the entire skill and read through it when it thinks it needs to use that.

Vì vậy, tác nhân sẽ biết những kỹ năng này có sẵn, nhưng nó sẽ chỉ tải toàn bộ kỹ năng và đọc qua nó khi nó nghĩ rằng nó cần sử dụng điều đó.

5:36

Now, piece four is the sandbox, and this is something that most people actually never even think about or talk about.

Bây giờ, phần thứ tư là sandbox, và đây là điều mà hầu hết mọi người thực sự thậm chí không bao giờ nghĩ đến hoặc nói về.

5:42

Now, real tasks need code execution.

Bây giờ, các nhiệm vụ thực sự cần thực thi mã.

5:44

So, analyzing data, processing files, you know, generating a

Vậy, phân tích dữ liệu, xử lý tệp, bạn biết đấy, tạo một

5:47

report, whatever.

Báo cáo, đại loại vậy.

5:47

Now, this raises a pretty fair question: do you want an AI agent to be able to run arbitrary code on your actual computer?

Bây giờ, điều này đặt ra một câu hỏi khá hợp lý: bạn có muốn một tác nhân AI có thể chạy mã tùy ý trên máy tính thực tế của bạn không?

5:54

Now, in most cases, you do not, right?

Bây giờ, trong hầu hết các trường hợp, bạn không muốn, đúng không?

5:56

Because one bad command and it could be touching all of your files, your credentials, everything, right?

Bởi vì một lệnh tồi có thể chạm vào tất cả các tệp của bạn, thông tin đăng nhập của bạn, mọi thứ, đúng không?

6:01

Especially if it has pseudo or root access.

Đặc biệt nếu nó có quyền giả hoặc quyền root.

6:04

So, instead of doing that, the agent can get a

Vì vậy, thay vì làm điều đó, tác nhân có thể nhận được một

6:07

disposable computer.

Máy tính dùng một lần.

6:07

This is called a sandbox, which is an isolated environment that can spin up whenever your agent needs to execute something.

Đây được gọi là sandbox, một môi trường biệt lập có thể khởi tạo bất cứ khi nào tác nhân của bạn cần thực thi điều gì đó.

6:15

So, it can run code with scoped access, and then as soon as it's done, we can throw that sandbox away.

Vì vậy, nó có thể chạy mã với quyền truy cập được giới hạn, và ngay khi nó xong, chúng ta có thể vứt bỏ sandbox đó.

6:19

So, if it messes something up, it's not a big deal because it's not on your own computer.

Vì vậy, nếu nó làm hỏng điều gì đó, không phải là vấn đề lớn vì nó không nằm trên máy tính của chính bạn.

6:24

So, the agent will get all of the capabilities it needs with full power, but your machine is taking zero risk.

Vì vậy, tác nhân sẽ nhận được tất cả các khả năng nó cần với toàn bộ sức mạnh, nhưng máy của bạn không gánh chịu rủi ro nào.

6:29

Now, we'll talk about that more later, but when you're building production agents, having these sandboxes is super important to make sure they're not running on your own hardware and there's no risk factor of actually executing code.

Bây giờ, chúng ta sẽ nói về điều đó nhiều hơn sau, nhưng khi bạn xây dựng các tác nhân cho môi trường sản xuất, việc có những sandbox này là cực kỳ quan trọng để đảm bảo chúng không chạy trên phần cứng của chính bạn và không có yếu tố rủi ro khi thực sự thực thi mã.

6:40

Okay.

Được rồi.

6:40

Now, the fifth piece here is the production layer.

Bây giờ, phần thứ năm ở đây là lớp sản xuất.

6:42

Now, this is what separates a demo from something that you could actually run in production.

Bây giờ, đây là điều phân biệt một bản demo với một thứ mà bạn thực sự có thể chạy trong môi trường sản xuất.

6:47

And there's three main things that kind of go into here, so I've just put it into, you know, section five, but really it's three separate things.

Và có ba điều chính thuộc vào đây, nên tôi chỉ đặt nó vào, bạn biết đấy, phần năm, nhưng thực ra nó là ba thứ riêng biệt.

6:54

The first is sub agents.

Đầu tiên là các tác nhân phụ.

6:55

Now, this is so a big task can be split across multiple parallel

Bây giờ, điều này là để một nhiệm vụ lớn có thể được chia nhỏ qua nhiều

6:59

workers instead of just one context window doing everything.

Nhân công song song thay vì chỉ một cửa sổ ngữ cảnh làm mọi thứ.

7:01

This means that you're able to parallelize work so you can do it faster and you can run the model, you know, multiple times without having to rely on just a single instance of it running.

Điều này có nghĩa là bạn có thể song song hóa công việc để có thể làm nhanh hơn và bạn có thể chạy mô hình, bạn biết đấy, nhiều lần mà không phải dựa vào chỉ một phiên bản duy nhất của nó đang chạy.

7:12

Next is approvals.

Tiếp theo là các phê duyệt.

7:12

So, these are things that actually force the agent to stop and ask a human approval before doing something sensitive.

Vậy, đây là những thứ thực sự buộc tác nhân phải dừng lại và yêu cầu con người phê duyệt trước khi làm điều gì đó nhạy cảm.

7:18

And then lastly, we have observability.

Và cuối cùng, chúng ta có khả năng quan sát.

7:20

So, this is a full record of every step, every tool call, every result.

Vậy, đây là bản ghi đầy đủ của mọi bước, mọi lệnh gọi công cụ, mọi kết quả.

7:24

So, if something does go wrong, you can actually see what the agent did instead of guessing.

