- Nếu gần đây bạn đã sử dụng công cụ AI cho công việc lập trình chuyên nghiệp, hãy chia sẻ trải nghiệm của mình
- Bạn đã dùng công cụ nào?
- Điều gì hiệu quả, và vì sao?
- Bạn đã gặp những khó khăn gì, và đã giải quyết chúng như thế nào? (nếu có giải quyết.)
- Sẽ rất hữu ích nếu bạn chia sẻ đủ bối cảnh (tech stack, loại dự án, quy mô nhóm, mức độ kinh nghiệm) để người khác có thể học hỏi từ trải nghiệm đó
- Mục tiêu là nắm bắt một cách khách quan tình hình thực tế của phát triển dựa trên AI tính đến tháng 3/2026, không tô vẽ viển vông
Tổng hợp các câu trả lời trên Hacker News
Vấn đề với tài liệu và giao tiếp do AI tạo ra
- Quản lý dùng Claude để tạo tài liệu thiết kế 50 trang, PRD, slide deck rồi gửi sang với lời nhắn “hãy review nhanh”, trong khi chính người viết cũng chưa đọc
- Một số nhân viên tạo slide bất tận nhưng né tránh trả lời các câu hỏi cụ thể
- Một vấn đề hiệu năng DB trước đây chỉ mất 30 phút để xử lý (ví dụ thêm GSI) giờ lại tốn cả một tuần vì tài liệu 37 trang do AI tạo ra (giải thích, giảm thiểu, kế hoạch, review, rủi ro, triển khai...)
- Xuất hiện kiểu giao tiếp “AI nói chuyện với AI”: người gửi tạo nội dung bằng AI, người nhận lại dùng AI để tóm tắt
- Trong luồng “ý tưởng → LLM thổi phồng → LLM tóm tắt → người nhận”, có nguy cơ mất ngữ cảnh và sắc thái như trò điện thoại hỏng
- Có ý kiến cho rằng việc một bên xả ra nội dung chất lượng thấp nhưng vẫn mong phía kia review tử tế là kỳ vọng bất đối xứng và thiếu tôn trọng
- Có trường hợp khách hàng freelance gửi spec cực kỳ cầu kỳ do AI tạo ra, nhưng thực tế lại chỉ muốn một bảng CSV 30 dòng
Trải nghiệm tiêu cực trong môi trường làm việc
- Các lập trình viên cấp cao dùng AI làm mọi thứ rồi đẩy việc dọn dẹp cho dev cấp thấp hơn
- Mã do AI tạo không tuân theo thiết kế API của dự án chính, đồng thời chứa hàng loạt xử lý lỗi và mã parsing không cần thiết
- Việc dọn dẹp mất hơn 1 tuần, nhưng đội gốc lẽ ra có thể làm gần như ngay lập tức, tạo nên nghịch lý là trông còn chậm hơn
- Một công ty niêm yết lớn đặt mục tiêu 100% mã do AI tạo trong vòng 1 năm, và cho nghỉ việc những ai phản đối ở mọi cấp độ
- Trong văn hóa tối ưu tốc độ ra tính năng hơn chất lượng mã, các kỹ sư làm việc về chất lượng bị xem là “kém hiệu quả”
- Có đồng đội lấy mã từ vài tuần trước bỏ vào Claude rồi nộp như thể đã hoàn chỉnh, nhưng chứa nhiều lỗi về yêu cầu nghiệp vụ và bug nghiêm trọng
- Ở môi trường bắt buộc dùng AI, gánh nặng code review tăng vọt, phải duyệt hàng nghìn dòng PR chất lượng thấp mỗi ngày
- Có người mô tả: “Mọi thứ tôi từng thích đều bị lấy mất, chỉ còn lại những thứ tôi ghét”
