Nghiên cứu này đề xuất một khung khái niệm về Kỹ thuật Khung hỗ trợ (Harness Engineering) dành cho các tác nhân trí tuệ nhân tạo (AI) dựa trên các mô hình ngôn ngữ lớn (LLM), nhằm làm rõ vai trò của lớp hạ tầng nằm giữa năng lực suy luận của mô hình và các yêu cầu vận hành trong môi trường công nghệ thông tin (CNTT) thực tế. Nghiên cứu áp dụng thiết kế phương pháp hỗn hợp tuần tự mang tính khám phá, gồm ba giai đoạn: tổng quan phạm vi có hệ thống đối với 147 công trình công bố trong giai đoạn 2021-2026; các thí nghiệm đánh giá chuẩn (benchmark) với ba cấu hình khung hỗ trợ trên năm bộ đánh giá; và phỏng vấn bán cấu trúc với 12 chuyên gia về hạ tầng CNTT tại các trường đại học ở Việt Nam và một số quốc gia Đông Nam Á. Kết quả tổng hợp xác định sáu trụ cột chức năng của Kỹ thuật Harness, gồm: quy tắc chỉ dẫn, cảm biến tự động, vòng lặp tác nhân, bộ nhớ bên ngoài, kiểm soát truy cập và khả năng quan sát hệ thống. Trên cả năm bộ đánh giá, cấu hình khung hỗ trợ đầy đủ cho thấy độ chính xác được báo cáo cao hơn và khả năng phục hồi sau thất bại tốt hơn so với cấu hình mặc định trong các so sánh mô tả. Phân tích phỏng vấn cho thấy những rào cản nổi bật nhất đối với việc triển khai tại các trường đại học là thiếu hụt chuyên môn kỹ thuật (10/12, 83,3%), không tương thích với cơ sở hạ tầng cũ (9/12, 75,0%) và những lo ngại về an ninh mạng (8/12, 66,7%). Các kết quả cho thấy Kỹ thuật Khung hỗ trợ cần được xem xét như một lớp kỹ thuật riêng biệt với quá trình tối ưu hóa mô hình và được triển khai theo một lộ trình từng giai đoạn, với sự hỗ trợ của hoạt động phát triển năng lực nội bộ, các kiến trúc tham chiếu và các cơ chế quản trị, giám sát phù hợp.