Luyện nói tiếng Anh bằng Shadowing qua video: 900+ hours of Learning AI Agents in 9 Minutes

Chọn chế độ luyện tập

Mỗi chế độ mở một phòng luyện tập toàn màn hình.

148 câu

Nếu các câu quá ngắn hoặc quá dài, hãy bấm Edit để chỉnh sửa.

AI agents can already write code, use tools, browse files, and run commands.

Các tác nhân AI hiện đã có thể viết mã, sử dụng công cụ, duyệt tệp và chạy lệnh.

So why do they still fail at real engineering tasks?

Vậy tại sao chúng vẫn thất bại trong các nhiệm vụ kỹ thuật thực tế?

This is because writing code is only one part of the problem.

Điều này là vì việc viết mã chỉ là một phần của vấn đề.

The harder part is controlling what the agent does after that first step.

Phần khó khăn hơn là kiểm soát những gì tác nhân thực hiện sau bước đầu tiên đó.

How do you keep one agent reliable?

Làm thế nào để giữ cho một nhân viên hoạt động đáng tin cậy?

How do you let it work for hours without supervision?

Làm sao mà bạn để nó hoạt động hàng giờ liền mà không cần giám sát?

And how do you coordinate dozens of agents on one massive task?

Và làm thế nào để điều phối hàng chục tác nhân cho một nhiệm vụ quy mô lớn?

That's where these three ideas come in.

Đó chính là lúc ba ý tưởng này phát huy tác dụng.

Harness engineering, loop engineering, and graph engineering.

Kỹ thuật khai thác, kỹ thuật vòng lặp và kỹ thuật đồ thị.

In this video, I'll break down all three, how they fit together, and when each one actually makes sense.

Trong video này, tôi sẽ phân tích cả ba phương pháp, cách chúng kết hợp với nhau, và khi nào thì từng phương pháp thực sự phù hợp.

Hi friends, I'm Maddie.

Chào các bạn, tôi là Maddie.

I'm a senior software engineer who previously worked at Google and interned at other big tech companies like Amazon, IBM, and Microsoft.

Tôi là một kỹ sư phần mềm cao cấp, từng làm việc tại Google và đã thực tập tại các công ty công nghệ lớn khác như Amazon, IBM và Microsoft.

In this video, I'll talk you through what harness, loop, and graph engineering mean, how they fit together, and when each is actually worth using.

Trong video này, tôi sẽ giải thích cho bạn ý nghĩa của kỹ thuật harness, loop và graph, cách chúng kết hợp với nhau, và khi nào thì mỗi phương pháp thực sự đáng để sử dụng.

Let's get into it.

Bắt đầu thôi.

We're going to start with harness engineering.

Chúng ta sẽ bắt đầu với kỹ thuật hệ thống dây điện.

Harness engineering is the work of designing the agent harness, or everything around the model so the tools it can use,

Kỹ thuật dây nối là công việc thiết kế bộ điều khiển tác nhân, hay nói cách khác là tất cả những thứ xung quanh mô hình để các công cụ mà nó có thể sử dụng.

what goes into its context window, the rules it follows, and the checks it has to pass.

những gì được đưa vào cửa sổ ngữ cảnh của nó, các quy tắc mà nó tuân theo, và những kiểm tra mà nó phải vượt qua.

An agent is, simply put, a model plus a harness.

Nói một cách đơn giản, một tác nhân là một mô hình cộng với một hệ thống điều khiển.

The model is whatever the lab ships, so the harness is the part you actually get to customize.

Mẫu máy là loại mà phòng thí nghiệm giao đi, nên dây nối là bộ phận mà bạn thực sự có thể tùy chỉnh.

Here's what that looks like.

Đây là hình ảnh minh họa cho điều đó.

Say you're building a budgeting app.

Giả sử bạn đang xây dựng một ứng dụng quản lý ngân sách.

You ask a coding agent to fix a bug where recurring expenses get counted twice,

Bạn yêu cầu một tác nhân lập trình sửa lỗi khiến các khoản chi phí định kỳ bị tính hai lần,

and it tells you it's done while the tests are still failing.

và nó báo cho bạn biết đã hoàn thành trong khi các bài kiểm tra vẫn đang bị lỗi.

To fix this, Harness Engineering treats it as a design problem.

Để giải quyết vấn đề này, bộ phận Kỹ thuật của Harness coi đây là một bài toán về thiết kế.

