9.2 KiB
9.2 KiB
CASAN Harness Assessment — SDD Pipeline Evaluation Framework
Tài liệu này mô tả cách đánh giá mức độ trưởng thành Harness của một SDD pipeline theo khung CASAN.
Áp dụng được cho bất kỳ project nào dùng Speckit / okr.* agent pattern.
Cập nhật lần cuối: 2026-06-26
1. Bảy thành phần Harness cần đánh giá
| ID | Harness | Mô tả cốt lõi |
|---|---|---|
| H1 | Context Harness | Đưa đúng thông tin, đúng lúc vào agent — RAG, agent memory, context window optimization |
| H2 | Tool Harness | Gọi đúng tool, đúng quyền — tool registry, idempotency, audit log, rate limit |
| H3 | Evaluation Harness | Kiểm định đầu ra — golden dataset, LLM-as-judge, regression tests, feedback loop |
| H4 | Security Harness | Phòng chống prompt injection, data leakage, credential abuse |
| H5 | Governance Harness | Luồng phê duyệt, audit log bất biến, risk registry, policy engine |
| H6 | AgentOps Harness | Giám sát hiệu năng — cost/task, hallucination rate, drift detection |
| H7 | Orchestration Harness | DAG/state machine, agent-to-agent protocol, retry, parallel execution |
2. Scorecard đánh giá từng Harness
Chấm điểm theo thang 0–100. Gợi ý mức:
| Score | Mô tả |
|---|---|
| 0–30 | GAP — Harness này gần như không có, rủi ro cao |
| 31–60 | Partial — Có một số cơ chế nhưng thiếu bài bản |
| 61–80 | Good — Hoạt động tốt, còn một vài điểm cần cứng hóa |
| 81–100 | Strong — Đủ tiêu chuẩn vận hành thật |
Bảng chấm điểm
| ID | Harness | Score | Nhận xét | GAP cần bổ sung |
|---|---|---|---|---|
| H1 | Context Harness | __ /100 | ||
| H2 | Tool Harness | __ /100 | ||
| H3 | Evaluation Harness | __ /100 | ||
| H4 | Security Harness | __ /100 | ||
| H5 | Governance Harness | __ /100 | ||
| H6 | AgentOps Harness | __ /100 | ||
| H7 | Orchestration Harness | __ /100 |
3. Checklist đánh giá chi tiết từng Harness
H1 — Context Harness
- Có file context tập trung (pipeline-context.yaml hoặc tương đương)?
- Context được cập nhật sau mỗi step, không cần agent tự scan lại?
- Agent nhận đường dẫn artifact từ context thay vì hardcode/đoán?
- Tech stack và domain knowledge chỉ đọc một lần, cache lại?
- Có cơ chế làm sạch context khi outdated/stale?
Câu hỏi chốt: Sub-agent có thể biết đường dẫn SRS, BD, spec từ context mà không cần Boss truyền lại không?
H2 — Tool Harness
- Các tool call có schema mô tả rõ (input/output/error types)?
- Có tool registry — agent gọi qua registry, không hardcode URL/credential?
- Có idempotency key cho các tool thay đổi hệ thống (write, deploy)?
- Có rate limit và retry policy?
- Có audit log ghi lại mỗi tool call?
Câu hỏi chốt: Nếu một tool call chạy 2 lần, hệ thống có safe không?
H3 — Evaluation Harness
- Có golden dataset (bộ test case chuẩn) trước khi implement?
- Review dùng LLM-as-judge với tiêu chí rõ ràng (không chỉ "nhìn qua")?
- Có gate cứng — pipeline dừng nếu verdict REJECTED?
- Gate có auto-retry với fix agent, không dừng toàn bộ pipeline?
- Có regression test chạy trước khi deploy lên môi trường thật?
- Feedback từ môi trường thật (test fail, bug) quay lại update spec/plan?
Câu hỏi chốt: Một thay đổi nhỏ trong spec có trigger lại test tự động không?
H4 — Security Harness
- Có scan prompt injection trong user input trước khi đưa vào agent?
- Credential (API key, DB password) không được hardcode trong prompt/spec?
- Có kiểm tra data leakage — PII/nhạy cảm không đi vào log?
- Có sandbox/timeout cho tool execution để tránh agent chạy lệnh nguy hiểm?
- Có cơ chế jailbreak detection?
Câu hỏi chốt: Nếu user inject ignore previous instructions vào input, pipeline có bị ảnh hưởng không?
H5 — Governance Harness
- Có luồng phê duyệt con người trước khi agent thực thi action có rủi ro cao?
- Audit log bất biến — không ai (kể cả admin) xóa được?
- Có risk registry — danh sách các action bị cấm hoặc cần review?
- Có policy engine — agent tự check quyền trước khi gọi tool?
- Có báo cáo compliance định kỳ?
Câu hỏi chốt: Nếu audit, có thể trả lời "ai đã làm gì, lúc mấy giờ, được ai duyệt" không?
