Giới thiệu Konductor - AI Agent Orchestration Workflow

Read the English version here.

Nó là gì? Konductor là một AI Orchestration Workflow (quy trình điều phối công việc AI) và ghi nhớ tài liệu Markdown dành cho các AI Coding Agent, lưu trữ trực tiếp trong mã nguồn dự án của bạn. Dành cho ai? Các lập trình viên, indie-hackers, và team đang sử dụng AI (như Gemini, Claude, Cursor, Codex, v.v) cho các quy trình làm việc thực tế, đa phiên. Tại sao nên dùng? AI Agent thường "mất trí nhớ" sau mỗi phiên làm việc. Konductor cung cấp một trí nhớ bền vững, tự cập nhật về các luật lệ, kiến trúc, và tiến độ dự án—giúp bạn không phải hướng dẫn lại AI từ đầu mỗi khi bắt đầu một phiên làm việc mới. Không phụ thuộc vào bất kỳ library nào bên ngoài.

Ban đầu chúng tôi không có ý định tạo ra một framework hoặc tool. Mục tiêu của chúng tôi là tự động hóa hoàn toàn luồng documentation. Khi quản lý các nhóm phát triển và vận hành môi trường lập trình AI trên hàng loạt hệ thống production/staging, điểm nghẽn lớn nhất gây lãng phí năng suất không phải là viết mã — mà là việc duy trì một hệ thống tài liệu cập nhật liên tục. Chính việc tài liệu dự án nhanh chóng bị lỗi thời khiến chúng tôi luôn phải chật vật cung cấp lại ngữ cảnh (context) một cách thủ công mỗi khi đổi mô hình AI, bắt đầu phiên làm việc mới, hoặc chuyển giao nhiệm vụ cho một AI agent khác.

Vì vậy, chúng tôi đã giải quyết nó bằng workflow dùng chung trong team. Kết quả là konductor-workflow — một quy trình làm việc cho AI Coding Agent, hiện đang vận hành âm thầm bên dưới hơn 10 dự án thực tế live ERP production của chúng tôi.

Vấn Đề: AI Không Có Trí Nhớ

Mỗi phiên với AI đều bắt đầu theo cùng một cách. Bạn mở cuộc trò chuyện, AI tạo ra một số thứ hợp lý, bạn sửa chữa chúng, nó học theo các khuôn mẫu của bạn — và sau đó bộ nhớ ngữ cảnh bị đầy, hoặc lỗi network, hoặc hết quota, hoặc bắt buộc phải chuyển sang mô hình / IDE khác. Trong phiên tiếp theo, bạn lại phải làm lại từ đầu.

Tình cảnh này chẳng khác nào việc bạn thuê được một kỹ sư giỏi nhưng cứ sau một task hoàn thành là họ lại bị xóa sạch ký ức. Khi áp dụng vào một đội ngũ lớn đang chịu trách nhiệm với một hệ thống ERP đồ sộ hay chuỗi ngày tối ưu cổng thanh toán, cái giá phải trả trở nên cực kỳ đắt đỏ. Chúng tôi kiệt sức vì mắc kẹt trong vòng lặp phải 'onboard' đi 'onboard' lại các AI agent, tiêu tốn thời gian hơn cả việc thực sự hoàn thiện sản phẩm.

Lời khuyên thông thường — hãy viết prompt tốt hơn, dùng system instruction dài hơn — không thể mở rộng ở quy mô lớn. Cách làm này chỉ chuyển bản chất vấn đề từ chỗ này sang chỗ khác.

