Sharkly là gì?

Bạn đã có thể giao một công việc thực sự cho một AI coding agent duy nhất. Bạn mô tả thay đổi, nó chỉnh sửa file, chạy test rồi trả lại một diff. Quy trình này trông gọn gàng cho đến đúng lúc bạn muốn một agent thứ hai làm việc trong khi agent đầu tiên đang "suy nghĩ". Lúc đó bạn có hai terminal, hai branch phải theo dõi, và không có bản ghi chung nào về việc ai đang làm gì. Thêm agent thứ ba và một đồng nghiệp muốn hỗ trợ, thì mọi thứ biến thành những prompt riêng tư và các phiên terminal không ai khác nhìn thấy. Các agent vẫn ổn. Thứ còn thiếu là hệ thống bao quanh chúng.

Hệ thống đó chính là thứ Sharkly cung cấp. Nó cho phép bạn giao việc cho các AI coding agent giống như giao việc cho đồng nghiệp: một task có người phụ trách, có ngữ cảnh, có nơi kết quả được trả về, và có bước review trước khi bất cứ thứ gì được merge. Các agent vẫn viết code. Sharkly bổ sung lớp chia sẻ gồm task, computer, context, control và review bao quanh những công cụ mà đội của bạn đã dùng.

TL;DR

Sharkly là một nền tảng chỉ huy và quản lý Agent tất cả trong một. Nó biến các AI coding agent như Claude Code, Codex và Gemini thành những thành viên trong nhóm có thể giao việc và theo dõi được, bên trong một hệ thống task thực thụ: giao một Task, chạy nhiều Agent song song trên chính máy tính của bạn, và giữ ngữ cảnh, tiến độ, điểm tắc, kết quả cùng bước review của con người luôn hiển thị từ lúc yêu cầu đến lúc release. Đây không phải là sản phẩm thay thế những công cụ coding đó. Đây là lớp phối hợp bao quanh chúng.

Sharkly là gì?

Sharkly là nền tảng giúp phối hợp con người và nhiều AI coding Agent trong một hệ thống công việc dùng chung. Bạn giao một Task, một Agent nghiên cứu và thực thi nó trong một workspace biệt lập, rồi kết quả được trả về chính Task đó để một người review và chấp nhận. Các công cụ coding vẫn chạy code; Sharkly quản lý việc giao việc, ngữ cảnh, các lượt chạy song song và bước review trên tất cả chúng.

Cách rõ ràng nhất để định vị Sharkly là dựa vào những gì nó không làm. Trích từ chính FAQ của sản phẩm:

Sharkly không phải là sản phẩm thay thế Claude Code, Codex hay các công cụ thực thi khác. Nó bổ sung lớp chia sẻ gồm task, computer, context, control và review bao quanh những công cụ mà đội của bạn đã dùng.

Vậy là sự phân công lao động rất rõ ràng. Claude Code, Codex và những công cụ tương tự đảm nhiệm việc thực thi. Sharkly quản lý việc giao việc ở cấp độ nhóm, các máy tính đã kết nối, ngữ cảnh task, tiến độ, điểm tắc, kết quả và bước review của con người trên tất cả các công cụ đó. Nếu bạn đã biết AI agent orchestration là gì, thì Sharkly là một cách cụ thể để có được nó mà không phải tự dựng hệ thống.

Ranh giới đó rất quan trọng, vì giả định sai phổ biến nhất về một công cụ thuộc nhóm này là nó cạnh tranh với agent của bạn. Không phải vậy. Bạn vẫn giữ nguyên thiết lập Claude Code, cấu hình Codex, các gói đăng ký và API key của mình. Sharkly nằm phía trên chúng và khiến mọi lượt chạy trở nên có thể giao việc và truy vết được.

Dùng gói đăng ký của chính bạn

Ở đây không có chuyện bán lại token. Việc sử dụng model vẫn diễn ra thông qua các gói đăng ký hoặc API key được cấu hình trong những công cụ coding mà bạn kết nối. Hạn mức model của bạn phụ thuộc vào các AI coding tool, gói dịch vụ và tài khoản API mà đội bạn kết nối, chứ không phụ thuộc vào Sharkly. Cách định vị đó giữ cho lớp này trung thực: Sharkly giành được vị trí của mình nhờ khả năng phối hợp, chứ không phải nhờ chen giữa bạn và model.

