Cách các chuyên gia Java tối ưu hóa năng suất với GitHub Copilot

Trong kỷ nguyên AI, việc tạo ra mã nguồn nhanh chóng không còn là thách thức lớn nhất. Thay vào đó, các kỹ sư phần mềm cần tập trung vào việc cung cấp ngữ cảnh, kiểm chứng kết quả và đảm bảo tính bảo trì của hệ thống. Để hiểu rõ cách các chuyên gia cân bằng giữa tốc độ của AI và trách nhiệm của con người, chúng tôi đã trò chuyện với các Java Champion về kinh nghiệm thực tế của họ với GitHub Copilot.

Vlad Mihalcea: Tối ưu hóa quy trình với kỹ năng tùy chỉnh

Vlad Mihalcea thường xuyên sử dụng GitHub Copilot trong IntelliJ IDEA để phân tích và thiết kế các tính năng cho Hypersistence Utils và Hypersistence Optimizer. Theo ông, AI đóng vai trò như một thành viên mới trong nhóm, giúp rút ngắn thời gian phát triển từ vài tuần xuống chỉ còn vài ngày.

Một trong những điểm nhấn trong quy trình của Vlad là tạo ra các “kỹ năng” (skills) riêng cho Copilot. Bằng cách nạp dữ liệu từ hàng chục bài viết chuyên môn của mình, ông giúp AI hiểu được phong cách viết, các nguyên tắc về khả năng kiểm thử và tính đơn giản mà ông theo đuổi. Ông cũng nhấn mạnh việc lựa chọn mô hình AI phù hợp: sử dụng các mô hình mạnh mẽ cho tư duy logic phức tạp và các mô hình nhẹ hơn cho các tác vụ báo cáo hoặc tài liệu để tối ưu hóa hiệu suất.

Patrick Baumgartner: Chuyển dịch sang quy trình làm việc theo tác nhân (Agentic Workflow)

Đối với Patrick Baumgartner, GitHub Copilot không chỉ là công cụ tự động hoàn thành mã (autocomplete), mà là một “đối tác tranh luận” (sparring partner). Anh đã chuyển dịch gần như hoàn toàn sang các quy trình làm việc dựa trên tác nhân (agentic workflows).

Patrick chia sẻ ba bài học kinh nghiệm quý giá:

• Ủy quyền thực thi, không ủy quyền trách nhiệm: Trong dự án di chuyển hàng trăm slide thuyết trình, anh sử dụng AI để thực hiện công việc tẻ nhạt nhưng tự mình thiết lập các cổng kiểm chứng (verification gates) để đảm bảo tính chính xác.
• AI như một đối tác tư duy: Khi xây dựng ứng dụng học tập cho trẻ em, Copilot đã giúp anh thách thức các giả định ban đầu, từ đó điều chỉnh lộ trình phát triển dựa trên chương trình giảng dạy thực tế thay vì cố gắng tạo ra một giải pháp “vạn năng” không cần thiết.
• Tư duy theo tác nhân: Patrick thậm chí đã điều khiển các tác nhân mã hóa từ điện thoại trong suốt chuyến đi dài, cho phép anh đánh giá, quyết định và chỉ đạo trong khi AI thực thi các tác vụ như xây dựng plugin Maven hay chạy các đường ống CI.

Lời khuyên từ các chuyên gia

Điểm chung của các chuyên gia này là quan điểm: “Ngữ cảnh là vua”. Họ khuyên các lập trình viên nên:

• Ngừng việc “one-shot prompting”: Đối với các tác vụ phức tạp, hãy yêu cầu AI phỏng vấn bạn trước để làm rõ các giả định và kỳ vọng.
• Thiết lập các cổng kiểm chứng cụ thể: Đừng bao giờ coi một tác vụ là “xong” chỉ vì mô hình AI thông báo như vậy. Hãy luôn có các bước kiểm tra độc lập như chạy test, đối chiếu kết quả hoặc kiểm tra thủ công.
• Tránh các đường vòng đắt đỏ: Hãy dành thời gian làm rõ yêu cầu trước khi tăng tốc, vì việc sửa lỗi sai sau khi AI đã thực thi xong thường tốn kém hơn nhiều so với việc lập kế hoạch kỹ lưỡng ngay từ đầu.

Nguồn tham khảo: GitHub Blog