Tóm tắt nhanh: Để chạy cùng lúc 10 agent lập trình AI, đừng xem mỗi agent là một cửa sổ dòng lệnh (terminal) mà bạn phải dán mắt theo dõi. Hãy chuyển đổi từng phần công việc thành một tác vụ (task), gán cho mỗi tác vụ một lượt chạy agent riêng trong một worktree biệt lập trên một Computer đã kết nối, trao đổi các bước tiếp theo qua bình luận tác vụ, và để các trình kích hoạt sự kiện (event trigger) tự động khởi chạy những công việc lặp lại. Việc của bạn là đánh giá kết quả, chứ không phải ngồi trông phiên làm việc.
Bạn hoàn toàn có thể chạy đồng thời 10 agent lập trình AI mà không cần mở 10 tab terminal, và rào cản đầu tiên bạn gặp phải không nằm ở mô hình. Trong bài viết “Exploring Super-agent Design”, đội ngũ DeepSeek Harness đã chỉ rõ: một người thông thường chỉ có thể theo dõi sát sao từ 3 đến 5 phiên làm việc cùng lúc. Vượt quá con số đó, chính bạn sẽ trở thành điểm nghẽn.
Giải pháp của họ là mô hình “super-agent”: một bộ điều phối duy nhất chịu trách nhiệm trao đổi với con người và giao việc cho nhiều worker biệt lập. Bài viết đó mô tả một kiến trúc lý thuyết chứ chưa phải là một sản phẩm hoàn thiện. Hướng dẫn này sẽ giới thiệu phiên bản tinh gọn hơn mà các đội ngũ có thể triển khai ngay hôm nay trên bảng công việc Sharkly, tận dụng chính thiết lập Claude Code hoặc Codex bạn đang có sẵn.
Một điểm khác biệt rõ ràng: bộ điều phối của DeepSeek là một mô hình ngôn ngữ lớn (LLM) tự quyết định ai làm việc gì. Còn trên bảng tác vụ, con người sẽ đưa ra quyết định đó, và mọi thao tác đều được lưu lại lịch sử đầy đủ.
Vì sao quản lý 10 terminal cùng lúc sẽ phản tác dụng
Nếu thao tác thủ công, hai hoặc ba agent vẫn nằm trong tầm kiểm soát. Nhưng khi chạm mốc mười agent, bạn sẽ phải đối mặt với bốn vấn đề cùng lúc.
- Bạn trở thành trạm điều phối trung gian. Mọi câu lệnh prompt, mọi nút “continue”, mọi trao đổi xử lý tiếp theo đều phải đi qua bạn.
- Ngữ cảnh bị lẫn lộn. Đoạn mã sửa cho nhánh xác thực (auth) lại rơi nhầm vào phiên làm việc về thanh toán (billing), hoặc hai agent cùng chỉnh sửa một luồng thanh toán và ghi đè code lên nhau.
- Laptop biến thành máy chủ. Chỉ cần gập máy lại, toàn bộ các phiên làm việc đều tạm dừng. Những tác vụ chạy dài cần một máy chủ luôn ở trạng thái hoạt động.
- Không có dữ liệu nào được ghi lại. Khi một lượt chạy gặp sự cố, lịch sử thao tác chỉ nằm trong bộ đệm cuộn terminal mà bạn có thể đã vô tình đóng mất.
Chúng tôi đã phân tích chi tiết cái giá phải trả này trong bài viết Too Many Terminals. Cách khắc phục: chuyển phần điều phối ra khỏi đầu bạn và đưa vào một hệ thống có khả năng lưu giữ trạng thái.