You give the agent a tool that runs the test, a rules file that says the task isn't finished until they pass,

Bạn cung cấp cho tác nhân một công cụ để chạy thử nghiệm, một tệp quy tắc nêu rõ rằng nhiệm vụ chưa hoàn thành cho đến khi chúng vượt qua bài kiểm tra,

and a check that blocks the done message until the test pass.

và một kiểm tra sẽ chặn thông báo hoàn tất cho đến khi bài kiểm tra đạt yêu cầu.

Now, that mistake can't happen again on this bug or the next one.

Bây giờ, sai lầm đó không thể xảy ra lại với lỗi này hay lỗi tiếp theo.

Mitchell Hashimoto, the co -founder of HashiCorp, started calling this

Mitchell Hashimoto, người đồng sáng lập HashiCorp, đã bắt đầu gọi đây là

Harness Engineering, described simply as this.

Kỹ thuật hệ thống dây nối, mô tả đơn giản là như vậy.

Every time your agent makes a mistake, you change the system around it so it can't make that mistake again.

Mỗi khi nhân viên của bạn mắc lỗi, bạn lại thay đổi hệ thống xung quanh để đảm bảo họ không thể lặp lại sai lầm đó nữa.

Langchain reported moving their coding agent from around 30th place into

Langchain thông báo rằng họ đã đưa tác nhân mã hóa của mình từ vị trí khoảng thứ 30 lên

the top five on the Terminal Bench 2 .0 benchmark while keeping the model the exact same.

năm vị trí dẫn đầu trên chuẩn đánh giá Terminal Bench 2.0 trong khi giữ nguyên hoàn toàn mô hình.

So all that improvement came from harness engineering.

Vì vậy, tất cả những cải tiến đó đều đến từ kỹ thuật thiết kế dây nối.

And in practice, the work falls into four areas you can modify.

Và trên thực tế, công việc được chia thành bốn lĩnh vực mà bạn có thể điều chỉnh.

Number one, tools, what the agent can do.

Đầu tiên, về các công cụ, những gì tác nhân có thể thực hiện.

Number two, context, what it sees at each step and what you keep out.

Number three, your project's conventions, written down once so it stops guessing.

And number four, feedback.

Tests, linters, and reviewers that tell it when it's wrong.

The tools area includes connections.

An agent can only act on what it can reach, an MCP.

The model context protocol is a standard way a harness plugs into outside tools and data.

And one connection worth adding to your harness is Granola, the sponsor of today's video.

Let's say you just finished a planning call for that budgeting app and you made a bunch of decisions on it.

Normally, your coding agent knows none of them.

But with Granola connected, you can type one line.

So pull the decisions and action items from today's call and turn them into tasks.

And a minute later, you have a task list with exactly what you agreed on.

So for example, your agent now knows that the duplicate expense bug has to be fixed before the export feature ships.

Granola is the AI notepad for people in back -to -back meetings.

It transcribes your computer's audio directly, so nothing extra has join your call.

And it works across

Zoom, Google Meet, Slack, and in -person conversations.

You can optionally also jot a few notes down like you normally would,

and Granola builds a clean summary with the decisions and action items around them.

And what makes that one -line request work is Granola's MCP connector.

You connect Granola to Claude, ChachiPT, or whichever agent you already use, and your meeting context becomes one more thing your harness can reach.

So your agent works from what was actually said in the meeting and you don't have to manually paste anything in.

And with speaker tags on Zoom and Google Meet, you can ask who said what, like what did

Sam say about the launch timing?

If you're a new user, you can get 100 % off your first month through my link in the description.

Okay, now let's get back to the second type of engineering.

So, harness engineering was about one agent doing one task well.

Loop engineering, on the other hand, asks a different question.

Who starts the task?

So, remember our budgeting app.

Right now, nothing happens until you sit down and type the prompt.

You are the trigger.

So every bug fix, every dependency update, every failing test waits for you to notice it.

In June, Adi Azmani on the Cloud Code team at Anthropic published an essay that defined loop engineering as the following.

You replace yourself as the person who prompts the agent, and you design the system that does it instead.

Boris Cherney, who leads

Cloud Code Anthropic, says his job now is to write loops.

And Peter Steinberger, the founder of OpenClaw, said developers should be designing the loops that prompt their agents.

Osmani breaks a loop into five building blocks plus memory.

The first block is automations, which run on a schedule and go find the work.

