thảo luận Sóng gió ập tới, nghề lập trình đang thay đổi ra sao với AI.

  • Người tạo chủ đề Người tạo chủ đề condao
  • Ngày bắt đầu Ngày bắt đầu
người ta là người nào thì tôi không thấy anh đề cập, không rõ là các công ty đó đã thực sự thành công trong việc này chưa hay chỉ là cái mục tiêu vì tôi thấy rất nhiều công ty có cùng cái mục tiêu này nhma đã có cái cty đ nào hiện thực hoá được nó đâu
Công ty nào cũng làm bởi vì nó là cuộc đua, kiểu ai mà không đua bị loại khỏi vòng đó. Phần lớn quyền lực giờ lại nằm trong mấy công ty nắm token, tụi nó quyết định giá. Nhưng được cái là giờ thằng nào cũng phụ thuộc nên ra thằng nào tốt hơn thôi. Về phía quản lý họ muốn vậy, định hướng vậy còn làm được hay ko do bên dưới, nếu bên dưới ko làm được sẽ kiếm người làm được để làm (sự thật phũ phàng)


Giờ quay lại chủ đề làm sao để sống sót qua thời kì này:

- Các bạn mới vô nghề thì no hope thật so với hồi dịch thì giờ top 30% junior mới qua được quan trọng là phải giỏi hiểu được nghề, cần IQ (học lập trình xưa thì thấy tỷ lệ theo nghề phải hơn 70%). Lương sẽ từ từ giảm xuống lại mức xưa thực tập không lương hoặc lương 10tr sẽ quay lại cho phần lớn thực tập. (Không nói tới top 5%).

- Các ông middle chưa lên Sen nhưng chưa dùng AI được ổn thỏa. Vị trí này rất lung lay và chắc chắn sẽ có trong danh sách cắt giảm sắp tới, có khi là bay 30%, sau khi thảm sát Junior thì đây là đến lúc các ông trong vòng 1 năm thôi. Chậm nhất là giữa năm sau, tiền lương của các ông này sẽ dùng để mua token cho mấy ông dùng hiệu quả. Các ông giờ phải học dùng AI code thật đừng làm proxy meat nữa. Cần phải hiểu tất cả mọi thứ của AI làm, tận dụng AI để học, coi nó như 1 người thầy dạy mình. Phải nỗ lực gấp đôi ngày xưa. Xưa chỉ cần học tốt, chỉ học có kinh nghiệm về cái mình làm là đủ. Thêm 1 cái nữa là phải học cái xài AI hiệu quả, xem hiệu suất sử dụng AI của mình thế nào, prompt ra sao, viết spec cụ thể thế nào. Để xong 1 task bây giờ ko còn kiểu việc ai nấy làm chia ra nhỏ nhỏ từ lead nữa, Mỗi người sẽ phải own 1 việc từ trên xuống dưới cho làm. Chịu trách nhiệm cho nó từ đầu tới cuối. Nếu không có trách nhiệm cứ làm cho hết việc hết task thì rất lung lay, vì những thứ đơn giản không cần kết nối không cần hiểu mọi thứ thì AI có thể làm nhanh hơn ông rất nhiều. Lead nó có thể thay các ông bằng AI đấy. À định nghĩa của tôi về middle là dưới 5 năm kinh nghiệm (thậm chí trên 5 tới 10 nếu contribute không nhiều).

- Cho các ông Senior, tầm 5 tới 10 năm, nhìn thì có vẻ khỏe, các ông ở dưới bị cắt gần hết nhưng các ông trên cũng cần lo là vừa. Các công ty sẽ không chỉ cắt theo chiều ngang, mà có khi còn sẽ tái cơ cấu cắt theo chiều dọc. Lúc này sẽ chịu trách nhiệm nhiều hơn làm nhiều thứ hơn. Các sếp sẽ muốn khi đổ tương đương đồng AI vào, thì throughput của các ông senior phải nâng gấp 3... Các cuộc đại phẫu chiều dọc này thì sẽ khó nhìn thấy hơn, nhưng phần lớn sẽ liên quan chính trị trong team nói chung cũng ổn. Các ông senior cần trang bị cho mình thêm các kĩ năng về architecture cho thật tốt, để sau này có thể sẽ nhận cả 1 component, chứ k chỉ việc nữa, scope công việc sẽ giống technical lead ngày xưa. Nhưng thay vì lead team sẽ được giao lead những con AI agent để làm việc. Tỷ lệ thanh lọc loại thải đợt này cho senior tôi đoán chỉ chiếm tầm 10%.

