Tư duy lập trình thay đổi khi mô hình AI tự tiến hóa
Quyết định cắt giảm 80% độ dài prompt hệ thống của đội ngũ phát triển Claude Code tại Anthropic mới đây đã làm nhiều người bất ngờ. Trước đây, giới làm công nghệ vẫn truyền tai nhau công thức viết prompt càng chi tiết càng tốt, kèm theo cả danh sách dài những việc không được làm. Nhưng thực tế vận hành với các mô hình mới như Fable 5 hay Opus 4.8 lại chứng minh điều ngược lại. Việc nhồi nhét quá nhiều ví dụ hay điều kiện ràng buộc đôi khi làm giảm chất lượng phản hồi của mô hình. Điều này buộc chúng ta phải thay đổi cách tiếp cận khi xây dựng các ứng dụng tích hợp AI.
Khi prompt ngắn lại và hiệu quả hơn
Trong buổi trò chuyện tại sự kiện AI Engineer World’s Fair, hai kỹ sư Cat Wu và Thariq Shihipar từ Anthropic đã chia sẻ cách họ tối ưu hóa Claude Code. Việc tinh giản prompt hệ thống không phải là một quyết định ngẫu hứng. Thực tế thì, các mô hình ngôn ngữ lớn thế hệ mới đã thông minh hơn nhiều trong việc hiểu ngữ cảnh trực tiếp.
Khi cố gắng nhét quá nhiều quy tắc - như yêu cầu tránh làm việc này hoặc cấm làm việc kia - chúng ta vô tình tạo ra các rào cản suy luận cho mô hình. Đội ngũ phát triển nhận ra rằng, thay vì viết tài liệu hướng dẫn dài dòng cho AI, việc để mô hình tự suy luận từ yêu cầu cốt lõi đem lại kết quả tốt hơn.
Họ gọi quá trình tự trải nghiệm sản phẩm nội bộ này là “ant-fooding” - một cách chơi chữ từ khái niệm “dogfooding” quen thuộc của giới công nghệ. Mọi tính năng mới của Claude Code đều được thử nghiệm trên chính các kỹ sư của Anthropic trước khi phát hành ra bên ngoài. Chỉ những tính năng thực sự giúp tăng hiệu suất và giữ chân được người dùng nội bộ mới được giữ lại.
Để AI tự viết code nhưng vẫn giữ quyền kiểm soát
Một con số đáng chú ý là Claude Tag - công cụ tích hợp Slack của Anthropic - hiện đang xử lý tới 65% số lượng pull request (PR) cho chính đội ngũ phát triển Claude Code. Điều này có nghĩa là phần lớn mã nguồn của công cụ này đang được viết bởi chính nó thông qua chế độ tự động (auto mode).
Tuy nhiên, điều đó không đồng nghĩa với việc giao phó hoàn toàn dự án cho AI. Các kỹ sư Anthropic vẫn duy trì quy trình kiểm duyệt thủ công đối với những thay đổi quan trọng trong nhân hệ thống. Họ chỉ tự động hóa khâu duyệt code ở các lớp ngoài của sản phẩm.
Nhiều lập trình viên lo ngại làn sóng AI sẽ khiến vai trò của họ mờ nhạt đi. Nhưng Thariq Shihipar đưa ra một lời khuyên thực tế: thay vì lo lắng, hãy tận dụng năng lực của các tác nhân tự động để nhận những dự án lớn hơn, đòi hỏi độ phức tạp cao hơn. Khi AI lo phần việc lặp đi lặp lại, người làm công nghệ có thể tập trung vào kiến trúc hệ thống và giải quyết các bài toán nghiệp vụ hóc búa.
Đưa mô hình AI về chạy cục bộ trên máy cá nhân
Không chỉ dừng lại ở các dịch vụ đám mây, xu hướng chạy mô hình AI trực tiếp trên máy tính cá nhân đang ngày càng thực tế hơn. Gần đây, nhà phát triển Prince Canuma - người đứng sau thư viện MLX-VLM - đã giới thiệu Nativ, một ứng dụng chạy mô hình AI cục bộ dành riêng cho hệ điều hành macOS.
Nativ đóng gói thư viện MLX của Apple vào một giao diện máy tính để bàn thân thiện. Nó vừa cung cấp cửa sổ trò chuyện trực quan, vừa mở một máy chủ API nội bộ để các ứng dụng khác truy cập. Điểm tiện lợi của Nativ là khả năng tự động nhận diện các mô hình đã được tải về trong thư mục lưu tạm (cache) của Hugging Face trên máy.
Đối với các kỹ sư phần mềm, việc chạy mô hình cục bộ giải quyết được hai vấn đề lớn: chi phí sử dụng API và bảo mật dữ liệu. Chúng ta không cần gửi mã nguồn của công ty lên máy chủ của bên thứ ba, và cũng không phụ thuộc vào đường truyền internet khi cần chạy thử nghiệm nhanh.
