Nếu bạn vẫn nghĩ dùng AI giỏi là biết cách “chốt” một câu prompt thật hay, thì có lẽ đã đến lúc cập nhật lại suy nghĩ đó. Người đứng đầu Claude Code tại Anthropic, Boris Cherny, mới đây chia sẻ trong một buổi trò chuyện rằng ông gần như không còn ngồi gõ prompt cho Claude nữa. Thay vào đó, ông để những vòng lặp (loop) tự chạy, tự prompt Claude và tự quyết định bước tiếp theo. Việc của ông chỉ còn là viết ra những vòng lặp đó.
Câu nói này đang lan khá nhanh trong giới làm AI, và nó gắn với một khái niệm đang được nhắc tới nhiều: Loop Engineering.
Loop Engineering: Vì sao người tạo ra Claude Code không còn viết prompt nữa
Agent thực chất chỉ là một vòng lặp
Nghe có vẻ to tát, nhưng bản chất một AI Agent không phức tạp như nhiều người tưởng tượng. Nó chỉ là một vòng lặp khá đơn giản: AI đọc ngữ cảnh, quyết định có cần gọi công cụ (tool) hay không, thực thi công cụ đó, nhận kết quả về, rồi đọc lại ngữ cảnh và lặp lại quá trình cho tới khi không còn việc gì cần làm nữa.
Tóm gọn thành một chuỗi: Model → Tool → Context → Lặp lại.
Cấu trúc này gần như đã thành chuẩn chung — hầu hết framework AI Agent hiện nay đều chạy theo mô hình tương tự, nên chẳng ai còn cạnh tranh nhau ở việc viết ra một vòng lặp nữa. Thứ mọi người thật sự cạnh tranh nằm ở phần bao quanh cái vòng lặp đó.
Từ prompt đến loop: một hành trình dịch chuyển trọng tâm
Ngành AI đã đổi trọng tâm khá nhanh trong vài năm gần đây. Ban đầu là Prompt Engineering — tối ưu câu lệnh gửi cho AI. Sau đó chuyển sang Context Engineering — quản lý toàn bộ thông tin AI nhìn thấy. Tiếp theo là Harness Engineering, tức lớp hệ thống lo việc gọi công cụ, quản lý trạng thái và xử lý lỗi. Và giờ đây là Loop Engineering: thiết kế nguyên một vòng lặp tự động để AI làm việc gần như không cần con người can thiệp giữa chừng.
LangChain từng tóm gọn ý này bằng một công thức khá dễ nhớ: Agent = Model + Harness. Nếu bạn không phải người xây model, thì phần giá trị bạn tạo ra nằm ở harness và loop xung quanh nó. Thực tế cũng cho thấy điều này khá rõ: nhiều đội ngũ giữ nguyên model nhưng thay đổi phần hệ thống bên ngoài, và điểm số trên các bảng xếp hạng agent nhảy vọt đáng kể — cùng một “bộ não” nhưng tổ chức vòng lặp khác đi thì kết quả khác hẳn.
Nói cách khác, prompt giờ chỉ còn là một mảnh rất nhỏ trong cả hệ thống.
Vấn đề đầu tiên: làm sao để AI biết khi nào nên dừng
Đây có lẽ là bài toán khó nhằn nhất của Loop Engineering. Nhiều agent tự ý dừng gọi công cụ và tuyên bố đã xong việc, dù thực tế chưa xong — kiểu một AI coding agent viết xong code rồi báo hoàn thành trong khi bộ test vẫn còn lỗi đỏ lòm.
Một vòng lặp tử tế cần nhiều lớp bảo vệ: giới hạn số lần lặp, giới hạn thời gian, giới hạn chi phí token, cơ chế phát hiện khi AI cứ lặp đi lặp lại cùng một hành động vô nghĩa. Nhưng quan trọng nhất vẫn là một điều kiện kiểm tra khách quan để xác nhận công việc thật sự xong — ví dụ toàn bộ bộ test phải pass, chứ không phải AI tự nói là xong.
Mẹo: nếu bạn đang thử tự động hoá một quy trình bằng AI, hãy nghĩ về điều kiện “hoàn thành” trước tiên. Một tiêu chí có thể kiểm tra tự động (test pass, số liệu đạt ngưỡng, file được tạo đúng định dạng…) luôn đáng tin hơn việc để AI tự chấm điểm chính mình.
Vấn đề thứ hai: context rot — càng chạy lâu, càng “bẩn”
Agent chạy càng lâu thì context càng chất đầy dữ liệu cũ, những hướng giải quyết thất bại, output dư thừa và các đoạn suy luận không còn giá trị. Context “bẩn” dần khiến chất lượng suy luận đi xuống. Tệ hơn, quyết định kém lại tạo thêm dữ liệu rác, rồi dữ liệu rác đó lại khiến AI suy nghĩ kém hơn nữa — một vòng xoáy mà nhiều người gọi là doom loop.