Mô hình super-agent của DeepSeek khi áp dụng vào bảng tác vụ
Từng thành phần trong thiết kế của DeepSeek đều có một khái niệm tương đương rõ ràng trên bảng quản lý tác vụ.
| Thành phần của DeepSeek | Vai trò trong bài viết | Trên bảng Sharkly |
|---|---|---|
| Router | Một phiên chạy dài lâu; trao đổi với con người, phân phối công việc, không bao giờ trực tiếp thực thi; dùng mô hình nhẹ là đủ | Bảng tác vụ kết hợp với người trực tiếp giao việc |
| Workers | Một phiên biệt lập cho mỗi tác vụ, dùng mô hình mạnh nhất, không bao giờ trao đổi với con người | Một lượt chạy agent cho mỗi tác vụ, nằm trong worktree riêng biệt |
| Threads | Các trao đổi tiếp theo trên cùng một PR hoặc chủ đề chat sẽ được chuyển thẳng đến Worker phụ trách | Bình luận trên tác vụ sẽ kích hoạt agent được phân công |
| Triggers | Sự kiện được lọc trước bằng mã nguồn (danh sách cho phép), sau đó mới đến lượt mô hình lọc (chính sách viết dưới dạng prompt) | Tự động hóa (Automation) theo trạng thái, cụm từ trong bình luận, webhook hoặc lịch trình |
| BYOM (tự trang bị phần cứng) | Vòng lặp agent chạy trên cloud, môi trường nằm trên phần cứng của bạn thông qua một tiến trình nền (daemon) gọn nhẹ | Các Computer được kết nối qua Sharkly Desktop hoặc Sharkly CLI |
| Watchdog | Một phiên giám sát bên ngoài giúp phát hiện các Worker bị lặp vô tận hoặc đi chệch hướng | Kiểm tra định kỳ theo lịch kết hợp với lịch sử chạy và cổng duyệt của con người |
Cơ chế lọc trigger hai giai đoạn là điểm rất đáng học hỏi trọn vẹn. Code sẽ loại bỏ những gì có thể loại bỏ từ sớm (sai kho lưu trữ, sai trạng thái), và chỉ sau đó mô hình mới đọc sự kiện. Trên bảng tác vụ, trigger đóng vai trò là bộ lọc code, còn chỉ dẫn của Automation chính là prompt chính sách.
Cách chạy 10 agent lập trình AI trên bảng Sharkly
Đừng vội bắt đầu ngay với mười agent. Hãy bắt đầu từ ba, hoàn thiện quy trình hoạt động, rồi mới tăng dần quy mô.
Bước 1: Kết nối một Computer và đặt mức đồng thời ở mức thấp
Một Computer là máy chủ lưu trữ và thực thi các agent của bạn. Trên laptop, hãy cài Sharkly Desktop. Trên máy chủ từ xa hoặc máy Linux, hãy sử dụng Sharkly CLI cùng dịch vụ cục bộ đi kèm:
# On the remote host, with an install token from the Computers page
sharkly computer register --install-token <install-token>
sharkly daemon status
Dịch vụ cục bộ sẽ tự động nhận diện các công cụ đã cài đặt như Claude Code hay Codex và báo cáo từng công cụ dưới dạng một Runtime.
Mỗi Computer đều có giới hạn số tác vụ chạy đồng thời. Theo tài liệu về Computers, các lượt chạy dùng thư mục tạm sẽ mặc định nhận 50% mức giới hạn đó, và các tác vụ phát sinh thêm sẽ xếp hàng chờ khi hệ thống đạt công suất tối đa. Hãy bắt đầu ở mức thấp hơn bạn nghĩ: chạy thử song song ba tác vụ trên một Computer là một bước khởi đầu hợp lý.
Hãy dùng chế độ thư mục tạm (temporary-directory) cho công việc lập trình. Mỗi lượt chạy sẽ nhận một thư mục riêng biệt, và các tác vụ liên quan đến kho mã nguồn có thể dùng một git worktree hoàn toàn mới, đảm bảo hai agent không bao giờ can thiệp vào cùng một bản checkout mã nguồn. Nếu bạn chưa quen với worktree, hãy tham khảo trước bài viết cách dùng git worktree với các agent lập trình AI.
