# Harness engineering: Ryan Lopopolo về tool và context, demo harness tuyến tính và vòng kín, ba layer của stack agent

[Smitha Kolan](https://homus.dev/speakers/smitha-kolan) · [Google Cloud Tech](https://homus.dev/orgs/google-cloud-tech), [Luke Schlangen](https://homus.dev/speakers/luke-schlangen) · [Google Cloud Tech](https://homus.dev/orgs/google-cloud-tech), [Tilde Thurium](https://homus.dev/speakers/tilde-thurium) · [Google Cloud Tech](https://homus.dev/orgs/google-cloud-tech), [Ryan Lopopolo](https://homus.dev/speakers/ryan-lopopolo) · [Google Cloud Tech](https://homus.dev/orgs/google-cloud-tech), [Billy Jacobson](https://homus.dev/speakers/billy-jacobson) · [Google Cloud Tech](https://homus.dev/orgs/google-cloud-tech)

> Agent harness là gì, vì sao Ryan Lopopolo dồn sức vào tool và context, demo harness tuyến tính, vòng kín, ADK, và stack model, harness, knowledge.

Topics: Agents, Coding Agents, Context Engineering, Skills

Canonical: https://homus.dev/talks/harness-engineering-explained-inside-the-stack-behind-antigravity-claude-code-cursor

## 1. Agent harness là gì: model cộng với mọi thứ bao quanh nó

Đây là một tập của The Agent Factory trên kênh Google Cloud Tech (video đăng ngày 14/09/2026). Hai host của tập là Smitha Kolan và Luke Schlangen.

Video mở bằng vài câu trích từ cuộc phỏng vấn phía sau. Ryan hỏi: bạn có thể bóc lớp mơ hồ (ambiguity) xa tới đâu trong tương lai để trao cho agent quyền tự chủ với việc đó? Tilde tóm lại rằng như vậy agent đang lấy tín hiệu từ context và môi trường bạn làm việc nhiều hơn là từ những gì bạn nói thẳng ra trong prompt. Ryan đáp "That's right", anh mong mình là một người viết prompt cực kỳ lười: nếu anh đã làm xong phần việc đưa cho model các tool và context nó cần để tự bám vào thực tế (ground itself), thì anh không cần nhồi trước những thứ đó vào prompt. Và theo anh, điều rất quan trọng là liên tục cập nhật hình dung của mình về những gì có thể làm được với các công cụ này (video đăng ngày 14/09/2026).

![Ryan Lopopolo và Tilde Thurium ngồi cạnh nhau ở một chiếc bàn trắng trước nền tường tím](https://homus.dev/photos/F8EZJAm9iO8-0017.jpg)

Ryan Lopopolo (bên trái, áo thun đen) và Tilde Thurium (bên phải, tóc xám xanh, cầm sổ ghi chú) trong studio của cuộc phỏng vấn, một cảnh của đoạn trích mở đầu trong video đăng ngày 14/09/2026.

Smitha giới thiệu rằng trong tập này chị và Luke sẽ đi sâu vào khái niệm agent harness. Chị nói agent harness là từ khóa (buzzword) mới nhất trong AI (video đăng ngày 14/09/2026), rồi hỏi: vậy chính xác nó là gì? Luke trả lời rằng nói ngắn gọn, một AI agent là một large language model cộng với một agent harness. Harness là mọi thứ trong AI agent đó mà không phải là LLM (theo Luke, video đăng ngày 14/09/2026). Smitha đưa ví dụ: giống như Gemini Flash là model và Google Antigravity là harness. Luke đáp: "Exactly like that."

![Hai host Smitha Kolan và Luke Schlangen xuất hiện cạnh nhau trên màn hình chia đôi](https://homus.dev/photos/F8EZJAm9iO8-0043.jpg)

Smitha Kolan (bên trái) và Luke Schlangen (bên phải, trước bức tường có chữ HELLO WORLD) trên màn hình chia đôi lúc mở đầu phần giải thích agent harness, trong video đăng ngày 14/09/2026.

Luke giải thích bằng một ví dụ (video đăng ngày 14/09/2026). Nếu bạn hỏi những câu như "vì sao bầu trời màu xanh?" hay "kể cho tôi một câu chuyện cười", model có thể trả lại cho bạn chữ mà không cần tìm hiểu thêm gì. Nó đã có sẵn câu trả lời. Nhưng nếu bạn hỏi một câu phức tạp hơn, như "tôi có nên mặc áo mưa không?", thì LLM không có câu trả lời. Nó cần thêm thông tin. Cho nên một thứ gì đó, chính là harness, phải đi tìm xem thời tiết thế nào.

Theo Luke (video đăng ngày 14/09/2026), gần như bất cứ khi nào chúng ta tương tác với AI, thật ra là chúng ta đang tương tác với một agent. Ta hỏi agent "tôi có nên mặc áo mưa không?". Agent đưa những chữ đó cho LLM. LLM thấy những chữ đó nhưng không có câu trả lời, nên nó trả ra chữ để đi tìm xem thời tiết thế nào: "Thời tiết thế nào? Tìm thông tin đó cho tôi." Rồi agent harness lấy thông tin thời tiết, ví dụ ngoài trời đang nắng. Sau đó harness lấy câu hỏi gốc "tôi có nên mặc áo mưa không", cộng với thông tin mới về thời tiết là trời đang nắng, rồi đưa tất cả lại cho LLM. Lúc đó model mới trả lời được: "Không, trời đang 98 và nắng, bạn không cần áo mưa."

Ví dụ áo mưa Luke kể trong video đăng ngày 14/09/2026: LLM tự nó không biết thời tiết, harness đi lấy thông tin rồi đưa lại cho LLM cùng câu hỏi gốc.

Luke kết lại (video đăng ngày 14/09/2026): agent harness là mọi thứ được bọc quanh LLM để cho agent những năng lực vượt ra ngoài kiểu "đây là chữ đưa vào, trả cho tôi chữ ra".

## 2. Tilde gặp Ryan, người đặt ra thuật ngữ agent harness

Smitha dẫn sang phần chính: để đi sâu hơn vào khái niệm này, Tilde đã ngồi nói chuyện với Ryan, một Googler, và cũng là người đặt ra thuật ngữ agent harness (theo lời Smitha và phần mô tả của video đăng ngày 14/09/2026, mô tả gọi Ryan là kỹ sư Google).

Tilde chào và giới thiệu mình đang ngồi cùng Ryan Lopopolo. Có tiếng chào lại. Tilde nói hai người sẽ nói về harness, rồi hỏi: harness đã trở thành một thuật ngữ như thế nào, và có đúng Ryan là người đặt ra nó không?

