Categories
AI

Sự đắt đỏ của AI khi làm một tính năng…khó

Câu chuyện bắt đầu từ những ngày đầu tháng 6, khi tài khoản cursor Ultra của tôi còn khoảng 70% và tôi cần làm một TÍNH NĂNG KHÓ. Tôi biết là để thực hiện tính năng này, an toàn nhất là mô hình Fable 5 sẽ giúp rất nhiều vì mức độ phức tạp của tính năng cần làm cũng như độ ưu việt gần như tuyệt đối của Fable 5.

Cuối cùng ngày 9/6 đã tới và Fable 5 đã ra mắt và rất nhiều lời khen ngợi được đưa ra cho mô hình này. Và tôi dự kiến chờ vài ngày cuối tuần để dùng 30% quota xịn để hoàn tất tính năng mà tôi đã planning suốt nửa tháng qua.

Cuộc đời thật lắm éo le, chỉ vài ngày sau, Fable 5 bị cấm toàn thế giới, tôi nhìn 30% quota còn lại, nhìn cái Tính-năng-khó và đầy hụt hẫng và delay kế hoạch vài ngày hy vọng Anthropic sẽ mở lại vài ngày sau đó, nhưng thời gian thấm thoát trôi, đã đến cuối tuần trước và đành ngậm ngùi triển khai tính năng khó này với…Opus 4.8 và GPT 5.5.

Tôi đã sớm biết với chế độ Auto của cursor sẽ khó mà làm được tính năng này, và cũng sớm biết dù cho có là Opus 4.8 hay GPT 5.5 cũng khó mà vượt cạn, tuy nhiên, giữa lựa chọn review từng dòng code, từng logic và mất 2 tháng để làm tính năng này theo cách cũ thì dấn thân vào với Opus và GPT mà thôi.

Cầm 30% quota trong tay với đầy sự hồi hộp lo âu và điều gì đến cũng đến, sau màn dạo đầu với vài tiếng plan (ngốn vài chục prompt) thì cũng ra được version đầu tiên và bug mẹ đẻ bug con, bug con đẻ bug cháu chắt chút chít vì các bạn ấy dắt đi quá xa. Mặc dù như mọi lần, mình cực kì cẩn thận trong việc lên plan, cũng như cho 2 con Opus 4.8 và GPT 5.5 phản biện qua lại suốt 1 ngày để làm plan trước khi bắt tay vào code.

Và lần đầu tiên sau hơn 1 năm dùng Cursor, tôi phải đăng ký 1 account cursor thứ 2 khi mới dùng được hơn 2 tuần. Ngậm đắng nuốt cay chi tiền và tiếp tục với TÍNH NĂNG KHÓ này. Mặc dù lần thứ 2 này tôi cũng rất cảnh giác, planning dựa trên những thiếu sót, bug và luồng xử lý ở đợt trước thì sau khi đốt thêm 30% thì cũng đã ra version thứ 2. Với đầy niềm hân hoan, lần này bug mẹ lại đẻ bug con cháu chắt khác.

Lần này, tôi hy vọng là Fable 5 sẽ được mở lại sau 2 tuần, nhưng vẫn vô vọng, và bắt tay vào refactoring lần 3, tức là 2 ngày trước, với 70% quota xịn của gói Ultra thứ 2, tôi đã hoàn thành được tính năng khó này. Trộm vía, sau gần 45% quota và vật lộn không ngừng nghỉ với Opus 4.8 và GPT 5.5 thì cũng hoàn thành và tiến tới UAT và chuẩn bị deploy trong hôm nay.

Nhân sự kiện hoàn tất tính năng khó này, cũng muốn chia sẻ thêm với anh chị em làm ngành dùng AI Agent, không phải lúc nào cũng trơn tru và chi phí của các tính năng sẽ ngày một đắt đỏ, việc đánh giá được sức mạnh của các Model, cũng như kì vọng đối với chúng sẽ rất quan trọng trong việc tiết kiệm chi phí và thời gian triển khai.

Có thể nói tính năng này là tính năng khó nhất mà mình từng làm việc với AI Agent, tiêu tốn 100% gói ultra của Cursor ($200) và chỉ làm việc với Opus 4.8 và GPT 5.5 xuyên suốt 1 tuần liền (khoảng 40 giờ làm việc của Tứng) với hàng trăm prompt và thay đổi hàng chục ngàng dòng code.

