5 xu hướng định hình kỹ thuật AI tại World's Fair 2026

Lời nhắn của swyx: Cảm ơn Richard đã thay tôi phụ trách AIE trong khi tôi bận tổ chức hội nghị! Hãy đảm bảo bạn đã đăng ký nhận bản tin AINews để cập nhật các thông tin hàng tuần. AIE sẽ trở lại NYC vào ngày 12-14 tháng 10, với trọng tâm lớn là AI trong lĩnh vực Tài chính năm nay.

Kỹ thuật AI (AI engineering) đã có những bước tiến dài trong ba năm qua. Khi swyx đặt ra thuật ngữ “kỹ sư AI” vào tháng 6 năm 2023, ông ấy đang đặt tên cho một kiểu lập trình viên mới xuất hiện từ sự bùng nổ của các mô hình ngôn ngữ lớn. Giờ đây, nghe có vẻ như chuyện từ thời xa xưa, nhưng bạn có nhớ khi chúng ta gọi sự giao thoa giữa AI và phát triển phần mềm là “kỹ thuật nhắc lệnh” (prompt engineering) không? Đó chỉ là vài tháng trước khi swyx định nghĩa lại khái niệm này.

Sự kiện AI Engineer World’s Fair (AIEWF) gần đây nhất đã cho thấy lĩnh vực này đã trưởng thành đến mức nào. Việc “kỹ sư AI” có trở thành một chức danh công việc chính thức ở khắp mọi nơi hay không gần như không còn quan trọng nữa. Các phương pháp kỹ thuật đã phát triển xung quanh AI trong ba năm qua — xây dựng các tác nhân lập trình (coding agents), thiết kế các bộ khung (harnesses), quản lý ngữ cảnh, đánh giá đầu ra của mô hình và điều phối các hệ thống ngày càng tự chủ — đang trở thành một phần của phát triển phần mềm chính thống.

Thay vì tập trung vào các thông báo riêng lẻ tại AIEWF, bài viết này sẽ chọn ra năm xu hướng lớn hơn cho thấy vị thế của kỹ thuật AI trong năm 2026.

Một trong những cách rõ ràng nhất để thấy kỹ thuật AI đã phát triển như thế nào là so sánh hai bài luận của Lilian Weng, cựu nghiên cứu viên tại OpenAI và hiện là đồng sáng lập của Thinking Machines Lab. Bài viết có tầm ảnh hưởng của cô vào năm 2023, LLM Powered Autonomous Agents, đã mô tả giải phẫu của một tác nhân LLM dựa trên lập kế hoạch, bộ nhớ và việc sử dụng công cụ. AutoGPT, BabyAGI và GPT-Engineer nằm trong số các ví dụ của cô — những hệ thống bằng chứng khái niệm cho thấy các tác nhân tự chủ có thể sớm trở nên thực tiễn.

Bài luận mới năm 2026 của cô, Harness Engineering for Self-Improvement, mang một góc nhìn rất khác. Thay vì tập trung vào bản thân tác nhân, Weng lập luận rằng hệ thống bao quanh mô hình cũng trở nên quan trọng không kém: bộ khung (harness) quản lý quy trình làm việc, ngữ cảnh, quyền hạn, đánh giá, trạng thái bền vững và cải tiến liên tục. Nói cách khác, kỹ thuật AI đã vượt xa việc nhắc lệnh cho các mô hình để chuyển sang kỹ thuật các hệ thống đáng tin cậy xung quanh chúng.

Sự thay đổi này là tâm điểm tại AIEWF. Tôi không nghĩ AutoGPT — dự án tác nhân tự chủ gây xôn xao mà mọi người bàn tán vào năm 2023 — thậm chí còn được nhắc đến trong năm nay. Thay vào đó, cuộc trò chuyện xoay quanh Claude Code, Codex, Gemini CLI, Cursor, Warp và tất cả cơ sở hạ tầng cần thiết để làm cho các tác nhân lập trình trở nên đáng tin cậy trong môi trường sản xuất.

Tôi nhớ mình đã từng cảm thấy không hứng thú với sự cường điệu về AutoGPT tại sự kiện năm 2023, chủ yếu vì tất cả các cuộc thảo luận dường như tập trung vào việc loại bỏ con người ra khỏi phương trình. Nhưng trong vài năm qua, chúng ta đã học được rằng sự tự chủ hoàn toàn của tác nhân không chỉ không đáng tin cậy mà còn không hề mong muốn — đặc biệt là ở quy mô lớn. Vì vậy, thật nhẹ nhõm khi tại AIEWF, các tác nhân phần lớn được định vị là công cụ hỗ trợ kỹ sư AI, thay vì thay thế họ.

Trong bài phát biểu chính của OpenAI vào ngày thứ 2 tại AIEWF, Romain Huet đã nhấn mạnh điểm này. Sử dụng các công cụ như Codex của OpenAI, Huet lập luận rằng các kỹ sư có thể cộng tác với các tác nhân dễ dàng hơn. Như ông đã nói: “phần mềm đã ăn thế giới, rồi AI ăn phần mềm, nhưng giờ đây điều chúng tôi muốn nói là các kỹ sư AI đang ăn thế giới.”

