Quy trình Agentic Coding: 7 bước phát triển phần mềm với AI

Sự phát triển của AI đang mở ra một cách tiếp cận mới trong lập trình: thay vì yêu cầu AI tạo từng đoạn code riêng lẻ, developer có thể giao cho AI Agent một nhiệm vụ gồm nhiều bước và để hệ thống chủ động thực hiện trong phạm vi được cho phép. Tuy nhiên, để tận dụng khả năng này, người dùng cần có một quy trình rõ ràng thay vì chỉ nhập yêu cầu vào công cụ rồi chấp nhận kết quả.

Agentic Coding giúp chuyển hoạt động lập trình với AI từ những lần tương tác đơn lẻ sang workflow có mục tiêu, hành động, kiểm thử và đánh giá. Bài viết dưới đây hướng dẫn quy trình triển khai Agentic Coding qua bảy bước, kèm ví dụ thực tế và những nguyên tắc giúp kiểm soát chất lượng phần mềm.

Quy trình Agentic Coding là gì?

Quy trình Agentic Coding là chuỗi hoạt động trong đó developer xác định mục tiêu, cung cấp context, giao nhiệm vụ cho AI Agent, theo dõi quá trình thực hiện và kiểm tra kết quả trước khi đưa thay đổi vào hệ thống.

Một workflow cơ bản có thể được mô tả như sau:

Xác định yêu cầu → Chuẩn bị context → Lập kế hoạch → Thực thi → Kiểm thử → Review → Hoàn thiện và triển khai.

Trong quá trình này, AI Agent có thể đảm nhận nhiều thao tác kỹ thuật như đọc mã nguồn, chỉnh sửa tệp, chạy lệnh và phân tích lỗi. Developer vẫn quyết định mục tiêu, phạm vi thay đổi, tiêu chuẩn chất lượng và việc có chấp nhận kết quả hay không.

Điều quan trọng là không phải mọi công cụ AI lập trình đều có đầy đủ năng lực agent. Khả năng thực thi phụ thuộc vào công cụ được sử dụng, quyền truy cập, môi trường chạy và các cơ chế kiểm soát được thiết lập.

Bước 1: Xác định yêu cầu và tiêu chí hoàn thành

Trước khi giao việc cho AI Agent, cần xác định rõ vấn đề cần giải quyết. Một yêu cầu mơ hồ thường khiến agent phải tự suy đoán, dẫn đến việc triển khai sai hướng hoặc tạo ra những thay đổi không cần thiết.

Ví dụ, yêu cầu “xây dựng chức năng quản lý sản phẩm” có thể bao gồm nhiều nghiệp vụ: thêm sản phẩm, cập nhật thông tin, xóa sản phẩm, tìm kiếm, phân trang, quản lý ảnh và phân quyền người dùng.

Thay vì giao toàn bộ yêu cầu trong một lần, hãy xác định phạm vi cụ thể cho từng nhiệm vụ.

Một yêu cầu tốt nên có các thành phần:

• Mục tiêu: Chức năng hoặc vấn đề cần xử lý.

• Bối cảnh: Framework, cấu trúc dự án và các thành phần liên quan.

• Phạm vi: Những phần được phép thay đổi.

• Ràng buộc: Công nghệ, quy ước hoặc chức năng không được phá vỡ.

• Tiêu chí nghiệm thu: Điều kiện để xác định nhiệm vụ đã hoàn thành.

Chẳng hạn, với chức năng tìm kiếm sản phẩm, tiêu chí có thể gồm tìm theo tên, không phân biệt chữ hoa chữ thường, xử lý khi không có kết quả và không làm thay đổi API hiện có.

Bước 2: Chuẩn bị context cho AI Agent

Context là thông tin giúp agent hiểu môi trường và yêu cầu của dự án. Nếu thiếu context, AI có thể tạo ra code hợp lý về mặt cú pháp nhưng không phù hợp với kiến trúc đang sử dụng.

Trước khi triển khai, nên cung cấp hoặc hướng dẫn agent tìm hiểu:

• Cấu trúc thư mục và các module chính.

• Ngôn ngữ lập trình, framework và phiên bản đang sử dụng.

• Quy ước đặt tên, định dạng code và kiến trúc hiện tại.

• Cách chạy ứng dụng và thực thi test.

• Những API, database hoặc thành phần có liên quan.

• Các giới hạn về bảo mật và quyền truy cập.

Với dự án lớn, không nhất thiết đưa toàn bộ thông tin vào một prompt. Thay vào đó, hãy yêu cầu agent đọc những tệp liên quan và tạo bản tóm tắt trước khi chỉnh sửa.