Bước 2: Tạo hai hoặc ba agent với nhiệm vụ chuyên biệt
Mười agent không có nghĩa là mười tính cách khác nhau, mà là một vài vai trò cụ thể, mỗi vai trò xử lý nhiều tác vụ.
- Builder: trực tiếp viết code sửa đổi. Hãy phân bổ mô hình mạnh nhất cho vai trò này, tương tự như cách DeepSeek thiết lập cho các Worker.
- Reviewer: đọc diff thay đổi, đối chiếu với tiêu chí nghiệm thu của tác vụ và đưa ra nhận xét.
- Fixer: tiếp nhận các ca test thất bại và xử lý các phản hồi sau review.
Agent, Crew và Computer không tính vào số lượng người dùng (seat), nên việc bổ sung vai trò mới hoàn toàn không tốn thêm chi phí giấy phép sử dụng.
Bước 3: Viết các tác vụ có khả năng tự chạy độc lập
Hầu hết các mô hình chạy song song đều thất bại ở bước này. Một tác vụ phụ thuộc vào đoạn mã chưa được merge từ một tác vụ khác sẽ dễ rơi vào bế tắc hoặc xung đột code.
Hãy viết mỗi tác vụ với ba yếu tố rõ ràng: một kết quả đầu ra duy nhất, phạm vi file hoặc module do tác vụ đó làm chủ, và một bài kiểm tra mà ai cũng có thể tự chạy xác minh. Một mô tả như “Thêm giới hạn tốc độ gọi API (rate limiting) cho /api/upload; vượt qua bài test npm test -- upload” là chuẩn. Ngược lại, một yêu cầu chung chung như “Tối ưu hóa API” sẽ không mang lại hiệu quả.
Nếu hai tác vụ cùng chạm vào một file, hãy cho chúng chạy tuần tự.
Bước 4: Gán việc, sau đó giữ mọi trao đổi tiếp theo ngay trên tác vụ
Gán từng tác vụ cho một agent. Một tác vụ nằm ngoài cột Backlog có thể bắt đầu chạy ngay lập tức; còn tác vụ ở Backlog sẽ chờ đến khi được chuyển sang trạng thái sẵn sàng.
Mọi phản hồi và yêu cầu bổ sung phải được ghi trong phần bình luận của tác vụ, tuyệt đối không trao đổi qua các kênh chat riêng. Khi thành viên bình luận trên một tác vụ đã gán cho agent, hệ thống có thể đưa lượt chạy tiếp theo vào hàng đợi. Sharkly cũng tự động gộp các bình luận gửi liên tiếp để tránh tạo ra các lượt chạy trùng lặp. Đây chính là cách triển khai khái niệm Thread của DeepSeek: ngữ cảnh hội thoại luôn gắn liền với công việc thực tế.
Sử dụng một cụm từ cố định như /revise kèm nội dung chỉnh sửa sẽ giúp agent nhận diện yêu cầu nhanh chóng và chính xác.
Bước 5: Chuyển các sự kiện lặp lại thành Tự động hóa (Automation)
Một Automation kết hợp các chỉ dẫn với một agent hoặc Crew cùng một hoặc nhiều bộ kích hoạt (trigger). Theo tài liệu về Automations, có bốn loại trigger khả dụng, bên cạnh nút bấm “Run now” thủ công:
- Lịch trình (Schedule): sử dụng một biểu thức cron 5 trường kèm múi giờ.
- Trạng thái tác vụ (Task status): kích hoạt khi một tác vụ chuyển sang trạng thái đã chọn.
- Cụm từ bình luận (Comment phrase): kích hoạt khi bình luận chứa một cụm từ chỉ định (không phân biệt chữ hoa, chữ thường).
- Webhook: một đường dẫn URL bảo mật tiếp nhận yêu cầu POST, hỗ trợ tùy chọn ký xác thực yêu cầu.
