- Phần lớn công cụ AI hiện nay không phản ánh được quy trình học tập lấy con người làm trung tâm (gợi nhớ, thực thi, lặp lại theo tập thể) — về bản chất đây là một kiểu thiết kế ngược, cuối cùng phá hỏng vòng lặp tăng trưởng của cả con người lẫn AI
- Con người học 'quy trình' chứ không chỉ học tri thức, và đổi mới thông qua lặp lại mang tính tập thể và tích lũy. Nhưng đa số công cụ AI lại theo mô hình “nhấp nút → AI tự xử lý”, từ đó loại bỏ vòng lặp gợi nhớ và học tập do con người chủ động dẫn dắt
- Công cụ AI lý tưởng cần khuyến khích sự tham gia chủ động và việc gợi nhớ của con người qua các bước “Giải thích → Trình diễn → Hướng dẫn → Tăng cường (Explain, Demonstrate, Guide, Enhance)” và nên nhắm đến mục tiêu 'khuếch đại' chứ không phải tự động hóa
- Ví dụ: trong các công cụ quan sát/khôi phục, thay vì để AI lập tức ra tay, cần để AI đảm nhiệm vai trò thúc đẩy tư duy và học tập của con người ở từng bước như giải thích quy trình, hướng dẫn hành động, dẫn dắt xử lý vấn đề, và đề xuất cải thiện sau sự cố
- Khi các mô hình lấy con người làm trung tâm như vậy được thiết lập, sẽ có thể hình thành vòng phản hồi tích cực trong đó sự tăng trưởng tri thức tập thể và chất lượng AI cùng được củng cố, qua đó mang lại đổi mới cho toàn bộ hệ sinh thái công cụ hệ thống
Mở đầu: vấn đề cốt lõi giữa học tập của con người và công cụ AI
- Công cụ AI đang được tạo ra theo hướng kém hiệu quả và ngược chiều, thay vì hỗ trợ cộng tác và học tập của con người
- Công cụ được thiết kế không phải để tăng cường năng lực con người, mà theo hướng cản trở tư duy phản biện và giải quyết vấn đề
- Tình trạng này đã tạo ra những tác dụng ngược dễ thấy, và cần chuyển sang một hướng hiệu quả hơn
Giới hạn của công cụ AI hiện nay: phát triển theo chiều ngược
- Phần lớn công cụ AI hiện tại đi theo mô hình sau
- Nhấp nút AI → kết quả xuất hiện ngay như phép màu
- Hiển thị dữ liệu và đề xuất từ AI
- Prompt đơn giản và tự động thực thi
- Cách làm này bỏ qua các vòng lặp học tập cốt lõi như định nghĩa vấn đề, ghi nhớ, gợi nhớ, học quy trình, truyền bá tri thức, và cải tiến lặp đi lặp lại của con người
- AI đang cố thay thế những điểm mạnh cốt lõi của con người, trong khi bản thân AI cũng yếu ở chính những phần đó
- Kết quả là năng lực tư duy và giải quyết vấn đề của con người suy giảm → không thể tạo ra dữ liệu chất lượng cao (và vì thế cũng cản trở sự phát triển của AI) → hình thành vòng luẩn quẩn
Con người học như thế nào?
