Lilian Weng đề xuất 'Tự tiến hóa bắt đầu từ Harness', chuyên gia DeepSeek đồng tình

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

08-07-2026 16:55:30 Nguồn: QbitAI

Cui Tianyi: Đây là hướng đi rất dễ đạt được kết quả

Ting Yu đưa tin từ QbitAI | Tài khoản chính thức QbitAI

Lilian Weng, cựu Phó chủ tịch phụ trách an toàn tại OpenAI và là đồng sáng lập Thinking Machines Lab, vừa đăng tải một bài blog mới.

Lần này, cô thảo luận về sự tự tiến hóa của AI và đề xuất một lộ trình thực tế:

Không nhất thiết phải bắt đầu từ việc mô hình tự viết lại trọng số của chính mình, mà nên bắt đầu từ Harness.

Bài blog này có tiêu đề "Harness Engineering for Self-Improvement" (Kỹ thuật Harness cho sự tự cải thiện).

Trong đó, Harness có thể hiểu đơn giản là hệ thống vận hành bên ngoài mô hình, quyết định cách mô hình gọi công cụ, quản lý ngữ cảnh, đọc/ghi tệp, chia nhỏ tác vụ, gọi các Agent con, xác thực kết quả cũng như rút kinh nghiệm từ những thất bại.

Nghiên cứu viên Cui Tianyi của DeepSeek cũng đã chia sẻ ngay lập tức và nhấn mạnh các điểm chính:

Sự tự tiến hóa theo hướng Harness, cũng giống như sự tự tiến hóa theo hướng mô hình, đều là những hướng đi rất có khả năng đạt được kết quả.

Anh cũng cho rằng, Skill (kỹ năng) chính là một dạng sơ khai trong quá trình tự tiến hóa của Harness: tự tiến hóa ở cấp độ prompt.

Bài blog gốc chứa đựng lượng thông tin khổng lồ, mời quý độc giả chuẩn bị sẵn tinh thần nhé~

Sự tự tiến hóa có thể xảy ra trước ở tầng Harness

Khái niệm cốt lõi mà Lilian Weng thảo luận trong bài blog này là RSI (Recursive Self-Improvement) - Tự cải thiện đệ quy.

Khái niệm này vốn mang đậm màu sắc AGI, đề cập đến việc một hệ thống thông minh có khả năng cải thiện cơ chế tạo ra trí thông minh của chính nó, từ đó tạo ra các hệ thống kế nhiệm mạnh mẽ hơn.

Tuy nhiên, trong bài blog này, Lilian Weng đã phân tách vấn đề theo hướng kỹ thuật hơn.

Trong các hệ thống AI ngày nay, tự cải thiện không nhất thiết chỉ có nghĩa là mô hình tự viết lại trọng số của chính mình.

Nó còn có thể có nghĩa là mô hình cải thiện quy trình huấn luyện, quy trình nghiên cứu và hệ thống triển khai, từ đó giúp thế hệ hệ thống tiếp theo hoạt động tốt hơn trong các tác vụ thực tế.

△ AI tạo

Và Harness chính là tầng quan trọng nhất trong hệ thống triển khai.

Trước đây khi nói về Agent, cách gọi phổ biến là "LLM + bộ nhớ + công cụ + lập kế hoạch + hành động".

Nhưng theo quan điểm của Lilian Weng, Harness không còn chỉ là vài module trong các khung Agent sơ khai, mà gần giống với thiết kế hệ thống phần mềm và môi trường thực thi (runtime) hơn.

Nó quyết định cách mô hình quan sát môi trường, cách hành động, cách quản lý ngữ cảnh, cách lưu trữ trạng thái, cách đánh giá kết quả, và cũng quyết định liệu mô hình có thể liên tục lặp lại trong một tác vụ dài hay không.

Vì vậy, nhận định của cô là: lộ trình tự tiến hóa khả thi hơn trong tương lai gần có lẽ không phải là mô hình tự viết lại "bộ não" của chính mình, mà là mô hình bắt đầu tối ưu hóa cách thức nó đạt được câu trả lời.

Từ Context Engineering đến Self-Harness, các tầng tối ưu hóa tiến triển dần dần

Lilian Weng đã tổng hợp một loạt nghiên cứu liên quan gần đây và có thể thấy một xu hướng rất rõ ràng:

Đối tượng tối ưu hóa đang dần chuyển dịch từ ngữ cảnh, quy trình làm việc, đi sâu từng bước vào chính Harness.

Chuỗi tiến triển là: prompt → structured context (ngữ cảnh có cấu trúc) → workflow (quy trình làm việc) → harness code → optimizer code (mã tối ưu hóa).

Khi mô hình ngày càng mạnh, các đối tượng có thể được tối ưu hóa cũng trở nên trừu tượng và phổ quát hơn.

Tầng đầu tiên là Context Engineering (Kỹ thuật ngữ cảnh).

Vấn đề cơ bản nhất là: khi Agent thực hiện các tác vụ dài, ngữ cảnh bị nhồi nhét ngày càng nhiều và sẽ sớm mất kiểm soát.

Lilian Weng đã đề cập đến hai công trình tiêu biểu ở đây: ACE và MCE.

ACE (Agentic Context Engineering) coi ngữ cảnh như một "sổ tay vận hành" được cập nhật liên tục, thay vì một đoạn prompt ngày càng dài ra.

Nó dựa vào sự phối hợp của ba vai trò: Generator (trình tạo) chịu trách nhiệm tạo ra quỹ đạo tác vụ, Reflector (trình phản tư) chắt lọc các điểm chính từ các quỹ đạo thành công và thất bại, và Curator (trình quản lý) sắp xếp các điểm chính này thành các mục có cấu trúc, cập nhật dần dần vào sổ tay.