Mở đầu
- Khi kết quả code do AI tạo ra không như ý, thay vì tiêu tốn token một cách vô định, việc chắt lọc chỉ những thông tin thật sự cần cho ý đồ rồi đưa vào ngữ cảnh sẽ hiệu quả hơn rất nhiều.
- Dù cửa sổ ngữ cảnh của mô hình có lớn hơn, quá nhiều thông tin vẫn có thể cản trở AI tìm ra và hiểu đúng phần bạn muốn.
- Bài viết giới thiệu 4 kỹ thuật tôi dùng để nhận được kết quả thỏa đáng hơn từ coding agent trong các codebase legacy. Chúng không phụ thuộc quá nhiều vào năng lực mô hình, đồng thời là những cách làm thực tế có thể tiết kiệm cả thời gian lẫn chi phí ngay bây giờ.
1. Khám phá và hiểu trước khi triển khai
- Trước khi giải quyết vấn đề hoặc sửa mã, sẽ có lợi hơn nếu đầu tư thời gian để nâng mức độ hiểu biết về domain và codebase.
- Nhờ đó, bạn có thể dùng thuật ngữ kỹ thuật chính xác hơn và tham chiếu đúng tệp để AI đánh trúng mục tiêu một cách tinh xác.
- Ở giai đoạn này, nên tránh sửa mã và tập trung vào việc đặt câu hỏi cho AI để tích lũy kiến thức.
2. Cho AI xem đoạn mã để làm theo
- LLM có xu hướng hội tụ về mức trung bình, vì vậy cần cung cấp ví dụ mã tốt để nâng chất lượng đầu ra.
- Thay vì giải thích dài dòng về quy ước code bằng lời, việc cho AI xem một ví dụ được viết tốt và nói "hãy viết như hàm này" sẽ hiệu quả hơn nhiều.
- Đặc biệt khi migration một mẫu cụ thể, nếu trước tiên bạn chuyển đổi đúng chỉ một vài phần rồi đưa chúng cho AI làm ví dụ, nó sẽ xử lý phần còn lại rất tốt.
3. Trao cho AI script như một công cụ
- Nếu đưa các công cụ phân tích tĩnh cho AI dùng như công cụ, bạn có thể bù đắp vấn đề đáy hiệu năng thấp của LLM và nâng chất lượng đầu ra.
- Tương tự, với những công việc dễ lặp lại sai sót như script tìm i18n key, nếu biến chúng thành script để AI tận dụng thì có thể phòng tránh vấn đề một cách chắc chắn.
- Cùng cách đó, với các tác vụ trích xuất/chuyển đổi có mẫu rõ ràng, thay vì bảo AI làm trực tiếp, việc để nó viết script thực hiện tác vụ rồi chạy script đó sẽ chính xác hơn nhiều.
4. Sửa phần thượng nguồn của dòng chảy
- Thay vì nhìn vào kết quả sai rồi yêu cầu sửa, sẽ có lợi hơn nếu cải thiện ngay từ đầu nguyên nhân tạo ra kết quả đó, tức là "prompt".
- Tiến thêm một bước nữa, sẽ còn tốt hơn nếu cải thiện cả quy trình tạo prompt (chẳng hạn viết ví dụ mã hoặc test code trước).
- Và tốt hơn nữa là cải thiện cả bộ não tạo ra quy trình đó. Bạn cần nhìn lại những lần đã ping-pong không cần thiết với AI, rồi rèn khả năng phán đoán khi nào nên can thiệp trực tiếp và khi nào nên dùng AI.
Kết
- Một trong những benchmark chính của agent là "có thể làm việc trong bao lâu", nhưng thực tế thì với đa số người dùng (bao gồm cả tôi), năng lực để giao việc cho agent đến đúng giới hạn của nó vẫn chưa có.
- Tôi nghĩ những người "biết tìm ra công việc phù hợp để giao cho agent, trao cho nó công cụ phù hợp, và dùng prompt phù hợp để bắt nó làm việc lâu dài" sẽ trở thành nhân lực cao cấp nhất trong thời đại AI.
- Hy vọng các kỹ thuật được giới thiệu trong bài sẽ giúp ích cho quá trình rèn luyện để trở thành kiểu nhân lực đó.
1 bình luận
Đúng là rất trùng với trải nghiệm của tôi!