Năm 1968, một nghiên cứu mang tính bước ngoặt đã phát hiện ra điều định hình Thung lũng Silicon trong nhiều thập kỷ: những kỹ sư phần mềm giỏi nhất có năng suất vượt trội so với đồng nghiệp. Kể từ đó, mọi công ty công nghệ đều săn lùng những cá nhân hiếm có có khả năng tạo ra kết quả phi thường.
Trở lại sau kỳ nghỉ lễ vào tháng 1, với kiến thức AI được tiếp thu từ những tiến bộ trong các mô hình tiên tiến, nhóm kỹ thuật của chúng tôi bắt đầu chạy các agent song song với git worktrees, Claude Code và Codex. Trong một số tác vụ, họ đã hoàn thành được nhiều hơn gấp 5 lần.
Điều đó đặt ra một câu hỏi lớn hơn: nếu các agent có thể giúp kỹ sư làm việc hiệu quả hơn nhiều chỉ trong một tháng, thì cần làm gì để đưa tất cả mọi người tại Sierra đến được mức đó? Chúng tôi đã thành lập một nhóm tăng tốc AI gồm sáu người để tìm ra câu trả lời. Blog này giải thích những gì chúng tôi đã xây dựng và những gì chúng tôi học được trong quá trình đó.
1. Agent, số ít
Chúng tôi bắt đầu với một nhóm các agent chuyên biệt theo vai trò: một agent hỗ trợ (PINE), một nhà phân tích dữ liệu (Pinewood), một kỹ sư (Pinecone) và một agent bán hàng (Reggie Jr). Một agent cho mỗi vai trò nghe có vẻ trực quan, nhưng nó đã thất bại trong thực tế.
Bề ngoài, vấn đề là gánh nặng đè lên nhân viên, những người phải nhớ agent nào làm việc gì. Tình yêu của chúng tôi với những cái tên theo chủ đề thông cũng chẳng giúp ích gì. Nhưng vấn đề sâu xa hơn là mang tính cấu trúc — công việc quan trọng nhất diễn ra giữa các nhóm chứ không phải trong một nhóm.
Về cốt lõi, các công ty là một tập hợp các công việc cần hoàn thành. Hãy lấy việc tung ra một sản phẩm. Nó liên quan đến các nhóm kỹ thuật cũng như bán hàng, tiếp thị, pháp lý và vận hành. Các phòng ban tồn tại vì một nhóm hoặc một người không thể làm mọi phần của công việc. AI thay đổi điều đó, vì nó ngày càng có thể hoàn thành công việc từ đầu đến cuối.
Vì vậy, chúng tôi đã gộp tất cả các agent theo vai trò này thành Pinecone: một agent duy nhất với một tài khoản Slack, một URL và một luồng liền mạch từ câu hỏi đến kết quả hoàn chỉnh. Pinecone tự tìm ra hệ thống nào cần truy xuất và làm gì với yêu cầu, để nhân viên không phải làm điều đó. Về mặt kỹ thuật thì khó, nhưng đó chính là điểm mấu chốt của AI: công nghệ hấp thụ sự phức tạp, chứ không phải nhân viên.
Đó là bài học chúng tôi đã học được với nền tảng của mình. Các agent được xây dựng trên Sierra là dịch vụ trọn gói: một agent có thể xử lý mọi thứ từ khám phá sản phẩm đến thiết lập tài khoản, khắc phục sự cố, thanh toán và hơn thế nữa. Không phải "nhấn một để gặp bộ phận bán hàng, nhấn hai để được hỗ trợ" như một IVR cũ kỹ.
Việc gộp mọi thứ vào một agent sẽ đưa bạn đến gần hơn nhiều với giá trị thực sự của công ty — những công việc cần hoàn thành. Mọi cải tiến đều mang lại lợi ích cho toàn bộ doanh nghiệp, vì vậy mọi người đều trở nên tốt hơn, nhanh hơn.
2. Chủ động, không phải phản ứng
Hầu hết công việc không được hoàn thành trong một lần ngồi. Nó diễn ra trong nhiều ngày, nhiều tuần, thậm chí nhiều tháng khi các nhóm học hỏi, các ưu tiên thay đổi và thông tin mới xuất hiện. Một agent chỉ xuất hiện khi được yêu cầu và biến mất khi phiên kết thúc chỉ hữu ích ở một mức độ nhất định. Pinecone tồn tại trong suốt toàn bộ quy trình — mang theo ngữ cảnh và tiếp nối luồng công việc, cho đến khi công việc, không chỉ yêu cầu riêng lẻ, được hoàn thành.