- Team lead/PM, middle manager chuyên về managment chắc chắn sẽ mệt hơn nhiều xưa quản team con người, giờ còn phải quản thêm cái KPI metrics khác, và còn thanh lọc làm công cụ đấu đá chính trị nội bộ của công ty (said but true). Khi bánh ngày càng ít đi thì chia càng mệt nhọc, ai có khả năng để showoff hoặc làm nhưng việc chả liên quan gì tech để giữ ghế giữ team thì vẫn sống. Nhưng cũng phải học dần dần về tech, vì tương lai mấy ông mà bị cắt thay vì bắt ngồi quản team, sẽ bị assign lại việc coi như là 1 engineer trong team đó.

Mấy bạn dùng AI thì tôi chỉ cho 1 trick, nên có thống kê hết tất cả những cái mình xài mình dùng, để coi mình xài tốt ra sao tới đâu, để còn có thể tự improve được. Mấy cái metrics, KPI của công ty đang dùng thì cũng có thể áp dụng cho cá nhân được, đặc biệt là hiệu quả của việc dùng nó ra sao. Như tôi từ từ cũng build được 1 mớ skill thủ thân, dùng cho các agent để hỗ trợ tôi việc làm. Những thứ này sẽ là job security của mọi người sau này đó.
 
Chi phí AI là bài toàn với các công ty nhỏ, đặc biệt mảng outsourcing cạnh tranh khốc liệt ở thời điểm hiện tại, output phải nhanh phải chính xác.
Kỹ năng dùng AI tốt là ông kỹ sư phải biết cách tiết kiệm token bác à, chứ ko phải là cứ gõ prompt rồi để AI chạy qua đêm đâu.
Cty mình hiện tại thì chi phí AI cho dev tầm 1tr/tháng.
 
Kỹ năng dùng AI tốt là ông kỹ sư phải biết cách tiết kiệm token bác à, chứ ko phải là cứ gõ prompt rồi để AI chạy qua đêm đâu.
Cty mình hiện tại thì chi phí AI cho dev tầm 1tr/tháng.
Wow quá dữ, team mình đang lead hướng theo hướng này, ko phải làm nhanh ko làm nhiều mà phải tối ưu hiệu suất của cả người lẫn token, có mấy ông mấy team khác đốt token ầm ầm, nhưng so về hiệu quả chả bằng được team mình. Tiếc cái là trình độ mọi người mới làm quen, nên đốt cũng hơi nhiều. Hiện tại đã cỡ gấp 10 lần đó :(... Đang bị lây ra làm baseline cho team khác mục tiêu mình phải làm sao đưa về tầm phân nửa thôi. Chứ cả công ty mà đốt kiểu này thì tới cuối năm nghỉ gia hạn hợp đồng cả lũ.
 
Chia sẻ của bản thân mình đi, 1 người điều hành công ty outsourcing nhỏ, dưới góc nhìn của người chủ sử dụng lao động. Công ty mình chuyên code ở tầng OS kernel (Linux, Windows, MacOS, Android...), lĩnh vực này trước đây có entry level rất khó vì cần lượng knowledge nhiều. Mới cách đây tầm 2 năm thì chưa ai nghĩ là AI có thể code tốt ở mảng này. Thì có 1 vài điểm như thế này:
1. AI như Claude có chất lượng gen code tốt hơn kỹ sư, kể cả level senior. Tất nhiên để làm được như vậy, thì cũng cần có 1 ông kỹ sư có kiến thức, tư duy hệ thống... để định hướng cũng như đánh giá output cho AI. Nhưng nó sẽ kiểu như, kỹ sư 1 năm kinh nghiệm mà có tư duy tốt, năng suất lao động, chất lượng code... sẽ tốt hơn kỹ sư 10 năm kinh nghiệm hồi xưa.
2. Đây là giai đoạn tranh tối tranh sáng của thị trường, công ty nào biết cách áp dụng AI trong công việc, biết cách tuyển kỹ sư có tư duy phù hợp với AI, có metric KPI trong công việc phù hợp với đặc thù cộng tác Human-AI thì sẽ có năng suất và chất lượng cao hơn hẳn thị trường.
3. Sang năm 2026, công ty mình đã thay đổi hẳn bộ tiêu chuẩn phỏng vấn. Ko bắt viết code như xưa, thay vào đó quy trình phỏng vấn sẽ như sau: Phỏng vấn kiến thức về ngôn ngữ C - đưa ra 1 đoạn code và yêu cầu ứng viên review code - phỏng vấn kiến thức về hệ điều hành - đưa ra 1 vấn đề và yêu cầu ứng viên tìm hiểu nó thông qua AI - đọc log chat của ứng viên với AI để đánh giá tư duy.
4. Do đặc thù sản phẩm của lĩnh vực bọn mình đang làm, thường luôn yêu cầu chất lượng rất cao, nên yêu cầu phải kiểm soát toàn bộ code do AI gen ra đến từng dòng code. Với mỗi 1 dòng code, kỹ sư luôn phải trả lời được 3 câu hỏi như sau: Nó là cái gì, tại sao lại dùng nó, nếu dùng nó thì sẽ có ảnh hưởng phụ là gì.
dream company là đây
:LOL: . phải có người có đầy đủ kiến thức kỹ năng để lead + team đủ năng lực mới làm được tầm tới đó. Còn tầm trung chắc khó làm được dạng này
 
