Trading Agents: Tổ Chức Nhóm Trợ Lý AI Bằng Harness Engineering

Khi nhờ AI phân tích một cổ phiếu, chúng ta thường đặt một câu hỏi rất rộng: doanh nghiệp này có đáng quan tâm không? AI nhận câu hỏi, xem những thông tin được cung cấp rồi trả về một bài phân tích nghe khá trọn vẹn. Tuy nhiên, để xây dựng một hệ thống Trading Agents chuyên nghiệp, chúng ta cần áp dụng Harness Engineering nhằm kiểm soát chặt chẽ quy trình này. Vấn đề của cách làm cũ là người đọc khó biết phần nào là dữ kiện, phần nào là suy luận và góc nhìn nào đã bị bỏ qua.

Trading Agents gợi mở một cách làm khác. Thay vì giao toàn bộ công việc cho một trợ lý AI, dự án tổ chức nhiều vai trò giống một nhóm nghiên cứu đầu tư: người đọc báo cáo tài chính, người theo dõi giá, người đọc tin tức, người tìm luận điểm tích cực, người chuyên phản biện và người kiểm tra rủi ro.¹

Mã nguồn Trading Agents được công khai nên bất kỳ ai cũng có thể đưa đường dẫn cho AI của mình đọc và giải thích. Nhưng giá trị của bài viết không nằm ở việc kể lại từng tệp mã. Điều đáng học là cách dự án áp dụng Harness Engineering để phân chia công việc, buộc các quan điểm đối lập cùng xuất hiện và giữ quyền xem xét cuối cùng cho người sử dụng.

Ý chính: Một trợ lý đầu tư hữu ích không nhất thiết phải “thông minh hơn”. Nó cần được giao việc rõ, buộc phải nhìn cả hai phía, biết khi nào chưa đủ dữ liệu và để lại kết quả mà người dùng có thể kiểm tra.

Hệ thống Trading Agents áp dụng Harness Engineering như thế nào?

Hãy hình dung một buổi họp phân tích cổ phiếu. Nếu chỉ có một người vừa thu thập số liệu, vừa bảo vệ ý tưởng, vừa phản biện và tự phê duyệt kết luận của mình, sai sót rất dễ bị bỏ qua. Trading Agents tách công việc thành nhiều vai trò để hạn chế tình trạng đó.

Các vai trò không được thêm vào để hệ thống có vẻ thông minh hơn. Chúng giúp phân chia trách nhiệm: ai tìm dữ kiện, ai xây luận điểm, ai phản biện, ai kiểm tra rủi ro và ai kết thúc quy trình.

Mô tả Framework cơ bản cấu thành nên TradingAgents -- Nguồn: TauricResearch

Nhóm thu thập và đọc thông tin

Một số trợ lý tập trung vào từng mảng riêng:

• Tình hình doanh nghiệp: đọc báo cáo tài chính và các chỉ tiêu cơ bản.
• Diễn biến thị trường: xem giá, khối lượng và một số chỉ báo kỹ thuật.
• Tin tức và bối cảnh: theo dõi thông tin liên quan đến doanh nghiệp và môi trường kinh tế.
• Tâm lý thị trường: quan sát cách nhà đầu tư đang bàn luận về tài sản.

Điểm hay không nằm ở việc có bốn “nhân vật AI”. Điểm hay là mỗi vai trò chỉ tập trung vào một nhóm câu hỏi. Nhờ vậy, bản phân tích không bị trộn lẫn số liệu doanh nghiệp, biến động giá và cảm xúc thị trường thành một kết luận thiếu ranh giới.

Hai phía cùng xem xét một cơ hội

Sau khi có các báo cáo thành phần, một vai trò xây dựng luận điểm tích cực, còn vai trò kia tìm lý do để thận trọng. Trong dự án, hai phía này được gọi là Bull và Bear.²

Mô hình Bull và Bear -- Nguồn: TauricResearch

Có thể hiểu đơn giản:

• phía tích cực phải chỉ ra cơ hội tăng trưởng và bằng chứng ủng hộ;
• phía thận trọng phải tìm rủi ro, giả định yếu và dữ kiện còn thiếu;
• người tổng hợp phải đọc cả hai trước khi lập bản nhận định.