- Theo lý thuyết Retrieval Practice, con người không học bằng cách chỉ tiếp nhận thông tin, mà học thông qua gợi nhớ chủ động
- Hiệu quả học tập thực sự xuất hiện không phải ở việc học thuộc lòng đơn thuần, mà ở quá trình tự “lôi” thông tin ra từ não bộ
- Điều cốt lõi nhất trong học tập là tiếp thu quy trình hơn là bản thân tri thức
- Ví dụ, khi học làm bánh, việc học quy trình làm ra chiếc bánh hiệu quả hơn việc chỉ ghi nhớ nguyên liệu
- Kiểu thiết kế lấy quy trình thực hành làm trung tâm như vậy phù hợp hơn với công cụ cộng tác
Nguyên lý của đổi mới và tăng trưởng tập thể
- Bản chất của đổi mới không đến từ một cá nhân phát minh ra công nghệ mới, mà từ sự tích lũy tập thể của những cải tiến nhỏ, lặp đi lặp lại
— cốt lõi không phải là vài thiên tài tạo ra bước nhảy vọt, mà là nhiều người đắp thêm và cải tiến trên nền tri thức sẵn có
- Con người được tối ưu hóa không phải cho đổi mới hoàn toàn độc lập, mà cho bắt chước, lặp lại và biến thể từ các ví dụ có sẵn
- Lý thuyết học tập tập thể dựa trên não bộ cho thấy kiểu đổi mới tập thể này vốn rất phù hợp với con người
- Không nên tách riêng giải quyết vấn đề và đổi mới; chính năng lực giải quyết vấn đề, truyền bá tri thức và học tập tập thể mới là động lực của đổi mới
- Cốt lõi là học tập lấy quy trình làm trung tâm, nỗ lực ở độ khó phù hợp, lặp lại và củng cố theo tập thể, cùng AI hỗ trợ con người
- Công cụ AI phải là “trợ lý tư duy” của con người, không phải thực thể tự phán đoán và thay thế con người
Thiết kế tương tác AI đúng đắn
- AI giống một giảng viên hay quên hơn là một đồng nghiệp hay thực tập sinh
- Mục tiêu của AI là giúp người dùng tự học và học cách học
- Cần thiết kế theo hướng tăng cường quy trình đào tạo hiệu quả (EDGE: Explain, Demonstrate, Guide, Enhance)
- Giải thích (Explain): hướng dẫn quy trình, chỉ ra các bước bị thiếu, v.v. (không phải chỉ “hãy nhấp nút này”)
- Đề xuất các bước còn thiếu
- Cung cấp và diễn giải hướng dẫn quy trình
- Nhấn mạnh quá trình con người tự nhớ lại và tự thực thi quy trình
- Ví dụ sai: cung cấp ngay nút “thực thi”, tooltip lỗi, v.v. khiến quá trình gợi nhớ bị gạt ra ngoài
- Trình diễn (Demonstrate): chuyển đổi truy vấn, trình diễn UI, demo tương tác, v.v. — trọng tâm là khuyến khích tham gia, không phải “tự động chạy” trực tiếp
- Chuyển truy vấn ngôn ngữ tự nhiên sang cú pháp truy vấn của hệ thống
- Hỗ trợ điều hướng UI (khi được yêu cầu thì dẫn ngay đến màn hình liên quan)
- Cung cấp demo 15 giây hoặc tutorial tương tác ngắn
- Tránh “tự động thực thi”: làm giảm độ tin cậy, không thể tinh chỉnh chi tiết, và làm suy yếu năng lực con người
- AI cũng nên dùng việc bổ sung dữ liệu và ghi lại quá trình gợi nhớ của con người (pairing, mentoring, v.v.) làm chất liệu học tập
- Hướng dẫn (Guide): gợi mở câu hỏi, thảo luận về đoạn vấn đề, lập kế hoạch hành động, v.v. theo kiểu chất vấn/xác minh Socrates
- Khi người dùng đã đưa ra kế hoạch, đề xuất bước tiếp theo và chỉ dẫn phù hợp
- Chỉ ra tài liệu cần thiết, người phụ trách mã nguồn, và tư liệu liên quan
- Khuyến khích mô hình quan sát/học tập và việc ghi chép
- Xác minh phản hồi, đối chiếu chéo thông tin, kiểm tra độ rõ ràng
- Ví dụ sai: hỗ trợ mà không gợi mở câu trả lời, cung cấp quá nhiều thông tin không được yêu cầu, thái độ áp đặt quyền uy, hoặc khiến người dùng lạm dụng nút “tiếp tục”
- Nên hỗ trợ trong phạm vi không cản trở việc lặp lại suy luận hợp lý của con người
- Tăng cường (Enhance): đề xuất cải thiện sau hành động, học các mẫu lặp lại, biến nhật ký thực chiến thành postmortem, v.v. để tạo ra những cơ hội học tập tinh tế
- Đề xuất cải tiến dần dần ngay trong hoặc ngay sau hành động
- Hiển thị động phím tắt/tính năng bổ sung cho các tác vụ lặp lại
- Đề xuất cải thiện chính quy trình: cải tiến pipeline hạ tầng, chỉnh sửa cảnh báo, khuyến nghị tăng cường đo lường khi đang dựa vào trực giác, v.v.
