AI-Native Development. AI-DLC, Core Framework: Giải phẫu một vòng đời phát triển thuần AI
AI-DLC không chỉ là một tập hợp nguyên tắc trừu tượng. Phần này đi vào chi tiết: framework trông như thế nào, hoạt động ra sao, và tại sao mỗi thành phần lại được thiết kế theo cách đó.
Tổng quan
Trước khi đi vào từng thành phần, hãy nhìn bức tranh toàn cảnh. AI-DLC được tổ chức quanh ba trục chính: Artifacts (những gì được tạo ra), Phases & Rituals (cách làm việc), và Workflow (luồng chảy xuyên suốt). Ba trục này phối hợp với nhau để tạo ra một vòng lặp phát triển liên tục, nơi mỗi bước xây dựng ngữ cảnh ngày càng phong phú hơn cho bước tiếp theo.
1. Artifacts — Bộ khung ngôn ngữ chung giữa người và AI
Một trong những vấn đề cốt lõi khi tích hợp AI vào phát triển phần mềm là thiếu ngôn ngữ chung. Người nói "tính năng", AI hiểu "task", hệ thống tạo ra "component" — và không ai chắc chắn chúng có đang nói về cùng một thứ không. AI-DLC giải quyết điều này bằng một hệ thống artifact rõ ràng, có tầng bậc.
Intent — Điểm khởi đầu của mọi thứ
Intent là tuyên bố mục đích cấp cao: điều tổ chức muốn đạt được. Nó không phải là một task kỹ thuật — mà là một câu trả lời cho câu hỏi "Tại sao chúng ta làm điều này?"
Ví dụ thực tế: Một công ty fintech muốn ra mắt tính năng "Chuyển tiền quốc tế tức thì". Đây là một Intent. Nó không nói gì về microservice, API hay database — nhưng nó định hướng toàn bộ quá trình phân rã phía sau.
Intent đóng vai trò là "điểm đến" mà AI sử dụng để lên kế hoạch, giống như cách bạn nhập địa chỉ vào Google Maps trước khi nó tính toán lộ trình.
Unit — Khối công việc có giá trị độc lập
AI phân rã một Intent thành nhiều Unit — mỗi Unit là một khối công việc cohesive, tự chứa, có thể phát triển và triển khai độc lập. Khái niệm này tương đồng với Subdomain trong Domain Driven Design hoặc Epic trong Scrum, nhưng được tối ưu hóa cho tốc độ và tính song song.
Ví dụ thực tế (tiếp theo): Intent "Chuyển tiền quốc tế tức thì" có thể được AI phân rã thành 4 Units:
- Unit 1: Xác thực danh tính người dùng (KYC)
- Unit 2: Chuyển đổi tỷ giá thời gian thực
- Unit 3: Xử lý giao dịch và escrow
- Unit 4: Thông báo và lịch sử giao dịch
Mỗi Unit có thể được một team riêng phát triển song song — không cần chờ nhau.
Điểm quan trọng: AI tạo ra đề xuất phân rã này, nhưng Developer và Product Owner phải validate. AI có thể over-engineer (tách quá nhỏ) hoặc under-engineer (gộp quá lớn) — con người điều chỉnh cho phù hợp với ràng buộc thực tế.
Bolt — Đơn vị lặp nhanh nhất
Bolt là vòng lặp nhỏ nhất trong AI-DLC, tương đương Sprint trong Scrum — nhưng nhanh hơn nhiều bậc. Thay vì 2–4 tuần, một Bolt được đo bằng giờ đến ngày.
Tên "Bolt" (tia sét) không phải ngẫu nhiên — nó nhấn mạnh sự tập trung cao độ và tốc độ giao hàng. Mỗi Bolt thực thi một tập user stories trong một Unit, tạo ra tiến độ tăng dần trong khi vẫn giữ alignment với mục tiêu tổng thể.
