7 phút đọc
Trong bối cảnh các trợ lý ảo cá nhân (AI agents) đang bùng nổ mạnh mẽ, hầu hết các hệ thống hiện nay vẫn phải định tuyến dữ liệu và xử lý thông tin thông qua các API đám mây. Điều này đồng nghĩa với việc dữ liệu cá nhân của người dùng liên tục phụ thuộc vào máy chủ của bên thứ ba. Nhằm giải quyết triệt để bài toán này, dự án mã nguồn mở OpenJarvis đã ra đời với định hướng “local-first” (ưu tiên chạy cục bộ trên thiết bị cá nhân).
Được phát triển bởi Hazy Research và Phòng thí nghiệm Scaling Intelligence tại Stanford SAIL, OpenJarvis hiện đã thu hút được 9.325 stars và 2.144 forks trên GitHub (số liệu cập nhật đến ngày 04/09/2026). Dự án sử dụng ngôn ngữ lập trình Python làm chủ đạo và đang trở thành một trong những framework nhận được nhiều sự quan tâm từ cộng đồng nghiên cứu lẫn phát triển ứng dụng thực tế.
Triết lý “Local-First” giải phóng AI khỏi đám mây
Cơ sở ra đời của OpenJarvis dựa trên một nghiên cứu thực tiễn mang tên Intelligence Per Watt (Trí tuệ trên mỗi Watt điện). Kết quả nghiên cứu chỉ ra rằng, các mô hình ngôn ngữ lớn chạy cục bộ hiện đã có khả năng xử lý tốt tới 88,7% các truy vấn trò chuyện đơn lượt (single-turn chat) và các tác vụ suy luận. Hơn nữa, hiệu suất trí tuệ của phần cứng và mô hình đã cải thiện vượt bậc tới 5,3 lần trong giai đoạn từ năm 2023 đến năm 2025.
Dù phần cứng và mô hình đã sẵn sàng, rào cản lớn nhất trước đây là sự thiếu vắng một ngăn xếp phần mềm (software stack) để biến việc vận hành AI cục bộ trở nên khả thi và thực tế. OpenJarvis được thiết kế để lấp đầy khoảng trống đó dựa trên ba trụ cột cốt lõi:
- Nguyên hàm dùng chung (Shared primitives): Cung cấp các thành phần nền tảng thống nhất để xây dựng các agent trực tiếp trên thiết bị cá nhân.
- Hệ thống đánh giá đa chiều: Đưa các yếu tố vật lý như điện năng tiêu thụ, FLOPs, độ trễ và chi phí tài chính thành những ràng buộc hàng đầu được ưu tiên đánh giá song song với độ chính xác của mô hình.
- Vòng lặp tự học (Learning loop): Cho phép mô hình tự cải thiện liên tục ngay trên thiết bị bằng cách khai thác dữ liệu vết (trace data) được tạo ra trong quá trình vận hành cục bộ.
Mục tiêu của OpenJarvis rất rõ ràng: Xây dựng các AI agent cá nhân hoạt động cục bộ theo mặc định và chỉ kết nối với đám mây khi thực sự cần thiết. Dự án hướng tới mục tiêu vừa là một nền tảng nghiên cứu vừa là bệ đỡ cho môi trường production, tương tự như vai trò của PyTorch trong hệ sinh thái học máy.
Hệ sinh thái 8 Agent mặc định và khả năng học hỏi hàng nghìn kỹ năng
OpenJarvis được trang bị sẵn 8 AI agent tích hợp tương thích với 3 chế độ vận hành khác nhau tùy theo nhu cầu của người dùng, bao gồm: theo yêu cầu (on-demand), theo lịch trình định sẵn (scheduled), và chạy liên tục (continuous).
Để giúp người dùng nhanh chóng khai thác sức mạnh của framework, dự án cung cấp các cấu hình thiết lập sẵn (presets) tối ưu cho từng mục tiêu cụ thể:
- Morning digest: Tóm tắt thông tin quan trọng vào mỗi buổi sáng.