Cách tránh là quản lý context như một ngân sách có hạn, chứ không phải cái thùng chứa vô hạn. Hệ thống cần biết khi nào nên tóm tắt lại lịch sử hội thoại, khi nào nên đẩy dữ liệu lớn ra một file riêng, và khi nào nên tách một bài toán phức tạp sang cho một agent phụ xử lý rồi chỉ lấy kết quả cuối cùng quay về.
Vấn đề thứ ba: tool không phải càng nhiều càng tốt
Nhiều người nghĩ trang bị cho agent càng nhiều công cụ càng mạnh, nhưng thực tế ngược lại. Một agent có hàng trăm tool sẽ rất khó chọn đúng cái cần dùng trong từng tình huống. Một bộ tool nhỏ, rõ ràng, không chồng chéo chức năng thường hiệu quả hơn hẳn.
Một điểm dễ bị bỏ qua khác: mọi thao tác ghi dữ liệu cần chạy lại được một cách an toàn. Nếu agent thử lại một lệnh “tạo khách hàng mới” mà hệ thống không kiểm tra trùng lặp, mỗi lần retry sẽ đẻ thêm một bản ghi rác. Thông báo lỗi cũng nên viết cho AI đọc hiểu được, chứ không chỉ để con người debug — một lỗi tốt phải giúp AI biết bước tiếp theo cần làm gì.
Vấn đề cuối: cần có người phản biện
Một agent làm việc hoàn toàn một mình rất dễ rơi vào tình trạng tự đồng ý với chính mình. Vì vậy một vòng lặp tốt luôn tách bạch hai vai trò: một bên tạo ra kết quả, một bên kiểm tra kết quả. Người làm bài không nên kiêm luôn người chấm bài của mình. Bộ kiểm tra có thể là một model khác, một bộ test tự động, hoặc một hệ thống đánh giá cứng dựa trên tiêu chí đo lường được.
Một ví dụ thực tế: Karpathy để AI tự nghiên cứu suốt đêm
Andrej Karpathy là người minh hoạ khá rõ tinh thần này. Ông xây một hệ thống nhỏ gọi là autoresearch: viết ra một file hướng dẫn ngắn nêu rõ mục tiêu, giới hạn và tiêu chí thành công, rồi để AI tự đề xuất thay đổi cho một đoạn code huấn luyện, tự chạy thử, tự chấm điểm và giữ lại thay đổi nào tốt hơn — lặp đi lặp lại mà không cần ông ngồi canh màn hình.
Kết quả: chỉ trong hai ngày, hệ thống chạy khoảng 700 thử nghiệm và tìm ra khoảng 20 cải tiến mà chính Karpathy — người đã tinh chỉnh đoạn code đó suốt nhiều năm — cũng bỏ sót, giúp rút ngắn thời gian huấn luyện khoảng 11%. Một trong các phát hiện là một hệ số nhân bị thiếu trong khâu chuẩn hoá, khiến cơ chế attention bị loãng hơn mức cần thiết. Sau đó, CEO của Shopify là Tobi Lütke cũng thử cách làm tương tự trên dữ liệu nội bộ công ty và báo cáo mức cải thiện hiệu năng khoảng 19% sau 37 thử nghiệm chạy qua đêm.
Điều Karpathy nhấn mạnh là: nếu bạn đã có một tiêu chí đo lường rõ ràng, thì chính bạn mới là điểm nghẽn — chứ không phải AI.
Bắt đầu Loop Engineering như thế nào
Không cần xây một AI Agent hoàn toàn tự động ngay từ đầu. Có thể bắt đầu bằng một vòng lặp đơn giản, thêm dần giới hạn số lần lặp, thời gian và chi phí. Định nghĩa rõ thế nào là “hoàn thành” bằng một điều kiện kiểm tra được tự động, quản lý context để tránh context rot, chỉ giữ lại những tool thật sự cần thiết, và luôn có một cơ chế phản biện trong hệ thống.
Điều quan trọng nhất cần nhớ: Loop Engineering không phải một framework hay công cụ mới toanh nào cả. Nó là sự thay đổi trong cách người ta xây dựng AI. Model đang dần trở thành thứ phổ thông, ai cũng dùng được. Lợi thế cạnh tranh không còn nằm ở việc bạn chọn GPT, Claude hay Gemini, mà nằm ở vòng lặp và hệ thống bạn xây xung quanh model đó.
Câu hỏi của những người xây AI giỏi nhất bây giờ không còn là “nên prompt AI thế nào cho hay”, mà là “phải xây hệ thống ra sao để AI hoàn thành công việc mà không cần mình đứng cạnh”.
Để lại một bình luận