Quy trình làm việc coding với LLM của tôi khi bước sang năm 2026 (Addy Osmani)

Addy Osmani, kỹ sư từng thuộc nhóm Google Chrome, đã tổng hợp một quy trình làm việc tận dụng LLM dựa trên 1 năm kinh nghiệm coding với AI.

Các nguyên tắc cốt lõi:

• Bắt đầu từ đặc tả trước khi viết code: cùng LLM viết spec.md trước, chốt yêu cầu, kiến trúc và chiến lược kiểm thử rồi mới bắt đầu coding. Ông gọi đây là "thác nước 15 phút"
• Lặp lại theo đơn vị nhỏ: đừng yêu cầu một kết quả lớn ngay trong một lần, mà hãy chia nhỏ theo tính năng/hàm/lỗi để xử lý. Nếu giao cả một khối lớn, kết quả sẽ giống như "do 10 người chưa từng nói chuyện với nhau cùng làm ra"
• Cung cấp đủ ngữ cảnh: chủ động đưa vào code liên quan, tài liệu API và các điều kiện ràng buộc. Dùng các công cụ như gitingest, repo2txt để bơm codebase vào LLM
• Chọn mô hình và dùng song song: nếu một mô hình bị bí, hãy chuyển sang mô hình khác. Tận dụng kiểm chứng chéo, như để Gemini review đoạn code do Claude viết
• Con người phải luôn ở trong vòng lặp: hãy xem LLM như một lập trình viên junior "rất tự tin nhưng hay mắc lỗi". Review và test mọi đoạn code được sinh ra, và đừng commit phần code nào mà bản thân không thể giải thích
• Quản lý phiên bản cực kỳ chi tiết: commit ở mỗi lần làm việc để có "điểm lưu". Chạy song song nhiều phiên AI bằng git worktree
• Thiết lập quy tắc bằng CLAUDE.md/GEMINI.md: viết style guide của dự án, các pattern ưa dùng, quy tắc lint... vào file để bơm cho AI
• Tích hợp với CI/CD: test và linter tự động đóng vai trò cổng kiểm soát chất lượng cho code AI. Tạo vòng lặp phản hồi bằng cách đưa log lỗi ngược lại cho AI

Những điểm đáng chú ý:

• Tại Anthropic, khoảng 90% code của Claude Code là do chính Claude Code viết
• AI thưởng cho các best practice sẵn có. Năng lực của kỹ sư senior (thiết kế, quản lý độ phức tạp, đánh giá tự động hóa) tạo ra hiệu quả lớn nhất khi kết hợp với AI
• Công cụ AI khuếch đại năng lực chứ không thay thế con người. Nếu chỉ dùng AI mà không có nền tảng, nó có thể trở thành "hiệu ứng Dunning-Kruger bản steroid"