H6 — AgentOps Harness
- Đo cost per agent run (token, thời gian, tiền)?
- Track tỷ lệ hallucination / error per step?
- Có alerting khi một step fail quá N lần?
- Có drift detection — phát hiện khi model output thay đổi hành vi theo thời gian?
- Dashboard theo dõi throughput và latency của toàn pipeline?
Câu hỏi chốt: Nếu một step đột nhiên tốn gấp 3 lần token bình thường, có ai biết không?
H7 — Orchestration Harness
- Pipeline có DAG rõ ràng — biết step nào phụ thuộc step nào?
- Có parallel execution cho các step độc lập (không chờ tuần tự không cần thiết)?
- Có BACK-TO-PLAN / retry cycle khi gate fail?
- Có giới hạn số lần retry để tránh infinite loop?
- Có fallback — nếu model A fail, thử model B?
- Có transaction boundary — rollback được nếu step giữa pipeline fail?
Câu hỏi chốt: Nếu step 10 fail sau khi step 8-9 đã chạy xong, pipeline có recover được không?
4. Xác định CASAN Level từ kết quả Harness
Công thức quy đổi
Average Score = (H1 + H2 + H3 + H4 + H5 + H6 + H7) / 7
Critical GAP = bất kỳ Harness nào có score < 30
| Điều kiện | CASAN Level |
|---|---|
| Average < 40 hoặc ≥ 3 GAP | Level 2 — Augmented (dùng Harness của nhà cung cấp) |
| Average 40–65, ≤ 2 GAP | Level 3 — Standard (Harness chuẩn hóa) |
| Average 65–80, ≤ 1 GAP | Level 3 → 4 (đang chuyển đổi) |
| Average > 80, không có GAP | Level 4 — Automated (đủ 7 Harness vận hành thật) |
| Average > 80 + tất cả > 70 + Multi-Agent phức tạp | Level 5 — Native |
Nguyên tắc quan trọng
Harness thấp nhất quyết định ceiling. Dù H1/H3/H7 rất mạnh, nếu H4 (Security) = 0%, pipeline không thể đạt Level 4 trong môi trường production thật.
5. Kết quả đánh giá — MDE_AINative_OKR (2026-06-26)
| ID | Harness | Score | Nhận xét |
|---|---|---|---|
| H1 | Context Harness | 90 | pipeline-context.yaml — pointer store cho artifact paths + tech stack. Boss cập nhật sau mỗi step, sub-agent đọc để discover input. Không cần re-scan. |
| H2 | Tool Harness | 75 | Build/lint/docker/npm chains có cấu trúc. Thiếu: idempotency key, tool registry chính thức, audit log per-call. |
| H3 | Evaluation Harness | 85 | LLM-as-judge multi-gate (Steps 5, 7, 11), golden dataset từ okr.testkit (Step 8b), auto-retry tối đa 5 lần, BACK-TO-PLAN 3 cycles. |
| H4 | Security Harness | 20 | ⚠️ GAP: Không có prompt injection scan, không kiểm tra credential hardcode trong spec, không có sandbox. |
| H5 | Governance Harness | 25 | ⚠️ GAP: Không có approval workflow, audit log chỉ là text file (không bất biến), không có risk registry. |
| H6 | AgentOps Harness | 30 | ⚠️ GAP: Chỉ có port check và startup log ở Step 13. Không track cost/agent, không có hallucination rate, không drift detection. |
| H7 | Orchestration Harness | 80 | Boss DAG rõ ràng, parallel dispatch Steps 8+9, BACK-TO-PLAN loop, gate retry protocol. Thiếu: fallback model, transaction rollback. |
Average Score: 58/100 → CASAN Level 3 → 4
Roadmap đóng gap để đạt Level 4
| Priority | Action | Harness |
|---|---|---|
| 🔴 High | Thêm prompt injection scan vào Boss trước khi delegate | H4 |
| 🔴 High | Không để credential trong spec/prompt — dùng env var | H4 |
| 🟠 Medium | Thêm per-agent cost tracking vào Boss log | H6 |
| 🟠 Medium | Thêm approval checkpoint trước Step 13 (deploy) | H5 |
| 🟡 Low | Thêm idempotency key cho tool calls có side effect | H2 |
| 🟡 Low | Thêm fallback model nếu primary model fail | H7 |
6. Cách dùng tài liệu này cho project mới
- Copy bảng scorecard ở mục 2 vào file assessment của project
- Chạy qua checklist mục 3 cho từng Harness, check ✅ những gì đã có
- Score = (số ✅ / tổng số câu hỏi) × 100, điều chỉnh theo nhận xét thực tế
- Dùng bảng mục 4 để xác định CASAN Level hiện tại
- Lập roadmap từ các GAP theo priority
Gợi ý: Chạy assessment này ở đầu mỗi project mới và sau mỗi milestone lớn để track tiến độ trưởng thành.