Cú đột phá của Hermes Agent trên OpenRouter báo hiệu sự kết thúc của thời đại Prompt Engineering hay chỉ là sự khởi đầu cho một kỷ nguyên lập trình mới?

Có một sự thật gây lạnh sống lưng mà rất ít diễn đàn kỹ thuật vào hè năm 2026 dám nói thẳng: các khóa học “Prompt Engineering Mastery” trị giá hàng nghìn đô la đang trở thành đống sắt vụn kỹ thuật số. Khi Hermes Agent xuất hiện trên OpenRouter với khả năng tự thu thập ngữ cảnh, tự phân mảnh mục tiêu và tự sửa lỗi đầu ra, toàn bộ khái niệm “viết prompt hoàn hảo” đột nhiên trở thành một hoạt động lỗi thời giống như việc vá thủ công băng đĩa từ. Nhưng tuyệt đối không nên vội quy chụp. Câu chuyện ở đây không đơn giản là “Prompt Engineering chết”. Cái chết của một công cụ bao giờ cũng là sự khai sinh của một cơ chế lập trình mới.

Phá rã lớp vỏ ngữ nghĩa của “Prompt Engineering”

Để hiểu cú va đập của Hermes Agent, phải lột trần thứ mà bao lâu nay chúng ta vẫn gọi là Prompt Engineering. Bản chất của nó không phải là một ngành khoa học. Nó là một bộ kỹ năng thủ công được hình thành do giới hạn cố hữu của mô hình ngôn ngữ lớn (LLM).

Cỗ máy dự đoán token và giao thức ra lệnh thô sơ

Mô hình ngôn ngữ, xét đến tận cùng dưới đáy, là một cỗ máy dự đoán token tiếp theo dựa trên xác suất có điều kiện. Nó không có ý thức, không có “suy nghĩ” logic. Nó nhận đầu vào là một chuỗi ký tự và xuất ra phân phối xác suất cho token tiếp theo. Cái gọi là “kỹ thuật prompt” thực chất là chuỗi thao tác thô mộc nhằm thu hẹp không gian tìm kiếm của cỗ máy xác suất này. Khi bạn viết “Hãy đóng vai một chuyên gia tài chính”, bạn không thay đổi năng lực mô hình. Bạn chỉ giới hạn vùng phân phối token vào cụm dữ liệu học có chứa từ khóa “chuyên gia tài chính”. Khi bạn dùng “Chain-of-Thought”, bạn ép mô hình sinh thêm token trung gian, từ đó tăng xác suất cho token mục tiêu cuối cùng.

Toàn bộ ngành công nghiệp Prompt Engineering phồn thịnh chỉ dựa trên một nghịch lý: con người đang dùng ngôn ngữ tự nhiên để vá víu cho sự thiếu hụt thành phần quyết định (deterministic module) trong kiến ​​trúc của chính cỗ máy.

Sự vô vàn của mẹo vặt và giới hạn của kiểm soát thủ công

Mọi “mẹo” prompt – từ “few-shot”, “role-playing” cho đến “negative prompting” – đều là cách con người cố gắng giả lập một bộ nhớ trạng thái và một cấu trúc ràng buộc mà mô hình không có sẵn. Nhưng phương pháp thủ công này gặp phải ba tử huyệt không thể cứu vãn:

1. Độ bất định bản thể:

Cùng một prompt, cùng một nhiệt độ bằng 0, đầu ra token vẫn có thể trượt ngã nếu mô hình gặp phải nhiễu trong không gian embedding. Không có gì đảm bảo tính tái lập tuyệt đối. Đây là tử huyệt chết người cho bất kỳ quy trình sản xuất phần mềm nào.

2. Chi phí nhận thức tỷ lệ thuận với độ phức tạp:

Prompt càng dài, càng nhiều bước suy luận nhân tạo, con người càng khó gỡ lỗi. Việc vá prompt cho tác vụ đa bước giống như lập trình hợp ngữ bằng thơ lục bát – vừa hỗn loạn vừa dễ vỡ.

