AI agent

Tái tư duy về quy trình code review trong kỷ nguyên của AI agents

Robert C. Martin và các lãnh đạo ngành cho rằng kỹ sư phải chuyển từ việc đọc từng dòng mã sang xem xét ý định, tiêu chí và các quyết định kiến trúc khi AI tạo ra ngày càng nhiều phần mềm.

Cấu trúc mã holographic lơ lửng phía trên bàn phím với một bàn tay đang chỉ vào nó.
Minh họa được tạo riêng cho bài viết này

Được dịch tự động từ bản gốc tiếng Anh.

Robert C. Martin, người được biết đến rộng rãi với biệt danh Uncle Bob, gần đây tiết lộ rằng ông không còn đọc 95% mã nguồn do các AI agent của mình tạo ra. Lời thú nhận này đánh dấu một bước ngoặt quan trọng trong thực hành kỹ thuật phần mềm, gợi ý rằng những người kiểm duyệt con người không thể bắt kịp tốc độ tạo mã tự động hóa. Khi các đội ngũ tích hợp AI agent vào quy trình làm việc, mô hình truyền thống là kiểm tra chi tiết từng dòng mã đang trở nên lỗi thời, buộc chúng ta phải đánh giá lại thế nào là giám sát hiệu quả.

Chuyện gì đã xảy ra

Cuộc thảo luận xoay quanh sự thay đổi cơ bản trong cách các đội ngũ kỹ thuật tiếp cận chất lượng mã nguồn và quy trình review. Martin, tác giả cuốn sách Clean Code đã ảnh hưởng đến nhiều thế hệ lập trình viên, lập luận rằng con người quá chậm để quản lý mã nguồn ở tốc độ mà các AI agent hiện đại đòi hỏi. Ông đề xuất rằng việc duy trì giám sát ở cấp độ cao là cần thiết, nhưng việc can thiệp trực tiếp vào từng dòng mã nguồn giờ đây nằm ngoài khả năng của con người. Quan điểm này thách thức niềm tin lâu đời rằng mã nguồn chủ yếu được viết để con người khác đọc, ngụ ý rằng đối tượng đọc đã thay đổi từ một lập trình viên sang một hệ thống tự động hoặc một lớp trừu tượng cấp cao hơn.

Mặc dù tuyên bố mã nguồn phần lớn nằm ngoài phạm vi review của con người, Martin không hoàn toàn từ bỏ việc kiểm soát. Thay vào đó, ông tập trung vào tính toàn vẹn cấu trúc và các mẫu thiết kế (design patterns). Ông sử dụng các công cụ trực quan hóa kiến trúc dự án, cho phép mở rộng, thu gọn và đi sâu vào các thành phần cụ thể mà không cần phải vật lộn với cú pháp thô. Phương pháp này giúp ông xác định các vấn đề như điểm số Change Risk Anti-Patterns (CRAP) cao, kết quả kiểm thử đột biến (mutation-testing) thấp và hướng phụ thuộc sai lệch. Bằng cách tương tác với các sơ đồ động này, ông có thể chạy các kịch bản "what-if" và điều chỉnh các lớp thành phần trước khi mã nguồn được cố định, qua đó dịch chuyển quy trình review từ giai đoạn triển khai lên giai đoạn thiết kế.

Các tiếng nói khác trong ngành đưa ra những góc nhìn tinh tế hơn về sự chuyển đổi này. Ray Myers lập luận rằng những người tuyên bố ngừng đọc mã nguồn thường vẫn đang tham gia vào một dạng đọc "viết thường", nơi họ chọn lọc kiểm tra các khu vực quan trọng trong khi dựa vào xác minh tự động cho phần còn lại. David Poll, người dẫn dắt nhóm pull request và code review của GitHub, nhấn mạnh rằng mục tiêu không phải là ngừng đọc mà là hướng sự chú ý vào những nơi hữu ích nhất. Ông ủng hộ các hệ thống làm nổi bật những phần có ý nghĩa của một thay đổi, cho phép các khu vực có độ tin cậy thấp rơi khỏi tầm mắt của người review. Sự đồng thuận này gợi ý rằng mặc dù khối lượng mã được review thủ công giảm đi, tầm quan trọng chiến lược của phần review còn lại lại tăng lên.

Cách thức hoạt động

Mô hình review mới dựa trên ba loại tài liệu chính: ý định (intent), tiêu chí chấp nhận (acceptance criteria) và các quyết định (decisions). Ý định nắm bắt mục đích của thay đổi, bao gồm những gì nằm trong phạm vi và những gì bị loại trừ một cách có chủ đích. Thông tin này được rút ra từ các prompt và tương tác giữa kỹ sư và AI agent. Tiêu chí chấp nhận được chia thành các yêu cầu cụ thể cho thay đổi hiện tại và các mẫu bất biến từ sổ đăng ký "AI slop" của đội ngũ. Một agent xác minh, độc lập với agent đã viết mã, sẽ kiểm tra các tiêu chí này và cung cấp bằng chứng về sự tuân thủ. Sau đó, người review đánh giá xem vấn đề có đang được giải quyết đúng đắn trong các ràng buộc đã định hay không.