Trải nghiệm ở FAANG và các tập đoàn lớn
- Nhân viên FAANG: trong công việc chưa từng nhận được kết quả đủ để commit, nhưng ở dự án cá nhân thì nhanh hơn 10 lần
- Các framework và thư viện nội bộ của codebase lớn không có trong dữ liệu huấn luyện, nên model bị hạn chế khả năng quan sát
- Trong team, hầu như không ai thực sự biết ví dụ thành công nào
- Kỹ sư Amazon: dùng Kiro (công cụ nội bộ của AWS) và Opus 4.6, tăng năng suất 2–4 lần trong công việc, hơn 10 lần cho side business
- Không chỉ viết mã mà còn dùng cho phân tích dữ liệu, debug, quản lý vòng lặp triển khai
- Một tính năng trước đây mất một tháng nay làm trong 2 tuần — mấu chốt là tiết kiệm thời gian học những chi tiết kỹ thuật sẽ không dùng lại
- Về sự cố ở Amazon: tin đồn cấm AI viết mã là không đúng; trong lúc sự cố, phần liên quan đến AI chỉ là 1 lời khuyên dựa trên wiki nội bộ cũ
- Kỹ sư Microsoft: dùng GitHub Copilot với Opus không giới hạn, tốc độ làm việc nhanh hơn nhưng kỳ vọng cũng tăng quá mức (từ 2 tuần xuống còn kỳ vọng 2 ngày)
- Bộ phận R&D của tập đoàn lớn: giá trị lớn nhất nằm ở theo dõi bug và sinh mã logging dùng một lần, tốc độ prototyping cũng tăng mạnh
- Tuy nhiên, khi chi phí hiện thực hóa giảm, cạnh tranh về “nên xây cái gì” lại khốc liệt hơn, đòi hỏi tư duy nhanh và phán đoán rõ ràng hơn
Trải nghiệm tích cực và các trường hợp tăng năng suất
- Kỹ sư 10 năm kinh nghiệm, team nhỏ: xây dựng và vận hành ứng dụng consumer 100K DAU chỉ với 3 người, trước đây ước tính cần 10 người
- Không có danh sách bug tồn đọng, 2 người gần như hiểu toàn bộ codebase, tần suất refactor tăng mạnh
- Simon Willison: từ sau tháng 11/2025, viết phần lớn mã bằng agent, thậm chí làm việc với Claude Code trên iPhone
- Những dự án từng chỉ ấp ủ nhiều năm nay có thể hiện thực hóa trong vài giờ, định nghĩa lại khả năng của solo developer
- Viết app Go bằng Claude Code và học ngôn ngữ mới theo kiểu thẩm thấu
- Freelancer dày dạn kinh nghiệm: sau khi dùng Claude Code, Terraform đạt độ chính xác 95%, trong dự án xử lý dữ liệu thì nhanh hơn hơn 5 lần
- “Những gì trước đây không làm được thì giờ làm được, cái khó trở nên dễ hơn, cái vốn dễ thì nay vừa nhanh vừa dễ”
- Studio game nhỏ: dùng cho cải thiện công cụ nội bộ và workflow, AI coding càng hiệu quả khi càng gần với ý tưởng
- Chủ xưởng bia thủ công nhỏ: tự động hóa sổ sách (16 giờ/tháng → 3 giờ), báo cáo sản xuất và bán hàng, app theo dõi phần thưởng... đã xây hơn 5 công cụ nội bộ
Ứng dụng trong việc hiểu codebase và debug
- Với codebase lớn và legacy, AI hiệu quả cho các câu hỏi như “những hàm nào đang đụng tới bảng này?”
