Chuyển đến nội dung chính

Tư duy sử dụng AI Coding Agent: Từ Prompt Engineering đến Agentic Software Development

AI Coding Agent đang thay đổi cách lập trình viên phát triển phần mềm. Thay vì chỉ yêu cầu AI viết một đoạn code hoặc giải thích một API, chúng ta có thể giao cho agent những nhiệm vụ phức tạp hơn: phân tích codebase, làm rõ yêu cầu, thiết kế kiến trúc, triển khai tính năng, chạy test và review kết quả.

Tuy nhiên, có một vấn đề thường gặp: AI càng có nhiều khả năng tự thực hiện công việc thì việc kiểm soát quá trình phát triển phần mềm càng trở nên quan trọng.

Nếu chỉ sử dụng một prompt dài để yêu cầu AI hoàn thành toàn bộ tính năng, chúng ta có thể nhận được code chạy được nhưng chưa chắc đáp ứng đúng yêu cầu, tuân thủ kiến trúc hoặc xử lý đầy đủ các trường hợp biên.

Vì vậy, thay vì chỉ học cách viết prompt tốt hơn, lập trình viên cần thay đổi tư duy: thiết kế cách AI làm việc, cung cấp đúng ngữ cảnh, phân chia trách nhiệm và xây dựng cơ chế kiểm chứng kết quả.

Bài viết này tổng hợp những nguyên tắc quan trọng khi sử dụng AI Coding Agent, từ Prompt Engineering đến Context Engineering, Agent Skills, Multi-Agent và Autonomous Workflow.

1. Thay đổi tư duy: AI không chỉ là công cụ sinh code

1.1. Từ AI Assistant đến AI Coding Agent

Có thể hình dung sự phát triển trong cách sử dụng AI qua ba cấp độ:

Cấp độ Cách sử dụng Ví dụ
AI Assistant Hỏi đáp và hỗ trợ lập trình Giải thích LINQ, viết một hàm C#
AI Coding Assistant Hỗ trợ chỉnh sửa code trong IDE Autocomplete, refactor, generate unit test
AI Coding Agent Tự lập kế hoạch và thực hiện nhiều bước công việc Phân tích issue, sửa nhiều file, chạy test và báo cáo kết quả

Điểm khác biệt quan trọng của Agent không chỉ nằm ở khả năng sinh code mà còn ở khả năng sử dụng công cụ và thực hiện một chuỗi hành động để đạt mục tiêu.

Một AI Coding Agent có thể thực hiện vòng lặp:

  1. Nhận nhiệm vụ từ lập trình viên.
  2. Phân tích yêu cầu và ngữ cảnh.
  3. Lập kế hoạch thực hiện.
  4. Sử dụng công cụ để đọc hoặc chỉnh sửa code.
  5. Chạy test và kiểm tra kết quả.
  6. Điều chỉnh nếu phát hiện lỗi.
  7. Báo cáo kết quả cho con người.
flowchart TD A["Developer: Giao nhiệm vụ"] --> B["AI Agent: Phân tích"] B --> C["Lập kế hoạch"] C --> D["Thực thi bằng Tools"] D --> E["Verification: Kiểm chứng"] E --> F{"Đạt yêu cầu?"} F -->|Chưa| G["Phân tích lỗi và điều chỉnh"] G --> D F -->|Đạt| H["Báo cáo và chờ phê duyệt"] H --> I["Developer: Review và quyết định"]

Như vậy, lập trình viên không còn chỉ đóng vai trò người viết từng dòng code. Họ cần đảm nhận thêm vai trò xác định mục tiêu, thiết kế quy trình, cung cấp thông tin và kiểm soát chất lượng.

1.2. Phân biệt Autonomy và Accountability

Một agent có thể được trao quyền tự chủ thực hiện nhiều công việc, nhưng điều đó không có nghĩa là nó chịu trách nhiệm cuối cùng về chất lượng phần mềm.

Chúng ta cần phân biệt:

  • Autonomy: Mức độ AI được phép tự quyết định và thực hiện công việc.
  • Accountability: Trách nhiệm đối với quyết định và kết quả cuối cùng.