Vậy, nếu có điều gì đó thực sự sai, bạn có thể thực sự thấy tác nhân đã làm gì thay vì đoán mò.

7:28

And that's a pretty big deal because when

Và đó là một vấn đề khá lớn bởi vì khi

7:31

you go into production, you want to be able to trace through the results, see any optimizations you can make, if tool calls are failing, you get the idea.

Bạn đi vào môi trường sản xuất, bạn muốn có thể truy vết qua các kết quả, thấy bất kỳ tối ưu hóa nào bạn có thể thực hiện, nếu các lệnh gọi công cụ đang thất bại, bạn hiểu ý rồi đấy.

7:39

So, that's the basic anatomy, right?

Vậy, đó là cấu trúc cơ bản, đúng không?

7:40

We have the model, we have the harness, we have MCP, skills sandbox, and then that production layer with things like our sub agents, our approvals, or guardrails, and then of course the observability.

Chúng ta có mô hình, chúng ta có harness, chúng ta có MCP, sandbox kỹ năng, và rồi lớp sản xuất đó với những thứ như các tác nhân phụ, các phê duyệt, hoặc guardrails, và tất nhiên là cả khả năng quan sát.

7:49

Now, I want to stop just talking about this, and I want to actually show you how to build an AI agent that uses all of these different

Bây giờ, tôi muốn dừng việc chỉ nói về điều này, và tôi muốn thực sự cho bạn thấy cách xây dựng một tác nhân AI sử dụng tất cả những thứ khác nhau này

7:57

things that you can spin up on your own computer and that you could actually deploy and access from different types of applications.

Những thứ mà bạn có thể khởi chạy trên máy tính của riêng mình và thứ mà bạn thực sự có thể triển khai và truy cập từ các loại ứng dụng khác nhau.

8:02

So, now as promised, I'm going to show you how to build an AI agent so you can understand all of the pieces in practice.

Vậy, bây giờ như đã hứa, tôi sẽ cho bạn thấy cách xây dựng một tác nhân AI để bạn có thể hiểu tất cả các phần trong thực tế.

8:09

Now, for this video, the harness that I'm going to use is something called True Forge by Truth Foundry.

Bây giờ, cho video này, harness mà tôi sẽ sử dụng là thứ có tên True Forge của Truth Foundry.

8:13

It's new, it's open source,

Nó mới, nó là mã nguồn mở,

8:15

it's free to use, and importantly, anything that you build here in terms of agents can actually be deployed.

Nó miễn phí để sử dụng, và quan trọng là, bất cứ thứ gì bạn xây dựng ở đây về mặt tác nhân đều thực sự có thể được triển khai.

8:19

You can spin it up with Kubernetes, you can deploy it on your own server, and that way it can actually scale, and you're not locked into a model provider's harness.

Bạn có thể khởi chạy nó với Kubernetes, bạn có thể triển khai nó trên máy chủ của riêng mình, và bằng cách đó nó thực sự có thể mở rộng, và bạn không bị khóa vào harness của một nhà cung cấp mô hình.

8:27

For example, if you were to try to do the same thing using something like Claude managed agents, you're now

Ví dụ, nếu bạn cố gắng làm điều tương tự bằng cách sử dụng thứ gì đó như Claude managed agents, thì bây giờ bạn đã

8:33

locked into Anthropic's pricing, and you have to use Anthropic models.

Bị khóa vào mức giá của Anthropic, và bạn phải sử dụng các mô hình của Anthropic.

8:36

Even if you want to use Anthropic models, running the same model through an open source harness like this can be significantly cheaper based on how the harness is optimized, and you can see here you can actually run up to 50% lower cost using the exact same model.

Ngay cả khi bạn muốn sử dụng các mô hình của Anthropic, việc chạy cùng một mô hình thông qua một harness mã nguồn mở như thế này có thể rẻ hơn đáng kể dựa trên cách harness được tối ưu hóa, và bạn có thể thấy ở đây bạn thực sự có thể chạy với chi phí thấp hơn tới 50% khi sử dụng đúng cùng một mô hình.

8:52

You'll see what I mean as we set it up, but let's get into it.

Bạn sẽ thấy ý tôi là gì khi chúng ta thiết lập nó, nhưng hãy bắt đầu thôi.

8:55

Okay, so in order to get this set up, it's literally just one command: NPX true foundry/true forge.

Được rồi, vậy để thiết lập điều này, nó thực sự chỉ là một lệnh: NPX true foundry/true forge.

8:59

Of course, you don't need to pay for anything, and if you're on Linux or Mac, you can just directly run it in your terminal.

Tất nhiên, bạn không cần phải trả tiền cho bất cứ thứ gì, và nếu bạn đang dùng Linux hoặc Mac, bạn có thể chạy nó trực tiếp trong terminal của mình.

9:04

If you're on Windows like me, then you're going to need to open up WSL, which you can see I have open right

Nếu bạn đang dùng Windows như tôi, thì bạn sẽ cần mở WSL, mà bạn có thể thấy tôi đang mở ngay

9:10

here, and then let's just copy the command, bring it back, and simply paste it on our machine.

Đây, và sau đó hãy chỉ sao chép lệnh, mang nó trở lại, và chỉ cần dán nó vào máy của chúng ta.

9:14

Assuming that we have Node.js installed, it should start running, and you'll see immediately that it spins up.

Giả sử rằng chúng ta đã cài đặt Node.js, nó sẽ bắt đầu chạy, và bạn sẽ thấy ngay lập tức nó khởi động.

9:19

It may bring us through a quick install process, but of course I've already installed this, and then all of a sudden, the harness is running.