Then we have work trees, so parallel agents can't overwrite each other's files.

Third, we have skills, which are your project knowledge written down once.

Fourth, we have connectors, which is the MCPP suite just covered.

And fifth, sub -agents.

So the agent that writes the code is never the one verifying it.

And we have a state file on disk because...

Every run starts with a blank memory, so progress has to live somewhere outside the conversation.

For the budgeting app, a loop could look like this.

Every morning, an automation reads last night's failed tests and new bug reports.

For each one worth fixing, it opens an isolated work tree.

One agent drafts a fix, a second agent reviews it gets your test, and a progress file records what passed.

You wake up to PRs waiting for your review.

There are two things I want you to keep in mind here.

First, the hard part of loop is actually the stop condition.

Keep going until every test in the auth folder passes and lint is clean is something a machine can check.

Make the code better is not.

Second, Osmani cautions in the same essay that he's skeptical.

If no one is actively watching the lube, no one is watching its mistakes either.

And the faster it ships code you didn't write, the wider that chasm gets between what exists and what you actually understand.

He calls this comprehension debt.

Finally, let's talk about the newest term, graph engineering.

As you probably learned in a math or data structures class, a graph is nodes connected by edges.

In an agent system, nodes are where work happens, regular code, a single monocle, or an entire agent.

100

Edges decides what runs next, what runs in parallel, and who checks who.

101

Take that budgeting app one more time.

102

Let's say you decide to migrate the whole thing from JavaScript to TypeScript.

103

A single agent working through 200 ,000 order would be slow and might lose track halfway.

104

So instead, you can shape the work as a graph.

105

For example, one node maps the code base and splits it into chunks.

106

That fans out to many agents converting files in parallel.

107

Each result goes to a reviewer node, and anything that fails review travels back along an edge for another attempt,

108

and a final node runs the full test suite.

109

This is the design behind dynamic workflows in Cloud Code.

110

Dynamic workflows have clawed write -in orchestration script

111

that spreads work across tens to hundreds of subagents and checks the results before they reach you.

112

As an example, Jared Sumner used dynamic workflow to port a giant database from Zig to Rust.

113

This was roughly 750 ,000 lines of Rust and took 11 days from first commit to merge.

114

I also want to talk about Langchain's take specifically on graph engineering.

115

Earlier this year, Langchain published a post called Three Years of Graph Engineering.

116

Their argument is that the idea of graph engineering itself is actually old.

117

They've been modeling agents as graphs for about three years.

118

A loop by their account is just a simple graph.

119

But the new part of all this is the node.

120

That node used to hold one model call.

121

Today, it can hold a full agent you trust with real work.

122

Langchain also warns that for open -ended tasks like deep research, where you can't predict the steps ahead of time,

123

they actually moved away from a fixed graph and went back to a single agent running in a good harness.

124

A graph really helps when you know the structure of the work, but when you don't, it just gets in the way.

125

So what should you do with these techniques if you're early in your career?

126

First, don't just memorize these vocabulary buzzwords.

127

Actually understand what's happening.

128

The names of the specific components within the different types of engineering and even the types of engineering themselves, whether it's harness, loop, graph,

129

might keep changing, but a few underlying skills won't.

130

One skill is writing a checkable definition of done, which means tests, evals, and stop conditions.

131

Two is decomposition, deciding what can run in parallel and what depends on what.

132

And three is verification, keeping the maker separate from the checker and reading what your agents produced.

133

So let's put this all together.

134

Harness engineering is designing everything around one model so it's reliable in one task.

135

Loop engineering is designing a system that starts that work and keeps it going until a condition you wrote is true.

136

And graph engineering is wiring many of those together, with rules for who runs when and who checks whom.

137

Each of these builds onto the next, and each one costs more than the previous one.

138

Anthropic published numbers on this when they wrote up how they built Claude's research feature.

139

One agent burns roughly four times the token of a normal chat, and a team of agents burns roughly 15 times.

140

So before you automatically decide to go with the more complex workflow, ask whether the task is valuable enough and parallel enough to pay for it.

141

For example, a bug fix might need a harness, nightly maintenance might need a loop, and a thousand file migration might need a graph.

142

So in conclusion, harness engineering makes one agent reliable, loop engineering keeps that agent running without you, and graph engineering coordinates many of them.

143

They are different layers of the agentic build system, and the skills that carry across all three layers are defining done,

144

breaking work down, and verifying the results.