Developer cũng có thể duy trì tài liệu hướng dẫn cho agent trong repository, chẳng hạn file mô tả kiến trúc, cách chạy test và các quy tắc phát triển. Những tài liệu này cần được cập nhật khi dự án thay đổi.

Một nguyên tắc quan trọng là chỉ cung cấp dữ liệu cần thiết. Không đưa API key, mật khẩu, thông tin khách hàng hoặc dữ liệu nội bộ nhạy cảm vào prompt nếu không có cơ chế bảo vệ phù hợp.

Bước 3: Yêu cầu agent lập kế hoạch trước khi thực thi

Sau khi hiểu yêu cầu và context, agent cần xác định những bước phải thực hiện để đạt mục tiêu.

Ví dụ, khi bổ sung chức năng tìm kiếm sản phẩm, kế hoạch có thể gồm:

1. Xác định controller, service và repository liên quan.

2. Kiểm tra cấu trúc dữ liệu sản phẩm.

3. Xác định cách tiếp nhận và kiểm tra từ khóa tìm kiếm.

4. Triển khai logic tìm kiếm.

5. Cập nhật hoặc bổ sung test.

6. Chạy kiểm thử và tổng hợp kết quả.

Kế hoạch giúp developer phát hiện sớm những giả định sai, phạm vi vượt quá yêu cầu hoặc thay đổi có nguy cơ ảnh hưởng đến hệ thống.

Với nhiệm vụ nhỏ và ít rủi ro, có thể cho agent thực hiện trực tiếp. Với những thay đổi liên quan đến database, xác thực, phân quyền hoặc kiến trúc, nên yêu cầu phê duyệt kế hoạch trước khi tiếp tục.

Bước 4: Cho AI Agent thực hiện nhiệm vụ trong phạm vi kiểm soát

Khi kế hoạch đã được chấp nhận, agent có thể bắt đầu chỉnh sửa code và sử dụng những công cụ được cấp quyền.

Tùy vào môi trường, agent có thể tìm kiếm mã nguồn, sửa nhiều tệp, tạo thành phần mới, chạy lệnh terminal hoặc tương tác với công cụ kiểm thử.

Tuy nhiên, cần giới hạn phạm vi thực thi theo nguyên tắc quyền tối thiểu. Không nên cấp quyền truy cập toàn bộ hệ thống nếu nhiệm vụ chỉ cần chỉnh sửa một module. Những hành động như xóa dữ liệu, thay đổi cấu hình production hoặc triển khai phiên bản mới cần có cơ chế phê duyệt phù hợp.

Trong quá trình thực hiện, developer nên theo dõi:

• Agent có bám sát yêu cầu ban đầu không?

• Những tệp nào đang được thay đổi?

• Có phát sinh dependency mới không?

• Có xuất hiện thay đổi ngoài phạm vi không?

• Agent có gặp lỗi hoặc lặp lại hành động mà không tiến triển không?

Nếu phát hiện hướng xử lý không phù hợp, nên dừng hoặc điều chỉnh nhiệm vụ sớm thay vì để agent tiếp tục tạo thêm thay đổi.

Bước 5: Kiểm thử và sửa lỗi theo vòng lặp

Một trong những năng lực quan trọng của Agentic Coding là khả năng sử dụng kết quả thực thi để điều chỉnh cách giải quyết vấn đề.

Sau khi viết code, agent có thể chạy test, phân tích thông báo lỗi và đề xuất hoặc thực hiện bản sửa tiếp theo. Quy trình này tiếp tục cho đến khi đáp ứng tiêu chí được đặt ra hoặc gặp giới hạn cần con người can thiệp.

Ví dụ, khi triển khai chức năng tìm kiếm sản phẩm, các bài kiểm thử có thể bao gồm:

• Tìm kiếm với từ khóa tồn tại trong database.

• Tìm kiếm với từ khóa không có kết quả.

• Tìm kiếm khi trường đầu vào rỗng.

• Xử lý ký tự đặc biệt hoặc dữ liệu đầu vào không hợp lệ.

• Kiểm tra phân trang và giới hạn số lượng kết quả.

• Đảm bảo chức năng hiện có vẫn hoạt động.

Không nên chỉ dựa vào thông báo “đã hoàn thành” của agent. Hãy yêu cầu bằng chứng như kết quả test, lệnh đã chạy và những trường hợp chưa được kiểm tra.

Đối với ứng dụng quan trọng, cần duy trì kiểm thử tích hợp, kiểm thử bảo mật và các quy trình kiểm soát chất lượng độc lập. AI có thể hỗ trợ kiểm thử nhưng không thay thế hoàn toàn những cơ chế này.

