Hai năm trước, GitHub Copilot tự hoàn thiện một function signature đã cảm giác kỳ diệu. Hôm nay, tôi đang chứng kiến AI agent tự tạo GitHub issue, viết code, chạy test, và yêu cầu human review — tất cả trong khi tôi đang họp. Tháng 3/2026 không phải là một cột mốc, đây là ngưỡng cửa mà chúng ta đã vượt qua mà không hay biết.
Bài này là đánh giá thẳng thắn của tôi với tư cách Technical Lead đã tích hợp AI tools vào các dự án .NET và cloud thực tế. Không phải review sản phẩm — mà là hướng dẫn từ người thực hành.
”Agentic” Thực Sự Nghĩa Là Gì?
Từ này bị dùng quá nhiều, nên để tôi định nghĩa chính xác: hệ thống AI agentic có thể nhận biết môi trường, đặt mục tiêu trung gian, gọi tools, đánh giá kết quả, và điều chỉnh kế hoạch — mà không cần bạn dắt tay từng bước.
Mô hình cũ: bạn viết prompt → AI trả về text → bạn copy-paste → bạn chạy code.
Mô hình mới: bạn mô tả kết quả mong muốn → agent tự tìm ra các bước → nó đọc file của bạn, viết code, chạy test, kiểm tra log, và lặp lại cho đến khi xong.
Sự khác biệt thực tế rất lớn. Ở sprint gần nhất, tôi giao cho một Claude Code agent nhiệm vụ viết integration tests cho một legacy payment API. Nó đọc contracts của các endpoint hiện có, suy ra business rules từ các comment test cũ (đúng vậy!), và tạo ra 87 test bao phủ các edge cases mà tôi chưa nghĩ đến. Đó lẽ ra là một ngày rưỡi công việc của tôi.
Bức Tranh Mới: Mỗi Lab Đều Có Agent Framework
Đây là thực tế lộn xộn hiện tại — có quá nhiều framework:
| Framework | Bởi | Ngôn ngữ | Focus |
|---|---|---|---|
| OpenAI Agents SDK | OpenAI | Python | Đa năng |
| Claude Agent SDK | Anthropic | Python/TS | Tool-heavy |
| Google ADK | Python | Gemini-native | |
| Semantic Kernel | Microsoft | C#/Python | Enterprise |
| Dapr Agents v1.0 | CNCF | Python | Cloud-native |
| Smolagents | HuggingFace | Python | Nhẹ |
Khuyến nghị của tôi: đừng nhảy framework. Chọn một cái dựa trên stack của bạn và cam kết. Với .NET shops, Semantic Kernel đã trưởng thành đáng kể. Với Python-first teams, Dapr Agents v1.0 (ra mắt ngày 23/3/2026) rất hấp dẫn vì cho bạn state management production-grade và failure recovery ngay từ đầu.
Dapr Agents v1.0: Tại Sao Quan Trọng
Hầu hết agent frameworks đều giả định agent của bạn chạy trong một process duy nhất mãi mãi. Dapr Agents giả định nó sẽ crash, restart, scale ngang, và cần tiếp tục giữa chừng. Với enterprise workloads, giả định đó là đúng.
from dapr_agents import Agent, tool
@tool
def query_database(sql: str) -> dict:
"""Thực thi SQL query chỉ đọc và trả về kết quả."""
# ... DB logic của bạn
pass
agent = Agent(
name="data-analyst",
tools=[query_database],
state_store="redis", # sống sót sau restart
message_bus="servicebusqueue", # async, bền vững
)
await agent.run("Phân tích xu hướng doanh số Q1 2026 và đánh dấu các bất thường")Các tham số state_store và message_bus là thứ phân biệt đồ chơi với công cụ production. Nếu agent crash giữa chừng phân tích, nó tiếp tục từ nơi dừng lại.
JetBrains Central: Quản Lý Agent Fleet
JetBrains đang ra mắt thứ gì đó thực sự thú vị: JetBrains Central, sẽ mở early access vào Q2 2026. Tiền đề là khi bạn có nhiều agent làm việc trên codebase cùng lúc, bạn cần governance — một control plane.
Hãy nghĩ nó như Kubernetes cho AI agents. Bạn định nghĩa agents có thể làm gì, xem tiến trình của chúng theo thời gian thực, và can thiệp khi chúng đi lạc hướng.
Từ góc nhìn Technical Lead, đây giải quyết pain point lớn nhất của tôi: khả năng hiển thị. Khi một AI agent đang refactor một module, tôi muốn thấy kế hoạch của nó trước khi nó chạm vào 40 file. JetBrains Central hiển thị điều này.
GitHub Agent HQ và Quy Trình Multi-Agent
Agent HQ của GitHub cho phép bạn chạy nhiều agents song song với audit trail đầy đủ. Quy trình đang trở thành chuẩn ở các team hiệu suất cao:
┌─────────────────────────────────────────────────────┐
│ GitHub Issue │
└────────────────────────┬────────────────────────────┘
│
┌────────────▼────────────┐
│ Planning Agent │
│ (chia nhỏ thành tasks) │
└────────────┬────────────┘
│
┌───────────────┼───────────────┐
│ │ │
┌────▼────┐ ┌─────▼────┐ ┌─────▼────┐
│ Code │ │ Tests │ │ Docs │
│ Agent │ │ Agent │ │ Agent │
└────┬────┘ └─────┬────┘ └─────┬────┘
│ │ │
└───────────────┼───────────────┘
│
┌────────────▼────────────┐
│ Review Agent │
│ (kiểm tra conflicts, │
│ quality, security) │
└────────────┬────────────┘
│
Human ApprovalInsight quan trọng: bạn không thay thế engineers, bạn thay đổi những gì engineers làm. Các engineers giỏi nhất trong các team được AI hỗ trợ đang dành thời gian cho quyết định kiến trúc, làm rõ requirements, và review output của agent — không phải viết boilerplate.