Ryan kể (video đăng ngày 14/09/2026) rằng anh và nhóm đã làm rất nhiều việc để tìm cách đưa các coding agent tới chỗ tự chủ hoàn toàn, và có rất nhiều thứ hay ho anh và nhóm làm quanh coding agent để biến điều đó thành có thể. Họ công bố một số kết quả tốt về việc này vào tháng 2 năm nay, và theo lời anh, nó "kind of" đã làm cả ngành phát sốt. Anh nói rất hào hứng được đi vào chi tiết hôm nay.

Tilde đáp "Yeah, absolutely". Tilde kể đã đọc bài essay của Ryan về việc tận dụng Codex trong một thế giới agent-first, thấy nó rất cuốn hút, và cho rằng bất kỳ ai quan tâm tới tương lai của software engineering đều phải đọc nó (video đăng ngày 14/09/2026). Theo Tilde, bài viết đưa ra một lập luận rất thuyết phục cho việc không viết code bằng tay chút nào.

![Trang bài viết Harness engineering: leveraging Codex in an agent-first world của Ryan Lopopolo](https://homus.dev/photos/F8EZJAm9iO8-0303.jpg)

Bài essay được nhắc tới, hiện trong video đăng ngày 14/09/2026: tiêu đề "Harness engineering: leveraging Codex in an agent-first world", ngày February 11, 2026, tác giả "Ryan Lopopolo, Member of the Technical Staff"; đoạn đầu nói về việc build và ship bản beta nội bộ của một sản phẩm với "0 lines of manually-written code".

Ryan nói (video đăng ngày 14/09/2026) anh đã cố hết sức để không viết code bằng tay, và anh không nghĩ là mình đã mở một editor lần nào kể từ khoảng tháng 5 năm ngoái. Anh nói anh vẫn giữ vững điều đó ở Google. Có tiếng thốt lên "Wow". Ryan nói anh mới ở đây được tám tuần. Có tiếng đáp "Amazing".

Tilde thừa nhận (video đăng ngày 14/09/2026) rằng việc không đọc code mà mình sắp đưa lên production làm Tilde hơi sợ một chút, nhưng bài essay đưa ra một lập luận rất thuyết phục cho điều đó: rằng kỹ sư sẽ chỉ còn viết spec bằng ngôn ngữ tự nhiên, và đó là tất cả những gì chúng ta sẽ làm. Rồi Tilde hỏi: điều bất ngờ nhất Ryan học được khi đưa cách làm này vào thực tế là gì?

## 3. Model giỏi hơn chưa chắc hiểu bạn muốn gì, và "lazy prompter"

Ryan trả lời (video đăng ngày 14/09/2026) rằng anh nghĩ rất đúng là bạn phải coi việc model ngày càng giỏi hơn theo thời gian là chuyện đương nhiên. Nhưng ngay cả khi model ngày càng giỏi hơn, anh nghĩ mình đã hiểu ra rằng chúng sẽ không nhất thiết giỏi hơn trong việc tự biết anh muốn gì theo mặc định.

Theo Ryan (video đăng ngày 14/09/2026), toàn bộ ý tưởng của harness engineering là làm việc tuyển chọn context và môi trường (context and environment curation) quanh model, để mỗi lần khởi động, nó tự nhiên hơn trong việc hiểu ra chính xác anh muốn gì. Và khi model ngày càng giỏi, ngày càng thông minh và làm theo chỉ dẫn ngày càng tốt, thì anh càng neo chúng vào hình mẫu "tốt" của anh bao nhiêu, chúng càng làm được những việc phức tạp hơn bấy nhiêu.

Tilde tóm lại: vậy là agent đang lấy tín hiệu từ context và môi trường bạn làm việc nhiều hơn là từ những gì bạn nói thẳng ra trong prompt. Ryan đáp "That's right". Anh mong mình là một người viết prompt cực kỳ lười, vì nếu anh đã làm xong phần việc đưa cho model các tool và context nó cần để tự bám vào thực tế, thì anh không cần nhồi trước những thứ đó vào prompt (video đăng ngày 14/09/2026).

Ý Ryan nói trong video đăng ngày 14/09/2026: khi môi trường đã có đủ tool và context, anh không cần nhồi trước những thứ đó vào prompt.

## 4. Best practice nào hợp với agent, và ý nghĩa của "shift left"

Tilde nói (video đăng ngày 14/09/2026) một điều gây ấn tượng trong bài essay là Ryan chủ trương đưa vào những best practice kỹ thuật mà người ta có thể dùng khi mở rộng số lượng kỹ sư làm chung một project, như linter, như coding convention được định nghĩa rõ. Tilde hỏi: trong số đó, best practice nào Ryan thấy hiệu quả nhất cho một workflow agent-first?

Ryan trả lời (video đăng ngày 14/09/2026): thật lòng mà nói, tất cả. Anh thật sự muốn đẩy giới hạn tự chủ đi xa nhất có thể. Anh nghĩ có một kiểu phổ (spectrum) các can thiệp chúng ta có thể đặt vào với model. Cái đơn giản nhất, "smooth-brained" nhất, ngớ ngẩn nhất anh nghĩ ra được là đúng nghĩa đen chạy lại prompt của mình mà không đổi gì khác để xem có ra kết quả tốt hơn không.

Nhưng, theo Ryan (video đăng ngày 14/09/2026), cách đó không scale được sang đồng đội của anh. Nó cũng không scale theo thời gian của anh. Nên anh có thể nghĩ tới việc đẩy các can thiệp này ngày càng xa về bên trái trong quy trình software engineering. Anh có thể thêm docs. Anh có thể thêm một file agents.md trỏ tới những docs đó, hoặc thêm một static verifier và một test. Có thể chính các static verifier đó sẽ đưa prompt vào cho agent, và cứ thế tiếp tục. Rồi tới một lúc, dù may hay không may, chúng đi tới các eval mà anh và nhóm có thể đưa ngược lên cho những người ở DeepMind, để giúp Gemini trở nên tốt nhất.

Tilde nói "Amazing" và hỏi Ryan có thể định nghĩa một chút "shifting left" nghĩa là gì không.

Ryan giải thích (video đăng ngày 14/09/2026): anh muốn các can thiệp mà anh và nhóm đưa cho model, cho môi trường và tool của nó, rẻ nhất có thể để triển khai. Với những agent "thèm" text, vận hành trên text, việc cung cấp cho chúng nhiều text hơn theo những cách ngày càng tinh vi và tự động hơn là điều anh gọi là shift sang trái. Nối thêm một đoạn text vào prompt về cơ bản là xa nhất về bên phải mà ta có thể đi. Còn đưa cho model các tool và khả năng tự suy luận qua kho tài liệu (documentation corpus) mà anh và nhóm đưa cho nó thì ngày càng xa hơn về bên trái, để model có phương tiện tự đi khám phá context đó.

Phổ can thiệp Ryan mô tả trong video đăng ngày 14/09/2026, từ phải (chạy lại hoặc nối thêm vào prompt) sang trái (docs, agents.md, verifier, test, rồi eval đưa lên DeepMind).

