Một bài viết chi tiết về việc sử dụng GitHub Copilot Agent Mode với Model Context Protocol ( MCP ) đã gây ra cuộc tranh luận sôi nổi trong cộng đồng các nhà phát triển về giá trị thực sự và rủi ro của các công cụ phát triển hỗ trợ AI. Trong khi tác giả trình bày một quy trình làm việc phức tạp kết hợp nhiều tác nhân AI và công cụ bên ngoài, phản hồi từ cộng đồng cho thấy sự chia rẽ sâu sắc về việc liệu những cách tiếp cận như vậy có thực sự cải thiện quá trình phát triển phần mềm hay không.
Khoảng Cách Giữa Thiết Lập và Thực Tế
Bài viết gốc phác thảo một quy trình phát triển phức tạp gồm ba giai đoạn sử dụng các chế độ chat AI chuyên biệt cho nghiên cứu, lập kế hoạch và triển khai. Điều này bao gồm việc cấu hình nhiều máy chủ MCP , lời nhắc tùy chỉnh và các công cụ bên ngoài khác nhau như tìm kiếm web, tự động hóa trình duyệt và tích hợp GitHub . Tuy nhiên, nhiều nhà phát triển đặt câu hỏi liệu thiết lập phức tạp này có mang lại lợi ích tương xứng hay không.
Những người chỉ trích cho rằng sự phức tạp của quy trình làm việc mâu thuẫn với các nguyên tắc cơ bản của kỹ thuật phần mềm. Ví dụ được cung cấp - thêm bình luận vào một blog - có vẻ quá đơn giản để biện minh cho chuỗi công cụ tinh vi này. Sự không phù hợp giữa độ phức tạp của thiết lập và minh chứng thực tế đã khiến nhiều người không tin tưởng về giá trị thực tế của cách tiếp cận này.
Các Giai Đoạn Quy Trình Phát Triển:
- Giai Đoạn Nghiên Cứu - Sử dụng chế độ chat tùy chỉnh với công cụ tìm kiếm web và tư duy tuần tự
- Giai Đoạn Lập Kế Hoạch - Tạo các tệp prompt chi tiết sử dụng mô hình Gemini-2.5-img
- Giai Đoạn Triển Khai - Thực thi kế hoạch sử dụng Claude Sonnet 4 với các prompt đã được tạo
- Giai Đoạn Xác Thực - Kiểm tra chức năng sử dụng các công cụ tự động hóa trình duyệt
Tình Huống Khó Xử Giữa Tốc Độ và Chất Lượng
Một căng thẳng trung tâm xuất hiện xung quanh việc liệu việc tạo mã nhanh hơn có thực sự cải thiện kết quả phát triển hay không. Những người ủng hộ chia sẻ những câu chuyện thành công về việc các công cụ AI giúp họ nhanh chóng tạo nguyên mẫu giải pháp cho các vấn đề cấp bách, như tích hợp phần cứng camera mới cho các chương trình cư trú nghệ sĩ hoặc viết các tích hợp API phức tạp trong vài phút thay vì hàng giờ.
Tuy nhiên, các nhà phát triển có kinh nghiệm cảnh báo về những chi phí ẩn. Họ chỉ ra rằng mã do AI tạo ra thường xử lý tốt 80% đầu của một vấn đề, nhưng phần công việc còn lại để làm cho mã sẵn sàng sản xuất, có thể bảo trì và không có lỗi vẫn đòi hỏi chuyên môn đáng kể từ con người. Một số mô tả AI như đang đẩy nhanh việc tạo ra nợ kỹ thuật thay vì năng suất thực sự.
Yếu Tố Kinh Nghiệm
Cuộc tranh luận cho thấy sự chia rẽ rõ ràng dựa trên mức độ kinh nghiệm của nhà phát triển. Những người có kiến thức sâu về lĩnh vực báo cáo thành công khi sử dụng các công cụ AI như hệ thống tự động hoàn thành tinh vi, nơi họ có thể nhanh chóng phát hiện và sửa các lỗi do AI tạo ra. Họ sử dụng AI để xử lý các tác vụ tái cấu trúc tẻ nhạt hoặc tạo mã boilerplate trong khi duy trì sự giám sát các quyết định kiến trúc.
Ngược lại, các nhà phát triển ít kinh nghiệm hơn có thể gặp khó khăn với mã do AI tạo ra mà họ không hiểu đầy đủ. Điều này tạo ra một động lực đáng lo ngại khi các công cụ AI có thể giúp các nhà phát triển có kinh nghiệm trở nên năng suất hơn trong khi có khả năng cản trở sự phát triển của các nhà phát triển junior cần hiểu các nguyên tắc cơ bản của mã.
Câu Hỏi Về Độ Tin Cậy
Một mối quan tâm cơ bản tập trung vào bản chất không xác định của các công cụ AI. Các công cụ phát triển truyền thống cung cấp kết quả nhất quán, có thể dự đoán - một trình biên dịch hoặc hoạt động hoặc thất bại với các thông báo lỗi rõ ràng. Tuy nhiên, các công cụ AI có thể tạo ra các đầu ra khác nhau cho các đầu vào giống hệt nhau, làm cho việc gỡ lỗi và bảo trì trở nên thách thức.
Ảo tưởng về việc đi nhanh hơn là chúng ta bỏ qua việc đưa ra quyết định. Thay vào đó, chúng ta hy vọng rằng tác nhân sẽ đưa ra những quyết định đúng đắn dựa trên một số hướng dẫn chung, quên rằng một sai lệch một inch có thể dễ dàng biến thành một lỗi một dặm.
Sự không thể dự đoán này trở nên đặc biệt có vấn đề trong môi trường nhóm nơi nhiều nhà phát triển cần hiểu và duy trì mã do AI tạo ra theo thời gian.
Các MCP Server chính được đề cập:
- Sequential Thinking - Giải quyết vấn đề động thông qua chuỗi AI
- SearxNG - Tích hợp API tìm kiếm web
- Playwright - Tự động hóa trình duyệt cho việc kiểm thử
- GitHub - Quản lý kho lưu trữ và tích hợp API
- Time - Truy cập dữ liệu thời gian/ngày tháng bên ngoài
- Fetch - Tìm nạp và tuyển chọn nội dung web
Nhìn Về Phía Trước
Bất chấp cuộc tranh luận sôi nổi, hầu hết các nhà phát triển đều thừa nhận rằng các công cụ lập trình AI đã có mặt và sẽ tiếp tục cải thiện. Câu hỏi quan trọng không phải là có nên sử dụng chúng hay không, mà là làm thế nào để sử dụng chúng một cách hiệu quả trong khi tránh các cạm bẫy tiềm ẩn.
Cuộc thảo luận cho thấy rằng việc phát triển hỗ trợ AI thành công đòi hỏi phải coi những công cụ này như những trợ lý mạnh mẽ thay vì thay thế cho phán đoán của con người. Các cách tiếp cận hiệu quả nhất dường như liên quan đến việc các nhà phát triển có kinh nghiệm sử dụng AI cho các tác vụ cụ thể, được xác định rõ ràng trong khi duy trì quyền kiểm soát các quyết định kiến trúc và tiêu chuẩn chất lượng mã.
Khi các công cụ AI trở nên tinh vi hơn, cộng đồng phát triển sẽ cần thiết lập các thực hành tốt nhất để khai thác lợi ích của chúng trong khi bảo tồn tư duy phản biện và kỹ năng giải quyết vấn đề xác định kỹ thuật phần mềm tốt.
Tham khảo: Developing with GitHub Copilot Agent Mode and MCP