Sự tồn tại cũng giúp Pinecone trở nên chủ động. Thay vì chờ được yêu cầu, nó có thể hành động khi bước tiếp theo đã sẵn sàng — một webhook kích hoạt trên một artifact, một tác vụ xuất hiện trong Linear, một đánh giá đến. Nó thu thập ngữ cảnh và thực hiện bước đầu tiên, đưa mọi người vào khi cần đến phán đoán của họ. Các ghi chú chuẩn bị đã sẵn sàng trước cuộc họp. Các bản tóm tắt phỏng vấn được soạn thảo trước khi bạn ngồi xuống để thêm điểm số của mình. Các đánh giá đến kèm theo tóm tắt, rủi ro chính và các nhận xét được đề xuất. Mục tiêu không phải là nhiều thông báo hơn. Đó là ít công việc đến mà chưa hoàn thành hơn.
Chúng tôi vẫn chưa hoàn toàn làm chủ được điều này — hầu hết các phiên vẫn bắt đầu bằng một yêu cầu từ con người — nhưng đảo ngược mối quan hệ đó, để các agent yêu cầu con người khi cần, là hướng đi mà sự tồn tại đang đưa chúng tôi đến.
3. Ngữ cảnh kinh doanh là nút thắt cổ chai, không phải trí thông minh
Trước đây, nút thắt cổ chai của AI là trí thông minh thô — liệu một mô hình có đủ thông minh hay không. Ngày nay, các mô hình tiên tiến đã đủ năng lực cho hầu hết các nhu cầu kinh doanh. Vì vậy, nút thắt cổ chai đã chuyển sang ngữ cảnh: những gì cụ thể cho công ty của bạn, quy trình làm việc của bạn, lịch sử của bạn, những phán đoán không xuất hiện trong bất kỳ bộ dữ liệu huấn luyện nào.
Vào tháng 1, hai người trong nhóm của chúng tôi đã nhanh chóng xây dựng một agent phân tích dữ liệu bằng Claude Code và Opus 4.6, kết nối với các hệ thống của chúng tôi thông qua Model Context Protocol (MCP) và các công cụ dòng lệnh. Mà không cần nhiều hướng dẫn thêm, nó có thể điều tra một vấn đề của khách hàng qua Slack, GitHub, ClickHouse, Salesforce và PagerDuty chỉ trong vài phút. Công việc từng tiêu tốn cả buổi chiều đã trở thành bước đầu tiên trong quá trình gỡ lỗi và xử lý sự cố.
Mô hình tương tự cũng mở rộng ra ngoài việc gỡ lỗi. Một agent có đầy đủ ngữ cảnh có thể chuẩn bị một cuộc họp với khách hàng, nghiên cứu một tài khoản, xem xét hợp đồng hoặc RFP, truy tìm một quyết định sản phẩm và biến công việc rời rạc thành một artifact hoàn chỉnh. Tất nhiên, việc cho agent truy cập vào tất cả ngữ cảnh đó sẽ tạo ra một vấn đề mới. Một agent không bị giới hạn là một rủi ro bảo mật và quyền riêng tư lớn. MCP Gateway của chúng tôi giải quyết vấn đề này: Pinecone kế thừa quyền truy cập của từng nhân viên, thực thi chính sách tại mỗi lần gọi công cụ, cô lập dữ liệu khách hàng và để lại dấu vết kiểm toán.
đọc mô tả hình ảnh
ALT
Sierra MCP Gateway kết nối agent với 37 hệ thống
Pinecone được xây dựng trên Claude Code và Codex. Những cải tiến thường xuyên của chúng là một luồng gió thuận lợi, nhưng công nghệ tiên tiến luôn thay đổi — một mô hình có thể giỏi lập kế hoạch, mô hình khác giỏi viết mã, mô hình khác giỏi viết văn xuôi. Việc sở hữu lớp trên các mô hình cho phép chúng tôi định tuyến từng tác vụ đến đúng mô hình, chuyển đổi dự phòng khi ngừng hoạt động và quản lý chi phí, đồng thời tránh phụ thuộc vào bất kỳ một bên nào. Nhưng lợi thế bền vững không phải là sở hữu mô hình cơ bản. Đó là sở hữu ngữ cảnh, quy trình làm việc và lớp định tuyến giúp mọi mô hình trở nên hữu ích hơn.
Chúng tôi cũng đang thử nghiệm để Pinecone có thể suy nghĩ: phản ánh về công việc mỗi ngày và đề xuất các cải tiến cho kỹ năng của chính nó. Theo thời gian, đó là sự khác biệt giữa một agent chỉ làm việc cho Sierra và một agent học hỏi từ Sierra.
