SDLC Thời Đại Mới: Từ Vibe Coding Đến Agentic Engineering
•
6 phút đọc
Tóm tắt bằng:ChatGPTPerplexityGrokClaude

SDLC Thời Đại Mới: Từ Vibe Coding Đến Agentic Engineering

Tại sao vibe coding tạo ra nợ kỹ thuật chồng chất, cách kỹ nghệ harness biến các mô hình nền tảng thành hệ thống tin cậy, và vòng đời phần mềm thay đổi ra sao.

Agentic engineering bao bọc coding agent bằng ràng buộc chặt chẽ, cổng kiểm thử tự động và kỷ luật quản trị context. Nó thay thế vibe coding, tức prompt tự do cho LLM rồi nhận mọi code trả về, vốn chỉ hợp hackathon cuối tuần và tích lũy nợ kỹ thuật khi lên production.

Lập trình phần mềm vốn là một chuỗi dịch thuật: chuyển hóa yêu cầu nghiệp vụ thành kiến trúc, rồi chuyển kiến trúc thành cú pháp code máy tính thực thi. Với các coding agent hiện đại, khâu dịch cú pháp đang dần biến mất. Khảo sát đầu năm 2026 cho thấy 85% kỹ sư chuyên nghiệp thường xuyên dùng trợ lý AI, và 41% lượng code mới sinh ra từ AI.

Tuy vậy, tốc độ này khiến cách vận hành phân hóa rõ rệt giữa bản prototype thử nghiệm và hệ thống production đáng tin cậy. Agentic engineering ra đời để thu hẹp khoảng cách đó.


Vibe Coding và Agentic Engineering: Hai Đầu Của Một Dải Phổ

Vibe coding và agentic engineering đại diện cho hai đầu của dải phổ kỷ luật kỹ thuật. Khác biệt cốt lõi nằm ở mức độ cấu trúc hóa, cơ chế kiểm chứng, và năng lực phán đoán đặt quanh kết quả sinh ra.

Tiêu Chí Vibe Coding Agentic Engineering
Xác Định Ý Định Prompt ngôn ngữ tự nhiên ad-hoc Bản đặc tả kỹ thuật, tài liệu kiến trúc, file quy tắc có kiểu chặt (typed)
Kiểm Chứng Nhìn lướt bằng mắt ("thấy chạy là được") Unit test tất định, CI/CD gates, LLM đóng vai giám khảo (LLM judge)
Hiểu Codebase Ít khi đọc kỹ diff sinh ra Đánh giá sâu kiến trúc, luồng dữ liệu và contracts
Xử Lý Lỗi Copy-paste log lỗi vào prompt Agent tự chẩn đoán nguyên nhân trong sandbox an toàn
Phạm Vi Dùng Prototype thử nghiệm, script một lần Core service production, hệ thống multi-repo
Rủi Ro Vận Hành Cao; lọt lỗ hổng bảo mật và lỗi hồi quy Thấp; harness kiểm thử tất định đa tầng

Ranh giới then chốt là kiểm chứng. Kiểm thử tất định (deterministic tests) bảo đảm input cố định cho ra đúng output. Kiểm thử phi tất định (evals) đánh giá chất lượng quỹ đạo thực thi (trajectory): agent có chọn đúng tool, đọc đúng file, và giữ đúng logic nghiệp vụ hay không. Thiếu hệ thống eval nghiêm ngặt, quy trình làm việc vẫn chỉ là vibe coding dù prompt trau chuốt đến đâu.


Kỹ Nghệ Harness: Agent = Model + Harness

Khi agent chạy sai, phản xạ thường thấy là đổ lỗi cho mô hình nền tảng. Dữ liệu thực tế cho thấy nguyên nhân khác: đa số lỗi bắt nguồn từ thiếu tool, ràng buộc mơ hồ, hoặc context window chứa quá nhiều thông tin nhiễu.