Một lưu ý quan trọng từ tài liệu: việc khớp trạng thái và bình luận hiện áp dụng trên toàn tổ chức chứ chưa giới hạn riêng cho từng Space. Do đó, hãy viết câu lệnh chỉ dẫn sao cho agent kiểm tra tác vụ kích hoạt trước tiên (tiền tố tiêu đề, Space thuộc về) và dừng lại nếu không khớp. Đó chính là lớp lọc thứ hai theo mô hình DeepSeek, được hiện thực hóa bằng prompt.
Bước 6: Thiết lập cơ chế giám sát (watchdog) và cổng phê duyệt của con người
DeepSeek duy trì một phiên Watchdog riêng để phát hiện các Worker bị lặp vòng hoặc đi chệch mục tiêu ban đầu. Bạn có thể tái hiện cơ chế này bằng một Automation định kỳ để gắn cờ các lượt chạy kéo dài bất thường so với thời gian trung bình, dựa trên các trạng thái mà Sharkly ghi nhận: đã xếp hàng (queued), đang chạy (running), hoàn thành (completed), thất bại (failed), đã hủy (canceled).
Sau cùng, hãy đặt con người ở chặng cuối: một trạng thái review nơi kỹ sư trực tiếp duyệt qua diff thay đổi trước khi merge vào nhánh chính. Năng lực đánh giá của đội ngũ chính là giới hạn trần thực tế của bạn, vì vậy hãy đọc bài Human Review Is the Bottleneck trước khi bạn nâng quy mô vượt quá 5 agent. Để biết thêm những điểm cần lưu ý khi các lượt chạy đang diễn ra, xem bài viết cách giám sát các agent lập trình chạy song song.
Chi phí thực tế để chạy 10 agent
Chi phí sẽ được tính trên hai phần riêng biệt: token của mô hình và tầng điều phối.
Token. Sharkly không bán token. Chi phí chạy sẽ được tính trực tiếp vào gói Claude Code, Codex hoặc tài khoản API đã liên kết với Runtime của bạn. Chúng tôi đã giải thích rõ lý do trong bài viết Vì sao một nền tảng agent không nên bán token cho bạn.
Chạy song song tiêu tốn nhiều token hơn. Dữ liệu kiểm thử từ chính DeepSeek là một tham chiếu rất đáng giá. Họ đã thử nghiệm khoảng 300 tin nhắn với khoảng 20 yêu cầu công việc mô phỏng lập trình, lặp lại 5 lần mỗi loại, và xem kết quả này mang tính định hướng.
| Cấu hình thử nghiệm (số liệu từ DeepSeek) | Thời gian hoàn thành tác vụ (p50) | Thời gian hoàn thành tác vụ (p95) | Token đọc từ cache mỗi lượt chạy |
|---|---|---|---|
| Super-agent | 12,4 phút | 15,7 phút | 23,2 triệu |
| Một phiên đơn lẻ + subagent, prompt trung tính | 20,4 phút | 29,5 phút | 6,1 triệu |
| Một phiên đơn lẻ + subagent, prompt ưu tiên phân quyền (delegation-first) | 13,8 phút | 29,0 phút | 10,8 triệu |
Phiên chạy dùng prompt trung tính thậm chí không phân quyền công việc một lần nào trong suốt năm lượt chạy. Sự đánh đổi ở đây rất rõ ràng: chấp nhận tiêu tốn nhiều token hơn để đổi lấy thời gian xử lý ngắn hơn và độ ổn định cao hơn. Chúng tôi không thực hiện lại các bài test này.
Nền tảng. Tính đến ngày 4 tháng 11 năm 2026, bảng giá Sharkly cho thấy sản phẩm hiện đang miễn phí cho các tổ chức có quy mô tối đa 5 người. Gói Team có giá 7 USD/người/tháng, thanh toán theo năm. Số lượng seat chỉ tính trên số lượng thành viên thực tế.
Mô hình này phù hợp với những trường hợp nào?
