🎉 Giảm 20% cho đơn hàng đầu tiên!✦🚚 Miễn phí vận chuyển cho đơn trên 500.000₫✦⚡ Flash Sale — Số lượng có hạn!✦🎁 Quà tặng kèm cho đơn từ 1.000.000₫✦🎉 Giảm 20% cho đơn hàng đầu tiên!✦🚚 Miễn phí vận chuyển cho đơn trên 500.000₫✦⚡ Flash Sale — Số lượng có hạn!✦🎁 Quà tặng kèm cho đơn từ 1.000.000₫✦
Lauren Tan: 'Code của người khác là AI slop, code của tôi thì không' — 3.127 pull request trong một tháng nhờ 'làm vườn' codebase
Quay lại Blog

Lauren Tan: 'Code của người khác là AI slop, code của tôi thì không' — 3.127 pull request trong một tháng nhờ 'làm vườn' codebase

16 tháng 11, 202615 phút đọcVũ Khôi
Tin tức
#Wotech
Vũ Khôi

Vũ Khôi

Tác giả tại Wotech Electronics Blog

Minh họa: codebase như một khu vườn mà AI agent "làm vườn" mỗi ngày

Lauren Tan: "Code của người khác là AI slop, code của tôi thì không" — 3.127 pull request trong một tháng nhờ "làm vườn" codebase

Lauren Tan, kỹ sư phần mềm mà bài đăng giới thiệu là người của SpaceX, từng nói đùa đầy châm biếm: "Toàn bộ code đều là AI slop, ngoại trừ code của tôi." Đằng sau câu nói đùa là một cách làm việc với AI Agent có cấu trúc: chỉ trong một tháng, cô đã thực hiện 3.127 pull request, theo bài đăng của trang Học lập trình cho người mới bắt đầu ngày 15/11/2026. Video đính kèm ghi lại bài nói của chính Lauren Tan (biệt danh Potato), trong đó cô trình bày luận điểm cốt lõi: công việc của kỹ sư phần mềm ngày nay là tìm cách duy trì, thậm chí cải thiện chất lượng code trong khi tăng năng suất lên rất nhiều lần — bằng cách đầu tư vào môi trường của agent, không phải bằng cách tin tưởng mù quáng. Bài viết này trình bày nội dung video theo phụ đề tự động và bài đăng gốc; một số tên công cụ nội bộ trong phụ đề tự động không rõ ràng nên chỉ được trình bày ở mức tổng quát. Wotech từng giới thiệu mô hình 5 lớp nền tảng của Lauren Tan trong bài đăng ngày 12/11/2026; bài này trình bày chính bài nói của cô, với các ví dụ và con số cụ thể.

Trả lời nhanh: Theo bài nói, Lauren Tan (Potato) đã đưa 3.000 pull request lên production trong một tháng — bài đăng nêu con số chính xác là 3.127 — nhờ đầu tư vào môi trường của agent để có thể tin tưởng agent làm điều đúng, thay vì tin tưởng mù quáng. Luận điểm của cô: công việc của kỹ sư phần mềm là duy trì hoặc cải thiện chất lượng code trong khi tăng năng suất lên rất nhiều lần. Cô dùng mô hình kim tự tháp ngược để phân bổ thời gian: hai lớp xác định (deterministic) ở đáy — chính codebase (thiết kế API, kiến trúc, tái cấu trúc) và các quy tắc lint, hệ thống kiểu, compiler, kiểm thử — tiếp theo là verification (xác minh lúc chạy và xác minh hình thức), và trên cùng chỉ một chút "prose" (quy tắc, skills, AGENTS.md — những thứ cần phán đoán). Codebase được ví như một khu vườn: vì codebase là đầu vào lớn nhất của agent, mọi workaround, anti-pattern hay code cũ đều sẽ bị agent tiếp theo sao chép; muốn agent luôn sao chép thứ tốt thì phải giữ codebase càng "sạch" càng tốt. Kết quả của cả nhóm, theo bài nói: 11.000 pull request trong một tháng, phát hành bản ổn định mới khoảng mỗi ngày một lần, 227 người đóng góp trong tháng 10, tỷ lệ pull request bị revert ổn định ở khoảng 0,5%, và hiệu năng ứng dụng vẫn cải thiện.

AI slop là cách gọi mỉa mai dành cho code do AI tạo ra một cách ồ ạt nhưng chất lượng thấp, thiếu suy nghĩ. Kim tự tháp ngược (inverse pyramid) là mô hình Lauren Tan dùng để quyết định nên dành thời gian vào đâu trong môi trường của agent: phần lớn thời gian cho các lớp xác định (code và công cụ kiểm tra tự động), ít hơn cho verification, và ít nhất cho các hướng dẫn bằng văn bản cần phán đoán.