dream company là đây
:LOL: . phải có người có đầy đủ kiến thức kỹ năng để lead + team đủ năng lực mới làm được tầm tới đó. Còn tầm trung chắc khó làm được dạng này
với lại case của bác trên là cty OS nhỏ nữa, nếu nó thiên về technical đưa output cho customer là xong thì đỡ được phần này chứ dính vào mấy cái process, Nhất là mấy cty lớn FDI của Nhật này nọ, team đông áp dụng đồng bộ khó phết. Kiểu nó đã ổn định thay đổi chạm rãi ko sao chứ thấy đổi nhiều thì impact lớn.
 
Chia sẻ của bản thân mình đi, 1 người điều hành công ty outsourcing nhỏ, dưới góc nhìn của người chủ sử dụng lao động. Công ty mình chuyên code ở tầng OS kernel (Linux, Windows, MacOS, Android...), lĩnh vực này trước đây có entry level rất khó vì cần lượng knowledge nhiều. Mới cách đây tầm 2 năm thì chưa ai nghĩ là AI có thể code tốt ở mảng này. Thì có 1 vài điểm như thế này:
1. AI như Claude có chất lượng gen code tốt hơn kỹ sư, kể cả level senior. Tất nhiên để làm được như vậy, thì cũng cần có 1 ông kỹ sư có kiến thức, tư duy hệ thống... để định hướng cũng như đánh giá output cho AI. Nhưng nó sẽ kiểu như, kỹ sư 1 năm kinh nghiệm mà có tư duy tốt, năng suất lao động, chất lượng code... sẽ tốt hơn kỹ sư 10 năm kinh nghiệm hồi xưa.
2. Đây là giai đoạn tranh tối tranh sáng của thị trường, công ty nào biết cách áp dụng AI trong công việc, biết cách tuyển kỹ sư có tư duy phù hợp với AI, có metric KPI trong công việc phù hợp với đặc thù cộng tác Human-AI thì sẽ có năng suất và chất lượng cao hơn hẳn thị trường.
3. Sang năm 2026, công ty mình đã thay đổi hẳn bộ tiêu chuẩn phỏng vấn. Ko bắt viết code như xưa, thay vào đó quy trình phỏng vấn sẽ như sau: Phỏng vấn kiến thức về ngôn ngữ C - đưa ra 1 đoạn code và yêu cầu ứng viên review code - phỏng vấn kiến thức về hệ điều hành - đưa ra 1 vấn đề và yêu cầu ứng viên tìm hiểu nó thông qua AI - đọc log chat của ứng viên với AI để đánh giá tư duy.
4. Do đặc thù sản phẩm của lĩnh vực bọn mình đang làm, thường luôn yêu cầu chất lượng rất cao, nên yêu cầu phải kiểm soát toàn bộ code do AI gen ra đến từng dòng code. Với mỗi 1 dòng code, kỹ sư luôn phải trả lời được 3 câu hỏi như sau: Nó là cái gì, tại sao lại dùng nó, nếu dùng nó thì sẽ có ảnh hưởng phụ là gì.

