Trend Check

A CTO asked me the question " Do you think AI will leverage developer's ability or it will suppress us ?" As a person working closely with LLM , AI Agent to develop Business Processes. The answer is obvious, it is the first part of the question. AI gonna be a big helps to all developers who's proactive enough to adapt, evolve and co-exist with big models. Imagine you're swimming in the vast sea of opportunity, swimming alone could take us many many years to reach promise land and but the story is different when you swim with big whale ( AI models). It is our guardians if we take actions now.Of course, it speeds our pace, drain more of our energy. But isn't it successful people always been... How do you think ? Be the frontier or be left behind ?

Ngày xưa, có một cuộc tranh luận nảy lửa trong cộng đồng công nghệ:Java hay C++ là ngôn ngữ tốt hơn?Fan C++ thì nhấn mạnh sự kiểm soát và hiệu năng tuyệt đối.Fan Java thì lại đề cao sự an toàn, ổn định, dễ mở rộng, cross-platform.Nhiều năm trôi qua, với sự xuất hiện của nhiều ngôn ngữ và xu hướng công nghệ mới, cuộc tranh luận này không còn nóng nữa.Theo báo cáo Octoverse mới đây của GitHub:- Java chỉ còn ở vị trí thứ 4.- Còn C++ thì rớt xuống vị trí thứ 8.- Typescript vượt Python lên dẫn đầu, đứng thứ 3 là Javascript.Điều này cho thấy thế giới đã chuyển sang đa cực, không còn một "ông vua" tuyệt đối.Hôm nay Typescript, ngày mai có thể là Go, Rust, hay một ngôn ngữ mới nổi.Không có ngôn ngữ "vua". Chỉ có ngôn ngữ phù hợp nhất với mục tiêu và đam mê của bạn.💼 Hệ thống enterprise lớn, cần sự ổn định, dễ bảo trì → Java / C#🤖 AI, ML, Data, Automation, Web, Scripting, Finance → Python⚡ Microservices nhẹ, backend / cloud-native, web frontend hiện đại → Typescript / Javascript / Go🛠️ Cần hiệu năng tối đa, xử lý real-time, nhúng → C++ / Rust🧠 Dành cho geek, nghiên cứu, thuật toán, low-level → Assembly, Haskell, Lisp, Clojure🏦 Ngân hàng / legacy / domain-specific → COBOL, PL/SQL, SAS, ABAPVới tôi, nếu hỏi ngôn ngữ nào là số 1, tôi vẫn chọn Java.Còn bạn, bạn chọn ngôn ngữ nào? 

Chào anh em, hôm nay mình muốn chia sẻ đôi điều về một khái niệm nhiều người đang nhắc tới: Vibe Coding. Hiểu đơn giản, đây là cách bạn mô tả yêu cầu bằng ngôn ngữ tự nhiên, rồi để AI (như Claude, ChatGPT) generate code giùm. Nó là sự kết hợp giữa tốc độ và ý tưởng sáng tạo, giúp bạn thực hiện hóa ý tưởng nhanh hơn.Mình nghĩ, không cần phải bài trừ hay tự nhận mình là "Vibe Coder". Quan trọng là biết tận dụng mặt lợi và né được mặt hại của nó.Mặt sáng của Vibe Coding:Tạo prototype hay MVP cực nhanh: Đang có ý tưởng, vibe coding giúp bạn có bản thử nghiệm trong vài phút.Tiếp cận được cho cả người không chuyên: Người nghiệp dư cũng có thể bắt đầu xây dựng thứ gì đó.Tăng tính sáng tạo và "flow": Đôi khi, việc không bị mắc kẹt vào cú pháp giúp bạn tập trung vào giải pháp hơn.Tự động hóa việc lặp đi lặp lại: Những đoạn code mẫu, boilerplate có thể được tạo ra ngay lập tức.Mặt tối của Vibe Coding:Lỗ hổng bảo mật: AI không phải lúc nào cũng sinh ra code an toàn. Nếu không kiểm tra, bạn sẽ deploy cả đống