Harness Engineering Là Gì? Nền Tảng Cho AI Phân Tích Chứng Khoán

Một người làm tài chính có thể biết rất rõ mình muốn kiểm tra điều gì, nhưng vẫn mất nhiều thời gian để biến câu hỏi đó thành một chương trình. Giữa ý tưởng và kết quả là Python, thư viện, cấu trúc dữ liệu, môi trường chạy và những lỗi không liên quan trực tiếp đến điều mình đang nghiên cứu.

Vibe Coding làm rào cản ấy thấp xuống: bạn mô tả yêu cầu, AI hỗ trợ viết mã và sửa lỗi. Nhưng khi một phép phân tích trở nên dễ tạo ra, câu hỏi tiếp theo lại khó hơn: mình có thể tin vào kết quả này đến đâu?

Vậy Harness Engineering là gì? Đó là việc thiết kế môi trường và quy trình để AI làm việc: nó dùng dữ liệu nào, gọi công cụ gì, kiểm tra kết quả ra sao và được phép hành động đến đâu. Với người dùng AI phân tích chứng khoán, đây có thể là cầu nối từ khả năng viết mã bằng AI đến một quá trình nghiên cứu có bằng chứng để kiểm tra lại.

Luận điểm của bài viết nằm ở mối nối đó: Vibe Coding hạ thấp rào cản lập trình; Harness Engineering giúp biến năng lực ấy thành quy trình phân tích có thể kiểm chứng**.** Khi kết hợp hai cách làm, người dùng có thể dành nhiều công sức hơn cho câu hỏi nghiên cứu, giả định và ý nghĩa của kết quả.

Harness Engineering là gì? Agent = Model + Harness

Có thể hình dung một AI agent bằng biểu thức khái quát:

Agent = Model + Harness.

Model là mô hình đảm nhận phần suy luận và đề xuất hành động. Harness là hệ thống giúp những hành động đó diễn ra: gọi công cụ, nhận kết quả, lưu trạng thái, xử lý lỗi và xác định khi nào công việc kết thúc.

Thuật ngữ này chưa được mọi nơi dùng với cùng phạm vi. Hugging Face phân biệt scaffolding và harness: phần hướng dẫn, công cụ và ngữ cảnh định hình cách agent làm việc; phần thực thi vận hành vòng gọi mô hình và công cụ. Trong bài này, “harness” được dùng theo nghĩa rộng là môi trường tổ chức công việc quanh mô hình.

Hãy nghĩ đến một người phân tích mới nhận nhiệm vụ. Năng lực suy nghĩ là cần thiết, nhưng người đó còn cần biết tài liệu nằm đâu, cột số liệu có nghĩa gì, dùng phương pháp nào và ai sẽ kiểm tra kết quả. Một mô hình mạnh đặt trong môi trường thiếu những thông tin ấy vẫn có thể làm sai. Khi thiết kế harness, chúng ta làm rõ những điều kiện để năng lực của mô hình được sử dụng đúng việc.

Đây cũng là lý do chọn model chỉ giải quyết một phần bài toán. Trong thử nghiệm công bố ngày 17/02/2026, LangChain báo cáo điểm Terminal Bench 2.0 tăng từ 52,8% lên 66,5% khi giữ nguyên mô hình và thay đổi harness. Các cải tiến liên quan đến kiểm tra lại công việc, ngữ cảnh môi trường và cách phân bổ thời gian. Đây là kết quả trên bài đánh giá tác vụ kỹ thuật, không phải bằng chứng về hiệu quả phân tích tài chính; nó cho thấy hệ thống bao quanh mô hình có ảnh hưởng đáng kể đến đầu ra.

Prompt, context và harness giải quyết những câu hỏi khác nhau

Ba phần bổ sung cho nhau, không phải ba thế hệ mà phần sau thay thế phần trước. Một prompt rõ giúp giao đúng việc; ngữ cảnh phù hợp giúp hiểu đúng việc; môi trường thực thi đưa việc đó qua các bước có thể quan sát và kiểm tra.

Chẳng hạn, khi được hỏi về RSI, một chatbot có thể giải thích công thức. Một agent có thể truy xuất dữ liệu, chạy Python, tính chỉ báo, kiểm tra trên mẫu đối chiếu rồi tạo biểu đồ. Khác biệt nằm ở khả năng thực hiện một chuỗi công việc và phản hồi theo kết quả từng bước. Chatbot được tích hợp công cụ cũng có thể tham gia chuỗi này; điều cần đánh giá là quy trình phía sau giao diện trò chuyện.