Nó có thể đưa chúng ta qua một quy trình cài đặt nhanh, nhưng tất nhiên tôi đã cài đặt cái này rồi, và rồi đột nhiên, harness đang chạy.

9:26

Now, once the harness is running, it will show you this localhost port right here.

Bây giờ, một khi harness đang chạy, nó sẽ hiển thị cho bạn cổng localhost ngay tại đây.

9:29

You can hold control and then click on this, or just copy it and open on your browser, and when I do this, you'll see that it opens up this graphical user interface where we're brought into this harness.

Bạn có thể giữ control và sau đó nhấp vào cái này, hoặc chỉ cần sao chép nó và mở trên trình duyệt của bạn, và khi tôi làm điều này, bạn sẽ thấy rằng nó mở ra giao diện người dùng đồ họa này, nơi chúng ta được đưa vào harness này.

9:37

I was just playing with it before, so you can see I have some chats on the left-hand side.

Tôi vừa mới chơi với nó trước đó, nên bạn có thể thấy tôi có một số cuộc trò chuyện ở phía bên trái.

9:42

Now, once the harness is running, we'll be able to actually create our own agent, set up our own tools, skills, resources, whatever.

Bây giờ, một khi harness đang chạy, chúng ta sẽ có thể thực sự tạo tác nhân của riêng mình, thiết lập các công cụ, kỹ năng, tài nguyên của riêng mình, bất cứ thứ gì.

9:48

But, in order to do that, we first need to configure some models.

Nhưng, để làm được điều đó, trước tiên chúng ta cần cấu hình một số mô hình.

9:51

So, because this is an open-source harness, you can add any models you want.

Vậy, bởi vì đây là một harness mã nguồn mở, bạn có thể thêm bất kỳ mô hình nào bạn muốn.

9:55

To do that, you just simply go into settings.

Để làm điều đó, bạn chỉ cần đơn giản đi vào cài đặt.

9:57

From here, you have the ability to add some provided

Từ đây, bạn có khả năng thêm một số cái được cung cấp

10:00

ones like OpenAI, Anthropic, Gemini, whatever.

Như OpenAI, Anthropic, Gemini, bất cứ thứ gì.

10:01

So, if you want to configure Anthropic, just enter your API key, you know, choose the endpoint, you can start using their models.

Vậy, nếu bạn muốn cấu hình Anthropic, chỉ cần nhập khóa API của bạn, bạn biết đấy, chọn endpoint, bạn có thể bắt đầu sử dụng các mô hình của họ.

10:07

Or, alternatively, you can add a custom provider and add something like a local model.

Hoặc, cách khác, bạn có thể thêm một nhà cung cấp tùy chỉnh và thêm thứ gì đó như một mô hình cục bộ.

10:11

So, in my case, I actually have my own DGX Spark running.

Vậy, trong trường hợp của tôi, tôi thực sự có DGX Spark của riêng mình đang chạy.

10:14

I have, um, you know, quite a bit of compute here.

Tôi có, ừm, bạn biết đấy, khá nhiều sức mạnh tính toán ở đây.

10:16

It's like a $7,000

Nó giống như một chiếc máy tính

10:18

computer.

7.000 đô la.

10:18

So, I'm running Gwen 3.6 35 billion parameters.

Vậy, tôi đang chạy Gwen 3.6 với 35 tỷ tham số.

10:20

I've just connected it to this base URL, and now I can do all of this completely locally and private from this harness, which I can't do in something like Cloud Code.

Tôi vừa kết nối nó với base URL này, và bây giờ tôi có thể làm tất cả điều này hoàn toàn cục bộ và riêng tư từ harness này, điều mà tôi không thể làm trong thứ gì đó như Cloud Code.

10:28

So, I have this setup here.

Vậy, tôi đã thiết lập cái này ở đây.

10:29

You'll also notice we have connectors and skills, which we're going to have a look at in a minute.

Bạn cũng sẽ để ý rằng chúng ta có các connector và kỹ năng, mà chúng ta sẽ xem xét trong một phút nữa.

10:34

But, for now, we just want to

Nhưng, hiện tại, chúng ta chỉ muốn

10:36

test that the model is working, so we can just go to the chat interface and just type something like hello world.

Kiểm tra rằng mô hình đang hoạt động, nên chúng ta chỉ cần đi đến giao diện trò chuyện và chỉ gõ thứ gì đó như hello world.

10:41

Now, from here, you can see the model is selected down here, and immediately we get the response.

Bây giờ, từ đây, bạn có thể thấy mô hình được chọn ở dưới đây, và ngay lập tức chúng ta nhận được phản hồi.

10:45

It's also extremely fast, and we can see the full process and observability of this agent.

Nó cũng cực kỳ nhanh, và chúng ta có thể thấy toàn bộ quá trình và khả năng quan sát của tác nhân này.

10:49

So, we're going to start building out a proper research agent here in just 1 second.

Vậy, chúng ta sẽ bắt đầu xây dựng một tác nhân nghiên cứu đúng nghĩa ở đây chỉ trong một giây nữa.

10:53

But, before I add all of the tools and the connectors, I want to show you what happens if I try to treat this current chat like a fully functioning research agent.

Nhưng, trước khi tôi thêm tất cả các công cụ và connector, tôi muốn cho bạn thấy điều gì xảy ra nếu tôi cố gắng coi cuộc trò chuyện hiện tại này như một tác nhân nghiên cứu hoạt động đầy đủ.

11:01

You'll see what I mean in a second, but let's give

Bạn sẽ hiểu ý tôi ngay thôi, nhưng hãy đưa cho

11:04

this a prompt.