Thiết Kế Thực Sự Của Konductor

Konductor không phải là một công cụ. Dự án này là một tập hợp các quy tắc và bộ nhớ dạng file Markdown nằm bên trong codebase của bạn, được cấu trúc sao cho bất kỳ AI agent nào cũng có thể tự định hướng, tự cập nhật kiến thức qua nhiều phiên làm việc. (konductor-workflow không chứa file code)

Vòng lặp Nhận-thức-Tự-chủ của Konductor

Các tệp nền tảng bao gồm:

KONDUCTOR.md — một file gọn nhẹ nằm ở thư mục gốc của repo. Định nghĩa vai trò của repo, stack công nghệ, sứ mệnh, quy tắc. Luôn được tag (@) trong mỗi lượt prompt.
docs/CHECK_IN.md — bộ nhớ ngắn hạn. Tác vụ hiện hành, tiến độ (WIP), bước tiếp theo.
.konductor/memory/KONDUCTOR_MEMORY.md — các ràng buộc và nguyên tắc dài hạn mà AI đã học được.
.konductor/memory/KONDUCTOR_VISION_ROADMAP.md — lý do cốt lõi (WHY/GOALS) đằng sau dự án.
.konductor/memory/KONDUCTOR_ADR_HISTORY.md — các quyết định về mặt kiến trúc quan trọng, được ghi lại dưới dạng Architecture Decision Records (ADR).

Quy trình hoạt động là một vòng lặp Siêu-nhận-thức (Metacognition) 9 bước: load context (tải ngữ cảnh) → clarify and plan (làm rõ và lập kế hoạch) → check in (thông báo trước khi thực thi) → execute (thực thi) → reflect (tự nhìn nhận lại) → persist memory (lưu trữ trí nhớ) → loop (lặp lại). AI cập nhật những gì nó học được trở lại các tệp này, để phiên làm việc tiếp theo bắt đầu thông minh hơn trước đó.

Không lưu trữ trên đám mây (cloud). Không có code. Không đăng ký trả phí định kỳ. Không bị ràng buộc bởi nhà cung cấp. Chỉ đơn thuần là các file Markdown công khai ngay trong Git repo của bạn.

Tối Ưu Hóa Ngữ Cảnh & Giảm Token

Thay vì các đầu ra AI truyền thống cồng kềnh, nơi agent có thể tiêu tốn tới ~45 token chỉ để giải thích ba điểm cơ bản về kiến trúc dự án, cấu trúc của Konductor ép hệ thống giao tiếp theo kiểu "người tối cổ" (caveman) cực kỳ tinh gọn (ví dụ: - UI: Next.js + React). Giao thức này chỉ tốn một phần nhỏ số token, chừa lại không gian mênh mông trong cửa sổ ngữ cảnh context window dành cho việc thực sự lập trình tạo ra mã nguồn.

Đã Thực Chiến Qua Các Dự Án Thực Tế

Đây không phải là một phiên bản "chạy thử nghiệm POC" được làm ra chỉ để viết bài đăng blog. Trong suốt năm qua, Konductor đã đóng vai trò làm lớp điều phối (coordination layer) trên:

Các hệ thống ERP thương mại điện tử — quản lý kho đa khách hàng, luồng xử lý đơn hàng, theo dõi giao vận
Các bộ tích hợp cổng thanh toán — bao gồm Maua Pay, nơi quá trình bàn giao giữa agent lập kế hoạch và agent thực thi diễn ra tự động hàng ngày
Nền tảng đặt xe và giao hàng — các hệ thống ứng dụng máy trạng thái (state machines) phức tạp mà agent cần thấu hiểu ngọn ngành trước khi thao tác
Hệ thống POS cho các chuỗi F&B — những dự án có những quyết định kiến trúc được chốt từ nhiều tháng trước mà các agent hiện tại vẫn cần tuân theo
Các bộ công cụ nội bộ và dự án khách hàng — bao phủ từ các dự án mới tinh đến các mã nguồn cũ kế thừa (legacy codebases)

Xuyên suốt tất cả các quy mô lớn nhỏ, kết quả luôn giữ nguyên theo một khuôn mẫu: khi các agent có quyền đọc và viết các cấu trúc dữ liệu của Konductor, chúng tạo ra mã có chất lượng tốt hơn, ít lỗi hồi quy hơn, và đòi hỏi phải chỉnh sửa đi lại ít hơn hẳn so với những dự án không trang bị cơ chế này.

