OpenAI đã phát hành một "Hướng dẫn lập trình GPT-5", đưa ra 6 thực tiễn tốt nhất khi sử dụng GPT-5 để lập trình AI:
# 1. Lệnh nên chính xác, tránh xung đột thông tin
Mẫu GPT-5 mới đã có sự cải thiện đáng kể trong khả năng tuân theo hướng dẫn, nhưng điều này cũng mang lại một tác dụng phụ: khi đối mặt với các hướng dẫn mơ hồ hoặc mâu thuẫn, nó có thể gặp khó khăn trong việc xử lý. Tình huống này đặc biệt cần được chú ý trong .cursor/rules hoặc tệp cấu hình của bạn.
# 2. Đặt mức độ suy luận phù hợp
GPT-5 luôn thực hiện một mức độ suy luận nhất định khi giải quyết vấn đề. Để đạt được hiệu quả tốt

Tại sao tôi cảm thấy rằng việc lập trình đôi bằng AI mang lại giá trị cho đầu vào của tôi nhiều hơn so với đầu ra😅
Nó thường giúp tôi tìm kiếm thông tin quý giá trong kho mã nguồn mở, sắp xếp kiến trúc hệ thống, và luôn mang lại cho tôi trải nghiệm rất tốt.
Nhưng nếu để nó viết mã thì trải nghiệm rất kém, mã mà nó viết không đáng tin cậy, bản thân phải xem lại một lần, sau khi xem lại luôn phát hiện ra một số vấn đề lớn nhỏ, rồi phải liên tục sửa chữa.
Phải chăng đây là rào cản lớn nhất mà những lập trình viên theo phương pháp cổ điển gặp phải khi đối mặt với vibe coding: không dám buông tay�

Vậy nếu tốc độ suy luận nhanh gấp 20 lần, cách chúng ta lập trình vibe sẽ có sự thay đổi như thế nào?

Tôi cảm thấy với sự phát triển của công cụ lập trình AI, sự hiểu biết của tôi về công cụ MCP cũng đang thay đổi.
Trước đây, tôi thường sử dụng sequential thinking, task_manager, nhưng giờ đây với sự cải thiện của khả năng lập kế hoạch và suy luận của mô hình, đã có plan mode và think harder/ultrathink, tôi thích hoàn thành trong công cụ gốc hơn là nhờ vào mcp.
Một loại khác là các công cụ tăng cường ngữ cảnh như context7, deepwiki. Đối với kỹ thuật ngữ ngữ cảnh, tôi cần sự tinh chỉnh và chính xác hơn, loại mcp này hiện tại vẫn chưa đáp ứng được yêu cầu đó. Vì vậy, tôi thiên về việc tự tổ chức

Độ sâu Nghiên cứu giải quyết vấn đề quyết định sản phẩm "xây dựng cái gì", nó vừa có độ sâu vừa có độ rộng, giúp chúng ta phá vỡ thông tin kén, nhìn rõ hướng đi.
Claude Code giúp giải quyết các chi tiết thực hiện cụ thể, cho phép chúng tôi tập trung hơn vào kiến trúc hệ thống, phân tách mô-đun và tái cấu trúc ở các khía cạnh cấp cao, nâng cao hiệu quả lặp lại và thử nghiệm.
Trong tương lai chắc chắn sẽ có những công cụ năng suất AI tiên tiến hơn, nhưng tôi nghĩ ba bước trên nên là logic cơ bản không thay đổi.

MCP đã ra mắt lâu như vậy, nhưng hình như không có mấy cái thực sự có thể sử dụng?
Tôi nói đến khả năng sử dụng có thể là đối với lập trình AI, có thể sử dụng ổn định và tần suất cao, có sự nâng cao thực chất trong hiệu quả lập trình.
Chia sẻ một vài cái mà tôi nghĩ là cũng được: playwright, Context7, Sequential Thinking
Hai cái đầu tiên giải quyết vấn đề độ chính xác của ngữ cảnh, cái thứ ba giải quyết tư duy lập kế hoạch

Trong lĩnh vực thiết kế chương trình, có một thuật ngữ gọi là "bad smell"
Nói về việc đối với những lập trình viên có kinh nghiệm, họ nên có khả năng ngửi thấy "mùi xấu" trong hệ thống, và phòng ngừa trước, tiến hành tối ưu hóa và nâng cấp kiến trúc.
Còn một từ gọi là "thiết kế quá mức"
Có nghĩa là ngay từ đầu đã suy nghĩ quá nhiều, thiết kế nhiều khả năng mở rộng và tách rời mô-đun không cần thiết, dẫn đến chi phí bảo trì lớn và vô ích, ngược lại dễ dàng đưa vào lỗi.
Hai từ này đều cần được xem xét trong bối cảnh thời gian và ngữ cảnh.
Không có thiết kế kiến trúc tốt nhất, chỉ có thiết kế kiế

Điều mà các lập trình viên thích nhất là các nhà sản xuất AI lớn đang cạnh tranh nhau thật căng thẳng😂
Vừa đăng ký Jules, có vẻ như có thể dùng thử miễn phí.

Google lại sắp có một chiêu trò lớn?

Vibe coding thực sự chỉ có tác dụng khi nằm trong tay những người hiểu về lập trình, còn không hiểu thì chỉ là 💩 núi và đủ loại lỗ hổng bảo mật 😅

Kinh nghiệm tuyệt vời, tiếp thị nội dung, lưu lượng, thu hút khách hàng, chuyển đổi, thương hiệu, thiết kế, rào cản cạnh tranh, hợp tác mở rộng, tất cả các khía cạnh đều cần suy nghĩ và thực hiện.
Thời đại AI, điều thiếu nhất chính là ý tưởng và khả năng nghiên cứu phát triển rồi 😂