Tác giả: [Will Matos], [Raj Jain], [Siddhesh Jog], và [Raja SP]
Ngày phát hành: 29 NOV 2025
Chuyên mục: Amazon Machine Learning, Amazon Q, Amazon Q Developer, Artificial Intelligence, Best Practices, Developer Tools, Software

Phương pháp Vòng đời Phát triển do AI Điều khiển (AI-Driven Development Life Cycle – AI-DLC) đánh dấu một sự thay đổi đáng kể trong phát triển phần mềm bằng cách giao phó một cách chiến lược các nhiệm vụ thường lệ cho AI trong khi vẫn duy trì sự giám sát của con người đối với các quyết định quan trọng. Amazon Q Developer, một trợ lý lập trình AI tạo sinh, hỗ trợ toàn bộ vòng đời phát triển phần mềm và cung cấp tính năng Project Rules, cho phép người dùng tùy chỉnh các phương pháp phát triển của họ ngay trên nền tảng.

Gần đây, AWS đã mã nguồn mở workflow AI-DLC của mình, cho phép các nhà phát triển tạo ra phần mềm bằng phương pháp này. Workflow này được triển khai trong Amazon Q Developer thông qua tính năng tùy chỉnh Project Rules. Trong bài viết này, chúng tôi sẽ trình bày cách workflow AI-DLC hoạt động trong Amazon Q Developer thông qua một trường hợp sử dụng ví dụ.

Tổng quan về Workflow AI-DLC

Workflow AI-DLC là việc triển khai thực tế của phương pháp AI-DLC để thực hiện các nhiệm vụ phát triển phần mềm. Như được nêu trong Tài liệu Định nghĩa Phương pháp AI-DLC, workflow có ba giai đoạn. Các giai đoạn này là Inception (Khởi tạo), Construction (Xây dựng), và Operations (Vận hành). Giai đoạn Inception bao gồm lập kế hoạch và kiến trúc. Giai đoạn Construction tập trung vào thiết kế và triển khai. Giai đoạn Operations bao gồm triển khai và giám sát. Mỗi giai đoạn bao gồm các bước riêng biệt. Các bước này giải quyết các chức năng cụ thể của vòng đời phát triển phần mềm. Workflow có khả năng thích ứng với các yêu cầu của dự án. Nó phân tích các yêu cầu, codebase và độ phức tạp. Phân tích này xác định các bước cần thiết. Các bản sửa lỗi đơn giản sẽ bỏ qua việc lập kế hoạch. Chúng đi thẳng đến việc tạo mã. Các tính năng phức tạp cần phân tích yêu cầu. Chúng cũng đòi hỏi thiết kế kiến trúc và kiểm thử chi tiết.

Workflow duy trì chất lượng và khả năng kiểm soát thông qua các cột mốc có cấu trúc và việc ra quyết định minh bạch. Ở mỗi giai đoạn, AI-DLC đặt các câu hỏi làm rõ, tạo kế hoạch thực thi và chờ phê duyệt. Mọi quyết định, đầu vào và phản hồi đều được ghi lại trong một dấu vết kiểm toán để đảm bảo khả năng truy xuất. Dù là xây dựng một microservice mới, tái cấu trúc mã cũ, hay sửa một lỗi sản phẩm, AI-DLC đều điều chỉnh mức độ nghiêm ngặt của mình để phù hợp với nhu cầu—toàn diện khi phức tạp, hiệu quả khi đơn giản, và luôn trong tầm kiểm soát. Hình 1 cho thấy các giai đoạn và các bước trong workflow AI-DLC có khả năng thích ứng. Các bước được hiển thị trong các hộp màu xanh lá cây là bắt buộc, trong khi các bước trong các hộp màu vàng là có điều kiện.

Hình 1. Các giai đoạn và các bước SDLC trong workflow AI-DLC

Điều kiện tiên quyết

Trước khi chúng ta bắt đầu hướng dẫn, chúng ta phải có một tài khoản AWS hoặc AWS Builder Id để xác thực Amazon Q Developer. Nếu bạn chưa có, hãy đăng ký tài khoản AWS hoặc tạo một AWS builder id. Bạn có thể sử dụng bất kỳ Môi trường Phát triển Tích hợp (IDE) nào được Amazon Q Developer hỗ trợ và cài đặt extension theo tài liệu của AWS. Trong bài viết này, chúng tôi sẽ sử dụng extension Amazon Q Developer trong VS Code IDE. Sau khi plug-in được cài đặt, bạn sẽ cần xác thực Q Developer với backend đám mây của AWS. Tham khảo tài liệu của AWS để biết hướng dẫn xác thực Q Developer.