Cái này một câu lệnh.

11:04

Hey, I want you to act like a research agent, specifically an expert in local AI models.

Này, tôi muốn bạn hành động như một tác nhân nghiên cứu, cụ thể là một chuyên gia về các mô hình AI cục bộ.

11:09

I want you to do research and figure out what the best current local AI models are, at least open weight models.

Tôi muốn bạn nghiên cứu và tìm ra những mô hình AI cục bộ tốt nhất hiện nay, ít nhất là các mô hình trọng số mở.

11:15

Give me their speed, their cost, their availability, how they're performing, their intelligence levels, and all of the stats in a research paper and an interactive

Cho tôi tốc độ, chi phí, tính khả dụng, hiệu suất, mức độ thông minh của chúng, và tất cả các số liệu trong một bài nghiên cứu và một

11:23

dashboard.

Bảng điều khiển tương tác.

11:23

Okay, so we're just going to give this a prompt.

Được rồi, vậy chúng ta sẽ chỉ đưa cho nó một câu lệnh.

11:27

Press enter and see what we get.

Nhấn enter và xem chúng ta nhận được gì.

11:28

And by the way, if you're wondering what I'm using to dictate here, I use a really cool tool called Whisper Flow.

Và nhân tiện, nếu bạn đang thắc mắc tôi dùng gì để đọc chính tả ở đây, tôi dùng một công cụ rất hay tên là Whisper Flow.

11:32

It's free to try out.

Nó miễn phí để dùng thử.

11:33

I'll leave a link to it in the description.

Tôi sẽ để lại liên kết đến nó trong phần mô tả.

11:35

You can see I've written like two full books uh using it, and that's what I use for pretty much everything when it comes to actually chatting with the agent.

Bạn có thể thấy tôi đã viết như hai cuốn sách đầy đủ uh bằng cách dùng nó, và đó là thứ tôi dùng cho hầu hết mọi việc khi thực sự trò chuyện với tác nhân.

11:41

So, anyways,

Vậy, dù sao thì,

11:42

for now, you can see that it is reasoning through this process.

Hiện tại, bạn có thể thấy nó đang suy luận qua quá trình này.

11:44

It's going to start doing this.

Nó sẽ bắt đầu làm việc này.

11:46

It's spun up a sub-agent, and we will get like a decent result here from this particular uh what do you call it?

Nó đã khởi tạo một tác nhân phụ, và chúng ta sẽ nhận được một kết quả khá ổn từ cái này uh bạn gọi nó là gì nhỉ?

11:51

prompt.

Câu lệnh.

11:51

However, we haven't added any tools, right?

Tuy nhiên, chúng ta chưa thêm bất kỳ công cụ nào, đúng không?

11:53

So, I just want to show you kind of a before and after here.

Vậy nên, tôi chỉ muốn cho bạn thấy kiểu như trước và sau ở đây.

11:56

So, let's see the result that we get, and then we can compare it

Vậy, hãy xem kết quả chúng ta nhận được, rồi chúng ta có thể so sánh nó

12:00

after we add all of our tools, skills, etc.

Sau khi chúng ta thêm tất cả công cụ, kỹ năng, v.v.

12:02

Okay, so we've gotten the results.

Được rồi, vậy chúng ta đã có kết quả.

12:04

It's quite long, but what you're going to notice immediately is that all of the results it's giving us is just coming from its training data because we haven't actually connected this to a web search tool.

Nó khá dài, nhưng điều bạn sẽ nhận ra ngay là tất cả kết quả nó đưa ra chỉ đến từ dữ liệu huấn luyện của nó vì chúng ta chưa thực sự kết nối cái này với công cụ tìm kiếm web.

12:14

So, it still thinks that we're talking about like 2025 here.

Vậy nên, nó vẫn nghĩ rằng chúng ta đang nói về khoảng năm 2025 ở đây.

12:17

And if I scroll down, you're saying it is it's showing you, sorry, like mid-2025 updates, anticipated late 2025 because

Và nếu tôi cuộn xuống, bạn đang nói nó đang cho bạn thấy, xin lỗi, kiểu như các cập nhật giữa năm 2025, dự kiến cuối năm 2025 vì

12:23

that's when this model was trained, or at least when the training data was available.

Đó là khi mô hình này được huấn luyện, hoặc ít nhất là khi dữ liệu huấn luyện có sẵn.

12:26

So, like we're currently on Gwen 3.6, and it doesn't have access to that because we haven't given it the correct tools.

Vậy nên, kiểu như hiện tại chúng ta đang ở Gwen 3.6, và nó không có quyền truy cập vào đó vì chúng ta chưa cung cấp cho nó đúng công cụ.

12:32

So, anyways, point is, what I want to do now is I want to start connecting up the tools to make this agent useful.

Vậy, dù sao thì, vấn đề là, điều tôi muốn làm bây giờ là bắt đầu kết nối các công cụ để làm cho tác nhân này hữu ích.

12:38

Let's do that by going to the settings.

Hãy làm điều đó bằng cách vào phần cài đặt.

12:40

So, from settings, there's

Vậy, từ cài đặt, có

12:42

three things we're going to look at: connectors, skills, sandbox providers.

Ba thứ chúng ta sẽ xem xét: trình kết nối, kỹ năng, nhà cung cấp sandbox.

12:45

For the connectors, I want to add an MCP server.

Đối với trình kết nối, tôi muốn thêm một máy chủ MCP.

12:47

Now, you can see there's a bunch of available MCP servers.

Bây giờ, bạn có thể thấy có một loạt máy chủ MCP có sẵn.