Đây là cách đưa phản biện vào quy trình thay vì chờ người dùng nhớ đặt thêm câu hỏi “còn rủi ro nào không?”.

Đề xuất chưa phải quyết định cuối

TradingAgents còn đặt một lớp xem xét rủi ro sau phần phân tích. Các góc nhìn ưa mạo hiểm, trung dung và thận trọng lần lượt đánh giá đề xuất trước khi vai trò quản lý danh mục đưa ra kết luận cuối.³

Với một ứng dụng cá nhân, không nhất thiết phải tạo đủ số vai trò như dự án. Bài học quan trọng là người tạo luận điểm không nên là người duy nhất kiểm tra luận điểm đó. Một trợ lý tìm cơ hội và một trợ lý chuyên tìm điểm yếu đã tạo ra khác biệt đáng kể so với một câu trả lời duy nhất.

Toàn bộ quy trình bằng ngôn ngữ dễ hiểu

Có thể tóm lược TradingAgents thành sáu bước:

Câu hỏi đầu tư
    → thu thập dữ kiện theo từng nhóm
    → viết luận điểm tích cực
    → phản biện bằng luận điểm thận trọng
    → tổng hợp thành phương án nghiên cứu
    → kiểm tra rủi ro và dữ liệu còn thiếu
    → tạo bản ghi nhớ để người dùng xem xét

Trong mã nguồn, dự án dùng một sơ đồ công việc để quy định ai làm trước, ai làm sau và khi nào cuộc trao đổi phải dừng.³ Người đọc không cần triển khai lại phần kỹ thuật này để hiểu ý tưởng. Ở mức vibe coding, chỉ cần mô tả rõ sáu bước trên, một AI lập trình đã có thể giúp tạo phiên bản đơn giản hơn.

Cách tổ chức này có một tên gọi trong giới phát triển AI: Harness Engineering. Trong trường hợp này, có thể hiểu đơn giản đó là cách thiết kế một bộ khung tổ chức công việc cho AI: ai làm gì, được dùng thông tin nào, lúc nào phải dừng và ai kiểm tra kết quả.

Bài Harness Engineering là gì trong AI phân tích chứng khoán giải thích khái niệm tổng quát. Còn ở đây, TradingAgents giúp chúng ta nhìn thấy khái niệm đó qua một quy trình đầu tư cụ thể.

Từ một câu lệnh hay đến Harness Engineering

Ba lớp dưới đây thường bị trộn lẫn khi xây ứng dụng AI:

Một câu lệnh tốt giúp AI hiểu yêu cầu. Ngữ cảnh tốt giúp AI có đúng thông tin. Harness Engineering nối các phần đó thành một quy trình có thể lặp lại và kiểm tra. TradingAgents đáng học vì dự án thể hiện đủ cả ba lớp, thay vì chỉ trình bày một câu lệnh dài.

Bốn câu hỏi để nhận ra một harness

Không cần đọc mã nguồn, người làm tài chính vẫn có thể nhìn một ứng dụng AI qua bốn câu hỏi:

Bốn câu hỏi này chính là phần cốt lõi của Harness Engineering ở mức dễ áp dụng. Công nghệ có thể thay đổi, nhưng một ứng dụng đáng tin cậy vẫn phải trả lời được AI biết gì, được làm gì, làm theo trình tự nào và ai kiểm tra kết quả.

Bảy bài học Harness Engineering có thể áp dụng ngay

Đừng yêu cầu một AI làm tất cả

Câu hỏi “hãy phân tích cổ phiếu này” vẫn còn quá rộng. AI có thể tạo một bài viết mạch lạc nhưng bỏ sót phần quan trọng mà người dùng không nhận ra.

Thay vào đó, hãy chia thành các nhiệm vụ:

1. Tóm tắt dữ kiện đã có.
2. Phân tích hoạt động kinh doanh và tài chính.
3. Nêu các yếu tố có thể làm kỳ vọng thay đổi.
4. Tìm rủi ro và dữ liệu còn thiếu.
5. Tổng hợp những điều cần kiểm tra thêm.

Ngay cả khi tất cả nhiệm vụ vẫn do cùng một mô hình AI thực hiện, cách chia việc này đã giúp kết quả rõ ràng hơn.