Ví dụ, AI có thể tự sửa một unit test bị lỗi, nhưng việc thay đổi business rule để test pass cần được xem xét cẩn thận. AI không nên tự ý thay đổi yêu cầu nghiệp vụ chỉ để đạt kết quả mong muốn.

Nguyên tắc: Có thể tăng quyền tự chủ cho AI đối với những công việc có thể kiểm chứng, nhưng những quyết định ảnh hưởng đến nghiệp vụ, kiến trúc và bảo mật cần có cơ chế phê duyệt phù hợp.

2. Nền tảng thứ nhất: Requirement Engineering và Specification

Một trong những nguyên nhân khiến AI viết code sai không phải do mô hình thiếu kiến thức lập trình, mà do yêu cầu đầu vào chưa đủ rõ ràng.

2.1. Không bắt đầu bằng câu lệnh viết code

Giả sử chúng ta yêu cầu:

Implement a stock filtering feature.
Filter stocks by liquidity and ATR.

Đây là một yêu cầu quá ngắn. Agent phải tự suy đoán nhiều vấn đề:

  • Liquidity được tính bằng Volume hay Trading Value?
  • Sử dụng bao nhiêu phiên giao dịch để tính trung bình?
  • ATR sử dụng chu kỳ bao nhiêu?
  • Có loại bỏ cổ phiếu thiếu dữ liệu không?
  • Dữ liệu được tính tại ngày hiện tại hay một ngày được chỉ định?
  • Có được sử dụng dữ liệu tương lai hay không?

Nếu không làm rõ những vấn đề này, AI có thể tạo ra một giải pháp hợp lệ về cú pháp nhưng sai về nghiệp vụ.

2.2. Requirement Clarification

Thay vì yêu cầu AI triển khai ngay, hãy yêu cầu nó chất vấn ngược lại để làm rõ yêu cầu.

Đây là tư duy được thể hiện trong cách tiếp cận của Matt Pocock với kỹ thuật Grill Me.

Before implementation:

1. Analyze the requirement.
2. Identify ambiguities and missing business rules.
3. Ask concise questions about edge cases.
4. Do not make assumptions silently.
5. Summarize the confirmed requirements.

Do not write code until the requirements are sufficiently clear.

Không nhất thiết phải hỏi thật nhiều câu. Mục tiêu là phát hiện những quyết định có thể làm thay đổi kết quả triển khai.

2.3. Specification là hợp đồng giữa con người và AI

Sau khi làm rõ yêu cầu, chúng ta nên chuyển các quyết định thành tài liệu có cấu trúc.

Một Specification tốt nên bao gồm:

  • Problem Statement: Vấn đề cần giải quyết.
  • Goals: Mục tiêu của tính năng.
  • Functional Requirements: Các yêu cầu chức năng.
  • Non-functional Requirements: Các yêu cầu phi chức năng.
  • Constraints: Giới hạn và quy tắc phải tuân thủ.
  • Acceptance Criteria: Điều kiện nghiệm thu.
  • Edge Cases: Các trường hợp biên.

Ví dụ:

# Feature: Order Cancellation

## Goal
Allow customers to cancel eligible orders
while maintaining order consistency and inventory accuracy.

## Functional Requirements
- Customers can cancel orders that have not been shipped.
- The system must update the order status after cancellation.
- Reserved inventory must be released when an order is cancelled.
- Customers must receive a cancellation confirmation.

## Constraints
- Only authenticated customers can cancel their own orders.
- An order cannot be cancelled more than once.
- Cancellation must preserve transaction consistency.
- External payment operations must handle failures explicitly.

## Acceptance Criteria
- Only eligible orders can be cancelled.
- The order status must be updated correctly.
- Inventory quantities must remain consistent.
- Repeated cancellation requests must be handled safely.
- Failed cancellation operations must not leave inconsistent data.

Specification giúp giảm việc AI tự suy đoán và tạo cơ sở để kiểm tra kết quả triển khai.