## 5. Công cụ quen thuộc, observability và PromQL

Tilde hỏi tiếp (video đăng ngày 14/09/2026): có những best practice mới nào đang nổi lên, ví dụ như các vòng lặp agentic tự chữa lành dựa trên observability (self-healing observability agentic loops), mà trước khi công nghệ tốt như bây giờ có lẽ chưa làm được?

Ryan nói (video đăng ngày 14/09/2026) điều rất hay là những tool đơn giản vốn đã đi theo các best practice mà Tilde và anh vẫn dùng trong software engineering lại được các agent này tận dụng theo những cách ngày càng sáng tạo. Và một lý do khiến mọi chuyện như vậy là các tool best practice được thể hiện rất đầy đủ trong dữ liệu huấn luyện (training data).

Theo Ryan (video đăng ngày 14/09/2026), nếu anh có thể thu gọn một bài toán observability về thứ anh đã dùng cả sự nghiệp, một thứ có hình dạng như PromQL và các kỹ thuật observability trực tuyến, thì đó là thứ model sẽ biết làm tốt. Nó ghép nối (compose) rất đẹp. Anh và nhóm chuyển việc thu thập và tổng hợp dữ liệu observability vào một tool tốt nhất cho việc đó, đưa cho model một thứ ghép rất đẹp với một CLI, có khả năng chuyển phần suy luận thành phần xác định (move reasoning into determinism), và về cơ bản cho nó một lối vào rất dễ tới context ở một định dạng dày đặc mà nó sẽ biết phải làm gì.

Ryan nói (video đăng ngày 14/09/2026) có thể dùng pattern đó ở khắp nơi, để lấy những mong muốn tốt nhất ở quy mô lớn của bạn về software engineering và cứ thế làm chúng, vì lúc này code rất rẻ để sản xuất. Anh có thể thấy agent thất bại theo một cách cụ thể.

Pattern Ryan kể trong video đăng ngày 14/09/2026: đưa bài toán observability về dạng truy vấn quen thuộc qua CLI, để model nhận context ở định dạng nó biết dùng.

## 6. Anchor trong markdown, code dễ đọc và "gõ đầu" agent

Ryan kể một thứ anh thêm vào hôm trước (video đăng ngày 14/09/2026). Anh thích ý tưởng cấu trúc markdown của mình với link được nhúng vào, không nằm trong dòng chảy của đoạn văn, mà giống như một anchor đặt gần nó. Anh làm vậy để agent đọc phần văn bản thật trong tài liệu một cách rất hiệu quả, còn với chính cái link, anh viết vài test kiểm rằng nó nằm gần đoạn văn đó. Nghĩa là named anchor của anh nằm ở cuối đoạn văn hoặc danh sách mà nó gắn với.

Theo Ryan (video đăng ngày 14/09/2026), đây là một đoạn code "gross" anh đã vibe ra, giúp giữ context hiệu quả. Nó giữ văn bản dễ đọc cho anh, nên mọi người dễ review. Và anh đã giải quyết xong vấn đề này mãi mãi. Anh nói có lẽ việc này hơi mang tính sở thích riêng của anh, nhưng cũng tốt cho agent và team của anh.

Tilde hỏi: vậy Ryan đang giải quyết cả vấn đề "lost in the middle" lẫn chuyện con người đọc được cùng một lúc? Ryan đáp "That's right. That's right." Anh nói (video đăng ngày 14/09/2026) vì anh không viết chút code nào, anh cần nó khá dễ đọc để có thể hé nhìn bên dưới quá trình agent thực thi. Vì nhìn vào artifact cuối cùng là cách anh muốn đối xử với agent, dù chúng đang tạo ra code, Google Docs hay Google Sheets. Anh muốn nhìn artifact cuối cùng và hỏi: cái này có hợp lý không? Nếu không hợp lý, anh cần có cách nào đó để lần ngược lại xem vì sao: thứ vớ vẩn nào đã đi vào việc tạo ra cái Google Sheet vô lý này, để anh "gõ đầu" agent, bảo đảm nó không lặp lại lỗi đó nữa.

Tilde nói "Whack the agents on the head" và nói rất thích cách nói đó.

## 7. Agent có giữ được mạch trong thời gian dài: PR nhỏ và kích thước vòng lặp

Tilde nói Ryan viết bài essay vào tháng 2 năm 2026, và bây giờ là tháng 9 năm 2026 (theo lời Tilde trong video đăng ngày 14/09/2026). Một điều Ryan nói lúc đó anh chưa biết là hệ thống này sẽ tiến hóa thế nào về lâu dài.

Ryan nói (video đăng ngày 14/09/2026) nếu phải nói thử thách anh đã cố giải bằng harness engineering suốt thời gian qua là gì, thì đó là câu hỏi: agent có giữ được mạch nhất quán (cohere) qua những khoảng thời gian dài không.

Anh rất tin rằng mọi công việc chúng ta làm trong các tổ chức của con người đều là một quá trình lặp đi lặp lại. Chúng ta đã không one-shot ra công việc kinh doanh của Google. Phải mất rất nhiều năm, với đóng góp của rất nhiều người qua một quá trình rất lặp đi lặp lại, mới xây được nó tới vị trí hiện tại (theo Ryan, video đăng ngày 14/09/2026). Để agent thành người tham gia thực thụ vào việc tạo ra công việc đó, về cơ bản chúng ta phải liên tục căn chỉnh lại những gì chúng tạo ra theo "sợi chỉ vàng" (golden thread) của điều mà tổ chức coi là tốt.

Theo Ryan (video đăng ngày 14/09/2026), về cơ bản toàn bộ harness engineering là một bộ mẹo ngày càng tinh vi để đưa agent về lại baseline, chẳng hạn bằng các PR nhỏ dễ review. Và nếu các PR nhỏ dễ review, thì cũng nên dễ để vận hành agent làm một phần việc review đó, nghĩa là ta có thể thu hẹp không gian trạng thái (state space) của các PR nhỏ đó, từ đó đi được những chặng dài hơn với ít can thiệp của con người hơn.

Ryan nói (video đăng ngày 14/09/2026) đó đại khái là ý nghĩa của việc tăng kích thước vòng lặp (loop) mà bạn dùng agent cho nó. Bạn tự tin tới đâu rằng trong một thay đổi nhỏ bạn có thể nhận được thứ gì đó hợp lý? Bạn có thể xếp nối tiếp những thay đổi nhỏ đó để có được thứ hợp lý trên một chặng dài hơn không? Và rồi, với anh trong vai người giám sát hệ thống, thử một điều tham vọng hơn, làm một vòng lặp lớn hơn, sẽ có nghĩa là gì?

Cách Ryan nói về "loop size" trong video đăng ngày 14/09/2026: tin được thay đổi nhỏ, rồi chuỗi thay đổi nhỏ, rồi mới tới những vòng lặp tham vọng hơn.

