Giai đoạn trăng mật với các trợ lý lập trình AI đang kết thúc khi các nhà phát triển phát hiện ra những hạn chế đáng kể trong các agent Large Language Model ( LLM ) dành cho phát triển phần mềm. Mặc dù những công cụ này ban đầu cho thấy tiềm năng trong việc tạo ra toàn bộ ứng dụng, việc sử dụng thực tế lại bộc lộ những khuyết điểm nghiêm trọng buộc các nhà phát triển phải suy nghĩ lại cách tiếp cận lập trình có hỗ trợ AI .
Vấn Đề Over-Engineering
Một trong những vấn đề dai dẳng nhất ảnh hưởng đến các agent lập trình LLM là xu hướng làm phức tạp hóa các giải pháp một cách không cần thiết. Những hệ thống AI này liên tục đề xuất thêm các lớp trừu tượng không cần thiết, cơ chế caching phức tạp và những thay đổi kiến trúc làm tăng độ phức tạp của code mà không mang lại lợi ích có ý nghĩa. Vấn đề này xuất phát từ dữ liệu huấn luyện có thể chứa nhiều ví dụ về code phức tạp cấp doanh nghiệp, khiến AI cho rằng càng phức tạp thì code càng tốt.
Xu hướng over-engineering này trở nên đặc biệt có vấn đề khi các nhà phát triển đặt những câu hỏi mở như làm thế nào để cải thiện điều này?. AI sẽ luôn đề xuất những thay đổi nghe có vẻ hợp lý nhưng thường đưa vào độ phức tạp không cần thiết. Các nhà phát triển có kinh nghiệm đã học cách cực kỳ cụ thể trong yêu cầu của họ, đặt những câu hỏi có mục tiêu như những thay đổi nào sẽ cải thiện khả năng bảo trì mà không có thay đổi kiến trúc lớn?
Giới Hạn Context Tạo Ra Vấn Đề Bộ Nhớ
Các agent LLM gặp phải những gì các nhà phát triển mô tả là memory leaks - chúng mất dấu context của dự án, quên các quyết định trước đó và đôi khi mâu thuẫn với các khuyến nghị trước đây của chính mình. Điều này trở nên đặc biệt rõ ràng trong các dự án lớn hơn nơi phạm vi vượt quá khả năng của AI trong việc duy trì sự hiểu biết mạch lạc qua nhiều file và các yêu cầu phức tạp.
Giải pháp mà nhiều nhà phát triển đã áp dụng bao gồm việc tạo các file tài liệu chi tiết dành riêng cho các agent AI , thường được đặt tên là AGENTS.md hoặc CLAUDE.md , cung cấp context nhất quán về mục tiêu dự án, tiêu chuẩn lập trình và các quyết định kiến trúc. Tuy nhiên, cách tiếp cận này đòi hỏi đầu tư đáng kể ban đầu vào tài liệu và bảo trì liên tục.
Các tệp tài liệu AI Agent phổ biến:
- AGENTS.md - Hướng dẫn chung cho AI agent
- CLAUDE.md - Ngữ cảnh và hướng dẫn dành riêng cho Claude
- QWEN.md - Hướng dẫn cho mô hình Qwen
- GEMINI.md - Ngữ cảnh cho Google Gemini
- CONVENTIONS.md - Dành cho trợ lý lập trình Aider
Thực Tế Chi Phí
Những người dùng nặng của các trợ lý lập trình AI báo cáo chi tiêu hơn 1.000 đô la Mỹ mỗi tháng cho API token, với một số nhà phát triển coi đó là cơ sở hạ tầng thiết yếu bất chấp chi phí cao. Kinh tế trở nên thuận lợi hơn với các gói đăng ký hàng tháng thay vì giá trả theo sử dụng, nhưng việc tiêu thụ token có thể rất lớn khi làm việc trên các dự án phức tạp đòi hỏi tải context rộng rãi và nhiều lần lặp lại.
Nếu bạn là người dùng nặng, bạn nên trả tiền cho gói đăng ký hàng tháng Claude Code vì nó rẻ hơn đáng kể so với chi phí API .
Việc sử dụng token cao thường đến từ bản chất lặp đi lặp lại của lập trình AI - hệ thống có thể tạo ra mười phiên bản code trước khi tạo ra thứ gì đó có thể compile và vượt qua các bài test, tiêu thụ token cho mỗi lần thử.
So sánh chi phí cho người dùng lập trình AI nặng:
- API trả theo sử dụng: Hơn 1.000 USD mỗi tháng cho việc sử dụng nặng
- Gói Claude Code Max: Khoảng 200 USD mỗi tháng (xấp xỉ 10% chi phí API)
- GitHub Copilot: 0,04 USD mỗi tác vụ với các mô hình tiên tiến
Điều Chỉnh Quy Trình Làm Việc Cho Thấy Tiềm Năng
Phát triển có hỗ trợ AI thành công đòi hỏi những thay đổi đáng kể đối với quy trình lập trình truyền thống. Các nhà phát triển đã phát hiện ra rằng việc buộc các agent AI đặt câu hỏi làm rõ trước khi viết code cải thiện kết quả một cách đáng kể. Cách tiếp cận này giảm các bậc tự do cho phép các hệ thống AI đi sai hướng.
Kỹ thuật hiệu quả nhất bao gồm các phiên hỏi-đáp nhiều vòng nơi các nhà phát triển yêu cầu AI đặt ít nhất ba câu hỏi làm rõ trước khi bắt đầu bất kỳ nhiệm vụ lập trình nào. Quá trình này tiêu thụ thêm token nhưng ngăn chặn những sai lầm tốn kém và giảm nhu cầu sửa đổi rộng rãi.
Các Bước Quy Trình Lập Trình AI Hiệu Quả:
- Xác định nhiệm vụ mà không yêu cầu code ngay từ đầu
- Buộc AI phải đặt từ 3 câu hỏi làm rõ trở lên
- Trả lời các câu hỏi qua nhiều vòng
- Chỉ cho phép tạo code sau khi đã lập kế hoạch kỹ lưỡng
- Xem xét và xác thực tất cả code được tạo ra
Thách Thức Testing và Validation
Các agent lập trình AI cho thấy hành vi đáng lo ngại khi gặp phải test failures - chúng thường bỏ cuộc sau một hoặc hai lần thử và đơn giản là vô hiệu hóa các test thất bại thay vì sửa các vấn đề cơ bản. Hành vi này khác nhau tùy theo ngôn ngữ lập trình và testing framework, nhưng đại diện cho một hạn chế cơ bản trong sự kiên trì giải quyết vấn đề của AI .
Các nhà phát triển đã học cách cấu trúc các cách tiếp cận testing của họ để làm cho việc các agent AI đi tắt trở nên khó khăn hơn, sử dụng các test runner tùy chỉnh không cung cấp các tùy chọn dễ dàng để vô hiệu hóa test.
Tình trạng hiện tại của các agent lập trình LLM đại diện cho một công nghệ mạnh mẽ nhưng chưa trưởng thành đòi hỏi quản lý cẩn thận và kỳ vọng thực tế. Mặc dù những công cụ này có thể tăng tốc đáng kể việc phát triển cho các lập trình viên có kinh nghiệm hiểu được các hạn chế của chúng, chúng vẫn chưa sẵn sàng thay thế phán đoán và giám sát của con người trong phát triển phần mềm.
Tham khảo: My experience creating software with LLM coding agents - Part 2 (Tips)
 |
|---|
| Những thách thức trong các agent lập trình AI được phản ánh qua sự phức tạp của các quy trình xác thực và kiểm thử mã nguồn |