learn-claude-code: repo dạy tự xây agent harness từ 0
Repo Python của shareAI-lab dạy cách tự viết harness cho coding agent: tools, knowledge, observation, quyền hạn. Tính đến 15/11/2026, repo đạt 80.412 sao.

Trong khi nhiều dự án "AI agent" xoay quanh việc nối các lời gọi LLM bằng node graph, prompt chain và if-else, repo shareAI-lab/learn-claude-code chọn hướng ngược lại: dạy cách tự viết phần harness bao quanh model, từ con số 0. Theo số liệu được cung cấp, tính đến ngày 15/11/2026, repo đạt 80.412 sao, 12.859 fork, và lần push code gần nhất cũng là 15/11/2026. Với một repo mang tính giáo dục, đây là mức độ chú ý đáng kể.
Repo này là gì
Repo dùng Python, giấy phép MIT, và tự mô tả là một "nano claude code–like agent harness" được xây từ 0 đến 1, với tagline "Bash is all you need". Các topic gắn với repo gồm agent, agent-development, ai-agent, claude, claude-code, educational, llm, python, teaching, tutorial — định vị khá rõ là tài liệu học tập chứ không phải thư viện production.
README có ba phiên bản ngôn ngữ: tiếng Anh, tiếng Trung và tiếng Nhật, kèm badge Trendshift.
Một lưu ý về số liệu: con số trung bình 160 sao/ngày là số sao chia cho tuổi repo (504 ngày, khoảng 1,4 năm), không phải tốc độ tăng sao gần đây. Đây là cách đo "sao trên ngày tuổi repo", nên không dùng để suy ra repo đang tăng trưởng nhanh hay chậm ở thời điểm hiện tại.
Luận điểm trung tâm: agency đến từ model, không đến từ code
Phần đầu README đặt ra một tuyên bố khá dứt khoát: agency — khả năng nhận biết, suy luận và hành động — đến từ quá trình huấn luyện model, không đến từ lớp orchestration code bên ngoài. Từ đó, repo đưa ra công thức: một sản phẩm agent = model + harness. Model là người lái, harness là chiếc xe, và repo này dạy cách đóng chiếc xe đó.
Để lập luận, README dẫn lại một chuỗi cột mốc lịch sử, kèm liên kết tới bài báo hoặc blog gốc:
- 2013–2015: DeepMind DQN chơi Atari 2600 — ban đầu 7 game, sau đó mở rộng lên 49 game ở mức "professional tester", công bố trên Nature. Không có luật riêng cho từng game.
- 2019: OpenAI Five thắng OG 2-0 trong một trận Dota 2 trực tiếp, sau quá trình self-play mà README mô tả là tương đương 45.000 năm chơi game.
- 2019: DeepMind AlphaStar đạt rank Grandmaster ở StarCraft II trên server châu Âu, sau khi thắng một tuyển thủ chuyên nghiệp 10-1 trong các trận kín.
- 2019: hệ thống "Jueyu" của Tencent AI Lab thắng tuyển thủ KPL ở chế độ 5v5 trong Honor of Kings; ở chế độ 1v1, theo README, tuyển thủ chuyên nghiệp chỉ thắng 1 trong 15 trận.
- 2024–2025: LLM agent (Claude, GPT, Gemini) được triển khai như coding agent — đọc codebase, viết implementation, debug, phối hợp theo nhóm.
Điểm chung mà README rút ra: mọi cột mốc đều có cùng cấu trúc — một model đã được huấn luyện, đặt vào một môi trường, và được cấp công cụ để nhận biết và hành động.
"Agent" theo nghĩa repo phản đối
README dành một phần để phê phán mạnh các nền tảng "AI Agent" no-code, workflow kéo–thả và thư viện prompt-chain. Theo lập luận trong repo, những thứ này tạo ra "cỗ máy Rube Goldberg" — pipeline quy tắc cứng nhắc, dễ vỡ, với LLM bị gắn vào như một node sinh văn bản. Repo khẳng định không thể "kỹ nghệ hóa" agency bằng cách xếp chồng logic thủ tục; agency phải được học, không phải được code.
Luận điểm này khá tuyệt đối và mang tính quan điểm. Nhưng với người đọc kỹ thuật, nó vẫn chỉ ra một vấn đề thực tế: độ phức tạp của code điều phối thường tăng nhanh hơn giá trị nó mang lại, trong khi phần khó thật sự nằm ở cấu trúc ngữ cảnh, công cụ và quyền hạn mà model được cấp.
Harness gồm những gì
README định nghĩa harness bằng một công thức ngắn:
Harness = Tools + Knowledge + Observation + Action Interfaces + Permissions
Diễn giải theo nguồn:
- Tools: file I/O, shell, network, database, browser.
- Knowledge: tài liệu sản phẩm, tài liệu tham chiếu miền, API spec, style guide.
- Observation: git diff, log lỗi, trạng thái browser, dữ liệu cảm biến.
- Action: lệnh CLI, lệnh gọi API, tương tác UI.
- Permissions: sandbox isolation, flow phê duyệt, ranh giới tin cậy.
Nguyên tắc đi kèm: model quyết định, harness thực thi; model suy luận, harness cung cấp ngữ cảnh.
Công việc thực tế của một harness engineer
README liệt kê khá cụ thể những việc mà nó gọi là "harness engineering":
- Implement tool — cho agent "đôi tay": đọc/ghi file, chạy shell, gọi API, điều khiển browser, query database. Mỗi tool là một hành động. Yêu cầu đặt ra: thiết kế ở mức atomic, composable và mô tả rõ ràng.