- Khi khám phá monolith khổng lồ: với câu hỏi “có bao nhiêu cách xác thực API endpoint?”, AI có thể tìm và tóm tắt 4 cách chỉ trong 5 phút
- Debug: rất giỏi trong việc tìm lý do regex phức tạp không match, phân tích stack trace, phân tích log
- Thời gian onboarding vào codebase lạ rút từ vài ngày xuống còn vài phút
- Quá trình “hỏi đồng nghiệp ở Ấn Độ hay Đông Âu rồi chờ qua đêm” nay được AI thay thế hoàn toàn
Lo ngại về chất lượng mã và khả năng bảo trì
- Các vấn đề lặp đi lặp lại của mã do AI tạo: độ phức tạp không cần thiết, xử lý lỗi quá mức, logic trùng lặp, không tận dụng hàm sẵn có
- Với mã cần bảo trì, tự viết về lâu dài còn nhanh hơn — khi quay lại sửa mã do AI tạo, bạn không có mental model đầy đủ
- Có trường hợp Claude cố thay bộ HTML sanitizer bằng regex tự chế — test vẫn pass nhưng tạo lỗ hổng bảo mật
- Có trường hợp khi làm API có xác thực, AI lại thêm một route cho phép bất kỳ ai PUT API key mới
- AI hầu như không thực hiện refactor chủ động để giảm độ phức tạp của codebase, mà tiếp tục tích lũy logic trùng lặp, abstraction thừa và vòng phụ thuộc
- Cũng có trường hợp codebase 200K LOC được viết 99,5% bằng AI, nhưng điều kiện tiên quyết là TDD nghiêm ngặt và review từng dòng
Sự mai một kỹ năng và tác động tâm lý
- “Vì tôi hiểu rõ kiểu lười của mình nên kỹ năng chắc chắn sẽ mai một” — có người chọn không dùng AI sinh mã
- Một đồng nghiệp thừa nhận đã phụ thuộc vào AI từ 6 tháng trước, muốn dừng nhưng cứ như nghiện thuốc, rất dễ với tay dùng lại
- Một dev junior trong năm qua gửi MR ngày càng kỳ quặc, rồi phát hiện dấu vết dùng AI
- Kỹ sư senior: “Tôi biết kỹ năng coding của mình đang mai một, nhưng cũng không chắc coding có thật sự là phần tôi thích nhất không” — nên dành nhiều thời gian hơn cho thiết kế và kiến trúc
- Trong dự án cá nhân, AI giúp làm nhanh hơn 10 lần, nhưng lại không còn cảm giác gắn bó vì ‘đó không phải thứ mình tạo ra’, nên mất động lực hoàn thành
- “AI làm rất tốt phần tôi từng thích, và khiến tôi phải dành nhiều thời gian hơn cho phần mình ghét hoặc thấy mệt” — mức độ căng thẳng tổng thể tăng lên
- Kỹ sư năm thứ 3: AI có thể làm 90%, nhưng để xử lý 10% còn lại thì cần mental model của 90% kia, mà mental model đó chỉ hình thành khi tự tay viết mã
Workflow hiệu quả và best practice
- Luồng spec → plan → critique → cải thiện plan → implementation cho ra chất lượng tốt nhất
- Dùng Plan Mode trước khi triển khai, sau khi triển khai thì dùng lại chính model đó để review code bổ sung (nên ở phiên riêng)
- Dùng file AGENTS.md / CLAUDE.md để ghi lại style coding, pattern, điều cấm — cập nhật khi kết thúc phiên
- Trao cho agent khả năng tự debug và tự kiểm chứng: chạy test, kiểm tra log, xác minh ảnh chụp màn hình...