Phần tiếp theo quay lại điểm xuất phát: vì sao người làm tài chính cần đến harness ngay từ lúc bắt đầu dùng AI để viết mã.

Vibe Coding: từ một ý tưởng đến một phép thử

Nhìn từ góc độ người làm tài chính, giá trị của Vibe Coding nằm ở việc giảm công sức chuyển một ý tưởng thành mô hình có thể chạy. Một quan sát trước đây chỉ được kiểm tra bằng vài trường hợp trên biểu đồ nay có thể trở thành một phép phân tích trên cả tập dữ liệu.

Chẳng hạn, bạn muốn biết:

Những doanh nghiệp tăng trưởng lợi nhuận trong ba quý liên tiếp, có ROE cao và giá vừa vượt vùng tích lũy có thường đạt lợi suất tốt hơn thị trường không?

Để trả lời, cần định nghĩa tiêu chí, tìm dữ liệu, xây bộ lọc, tính lợi suất và so sánh. Người chưa quen Python dễ dừng ở bước triển khai, dù câu hỏi tài chính đã khá rõ trong đầu. Một AI coding agent có công cụ phù hợp có thể hỗ trợ thực hiện các phần việc này, từ viết mã đến sửa lỗi khi chạy.

Điều đáng chú ý là cách chúng ta tiếp cận ý tưởng cũng thay đổi. Thay vì chỉ tìm những ví dụ ủng hộ một nhận định, bạn có thể yêu cầu: “Hãy diễn đạt chính xác điều mình đang nghĩ và kiểm tra xem dữ liệu có ủng hộ nó không.” Đây là bước chuyển gần với tư duy định lượng: làm cho một nhận định đủ rõ để có thể bị bác bỏ.

Tuy nhiên, tạo được phép thử và thiết kế được phép thử hợp lý là hai năng lực khác nhau. AI giảm công sức lập trình, nhưng không tự giải quyết những lựa chọn về dữ liệu và phương pháp nghiên cứu.

Khi AI viết được mã, vấn đề chuyển sang độ tin cậy

Giả sử AI trả về một báo cáo với đường lợi suất đẹp và kết luận phương pháp vừa thử vượt thị trường. Bạn vẫn cần biết giá đã điều chỉnh như thế nào, mẫu có bỏ sót cổ phiếu đã hủy niêm yết không, báo cáo tài chính có thực sự được công bố trước thời điểm quan sát không, và chi phí đã được tính chưa.

Ngay cả việc “AI đã chạy chương trình” cũng cần bằng chứng. Một lời giải thích hợp lý không cho biết kết quả đến từ phép tính thật, từ dữ liệu cũ hay từ suy đoán trong câu trả lời. Nếu không có chương trình và thông tin đầu vào, người đọc khó phân biệt những khả năng đó.

Trong nghiên cứu thị trường, sai phương pháp có thể tạo ra kết quả rất thuyết phục. Dùng danh sách cổ phiếu hiện tại để nghiên cứu quá khứ dễ bỏ qua những doanh nghiệp không còn trong danh sách. Dùng số liệu tài chính trước ngày công bố là đưa thông tin tương lai vào phép thử. Cả hai lỗi đều có thể tồn tại trong một chương trình chạy hoàn toàn bình thường.

Vì thế, độ tin cậy cần được xem ở nhiều tầng: dữ liệu có phù hợp không, phép tính có đúng không, thiết kế nghiên cứu có công bằng không và kết luận có đi xa hơn bằng chứng không? Harness Engineering tạo chỗ cho những kiểm tra này trong quy trình. Chất lượng của chúng vẫn phụ thuộc vào người thiết kế và dữ liệu thực sự có được.

Bảy lớp của một harness cho AI phân tích chứng khoán

Trong ngữ cảnh nghiên cứu đầu tư, một harness phục vụ AI phân tích chứng khoán có thể tổ chức thành bảy lớp dưới đây. Đây là cách phân chia để hiểu trách nhiệm của từng phần, không phải một tiêu chuẩn bắt buộc hay bảy phần mềm phải cài riêng.

Dữ liệu: phân tích dựa trên những gì?