rủi ro.Nợ kỹ thuật (Technical Debt) chất đống: Code được generate có thể rất rối, khó bảo trì và mở rộng về sau.Debug rất cực: Khi lỗi phát sinh, việc debug code không phải do mình tự viết sẽ rất vất vả.Vấn đề về khả năng mở rộng: Một prototype chạy được chưa chắc đã là một hệ thống có kiến trúc tốt để scale.Vậy, làm sao để ta "vibe" một cách pro, tận dụng được sức mạnh của AI mà vẫn đảm bảo chất lượng? Đây là vài kinh nghiệm mình tham khảo từ các nguồn như Claude AI và Gemini.Bước 1: Chọn Đúng Công Cụ & Quản Lý Ngữ CảnhMỗi AI có thế mạnh riêng. Gần đây, Gemini còn ra hẳn một bài hướng dẫn chi tiết để anh em vibe code với Gemini CLI  (mình để link đây cho anh em tiện vọc vạch: Gemini CLI Guide). Khi dùng, bạn hãy nhớ bản chất AI giống như "bộ nhớ ngắn hạn". Claude AI cũng có khuyến cáo mấy điểm quan trọng:Hay bắt đầu chat mới: Ngữ cảnh bị loãng đi khi cuộc trò chuyện quá dài. Cứ sau một đoạn, nên copy code sang một phiên chat mới.Giữ ngữ cảnh có liên quan: Chỉ cung cấp cho AI những phần code liên quan trực tiếp đến task hiện tại, đừng đưa nguyên cả app dài cả ngàn dòng.Tổ chức theo project: Quản lý file gọn gàng trong từng project riêng để dễ theo dõi cấu trúc.Bước 2: Nghĩ Trước Khi Prompt90% người chê AI tạo code dở là vì prompt của họ không hay =))) Một prompt tốt cần rõ ràng:Định nghĩa rõ đầu vào/đầu ra: Hệ thống cần nhận gì, trả về gì?Liệt kê đủ các trang/chức năng: Đừng bỏ sót.Phác thảo layout (vẽ ra giấy cũng được): Một bản phác thảo đơn giản giúp AI "thấy" ý tưởng của bạn tốt hơn.Chỉ định rõ công nghệ: "Dùng React, Tailwind CSS" sẽ tốt hơn là chỉ ghi  "làm một trang web".Yêu cầu code an toàn và có comment: Hãy nói "Hãy viết code có xác thực input và comment đầy đủ".Bước 3: Không Bao Giờ Quên "Security First"Đây là điều tối quan trọng. AI không mặc định sinh code bảo mật. Bạn PHẢI chủ động yêu cầu nhen:Luôn yêu cầu code an toàn ngay từ prompt đầu tiên.Tuyệt đối không deploy code có tag kiểu "Allow Browser Dangerously".Bắt buộc validate input, xử lý lỗi.Đưa logic nhạy cảm (xác thực, API key) về phía backend. Luôn lưu key trong biến môi trường.Hãy tự kiểm tra: Đã có xác thực chưa? Data nhạy cảm đã mã hóa chưa? Lỗi có được xử lý gọn gàng không?Bước 4: Cấu Trúc Code & Chiến Thuật Debug ProAI hay sinh ra một file code khổng lồ. Bạn cần chủ động yêu cầu:Tách file lớn thành các component nhỏ.Yêu cầu comment cấu trúc thư mục ngay đầu file.Tách biệt rõ ràng frontend và backend.Yêu cầu comment giải thích cho từng function chính.Và khi debug, đừng chỉ bảo "code bị lỗi, hãy sửa". Hãy:Test từng phần nhỏ.Cung cấp thông báo lỗi chính xác và hành vi bạn mong đợi.Yêu cầu AI sửa đổi code theo định dạng "diff" (so sánh sự thay đổi), để bạn biết chính xác dòng nào được sửa và tại sao.Pro tip từ Claude: Sau nhiều lần sửa, code có thể rối. Đừng ngại yêu cầu AI viết lại toàn bộ từ đầu trong một artifact mới để reset lại.Tóm lại, vibe coding là một công cụ tuyệt vời để tăng tốc độ và khơi nguồn sáng tạo. Nhưng Vibe Coder pro là người biết đặt kỷ luật, sự hiểu biết về kiến trúc và bảo mật lên trên cùng, biến AI thành trợ thủ đắc lực.