Bất chấp sức mạnh ngày càng tăng của các kỹ sư AI, vẫn có cảm giác rằng ngay cả các công ty tiên phong cũng không hiểu đầy đủ cách các mô hình của họ đang tiến hóa — và vì vậy, các kỹ sư thực sự có thể kiểm soát chúng đến mức nào? Trong một bài phát biểu chính khác, Thariq Shihipar của Anthropic đã nói về việc mô hình mới nhất của họ, Claude Fable, giống như một hệ thống hữu cơ — “các mô hình được nuôi dưỡng, không phải được thiết kế.” Ông cho biết có một “chi phí năng lực” (capability overhead), nơi “Claude trở nên thông minh hơn theo cách đột biến.”

AINews: Tổng hợp hàng tuần

[AINews] Hướng dẫn thực địa về Fable

Ngày 7 tháng 7

Trong khi chúng ta chúc mừng (người bạn của chương trình!) General Intuition về mô hình mới của họ và (người bạn của chương trình!) Shunyu Yao về mô hình mới của họ, và thế giới đang chờ đợi sự ra mắt của GPT-5.6 Sol Ultra, mọi người đang chạy đua để tìm ra giới hạn của Fable 5 trước khi...

Đó càng là lý do để xây dựng các hệ thống cho sự phát triển mang tính tác nhân (agentic development), để chúng ta có thể đánh giá và giám sát các đầu ra.

Đến cuối buổi sáng đầu tiên của các bài phát biểu tại AIEWF, rõ ràng “vòng lặp” (loops) là từ khóa thời thượng của sự kiện. Bỏ qua việc lạm dụng thuật ngữ này, nó đã làm nổi bật một điểm căng thẳng chính xung quanh kỹ thuật AI: các tác nhân nên có bao nhiêu quyền kiểm soát, và con người nên duy trì ở đâu trong vòng lặp?

Một cách tiếp cận mà nhiều kỹ sư hàng đầu đang thực hiện là đặt bản thân họ vào một “vòng lặp ngoài” (outer loop) — để giám sát công việc phần lớn là tự chủ được thực hiện bởi các tác nhân trong một vòng lặp trong.

Roland Gavrilescu là đồng sáng lập và CEO của Introspection, một công ty mới xây dựng cơ sở hạ tầng để triển khai các hệ thống tự cải tiến. Trong một cuộc phỏng vấn với Latent Space, ông giải thích cách khái niệm “tự nghiên cứu” (autoresearch) cung cấp cấu trúc phản hồi cần thiết cho các vòng lặp tác nhân:

“Bạn có thể coi hệ thống có một vòng lặp trong và một vòng lặp ngoài. Vòng lặp trong là hệ thống chính tương tác với người dùng và thực hiện công việc. Tự nghiên cứu quan tâm nhiều hơn đến vòng lặp ngoài: một hệ thống khác nghiên cứu và duy trì hệ thống chính.”

Vòng lặp ngoài có thể bao gồm các tín hiệu phản hồi, đánh giá (evals) và đầu vào của con người. Vì vậy, nó có thể vẫn phần lớn là tự chủ, nhưng vấn đề là nó là một phương pháp giám sát cho vòng lặp tác nhân chính. Cựu lãnh đạo kỹ thuật của Google, Addy Osmani, đã có một câu nói hay liên quan đến điều này: “các tác nhân có thể chạy nhiều hơn vòng lặp thực thi trong, nhưng vòng lặp ngoài đó vẫn là kỹ thuật.”

Thuật ngữ “kỹ thuật vòng lặp” (loop engineering) đã xuất hiện nhiều lần trong AIEWF, cho thấy trách nhiệm của kỹ sư AI con người là xây dựng các hệ thống vòng lặp này. Ngay cả “ClawFather” Peter Steinberger, người tạo ra OpenClaw, cũng chú trọng việc đặt bản thân vào vòng lặp ngoài. Trong bài phát biểu của OpenAI, ông giải thích rằng “tác nhân chạy vòng lặp thực thi trong; tôi đặt hướng đi và đưa ra các quyết định trong vòng lặp ngoài.”

Vào ngày cuối cùng, một cuộc tranh luận trên sân khấu đã được tổ chức để xác định liệu các tác nhân hoàn toàn tự chủ có khả năng quản lý các vòng lặp trong thực tế hay không. Dex Horthy từ HumanLayer tuyên bố rằng “sự cường điệu đang vượt xa kỷ luật.” Ông không phản đối các vòng lặp, vì lưu ý rằng Kubernetes được xây dựng trên các vòng lặp điều khiển — “nhưng chúng là các vòng lặp tất định.” Geoffrey Huntley, người tạo ra Ralph Loop, thừa nhận rằng các vòng lặp là “tư duy tiên phong,” nhưng ông có một phép ẩn dụ tuyệt vời để khán giả suy ngẫm:

“[Chúng ta] giống như những kỹ sư đầu máy xe lửa bây giờ. Đó là công việc của chúng ta: giữ cho đầu máy nằm trên đường ray.”

