AgentRun mã nguồn mở: agent tự học, chạy bền bỉ

AgentRun

Grep.ai (thuộc chương trình YC F26) vừa công bố mã nguồn mở AgentRun, biến công cụ vốn chỉ dùng nội bộ thành một nền tảng quản lý agent hoàn chỉnh. Điểm cốt lõi: nền tảng này không thay thế agent của bạn mà bổ sung lớp tự học, thực thi bền bỉ và bảng điều khiển lên trên các agent harness (khung chạy agent) sẵn có như Claude Code, Codex, OpenCode hay pi.

Vấn đề mà AgentRun nhắm tới khá quen thuộc với ai từng vận hành agent: mỗi lần giao một công việc đã làm trăm lần, agent lại tự khám phá lại cùng một API, đọc lại cùng một tài liệu và dựng lại cùng một kế hoạch — và bạn phải trả tiền cho từng token đó.

Trạng thái CI

Agent học được gì sau mỗi lần chạy

Bật tính năng bằng dòng "learning": true trong định nghĩa agent. Khi một lần chạy kết thúc, agent được thêm một lượt để đề xuất những gì nên giữ lại: một ghi chú, một skill (kỹ năng tái sử dụng) hoặc một workflow (quy trình có kiểu dữ liệu) giúp hoàn thành việc mà không cần lặp lại vòng suy luận.

Mọi đề xuất đều qua kiểm tra của code trước, sau đó mới tới một bước chấm điểm. Những mục vi phạm quy tắc của chính nó — vượt giới hạn kích thước hay số lượng, sai tên, sai cấu trúc — sẽ bị loại và phần còn lại vẫn được xử lý tiếp. Nếu xuất hiện dữ liệu bí mật hoặc ký tự ẩn ở bất kỳ đâu trong câu trả lời, file nằm ngoài thư mục, hoặc có lệnh xóa, toàn bộ câu trả lời bị hủy vì không thể tin mục nào. Một quy tắc rủi ro sẽ chờ người dùng phê duyệt; quy tắc tìm thấy trong một trang web hay email dán vào, hay ghi chú chứa số tài khoản, đều bị loại bỏ.

Những gì được giữ lại sẽ được commit vào một kho git riêng của agent, nên lịch sử thay đổi luôn truy vết được. Tab Learning trong giao diện hiển thị mọi ghi chú, skill và workflow cùng nhật ký thay đổi; có thể gỡ bỏ bất kỳ mục nào bằng lệnh npx @parcha/agentrun learning retire.

Workflow: khi không cần đến agent

Theo quan điểm của AgentRun, nhiều agent không thực sự cần phải là agent. Công việc lặp lại nên được viết thành workflow có kiểu dữ liệu — gồm lời gọi công cụ, bước gọi model và các quyết định nhanh có kiểu (có/không, chọn một, một điểm số, kèm độ tin cậy) — và chỉ dùng agent làm phương án dự phòng khi tình huống mơ hồ.

Một workflow là tài liệu JSON gồm các bước có kiểu, có thể gọi công cụ, chạy model, hỏi nhanh, rẽ nhánh, ánh xạ song song trên danh sách, lặp có giới hạn, gọi workflow khác hoặc chuyển ca khó cho agent. Có thể theo dõi từng nút, tạm dừng và chạy tiếp, đồng thời đọc mọi quyết định cùng lý do.

Chạy không bị mất

Mỗi agent, phiên bản, lần chạy và bước chạy đều nằm trong một kho lưu trữ duy nhất (SQLite hoặc Postgres). Dừng server giữa chừng rồi khởi động lại, lần chạy vẫn tiếp tục. Với nhiều runner, runner khác sẽ tiếp nhận lần chạy của runner đã chết sau khi hết hạn thuê 30 giây. Một bước đã hoàn thành không bao giờ chạy lại; thao tác ghi bị cắt ngang giữa chừng được đánh dấu là bị gián đoạn thay vì thử lại.

Kiểm soát, máy tính và harness

Cơ chế phê duyệt cho phép mỗi công cụ ở một trong ba trạng thái: được phép, hỏi trước, hoặc từ chối. Giới hạn chi tiêu (spend cap) khiến lần chạy tạm dừng chứ không thất bại, và chi phí không định giá được sẽ ghi là "unknown", không bao giờ là 0 USD.

Mỗi agent có thể được gán một máy tính với một thiết lập duy nhất: không có gì (chỉ đọc/ghi file), sandbox Linux, desktop Linux, điện thoại Android hoặc trình duyệt. Nhà cung cấp tương ứng gồm Docker, Daytona, Modal, E2B, Orgo, Browserbase, Kernel và một dịch vụ Android thuê trên cloud. Mọi loại trừ "none" đều phải chỉ rõ nhà cung cấp.

AgentRun đi kèm 5 template sẵn dùng: code-review, kyb (thẩm định doanh nghiệp), market-monitor, inbound-lead và release-notes. Mỗi template có eval case riêng để đo lường.

Cách bắt đầu

Yêu cầu Node 24.22.3 trở lên trên macOS hoặc Linux. Khởi động bằng:

npx @parcha/agentrun

Lệnh này chạy server và một runner trên cổng 7340, lưu dữ liệu trong ~/.agentrun và mở console trên trình duyệt. Sau đó đặt mật khẩu, thêm khóa model (một OPENROUTER_API_KEY dùng được cho mọi harness) là có thể chạy agent đầu tiên.

Ngoài ra có thể tự triển khai bằng Docker Compose hoặc một cú nhấp trên Render, dùng client TypeScript (@parcha/agentrun-client) và Python (parcha-agentrun). Dự án phát hành theo giấy phép Apache-2.0, bản quyền 2026 thuộc Parcha Labs, Inc.

Giấy phép

Góc nhìn

Với các đội kỹ thuật đang vận hành agent, điểm đáng chú ý nhất của AgentRun không phải là một harness mới mà là lớp hạ tầng bao quanh: lưu trạng thái bền bỉ, giới hạn chi phí và cơ chế ghi nhớ có kiểm duyệt. Việc tách phần "việc lặp lại" ra khỏi agent để chạy bằng workflow có kiểu dữ liệu là hướng đi hợp lý để giảm cả token lẫn độ bất định trong production.

Tuy nhiên, cơ chế tự học đặt ra câu hỏi về quản trị: ghi chú và skill do agent tự commit vẫn cần người rà soát định kỳ, và việc khóa bí mật chỉ nằm dưới một AGENTRUN_SEAL_KEY đồng nghĩa mất khóa là mất toàn bộ dữ liệu đã niêm phong. Các đội ở Việt Nam nếu muốn thử nên bắt đầu bằng môi trường tự host với một khóa model có giới hạn chi tiêu, chạy song song với quy trình hiện có trước khi mở rộng quy mô.