Bản thân mô hình AI chỉ là động cơ trong nhà xưởng. Để làm ra phần mềm, động cơ cần dây curoa, bánh răng, công tắc an toàn, và dây chuyền lắp ráp. Hạ tầng bao bọc này gọi là Harness (bộ khung điều khiển):

Production Agent = Foundation Model + Engineering Harness

Một harness production gồm sáu thành phần:

  1. File Quy Tắc: Tệp cấu hình như AGENTS.md và domain glossary (bảng thuật ngữ chuyên ngành) xác định rõ quy ước, ranh giới cấm kỵ, và chuẩn định dạng.
  2. Công Cụ & Giao Thức: Khai báo công cụ chuẩn hóa qua Model Context Protocol (MCP), cấp quyền truy cập có kiểm soát vào search index, database, và API.
  3. Sandbox Thực Thi: Môi trường runtime cô lập để agent build code, chạy lệnh shell, và test an toàn. Đây chính là tầng cô lập mà framework containment cho AI agent coi là bắt buộc.
  4. Logic Điều Phối: State machine quản lý vòng lặp gọi tool, nén context, và phân việc cho subagent.
  5. Guardrail Hooks: Mã chặn tất định chạy trước khi gọi tool hoặc git commit, ngăn lộ secret key và chặn lệnh force push.
  6. Observability & Traces: Giám sát chi phí token, độ trễ, chuỗi gọi tool, và tần suất lỗi.

Thiết kế harness quyết định trực tiếp hiệu năng agent. Trên benchmark Terminal Bench 2.0, một đội ngũ đã đưa agent từ ngoài Top 30 lên Top 5 chỉ bằng cách thay đổi harness, không đổi model. Một nghiên cứu riêng tại LangChain cũng nâng điểm của coding agent trên cùng benchmark thêm 13.7 điểm, chỉ bằng cách chỉnh system prompt, tool, và middleware quanh một model cố định.

Để hiểu thêm quá trình chuyển từ giao diện chat sang vòng lặp thực thi tự động, bạn có thể xem bài phân tích về chuyển đổi từ chatbot sang agentic AI.


AI Tái Cấu Trúc Vòng Đời Phần Mềm (SDLC)

AI nén các giai đoạn SDLC không đồng đều, chuyển trọng tâm kỹ sư từ gõ code sang đặc tả yêu cầu và kiểm chứng chất lượng.

Vòng đời SDLC với harness qua từng giai đoạn

1. Phân Tích & Thiết Kế Kiến Trúc: Cấu Hình Harness

Quy trình cũ bàn giao tài liệu chậm chạp. Trong SDLC agentic, khâu lập kế hoạch là đối thoại trực tiếp. Kỹ sư đưa thiết kế vào agent để sinh OpenAPI spec, data schema, và edge cases. Để chuẩn hóa tầng đặc tả này, các công cụ Spec-Driven Development giúp chuyển hóa prompt tự do thành bản giao ước tính năng được quản lý phiên bản trong git. Kỹ sư định hình harness bằng cách chốt file AGENTS.md và khai báo các tool agent được phép gọi trước khi agent sinh code.

2. Hiện Thực Hóa: Vận Hành Harness

Coding agent giải quyết nhanh tính năng từ schema có sẵn. Thay vì nhồi cả repo vào prompt, hệ thống dùng cơ chế nạp lũy tiến (progressive disclosure). Như đã phân tích trong bài về Agent Skills đóng gói tri thức dạng module, agent giữ quy tắc tĩnh gọn gàng và chỉ nạp kỹ năng theo nhu cầu. Giai đoạn này dựa vào hai thành phần harness là sandbox và tool: code sinh ra chạy trong sandbox cô lập, còn việc đọc file hay tìm kiếm web đều đi qua tool do harness cung cấp.

3. Kiểm Thử & QA: Vòng Lặp Phản Hồi Tự Động

Tốc độ viết code nhanh tạo ra khối lượng mã nguồn lớn. QA phải đánh giá cả output cuối cùng lẫn quỹ đạo thực thi. Khi test case thất bại trong sandbox, logic điều phối bắt log lỗi và trả ngược vào vòng lặp agent để mô hình tự sửa sai. Ở đây logic điều phối và guardrail phối hợp với nhau.

4. Code Review & Triển Khai: Quan Sát Harness

AI rà soát tĩnh ban đầu, phát hiện vi phạm style, thiếu sót boundary check, và lệch phiên bản dependency trước khi người duyệt nhận PR. Kỹ sư giữ quyền phán quyết về kiến trúc, nghiệp vụ cốt lõi, và bảo mật.

Harness giữ giai đoạn này an toàn nhờ hook và observability. Hook tất định chặn commit khi agent định đẩy lên một mật khẩu hard-code, còn lớp observability theo dõi chi phí token, độ trễ và mức độ lệch hướng của agent (agent drift), giúp kỹ sư truy vết vì sao agent đưa ra một quyết định triển khai cụ thể.