Công ty nào cũng làm bởi vì nó là cuộc đua, kiểu ai mà không đua bị loại khỏi vòng đó. Phần lớn quyền lực giờ lại nằm trong mấy công ty nắm token, tụi nó quyết định giá. Nhưng được cái là giờ thằng nào cũng phụ thuộc nên ra thằng nào tốt hơn thôi. Về phía quản lý họ muốn vậy, định hướng vậy còn làm được hay ko do bên dưới, nếu bên dưới ko làm được sẽ kiếm người làm được để làm (sự thật phũ phàng)


Giờ quay lại chủ đề làm sao để sống sót qua thời kì này:

- Các bạn mới vô nghề thì no hope thật so với hồi dịch thì giờ top 30% junior mới qua được quan trọng là phải giỏi hiểu được nghề, cần IQ (học lập trình xưa thì thấy tỷ lệ theo nghề phải hơn 70%). Lương sẽ từ từ giảm xuống lại mức xưa thực tập không lương hoặc lương 10tr sẽ quay lại cho phần lớn thực tập. (Không nói tới top 5%).

- Các ông middle chưa lên Sen nhưng chưa dùng AI được ổn thỏa. Vị trí này rất lung lay và chắc chắn sẽ có trong danh sách cắt giảm sắp tới, có khi là bay 30%, sau khi thảm sát Junior thì đây là đến lúc các ông trong vòng 1 năm thôi. Chậm nhất là giữa năm sau, tiền lương của các ông này sẽ dùng để mua token cho mấy ông dùng hiệu quả. Các ông giờ phải học dùng AI code thật đừng làm proxy meat nữa. Cần phải hiểu tất cả mọi thứ của AI làm, tận dụng AI để học, coi nó như 1 người thầy dạy mình. Phải nỗ lực gấp đôi ngày xưa. Xưa chỉ cần học tốt, chỉ học có kinh nghiệm về cái mình làm là đủ. Thêm 1 cái nữa là phải học cái xài AI hiệu quả, xem hiệu suất sử dụng AI của mình thế nào, prompt ra sao, viết spec cụ thể thế nào. Để xong 1 task bây giờ ko còn kiểu việc ai nấy làm chia ra nhỏ nhỏ từ lead nữa, Mỗi người sẽ phải own 1 việc từ trên xuống dưới cho làm. Chịu trách nhiệm cho nó từ đầu tới cuối. Nếu không có trách nhiệm cứ làm cho hết việc hết task thì rất lung lay, vì những thứ đơn giản không cần kết nối không cần hiểu mọi thứ thì AI có thể làm nhanh hơn ông rất nhiều. Lead nó có thể thay các ông bằng AI đấy. À định nghĩa của tôi về middle là dưới 5 năm kinh nghiệm (thậm chí trên 5 tới 10 nếu contribute không nhiều).

- Cho các ông Senior, tầm 5 tới 10 năm, nhìn thì có vẻ khỏe, các ông ở dưới bị cắt gần hết nhưng các ông trên cũng cần lo là vừa. Các công ty sẽ không chỉ cắt theo chiều ngang, mà có khi còn sẽ tái cơ cấu cắt theo chiều dọc. Lúc này sẽ chịu trách nhiệm nhiều hơn làm nhiều thứ hơn. Các sếp sẽ muốn khi đổ tương đương đồng AI vào, thì throughput của các ông senior phải nâng gấp 3... Các cuộc đại phẫu chiều dọc này thì sẽ khó nhìn thấy hơn, nhưng phần lớn sẽ liên quan chính trị trong team nói chung cũng ổn. Các ông senior cần trang bị cho mình thêm các kĩ năng về architecture cho thật tốt, để sau này có thể sẽ nhận cả 1 component, chứ k chỉ việc nữa, scope công việc sẽ giống technical lead ngày xưa. Nhưng thay vì lead team sẽ được giao lead những con AI agent để làm việc. Tỷ lệ thanh lọc loại thải đợt này cho senior tôi đoán chỉ chiếm tầm 10%.

- Team lead/PM, middle manager chuyên về managment chắc chắn sẽ mệt hơn nhiều xưa quản team con người, giờ còn phải quản thêm cái KPI metrics khác, và còn thanh lọc làm công cụ đấu đá chính trị nội bộ của công ty (said but true). Khi bánh ngày càng ít đi thì chia càng mệt nhọc, ai có khả năng để showoff hoặc làm nhưng việc chả liên quan gì tech để giữ ghế giữ team thì vẫn sống. Nhưng cũng phải học dần dần về tech, vì tương lai mấy ông mà bị cắt thay vì bắt ngồi quản team, sẽ bị assign lại việc coi như là 1 engineer trong team đó.