3. Không năng lực tương tác với môi trường ngoại vi:

Một prompt dù có tinh xảo đến đâu cũng không thể tự gọi API, tự đọc file, tự phản hồi dựa trên kết quả thực thi bên ngoài. Nó là một hộp đen chạy một lần rồi dừng.

Giải phẫu Hermes Agent: Sự chuyển dịch từ Ngôn từ sang Hành động

Sự xuất hiện của Hermes Agent trên OpenRouter không phải là một bản nâng cấp mô hình. Đó là sự thay thế hoàn toàn trung tâm điều khiển. Nếu Prompt Engineering là nghệ thuật dùng ngôn từ để “thôi miên” một bộ não cô lập, thì Agent là việc xây dựng một vòng tuần hoàn nhận thức - hành động có móc nối với thực tại.

Vòng lặp Nhận thức - Quyết định - Hành động

Cốt lõi của Hermes Agent không nằm ở tấm áo ngữ nghĩa, mà nằm ở kiến ​​trúc vòng lặp (loop). Hãy quan sát quy trình thô mộc của nó khi nhận lệnh “Phân tích báo cáo tài chính quý 3 và gửi email cảnh báo nếu biên lợi nhuận gộp giảm dưới 25%“:

1. Giai đoạn Thu thập:

Agent gọi một function call đến hệ thống file nội bộ để đọc báo cáo. Nó không “đoán” nội dung báo cáo dựa trên prompt. Nó lấy dữ liệu thật.

2. Giai đoạn Xử lý:

Dữ liệu thô (con số) được đưa vào mô hình. Mô hình chỉ thực hiện một nhiệm vụ hẹp: so sánh số liệu. Không cần prompt “hãy là chuyên gia”, bởi logic so sánh là một ràng buộc cứng (hard constraint) được lập trình trong hệ thống điều phối (orchestrator) của Agent.

3. Giai đoạn Quyết định & Hành động:

Nếu điều kiện thỏa mãn, Agent gọi tiếp function call đến API gửi mail. Nó không chỉ sinh ra nội dung email; nó khiến email được gửi đi.

Sự khác biệt cơ bản nằm ở đây: Prompt Engineering cố gắng nhồi nhét toàn bộ logic điều khiển vào chuỗi token. Agent tách rời logic điều khiển (code) ra khỏi quá trình sinh ngôn ngữ (token). Mô hình ngôn ngữ trong Agent trở về đúng vị thế khiêm tốn của nó: một mô-đun xử lý văn bản và phân tích ngữ nghĩa không cấu trúc.

Function Calling: Mảnh ghép biến mô hình thành cơ bắp

Tại sao các Prompt Engineer lão luyện gặp khó khăn với những tác vụ đòi hỏi tính chính xác tuyệt đối như tính toán 2354 * 7892? Bởi vì họ đang bắt một cỗ máy dự đoán token làm toán. Họ dùng từ ngữ để cầu xin nó “làm ơn tính cẩn thận từng bước”. Hermes Agent không thèm làm vậy. Nó nhận diện ý định “tính toán”, và gọi thẳng một function call tới một máy tính (calculator tool). Kết quả là một con số chính xác 100%, không mang tính xác suất. Đây là tư duy lập trình thực thụ: thay vì viết prompt “Hãy giỏi toán”, lập trình viên tương lai sẽ khai báo “Tool: calculator” trong manifest của Agent. Sự thông minh không nằm ở mẹo chữ, mà ở khả năng lắp ráp đúng mô-đun.

Quản lý Trạng thái và Bộ nhớ Dài hạn

Một prompt dài là một tệ nạn của kiến ​​trúc không trạng thái (stateless). Bạn phải nhồi toàn bộ lịch sử hội thoại, hướng dẫn, và ngữ cảnh vào cửa sổ context bằng tay. Hermes Agent xử lý vấn đề này bằng kiến ​​trúc bộ nhớ phân lớp. Nó lưu trữ các sự kiện quan trọng vào vector database. Khi cần, một truy vấn tương quan sẽ kéo ra những mảnh ký ức phù hợp nhất. Việc này không khác gì cách hệ điều hành quản lý RAM và ổ cứng. Con người được giải phóng khỏi công việc chép sử biên niên vào câu lệnh.