Và tới đây, nhiều bạn sẽ thắc mắc đây là tính năng gì mà khó vậy, thì đó là Refactoring module Quà tặng trong cơ chế khuyến mãi. Quà tặng trước đây trong hệ thống Oviro chỉ là một thông tin tạo sau khi lên đơn hàng chứ không phản ánh thế giới vật lý, kéo theo có khá nhiều bất cập khi làm việc với hệ thống thế giới thực như scan quà tặng, scan sản phẩm và quà tặng (giống với sản phẩm bán), hoặc RFID sẽ nhận 1 rổ hàng chứa cả quà tặng và hàng bán (ví dụ mua 5 tặng 1 và khách hàng đặt hết 5 sản phẩm với RFID tag cái vào rổ, tự tính toán).

Tính năng này nó khó bởi vì không giống với các phần mềm khác, Oviro là một hệ thống bán hàng đa năng với POS hỗ trợ từ đơn hàng online, đơn hàng offline, quét, nhập, chọn và hỗ trợ RFID scan. Độ phức tạp của nó còn kéo theo ở những nơi tương tác khác nhau như POS cho nhân viên, POS ở quầy bán hàng, website thương mại điện tử, Menu mua nhanh cho nhóm hàng F&B và máy tự thanh toán (Self-checkout a.k.a KIOSK).

Tất nhiên còn hàng tá thứ khác làm cho quá trình quà tặng này trở nên khó bởi vì hệ thống POS của Oviro hỗ trợ các mặt hàng khác nhau như hàng hoá thường, sản phẩm cân ký, sản phẩm Combo, sản phẩm bán theo IMEI/Serial nên ma trận độ phức tạp nó thêm 1 chiều.

Một vài chia sẻ trong suốt 1 tuần qua ăn nằm với Cursor để anh chị em làm ngành nào nghĩ là làm việc với AI nó đơn giản và tiết kiệm.

Categories
DevOps

Docker Swarm & Traefik Routing Label Migration

Cải tiến việc cấu hình các path prefix đang hard code trong file config của stack (yml), sử dụng File Provider để tiện mở rộng path khi phát triển, thay vì phải update trực tiếp các stack yml và phải update label của các server (hoặc phải update cả stack).

Bên dưới là kết quả trao đổi, đánh giá của việc trước khi migrate và các bước migrate cần thiết để đảm bảo an toàn cho hệ thống OVIRO.VN cài đặt trên server của khách hàng, sử dụng Docker swarm và môi trường On-premise.

1. Bối cảnh hiện tại

Hệ thống đang sử dụng Traefik + Docker Swarm, trong đó:

  • Routing được khai báo trực tiếp trong deploy.labels của từng service
  • Các PathPrefix ngày càng nhiều, dài và khó quản lý
  • Mỗi lần thêm/sửa route:
    • Phải sửa file stack
    • Phải redeploy service
    • Dễ nhầm lẫn, khó review, khó audit

Vấn đề không nằm ở Traefik, mà ở việc routing logic đang bị trộn lẫn với deployment spec.

2. Mục tiêu cải tiến

Đề xuất này nhằm đạt các mục tiêu sau:

  • ✅ Không thay đổi API path, controller, hay business logic
  • ✅ Không thêm gateway, không thêm service
  • ✅ Không can thiệp sâu vào Traefik core config
  • ✅ Giảm độ phức tạp khi quản lý routing
  • ✅ Cho phép chỉnh route mà không cần redeploy stack
  • ✅ Phù hợp Docker Swarm, không ảnh hưởng performance

3. Nguyên tắc kỹ thuật được thống nhất

3.1. Về Traefik Router

  • Một router là một object nguyên khối
  • Không thể chia:
    • rule ở provider này
    • entrypoint / tls / service ở provider khác
  • Vì vậy:Nếu tách routing ra file → phải migrate toàn bộ router

3.2. Vì sao file provider cần service?

  • Trong Docker labels:
    • Traefik tự suy ra service backend
  • Trong file provider:
    • Không có ngữ cảnh Docker
    • Router bắt buộc phải chỉ rõ backend

Giải pháp:

service: <stack>_<service>@docker

➡️ Không tạo service mới, chỉ là reference tới Docker service có sẵn.

