5 phút đọc
Trong quá trình phát triển phần mềm bằng các công cụ trí tuệ nhân tạo (AI coding agent), việc kiểm soát để agent tuân thủ đúng quy trình kiểm thử và đánh giá chất lượng là một thách thức lớn. Dự án mã nguồn mở the-open-engine/zeroshot ra đời nhằm giải quyết vấn đề này bằng cách đóng vai trò một khung quản lý trung gian (meta-harness). Repository này hiện thu hút 2.100 lượt star và 200 lượt fork trên GitHub, được phát triển chủ yếu bằng ngôn ngữ Rust và cập nhật lần gần nhất vào ngày 03/11/2026.
Ép AI agent tuân thủ quy trình QA dạng đồ thị
Vấn đề phổ biến hiện nay là dù lập trình viên yêu cầu AI agent đưa mã nguồn đi đánh giá (review), agent vẫn có thể tự quyết định lờ đi hướng dẫn đó. Zeroshot giải quyết triệt để bằng cách cho phép nhóm phát triển mô tả lại toàn bộ quy trình QA dưới dạng một đồ thị (graph). Engine của Zeroshot sẽ bắt buộc mọi nhiệm vụ phải chạy qua đồ thị này mà không agent nào có thể bỏ qua hoặc tự ý thêm bớt các bước.
Trong đồ thị này, bạn có thể quy định rõ ràng: agent nào chịu trách nhiệm viết mã, agent nào thực hiện review hoặc chạy kiểm thử, tiêu chuẩn nào bắt buộc phải vượt qua và mã bị từ chối sẽ được chuyển ngược lại đâu để sửa lỗi (repair loop).
Một điểm đáng chú ý là sự linh hoạt trong việc kết hợp các mô hình khác nhau. Do mỗi agent có thể vận hành công cụ và mô hình riêng, bạn hoàn toàn có thể cấu hình để Claude đảm nhận phần viết mã trong khi Codex chịu trách nhiệm kiểm tra và đánh giá.
Quy trình lập kế hoạch và theo dõi trực quan
Zeroshot hỗ trợ cài đặt các kỹ năng (skills) tương thích với Claude Code, Codex, Copilot CLI và Pi. Khi khởi chạy trên repository của dự án, Zeroshot sẽ đọc cấu hình build, kiểm thử và CI hiện có, hỏi cách bạn muốn phân phối các thay đổi và hiển thị đồ thị cùng chỉ dẫn của từng agent trước khi lưu lại.
Trước khi giao việc, agent sẽ đọc mã nguồn, chỉ hỏi những thông tin thực sự ảnh hưởng đến kết quả và lập một kế hoạch chi tiết. Mọi tiêu chí nghiệm thu (acceptance criteria) trong kế hoạch đều đi kèm phương pháp kiểm tra cụ thể như một bài unit test, một lệnh chạy hoặc một kịch bản end-to-end. Người dùng là bên duy nhất quyết định thế nào là hoàn thành nhiệm vụ.
Khi quá trình thực thi bắt đầu, worker sẽ dựng mã nguồn dựa trên kế hoạch và các reviewer sẽ đánh giá kết quả dựa trên các tiêu chí đã đề ra. Sau khi hoàn tất lượt chạy, agent sẽ báo cáo rõ những gì đã bị từ chối và những gì đã được khắc phục. Toàn bộ tiến trình này có thể được theo dõi trực tiếp qua giao diện zeroshot ui.
Khả năng triển khai linh hoạt và đánh giá từ thực tế
Về môi trường vận hành, Zeroshot CLI được cung cấp miễn phí dưới giấy phép mã nguồn mở MIT. Công cụ này chạy trực tiếp trên máy cục bộ của người dùng, tận dụng chính thông tin đăng ký và tài khoản có sẵn của các agent.
Đối với các nhóm làm việc muốn đồng nhất quy trình trên quy mô chung, cấu hình graph có thể được lưu lên zeroshot Platform. Bản Platform hỗ trợ chạy các nhiệm vụ song song, giải phóng tài nguyên máy tính cá nhân và vận hành thông qua API key mô hình riêng của tổ chức. Nếu cần giữ toàn bộ quá trình thực thi trong hạ tầng nội bộ, dự án cũng hỗ trợ sẵn mục tiêu Docker (Docker target).
Bên cạnh Zeroshot, hệ sinh thái này còn có công cụ Opcore giúp đưa ra phản hồi tức thì cho coding agent trong từng thao tác chỉnh sửa mã nguồn.
Trong phần phản hồi từ cộng đồng, Zeroshot đã được ứng dụng thực tế trong hai dự án hợp đồng gồm: hệ thống kiểm soát và tự động hóa dây chuyền sản xuất, cùng hệ thống quản trị và đồng bộ đa máy chủ cho Webflow và Guesty. Dự án cũng nhận được đánh giá tích cực khi được so sánh mang lại trải nghiệm vừa vặn hơn so với Google ADK.
Nhận định và những điểm cần lưu ý thêm
Zeroshot mang lại một cách tiếp cận chặt chẽ cho việc quản lý AI agent, giúp biến quy trình phát triển phần mềm tự do của AI thành một luồng công việc có tính kỷ luật cao. Tuy nhiên, qua các dữ liệu hiện có từ nguồn, repository chưa làm rõ một số chi tiết kỹ thuật chuyên sâu như:
- Cú pháp chi tiết và định dạng tệp tin khi viết đồ thị quy trình QA.
- Bảng chi phí hoặc chính sách sử dụng chi tiết của bản zeroshot Platform khi chạy diện rộng.
- Các chỉ số hiệu năng cụ thể về độ trễ khi phối hợp giữa các agent thuộc các nền tảng khác nhau (như Claude và Codex).
Người dùng quan tâm có thể tìm hiểu thêm thông qua tài liệu CONTRIBUTING.md, PUBLISHING.md, SECURITY.md trên GitHub hoặc tham gia thảo luận trên kênh Discord chính thức của dự án.
Nguồn tham khảo: Xem bài gốc