Lớp dữ liệu tổ chức đầu vào như lịch sử giá, báo cáo tài chính, thông tin doanh nghiệp và thành phần chỉ số. Mỗi tập dữ liệu cần có nguồn, thời điểm truy xuất, đơn vị và ý nghĩa của các trường. Cùng một tên “lợi nhuận” có thể chỉ số liệu theo quý, lũy kế hoặc cả năm; tên cột thống nhất chưa đủ để bảo đảm cách hiểu thống nhất.

Với nghiên cứu lịch sử, thời điểm thông tin được biết còn quan trọng như kỳ mà thông tin phản ánh. Lớp này phải cho thấy dữ liệu nào có sẵn và dữ liệu nào còn thiếu, để agent không tự coi khoảng trống là điều đã biết.

Công cụ: AI có thể thực hiện phép phân tích nào?

Công cụ cho phép agent truy vấn dữ liệu, chạy Python, tính chỉ tiêu, lọc cổ phiếu, mô phỏng và tạo biểu đồ. Đầu vào, đầu ra và cách báo lỗi cần rõ ràng. Ví dụ, công cụ tính lợi suất phải cho biết nó nhận chuỗi giá nào và xử lý giá thiếu ra sao.

Phép tính được thực hiện bằng chương trình để có thể đối chiếu. Mô hình dùng kết quả ấy để tiếp tục suy luận, thay vì tự ước lượng một con số rồi trình bày như đã tính.

Ngữ cảnh và kiến thức: hiểu dữ liệu theo cách nào?

Tài liệu sử dụng công cụ, định nghĩa chỉ tiêu, quy tắc thị trường và phương pháp nghiên cứu giúp agent hiểu nhiệm vụ. Với một bộ lọc tài chính, ngữ cảnh phải làm rõ “tăng trưởng” là so với cùng kỳ hay kỳ trước, “thanh khoản” là khối lượng hay giá trị giao dịch.

Agent Skills có thể đóng gói hướng dẫn cho những công việc lặp lại. Skill hướng dẫn cách làm; kết quả thực thi vẫn cần được kiểm tra theo tiêu chí của bài toán.

Quy trình và trạng thái: đang làm đến đâu?

Một nghiên cứu có nhiều bước phụ thuộc nhau. Agent cần biết phần nào đã xong, giả định nào đã chốt, lỗi nào chưa giải quyết và bước nào phải chạy lại khi tham số thay đổi. Nếu đổi khoảng quan sát, không thể giữ nguyên một bảng kết quả cũ rồi chỉ sửa phần diễn giải.

Trạng thái cũng giúp công việc tiếp tục qua nhiều phiên. Anthropic mô tả cách lưu tiến độ và sử dụng lịch sử Git cho agent làm việc dài hạn. Với nghiên cứu, điều cần giữ liên tục là cả chương trình lẫn các quyết định về phương pháp.

Kiểm chứng: vì sao chấp nhận kết quả này?

Lớp kiểm chứng đối chiếu dữ liệu đầu vào, kiểm tra công thức trên mẫu biết trước đáp án và chạy lại những phần quan trọng bằng cách độc lập. Cần phân biệt kiểm tra phép tính với kiểm tra giả thuyết: tính lợi suất đúng chưa chứng minh cách chọn mẫu là đúng.

Chẳng hạn, một hàm có thể phát hiện dòng dữ liệu trùng, nhưng không thể xác nhận nghiên cứu tránh được thông tin tương lai nếu dữ liệu không có ngày công bố. Khi thiếu điều kiện kiểm chứng, hệ thống phải nêu giới hạn hoặc dừng phần kết luận liên quan.

Quyền hạn: AI được tự làm đến đâu?

Quyền đọc dữ liệu, chạy mã, ghi tệp và gửi kết quả ra ngoài cần được phân biệt. Phân tích trong thư mục làm việc riêng khác với ghi đè dữ liệu gốc hoặc sử dụng thông tin tài khoản. Những giới hạn này cần được thực thi bằng cấu hình công cụ và môi trường, bên cạnh hướng dẫn cho AI.

Mức tự chủ có thể tăng theo phạm vi nhiệm vụ đã kiểm chứng. Năng lực gọi được một công cụ không đồng nghĩa với việc agent được phép sử dụng nó trong mọi tình huống.

Dấu vết thực thi: có thể lần lại quá trình không?

Nhật ký cần cho biết nguồn nào đã dùng, tham số nào đã chọn, chương trình nào đã chạy, kiểm tra nào đạt hoặc thất bại. Nhờ đó, người dùng có thể lần từ kết luận về bằng chứng thay vì chỉ giữ một đoạn trả lời cuối cùng.