2.4. Spec-Driven Development

Khi Specification trở thành đầu vào chính cho quá trình phát triển, chúng ta tiến đến cách tiếp cận Spec-Driven Development (SDD).

flowchart TD A["Requirement"] --> B["Specification"] B --> C["Technical Plan"] C --> D["Task Breakdown"] D --> E["Implementation"] E --> F["Tests and Verification"] F --> G["Review"] G --> H["Release"]

Một số công cụ và dự án tiêu biểu hỗ trợ cách tiếp cận này:

  • Spec-Kit: Framework mã nguồn mở hỗ trợ quy trình phát triển dựa trên specification.
  • Get Shit Done (GSD): Chú trọng quản lý ngữ cảnh, specification và phân rã công việc.
  • BMAD-Method: Cung cấp phương pháp luận và các vai trò AI để hỗ trợ quy trình phát triển phần mềm.

Lưu ý: Specification không nên trở thành tài liệu bất biến. Khi phát hiện yêu cầu sai hoặc thiết kế cần thay đổi, tài liệu phải được cập nhật đồng bộ với implementation.

3. Nền tảng thứ hai: Context Engineering

Prompt tốt chưa đủ nếu AI không có đúng thông tin để thực hiện công việc.

Trong một dự án phần mềm thực tế, thông tin cần thiết có thể nằm rải rác ở nhiều nơi:

  • Source code và cấu trúc solution.
  • Architecture Decision Records (ADR).
  • Database schema và migration.
  • API contracts.
  • Unit tests và integration tests.
  • Coding conventions.
  • Business requirements.

Context Engineering là quá trình thiết kế, tổ chức và cung cấp ngữ cảnh phù hợp cho AI tại từng thời điểm.

3.1. Phân biệt Prompt Engineering và Context Engineering

Khía cạnh Prompt Engineering Context Engineering
Trọng tâm Cách diễn đạt yêu cầu Thông tin AI cần biết
Câu hỏi Nên yêu cầu AI như thế nào? AI cần đọc những gì?
Ví dụ Viết code theo Clean Architecture Cung cấp cấu trúc solution, dependency rules và coding conventions
Mục tiêu Hướng dẫn hành vi Giảm thiếu hụt và nhiễu thông tin

Ví dụ, yêu cầu AI tuân thủ Clean Architecture không có nhiều ý nghĩa nếu agent chưa biết solution hiện tại có những project nào và dependency giữa chúng ra sao.

3.2. Progressive Disclosure

Một sai lầm phổ biến là đưa tất cả tài liệu vào context ngay từ đầu.

Điều này không chỉ tiêu tốn token mà còn làm tăng lượng thông tin không liên quan đến nhiệm vụ hiện tại.

Progressive Disclosure là nguyên tắc chỉ nạp thông tin chi tiết khi cần thiết.

flowchart TD A["Agent nhận nhiệm vụ"] --> B["Đọc metadata và mô tả"] B --> C{"Có cần tài liệu này?"} C -->|Không| D["Bỏ qua"] C -->|Có| E["Đọc tài liệu liên quan"] E --> F{"Cần thêm thông tin?"} F -->|Có| G["Đọc references hoặc source code"] G --> F F -->|Không| H["Thực hiện nhiệm vụ"] D --> H

Ví dụ, một Agent Skill có thể tổ chức tài nguyên như sau:

stock-analysis/
├── SKILL.md
├── references/
│   ├── indicators.md
│   ├── trading-rules.md
│   └── data-contracts.md
└── scripts/
    └── validate-data.py

Agent chỉ cần đọc phần hướng dẫn chính khi skill được kích hoạt. Những tài liệu chi tiết hơn có thể được đọc khi nhiệm vụ thực sự cần đến.

3.3. Context Isolation và Independent Review

Một vấn đề khác là thiên kiến xác nhận (Confirmation Bias).

Khi cùng một agent vừa thiết kế giải pháp vừa tự review giải pháp đó trong cùng một cuộc hội thoại, nó có thể tiếp tục bảo vệ những giả định ban đầu thay vì nhận ra sai sót.