Có tiếng nói "Oh, wow". Tilde tóm lại: vậy là bắt đầu từ thứ nhỏ, làm lặp dần từ đó để trao cho agent ngày càng nhiều quyền tự chủ, thực hiện những thay đổi ngày càng lớn khi mở rộng quy mô. Ryan đáp "That's right". Anh nói (video đăng ngày 14/09/2026) rồi tới một lúc bạn có thể tới điểm mà những việc như chuyển đổi toàn bộ ngôn ngữ (wholesale language migration) trở nên khả thi, vì bạn đã đặt đủ guardrail để biết rằng một loạt thay đổi xếp nối tiếp nhau là tốt. Bạn có thể tin code đang được tạo ra, nghĩa là bạn có thể áp niềm tin và quyền tự chủ đó theo một hướng mới.

## 8. Agent như một nhân vật RPG, và việc tự chọn chuyên môn

Ryan kể (video đăng ngày 14/09/2026) khi anh làm các agent kỹ sư phần mềm và quản lý kỹ thuật tự chủ (autonomous software engineers and engineering managers) khác nhau, rất thú vị khi thấy các cá nhân khác nhau đóng góp vào những agent này, vì bạn có thể kiểu như ngắm việc xây dần các chỉ số (stats) của nhân vật RPG của mình. Anh có một người mới vào team là một React architect, và bùm, sự chú tâm của người đó nâng được các chỉ số về architecture và performance. Đó là thứ mà bình thường anh không mang tới được.

Theo Ryan (video đăng ngày 14/09/2026), tuyển chọn một team đa dạng như vậy và để tất cả cùng đóng góp vào một "nguồn sinh công việc có đòn bẩy" chung, thật ra nghĩa là bạn có thể có một agent khá toàn diện, mang những điểm tốt nhất của mọi người.

Hình ảnh nhân vật RPG Ryan dùng trong video đăng ngày 14/09/2026: mỗi người trong team nâng một chỉ số của agent chung.

Tilde nói "Wow, that's amazing" (video đăng ngày 14/09/2026), rằng nghe như đang tuyển người cho một team, nhưng bạn được chỉ định chính xác những kỹ năng mình cần, rồi agent mang chúng tới. Có tiếng đáp "That's right".

Ryan nói tiếp (video đăng ngày 14/09/2026): quay lại chuyện harness engineering là một bộ mẹo để tinh chỉnh sợi chỉ vàng của việc thực thi, anh cần agent vừa là back-end architect vừa là chuyên gia front-end performance, vì anh không biết mình sẽ làm task nào. Bạn sẽ nghĩ tới cảnh ngồi trong sprint planning đầu tuần, chia việc dựa trên ai có chuyên môn gì. Nhưng nếu chỉ có agent làm việc, chúng cần tự tìm ra mình phải kích hoạt chuyên môn nào.

Theo Ryan (video đăng ngày 14/09/2026), đó là lý do việc để agent phân loại việc nó sắp làm, rồi dùng kết quả đó để tự động khám phá context cần kéo vào, là một phần của việc có mức tự chủ cao. Vì nếu bạn không để ý thật chi tiết tới code được tạo ra, thì điều đó cũng có nghĩa là có lẽ bạn không muốn sa vào chi tiết của việc viết prompt, xác định task và chỉ hướng cho agent ngay từ đầu. Theo anh, đó lại là một thứ nữa giúp mở rộng vòng lặp đó.

## 9. Từ junior tới staff, và lời khuyên: Ryan chưa từng build harness

Tilde nhận xét (video đăng ngày 14/09/2026): nghe như Ryan cũng đang mở rộng quyền tự chủ trao cho agent về mặt business logic, giao cho chúng những bài toán ngày càng mơ hồ hơn, giống như cách bạn nuôi một kỹ sư từ junior lên senior qua sự nghiệp của họ.

Ryan đáp "That's right. That's right." Anh nói (video đăng ngày 14/09/2026) chạm tới chuyện này, anh nghĩ rất thú vị khi nghĩ về những loại kỹ năng giờ áp dụng được khi dùng agent làm lực lượng thực thi trong việc tạo ra code. Anh nghĩ về nó theo kích thước vòng lặp: bạn có thể bóc lớp mơ hồ xa tới đâu trong tương lai để trao cho agent quyền tự chủ với việc đó? Cũng như anh muốn các staff engineer giải quyết vấn đề cho tổ chức ở tầm sáu tháng tới, anh muốn các kỹ sư từ junior tới senior tới staff, khi làm việc với agent, nghĩ xem họ có thể gỡ vướng cho team agent của mình trước được bao xa.

Tilde đưa câu chuyện về bức tranh lớn hơn (video đăng ngày 14/09/2026): Ryan có lời khuyên gì cho một kỹ sư bình thường, họ cần biết bao nhiêu về harness engineering, hay có nên tự build harness của riêng mình không?

Ryan trả lời (video đăng ngày 14/09/2026): anh chưa bao giờ build một harness. Anh nghĩ đây là một kiểu hiểu nhầm lớn về cái anh gọi là harness engineering. Anh luôn giữ cố định cái thứ giống như Antigravity trong hệ thống agentic của bạn. Lấy model tốt nhất có thể ngay khi nó ra mắt. Cố có tham vọng cao với nó. Chủ động vứt bỏ mọi định kiến cũ về điều gì là có thể, vì thế giới ngày nay chuyển động rất nhanh. Cố có tham vọng cao. Quan sát khi agent làm không tốt. Chất vấn nó và chất vấn chính mình xem vì sao. Rồi tận dụng việc code rất rẻ để sản xuất, văn bản (prose) cũng rất rẻ để sản xuất, để tinh chỉnh môi trường quanh agent, cố hết sức không cho những lệch hướng khỏi hành vi tốt đó xảy ra.

Theo Ryan (video đăng ngày 14/09/2026), bạn làm điều này càng nhiều, càng đưa agent nhiều tool, tài liệu càng phong phú, càng giúp agent điều hướng trong tài liệu đó và tìm đúng thứ cần đúng lúc, thì nó càng hẳn là hoàn thành được những task phức tạp hơn, và bạn càng ít phải giữ tay trên vô lăng.

Ryan nói (video đăng ngày 14/09/2026) tool và context là thứ rất, rất cốt lõi với agent. Mọi harness về cơ bản đều cung cấp một tool đọc file, một grep, và một tool thực thi lệnh tùy ý. Nghĩa là nếu bạn dồn mọi nỗ lực vào việc nâng chất lượng của tool và context, bạn có thể tự do dùng các model mới nhất khi chúng ra mắt, và bạn sẽ liên tục tích lũy đòn bẩy vào một phần của hệ thống sẽ không bao giờ lỗi thời. Đó là một thách thức lớn với các agent này: bạn rất dễ dựng giàn giáo quá mức (over-scaffold) quanh chúng, thứ trói buộc chúng một cách không cần thiết khi chúng giỏi lên, và đẩy bạn vào kiểu ngụy biện chi phí chìm (sunk cost fallacy), không muốn vứt những thứ đó đi.