- Thúc đẩy việc ghi chép sau sự cố (ghi chú → chuyển thành tài liệu học tập), và vi học tập thông qua quan sát
- Duy trì con người là trung tâm suy luận, đồng thời đưa vào một cách tự nhiên các prompt củng cố gợi nhớ thay vì tối ưu hóa tự động
- Đặc biệt, ở mỗi bước cần làm vững chắc cấu trúc để con người tự gợi nhớ, lựa chọn và thực thi, còn AI tập trung vào vai trò khuếch đại quá trình đó
- Dựa trên các ví dụ thực tế (quản lý sự cố và công cụ quan sát), bài viết giải thích các ví dụ tương tác AI tốt và các phản mẫu ở từng giai đoạn
Nguyên tắc tổng quát
- Liên tục tăng cường học tập của con người
- Thúc đẩy tinh thần đồng đội: cộng tác tập thể và chia sẻ thông tin
- Thay vì tự động hóa kiểu “điền chỗ trống → đáp án”, hãy tăng tốc dựa trên sự tham gia và thực thi quy trình (nhưng không thay thế trực tiếp bằng tự động hóa)
- Tránh kiểu “từ con số không ra ngay kết quả”
- Không phải “dễ dùng mà không cần nỗ lực”, mà là công cụ đòi hỏi mức nỗ lực và tham gia phù hợp
- Hỗ trợ để việc học hỏi và kinh nghiệm của cả nhóm được phản ánh vào đầu ra
Ví dụ tốt khi áp dụng vào viết mã: thiết kế “thuận chiều” thay vì “ngược chiều”
- Thay vì dùng AI để tạo mã ngay lập tức, hãy đi theo các bước:
- viết tài liệu nháp → sơ đồ kiến trúc → kế hoạch kiểm thử → mã kiểm thử → mã stub → sinh mã
- Sau khi xác minh mã, đi ngược lại toàn bộ quy trình để chỉnh lý lại kiểm thử, tài liệu và kiến trúc
- Ở mỗi bước, coi trọng câu hỏi và xác minh (củng cố gợi nhớ), không nên chỉ hỏi có/không khi chưa thể xác minh
- Phương pháp phát triển dựa trên gợi nhớ tạo ra dữ liệu học tập/kiểm thử chất lượng cao, đồng thời bổ trợ cho việc huấn luyện AI
Khả năng mở rộng liên phòng ban (phi phát triển, ví dụ: hỗ trợ khách hàng)
- Ví dụ: khi xảy ra sự cố làm gián đoạn vận hành, đội hỗ trợ khách hàng có thể dùng AI để giao tiếp với đội phát triển
- AI cung cấp bản nháp đầu tiên, sau đó đội phát triển xác minh để nâng độ chính xác
- Dòng chảy thông tin theo thời gian thực giữa nhiều bộ phận như đội hỗ trợ và đội phát triển, đồng thời giảm gánh nặng chuyển đổi ngữ cảnh
- Chuyên gia chủ chốt không bị gián đoạn quá mức, nhưng vẫn có thể giao tiếp qua lại mượt mà khi cần
- AI có thể dễ dàng chuyển các câu trả lời kỹ thuật giàu ngữ cảnh của đội phát triển thành lời giải thích dễ hiểu hơn cho số đông
- Nếu cấu trúc này được hiện thực hóa, hiệu quả cộng tác và học tập tập thể trong/ngoài tổ chức có thể được tối đa hóa
- Có thể phát triển thành công cụ hỗ trợ/tích hợp đa tầng
Kết luận
- Công cụ AI hiện nay đang được phát triển theo cách làm suy yếu năng lực học tập lặp lại theo tập thể và giải quyết vấn đề của con người (thiết kế ngược)
- Cần chuyển sang hướng nhấn mạnh tăng cường cộng tác và hỗ trợ quy trình do con người dẫn dắt
- Chỉ khi đó mới có thể tạo ra một vòng tuần hoàn lành mạnh trong đó con người và AI cùng tăng trưởng theo cách khuếch đại lẫn nhau
- Khi thiết kế công cụ, đừng quên rằng con người không chỉ “ở trong vòng lặp”, mà bản thân con người chính là vòng lặp
- Đây là lúc các công cụ hệ thống cần một đổi mới lấy con người làm trung tâm
