Một bài viết gần đây về việc đạt được trạng thái flow khi lập trình với các AI agents đã gây ra cuộc tranh luận sôi nổi trong cộng đồng nhà phát triển. Cuộc thảo luận tập trung vào việc liệu phương pháp multi-agent trong phát triển phần mềm có thể thực sự tái tạo trạng thái tinh thần tập trung sâu mà các lập trình viên thường trải nghiệm trong những phiên coding hiệu quả nhất của họ hay không.
Quy trình gốc bao gồm việc sử dụng đồng thời ba AI agents: một cho implementation, một cho testing, và một thứ ba cho documentation. Phương pháp song song này nhằm tối đa hóa năng suất trong khi duy trì chất lượng code. Tuy nhiên, cộng đồng nhà phát triển vẫn chia rẽ về việc liệu điều này có cấu thành trạng thái flow thực sự hay chỉ đơn giản là quản lý tác vụ hiệu quả.
Cấu trúc quy trình làm việc đa tác nhân:
- Tác nhân 1: Người triển khai (thực thi logic cốt lõi)
- Tác nhân 2: Người kiểm thử (viết các bài test có ý nghĩa)
- Tác nhân 3: Người tài liệu hóa (cập nhật tài liệu dự án)
- Tất cả các tác nhân làm việc đồng thời trên cùng một nhiệm vụ để giảm thiểu xung đột merge
Bất đồng cốt lõi: Điều gì định nghĩa trạng thái Flow?
Tranh cãi chính xoay quanh bản chất cơ bản của chính trạng thái flow. Trạng thái flow truyền thống trong lập trình bao gồm sự tập trung sâu, không bị gián đoạn, nơi các nhà phát triển quên mất thời gian khi xây dựng các hệ thống phức tạp. Những người chỉ trích cho rằng việc quản lý nhiều AI agents tạo ra quá nhiều context switches để duy trì trạng thái tinh thần này.
Một nhà phát triển chỉ ra rằng context switching vốn dĩ bao gồm việc xóa bỏ trạng thái làm việc tinh thần của tôi, điều này kéo tôi ra khỏi trạng thái flow. Điều này làm nổi bật một thách thức quan trọng: trong khi các agents hoạt động song song, sự chú ý của con người vẫn hoạt động tuần tự. Chi phí tinh thần của việc chuyển đổi giữa các đầu ra agent khác nhau thực sự có thể ngăn cản sự tập trung liền mạch định nghĩa flow thực sự.
Tuy nhiên, những người ủng hộ phản bác rằng flow có thể xảy ra ở các mức độ trừu tượng khác nhau. Họ lập luận rằng việc điều phối nhiều agents trong khi sử dụng băng thông tinh thần dự phòng cho debugging và planning có thể tạo ra hình thức tham gia liên tục riêng của nó. Một số nhà phát triển có kinh nghiệm báo cáo đã thành công đạt được các trạng thái giống flow khi quản lý quy trình agent, đặc biệt trong các tác vụ kiến trúc hệ thống phức tạp.
Vấn đề thời gian chờ đợi
Một vấn đề thực tế đáng kể xuất hiện xung quanh thời gian phản hồi. Nhiều nhà phát triển thấy mình mất tập trung trong những phút chờ đợi dài để các AI agents hoàn thành tác vụ của họ. Điều này tạo ra một vùng trung gian khó xử nơi độ trễ quá dài để duy trì sự chú ý nhưng quá ngắn để tham gia có ý nghĩa vào công việc khác.
Vấn đề thời gian trở nên đặc biệt có vấn đề khi so sánh với quy trình coding truyền thống. Không giống như hợp tác giữa người với người nơi cả hai bên duy trì ngữ cảnh trong các cuộc thảo luận ngắn, các AI agents yêu cầu tái ngữ cảnh hóa hoàn toàn sau mỗi lần tạm dừng. Sự phân mảnh này có thể làm gián đoạn quá trình suy nghĩ liên tục cần thiết cho trạng thái flow.
Một số nhà phát triển đã thử nghiệm chạy nhiều agents để lấp đầy những khoảng trống này, nhưng phương pháp này đưa ra những thách thức mới xung quanh sự phối hợp và xung đột tiềm năng giữa các đầu ra agent khác nhau.
