# Vòng đời phát triển phần mềm mới trong thời đại AI

> Tìm hiểu sự dịch chuyển vòng đời phần mềm mới từ vibe coding sang agentic engineering giúp tối ưu chi phí OpEx và nâng cao chất lượng hệ thống.

Nguồn: https://camnangai.com/ung-dung-ai/lap-trinh-vien/vong-doi-phat-trien-phan-mem-moi  
Xuất bản: 2026-11-15

Ngành công nghệ đang trải qua một bước ngoặt lớn về hạ tầng: **vòng đời phần mềm mới** đang dịch chuyển căn bản từ việc bạn phải gõ từng dòng code thủ công sang mô hình điều phối agentic engineering. Ở mô hình mới này, vai trò của bạn chuyển từ một thợ gõ code sang kỹ sư thiết kế harness, quản lý ngữ cảnh và xây dựng hệ thống kiểm thử tự động.


  **Vòng đời phần mềm mới** là sự dịch chuyển căn bản từ việc gõ từng dòng code thủ công sang mô
  hình điều phối agentic engineering: thiết kế harness định tính, quản lý ngữ cảnh và xây dựng hệ
  thống kiểm thử tự động.


Nếu bạn sinh code tự động bằng AI mà không đi kèm quy trình xác minh nghiêm ngặt và hạ tầng context chặt chẽ, bạn chỉ đang thực thi "vibe coding", tạo ra cảm giác năng suất ảo trên bề mặt. Việc viết mã nguồn đã trở thành thao tác giá rẻ, nhưng để bạn bàn giao được phần mềm vận hành ổn định và đạt chuẩn bảo mật trong môi trường sản xuất vẫn đòi hỏi tư duy kỹ nghệ kiến trúc sâu sắc.

![Minh hoạ vòng đời phát triển phần mềm mới trong thời đại AI, dịch chuyển từ vibe coding sang mô hình agentic engineering có kỷ luật.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/01-infographic-vn.webp)

## Vì sao quy trình phát triển phần mềm truyền thống không còn phù hợp?

![Nghịch lý DORA trong kỷ nguyên AI: Tốc độ sinh code tăng vọt nhưng độ bất ổn định và gánh nặng rà soát tăng theo nếu thiếu kiểm thử tự động.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/02-vn.webp)
Mô hình dây chuyền lắp ráp cơ khí chưa bao giờ phản ánh đúng bản chất của ngành phần mềm. Trong sản xuất công nghiệp, khâu thiết kế được hoàn tất trước khi đưa vào dây chuyền sản xuất hàng loạt dựa trên các quy luật vật lý cố định. Ngược lại, kiến trúc phần mềm chỉ bộc lộ và hình thành trực tiếp thông qua quá trình triển khai và học hỏi liên tục. Bạn phải vận hành qua một chu trình học hỏi ba bước không thể cắt giảm: Quan sát & Thấu hiểu (Observe & Understand), Thử nghiệm & Thực thi (Experiment & Try), và Gợi nhớ & Áp dụng (Recall & Apply). Việc coi bạn hoặc đội ngũ của bạn chỉ là những "thợ gõ" thực thi một bản vẽ thiết kế cố định là một sai lầm về mặt bản chất kỹ thuật.

Sự bùng nổ của các mô hình ngôn ngữ lớn (LLM) làm trầm trọng thêm các mâu thuẫn trong quy trình phát triển truyền thống. Số liệu thực tế cho thấy 90% chuyên gia công nghệ đã áp dụng AI vào công việc và hơn 80% tin rằng công cụ này giúp tăng năng suất cá nhân. Tuy nhiên, bức tranh thực tế lại xuất hiện một mâu thuẫn lớn: tỷ lệ áp dụng AI cao hơn lại tỷ lệ thuận với cả mức độ tăng trưởng lưu lượng bàn giao (throughput) lẫn sự gia tăng độ mất ổn định của hệ thống (instability). Có tới 30% kỹ sư bày tỏ sự hoài nghi hoặc hoàn toàn không tin tưởng vào mã nguồn do AI tạo ra. Điều này tạo ra một khoản "thuế xác minh" (verification tax) nặng nề, khi toàn bộ thời gian bạn tiết kiệm được từ việc viết code bị tiêu tốn lại vào việc rà soát, đánh giá mã nguồn và tinh chỉnh prompt.

