Harness、Lâm Tuấn Dương、Ngành đường tỷ USD và lòng bàn tay của Anthropic

Agent 时代的 Infra（基础设施），机会和想象力比“龙虾”大得多。

2026 年 3 月，AI 行业里最热的词不是任何一个模型的名字，而是一个听起来跟 AI 毫无关系的 tiếng Anh đơn词: Harness.

Nghĩa gốc của nó là yên cương. Dây cương, dây cương đầu (kìm), bộ yên nỉ đủ cả—tất cả những thứ được gắn vào thân con ngựa.

Nếu đổi sang động từ, thì nghĩa của nó hẳn là “điều khiển/điều ngự”.

Bạn sẽ không nói harness a calculator（điều khiển một máy tính），nhưng bạn sẽ nói harness the wind（điều khiển gió），harness a horse（điều khiển một con ngựa）。Người dùng từ này—dù vô tình hay cố ý—đều đang thừa nhận một điều: thứ họ đối mặt không phải là một công cụ thụ động mà là một tồn tại có sức mạnh và tính tự chủ. Họ không phải đang “sử dụng” nó, mà là đang “điều khiển” nó.

Từ này đang trở thành khái niệm cốt lõi nhất của ngành trong kỷ nguyên AI Agent.

Xung quanh nó, một tầng hạ tầng quy mô hàng nghìn tỷ USD đang dần hình thành. Và người đặt ra các quy tắc cho tầng hạ tầng đó—đã gần như lộ diện.

Harness là Infra mới

Trong ngữ cảnh AI, Harness có hai đường tiến hóa.

Đường thứ nhất là về mặt tu từ. “Harness AI” như một cách diễn đạt phổ quát, đã lưu hành lâu trong ngành công nghệ, và ý nghĩa không gì khác là “năng lực để điều khiển AI”.

Đường thứ hai quan trọng hơn là ở tầng công nghệ. Cuối năm 2025, Anthropic bắt đầu dùng “harness” để mô tả toàn bộ tầng hạ tầng được xây dựng xoay quanh AI Agent—quản lý ngữ cảnh, gọi công cụ, bộ nhớ, hàng rào bảo vệ, điều phối. Định nghĩa chính thức của Claude Agent SDK chính là “a general-purpose agent harness”.

Đầu năm 2026, đồng sáng lập HashiCorp là Mitchell Hashimoto đề xuất “AI Harness” như một khái niệm chính thức, và “Harness Engineering” như một lĩnh vực thực hành kỹ thuật mới nhanh chóng lan rộng.

Nhưng điều thực sự khiến từ này đáng để được đối xử nghiêm túc không phải là sự phổ biến, mà là vì nó mô tả chính xác một mối quan hệ mới đang hình thành giữa con người và AI: hợp tác bất đối xứng theo kiểu cộng sinh.

Con người cung cấp ý định, phán đoán và phương hướng. AI cung cấp năng lực, tốc độ và quy mô.

Harness đồng thời thừa nhận sự bất đối xứng về năng lực và sự bất đối xứng về quyền lực, và hai loại bất đối xứng này còn “ngược chiều” nhau—năng lực của AI có thể vượt xa người điều khiển, nhưng người điều khiển nắm quyền quyết định phương hướng cuối cùng.

Ngựa chạy nhanh hơn người nhiều và mạnh hơn nhiều, nhưng đi đâu—là do con người quyết.

Con người cần điều khiển AI mạnh hơn chính mình. Đây có lẽ là lớp diễn đạt chính xác nhất khi Anthropic chọn từ này—dù vô tình hay cố ý.

Và quả thật, từ Harness cũng khá “Anthropic” (mang tính con người), có chút ý nghĩa lấy con người làm trung tâm.

Có người nói: Harness is the New Datasets.

Câu này có trực giác rất nhạy, nhưng kết luận lại không chính xác. Khi các mô hình nền tảng tiến đến sự tương đồng, chất lượng của Harness đúng là biến số then chốt quyết định Agent tốt hay xấu, giống như chất lượng dữ liệu có thể quyết định sự sống còn của một mô hình nền tảng.

Nhưng cách tồn tại của Datasets (tập dữ liệu) và Harness lại hoàn toàn khác nhau: Datasets chiếm một vị trí đơn nhất trong kiến trúc kỹ thuật, tức là đầu vào ở giai đoạn huấn luyện; còn Harness không phải một tầng cụ thể, mà là một chồng (stack), là sự tổ hợp của nhiều tầng.