Khả năng tái lập còn phụ thuộc vào dữ liệu. Nếu có quyền lưu bản chụp đầu vào, có thể dùng nó để chạy lại; nếu nguồn thay đổi và không có bản chụp, nhật ký chỉ giúp truy vết chứ chưa bảo đảm tái tạo kết quả y hệt. Hai mức này cần được phân biệt.

Từ câu hỏi về VN30 đến một nghiên cứu định lượng có thể kiểm chứng

Giả sử bạn đặt câu hỏi:

Trong năm năm gần đây, những cổ phiếu VN30 giảm hơn 20% từ đỉnh nhưng vẫn tăng trưởng lợi nhuận dương có thường phục hồi tốt hơn thị trường không?

Đây là một câu hỏi nghiên cứu minh họa, chưa có kết quả thực nghiệm. Để trả lời, agent cần chuyển các từ “giảm”, “tăng trưởng” và “phục hồi tốt hơn” thành những định nghĩa đo được.

Làm rõ giả thuyết trước khi chạy

“Đỉnh” là đỉnh từ đầu giai đoạn hay đỉnh trong một khoảng nhìn lại? Tăng trưởng lợi nhuận tính theo quý hay bốn quý gần nhất? Đo phục hồi sau ba tháng, sáu tháng hay một năm? Mốc so sánh là VN-Index hay một danh mục đối chứng?

Các lựa chọn này quyết định câu hỏi thực sự được kiểm tra. Agent có thể đề xuất phương án và giải thích hệ quả, nhưng cần ghi rõ phương án được chọn trước khi xem kết quả. Nếu liên tục thay định nghĩa đến khi có kết quả đẹp, nghiên cứu dễ trở thành việc tìm một câu chuyện phù hợp với dữ liệu quá khứ.

Xây mẫu theo thông tin có tại thời điểm đó

Nghiên cứu cần lịch sử thành phần VN30, chuỗi giá và thông tin lợi nhuận đã công bố ở từng thời điểm. Dùng danh sách VN30 hôm nay cho cả năm năm sẽ trả lời một câu hỏi khác: các thành viên hiện tại đã diễn biến thế nào trong quá khứ.

Với dữ liệu tài chính, ngày kết thúc quý không phải ngày nhà đầu tư biết kết quả quý đó. Nếu không có thông tin về ngày công bố, agent phải báo rằng chưa đủ căn cứ kiểm tra điều kiện thông tin tại thời điểm quan sát. Một harness tốt giúp lộ ra giới hạn ấy, thay vì để báo cáo đi tiếp như dữ liệu đã đầy đủ.

Chạy, đối chiếu và phản biện

Khi dữ liệu phù hợp, agent viết chương trình xác định các lần thỏa điều kiện, tính mức giảm từ đỉnh và lợi suất sau khoảng theo dõi đã chọn. Cần quy định cách xử lý một cổ phiếu thỏa điều kiện nhiều ngày liên tiếp, vì đếm tất cả những ngày đó có thể khiến các quan sát phụ thuộc nhau.

Một phần kết quả được kiểm tra độc lập: chọn vài mã và mốc thời gian để đối chiếu giá, ngày công bố, điều kiện lọc và phép tính. Nếu mở rộng thành mô phỏng danh mục, nghiên cứu cần thêm giả định về chi phí và thanh khoản. Việc đổi tham số để đánh giá độ nhạy phải được lưu lại, kể cả những lần kết quả không ủng hộ giả thuyết.

Đầu ra cuối cùng gồm kết quả, chương trình, tham số, nguồn và các giới hạn. Người đọc có thể đi theo chuỗi dữ liệu → giả định → phép tính → bằng chứng → kết luận. Một kết luận “chưa đủ dữ liệu để trả lời” cũng có giá trị: nó chỉ rõ cần bổ sung gì trước khi tiếp tục.

Ví dụ thứ hai: bộ lọc cổ phiếu có thể giải thích từng kết quả

Một nhiệm vụ gần với công việc hằng ngày hơn là:

Lọc doanh nghiệp có ROE trên 15%, tăng trưởng lợi nhuận trên 20%, giá trị giao dịch bình quân trên 20 tỷ đồng mỗi phiên và giá đóng cửa trên đường trung bình 50 phiên.