12:49

We also can just add our own custom server here.

Chúng ta cũng có thể chỉ cần thêm máy chủ tùy chỉnh của riêng mình ở đây.

12:52

But what I want to do is I want to add this access server.

Nhưng điều tôi muốn làm là thêm máy chủ access này.

12:55

Now, this is something that allows you to search the web to actually get the relevant information and up-to-date data.

Bây giờ, đây là thứ cho phép bạn tìm kiếm web để thực sự lấy thông tin liên quan và dữ liệu cập nhật.

12:59

So, we just connected it by pressing this button

Vậy, chúng ta vừa kết nối nó bằng cách nhấn nút này

13:02

here.

Ở đây.

13:02

You can see we don't actually need any authentication, and now it has these two tools where we'll be able to go inside of our sandbox and do the search.

Bạn có thể thấy chúng ta thực sự không cần xác thực nào, và giờ nó có hai công cụ này để chúng ta có thể vào bên trong sandbox của mình và thực hiện tìm kiếm.

13:10

Next, we want skills.

Tiếp theo, chúng ta muốn kỹ năng.

13:11

Now, for skills, of course, we can create our own skill or import something from GitHub.

Bây giờ, đối với kỹ năng, tất nhiên, chúng ta có thể tạo kỹ năng của riêng mình hoặc nhập thứ gì đó từ GitHub.

13:15

But for now, I'm just going to have the web artifacts builder skill enabled so that it builds self-contained web artifacts.

Nhưng hiện tại, tôi sẽ chỉ bật kỹ năng xây dựng web artifacts để nó xây dựng các web artifacts khép kín.

13:22

So, this way we can take our research report, and we can actually have it as an interactive dashboard.

Vậy, theo cách này, chúng ta có thể lấy báo cáo nghiên cứu của mình, và thực sự có nó dưới dạng bảng điều khiển tương tác.

13:26

So, let's enable that like so, and now we have this skill provided.

Vậy, hãy bật nó như vậy, và giờ chúng ta đã có kỹ năng này được cung cấp.

13:29

And then lastly, we have sandbox providers.

Và cuối cùng, chúng ta có nhà cung cấp sandbox.

13:31

Now, we are able just to use our own local sandbox.

Bây giờ, chúng ta chỉ có thể dùng sandbox cục bộ của riêng mình.

13:34

What I mean by that is that by default, if we have a look here, let me open up the terminal, you'll see that TrueForge

Ý tôi là theo mặc định, nếu chúng ta nhìn ở đây, để tôi mở terminal, bạn sẽ thấy rằng TrueForge

13:40

actually can create its own sandbox.

Thực sự có thể tạo sandbox của riêng nó.

13:41

So, you can see it says local sandbox fallback is available.

Vậy, bạn có thể thấy nó nói rằng sandbox cục bộ dự phòng có sẵn.

13:44

So, what it will do is kind of just create its own isolated shell within the Linux operating system or WSL.

Vậy, điều nó sẽ làm là kiểu như chỉ tạo shell biệt lập của riêng nó trong hệ điều hành Linux hoặc WSL.

13:50

So, it's not running in our main computer.

Vậy nên, nó không chạy trên máy tính chính của chúng ta.

13:52

However, if we wanted to deploy this and run it more at scale and have like tons of agents running at the same time, we

Tuy nhiên, nếu chúng ta muốn triển khai cái này và chạy nó ở quy mô lớn hơn, với hàng tá agent chạy cùng lúc, thì chúng ta

13:59

could connect to Daytona, which is a remote sandbox provider, which is going to allow you to have this spun up in the cloud and just work a lot more reliably.

Có thể kết nối với Daytona, một nhà cung cấp sandbox từ xa, cho phép bạn khởi tạo cái này trên cloud và hoạt động đáng tin cậy hơn nhiều.

14:07

Anyways, for now, I'm not going to configure Daytona cuz I'm just using the sandbox that's on my own machine, which is fine.

Dù sao thì, hiện tại tôi sẽ không cấu hình Daytona vì tôi chỉ đang dùng sandbox trên máy của mình, thế là ổn.

14:12

And what we'll do now is we'll go into a new chat, and I'm going to start actually crafting an AI agent here and then just pressing the save agent button, so it will be kind of available reliably afterwards.

Và giờ chúng ta sẽ vào một cuộc trò chuyện mới, tôi sẽ bắt đầu thực sự tạo một AI agent ở đây rồi nhấn nút lưu agent, để sau đó nó sẽ luôn sẵn sàng một cách đáng tin cậy.

14:23

So, for the model, we'll stick with Gwen 3.6.

Vậy nên, với model, chúng ta sẽ giữ Gwen 3.6.

14:25

However, we

Tuy nhiên, chúng ta

14:26

could change that.

Có thể thay đổi điều đó.

14:26

And for the tools, what I want to do now is enable all of these tools and skills.

Và với các công cụ, điều tôi muốn làm bây giờ là bật tất cả các công cụ và kỹ năng này.

14:31

So, I'm going to enable the web artifacts builder, the Exa search, and then for capabilities, we can have all of these as well.

Vậy nên, tôi sẽ bật web artifacts builder, Exa search, và với các khả năng, chúng ta cũng có thể bật tất cả những cái này.

14:37

Generative UI, dynamic sub-agents, ask clarifying questions, all of that is fine.

Generative UI, dynamic sub-agents, ask clarifying questions, tất cả đều ổn.

14:40

And then we'll give it the exact same prompt that we gave it before.

Và sau đó chúng ta sẽ đưa cho nó đúng prompt mà chúng ta đã đưa trước đó.

