Từ đối đầu sang cộng tác
Coding agent là công cụ AI có thể nhận nhiệm vụ phát triển phần mềm, tạo hoặc chỉnh sửa mã nguồn và phối hợp với quy trình lập trình. Giá trị của chúng tăng lên khi mỗi tác nhân đảm nhận phần việc phù hợp, thay vì bị xem như những đối thủ phải phân thắng bại.
Sau nhiều tháng luân phiên thử các công cụ AI viết code, một lập trình viên quyết định để Claude Code, Codex và Antigravity cùng xây dựng ứng dụng học tập StudyLab từ đầu. Thay vì chọn một công cụ thắng cuộc, anh chia dự án thành các phần để khai thác thế mạnh khác nhau. Đây là cách nhìn thực tế hơn về lập trình viên AI: không có một hệ thống nào giỏi nhất ở mọi việc, và năng lực của các mô hình cũng có thể thay đổi theo thời gian.
Động lực không chỉ là làm xong nhanh hơn. Chạy nhiều agent song song giúp tránh phụ thuộc vào giới hạn sử dụng của một công cụ, đồng thời cho phép tiến hành nhiều hạng mục cùng lúc. Nhưng càng nhiều tác nhân, dự án càng cần một người xác định mục tiêu và giữ cho các phần việc đi đúng hướng.
Phân vai rõ ràng, tránh giẫm chân nhau
Điểm đáng chú ý không phải là giao cùng một yêu cầu cho ba công cụ rồi chờ xem ai làm tốt nhất. Người thử nghiệm trước tiên nhờ Claude Code dựng kiến trúc dự án, mô hình dữ liệu dùng chung, hợp đồng API và tệp AGENTS.md mô tả trách nhiệm của từng agent. Khâu chuẩn bị này biến thử nghiệm thành một quy trình có phân công, thay vì một cuộc gọi AI hỗn loạn.
Sau đó, mỗi agent làm việc trên một Git worktree riêng—cách tổ chức cho phép nhiều nhánh công việc cùng tiến hành mà hạn chế đụng độ thay đổi. Antigravity phụ trách giao diện và thiết kế; Claude Code lo phần máy chủ và cơ sở dữ liệu; Codex đảm nhận thuật toán học, hệ thống lặp lại cách quãng và kiểm thử. Orca tập hợp các phiên làm việc để người điều phối theo dõi tiến độ mà không phải liên tục chuyển qua nhiều cửa sổ dòng lệnh.
Khi từng phần hoàn tất, Claude Code được giao hợp nhất đóng góp thành một ứng dụng. Cách làm này có thể tiết kiệm thời gian, nhưng sự phân vai chỉ hữu ích nếu các tác nhân cùng tuân theo kiến trúc và giao diện đã thống nhất. Nếu không, người tích hợp sẽ phải gỡ những khác biệt mà việc chạy song song tạo ra.
Mã chạy được chưa đồng nghĩa sản phẩm tốt
Kết quả ban đầu khá thuyết phục: dự án vượt qua 141 bài kiểm thử tự động, còn cả năm hành trình người dùng đều đạt yêu cầu—tạo khóa học, lưu ghi chú, ôn thẻ ghi nhớ, làm câu hỏi và theo dõi tiến độ. Người thử nghiệm nhận xét giao diện chỉn chu, các khu vực phối hợp trơn tru và những thao tác đã thử hoạt động như mong đợi. Đây là dấu hiệu cho thấy nhiều agent có thể tạo ra một sản phẩm dùng được, chứ không chỉ ghép được các đoạn mã.
Dẫu vậy, kiểm thử đạt không thể thay thế phán đoán về nhu cầu người dùng, tính dễ hiểu hay cảm giác nhất quán của sản phẩm. Tác nhân có thể viết code giỏi nhưng cũng có thể tự tin tiến xa trên những giả định sai mà không dừng lại để nói rằng chúng chưa chắc chắn. Nếu không có người kiểm tra, tốc độ xử lý chỉ khiến quyết định sai được triển khai nhanh hơn.
Thiết kế là ví dụ rõ ràng: nếu không được định hướng, các agent dễ tạo ra những trang web na ná nhau với bố cục quen thuộc. Câu hỏi “trông có ổn không?” vẫn cần đánh giá của con người. Vì vậy, phát triển phần mềm không chỉ là viết mã; đó còn là chọn vấn đề đáng giải quyết và quyết định tiêu chuẩn nào làm nên một trải nghiệm tốt.
Con người vẫn là người chịu trách nhiệm
Mô hình phối hợp hiệu quả nhất không phải là giao dự án cho một nhóm lập trình viên AI rồi rút lui. Con người cần chia nhỏ nhiệm vụ, xác định ranh giới giữa các phần, cung cấp bối cảnh và quyết định khi các yêu cầu còn mơ hồ. Họ cũng phải xem lại thay đổi, chạy kiểm thử, đánh giá sản phẩm trong tình huống sử dụng thực tế và chịu trách nhiệm về quyết định đưa mã vào ứng dụng.
Trong thử nghiệm StudyLab, người dùng không chỉ phân công mà còn tạo cấu trúc chung trước khi các agent bắt đầu, rồi quay lại điều phối khâu hợp nhất. Đó là phần việc không nên nhầm với thao tác phụ: người điều phối chính là người đặt mục tiêu, phát hiện giả định sai và quyết định có chấp nhận kết quả hay không.
Kết luận của thử nghiệm không phải cứ thêm agent là dự án tự tốt lên. Phối hợp Claude Code, Codex và Antigravity có thể tăng tốc khi nhiệm vụ được phân vai rõ và công việc được kiểm tra, nhưng chất lượng cuối cùng vẫn phụ thuộc vào phán đoán của con người. Người viết code có thể được hỗ trợ bởi nhiều tác nhân; người chịu trách nhiệm cho sản phẩm thì chưa thể được thay thế.
Người thử nghiệm cho biết sẽ kể riêng về sản phẩm StudyLab đã xây dựng trong một bài viết tiếp theo.
