Podcast: Sự tiến hóa của Kỹ sư AI Native: Từ "Vibe Coding" đến "Harness Engineering" trong một năm qua

Birgitta Böckeler, Distinguished Engineer tại Thoughtworks, đã trở lại để chia sẻ quan điểm về sự thay đổi chóng mặt của AI trong lĩnh vực phát triển phần mềm (software delivery) chỉ trong vòng một năm qua. Nếu như năm ngoái chúng ta vẫn bàn luận về "vibe coding" (lập trình theo cảm hứng) và các trợ lý mã hóa sơ khai, thì nay bức tranh đã chuyển dịch mạnh mẽ sang các tác nhân (agents) tự chủ hơn và kỹ thuật quản lý ngữ cảnh phức tạp.

Chuyên gia công nghệ thảo luận về AI

Sự chuyển dịch từ MCP sang Skills và Context Engineering

Một trong những thay đổi lớn nhất trong năm qua là sự trỗi dậy của Context Engineering (Kỹ thuật ngữ cảnh). Thay vì sử dụng các tệp cấu hình khổng lồ hay các MCP servers (Model Context Protocol) phổ biến trước đây, các nhà phát triển hiện nay đang chuyển hướng sang sử dụng Skills (kỹ năng) và các script CLI.

MCP servers từng là tiêu chuẩn để kết nối AI với các công cụ bên ngoài như Figma hay AWS. Tuy nhiên, chúng tiêu tốn nhiều không gian trong "context window" (cửa sổ ngữ cảnh) của mô hình. Ngược lại, kỹ năng "Skills" cho phép tải lười (lazy-loading) tài nguyên. AI chỉ tải các module cần thiết khi thực sự cần thiết, giúp tối ưu hóa hiệu suất và tiết kiệm chi phí tính toán.

Terminal hay IDE: Cuộc chiến giao diện cho AI Coding

Cuộc tranh luận về giao diện cho các tác nhân AI đang chia rẽ cộng đồng: công cụ dựa trên terminal như Claude Code hay công cụ dựa trên IDE như Cursor.

• Claude Code: Ưu điểm là khả năng chạy chế độ headless (không giao diện), rất phù hợp để tích hợp vào các pipeline CI/CD hoặc chạy ngầm.
• Cursor: Cung cấp giao diện trực quan, giúp lập trình viên dễ dàng debug và theo dõi trạng thái của tác nhân qua các chế độ xem hình ảnh.

Theo Birgitta, sự lựa chọn phụ thuộc vào ngữ cảnh sử dụng. Các nhà thiết kế hoặc những người mới có thể ưa chuộng IDE vì sự thân thiện, trong khi các lập trình viên chuyên nghiệp có thể thích terminal cho các tác vụ tự động hóa.

Lập trình viên làm việc với AI

Harness Engineering: Xây dựng sự tin cậy cho AI

Khi các tác nhân AI ngày càng tự chủ, nhu cầu giảm bớt sự giám sát của con người (human supervision) trở nên cấp thiết hơn bao giờ hết. Đây là lúc khái niệm Harness Engineering (Kỹ thuật điều khiển/giàn giáo) xuất hiện.

"Harness" ở đây được hiểu là mọi thứ bao quanh mô hình AI để đảm bảo nó hoạt động đúng đắn, bao gồm hai cơ chế chính:

1. Feed Forward (Tiếp tiến): Cung cấp cho AI các quy ước mã hóa (coding conventions), ngữ cảnh kiến trúc và thông tin kinh doanh trước khi nó bắt đầu viết code. Điều này giúp giảm thiểu lỗi ngay từ đầu.
2. Feedback (Phản hồi): Tạo cơ chế tự sửa lỗi cho AI thông qua phân tích mã tĩnh (static code analysis), kết quả bộ kiểm thử (test suite) và kiểm tra kiểu (type checking).

Mục tiêu của Harness Engineering là tạo ra một vòng lặp phản hồi nhanh chóng, cho phép AI tự nhận ra và sửa chữa lỗi của mình mà không cần sự can thiệp liên tục của con người.

Đánh giá rủi ro và tương lai của Local Models

Birgitta nhấn mạnh rằng mức độ giám sát con người nên dựa trên đánh giá rủi ro, bao gồm: xác suất thành công của AI, tác động của sự thất bại (criticality), và khả năng phát hiện lỗi.

Về các mô hình cục bộ (local models), dù đã có tiến bộ, chúng vẫn gặp khó khăn trong việc hỗ trợ trải nghiệm "agentic" phức tạp do tốc độ xử lý chậm hơn và khả năng gọi công cụ (tool calling) chưa đủ mạnh mẽ so với các mô hình đám mây lớn.

Trong khi đó, vấn đề quyền riêng tư và bảo mật khi sử dụng các công cụ SaaS (như GitHub Copilot) vẫn là mối quan ngại lớn, đặc biệt là khi các công cụ này có thể sử dụng mã nguồn của doanh nghiệp để huấn luyện mô hình.

Không gian AI Native vẫn đang trong giai đoạn hình thành, nơi các nhà phát triển đang nỗ lực tìm kiếm sự cân bằng giữa rủi ro, tính tự chủ của tác nhân và mức độ giám sát phù hợp để đảm bảo chất lượng và an toàn cho phần mềm.