Tách dữ kiện khỏi nhận định

Một báo cáo tốt nên cho người đọc nhận ra ba lớp:

• Dữ kiện: con số, thời điểm, nguồn và đơn vị.
• Diễn giải: con số đó có thể nói lên điều gì.
• Giả định: điều gì phải xảy ra để nhận định còn đúng.

Nếu AI viết “biên lợi nhuận cải thiện cho thấy doanh nghiệp đang hoạt động hiệu quả hơn”, người dùng cần biết biên lợi nhuận của kỳ nào, so với mốc nào và liệu thay đổi đó đến từ hoạt động cốt lõi hay yếu tố bất thường.

Luôn có một vai trò chuyên phản biện

Khi người dùng đã thích một cổ phiếu, AI rất dễ tiếp tục tìm bằng chứng củng cố ý tưởng ban đầu. Vai trò phản biện giúp đặt các câu hỏi ngược lại:

• Dữ kiện nào đang chống lại luận điểm này?
• Kết luận phụ thuộc nhiều nhất vào giả định nào?
• Nếu doanh thu tăng nhưng dòng tiền yếu đi thì nên hiểu thế nào?
• Có thông tin nào được công bố sau thời điểm phân tích không?

Mục tiêu không phải phủ nhận mọi cơ hội. Mục tiêu là làm lộ ra điều kiện khiến một luận điểm có thể sai.

Gắn mọi phân tích với một thời điểm cụ thể

Đây là phần rất quan trọng trong tài chính nhưng dễ bị xem nhẹ. Khi phân tích lại một ngày trong quá khứ, AI chỉ được dùng thông tin đã xuất hiện tại thời điểm đó. Nếu vô tình dùng báo cáo công bố sau này hoặc dữ liệu đã được điều chỉnh, kết quả sẽ đẹp hơn thực tế.

TradingAgents từng phải sửa nhiều lỗi liên quan đến việc thông tin tương lai lọt vào các lần kiểm tra lịch sử.⁴ Bài học có thể áp dụng ngay là luôn ghi rõ:

• ngày chốt thông tin;
• ngày công bố của báo cáo;
• khoảng thời gian của dữ liệu giá;
• thời điểm kết quả thực tế bắt đầu được biết.

Cho phép AI trả lời “chưa đủ bằng chứng”

Một trợ lý AI thường cố hoàn thành câu trả lời ngay cả khi dữ liệu thiếu. Trong đầu tư, đây là hành vi nguy hiểm hơn việc để trống một phần báo cáo.

Hãy quy định trước những trường hợp phải dừng:

• không xác định được nguồn hoặc thời điểm của số liệu;
• các nguồn quan trọng mâu thuẫn nhau;
• thiếu dữ liệu để kiểm tra giả định chính;
• kết quả không đúng mẫu yêu cầu;
• AI không phân biệt được dữ kiện và suy luận.

Đầu ra khi đó nên là “cần kiểm tra thêm”, không phải cố chọn mua, giữ hay bán.

Lưu nhật ký để học từ quyết định cũ

TradingAgents lưu lại quyết định, sau đó đối chiếu với diễn biến thực tế và đưa bài học vào lần phân tích sau.¹ Với nhà đầu tư cá nhân, ý tưởng này có thể được giản lược thành một nhật ký gồm:

• nhận định ban đầu;
• dữ kiện được dùng;
• giả định quan trọng nhất;
• điều gì có thể làm nhận định mất hiệu lực;
• kết quả sau một khoảng thời gian;
• bài học rút ra.

Nhật ký không biến AI thành nhà đầu tư giỏi. Nó giúp người dùng nhìn thấy mình và AI thường sai ở loại giả định nào.

Kết thúc bằng bản ghi nhớ, không phải lệnh giao dịch

Đầu ra phù hợp cho một trợ lý nghiên cứu là bản ghi nhớ có cấu trúc:

1. Dữ kiện chính.
2. Luận điểm tích cực.
3. Luận điểm thận trọng.
4. Những điều chưa biết.
5. Các mốc cần theo dõi.
6. Câu hỏi người dùng cần tự quyết định.

Cách trình bày này giữ AI ở vai trò hỗ trợ nghiên cứu. Quyết định cuối vẫn thuộc về người dùng, dựa trên mục tiêu, thời hạn và khả năng chấp nhận rủi ro của chính họ.

