Trong thế giới lập trình đang thay đổi chóng mặt, mấy công cụ AI như Cursor hay Windsurf đang nổi lên như mấy "cạ cứng" của dân dev. Nhưng mà, như anh Prajwal Tomar có chia sẻ trong một thread trên Twitter gần đây, mấy công cụ này cũng gặp kha khá "phốt" vì một lý do cơ bản: thiếu context. Bài viết này sẽ đào sâu vào mấy insight mà anh Tomar chia sẻ, để xem làm sao tụi mình có thể tích hợp AI vào workflow một cách mượt mà, vừa tăng năng suất vừa giảm lỗi.

Thread của anh Tomar mở đầu với một nhận xét khá chí lý: AI, dù xịn cỡ nào, cũng giống như mấy dev junior, cần được chỉ dẫn để hiểu và xử lý mấy codebase phức tạp. Khi AI làm bể code, không phải vì nó dở đâu, mà là do nó không có đủ thông tin để làm việc. Nói cách khác, AI mà không có context thì cũng như "mù đường" vậy

Một trong những lý do chính khiến AI "phá game" là vì nó không có trực giác hay kinh nghiệm như mấy dev kỳ cựu. Thiếu hướng dẫn rõ ràng, AI dễ hiểu sai cấu trúc code, sửa nhầm mấy function quan trọng, hoặc làm hỏng mấy dependency Vậy nên, tụi mình cần chủ động cung cấp context để AI làm việc hiệu quả hơn.

Đầu tiên, anh Tomar gợi ý là nên tag mấy function quan trọng và thêm comment vào code. Việc này không chỉ giúp AI hiểu rõ mục đích và giới hạn của từng function, mà còn như kiểu "bản đồ chỉ đường" cho nó, để nó biết cái nào nên đụng, cái nào không Hãy coi AI như một "đàn em" cần được mentor, làm vậy sẽ giảm được kha khá lỗi.

Để AI hiểu rõ mục tiêu của dự án, tụi mình nên chia sẻ mấy tài liệu như roadmap, PRD (Product Requirements Document), hoặc file hierarchy. Mấy công cụ như Cursor còn cho phép tag tài liệu để AI dễ tra cứu, đảm bảo nó có đủ thông tin để đưa ra quyết định chuẩn chỉnh

Một mẹo hay ho nữa là tạo file .cursorrules để định nghĩa mấy giới hạn cho AI. Ví dụ, chỉ cho phép nó chỉnh sửa trong phạm vi mấy model, library, hoặc file cụ thể thôi. Cách này giúp kiểm soát hành vi của AI, tránh mấy lỗi "lạc trôi" trong mấy phần code nhạy cảm

Khi debug, thay vì đưa mấy chỉ dẫn mơ hồ, hãy giải thích rõ lỗi, vai trò của function, và mấy dependency liên quan. Cách này không chỉ giúp AI sửa lỗi nhanh hơn mà còn chính xác hơn, tiết kiệm thời gian và đỡ đau đầu

Đừng quên sync AI với mấy tài liệu API mới nhất. Nếu không, AI dễ bị "lạc hậu" và gây lỗi khi làm việc với mấy API của bên thứ ba

Nếu AI gặp khó khăn với một feature, hãy chia nhỏ task ra. Ví dụ, yêu cầu nó phân tích code trước, xác định mấy dependency, rồi mới đề xuất giải pháp. Cách này giống như cách tụi mình giải quyết vấn đề, và thường sẽ cho kết quả tốt hơn

Logs là "bạn thân" của AI khi debug. Nó giúp AI theo dõi luồng dữ liệu và xác định vấn đề nhanh hơn. Tận dụng khả năng xử lý dữ liệu lớn của AI, tụi mình có thể tập trung vào việc tìm nguyên nhân gốc rễ thay vì chỉ sửa lỗi bề mặt

Tóm lại, thông điệp chính của thread là: hãy coi AI như một đồng đội trong quá trình phát triển phần mềm, chứ đừng xem nó như "kẻ phá game". Để làm được điều đó, tụi mình cần đầu tư thời gian và công sức để dạy AI hiểu context và mấy chi tiết của dự án

AI đang ngày càng đóng vai trò quan trọng trong lập trình, nhưng để tận dụng tối đa tiềm năng của nó, tụi mình cần áp dụng mấy chiến lược hợp tác thông minh. Bằng cách cung cấp context, đặt ra giới hạn rõ ràng, và hướng dẫn chi tiết, tụi mình có thể biến AI thành một "cạ cứng" đáng tin cậy, giúp tăng năng suất và giảm stress.

Còn bạn thì sao? Đã gặp mấy "phốt" nào với AI trong quá trình code chưa? Cùng chia sẻ và bàn luận để tìm cách "thuần hóa" AI nhé!