4. Mô hình đề xuất sau cải tiến

4.1. Trước cải tiến (hiện tại)

  • stack-api-sale.yml
    • image
    • replicas
    • volumes
    • + toàn bộ Traefik labels (rule dài, entrypoint, tls, port, …)

Nhược điểm:

  • Stack file dài, khó đọc
  • Routing khó review
  • Mỗi thay đổi route → redeploy service

4.2. Sau cải tiến (đề xuất)

(A) Stack file (deployment only)

  • stack-api-sale.yml
    • image
    • replicas
    • volumes
    • network
    • placement
  • ❌ Không còn traefik.http.routers.*
  • Giữ lại label traefik.enable / port để nhận dạng được service

➡️ Stack chỉ còn deployment concern

(B) Routing file (Traefik File Provider)

Ví dụ:

/data/traefik/dynamic/sale/ws_order.yml

http:
  routers:
    ws_order:
      entryPoints:
        - https
      tls: true
      rule: >
        PathPrefix(`/v1/orders`)
        || PathPrefix(`/v1/orderdetails`)
        || PathPrefix(`/v1/orderhelpers`)
        || ...
      service: sale_ws_order@docker

Đặc điểm:

  • Chỉ chứa routing
  • Không ảnh hưởng container/service
  • Save file → Traefik reload runtime (không restart)

5. Phạm vi thay đổi (rõ ràng, có kiểm soát)

Không thay đổi

  • API path
  • Controller
  • Code backend
  • Network topology
  • Số lượng service
  • Cách scale

Chỉ thay đổi

  • Nơi khai báo routing
    • Từ deploy.labels
    • Sang file provider của Traefik

6. Lợi ích đạt được

TrướcSau
Routing nằm trong stackRouting tách riêng
Mỗi thay đổi route → redeployĐổi route không redeploy
Label dài, khó đọcFile routing dễ review
Khó audit pathAudit path rõ ràng
Dễ nhầm lẫnÍt rủi ro

Quan trọng:
➡️ Không tăng latency, không giảm hiệu năng
➡️ File provider chỉ ảnh hưởng control-plane, không data-plane

7. Rủi ro & cách kiểm soát

Rủi ro

  • Cấu hình sai service: <stack>_<service>@docker
  • Sai network (Traefik không reach được backend)

Kiểm soát

  • Migrate từng service một
  • Chạy song song test
  • Rollback dễ (chỉ cần xoá file routing)

8. Đề xuất lộ trình triển khai

  1. Chọn 1 service đại diện (ví dụ: ws_order)
  2. Migrate router sang file provider
  3. Theo dõi 1–2 ngày
  4. Nếu ổn → migrate dần các service còn lại
  5. Cuối cùng:
    • Dọn sạch Traefik router labels khỏi stack

9. Kết luận

Đây là cải tiến:

  • Thuần cấu hình
  • Không ảnh hưởng nghiệp vụ
  • Giảm độ phức tạp vận hành
  • Phù hợp Docker Swarm + Traefik

Categories
Miscellaneous

New Year’s Resolution of 2026

rollback-052225-5B-Fkcqt

Categories
AI

Chi phí để tạo ra một hình AI

CHI PHÍ ĐỂ TẠO RA MỘT HÌNH BẰNG AI

Sau khi chia sẻ nhẹ về tính năng tạo hình bằng AI, thì nhiều anh chị em cũng có hỏi là chi phí “tạo” ra một hình là bao nhiêu, thì sẵn tiện Tuấn chia sẻ để mọi người hình dung cách 1 công ty (ví dụ như Google) tính tiền bạn để tạo ra một hình.

Bất kỳ khi muốn một AI model tạo ra một cái gì đó (ví dụ văn bản, hình ảnh, âm thanh, video..) thì bạn chỉ cần quan tâm các yếu tố ảnh hưởng đến chi phí như sau:

1. Sử dụng Model gì.
2. Độ dài của đầu vào (Số lượng Input Token).
3. Độ dài của kết quả (Số lượng Output Token).
—

Tuấn sẽ lấy ví dụ cho tính năng mình chia sẻ, và trong ví dụ đang dùng model tốt nhất hiện tại của Google khi tạo hình.

1. Sử dụng Model Gemini 2.5 Flash Image. Mỗi model đều có bảng giá riêng cho phần 2 và phần 3.

2. Độ dài của đầu vào. Tức là độ dài của Prompt bạn nhập vào và độ dài của các hình bạn gửi lên. “Độ dài” trong thuật ngữ của AI nó gọi là Token. Tức là mình sẽ tính số token gửi lên chính là số token của đoạn text và số token của các hình.

