2.2 · Làm chủ các công cụ AI

2.2 · Làm chủ các công cụ AI

Mục tiêu: Biết dùng đúng công cụ đúng việc, kết hợp Reasoning Model và Coding Agent trong 1 dự án.

Phân vai: Reasoning Model vs Coding Agent

Nguyên tắc vàng: Dùng Reasoning Model để nghĩ (viết spec, lên kiến trúc), dùng Coding Agent để làm (code, tạo file, chạy thử).

Workflow kết hợp

Reasoning Model viết spec → Coding Agent execute → Reasoning Model review → Coding Agent fix → Ship

Bước 1: Claude viết Spec

Tại sao dùng Claude:

• Context window lớn (200K tokens) — đọc được cả codebase
• Tốt cho brainstorm và thiết kế
• Có thể hỏi “tại sao” và nhận giải thích chi tiết

Prompt gợi ý:

Tôi cần viết spec cho feature [tên feature].

Context:
- App hiện tại: [mô tả ngắn]
- Tech stack: [React, Node.js, PostgreSQL, ...]
- User: [ai sẽ dùng feature này]

Requirement:
[paste requirement từ PM]

Hãy giúp tôi viết spec đầy đủ với:
1. Goals & Non-goals
2. User stories
3. Technical design
4. Edge cases
5. Acceptance criteria

Bước 2: Coding Agent execute

Tại sao dùng Coding Agent (như Cursor, Kiro, Trae):

• Tích hợp IDE — tạo/sửa file trực tiếp vào project
• Có thể chạy preview hoặc terminal realtime — nghiệm thu kết quả ngay
• Quản lý nhiều tác vụ/file cùng lúc

Workflow trong Coding Agent:

1. Paste spec vào giao diện chat của Agent
2. Yêu cầu generate: “Dựa vào spec trên, implement feature này”
3. Agent tự động thao tác: sinh code vào components, API, tests
4. Preview & test nghiệm thu
5. Iterate (yêu cầu sửa thêm) nếu cần thiết

Bước 3: Reasoning Model review

Tại sao dùng Reasoning Model (như Claude) để review:

• Nhìn big picture tốt hơn nhờ context window rộng và chuyên về lý luận
• Phát hiện logic bug, security issue
• Suggest improvement
• Review khách quan, độc lập với tool đã sinh ra code (đóng vai trò cross-check)

Prompt gợi ý:

Review code này cho tôi:

[paste code từ Coding Agent]

Spec ban đầu:
[paste spec]

Kiểm tra:
1. Code có đúng spec không?
2. Có bug logic nào không?
3. Có security issue không?
4. Có thể improve như thế nào?

Bước 4: Coding Agent fix

Dựa vào feedback từ Reasoning Model, quay lại Coding Agent để thực thi việc sửa chữa.

Prompt trong Coding Agent:

Review và suggest từ AI:
[paste feedback từ Reasoning Model]

Hãy sửa code theo feedback trên.

Tối ưu Context Window

Context window = lượng text AI có thể “nhớ” trong 1 conversation.

Claude: 200K tokens (~150K words)

Chiến lược:

• Paste cả codebase nếu cần (dưới 50 files)
• Dùng cho design decision lớn
• Không sợ context quá dài

Kiro: ~32K tokens (~24K words)

Chiến lược:

• Chỉ cung cấp file liên quan
• Chia task nhỏ (1 task = 1–2 files)
• Dùng #File để reference file cụ thể

Ví dụ tốt:

Sửa validation logic trong @UserForm.tsx
theo spec này: [paste spec ngắn gọn]

Ví dụ xấu:

Sửa toàn bộ user module [paste 10 files + spec dài]

Prompting Patterns cho Developer

1 · Few-shot Prompting

Cung cấp ví dụ để AI học pattern.

Ví dụ:

Tạo API endpoint theo pattern này:

// Ví dụ có sẵn:
router.post('/users', validateUser, async (req, res) => {
  const user = await User.create(req.body);
  res.json({ success: true, data: user });
});

// Tạo tương tự cho:
POST /products - create product
GET /products/:id - get product by ID

2 · Chain-of-Thought

Yêu cầu AI giải thích từng bước.

Ví dụ:

Implement feature "Add to Cart" theo spec.

Trước khi code, hãy:
1. Liệt kê các bước cần làm
2. Xác định file nào cần tạo/sửa
3. Giải thích logic chính

Sau đó mới generate code.

Lợi ích: Phát hiện sai sót sớm, dễ debug.

3 · Role Prompting

Gán role cụ thể cho AI.

Ví dụ:

Bạn là senior React developer với 5 năm kinh nghiệm.

Review component này và suggest best practices:
[paste code]

Kết quả: AI sẽ apply kiến thức senior-level.

Case Study: Build Feature “User Authentication”

Thực hành với quy trình kết hợp

Quy trình Reasoning Model → Coding Agent → Reasoning Model review phát huy hiệu quả tốt nhất với các feature nhỏ đến trung bình. Hãy thử với một feature như Todo CRUD, Comment system, hoặc Search bar.

Workflow hiệu quả:

1. Dùng mô hình chat (Claude, ChatGPT) viết spec chi tiết
2. Dùng Coding Agent (Cursor, Kiro, Trae) implement theo spec
3. Dùng mô hình chat review code và đưa ra feedback
4. Dùng Coding Agent fix theo feedback (nếu cần)

Những điều đáng chú ý:

• Lưu lại prompt cho mỗi bước để tái sử dụng
• Đo thời gian mỗi phase để so sánh với code thủ công
• Ghi chú lại những gì hiệu quả và chưa hiệu quả
• Thử nghiệm với các prompting patterns khác nhau

Kết quả mong đợi:

• Spec đầy đủ và rõ ràng từ Reasoning Model
• Code chạy được và đúng spec từ Coding Agent
• Review chi tiết với feedback cụ thể từ AI độc lập
• Code đã được cải thiện sau review

Tiếp theo

Bạn đã biết cách dùng công cụ hiệu quả. Bước tiếp theo là học cách viết spec chuyên nghiệp — đủ chi tiết để cả team hiểu và AI generate đúng ngay lần đầu.