14:44

Do research on all of the top local AI models that are available right now.

Nghiên cứu tất cả các model AI local hàng đầu hiện có.

14:48

Use web search, find all of the stats, the metrics, the parameters, how fast they are, and which ones are the highest intelligence.

Dùng web search, tìm tất cả các số liệu thống kê, chỉ số, tham số, tốc độ của chúng, và cái nào có trí tuệ cao nhất.

14:54

I want you to talk about

Tôi muốn bạn nói về

14:56

open weights and open source models specifically.

Các model open weights và open source cụ thể.

14:57

Then give me an interactive web dashboard so that I'm able to view all of this.

Sau đó cho tôi một web dashboard tương tác để tôi có thể xem tất cả những thứ này.

15:01

So, now, if we press enter, we should get a significantly better response because we've added these tools.

Vậy nên, giờ nếu chúng ta nhấn enter, chúng ta sẽ nhận được phản hồi tốt hơn đáng kể vì đã thêm các công cụ này.

15:06

Let's see what we get.

Hãy xem chúng ta nhận được gì.

15:07

So, you can see now that it's able to actually list the tools.

Bạn có thể thấy giờ nó có thể thực sự liệt kê các công cụ.

15:10

You can see we have the MCP server Exa

Bạn có thể thấy chúng ta có MCP server Exa

15:13

available.

Sẵn sàng.

15:13

It's going to start spinning up different sub-agents, getting the tool information, reasoning through what we need to do.

Nó sẽ bắt đầu khởi tạo các sub-agent khác nhau, lấy thông tin công cụ, suy luận về những gì chúng ta cần làm.

15:17

And this is the observability that I'm talking about, where we're able to view all of the logs of exactly what's going on.

Và đây là khả năng quan sát mà tôi đang nói đến, nơi chúng ta có thể xem tất cả log về chính xác những gì đang diễn ra.

15:22

And then same thing if we go back to the terminal, of course you're going to see a trace of everything that's running

Và tương tự nếu chúng ta quay lại terminal, tất nhiên bạn sẽ thấy dấu vết của mọi thứ đang chạy

15:28

here.

Ở đây.

15:28

So, let's wait for this to finish and I'll be right back.

Vậy nên, hãy đợi cái này hoàn tất và tôi sẽ quay lại ngay.

15:31

Okay, perfect.

Được rồi, hoàn hảo.

15:32

So, you can see it went through all of the steps here.

Bạn có thể thấy nó đã đi qua tất cả các bước ở đây.

15:35

We had multiple sub-agents that were spun up.

Chúng ta đã có nhiều sub-agent được khởi tạo.

15:37

We went through all of the different tools, and then it created the research summary for us with the updated models 2026 by actually doing the web search.

Chúng ta đã đi qua tất cả các công cụ khác nhau, và sau đó nó tạo bản tóm tắt nghiên cứu cho chúng ta với các model cập nhật 2026 bằng cách thực sự thực hiện web search.

15:44

Or now we have DeepSeek R1, MiniMax M3, GLM, you know, Mistral, right?

Giờ chúng ta có DeepSeek R1, MiniMax M3, GLM, bạn biết đấy, Mistral, đúng không?

15:48

All of the current models, at least my understanding, with

Tất cả các model hiện tại, ít nhất theo hiểu biết của tôi, với

15:51

the top parameters.

Các tham số hàng đầu.

15:51

Now, what I wanted to do is create a web dashboard.

Giờ, điều tôi muốn làm là tạo một web dashboard.

15:54

So, I did make one, however, the button wasn't working, so I just said, "Hey, can you just make sure you're using the skill to render the dashboard?" So, let's see what that looks like.

Vậy nên, tôi đã tạo một cái, tuy nhiên nút không hoạt động, nên tôi chỉ nói, "Này, bạn có thể đảm bảo là bạn đang dùng skill để render dashboard không?" Vậy hãy xem nó trông thế nào.

16:02

Okay, perfect.

Được rồi, hoàn hảo.

16:02

So, now it's building the full dashboard for us automatically, so it's actually viewable inside of this chat interface,

Vậy nên, giờ nó đang tự động xây dựng toàn bộ dashboard cho chúng ta, để nó thực sự có thể xem được ngay trong giao diện chat này,

16:07

and you can see it's kind of building it live time, and we can click through the different components here, benchmarks, all of that.

Và bạn có thể thấy nó đang xây dựng theo thời gian thực, và chúng ta có thể nhấp qua các thành phần khác nhau ở đây, benchmarks, tất cả những thứ đó.

16:12

Uh and that's exactly what I was looking for.

Uh và đó chính xác là những gì tôi đang tìm kiếm.

16:14

Now, we don't need to wait for all of this to finish.

Giờ, chúng ta không cần đợi tất cả cái này hoàn tất.

16:17

Point is, what I can do now is I can save all of this as an agent, and then I'm actually going to be able to use this reusably in the future with all of the

Vấn đề là, điều tôi có thể làm bây giờ là lưu tất cả cái này thành một agent, và sau đó tôi thực sự có thể dùng lại nó trong tương lai với tất cả

16:25

skills, contacts, and everything set up.

Kỹ năng, ngữ cảnh, và mọi thứ đã được thiết lập.

16:28

So, what I'm going to do here is just go save agent.

Vậy nên, điều tôi sẽ làm ở đây là chỉ cần nhấn save agent.

16:31

For the agent, let's call this, I don't know, researcher or something like that.

Với agent này, hãy gọi nó là, tôi không biết, researcher hay gì đó tương tự.