Nhiều anh em Dev chắc cũng xót ví khi thấy LLM tính tiền trên từng token. Mỗi dấu ngoặc nhọn, ngoặc kép của JSON đều là tiền cả. Thế là TOON (Token-Oriented Object Notation) ra đời với lời hứa hẹn giảm chi phí.Nghe "bánh cuốn" đấy, nhưng thực tế thế nào?Điểm sáng của TOONƯu điểm lớn nhất của TOON là giảm 30-60% token so với JSON định dạng đẹp. Điều này đạt được nhờ thiết kế thông minh:Tiết kiệm Token: Nó giảm được 30-60% token so với JSON. Cơ chế thông minh nhất là Tabular Arrays (Mảng dạng bảng): Nó chỉ khai báo key một lần ở header, dữ liệu bên dưới chỉ việc điền value. Dữ liệu càng lặp lại, càng tiết kiệm.Mô hình dữ liệu JSON: Mã hóa cùng kiểu đối tượng, mảng và kiểu nguyên thủy như JSON, đảm bảo chuyển đổi hai chiều hoàn toàn chính xác và không mất dữ liệu.Tối ưu cho LLM: Độ dài dạng [N] và header dạng {fields} cung cấp schema rõ ràng cho mô hình, giúp tăng độ tin cậy khi phân tích cú pháp.Cú pháp tối giản: Sử dụng thụt lề thay cho dấu ngoặc, hạn chế dấu ngoặc kép, dễ đọc như YAML nhưng gọn nhẹ kiểu CSV.Mảng dạng bảng (Tabular Arrays): Các mảng đối tượng đồng nhất được biểu diễn thành bảng, chỉ khai báo trường một lần rồi stream từng dòng dữ liệu.Hệ sinh thái đa ngôn ngữ: Có triển khai dựa trên spec cho TypeScript, Python, Go, Rust, .NET và nhiều ngôn ngữ khác.Điểm yếu của TOONCấu trúc lồng nhau sâu hoặc không đồng nhất: Lợi thế token của TOON gần như bằng không. JSON-compact thường hiệu quả hơn.Dữ liệu bán đồng nhất (~40-60%): Lợi ích tiết kiệm token giảm rõ. Nếu hệ thống đang dùng JSON, tiếp tục dùng JSON là hợp lý.Dữ liệu bảng thuần túy: CSV sẽ nhỏ gọn hơn vì TOON phải thêm chi phí (~5-10%) cho siêu dữ liệu để định nghĩa cấu trúc.Ứng dụng yêu cầu độ trễ thấp: Cần kiểm tra benchmark cụ thể. Một số hệ thống (như mô hình local Ollama) có thể xử lý JSON-compact nhanh hơn dù tốn nhiều token hơn.TOON sẽ thay thế JSON?Nhiều người hỏi liệu TOON có "thay thế" JSON không. Với cá nhân tôi thì không, fTOON tối ưu máy đọc thôi, chứ người đọc thì đau mắt lắm. JSON key-value nằm cạnh nhau vẫn dễ nhìn hơn nhiều. So sánh nhanh giữa 2 công cụ thì JSON linh hoạt và được hỗ trợ rộng rãi. Vai trò của định dạng dữ liệu này trong các API, cấu hình hệ thống và lưu trữ dữ liệu là không thể tranh cãi. TOON, ngược lại, được tạo ra cho một bối cảnh giao tiếp rất cụ thể: tương tác giữa máy tính và LLM.Tóm lại làTôi đánh giá TOON đáng để thử nghiệm trong các dự án có sử dụng LLM. Dù cá nhân tôi không thích cái giao diện của nó lắm =)))) nhưng hiệu quả kinh tế là không thể phủ nhận.Anh em nên cân nhắc TOON khi:Dự án gửi khối lượng lớn dữ liệu có cấu trúc lặp lạiChi phí là vấn đề sống cònKhi nào thì bỏ qua?Dữ liệu có cấu trúc lồng nhau phức tạp, không đồng nhấtDự án không có áp lực về chi phí tokenCần sự đơn giản tối đa và không muốn thêm phụ thuộc vào thư viện mớiĐây chỉ là trải nghiệm cá nhân cùng một chút sự tìm tòi thôi, anh em thấy hợp lý thì thử. Nếu tôi có chỗ nào chưa chuẩn hay anh em có trải nghiệm khác thì cứ comment nhé.