4. Agent là giao diện người dùng, hệ thống ghi chép là backend
Mỗi phần công việc đều tạo ra một thứ cụ thể, một artifact. Các agent viết mã đã tìm thấy artifact đầu tiên của chúng: pull request. Mọi bộ phận khác đều có artifact tương đương — câu chuyện khách hàng, hợp đồng, bảng câu hỏi RFP, bộ thuyết trình, đánh giá hiệu suất.
Artifact vừa là đầu vào vừa là đầu ra. Chúng cung cấp cho agent ngữ cảnh cần thiết để thực hiện công việc — và chúng là nơi chứa kết quả hoàn chỉnh. Yêu cầu Pinecone chỉnh sửa một bộ thuyết trình, và chính bộ thuyết trình đó được cập nhật trả về, chứ không phải một tin nhắn chat bảo bạn thay đổi gì.
Chúng tôi nhận thấy tốt nhất là làm việc với các hệ thống ghi chép của bạn, không phải thay thế chúng. GitHub giữ PR, Salesforce giữ tài khoản và Linear giữ issue — agent là lớp kết nối giữa chúng.
Thay thế các hệ thống đó đồng nghĩa với việc tái tạo hàng thập kỷ phát triển phần mềm trưởng thành. Tệ hơn, nó chia công ty thành hai nửa — những người làm việc thông qua agent và những người làm việc trực tiếp trong các công cụ gốc, mỗi bên có phiên bản sự thật riêng. Giả định của chúng tôi là các sản phẩm này sẽ trở nên giống backend hơn theo thời gian, với agent là giao diện chính.
5. Kết quả, không chỉ hoạt động
Kể từ lần commit đầu tiên của Pinecone vào tháng 3, nó đã chạy hơn 75.000 phiên cho hơn 600 người. Hôm nay, 70% PR của chúng tôi được mở thông qua nó, trong khi hàng trăm quy trình tự động hóa âm thầm xử lý công việc mà không ai yêu cầu rõ ràng.
Những con số như vậy rất hấp dẫn để dẫn dắt, và ban đầu chúng là thứ phù hợp để theo dõi — chúng là bằng chứng cho thấy một thứ gì đó thực sự đang được sử dụng, chứ không nằm im trên slide lộ trình. Nhưng các phiên chạy và lệnh gọi công cụ là hoạt động, không phải kết quả. Một nhóm có thể "tokenmaxx" để có biểu đồ áp dụng trông ấn tượng mà không có gì thực sự cải thiện ở hạ nguồn — cùng số lượng lỗi, cùng thời gian chu kỳ, chỉ có thêm AI tham gia vào việc tạo ra chúng.
Vì vậy, việc sử dụng token là một điểm khởi đầu tốt. Các nhóm cần hình thành thói quen sử dụng công cụ trước khi bạn có thể đo lường xem nó có hiệu quả hay không. Nhưng đó không phải là giá trị, và chúng tôi không muốn đó là nơi câu chuyện kết thúc. Câu hỏi chúng tôi đang cố gắng đặt ra tốt hơn không phải là agent đã làm được bao nhiêu — mà là điều gì thực sự đã thay đổi nhờ nó: liệu một thương vụ có được chốt nhanh hơn không, liệu vấn đề của khách hàng có được giải quyết ngay lần đầu tiên không, liệu ai đó có lấy lại được buổi tối của mình thay vì hoàn thành đánh giá đến tận khuya không.
Chúng tôi chưa có cách tốt để đo lường điều đó. Các phiên và lệnh gọi công cụ chỉ dễ đếm hơn. Nhưng khoảng cách đó — giữa những gì chúng ta có thể đo lường hôm nay và những gì chúng ta thực sự quan tâm — là điều tiếp theo chúng tôi đang hướng tới.
Nghiên cứu năm 1968 đó đã phát hiện ra khoảng cách 10 lần giữa người giỏi nhất và những người còn lại — và trong năm mươi năm, giải pháp duy nhất là đi săn lùng những người hiếm có đó. Bây giờ có một giải pháp tốt hơn: cho mọi người một agent để họ có lợi thế của số ít. Mục tiêu không chỉ là hoàn thành nhiều việc hơn. Đó là cho mọi người thêm thời gian cho những công việc mà chỉ con người mới có thể làm: phán đoán, thẩm mỹ, sáng tạo và xây dựng các mối quan hệ.
Tiếp theo
Chúng tôi sẽ đi sâu hơn vào các hệ thống đã xây dựng:
- Allen Chen về Pinecone, nhiều lần lặp lại và kiến trúc kỹ thuật đằng sau nó
- Mihai Parparita về MCP Gateway và việc thu thập ngữ cảnh đầy đủ một cách an toàn
- Rohith Ravi về Agency, cơ sở hạ tầng bên dưới tất cả