Kỹ thuật ngữ cảnh và bộ nhớ là tầng lưu trữ, kết nối công cụ là tầng mạng, điều phối là tầng container, hàng rào bảo vệ là tầng an toàn, đánh giá là tầng quan sát được (observability), đóng gói kỹ năng là middleware. Mỗi tầng có thể “tách ra” để hình thành công ty độc lập, tiêu chuẩn và mô hình kinh doanh độc lập. Điều này hoàn toàn đồng cấu với cấu trúc stack theo kiểu Infra của điện toán đám mây.

Theo nghĩa đó, Harness is the New Infra: nó không phải hạ tầng huấn luyện trước mô hình (infra của pre-training), mà là infra để xây dựng Agent, giúp Agent có tính tự chủ, đồng thời nghiêm ngặt tuân theo chỉ lệnh của con người, bảo đảm an toàn và tuân thủ quy tắc.

Bản thân Harness không phải là Datasets mới, nhưng vận hành tốt của Harness sẽ tạo ra các datasets tốt cho Agent và thiết lập vòng quay dữ liệu. Khi một harness tích lũy đủ dữ liệu hành vi của người dùng và tri thức theo lĩnh vực, thì nó không chỉ còn là thiết kế hệ thống kiểu “plug-in”, mà bắt đầu mang thuộc tính dữ liệu: dùng càng nhiều thì càng tốt, dùng càng nhiều thì càng khó thay thế.

Từ đó có thể suy ra một đẳng thức gần như có thể dùng như định nghĩa:

Mô hình nền tảng + Harness = Agent。

Mô hình nền tảng cung cấp năng lực thô—lập luận, tạo sinh, hiểu biết. Nhưng nó tĩnh, thụ động và không có phương hướng. Nó có thể làm mọi thứ, nên nó cũng chẳng phải “thứ gì” cả. Harness cung cấp cấu trúc, phương hướng và ràng buộc, gom khả năng vô hạn thành những hành động hữu hạn, có mục đích. Ngay khoảnh khắc hai thứ kết hợp lại, AI từ một đối tượng bị hỏi chuyển thành một chủ thể đi hành động.

Cùng một con ngựa, chỉ cần gắn các bộ đồ dùng khác nhau, có thể kéo xe, chở người, cày ruộng, thi đấu. Thiết kế của Harness quyết định hình thái và mục đích của Agent.

Bộ Pitch Deck của Lin Junyang

Ngày 26 tháng 3 năm 2026, cựu trưởng bộ phận kỹ thuật tiền kỳ của đội Qwen là Lin Junyang (Junyang Lin) đã đăng một bài viết dài trên X với tiêu đề: “From ‘Reasoning’ Thinking to ‘Agentic’ Thinking”。Trong vòng hai ngày, đạt 700.000 lượt xem, 2.800 lượt thích, 677 lượt chia sẻ.

Ba tuần trước, ngày 4 tháng 3, anh vừa rời Alibaba. Ba tuần sau, anh viết một bài đánh giá ngành mang tính hệ thống.

Luận điểm cốt lõi của bài viết là: AI đang chuyển từ “nghĩ lâu hơn” sang “nghĩ để hành động”.

Reasoning Thinking (tư duy suy luận) về bản chất là độc thoại tĩnh—mô hình tạo ra chuỗi suy luận ngày càng dài trong không gian khép kín, cố gắng bù đắp sự thiếu tương tác với môi trường bằng nhiều văn bản hơn. Còn Agentic Thinking là liên tục đẩy tiến nhiệm vụ trong quá trình tương tác với môi trường. Đối tượng huấn luyện trải qua bước nhảy vọt ba bậc: từ huấn luyện mô hình, đến huấn luyện Agent, rồi đến huấn luyện hệ thống.

Điều này không phải nói suông. Anh dùng bài học thực chiến của chính Qwen để chứng minh: việc hợp nhất thinking (suy nghĩ) và instruct (chỉ lệnh) khó hơn tưởng tượng rất nhiều. Phân bố dữ liệu của hai hành vi và mục tiêu tối ưu kéo nhau theo hướng hoàn toàn khác nhau—instruct theo đuổi sự súc tích, nhanh chóng, đúng định dạng; thinking theo đuổi việc dùng thêm token để khám phá các đường thay thế. Sau khi Qwen3 thử hợp nhất, lại tách về các nhánh độc lập.