Luận điểm "biến slop thành vàng" là gì?

Mở đầu bài nói, Lauren Tan hỏi khán giả có ai từng nhìn code người khác viết và nghĩ "đó toàn là slop" không — rồi khẳng định cô sẽ thuyết phục mọi người rằng có thể biến slop đó thành vàng. Cô cho biết tháng trước mình đã đưa 3.000 pull request lên production; bài đăng nêu con số chính xác là 3.127.

Trước thời agent, theo cô, không ai thực sự quan tâm đến số lượng — trừ những ngoại lệ được gọi là "coding machine", như Brett Taylor, người nổi tiếng với việc viết lại toàn bộ Google Maps trong một cuối tuần. Với agent, giờ đây ai cũng có thể trở thành một "coding machine". Luận điểm của cô: công việc của kỹ sư phần mềm — "meta" của nghề — là tìm ra cách duy trì hoặc thậm chí cải thiện chất lượng code trong khi tăng năng suất lên rất nhiều lần.

Cô không gọi đó là "software factory" mà giữ mọi thứ đơn giản: tất cả xoay quanh niềm tin (trust). Không phải tin tưởng mù quáng, mà là đầu tư vào môi trường của agent để có thể tin rằng agent sẽ làm điều đúng. Cô cho biết mình mất 6 tháng mới đến được mức có thể đưa hàng nghìn pull request lên production, nhiều cái trong lúc ngủ — nhưng người khác sẽ mất ít thời gian hơn cô.

Kim tự tháp ngược gồm những lớp nào?

Lớp (từ đáy lên) Nội dung Tính chất
Codebase Thiết kế API tốt, kiến trúc, tái cấu trúc — dùng chính code để ràng buộc agent Xác định (deterministic)
Công cụ kiểm tra Quy tắc lint, hệ thống kiểu, compiler, các loại kiểm thử — ép agent làm điều đúng theo mặc định Xác định (deterministic)
Verification Xác minh lúc chạy (runtime) và xác minh hình thức (formal) — tìm bug, kiểm tra các thuộc tính hệ thống cần giữ đúng, kiểm tra agent có hiểu mục tiêu không Lớp bổ sung
Prose Quy tắc, skills, AGENTS.md — những thứ cần phán đoán Ít nhất, chỉ một chút

Nguyên tắc cô nhấn mạnh: mỗi khi sửa một lỗi của agent, hãy nghĩ xem có thể biến việc sửa đó thành một kiểm tra xác định (deterministic check) thay vì thêm một dòng nữa vào quy tắc hay AGENTS.md hay không — vì kiểm tra trong code có tính lặp lại cao hơn nhiều và đáng tin hơn.

Vì sao codebase được ví như một khu vườn?

Lauren Tan dùng phép so sánh: codebase giống như một khu vườn. Code từng đến từng đợt vài pull request một — cô nhớ năm 2024 mình xem 3 pull request của đồng nghiệp mỗi ngày; nay con số đó là khoảng 300. Mỗi kỹ sư giờ là một nhóm gồm hàng trăm, thậm chí hàng nghìn agent, và code đến nhanh đến mức gần như một dòng chảy liên tục, gần như một thực thể sống.

Vì codebase là đầu vào lớn nhất của agent, mọi workaround, anti-pattern, code đã lỗi thời hay nợ kỹ thuật đều có khả năng bị agent tiếp theo sao chép, vì chúng trông giống "mẫu đã thiết lập" trong codebase — như cỏ dại hay sâu bệnh lan ra khắp khu vườn. Vì vậy, cô khuyên hãy giữ codebase càng "sạch" càng tốt để agent luôn sao chép những thứ tốt. Các ràng buộc áp đặt lên codebase — "bánh xe tập đi" mà đội dựng lên — chính là nền bê tông để code mới do agent viết mọc xung quanh, giống như tòa nhà trong bức ảnh minh họa của cô. Theo nghĩa đó, công việc của kỹ sư phần mềm đang trở nên giống như làm vườn.

Những ví dụ thực tế nào được nêu trong bài nói?