Về mặt kinh tế và kỹ thuật, gõ code hiện đã trở nên rất rẻ, nhưng việc bạn bàn giao "code chất lượng" (đòi hỏi tính ổn định, kiểm thử và bảo mật) vẫn ngốn chi phí rất lớn. Khi mã nguồn do AI sinh ra mà thiếu context hệ thống sâu sắc, dự án của bạn sẽ nhanh chóng chạm ngưỡng "bờ vực bảo trì" (maintenance cliff). Tương tự như điểm gãy hiệu năng (knee point) của một hệ thống chạm ngưỡng quá tải, chỉ cần yêu cầu phần mềm của bạn lệch khỏi các bộ mẫu khởi tạo (starter kit) hoặc low-code ban đầu, độ trễ và lực ma sát trong việc sửa đổi hệ thống sẽ tăng lên theo hàm số mũ, biến những thay đổi nhỏ thành các "hố đen" tiêu tốn toàn bộ thời gian phát triển.

## Mô hình 10/90: Agent là một Model cộng với một Harness

![Mô hình giải phẫu agent: Mô hình AI chỉ chiếm 10% còn 90% hạ tầng quyết định thành bại nằm ở hệ thống harness.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/03-vn.webp)
Khung kiến trúc agentic engineering xác định một công thức cốt lõi: Agent = 10% Model + 90% Harness. Bạn cần hiểu rằng mô hình ngôn ngữ lớn chỉ đóng vai trò là động cơ kích hoạt, trong khi harness là toàn bộ hệ thống khung gầm, mặt đường và luật giao thông điều khiển động cơ đó. Harness bao gồm: hệ thống chỉ dẫn (system instructions), các tệp quy chuẩn, công cụ (tools), MCP server, môi trường thực thi cách ly (sandbox), logic điều phối luồng thực thi (orchestration logic), các điểm móc nối mã nguồn định tính (deterministic code hooks) và hệ thống quan sát độ lệch hành vi (drift observability).

Dữ liệu thực nghiệm đã chứng minh vai trò quyết định của harness đối với hiệu năng hệ thống của bạn. Trên bảng xếp hạng Terminal Bench 2.0, một agent đã vươn từ vị trí ngoài top 30 lên top 5 chỉ nhờ thay đổi cấu trúc harness mà không hề can thiệp hay nâng cấp mô hình cốt lõi bên dưới. Trong một thử nghiệm khác tại LangChain, điểm số benchmark của agent đã tăng thêm 13,7 điểm chỉ nhờ tối ưu lại system prompt, công cụ tích hợp và lớp middleware xung quanh một model cố định. Khi agent của bạn gặp thất bại hoặc thực thi sai lệch, hãy kiểm tra và debug harness đầu tiên, vì hầu hết các lỗi của agent đều là lỗi cấu hình harness chứ không phải do năng lực của mô hình.

Để ràng buộc hành vi của agent vào các quy chuẩn kiến trúc của đội ngũ, bạn cần khai báo trực tiếp cấu trúc tệp context trong harness ngay tại kho mã nguồn của dự án:

```markdown
# Cấu hình Harness cho Agent (AGENTS.md)

## Quy chuẩn Kiến trúc

- Áp dụng triệt để kiến trúc Clean Architecture: Domain Entities không phụ thuộc framework bên ngoài.
- Mọi Endpoint API mới bắt buộc phải đi kèm middleware xác thực (Authorization header).

## Công cụ & Giới hạn Thực thi

- Tools cho phép: `read_file`, `run_unit_test`, `execute_sql_readonly`.
- Nghiêm cấm: Tự ý sửa đổi các tệp cấu hình hạ tầng trong thư mục `.infra/` khi chưa có phê duyệt.
```

Việc bạn đầu tư kỹ nghệ hóa harness giúp ngăn chặn triệt để tình trạng agent bị quẩn luồng (spiraling) khi gặp lỗi mã nguồn. Bằng cách thiết lập các rào chắn định tính nghiêm ngặt và công cụ tự kiểm thử, hệ thống harness cho phép các mô hình mang tính ngẫu nhiên (non-deterministic) tương tác an toàn với các hệ thống phần mềm quan trọng trong môi trường vận hành thực tế của doanh nghiệp.