Tái định nghĩa Kỷ nguyên Lập trình Mới: Từ Mã Prompt sang Mã Hành vi

Nếu chúng ta dừng lại ở kết luận “Prompt Engineering chết”, chúng ta đã bỏ lỡ bức tranh toàn cảnh. Cú đột phá của Hermes Agent không hủy diệt một nghề, nó phân tách nghề đó thành các lớp trừu tượng cao hơn. Chúng ta đang chứng kiến sự chuyển dịch từ Mã Prompt sang Mã Hành vi (Behavioral Code).

Prompt Engineer tiến hóa thành Kỹ sư Điều phối

Công việc của một kỹ sư AI trong kỷ nguyên Agent không còn là “viết lời chú cho ma thuật đen”. Công việc đó là thiết kế đồ thị điều phối (orchestration graph). Tưởng tượng một hệ thống chăm sóc khách hàng. Bạn không viết prompt: “Hãy xử lý mọi khiếu nại của khách hàng một cách lịch sự”. Bạn thiết kế một đồ thị trạng thái:

• Nút ‘Phân loại ý định’ (Intent Classifier): Phân luồng truy vấn.
• Nhánh ‘Khiếu nại’: Kích hoạt cây quyết định (decision tree) để xác định mức độ nghiêm trọng. Nếu nghiêm trọng > Ngưỡng, kích hoạt Agent ‘Cảnh báo Quản lý’ qua function call.
• Nhánh ‘Hỏi đáp sản phẩm’: Gọi function call vào RAG pipeline để lấy chính sách đổi trả mới nhất, đảm bảo không bị ảo giác.

Kỹ năng cốt lõi không còn là ngôn ngữ học, mà là tư duy hệ thống (systems thinking) và khả năng gỡ lỗi một mạng lưới các tác tử tự trị. Prompt giờ đây chỉ là tham số cấu hình cho các nút nguyên tử, không còn là bộ điều khiển trung tâm.

Case Study Mô phỏng: Hệ thống Xử lý Hợp đồng tại Công ty Luật “Sigma Legal”

Để thấy rõ sự chuyển dịch, hãy xem xét trường hợp của Sigma Legal, một công ty luật giả định tại Hà Nội.

Bài toán: Mỗi tháng, công ty nhận hàng trăm hợp đồng thương mại từ đối tác, cần trích xuất các điều khoản rủi ro (phạt vi phạm, giới hạn trách nhiệm, điều khoản bảo mật) và điền vào hệ thống quản lý nội bộ.

Giải pháp Prompt Engineering (trước đây): Luật sư phải tải từng file PDF, copy-paste nội dung vào một cửa sổ chat LLM cùng với một prompt “siêu dài” chứa định nghĩa pháp lý của các điều khoản rủi ro. Mỗi lần mô hình trả kết quả sai định dạng JSON, họ lại phải copy-paste thêm prompt “Định dạng chính xác như sau:…”. Công việc này tốn 3 giờ mỗi ngày và tỷ lệ lỗi lên tới 15% do prompt không đủ ràng buộc.

Giải pháp Hermes Agent (hiện tại): Sigma Legal triển khai một tập tin cấu hình Agent Manifest. Họ định nghĩa:

• Tools: “read_pdf”, “write_to_erp”, “send_review_request”.
• Workflow: Agent tự động quét folder PDF. Với mỗi file, nó gọi read_pdf để lấy dữ liệu thô. Sau đó, một mô-đun logic cứng viết bằng Python (không phải prompt) sẽ phân tích JSON schema và xác thực đầu ra. Chỉ khi trích xuất thất bại hoặc có điểm bất thường, Agent mới dùng LLM với một prompt nguyên tử: “Trích xuất điều khoản X trong đoạn text Y và trả về JSON theo schema Z”. Sau khi trích xuất thành công, nó gọi write_to_erp để điền dữ liệu. Nếu phát hiện điều khoản có mức rủi ro cao, nó gọi send_review_request tới email của trưởng phòng.