Lời khuyên của Ryan trong video đăng ngày 14/09/2026: giữ harness cố định, dùng model mới nhất, dồn nỗ lực vào tool và context.

Tilde nói "Yeah, I can certainly relate to that", rằng mình hoàn toàn đồng cảm với điều đó.

## 10. Ryan ở Google Cloud, capability overhang và lời cuối

Tilde nói thật tuyệt và rất vui vì Ryan đã về Google (video đăng ngày 14/09/2026), rồi hỏi Ryan có thể kể một chút vì sao, và anh đang làm gì không.

Ryan kể (video đăng ngày 14/09/2026) anh đang làm ở Google Cloud. Anh đang cố build những agent tốt nhất để giúp bạn vận hành cloud của mình. Lý do anh thấy việc này rất hào hứng là toàn bộ động lực của anh khi làm AI là theo đuổi việc triển khai (deployment). Anh tin rằng ngày nay chúng ta có cái gọi là capability overhang: model đã giỏi hơn rất, rất nhiều so với những gì chúng ta khai thác được từ chúng thành công việc hữu ích hôm nay.

Theo Ryan (video đăng ngày 14/09/2026), mục tiêu của anh, với tư cách một applied engineer, là theo đuổi việc "ngốn" càng nhiều phần capability overhang đó càng tốt, nghĩa là cố tăng tham vọng và mở rộng những không gian nơi chúng ta triển khai thứ này, đưa nó vào những nơi mà tới giờ nó chưa có mặt.

Ryan nói (video đăng ngày 14/09/2026) anh nghĩ Google Cloud là một cái hố rất rộng và rất sâu của những hệ thống rất phức tạp. Về cơ bản nó là một cái máy tính rất lớn. Và một phần để agent thành công là cho nó một cái máy tính. Anh muốn biến Google Cloud thành cái máy tính tốt nhất cho agent, để chúng vận hành nó cực kỳ tốt, và giúp khách hàng tự làm được điều đó trong quá trình này.

Tilde nói (video đăng ngày 14/09/2026): "There is no cloud. It's just someone else's computer", không có cloud nào cả, chỉ là máy tính của người khác. Ryan đáp "That's right. That's right. That's right." và nói anh và nhóm muốn cho agent một cái "máy tính của người khác" thật lớn.

Tilde nói "Amazing" rồi hỏi Ryan có lời khuyên cuối hay một "hot take" nào muốn chia sẻ với khán giả không.

Ryan nói (video đăng ngày 14/09/2026) điều rất quan trọng là liên tục cập nhật hình dung của bạn về những gì có thể làm được với những công cụ này. Tốc độ tiến bộ của AI rất nhanh, và bạn muốn bảo đảm rằng kinh nghiệm của mình với chúng, cùng chuyên môn bạn đang xây cho bản thân và cho team, sẽ tiếp tục có ý nghĩa khi các agent và harness của chúng tiếp tục tốt lên. Nghĩa là tập trung vào hai giao diện có thể mở rộng này, quanh tool và context, là cách để làm điều đó.

Theo Ryan (video đăng ngày 14/09/2026), agent sẽ luôn cần context để làm phần thích nghi "dặm cuối" (last mile adaptation) vào điều bạn cho là tốt. Và khi bạn tiếp tục dịch kiến thức đó sang, anh nói "right" rồi sửa lại là "left", dịch nó sang trái, thành những tool ngày càng có năng lực, đóng vai trò như một dạng bộ nhớ và sự ràng buộc (enforcement) cho điều bạn cho là tốt, thì bạn sẽ liên tục bất ngờ khi model làm được những điều ngày càng thú vị hơn cho bạn theo thời gian.

Tilde cảm ơn Ryan rất nhiều và cảm ơn khán giả đã theo dõi. Có tiếng đáp "Thank you".

## 11. Billy: model không có harness thì chỉ nói được ý định

Luke chuyển phần (video đăng ngày 14/09/2026): giờ Tilde và Ryan đã nói về các khái niệm đằng sau agent harness, và anh biết nhiều người xem là developer muốn thấy code, tự tay làm và đi sâu hơn một chút. Smitha nói tiếp: hãy xem Billy tùy biến agent harness của riêng anh cho những task cụ thể như thế nào, bằng cách cân nhắc các quyết định thiết kế như looping và memory, và chị và Luke cũng sẽ xem sự khác nhau giữa pattern tuyến tính (linear) và vòng kín (closed loop).

Billy mở đầu (video đăng ngày 14/09/2026): một người mentor kỹ thuật của anh luôn nói rằng bạn có thể chỉ cần dùng framework, nhưng một kỹ sư giỏi sẽ thật sự hiểu framework. Tự build một harness là cách bạn hiểu chuyện gì đang xảy ra bên dưới khi mọi thứ hỏng.

Theo Billy (video đăng ngày 14/09/2026), agent harness là cách chúng ta đẩy model và lấy được nhiều nhất từ chúng. Nếu nhìn một model đứng một mình, một model không có harness, nó có thể biết về tool nhưng không có cách nào thực thi gì cả. Ta biết nhiều model đã được fine-tune cho việc dùng tool, nên chúng có thể thực hiện các hành động như thao tác với file, gọi API, quản lý context và memory của chúng. Nhưng tự chúng thì model không có cách tương tác với môi trường.

Billy cho xem đoạn code đầu tiên (demo trong video đăng ngày 14/09/2026). Nội dung file `01_bare_bones.py` trên màn hình (video đăng ngày 14/09/2026):

```
from google import genai
from google.genai import types

client = genai.Client()

def inspect_file(path: str) -> str:
with open(path, "r") as f:
return f.read()

# Bare-bones call: model returns a wish list, cannot execute tools
res = client.models.generate_content(
model="gemini-3.5-flash",
contents="Inspect auth.py and check for password hashing.",
config=types.GenerateContentConfig(
tools=[inspect_file],
automatic_function_calling=types.AutomaticFunctionCallingConfig(disable=True),
),
)

print(res.function_calls)
```

Billy nói (demo trong video đăng ngày 14/09/2026) nếu anh chạy code này, model chỉ có thể xuất ra phần chữ nói rằng nó nên kiểm tra file. Harness cần làm phần việc nối ý định đó với hành động. Mục tiêu của sự kết nối đó là tối ưu một model để làm điều ta muốn, có thể ta muốn nó code, viết hay nghiên cứu, và agent harness là cách để làm điều đó.

![Editor với file 01_bare_bones.py và terminal in ra một FunctionCall tới inspect_file](https://homus.dev/photos/F8EZJAm9iO8-2043.jpg)

Kết quả chạy `python3 01_bare_bones.py` trong demo của video đăng ngày 14/09/2026: terminal chỉ in ra một `FunctionCall` với `name='inspect_file'` và `args={'path': 'auth.py'}`: model mới chỉ xuất ra ý định gọi tool, chưa có gì được thực thi.

