Lập trình viên muốn phần mềm hiệu quả hơn: Hơn 1.000 người dùng GitHub nói gì về nhu cầu thực tế

Lập trình viên hiểu rằng phần mềm hiệu quả là điều quan trọng, nhưng nhiều người vẫn thiếu cách thức rõ ràng để phát hiện lãng phí, đo lường cải thiện và biện minh cho việc sửa chữa. Đó là phát hiện trung tâm từ khảo sát mới với 1.039 người dùng GitHub, do GitHub phối hợp cùng Chương trình Truyền thông về Biến đổi Khí hậu thuộc Đại học Yale thực hiện.

Cứ 10 người được hỏi thì 8 người bày tỏ quan tâm đến các công cụ giúp viết mã tiết kiệm năng lượng hơn. Gần như tương đương con số đó mong muốn có các thực hành tốt nhất để giảm dấu chân môi trường của phần mềm, và gần 75% muốn có cách đo lường tác động từ phần mềm hoặc quy trình phát triển của họ.

Minh họa về hiệu quả phần mềm và phát triển bền vững

Lập trình viên quan tâm đến biến đổi khí hậu và tác động môi trường của AI

Khảo sát được thực hiện với người dùng GitHub hoạt động hàng tháng tại Hoa Kỳ, tập trung vào các chủ đề: biến đổi khí hậu, AI, hiệu quả phần mềm và trách nhiệm của các tổ chức trong ngành công nghệ. Mức độ quan ngại được thể hiện rõ:

• 79% cho biết họ lo lắng về sự nóng lên toàn cầu.
• 71% bày tỏ lo ngại về tác động môi trường của các hệ thống AI, bao gồm mức tiêu thụ năng lượng, nước và khí thải carbon.
• 75% cho rằng điều quan trọng là nhà tuyển dụng của họ phải chủ động giảm tác động môi trường.

Cần lưu ý rằng đây là ý kiến của những người tham gia khảo sát, không phải số liệu đo lường dấu chân môi trường của AI hay bất kỳ hệ thống phần mềm cụ thể nào. Mẫu khảo sát được lấy từ những người dùng GitHub đã đồng ý nhận thông tin tiếp thị, nên kết quả không đại diện cho toàn bộ lập trình viên hay người dùng GitHub. Tuy vậy, chúng cho thấy nhiều lập trình viên đang thực sự suy nghĩ về ảnh hưởng môi trường của những hệ thống họ xây dựng và sử dụng.

Người dùng GitHub khác biệt so với dân số chung Hoa Kỳ

Khi được hỏi những câu tương tự trong khảo sát "Climate Change in the American Mind" mang tính đại diện quốc gia của Yale, người dùng GitHub thể hiện mức độ quan ngại về biến đổi khí hậu cao hơn người trưởng thành Hoa Kỳ nói chung.

Cụ thể, họ có xu hướng cho rằng sự nóng lên toàn cầu đang diễn ra cao hơn (86% so với 68%), rằng vấn đề này ít nhất có phần quan trọng với cá nhân họ (82% so với 65%), và rằng nó sẽ gây hại cho chính họ ở mức độ trung bình trở lên (68% so với 45%). Họ cũng có khả năng cao hơn trong việc dự đoán tác hại ít nhất ở mức trung bình cho các thế hệ tương lai (82% so với 68%) và bày tỏ lo lắng về sự nóng lên toàn cầu (79% so với 66%).

Cần lưu ý về cách diễn giải: dữ liệu trong báo cáo này dựa trên mẫu phi xác suất gồm người dùng GitHub đã đồng ý nhận email tiếp thị, nên các phát hiện mô tả những người tham gia khảo sát chứ không phải toàn bộ giới lập trình viên. Sự khác biệt so với dữ liệu về người trưởng thành Hoa Kỳ phản ánh cả khác biệt về dân số lẫn thiết kế khảo sát.