Giải quyết bài toán dữ liệu bằng môi trường mô phỏng
Một mảng khác của AI cũng đang đòi hỏi tư duy hệ thống rất khác là AI vật lý (Physical AI) và robot. Khác với các mô hình ngôn ngữ lớn có thể dễ dàng thu thập dữ liệu từ internet, robot cần phải tương tác trực tiếp với thế giới vật lý để học hỏi.
Nhưng việc huấn luyện một robot trong đời thực rất tốn kém và rủi ro. Nếu một cánh tay robot làm rơi cốc nước hoặc va chạm sai góc, thiết bị phần cứng có thể bị hỏng ngay lập tức. Để giải quyết vấn đề này, các kỹ sư phải dựa vào các môi trường mô phỏng vật lý để tạo ra dữ liệu huấn luyện.
Hiện nay, việc lựa chọn công cụ mô phỏng phụ thuộc lớn vào bài toán cụ thể của dự án:
- MuJoCo: Phù hợp cho việc mô phỏng khớp động học và các tác vụ tiếp xúc chính xác cao.
- Isaac Sim và Isaac Lab (Nvidia): Tận dụng sức mạnh của GPU để mô phỏng hàng nghìn robot cùng lúc, giúp tăng tốc quá trình học tăng cường.
- Newton: Công cụ mô phỏng vật lý hiện đại tối ưu hóa cho GPU, hỗ trợ đắc lực cho các hệ thống robot thế hệ mới.
Môi trường mô phỏng cho phép robot học cách di chuyển, cầm nắm hàng triệu lần trong không gian ảo trước khi nạp chương trình vào robot thật. Điều này đòi hỏi các kỹ sư phần mềm không chỉ biết về AI mà còn phải hiểu sâu về cơ học vật lý và lập trình đồ họa để thiết lập môi trường mô phỏng chính xác.
Lỗ hổng bảo mật ngay trong quá trình đánh giá
Tuy nhiên, việc tích hợp AI vào quy trình làm việc cũng đi kèm những rủi ro bảo mật mới. Vụ tấn công mạng nhắm vào đường truyền dữ liệu của Hugging Face gần đây là một ví dụ điển hình. Theo thông tin công bố, kẻ tấn công đã sử dụng chính ChatGPT của OpenAI để thực hiện hành vi đầu độc dữ liệu trong quá trình đánh giá mô hình.
Sự cố này xảy ra khi các bên đang phối hợp thử nghiệm và đánh giá hiệu năng của mô hình AI. Nó cho thấy lỗ hổng không chỉ nằm ở sản phẩm cuối cùng mà có thể xuất hiện ngay trong quy trình phát triển và kiểm thử ban đầu.
Để giúp người đọc dễ hình dung về các giải pháp bảo mật và công cụ hỗ trợ hiện nay, bảng dưới đây so sánh các phương thức tiếp cận phổ biến khi làm việc với AI trong doanh nghiệp:
| Phương thức tiếp cận | Ưu điểm | Nhược điểm | Trường hợp sử dụng phù hợp |
|---|---|---|---|
| Sử dụng API đám mây (như Gemini Flash, Claude) | Tốc độ xử lý nhanh, không cần phần cứng mạnh | Chi phí tích lũy cao, rủi ro rò rỉ dữ liệu | Thử nghiệm nhanh, ứng dụng cần tài nguyên tính toán lớn |
| Chạy mô hình cục bộ (như Nativ trên Mac) | Bảo mật tuyệt đối, không tốn phí duy trì API | Giới hạn bởi cấu hình phần cứng máy cá nhân | Phát triển nội bộ, xử lý dữ liệu nhạy cảm |
| Tác nhân tự động (như Claude Tag) | Tự động hóa phần lớn quy trình viết code | Cần giám sát chặt chẽ để tránh lỗi logic | Bảo trì hệ thống, viết mã nguồn phụ trợ |
Nhìn lại những chuyển dịch trên, rõ ràng cách chúng ta tương tác với AI đang thay đổi nhanh chóng. Việc viết những dòng prompt dài hàng trang giấy đã không còn là kỹ năng cốt lõi khi các mô hình ngày càng tự hiểu ngữ cảnh tốt hơn.
Đối với các kỹ sư công nghệ tại Việt Nam, lời khuyên thiết thực lúc này là hãy bắt đầu dịch chuyển từ tư duy gõ prompt sang tư duy thiết kế quy trình. Hãy thử đưa các mô hình nhỏ về chạy cục bộ trên máy bằng các công cụ như Nativ để hiểu rõ giới hạn phần cứng. Nhưng quan trọng hơn cả, khi xây dựng các hệ thống tự động hóa bằng AI, hãy luôn đặt vấn đề bảo mật dữ liệu lên hàng đầu - ngay từ khâu kiểm thử ban đầu.