Theo Billy (video đăng ngày 14/09/2026), không có một harness tốt nhất để thống trị tất cả. Không có một giải pháp tốt nhất ở đây, và đó đại khái là điều mọi người đang khám phá lúc này trong không gian bài toán agent harness. Thứ quan trọng trong bài toán này có thể không quan trọng ở bài toán khác.

## 12. Ba quyết định khi tùy biến harness, và harness tuyến tính

Billy nói (video đăng ngày 14/09/2026) với mỗi harness, có một vài thứ bạn có thể ra quyết định. Looping: nó sẽ lặp bao nhiêu lần? Tools: nó nên dùng tool nào, khi nào nên dùng, và dùng thế nào? Và memory: memory quan trọng tới đâu với workflow, và khi nào bạn muốn truy xuất nó?

![Sơ đồ Agent Harness Customization Decisions với ba nhánh Looping, Tools, Memory](https://homus.dev/photos/F8EZJAm9iO8-2103.jpg)

File `diagram.md` trong demo (video đăng ngày 14/09/2026): "Agent Harness Customization Decisions", từ ô "Customizing an Agent Harness" tách ra ba ô "1. Looping: 0 (Linear) vs. N (Closed-Loop)", "2. Tools: When to call & which actions" và "3. Memory: Working context vs. Error history".

Billy nói anh sẽ xem ba harness khác nhau, và pattern đầu tiên là một harness tuyến tính, không có vòng lặp (demo trong video đăng ngày 14/09/2026). Harness này có thể kiểm tra một file, xuất ra một khuyến nghị rồi thoát, hoặc, nếu không cần xem file đó, trả về luôn tại đó. Và nó sẽ luôn đi qua đúng luồng đó. Theo Billy, cách này rất tốt nếu bạn cần một mức độ xác định (determinism) nhất định, khi bạn muốn nó làm cùng một việc mỗi lần.

![File 02_linear_harness.py với hàm linear_harness chia ba bước](https://homus.dev/photos/F8EZJAm9iO8-2143.jpg)

File `02_linear_harness.py` trong demo (video đăng ngày 14/09/2026): hàm `linear_harness` có ba bước được chú thích "# 1. Ask model for tool call", "# 2. Harness executes tool once" và "# 3. Final synthesis (single-pass exit)"; nếu model không gọi tool thì hàm trả về luôn `res.text`.

Billy chạy thử và chờ một chút cho kết quả (demo trong video đăng ngày 14/09/2026). Harness đã đi qua file và xuất ra kết quả, tổng hợp thông tin từ file với phần phân tích anh muốn nó làm. Nhưng theo anh, nó sẽ luôn đi qua đúng luồng đó mỗi lần: đọc tool một lần, xuất câu trả lời, rồi kết thúc.

## 13. Harness vòng kín và một agent ADK có guardrail

Billy giới thiệu pattern thứ hai (demo trong video đăng ngày 14/09/2026), một pattern theo anh là rất phổ biến trong việc sửa code và hơn thế: vòng kín (closed loop). Nó cứ chạy đi chạy lại cho tới khi có một trạng thái thoát. Nếu anh muốn làm một việc trên code, sửa code đó, anh muốn dùng loại harness vòng kín này. Anh muốn nó chạy cho tới khi vấn đề được giải quyết.

Ở đây (demo trong video đăng ngày 14/09/2026), harness áp một thay đổi sửa code, rồi sau thay đổi đó thì chạy test. Chừng nào test chưa pass thì nó chưa trả về, hoặc, như Billy nói "I think", ở đây nó trả về sau có lẽ năm vòng lặp. Cách này cho phép đổi code, chạy test suite, bắt lấy output lỗi, không chỉ xem pass hay không mà xem vì sao fail, rồi đưa lỗi đó ngược vào memory và lặp lại cho tới khi test pass.

Một đoạn của file `03_closed_loop_harness.py` hiện trên màn hình trong demo (video đăng ngày 14/09/2026):

```
def closed_loop_code_harness(task: str, max_loops: int = 5):
memory = [types.Content(role="user", parts=[types.Part.from_text(text=task)])]

for _ in range(max_loops):
res = client.models.generate_content(
model="gemini-3.5-flash",
contents=memory,
config=types.GenerateContentConfig(
tools=[apply_code_edit],
automatic_function_calling=types.AutomaticFunctionCallingConfig(disable=True),
),
)
memory.append(res.candidates[0].content)

if res.function_calls:
for call in res.function_calls:
result = apply_code_edit(**call.args)
memory.append(types.Content(
role="tool",
parts=[types.Part.from_function_response(name=call.name, response={"result": result})]
))

# Reality check: execute tests
test_output = run_pytest()
if test_output == "TESTS_PASSED":
print("Tests passed! Code fixed.")
return

# Closed-loop: feed test failure back into memory
```

![File 03_closed_loop_harness.py với hàm closed_loop_code_harness và vòng lặp max_loops](https://homus.dev/photos/F8EZJAm9iO8-2243.jpg)

File `03_closed_loop_harness.py` trong demo (video đăng ngày 14/09/2026): hàm `apply_code_edit` ghi nội dung mới vào file, còn `closed_loop_code_harness` lặp tối đa `max_loops: int = 5` lần, chạy `run_pytest()` sau mỗi lần sửa và đưa lỗi test ngược vào `memory`.

Pattern cuối Billy muốn xem hôm nay là một thứ có thêm guardrail an toàn (demo trong video đăng ngày 14/09/2026). Nếu muốn build một thứ từ đầu nhưng không muốn tự cài từng chức năng một, theo Billy bạn có thể tìm tới một công cụ như ADK, Agent Development Kit của Google. Nó cho phép build thứ nâng cao hơn, có nhiều guardrail hơn, có sẵn memory compaction. Bạn không phải tự code tất cả các tính năng đó, nhưng vẫn có nhiều khả năng tùy biến hơn so với dùng một thứ có sẵn nguyên hộp (theo Billy, video đăng ngày 14/09/2026).

Ngay trong ví dụ này, Billy có một hàm `block_destructive_commands` để bảo đảm không chạy lệnh nguy hiểm nào, như xóa file, drop database hay push lên GitHub, trước khi thực hiện một hành động như chạy code (demo trong video đăng ngày 14/09/2026). Một đoạn của file `04_adk_guardrailed_agent.py` trên màn hình:

```
def block_destructive_commands(tool, args, tool_context=None):
# Intercept tool call before execution
command = args.get("command", "")
if any(b in command for b in ["rm -rf", "DROP", "git push --force"]):
return {"error": f"Blocked dangerous command: {command}"}

def run_command(command: str) -> str:
"""Execute a shell command in the project environment."""
return f"Executed: {command}"

# Declarative agent configuration with safety guardrail
agent = Agent(
name="DevRelCodingAgent",
model="gemini-3.5-pro",
instruction="Analyze repo, edit code, and run tests safely.",
tools=[run_command],
before_tool_callback=block_destructive_commands,
)
```

![Đoạn code phóng to của hàm block_destructive_commands và cấu hình Agent](https://homus.dev/photos/F8EZJAm9iO8-2403.jpg)

Phần code phóng to trong demo (video đăng ngày 14/09/2026): `block_destructive_commands` chặn lệnh chứa "rm -rf", "DROP" hoặc "git push --force", và được gắn vào agent qua `before_tool_callback`.