## Vòng lặp Why và vòng lặp How: Đặt kỹ sư "trên vòng lặp"

![Mô hình vòng lặp Why và vòng lặp How trong phát triển phần mềm: Kỹ sư làm chủ mục tiêu và đứng trên vòng lặp điều phối harness.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/04-vn.webp)
Mô hình tương tác giữa bạn và AI được phân định rõ ràng qua hai vòng lặp riêng biệt. Vòng lặp "Why" (Why loop) tập trung vào việc lặp đi lặp lại các ý tưởng kinh doanh và kết quả đầu ra mong muốn, đây là vùng không gian hoàn toàn do con người chủ trì. Trái lại, vòng lặp "How" (How loop) đảm nhận việc tạo ra và xử lý các sản phẩm trung gian như mã nguồn, kịch bản kiểm thử, bản thiết kế kiến trúc và hạ tầng deployment.

```
 +---------------------------------------------------+
 | VÒNG LẶP WHY |
 | (Ý tưởng kinh doanh & Kết quả mong muốn - Human) |
 +-------------------------+-------------------------+
 |
 v
 +---------------------------------------------------+
 | VÒNG LẶP HOW |
 | (Mã nguồn, Tests, Infrastructure - Agent) |
 +-------------------------+-------------------------+
 |
 v
 +---------------------------------------------------+
 | HARNESS ENGINEERING |
 | (Kỹ sư thiết kế rào chắn & chỉ dẫn hệ thống) |
 +---------------------------------------------------+
```

Tương quan vị trí của bạn đối với vòng lặp phát triển được chia làm ba thế đứng khác biệt. Thứ nhất, khi bạn đứng ngoài vòng lặp (Humans outside the loop / vibe coding), bạn phó mặc toàn bộ vòng lặp How cho agent mà không thiết lập rào chắn, khiến dự án đối mặt với nợ kiến trúc nghiêm trọng và lãng phí tài nguyên tính toán đến mức "đốt cháy đại dương". Thứ hai, khi bạn đứng trong vòng lặp (Humans in the loop), bạn đóng vai trò kiểm duyệt viên thủ công từng dòng code do AI tạo ra. Trạng thái này biến bạn thành điểm nghẽn hệ thống, khiến chi phí thời gian kiểm tra triệt tiêu toàn bộ tốc độ sinh code của AI.

Thế đứng tối ưu nhất là khi bạn vận hành "trên vòng lặp" (Humans on the loop). Ở vị trí này, bạn tập trung thiết kế, điều hướng và duy trì hệ thống harness để tự động hóa việc kiểm soát chất lượng trong vòng lặp How, dịch chuyển các chốt kiểm soát chất lượng về phía trước (shift left). Từ đây, bạn kích hoạt bánh đà agent (Agentic Flywheel): cho phép agent tự đánh giá hiệu năng thực thi bằng cách nạp dữ liệu từ pipeline CI/CD, log vận hành thực tế, kết quả kiểm thử và số liệu người dùng để tự động đề xuất cập nhật cho chính harness và danh sách backlog của dự án.

## Từng giai đoạn trong vòng đời SDLC thực tế thay đổi ra sao?

![Năm giai đoạn mới trong vòng đời phát triển phần mềm khi tích hợp các coding agent tự chủ.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/05-vn.webp)
Làn sóng phát triển AI tạo ra một sự bất đối xứng về tốc độ nén giữa các giai đoạn trong vòng đời phát triển phần mềm. Trong khi giai đoạn triển khai (Implementation) rút ngắn từ vài tuần xuống còn vài giờ (mang lại mức tăng năng suất chung từ 25% đến 39%), các khâu yêu cầu và kiến trúc vẫn là những điểm nghẽn đòi hỏi năng lực phán đoán chuyên sâu của bạn. Đáng chú ý, kết quả nghiên cứu từ METR chỉ ra rằng khi giải quyết các tác vụ phức tạp, các kỹ sư giàu kinh nghiệm thực tế lại chậm hơn 19% khi sử dụng AI, bởi gánh nặng thời gian bỏ ra cho việc rà soát, kiểm tra và sửa lỗi (checking and fixing) đã triệt tiêu tốc độ sinh code ban đầu.