Khoảng cách không nằm ở sự quan tâm, mà ở con đường hành động thực tế

Chỉ 10% người được hỏi cho rằng cách họ phát triển và viết phần mềm có ảnh hưởng lớn đến việc giảm tác động môi trường cá nhân. Thêm 28% nói ảnh hưởng ở mức trung bình, trong khi 63% cho rằng ảnh hưởng là nhỏ.

Biểu đồ về mức độ quan tâm của người dùng GitHub

Tuy nhiên, cùng lúc đó:

• 80% quan tâm đến các công cụ viết mã tiết kiệm năng lượng hơn.
• 78% muốn học các thực hành tốt nhất để giảm dấu chân môi trường của phần mềm.
• 74% quan tâm đến việc đo lường tác động môi trường của phần mềm hoặc quy trình phát triển.
• 70% quan tâm đến việc đóng góp cho các dự án mã nguồn mở tập trung vào tính bền vững.

Lập trình viên đang yêu cầu đúng những gì họ kỳ vọng ở các lĩnh vực kỹ thuật khác: công cụ hữu ích, phép đo đáng tin cậy và những thay đổi họ có thể xem xét.

Các phản hồi mở trong khảo sát minh họa cụ thể hơn. Người tham gia đề nghị được hỗ trợ ước tính dấu chân của các repository và quy trình CI/CD, tìm ra những lần chạy GitHub Actions không cần thiết, cải thiện hiệu quả mã nguồn, và so sánh việc dùng AI với các nguồn nhu cầu tính toán khác. Một số người cũng cảnh báo không nên đưa ra tuyên bố về môi trường khi thiếu bằng chứng.

Điểm cuối này rất quan trọng. Mã chạy nhanh hơn có thể giảm sử dụng tài nguyên, nhưng thời gian chạy đơn thuần không chứng minh được việc giảm năng lượng hay khí thải. Phần cứng, khối lượng công việc, vị trí, thời điểm và nguồn điện đều ảnh hưởng đến kết quả. Lập trình viên cần những phép đo khớp với tuyên bố của họ.

Bắt đầu từ lãng phí có thể thấy và đo được

Hiệu quả phần mềm vốn đã là một phần của kỹ thuật tốt. Nó có thể giảm chi phí hạ tầng, cải thiện hiệu năng, giảm độ trễ và giải phóng năng lực. Khi một cải tiến giảm lượng tính toán cần thiết để đạt cùng một kết quả thành công, nó cũng có thể giảm mức tiêu thụ năng lượng.

Một điểm khởi đầu thực tế là tìm kiếm lãng phí có thể đo lường ở bốn khu vực:

• Mã nguồn: tính toán lặp lại, thuật toán kém hiệu quả, cấp phát bộ nhớ không cần thiết, hoặc công việc tốn kém có thể được cache.
• Dữ liệu: truy vấn thừa, truy vấn không giới hạn, thiếu cache, hoặc các lời gọi cơ sở dữ liệu nên được gom lô.
• Mạng và I/O: yêu cầu trùng lặp, polling có thể chuyển sang hướng sự kiện, payload quá lớn, hoặc thiếu nén.
• Frontend: render không cần thiết, tài nguyên ngoài màn hình được tải sớm, hoặc media nên dùng định dạng nhỏ hơn.

Chỉ số phù hợp phụ thuộc vào thay đổi cụ thể. Thời gian thực thi, mức dùng CPU, cấp phát bộ nhớ và kích thước truyền tải mạng đều có thể là đại diện hữu ích cho nhu cầu tính toán. Mỗi chỉ số đều có giới hạn, nên cần nêu rõ bạn đã đo gì và chưa đo gì.

Ví dụ, một pull request thay thế tìm kiếm O(n²) bằng tra cứu hash-map nên kèm theo số đo trước và sau cho một khối lượng công việc đại diện, các lệnh cần thiết để tái lập phép thử, và mọi đánh đổi về bộ nhớ hay khả năng bảo trì. Đó là lập luận kỹ thuật mạnh hơn nhiều so với việc gọi thay đổi là "xanh hơn" mà không có dữ liệu hỗ trợ.

