Hệ sinh thái công cụ lập trình vừa bước qua một điểm ngoặt quan trọng: người ra quyết định chọn cơ sở dữ liệu, dịch vụ xác thực hay thư viện đám mây không còn là một kỹ sư ngồi đọc tài liệu kỹ thuật, mà là một AI coding agent đang thực thi lệnh trên terminal. Một nghiên cứu thực nghiệm quy mô lớn dựa trên gần 17.000 phiên làm việc thực tế với Claude Code, OpenAI Codex và Cursor đã hé lộ những quy luật chọn thư viện đầy bất ngờ của các agent, làm thay đổi căn bản cách các sản phẩm phần mềm tiếp cận thị trường.
Cuộc Chuyển Dịch: Từ Kỹ Sư Con Người Sang Trợ Lý AI
Trong hàng thập kỷ qua, các doanh nghiệp cung cấp công cụ lập trình (devtool) cạnh tranh quyết liệt để giành lấy sự chú ý của con người. Họ đầu tư vào các bài thuyết trình tại hội thảo công nghệ, tối ưu hóa công cụ tìm kiếm (SEO), xây dựng trang chủ bắt mắt và chạy đua số lượng ngôi sao trên GitHub. Mục tiêu duy nhất là thuyết phục lập trình viên sao chép một dòng lệnh cài đặt vào máy cá nhân.
Tuy nhiên, khi quy trình phát triển phần mềm dịch chuyển sang mô hình giao quyền cho agent, bức tranh đã hoàn toàn đảo chiều. Khi một kỹ sư yêu cầu AI "dựng hệ thống xác thực người dùng kèm gửi email xác nhận và lưu trữ vào Postgres", chính AI agent sẽ tự chọn thư viện, viết mã khởi tạo (boilerplate) và chạy trình quản lý gói như npm, pip hay cargo. Lập trình viên con người lúc này chủ yếu đóng vai trò kiểm tra và phê duyệt pull request.
Sự chuyển dịch này biến các AI coding agent thành cánh cổng kiểm soát hạ tầng phần mềm. Nếu một mô hình AI có xu hướng mặc định chọn thư viện A thay vì thư viện B, thư viện A sẽ lập tức xuất hiện trong mã nguồn sản xuất mà không cần một kỹ sư nào phải ghé thăm trang giới thiệu của nhà cung cấp.
Ba Trợ Lý AI, Ba Cách Tiếp Cận Khác Biệt
Dữ liệu đo lường trên 75 kho mã nguồn thực tế với hơn 1.000 biến thể câu lệnh cho thấy các coding agent hàng đầu không hề đưa ra lựa chọn giống nhau. Quyết định của chúng phản ánh kiến trúc vận hành và phương thức tìm kiếm riêng biệt:
- Claude Code dựa chủ yếu vào tri thức tham số nội tại (parametric memory) và ngữ cảnh sẵn có trong kho mã nguồn. Mô hình này rất hiếm khi chủ động tìm kiếm ngoài web, do đó luôn ưu tiên các thư viện kinh điển, có độ ổn định cao và xuất hiện dày đặc trong dữ liệu huấn luyện gốc.
- OpenAI Codex lại thể hiện xu hướng ngược lại: liên tục thực hiện truy vấn web trong lúc giải quyết tác vụ. Nhờ vậy, Codex thường xuyên phát hiện và đưa vào sử dụng các phiên bản SDK mới phát hành hoặc các thư viện đang thịnh hành.
- Cursor dung hòa cả hai hướng tiếp cận bằng cách kết hợp đánh chỉ mục ngữ nghĩa toàn bộ dự án với các lượt gọi công cụ (tool call) có chủ đích nhằm sửa lỗi phát sinh trong thời gian thực.
Chính vì cơ chế đánh giá khác nhau, tỷ lệ các agent bất đồng ý kiến về việc chọn thư viện cao hơn nhiều so với tỷ lệ đồng thuận. Một bộ khung ứng dụng do Codex khởi tạo có thể sở hữu tập dependency hoàn toàn khác so với mã nguồn do Claude Code tạo ra.