Vấn đề Sharkly giải quyết: agent có thể mở rộng, nhưng phối hợp thì không

Một agent thì chỉ cần một prompt tốt. Nhiều agent thì cần một người quản lý. Chính bước chuyển này là nơi các đội gặp rắc rối, và nó xảy ra rất nhanh một khi agent chứng tỏ được sự hữu ích.

Chạy một agent thì chỉ một terminal là đủ. Bạn theo dõi nó, review diff, merge rồi đi tiếp. Chạy ba agent thì gần như ngay lập tức ba kiểu thất bại xuất hiện:

• Xung đột. Hai agent cùng sửa một repository sẽ ghi đè lên nhau. Công việc chưa commit biến mất và trạng thái git trở nên rối loạn.
• Mù thông tin. Khi agent nằm rải rác trong sáu tab terminal, bạn không thể biết task nào đã xong, task nào đang tắc, và task nào đang âm thầm đi sai hướng.
• Mất ngữ cảnh. Mục tiêu, diff, thảo luận và bước review của mỗi lượt chạy nằm trong những phiên riêng tư tách biệt. Đồng nghiệp không thể tiếp tục từ chỗ bạn dừng lại, vì chẳng có gì dùng chung để tiếp nhận.

Không vấn đề nào trong số này là vấn đề về chất lượng agent. Mỗi agent có thể đang làm việc rất cẩn thận. Thất bại nằm ở khâu phối hợp, và đây đúng là kiểu thất bại mà một hệ thống task giải quyết được cho các nhóm người. Sharkly áp dụng ý tưởng tương tự cho Agent: mỗi lượt chạy đều có người phụ trách, có bản ghi dùng chung và có cổng review, nhờ đó việc thực thi trở thành một phần trong kế hoạch của nhóm thay vì biến mất vào những terminal riêng tư.

Nếu muốn xem nỗi đau này ở góc độ runtime cụ thể, hướng dẫn của chúng tôi về cách chạy nhiều Claude Code agent song song sẽ dẫn bạn đi qua đúng bức tường đó từ phía terminal.

Các khái niệm cốt lõi, được định nghĩa rõ ràng

Bộ từ vựng của Sharkly rất nhỏ và mỗi từ chỉ mang một nghĩa. Nắm được năm khái niệm này thì phần còn lại của sản phẩm sẽ trở nên rõ ràng.

• Task là đơn vị công việc chính trong Sharkly. Nó chứa mục tiêu, người phụ trách, ngữ cảnh, quá trình thực thi, kết quả và bước review. Mọi thứ đều quay về đây.
• Agent định nghĩa cách xử lý công việc: chỉ dẫn của nó, các Skill của nó, công cụ coding của nó. Bạn giao Task cho Agent giống như giao ticket cho từng người.
• Computer cung cấp máy chủ và tài nguyên cục bộ nơi phiên làm việc của Agent diễn ra. Hãy kết nối máy của chính bạn — cục bộ qua Sharkly Desktop hoặc từ xa qua Sharkly CLI — để code chạy ở nơi bạn kiểm soát.
• Runtime thực hiện phiên agent thực tế. Claude Code, Codex, Gemini và các runtime dòng lệnh khác được cắm vào đây.
• Crew là một nhóm Người và Agent có thể tái sử dụng, được điều phối bởi một Agent trưởng nhóm.

Sự tách bạch này chính là điểm mấu chốt. Agent định nghĩa cách xử lý công việc; Computer cung cấp máy chủ và tài nguyên cục bộ; Runtime thực hiện phiên thực tế; Task vẫn là bản ghi dùng chung cho cả nhóm. Mỗi phần chỉ đảm nhiệm một việc, và đó là điều giúp một "căn phòng" đầy những Agent chạy song song vẫn dễ nắm bắt.

Khi nào nên dùng một Agent, khi nào nên dùng Crew

Hầu hết mọi người đưa ra quyết định này theo hướng ngược lại. Bạn không cần Crew cho phần lớn công việc. Với những việc nhỏ, đã được định nghĩa rõ ràng, hãy giao Task trực tiếp cho một Agent và giữ số lượng thành phần chuyển động ở mức không. Chỉ dùng Crew khi Agent trưởng nhóm cần diễn giải một mục tiêu rộng, huy động các Agent thành viên khác và gom kết quả của họ về một Task duy nhất. Hãy bắt đầu với công cụ đơn giản trước; chuyển lên Crew khi một Agent thực sự không thể ôm trọn mục tiêu. Task thực tế đầu tiên của bạn nên giao cho một Agent — đó chính là nội dung mà bài hướng dẫn làm task đầu tiên của chúng tôi đề cập.