- Công cụ AI mang tính cộng tác, lấy quy trình làm trung tâm và có khả năng khuếch đại mới là chìa khóa của đổi mới
1 bình luận
Ý kiến trên Hacker News
Bài này có vài chỗ hơi rối. Có vẻ Weakly đang nói về một coding agent hoạt động thụ động hơn, chủ yếu chỉ đưa lời khuyên, giống kiểu mà antirez nói là mình thích vào năm 2025, nhưng thực ra lại đang bàn về agent có vai trò điều tra và xử lý sự cố vận hành. Lập luận của Weakly là agent nên giống Clippy, chỉ tư vấn và để con người cầm lái. Nhưng tôi không hiểu việc bắt con người tự lục log, tìm bất thường và dựng giả thuyết thì có giá trị gì đặc biệt. Cũng giống như máy tính chơi cờ giỏi hơn, AI về bản chất là công cụ làm việc này tốt hơn con người. Weakly dường như muốn kẻ ranh giới rất rõ giữa lời khuyên và hành động thực tế, còn tôi thì không nghĩ ranh giới đó là đúng. Dĩ nhiên có những lĩnh vực không thể giao hoàn toàn việc thực thi tự động cho AI (ví dụ: chạy
Terraform apply), nhưng ngược lại cũng có nhiều lĩnh vực chẳng có lý do gì phải ngăn nó. Mục tiêu của xử lý incident rốt cuộc vẫn là giải quyết sự cốHiện vẫn chưa có công cụ AI nào xử lý incident một cách thật sự thỏa đáng. Vấn đề trách nhiệm là một chuyện, và dù sao đi nữa vẫn cần con người tham gia để bảo đảm việc thực thi là đúng
Vấn đề cốt lõi là có nên cấp quyền truy cập của AI vào môi trường production thực tế hay không. Nhìn vào các trường hợp gần đây khi AI xóa database dù đã được bảo “đừng làm”, có thể thấy đây là mối lo an toàn rất nghiêm trọng trong thực tế (vì AI không phải lúc nào cũng nhận ra đúng các mệnh lệnh phủ định như “not”)
Tôi rất tò mò không biết có thể trao quyền tự chủ cho agent đến mức nào. Nếu theo best practice của DevOps, phần lớn thay đổi chỉ được phản ánh vào production sau khi đã qua commit code hoặc promotion qua nhiều môi trường. Điều này không chỉ áp dụng cho code ứng dụng mà cả hạ tầng. Trong bối cảnh đó, tôi muốn biết trong các tác vụ ứng phó incident thì có thể cho phép agent tự động thực thi đến đâu
Tôi nghĩ việc tự mình debug cũng có giá trị nhất định. Đặc biệt nếu mục tiêu là nâng cao chính năng lực lập trình thì lại càng như vậy. Lấy ví dụ cờ vua, AI như Leela hay Stockfish có thể phân tích nhanh hơn và sâu hơn rất nhiều, nhưng sự tiến bộ thật sự theo tôi vẫn đến từ trải nghiệm tự phân tích thế cờ. Các kỳ thủ chuyên nghiệp cũng liên tục luyện tactical để rèn não. Việc kết hợp AI với con người sẽ giúp học nhanh hơn hay làm giảm khả năng tự học, tôi cũng chưa có câu trả lời chắc chắn. Và bản thân năng lực này trong tương lai còn có ý nghĩa hay không thì tôi cũng thấy nhiều ý kiến trái chiều
Một điểm quan trọng trong các cuộc thảo luận về phát hiện bất thường và quản lý incident là không phải mọi vấn đề đều giống nhau, và nhiều vấn đề có thể được tự động hóa ở một mức độ nào đó. Điều quan trọng là ranh giới giữa khi nào nên giao vấn đề cho một bộ xử lý nhận thức như AI và khi nào kỹ sư con người phải trực tiếp can thiệp. AI giỏi phát hiện mẫu ở quy mô lớn, nhưng không phải lúc nào cũng xác định đúng liệu đó có phải là mẫu có ý nghĩa hay không. Tất nhiên, con người cũng không phải lúc nào lấp được những khoảng trống đó