Cô đưa ra một số ví dụ từ framework Dune — framework client mà nhóm cô tạo ra cho ứng dụng Electron của mình, được cô mô tả gần giống "Next.js cho ứng dụng Electron" nhưng điều thú vị nằm ở rất nhiều ràng buộc và quy tắc lint mã hóa các bài học rút ra khi xây ứng dụng desktop:

  • Cấm useEffect trong code sản phẩm: bất cứ thứ gì cần sự tinh tế mới dùng đúng — ví dụ điển hình là useEffect trong React, thường bị lạm dụng — đều dễ dẫn đến slop, vì agent không giỏi dùng những thứ cần tinh tế. Giải pháp của nhóm là cấm hẳn nó trong code sản phẩm, chỉ cho phép ở một số nơi bên trong API của Dune. Vấn đề được loại bỏ hoàn toàn theo danh mục, không bao giờ phải bắt lại trong code review.
  • Ngữ cảnh qua cấu trúc thư mục: nhóm gặp anti-pattern khi agent import code của main thread vào render thread trong ứng dụng Electron, gây tác vụ dài và giật lag. Nhóm quy ước hai thư mục cấp cao nhất tên là electron-main và electron-render, và việc import giữa chúng bị cấm bởi công cụ phân tích đồ thị phụ thuộc cùng quy tắc lint.
  • Cấm 99% comment: agent dùng markdown — tài liệu, comment trong code, quy tắc, skills — làm nơi ghi lại lý do biện minh cho việc không làm điều đúng, hoặc phóng đại một sửa chữa nhỏ thành quy tắc cứng không bao giờ được phá vỡ. Nhóm từng gặp vấn đề agent lạm dụng các timer dạng mệnh lệnh (setTimeout, requestAnimationFrame) để vá nhanh một xung đột kiến trúc, kèm theo comment giải thích vì sao cách vá đó là hợp lý — rồi timer lan ra khắp nơi và hiệu năng ứng dụng chịu thiệt. Nhóm quyết định cấm 99% comment, vì comment không thể thực thi được: thứ có vẻ thiện ý như "dặn agent tiếp theo đừng làm điều này" rốt cuộc không tạo ra thứ gì đáng tin. Thay vào đó, nhóm dùng quy tắc lint với thông báo lỗi hữu ích, bảo agent sửa nguyên nhân gốc rễ thay vì vá xung quanh.

Nguyên tắc chung: mỗi lần sửa agent, hoặc biến nó thành một kiểm tra xác định, hoặc nghĩ cách loại bỏ hoàn toàn vấn đề đó theo danh mục bằng thiết kế API và kiến trúc tốt hơn. Làm đủ nhiều lần, sẽ còn ít thứ phải để ý trong code review hơn — và đến một lúc nào đó, nhận ra chẳng còn gì để review nữa, có thể để agent tự merge phần lớn pull request của chúng.

Verification đóng vai trò gì?

Verification cũng là một phần lớn trong cách nhóm cô làm cho agent tự chủ hơn và tăng niềm tin vào công việc của agent. Quy trình code review của nhóm giờ thu hẹp lại thành việc xem các verification artifact: video, ảnh chụp màn hình, sơ đồ, xác minh hình thức.

  • Runtime verification: cho agent một cách chạy code — trong skill xác minh lúc chạy của nhóm có thứ gọi là "feature map", gần giống sitemap liệt kê mọi tính năng của ứng dụng từ góc nhìn người dùng, tạo từ vựng chung để agent không phải đoán "cái ở thanh bên trái" là gì; kèm các CLI tùy chỉnh để agent tái sử dụng, giảm token và có thể kiểm thử được.
  • Formal verification: nhóm dùng TLA+ để kiểm tra mô hình (model checking) các luồng người dùng lớn như thông báo trên nhiều thiết bị và nền tảng, và dùng Lean để chứng minh một số thuật toán — ví dụ thư viện ảo hóa tự viết, kiểm tra không bị nhấp nháy hay giật. Nhóm vẫn đang thử nghiệm hướng này, đã tìm ra khá nhiều bug, nhưng nhấn mạnh đây không phải "viên đạn bạc" mà chỉ là một lớp nữa trong môi trường của agent.
  • Property-based testing cho UI: nhóm dùng một thư viện (tên gọi trong phụ đề tự động không rõ ràng) và đã bắt được vài bug giao diện.

Cô kể lại một bài đăng trên X của Cindy: sáu tháng trước Cindy nói không thể tin agent của mình vì những bug tinh vi bị merge; thứ còn thiếu chính là quy trình verification. Sáu tháng sau, Cindy nói 70% token mỗi ngày của cô ấy dành cho verification — và Lauren Tan cho rằng điều đó đúng với những gì cô quan sát: phần lớn token của cô cũng dành cho verification. Theo cô, không có kỹ thuật nào trong số này là mới; chúng chỉ là những công cụ kỹ thuật phần mềm tốt mà trước đây dùng tốn kém, còn agent đã cắt giảm đáng kể chi phí đó — chúng ta đang bước vào "thời kỳ vàng của kiểm thử và verification".