Billy tóm lại (video đăng ngày 14/09/2026): ở đây ta làm việc được với một agent tool, cho nó nhiều khả năng tùy biến mà không phải dùng một thứ hoàn toàn có sẵn nguyên hộp.

## 14. Antigravity, Claude Code, Cursor: theo Billy, độ mượt đến từ harness engineering

Billy nói (video đăng ngày 14/09/2026) lúc này các agent harness phổ biến nhất là những công cụ như Google Antigravity, Claude Code, Cursor. Ai cũng sẽ nói kiểu "đây là thứ tốt nhất lúc này". Và theo anh, tất cả các công cụ này đều tuyệt vời. Nhưng chúng tốt nhất cho việc gì? Chúng tuyệt vời ở đâu?

Theo Billy (video đăng ngày 14/09/2026), nhiều công cụ trong số đó rất giỏi trong việc dùng máy tính theo một cách cụ thể, dùng memory theo một cách cụ thể, giải quyết vấn đề theo những cách cụ thể. Nhưng có thể bạn cần một thứ có chủ kiến (opinionated) riêng cho những bài toán bạn đang cố giải.

Billy nói (video đăng ngày 14/09/2026) thứ làm cho các công cụ này chạy tốt và cảm giác rất mượt khi làm việc trên máy tính hay viết code không phải là bản thân model. Các model đó rất thông minh. Chính harness engineering quanh model mới là thứ làm nên điều đó. Chúng được thiết kế khéo léo theo các nguyên tắc kỹ thuật và có đủ những tool đúng để viết phần mềm hiệu quả lúc này.

Ba agent harness Billy nêu tên trong video đăng ngày 14/09/2026, và nhận xét của anh rằng thứ khiến chúng mượt là harness engineering quanh model.

Billy chuyển về lại hai host: "All right, back to Smita and Luke." Luke nói đó là một phần đi sâu xuất sắc vào agent harness, nhưng lúc này có rất nhiều điều thú vị đang diễn ra trong lĩnh vực AI (theo Luke, video đăng ngày 14/09/2026), và anh biết Smitha có nhiều thứ khác muốn chia sẻ, nên mời chị nói về chúng.

## 15. Smitha: ba layer của một stack agent, bắt đầu với Gemini 3.8 Flash

Smitha mở phần của mình (video đăng ngày 14/09/2026): coding agent của bạn không cần một model thông minh hơn, nó cần một stack tốt hơn. Theo chị, mỗi khi developer thấy coding agent của mình chạm tường, phản xạ đầu tiên là nhảy sang một foundational model nặng hơn. Nhưng khi đã làm việc với workflow AI ngày này qua ngày khác, bạn nhận ra model chỉ là một mảnh của bức tranh.

Theo Smitha (video đăng ngày 14/09/2026), một DevStack agentic thật sự hiệu năng cao quy về ba layer kết nối với nhau. Một là model, hai là harness, ba là knowledge. Khi cả ba khớp vào chỗ, mọi thứ thay đổi. Hôm nay chị dẫn người xem qua ba công cụ chị thích trong tuần này, mỗi công cụ cho một layer của stack đó.

![Smitha Kolan với danh sách ba layer: model layer Gemini 3.8 Flash, harness layer Antigravity Boost, knowledge layer dấu hỏi](https://homus.dev/photos/F8EZJAm9iO8-2843.jpg)

Danh sách ba layer hiện cạnh Smitha trong video đăng ngày 14/09/2026: "1. The model layer - Gemini 3.8 Flash", "2. The harness layer - Antigravity Boost", "3. The knowledge layer - ???" (layer thứ ba được tiết lộ sau).

Layer thứ nhất là model (video đăng ngày 14/09/2026). Smitha nói model chị dùng chính trong tuần này là Gemini 3.8 Flash. Phản ứng đầu tiên của bạn có thể là: sao lại Flash? Sao không muốn thứ có mức reasoning nặng nhất?

Theo Smitha (video đăng ngày 14/09/2026), đây là bí quyết của workflow agentic: agent không làm việc như những ô prompt một lượt truyền thống. Chúng chạy theo những vòng lặp liên tục. Một agent có thể kiểm tra một thư mục, cập nhật một hàm, chạy unit test, rồi lặp lại chuỗi đó 20, 40, thậm chí 60 lần chỉ để xong một task. Khi bạn có thứ dùng nhiều bước tuần tự như vậy, tốc độ và chi phí cộng dồn lên rất mạnh. Nên một model nhanh, tiết kiệm chi phí không phải là bước lùi. Nó chính là thứ khiến các vòng lặp agentic thời gian thực trở nên thực tế và phản hồi nhanh.

Smitha nói (video đăng ngày 14/09/2026) vì Flash rất nhẹ, nó chạy qua hàng chục vòng lặp một cách dễ dàng, giữ chị ở trong vòng lặp trọn vẹn mà không đẩy hóa đơn lên quá cao.

Lúc chị nói về layer model, màn hình hiện trang "Introducing Gemini 3.8 Flash and 3.8 Flash Cyber" với một bảng so sánh (video đăng ngày 14/09/2026). Ở hàng giá trong bảng, cột Gemini 3.8 Flash ghi input $0.75 và output $3.75 cho mỗi 1M token (kèm "$1.50 regular" và "$7.50 regular"); các cột còn lại là Gemini 3.7 Flash, Claude Opus 5, Claude Sonnet 5, GPT-5.6 Sol và GPT-5.6 Terra. Smitha không đọc các con số này thành lời.

## 16. Layer harness: lệnh Boost trong Antigravity

Smitha nói (video đăng ngày 14/09/2026) khi đã có một model nhanh, bạn cần một cấu trúc động để điều phối nó. Đó là layer thứ hai, harness. Công cụ chị dùng ở đây là Antigravity, cụ thể là lệnh boost của nó.

Theo Smitha (video đăng ngày 14/09/2026), nói trong một câu thì boost là một slash command biến một model đơn lẻ thành một team được điều phối. Thay vì dựa vào một agent làm mọi thứ tuần tự, Boost dựng lên một orchestrator, giao việc cho các sub-agent chuyên biệt chạy song song, và kết thúc bằng một lượt kiểm tra độc lập (verification pass) rà soát kỹ công việc trước khi bất cứ thứ gì chạm vào codebase của bạn.

