Thoughts on LLMs

Agentic Code Quality

Bối cảnh: Sự tăng trưởng của các AI agent như GitHub Copilot, Amazon CodeWhisperer đang thay đổi quy trình viết và đánh giá mã nguồn. Nguyên nhân kỹ thuật: Chất lượng mã hiện nay không chỉ do mô hình ngôn ngữ lớn quyết định mà còn do các ràng buộc được đặt xung quanh agent, bao gồm thiết kế prompt, bộ lọc output và các quy trình kiểm tra tự động. Hệ quả: Khi các ràng buộc này được áp dụng một cách nhất quán, nhóm phát triển quan sát được giảm đáng kể số lỗi logic và cảnh báo bảo mật; ngược lại, thiếu ràng buộc làm tăng nguy cơ đưa mã không an toàn vào sản xuất. Điều đáng học: Để duy trì chất lượng code trong môi trường agent‑driven, nhóm cần đầu tư vào xây dựng hệ thống ràng buộc rõ ràng và liên tục xem xét hiệu quả của chúng thay vì chỉ dựa vào sức mạnh của mô hình AI.

Đây là hướng dẫn thiết yếu để kiểm soát chất lượng code trong kỷ nguyên AI agents.

Fast and Hard Code

LLM đang thay đổi cách lập trình viên chọn ngôn ngữ khi viết code, vì chúng tạo ra đoạn mã nhanh hơn trong các ngôn ngữ bậc cao như Python và JavaScript. Nguyên nhân kỹ thuật là các mô hình đã được huấn luyện chủ yếu trên kho mã nguồn mở dominer bởi những ngôn ngữ này, khiến chúng hiểu và sinh ra cú pháp chính xác hơn so với C++ hoặc Rust. Khi dựa vào LLM, nhóm phát triển có xu hướng ưu tiên các ngôn ngữ mà mô hình hỗ trợ tốt, dù chúng có thể không tối ưu về thời gian thực hiện hoặc mức tiêu thụ bộ nhớ. Hệ quả là các dự án cần hiệu suất cao có thể bị lãng phí thời gian do việc dịch sang ngôn ngữ thấp hơn trở nên khó khăn và tốn lực. Bài học là trước khi quyết định ngôn ngữ, cần cân bằng giữa mức độ hỗ trợ của LLM và yêu cầu về hiệu suất thực tế của sản phẩm.

Bài viết này giúp lập trình viên hiểu cách lựa chọn ngôn ngữ lập hiệu quả khi làm việc với các mô hình ngôn ngữ lớn (LLM).

The AI Errors That Don’t Look Like Errors

Bài viết指出，AI thường tạo ra những lỗi không dễ phát hiện vì chúng không phải là trích dẫn hoàn toàn giả mạo mà là những nguồn thật nhưng có số trang, ngày tháng hoặc thống kê bị thay đổi nhẹ. Những lỗi này xảy ra khi mô hình truy xuất tài liệu thực sự rồi tự động chỉnh sửa lại chi tiết để phù hợp với ngữ cảnh mà nó đang tạo ra, dẫn tới những tham chiếu выглядят chính xác nhưng thực tế sai lệch. Khi vượt qua quá trình kiểm tra thường lệ, các sai số này có thể lọt vào bài báo, tài liệu kỹ thuật hoặc bài viết học thuật, gây nhầm lẫn và làm giảm độ tin cậy của nội dung được hỗ trợ bởi AI. Bài khuyên người đọc nên luôn xác thực từng trích dẫn bằng cách tra cứu nguồn gốc, kiểm tra lại các con số và sử dụng công cụ truy vết nguồn khi có thể. Việc xem đầu ra của AI như một bản nháp cần審閱而不是 kết luận cuối cùng là cách hiệu quả nhất để tránh những lỗi “không nhìn thấy là lỗi” này.

Bài viết này giúp lập trình viên nhận ra những sai lầm tinh vi của AI mà thông thường không thể phát hiện qua bình thường.