Vì Sao Chúng Tôi Lại Open-Source Công Cụ Này

Chúng tôi đã bắt đầu sử dụng chuẩn cấu trúc này trong nội bộ từ những năm 2020 và phát triển, cập nhật thủ công, sau đó cải tiến với tốc độ đổi mới của các công cụ AI kể từ 2024. Konductor khởi phát là một tập hợp các quy định hướng dẫn cho các lập trình viên xài nhiều IDEs khác nhau, cho đến nay trở thành bộ luật thống nhất cho mọi agents, trong việc chia sẻ góc nhìn.

Mục tiêu mã nguồn mở (Open-Source) nó bởi lẽ một nguyên nhân duy nhất: đây là một bài toán toàn cầu mà mọi dự án về AI tự chủ đều sẽ chạm mức trần, và giải pháp của chúng tôi sẽ không cần giữ tư cách quyền sở hữu riêng nào ở thời điểm này.

Vụ rò rỉ kiến trúc Claude Code hồi đầu tháng Tư năm 2026 đã làm kết tinh rõ một điều mà chúng tôi vốn dĩ đã tin vào — sự minh bạch trong cách các AI Agent lập trình suy luận và ghi nhớ không phải là một quyền lợi tùy chọn thêm vào. Bạn phải có khả năng kiểm tra được chính xác những gì AI Agent hiểu, chính xác các luật lệ nào nó đang thực thi bám sát, và những quyết định mà nó tự vận động tạo ra. Với Konductor, tất cả những hành vi và quyết định trong quá khứ đó đều trở thành Markdown trực diện, rành mạch trên hệ thống code của bạn. Và liên tục được nâng cấp theo thời gian của dự án và độ chính xác của LLM model trong tương lai.

.konductor/
├── KONDUCTOR_VERSION.json
└── memory/
    ├── KONDUCTOR_ADR_HISTORY.md
    ├── KONDUCTOR_MEMORY.md
    └── KONDUCTOR_VISION_ROADMAP.md

Không có phần mềm ẩn. Không có code. Offline. Bạn kiểm soát hoàn toàn.

Konductor Được Làm Ra Cho Ai

Konductor hướng đến mọi Developer, indie-hacker/builder, hay một Team quy mô nhỏ chuyên nghiệp có tư duy nghiêm túc về tận dụng các Tác nhân AI lập trình để thúc đẩy dự án... và là những con người thật sự mệt mỏi với điệp khúc nạp lại từ đầu Data context file-by-file.

Mô hình sẽ bộc lộ ưu thế mạnh mẽ nếu bạn:

Xài nhiều AI Agent ứng dụng vào các tiến trình phát triển thực sự - thay vì chỉ đưa đi prompt từng dòng một
Luân chuyển nhiều task công việc, thông qua nhiều phiên (session), qua lại các model mới ra mắt và giữa các member trong team
Chứa sẵn một kiến trúc thư viện đã có kết cấu (pattern) mạnh cần được tiếp tục duy trì cho AI hiểu
Ưu tiên về Reproducibility độ lặp trong kết quả, không còn nỗi lo đối phó các lỗi mâu thuẫn chính logic của bạn chỉ vì AI phản hồi không ổn định
Có thể thay thế cho Dev-ops, giúp quản lý toàn bộ hạ tầng cloud/onprem.

Đây không phải là một phương pháp kỳ diệu. Team cần một tính kỷ luật thực sự khi vận hành với quy trình viết – chuẩn hóa và tối ưu – các tư liệu thông tin của dự án. Kỷ luật trong khâu văn bản ghi chú cũng đồng nghĩa với trình độ thực chiến (Engineering) của lập trình viên — viết đầy đủ các quyết định xuống Markdown và giải thích lý do — rồi sau đó mọi Agent sẽ tuân thủ theo hướng dẫn của bạn và Konductor.

Bắt Đầu Ngay

Chỉ cần cài đặt AI Agent Tool của bất kỳ công cụ IDE bạn ưng ý nhất và dán lệnh sau:

Cài đặt package này: npx konductor-workflow@latest
sau đó bắt đầu rà soát codebase và cập nhật/tóm gọng toàn bộ tài liệu dự án
để khớp với tiến độ hiện tại, bắt buộc tuân thủ nghiêm ngặt Konductor workflow

Chúc bạn may mắn!