- Nếu nêu rõ ràng ràng buộc từ trước (“chỉ dùng standard library, không tạo file mới, trong 50 dòng”) thì chất lượng đầu ra tăng mạnh
- Vận hành state file (mechanical ledger) giữa nhiều agent: ghi lại commit, test, lỗi patch để phiên mới tái dựng ngữ cảnh từ trạng thái thực thay vì dựa vào bộ nhớ
- Dùng Git worktree để chạy song song nhiều công việc trong khi vẫn tách biệt ngữ cảnh
Vai trò phi kỹ thuật và sự mở rộng của AI
- PM/Giám đốc vận hành: trong một công ty nhỏ không có lập trình viên, đã xây 12 công cụ nội bộ trong 1 năm qua, đồng thời học các khái niệm phát triển với tốc độ đáng kinh ngạc
- Đồng sáng lập không kỹ thuật: có thể tạo prototype hoạt động được, nhưng để đưa lên mức production vẫn cần kỹ sư — pair programming hiệu quả hơn tài liệu thiết kế
- Quản lý phi kỹ thuật đã phải dành 3 giờ pair session để debug mã ESRI Arcade do MS Copilot tạo — vai trò “chuyên gia debug AI” đang nổi lên như một loại công việc mới có thể tính phí
Khác biệt về hiệu quả theo từng lĩnh vực
- Phát triển web/API: hạng A, hiệu quả trên toàn stack từ kiến trúc đến debug tương thích package
- Unity/game development: hạng C-, không hiểu scene graph, component model và hành vi phụ thuộc phần cứng
- Hình ảnh y khoa: thất bại vì thiếu kiến thức chuyên môn, các đề xuất tối ưu hiệu năng đều không cải thiện trên dữ liệu thực tế
- Ứng dụng Rust: hiệu quả ở Python/web greenfield, nhưng với app Rust dưới 100K LOC thì workflow agent không hiệu quả
- Xử lý tín hiệu, embedded, HPC: tần suất hallucination cao, và gần như vô dụng khi làm với API bên ngoài không có tài liệu
- Thuật toán đồ thị C++: kết quả phi tuyến tính cực mạnh — hoặc đúng ngay một lần, hoặc thất bại hoàn toàn, không có vùng giữa
Triển vọng ngành và những lo ngại
- Có dự báo rằng trong 5–7 năm tới, sự mù quáng với AI ở cấp CEO/CFO sẽ dẫn tới thiếu hụt nhân tài nghiêm trọng và lương tăng gấp 3
- Có lo ngại rằng tầng lớp middle-level sẽ bị rỗng hóa, chỉ còn lại số ít senior biết định hướng, điều phối và thực thi
- AI đang bước vào giai đoạn tự cải tiến đệ quy, nên không thể dự đoán 6 tháng nữa sẽ đi đến đâu
- Một bài báo của MIT cho thấy giới hạn của scaling theo chiều rộng (width) của model, đồng thời có vấn đề cạn dữ liệu huấn luyện và giảm chất lượng dữ liệu tổng hợp
- “Hoặc mọi người sẽ mất việc, hoặc sắp có cú sụp đổ thị trường lớn, hoặc cả hai” — một thời đại thú vị nhưng đầy bất an
- Thị trường freelance: freelancer dựa trên quan hệ dài hạn vẫn chưa cảm nhận sự chậm lại, còn các việc nhỏ lẻ một lần có thể bị AI thay thế
Lựa chọn không sử dụng AI
- Trước khi có LLM, đồng nghiệp đã có sẵn automation, nhưng AI lại cho cảm giác như trông nom một junior ngốc nghếch, nên mất hứng thú
- “Một cái bẫy không giải quyết được vấn đề nào mà chỉ tạo thêm vấn đề mới” — có người cấm dùng AI trong công việc của mình như một chính sách
- Trong lĩnh vực robotics: dùng C++ và Python, khi thử AI coding thì chỉ sinh ra đống rác nửa hoạt động, còn việc mô tả bằng ngôn ngữ tự nhiên thì rất đau khổ
- Quá trình tự tay viết mã để suy nghĩ về kiến trúc code và tương lai kỹ thuật là một giá trị tuyệt đối không thể ủy quyền
1 bình luận
Ý kiến trên Hacker News
Điều khó chịu nhất dạo này là các quản lý dùng Claude để tạo tài liệu thiết kế hoặc PRD dài 50 trang rồi gửi sang kiểu “nhờ review”
Chẳng ai đọc, ngay cả người viết cũng không hiểu. Có người còn tạo ra những bộ slide dài vô tận, hỏi tới thì trả lời lấp lửng
