Thế giới AI bước vào kỷ nguyên "loops" - khi agents tự chạy liên tục

Loops không phải hype

Tại hội nghị @Scale của Meta vào cuối tuần trước, Boris Cherny - tác giả Claude Code - đã đặt dấu chấm hết cho nghi ngờ: loops là xu hướng thực sự, không chỉ một hype tạm thời. Khi được hỏi "loops là chu kỳ hype tiếp theo hay chúng có thực sự quan trọng?", Cherny trả lời ngắn gọn: "Chúng có thực sự quan trọng."

Cherny mô tả sự tiến hóa của công việc lập trình: "Hai năm trước, chúng ta viết code bằng tay. Rồi chúng ta bắt đầu để agents viết code. Bây giờ, chúng ta chuyển sang giai đoạn agents prompt agents để viết code." Theo ông, bước nhảy từ code thủ công sang agents là lớn, nhưng loops lại là một bước nhảy tương đương.

Từ thuyết thành hành động

Trong bài phát biểu, Cherny chia sẻ cách anh áp dụng loops trong công việc thực tế. Một agent liên tục tìm cách cải thiện kiến trúc code, trong khi agent khác lục tìm các trừu tượng hóa trùng lặp để thống nhất chúng. Những agents này gửi pull request như lập trình viên thông thường, và vì code liên tục thay đổi, chúng không bao giờ dừng lại.

Tín dụng cao cho AI

Ý tưởng này đòi hỏi mức độ tin tưởng lớn vào AI. Thay vì quản lý từng agent cẩn thận - đặt mục tiêu rõ ràng, kiểm tra từng bước, giữ chúng nằm trong scope - loops cho phép đàn agent hoạt động liên tục ở nền. Với các mô hình AI cải thiện nhanh chóng, đây có thể là bước tiếp theo để AI xử lý công việc thực sự.

Gốc rễ máy tính cổ điển

Loops không hoàn toàn là khái niệm mới. Các vòng lặp đệ quy - hàm gọi chính nó với điều kiện dừng rõ ràng - là nền tảng của lập trình căn bản. Sự khác biệt là loops trong AI sử dụng logic không xác định trước: một sub-agent quyết định khi dừng, chứ không phải điều kiện cứng.

Một biến thể phổ biến là "Ralph Loop", tóm tắt tất cả công việc mô hình đã làm rồi hỏi liệu nó có đạt mục tiêu không - cách đối phó với mô hình AI bị lạc khi chạy quá lâu.

Chi phí thực tế

Vấn đề lớn là chi phí. Loops tiêu thụ token nhanh hơn nhiều so với chatbot Q&A đơn giản. Vì mục đích là giữ loops chạy liên tục, không có giới hạn chi phí. Đây có thể rất tốn kém, nhất là khi quy mô lớn.

Tuy nhiên, nếu loops giải quyết được vấn đề khó nhất - như cải thiện liên tục cơ sở code - và nếu có cách giám sát chi phí, độ trôi dạt AI và các vấn đề khác, lợi ích có thể đủ lớn để bù đắp chi phí.