145

And as As a reminder, if you want your meeting context plugged into your own agent setup, check out Granola through my link in the description.

146

And that's all I have for you in this video.

147

If this was helpful, hit that like button, hype the video, and subscribe for more tech and AI content.

148

Thanks for watching, I'll see you next one!

Tải Ứng Dụng

Mọi thứ bạn cần để nói trôi chảy

Chấm điểm AIChấm từng câu nói

Luyện IPAThành thạo mọi âm

Từ vựngMở rộng vốn từ

Game Từ vựngHọc qua chơi

Quét QR

Download on theApp Store Get it onGoogle Play

Cùng kênh

How I use AI as a senior software engineer and 5 principles of AI explained in 10 minutes

Daily ConversationWorking Adults

The AI Take Over Has Completely Backfired (Here's the Proof)

Business EnglishUniversity StudentsWorking Adults

FOR YOU

Video gợi ý

26 câu

How does AI actually work?

Daily ConversationUniversity StudentsWorking Adults

207 câu

Your AI Agent Starts Every Session Like a New Hire - Killian Carlsen-Phelan, Sonar

Daily ConversationUniversity StudentsWorking Adults

272 câu

Từ vựng và ghi chú luyện nói cho bài học này

Bài luyện nói này dựa trên video “900+ hours of Learning AI Agents in 9 Minutes”. Những từ được nhắc lại nhiều nhất trong bài: agent, engineering, harness, graph, loop. Video này có 148 câu và 1928 từ để luyện shadowing. Phần lời nói dài 9:54. Người nói nói nhanh, khoảng 195 từ mỗi phút, nên sẽ có nhiều chỗ nối âm và nuốt âm. Chỉ 81% số từ nằm trong 3.000 từ tiếng Anh thông dụng nhất, nên từ vựng khá khó.

Từ vựng quan trọng trong video

15 từ đáng học trong video, kèm phiên âm và nghĩa:

Từ	Phiên âm	Nghĩa
graph danh từ	/ɡɹæf/	biểu đồ
loop danh từ	/luːp/	đường nhánh, thòng lọng
node danh từ	/noʊd/	gióng
connect động từ	/kəˈnɛkt/	nối
reliable tính từ	/ɹɪˈlaɪəbl̩/	tin cậy, đáng tin cậy
founder danh từ	/ˈfaʊ̯n.dəː/	người sáng lập
layer danh từ	/ˈleɪ̯ɚ/	lớp
essay danh từ	/ˈɛs.eɪ/	tiểu luận
plug danh từ	/plʌɡ/	phích, đầu cắm
verify động từ	/ˈvɛɹɪfaɪ/	xác minh, xác thực
coordinate động từ	/koʊˈɔɹ.dəˌneɪt/	điều phối, hợp tác
automation danh từ	/ˌɔ.təˈmeɪ.ʃən/	sự tự động hóa
audio tính từ	/ˈɔ.di.oʊ/	âm thanh, âm tần
technique danh từ	/tɛkˈniːk/	kỹ thuật, kĩ thuật
helpful tính từ	/ˈhɛlp.fl̩/	hay giúp đỡ

Cụm động từ bạn sẽ nghe

Từ	Nghĩa
write down động từ	viết ra, ghi xuống
break down động từ	hỏng, hỏng hóc
check out động từ	tính tiền, trả phòng
sit down động từ	ngồi xuống, ngồi

Những câu đáng luyện lại

Các câu ngắn, trọn ý trong video mà bạn có thể dùng lại khi giao tiếp hằng ngày:

How do you keep one agent reliable?
How do you let it work for hours without supervision?
We're going to start with harness engineering.
Say you're building a budgeting app.
Finally, let's talk about the newest term, graph engineering.

Ngữ pháp trong video

Những cấu trúc người nói dùng nhiều nhất, kèm đúng cụm từ trong video:

Cấu trúc	Trong video
Mệnh đề quan hệ who / which + mệnh đề — thêm thông tin về người hoặc vật	person who prompts · skills, which are · connectors, which is
Câu bị động be + quá khứ phân từ — nhấn vào việc xảy ra, không phải người làm	be fixed · was actually said

Phát âm cần chú ý

Người nói dùng 20 dạng rút gọn, ví dụ can't, don't, I'll. Hãy nói theo dạng ngắn đúng như bạn nghe.