Đối với văn bản thì sẽ có cách tính số token khác với hình. Ví dụ một câu văn viết bằng Tiếng Việt dài khoảng 10 từ thì tính ra bằng khoảng 15-20 token (do thuật toán tính toán, và hoàn toàn dự đoán được).

Đối với hình ảnh, thì các model của google (Gemini) tính dựa theo độ phân giải của hình. Một vùng diện tính 768×768 px được coi là tương đương 258 token. Ví dụ 1 hình có kích thước 1024×1024 px gửi lên sẽ có thể coi là 4 x 258 token.

Tổng hợp hết token từ văn bản và hình ảnh gửi lên thì sẽ ra tổng số token input. Và giá của Input token khá rẻ, hiện tại với Gemini thì từ $0.3 -> $0.5 cho một triệu token (Bạn không đọc sai, MỘT TRIỆU TOKEN), nên chúng ta không cần quan tâm nhiều về giá của token input.

3. Độ dài của kết quả. Với tính năng tạo hình như demo, thì Gemini 2.5 đang tính một hình tạo ra sẽ tương đương với 1290 token. Giá của token tạo hình là khoảng $30 cho một triệu token (gấp khoảng 100 lần so với đầu vào). Do đó, tính ra thì một hình sẽ khoảng…1.000VND.

Hiện tại, do mỗi lần tạo đều tốn chi phí, nên các công ty chuyên nghiệp đều phải thông qua cơ chế API của Google (hoặc các công ty khác như OpenAI..) để kiểm soát việc tạo hình, chi phí cũng như cấp ngân sách cho từng nhân viên, từng công ty để đảm bảo không mất kiểm soát.

Ngoài ra, một lý do khác của việc thông qua cơ chế kiểm soát để tránh nhân viên sử dụng bừa bãi API cho việc riêng, như là tất cả API tạo hình ảnh (hoặc tex) đều được đính kèm System Prompt, là một dạng đoạn văn bản được tự động thêm vào nội dung Prompt cho nhân viên, trước khi gọi qua Google API, để đảm bảo nội dung và kết quả của prompt chỉ phục vụ cho mục đích tạo content cho tổ chức.

Vài chia sẻ để các anh chị em doanh nghiệp muốn ứng dụng AI vào doanh nghiệp một cách an toàn và có kiểm soát. Tránh việc nhân viên “lạm dụng” AI để làm việc riêng, hoặc đưa nhân viên 500k kêu là nạp tiền vào tài khoản cá nhân, muốn làm gì làm :).

Enjoy prompting!

–

Home

Categories
AI

Hiểu AI, làm chủ AI

Tuấn dám chắc là nếu một ngày bạn mở máy lên, nếu không “đụng” các công cụ AI thì bạn cũng sẽ nhìn thấy, nghe thấy hoặc bắt gặp cụm từ “AI” trong dòng thời gian của bạn. Nói như vậy để cho bạn thấy rằng AI nó đã len lõi vào cuộc sống hằng ngày của chúng ta và như là một phần tất yếu của cuộc sống.

Tuấn đã muốn viết bài này để dành tặng cho TẤT CẢ MỌI NGƯỜI, đặc biệt là những người không phải dân kỹ thuật công nghệ, những người mà theo mình quan sát là “sợ” AI. Phần lớn các bạn không hiểu cách thức AI được tạo ra, vận hành nên e dè, dẫn đến cảm giác lo lắng, đôi khi vô tình đọc vài bài viết ở đâu đó hù doạ thì lại hoang mang và lại không dám đào sâu tìm hiểu. Và một khi bạn đã “sợ” nó sẽ dẫn đến việc ngại tiếp xúc, anti và…tụt hậu.

Nói về thế giới AI, mỗi tuần (thậm chí mỗi ngày) bạn sẽ đọc thấy công ty này vừa ra đời AI này, tập đoàn nọ vừa nâng cấp AI phiên bản mới, hoặc bắt gặp một vài ông đeo mắt kính dày cộp tuyên bố vừa tạo ra một con AI kiệt xuất có khả năng đánh bại các ông lớn vì siêu năng lực của con AI vừa tạo ra.

