Cộng đồng phát triển phần mềm đang trải qua một sự thay đổi đáng kể khi các công cụ coding AI trở nên phổ biến hơn trong các dự án phức tạp. Trong khi một số nhà phát triển báo cáo những cải thiện năng suất đáng kể, những người khác lại nâng lên những lo ngại về chất lượng code, quy trình review và chi phí đáng kể liên quan đến việc phát triển có sự hỗ trợ của AI.
Những Câu Chuyện Thành Công và Đổi Mới Quy Trình Làm Việc
Một số nhà phát triển đã chia sẻ những kết quả ấn tượng khi sử dụng AI cho các dự án coding quy mô lớn. Một nhà phát triển làm việc trên codebase 200.000 dòng đã báo cáo việc sử dụng các công cụ AI tiên tiến như GPT-5-Codex với gói đăng ký 200 đô la Mỹ hàng tháng, mô tả một quy trình làm việc bao gồm mô tả chi tiết vấn đề, tạo Product Requirements Documents (PRDs), và tạo code lặp đi lặp lại với các công cụ review AI.
Quy trình thường bao gồm ghi âm 20-60 phút mô tả bằng giọng nói, chuyển đổi chúng thành các đặc tả kỹ thuật, và để các AI agent tạo ra cả code và các bài test toàn diện. Cách tiếp cận này đã cho phép một số team hoàn thành những gì theo truyền thống sẽ mất nhiều tuần công việc chỉ trong vài ngày, mặc dù kết quả vẫn cần sự giám sát và kiểm tra cẩn thận từ con người.
Các Bước Quy Trình Lập Trình với AI
- Giai đoạn Nghiên cứu: Phân tích codebase hiện có và các yêu cầu
- Giai đoạn Lập kế hoạch: Tạo ra các đặc tả chi tiết và PRD
- Giai đoạn Triển khai: AI tạo ra mã code với sự giám sát của con người
- Giai đoạn Đánh giá: Kiểm thử tự động và tuân thủ đặc tả kỹ thuật
- Giai đoạn Hoàn thiện: 4-5 giờ tinh chỉnh mã code thủ công
Thách Thức Trong Code Review và Lo Ngại Về Chất Lượng
Cộng đồng đang chia rẽ sâu sắc về các thực hành code review đối với code được tạo bởi AI. Một số nhà phát triển đang chuyển hướng khỏi việc review code từng dòng, thay vào đó tập trung vào việc tuân thủ đặc tả kỹ thuật và automated testing. Tuy nhiên, sự thay đổi này đã gây ra cuộc tranh luận gay gắt giữa các kỹ sư phần mềm, những người coi code review kỹ lưỡng là điều cần thiết để duy trì chất lượng.
Tôi đã phải học cách buông bỏ việc đọc từng dòng code trong PR. Tôi vẫn đọc các test khá cẩn thận, nhưng các đặc tả kỹ thuật đã trở thành nguồn chân lý của chúng tôi về những gì đang được xây dựng và tại sao.
Sự xuất hiện của các pull request 20.000+ dòng đã trở thành một điểm tranh cãi đặc biệt. Trong khi những người ủng hộ lập luận rằng những thay đổi lớn này có thể được quản lý hiệu quả thông qua các đặc tả kỹ thuật phù hợp và automated testing, những người chỉ trích coi những đống code khổng lồ như vậy về cơ bản là không thể review được và có khả năng nguy hiểm cho các hệ thống production.
Quy Mô Dự Án Được Báo Cáo
- Các dự án cá nhân: 200.000+ dòng code
- Các dự án nhóm: 300.000+ dòng code ( Rust )
- Các pull request đơn lẻ: 20.000-35.000 dòng code
- Thời gian phát triển: Từ nhiều tuần theo cách truyền thống được nén lại thành một ngày
Thực Tế Tài Chính và Khả Năng Tiếp Cận
Chi phí liên quan đến việc coding AI hiệu quả đang chứng tỏ là đáng kể. Các team phát triển báo cáo chi tiêu khoảng 12.000 đô la Mỹ hàng tháng cho các dịch vụ AI tiên tiến như Claude Opus cho các dự án phức tạp. Các tính năng riêng lẻ có thể tốn 650 đô la Mỹ cho API token, khiến cách tiếp cận này chủ yếu chỉ có thể tiếp cận được với các team và công ty được tài trợ tốt.
Đối với các nhà phát triển làm việc trên các dự án mã nguồn mở hoặc những người có ngân sách hạn chế, những chi phí này tạo ra một rào cản đáng kể cho việc áp dụng. Các yêu cầu tài chính đang đẩy nhiều người tiếp tục với các phương pháp coding truyền thống hoặc tìm kiếm các lựa chọn thay thế có giá cả phải chăng hơn.
Chi phí Công cụ Lập trình AI (Hàng tháng)
- Gói đăng ký cá nhân GPT-5-Codex : $200 USD
- Nhóm 3 lập trình viên sử dụng Claude Opus : $12,000 USD
- Phát triển một tính năng đơn lẻ: ~$650 USD cho API tokens
- Gói đăng ký Claude Max : Bắt buộc cho các dự án phức tạp
Hạn Chế Kỹ Thuật và Quản Lý Context
Bất chấp những kết quả đầy hứa hẹn, các nhà phát triển đang gặp phải những thách thức kỹ thuật đáng kể. Các công cụ AI gặp khó khăn với kiến thức chuyên ngành, các vấn đề đồng thời, và duy trì tính nhất quán trên các codebase lớn. Nhiều người báo cáo rằng AI hoạt động tốt trên các tác vụ thuật toán nhưng thất bại khi xử lý các API chuyên biệt, logic business phức tạp, hoặc lập trình low-level như phát triển firmware.
Quản lý context đã nổi lên như một kỹ năng quan trọng, với các nhà phát triển tạo ra các hệ thống tài liệu và đặc tả kỹ thuật phức tạp để hướng dẫn hành vi AI. Context engineering này đòi hỏi đầu tư upfront đáng kể và bảo trì liên tục, khiến một số người đặt câu hỏi liệu những cải thiện năng suất có xứng đáng với overhead hay không.
Sự Chia Rẽ Trong Ngành và Tác Động Tương Lai
Cộng đồng phát triển phần mềm dường như chia rẽ giữa những người áp dụng sớm nhìn thấy tiềm năng chuyển đổi và những người hoài nghi lo lắng về chất lượng code và tiêu chuẩn nghề nghiệp. Một số nhà phát triển bày tỏ lo ngại rằng ngành đang hướng tới một mô hình nơi việc hiểu và tạo ra code trở nên thứ yếu so với việc quản lý các hệ thống AI.
Cuộc tranh luận phản ánh những câu hỏi rộng lớn hơn về tương lai của kỹ nghệ phần mềm như một nghề nghiệp. Trong khi các công cụ AI tiếp tục cải thiện và chi phí có thể giảm theo thời gian, trạng thái hiện tại đòi hỏi chuyên môn đáng kể, tài nguyên tài chính và những thay đổi quy trình mà không phải tất cả nhà phát triển hoặc tổ chức đều có thể đáp ứng.
PRD: Product Requirements Document - một tài liệu tiêu chuẩn ghi lại các chi tiết cần thiết của một tính năng mới, bao gồm mục tiêu, tiêu chí thành công và chi tiết triển khai.
Context Engineering: Thực hành cố ý cấu trúc và quản lý thông tin được cung cấp cho các hệ thống AI để cải thiện chất lượng và tính liên quan của đầu ra.
Tham khảo: Getting AI to Work in Complex Codebases