Rất nhiều nhà phát triển đang vận hành các nhóm agent và điều phối chúng theo kiểu "vibe" (cảm tính), nhưng liệu cách đó có thực sự hiệu quả?
Trong bài viết này, tôi sẽ giới thiệu năm mô hình đã được nghiên cứu chứng minh để vận hành các nhóm agent trong Antigravity, Claude Code hoặc bất kỳ coding agent nào khác. Dù bạn đang xây dựng ứng dụng mới, bảo trì codebase cũ hay thực hiện nghiên cứu, bạn sẽ biết được khi nào mỗi mô hình vượt trội hơn so với việc chỉ dùng một agent duy nhất, đồng thời nhận được các prompt sẵn sàng sử dụng để tự mình thử nghiệm.
Tác giả: YK Sugi, Kỹ sư Cấp cao về Quan hệ Nhà phát triển, Google Cloud
1. Tách biệt người xây dựng và người kiểm tra. Thay vì để một agent lo mọi thứ, chúng ta có thể chia việc xây dựng và kiểm tra thành hai luồng (thread) riêng biệt. Một agent đảm nhiệm việc xây dựng. Agent thứ hai ở một luồng hoàn toàn mới sẽ kiểm tra xem kết quả có đúng như yêu cầu của bạn hay không. Nếu một mô hình tự đánh giá công việc của chính nó trong cùng một luồng, nó rất dễ bị thiên kiến bởi những gì nó vừa tạo ra trước đó.
Thực tế, các nghiên cứu cho thấy mô hình là những "giám khảo" kém cỏi khi đánh giá sản phẩm của chính mình. Chúng gặp khó khăn trong việc tự sửa lỗi suy luận nếu không có phản hồi từ bên ngoài và thiên vị đầu ra của mình hơn so với của người khác.
Hãy áp dụng mô hình này cho những thay đổi quan trọng. Việc tự đánh giá vẫn ổn đối với các thay đổi nhỏ, hoặc khi đã có test đưa ra phản hồi.
Prompt: Khởi chạy một subagent mới ở chế độ chỉ đọc để làm người kiểm tra. Yêu cầu nó kiểm tra xem bản diff này có thực hiện đúng những gì tôi đã yêu cầu hay không.

2. Chia công việc thành các làn riêng biệt. Khi một tác vụ có thể phân chia rạch ròi, hãy giao mỗi phần cho một "chủ sở hữu", ví dụ mỗi subagent phụ trách frontend, backend và tài liệu. Cho chúng làm việc song song mà không chỉnh sửa chung một file.
Trong một nghiên cứu năm 2026 trên 652 tác vụ lập trình, hai agent làm việc trên các đoạn code chồng lấn nhau có tỷ lệ thành công thấp hơn khoảng 30% so với một agent đảm nhận cả hai tác vụ.
Trong một nghiên cứu của Google và MIT, các nhóm agent đạt điểm cao hơn tới 80,8% so với một agent duy nhất trên benchmark tài chính có các phần độc lập, nhưng lại thấp hơn từ 39% đến 70% trên benchmark lập kế hoạch — nơi mỗi bước đều phụ thuộc vào bước trước đó.

Với những công việc khó chia tách rạch ròi như frontend và backend, một luồng duy nhất thường mang lại hiệu quả tốt hơn. Điều tương tự cũng đúng với các bản sửa lỗi nhỏ, khi việc dùng subagent song song không giúp ích gì trong một nghiên cứu khác.
Prompt: Khởi chạy ba subagent song song: một cho frontend trong web/, một cho backend trong api/, và một cho tài liệu trong docs/. Mỗi agent chỉ được chỉnh sửa các file trong thư mục của riêng mình. Khi cả ba hoàn tất, hãy kiểm tra xem các phần có hoạt động khớp với nhau không.

