AI trong phát triển phần mềm: Viết code giảm, thiết kế tăng

Bài viết gốc từ Srikanth C. mang đến một góc nhìn thực tế về cách các lập trình viên tương tác với AI trong công việc hàng ngày. Tác giả chỉ ra rằng dù AI giúp giảm thời gian triển khai mã nguồn, nhưng thời gian đó lại được chuyển sang giai đoạn thiết kế hệ thống và viết đặc tả chi tiết hơn. Đồng thời, bài viết cảnh báo về giới hạn của cửa sổ ngữ cảnh và nhu cầu nén thông tin khi ứng dụng AI vào dự án quy mô lớn.

Ba cách tiếp cận khi làm việc với AI

Tác giả Srikanth C. mô tả ba chiến lược chính mà lập trình viên thường áp dụng khi yêu cầu AI thực hiện công việc:

• Truyền đạt chi tiết tuyệt đối: Bạn mô tả mọi thứ xuống từng chi tiết nhỏ nhất, mỗi bước cụ thể.
• Giao ở mức tổng quan: Bạn chỉ nói điều bạn muốn ở mức cao và kỳ vọng AI hiểu được.
• Cách tiếp cận trung gian: Đây là phương pháp tác giả khuyên dùng — chỉ giải thích những phần quan trọng mà bạn nghĩ AI sẽ gặp khó khăn.

Ngoài ra, bạn có thể cung cấp ví dụ mẫu để AI học nhanh hơn. Tuy nhiên, hiệu quả của phương pháp này phụ thuộc lớn vào việc ví dụ đó có gần với những gì bạn muốn hay không. Mỗi cách đều tốn thời gian: có cách bạn mất công trước khi đưa prompt, có cách bạn phải sửa chữa sau khi nhận kết quả.

Cửa sổ ngữ cảnh và giới hạn của AI

Một vấn đề quan trọng được tác giả nhấn mạnh là giới hạn cửa sổ ngữ cảnh. Bạn không thể gửi cho AI một bản đặc tả dày 3000 từ và mong nó tuân thủ hoàn toàn. Khi codebase càng lớn, AI càng khó nắm bắt toàn bộ thông tin. Ngay cả việc phân tích dữ liệu lịch sử cổ phiếu hay rút ra kết luận từ tập dữ liệu khổng lồ cũng gặp trở ngại tương tự.

Điều này dẫn đến một gánh nặng mới: người dùng vẫn phải dành thời gian viết hướng dẫn chi tiết cho dự án của mình — bao gồm mục tiêu, vấn đề cần giải quyết và quan trọng nhất là bản thiết kế tổng thể của sản phẩm.

Nhu cầu nén thông tin và vòng phản hồi

Khi làm việc với những vấn đề lớn hơn và tích hợp AI vào ứng dụng thực tế, nhu cầu nén thông tin trở nên cấp thiết. Bạn phải đóng gói càng nhiều thông tin hữu ích càng tốt vào AI agent để giải quyết một vấn đề cụ thể. Tác giả dự đoán sẽ có những công ty chuyên giải quyết bài toán này, hoặc chính các nhà phát triển mô hình sẽ giải quyết triệt để.

Bên cạnh đó, tác giả nhấn mạnh tầm quan trọng của vòng phản hồi bao gồm:

• Kiểm thử tự động (tests)
• Công cụ hỗ trợ chuyên dụng hoặc tùy chỉnh
• Tinh chỉnh cách tiếp cận khi codebase phát triển

Mục tiêu cuối cùng là cải thiện tỷ lệ tín hiệu trên nhiễu trong mã nguồn.

Khả năng giải thích: Yếu tố quyết định

Điểm thú vị nhất của bài viết là nhận định rằng những người giải thích tốt — hoặc giáo viên tự nhiên — sẽ dễ dàng làm việc với AI hơn và tạo ra kết quả tốt hơn. Điều này cho thấy kỹ năng giao tiếp và tư duy logic vẫn là yếu tố nền tảng, thậm chí còn quan trọng hơn trong kỷ nguyên AI.

Kết luận: Thời gian vẫn phải bỏ ra

Dòng cuối cùng của tác giả có lẽ là thông điệp đắt giá nhất:

"Điểm mấu chốt: bạn vẫn phải dành thời gian. Thời gian triển khai mã đã giảm đi. Nhưng thời gian đó giờ được chuyển sang thiết kế hệ thống từ đầu, thay đổi giả định và tinh chỉnh môi trường phát triển. Nhưng việc triển khai không thực sự biến mất. Tôi vẫn đang 'viết code' — nhưng bằng lời nói thay vì ngôn ngữ lập trình."

Đối với cộng đồng lập trình viên Việt Nam, bài viết mang lại một góc nhìn thực dụng: AI không phải phép màu giúp bạn bỏ qua tư duy thiết kế, mà là công cụ chuyển dịch trọng tâm công việc. Kỹ năng phân tích vấn đề, viết đặc tả rõ ràng và khả năng diễn đạt sẽ trở thành lợi thế cạnh tranh lớn nhất của mỗi developer trong thời đại AI hiện nay.