- Giải quyết nhanh Backlog: hai mươi sự cố nhỏ, độc lập, chia thành từng tác vụ riêng biệt, phối hợp giữa builder và reviewer.
- Sửa lỗi test sau khi nâng cấp hệ thống: một tác vụ cho mỗi gói thư viện bị lỗi, mỗi tác vụ chạy trên một worktree độc lập.
- Đồng bộ tài liệu và mã nguồn: trigger trạng thái tự động kích hoạt agent viết tài liệu ngay khi tác vụ tính năng chuyển sang bước review.
- Hàng đợi xử lý qua đêm: các tác vụ chạy xuyên suốt trên một Computer từ xa không bao giờ ngủ, và bạn chỉ việc kiểm tra kết quả vào sáng hôm sau.
Nếu bạn muốn cân nhắc kỹ hơn về việc nên chạy agent ở đâu, bài viết So sánh Codex Cloud và tự chạy trên Computer cá nhân sẽ phân tích chi tiết lựa chọn này.
Bắt đầu từ con số ba
Vận hành đồng thời mười agent là đích đến sau cùng, không phải điểm xuất phát. Hãy kết nối một Computer, tạo một builder và một reviewer, soạn ba tác vụ với tiêu chí nghiệm thu rõ ràng và phân công chúng. Hãy quan sát trọn vẹn một chu trình: chạy, bình luận, xử lý tiếp, đánh giá nghiệm thu. Khi chu trình đó đã vận hành trơn tru và quen thuộc, hãy nâng giới hạn đồng thời thêm hai tác vụ và thiết lập thêm một Automation.
Câu hỏi thường gặp
Một người có thể quản lý bao nhiêu agent lập trình AI?
Theo đội ngũ DeepSeek, một người chỉ có thể theo sát từ 3 đến 5 phiên làm việc chủ động. Bạn có thể quản lý nhiều hơn con số này khi công việc được tổ chức thành các tác vụ có kết quả đầu ra cụ thể bằng văn bản, bởi khi đó bạn chỉ cần đánh giá kết quả thay vì phải ngồi canh chừng từng phiên làm việc.
Tôi có thể chạy nhiều agent Claude Code trên cùng một kho mã nguồn không?
Hoàn toàn được, miễn là mỗi lượt chạy hoạt động trên một thư mục riêng. Chế độ thư mục tạm cung cấp cho mỗi tác vụ một thư mục biệt lập, và các lượt thao tác với repository có thể sử dụng một git worktree mới, đảm bảo các agent chạy song song không bao giờ ghi đè lên các thay đổi của nhau.
Điều gì xảy ra khi tôi giao nhiều tác vụ hơn mức Computer có thể xử lý?
Các tác vụ vượt mức sẽ tự động được đưa vào hàng đợi. Mỗi Computer đều có giới hạn tác vụ đồng thời, và các lượt chạy mới sẽ bắt đầu ngay khi có tài nguyên trống. Tác vụ trong hàng đợi cũng sẽ tiếp tục chờ nếu Computer đang ngoại tuyến hoặc Runtime tương ứng tạm thời không khả dụng.
Tôi có cần máy chủ đám mây để chạy các agent song song không?
Không bắt buộc. Một chiếc laptop thông thường có thể đóng vai trò như một Computer thông qua Sharkly Desktop. Đối với các tác vụ dài hạn hoặc chạy qua đêm, một máy chủ từ xa hoặc máy Linux kết nối qua Sharkly CLI sẽ giúp duy trì công việc liên tục ngay cả khi laptop của bạn ở chế độ ngủ.
Bảng tác vụ có tương đương hoàn toàn với mô hình super-agent của DeepSeek không?
Không hoàn toàn giống. Router của DeepSeek là một mô hình LLM tự động phân phối công việc. Còn trên bảng tác vụ, con người trực tiếp phân chia công việc và các Automation sẽ đảm nhiệm việc xử lý những sự kiện mang tính lặp lại.
