Nền tảng kỹ thuật phần mềm vẫn quan trọng hơn bao giờ hết trong kỷ nguyên AI

Khi làn sóng công cụ lập trình AI (agentic engineering) đang tràn ngập các trang tin công nghệ, nhiều nhà phát triển bắt đầu đặt câu hỏi: vai trò thực sự của một kỹ sư phần mềm là gì? Ưu tiên học các framework mới hay quay lại củng cố những kiến thức nền tảng về cách thiết kế, xây dựng và bảo trì một hệ thống?

Vượt qua "cơn sốt" AI để nhìn vào bản chất

Thị trường công nghệ đang chứng kiến một làn sóng tiếp thị mạnh mẽ từ các nhà cung cấp mô hình AI lớn về khả năng thay thế lập trình viên. Tuy nhiên, những người thực sự làm ra sản phẩm tuyệt vời lại không phải là những người ồn ào nhất trên mạng xã hội. Họ âm thầm khám phá, kết hợp các công cụ mới vào quy trình làm việc và tập trung vào việc tạo ra giá trị thực, thay vì dự đoán sự kết thúc của nghề nghiệp.

Trong năm qua, các "tác nhân lập trình" (agent harnesses) đã vượt qua ngưỡng "có thể làm được". Các mô hình mã nguồn mở (open weight models) đang ngày càng thu nhỏ kích thước, cho phép các máy tính cá nhân mạnh mẽ chạy chúng một cách hiệu quả. Sự khác biệt về thời gian và khả năng giữa chúng và các mô hình thương mại hàng đầu không còn lớn.

"Có thể làm được" mới chỉ là điểm khởi đầu

Tác giả bài viết, một kỹ sư phần mềm kỳ cựu, so sánh việc dùng AI để viết code với việc học hàn trong quá khứ: bạn có thể nhanh chóng tạo ra những thứ mà bạn thậm chí không thể nhấc lên hay mang ra khỏi xưởng. Bài học rút ra là: cách các bộ phận kết nối với nhau mới tạo nên sự khác biệt, chứ không phải khả năng tạo ra chúng.

"Seams — cách code của bạn hoạt động, 'API' của nó, và cách nó phù hợp với phần mềm khác — là nghệ thuật nhiều như khoa học."

Việc biến phần mềm thành có thể gỡ lỗi, dễ bảo trì, phân lớp và có khả năng kết hợp vẫn là một thách thức lớn. Điều này đòi hỏi sự suy luận sâu rộng và chu đáo — một điểm mà các LLM hiện tại, kể cả các mô hình tiên tiến nhất, vẫn chưa đạt được.

Giới hạn của LLM: Dự đoán, không suy luận

Cần hiểu rằng LLM không thực sự "suy luận". Chúng dự đoán trên cơ sở dữ liệu văn bản khổng lồ của con người được nén lại. Nếu tri thức đó chứa các dấu vết suy luận của con người, chúng có thể tái hiện lại. Nghiên cứu có tên The Illusion of Thinking cho thấy LLM rất tệ trong việc suy luận thực sự.

Các hướng nghiên cứu mới như mô hình JEPA (Joint Embedding Predictive Architecture) hay thế giới mô hình (World Models) do Yann LeCun đề xuất đang mở ra những tiềm năng khác biệt, nhưng chưa phải là hiện tại.

"Bộ ba chết người" trong phát triển phần mềm với AI

Một hạn chế nghiêm trọng khác được Simon Willison gọi là "lethal trifecta" (bộ ba chết người): LLM không thể phân biệt được lời khuyên tốt và xấu, và về cơ bản không thể ngăn chặn hoàn toàn các cuộc tấn công tiêm prompt (prompt injection). Các biện pháp kiểm soát an toàn, sandbox chỉ giúp giảm bớt rủi ro chứ không giải quyết tận gốc.

Chiến lược sử dụng AI hiệu quả trong kỷ nguyên mới

Thay vì tin vào những lời hứa hẹn viển vông, các nhà phát triển nên tập trung vào việc khai thác tối đa khả năng hiện tại của AI thông qua các phương pháp cụ thể:

• Cung cấp dữ liệu ngắn gọn, chất lượng cao cho mô hình tại thời điểm thích hợp.
• Xây dựng các công cụ kiểm chứng xác định (deterministic validation) với phản hồi ngôn ngữ tự nhiên để LLM tự sửa lỗi.
• Sử dụng mạnh mẽ phương pháp TDD (Test-Driven Development) như một phần của prompt để đảm bảo tính kiểm thử được.

Kết luận: Vai trò không thể thay thế của kỹ sư phần mềm

Chúng ta đang chứng kiến làn sóng "người ta nói cái này dễ thực hiện quá" và nhiều người vội vã tìm kiếm công cụ AI để nhanh chóng hoàn thành. Nhưng kỹ năng xem xét, lập kế hoạch và sửa chữa các điểm kết nối (seams) của phần mềm — một cách cẩn thận — là kỹ năng quan trọng mà chúng ta cần duy trì và phát triển, với hoặc không có trợ lý AI.

Kỹ thuật phần mềm chưa bao giờ là một câu trả lời duy nhất — một "panacea". Nó luôn là về sự đánh đổi, lựa chọn điều phù hợp nhất cho vấn đề cụ thể.

Trong tương lai, các nhà nghiên cứu hy vọng sẽ có những tiến bộ trong cách huấn luyện mô hình để bao gồm các dấu vết suy luận cho việc tinh chỉnh sau huấn luyện (RLHF), bao gồm các tiêu chí về giao diện sạch sẽ, khả năng gỡ lỗi và bảo trì. Nhưng ngay cả khi điều đó xảy ra, người kỹ sư vẫn là người đưa ra quyết định cuối cùng. Đã đến lúc chúng ta phải cẩn trọng lựa chọn những gì cần thiết để giải quyết các bài toán của mình — điều đó quan trọng hơn bao giờ hết.