Thậm chí những người đã lâu không viết code nay nhờ AI lại bắt đầu đề xuất code, mà toàn ý tưởng kỳ quặc
Tôi vẫn tự tay viết code production, còn AI chỉ dùng để rà lỗi. Mấy script đơn giản cho load test thì mới giao cho AI
Một phần cũng do không khí trong team, nhưng AI thực sự khiến công việc nhàm chán và mệt mỏi hơn nhiều
Tôi đang làm một tính năng lớn, thì đồng nghiệp mang code cũ của tôi ném vào Claude rồi đem “bản hoàn chỉnh” về
Kết quả là sai yêu cầu nghiệp vụ và đầy lỗi. Ý định cải thiện code của tôi thì tốt, nhưng thái độ kiểu “Claude sẽ lo phần còn lại” thật sự xúc phạm
Giờ thậm chí còn không có quyền nói “tôi không biết”. Chỉ cần một prompt là có câu trả lời, nên backend dev cũng bị đẩy sang ôm luôn cả frontend
Ở công ty, nhờ AI mà công việc biến thành một chuỗi dọn rác bất tận
Các dev cấp trên giao cho tôi code do AI tạo, và tôi phải vật lộn để chỉnh trang lại
Ví dụ có team làm một tính năng cần merge vào codebase chính, nhưng thiết kế API hoàn toàn lệch nhau và code thừa thì chất đống
Cuối cùng bị chậm hơn cả tuần chỉ để refactor, mà nhìn bề ngoài lại thành ra tôi làm chậm
Ngược lại, ở dự án cá nhân thì AI giúp tôi thử nghiệm nhanh và học hỏi khá vui
Nhưng ở công ty, tôi thấy trước tương lai các lập trình viên tầm trung sẽ biến mất. Chỉ còn leader và junior, còn lớp ở giữa sẽ mỏng dần
Tôi hoàn toàn không dùng AI. Tôi hiểu rõ kiểu lười của bản thân, nên biết rằng nếu bắt đầu dùng thì tay nghề sẽ bị thoái hóa
Một đồng nghiệp của tôi đã cảm nhận được điều đó nên bỏ hẳn việc sinh code, nhưng nói là nó tiện quá nên giống nghiện vậy
Một người khác cũng dừng lại vì thấy code AI không phù hợp để bảo trì. Thay vào đó chỉ dùng để hỏi đáp
Có một junior thậm chí còn tụt trình hẳn. Nhìn vào là thấy nguyên cấu trúc code do AI sinh ra
Lúc gấp thì chỉ mở ra xem API reference một chút
Nhưng lập luận rằng không thể bảo trì code AI tạo ra thì về logic tôi thấy không thuyết phục. Nếu không thích thì tạo lại là được
Thực tế tôi còn thấy trường hợp AI viết lại cả một framework
Giá trị của kỹ sư nằm ở sự thấu hiểu. Tự động hóa mà không hiểu gì là sự suy thoái của vốn con người
Tôi là kỹ sư ở Amazon, dùng Kiro harness nội bộ và Opus 4.6
Năng suất tăng 2–4 lần trong công ty, còn dự án side project thì hơn 10 lần
Trước đây phải làm đêm, giờ chỉ làm 9–5 mà vẫn ra được nhiều tính năng hơn
AI không chỉ hữu ích cho việc code đơn thuần mà còn cho tự động hóa triển khai, phân tích dữ liệu, debug
Ví dụ sau khi sửa code, AI có thể tự chạy vòng lặp deploy lên môi trường gamma rồi kiểm tra bằng log CloudWatch
Nhờ vậy tôi hoàn thành khối lượng tính năng cả tháng chỉ trong 2 tuần. Tôi không hiểu vì sao người ta lại nói SWE sẽ là thứ bị tự động hóa trước
LLM có giới hạn, nhưng chỉ với mức hiện tại thôi cũng đã thay đổi cục diện của software engineering
Dù vậy tôi vẫn lo về làn sóng code chất lượng thấp do AI tạo ra
Tôi làm ở FAANG. Trong công việc, AI gần như không giúp ích gì mấy
Chỉ tóm tắt tài liệu thiết kế hoặc tìm kiếm code là còn dùng được. Tôi chưa bao giờ nhận được một commit thực sự chạy được
Xung quanh tôi cũng không thấy ai dùng thành công.
Nhưng với dự án cá nhân thì ở những đầu việc nhỏ và mới nó thật sự nhanh gấp 10 lần
Có lẽ vì codebase công ty quá lớn và phức tạp
95% chạy hoàn hảo, và tôi cũng đoán trước được những chỗ có thể phát sinh vấn đề.