16:34

We can give it a description if we want.

Chúng ta có thể thêm mô tả nếu muốn.

16:37

We can choose the model, connectors, skills, tools, and then save this.

Chúng ta có thể chọn model, connectors, skills, tools, rồi lưu cái này.

16:40

And if we go to our agents library now, you can see we have the researcher agent.

Và nếu giờ chúng ta vào thư viện agents, bạn có thể thấy chúng ta có agent researcher.

16:45

And now that this is here, we can use the agent directly

Và giờ khi cái này đã ở đây, chúng ta có thể dùng agent trực tiếp

16:48

with all of the configuration done, or we can actually trigger this from something like an API or another tool, which I'm going to quickly show you.

Với toàn bộ cấu hình đã xong, hoặc chúng ta thực sự có thể kích hoạt nó từ thứ gì đó như API hay công cụ khác, điều mà tôi sẽ nhanh chóng cho bạn thấy.

16:55

Okay, so I've just got a super simple JavaScript file here.

Được rồi, vậy tôi vừa có một tệp JavaScript cực kỳ đơn giản ở đây.

16:58

I'm just using the TrueForge SDK, which will allow me to actually connect to the uh Harnessery that's running on my machine.

Tôi chỉ đang sử dụng TrueForge SDK, thứ sẽ cho phép tôi thực sự kết nối với Harnessery đang chạy trên máy của mình.

17:04

So, you'll see it's just very simple code.

Vậy, bạn sẽ thấy nó chỉ là đoạn mã rất đơn giản.

17:06

All I'm doing is using my localhost port, saying, "Okay, I want to access the researcher agent." Telling it to do some research on Tech With Tim.

Tất cả những gì tôi làm là sử dụng cổng localhost của mình, nói rằng, "Được rồi, tôi muốn truy cập vào researcher agent." Bảo nó thực hiện một số nghiên cứu về Tech With Tim.

17:13

And now if we

Và bây giờ nếu chúng ta

17:15

go here, let's just clear and go NPM start.

Vào đây, hãy xóa và chạy NPM start.

17:17

And what it should do now is actually trigger this to run sorry create a new session and then start researching Tech With Tim by calling the different tools and giving us the response.

Và điều nó nên làm bây giờ là thực sự kích hoạt cái này chạy, xin lỗi, tạo một phiên mới và sau đó bắt đầu nghiên cứu Tech With Tim bằng cách gọi các công cụ khác nhau và cho chúng ta phản hồi.

17:25

Point being you can use this from different ways.

Ý chính là bạn có thể sử dụng cái này theo nhiều cách khác nhau.

17:28

You don't have to use it in the web UI.

Bạn không nhất thiết phải sử dụng nó trong giao diện web.

17:30

We can use it now in our code.

Chúng ta có thể sử dụng nó ngay bây giờ trong mã của mình.

17:32

We could use it like a

Chúng ta có thể sử dụng nó như một

17:34

llama right you get the idea and then if I want I can actually deploy this even for like my team for example where I have Docker compose that I'm using or kubernetes with something like octa SSO support.

Llama đúng không, bạn hiểu ý rồi, và sau đó nếu tôi muốn, tôi thực sự có thể triển khai cái này thậm chí cho cả nhóm của mình chẳng hạn, nơi tôi có Docker compose đang dùng hoặc kubernetes với thứ gì đó như hỗ trợ octa SSO.

17:42

Anyways, I'm going to link the docs below in case you want to do that but it's very cool.

Dù sao thì, tôi sẽ để liên kết tài liệu ở bên dưới phòng trường hợp bạn muốn làm điều đó, nhưng nó rất tuyệt.

17:46

All right, so we can see it's spinning up a sub agent here.

Được rồi, vậy chúng ta có thể thấy nó đang khởi động một sub agent ở đây.

17:49

I'm not going to wait for all of

Tôi sẽ không chờ tất cả

17:51

this to finish.

Cái này hoàn thành.

17:51

What I quickly want to do is just cover a little bit of the cost angle here because they've actually released some reports on how their harness fares compared to something like Claude managed agents and the quick thing here is that you can see that it actually matches the exact same accuracy as using something like the Opus model.

Điều tôi nhanh chóng muốn làm là chỉ đề cập một chút về khía cạnh chi phí ở đây, vì họ thực sự đã công bố một số báo cáo về việc harness của họ so sánh như thế nào với thứ gì đó như Claude managed agents, và điểm nhanh ở đây là bạn có thể thấy nó thực sự khớp với độ chính xác y hệt như khi sử dụng thứ gì đó như mô hình Opus.

18:07

However, it can be up to 75% cheaper based on the optimizations that this specific harness has.

Tuy nhiên, nó có thể rẻ hơn tới 75% dựa trên các tối ưu hóa mà harness cụ thể này có.

18:11

So you can see a true forge ran 30% cheaper than Claude managed agents on the same model and 75% cheaper by routing to an open model.

Vậy bạn có thể thấy true forge chạy rẻ hơn 30% so với Claude managed agents trên cùng một mô hình và rẻ hơn 75% khi định tuyến đến một mô hình mở.

18:19

So if you scroll down here for the exact same task in Claude managed agents with Opus 4.8 it was 10 million tokens per run.

Vậy nếu bạn cuộn xuống đây, với cùng một tác vụ trong Claude managed agents với Opus 4.8, nó tốn 10 triệu token mỗi lần chạy.

18:26

When we used Opus 4.8 in true forge

Khi chúng tôi sử dụng Opus 4.8 trong true forge

18:29

again same model it was only 3.8 million and then when using it with GLM 5.2 we had 3.7 million tokens but also significantly cheaper price due to the price per token right in terms of input output tokens.