Rồi thì những tin tức khác như là công ty A đã đưa AI vào quy trình giúp tiết kiệm tiền, thời gian hoặc công ty X có thể kết nối các AI lại với nhau tạo thành một mạng lưới nhân viên không cần con người. Với lượng thông tin đồ sộ như vậy thì việc không biết bắt đầu từ đâu là chuyện hiển nhiên, kể cả các bạn trẻ đang hứng thú tìm hiểu và muốn dấn thân.

Để có thể nắm bắt được toàn bộ những gì mà ngoài kia đang nói về AI, bạn chỉ cần nắm một từ khoá kinh điển sẽ giúp bạn từ giờ về sau sẽ hiểu toàn bộ thế giới AI, đó là “AI Model”.

Tuấn suy nghĩ khá nhiều để tìm cách giải thích dễ hiểu nhất về AI Model, thì xuất hiện hình ảnh BÓNG ĐÈN. Bây giờ, bạn hãy coi các AI Model là các loại bóng đèn khác nhau thì tất cả tin tức về AI sẽ rất dễ hiểu.

Sẽ có 2 nhóm người chính tham gia vào dòng đời của Bóng đèn. Một nhóm suốt ngày nghiên cứu, suy nghĩ để tạo ra các loại bóng đèn ưu việt hơn, cạnh tranh với các công ty bóng đèn khác.

Nhóm còn lại chính là nhóm sử dụng bóng đèn, tức là các bạn. Mỗi ngày bạn sẽ bật đèn khi cần, và tất nhiên trong nhà không chỉ có 1 loại bóng đèn, có đèn phòng khách, đèn bàn, đèn ngủ…

Do đó, AI Model là cốt lõi của toàn bộ kiến thức về AI. Các công ty lớn sẽ đua nhau tạo ra các AI Model ngày càng xịn để cạnh tranh giành giựt người dùng, ví dụ như OpenAI là công ty liên tiếp tạo ra các AI Model như GPT-3.5, GPT-4o..rồi Google với AI Model Gemini 2.0…vân vân và mây mây.

Việc tạo ra các AI Model hiện đại ngày nay rất tốn kém nên phần lớn là các công ty nhà giàu. Có công ty thì chia sẻ source code quá trình tạo ra AI Model của họ, nên các bạn sẽ thấy khái niệm Open Source AI Model (như các AI Model của Alibaba)

Còn phần còn lại của thế giới AI chính là…sử dụng AI Model mà thôi. Một số phần mềm được tạo ra, sử dụng các AI Model nên bạn nhầm tưởng phần mềm đó thông minh, thực chất là phần mềm đó dựa vào một AI Model nào đó thông minh mà thôi. Ví dụ ChatGPT là phần mềm, Gemini là phần mềm, Cursor là phần mềm…và tương lai sẽ có nhiều phần mềm hơn nữa, vì làm phần mềm dễ mà, làm AI Model mới khó.

Vậy giờ đây bạn có thể đọc toàn bộ các tin tức về AI trong và ngoài nước sẽ hiểu họ đang nói về việc tạo ra AI Model mới hay đơn giản chỉ là sử dụng nó mà thôi. Còn chữ “AI” nó chỉ là một từ viết tắt chung chung nói về một lĩnh vực khoa học.

Vậy, bạn thích là người tạo ra bóng đèn, sử dụng bóng đèn hay gắn phụ kiện lên bóng đèn rồi đi bán lại giá cao hơn?!!

#AI_MODEL

Categories
AI

AI Agent và khả năng thấu thị

Nếu bạn nghĩ AI Code Agent nó chỉ tạo được content cho prompt thì mình giới thiệu với bạn việc nó “đoán” được ý đồ của bạn và đề xuất hẳn 1 thứ mà bạn chưa hình dung tới.

Ở đây AI Agent đã đề xuất 1 component #OmnichannelSectionFAQ (Line 19) để mình làm tiếp, mặc dù khái niệm này chưa từng xuất hiện trong source code, nhưng theo sự hiểu biết của “nó” thì kiểu mình đang thiếu 1 block là FAQ ngay chỗ đó, bạn nên thêm vào đi.

Chính việc đề xuất tưởng chừng như rất nhỏ này nhưng thực sự nó là đúc kết của kiến thức “nhân loại” và chỉ cần TAB một cái là…xong.

Suggestion là một trong những hành vi của AI Agent giúp cho bạn tiết kiệm rất nhiều thời gian, và càng “ăn nằm” với nó lâu thì bạn sẽ thấy dường như nó có giác quan thứ sáu và nó “hiểu” được bước đi tiếp theo của bạn là gì.

