Sự phát triển của các Mô hình Ngôn ngữ Lớn ( LLM ) trong phát triển phần mềm đã khơi dậy một cuộc tranh luận quan trọng về việc liệu những công cụ này có thực sự giải quyết được những thách thức cốt lõi về năng suất của ngành hay không. Trong khi việc tạo code bằng AI hứa hẹn chu kỳ phát triển nhanh hơn, các nhà phát triển có kinh nghiệm đang nêu lên lo ngại rằng nó thực sự có thể tạo ra những nút thắt mới trong cộng tác nhóm và đảm bảo chất lượng code.
Những Nút Thắt Thực Sự Vẫn Không Thay Đổi
Các chuyên gia kỹ thuật phần mềm kỳ cựu cho rằng việc viết code chưa bao giờ là trở ngại chính cho thành công của dự án. Những thách thức thực sự luôn tập trung xung quanh sự phối hợp con người: đánh giá code, chuyển giao kiến thức thông qua mentoring, testing, debugging và giao tiếp nhóm. Những quy trình này đòi hỏi tư duy phản biện, hiểu biết chung và phán đoán đúng đắn - những phẩm chất vẫn cơ bản thuộc về con người.
Một nhà phát triển với hơn 30 năm kinh nghiệm đã lưu ý rằng việc chuyển đổi yêu cầu kinh doanh thành giải pháp kỹ thuật luôn là phần khó nhất, rút ra những điểm tương đồng với các nỗ lực offshoring đầu những năm 2000 đã thất bại vì những lý do tương tự. Thách thức không chỉ là tạo ra code, mà là đảm bảo nó đáp ứng nhu cầu kinh doanh thực tế thông qua phản hồi và cộng tác lặp đi lặp lại.
Các Điểm Nghẽn Trong Phát Triển Phần Mềm Truyền Thống:
- Đánh giá mã nguồn và đảm bảo chất lượng
- Chuyển giao kiến thức thông qua hướng dẫn và làm việc theo cặp
- Quy trình kiểm thử và gỡ lỗi
- Phối hợp và giao tiếp trong nhóm
- Các cuộc họp lập kế hoạch và nghi thức agile
LLM Chuyển Dịch Thay Vì Loại Bỏ Khối Lượng Công Việc
Trong khi LLM có thể nhanh chóng tạo ra code hoạt động, chúng tạo ra áp lực mới lên những người chịu trách nhiệm đánh giá, tích hợp và duy trì đầu ra đó. Các nhóm hiện đối mặt với những tình huống không rõ liệu các nhà phát triển có hiểu đầy đủ code họ submit hay không, các giải pháp được tạo ra có thể phá vỡ các quy ước đã được thiết lập, và các trường hợp ngoại lệ trở nên khó xác định hơn.
Chi phí lớn nhất của code là hiểu nó — chứ không phải viết nó.
Sự chuyển dịch này trở nên đặc biệt có vấn đề khi code chảy qua các hệ thống nhanh hơn so với khả năng thảo luận hoặc đánh giá đúng cách của các nhóm. Kết quả thường là các quy trình xác minh phức tạp hơn thay vì cải thiện tốc độ tổng thể.
Những thách thức mới được đưa ra bởi LLMs:
- Sự hiểu biết không rõ ràng của tác giả về mã code được gửi
- Mã code được tạo ra phá vỡ các quy ước đã được thiết lập
- Khó khăn trong việc xác định các trường hợp ngoại lệ và tác dụng phụ
- Quy trình xác minh phức tạp hơn
- Tốc độ sản xuất mã code nhanh hơn khả năng đánh giá
Thách Thức Hệ Thống Cũ và Chuyển Giao Kiến Thức
Cuộc thảo luận tiết lộ những quan điểm thú vị về cách LLM có thể giúp bảo trì code cũ. Một số nhà phát triển thấy tiềm năng trong việc sử dụng AI để nhanh chóng tìm kiếm qua các codebase cũ và xác định các phần liên quan, đặc biệt khi các nhóm phát triển ban đầu không còn có sẵn. Tuy nhiên, những người khác nhấn mạnh rằng văn hóa tổ chức, thực hành quản lý và cộng tác liên chức năng vẫn là những yếu tố chi phối trong thành công dự án.
Thách thức trở nên rõ rệt hơn trong các môi trường quan trọng về an toàn hoặc được quản lý chặt chẽ, nơi hiểu biết về hành vi hệ thống và các chế độ lỗi tiềm ẩn đòi hỏi chuyên môn sâu về lĩnh vực vượt xa khả năng tạo code.
Các lĩnh vực mà LLM cho thấy tiềm năng:
- Tạo nguyên mẫu và xây dựng khung nhanh chóng
- Tìm kiếm trong các codebase cũ
- Xác định nhanh chóng các phần code liên quan
- Hướng dẫn các nhà phát triển đến các giải pháp tiềm năng
- Tự động hóa các tác vụ lập trình thường xuyên
Yếu Tố Con Người Vẫn Tồn Tại
Bất chấp những tiến bộ công nghệ, phát triển phần mềm vẫn cơ bản là cộng tác. Các nhóm vẫn phụ thuộc vào bối cảnh chung, niềm tin và các mối quan hệ mentoring phát triển theo thời gian. Khi việc tạo code vượt xa những quy trình con người này, đảm bảo chất lượng trở thành điều được giả định thay vì được đảm bảo, có khả năng tạo ra những sự chậm trễ tinh vi nhưng đáng kể.
Ngành công nghiệp dường như đang học được rằng trong khi LLM là những công cụ mạnh mẽ cho prototyping và tự động hóa, chúng không loại bỏ nhu cầu về tư duy rõ ràng, đánh giá cẩn thận và thiết kế hệ thống chu đáo. Nếu có gì khác, những kỹ năng con người này trở nên quan trọng hơn khi khối lượng code được tạo ra tăng lên.
Khi các nhóm phát triển tiếp tục thích ứng với quy trình làm việc hỗ trợ bởi AI, trọng tâm có thể cần chuyển hướng tích hợp tốt hơn những công cụ này với các quy trình đánh giá hiện có, thay vì mong đợi chúng thay đổi cơ bản cách các nhóm kỹ thuật phần mềm cộng tác và đảm bảo chất lượng.
Tham khảo: Writing Code Was Never The Bottleneck