Giải mã thuật ngữ AI mới từ GitHub: Từ 'loop engineering' đến 'hill climbing'

Từ loop engineering đến harnesses, squads và open weights, GitHub Podcast sẽ phân tích các thuật ngữ AI đang xuất hiện trong các cuộc trò chuyện của giới lập trình viên.

Ngày 2 tháng 9 năm 2026

5 phút

Có lẽ bạn sẽ cảm thấy choáng ngợp trước hàng loạt từ vựng mới xuất hiện trong lĩnh vực phát triển phần mềm gần đây, tất cả là nhờ các công cụ AI liên tục giới thiệu chúng.

Một số từ vựng mới này mô tả các mô hình hữu ích mà mọi người đang bắt đầu theo đuổi, một số khác chỉ là những cái tên mỹ miều đặt cho những thứ đã tồn tại từ trước, và một số vẫn đang được định nghĩa ngay trong lúc chúng ta nói chuyện.

Trong tập mới nhất của GitHub Podcast, Marlene Mhangami, GPS và tôi đã cùng thảo luận về một số thuật ngữ AI mà các lập trình viên đang tìm hiểu hiện nay: loop engineering, Ralph loops, squads, harness engineering, hill climbing, forward deployed engineers, closed models, open weights và open source models.

Nếu bạn thích đọc hơn là nghe, đây là hướng dẫn về ý nghĩa của các thuật ngữ đó, tại sao chúng quan trọng và cách tư duy về chúng.

Hãy nghe trọn vẹn tập podcast bên dưới! 👇

Loop engineering: Vượt xa khỏi các câu lệnh one-shot

Loop engineering là phương pháp thiết kế các hệ thống có khả năng lặp lại xung quanh các tác nhân (agents), thay vì phải thủ công đưa ra câu lệnh cho từng tác vụ một.

Một ví dụ đơn giản: thay vì mỗi sáng phải yêu cầu một tác nhân xem xét các vấn đề mới, tóm tắt chúng và đề xuất cách sửa lỗi, bạn tạo ra một vòng lặp (loop) chạy theo lịch trình. Vòng lặp đó có thể lấy các vấn đề, chuyển chúng cho tác nhân, xác thực kết quả đầu ra và xử lý bất kỳ vấn đề nào bị tắc nghẽn. Nó giống như một cron job dành riêng cho AI.

Ralph loops: "Người anh em" dùng vũ lực của loop engineering

Ralph loop là một cách triển khai khái niệm "vòng lặp" này: bạn giao cho một tác nhân một nhiệm vụ chi tiết, thường là từ tài liệu yêu cầu sản phẩm hoặc đặc tả kỹ thuật, và để nó tiếp tục làm việc cho đến khi hoàn thành công việc.

Điều này có thể hữu ích, đặc biệt là để chia nhỏ các tác vụ lớn thành các chu kỳ lập kế hoạch-thực hiện-kiểm tra lặp đi lặp lại. Tuy nhiên, mặt khác, nó cũng có thể tốn kém và kém hiệu quả vì mỗi lần lặp lại đều tiêu tốn nhiều token, ngữ cảnh và tài nguyên tính toán hơn.

Loop engineering hướng tới việc làm cho mô hình này trở nên có cấu trúc hơn, để bạn không rơi vào tình cảnh phải yêu cầu tác nhân "thử lại" liên tục. Một vòng lặp được thiết kế tốt sẽ bổ sung các thành phần cơ bản như kỹ năng (skills), khả năng quan sát (observability), xác thực, định tuyến và các điểm kiểm tra (checkpoints).

Squads, fleets và quy trình làm việc đa tác nhân (multi-agent workflows)

Nếu các vòng lặp xác định một quy trình làm việc, thì "squads" và "fleets" mô tả cách nhiều tác nhân có thể tham gia vào quy trình đó.

Một squad là một nhóm các tác nhân với các vai trò khác nhau. Chúng thường phản ánh một đội ngũ trong thế giới thực. Một tác nhân có thể lập kế hoạch, một tác nhân khác kiểm duyệt kế hoạch đó, một tác nhân khác thực hiện, một tác nhân khác kiểm thử và một tác nhân khác nữa sẽ đánh giá.

Một fleet đề cập đến các tác nhân chạy song song để thực hiện các tác vụ cùng một lúc. Bạn có thể có một squad hoạt động trong một fleet theo cách song song hoặc tuần tự.