![Giao diện Antigravity với lệnh boost chuyển project từ Julia sang Go và một subagent đang chạy](https://homus.dev/photos/F8EZJAm9iO8-2723.jpg)

Giao diện Antigravity hiện trong video đăng ngày 14/09/2026: ô lệnh ghi "boost convert this project from julia lang to golang", agent trả lời đang chạy "Delegation Routine" và giao việc cho "DeepCoder" (subagent "Go Migration Engineer"), dòng dưới cùng ghi "1 subagent running"; dải chữ phía dưới ghi "2. The harness layer - Antigravity Boost".

Smitha chỉ cách tận dụng nó tốt nhất (video đăng ngày 14/09/2026). Trước hết, bạn không cần dùng nó cho việc hằng ngày. Ví dụ nếu bạn chỉ đang làm những feature thông thường, thêm một UI component hay đi lại trong codebase, thì agent mặc định đã nhanh nhẹn và hiệu quả. Nhưng bạn nên để dành Boost cho những thử thách kỹ thuật thật sự phức tạp.

Smitha nói (video đăng ngày 14/09/2026) bảng này cho thấy một trường hợp dùng rất tốt, khi Boost cực kỳ hữu ích: bảng so sánh ba chế độ thực thi trong Antigravity và cho thấy Boost thay đổi mọi thứ ra sao. Theo chị, bạn nên để dành Boost cho những thử thách kỹ thuật phức tạp được mô tả trong bảng này, bảng cho biết chính xác khi nào bạn nên dùng Boost.

![Trang tài liệu Antigravity mục When to use /boost với bảng so sánh Default Agent, Boost và Teamwork](https://homus.dev/photos/F8EZJAm9iO8-2823.jpg)

Trang tài liệu Google Antigravity mục "When to use /boost" hiện trong video đăng ngày 14/09/2026, so sánh ba chế độ: Default Agent ("Full-spectrum interactive coding & pair programming", "Seconds to minutes", "All plans"), Boost `/boost` ("Deep reasoning and tricky bugs", "Seconds to hours", "Paid plans", "3-phase reasoning hierarchy", "Ephemeral isolated worktrees") và Teamwork `/teamwork-preview` ("Autonomous multi-day agent teams", "Hours to days", "Paid plans").

## 17. Layer knowledge: Google Skills, và lời kết

Smitha chuyển sang mảnh thứ ba và cuối cùng, layer knowledge (video đăng ngày 14/09/2026). Với layer một và hai, bạn đã có một model nhanh và một harness được điều phối. Nhưng chuyện gì xảy ra khi bạn muốn agent thử cấu hình, ví dụ, hạ tầng cloud của bạn? Làm sao nó biết cách làm việc đó? Theo chị, đó chính là chỗ Google Skills xuất hiện.

Smitha nói repository này gần đây đã vượt 19.000 sao trên GitHub, và nó vẫn còn sớm, đang tích cực phát triển (theo Smitha, video đăng ngày 14/09/2026).

Theo Smitha (video đăng ngày 14/09/2026), nói đơn giản thì một skill là kiến thức chuyên môn (domain knowledge) được tuyển chọn mà coding agent của bạn nạp khi cần (on demand). Nó không chỉ là một MCP server. Nó không phải một plugin nặng. Nó là context gọn gàng, chính xác được đưa cho agent, giúp agent thôi đoán và thật sự biết cách làm việc.

Smitha nói repository này chứa hơn 100 skill khác nhau trải trên Google Cloud, Firebase, Flutter, Maps và nhiều thứ khác (theo Smitha, video đăng ngày 14/09/2026). Theo chị, cài đặt rất đơn giản: chỉ cần chạy một lệnh duy nhất để cài tất cả các skill này. Lệnh ghi trong mục Installation của README hiện trên màn hình (video đăng ngày 14/09/2026):

```
npx skills add google/skills
```

![README của repository Agent Skills với mục Installation và lệnh npx skills add google/skills](https://homus.dev/photos/F8EZJAm9iO8-2853.jpg)

README của repository "Agent Skills" hiện trong video đăng ngày 14/09/2026: dòng "This repository contains Agent Skills for Google products and technologies, including Google Cloud.", ghi chú "This repository is under active development.", mục Installation với lệnh `npx skills add google/skills`, và dải chữ "3. The knowledge layer - Google Agent Skills".

Theo Smitha (video đăng ngày 14/09/2026), điều hay nhất là vì nó hoàn toàn không phụ thuộc harness (harness agnostic), dù bạn chạy Claude Code, Codex hay Google Antigravity, chúng đều có thể lấy từ chính repository này.

Smitha tóm lại (video đăng ngày 14/09/2026): khi nhìn lại workflow của mình tuần này, hãy nghĩ xa hơn việc chỉ đổi model. Dùng những thứ như Gemini 3.8 Flash để chạy các vòng lặp nhanh, tần suất cao. Bạn có thể dùng Antigravity Boost cho những task phức tạp với Antigravity. Và để cho agent kiến thức chuyên biệt khi làm việc trên Google, cũng như Flutter, Maps và nhiều thứ khác, bạn có thể dùng Google Skills.

Luke khen phần của Smitha rất tuyệt (video đăng ngày 14/09/2026). Anh nói chiều nay anh sẽ quay lại Antigravity để làm một project, và chắc chắn sẽ cài những Google Cloud skill đó, rồi cảm ơn Smitha đã chia sẻ các mẹo. Smitha đáp "You're welcome" và cảm ơn mọi người đã xem The Agent Factory.

## Nguồn và liên kết

- Tên gốc: Harness Engineering Explained: Inside the Stack Behind Antigravity, Claude Code & Cursor
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=F8EZJAm9iO8](https://www.youtube.com/watch?v=F8EZJAm9iO8)

- Kênh YouTube Google Cloud Tech (The Agent Factory, với Smitha Kolan, Luke Schlangen, Tilde Thurium, Ryan Lopopolo và Billy Jacobson): [youtube.com/channel/UCJS9pqu9BzkAMNTmzNMNhvg](https://www.youtube.com/channel/UCJS9pqu9BzkAMNTmzNMNhvg)

- Bài essay Tilde nhắc tới, "Harness engineering: leveraging Codex in an agent-first world" của Ryan Lopopolo, ngày 11/02/2026 (đọc ngày 20/11/2026): [openai.com/index/harness-engineering](https://openai.com/index/harness-engineering/)

- Agent Development Kit (ADK), framework Billy dùng cho agent có guardrail (đọc ngày 20/11/2026): [google.github.io/adk-docs](https://google.github.io/adk-docs/)

- Bài "Introducing Gemini 3.8 Flash and 3.8 Flash Cyber" của Google, trang có bảng so sánh hiện trong phần layer model (đọc ngày 20/11/2026): [blog.google](https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/)

Nguồn: https://homus.dev/talks/harness-engineering-explained-inside-the-stack-behind-antigravity-claude-code-cursor · cập nhật 2026-11-20