Mấy bạn dùng AI thì tôi chỉ cho 1 trick, nên có thống kê hết tất cả những cái mình xài mình dùng, để coi mình xài tốt ra sao tới đâu, để còn có thể tự improve được. Mấy cái metrics, KPI của công ty đang dùng thì cũng có thể áp dụng cho cá nhân được, đặc biệt là hiệu quả của việc dùng nó ra sao. Như tôi từ từ cũng build được 1 mớ skill thủ thân, dùng cho các agent để hỗ trợ tôi việc làm. Những thứ này sẽ là job security của mọi người sau này đó.
Nhưng làm sao để đo được KPI AI hiệu quả nhỉ? Trước đọc báo thì cỡ Meta hay Uber tụi nó còn đang đo theo kiểu đốt được bao nhiêu token
 
Kỹ năng dùng AI tốt là ông kỹ sư phải biết cách tiết kiệm token bác à, chứ ko phải là cứ gõ prompt rồi để AI chạy qua đêm đâu.
Cty mình hiện tại thì chi phí AI cho dev tầm 1tr/tháng.
thấy nhiều cty đưa cho nhiều dev gói claude code 100$ một tháng có ông còn dùng ko hết cơ, mà ko để default thì cũng hơi kì vì đã xin budget của global rồi. Nên nói chung mấy gói nhỏ thì ko sao, chứ mấy gói 500$ 1000$ thì phải monthly report vì nó là budget ảnh hưởng đến tiền thưởng này nọ
 
Nhưng làm sao để đo được KPI AI hiệu quả nhỉ? Trước đọc báo thì cỡ Meta hay Uber tụi nó còn đang đo theo kiểu đốt được bao nhiêu token
haha, cái này về business có nhiều cách, 1 trong cách là làm showback/cost allocation map cho từng team về cái đó, sau đó là seat tracking. Và còn nhiều thứ nữa, tích hợp tới từng repository line of code và commit để cho AI nó ngồi nó quét đánh giá luôn. Ví dụ % code share, defect, bug. Time to release. Còn đánh giá hiệu quả của code thì vô vàn, như đã nói nhiều lúc code ra nhiều, cost nhiều nhưng toàn là rác. Lúc đó sẽ có 1 cái điểm trọng số của con người đáng theo team theo person. Sau này đang còn có dự định là sẽ làm mấy cái track kiểu 1 agent ngồi review code của lập trình viên, và AI để chấm điểm
 
dream company là đây
:LOL: . phải có người có đầy đủ kiến thức kỹ năng để lead + team đủ năng lực mới làm được tầm tới đó. Còn tầm trung chắc khó làm được dạng này
Đúng rồi bác à, về mảng này, ở VN mình nằm trong top kỹ sư rồi. Nhắc đến Linux kernel ở VN thì mọi người sẽ nghĩ đến mình.
Công ty của mình chuyên cung cấp dịch vụ R&D và xử lý sự cố cho các công ty khác, nếu họ có nhu cầu hoặc gặp vấn đề về Linux tầng sâu. Mảng này nhìn chung cũng là thị trường ngách ở VN, cũng ko có công ty nào cung cấp dịch vụ tương tự, vì thị trường hẹp và entry đầu vào cũng khó.
 
Nhưng làm sao để đo được KPI AI hiệu quả nhỉ? Trước đọc báo thì cỡ Meta hay Uber tụi nó còn đang đo theo kiểu đốt được bao nhiêu token
Thay vì đo đạc rồi đưa ra KPI dùng AI hiệu quả, bên mình sẽ define KPI và đo đạc trình độ, kỹ năng sử dụng AI của ông kỹ sư. Thì có 1 số tiêu chí như sau:
1. Kiểm soát được output mà AI đưa ra. Ví dụ như biết đánh giá phương án, ưu nhược điểm của từng phương án, tại sao lại chọn nó cho bài toán này.
2. Kiểm soát được code do AI gen ra: Ko có code rác, luồng clean, tỷ lệ bug < 1/2000 line of code. Hiểu từng dòng code trước khi bàn giao cho team lead review. Team lead sẽ hỏi ngẫu nhiên 1 số line code để đánh giá, 1 line code ko hiểu - phạt 500k.
3. Biết cách tìm hiểu vấn đề, solution thông qua AI. Đánh giá được thông qua việc review log chat của kỹ sư.
4. Sau khi hoàn thành công việc cùng AI, kiến thức có sự phát triển liên quan đến task vừa làm. Khi bàn giao, thường tech lead sẽ hỏi những câu như: Bản chất của phương án này là gì, tại sao em lại chọn nó, phương án này sẽ có ưu và nhược điểm gì cần phải lưu ý.
5. Tiết kiệm token: Biết cách tạo tài liệu cho AI, biết cách đưa câu hỏi phù hợp tập trung vào điểm quan trọng. Cái này cũng review được để đánh giá.
 