- Curate knowledge — nạp kiến thức miền theo nhu cầu (on demand) thay vì nạp hết ngay từ đầu.
- Manage context — dùng subagent để giữ công việc tập trung trong một message list riêng, compaction để rút ngắn lịch sử cũ, và hệ thống task để mục tiêu tồn tại qua nhiều phiên hội thoại.
- Control permissions — sandbox quyền truy cập file, yêu cầu phê duyệt cho hành động phá hủy, và ranh giới tin cậy giữa agent với hệ thống ngoài.
- Collect trajectory data — mỗi chuỗi hành động agent chạy trong harness là tín hiệu huấn luyện cho các model sau này.
Đây là phần có giá trị thực hành cao nhất của repo: nó biến "làm agent" từ một bài toán framework thành một bài toán thiết kế môi trường và quyền hạn.
Vì sao repo chọn Claude Code làm mẫu
README nói rõ lý do: tác giả coi Claude Code là bản triển khai harness "elegant và đầy đủ nhất" mà họ từng thấy, và điểm mấu chốt nằm ở những gì nó không làm. Phần trích README được cung cấp dừng ngay tại đây, nên chưa thể nêu chi tiết lập luận tiếp theo — cần đối chiếu bản đầy đủ trên repo.
Vì sao đáng quan tâm với lập trình viên Việt Nam
Với người làm AI cho lập trình viên, giá trị của repo không nằm ở việc nó dạy "dùng Claude Code thế nào", mà ở việc nó tách bạch hai thứ thường bị trộn lẫn:
- Model — thứ bạn không tự huấn luyện, mà thường dùng qua API.
- Harness — thứ bạn hoàn toàn kiểm soát: công cụ nào được cấp, ngữ cảnh nào được nạp, quyền nào cần phê duyệt.
Cách tách bạch này hữu ích khi đánh giá các công cụ agent nội bộ: câu hỏi đúng không phải "dùng framework nào", mà là "harness của mình đã cấp đủ tool, đủ context và đủ ràng buộc quyền chưa". Việc quản lý context — subagent, compaction, task — cũng là những vấn đề mà đội nào tự viết trợ lý code nội bộ cũng gặp.
Ai nên đọc, và bắt đầu từ đâu
Repo phù hợp với kỹ sư muốn hiểu cấu trúc bên trong của một coding agent thay vì dùng nó như hộp đen. Định vị educational/tutorial cho thấy đây là tài liệu để đọc và làm theo, không phải thư viện thay thế framework production.
Về cài đặt: phần README được cung cấp chưa nêu cách cài đặt hay lệnh khởi chạy cụ thể, nên chưa thể đưa các bước ở đây. Người đọc nên mở trực tiếp README trên repo để xem hướng dẫn chạy và cấu trúc thư mục. Repo dùng Python và có giấy phép MIT — tuy nhiên điều kiện tái sử dụng cụ thể nên đối chiếu file LICENSE trong repo.
Lưu ý và hạn chế
- Đây là repo của shareAI-lab, không phải kênh chính thức; nguồn không nêu quan hệ giữa shareAI-lab và Anthropic. Tên repo có "claude-code" nhưng không nên hiểu là sản phẩm do Anthropic phát hành.
- README mang quan điểm mạnh và có tính tranh luận, đặc biệt ở phần phê phán các nền tảng no-code và thư viện orchestration. Nhận định "không thể kỹ nghệ hóa agency" là góc nhìn của tài liệu, không phải kết luận kỹ thuật đã được kiểm chứng.
- Đây là tài liệu giáo dục do một tổ chức xuất bản; độc giả nên tự đối chiếu khi áp dụng vào hệ thống thật.
- Số liệu sao/fork và thời điểm push là theo dữ liệu được cung cấp, tính đến ngày 15/11/2026.
- Phần trích README bị cắt ở mục "Why Claude Code", nên các lập luận tiếp theo của tài liệu chưa được xác minh trong bản nháp này.
Kết
learn-claude-code đáng chú ý không vì nó cung cấp thêm một framework, mà vì nó buộc người đọc phân biệt rõ hai phần của một agent: phần trí tuệ đến từ model, phần còn lại — công cụ, ngữ cảnh, quyền hạn — là việc của kỹ sư. Với ai đang tự xây trợ lý code nội bộ, đây là cách đặt vấn đề đáng để đọc trước khi chọn thêm một abstraction layer.
Nguồn tham khảo: GitHub – shareAI-lab/learn-claude-code
Bài viết liên quan

AI cho lập trình viên11 phút đọc
Chạy GLM-5.3 753 tỷ tham số trên hai DGX Station với vLLM
NVIDIA hướng dẫn chạy GLM-5.3 753 tỷ tham số trên hai DGX Station bằng vLLM với tensor parallelism TP=2, đạt 607,8 tok/s và toàn bộ trọng số nằm trong GPU.

Công nghệ Việt Nam13 phút đọc
Harness Engineering: bộ khung giúp AI Agent viết code đáng tin hơn
Bài viết trên Viblo lý giải vì sao cùng một model nhưng kết quả khác hẳn nhau, và cách dựng harness cấp dự án chỉ với bốn file.

Công nghệ Việt Nam10 phút đọc
Thuần hóa Coding Agent: context engineering và guardrails
Bài viết trên Viblo trình bày cách dùng spec, tệp quy tắc .cursorrules/CLAUDE.md và vòng lặp test tự động để Coding Agent không phá codebase production.
Bình luận
Đang tải bình luận…