Cách làm việc với các công cụ AI này đang bắt đầu thâm nhập vào các doanh nghiệp, thường thông qua một vai trò mới gọi là “kỹ sư triển khai tiền phương” (forward deployed engineer - FDE) — nơi các kỹ sư làm việc trực tiếp với các tổ chức để triển khai các khả năng AI.

Natalie Meurer, người đứng đầu bộ phận FDE tại Sierra, nói với Latent Space rằng việc triển khai AI vào các tổ chức thường đòi hỏi rất nhiều sự điều phối. “Mọi doanh nghiệp chúng tôi làm việc cùng đều muốn biết làm thế nào để duy trì mọi thứ mà hệ sinh thái tác nhân của họ có khả năng thực hiện,” cô nói. “Nó cần quản lý tất cả các tích hợp và tất cả các nhóm đóng góp vào tác nhân đó.”

Trong phiên thảo luận của mình tại AIEWF, Pauline Brunet của Cursor đã nói về những gì các FDE của họ tìm cách đạt được trong mỗi dự án:

“Khi [chúng tôi] rời đi vào cuối các dự án — và trong trường hợp của chúng tôi, chúng tôi đã triển khai các tác nhân đám mây, tác nhân chạy dài hạn, tự động hóa, [và] chúng tôi đã xây dựng các ứng dụng trên nền tảng Cursor SDK của mình — thì khi chúng tôi rời đi, đó là một ROI (tỷ suất hoàn vốn) nghiêm ngặt cho họ. Điều đó có nghĩa là họ sẽ không tắt mọi thứ khi chúng tôi rời đi.”

Một thuật ngữ khác được sử dụng thường xuyên tại hội nghị là “nhà máy phần mềm” (software factory). Tại Cursor, “một nhà máy phần mềm có nghĩa là các tác nhân chạy dài hạn giúp mọi người trong suốt toàn bộ quy trình đó,” Brunet nói. Đây về cơ bản là những gì nhóm FDE của cô chịu trách nhiệm triển khai, ngồi cùng với các kỹ sư của khách hàng.

Vị trí của các kỹ sư con người trong một nhà máy phần mềm là một vấn đề then chốt đối với các doanh nghiệp. CEO của Warp, Zach Lloyd, giải thích rằng các tổ chức cần chọn những phần nào của vòng đời phần mềm để tự động hóa, và nơi nào con người nên được đưa vào vòng lặp.

“Bạn chọn các kho lưu trữ (repositories) của mình, các phần của vòng đời phần mềm mà bạn muốn tự động hóa, và các điểm mà con người nên được đưa vào vòng lặp,” Lloyd nói với chúng tôi về nền tảng nhà máy phần mềm mới của công ty ông, Oz. “Các tổ chức và cơ sở mã nguồn khác nhau sẽ có những ưu tiên khác nhau. Bạn có tự động hóa hoàn toàn việc đánh giá mã không? Bạn có để con người đánh giá một số thay đổi rủi ro cao không?”

Một mối quan tâm khác đối với các doanh nghiệp là quản lý dữ liệu tổ chức độc nhất của họ trong các hệ thống AI. Prukalpa Sankar từ Atlan đã phát biểu tại hội nghị về “kỹ thuật ngữ cảnh” (context engineering), giải thích trong một tweet rằng điều quan trọng là phải xem xét “cách ngữ cảnh chảy từ các hệ thống kinh doanh của bạn vào một bộ não công ty dùng chung, sau đó ra các tác nhân, copilots và ứng dụng thông qua MCP, API và truy xuất.”

Cuối cùng, để tránh việc chúng ta nghĩ rằng các doanh nghiệp đều dồn toàn lực vào các tác nhân, Brunet của Cursor chỉ ra rằng việc áp dụng AI của doanh nghiệp “vẫn tập trung ở những người chấp nhận sớm.” Vì vậy, việc tìm kiếm “những người tiên phong phù hợp trong một tổ chức” là một thách thức đối với các FDE ở giai đoạn này.

Có lẽ thay đổi thực tế lớn nhất kể từ Hội nghị Kỹ sư AI đầu tiên là cách các lập trình viên tương tác với AI hàng ngày.

Năm 2023, lập trình hỗ trợ bởi AI phần lớn có nghĩa là GitHub Copilot hoàn thành vài dòng mã tiếp theo. Hầu hết các lập trình viên vẫn tự viết gần như mọi thứ, sử dụng AI như một công cụ tự động hoàn thành thông minh. Nhưng bây giờ chúng ta có các công cụ như Claude Code, Codex, Gemini CLI, Cursor và Warp. Những “tác nhân lập trình” này thường có thể hiểu một mục tiêu rộng hơn, khám phá cơ sở mã nguồn, sửa đổi nhiều tệp, chạy thử nghiệm, gỡ lỗi và tự lặp lại công việc của chính chúng trước khi trình bày lại cho lập trình viên.