Các ngưỡng trên chỉ minh họa yêu cầu lọc, không phải tiêu chí khuyến nghị lựa chọn cổ phiếu. Trước khi chạy, agent cần làm rõ ROE tính theo năm hay bốn quý gần nhất, tăng trưởng lợi nhuận so với kỳ nào và giá trị giao dịch bình quân lấy trên bao nhiêu phiên.

Sau đó, người dùng truy xuất dữ liệu từ nguồn phù hợp qua công cụ đã cấu hình; chương trình tính các điều kiện và tạo bảng kết quả. Mỗi dòng nên kèm giá trị chỉ tiêu, kỳ báo cáo, ngày dữ liệu giá và lý do vượt qua bộ lọc. Những mã thiếu lịch sử hoặc thiếu số liệu cần được đánh dấu riêng; không thể coi thiếu dữ liệu là giá trị bằng không.

Khi bạn đổi ngưỡng ROE từ 15% xuống 12%, agent chạy lại với tham số mới và giữ cùng định nghĩa, cùng mốc dữ liệu nếu mục tiêu là so sánh tác động của ngưỡng. Nhờ đó, bạn biết danh sách thay đổi vì tiêu chí hay vì đầu vào đã cập nhật.

Hai ví dụ giải quyết hai việc khác nhau. Bộ lọc mô tả những doanh nghiệp đáp ứng điều kiện tại một thời điểm. Nghiên cứu VN30 kiểm tra mối liên hệ trong lịch sử. Một cổ phiếu vượt qua bộ lọc không chứng minh các tiêu chí ấy dự báo được lợi suất; muốn đi đến nhận định đó cần một nghiên cứu riêng.

Vnstock, MCP và Skills nằm ở đâu trong hệ thống?

Vnstock là hệ sinh thái công cụ Python giúp người dùng kết nối, chuẩn hóa và phân tích dữ liệu thị trường tài chính từ nguồn bên thứ ba trên hạ tầng do người dùng kiểm soát. Trong kiến trúc trên, các thư viện có thể tham gia phần kết nối, chuẩn hóa đầu vào và thực hiện những phép xử lý theo khả năng của từng công cụ.

Khi AI trở thành bên sử dụng công cụ, chất lượng giao diện lập trình càng quan trọng. Agent cần biết mã chứng khoán và khoảng thời gian được biểu diễn thế nào, mỗi cột mang ý nghĩa gì, đơn vị ra sao, dữ liệu cập nhật đến đâu và lỗi nào có thể xảy ra. Chuẩn hóa dữ liệu giúp giảm việc phải xử lý nhiều cấu trúc khác nhau, nhưng không thay thế việc hiểu ý nghĩa số liệu hay kiểm tra chất lượng nguồn.

MCP giúp ứng dụng AI kết nối với công cụ

Model Context Protocol (MCP) là giao thức kết nối ứng dụng AI với công cụ và tài nguyên bên ngoài. Theo kiến trúc MCP, ứng dụng chủ quản lý các kết nối client tới server, còn server công bố những khả năng mà ứng dụng có thể sử dụng.

Một hướng thiết kế là bọc các chức năng Python phù hợp thành công cụ MCP chạy trên hạ tầng người dùng. Chẳng hạn, các tên minh họa get_price_history, get_financial_statements và screen_stocks có thể đại diện cho truy xuất lịch sử giá, đọc báo cáo tài chính và chạy bộ lọc. Đây là ví dụ kiến trúc, không phải danh sách API hay tính năng Vnstock đã phát hành.

Agent gửi yêu cầu có cấu trúc tới công cụ; công cụ thực thi bằng thư viện bên dưới và trả kết quả về. Vnstock vẫn là phần mềm kết nối và xử lý, dữ liệu vẫn đến từ nguồn bên thứ ba. MCP thống nhất cách kết nối, không tự xác minh số liệu hoặc bảo đảm nghiên cứu đúng phương pháp.

Skills hướng dẫn cách sử dụng; harness tổ chức toàn bộ công việc

Một skill phân tích tài chính có thể hướng dẫn cách chọn kỳ báo cáo, kiểm tra đơn vị và trình bày giới hạn. MCP giúp ứng dụng gọi công cụ; thư viện Python thực hiện phần việc cụ thể; harness điều phối các bước, kiểm tra quyền và giữ trạng thái. Phân biệt những vai trò này giúp tránh kỳ vọng rằng chỉ cần thêm một kết nối MCP hoặc một skill là có ngay trợ lý nghiên cứu hoàn chỉnh.