Cập Nhật: Custom Skills và Guardrails Nâng Cấp (Cuối tháng 4/2026)

Kể từ khi phát hành cấu trúc nền tảng, chúng tôi tiếp tục mở rộng Konductor qua thực tế vận hành. Gần đây nhất, việc áp dụng các kỹ năng dự án (custom project skills) và quy trình tự chọn (custom workflows) đã giúp định hình các bộ công cụ chuyên biệt cho từng dự án (như tự động đồng bộ knowledge base từ các bài viết markdown mới nhất) thay vì để agent sử dụng tool chung chung tùy ý.

Chúng tôi cũng đồng thời thắt chặt các giới hạn an toàn (guardrails). Bản hợp đồng KONDUCTOR.md hiện tại chỉ định nghiêm cấm AI tùy tiện sử dụng công cụ duyệt web có sẵn, thay vào đó ép buộc toàn bộ khâu xác thực chất lượng phải đi qua thiết lập automated headless test chạy bằng Playwright.

Cảm ơn các bạn đã tin tưởng đưa framework vào workflow hàng ngày. Trong báo cáo kết quả hệ thống tuần này, package konductor-workflow đã chính thức vượt 600 lượt tải xuống trên NPM.

Lời Cảm Ơn & Nguồn Tham Khảo

Một số khái niệm cốt lõi tạo nên framework này mượn từ:

Hyperagent & Darwin Gödel Machine (DGM) Cung cấp các khái niệm nền tảng về kiến trúc tự hoàn thiện và vòng lặp siêu nhận thức để dẫn dắt các luồng công việc suy luận của chúng tôi. Tham khảo: arXiv:2603.19461
Architecture Decision Records (ADR) Phương pháp nền tảng để ghi lại các quyết định mang tính kiến trúc, đảm bảo ngữ cảnh nguyên nhân được duy trì xuyên suốt các giai đoạn phát triển. Tham khảo: adr.github.io
"Caveman" Token Reduction Technique Một ảnh hưởng quan trọng giúp định hình cấu trúc ngữ cảnh tối ưu cho LLM, giảm thiểu đáng kể lượng token dư thừa mà không làm mất ý đồ cần thiết. Tham khảo: JuliusBrussee/caveman trên GitHub
Behavior Guardrail Patterns for Coding Agents Đã giúp định hình cấu trúc lớp hành vi rõ ràng của Konductor xoay quanh quy tắc suy nghĩ trước khi code, sự tối giản hóa trước tiên, và dạy AI thông qua các ví dụ anti-pattern thực tế. Tham khảo: forrestchang/andrej-karpathy-skills trên GitHub
Verifiable Memory Architectures Nhấn mạnh tầm quan trọng của tính bắt buộc phải duy trì những bộ nhớ minh bạch, an toàn và có thể kiểm chứng cho AI trong những sự kiện bùng nổ gần đây. Tham khảo: Claude Code leak implications
Field Notes & Shared Learnings Chuyên trang lưu trữ các nghiên cứu thử nghiệm thực tế liên tục và chuyên sâu từ chúng tôi trong quá trình áp dụng quy trình AI. Tham khảo: alphabits.team/news
Second Brains "Conductor" Node (Tháng 3/2024) Cội nguồn của framework này. Ban đầu ra đời như một node điều phối "conductor" chạy bằng Node-RED dùng để quản lý toàn bộ luồng quy trình enterprise phức tạp. Tham khảo: AlphaBitsCode/second.brains trên GitHub

Alpha Bits là công ty chuyên tâm xây dựng các giải pháp ứng dụng công nghệ hỗ trợ bởi trí thông minh nhân tạo dành riêng cho khối doanh nghiệp có trụ sở tại Việt Nam, qua đó công khai cung cấp kết nối mạng lưới đến cộng đồng. Để có cái nhìn thật cặn kẽ và theo dõi dự án này sâu kỹ cùng tác giả. Hãy đăng ký buổi thảo luận sự kiện tại Đà Nẵng ở địa chỉ.