Ví dụ thực tế: Unit 2 "Chuyển đổi tỷ giá thời gian thực" có thể được thực thi qua 2 Bolts song song:
- Bolt 1: Tích hợp API tỷ giá bên thứ ba + caching layer
- Bolt 2: UI hiển thị tỷ giá + logic làm tròn và phí
Domain Design & Logical Design — Bộ não kiến trúc
Domain Design là nơi AI áp dụng các nguyên tắc DDD để mô hình hóa logic nghiệp vụ: aggregates, entities, value objects, domain events, repositories. Đây là lớp "business logic thuần túy" — chưa liên quan đến hạ tầng.
Logical Design mở rộng Domain Design để giải quyết các yêu cầu phi chức năng (NFR): latency, throughput, fault tolerance. AI chọn các pattern kiến trúc phù hợp (CQRS, Circuit Breaker, Saga...) và tạo ra Architecture Decision Records (ADR) để Developer review.
Ví dụ: Với Unit 3 "Xử lý giao dịch", AI có thể đề xuất:
- Domain Design: Aggregate
Transactionvới các state machine event (Initiated → Validated → Settled)- Logical Design: Pattern Saga để xử lý distributed transaction, kết hợp với Circuit Breaker khi gọi payment gateway bên ngoài
- ADR: Giải thích tại sao chọn Saga thay vì 2-phase commit, đánh đổi giữa consistency và availability
Developer không cần tự nghĩ ra tất cả — họ review, phản biện và quyết định.
Deployment Units — Thành phẩm sẵn sàng lên production
Deployment Unit là artifact cuối cùng: code đã đóng gói (container image, Lambda function), cấu hình (Helm Charts), và hạ tầng (Terraform/CloudFormation). AI tạo ra toàn bộ test suite đi kèm — functional tests, security tests (SAST/DAST), load testing — và tự chạy, phân tích kết quả, rồi đề xuất fix cho Developer.
2. Phases & Rituals — Cách con người và AI làm việc cùng nhau
AI-DLC tổ chức công việc theo 3 giai đoạn, mỗi giai đoạn có một "ritual" — một cách thức cộng tác đặc trưng.
Inception Phase — Từ ý tưởng đến kế hoạch rõ ràng
Đây là giai đoạn chuyển hóa một Intent mơ hồ thành các Units được định nghĩa rõ ràng, sẵn sàng để thực thi.
Ritual: Mob Elaboration
Toàn bộ đội — Product Owner, Developer, QA, và cả AI — cùng ngồi trong một phòng với một màn hình chung, do một facilitator dẫn dắt. AI đề xuất trước: breakdown Intent thành User Stories, Acceptance Criteria, và Units. Cả nhóm (the "mob") cùng review, điều chỉnh và tinh chỉnh.
Output của Inception Phase bao gồm:
- PRFAQ (Press Release & FAQ) — tuyên bố giá trị từ góc độ người dùng
- User Stories với Acceptance Criteria đầy đủ
- NFR Definitions — định nghĩa yêu cầu phi chức năng
- Risk Descriptions — ánh xạ với Risk Register của tổ chức
- Measurement Criteria — KPI truy ngược được đến business intent
- Suggested Bolts — kế hoạch thực thi sơ bộ
Tại sao ngồi chung một phòng? Mob Elaboration nén nhiều tuần làm việc tuần tự thành vài giờ, đồng thời đạt được sự đồng thuận sâu giữa tất cả stakeholders và AI. Khi mọi người hiểu cùng một bức tranh, tốc độ thực thi tăng vọt.
Construction Phase — Từ kế hoạch đến code chạy được
Đây là giai đoạn dài và phức tạp nhất, nơi Units được chuyển hóa thành Deployment Units sẵn sàng lên production. Quy trình diễn ra theo thứ tự:
Domain Design → Logical Design → Code & Unit Tests → Deployment Unit & Integration Tests
Mỗi bước, AI làm phần nặng (đề xuất, tạo code, chạy test) — Developer làm phần tinh tế (validate, phản biện, quyết định). Với hệ thống brownfield (đã có sẵn), bước đầu tiên là AI phân tích codebase hiện tại và tạo ra các mô hình semantic — static model (cấu trúc) và dynamic model (tương tác) — để AI có đủ ngữ cảnh làm việc chính xác.