Bước 6: Review code và đánh giá rủi ro

Ngay cả khi test thành công, code vẫn có thể tồn tại vấn đề về kiến trúc, bảo mật, hiệu năng hoặc khả năng bảo trì. Vì vậy, review là bước không thể bỏ qua.

Developer nên xem xét bản diff để biết chính xác agent đã thay đổi những gì. Sau đó, đối chiếu thay đổi với yêu cầu ban đầu và đánh giá tác động đến các module liên quan.

Các câu hỏi cần đặt ra gồm:

• Code có đáp ứng đúng nghiệp vụ không?

• Có làm lộ dữ liệu hoặc tạo lỗ hổng bảo mật không?

• Có sử dụng dependency không cần thiết không?

• Có thay đổi API hoặc database ngoài dự kiến không?

• Có thiếu xử lý lỗi và các trường hợp biên không?

• Các bài test có thực sự kiểm tra hành vi cần thiết không?

Với những thay đổi quan trọng, nên yêu cầu một vòng review độc lập và áp dụng quy trình phê duyệt trước khi hợp nhất code.

Agent có thể hỗ trợ giải thích diff hoặc rà soát rủi ro, nhưng không nên xem chính agent đã tạo code là nguồn xác nhận duy nhất về tính an toàn của kết quả.

Bước 7: Hoàn thiện, triển khai và ghi nhận kết quả

Sau khi review và kiểm thử đạt yêu cầu, thay đổi có thể được hợp nhất vào nhánh phù hợp theo quy trình quản lý mã nguồn của đội ngũ.

Trước khi triển khai, cần đảm bảo có phương án khôi phục, cấu hình môi trường phù hợp và quy trình phê duyệt tương ứng với mức độ rủi ro.

Sau triển khai, nên theo dõi log, lỗi phát sinh, hiệu năng và phản hồi từ người dùng. Nếu có vấn đề, đội ngũ cần có khả năng quay lại phiên bản ổn định hoặc thực hiện bản sửa tiếp theo.

Đồng thời, hãy ghi nhận kết quả của workflow:

• Thời gian thực hiện so với phương pháp thông thường.

• Số vòng lặp cần thiết để hoàn thành.

• Tỷ lệ test thành công.

• Số lỗi được phát hiện trong review.

• Thời gian developer cần để kiểm tra code.

• Chi phí công cụ và tài nguyên sử dụng.

Những dữ liệu này giúp xác định nhiệm vụ nào phù hợp với Agentic Coding và đâu là những điểm cần cải thiện trước khi mở rộng quy mô.

Ví dụ thực tế: Sử dụng Agentic Coding để xây dựng API quản lý sản phẩm

Giả sử một đội ngũ đang phát triển website bán hàng bằng ASP.NET Core Web API và cần bổ sung API tìm kiếm sản phẩm.

Thay vì yêu cầu AI viết toàn bộ chức năng ngay lập tức, developer có thể triển khai theo workflow sau.

Giai đoạn 1 – Phân tích: Yêu cầu agent kiểm tra controller, service, repository và model sản phẩm hiện có. Agent cần mô tả luồng xử lý trước khi đề xuất thay đổi.

Giai đoạn 2 – Lập kế hoạch: Xác định endpoint, tham số tìm kiếm, quy tắc phân trang và những tệp cần chỉnh sửa. Developer kiểm tra kế hoạch để đảm bảo không phá vỡ API cũ.

Giai đoạn 3 – Thực thi: Agent triển khai logic tìm kiếm theo kiến trúc hiện tại, bổ sung validation và xử lý trường hợp không có kết quả.

Giai đoạn 4 – Kiểm thử: Agent chạy các bài test cho từ khóa hợp lệ, từ khóa rỗng, không có kết quả và những trường hợp biên đã xác định.

Giai đoạn 5 – Review: Developer kiểm tra truy vấn database, cách xử lý dữ liệu đầu vào, hiệu năng và các thay đổi trong diff.

Giai đoạn 6 – Hoàn thiện: Sau khi đạt yêu cầu, thay đổi được hợp nhất theo quy trình của dự án và triển khai trong môi trường phù hợp.

Ví dụ này cho thấy Agentic Coding không nhất thiết bắt đầu bằng một hệ thống tự động hóa phức tạp. Một nhiệm vụ nhỏ, có tiêu chí nghiệm thu rõ ràng và được kiểm soát tốt đã đủ để đội ngũ làm quen với cách làm việc mới.

Những công cụ hỗ trợ quy trình Agentic Coding

Các công cụ lập trình tích hợp AI có mức độ tự chủ và khả năng tương tác với môi trường khác nhau. Khi lựa chọn, nên đánh giá dựa trên workflow thực tế thay vì chỉ dựa vào khả năng tạo code.