Thay vì đo đạc rồi đưa ra KPI dùng AI hiệu quả, bên mình sẽ define KPI và đo đạc trình độ, kỹ năng sử dụng AI của ông kỹ sư. Thì có 1 số tiêu chí như sau:
1. Kiểm soát được output mà AI đưa ra. Ví dụ như biết đánh giá phương án, ưu nhược điểm của từng phương án, tại sao lại chọn nó cho bài toán này.
2. Kiểm soát được code do AI gen ra: Ko có code rác, luồng clean, tỷ lệ bug < 1/2000 line of code. Hiểu từng dòng code trước khi bàn giao cho team lead review. Team lead sẽ hỏi ngẫu nhiên 1 số line code để đánh giá, 1 line code ko hiểu - phạt 500k.
3. Biết cách tìm hiểu vấn đề, solution thông qua AI. Đánh giá được thông qua việc review log chat của kỹ sư.
4. Sau khi hoàn thành công việc cùng AI, kiến thức có sự phát triển liên quan đến task vừa làm. Khi bàn giao, thường tech lead sẽ hỏi những câu như: Bản chất của phương án này là gì, tại sao em lại chọn nó, phương án này sẽ có ưu và nhược điểm gì cần phải lưu ý.
5. Tiết kiệm token: Biết cách tạo tài liệu cho AI, biết cách đưa câu hỏi phù hợp tập trung vào điểm quan trọng. Cái này cũng review được để đánh giá.

Cái này cũng là một câu hỏi mình đặt ra khi làm việc cùng với 1 team khác (Context: Công ty outsource lớn có nhiều đơn vị làm việc với cách làm việc khác nhau)
Câu hỏi là với lượng code mà họ đổ ra thì họ có thật sự "own" được 1 module, khi có một người hỏi về 1 file hoặc 1 hàm thì có ai có thể trả lời được không

Phản hồi của họ là không, họ chỉ nắm 20-30% hoặc ý tưởng chung của 1 module còn giờ họ đã không quan tâm đến chi tiết nữa. Sau này có phát sinh gì cũng sẽ dùng AI để sửa. Code nhiều tháng nay gần như không có bug (technical bug) - và nếu 1-2 năm sau nữa có bug thì họ có niềm tin là AI ở thời điểm đó cũng thừa năng lực để giải quyết mà không cần đến hiểu biết chi tiết của con người
 
Thay vì đo đạc rồi đưa ra KPI dùng AI hiệu quả, bên mình sẽ define KPI và đo đạc trình độ, kỹ năng sử dụng AI của ông kỹ sư. Thì có 1 số tiêu chí như sau:
1. Kiểm soát được output mà AI đưa ra. Ví dụ như biết đánh giá phương án, ưu nhược điểm của từng phương án, tại sao lại chọn nó cho bài toán này.
2. Kiểm soát được code do AI gen ra: Ko có code rác, luồng clean, tỷ lệ bug < 1/2000 line of code. Hiểu từng dòng code trước khi bàn giao cho team lead review. Team lead sẽ hỏi ngẫu nhiên 1 số line code để đánh giá, 1 line code ko hiểu - phạt 500k.
3. Biết cách tìm hiểu vấn đề, solution thông qua AI. Đánh giá được thông qua việc review log chat của kỹ sư.
4. Sau khi hoàn thành công việc cùng AI, kiến thức có sự phát triển liên quan đến task vừa làm. Khi bàn giao, thường tech lead sẽ hỏi những câu như: Bản chất của phương án này là gì, tại sao em lại chọn nó, phương án này sẽ có ưu và nhược điểm gì cần phải lưu ý.
5. Tiết kiệm token: Biết cách tạo tài liệu cho AI, biết cách đưa câu hỏi phù hợp tập trung vào điểm quan trọng. Cái này cũng review được để đánh giá.
Cái này là chuẩn, nhưng mình góp ý 1 cái, rất khó scale. Team siêu nhỏ công ty siêu cứng, ai cũng biết ai thì làm được. Có framework là tốt. Nhưng nói ngược lại, nó cũng chắc loại hết 95% engineer chỉ lấy được top 5% quá. Kiểu này giống toàn siêu anh hùng có thêm đồ chơi đi đấm nhau. Nhưng lại ko phải xu hướng của cả ngành :(
 