Có thể hình dung luồng công việc như sau:

Người dùng đặt câu hỏi và chốt tiêu chí
                  ↓
AI agent làm việc trong harness
  Ngữ cảnh/Skills → công cụ Python hoặc MCP
                  ↓
Người dùng kết nối nguồn bên thứ ba qua Vnstock
                  ↓
Tính toán → kiểm tra → lưu bằng chứng
                  ↓
Người dùng đánh giá kết quả và đặt câu hỏi tiếp theo

Đây là một hướng tích hợp công cụ, không phải cam kết về hệ thống tự chủ sẵn có. Vnstock không bảo đảm dữ liệu nguồn luôn đầy đủ hoặc chính xác; quyền sử dụng phần mềm cũng không tự cấp quyền dữ liệu cho mọi mục đích. Kiểm chứng và phạm vi sử dụng cần được thiết kế cho từng nghiên cứu.

Từ chatbot chứng khoán đến AI Research Agent cho đầu tư định lượng

Khi các phần trên được nối lại, AI có thể tham gia vào một quá trình nghiên cứu dài hơn một lượt hỏi–đáp. Một AI Research Agent, hay trợ lý nghiên cứu AI, nhận câu hỏi, lập kế hoạch, sử dụng công cụ, xem xét bằng chứng và báo lại cả kết quả lẫn những phần chưa giải quyết được.

Với câu hỏi về biến động biên lợi nhuận qua tám quý, agent có thể lập bảng so sánh và tìm phần giải trình liên quan trong báo cáo doanh nghiệp. Các thay đổi đồng thời trong số liệu chỉ là dấu hiệu để tìm hiểu thêm; khẳng định nguyên nhân cần bằng chứng phù hợp, không thể suy ra chỉ từ biểu đồ.

Với một bài nghiên cứu về động lượng giá, agent có thể giúp chuyển phương pháp thành chương trình, xác định tập cổ phiếu, khoảng đo và cách so sánh. Nếu áp dụng sang thị trường Việt Nam, nó cần chỉ ra biến nào có thể tái tạo, biến nào thiếu dữ liệu và khác biệt nào làm phép thử không còn tương đương nghiên cứu gốc.

Giá trị nằm ở vòng lặp: ý tưởng → giả thuyết → định nghĩa đo được → dữ liệu → phép thử → bằng chứng → phản biện → giả thuyết mới. AI hỗ trợ thực hiện vòng lặp với ít công sức lập trình hơn. Khi một kiểm tra thất bại, agent quay lại bước liên quan thay vì cố viết cho xong kết luận.

Đây là điểm nối giữa Vibe Coding và đầu tư định lượng. Khả năng tạo mã mở đường cho phép thử; harness giữ cho quá trình thực hiện có cấu trúc và để lại bằng chứng. Cả hai cùng phục vụ việc học từ dữ liệu.

Vai trò của con người chuyển sang thiết kế và đánh giá nghiên cứu

Trong bài viết về Harness Engineering của OpenAI, công việc kỹ thuật được mô tả là chuyển nhiều hơn sang thiết kế môi trường, xác định mục tiêu và xây vòng phản hồi cho agent. Với nghiên cứu đầu tư, một sự dịch chuyển tương tự có thể xảy ra: người dùng dành ít thời gian hơn cho cú pháp, nhiều thời gian hơn cho việc quyết định phép thử nào đáng làm.

Bạn vẫn cần phân biệt một kết quả có ý nghĩa thống kê với một kết quả hữu ích về mặt kinh tế. Chênh lệch lợi suất có thể xuất hiện trong mẫu nhưng quá nhỏ so với chi phí, hoặc chỉ tập trung ở những trường hợp khó thực hiện. Bạn cũng cần xem kết quả có bền qua các giai đoạn không, có phụ thuộc quá nhiều vào một lựa chọn tham số không và có đang chỉ giữ lại những phép thử thành công không.

Những câu hỏi này không biến mất khi AI viết mã. Chúng trở nên dễ bị bỏ qua hơn nếu tốc độ tạo báo cáo khiến người dùng có cảm giác rằng mọi thứ đã được kiểm tra. Harness có thể yêu cầu trình bày bằng chứng và giới hạn, còn con người phải đánh giá tiêu chuẩn đó đã đủ cho mục đích sử dụng chưa.