Chuyển Dịch Vai Trò Kỹ Sư: Conductor vs. Orchestrator

Kỹ sư chuyển đổi linh hoạt giữa hai chế độ làm việc:

Chế độ Conductor: một kỹ sư điều khiển IDE từng dòng, so với chế độ Orchestrator: giao mục tiêu cho nhiều agent chạy song song, qua cổng QA rồi duyệt pull request

  • Conductor: Kỹ sư làm việc trong IDE, theo dõi code thời gian thực với Cursor hay Copilot khi cần xử lý thuật toán phức tạp hoặc refactor nhạy cảm.
  • Orchestrator: Kỹ sư viết đặc tả, giao việc cho background agent tự hành (như Claude Code hoặc Jules), rồi duyệt PR hoàn thiện. Vai trò này cần kỹ năng phân rã công việc và đánh giá diff nhanh. Muốn xem so sánh hai agent kiểu này, đọc Codex vs Claude Code năm 2026.

Vấn Đề 80% (The 80% Problem)

Agent sinh rất nhanh khoảng 80% đầu tiên của mỗi tính năng. 20% còn lại gồm edge cases, xử lý lỗi, tối ưu hiệu năng, và nghiệp vụ sâu luôn đòi hỏi kinh nghiệm thực tế.

Nghiên cứu của METR chỉ ra kỹ sư kinh nghiệm mất thêm 19% thời gian khi dùng AI cho một số tác vụ, chủ yếu do chi phí đọc hiểu và debug code trông có vẻ đúng của AI. Đội ngũ hiệu quả dựa vào eval tự động thay vì cảm tính.


Góc Nhìn Kinh Tế: CapEx Đối Đầu OpEx

Đánh giá AI chỉ qua tốc độ gõ phím là thiếu sót. Cần nhìn vào Tổng Chi Phí Sở Hữu (TCO), cân đối giữa CapEx (đầu tư ban đầu) và OpEx (vận hành lâu dài).

CapEx và OpEx: vibe coding chi phí ban đầu nhỏ nhưng đốt token và nợ kỹ thuật khiến chi phí vận hành tăng vọt, còn agentic engineering đầu tư trước vào schema, test, rule file và dùng model routing để chi phí vận hành giảm dần

Vibe coding gần như miễn phí ban đầu (CapEx thấp). Nhưng nhồi 100k token vào frontier model đắt đỏ để sửa lỗi mò mẫm sẽ đẩy tiền API tăng vọt và để lại mã nguồn khó bảo trì (OpEx cao).

Agentic engineering đầu tư bài bản từ đầu (CapEx cao) vào test harness, schema, và rule files. Bù lại, chi phí vận hành giảm sâu: context cô đọng giúp tăng tỷ lệ thành công lượt đầu, kết hợp model routing đưa việc kiến trúc cho mô hình mạnh và giao việc viết test cho mô hình nhỏ giá rẻ. Xu hướng này thể hiện rõ tại OpenAI DevDay 2026, nơi các runtime như Codex Cloud và mô hình phân tầng như GPT-6.1 Sol được thiết kế trực tiếp phục vụ mô hình ủy quyền đa agent này.

Kỹ nghệ phần mềm chuyển từ viết cú pháp sang diễn đạt ý định trong một harness được kiểm soát. Những đội ngũ đầu tư vào harness và hệ thống eval chuẩn mực sẽ giao được phần mềm dễ bảo trì với tốc độ cao, trong khi những đội làm việc theo cảm tính sẽ sớm ngập trong nợ kỹ thuật.


Tài Liệu Tham Khảo

  • Osmani, A., Saboo, S., & Kartakis, S. (2026). The New SDLC With Vibe Coding: From ad-hoc prompting to Agentic Engineering. Google Cloud & DeepMind Technical Series.
  • METR (2025). Measuring the Impact of AI Coding Assistants on Developer Productivity in Complex Environments. Báo cáo nghiên cứu METR.
  • Terminal Bench (2026). Terminal Bench 2.0 Leaderboard & Scaffolding Impact Analysis. Bảng xếp hạng môi trường agent dòng lệnh.
  • LangChain Research (2026). Harness Engineering: Raising Benchmark Scores via Context Middleware. Blog kỹ thuật LangChain.
|Chia sẻ:

Đăng ký nhận bản tin

Nhận các bài viết và cập nhật mới nhất qua email.

pxuanbach
Tác giả

pxuanbach

Software Engineer tại UtilKits. Viết về AI, kỹ thuật phần mềm và xu hướng công nghệ.

Bài viết liên quan