Bài học này dẫn đến một hiểu biết sâu hơn: Instruct là bản thay thế của Harness ở thời đại trước của Agent.

Instruct “đốt/nhúng” các chuẩn hành vi vào trọng số mô hình thông qua SFT và RLHF—tương đương việc khâu dây cương vào cơ bắp của con ngựa. Nó đủ dùng trong thời đại một câu hỏi–một câu trả lời. Nhưng bước sang thời đại Agent, mô hình cần tự chạy, gọi công cụ và liên tục ra quyết định—không thể nhồi tất cả ràng buộc vào trọng số. Trọng tâm kiểm soát buộc phải chuyển từ bên trong mô hình ra bên ngoài mô hình.

Giới hạn năng lực của Instruct bị mô hình Agent phá vỡ, và Harness là một sự tiến hóa tất yếu.

Trong bài viết, Lin Junyang nhắc tới “harness” bốn lần, mối quan hệ diễn tiến rất rõ ràng:

Từ “môi trường bên ngoài nơi agent vận hành”, đến “một thực hành kỹ thuật độc lập—harness engineering”, rồi đến “một phần của đối tượng huấn luyện—agent and the harness around it”。

Bài viết của anh chứng minh từ phía huấn luyện rằng: Harness không chỉ là cơ sở hạ tầng khi Agent vận hành, mà còn là cơ sở hạ tầng khi Agent huấn luyện.

Trong vòng khép kín của Agentic RL, Agent chạy trong Harness, môi trường tạo ra tín hiệu phản hồi, phản hồi thúc đẩy RL cập nhật chính sách, và chính sách thay đổi hành vi của Agent. Nếu bỏ Harness đi, không phải là Agent bị chậm lại—mà là vấn đề nền tảng: bài toán huấn luyện căn bản không chạy được.

Hơn nữa, anh cũng nêu rõ: nút thắt lớn nhất của Agentic RL không phải là thuật toán, cũng không phải kiến trúc mô hình, mà là chất lượng môi trường và hạ tầng rollout. Điểm kẹt chi phối sự tiến hóa của Agent nằm ở tầng Infra.

Cảm ơn Junyang, đã giúp tôi bổ sung nửa còn thiếu của lập luận “Harness is the New Infra”.

Harness là cơ sở hạ tầng không thể thiếu cho lúc Agent vận hành (infra)—đây là một khẳng định ở phần trước. Còn bài viết của Junyang cho chúng ta biết thêm: Harness cũng là Infra khi Agent huấn luyện. Trong vòng khép kín của Agentic RL, môi trường tạo tín hiệu phản hồi, phản hồi thúc đẩy cập nhật chính sách, chính sách thay đổi hành vi Agent, và hành vi Agent lại kích hoạt phản hồi mới từ môi trường.

Một hệ thống tầng, cả hai đầu—huấn luyện lẫn suy luận—đều không thể thiếu, đó mới là infra theo nghĩa thực sự, tức là Harness.

Trong bài viết, Lin Junyang nói một câu mang nhiều hàm ý: “Xây dựng môi trường đang chuyển từ một dự án phụ thành một hạng mục khởi nghiệp thực thụ”.

“Xây dựng môi trường” không đồng nghĩa với Harness, mà là một tập con của Harness, nhưng lại là một tập con quan trọng. “Môi trường” chủ yếu tương ứng với kết nối công cụ và phản hồi đánh giá trong kiến trúc Harness—cụ thể là thế giới mà Agent tương tác khi huấn luyện: sandbox thực thi mã, trình mô phỏng trình duyệt, tập hợp test case, và tầng mô phỏng API. Chức năng lõi của nó là tạo ra tín hiệu phản hồi để Agentic RL có thứ để tối ưu. Nó có chút giống container, benchmark và Hugging Face cho huấn luyện và xây dựng Agent.

Môi trường là sân tập của Agent khi huấn luyện, còn Harness là toàn bộ bộ trang bị khi Agent bắt đầu chạy. Sân tập là một phần của trang bị, nhưng không phải tất cả.

Tuy nhiên, khi một người từng giữ vị trí trưởng bộ phận công nghệ tiền kỳ của một mô hình mã nguồn mở bắt đầu định nghĩa riêng một hạng mục khởi nghiệp cho một mô-đun con của Harness, thì bản thân sự việc đó đã là một tín hiệu—nó cho thấy stack này đã đủ phức tạp và đủ có giá trị, bắt đầu giống như một stack hạ tầng thực thụ: phân tầng và sinh ra các thực thể thương mại độc lập.