Lại là cùng một mô hình, nó chỉ tốn 3,8 triệu, và sau đó khi sử dụng với GLM 5.2, chúng tôi có 3,7 triệu token nhưng cũng có mức giá rẻ hơn đáng kể do giá trên mỗi token, đúng vậy, về mặt token đầu vào đầu ra.

18:39

Point being the harness matters a lot and sometimes actually even more than the specific model that you're using so make sure you use the right one.

Ý chính là harness quan trọng rất nhiều và đôi khi thực sự còn hơn cả mô hình cụ thể mà bạn đang sử dụng, vậy hãy đảm bảo bạn dùng đúng cái.

18:46

So that's pretty much all

Vậy đó gần như là tất cả

18:48

that I want to cover.

Những gì tôi muốn đề cập.

18:49

True forge as I showed you is completely open source.

True forge như tôi đã cho bạn thấy là hoàn toàn mã nguồn mở.

18:51

It just launched so if you found this useful the single best way that you can support these types of projects is to go and actually star the repo on GitHub.

Nó vừa mới ra mắt, vậy nếu bạn thấy điều này hữu ích, cách duy nhất tốt nhất để bạn ủng hộ những dự án kiểu này là vào và thực sự star repo trên GitHub.

19:00

I'm going to leave the link below in the description as well as in the pinned comment and it really helps out all of these companies are doing this completely for free you know not charging you anything you get the idea.

Tôi sẽ để liên kết bên dưới trong phần mô tả cũng như trong bình luận được ghim, và nó thực sự giúp ích cho tất cả những công ty này, họ đang làm điều này hoàn toàn miễn phí, bạn biết đấy, không thu của bạn bất cứ thứ gì, bạn hiểu ý rồi.

19:09

Anyways, that's going to wrap up this video.

Dù sao thì, đó sẽ là phần kết thúc cho video này.

19:10

Next time someone says the word agent you will actually know what that means and the difference between a harness and a model.

Lần tới khi ai đó nói từ agent, bạn sẽ thực sự biết nó nghĩa là gì và sự khác biệt giữa một harness và một mô hình.

19:16

If you enjoy this type of content, leave a like, subscribe, and I will see you in the next one.

Nếu bạn thích kiểu nội dung này, hãy để lại một like, đăng ký, và tôi sẽ gặp bạn trong video tiếp theo.

19:21

- music

- [nhạc]

Transcript

Hiển thị

Introduction: What Is an AI Agent?

The video opens by claiming that most people cannot explain what an AI agent actually is, even though everyone talks about them. The speaker argues that the AI model itself is only about 20% of an agent, while the remaining 80% consists of components nobody explains, such as the harness, MCP, and the sandbox. He promises to explain every piece in plain English and then prove it by building a real agent from scratch using open-source tools. A quick sponsorship disclosure is given for True Foundry, whose tool will be used later. The chapter ends by setting up the single most important idea of the video.

Video mở đầu bằng tuyên bố rằng hầu hết mọi người không thể giải thích AI agent thực sự là gì, dù ai cũng nói về chúng. Diễn giả lập luận rằng bản thân mô hình AI chỉ chiếm khoảng 20% của một agent, trong khi 80% còn lại gồm các thành phần không ai giải thích, như harness, MCP và sandbox. Ông hứa sẽ giải thích từng phần bằng ngôn ngữ đơn giản rồi chứng minh bằng cách tự xây dựng một agent thực tế từ đầu bằng các công cụ mã nguồn mở. Một đoạn công bố tài trợ nhanh được đưa ra cho True Foundry, công cụ của họ sẽ được dùng ở phần sau. Chương kết thúc bằng việc dựng lên ý tưởng quan trọng nhất của video.

Everyone is talking about AI agents right now.

Hiện tại ai cũng đang nói về các AI agent.

And almost nobody can tell you what one actually is.

Và gần như không ai có thể nói cho bạn biết nó thực sự là gì.

Now, ask someone to explain the difference between an agent and ChatGPT, and you're going to get a lot of random hand-waving.

Giờ, hãy hỏi ai đó giải thích sự khác biệt giữa một agent và ChatGPT, và bạn sẽ nhận được rất nhiều lời giải thích mơ hồ.

But here's the thing: the model, so the actual AI, is maybe 20% of an agent.

Nhưng vấn đề là thế này: mô hình, tức là AI thực sự, chỉ chiếm khoảng 20% của một agent.

The other 80% is stuff that nobody explains.

80% còn lại là những thứ mà không ai giải thích.

So, what a harness is, what MCP actually stands for and why it matters, why agents need something called a sandbox.

Vậy harness là gì, MCP thực ra là viết tắt của gì và tại sao nó quan trọng, tại sao agent cần một thứ gọi là sandbox.

Now, everything we use is going to be open source, and by the end, you're going to understand agents better than most people shipping and talking about them.

And just quick

Và chỉ nhanh thôi

disclosure before we start here: this video is sponsored by True Foundry, who just open sourced the tool that we're going to be building with later today.

But everything you see is free, you can run it yourself, and I'm going to link the GitHub in the description so you can follow along.

Nhưng mọi thứ bạn thấy đều miễn phí, bạn có thể tự chạy nó, và tôi sẽ để link GitHub trong phần mô tả để bạn có thể theo dõi.

Anyways, let's get started with the single most important idea in this video, because if you understand

Dù sao thì, hãy bắt đầu với ý tưởng quan trọng nhất trong video này, bởi vì nếu bạn hiểu

1 / 8