Chúng ta nên mệt mỏi hơn cả mô hình AI

Chúng ta nên mệt mỏi hơn cả mô hình AI

Gần đây, tôi cảm thấy như mình đang mất quyền kiểm soát đối với mã nguồn mà mình viết khi làm việc với các công cụ tạo mã dựa trên tác nhân (agentic code generation). Khi kết thúc một phiên làm việc với AI, tôi có tất cả các dấu hiệu bên ngoài của việc đã viết code, nhưng lại thiếu vắng hoàn toàn các quá trình xử lý nội bộ diễn ra trong não bộ khi chúng ta viết code thủ công.

Để hiểu rõ hơn, chúng ta cần nhìn vào cách não bộ con người hoạt động. Não bộ chúng ta có một số loại bộ nhớ: ngắn hạn, làm việc và dài hạn. Bộ nhớ ngắn hạn thu thập thông tin tạm thời và xử lý nhanh chóng, giống như RAM. Bộ nhớ dài hạn bao gồm những gì bạn đã học trước đó và cất giữ đi, giống như lưu trữ cơ sở dữ liệu. Bộ nhớ làm việc lấy thông tin từ bộ nhớ ngắn hạn và dài hạn để tổng hợp, xử lý thông tin và đưa ra giải pháp.

Khi chúng ta làm việc với code (và ở đây, việc làm việc thường có nghĩa là đọc code của người khác), tất cả các quá trình này đang diễn ra đồng thời trong não bộ để giúp chúng ta nắm bắt môi trường lập trình.

Không có gì ngạc nhiên khi việc tạo mã theo mặc định lại đi ngược lại với việc duy trì kỹ năng, đặc biệt là vì trải nghiệm người dùng (UX) của nó gợi nhớ đến một chiếc máy đánh bạc: bạn kéo cần gạt và nhận được phần thưởng (một giải pháp cho vấn đề lập trình của bạn). Theo một cách nào đó, chúng ta đã thay thế nguồn cấp dữ liệu mạng xã hội bằng một luồng token từ AI, và tôi rất mong chờ được đọc những bài báo nghiên cứu về vấn đề này trong mười năm tới.

Thực sự cần phải nỗ lực có ý thức để chuyển từ việc chỉ tạo câu trả lời sang việc sử dụng công cụ một cách có chủ đích. Một lời khuyên mà tôi nhận được khi chia sẻ về cảm giác "sương mù não" sau khi sử dụng AI là tự viết lại các phần mã nguồn. Được truyền cảm hứng bởi lời khuyên này, các suy nghĩ về việc làm chậm lại để viết code tốt hơn với AI, và hành trình áp dụng công nghệ của Mitchell, tôi đã cố gắng sử dụng công cụ một cách có chủ đích hơn và thêm "ma sát" trở lại vào quá trình phát triển.

Dưới đây là những phương pháp đã hiệu quả với tôi cho đến nay:

• Tự viết bản triển khai ban đầu và yêu cầu tác nhân AI xem xét mã, sau đó đi qua từng bình luận và thực hiện thay đổi thủ công.
• Sử dụng tác nhân để đặt câu hỏi về các phần mã tôi không hiểu và yêu cầu truy xuất tài liệu liên quan cũng như các PR (Pull Request).
• Yêu cầu tác nhân cân nhắc triển khai hai cách tiếp cận khác nhau, chọn một cái và phê bình cách tiếp cận còn lại.
• Thảo luận về bản triển khai đề xuất của tác nhân với một người khác thay vì chấp nhận ngay lập tức.
• Chỉ bắt đầu sử dụng tác nhân sau khi tôi đã dành 20 phút để tự giải quyết vấn đề.
• Quay lại đọc sách và các bài báo học thuật.
• Triển khai lại các cấu trúc dữ liệu cơ bản.

Tất cả những phương pháp này đều làm giảm hiệu quả tăng tốc về mặt lý thuyết của mã do LLM tạo ra trong ngắn hạn bằng cách thêm ma sát, nhưng về lâu dài, chúng giúp tôi sử dụng công cụ tốt hơn. Chúng củng cố nền tảng của chính tôi thay vì nền tảng của các mô hình (foundation models).

Chúng ta nên mệt mỏi hơn mô hình.