Áp dụng Harness Engineering bằng vibe coding

Thay vì sao chép toàn bộ TradingAgents, có thể bắt đầu bằng một trợ lý chuẩn bị hồ sơ nghiên cứu cổ phiếu. Ứng dụng nhận bốn đầu vào:

• mã chứng khoán;
• ngày chốt thông tin;
• thời hạn quan tâm;
• câu hỏi hoặc giả thuyết muốn kiểm tra.

Sau đó ứng dụng tạo năm phần:

Đây là phạm vi đủ nhỏ để người mới dùng vibe coding có thể hình dung, kiểm tra và cải tiến dần. Ứng dụng chưa cần nhiều trợ lý chạy song song, chưa cần tự gửi lệnh và cũng chưa cần mô phỏng một phòng giao dịch hoàn chỉnh.

Câu lệnh có thể giao cho AI lập trình

Hãy tham khảo cách tổ chức công việc trong kho mã
https://github.com/TauricResearch/TradingAgents

Tạo một ứng dụng nghiên cứu cổ phiếu đơn giản bằng Python. Không sao chép toàn bộ
kiến trúc của dự án. Ứng dụng cần có năm bước: thu thập dữ kiện, viết luận điểm
ủng hộ, viết luận điểm phản biện, kiểm tra dữ liệu còn thiếu và tạo bản ghi nhớ.

Mọi số liệu phải đi kèm nguồn, đơn vị và thời điểm. Nếu không xác định được ngày
công bố hoặc thiếu dữ liệu quan trọng, hãy dừng ở trạng thái “cần kiểm tra thêm”.
Không đưa ra lệnh mua bán và không tự động thực hiện giao dịch.

Trước khi viết mã, hãy đề xuất luồng sử dụng và cấu trúc đầu ra bằng ngôn ngữ dễ
hiểu để tôi duyệt.

Câu lệnh này không quyết định thư viện, giao diện hay mô hình AI thay cho người dùng. Nó đặt đúng mục tiêu và ranh giới trước, sau đó để AI lập trình đề xuất cách thực hiện.

Phần nào nên học và phần nào chưa cần sao chép?

Việc giản lược không làm mất ý tưởng cốt lõi. Ngược lại, nó giúp người dùng nhìn rõ phần nào thực sự tạo ra giá trị trước khi tăng số vai trò, công cụ và chi phí vận hành.

Kinh nghiệm tài chính bổ sung điều gì mà mã nguồn không nói hết?

AI có thể đọc kho mã và mô tả các thành phần kỹ thuật rất nhanh. Nhưng để chuyển kiến trúc đó thành một ứng dụng hữu ích, vẫn cần góc nhìn của người hiểu công việc đầu tư.

Phản biện không đồng nghĩa với dự đoán đúng

Hai trợ lý tranh luận có thể cùng dựa trên một bộ dữ liệu sai. Bởi vậy, kiểm tra nguồn và thời điểm phải đứng trước chất lượng câu chữ.

Phân tích doanh nghiệp và quyết định danh mục là hai việc khác nhau

Một doanh nghiệp tốt chưa chắc phù hợp với mọi mức giá, mọi thời hạn hoặc mọi danh mục. Ứng dụng nên tách phần đánh giá doanh nghiệp khỏi hoàn cảnh riêng của người dùng.

Rủi ro không nên là đoạn cảnh báo thêm vào cuối

Rủi ro cần ảnh hưởng đến toàn bộ quá trình: chọn dữ liệu nào, giả định nào phải kiểm tra, trường hợp nào phải dừng và kết quả nào cần con người xem lại.

Kết quả lịch sử không phải lời hứa cho tương lai

Bài nghiên cứu TradingAgents báo cáo một số kết quả thực nghiệm tốt hơn các phương pháp so sánh theo lợi nhuận, Sharpe ratio và mức sụt giảm.² Đây là kết quả của nhóm tác giả trên thiết kế thử nghiệm cụ thể, không phải bằng chứng rằng người dùng khác sẽ đạt kết quả tương tự.

Chính dự án cũng lưu ý rằng kết quả có thể thay đổi theo mô hình AI, giai đoạn, chất lượng dữ liệu và tính bất định của mỗi lần chạy.¹

Vnstock nằm ở đâu trong ứng dụng này?