Quyền hành động cũng cần tương xứng với nhiệm vụ. Đọc dữ liệu và tạo báo cáo trong vùng làm việc riêng khác với sửa dữ liệu gốc, gửi báo cáo ra ngoài hoặc tác động tới tài khoản. Mỗi việc cần phạm vi quyền rõ ràng và bước xác nhận phù hợp. Bài viết này bàn về hỗ trợ nghiên cứu, không đưa ra khuyến nghị đầu tư; kết quả lịch sử không bảo đảm hiệu quả tương lai.

Từ câu hỏi đầu tư đến dữ liệu, mã nguồn và bằng chứng

Theo mình, cơ hội đáng chú ý của AI với người nghiên cứu cá nhân là làm cho nhiều ý tưởng có thể được kiểm tra nghiêm túc hơn. Bạn không nhất thiết tự viết toàn bộ chương trình, nhưng cần biết mình đang hỏi gì và bằng chứng nào có thể làm mình thay đổi nhận định.

Thay vì chỉ yêu cầu một danh sách “cổ phiếu tốt”, có thể giao việc như sau:

Hãy giúp mình định nghĩa tiêu chí phù hợp với câu hỏi, xác định dữ liệu cần thiết, chạy phép phân tích và trình bày cả kết quả, giả định lẫn những điểm chưa thể kiểm chứng.

Đó là cách giao việc cho một cộng sự nghiên cứu. Vibe Coding giúp hiện thực hóa câu hỏi thành mã nguồn. Harness Engineering tổ chức việc sử dụng mã nguồn, dữ liệu và công cụ thành quá trình có thể kiểm tra. Con người chọn mục tiêu và đánh giá bằng chứng thu được.

Từ nền tảng này, các chủ đề tiếp theo có thể đi sâu vào thiết kế AI Research Agent, kết nối công cụ qua MCP, xây Skills cho phân tích tài chính và tổ chức một quy trình nghiên cứu từ câu hỏi tự nhiên. Bạn có thể bắt đầu với tài liệu Vnstock để tìm hiểu các công cụ phục vụ quy trình này.

Điều cần giữ xuyên suốt là mối liên hệ giữa câu hỏi và bằng chứng: mỗi kết luận phải cho biết nó dựa trên dữ liệu nào, được tạo ra bằng cách nào và còn những giới hạn gì. Đó là nền tảng để AI hỗ trợ nghiên cứu định lượng có trách nhiệm và để người dùng tiếp tục học từ chính những phép thử của mình.

Câu hỏi thường gặp về Harness Engineering

Harness Engineering là gì, nói ngắn gọn trong một câu?

Harness Engineering là việc thiết kế môi trường và quy trình quanh mô hình AI: dữ liệu nào được dùng, công cụ nào được gọi, kết quả được kiểm tra thế nào và agent được phép hành động đến đâu. Mô hình đảm nhận phần suy luận; harness quyết định phần suy luận ấy được thực hiện và kiểm chứng ra sao.

Harness Engineering khác Prompt Engineering và Context Engineering ở điểm nào?

Prompt trả lời câu hỏi “giao việc thế nào”, context trả lời “AI cần biết những gì”, còn harness trả lời “công việc được thực hiện và kiểm tra thế nào”. Ba phần bổ sung cho nhau chứ không thay thế nhau: một prompt rõ vẫn có thể dẫn tới kết quả sai nếu môi trường thực thi không kiểm tra lại phép tính và nguồn dữ liệu.

Dùng AI phân tích chứng khoán có nhất thiết phải hiểu về harness không?

Để hỏi đáp nhanh thì không. Nhưng khi kết quả được dùng cho một quyết định, bạn cần biết báo cáo dựa trên dữ liệu nào, phép tính chạy thật hay chỉ là suy đoán trong câu trả lời, và mẫu nghiên cứu có dính thông tin tương lai không. Đó đều là những câu hỏi thuộc về harness.

Người chưa biết lập trình nên bắt đầu từ đâu?

Bắt đầu từ việc diễn đạt câu hỏi nghiên cứu đủ rõ để có thể bị bác bỏ, rồi mới tìm công cụ. Phần kết nối và chuẩn hóa dữ liệu có thể tham khảo tài liệu Vnstock; phần dựng quy trình làm việc cùng AI agent được hướng dẫn trong khóa học Vibe Coding phân tích dữ liệu chứng khoán.