After hundreds of hours using AI coding tools like Claude, Copilot, and JetBrains Junie on real production services, the author found that AI didn't just make coding faster — it exposed weak engineering habits. Key lessons include: writing clear specifications before requesting code, treating AI context as a finite resource by keeping tasks small and focused, always reviewing AI-generated plans before implementation, avoiding having the same AI review its own output, and maintaining strict diff size discipline. The author advocates for spec-driven development as the core workflow shift, arguing that the habits AI rewards — clear requirements, small changes, independent review, meaningful tests — are simply good engineering practices that outlast any specific tool.
Nguồn: https://techhub.iodigital.com/articles/what-ai-secretly-changed-about-my-engineering. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Trước khi đi nghỉ, nhà phát triển nên thêm vào codebase một test lỗi cùng comment TODO rõ ràng. Điều này giúp xác định điểm khởi đầu khi quay lại, tránh tình trạng mất phương hướng sau kỳ nghỉ.
Lập trình viên nên đọc bài này để tránh mất thời gian và căng thẳng khi quay trở lại công việc sau kỳ nghỉ khi không có hướng dẫn rõ ràng để bắt đầu sửa lỗi hoặc phát triển tiếp.
Storybook vừa ra mắt @storybook/tanstack-react, một framework chuyên dụng hỗ trợ ứng dụng React sử dụng TanStack. Nó cung cấp tự động bọc RouterProvider với lịch sử in-memory, cấu hình route/params/query type-safe, mock server functions của TanStack Start, và tích hợp TanStack Query qua QueryClient seeding.
Lập trình viên cần đọc bài này để khám phá cách Storybook tích hợp với TanStack React giúp tự động hóa quản lý route, mock dữ liệu và tối ưu hóa quy trình phát triển với các tính năng như RouterProvider in-memory, stubbing server-side và tích hợp QueryClient một cách đơn giản.
Phiên bản Deno 2.9 bổ sung công cụ deno desktop để xây dựng ứng dụng desktop native từ công nghệ web, tạo ra các tệp thực thi duy nhất với backend webview hoặc CEF. Cải tiến đáng chú ý bao gồm hỗ trợ di chuyển từ lockfile npm/pnpm/yarn/Bun, snapshot testing, test theo tham số, tối ưu hiệu suất khởi động lạnh gấp đôi và giảm 3 lần bộ nhớ khi tải nặng.
Nếu bạn đang tìm cách xây dựng ứng dụng desktop hiệu quả từ công nghệ web, nâng cấp khả năng kiểm thử và an toàn trong dự án của mình, hoặc muốn tối ưu hóa hiệu suất và quản lý phụ thuộc, Deno 2.9 sẽ là công cụ quan trọng giúp bạn giải quyết những thách thức này một cách hiện đại và hiệu quả.
Adam Bender, kỹ sư phần mềm chính tại Google, cho rằng cuộc tranh luận về AI coding quá tập trung vào tốc độ và sinh code, bỏ qua những thách thức kỹ thuật rộng lớn hơn. Ông phân biệt lập trình (một cá nhân viết code) với kỹ thuật phần mềm (duy trì code sống, tích hợp và dễ bảo trì trong nhiều năm), nhấn mạnh AI thúc đẩy phần trước nhưng hầu như không ảnh hưởng đến phần sau. Những lo ngại chính bao gồm hệ sinh thái nhà phát triển như một hệ thống thích ứng phức tạp, nguy cơ mất kiểm soát trí tuệ khi codebase phát triển nhanh hơn khả năng hiểu của con người, lỗ hổng kiểm thử tích hợp khi AI tạo ra quá nhiều unit test, các API nội bộ trở nên công khai vô tình do AI bỏ qua ranh giới không chính thức, và khó khăn trong việc dạy phán đoán kỹ thuật cho lập trình viên mới sử dụng AI. Ông khuyến nghị bắt đầu bằng cách xác định chất lượng phù hợp với doanh nghiệp, sau đó lập bản đồ toàn bộ hệ sinh thái nhà phát triển để dự đoán hậu quả cấp hai và cấp ba từ việc tăng đột ngột sản lượng code.