3. Best of N (Chọn phương án tốt nhất). Chạy cùng một tác vụ nhiều lần song song và để bộ test hoặc eval chọn ra phương án chiến thắng. AlphaCode, một hệ thống lập trình của DeepMind, đã hoạt động theo cách này. Nó tạo ra hàng loạt chương trình ứng viên rồi lọc chúng bằng cách chạy thử. Phương pháp này đã đạt thành tích cạnh tranh trong các cuộc thi lập trình.
Trong một nghiên cứu năm 2024 về phương pháp Best of N này, tỷ lệ vượt qua bài test liên tục tăng lên qua hàng nghìn lần thử trên các tác vụ có cơ chế kiểm tra tự động. Trên các issue thực tế của GitHub, một mô hình đã tăng từ mức giải quyết được 15,9% ở lần thử đầu tiên lên 56% sau 250 lần thử. Nếu không có cơ chế kiểm tra tự động, việc chọn ra phương án thắng bằng bỏ phiếu đa số hoặc mô hình chấm điểm sẽ chững lại ở khoảng 100 lần thử.

Prompt: Chạy năm subagent song song trên Gemini 4 Hydrogen, mỗi agent cố gắng tối ưu hóa đoạn code này trong worktree riêng. Chấm điểm từng lần thử qua các bài eval, chọn ra phương án tốt nhất và báo cho tôi kết quả.
4. Hội đồng mô hình. Yêu cầu nhiều mô hình đưa ra các đề xuất độc lập, để các giám khảo bỏ phiếu bình chọn (có ẩn tên mô hình), sau đó tổng hợp những ý tưởng mạnh nhất lại. Hãy dùng cách này khi không có bài test hay cơ chế kiểm tra tự động rõ ràng, chẳng hạn như thiết kế kiến trúc hoặc giao diện trực quan.
Trong một nghiên cứu, việc kết hợp câu trả lời từ nhiều mô hình cho điểm cao hơn so với một mô hình frontier đơn lẻ. Trong một nghiên cứu khác, một hội đồng gồm các mô hình khác nhau đưa ra đánh giá sát với con người hơn so với một giám khảo lớn duy nhất.

Ví dụ, tôi đã thiết kế logo con tàu này bằng một hội đồng mô hình. Chỉ cần hai vòng thảo luận, nó đã biến từ bản nháp thô sơ ban đầu thành biểu tượng cuối cùng.

Prompt: Yêu cầu Gemini 4 Carbon, Gemini 4 Neon và Claude Opus 5.5 mỗi mô hình đưa ra một thiết kế độc lập. Sau đó, cho ba agent mới trên Gemini 4 Carbon, Gemini 4 Neon và Claude Opus 5.5 chấm điểm các thiết kế này (ẩn tên mô hình tạo ra chúng). Tổng hợp những ý tưởng tốt nhất vào phương án chiến thắng.
5. Đội ngũ reviewer. Chạy song song nhiều reviewer ở chế độ chỉ đọc, mỗi người đảm nhận một nhiệm vụ cụ thể, chẳng hạn như UX hoặc bảo mật.
Trong một nghiên cứu kinh điển năm 1995 với các reviewer là con người, những nhóm mà mỗi thành viên tập trung tìm một loại lỗi khác nhau đã phát hiện nhiều hơn khoảng 35% số lỗi so với các nhóm mà mọi người đều dùng chung một checklist tổng quát về các lỗi phổ biến.
Hóa ra, quy luật tương tự cũng đúng với các AI reviewer. Trong một nghiên cứu về LLM đóng vai trò giám khảo, một nhóm với các vai trò khác nhau đưa ra đánh giá sát với con người hơn so với một giám khảo duy nhất, và hiệu quả giảm đi khi tất cả đều chia sẻ chung một vai trò.

Prompt: Khởi chạy bốn reviewer ở chế độ chỉ đọc song song để đánh giá về UX, độ đơn giản của code, các trường hợp biên (edge case) và bảo mật. Sửa những gì họ báo cáo, sau đó lặp lại quy trình với các reviewer mới cho đến khi cả bốn đều thông qua.
Những mô hình này giống như các khối lắp ghép hơn là những quy tắc cứng nhắc. Bạn có thể kết hợp chúng theo bất kỳ cách nào phù hợp với mình, nhưng đây là một lưu đồ đơn giản để hướng dẫn bạn nên dùng mô hình nào vào lúc nào:






