AI đang thay đổi cách phần mềm được thiết kế, lập trình và kiểm thử. Với một vài câu lệnh, lập trình viên có thể tạo API, sinh bộ kiểm thử, giải thích mã nguồn hoặc xây dựng nhanh một tính năng mới. Tuy nhiên, tốc độ này cũng đi kèm rủi ro: mã nguồn do AI tạo ra có thể dư thừa, khó hiểu, thiếu kiểm thử, sai logic nghiệp vụ hoặc khiến kiến trúc dự án ngày càng phức tạp.
Hiện tượng này thường được gọi là AI slop code — những đoạn mã được tạo ra nhanh nhưng chất lượng thấp, thiếu định hướng và không phù hợp với tiêu chuẩn của hệ thống. Vấn đề không nằm ở việc sử dụng AI, mà nằm ở cách chúng ta giao nhiệm vụ, kiểm soát kết quả và đưa mã do AI sinh ra vào quy trình phát triển.
Bài viết này trình bày một quy trình thực tế để sử dụng AI coding agent hiệu quả hơn, giảm mã nguồn rác và duy trì chất lượng phần mềm trong dài hạn.
Mục lục
AI slop code là gì?
AI slop code là cách gọi không chính thức dành cho mã nguồn được tạo bởi AI nhưng có một hoặc nhiều đặc điểm sau:
- Không tuân thủ kiến trúc hoặc quy ước hiện có của dự án.
- Chứa nhiều mã lặp, mã chết hoặc phần xử lý không cần thiết.
- Đặt tên biến, hàm và lớp thiếu nhất quán.
- Thiếu kiểm thử tự động hoặc chỉ kiểm thử các trường hợp đơn giản.
- Bỏ qua các tình huống lỗi, vấn đề bảo mật và giới hạn hiệu năng.
- Dùng thư viện hoặc API không tồn tại, đã lỗi thời hoặc không phù hợp.
- Giải quyết một vấn đề nhỏ bằng một thiết kế quá phức tạp.
- Chạy được trong môi trường hiện tại nhưng khó bảo trì về sau.
Một đoạn mã biên dịch thành công chưa chắc là mã nguồn tốt. Chất lượng phần mềm còn bao gồm tính đúng đắn, khả năng đọc hiểu, khả năng kiểm thử, bảo mật, hiệu năng và mức độ phù hợp với mục tiêu kinh doanh.
Vì sao AI dễ tạo ra mã nguồn kém chất lượng?
AI phụ thuộc mạnh vào ngữ cảnh
Các mô hình ngôn ngữ lớn không “hiểu” dự án giống như một thành viên đã làm việc lâu năm trong đội ngũ. Chúng dự đoán nội dung tiếp theo dựa trên dữ liệu đầu vào, lịch sử cuộc hội thoại và các mẫu đã học được.
Nếu prompt chỉ có nội dung như “Hãy xây dựng hệ thống đăng nhập”, AI phải tự suy đoán rất nhiều yếu tố:
- Ngôn ngữ lập trình và framework đang sử dụng.
- Cấu trúc cơ sở dữ liệu.
- Cơ chế xác thực và phân quyền.
- Định dạng response của API.
- Chính sách mật khẩu và thời hạn phiên đăng nhập.
- Cách xử lý lỗi.
- Yêu cầu về hiệu năng và bảo mật.
Mỗi giả định sai đều có thể tạo ra một phần mã không phù hợp. Khi các giả định này được lặp lại qua nhiều lần chỉnh sửa, codebase sẽ dần lệch khỏi thiết kế ban đầu.
AI thường tối ưu cho kết quả tức thời
AI có xu hướng đưa ra giải pháp giúp yêu cầu hiện tại “hoạt động” nhanh nhất. Tuy nhiên, giải pháp đó có thể không phù hợp với mục tiêu dài hạn của hệ thống. Ví dụ, thay vì tái sử dụng một service có sẵn, AI có thể tạo thêm một service mới vì nó không được cung cấp đầy đủ thông tin về cấu trúc dự án.
Vì vậy, người sử dụng cần chịu trách nhiệm về kiến trúc, phạm vi thay đổi và tiêu chuẩn chấp nhận. AI có thể hỗ trợ triển khai, nhưng không nên tự quyết định toàn bộ thiết kế phần mềm.
Ngữ cảnh dài không đồng nghĩa với ngữ cảnh tốt
Việc cung cấp thật nhiều tệp tin hoặc kéo dài một cuộc hội thoại không đảm bảo AI đưa ra câu trả lời chính xác hơn. Ngữ cảnh dư thừa, mâu thuẫn hoặc lỗi thời có thể khiến mô hình tập trung vào thông tin không quan trọng.
Một prompt tốt không nhất thiết phải dài. Nó cần đúng, rõ ràng, có cấu trúc và chứa các ràng buộc quan trọng.
Nguyên tắc cốt lõi: AI hỗ trợ suy nghĩ, không thay thế suy nghĩ
Trước khi yêu cầu AI viết mã, lập trình viên nên xác định rõ:
- Vấn đề cần giải quyết là gì?
- Phạm vi thay đổi nằm ở đâu?
- Những phần nào không được thay đổi?
- Tiêu chí nào chứng minh công việc đã hoàn tất?
- Rủi ro bảo mật, dữ liệu và hiệu năng cần xem xét là gì?
- Kiểm thử nào cần được bổ sung?
AI có thể giúp phân tích yêu cầu, đề xuất phương án và phát hiện thiếu sót. Tuy nhiên, quyết định cuối cùng vẫn cần dựa trên hiểu biết về sản phẩm, hệ thống và người dùng.
Lập kế hoạch trước khi yêu cầu AI viết mã
Đây là bước quan trọng nhất để giảm AI slop code. Một yêu cầu mơ hồ thường tạo ra một giải pháp mơ hồ. Ngược lại, một kế hoạch ngắn gọn nhưng cụ thể sẽ giúp AI làm việc trong đúng phạm vi.
Ví dụ về yêu cầu quá chung chung
Hãy xây dựng hệ thống đăng nhập cho ứng dụng.
Yêu cầu trên không cung cấp đủ thông tin để đưa ra một triển khai đáng tin cậy.
Ví dụ về yêu cầu có cấu trúc
Mục tiêu:
Xây dựng endpoint POST /api/auth/login.
Bối cảnh:
- Backend sử dụng Node.js, TypeScript và Fastify.
- Dữ liệu người dùng nằm trong PostgreSQL.
- Dự án đã có UserRepository và JwtService.
- Không tạo thêm lớp truy cập cơ sở dữ liệu mới.
Đầu vào:
{
"email": "user@example.com",
"password": "mat-khau"
}
Quy tắc:
- Kiểm tra email và password không được để trống.
- Tìm người dùng thông qua UserRepository.
- So sánh mật khẩu bằng Argon2.
- Không tiết lộ tài khoản có tồn tại hay không.
- Trả về HTTP 200 khi đăng nhập thành công.
- Trả về HTTP 401 khi thông tin xác thực không hợp lệ.
- Tạo access token bằng JwtService hiện có.
Kiểm thử cần có:
- Đăng nhập thành công.
- Email không tồn tại.
- Mật khẩu sai.
- Dữ liệu đầu vào không hợp lệ.
- Tài khoản bị vô hiệu hóa.
Giới hạn:
- Chỉ thay đổi các tệp liên quan đến auth.
- Không thay đổi schema cơ sở dữ liệu.
- Không thêm thư viện mới nếu chưa được phê duyệt.
Prompt này cung cấp mục tiêu, công nghệ, quy tắc nghiệp vụ, giới hạn và tiêu chí kiểm thử. Nhờ đó, AI ít phải tự suy đoán hơn.
Tạo tài liệu kế hoạch trước khi triển khai
Trước khi để AI sửa mã nguồn, hãy yêu cầu nó tạo một kế hoạch dưới dạng Markdown. Tài liệu này giúp con người xem xét hướng tiếp cận trước khi có thay đổi trong codebase.
# Kế hoạch triển khai chức năng đăng nhập
## Phạm vi
- Thêm handler cho POST /api/auth/login
- Bổ sung schema kiểm tra dữ liệu đầu vào
- Tái sử dụng UserRepository hiện có
- Bổ sung unit test và integration test
## Không nằm trong phạm vi
- Thay đổi cơ chế đăng ký tài khoản
- Thay đổi cấu trúc bảng users
- Xây dựng hệ thống refresh token
## Các tệp dự kiến thay đổi
- src/modules/auth/login-handler.ts
- src/modules/auth/login-schema.ts
- test/auth/login.test.ts
## Tiêu chí hoàn thành
- Tất cả bài kiểm thử hiện tại vẫn vượt qua
- Có kiểm thử cho các trường hợp lỗi chính
- Không xuất hiện secret trong log
- API tuân thủ định dạng lỗi hiện có
Việc tách bước lập kế hoạch khỏi bước viết mã tạo ra một điểm kiểm soát quan trọng. Nếu kế hoạch sai, bạn có thể sửa ngay mà chưa phải xử lý một loạt thay đổi phức tạp.
Yêu cầu AI đặt câu hỏi trước khi bắt đầu
Một kỹ thuật hiệu quả là yêu cầu AI đóng vai trò người phản biện thay vì lập tức triển khai. Hãy yêu cầu nó liệt kê các điểm chưa rõ và đặt câu hỏi cần thiết.
Trước khi viết mã, hãy:
1. Tóm tắt yêu cầu bằng 5 gạch đầu dòng.
2. Liệt kê mọi giả định bạn đang đưa ra.
3. Đặt các câu hỏi còn thiếu về nghiệp vụ, dữ liệu, bảo mật và kiểm thử.
4. Chỉ bắt đầu triển khai sau khi các điểm mơ hồ đã được giải quyết.
Cách làm này giúp phát hiện sớm những vấn đề thường bị bỏ qua, chẳng hạn:
- Người dùng bị khóa sau bao nhiêu lần đăng nhập sai?
- Thông báo lỗi có được phép tiết lộ email tồn tại hay không?
- Token có thời hạn bao lâu?
- Hệ thống có hỗ trợ đăng nhập đồng thời trên nhiều thiết bị không?
- Hoạt động đăng nhập có cần ghi audit log không?
Viết prompt ngắn, rõ và có thể kiểm chứng
Prompt tốt nên hạn chế các từ ngữ chung chung như “tối ưu”, “hiện đại”, “chuẩn”, “tốt nhất” hoặc “chuyên nghiệp” nếu không kèm tiêu chí cụ thể. Những từ này có thể được hiểu theo nhiều cách khác nhau.
Nên sử dụng
- Câu ngắn và trực tiếp.
- Danh sách yêu cầu có thứ tự.
- Tên tệp, tên lớp và tên hàm chính xác.
- Tiêu chí chấp nhận có thể kiểm thử.
- Danh sách điều không được thay đổi.
- Định dạng đầu ra rõ ràng.
Nên tránh
- Yêu cầu quá rộng như “cải thiện toàn bộ codebase”.
- Đưa nhiều mục tiêu không liên quan trong một prompt.
- Sử dụng tham chiếu mơ hồ như “phần này”, “logic cũ” hoặc “cách hiện tại”.
- Yêu cầu AI tự quyết định các chính sách nghiệp vụ quan trọng.
- Cho phép thay đổi không giới hạn trên toàn bộ repository.
Chia tính năng lớn thành các nhiệm vụ nhỏ
Thay vì yêu cầu AI xây dựng toàn bộ một tính năng trong một lần, hãy chia công việc thành các bước độc lập. Cách này giúp dễ kiểm tra, dễ hoàn tác và dễ xác định nguyên nhân khi có lỗi.
- Phân tích yêu cầu và xác định phạm vi.
- Thiết kế dữ liệu hoặc giao diện cần thiết.
- Triển khai phần logic chính.
- Bổ sung xử lý lỗi.
- Viết hoặc cập nhật kiểm thử.
- Chạy kiểm tra tĩnh, lint và type-check.
- Rà soát bảo mật và hiệu năng.
- Cập nhật tài liệu.
Có thể chia theo module thay vì chia theo từng lớp. Ví dụ, một tính năng thanh toán có thể được chia thành:
- Module tạo giao dịch.
- Module xử lý callback từ nhà cung cấp.
- Module hoàn tiền.
- Module ghi nhận lịch sử.
- Kiểm thử tích hợp.
Mỗi bước nên tạo ra một thay đổi nhỏ, có thể xem xét trong một pull request hoặc một commit riêng.
Giới hạn phạm vi thay đổi của AI
Một trong những nguyên nhân phổ biến của mã nguồn dư thừa là để AI tự do chỉnh sửa quá nhiều tệp. Hãy nêu rõ phạm vi hoạt động trước khi bắt đầu.
Chỉ được phép thay đổi:
- src/modules/orders/
- test/orders/
Không được phép:
- Thay đổi package.json
- Thay đổi schema cơ sở dữ liệu
- Đổi tên API công khai
- Xóa hoặc chỉnh sửa các bài test không liên quan
- Thêm dependency mới
Nếu cần thay đổi ngoài phạm vi trên, hãy dừng lại và giải thích lý do.
Giới hạn này không chỉ bảo vệ codebase mà còn giúp quá trình review dễ dàng hơn. Một diff nhỏ, tập trung thường đáng tin cậy hơn một diff lớn chứa nhiều thay đổi ngoài dự kiến.
Không chấp nhận mã chỉ vì mã đã chạy
“Chạy được” chỉ là điều kiện tối thiểu. Trước khi chấp nhận mã do AI tạo ra, cần kiểm tra nhiều khía cạnh khác nhau.
Tính đúng đắn
- Logic có đáp ứng đầy đủ yêu cầu nghiệp vụ không?
- Các trường hợp biên đã được xử lý chưa?
- Mã có hoạt động đúng khi dữ liệu rỗng, lớn hoặc không hợp lệ không?
Khả năng bảo trì
- Tên biến và hàm có thể hiện đúng ý nghĩa không?
- Hàm có quá dài hoặc chứa quá nhiều trách nhiệm không?
- Có mã lặp hoặc abstraction không cần thiết không?
- Giải pháp mới có phù hợp với phong cách hiện tại không?
Bảo mật
- Dữ liệu đầu vào có được xác thực không?
- Thông tin nhạy cảm có bị ghi vào log không?
- Có nguy cơ SQL injection, XSS, SSRF hoặc lỗi phân quyền không?
- Mật khẩu và token có được xử lý đúng không?
- Thông báo lỗi có làm lộ thông tin nội bộ không?
Hiệu năng
- Có truy vấn cơ sở dữ liệu trong vòng lặp không?
- Có phát sinh vấn đề N+1 query không?
- Có tải toàn bộ dữ liệu khi chỉ cần một phần nhỏ không?
- Có cơ chế timeout, retry hoặc giới hạn tài nguyên phù hợp không?
Luôn yêu cầu AI viết kiểm thử
Kiểm thử không nên là bước bổ sung sau cùng. Nó cần được xem là một phần của yêu cầu ngay từ đầu. Khi AI phải viết kiểm thử cùng với mã nguồn, các giả định trong thiết kế thường trở nên rõ ràng hơn.
Một bộ kiểm thử tối thiểu nên bao gồm:
- Trường hợp thành công.
- Dữ liệu đầu vào không hợp lệ.
- Dữ liệu bị thiếu.
- Tài nguyên không tồn tại.
- Lỗi từ dependency bên ngoài.
- Quyền truy cập không phù hợp.
- Trường hợp biên và dữ liệu bất thường.
Hãy bổ sung kiểm thử cho chức năng này.
Yêu cầu:
- Dùng framework kiểm thử hiện có trong dự án.
- Không mock những thành phần đang được kiểm thử.
- Kiểm tra cả kết quả trả về và các side effect quan trọng.
- Bổ sung trường hợp thành công, thất bại, dữ liệu rỗng và dữ liệu biên.
- Không làm thay đổi các bài kiểm thử hiện có.
- Chạy test và báo cáo chính xác kết quả.
Cần lưu ý rằng AI cũng có thể tạo ra kiểm thử yếu, chẳng hạn chỉ kiểm tra hàm có được gọi mà không xác minh kết quả cuối cùng. Vì vậy, chất lượng của test vẫn cần được con người đánh giá.
Thiết lập vòng lặp đánh giá liên tục
Một quy trình hiệu quả không dừng lại ở việc yêu cầu AI triển khai. Sau mỗi thay đổi, cần có một vòng lặp gồm:
- AI đề xuất hoặc triển khai thay đổi.
- Hệ thống chạy kiểm thử và công cụ phân tích tĩnh.
- AI hoặc người review đánh giá diff.
- Những vấn đề quan trọng được phân loại.
- Lập trình viên quyết định sửa, giữ nguyên hoặc hoàn tác.
Bạn có thể xây dựng hai prompt hoặc hai “skill” riêng biệt cho quá trình này.
Prompt đánh giá thay đổi
Hãy đánh giá các thay đổi trong diff hiện tại.
Kiểm tra:
1. Sai lệch so với yêu cầu ban đầu.
2. Lỗi logic và các trường hợp biên.
3. Thiếu kiểm thử.
4. Rủi ro bảo mật.
5. Vấn đề hiệu năng.
6. Mã lặp hoặc abstraction dư thừa.
7. Vi phạm quy ước của repository.
8. Khả năng tương thích ngược.
Với mỗi vấn đề, hãy ghi:
- Mức độ nghiêm trọng: critical, high, medium hoặc low
- Tệp và dòng liên quan
- Lý do
- Cách khắc phục đề xuất
Không đề xuất thay đổi nếu không có bằng chứng từ diff hoặc yêu cầu.
Prompt lọc kết quả đánh giá
Hãy xem xét báo cáo review ở trên.
Phân loại từng vấn đề:
- Bắt buộc sửa trước khi merge
- Nên sửa trong cùng thay đổi
- Có thể đưa vào backlog
- Không phải vấn đề thực tế
Chỉ giữ lại các mục có tác động rõ ràng đến:
- Tính đúng đắn
- Bảo mật
- Dữ liệu
- Hiệu năng nghiêm trọng
- Khả năng bảo trì
- Yêu cầu nghiệp vụ
Giải thích ngắn gọn lý do phân loại.
Việc tách “phát hiện vấn đề” và “đánh giá mức độ quan trọng” giúp giảm cảnh báo nhiễu. Tuy nhiên, kết quả do AI đưa ra vẫn cần được kiểm chứng, vì mô hình có thể đánh giá sai mức độ nghiêm trọng hoặc bỏ qua lỗi tinh vi.
Đưa con người vào các điểm quyết định quan trọng
Quy trình tự động hóa tốt không có nghĩa là loại bỏ con người. Một số quyết định nên luôn cần sự phê duyệt của lập trình viên hoặc người phụ trách hệ thống:
- Thay đổi schema cơ sở dữ liệu.
- Thay đổi API công khai.
- Thay đổi cơ chế xác thực và phân quyền.
- Thêm thư viện hoặc dịch vụ bên ngoài.
- Thay đổi chính sách lưu trữ dữ liệu.
- Thay đổi logic liên quan đến thanh toán.
- Xử lý dữ liệu cá nhân hoặc dữ liệu nhạy cảm.
- Thay đổi ảnh hưởng đến hiệu năng toàn hệ thống.
AI có thể đưa ra phương án, so sánh ưu nhược điểm và viết mã mẫu. Người chịu trách nhiệm vẫn cần xác nhận rằng phương án đó phù hợp với sản phẩm và rủi ro thực tế.
Quản lý lịch sử thay đổi và khả năng hoàn tác
Trước khi yêu cầu AI sửa mã nguồn, hãy đảm bảo repository đang ở trạng thái sạch hoặc có commit rõ ràng. Mỗi nhóm thay đổi nên được lưu thành commit nhỏ, có thông điệp mô tả đúng mục đích.
git status
git diff
git checkout -b feat/user-login
git commit -m "feat(auth): add login endpoint"
Không nên để AI thực hiện hàng chục thay đổi không liên quan trong cùng một lần. Khi có lịch sử rõ ràng, bạn sẽ dễ dàng:
- So sánh trước và sau khi AI làm việc.
- Xác định thay đổi nào gây ra lỗi.
- Hoàn tác một phần mà không ảnh hưởng phần còn lại.
- Review code theo từng mục tiêu cụ thể.
Những lỗi thường gặp khi dùng AI coding agent
Yêu cầu AI “refactor toàn bộ dự án”
Đây là nhiệm vụ có phạm vi quá lớn và khó đánh giá. Hãy chọn một module, xác định mục tiêu đo lường được và yêu cầu AI trình bày kế hoạch trước.
Tin rằng AI đã đọc toàn bộ repository
Ngay cả khi công cụ có khả năng truy cập nhiều tệp, nó vẫn có thể bỏ sót các quy ước, dependency hoặc ràng buộc ngầm. Hãy cung cấp các tệp quan trọng và yêu cầu AI xác nhận những gì nó đã kiểm tra.
Chấp nhận mọi đề xuất sửa lỗi
Một cảnh báo không phải lúc nào cũng là lỗi. AI có thể đề xuất chỉnh sửa làm thay đổi hành vi đúng của hệ thống. Hãy xem xét bằng chứng, tác động và yêu cầu nghiệp vụ trước khi áp dụng.
Để AI tự thêm dependency
Dependency mới có thể tạo ra rủi ro bảo mật, vấn đề giấy phép, chi phí bảo trì và xung đột phiên bản. Nếu cần thư viện mới, hãy yêu cầu AI giải thích lý do, phương án thay thế và tác động.
Để AI sửa test thay vì sửa logic
Nếu một bài kiểm thử thất bại, không nên mặc định rằng bài test đã lỗi. Hãy xác định hành vi mong muốn trước khi chỉnh sửa. Việc thay đổi test chỉ để làm cho pipeline xanh có thể che giấu lỗi thật.
Bảo mật khi sử dụng AI để lập trình
Không đưa dữ liệu nhạy cảm vào công cụ AI nếu chính sách của tổ chức không cho phép. Những nội dung cần đặc biệt cẩn trọng gồm:
- API key, mật khẩu và token truy cập.
- Dữ liệu khách hàng và thông tin nhận dạng cá nhân.
- Mã nguồn độc quyền hoặc chưa công bố.
- Thông tin lỗ hổng chưa được khắc phục.
- Cấu hình hạ tầng và thông tin đăng nhập hệ thống.
- Log sản xuất chứa dữ liệu người dùng.
Ngoài ra, mã do AI tạo ra cần được kiểm tra về các lỗi bảo mật phổ biến. Có thể tham khảo các tài liệu đáng tin cậy như OWASP Top 10, MITRE CWE và hướng dẫn bảo mật từ framework đang sử dụng.
Các công cụ nên có trong quy trình kiểm soát chất lượng
AI không nên là lớp kiểm tra duy nhất. Một quy trình đáng tin cậy nên kết hợp nhiều lớp bảo vệ:
- Unit test: kiểm tra các đơn vị logic nhỏ.
- Integration test: kiểm tra sự tương tác giữa các module.