Google giới thiệu cách tiếp cận Elephant-Goldfish Model (EGM), sử dụng hai vai trò có ngữ cảnh độc lập:

  • Elephant: Giữ ngữ cảnh và lịch sử trao đổi để phân tích yêu cầu, xây dựng thiết kế.
  • Goldfish: Reviewer sử dụng context độc lập, không kế thừa cuộc hội thoại trước đó, đánh giá bản thiết kế và tài liệu nguồn liên quan.
flowchart TD A["Project Context"] --> B["Elephant Agent"] B --> C["Design Specification"] C --> D["Independent Goldfish Reviewer"] D --> E["Review Findings"] E --> F{"Có vấn đề?"} F -->|Có| G["Elephant cập nhật thiết kế"] G --> C F -->|Không| H["Human Approval"]

Ý tưởng quan trọng ở đây không phải tạo càng nhiều agent càng tốt, mà là tách biệt góc nhìn để tăng khả năng phát hiện sai sót.

3.4. Context Rot

Context Rot mô tả hiện tượng chất lượng suy luận có thể suy giảm khi context window tích tụ quá nhiều thông tin không liên quan, thông tin lỗi thời hoặc những trao đổi không còn hữu ích.

Không nên hiểu rằng cứ thêm thông tin thì AI sẽ thông minh hơn.

Một context tốt cần:

  • Liên quan trực tiếp đến nhiệm vụ.
  • Có tính nhất quán.
  • Phân biệt rõ thông tin đã xác nhận và giả định.
  • Loại bỏ những thông tin lỗi thời.
  • Chỉ giữ lại lịch sử thực sự cần thiết.

4. Nền tảng thứ ba: Agent Skills và Reusable Knowledge

Sau khi biết cách cung cấp ngữ cảnh, câu hỏi tiếp theo là: Làm thế nào để không phải hướng dẫn AI lại từ đầu trong mỗi cuộc hội thoại?

Đây là lúc Agent Skills phát huy tác dụng.

4.1. Skill là gì?

Agent Skill là một gói hướng dẫn chuyên biệt giúp AI thực hiện một loại nhiệm vụ theo quy tắc nhất định.

Một skill đơn giản thường có file SKILL.md chứa metadata và hướng dẫn thực thi. Skill phức tạp hơn có thể đi kèm references, scripts và các tài nguyên khác.

---
name: code-review
description: Review code changes for correctness,
security and maintainability.
---

# Code Review Instructions

1. Understand the purpose of the changes.
2. Check business logic and edge cases.
3. Review architectural dependencies.
4. Identify potential security issues.
5. Verify test coverage.
6. Report findings with severity and evidence.

Do not modify code unless explicitly requested.

Thay vì mỗi lần đều viết lại các quy tắc review, chúng ta đóng gói chúng thành một skill có thể tái sử dụng.

4.2. Phân biệt Rules, Prompts và Skills

Thành phần Vai trò Ví dụ
Rules Quy tắc áp dụng thường xuyên Không sử dụng magic numbers
Prompts Yêu cầu cho một nhiệm vụ cụ thể Review Pull Request này
Skills Đóng gói kiến thức và quy trình tái sử dụng Quy trình review code theo Clean Architecture
Tools Khả năng thực hiện hành động Đọc file, chạy terminal, gọi API

Các thành phần này bổ sung cho nhau. Một skill có thể hướng dẫn agent sử dụng tools, tuân thủ rules và thực hiện một workflow cụ thể.

4.3. Skills không phải Framework

Đây là một điểm cần phân biệt khi tìm hiểu hệ sinh thái AI Coding Agent.

Khái niệm Bản chất
Agent Skill Gói hướng dẫn cho một nhiệm vụ hoặc năng lực cụ thể
Workflow Chuỗi bước và điều kiện chuyển tiếp giữa các bước
Framework Hệ thống tổ chức nhiều thành phần và quy trình
Execution Pattern Mẫu điều khiển cách agent thực thi công việc

Một số ví dụ:

  • Matt Pocock: Chú trọng làm rõ yêu cầu và hướng dẫn AI suy nghĩ trước khi triển khai.
  • Anthropic Agent Skills: Cung cấp cơ chế đóng gói hướng dẫn, tài nguyên và khả năng nạp thông tin theo nhu cầu.
  • Superpowers: Kết hợp các skills thành quy trình phát triển phần mềm có kỷ luật kỹ thuật.
  • BMAD-Method: Cung cấp hệ thống agents, workflows và phương pháp luận phát triển phần mềm.

