Tư duy eval: task, trial, grader, transcript và tự viết harness đánh giá đầu tiên

Trước khi dùng framework nào, bạn cần một bộ từ vựng chung. Khi đồng nghiệp nói "bản mới tụt 4 điểm trên regression suite", bạn phải biết ngay: suite đó có bao nhiêu task, mỗi task chạy mấy lần, ai chấm, chấm cái gì.

Bài này định nghĩa các khái niệm theo cách các phòng thí nghiệm AI đang dùng năm 2026, rồi tự viết một harness — bộ khung chạy eval — để thấy mọi framework thực chất chỉ làm những việc đó.