Disclaimer: Nội dung dịch lại từ post của thím https://x.com/burkeholland, bổ sung các quan điểm cá nhân.

Mới đọc nhanh bài này trên X của GitHub, thấy có nhiều điểm đồng ý (và có vài điểm không) và cũng đang follow theo workflow dạng này, thấy khá hiệu quả, nên tóm tắt nhanh lại cho các fen.

Bài này, mention nhiều về GitHub Copilot, tuy nhiên có thể bỏ qua tất cả các keyword về Copilot, chỉ giữ lấy ý tưởng, và dùng ý tưởng đó apply cho bất kỳ công cụ nào tương tự.

Bài này chỉ là tóm tắt và chia sẻ lại suy nghĩ của tui về workflow tui đang dùng, có thể bỏ qua đọc trực tiếp bài của tác giả.

FOMO và ngập trong tin tức AI

Đầu tiên, tui có cùng cảm giác với vấn đề tác giả đặt ra: luôn cảm thấy bị ngập, hoặc thấy mình bị chậm cập nhật trong kỷ nguyên AI, tâm lý FOMO khi theo dõi các tin tức về AI. Mỗi ngày có cả đống tin tức về AI như tool mới được sinh ra, MCP mới, model mới được giới thiệu. Lâu lâu lại có khứa show một skill, workflow, feature về AI mới, cảm giác bị FOMO vl.

Ví dụ như gần đây là Kimi 3, Opus 5, Claude Cowork, Sicene, rồi security workflow … trên FB thì các content tiếng Việt, hội nhóm tiếng Việt đa phần fomo, share câu chuyện, nhưng ẩn đi ngữ cảnh.

Bởi tâm lý FOMO đó, dẫn tới hôm nay dùng tool này, ngày mai lại FOMO tool khác. Dùng workflow này, mai lại workflow khác, thấy người khác shill skill này tốt, là copy nguyên folder skill về nhé vào agent. Càng ngày tooling càng bloat, output kém đi, một mớ slop code được gen ra.

Từ tâm lý đó, dẫn tới việc xác định cho mình một cách làm việc hiệu quả rất quan trọng, giúp bản thân tránh bị tâm lý, chạy đua công cụ.

Agent = Model + Harness

Model thì trả tiền để dùng, giàu sang phú quý thì Mẽo model (Anthropic, OpenAI), nghèo thì Tung Của model, nhìn chung các frontier model hiện tại đều làm tốt các tác vụ, công việc thông thường của software engineering nên chọn cái nào cũng được.

Harness là mớ tool, flow, skills, template, sanbox, permission, policy, guardian …

Workflow cụ thể

Chọn coding agent

Coding agent gì cũng được, chọn đại, không cần nghĩ nhiều mệt: Claude Code, Codex, Pi, OpenCode, Copilot… whatever. Nguyên tắc ở đây là dùng quen, hãy tìm hiểu về internal của coding agent đó, hiểu cách hoạt động, hiểu cách customize, sẽ có ích sau này.

YOLO mode

Tác giả khuyên xài YOLO mode. Nó cũng khá hợp lý khi agent cần nhiều context sẽ đem lại output tốt hơn, mà context tốt nhất để feed vào agent là ở YOLO mode. Nhưng ở khía cạnh security, nên cẩn trọng. Cá nhân tui không hoàn toàn đồng ý với tác giả ở điểm này. Ae nào mạnh thì YOLO, nhưng cẩn thận mấy cái sensitive trong máy. Kể cả các khái niệm như sandbox bằng container hoặc VM cũng không thực sự giúp bảo vệ các sensitive data khỏi agent.

Bắt đầu với prototype

Đại ý là có một cái gì đó sơ sơ, một bản prototype ý tưởng, mong muốn của mình, chứ đừng bảo nó one-shot từ A-Z. Tác giả khuyến nghị ở bước này xài medium-sized model, như Sonnet thôi là được rồi.

Nếu thím nào đọc bài prompt caching của thím Mario (tác giả của Pi) thì sẽ thấy một ý được nhắc tới, đó là stick với model và reasoning level mà bạn đã chọn, đừng switch giữa chừng, vì prompt caching sẽ giúp tiết kiệm mớ token/usage.

Plan trước, implement sau

Nhiều người cũng đang apply plan/implement flow hoặc spec flow. Đại ý là đừng code vội (Software engineering flow), mà hãy viết plan/spec trước, xong dựa trên cái đó, yêu cầu AI implement. Flow này hiện tại được build-in trong các coding agent như ClaudeCode, OpenCode, Codex hay Antigravity, chỉ cần switch mode là dùng được, nhưng cũng có thể tự custom như tui đang dùng spec-workflow.