Nghịch Lý "Được Nhắc Tên Nhưng Không Được Chọn"
Một trong những phát hiện đáng chú ý nhất từ tập dữ liệu 17.000 phiên chạy là khoảng cách lớn giữa độ nhận diện thương hiệu và tỷ lệ thực tế được cài đặt. Nhiều nền tảng và framework nổi tiếng thường xuyên được agent nhắc đến trong chuỗi suy luận (chain-of-thought) khi phân tích giải pháp. Thế nhưng, khi bước sang giai đoạn sinh mã thực thi, agent lại thường bỏ qua các tên tuổi lớn này để chọn các giải pháp gọn nhẹ hoặc thư viện có sẵn trong hệ thống.
Lý do nằm ở tiêu chí tối ưu hóa của trí tuệ nhân tạo: các agent ưu tiên độ tin cậy khi thực thi hơn là sự đồ sộ về tính năng. Nếu một SDK đòi hỏi nhiều bước cấu hình phức tạp, định nghĩa kiểu dữ liệu (type definition) không chặt chẽ, hoặc thay đổi cú pháp qua các phiên bản nhỏ, agent sẽ gặp lỗi khi chạy thử nghiệm trong sandbox. Khi gặp lỗi biên dịch, agent có xu hướng lập tức gỡ bỏ thư viện đó để chuyển sang giải pháp đơn giản hơn. Đối với một AI agent, tính công thái học của mã nguồn và khả năng hoạt động không lỗi (zero-error) có giá trị vượt trội so với danh tiếng thương hiệu.
Ngữ Cảnh Dự Án Và Kỷ Nguyên Tối Ưu Hóa Cho Agent
Nghiên cứu cũng chứng minh rằng quyết định lựa chọn công cụ của AI rất nhạy cảm với ngữ cảnh dự án. Chỉ cần điều chỉnh một tệp cấu hình mẫu, chuẩn hóa định nghĩa kiểu, hoặc bổ sung các tệp chỉ dẫn như AGENTS.md hay .cursorrules, kết quả lựa chọn thư viện của agent có thể thay đổi hoàn toàn.
Thực tế này đang thúc đẩy sự ra đời của khái niệm Agent Engine Optimization (AEO) trong lĩnh vực phần mềm. Các nhà phát triển công cụ bắt đầu nhận ra rằng việc đứng đầu kết quả tìm kiếm Google không còn mang tính quyết định nếu SDK của họ không thân thiện với AI. Để được chọn, sản phẩm cần có định nghĩa TypeScript chuẩn xác, thông báo lỗi mang tính tất định (deterministic), và hỗ trợ giao thức Model Context Protocol (MCP) để agent có thể truy xuất thông tin mà không gây lãng phí token.
Định Hướng Thích Ứng Cho Đội Ngũ Kỹ Thuật
Trước xu hướng các agent ngày càng chủ động trong việc kiến thiết nền tảng mã nguồn, các nhóm kỹ sư cần thực hiện một số bước điều chỉnh thiết thực:
- Thiết lập ranh giới kiến trúc rõ ràng: Không để agent tự do cài đặt thư viện ngoài danh mục cho phép. Hãy xây dựng danh sách các gói được phê duyệt sẵn trong quy tắc dự án nhằm tránh rủi ro bảo mật từ các dependency lạ.
- Chuẩn hóa tệp chỉ dẫn ngữ cảnh: Duy trì các tệp cấu hình quy chuẩn trong kho mã nguồn để định hướng cho agent luôn sử dụng đúng công nghệ mà tổ chức đã chuẩn hóa.
- Đánh giá thư viện theo góc nhìn của AI: Khi xem xét áp dụng một công cụ hay thư viện mới, hãy thử nghiệm xem các coding agent có thể tự động viết, gỡ lỗi và bảo trì mã nguồn với thư viện đó một cách trơn tru hay không.
Khi AI coding agent chuyển từ công cụ gợi ý dòng lệnh thành người trực tiếp định hình kiến trúc phần mềm, các giải pháp công nghệ sẽ phải vượt qua bài kiểm tra của các thuật toán trước khi có cơ hội phục vụ người dùng con người.
Đang tải bình luận…