Không nên đánh đồng tất cả các dự án trên chỉ vì chúng có thể chứa file SKILL.md.

5. Nền tảng thứ tư: Workflow và Multi-Agent Orchestration

Khi công việc trở nên phức tạp, một agent duy nhất có thể phải xử lý quá nhiều trách nhiệm.

Chẳng hạn, một tính năng mới có thể yêu cầu phân tích nghiệp vụ, thiết kế database, triển khai API, xây dựng UI, viết test và review bảo mật.

Thay vì để một agent xử lý mọi thứ trong một chuỗi suy luận dài, chúng ta có thể tổ chức công việc thành các workflow và phân chia trách nhiệm.

5.1. Workflow trước, Multi-Agent sau

Không phải nhiệm vụ nào cũng cần nhiều agent.

Với một tác vụ nhỏ như thêm validation vào một DTO, một agent duy nhất có thể thực hiện tốt.

Nhưng với một tính năng lớn, việc phân chia công việc giúp giảm độ phức tạp và tạo ra các điểm kiểm soát rõ ràng.

flowchart TD A["Feature Request"] --> B["Requirement Analysis"] B --> C["Architecture Design"] C --> D["Task Breakdown"] D --> E["Implementation"] E --> F["Testing"] F --> G["Independent Review"] G --> H["Human Approval"] H --> I["Release"]

Mỗi bước có thể do một agent hoặc một nhóm agent đảm nhận. Tuy nhiên, việc phân chia cần dựa trên trách nhiệm thực sự, không phải chỉ để tăng số lượng agent.

5.2. Một số mô hình phối hợp Agent

Mô hình Cách hoạt động Ứng dụng
Sequential Agent A hoàn thành rồi chuyển kết quả cho B Analysis → Design → Implementation
Parallel Nhiều agent làm việc độc lập Review Security, Performance và Architecture
Hierarchical Agent điều phối phân chia và tổng hợp nhiệm vụ Multi-Agent development team
Iterative Lặp lại thực thi và kiểm chứng Code → Test → Fix → Retest

5.3. Superpowers, BMAD và GSD

Các dự án này thể hiện những cách tiếp cận khác nhau trong việc tổ chức AI Coding Agent.

  • Superpowers: Nhấn mạnh engineering discipline, brainstorming, planning, TDD, systematic debugging và code review.
  • BMAD-Method: Tổ chức các vai trò như Analyst, PM, Architect, Developer và QA để hỗ trợ vòng đời phát triển phần mềm.
  • Get Shit Done (GSD): Chú trọng context engineering, phân rã công việc và orchestration theo specification.

5.4. Autonomous Execution và Ralph Wiggum Loop

Autonomous Execution là khả năng để agent tự thực hiện nhiều bước công việc mà không cần con người can thiệp liên tục.

Ralph Wiggum Loop là một execution pattern nổi bật, thường kết hợp agent với vòng lặp shell để xử lý từng task liên tiếp.

flowchart TD A["Read Task List"] --> B["Select Next Task"] B --> C["Implement"] C --> D["Run Tests"] D --> E{"Verification Passed?"} E -->|No| F["Fix Issues"] F --> D E -->|Yes| G["Mark Task Completed"] G --> H{"More Tasks?"} H -->|Yes| B H -->|No| I["Stop and Report"]

Tuy nhiên, autonomous không có nghĩa là không cần kiểm soát.

Một vòng lặp đáng tin cậy cần có:

  • Task nhỏ và có acceptance criteria.
  • Verification độc lập với quá trình sinh code.
  • Giới hạn số vòng lặp và ngân sách thực thi.
  • Điều kiện dừng rõ ràng.
  • Cơ chế yêu cầu con người can thiệp khi gặp tình huống bất thường.

6. Nền tảng thứ năm: Verification và Quality Engineering

Đây là nền tảng thường bị đánh giá thấp khi sử dụng AI Coding Agent.

AI có thể viết code nhanh, nhưng code được tạo ra không mặc nhiên là code đúng.