• Cursor: Môi trường phát triển tích hợp AI, hỗ trợ làm việc với codebase và các tác vụ lập trình theo agent.

• Claude Code: Công cụ coding agent hỗ trợ làm việc với mã nguồn và thực hiện tác vụ thông qua môi trường được cấp quyền.

• GitHub Copilot: Cung cấp các tính năng hỗ trợ lập trình bằng AI, trong đó một số chế độ có thể hỗ trợ thực hiện nhiệm vụ theo agent.

• Các công cụ AI có khả năng gọi tool: Có thể được tích hợp vào workflow riêng để thực hiện những tác vụ lập trình, kiểm thử hoặc tự động hóa tùy theo cấu hình.

Khả năng cụ thể của từng công cụ thay đổi theo phiên bản, gói sử dụng và thiết lập môi trường. Doanh nghiệp nên kiểm tra tài liệu chính thức, quyền truy cập, chính sách dữ liệu và khả năng tích hợp trước khi triển khai.

Sai lầm cần tránh khi sử dụng Agentic Coding

Giao nhiệm vụ quá rộng

Yêu cầu xây dựng một ứng dụng hoàn chỉnh trong một lần có thể khiến agent đưa ra quá nhiều giả định và tạo ra thay đổi khó kiểm soát. Nên chia dự án thành những nhiệm vụ nhỏ có thể kiểm thử độc lập.

Không chuẩn bị context

Nếu agent không hiểu kiến trúc và quy tắc hiện tại, code được tạo ra có thể không nhất quán với dự án. Cần chuẩn bị tài liệu và hướng dẫn agent kiểm tra các thành phần liên quan trước khi sửa đổi.

Chấp nhận code mà không review

Code chạy được chưa chắc đã đúng nghiệp vụ hoặc an toàn. Luôn kiểm tra diff, test, dependency và các rủi ro liên quan trước khi hợp nhất.

Cấp quyền quá rộng

Agent có thể thực hiện những hành động ngoài dự kiến nếu quyền truy cập không được giới hạn. Hãy sử dụng môi trường cô lập, phân quyền tối thiểu và cơ chế xác nhận đối với hành động nhạy cảm.

Không đo lường hiệu quả

Tốc độ tạo code không đồng nghĩa với tốc độ hoàn thành sản phẩm. Cần tính cả thời gian review, sửa lỗi, bảo trì và chi phí sử dụng AI khi đánh giá hiệu quả.

Làm thế nào để bắt đầu học Agentic Coding?

Nếu mới tiếp cận phương pháp này, bạn có thể bắt đầu bằng một dự án nhỏ như ứng dụng quản lý công việc, website bán hàng đơn giản hoặc API quản lý dữ liệu.

Trước tiên, hãy nắm những kiến thức cơ bản về lập trình, Git, API, database và kiểm thử. Tiếp theo, thực hành giao nhiệm vụ có cấu trúc cho coding agent, yêu cầu lập kế hoạch, kiểm tra kết quả và review code.

Khi đã quen với workflow cơ bản, bạn có thể tìm hiểu sâu hơn về quản lý context, thiết kế quy trình nhiều bước, tích hợp công cụ và kiểm soát bảo mật.

Để tìm hiểu khái niệm và nền tảng của phương pháp này, bạn có thể đọc thêm bài Agentic Coding là gì? Cách AI Agent thay đổi lập trình hiện đại trên website Cole.

Nếu mục tiêu của bạn là sử dụng AI Agent để xây dựng sản phẩm từ ý tưởng đến triển khai, hãy tham khảo khóa học Agentic Vibe Coding tại Cole để tìm hiểu chương trình và lựa chọn hướng học phù hợp.

Kết luận

Agentic Coding mở rộng cách sử dụng AI trong phát triển phần mềm từ hỗ trợ viết code sang thực hiện những nhiệm vụ có nhiều bước, có khả năng kiểm thử và điều chỉnh dựa trên kết quả. Để ứng dụng hiệu quả, developer cần một quy trình rõ ràng gồm xác định yêu cầu, chuẩn bị context, lập kế hoạch, thực thi, kiểm thử, review và triển khai.

Giá trị của Agentic Coding không nằm ở việc để AI tự quyết định mọi thứ, mà ở khả năng phối hợp giữa năng lực thực thi của AI Agent và khả năng định hướng, đánh giá, kiểm soát của con người. Khi được áp dụng đúng cách, phương pháp này có thể giúp đội ngũ cải thiện hiệu suất mà vẫn duy trì chất lượng và độ tin cậy của phần mềm.