Nói thiệt với anh em, mấy tháng nay AI tiến hóa còn nhanh hơn deadline dí. Hôm nay đọc về LLM chưa xong, mai nó ra thêm model mới. Học xong chưa kịp khoe, ngày hôm sau đã có kỹ thuật mới hơn.Giữa cái nhịp đổi liên tục đó, mình mới nhận ra: Skill đáng giá nhất là biết tự học thứ mình chưa biết gì hết. Nghe hơi phèn nhưng thiệt, đây là thứ ít người nhắc tới nhất mà lại quan trọng nhất. Tụi mình hay thích nói mấy skill nhìn “ngầu”: build app, viết pipeline, tối ưu model… Còn cái skill “ngồi chịu trận, đọc tới đọc lui cho tới khi hiểu” chẳng ai khoe được, nên nó bị coi nhẹ chăng?Nhưng thực tế, thời đại AI này mà ai không biết tự học mới là bị bỏ lại (ý kiến riêng).Ba điều mình rút ra để tự học hiệu quả:1. Sự khó chịu ban đầu là bình thườngĐọc mà chữ không vô là chuyện quá thường. Não nó đang chống đối thôi Cho nó thêm 2–3 vòng đọc nữa, kiểu gì cũng đỡ. Quan trọng nhất là đừng bỏ chạy từ phút đầu.2. Lặp đi lặp lại là cách duy nhất “mở khóa não” Lần 1: biết nó tồn tại. Lần 2: hiểu sơ sơ. Lần 3: bắt đầu nối mối. Lần 4: tự nhiên “Ủa, thì ra là vậy!”. Não mình vận hành kiểu đó – lặp lại không phải nó dở mà là cách nó gỡ rối thôi.3. Không cần hiểu hết – chỉ cần hiểu đủ để đi tiếpMục tiêu không phải đọc một phát là master ngay. Mục tiêu là hiểu 20–30% cái lõi để đi được bước tiếp theo. Cứ như học tiếng Anh vậy: biết vừa đủ từ để đọc được thì tự nhiên mấy cái còn lại dễ hơn nhiều.AI giờ mạnh lắm, tóm tắt giùm, giải thích giùm, code giùm. Nhưng có ba chuyện AI không làm thay được:hiểu mình đang rối chỗ nàosắp xếp kiến thức theo kiểu não mình dễ nuốtquyết định cái gì mình nên học trướcAi làm IT thời AI mà còn giữ được khả năng tự học, tự cày, tự ghép mảnh kiến thức… là kiểu gì cũng sống khỏe. Không cần thiên tài, chỉ cần lì lì theo kiểu: mù thì đọc lại, không hiểu thì xem thêm, buồn ngủ thì uống ly cà phê nữa. Theo mình, đó mới là lý do skill tự học đáng giá hơn tất cả skill khác. Anh em đồng ý không? Lần đầu viết bài chia sẻ, mong anh em cho xin cái like ủng hộ 😁