Ở góc nhìn công cụ/sản phẩm AI, tôi nghĩ tương lai phải hướng tới "Intelligent Workspaces". Cần vượt ra khỏi chatbot đơn thuần
Liên kết liên quan
Về cơ bản, điều quan trọng là một môi trường/nền tảng nơi mọi thiết lập, cần gạt và quyền kiểm soát đều thuộc về con người, đồng thời các khả năng AI được tích hợp chặt chẽ. Đây là bài toán khó hơn nhiều so với việc chỉ fork VSCode
Chatbot dễ triển khai hơn intelligent workspace rất nhiều. Và AI vẫn hoạt động tốt cả khi không có tương tác của con người. Tôi mong sẽ có nhiều cách hơn để tận dụng AI qua các giao diện không phải chat
Gần đây tôi đang làm dự án bằng Claude Code, và sẽ rất hay nếu instance của tôi có thể trò chuyện và cộng tác với instance của các lập trình viên khác. Có thể chỉnh
CLAUDE.mdđể duy trì tài liệu, nhưng sẽ tuyệt vời hơn nhiều nếu ngay trong CC đã có sẵn tính năng cộng tác nhóm. Nếu ai có gợi ý hay thì chia sẻ giúpTôi nghĩ bài này cho thấy rất rõ vì sao đổi mới thường đến từ người ngoài cuộc. Tác giả mang rất đậm dấu ấn của một engineering manager hoặc staff engineer ở tổ chức lớn, nên không quá đồng cảm với trải nghiệm của tôi. Nếu phong cách này trở thành chuẩn mực cho AI tooling, tôi lo rằng AI sẽ bị khựng lại dựa trên một số giả định nhất định về workflow của con người. Tôi đã làm R&D cho các ứng dụng ML hỗ trợ chuyên gia miền nghiệp vụ (không phải lập trình viên) suốt 15 năm, và nguyên tắc của tôi có phần khác với tác giả. Việc góc nhìn khác biệt đến vậy cho thấy design space còn rất rộng, và còn quá sớm để kết luận rằng một cách làm nào đó là đáp án đúng. Hiện giờ chưa ai biết AI tooling sẽ đi về đâu
Điều tôi luôn lo ngại trong AI coding là việc duy trì tay nghề sẽ trở nên khó hơn. Quá trình tự tay gõ code, kể cả boilerplate, đúng là một kiểu rèn luyện như cảnh sơn hàng rào của Mr. Miyagi. Chính nhờ những bài tập lặp đi lặp lại đó mà các pattern ăn sâu vào đầu, và điều này giúp ích rất nhiều khi phải đưa ra các quyết định thiết kế ở cấp cao hơn
Có lẽ các công nghệ trước đây như viết chữ hay in ấn cũng từng làm suy giảm chữ viết tay hoặc khả năng tu từ, nhưng ngược lại lại khuếch đại khả năng tư duy. Ý tưởng “Bicycle-for-the-mind” của Steve Jobs là ví dụ tiêu biểu. Tuy nhiên, khi áp dụng lập luận này cho AI thì có một khác biệt: các công nghệ trước chủ yếu tháo gỡ nút thắt ở khâu phân phối, còn AI thì nhắm thẳng vào chính quá trình sáng tạo. Với công việc sáng tạo, tôi chỉ thấy việc dùng AI là đáng mong muốn chừng nào nó không cản trở sự phát triển của chính năng lực sáng tạo của tôi. Khả năng tự kiểm soát/tự nhận thức của con người có giới hạn
Tôi thường ngẫm vấn đề trong đầu vào ban đêm hoặc lúc tắm và tưởng tượng ra "code". Nếu cấu trúc ngôn ngữ đó không ăn sâu trong đầu, chắc hẳn kiểu viết code trong tưởng tượng này cũng khó mà xảy ra
Ngoài đời cũng có thể tìm thấy ví dụ tương tự:
Đã từng có thời người ta hàn transistor bằng tay. Nhưng giờ công nghệ đã tiến xa đến mức nếu muốn tự làm như ngày xưa thì gánh nặng rất lớn. Cứ như vậy, khi liên tục mở rộng rồi lại thu hẹp tiêu điểm suy nghĩ, tôi vẫn thấy nhớ việc coding. Mà thực ra tôi vẫn code khá nhiều