Chúng ta cần phân biệt hai việc:

  • Generation: AI tạo ra giải pháp.
  • Verification: Kiểm tra giải pháp có thực sự đáp ứng yêu cầu hay không.

6.1. Không sử dụng AI làm nguồn xác nhận duy nhất

Ví dụ, không nên chỉ hỏi agent:

Have you completed the implementation?
Are all requirements satisfied?

Agent có thể trả lời rằng mọi thứ đã hoàn thành, nhưng điều đó không chứng minh rằng code thực sự đúng.

Thay vào đó, cần sử dụng các cơ chế kiểm chứng độc lập:

Loại kiểm chứng Mục tiêu Công cụ hoặc phương pháp
Unit Test Kiểm tra logic riêng lẻ xUnit, NUnit, MSTest
Integration Test Kiểm tra tương tác giữa các thành phần TestServer, Testcontainers
Static Analysis Phát hiện vấn đề trong source code Roslyn Analyzers, SonarQube
Security Testing Phát hiện lỗ hổng bảo mật CodeQL, SAST, dependency scanning
Acceptance Testing Kiểm tra yêu cầu nghiệp vụ BDD, acceptance criteria
Code Review Đánh giá thiết kế và khả năng bảo trì Human review, independent agent review

6.2. Test-Driven Development và AI

TDD là một cách tiếp cận hữu ích khi làm việc với AI Coding Agent.

Thay vì để AI viết code trước rồi tự tạo test để xác nhận code đó, chúng ta có thể yêu cầu agent xác định expected behavior trước.

flowchart LR A["Write Test"] --> B["Run Test"] B --> C["Test Fails"] C --> D["Write Minimal Code"] D --> E["Run Test"] E --> F{"Pass?"} F -->|No| D F -->|Yes| G["Refactor"] G --> A

Ví dụ với một hàm tính ATR Percentage:

[Theory]
[InlineData(100, 2, 2)]
[InlineData(200, 5, 2.5)]
public void CalculateAtrPercentage_ShouldReturnExpectedValue(
    decimal close,
    decimal atr,
    decimal expected)
{
    var result = CalculateAtrPercentage(close, atr);

    Assert.Equal(expected, result);
}

Test giúp chuyển yêu cầu thành những điều kiện có thể kiểm tra được. Tuy nhiên, test cũng phải được review: một test được viết sai hoặc chỉ lặp lại logic implementation sẽ không đảm bảo chất lượng.

6.3. Verification phải bám theo Specification

Một quy trình tốt không chỉ kiểm tra code có compile hay test có pass hay không.

Cần đối chiếu kết quả với từng acceptance criterion.

# Verification Report

## Requirement Coverage

- [x] Average trading value is calculated correctly.
- [x] Minimum price threshold is enforced.
- [x] ATR percentage is calculated correctly.
- [x] Insufficient historical data is handled.

## Technical Verification

- [x] Build succeeded.
- [x] Unit tests passed.
- [x] No prohibited project dependencies.
- [ ] Integration tests pending.

## Remaining Risks

- Historical data gaps require further validation.

Đây là cách biến câu trả lời chủ quan của AI thành một báo cáo có bằng chứng kiểm chứng.

7. Tổng hợp: Kiến trúc tư duy khi sử dụng AI Coding Agent

Năm nền tảng trên không phải những phương pháp cạnh tranh với nhau. Chúng giải quyết những vấn đề khác nhau trong cùng một quy trình.

flowchart TD A["Human Developer"] --> B["1. Requirement Engineering"] B --> C["2. Specification"] C --> D["3. Context Engineering"] D --> E["4. Agent Skills and Tools"] E --> F["5. Workflow and Orchestration"] F --> G["Implementation"] G --> H["6. Verification"] H --> I{"Meets Acceptance Criteria?"} I -->|No| D I -->|Yes| J["Human Review and Approval"] J --> K["Release"]

Có thể tóm tắt trách nhiệm của từng nền tảng như sau:

Nền tảng Câu hỏi cần trả lời
Requirement Engineering Chúng ta thực sự cần giải quyết vấn đề gì?
Specification Kết quả mong đợi được mô tả như thế nào?
Context Engineering AI cần biết những thông tin gì?
Agent Skills AI cần tuân thủ kiến thức và quy trình nào?
Workflow & Orchestration Công việc được phân chia và điều phối ra sao?
Verification Làm thế nào chứng minh kết quả là đúng?