So creepy!!!!

Categories
AI

AI Agent & chất lượng code

Chia sẻ này bắt nguồn từ một bình luận mà mình vô tình thấy trên facebook, nói đại khái rằng trong tương lai thì source code do AI Agent tạo ra sẽ ngày một nhiều và khả năng sẽ có nhiều vấn đề về bảo mật hơn. Sẵn tiện bàn về chất lượng code của AI Agent nên mình mạo muội chia sẻ một số quan sát của bản thân về chủ đề này.

Trước tiên, Tuấn sẽ dẫn bạn đến một chủ đề khá là không liên quan đến AI, đó là … lý thuyết ràng buộc (Theory of Constraints – TOC). Lý thuyết này diễn dịch ra một cách nhà quê là trong một dây chuyền sản xuất (ví dụ sản xuất hàng hoá, sản xuất phần mềm, dịch vụ..), thì sức mạnh của dây chuyển đó bằng với sức mạnh của mắc xích yếu nhất.

Hồi xưa lúc tập tành nghiên cứu về bảo mật thì lý thuyết này nó thể hiện rất rõ nét và hầu hết sách nào cũng đề cập, khả năng bảo mật của hệ thống chính là bằng khả năng bảo mật ở nơi yếu nhất trong hệ thống đó. Do đó, việc luôn theo dõi và phát hiện nơi yếu nhất cũng như cải tiến nơi yếu nhất sẽ giúp cải thiện sức mạnh, năng lực của toàn bộ hệ thống.

Quay lại AI Agent, mình đánh giá chất lượng code của nó tạo ra sẽ dựa trên những gì nó được huấn luyện (training) từ model của nhà cung cấp và học hỏi (learning) từ code của dự án hiện tại mà bạn muốn nó học và làm theo. Nếu nói code nó tạo ra là shit, thì bản thân cái thứ bạn đem đi dạy dỗ nó có thể đã có vấn đề và cần tập trung vào đó sẽ đem lại hiệu quả hơn.

Do đó, trước khi đánh giá AI Agent tạo ra code dỏm, nên tập trung vào bạn đã đem cái gì đi dạy dỗ nó, và bạn đã thực sự dạy dỗ nó như một người sẽ là truyền nhân của mình hay chưa.

Trong tương lai gần, ngoài việc các model được training từ tập source code public, đáp ứng các tiêu chí bảo mật (ví dụ OWASP) thì nó sẽ dựa vào cách bạn dạy dỗ nó. Một cách gần gũi nhất là thay vì kêu nó học code của bất kì lập trình viên nào trong team, thì có thể kêu nó học từ các commit của những lão làng (sernior) của công ty để đảm bảo chất lượng.

Ngoài ra, các AI Agent trong tương lai sẽ hoàn toàn phát hiện được những “yếu kém” trong code của bạn bởi các tool bảo mật, Automated testing đã đạt được tới trình độ này rồi.

Categories
AI

ChatGPT không biến bạn thành kỹ sư phần mềm

Sáng nay có coi một video 8 phút nói về việc liệu có phải đã đến ngày tàn của Software Engineer, với nội dung bàn về Chatgpt (và các công cụ AI) đã giúp các tập đoàn công nghệ như Meta, Google, Saleforces… cắt giảm hàng chục ngàn nhân sự, và có một bình luận khiến mình chú ý đại khái là “Chính vì những cái video như này mà làm cho mọi người tưởng rằng làm phần mềm dễ lắm…”.

Lân la facebook thì thấy status như hình thì quả thật hiện tại sự “ngộ nhận” của dân ngoài ngành về phát triển phần mềm đã đẩy lên cao trào, và mọi người có lẽ nghĩ rằng mở Chatgpt lên, gõ gõ vài chữ là tạo ra được một phần mềm theo ý muốn và chạy được ngon lành. Có lẽ đây chính là hậu quả của việc tuyên truyền vibe-coding quá mức.

Nhân tiện trao đổi về sự nhầm lẫn này thì mình cũng chia sẻ với các bạn nào có “ý định” như tác giả trong hình thì để sử dụng được AI vào lập trình phần mềm, đó là điều tối thiểu bạn phải biết là…cách làm phần mềm.