Sự biến đổi của từng giai đoạn SDLC diễn ra đồng loạt nhưng có tính chất hoàn toàn khác nhau. Ở khâu yêu cầu, tài liệu tĩnh truyền thống được thay thế bằng cuộc hội thoại tương tác giữa bạn và agent, tạo ra bản tả kỹ thuật (spec) và prototype chạy thử ngay tức thì. Giai đoạn kiến trúc vẫn giữ nguyên vị trí là lãnh địa của con người, bởi các đánh đổi kiến trúc cốt lõi như tính nhất quán hay độ sẵn sàng phụ thuộc vào bối cảnh kinh doanh mà mô hình ngôn ngữ không thể cảm nhận. Ngược lại, khâu triển khai chuyển dịch hoàn toàn bản chất từ công việc gõ mã nguồn sang công việc đánh giá và rà soát mã nguồn do agent tạo ra.

Ở giai đoạn kiểm thử và QA, quy trình vận hành bị đảo ngược hoàn toàn: các bộ kiểm thử và eval trở thành tập chỉ dẫn đầu vào chính nhằm điều hướng và kiểm soát luồng thực thi của agent. Đối với giai đoạn bảo trì, AI mở ra cơ hội cho bạn chủ động tái cấu trúc và hiện đại hóa các hệ thống mã nguồn cũ (legacy code) vốn trước đây bị coi là quá nguy hiểm không thể chạm vào. Tuy nhiên, rào cản lớn nhất mà bạn phải đối mặt vẫn là "Bài toán 80%" (80% Problem): agent có thể dựng 80% tính năng ban đầu rất nhanh, nhưng 20% cuối cùng , bao gồm các ca biên hóc búa và những khớp nối tích hợp hệ thống, đòi hỏi bối cảnh kỹ thuật sâu sắc mà mô hình không thể tự suy luận nếu thiếu sự can thiệp của bạn.

## Xác minh (Verification): Ranh giới giữa vibe coding và kỹ nghệ phần mềm

![So sánh Output Evaluation và Trajectory Evaluation trong việc xác minh hành vi và chuỗi suy luận của coding agent.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/06-vn.webp)
Năng lực xác minh chính là thước đo phân định ranh giới giữa việc bạn viết code theo cảm tính (vibe coding) và thực hành kỹ nghệ phần mềm chuyên nghiệp. Cơ chế xác minh bao gồm hai trụ cột: Kiểm thử định tính (Deterministic Tests) dùng để kiểm tra tính đúng đắn của đầu vào/đầu ra, và Đánh giá định lượng (Non-deterministic Evals). Hệ thống Evals được chia thành Đánh giá sản phẩm đầu ra (Output Evaluation) và Đánh giá quỹ đạo thực thi (Trajectory Evaluation). Nguyên tắc mà bạn bắt buộc phải ghi nhớ là: Hãy đặt tiêu chuẩn ở tập eval, đừng đặt tiêu chuẩn ở bản demo.

Tầm quan trọng của Trajectory Evaluation thể hiện rõ nhất khi agent tương tác với các hệ thống hạ tầng thực tế. Giả sử một công cụ của agent thực hiện lệnh ghi dữ liệu vào cơ sở dữ liệu nhưng kết nối bị timeout; nếu hệ thống của bạn thiếu Trajectory Eval để kiểm tra chuỗi suy luận và trạng thái hệ thống, agent có thể sẽ thử lại mù quáng (blindly retry), dẫn đến việc tạo ra hai bản ghi trùng lặp hoặc gửi hai email xác nhận cho một giao dịch. Một câu trả lời đầu ra có vẻ đúng nhưng bỏ qua các bước kiểm tra quỹ đạo an toàn sẽ nguy hiểm hơn nhiều so với một lỗi hiển hiện ngay lập tức.

Nghiên cứu định tính trên 1.110 kỹ sư phần mềm tại Google cho thấy việc AI sinh code hàng loạt đang biến khâu Code Review thành một điểm nghẽn hệ thống trầm trọng. Việc các tác giả dễ dàng tạo ra những Pull Request (PR) dung lượng khổng lồ làm gia tăng đột biến tải trí óc cho người kiểm duyệt. Khi chất lượng mã nguồn giảm, thời gian bạn phải bỏ ra để rà soát thủ công tăng vọt, triệt tiêu toàn bộ tốc độ bàn giao của tổ chức.

Để phá vỡ điểm nghẽn này, bạn cần tái cấu trúc quy trình kiểm duyệt bằng cách chuyển giao các công cụ phản hồi AI về ngay giai đoạn tác giả đang gõ code thay vì chờ đến khâu review bất đồng bộ. Bạn nên triển khai các review agent có quyền truy cập context nội bộ để tự động kiểm tra quy chuẩn trước khi chuyển cho người rà soát, đồng thời bắt buộc đội ngũ tuân thủ kỷ luật phát triển theo các lô công việc nhỏ (small-batch development). Kết hợp việc gia tăng tự động hóa kiểm thử sẽ giúp bạn thay thế dần các quy trình duyệt code thủ công tốn thời gian.