- End-to-end test: xác minh luồng nghiệp vụ từ đầu đến cuối.
- Lint: phát hiện lỗi phong cách và một số vấn đề tiềm ẩn.
- Type-check: phát hiện sai lệch kiểu dữ liệu.
- Static analysis: tìm lỗi cấu trúc và rủi ro bảo mật.
- Dependency scanning: phát hiện thư viện có lỗ hổng.
- Code review: đánh giá bối cảnh, thiết kế và khả năng bảo trì.
- CI/CD: tự động chạy kiểm tra trước khi merge.
Các tiêu chuẩn và hướng dẫn như NIST Software Quality, The Twelve-Factor App và tài liệu chính thức của framework có thể giúp đội ngũ xây dựng quy trình phù hợp hơn.
Một quy trình thực tế để sử dụng AI viết mã
- Xác định mục tiêu: mô tả vấn đề và kết quả mong muốn.
- Giới hạn phạm vi: chỉ rõ tệp, module và hành vi không được thay đổi.
- Ghi nhận ràng buộc: công nghệ, quy ước, API, dữ liệu và yêu cầu bảo mật.
- Yêu cầu AI đặt câu hỏi: giải quyết các điểm mơ hồ trước khi triển khai.
- Tạo kế hoạch: xem xét kế hoạch Markdown trước khi sửa code.
- Triển khai theo từng bước: mỗi bước nên nhỏ và có thể kiểm tra.
- Chạy kiểm thử: bao gồm test hiện có và test mới.
- Kiểm tra diff: phát hiện thay đổi ngoài dự kiến.
- Đánh giá bảo mật: đặc biệt với xác thực, phân quyền và dữ liệu người dùng.
- Review thủ công: xác nhận mã phù hợp với kiến trúc và nghiệp vụ.
- Commit hoặc hoàn tác: chỉ lưu thay đổi sau khi đạt tiêu chí chấp nhận.
Checklist chống AI slop code
- Yêu cầu đã được mô tả cụ thể chưa?
- Phạm vi thay đổi có rõ ràng không?
- AI đã biết các quy ước quan trọng của dự án chưa?
- Các giả định đã được liệt kê và xác nhận chưa?
- Kế hoạch triển khai đã được review chưa?
- Thay đổi có nhỏ và dễ hoàn tác không?
- Có test cho trường hợp thành công và thất bại không?
- Diff có chứa mã dư thừa hoặc thay đổi ngoài phạm vi không?
- Có dependency mới không?
- Có nguy cơ bảo mật hoặc rò rỉ dữ liệu không?
- Logic mới có nhất quán với kiến trúc hiện tại không?
- Một thành viên khác có thể đọc và bảo trì mã này không?
- Pipeline CI có vượt qua không?
- Con người đã review và phê duyệt thay đổi chưa?
Kết luận
AI có thể giúp lập trình viên tăng tốc đáng kể, nhưng tốc độ sinh mã không đồng nghĩa với chất lượng phần mềm. Nếu sử dụng AI bằng những prompt mơ hồ, không kiểm tra diff và không có tiêu chí chấp nhận, codebase rất dễ tích lũy mã dư thừa, lỗi tiềm ẩn và thiết kế thiếu nhất quán.
Cách phòng tránh AI slop code hiệu quả là xây dựng một quy trình có kiểm soát: lập kế hoạch trước, cung cấp ngữ cảnh phù hợp, chia nhỏ nhiệm vụ, giới hạn phạm vi thay đổi, yêu cầu kiểm thử, đánh giá liên tục và duy trì vai trò quyết định của con người.
Hãy xem AI như một cộng sự lập trình nhanh, không phải kiến trúc sư tự động của toàn bộ hệ thống. Khi con người giữ quyền định hướng và AI đảm nhiệm các công việc phù hợp, bạn có thể tận dụng năng suất của công cụ hiện đại mà vẫn duy trì mã nguồn sạch, an toàn và dễ phát triển lâu dài.



