Cái thang hỏng cả buổi chiều, cảm giác như đã mất kết nối với thế giới.

Những mô hình AI tiên tiến nhất viết mã không tệ, cấp độ mô-đun vượt xa mức trung bình của lập trình viên con người, mã viết ra tệ thì trước tiên hãy xem mô hình đã chọn là gì, ngữ cảnh có đầy đủ không, từ khóa có cần tối ưu không. Mã xuyên mô-đun, do bị giới hạn bởi độ dài cửa sổ ngữ cảnh, có thể cần sự hỗ trợ của con người để thiết kế và lập kế hoạch một chút, nếu cấu trúc dự án hợp lý, AI cũng có thể tái sử dụng mã hiện có để giữ nguyên nguyên tắc DRY.

Suy nghĩ kỹ một chút, lý do AI viết mã kém không phải vì nó không biết viết, mà là vì nó không biết đọc. Con người sẽ xem nhiều thứ bề ngoài không liên quan để thực hiện một tính năng, nhưng chính những thứ có vẻ không liên quan đó lại cung cấp cho bạn khả năng giữ cho dự án DRY. Để AI có thể trở thành trụ cột, nó phải học được điều này trước.

Đừng nói là của Bồ Tát. Nếu bạn đang ở ngoài trời và sắp chết đói... nhìn thấy một ngôi mộ bên đường, có lễ vật để tưởng niệm. Bạn cúi đầu và nói "Xin lỗi, tôi sắp chết đói, lấy một chút lễ vật để ăn". Tôi nghĩ không ai hay ma quỷ nào sẽ làm khó bạn...

Tại sao cảm thấy nghiên cứu kỹ thuật AI ngày càng nghiêng về triết học ngôn ngữ?

Rất đồng ý: 1. Hợp tác đa tác nhân không ổn định bằng đơn luồng; 2. RAG không đáng tin cậy còn kém hơn tìm kiếm truyền thống; 3. Số lượng lệnh trong từ khóa càng nhiều thì mô hình càng không biết chọn cái nào. —— Bản dịch từ tweet gốc như sau —— Trên con đường xây dựng AI thông minh (AI Agent), đội ngũ của chúng tôi @Cline đã xác định được ba loại "virus tư duy". Virus tư duy là những ý tưởng nghe có vẻ thông minh nhưng thực tế lại hoàn toàn không khả thi. Ba loại virus này là: * Hợp tác đa tác nhân (Multi-Agent Orchestration) * Tăng cường tìm kiếm (RAG) * Nhiều lệnh hơn = Hiệu quả hơn Hãy cùng khám phá! 1. Hợp tác đa tác nhân Cảnh tượng trong phim khoa học viễn tưởng - "tác nhân phía sau, tác nhân quân nhu, tác nhân phân tích, tác nhân chỉ huy" phân công một đám đông tác nhân, cuối cùng tổng hợp kết quả - nghe có vẻ rất tuyệt. Nhưng thực tế là, hầu hết các công việc hữu ích của tác nhân đều là đơn luồng. Quy trình hợp tác phức tạp hiếm khi mang lại giá trị thực sự, mà thường tạo ra sự hỗn loạn. Cần biết rằng, chỉ cần để mô hình hoạt động ổn định trong đơn luồng đã là rất khó, chưa nói đến việc xử lý các logic hợp tác song song. Điều này không chỉ làm tăng độ phức tạp trong việc thực hiện mà còn khiến quá trình hiểu và ra quyết định của mô hình trở nên phức tạp một cách bất thường. 2. Sử dụng RAG để xây dựng tác nhân RAG, tức là Tăng cường tìm kiếm (Retrieval Augmented Generation), cũng là một loại virus tư duy. Nó nhìn có vẻ mạnh mẽ trong lý thuyết, nhưng trong thực tế, đặc biệt là trong bối cảnh tác nhân, đôi khi ngay cả lệnh tìm kiếm văn bản cơ bản như GREP cũng còn tốt hơn nó. Tại sao hào quang của RAG lại phai nhạt trong quy trình làm việc thực tế của tác nhân? Bởi vì thông tin mà nó tìm kiếm thường là những mảnh rời rạc, không thể giúp mô hình hình thành một "hiểu biết" liên kết và hữu ích. Cách tốt hơn gần như luôn luôn là: để mô hình tự liệt kê các tài liệu, tìm kiếm theo cách giống như grep, sau đó mở và đọc toàn bộ tài liệu (giống như con người). Đội ngũ @Cline đã bắt đầu làm như vậy từ sớm, sau đó chúng tôi thấy @Amp - Research Preview và @Cursor cũng đã chuyển sang phương pháp thực dụng hơn này. 3. Nhiều lệnh hơn = Hiệu quả hơn Có một hiểu lầm phổ biến: việc nhồi nhét càng nhiều "lệnh" vào từ khóa hệ thống (system prompt) sẽ khiến mô hình thông minh hơn. Điều này hoàn toàn sai. Việc "bơm" từ khóa chỉ khiến mô hình cảm thấy bối rối, vì nhiều lệnh thường dẫn đến xung đột và quá tải thông tin. Kết quả là, bạn phải như chơi trò "đập chuột" liên tục sửa chữa các hành vi kỳ lạ của mô hình, thay vì nhận được đầu ra thực sự hữu ích. Đối với hầu hết các mô hình tiên tiến hiện nay, cách tốt nhất là đừng cản trở chúng, thay vì đứng bên cạnh la hét, cố gắng dẫn dắt chúng theo một hướng cụ thể nào đó. Hãy trân trọng từng từ của bạn (hay nói cách khác là Token). Tóm lại, ba ý tưởng trên đều rất hấp dẫn. Nếu bạn không thường xuyên làm việc với AI, bạn có thể thấy chúng rất hợp lý - nhưng thực tế không phải như vậy. Tất nhiên, với sự nâng cao khả năng của các mô hình cơ bản, quan điểm của chúng tôi về những phương pháp này có thể thay đổi trong tương lai.