Ritual: Mob Construction
Tương tự Mob Elaboration, tất cả các team cùng collocate trong một phòng. Các team trao đổi integration specifications từ giai đoạn domain model, đưa ra quyết định kiến trúc chung, và cùng giao hàng các Bolts. AI liên tục đề xuất options ở mỗi bước — design patterns, UX alternatives, test strategies.
Operations Phase — AI trực chiến sau khi lên production
Sau khi deploy, AI không "nghỉ ngơi". AI-DLC tích hợp AI sâu vào vận hành:
- Phân tích telemetry liên tục: metrics, logs, traces — phát hiện anomaly và dự đoán vi phạm SLA trước khi xảy ra
- Tích hợp incident runbook: khi có sự cố, AI đề xuất hành động cụ thể (scale resource, isolate fault, tune performance) và thực thi khi được Developer phê duyệt
- Developer đóng vai validator: đảm bảo AI action phù hợp với SLA và compliance requirements
3. Workflow — Luồng chảy xuyên suốt toàn bộ vòng đời
Điểm khác biệt lớn nhất của AI-DLC so với mọi phương pháp trước đó nằm ở cách thông tin chảy qua các bước.
Nguyên lý "Semantically Richer Context"
Mỗi artifact được tạo ra không chỉ là output của bước hiện tại — nó là input được làm giàu cho bước tiếp theo. Intent → User Stories → Domain Model → Logical Design → Code: mỗi bước bổ sung ngữ cảnh, độ chính xác và chi tiết kỹ thuật.
AI sử dụng toàn bộ chuỗi artifact này như một "bộ nhớ ngữ cảnh" (context memory) — đảm bảo rằng code được sinh ra ở cuối vẫn trung thành với Intent ban đầu, không bị lạc hướng qua các tầng abstraction.
Human oversight như một "loss function"
Mượn khái niệm từ machine learning: trong mỗi neural network, loss function đo sai lệch và điều chỉnh trọng số. Trong AI-DLC, mỗi điểm kiểm tra của con người hoạt động như một loss function — phát hiện và cắt bỏ sai lệch sớm, trước khi chúng lan rộng và tốn kém hơn để sửa.
Ví dụ: Nếu AI phân rã sai ở bước Domain Design (ví dụ: nhầm bounded context), Developer phát hiện và sửa ngay tại đây. Chi phí sửa lỗi ở giai đoạn này là vài giờ. Nếu để sót đến giai đoạn Integration Testing, chi phí sửa là vài ngày.
Traceability hai chiều
Toàn bộ artifact được liên kết với nhau: một test case có thể truy ngược đến user story, user story truy ngược đến Intent ban đầu, domain model element ánh xạ đến specific user story. Điều này đảm bảo AI luôn lấy đúng ngữ cảnh ở mỗi bước — không bao giờ "quên" tại sao một quyết định kỹ thuật được đưa ra.
Tổng kết Phần 3
AI-DLC Core Framework giải quyết ba câu hỏi nền tảng:
- "Chúng ta tạo ra gì?" → Artifacts có tầng bậc rõ ràng: Intent → Unit → Bolt → Deployment Unit
- "Chúng ta làm việc như thế nào?" → Ba giai đoạn với ritual đặc trưng: Mob Elaboration, Mob Construction, và AI-driven Operations
- "Thông tin chảy ra sao?" → Mỗi bước làm giàu ngữ cảnh cho bước tiếp theo, với human oversight như một loss function ở mỗi điểm then chốt
Kết quả là một hệ thống nơi tốc độ và chất lượng không còn là đánh đổi — chúng cùng tăng song song.
All rights reserved