Lập trình viên nên đọc bài này để hiểu cách AI không chỉ thay đổi cách viết code mà còn làm thay đổi toàn bộ quy trình và văn hóa của software engineering, từ việc quản lý codebase lớn đến việc đào tạo kỹ năng quyết định cho đội ngũ mới.
Bài viết phản ánh sự thay đổi trong cách học lập trình trong 30 năm, từ giai đoạn thiếu tài nguyên thúc đẩy sự sâu sắc sang thời đại thừa mứa gây lo âu. Tác giả chỉ ra sự khác biệt giữa việc học tập tò mò, tập trung những năm 1990 với môi trường học tập vô tận, biểu diễn xã hội và tiêu thụ dựa trên nỗi sợ hiện nay, đồng thời cảnh báo nguy cơ AI xóa bỏ những khoảnh khắc khó khăn hình thành hiểu biết thật sự.
Lập trình viên nên đọc bài này để nhận thức rõ cách học kỹ thuật ngày nay thường bị lạm dụng bởi sự dễ dàng của công nghệ và áp lực xã hội, khiến họ rơi vào thói quen "học mà không thực sự hiểu" thay vì tìm kiếm sự sâu sắc và tự phát triển bản thân.
Kỹ sư phần mềm Avital Tamir đề xuất thay thế việc review code thủ công bằng AI, cho rằng peer review truyền thống chậm chạp, kém hiệu quả và chỉ phát hiện lỗi định dạng thay vì lỗi thật sự. Ông ủng hộ mô hình tự review nghiêm ngặt với sự hỗ trợ của AI (như CodeRabbit, Claude Code Review) nhằm nâng cao chất lượng code và trách nhiệm thuộc về lập trình viên nắm rõ nhất dự án.
Những lập trình viên muốn nâng cao hiệu quả phát triển bằng cách giảm thiểu lỗi do thiếu tập trung và nhầm lẫn từ quá trình đánh giá đồng nghiệp truyền thống phải tìm hiểu cách áp dụng AI để tự kiểm tra và cải thiện mã một cách hiệu quả.
Codex (OpenAI) và Claude Code (Anthropic) là hai trợ lý lập trình AI với triết lý khác biệt: Codex ưu tiên thực thi tác vụ tự động, phù hợp với nhóm cần năng suất cao; Claude Code tập trung cộng tác tương tác, lý giải chi tiết, dành cho nhà phát triển muốn giám sát chặt chẽ. Lựa chọn phụ thuộc vào quy trình làm việc, mức độ tự chủ mong muốn và mục tiêu phát triển của đội.
Những lập trình viên muốn tìm hiểu cách chọn công cụ hỗ trợ phát triển phù hợp với phong cách làm việc cá nhân hay nhóm, từ tính năng tự động hóa đến sự tương tác thiết kế, sẽ tìm thấy giải đáp chi tiết trong so sánh này.
Meta xây dựng DEmate, trợ lý AI chuyên biệt cho nền tảng data engineering nội bộ, thay thế các LLM tổng quát không hiểu các công cụ, SQL macros hay UDFs riêng. Hệ thống sử dụng kiến trúc "Recipe" gồm 4 giai đoạn (lựa chọn, tiêm ngữ cảnh, sinh code, kiểm định) với ~70 recipes DE, kết hợp chaining và disclosure để giảm lỗi ảo giác. DEmate triển khai trên IDE, giao diện SQL và công cụ quản lý task, đạt 3.500 người dùng hàng tuần và tỷ lệ chấp nhận code 80% sau 5 tháng.
Lập trình viên data cần đọc để hiểu cách xây dựng một công cụ AI chuyên biệt hóa cho stack riêng biệt, từ đó áp dụng kiến thức về recipe architecture và code review AI để tối ưu hóa hiệu suất và chất lượng trong công việc xử lý dữ liệu của riêng mình.