Podcast: Sự tiến hóa của Kỹ sư AI Native: Từ Vibe Coding đến Harness Engineering

Birgitta Böckeler, Distinguished Engineer tại Thoughtworks, đã quay lại podcast của InfoQ để thảo luận về sự tiến hóa nhanh chóng của AI trong lĩnh vực phát triển phần mềm (software delivery). Trong vòng một năm qua, chúng ta đã chứng kiến sự chuyển dịch mạnh mẽ từ khái niệm "vibe coding" sang các kỹ thuật kỹ thuật tiên tiến hơn, cùng với sự thay đổi trong bối cảnh công cụ và sự xuất hiện của các tác nhân (agents) tự chủ hơn.

Minh họa phỏng vấn

Từ Vibe Coding đến Cảnh quan Công cụ mới

Một năm trước, "vibe coding" là từ khóa hot, khi các nhà phát triển chủ yếu tạo ra các đoạn mã nhỏ và ghép chúng lại. Tuy nhiên, hiện nay xu hướng đã chuyển dịch sang các tác nhân AI có khả năng tự chủ cao hơn.

Một trong những thay đổi đáng chú ý là sự cạnh tranh giữa các công cụ dựa trên terminal (như Claude Code) và các công cụ dựa trên IDE (như Cursor). Mặc dù Claude Code rất phổ biến nhờ khả năng chạy ở chế độ headless (không giao diện) trong các pipeline, nhưng Cursor vẫn được ưa chuộng nhờ giao diện trực quan giúp việc debug và xử lý các tác vụ phức tạp dễ dàng hơn. Thực tế, ranh giới này đang mờ dần khi các công cụ IDE bắt đầu tích hợp CLI và các công cụ terminal bổ sung thêm giao diện đồ họa.

Context Engineering và Sự suy giảm của MCP Servers

Khái niệm "Context Engineering" (Kỹ thuật ngữ cảnh) đã trở nên quan trọng hơn bao giờ hết. Đây là việc tinh chỉnh những gì mô hình nhìn thấy để đạt được kết quả tốt nhất. Trước đây, MCP (Model Context Protocol) servers là tiêu chuẩn để kết nối AI với các công cụ bên ngoài như Figma. Tuy nhiên, xu hướng hiện nay đang chuyển dịch sang "Skills" và các script CLI.

Thay vì sử dụng các tệp cấu hình monolithic khổng lồ, các nhà phát triển hiện chia nhỏ ngữ cảnh thành các "skills". Các kỹ năng này chỉ được tải (lazy-load) khi AI thực sự cần thiết, giúp tiết kiệm không gian trong cửa sổ ngữ cảnh (context window) và tăng hiệu suất. Điều này cho phép AI truy cập vào các tài nguyên phức tạp một cách linh hoạt mà không làm quá tải bộ nhớ hệ thống.

Harness Engineering: Tăng độ tin cậy cho AI

Một khái niệm mới nổi lên là "Harness Engineering". Với khả năng tự chủ ngày càng tăng của các tác nhân AI, việc giảm sự giám sát của con người là điều tất yếu, nhưng điều đó đòi hỏi phải tăng độ tin cậy vào những gì AI tạo ra.

"Harness" (cái dây cương/yếm) được định nghĩa là mọi thứ xung quanh mô hình, bao gồm cả khuôn khổ điều phối. Trong thực tế, harness engineering bao gồm hai yếu tố chính:

• Feed Forward (Tiếp tiến): Cung cấp cho AI các quy ước mã hóa, ngữ cảnh kiến trúc và thông tin kinh doanh ngay từ đầu để giảm thiểu lỗi.
• Feedback (Phản hồi): Tích hợp các công cụ phân tích mã tĩnh (static code analysis), kết quả bộ kiểm thử (test suite) và các công cụ linting để AI có thể tự sửa lỗi mà không cần sự can thiệp liên tục của con người.

Mục tiêu là tạo ra một hệ thống cho phép AI tự điều chỉnh và tự sửa lỗi, giúp các nhà phát triển tập trung vào các vấn đề cấp cao hơn thay vì sửa các lỗi nhỏ nhặt.

Môi trường phát triển

Đánh giá rủi ro và Tương lai

Việc giám sát AI nên được điều chỉnh dựa trên một đánh giá rủi ro bao gồm ba yếu tố: xác suất thành công của AI, tác động của thất bại (tính quan trọng của hệ thống) và khả năng phát hiện lỗi. Ví dụ, đối với các quy trình kinh doanh quan trọng, mức độ giám sát của con người cần phải cao hơn nhiều so với các bản thử nghiệm (proof of concept).

Mặc dù các mô hình cục bộ (local models) đang phát triển, nhưng chúng vẫn gặp khó khăn trong việc cung cấp trải nghiệm tác nhân tiên tiến do vấn đề về tốc độ và khả năng gọi công cụ (tool calling). Trong khi đó, các mô hình đám mây vẫn là lựa chọn ưu tiên cho các tác vụ phức tạp.

Không gian AI Native hiện nay vẫn đang ở giai đoạn "hình thành", nơi các nhà phát triển đang tìm kiếm sự cân bằng phù hợp giữa rủi ro, mức độ tự chủ của tác nhân và mức độ giám sát của con người để đảm bảo chất lượng và an toàn cho mã nguồn.