Mối quan ngại về chất lượng và tin cậy
Ngoài cuộc tranh luận về trạng thái flow, các nhà phát triển đặt ra những câu hỏi nghiêm túc về chất lượng code khi sử dụng AI agents một cách rộng rãi. Vấn đề cơ bản nằm ở gánh nặng xác minh đặt lên các nhà phát triển con người. Không giống như debugging code tự viết, việc xem xét code do AI tạo ra yêu cầu sự cảnh giác liên tục đối với những lỗi tinh vi có thể không rõ ràng ngay lập tức.
Nó sẽ nói dối tôi, nó mắc những lỗi khó tìm hoặc nhận ra (chỉ vì nó compile và chỉ vì nó chạy không có nghĩa là nó đúng... chỉ những lập trình viên rất junior mới nghĩ như vậy).
Chi phí xác minh này thực sự có thể tăng tải nhận thức thay vì giảm nó. Các nhà phát triển phải duy trì hiểu biết sâu về codebase trong khi đồng thời kiểm tra đầu ra AI về tính đúng đắn, tính nhất quán kiến trúc, và tuân thủ các tiêu chuẩn dự án.
Lợi thế của việc lập kế hoạch
Bất chấp những bất đồng về trạng thái flow, hầu hết các nhà phát triển đều thừa nhận giá trị của việc lập kế hoạch chi tiết khi làm việc với các AI agents. Phương pháp có cấu trúc của việc chia nhỏ các tác vụ thành các kế hoạch rời rạc, được tài liệu hóa tốt liên tục tạo ra kết quả tốt hơn so với prompting tùy tiện.
Giai đoạn lập kế hoạch này phục vụ nhiều mục đích: nó cung cấp ngữ cảnh rõ ràng cho các AI agents, tạo ra các điểm kiểm tra để tiếp tục công việc sau khi bị gián đoạn, và buộc các nhà phát triển suy nghĩ thông qua các quyết định kiến trúc trước khi bắt đầu implementation. Nhiều nhà phát triển báo cáo rằng khoản đầu tư trước này vào lập kế hoạch cải thiện cả chất lượng đầu ra AI và hiểu biết của chính họ về không gian vấn đề.
Quá trình lập kế hoạch cũng cho phép song song hóa công việc tốt hơn trên nhiều agents, giảm khả năng xung đột và đảm bảo rằng các thành phần khác nhau tích hợp đúng cách.
Các Bước Quy Trình Lập Kế Hoạch:
- Tạo kế hoạch trong thư mục
./ai/plans/ - Chia nhỏ các ticket JIRA thành nhiều PR riêng biệt
- Mỗi PR sẽ có file kế hoạch tương ứng (ví dụ: JIRA-1234-1.md)
- Kế hoạch được viết bởi AI agent để thực thi tự động
- Xóa kế hoạch sau khi hoàn thành nhiệm vụ
 |
|---|
| Hướng dẫn trực quan về việc đạt được trạng thái flow với agentic coding thông qua việc lập kế hoạch có cấu trúc |
Nhìn về phía trước
Cuộc tranh luận phản ánh những câu hỏi rộng hơn về tương lai của phát triển phần mềm. Khi các công cụ coding AI trở nên tinh vi hơn, các nhà phát triển phải điều hướng sự cân bằng giữa việc tận dụng tự động hóa và duy trì sự tham gia kỹ thuật sâu thúc đẩy đổi mới và chất lượng.
Trong khi bồi thẩm đoàn vẫn chưa có kết luận về việc liệu coding hỗ trợ AI có thể thực sự tái tạo các trạng thái flow truyền thống hay không, cuộc thảo luận làm nổi bật những cân nhắc quan trọng cho các nhà phát triển áp dụng những công cụ này. Thành công có thể phụ thuộc vào phong cách làm việc cá nhân, độ phức tạp dự án, và việc triển khai cụ thể các quy trình hỗ trợ AI.
Việc thử nghiệm đang diễn ra với các phương pháp multi-agent cho thấy rằng cộng đồng phát triển đang tích cực làm việc để tối ưu hóa những mô hình mới này, ngay cả khi những câu hỏi cơ bản về tác động của chúng đến trải nghiệm coding vẫn chưa được giải quyết.
Tham khảo: Getting Into Flow State with Agentic Coding