Để làm được một cái phần mềm thì bạn phải biết được cách thức phần mềm được tạo ra và chạy như thế nào. Mỗi phần mềm sẽ có cách thức chạy khác nhau (gọi là môi trường), đó có thể là phần mềm chạy trình duyệt web (Chrome…), chạy trong thiết bị di động (Mobile, Tablet), chạy trên máy tính (Windows, Macbook..), chạy trên máy xay sinh tố hoặc chạy trong…XXX.

Sau khi đã biết phần mềm của mình cần làm sẽ chạy trên môi trường nào, tiếp theo là bạn phải biết một (hoặc một vài) ngôn ngữ lập trình và cách nó triển khai trên môi trường bạn muốn.

Chúc mừng bạn, sau khi nắm được 2 yếu tố này thì bạn đã trở thành một lập trình viên nửa mùa. Giờ đây, với sức mạnh của AI, từ lập trình viên nửa mùa bạn đã có thể làm mọi điều bạn muốn và tự gọi mình là một Software Engineer.

AI Agent chỉ giúp bạn từ làm nhiều, làm nhanh (one-to-many) chứ sẽ không giúp bạn làm được (zero-to-one), chỉ cần bạn có chút nền tảng lập trình thì mọi việc sẽ diễn ra rất nhanh, nhất là làm phần mềm.

Nếu các phương tiện truyền thông tập trung vào yếu tố tạo ra những lập trình viên thế này và sự giúp đỡ của AI, thì trong tương lai chúng ta sẽ có rất nhiều lập trình viên. Và mình nhận định sẽ ngày càng có nhiều lập trình viên, chứ không phải ít đi do AI. Chờ xem!

Categories
AI

Midjourney v7: Cái nhìn đầu tiên

Đang nhờ ông thần Chatgpt nó tạo cho cái hình để gắn vào landing page. Ngoài việc tạo mấy hình mờ mờ ảo ảo (kiểu 3d, hoạt hình) và văn bản chính xác là thế mạnh thì chất lượng render các hình ảnh người thật thì phải nói…thua xa Midjourney.

Khá thất vọng với kết quả của Chatgpt, ổng chỉ được cái giúp tạo nhanh cái prompt, để copy đem qua Midjourney dùng. Hôm nay lần đầu thoát khỏi Discord để dùng chính thức phiên bản web của Midjourney, nhìn rất gì và này nọ.

Sau khi kích hoạt chế độ Personalization profile thì đúng là chất lượng của Midjourney version 7 rất ấn tượng. Vậy là đỡ phải lên shutterstock mua hình hoặc bỏ tiền tấn ra studio chụp. Ông nhân viên thiết kế này thì cũng làm việc 24/7, nói gì nghe đó mà mức lương thì cũng vài trăm ngàn / tháng, mặc dù khá hướng nội và ít nói.

Trong hình minh hoạ là 2 prompt tạo hình ở version 7 (mới nhất) và version 6.1, bạn có thể xem và đánh giá. Midjourney vẫn là một cái gì đó mà Dall-E của Chatgpt khó vượt qua được.

#ai #midjourney

Categories
AI

Vibe Engineering

Tứng là một người anti cái trend gọi là “vibe-coding“, cái khái niệm này về mặt định nghĩa nó không có ý nghĩa thực tiễn lắm, hiếm khi bạn ngồi gõ gõ với con chatbot mà tạo ra cho bạn một sản phẩm phần mềm hoàn chỉnh và kiếm được tiền.

Thuật ngữ phù hợp nhất mà theo Tứng dùng và cũng có nhiều anh em trong giang hồ sử dụng đó là “vibe-engineering“. Chúng ta là những engineer, sử dụng chatbot để hỗ trợ quá trình engineering và đạt được một sản phẩm phần mềm hoàn chỉnh.

Trong hình là một ví dụ về việc mình đang “vibe” với bạn-nhân-viên-mới ở công ty. Thông thường, khi có một dev mới vào công ty, Tứng vẫn trải qua bước training về convention cũng như các lưu ý khi tạo controller, model, table….Nhân viên mới này cũng như vậy, tuy nhiên khác bọt to lớn là nhân viên này chỉ nhận lương có vài trăm ngàn / tháng, làm việc 24/7 và đặc biệt nói chuyện rất dễ thương.

Nếu bạn là một dev như bao dev lìu tìu khác trên thị trường phần mềm, bạn sẽ cạnh tranh ra sao với mấy nhân viên lương bèo nhèo, chăm chỉ và lễ phép này?