Quy trình làm việc: từ yêu cầu đến release qua bốn giai đoạn

Sharkly chia công việc sản phẩm thành bốn giai đoạn. Đây là xương sống của toàn bộ nền tảng, và nó khớp một cách gọn gàng với cách một đội vốn đã đưa sản phẩm ra thị trường.

Giai đoạn 1: mô tả và nghiên cứu

Một người mô tả nhu cầu bằng ngôn ngữ tự nhiên. Một Agent nghiên cứu sản phẩm, codebase, các task trước đây và quy tắc của đội, sau đó hoàn thiện phạm vi và tiêu chí nghiệm thu rồi tạo ra các Task có thể thực thi được. Con người nêu ý định; Agent biến nó thành công việc thực sự có thể bắt tay vào làm.

Đây là lúc lớp này bắt đầu phát huy tác dụng. Thay vì mỗi lần bạn phải tự chuyển một yêu cầu mơ hồ thành prompt chính xác, Agent sẽ đảm nhiệm việc định hình và ghi lại thành một Task mà người khác có thể thấy. Một task trong Sharkly trông như SH-312: một ticket thực thụ, chứ không phải tin nhắn chat trôi mất khỏi màn hình.

Giai đoạn 2: phát triển song song tự động

Các Agent nhận những Task đã sẵn sàng và làm việc trong các git worktree biệt lập. Frontend, backend, sửa bug và độ phủ test diễn ra cùng lúc, mỗi phần trong workspace riêng trên chính máy của bạn. Worktree chính là thứ khiến việc chạy song song trở nên an toàn: một thư mục làm việc liên kết, chia sẻ lịch sử của một repository nhưng giữ branch và file riêng. Năm Agent, năm worktree, năm branch, không xung đột.

Vì các lượt chạy diễn ra trên những máy tính bạn kết nối, một thay đổi tồi sẽ chỉ nằm gọn trong branch và máy của nó. Không có gì vô tình chạm vào branch chính. Nếu bạn muốn tìm hiểu sâu về cơ chế này, hãy xem hướng dẫn git worktree cho AI coding agent của chúng tôi.

Giai đoạn 3: kiểm thử và nghiệm thu bởi con người

Agent chạy typecheck, test và build, sau đó đính kèm tóm tắt thay đổi, kết quả kiểm chứng và những giới hạn đã biết vào Task. Một người sẽ chấp nhận, yêu cầu chỉnh sửa, hoặc quyết định bước merge và release. Quá trình thực thi, các điểm tắc, kết quả và thảo luận tiếp theo đều quay về dòng thời gian của Task, nhờ đó việc review diễn ra dựa trên ngữ cảnh đầy đủ thay vì chỉ một diff trơ trọi.

Đây chính là giai đoạn khiến việc chạy nhiều Agent trở nên an toàn thay vì liều lĩnh. Tốc độ mà không có điểm dừng kiểm tra là cách bạn tung ra năm bug trong khoảng thời gian trước đây chỉ đủ để tung ra một. Một cổng phê duyệt vừa giữ được năng suất, vừa đưa con người trở lại vòng lặp đúng vào thời điểm quan trọng nhất. Hãy để con người quyết định nghiệm thu cuối cùng và release.

Giai đoạn 4: dự án và sprint

Cả đội theo dõi mức độ hoàn thành, quyền sở hữu, các phụ thuộc, thay đổi phạm vi và điểm tắc trong kế hoạch dùng chung. Công việc của Agent nằm trong cùng Projects và Sprints với công việc của con người, nên người quản lý chỉ cần đọc một board thay vì phải ghép lại sáu terminal và một luồng chat. Các thay đổi và tiến độ liên tục được trả về cho Task.

Thỏa thuận giữa con người và Agent

Rút gọn Sharkly về một ý tưởng duy nhất thì là thế này. Agent nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hướng, trao quyền và nghiệm thu kết quả. Tự động hóa dừng lại ở đúng chỗ cần đến phán đoán của cả đội, và trả về một sản phẩm bàn giao với ngữ cảnh đầy đủ cùng bằng chứng có thể kiểm tra được.