“Every augmentation is an amputation (mọi sự tăng cường đều là một sự cắt bỏ)” - Marshall McLuhan
Vì vậy tôi thật sự rất thích Deep Research. Nó luôn bắt đầu bằng việc đặt câu hỏi, rồi khiến tôi tự định nghĩa rõ hơn điều mình muốn học. Tôi cảm thấy chỉ một thay đổi nhỏ trong UX cũng có thể tạo ra khác biệt lớn: hoặc giúp người dùng học được nhiều hơn từ dịch vụ, hoặc khiến họ dựa dẫm vào công cụ mà không còn tư duy phản biện
Nhưng bạn đã thực sự nhìn kỹ vào chính những câu hỏi đó chưa? Có lúc Deep Research khá hữu ích, nhưng đôi khi tôi thấy những “câu hỏi” ấy như được thêm vào chỉ để trông có vẻ thông minh. Nó thường hỏi lại cả những phần tôi đã cẩn thận viết rất rõ rồi. Có vẻ không giúp nhiều cho quá trình tìm kiếm thực tế
Tôi là technical writer nên thường không dùng Deep Research. Nó còn gây cản trở cho công việc của tôi. Chính quá trình nghiên cứu, ghi chú và tóm tắt mới là phần cốt lõi giúp tôi hiểu sâu về chủ đề. Bản ghi chép chỉ là kết quả đầu ra của quá trình đó. Nếu AI làm thay phần việc ấy, tôi có thể nhận được ghi chú, nhưng lại không có được mức độ thấu hiểu tương ứng. Việc đọc tài liệu do AI viết không thể thay thế trải nghiệm trực tiếp
Tôi nghĩ bài này đang nhầm lẫn về cốt lõi của việc áp dụng AI. Mục đích của AI không phải là làm con người thông minh hơn, mà là loại bỏ những công việc lặp đi lặp lại nơi sự sáng tạo của con người không được đền đáp xứng đáng, qua đó nâng cao năng suất của toàn bộ quy trình
Theo kinh nghiệm của tôi, cách tận dụng AI tốt nhất khi coding là như sau:
regexquá mệt)Gần đây tôi giúp bố chuẩn bị slide thuyết trình. Bố tôi có đủ thông tin, nhưng vì không phải designer nên gặp khó khăn trong việc làm slide trông đẹp hơn. Tôi đã thử nhiều ứng dụng tạo slide bằng AI, nhưng dù nhìn có vẻ hào nhoáng thì chúng cũng không giúp được cho kiểu “cải thiện thiết kế” mà người dùng thực sự mong muốn. Cuối cùng tôi đi đến kết luận rằng tự tay chỉnh cho đẹp vẫn tốt hơn nhiều
Tôi hoàn toàn đồng ý rằng quy trình “bắt đầu từ kiến trúc và thiết kế test rồi mới áp vào code thực tế” hiệu quả hơn 100%. Chỉ cần thay đổi thói quen workflow là làm được, ngay cả khi không có công cụ riêng (dù dĩ nhiên có công cụ chuyên dụng hoặc prompt chuẩn thì sẽ còn tốt hơn)
docker-compose. Và những việc thực sự cần làm là:Con người là loài cực kỳ giỏi ở sự lặp lại tích lũy, tức cải thiện liên tục. Vì vậy brainstorming đặc biệt hiệu quả trong nhóm. Trong tâm lý học nhận thức thậm chí còn có các lý thuyết về “văn hóa” như một cơ chế tích lũy của học tập tập thể và đổi mới. Ta thường nói “đứng trên vai người khổng lồ”, và đó không chỉ là cách nói đẹp mà thực sự là cách con người vận hành. Sáng tạo rốt cuộc là tìm kiếm, mà còn là tìm kiếm mang tính xã hội. Nó không chỉ phát triển bên trong bộ não, mà trong tương tác giữa não với môi trường, ở tầng xã hội/văn hóa. Vì vậy tôi không bận tâm chuyện LLM có thật sự “hiểu” hay không. Chỉ cần nó tìm kiếm, tạo ra ý tưởng và thực sự kiểm chứng được thì thế là đủ. Ngoài ra, tôi cũng nghĩ bản thân việc tìm kiếm quan trọng hơn nền tảng cơ sở. Dù vậy, tùy nền tảng mà không gian tìm kiếm có thể tiếp cận được cũng sẽ khác nhau