Dùng agent để tìm cơ hội, không phải để ra quyết định cuối cùng

Việc tìm kiếm cơ hội cải thiện hiệu quả trong một repository lớn có thể rất chậm. GitHub Agentic Workflows có thể giúp tự động hóa quá trình tìm kiếm trong khi vẫn để người bảo trì nắm quyền kiểm soát.

Workflow mã nguồn mở Daily Efficiency Improver rà soát một repository để tìm cơ hội cải thiện ở mã nguồn, dữ liệu, mạng, I/O và hiệu năng frontend. Nó ưu tiên những thay đổi có thể đo lường, chạy bộ kiểm thử của repository, và có thể mở các draft pull request kèm bằng chứng và đánh đổi để người bảo trì xem xét. Nó không tự động hợp nhất thay đổi.

Bạn có thể thêm workflow này vào repository bằng GitHub CLI:

gh extension install github/gh-aw
gh aw add-wizard githubnext/agentics/efficiency-improver

Trước khi bật workflow theo lịch, hãy xem lại quyền hạn, cấu hình, việc sử dụng model, tần suất chạy dự kiến và chi phí tính toán có thể phát sinh. Hãy bắt đầu với một repository thử nghiệm phù hợp hoặc chạy thủ công. Coi mọi khuyến nghị là giả thuyết cho đến khi benchmark và kiểm thử chứng minh được.

Những pull request mạnh nhất nên trả lời năm câu hỏi:

• Workflow đã phát hiện ra lãng phí gì?
• Chỉ số nào thể hiện cải thiện được kỳ vọng?
• Đường cơ sở (baseline) là gì?
• Thay đổi có bảo toàn chức năng và chất lượng không?
• Người bảo trì cần cân nhắc những đánh đổi nào?

AI có thể giúp lập trình viên tìm kiếm, kiểm thử và ghi lại các cải tiến khả thi. Con người vẫn là bên quyết định liệu bằng chứng có vững chắc và thay đổi có phù hợp với codebase hay không.

Quy trình cải thiện hiệu quả phần mềm với sự hỗ trợ của AI

Biến hiệu quả thành một phần của vòng lặp kỹ thuật

Công việc cải thiện hiệu quả dễ được duy trì nhất khi nó khớp với các công cụ và quyết định mà lập trình viên vốn đã dùng. Một workflow ở cấp repository có thể chỉ ra cơ hội. Một draft pull request có thể trình bày cách sửa đề xuất. Benchmark và kiểm thử có thể xác lập liệu nó có hiệu quả không. Sau đó người bảo trì có thể chấp nhận, chỉnh sửa hoặc từ chối thay đổi.

Vòng lặp đó mang lại cho lập trình viên sự hỗ trợ thực tế mà những người tham gia khảo sát yêu cầu: công cụ, phép đo, và một con đường từ quan ngại đến mã nguồn.

Đối với lập trình viên Việt Nam, đây là dịp để các nhóm phát triển phần mềm trong nước, đặc biệt trong các lĩnh vực cloud, fintech và AI, chủ động đưa tiêu chí hiệu quả năng lượng vào quy trình CI/CD. Việc tiết kiệm tài nguyên tính toán không chỉ giảm chi phí vận hành mà còn là lợi thế cạnh tranh khi làm việc với các đối tác quốc tế ngày càng quan tâm đến tiêu chí ESG.

Bạn có thể đọc toàn bộ báo cáo Software Developers on Climate Change, AI, and Sustainable Software từ GitHub và Chương trình Truyền thông về Biến đổi Khí hậu thuộc Đại học Yale. Sau đó, thử Daily Efficiency Improver trên một repository phù hợp và xem xét các phát hiện của nó.