8. Thực hành: Xây dựng một AI Coding Workflow cho dự án thực tế

Không nhất thiết phải bắt đầu bằng một Multi-Agent Framework phức tạp. Chúng ta có thể xây dựng một workflow đơn giản, sau đó bổ sung các thành phần khi nhu cầu thực sự xuất hiện.

8.1. Bước 1: Khám phá codebase

Yêu cầu AI đọc và phân tích cấu trúc dự án trước khi đề xuất thay đổi.

Analyze the existing codebase.

Identify:
- Solution and project structure.
- Architectural boundaries.
- Existing patterns and conventions.
- Related business logic.
- Existing tests and test infrastructure.

Do not modify any files.

Provide a concise architecture summary
and identify relevant files for the requested feature.

8.2. Bước 2: Làm rõ yêu cầu và tạo Specification

Không cho agent tự suy đoán những business rules chưa được xác nhận.

Đầu ra mong đợi là một specification có acceptance criteria và edge cases.

8.3. Bước 3: Lập kế hoạch triển khai

Yêu cầu AI đề xuất:

  • Những file cần tạo hoặc chỉnh sửa.
  • Dependency giữa các thành phần.
  • Database changes nếu có.
  • Test cases cần bổ sung.
  • Rủi ro và các vấn đề cần chú ý.

Review kế hoạch trước khi cho phép triển khai.

8.4. Bước 4: Triển khai theo từng task nhỏ

Mỗi task cần có phạm vi rõ ràng và điều kiện hoàn thành cụ thể.

Không nên giao một task quá lớn như "Implement the entire feature". Hãy chia thành các phần có thể kiểm tra độc lập.

8.5. Bước 5: Verification và Review

Sau mỗi task, thực hiện:

  1. Build solution.
  2. Run relevant unit tests.
  3. Run integration tests khi cần.
  4. Kiểm tra coding conventions và architecture boundaries.
  5. Đối chiếu acceptance criteria.
  6. Review những thay đổi ngoài

Nhận xét

Bài đăng phổ biến từ blog này

[ASP.NET MVC] Authentication và Authorize

Một trong những vấn đề bảo mật cơ bản nhất là đảm bảo những người dùng hợp lệ truy cập vào hệ thống. ASP.NET đưa ra 2 khái niệm: Authentication và Authorize Authentication xác nhận bạn là ai. Ví dụ: Bạn có thể đăng nhập vào hệ thống bằng username và password hoặc bằng ssh. Authorization xác nhận những gì bạn có thể làm. Ví dụ: Bạn được phép truy cập vào website, đăng thông tin lên diễn đàn nhưng bạn không được phép truy cập vào trang mod và admin.

Tổng hợp một số kiến thức lập trình về Amibroker

Giới thiệu về Amibroker Amibroker theo developer Tomasz Janeczko được xây dựng dựa trên ngôn ngữ C. Vì vậy bộ code Amibroker Formula Language sử dụng có syntax khá tương đồng với C, ví dụ như câu lệnh #include để import hay cách gói các object, hàm trong các block {} và kết thúc câu lệnh bằng dấu “;”. AFL trong Amibroker là ngôn ngữ xử lý mảng (an array processing language). Nó hoạt động dựa trên các mảng (các dòng/vector) số liệu, khá giống với cách hoạt động của spreadsheet trên excel.

ASP.NET MVC: Cơ bản về Validation

Validation (chứng thực) là một tính năng quan trọng trong ASP.NET MVC và được phát triển trong một thời gian dài. Validation vắng mặt trong phiên bản đầu tiên của asp.net mvc và thật khó để tích hợp 1 framework validation của một bên thứ 3 vì không có khả năng mở rộng. ASP.NET MVC2 đã hỗ trợ framework validation do Microsoft phát triển, tên là Data Annotations. Và trong phiên bản 3, framework validation đã hỗ trợ tốt hơn việc xác thực phía máy khách, và đây là một xu hướng của việc phát triển ứng dụng web ngày nay.