- Deep research: Hỗ trợ tìm kiếm và nghiên cứu thông tin chuyên sâu dưới dạng phân tích.
- Code assistant: Trợ lý đắc lực trong việc viết và sửa lỗi mã nguồn.
- Scheduled monitor: Giám sát và theo dõi các tác vụ định kỳ theo thời gian biểu.
- Chat simple: Chế độ trò chuyện đơn giản, phản hồi nhanh.
Điểm mạnh vượt trội của OpenJarvis nằm ở hệ thống “Skills” (Kỹ năng). Trong framework này, mỗi kỹ năng được xem như một công cụ độc lập giúp agent cải thiện khả năng suy luận và tương tác. Agent có thể tự động khám phá các công cụ này từ danh mục chung và kích hoạt khi phát sinh nhu cầu công việc. Người dùng có thể dễ dàng nạp thêm khoảng 150 kỹ năng từ Hermes Agent, hoặc tận dụng kho tàng khổng lồ với khoảng 13.700 kỹ năng cộng đồng từ OpenClaw, thậm chí là từ bất kỳ kho lưu trữ GitHub nào tuân thủ theo tiêu chuẩn mở agentskills.io.
Cài đặt tinh gọn và kiến trúc tối ưu phần cứng
Dù sở hữu hệ thống tính năng phức tạp, OpenJarvis tối giản hóa trải nghiệm tiếp cận của nhà phát triển. Quá trình thiết lập ban đầu chỉ mất khoảng 3 phút trên mạng băng thông rộng thông qua một câu lệnh cài đặt duy nhất tương ứng với từng hệ điều hành. Trình cài đặt tự động thiết lập công cụ quản lý gói uv, tạo môi trường ảo Python venv, cấu hình Ollama và tải xuống một mô hình cơ bản để khởi động.
Sau khi hoàn tất cài đặt, người dùng khởi chạy ứng dụng bằng lệnh: jarvis. Để đảm bảo không làm gián đoạn trải nghiệm ban đầu, phần mở rộng viết bằng ngôn ngữ Rust và các mô hình ngôn ngữ lớn hơn sẽ tiếp tục được tải ngầm dưới nền hệ thống. Bạn có thể kiểm tra trạng thái hoạt động và tính toàn vẹn của môi trường bất kỳ lúc nào thông qua lệnh jarvis doctor.
Đối với việc vận hành hàng ngày, người dùng cần lưu ý chạy lệnh kèm tiền tố uv run jarvis ... hoặc thực hiện kích hoạt môi trường ảo trước bằng lệnh source .venv/bin/activate. Tài liệu đi kèm cũng hướng dẫn chi tiết cách cấu hình riêng biệt cho môi trường WSL2, cài đặt dịch vụ tác vụ tự động trên Windows (native-Windows scheduled-task service) cũng như các cài đặt thủ công cho nhà phát triển muốn đóng góp mã nguồn.
Những mảnh ghép đang tiếp tục hoàn thiện
Dưới sự hỗ trợ và hợp tác nghiên cứu từ hàng loạt tổ chức danh tiếng như Viện Laude, Stanford Marlowe, Google Cloud Platform, Lambda Labs, Ollama, IBM Research và Stanford HAI, OpenJarvis đang sở hữu bệ phóng vững chắc để tiến xa hơn trong cộng đồng mã nguồn mở.
Mặc dù vậy, với tư cách là một dự án đang phát triển tích cực, người dùng vẫn cần lưu ý một số điểm chưa được làm rõ trong tài liệu hiện tại. Cụ thể, các thông số chi tiết về cấu hình phần cứng tối thiểu (như dung lượng VRAM cần thiết để chạy mượt mà chế độ continuous khi tích hợp nhiều kỹ năng phức tạp) vẫn chưa được công bố cụ thể. Ngoài ra, việc xử lý độ trễ khi mô hình cục bộ phải tự động chuyển đổi qua lại giữa các kỹ năng của bên thứ ba cũng là một yếu tố cần được kiểm chứng thêm qua quá trình sử dụng thực tế.
Nguồn tham khảo: Xem bài gốc