Và trong một bài viết dài đậm chất học thuật, anh ấy đã định nghĩa một “đường đua” khởi nghiệp. Nếu bạn còn không nghĩ đó là pitch deck khởi nghiệp của Lin Junyang, thì bạn đừng làm VC.

Đường đua khởi nghiệp trị giá hàng nghìn tỷ USD

Nếu Lin Junyang thật sự đi làm hạ tầng môi trường huấn luyện Agent—điều mà anh tự tay định nghĩa trong bài là “một hạng mục khởi nghiệp thực thụ”—thì anh đối mặt với lớp nào trong chiếc bánh Harness này? Và lớp bánh đó lớn cỡ nào?

Bên trong Harness là một kiến trúc đa tầng hoàn chỉnh, có thể tách thành bảy mô-đun cốt lõi: kỹ thuật ngữ cảnh, hệ thống bộ nhớ, kết nối công cụ, đóng gói kỹ năng, hàng rào bảo vệ & quyền hạn, đánh giá & phản hồi, điều phối & quản lý trạng thái.

Ngoài tầng kết nối công cụ (MCP), mỗi tầng đều có các công ty khởi nghiệp đang chạy.

Tầng ngữ cảnh và bộ nhớ có Cognee（€7,5 triệu gọi vốn）và Interloom（$16,5 triệu vòng seed, Sequoia tham gia投投）。

Tầng kết nối công cụ đã được chuẩn hóa bởi giao thức MCP—lượt tải SDK theo tháng đạt 97 triệu, và Anthropic, OpenAI, Google, Microsoft, Amazon đều tích hợp, gần như không có nhiều công ty khởi nghiệp.

Tầng truy cập bảo mật đã xuất hiện Runlayer（$11 triệu, Khosla lead invest），hàng rào bảo vệ và tuân thủ có Guardrails AI, Vigilant AI, Runtime, Alter. Tầng đánh giá và khả năng quan sát (observability) đang nóng nhất: Arize AI lấy được $70 triệu Series C, khách hàng gồm Uber và PepsiCo, còn Langfuse trở thành tiêu chuẩn của cộng đồng mã nguồn mở.

Tầng điều phối thể hiện bối cảnh “tam cường”: LangGraph, CrewAI（$18 triệu huy động, 60% Fortune 500 đang dùng）và Microsoft Agent Framework; trong đó hai bên là công ty khởi nghiệp. Còn tầng đóng gói Skills thì nhiều công ty khởi nghiệp thể hiện dưới dạng các sản phẩm Agent theo ngành dọc; hình mẫu là Harvey—AI trong lĩnh vực pháp lý, định giá $11 tỷ, $1 tỷ vốn lũy kế, ARR $190 triệu; và Abridge, y tế—AI, định giá $5,3 tỷ.

Tầng môi trường huấn luyện nằm ở giai đoạn sớm nhất, khoảng 20 công ty seed. Wing VC dự đoán đến năm 2030 sẽ hợp nhất thành 3-5 công ty.

Nhưng không phải mô-đun nào cũng là đường đua tốt.

Tiêu chuẩn cốt lõi để đánh giá một đường đua có tệ hay không là: mô-đun này giải quyết vấn đề “năng lực của mô hình” hay “vấn đề thiết kế hệ thống”.

Nếu là vấn đề năng lực mô hình, thì sẽ bị mô hình nền tảng nuốt chửng—cửa sổ ngữ cảnh từ 128K mở rộng lên 1M rồi đến lớn hơn nữa; những chiến lược nén tinh xảo ngày hôm nay, có thể ngày mai sẽ không còn dùng.

Còn các mô-đun ở tầng thiết kế hệ thống lại có giá trị bền vững—ví dụ như kết nối công cụ: đây là bài toán vị trí trong hệ sinh thái; hàng rào bảo vệ an toàn là bài toán tuân thủ; đánh giá là bài toán tính độc lập—những thứ này không thể tiêu tan chỉ vì mô hình trở nên mạnh hơn.

Lộ trình thoái vốn của chúng cũng hoàn toàn khác nhau. Kết nối công cụ và đóng gói kỹ năng nằm quá gần mô hình, nên các công ty sản xuất mô hình có động cơ cực mạnh để thu nạp—Anthropic làm MCP và Skills, OpenAI làm Plugins và GPTs; đều là hành vi nuốt hai tầng này.