Vận hành theo cách này cho phép các tác nhân khác nhau xử lý các phần khác nhau của một quy trình, và bạn có thể tinh chỉnh cũng như chuyên biệt hóa từng tác nhân với các kỹ năng cụ thể để đạt hiệu quả cao hơn.

Ý tưởng cốt lõi là song song hóa và chuyên biệt hóa. Thay vì một tác nhân cố gắng làm mọi thứ, các tác nhân khác nhau có thể xử lý các phần khác nhau của quy trình phát triển.

Harnesses: Hệ thống bao quanh mô hình

Ngoài những gì mô hình tạo ra, một harness là tất cả mọi thứ bao quanh nó giúp nó trở nên hữu ích trong các quy trình làm việc của bạn.

Đó có thể là các công cụ, quyền truy cập, bộ nhớ, ngữ cảnh, điều phối (v.v.) giúp định hướng cách mô hình hoạt động. Nếu bạn muốn dễ nhớ: harnesses được đặt tên theo bộ yên cương (harness) của ngựa. Những con ngựa giống như các mô hình có thể chạy hoang dã, và bộ yên cương giúp điều hướng sức mạnh của con ngựa một cách an toàn khi nó hoàn thành nhiệm vụ. Bạn hiểu chứ?

Dù sao thì, một ví dụ điển hình về một software harness chính là GitHub Copilot. Nó kết nối các mô hình với cơ sở mã nguồn, trình soạn thảo, pull request, terminal, v.v.

Khi bạn nghe thuật ngữ "harness engineering" được nhắc đến, đó chính là công việc thiết kế và cải thiện hệ thống bao quanh các mô hình đó.

Hill climbing: Cải thiện các tác nhân bằng phản hồi

Thuật ngữ "hill climbing" được dùng để mô tả quá trình cải thiện các tác nhân và harnesses theo thời gian.

Ví dụ, điều đó có thể có nghĩa là sử dụng các đánh giá (evals) để đo lường xem một tác nhân có đang tạo ra loại kết quả đầu ra đúng hay không (và sau đó điều chỉnh các harnesses cho đến khi kết quả được cải thiện).

Hoặc một ví dụ khác, nếu tác nhân của bạn được giao nhiệm vụ xem xét các pull request, hill climbing có thể là việc kiểm tra xem nó có thực sự tìm ra các lỗi có ý nghĩa và đưa ra các đề xuất hữu ích hay không, rồi điều chỉnh công cụ để cải thiện điều đó.

Forward deployed engineer: Một vai trò quen thuộc với trọng tâm là AI

Công việc forward-deployed engineer đã tồn tại từ trước, nhưng thương hiệu AI làm cho nó nghe có vẻ mới mẻ và sắc bén hơn. Hiện nay, đó là một kỹ sư phần mềm làm việc trực tiếp với khách hàng, hoặc kỹ sư bán hàng, hoặc kỹ sư giải pháp, thường tập trung vào AI.

Nếu bạn chưa từng thấy các chức danh công việc đó trước đây, thì những người này thường làm việc chặt chẽ với khách hàng để triển khai hoặc điều chỉnh các giải pháp kỹ thuật vào môi trường của họ. Với trọng tâm là AI, điều đó có nghĩa là giúp các đội ngũ tích hợp các công cụ AI, quy trình làm việc, tác nhân, v.v. vào hệ thống hiện có của họ.

Closed models, open weights và open source models

Không phải tất cả các mô hình đều được chia sẻ theo cùng một cách.

Closed models được truy cập thông qua API hoặc sản phẩm được lưu trữ. Các lập trình viên có thể sử dụng mô hình, nhưng họ không có quyền truy cập vào các trọng số (weights), dữ liệu huấn luyện hoặc quy trình huấn luyện cơ bản. Các mô hình tiên phong lớn, nổi tiếng mà bạn nghe nói đến thường đều là closed models.

Open weight models cung cấp các trọng số của mô hình (giống như các nút xoay quyết định mức độ quan trọng của các đầu vào nhất định). Các lập trình viên có thể tải xuống và chạy các mô hình này, thường là cục bộ hoặc trên cơ sở hạ tầng của riêng họ. Tuy nhiên, cần làm rõ rằng tập dữ liệu và phương pháp huấn luyện có thể không được công khai hoàn toàn.

Open source models tiến thêm một bước, đó là mô hình, mã nguồn, dữ liệu và quy trình huấn luyện đều có sẵn để kiểm tra, tái sử dụng và sửa đổi.

Mô hình càng mở, bạn càng có thể chạy, tùy chỉnh, kiểm định và tin tưởng nó nhiều hơn.