Vnstock có thể là một phần trong lớp công cụ Python giúp người dùng kết nối và chuẩn hoá dữ liệu từ nguồn bên thứ ba. Bài về cách Vnstock làm việc với AI Agent giải thích kỹ hơn vai trò này.

Khi dùng Vnstock hoặc bất kỳ công cụ dữ liệu nào khác, ứng dụng vẫn cần tự kiểm tra:

• tên trường và đơn vị;
• ngày của dữ liệu và ngày công bố;
• nguồn gốc của số liệu;
• cách xử lý khi nguồn thiếu hoặc gián đoạn;
• dữ liệu nào được phép dùng tại ngày phân tích.

Chuẩn hoá dữ liệu chứng khoán khi Vibe Coding là bước tiếp theo nếu bạn muốn biến các lỗi dữ liệu thường gặp thành bảng kiểm tra cho AI.

Điều đáng mang theo từ ví dụ Harness Engineering này

TradingAgents đáng tham khảo vì dự án biến công việc phân tích thành một quy trình có vai trò, phản biện, điểm dừng và nhật ký. Người làm tài chính không cần đọc hết mã nguồn để áp dụng những nguyên tắc đó.

Có thể bắt đầu bằng bốn câu hỏi:

1. AI đang dùng dữ kiện nào và chúng có đúng thời điểm không?
2. Ai chịu trách nhiệm tìm bằng chứng ngược với nhận định ban đầu?
3. Trường hợp nào buộc hệ thống trả lời “chưa đủ thông tin”?
4. Kết quả được lưu lại thế nào để đối chiếu về sau?

Nếu một ứng dụng trả lời rõ bốn câu hỏi này, nó đã tiến xa hơn đáng kể so với việc gửi một câu hỏi dài cho chatbot. Số lượng trợ lý AI hay độ phức tạp của mã có thể được bổ sung sau.

Câu hỏi thường gặp

TradingAgents liên quan gì đến Harness Engineering?

TradingAgents là một ví dụ dễ quan sát về Harness Engineering trong đầu tư. Dự án không chỉ dùng nhiều trợ lý AI mà còn quy định vai trò, luồng công việc, phần phản biện, điểm dừng, lớp kiểm tra rủi ro và cách lưu lại kết quả.

Có cần biết lập trình để học từ TradingAgents không?

Không cần đọc toàn bộ mã nguồn. Bạn có thể đưa đường dẫn kho mã cho AI lập trình, yêu cầu giải thích quy trình bằng ngôn ngữ tài chính và chỉ xây một phiên bản nhỏ gồm thu thập dữ kiện, phản biện và tạo bản ghi nhớ.

Có cần tạo nhiều trợ lý AI ngay từ đầu không?

Không. Một mô hình AI thực hiện lần lượt các vai trò theo mẫu cố định đã đủ để thử ý tưởng. Chỉ nên tách thành nhiều trợ lý khi đã xác định rõ lợi ích và cách kiểm tra từng phần.

TradingAgents có chứng minh AI đầu tư tốt hơn con người không?

Không. Bài nghiên cứu báo cáo kết quả trên một thiết kế thực nghiệm cụ thể. Kết quả không tạo ra bảo đảm về hiệu quả đầu tư trong điều kiện khác.

Đầu ra an toàn nhất cho ứng dụng đầu tiên là gì?

Một bản ghi nhớ nghiên cứu gồm dữ kiện, hai phía của luận điểm, thông tin còn thiếu và các mốc cần theo dõi. Ứng dụng đầu tiên không nên tự động gửi lệnh giao dịch.

Có thể dùng Vnstock cùng ý tưởng này không?

Có thể dùng Vnstock như một công cụ Python trong lớp kết nối và chuẩn hoá dữ liệu. Phần kiểm tra nguồn, thời điểm, giả định và kết luận vẫn phải được thiết kế riêng trong ứng dụng.

Tài liệu tham khảo

— Vnstock là hệ sinh thái công cụ Python chạy trên hạ tầng của bạn: kết nối, chuẩn hoá và phân tích dữ liệu thị trường từ nguồn bên thứ ba. Vnstock cấp quyền dùng phần mềm, không bán dữ liệu; tính sẵn sàng và độ chính xác phụ thuộc nguồn. Nội dung phục vụ nghiên cứu và tham khảo, không phải khuyến nghị đầu tư.