## Bài toán kinh tế: Bẫy OpEx và đòn bẩy Context Engineering

![Đường cong chi phí CapEx và OpEx so sánh giữa vibe coding ngắn hạn và agentic engineering dài hạn.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/07-vn.webp)
Nếu bạn phân tích chi phí vận hành (OpEx), vibe coding và agentic engineering đại diện cho hai đường cong chi phí trái ngược hoàn toàn. Vibe coding yêu cầu chi phí đầu tư ban đầu rất thấp nhưng chi phí trên mỗi tính năng sẽ tăng gấp 3 đến 10 lần theo thời gian do lãng phí token burn, gánh nặng bảo trì mã nguồn rác và chi phí khắc phục các lỗ hổng bảo mật. Ngược lại, agentic engineering đòi hỏi bạn phải đầu tư chi phí kỹ thuật ban đầu cao để xây dựng schema, harness và bộ test, nhưng sẽ giúp bạn hạ thấp đáng kể chi phí phát triển trên từng tính năng về lâu dài.

Trong phương trình chi phí này, Context Engineering chính là đòn bẩy tài chính trực tiếp kiểm soát hóa đơn API của bạn. Việc phân định giữa Context Tĩnh và Context Động quyết định mức độ hiệu quả ngân sách: Context Tĩnh (Static Context) bao gồm hệ thống chỉ dẫn, các tệp quy chuẩn như `AGENTS.md` hay `CLAUDE.md` và rào chắn cốt lõi, được nạp vào mọi lượt gọi API nên có độ tin cậy cao nhưng cực kỳ đắt đỏ; trong khi Context Động (Dynamic Context) chỉ nạp theo nhu cầu thực tế thông qua RAG hoặc kết quả trả về của tool, giúp bạn tối ưu chi phí vì chỉ trả tiền cho dữ liệu mà tác vụ chạm đến.

Cơ chế Tiết lộ Lũy tiến (Progressive Disclosure) trong Agent Skills là mấu chốt giúp bối cảnh động của bạn mở rộng mà không làm bùng nổ chi phí. Ở khởi động, agent chỉ đọc một lượng rất nhỏ metadata; khi một tác vụ kích hoạt khớp với skill, agent mới nạp đầy đủ chỉ dẫn và tài liệu tham khảo chi tiết. Nhờ cơ chế này, một agent của bạn có thể mang theo hàng chục kỹ năng khác nhau nhưng bạn chỉ phải trả tiền cho đúng kỹ năng được kích hoạt.

Bên cạnh đó, việc bạn thiết lập chiến lược định tuyến mô hình (model routing) đóng vai trò then chốt để tối ưu hóa ngân sách token. Bạn hãy chuyển giao các tác vụ suy luận kiến trúc phức tạp cho các mô hình lớn, đắt tiền; đồng thời triệt để offload các công việc định hình như sinh unit test, kiểm tra style code hay rà soát lỗi cơ bản cho các mô hình nhỏ, chi phí thấp. Việc phân luồng thông minh này đảm bảo chất lượng mã nguồn của bạn được giữ vững trong khi hóa đơn vận hành giảm xuống đáng kể.

## Bánh đà phản hồi (Feedback Flywheel): Để năng suất AI tích lũy ở cấp độ đội ngũ

![Bánh đà phản hồi trong kỹ nghệ phần mềm: Thu thập bốn loại tín hiệu để liên tục cải tiến hệ thống harness chung.](https://camnangai.com/articles/vong-doi-phat-trien-phan-mem-moi/08-vn.webp)
Nếu tổ chức của bạn không xây dựng cơ chế thu thập tri thức hệ thống, kỹ năng sử dụng AI của từng cá nhân sẽ nhanh chóng chạm trần và dừng lại ở dạng kinh nghiệm riêng lẻ. Hiện tượng này khiến năng suất của toàn bộ đội ngũ bị phẳng hóa. Để giải quyết, bạn phải liên tục chuyển hóa tri thức cá nhân thành tài sản chung của tổ chức thông qua các tài liệu Knowledge Priming, Context Anchoring và việc mã hóa các bộ quy chuẩn kỹ thuật.