Âm “th”: mathematics /mæθ(.ə)ˈmæt.ɪks/, authorization /ˌɔːθəɹaɪˈzeɪʃən/
Âm “sh” và “zh”: automation /ˌɔ.təˈmeɪ.ʃən/, conclusion /kənˈkluːʒən/, migration /maɪˈɡɹeɪʃ(ə)n/, caution /ˈkɔːʃ(ə)n/, supervision /ˌs(j)uːpəˈvɪʒən/
Từ dài — đặt trọng âm cho đúng: coordinate /koʊˈɔɹ.dəˌneɪt/, automation /ˌɔ.təˈmeɪ.ʃən/, developer /dɪˈvɛləpɚ/, mathematics /mæθ(.ə)ˈmæt.ɪks/, supervision /ˌs(j)uːpəˈvɪʒən/

Những âm người Việt thường gặp khó:

Cụm phụ âm cuối — đọc đủ từng âm, đừng nuốt âm cuối: connect /kəˈnɛkt/, prompt /pɹɑmpt/, expense /ɪkˈspɛns/, script /skɹɪpt/, component /kəmˈpoʊ.nənt/
Âm /tʃ/, /dʒ/ và /ʒ/ — tiếng Việt không có, đừng đọc thành “ch” hay “gi”: conclusion /kənˈkluːʒən/, supervision /ˌs(j)uːpəˈvɪʒən/, merge /mɝd͡ʒ/, whichever /wɪt͡ʃˈɛvɚ/, chunk /t͡ʃʌŋk/
Âm /æ/ — mở miệng rộng hơn âm “e”: graph /ɡɹæf/, parallel /ˈpæ.ɹəˌlɛl/, dynamic /daɪˈnæm.ɪk/, tag /tæɡ/, feedback /ˈfiːdˌbæk/

Cách luyện với video này

Nghe hết video một lần, chưa cần nói, và ghi lại những từ bạn chưa biết.
Bắt đầu ở tốc độ 0,75×, nói đuổi từng câu, rồi quay lại tốc độ bình thường khi đã quen.
Ghi âm giọng mình rồi so với bản gốc, chú ý các từ như graph, loop, node.

Phương Pháp Shadowing Là Gì?

Shadowing là kỹ thuật học ngôn ngữ có cơ sở khoa học, ban đầu được phát triển cho chương trình đào tạo phiên dịch viên chuyên nghiệp và được phổ biến rộng rãi bởi nhà đa ngôn ngữ học Dr. Alexander Arguelles. Nguyên lý cốt lõi đơn giản nhưng cực kỳ hiệu quả: bạn nghe tiếng Anh của người bản xứ và lặp lại to ngay lập tức — như một "cái bóng" (shadow) đuổi theo người nói với độ trễ chỉ 1–2 giây. Khác với luyện ngữ pháp hay học từ vựng bị động, Shadowing buộc não bộ và cơ miệng phải đồng thời xử lý và tái tạo ngôn ngữ thực tế. Các nghiên cứu khoa học xác nhận phương pháp này cải thiện đáng kể phát âm, ngữ điệu, nhịp điệu, nối âm, kỹ năng nghe và độ lưu loát khi nói — đặc biệt hiệu quả cho người luyện IELTS Speaking và muốn giao tiếp tiếng Anh tự nhiên như người bản ngữ.

Phương pháp shadowing: đọc hướng dẫn từng bước đầy đủ →

Luyện nói tiếng Anh bằng Shadowing qua video: 900+ hours of Learning AI Agents in 9 Minutes

Chọn chế độ luyện tập

Tải Ứng Dụng

How I use AI as a senior software engineer and 5 principles of AI explained in 10 minutes

The AI Take Over Has Completely Backfired (Here's the Proof)

How does AI actually work?

Your AI Agent Starts Every Session Like a New Hire - Killian Carlsen-Phelan, Sonar

How I'd Learn n8n if I had to Start Over in 2026

GitHub Copilot now controls your command line...

How to Build an AI Agent for Every Part of Your Life

It’s not just you

Agentic AI Frameworks Explained: Workflows, Multi-Agent, & Production

A Practical Guide To Becoming An AI Engineer (2026)

The 4-Hour Workweek in a World of AI

Harnessing generative AI in architecture, engineering & construction

I Tested The Viral Reverse Engineering Repo

Spec-Driven Development: AI Assisted Coding Explained