Trong hai hướng khởi nghiệp đó, trần giá trị nằm ở việc bị mua lại. Còn ở hướng tuân thủ hàng rào bảo vệ và đánh giá khả năng quan sát thì ngược lại: chúng vốn cần tính độc lập từ bên thứ ba. Ngân hàng sẽ không tin vào công cụ kiểm toán tuân thủ do chính Anthropic tự kiểm toán, giống như bạn sẽ không để bên được kiểm toán tự xuất báo cáo kiểm toán. Độc lập không phải là chiến lược kinh doanh, mà chính là giá trị sản phẩm. Trước là mục tiêu mua lại tốt; sau là mục tiêu IPO tốt.

Chúng đều thuộc Harness, cơ sở hạ tầng (Infra) của Agent. Vậy “tổng bảng” của đường đua Harness lớn cỡ nào?

Từ dưới lên, cộng tổng theo không gian định giá của bảy “tiểu đường đua”, đến năm 2030 giá trị tổng của các công ty khởi nghiệp độc lập khoảng $5000-8000 tỷ. Trong đó đóng gói kỹ năng và kiến thức theo chiều dọc lớn nhất（$2500-3500 tỷ），hàng rào bảo vệ và tuân thủ tăng trưởng nhanh nhất（CAGR 65,8%, từ $700 triệu năm 2024 đến dự báo $109,9 tỷ năm 2034, Agent càng tự chủ thì giá “dây cương” càng đắt），còn môi trường huấn luyện tuy là giai đoạn sớm nhất nhưng lại có độ chắc chắn cao nhất.

Tổng thị trường AI Agent dự báo năm 2030 đạt doanh thu $50-100 tỷ, còn Harness là một tầng Infra chiếm 40-50%; tính theo bội số PS của SaaS/Infra là 10-15x, không gian định giá là tương thích và có thể đạt được.

Một đường đua khởi nghiệp gần một vạn tỷ USD.

Nếu tính cả doanh thu Harness được nhúng trong các công ty sản xuất mô hình, thì không gian định giá của toàn bộ tầng cơ sở hạ tầng Harness là $2,5-3,8 nghìn tỷ. Xấp xỉ tổng giá trị vốn hóa của toàn bộ tầng Infra điện toán đám mây ngày nay.

Vậy quay lại với Lin Junyang: nếu anh thật sự bước vào tiểu đường đua hạ tầng môi trường huấn luyện và RL, thì anh sẽ đối mặt với một thị trường hiện chỉ có khoảng 20 công ty giai đoạn seed, nhưng đến năm 2030 có không gian định giá $20-50 tỷ. Wing VC dự đoán cuối cùng đường đua này sẽ hợp nhất thành 3-5 công ty đầu đàn.

Với tư cách là cựu trưởng bộ phận công nghệ tiền kỳ của Qwen, nếu ở Silicon Valley thì định giá vòng seed có thể nằm trong khoảng $200-500 triệu. Thị trường không định giá “công ty”, mà là định giá “con người”. Lin Junyang không còn cần viết BP (bản giới thiệu nhà đầu tư)—chỉ cần bài đăng đó trên X là đủ. Còn nếu ở Trung Quốc mà dùng quỹ USD, thì định giá từ $50 triệu trở lên, $100 triệu cũng không phải là không thể. Nhân dân tệ? Thì lại bàn sau.

Tay nắm của Anthropic

Giờ cần trả lời một câu hỏi thực sự quan trọng: Tầng hạ tầng trị giá hàng nghìn tỷ USD này của Harness—ai là người định nghĩa luật chơi?

Hãy xem một vài sự thật phũ phàng sau:

MCP là giao thức chuẩn do Anthropic đề xuất. Claude Code là sản phẩm harness do Anthropic tạo ra, doanh thu hằng năm hóa $2,5 tỷ. Agent SDK là “cổng vào” dành cho nhà phát triển do Anthropic xây dựng. Hệ thống Skills là do Anthropic thiết kế. Thậm chí ngay cả sự phổ biến của từ “harness” trong ngữ cảnh AI Agent, động lực lớn nhất cũng vẫn là Anthropic.

Lý do sâu hơn nằm ở mô hình kinh doanh.

Câu chuyện cốt lõi của OpenAI là “mô hình mạnh nhất”, doanh thu chủ yếu