MCP: Protocol Làm Cho Tất Cả Hoạt Động
Model Context Protocol (MCP) xứng đáng có bài riêng, nhưng ngắn gọn: MCP là chuẩn mở của Anthropic để kết nối AI agents với tools và data sources bên ngoài. Nó đã trở thành integration layer de facto trong 2026.
Mọi major agent framework hiện đều nói chuyện bằng MCP. Điều này có nghĩa gì thực tế: bạn xây MCP server cho internal APIs của mình một lần, và bất kỳ AI agent nào tuân thủ đều có thể sử dụng nó.
// mcp-server.ts — expose internal API cho bất kỳ AI agent nào
import { MCPServer, tool } from "@anthropic-ai/mcp-server";
const server = new MCPServer({
name: "internal-api",
version: "1.0.0",
});
server.addTool({
name: "get_order_status",
description: "Lấy trạng thái của đơn hàng khách hàng",
parameters: {
order_id: { type: "string", required: true },
},
handler: async ({ order_id }) => {
const order = await db.orders.findById(order_id);
return { status: order.status, updatedAt: order.updatedAt };
},
});
server.start();Khi MCP server này chạy, Claude, GPT-5, Gemini — bất kỳ agent MCP-compatible nào — đều có thể query hệ thống đơn hàng của bạn mà không cần bạn viết custom integration code cho từng cái.
Con Số Năng Suất Thực Tế (Kinh Nghiệm Của Tôi)
Tôi đã theo dõi điều này cẩn thận trên ba dự án:
- Viết integration tests: ~3× nhanh hơn với coding agent được prompt tốt
- Tài liệu hóa code hiện có: ~5× nhanh hơn (agents đặc biệt giỏi điều này)
- Refactoring legacy code: ~1.5× nhanh hơn (cần giám sát nhiều hơn, rủi ro nhiều hơn)
- Quyết định kiến trúc: agents hữu ích như sparring partners nhưng vẫn cần human judgment
- Debug production issues: hỗn hợp — tốt cho hypothesis generation, không đáng tin cậy cho root cause analysis trên distributed systems phức tạp
Năng suất tăng 2–3× được trích dẫn trong báo cáo ngành cảm thấy đúng cho greenfield work. Với brownfield, legacy, hoặc high-security systems, hãy bảo thủ hơn.
Những Gì Technical Leads Cần Theo Dõi
Context engineering đang trở thành kỹ năng thực sự. Chất lượng output của agent tương quan trực tiếp với chất lượng context bạn cung cấp. Các team đầu tư vào file CLAUDE.md tốt, mô tả MCP tool phong phú, và code examples được tuyển chọn cho agents đang thấy kết quả tốt hơn đáng kể.
Security boundaries quan trọng hơn bây giờ. Khi agent có thể đọc file, thực thi code, và gọi external APIs, một prompt injection attack có hậu quả thực sự. Hướng dẫn tháng 3/2026 của Microsoft về agentic AI security rất đáng đọc. Mọi tool mà agent của bạn có thể gọi đều là attack surface.
Bắt đầu nhỏ, mở rộng dần. Các team thất bại với agentic AI là những team cố gắng tự động hóa mọi thứ cùng lúc. Các team thành công bắt đầu với một task cụ thể, được định nghĩa rõ ràng (như tạo test) và mở rộng từ đó.
Setup Hiện Tại Của Tôi (Tháng 3/2026)
Cho các dự án tôi đang lead:
- Claude Code là coding agent chính (xử lý context tốt, MCP support trưởng thành)
- Semantic Kernel cho .NET agent orchestration
- Custom MCP servers cho mỗi internal service
- JetBrains IDE cho daily coding (chờ JetBrains Central để quản lý agent fleet)
- GitHub Agent HQ đang đánh giá cho PR automation
Stack có thể sẽ khác trong sáu tháng nữa. Đó là bản chất của thời điểm này.
Kết Luận
Công cụ AI agentic đã vượt qua từ thử nghiệm sang infrastructure trong 2026. Là Technical Lead, câu hỏi không còn là “chúng ta có nên áp dụng điều này không?” mà là “làm thế nào để chúng ta quản trị nó?”
Xây dựng AI literacy cho team của bạn. Định nghĩa quyền sở hữu rõ ràng cho code được tạo bởi agent (đó là code của bạn, bạn chịu trách nhiệm). Đầu tư vào MCP layer của bạn. Và nhớ rằng: mục tiêu là phần mềm tốt hơn, nhanh hơn — không chỉ là thêm AI vào pipeline.
Các engineers học được cách điều phối agents hiệu quả sẽ có lợi thế rất lớn. Đó là nơi tôi sẽ đầu tư thời gian ngay bây giờ.