Kết quả: Toàn bộ quy trình giảm từ 3 giờ thủ công xuống 15 phút giám sát tự động. Tỷ lệ lỗi giảm về gần 0% ở khâu trích xuất, vì các ràng buộc logic cứng đã loại bỏ sự bất định của token. Vai trò của luật sư chuyển từ “người gõ prompt” sang “người kiểm duyệt quy trình và can thiệp ngoại lệ”. Họ không còn loay hoay với câu chữ, mà tập trung vào thiết kế luồng phê duyệt. Đây là minh chứng cho việc lập trình chuyển từ thao tác trên ngôn ngữ sang thao tác trên hành vi.

Ma trận Năng lực và Scorecard Chuyển đổi

Để định lượng sự dịch chuyển này, chúng ta cần so sánh năng lực thực tế giữa ba trạng thái tương tác với AI: Prompt Engineering thủ công, Agent đơn giản (ReAct cơ bản), và Hermes Agent trên OpenRouter.

Bảng So sánh Giải pháp

Tiêu chí	Prompt Engineering Thủ công	Agent Đơn giản (ReAct)	Hermes Agent (OpenRouter)	Ghi chú
Cơ chế điều khiển	Ngôn ngữ tự nhiên (Prompt)	Vòng lặp Suy nghĩ - Hành động	Đồ thị Điều phối có Trạng thái (Stateful Graph)	Sự thay đổi từ chuỗi sang cấu trúc.
Giao tiếp Môi trường	Không có (Chỉ sinh văn bản)	Hạn chế qua function call trong prompt	Function call là công dân hạng nhất, chạy bất đồng bộ	Khả năng thực thi hành động thực tế.
Độ tái lập (Đầu ra)	Cực thấp (Xác suất)	Thấp	Cao (Nhờ logic cứng điều khiển)	Yếu tố sống còn cho sản xuất.
Quản lý Bộ nhớ	Thủ công trong cửa sổ ngữ cảnh	Quản lý vòng lặp đơn giản	Vector DB, Bộ nhớ phân lớp	Yếu tố quyết định độ phức tạp tác vụ.
Mô hình Lập trình	Viết lách sáng tạo	Viết prompt hướng dẫn hành động	Kỹ thuật Hệ thống & Tích hợp API	Định nghĩa bộ kỹ năng tương lai.

Scorecard: Mức độ Sẵn sàng cho Kỷ nguyên Agent của Doanh nghiệp

Bảng đánh giá dưới đây mô phỏng thang điểm đánh giá năng lực thực tế của một doanh nghiệp muốn chuyển đổi từ phụ thuộc Prompt Engineering sang vận hành Agentic AI. Điểm số là các giá trị mẫu thể hiện sự phân bổ điểm yếu và điểm mạnh điển hình.

Tiêu chí Đánh giá	Điểm	Ghi chú
Tính Thuần nhất của Nguồn Dữ liệu	7	Dữ liệu đã được cấu trúc hóa một phần nhưng vẫn còn nhiều file phi cấu trúc.
Khả năng Định nghĩa API Nội bộ	5	Hệ thống cũ (legacy) thiếu API, cần nhiều công sức bọc wrapper.
Năng lực Thiết kế Quy trình	8	Đội ngũ vận hành hiểu rõ quy trình nhưng thiếu kỹ sư Agent để mô hình hóa.
Văn hóa Chấp nhận Tự động hóa	4	Nhân viên lo ngại mất việc, cần chiến lược quản trị thay đổi mạnh mẽ.
Khả năng Giám sát và Gỡ lỗi	6	Có hệ thống log nhưng chưa có công cụ truy vết hành trình Agent (Agent Trace).
TỔNG ĐIỂM TRUNG BÌNH	6.0	Mức độ Sẵn sàng: Khá (5-8 điểm). Cần tập trung giải quyết yếu tố con người và kỹ thuật.

