OpenAI có thực sự mã nguồn mở “Harness” cho Codex? Những gì nguồn chính thức xác nhận

Có phải OpenAI đã phát hành “Harness” vào ngày 20/8?

Hiện chưa có đủ bằng chứng đáng tin cậy để khẳng định OpenAI đã chính thức mã nguồn mở một sản phẩm mang tên “Harness” — được mô tả là framework thực thi cốt lõi của Codex — theo giấy phép Apache 2.0 vào ngày 20/8.

Thông tin này xuất hiện trong các bài viết bên thứ ba, nhưng những tài liệu chính thức của OpenAI được cung cấp ở đây không xác nhận một bản phát hành như vậy. Vì thế, các chi tiết như thành phần cụ thể, quyền thương mại hay danh sách doanh nghiệp đã áp dụng framework này cần được xem là chưa kiểm chứng.

Điều OpenAI xác nhận rõ ràng là mô hình vận hành dạng agent của Codex. Vòng lặp này thường gồm:

1. Lập kế hoạch;
2. Chỉnh sửa mã nguồn;
3. Chạy công cụ, chẳng hạn test, build hoặc lint;
4. Quan sát kết quả;
5. Sửa lỗi;
6. Cập nhật tài liệu hoặc trạng thái;
7. Lặp lại khi cần.

Codex có thể đọc, viết và chạy mã trong môi trường của người dùng hoặc môi trường đám mây. Agent này cũng có thể xử lý nhiều nhiệm vụ nền song song, thậm chí chủ động thực hiện công việc thay vì chỉ phản hồi từng câu hỏi một cách tuần tự.

Những gì nhà phát triển có thể sử dụng

Theo hướng dẫn dành cho nhà phát triển, OpenAI cung cấp hai con đường chính:

• API trực tiếp: phù hợp khi cần kiểm soát và tùy biến tối đa;
• Codex SDK: phù hợp với các tích hợp đơn giản hơn.

Nguồn tham khảo triển khai mở được OpenAI đề cập là codex-cli, một agent mã nguồn mở trên GitHub. Tuy nhiên, việc có một triển khai tham khảo mở không đồng nghĩa với việc mọi thành phần của một “Harness” riêng biệt đã được phát hành theo Apache 2.0.

Về mặt kỹ thuật, các thành phần được tài liệu chính thức mô tả xoay quanh một vòng lặp agent: mô hình suy luận, thay đổi mã, gọi công cụ, tiếp nhận quan sát và sửa chữa lặp đi lặp lại. Đây là nền tảng để xây dựng các ứng dụng chuyên biệt, nhưng không nên gán cho nó tên hoặc giấy phép mà nguồn chính thức chưa xác nhận.

Vì sao giữ lại suy luận và nén ngữ cảnh lại quan trọng?

Trong bài viết chính thức về ARC-AGI-3, OpenAI cho biết GPT-5.6 Sol đạt 13,3% trên bộ đề công khai khi dùng harness chính thức. Khi chuyển sang Responses API harness, đồng thời bật hai thiết lập là retained reasoning (giữ lại suy luận) và context compaction (nén ngữ cảnh), điểm số tăng lên 38,3%. Điều này tương đương gần gấp ba, trong khi lượng output token giảm 6 lần.

OpenAI cũng mô tả kết quả này là mức tăng 188% với số output token ít hơn 6 lần.

Hai cơ chế trên tác động theo những cách khác nhau:

• Giữ lại suy luận: cho phép agent tiếp tục dựa trên những bước trung gian đã thực hiện ở các lượt trước, thay vì phải tái dựng toàn bộ cách giải mỗi lần gọi API.
• Nén ngữ cảnh: khi lịch sử tương tác trở nên dài, hệ thống duy trì phần trạng thái hữu ích dưới dạng cô đọng thay vì tiếp tục mang toàn bộ dữ liệu cũ vào mỗi lượt.

Nói cách khác, kết quả ARC-AGI-3 cho thấy hiệu suất của agent không chỉ phụ thuộc vào bản thân mô hình. Cách runtime quản lý trạng thái, suy luận và công cụ cũng có thể tạo ra khác biệt rất lớn.

Đã có doanh nghiệp nào áp dụng framework này chưa?

Các nguồn được cung cấp không xác định công ty nào đã sử dụng framework được cho là phát hành theo Apache 2.0. Chúng cũng không nêu những quy trình ngoài lập trình cụ thể mà các doanh nghiệp đã triển khai, hay đưa ra số liệu kết quả ở cấp công ty.

Do đó, chưa thể kết luận rằng một framework “Harness” đã được doanh nghiệp áp dụng rộng rãi, hoặc rằng nó đã tạo ra tác động kinh doanh cụ thể.

Ý nghĩa chiến lược đối với nhà phát triển

Dù tuyên bố về bản phát hành Apache 2.0 chưa được xác nhận, hướng đi của OpenAI khá rõ: nhà phát triển có thể sử dụng các mô hình thiên về lập trình thông qua API hoặc Codex SDK, thay vì chỉ tương tác trong giao diện ChatGPT hay Codex.

Điều này mở đường cho việc nhúng vào sản phẩm riêng các thành phần như:

• vòng lặp lập kế hoạch và thực thi;
• công cụ chuyên dụng;
• cơ chế quản lý trạng thái và ngữ cảnh;
• chỉ dẫn phù hợp với từng nhiệm vụ.

Về nguyên tắc, một hệ thống như vậy có thể được tùy biến cho quy trình kỹ thuật nội bộ, hoạt động vận hành hoặc các thủ tục nghiệp vụ có yêu cầu riêng. Mô hình plan–act–observe–repair của Codex cũng cho thấy hướng phát triển của agent hiện nay: giao cho AI những công việc nhiều bước có thể chạy liên tục hoặc song song, thay vì chỉ trả lời từng lượt hội thoại.