Cộng đồng lập trình viên đang sôi động về một phương pháp mới trong việc lập trình hỗ trợ bởi AI với tỷ lệ thành công đáng kể. Thay vì ném các mô hình AI vào codebase và hy vọng có kết quả tốt nhất, các lập trình viên đang khám phá ra rằng quản lý tác vụ có cấu trúc mới là yếu tố tạo nên sự khác biệt.
Đột phá đến từ việc sử dụng các file markdown để chia nhỏ các dự án lập trình phức tạp thành những phần có thể quản lý được mà các AI agent có thể xử lý hiệu quả. Phương pháp này đã thu hút sự chú ý sau khi các lập trình viên chia sẻ kinh nghiệm của họ với tỷ lệ thành công được cải thiện đáng kể khi làm việc với các trợ lý lập trình AI.
Quy trình quan trọng hơn sức mạnh AI thô
Hiểu biết chính thúc đẩy xu hướng này là thành công trong lập trình AI phụ thuộc nhiều hơn vào cách bạn tổ chức công việc hơn là mô hình nào bạn sử dụng. Những nỗ lực ban đầu trong phát triển hỗ trợ bởi AI thường thất bại vì các lập trình viên sẽ trình bày toàn bộ codebase cho các mô hình AI mà không có ngữ cảnh hoặc cấu trúc phù hợp.
Tôi đã thử Claude Code với một codebase hiện có vài tháng trước và nhanh chóng bỏ cuộc—việc gỡ rối đầu ra của nó chậm hơn so với viết từ đầu. Giải pháp hóa ra là quy trình, không phải sức mạnh mô hình.
Giải pháp bao gồm việc tạo ra các file markdown riêng lẻ cho mỗi tác vụ lập trình, hoàn chỉnh với ngữ cảnh, yêu cầu và kế hoạch triển khai. Điều này cung cấp cho các mô hình AI thông tin tập trung mà chúng cần để tạo ra mã hữu ích thay vì bị lạc trong các dự án lớn, phức tạp.
Tiến trình Tỷ lệ Thành công:
- 50% thành công: README.md cơ bản + CLAUDE.md để cung cấp bối cảnh dự án
- 75% thành công: Các file markdown riêng biệt cho từng nhiệm vụ với kế hoạch chi tiết
- 95%+ thành công: Công cụ CLI đầy đủ với tính năng tự động tạo nhiệm vụ
Quy trình ba bước hiệu quả
Các lập trình viên đang báo cáo tỷ lệ thành công trên 95% khi sử dụng phương pháp ba bước có cấu trúc. Đầu tiên, họ tạo ra các bản phân tích tác vụ chi tiết bằng cách sử dụng các mô hình AI như GPT-4 hoặc Claude Opus. Tiếp theo, họ tạo kế hoạch triển khai cho mỗi tác vụ, một lần nữa với sự hỗ trợ của AI nhưng bao gồm cả việc xem xét của con người. Cuối cùng, họ sử dụng các mô hình AI như Claude Sonnet để viết mã thực tế dựa trên những đặc tả chi tiết này.
Quy trình này đã trở nên hợp lý đến mức một số lập trình viên có thể quản lý các tính năng đơn giản hoàn toàn từ thiết bị di động, sử dụng các ứng dụng smartphone để tạo tác vụ, tạo kế hoạch và thậm chí merge mã đã hoàn thành thông qua giao diện di động của GitHub.
Quy trình mã hóa AI ba bước:
- Tạo nhiệm vụ - GPT-4 / Claude Opus tạo ra sự phân chia nhiệm vụ → tự đánh giá
- Tạo kế hoạch - Cùng một agent tạo kế hoạch triển khai → con người điều chỉnh
- Triển khai - Claude Sonnet / Codex viết mã → đánh giá & hợp nhất
Việc áp dụng cộng đồng và nhu cầu tích hợp
Phương pháp này đang được các lập trình viên trước đây gặp khó khăn với các công cụ lập trình AI quan tâm. Nhiều người đang tìm cách tích hợp quản lý tác vụ dựa trên markdown này với các hệ thống quản lý dự án hiện có như Jira, nhận ra tiềm năng để kết nối quy trình AI cá nhân với các công cụ cộng tác nhóm.
Sự thành công của phương pháp này cho thấy rằng tương lai của phát triển hỗ trợ bởi AI không nằm ở các mô hình mạnh mẽ hơn, mà ở những cách tốt hơn để cấu trúc và trình bày các vấn đề lập trình cho các hệ thống AI hiện có. Khi các lập trình viên tiếp tục hoàn thiện những quy trình này, chúng ta có thể sẽ thấy nhiều công cụ và quy trình được thiết kế đặc biệt cho sự cộng tác AI-con người trong phát triển phần mềm.
Tham khảo: Backlog.md