Cái này cũng là một câu hỏi mình đặt ra khi làm việc cùng với 1 team khác (Context: Công ty outsource lớn có nhiều đơn vị làm việc với cách làm việc khác nhau)
Câu hỏi là với lượng code mà họ đổ ra thì họ có thật sự "own" được 1 module, khi có một người hỏi về 1 file hoặc 1 hàm thì có ai có thể trả lời được không

Phản hồi của họ là không, họ chỉ nắm 20-30% hoặc ý tưởng chung của 1 module còn giờ họ đã không quan tâm đến chi tiết nữa. Sau này có phát sinh gì cũng sẽ dùng AI để sửa. Code nhiều tháng nay gần như không có bug (technical bug) - và nếu 1-2 năm sau nữa có bug thì họ có niềm tin là AI ở thời điểm đó cũng thừa năng lực để giải quyết mà không cần đến hiểu biết chi tiết của con người
Tôi cũng thấy mindset này ở nhiều công ty, đặc biệt là các công ty đang đặt nặng vào cuộc đua AI workflow. Tôi thì phải đi dọn rác AI dần rồi, nên tôi không ủng hộ tư tưởng này lắm, yếu tố con người vẫn nên được đặt lên hàng đầu, tôi không nghĩ AI tư duy sâu được như con người để mà biết lỡ có chỗ nào thiếu cái gì hay không
 
Cái này cũng là một câu hỏi mình đặt ra khi làm việc cùng với 1 team khác (Context: Công ty outsource lớn có nhiều đơn vị làm việc với cách làm việc khác nhau)
Câu hỏi là với lượng code mà họ đổ ra thì họ có thật sự "own" được 1 module, khi có một người hỏi về 1 file hoặc 1 hàm thì có ai có thể trả lời được không

Phản hồi của họ là không, họ chỉ nắm 20-30% hoặc ý tưởng chung của 1 module còn giờ họ đã không quan tâm đến chi tiết nữa. Sau này có phát sinh gì cũng sẽ dùng AI để sửa. Code nhiều tháng nay gần như không có bug (technical bug) - và nếu 1-2 năm sau nữa có bug thì họ có niềm tin là AI ở thời điểm đó cũng thừa năng lực để giải quyết mà không cần đến hiểu biết chi tiết của con người
Tôi cũng thấy mindset này ở nhiều công ty, đặc biệt là các công ty đang đặt nặng vào cuộc đua AI workflow. Tôi thì phải đi dọn rác AI dần rồi, nên tôi không ủng hộ tư tưởng này lắm, yếu tố con người vẫn nên được đặt lên hàng đầu, tôi không nghĩ AI tư duy sâu được như con người để mà biết lỡ có chỗ nào thiếu cái gì hay không
họ không build code, họ build cổ mây đó, tới lúc cổ máy hoàn thành là xong, ko cần tất cả các công ty thành công. chỉ cần % đạt đc là đủ như đánh bạc hồi startup thôi. Nhưng khác mấy thời trước khi thành công thì mấy thằng fail người sẽ đổ vào mấy thằng winner. Còn canh bạc này anh em enginer chỉ là nhân tố cuối cùng sẽ bị loại bỏ
 
Cái này cũng là một câu hỏi mình đặt ra khi làm việc cùng với 1 team khác (Context: Công ty outsource lớn có nhiều đơn vị làm việc với cách làm việc khác nhau)
Câu hỏi là với lượng code mà họ đổ ra thì họ có thật sự "own" được 1 module, khi có một người hỏi về 1 file hoặc 1 hàm thì có ai có thể trả lời được không

Phản hồi của họ là không, họ chỉ nắm 20-30% hoặc ý tưởng chung của 1 module còn giờ họ đã không quan tâm đến chi tiết nữa. Sau này có phát sinh gì cũng sẽ dùng AI để sửa. Code nhiều tháng nay gần như không có bug (technical bug) - và nếu 1-2 năm sau nữa có bug thì họ có niềm tin là AI ở thời điểm đó cũng thừa năng lực để giải quyết mà không cần đến hiểu biết chi tiết của con người
Tùy đặc thù của từng domain thím à. Nếu domain đấy AI gen code ko bị technical bug thì cũng ko cần review từng line code làm gì, chỉ cần nắm được flow và làm tốt phần document như tài liệu kiến trúc, code flow để sau này cần mở rộng hoặc fix bug thì lấy ra cho AI dùng là được.
Domain bên mình thì AI gen code vẫn có technical bug nên phải review xuống đến line code là như vậy. Bên mình có nhiều kiến thức thuộc dạng undocument, nên AI trong tương lai khả năng cao vẫn phải review line code.
 