Phân tích Scorecard: Với mức điểm trung bình 6.0, doanh nghiệp này đang ở ngưỡng cửa. Điểm yếu chí tử không nằm ở công nghệ, mà ở Văn hóa (4.0) và Khả năng Định nghĩa API (5.0). Một triển khai Agent sẽ thất bại thảm hại nếu chỉ tập trung vào việc mua công cụ mà không tái cấu trúc hạ tầng dữ liệu thành các điểm cuối (endpoint) khả triệu gọi và không giải quyết được sự kháng cự ngầm của nhân viên.

Cuộc di cư của Giá trị: Từ Prompt Library sang Hành vi Manifest

Biến động vĩ mô nhất mà Hermes Agent tạo ra không nằm ở câu chữ. Nó nằm ở sự di dời của tài sản trí tuệ.

Tài sản mới: Kho Hành vi (Behavior Store)

Trong kỷ nguyên Prompt Engineering, tài sản quý giá nhất của một tổ chức là thư viện prompt “tủ” được canh giữ cẩn mật. Đó là một tập hợp các câu lệnh đẹp đẽ, mong manh và không thể đảm bảo chất lượng. Trong kỷ nguyên Agent, tài sản đó trở nên lỗi thời. Tài sản mới là Kho Hành vi (Behavior Store), bao gồm:

• Đồ thị điều phối đã được kiểm thử (tested orchestration graphs).
• Bộ định nghĩa Function Call schema chuẩn hóa.
• Vector embeddings của các mẫu quyết định thành công.
• Scripts logic cứng xác thực đầu ra.

Đây là những thực thể có thể kiểm thử hồi quy, có thể có phiên bản (version control), và có thể đo lường hiệu năng bằng các chỉ số kỹ thuật khách quan thay vì thang điểm mơ hồ “chất lượng câu trả lời”.

Vai trò của OpenRouter: Lớp Trừu tượng Hóa Mô hình

Sự kiện Hermes Agent xuất hiện trên OpenRouter có một ý nghĩa kiến ​​trúc quan trọng. OpenRouter đóng vai trò như một lớp trừu tượng hóa (abstraction layer). Nó giải phóng Agent khỏi sự phụ thuộc vào một “bộ não” cụ thể nào. Manifest của Agent bạn thiết kế hôm nay cho Hermes có thể sử dụng lại cho một mô hình khác vào ngày mai, miễn là mô hình đó tuân thủ giao thức function calling. Giá trị không còn nằm ở việc am hiểu một mô hình duy nhất, mà ở khả năng thiết kế hệ thống không phụ thuộc nền tảng (model-agnostic systems). Đây chính là tinh thần của lập trình: trừu tượng hóa phần triển khai cụ thể.

Key Takeaways: Prompt Engineering không chết. Nó bị phân rã thành các thành phần nguyên thủy. Việc mài giũa câu chữ không còn là kỹ năng sinh tồn chính. Kỹ năng sinh tồn mới là khả năng mô hình hóa thế giới thành các vòng lặp quyết định, định nghĩa ranh giới giữa logic cứng và logic mềm, và quản trị một đội quân tác tử bán tự trị.

Kỷ nguyên mới không phải là kỷ nguyên của những “nghệ sĩ ngôn từ”. Nó là kỷ nguyên của những “kiến ​​trúc sư hệ thống” cho thế giới số. Prompt Engineer chân chính, nếu muốn tồn tại, phải lột xác thành người đặt nền móng cho các Behavioral Manifest, chứ không phải là người canh giữ những “bí kíp” câu lệnh sắp bị bào mòn bởi chính vòng lặp tự tối ưu của Agent.