Câu đó chính là toàn bộ mô hình an toàn. Đó cũng là câu trả lời trung thực cho nỗi lo rằng các nền tảng agent sẽ giao codebase của bạn cho một cỗ máy rồi đứng nhìn. Họ không làm vậy, hoặc ít ra là không nên làm vậy. Phiên bản đáng giá giữ con người ở hai đầu cần đến phán đoán — định hướng ở đầu và nghiệm thu ở cuối — và để Agent đảm nhiệm phần ở giữa mang tính máy móc. Sharkly được xây dựng quanh hình dạng đó, chứ không phải quanh viển tưởng về sự tự chủ hoàn toàn.

Lợi thế của đội đến từ đâu

Có một luận điểm thầm lặng chạy xuyên suốt sản phẩm, và đáng để nói thẳng ra: đòn bẩy của đội không đến từ việc mở thêm nhiều cuộc chat AI. Nó đến từ việc chia sẻ vai trò, quy tắc, ngữ cảnh và quy trình làm việc.

Kỹ năng viết prompt cẩn thận của một developer, khi được ghi lại thành một Agent profile cùng các Skill có thể tái sử dụng, sẽ trở thành thứ cả đội có thể giao việc. Hãy biến một thiết lập tốt thành năng lực phát triển mà cả đội dùng lại. Đó là khác biệt giữa việc mười người mỗi người tự mày mò lại cách khiến agent hoạt động đúng, và việc có một cấu hình dùng chung mà mọi người đều đưa công việc đi qua. Agent không chỉ trả lời câu hỏi. Chúng tinh chỉnh công việc từ trạng thái hiện tại, đẩy nó tiến lên và trả mọi kết quả về cho đội.

Bạn không cần xây lại quy trình của mình

Áp dụng Sharkly không phải là một dự án migration. Hãy giữ nguyên những công cụ đội bạn đang dùng, đồng thời khiến các lượt chạy trở nên có thể giao việc và truy vết. Kết nối một máy tính, cấu hình Agent và bắt đầu đưa công việc đi qua đó mà không phải xây lại quy trình mà đội bạn đã hiểu rõ.

Nếu bạn đang sống trong Jira, hãy giữ nguyên các project, task, trạng thái và workflow mà đội bạn vẫn đọc hằng ngày. Kết nối Sharkly để hệ thống hiện tại vẫn nguyên vẹn trong khi việc thực thi của Agent đẩy công việc tiến lên ngay bên trong nó. Mục tiêu là bổ sung khả năng thực thi minh bạch, có thể review vào thiết lập hiện tại của bạn, chứ không phải thay nó bằng một thứ mới mà ai cũng phải học lại từ đầu.

So sánh Sharkly với một hệ thống tự dựng

Không ít đội điều phối agent bằng script tự viết: một thư mục chứa các shell wrapper, vài ô tmux, một quy ước đặt tên branch. Cách đó vẫn chạy được, và với một developer làm một mình ở khối lượng công việc thấp thì đó có thể là lựa chọn đúng. Nhưng thời điểm nó ngừng hiệu quả thì có thể đoán trước được.

Đánh giá thẳng thắn: nếu bạn chỉ chạy một hai agent một mình và không bao giờ bàn giao công việc cho ai, thì hệ thống tự dựng sẽ ít phải bảo trì hơn. Nếu bạn chạy nhiều agent, hoặc có người khác cần nhìn thấy công việc đó, thì phần phối hợp mà bạn sẽ phải tự xây chính là sản phẩm mà Sharkly đã có sẵn. Việc so sánh với các lớp orchestration khác xứng đáng có một bài riêng; chúng tôi đi sâu hơn vào những đánh đổi trong hướng dẫn về orchestration của mình.