Cái này là chuẩn, nhưng mình góp ý 1 cái, rất khó scale. Team siêu nhỏ công ty siêu cứng, ai cũng biết ai thì làm được. Có framework là tốt. Nhưng nói ngược lại, nó cũng chắc loại hết 95% engineer chỉ lấy được top 5% quá. Kiểu này giống toàn siêu anh hùng có thêm đồ chơi đi đấm nhau. Nhưng lại ko phải xu hướng của cả ngành :(
Uh đúng rồi bác, mô hình này ko scale đại trà được, các cty lớn nhiều người nhiều level khác nhau, khó kiểm soát và có thể mọi người cũng ko đủ khả năng để follow theo.
 
Tùy đặc thù của từng domain thím à. Nếu domain đấy AI gen code ko bị technical bug thì cũng ko cần review từng line code làm gì, chỉ cần nắm được flow và làm tốt phần document như tài liệu kiến trúc, code flow để sau này cần mở rộng hoặc fix bug thì lấy ra cho AI dùng là được.
Domain bên mình thì AI gen code vẫn có technical bug nên phải review xuống đến line code là như vậy. Bên mình có nhiều kiến thức thuộc dạng undocument, nên AI trong tương lai khả năng cao vẫn phải review line code.
Lỡ 2 năm nữa thằng khùng nào đó đổ tiền vào đạp đổ kernel 40 năm tinh hoa của nhân loại thì sao :)))), quay qua quay lại thì thấy quantum machine không còn kiển soát bởi con người nữa
 
... Với mỗi 1 dòng code, kỹ sư luôn phải trả lời được 3 câu hỏi như sau: Nó là cái gì, tại sao lại dùng nó, nếu dùng nó thì sẽ có ảnh hưởng phụ là gì.
Cái format này tôi cũng hay áp dụng khi phỏng vấn, không hẳn với mỗi dòng code mà bất cứ giải pháp hay ý tưởng nào mà ứng viên đưa ra. Thêm 1 câu critical thứ 4 nữa, là nếu không dùng nó thì sẽ vướng trở ngại gì không giải quyết được hay có giải pháp nào thay thế.

Cái này là chuẩn, nhưng mình góp ý 1 cái, rất khó scale. Team siêu nhỏ công ty siêu cứng, ai cũng biết ai thì làm được. Có framework là tốt. Nhưng nói ngược lại, nó cũng chắc loại hết 95% engineer chỉ lấy được top 5% quá. Kiểu này giống toàn siêu anh hùng có thêm đồ chơi đi đấm nhau. Nhưng lại ko phải xu hướng của cả ngành :(
Đúng là cái này là chất lượng cá nhân, trong 1 team mình không biết chắc thằng bên cạnh tiêu chuẩn review của nó tới đâu nữa là team khác. Nhìn bên ngoài cùng là AI code phần lớn, human review nhưng khó có tiêu chuẩn review ngưỡng nào sẽ chấp nhận, và phụ thuộc rất lớn vào năng lực hoặc góc nhìn của mỗi người.
 
nhiều ae trong này có quan điểm tương tự bài viết này (Writing code isn't the bottleneck anymore, reading is ) và mình cũng khá đồng ý

IMG_0121.webp


viết code chưa bao giờ là vấn đề của dev, nó chỉ là 1 phần nhỏ trong quá trình làm việc, 30% writing code - 70% thinking

Để AI gen code tốt thì trước hết bạn phải hiểu rõ được bạn cần làm cái gì, logic ra sao, input như thế nào, validating output ra sao, làm sao để biết được AI nó đưa cho mình code tốt hay xấu

Cá nhân mình nghĩ AI nó giống như 1 cách search google premium (như có ông nào ở trên nói là shortcut của google + stackoverflow + copy - paste), không phải câu trả lời nào có tích xanh ở trên stackoverflow cũng chính xác :byebye:
 
Sửa lần cuối:

Thống kê chủ đề

Ngày tạo
condao,
Người trả lời cuối
dhl001,
Trả lời
208
Lượt xem
28.491
Quay lại
Lên đầu trang