Bánh đà phản hồi vận hành bằng cách liên tục thu thập bốn loại tín hiệu từ các phiên làm việc của bạn với AI. Tín hiệu bối cảnh (Context signal) giúp bạn phát hiện các khoảng trống tri thức khi AI liên tục gọi các API cũ đã bị vô hiệu hóa. Tín hiệu chỉ dẫn (Instruction signal) ghi nhận những mẫu prompt và cách diễn đạt mang lại kết quả chính xác để đưa vào bộ lệnh chung. Tín hiệu luồng công việc (Workflow signal) đúc kết các chuỗi tương tác và phương pháp phân rã tác vụ thành công thành playbook cho đội ngũ. Cuối cùng, tín hiệu thất bại (Failure signal) phân tích nguyên nhân gốc rễ của các đầu ra sai lệch để bạn bổ sung các rào chắn bảo vệ tương ứng.

Quy trình thu thập tri thức này cần được bạn đưa vào vận hành theo bốn nhịp độ thực tế: ngay sau mỗi phiên làm việc, trong buổi Stand-up hàng ngày, tại buổi Retrospective định kỳ và ở kỳ Đánh giá hàng quý. Bạn hãy quản trị hiệu quả dựa trên các chỉ số kết quả như tỷ lệ chấp nhận ngay lần đầu (first-pass acceptance rate), số chu kỳ lặp, tỷ lệ sửa code sau merge và độ tuân thủ kiến trúc, thay vì chạy theo các chỉ số đầu ra thô như số dòng code sinh ra. Bạn có thể lưu trữ trực tiếp các cấu trúc dữ liệu học tập này trong kho mã nguồn dự án thông qua các mô hình như `.lattice/learnings/`.

## Kỹ sư phần mềm cần chuyển đổi thế nào: Từ thợ gõ code sang Conductor và Orchestrator

Là một kỹ sư phần mềm hiện đại, bạn cần linh hoạt chuyển đổi giữa hai chế độ vận hành: Conductor (Nhạc trưởng) và Orchestrator (Người điều phối). Chế độ Conductor diễn ra thời gian thực ngay trong IDE, nơi bạn can thiệp trực tiếp ở cấp độ từng phím bấm để định hướng agent trong quá trình tìm tòi và thử nghiệm. Trái lại, chế độ Orchestrator vận hành bất đồng bộ, nơi bạn đóng vai trò giao các mục tiêu phức tạp như chuyển đổi hệ thống, viết bộ test hay phát triển tính năng lớn cho các mạng lưới đa agent tự thực thi và chỉ tiến hành rà soát kết quả đầu ra.

Số liệu thực tế đầu năm 2026 xác nhận 85% kỹ sư chuyên nghiệp đã sử dụng AI agent, 51% sử dụng hàng ngày và 41% lượng mã nguồn mới được sinh ra từ AI. Sự chuyển dịch này không nằm ở công cụ bạn chọn, mà nằm ở kỷ cương kỹ thuật bạn thực thi. Bạn hãy tập trung làm chủ năng lực viết tả kỹ thuật (specification), thiết kế harness và xây dựng hệ thống xác minh chặt chẽ để tạo ra những sản phẩm phần mềm bền vững theo thời gian.

## Tài liệu tham khảo

- [The New Software Lifecycle — O'Reilly Radar](https://oreillyradar.substack.com/p/the-new-software-lifecycle)
- [The New Software Lifecycle — Addy Osmani](https://addyosmani.com/blog/new-sdlc-vibe-coding/)
- [Humans and Agents in Software Engineering Loops — Martin Fowler](https://martinfowler.com/articles/exploring-gen-ai/humans-and-agents.html)
- [Balancing AI Tensions: Moving from AI Adoption to Effective SDLC Use — DORA](https://dora.dev/insights/balancing-ai-tensions/)
- [Feedback Flywheel: Compounding Improvements in AI-Assisted Development — Martin Fowler](https://martinfowler.com/articles/reduce-friction-ai/feedback-flywheel.html)
- [Writing Code is Cheap Now — Simon Willison](https://simonwillison.net/guides/agentic-engineering-patterns/code-is-cheap/)
- [The Learning Loop and LLMs — Martin Fowler](https://martinfowler.com/articles/llm-learning-loop.html)