Sharkly dành cho ai

Sản phẩm hướng đến các đội product và engineering đã dùng AI coding tool và muốn định tuyến công việc, phối hợp nhiều lượt chạy, đồng thời theo dõi tiến độ và kết quả trong một quy trình dùng chung. Một vài trường hợp phù hợp cụ thể:

• Một backend developer chạy nhiều agent cùng lúc, cần các worktree biệt lập để những lượt chạy song song không đụng nhau.
• Một engineering manager cần thấy công việc của agent trên cùng board với mọi thứ khác, kèm một bước review trước khi merge.
• Một tech lead muốn có tiêu chuẩn chung cho cả đội về cách dùng agent, được ghi lại thành Agent và Skill dùng chung thay vì chỉ là kiến thức truyền miệng.
• Một developer làm một mình đang mở rộng quy mô, muốn tăng năng suất mà không rơi vào cảnh hỗn loạn của sáu terminal không tên.

Nếu chưa có trường hợp nào giống bạn, thì đó cũng là một câu trả lời thật. Sharkly đáng giá khi phối hợp chính là nút thắt cổ chai. Dưới ngưỡng đó, một agent và một terminal là đủ.

Bắt đầu

Quy trình Sharkly hữu ích nhỏ nhất được thiết kế cố tình khiêm tốn: kết nối một máy tính, tạo một Agent và giao một Task ít rủi ro. Hãy để Agent bắt đầu bằng một yêu cầu thực tế, chứ không phải việc viết lại toàn bộ backlog của bạn. Xem một Task đi qua bốn giai đoạn, tự tay nghiệm thu kết quả, và bạn sẽ hiểu lớp này rõ hơn bất kỳ bài giải thích nào có thể truyền đạt.

Từ đó, thêm một Agent thứ hai để chạy song song một việc gì đó, rồi đưa một đồng nghiệp lên board. Mỗi bước đều bổ sung phần phối hợp mà trước đây bạn phải làm thủ công.

Để bắt đầu: Tải Sharkly, kết nối một máy tính và định tuyến Task đầu tiên của bạn. Tài liệu hướng dẫn trình bày chi tiết hơn về từng khái niệm tại docs.sharkly.ai.

Câu hỏi thường gặp

Sharkly là gì trong một câu? Sharkly là nền tảng chỉ huy và quản lý Agent tất cả trong một, biến các AI coding agent thành những thành viên trong nhóm có thể giao việc và theo dõi được, để bạn có thể giao Task, chạy nhiều Agent song song và giữ ngữ cảnh, tiến độ, kết quả cùng bước review của con người luôn hiển thị từ lúc yêu cầu đến lúc release.

Sharkly có thay thế Claude Code hay Codex không? Không. Sharkly không phải là sản phẩm thay thế Claude Code, Codex hay các công cụ thực thi khác. Những công cụ đó đảm nhiệm việc thực thi; Sharkly bổ sung lớp chia sẻ gồm task, computer, context, control và review bao quanh chúng.

Tôi có phải trả tiền cho model thông qua Sharkly không? Không. Việc sử dụng model vẫn diễn ra thông qua các gói đăng ký hoặc API key được cấu hình trong những công cụ coding mà bạn kết nối. Hạn mức model của bạn phụ thuộc vào các gói dịch vụ và tài khoản API mà đội bạn đã có.

Code của agent thực sự chạy ở đâu? Trên những máy tính bạn kết nối — cục bộ qua Sharkly Desktop hoặc từ xa qua Sharkly CLI. Mỗi lượt chạy có một git worktree biệt lập, nên các Agent chạy song song không đụng nhau và các thay đổi chỉ nằm trong phạm vi đó cho đến khi bạn nghiệm thu.

Khi nào tôi nên dùng Crew thay vì một Agent duy nhất? Với công việc nhỏ, đã được định nghĩa rõ ràng, hãy giao Task cho một Agent. Dùng Crew khi Agent trưởng nhóm cần diễn giải một mục tiêu rộng, huy động các Agent thành viên khác và gom kết quả của họ về một Task duy nhất. Hãy bắt đầu đơn giản; xem hướng dẫn làm task đầu tiên để biết lộ trình dùng một Agent.

Đây có phải là tự chủ hoàn toàn không? Agent có tự merge không? Không. Agent nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hướng, trao quyền và nghiệm thu kết quả. Quyết định nghiệm thu cuối cùng và release vẫn thuộc về con người.

Tôi có thể tiếp tục dùng Jira không? Có. Hãy giữ nguyên các project, task, trạng thái và workflow mà đội bạn đang dùng, rồi kết nối Sharkly để việc thực thi của Agent đẩy công việc tiến lên ngay bên trong hệ thống bạn vẫn đọc hằng ngày.