Khi đồng nghiệp nhờ lấy mẫu dữ liệu, tôi giải quyết ngay tại chỗ.
Việc trước đây mất vài giờ thì giờ xong ngay trong lúc trò chuyện.
Những việc từng không làm được thì giờ làm được, việc khó trở nên dễ, việc dễ thì càng nhanh hơn
Việc làm prototype nhanh hơn, và có lần LLM còn chỉ ra lỗi trong thiết kế API
Tuy nhiên nếu tạo code quá nhanh thì vượt quá tốc độ review, nên mấu chốt là sinh code theo đơn vị nhỏ
Nó cũng giúp rất nhiều khi sửa test hay lần theo lỗi build bên ngoài
Đã lâu rồi tôi mới thấy công việc vui như bây giờ, nhưng đồng thời cảm giác bất an về việc làm cũng rất lớn
Vì vậy kết quả không chính xác cũng là điều dễ hiểu
Tôi làm ở một công ty công nghệ lớn, codebase khổng lồ và phức tạp
Ban đầu tôi né AI, nhưng giờ nó giúp rất nhiều trong việc khám phá code và hiểu cấu trúc
Những phân tích trước đây mất vài ngày thì giờ AI làm thay
Tôi chủ yếu dùng sinh code để giảm bớt boilerplate. Chất lượng không cao nhưng vẫn nhanh hơn tự viết tay toàn bộ một chút
Ở dự án cá nhân thì không khác biệt nhiều, nhưng tôi thích trò chuyện với ChatGPT để sắp xếp suy nghĩ
Cuối cùng thì con người vẫn phải hiểu ngữ cảnh và tự kiểm chứng
Tôi làm freelancer lâu năm, và AI hầu như không giúp năng suất tăng lên
Khi review code để giao cho khách, tôi luôn thấy độ phức tạp thừa, vấn đề hiệu năng và rủi ro bảo trì
Tất nhiên với vài tác vụ tự động hóa đơn giản thì dùng được, nhưng nhìn chung lại tốn công hơn
Nếu nói mình làm xong nhanh thì lại bị nghi ngờ chất lượng, còn phí dùng model thì tự mình gánh
Rốt cuộc ngày nào cũng vật lộn với terminal. Bù lại có nhiều TUI đẹp hơn thật
Với tôi, AI lỗ nhiều hơn lãi
Nó tốt cho review code hay tìm kiếm, nhưng lúc code thật thì gần như lúc nào cũng phải viết lại
Kết quả trông như code của một học sinh chỉ muốn qua môn
Lúc nào cũng tự nhủ “lần này chắc ổn” nhưng cuối cùng vẫn là phí thời gian. Cảm giác khá giống thời trào lưu framework JavaScript
Vấn đề là liệu chất lượng code có thực sự quan trọng đến thế không.
Nếu đã modular đủ tốt thì module chất lượng kém cứ tạo lại là xong
Chính điều đó lại khiến tôi càng bất an. Có khi thật sự chúng ta sắp bị thay thế rồi
Khá bất ngờ khi không khí trên HN lại bi quan về AI như vậy
Tôi là kỹ sư có 10 năm kinh nghiệm, và một nửa những gì trên Twitter nói là thật
Team tôi chỉ có 3 người mà vẫn duy trì một ứng dụng 100k DAU. Trước đây việc này phải cần 10 người
Không có cả danh sách bug, và chất lượng code cũng không tệ hơn thời viết tay
Tần suất refactor thậm chí còn tăng, còn tốc độ thì bùng nổ. Tôi thực sự rất hài lòng
Chỉ là lúc này nó vẫn liên tục thêm code nên có nguy cơ làm độ phức tạp bùng nổ
Dù vậy, 6 tháng nữa mọi thứ có thể sẽ hoàn toàn khác. Vừa thú vị vừa đáng sợ
Nhưng đội càng nhỏ thì càng có thể tạo ra năng suất bùng nổ nhờ AI