Các quyết định đại diện cho những lựa chọn về kiến trúc, hành vi và kỹ thuật được đưa ra trong quá trình phát triển. Vì AI agent xử lý phần lớn mã boilerplate, đóng góp của con người nằm ở việc chọn thư viện, định nghĩa mô hình dữ liệu và xác định chiến lược xử lý lỗi. Người review tập trung vào các quyết định này để đảm bảo sự liên kết với mục tiêu hệ thống. Cách tiếp cận này bảo toàn mô hình tinh thần (mental model) của codebase, một khái niệm mà Mitchell Hashimoto gọi là "phòng thủ bảng trắng" (whiteboard defense). Các kỹ sư phải có khả năng giải thích lý do đằng sau các lựa chọn cụ thể và chỉ ra nơi tiềm ẩn thất bại, đảm bảo rằng việc chia sẻ kiến thức vẫn nguyên vẹn ngay cả khi không quen thuộc với từng dòng mã.

Chi tiết quan trọng

  • Robert C. Martin báo cáo rằng ông không đọc 95% mã do các AI agent của mình tạo ra, trích dẫn sự chênh lệch tốc độ giữa con người và máy móc.
  • Điểm CRAP, hay Change Risk Anti-Patterns, là một chỉ số từ năm 2007 kết hợp độ phức tạp vòng lặp (cyclomatic complexity) với độ phủ kiểm thử (test coverage) để xác định mã rủi ro.
  • Các sơ đồ động giống UML cho phép người review trực quan hóa các phụ thuộc và cấu trúc, hỗ trợ điều chỉnh tương tác trước khi mã được hoàn thiện.
  • Các agent xác minh kiểm tra tiêu chí chấp nhận so với sổ đăng ký "AI slop" của đội ngũ, cung cấp các phán quyết dựa trên bằng chứng thay vì yêu cầu kiểm tra thủ công.
  • David Poll từ GitHub tuyên bố rằng mục tiêu là hướng sự chú ý của con người vào những phần có ý nghĩa của một thay đổi, chứ không phải loại bỏ hoàn toàn việc đọc mã.
  • Trách nhiệm cuối cùng đối với mã nguồn vẫn thuộc về con người, vì các AI agent được coi là hoàn toàn vô trách nhiệm và không thể chịu trách nhiệm cho kết quả.

Tại sao điều này quan trọng

Đối với các trưởng nhóm kỹ thuật và lập trình viên, sự thay đổi này đòi hỏi một chuyển đổi tư duy từ kiểm tra chiến thuật sang giám sát chiến lược. Code review truyền thống phục vụ hai mục đích: đảm bảo tuân thủ tiêu chuẩn và thúc đẩy chia sẻ kiến thức. AI phá vỡ cả hai bằng cách nhanh chóng tạo ra mã tuân thủ và làm mờ quá trình ra quyết định. Bằng cách tập trung vào ý định, tiêu chí và quyết định, các đội ngũ có thể duy trì chất lượng mà không gây nghẽn cổ chai cho đường ống phát triển. Cách tiếp cận này đảm bảo rằng các kỹ sư cấp cao dành thời gian cho những phán đoán kiến trúc giá trị cao thay vì soi mói cú pháp.

Hơn nữa, mô hình này giải quyết rủi ro về silo kiến thức. Nếu chỉ một người hiểu mã do AI tạo ra, đội ngũ sẽ trở nên dễ tổn thương. Bằng cách ghi chép các quyết định và yêu cầu kỹ sư bảo vệ lựa chọn của mình, đội ngũ xây dựng một mô hình tinh thần chung. Thực hành này đảm bảo rằng nhiều người hiểu cách hệ thống hoạt động và lý do tại sao các con đường cụ thể được chọn. Nó biến code review từ một bài tập kiểm soát cửa ngõ (gatekeeping) thành một phiên thiết kế cộng tác, nuôi dưỡng sự hiểu biết sâu sắc hơn về hệ thống giữa tất cả các thành viên trong đội.

Bạn có thể làm gì

  • Triển khai các công cụ trực quan hóa cấu trúc mã và phụ thuộc, cho phép người review đánh giá kiến trúc trước khi đi sâu vào chi tiết triển khai.
  • Xác định rõ ý định cho mỗi nhiệm vụ, ghi chép những gì nằm trong phạm vi và những gì bị loại trừ trong các prompt cung cấp cho AI agent.
  • Thiết lập một sổ đăng ký "AI slop" để nắm bắt các mẫu và lỗi phổ biến, sử dụng nó để tự động hóa việc xác minh các tiêu chí chấp nhận.
  • Yêu cầu kỹ sư ghi chép các quyết định kỹ thuật và kiến trúc chính, tạo ra một hồ sơ có thể được review độc lập với mã nguồn.
  • Đào tạo người review tập trung vào các khu vực rủi ro cao và các lựa chọn chiến lược, sử dụng kiểm thử tự động để xử lý các nhiệm vụ xác minh thông thường.
  • Tổ chức các phiên bảng trắng định kỳ, nơi kỹ sư giải thích các lựa chọn thiết kế của họ và bảo vệ chúng trước các câu hỏi từ đồng nghiệp để củng cố sự hiểu biết chung.
  • #ai agents
  • #code review
  • #software engineering
  • #clean code
  • #developer productivity

Công cụ từ cửa hàng Bytechap

Đọc tiếp

AI agent

Giảm độ trễ của tác nhân robot bằng cách xử lý song song giữa suy luận và chuyển động

Các kỹ sư đã giảm thời gian hoàn thành nhiệm vụ thực tế của robot từ 18 phút xuống còn 6 phút nhờ tối ưu hóa khung chạy (harness) của tác nhân, sử dụng kernel thường trú và cơ chế thực thi theo đường ống để che giấu độ trễ của mô hình đằng sau các chuyển động

Tất cả bài viết