Ngày càng nhiều lập trình viên đang thử nghiệm các quy trình làm việc AI tinh vi sử dụng nhiều mô hình ngôn ngữ phối hợp với nhau để lập kế hoạch, viết và xác minh code một cách tự động. Cách tiếp cận này, được gọi là nhà máy AI, đại diện cho sự chuyển đổi từ hỗ trợ AI đơn giản sang các pipeline phát triển tự động phức tạp.
Phương Pháp Nhà Máy: Nhiều Mô Hình, Vai Trò Chuyên Biệt
Khái niệm cốt lõi bao gồm việc giao cho các mô hình AI khác nhau những vai trò cụ thể trong quá trình phát triển. Thiết lập của một lập trình viên sử dụng mô hình o3 của Claude để lập kế hoạch, Sonnet 4 để thực thi, và cả hai mô hình để xác minh. Mỗi mô hình chạy trong các git worktree riêng biệt, cho phép phát triển nhiều tính năng đồng thời mà không bị can thiệp.
Quy trình làm việc tuân theo một quá trình ba bước: đầu tiên, o3 tạo ra các kế hoạch triển khai chi tiết dựa trên các yêu cầu cấp cao. Tiếp theo, các mô hình thực thi viết code thực tế theo những kế hoạch này, thực hiện commit ở mỗi bước để dễ dàng rollback. Cuối cùng, các mô hình xác minh kiểm tra đầu ra so với các yêu cầu ban đầu, với bất kỳ vấn đề nào được đưa trở lại vào các template lập kế hoạch thay vì được sửa chữa thủ công.
Git worktrees: Một tính năng của Git cho phép nhiều thư mục làm việc từ cùng một repository, cho phép phát triển song song trên các nhánh khác nhau.
Các Thành Phần Quy Trình AI Factory:
- Mô Hình Lập Kế Hoạch: Claude o3 để tạo ra các kế hoạch triển khai và đặt câu hỏi làm rõ
- Mô Hình Thực Thi: Sonnet 3.7 hoặc Sonnet 4 để viết code dựa trên các kế hoạch
- Mô Hình Xác Minh: Sonnet 4 và o3 để kiểm tra code so với các yêu cầu ban đầu
- Hạ Tầng: Git worktrees cho phát triển song song, MCP ( Model Context Protocol ) để tích hợp công cụ
Sửa Đầu Vào, Không Phải Đầu Ra: Một Triết Lý Phát Triển Mới
Sự thay đổi quan trọng nhất trong cách tiếp cận này là nguyên tắc không bao giờ chỉnh sửa thủ công code được tạo ra. Khi có gì đó không đúng, các lập trình viên điều chỉnh prompt, kế hoạch, hoặc lựa chọn mô hình thay vì vá lỗi trực tiếp trên đầu ra. Điều này tạo ra một hệ thống tự cải thiện nơi các bài học rút ra từ thất bại tự động nâng cao việc tạo code trong tương lai.
Các cuộc thảo luận cộng đồng tiết lộ những trải nghiệm trái chiều với phương pháp này. Một số lập trình viên báo cáo thành công với các dự án cá nhân và codebase nhỏ hơn, trong khi những người khác gặp khó khăn với tính nhất quán giữa nhiều agent AI làm việc trên cùng một dự án. Thách thức trở nên đặc biệt rõ ràng trong các hệ thống production lớn hơn, nơi các AI agent khác nhau có thể có những ý tưởng kiến trúc xung đột.
Những Hạn Chế Chính Được Cộng Đồng Xác Định:
- Vấn Đề Tính Nhất Quán: Nhiều agent tạo ra các quyết định kiến trúc mâu thuẫn
- Quản Lý Ngữ Cảnh: Các tệp hướng dẫn có thể phát triển lên đến hàng nghìn dòng, chiếm hết cửa sổ ngữ cảnh
- Sẵn Sàng Cho Sản Xuất: Gặp khó khăn với việc debug phức tạp và tích hợp mã nguồn cũ
- Chuyên Môn Lĩnh Vực: Hiệu quả hạn chế đối với các vấn đề mới không có trong dữ liệu huấn luyện
Mối Quan Ngại Về Chi Phí Và Khả Năng Mở Rộng
Khía cạnh tài chính của việc chạy nhiều mô hình AI đồng thời đã gây ra cuộc tranh luận đáng kể. Trong khi một số lập trình viên báo cáo chi tiêu dưới 1 đô la Mỹ cho các tư vấn mô hình phụ thông qua các dịch vụ như OpenRouter , những người khác sử dụng gói đăng ký Max 200 đô la Mỹ của Claude thấy mình nhanh chóng vượt qua giới hạn hàng ngày khi chạy các agent song song.
Câu hỏi về khả năng mở rộng vượt ra ngoài chi phí đến chất lượng code. Một số lập trình viên có kinh nghiệm lưu ý rằng trong khi các nhà máy AI hoạt động tốt cho các tác vụ thường ngày và các dự án greenfield, chúng gặp khó khăn với việc debug phức tạp, tích hợp code legacy, và các vấn đề chuyên biệt về domain đòi hỏi chuyên môn kỹ thuật sâu.
So sánh chi phí cho phát triển AI:
- Gói đăng ký Claude Max : 200 USD/tháng với giới hạn sử dụng cao
- Gói đăng ký Claude Pro : 20 USD/tháng với giới hạn hạn chế hơn
- API OpenRouter : ~0.50 USD sử dụng từ 10 USD tín dụng cho việc tham khảo mô hình phụ
- Chi phí API truyền thống: đắt gấp 10 lần so với gói đăng ký Claude Code cho mức sử dụng tương đương
Ứng Dụng Thực Tế Và Hạn Chế
Những người áp dụng sớm đang tìm thấy thành công trong các trường hợp sử dụng cụ thể. Cách tiếp cận này cho thấy tiềm năng trong việc tạo boilerplate code, tích hợp API, và tài liệu. Tuy nhiên, phản hồi từ cộng đồng cho thấy những hạn chế đáng kể khi xử lý các hệ thống production phức tạp, các tình huống debug phức tạp, hoặc những thách thức kỹ thuật mới lạ không được đại diện tốt trong dữ liệu huấn luyện.
Phần lớn công việc hàng ngày của tôi là với clojure, tôi có xu hướng sử dụng sonnet 4 để làm đúng các dấu ngoặc đơn.
Công nghệ này có vẻ hiệu quả nhất đối với các lập trình viên có thể cung cấp hướng dẫn kiến trúc mạnh mẽ trong khi để AI xử lý các chi tiết triển khai. Điều này cho thấy rằng thay vì thay thế các lập trình viên, những nhà máy AI này có thể đang định hình lại vai trò hướng tới thiết kế hệ thống cấp cao hơn và đảm bảo chất lượng.
Cuộc tranh luận tiếp tục về việc liệu điều này có đại diện cho một sự thay đổi cơ bản trong phát triển phần mềm hay chỉ đơn giản là một sự tiến hóa của các công cụ coding hỗ trợ AI hiện có. Điều rõ ràng là các lập trình viên đang tích cực thử nghiệm với các quy trình làm việc AI ngày càng tinh vi, đẩy ranh giới của những gì có thể với các mô hình ngôn ngữ hiện tại.
Tham khảo: Building a Personal AI Factory (July 2025 snapshot)