Với cá nhân tui, plan/impl/spec là chưa đủ, issue lớn nhất là dù đã dành thời gian ĐỌC lại spec/impl, vẫn có nhiều ý chưa hiểu, chưa tường minh. Nên trong workflow từ spec -> implement, tui luôn nhét /grill-me của thím Matt Pocock vào trong đó và khá hài lòng với skill này. Đây là một critical step với tui. Mục tiêu là human (mình) và agent shared understanding. Nó giúp mình củng cố kiến thức, agent thì hiểu chính xác cái mình đang mong muốn (ở plan mode) -> Điều này đem lại kết quả ở bước implement sẽ tốt hơn.

Implement với autopilot

Tác giả implement bằng cách dùng autopilot trong Copilot, tựa /goal trong Claude Code vậy, loop tới khi nào xong thì thôi, tự chạy. Với input là implement markdown từ bước trên, chạy tới khi nào đạt được kết quả thì thôi. Ở bước này, tùy việc muốn áp dụng ra sao, có thể dùng auto hoặc ra lệnh agent implement từng bước.

Human review và lặp lại

Đây là bước human (thằng người là mình) tham gia vào review lại kết quả, đây cũng là bước quan trọng, vì nó giúp con người có giá trị trong flow của AI. Và vì tất nhiên không phải lúc nào AI implement xong, output cũng chính xác với cái mình muốn. Chuyện đó hết cmn sức bình thường.

Review, feedback, update spec/plan, grill nếu cần và lặp lại tới khi nào đạt được kết quả mình mong muốn.

Tác giả có nói: đừng chấp nhận kết quả ở mức “tạm được”. Hãy yêu cầu khắt khe về chất lượng sản phẩm, bởi cuối cùng, đó là trách nhiệm của mình. Khả năng phân biệt được đâu là sản phẩm chất lượng, đâu là một thứ xoàng xoàng nhưng vẫn work mới chính là giá trị mà con người mang lại. AI không thể thay thế được dấu ấn cá nhân của con người trong sản phẩm. Đây cũng là một điểm cực kỳ quan trọng giúp sản phẩm tạo ra không phải AI slop.

Nếu ai từng đọc qua My LLM coding workflow going into 2026 của Addy Osmani, sẽ thấy một ý tương đồng và CỰC KỲ QUAN TRỌNG. Mục Keep a human in the loop - verify, test, and review everything, bước này đặt con người vào flow làm việc, coi con người vẫn là trung tâm, là architect, là người điều khiển AI thay vì là nô lệ của AI =))).

Final review

Request review từ một model khác họ, đây cũng là một flow khá phố biến trong giới lập trình. Trước đây khi chưa có AI, code sau khi được implement, sẽ tạo PR và chờ người review code giúp mình trước khi merge.

Với AI, code đã được gen bởi AI, vấn đề là nếu dùng chính model code để review lại code, sẽ có bias, nên người ta nghĩ ra một cách đó là dùng model khác họ để review lại code thay vì dùng sức người. Ví dụ dùng GPT implement thì request Sonnet review, hoặc ngược lại (ClaudeCode còn có trò spawn nhiều agent, dùng Haiky để chain review, output của agent này sẽ là input của agent kia). Model khác họ train bởi dataset khác, sẽ giúp tránh bias.

Cá nhân tui, có thể nâng cấp bằng cách apply bước review (hay xài một prompt gọi là audit-me) để review ngay ở bước gen spec/implement markdown (tùy độ lớn của task/feature). Mục tiêu là đạt được spec/implement markdown chất lượng trước khi gen code. Tất nhiên vẫn review code ở bước cuối cùng trước khi merge PR.

Lời kết quan trọng

But keep in mind that nobody really knows what they are doing right now. We’re all figuring this out as we go. A lot of what is today’s magical incantation for AI will be tomorrow’s anti-pattern.

Just focus on getting a repeatable, high-quality result in the simplest way that you can. Learn the harness and you’ll be just fine.

Quan điểm cá nhân

  • Dùng một coding agent quen rồi, nên thử một coding agent khác. Sau đó nâng cấp bằng cách custom sơ sơ agent (prompt, skill, extension) cho phù hợp với cách mình làm việc, sẽ thấy nhiều cải tiến.
  • Hãy dùng thử các open source coding agent, như OpenCode hay Pi, vì ClaudeCode khá bloat do được gắn sẵn nhiều tools.
  • Nếu có điều kiện, hãy dùng các model mới nhất.
  • Hãy cẩn thẩn với sub-agent, nó đốt token nhiều hơn rất nhiều.