Kết quả đạt được là gì?

Theo bài nói, tốc độ của nhóm đang tăng nhanh: tháng trước nhóm đưa 11.000 pull request lên production, nhịp phát hành client cũng tăng — khoảng mỗi ngày một bản ổn định mới — và có nhiều người đóng góp "vãng lai" hơn, ít ngữ cảnh nhưng vẫn đóng góp được; riêng tháng 10 có khoảng 227 người đóng góp ít nhất một pull request.

Dù tốc độ tăng, số pull request bị revert lại giảm theo tỷ lệ tương đối và ổn định ở khoảng 0,5%. Hiệu năng ứng dụng không chỉ ổn định mà còn cải thiện trên nhiều khía cạnh so với lúc ra mắt: khởi động, gõ phím, mở cuộc trò chuyện mới, chuyển đổi cuộc trò chuyện đều nhanh hơn.

Nhóm cũng tự động hóa vòng lặp ngoài: mỗi khi cắt một bản phát hành mới, hệ thống tự động tạo một dự án mới để fuzz toàn bộ ứng dụng, tìm bug bằng cách dùng ứng dụng như người dùng thật, mở pull request sửa từng bug và tự động merge — vì codebase đủ tốt để pull request mặc định đã tốt, và phần lớn code sản phẩm không còn cần con người review sâu nữa.

Bài học áp dụng: bắt đầu từ đâu?

Trước khi lao vào xây một "software factory" và tự động hóa mọi thứ, Lauren Tan khuyên: mỗi khi sửa agent, hãy bắt đầu bằng cách cải thiện codebase — đặt một quy tắc lint để ngăn anti-pattern mới xuất hiện, rồi dọn dẹp cả những mẫu cũ — và đảm bảo câu chuyện verification thật vững. Phần lớn công việc này vốn đã là điều kiện tiên quyết cho tự động hóa: nếu vòng lặp code bên trong tạo ra slop, tự động hóa vòng lặp đó chỉ tạo ra nhiều slop hơn và tốn thêm token, mà ai cũng biết là rất đắt đỏ. Khi đã đầu tư vào codebase, phân tích tĩnh, verification lúc chạy và hình thức, nhiều thứ sẽ trở nên khả thi — và bạn có thể xây "nhà máy" của riêng mình trên những nền tảng đó. Với nền tảng vững chắc và kiến trúc hữu cơ tốt, bạn có thể biến slop thành vàng: đưa code lên production với chất lượng cao và tốc độ cao mà không phải đánh đổi chất lượng.

Câu hỏi thường gặp

1. Lauren Tan là ai, và cô đã làm được gì? Theo bài đăng, Lauren Tan (biệt danh Potato) là kỹ sư phần mềm tại SpaceX; cô đã thực hiện 3.127 pull request trong một tháng, theo bài đăng, và trình bày cách làm việc với AI Agent trong video đính kèm.

2. Luận điểm chính của bài nói là gì? Công việc của kỹ sư phần mềm là duy trì hoặc cải thiện chất lượng code trong khi tăng năng suất lên rất nhiều lần — bằng cách đầu tư vào môi trường của agent để có thể tin tưởng agent, không phải tin tưởng mù quáng.

3. Kim tự tháp ngược gồm những lớp nào? Từ đáy lên: codebase, công cụ kiểm tra xác định (lint, kiểu, compiler, kiểm thử), verification (lúc chạy và hình thức), và trên cùng chỉ một chút prose (quy tắc, skills, AGENTS.md).

4. Vì sao nhóm cô cấm useEffect và 99% comment? Vì những thứ cần tinh tế mới dùng đúng thì agent dùng kém, và comment không thể thực thi được — agent dùng comment để biện minh cho việc không làm điều đúng. Nhóm thay bằng quy tắc lint và thiết kế loại bỏ vấn đề theo danh mục.

5. Kết quả của nhóm cô ra sao? Theo bài nói: 11.000 pull request trong một tháng, bản ổn định mới khoảng mỗi ngày một lần, 227 người đóng góp trong tháng 10, tỷ lệ revert khoảng 0,5%, hiệu năng ứng dụng cải thiện.

Bài viết được viết lại từ video (reel) của trang Học lập trình cho người mới bắt đầu ngày 15/11/2026, ghi lại bài nói của Lauren Tan (Potato). Nội dung theo phụ đề tự động của video và bài đăng gốc; một số tên công cụ nội bộ trong phụ đề tự động không rõ ràng nên chỉ được trình bày ở mức tổng quát. Các con số là theo bài nói và bài đăng, chưa được kiểm chứng độc lập.