Extreme Programming 1999->2026

Phương pháp Extreme Programming (XP) ra đời từ năm 1999 vẫn là kim chỉ nam hiệu quả cho …

Architects, testers, and coders: Building multi-agent development teams

Bài viết mô tả nhu cầu porting các thư viện Python sang Dart để hỗ trợ phát triển ứng dụng Flutter. Để giải quyết, tác giả mô hình hoá các nhóm phát triển gồm kiến trúc sư, kiểm thử và lập trình viên làm việc như các tác nhân độc lập trên nền tảng Antigravity. Quy trình được xây dựng quanh test‑driven development: mỗi tác nhân viết test cho chức năng mong muốn trước khi triển khai mã Dart tương ứng. Kết quả là các gói Dart được tạo ra có cấu trúc idiomatis, duy trì tính nhất quán với nguồn Python và đạt độ bao phủ test cao sau mỗi vòng lặp. Từ kinh nghiệm này, bài viết khuyên áp dụng mô hình multi‑agent cùng TDD khi cần dịch sang ngôn ngữ mới vì nó giúp tách biệt trách nhiệm, phát hiện lỗi sớm và giảm phụ thuộc vào kiến thức thủ công về từng thư viện. Điều này cho thấy Antigravity có thể làm nền tảng mở rộng để quản lý các dự án porting lớn mà không làm tăngภาระ điều phối thủ công.

Bài viết hướng dẫn cách xây dựng đội ngũ phát triển đa đại lý để chuyển đổi thư viện Python thành gói Dart idiomatically bằng phương pháp phát triển theo hướng kiểm thử.

Stop burning tokens on code review

Tác giả chia sẻ cách xây dựng hệ thống giúp con người và AI triển khai sản phẩm nhanh chóng nhưng an toàn bằng cách sử dụng custom linters.

Lập trình viên nên đọc bài này để khám phá cách tối ưu hóa quá trình code review bằng cách sử dụng các công cụ linter cá nhân, giúp giảm thiểu việc tiêu thụ token (vốn AI) không cần thiết và tăng hiệu suất phát triển an toàn.

Slop Debt

Bài viết bắt đầu bằng việc xác định rằng công nợ kỹ thuật (tech debt) có quy tắc rõ ràng khi團隊故意 để lại lỗi nhỏ để đáp ứng hạn chót. Khi đó, các nhà phát triển thường ghi chú TODO fix this và mong đợi sẽ được xử lý sau khoảng thời gian nhất định, thường là sáu tháng. Do có giới hạn thời gian và khả năng truy vết, công nợ này gây phiền phức nhưng vẫn có thể đo lường và một kỹ sư cấp cao có thể vẽ bản đồ chỉ ra vị trí các "shallow bugs" trong mã nguồn. Điều này trái ngược với "slop debt" mà mô tả là sự tích lũy của mã nguồn loạn lạc mà không có bất kỳ ghi chú hoặc kế hoạch sửa chữa nào, khiến việc định vị và xử lý trở nên khó khăn hơn nhiều. Bài học chính là cần phân biệt hai loại nợ và áp dụng chiến lược trả nợ phù hợp: đối với tech debt, lên kế hoạch sửa trong chu kỳ phát hành; đối với slop debt, cần đầu tư tái cấu trúc sớm để tránh sự suy giảm không thể kiểm soát của chất lượng mã.

Bài viết này giúp lập trình viên nhận diện và quản lý các dạng nợ kỹ thuật vô hình mà không có quy tắc rõ ràng, gây nguy hiểm cho dự án.

Why use ORMs if LLMs write code?

ORMs vẫn cần thiết vì chúng cung cấp lớp trừu tượng an toàn, hiệu quả để tương tác với cơ sở dữ liệu, trong khi LLMs chỉ sinh code tiềm ẩn rủi ro lỗi, kém tối ưu và khó bảo trì. ORMs giúp chuẩn hóa truy vấn, tránh SQL injection và tối ưu hóa hiệu suất thông qua caching, điều mà code do LLM sinh ra khó đảm bảo.

Lập trình viên nên đọc bài này để hiểu cách ORM và SQL vẫn giữ vai trò quan trọng trong quản lý dữ liệu cơ bản, giúp tránh rủi ro lỗi và tối ưu hóa hiệu suất khi ứng dụng lớn cần kiểm soát trực tiếp dữ liệu.