Workflow AI-DLC tạo ra nhiều sơ đồ Mermaid khác nhau trong các tệp markdown. Để xem các sơ đồ này trong IDE của bạn, bạn có thể cài đặt một plugin xem Mermaid.

Hãy bắt đầu xây dựng!

Hãy xây dựng một ứng dụng web UI đơn giản về Câu đố qua sông (River Crossing Puzzle) bằng AI-DLC. Bằng cách chọn một ứng dụng đơn giản, chúng ta có thể tập trung nhiều hơn vào việc tìm hiểu workflow AI-DLC và ít hơn vào các chi tiết kỹ thuật phức tạp của dự án.

Các phần dưới đây phác thảo các bước riêng lẻ trong quy trình phát triển AI-DLC bằng Amazon Q Developer. Chúng tôi sẽ trình bày ảnh chụp màn hình IDE của chúng tôi với plug-in Amazon Q Developer và minh họa cách tương tác với workflow.

Mặc dù chúng tôi đã sử dụng plug-in IDE Amazon Q Developer trong bài viết này, bạn cũng có thể sử dụng Giao diện Dòng lệnh Kiro (Kiro Command Line Interface – CLI) để xây dựng với AI-DLC mà không cần bất kỳ thiết lập bổ sung nào. Workflow vẫn giữ nguyên, ngoại trừ việc bạn sẽ tương tác thông qua dòng lệnh thay vì giao diện đồ họa trong IDE.

Khi chúng ta tiến hành qua workflow, trải nghiệm AI-DLC của bạn sẽ được tùy chỉnh theo vấn đề cụ thể của bạn. Bạn cũng sẽ nhận thấy bản chất xác suất của các mô hình ngôn ngữ lớn (LLM), vì các câu hỏi và các tạo tác (artifacts) do chúng tạo ra sẽ khác nhau giữa các lần chạy cho cùng một vấn đề. Ví dụ, nếu bạn cố gắng tái tạo lại cùng một vấn đề mà chúng tôi đã sử dụng trong bài viết này, trải nghiệm của bạn có thể sẽ khác. Điều này là mong đợi và đáng mong muốn. Bất chấp những khác biệt nhỏ này, cuối cùng chúng ta sẽ tìm ra giải pháp cho vấn đề mà chúng ta đã đặt ra ban đầu.

Bước 1: Clone repo GitHub chứa các Quy tắc AI-DLC Q Developer

Clone repo GitHub chứa các Quy tắc AI-DLC Q Developer:

git clone https://github.com/awslabs/aidlc-workflows.git

Bước 2: Tải các Quy tắc Q Developer vào không gian làm việc của dự án

Làm theo hướng dẫn trong README.md tại repo GitHub để sao chép các tệp quy tắc vào thư mục dự án của bạn.

Bước 3: Cài đặt và xác thực Extension Amazon Q Developer trong IDE

Mở thư mục dự án bạn đã tạo ở Bước 2 trong VS Code. Mở Bảng Chat Amazon Q trong IDE và đảm bảo rằng các quy tắc workflow AI-DLC đã được tải vào Q Developer, như trong Hình 2. Nếu bạn không thấy những gì được hiển thị trong Hình 2, vui lòng kiểm tra lại các bước bạn đã thực hiện ở Bước 2.

Hình 2: Kích hoạt các quy tắc AI-DLC trong Amazon Q Developer

Bước 4: Bắt đầu workflow AI-DLC bằng cách nhập một câu lệnh mô tả vấn đề ở mức cao

Môi trường phát triển của chúng ta hiện đã được thiết lập, và chúng ta sẵn sàng bắt đầu phát triển ứng dụng bằng AI-DLC. Trong phiên chat Q Developer của chúng ta, chúng ta nhập câu lệnh mô tả vấn đề sau:

Using AI-DLC let's build a web application to solve the river crossing puzzle.

Lưu ý rằng chúng tôi đã thêm tiền tố “Using AI-DLC …” vào câu lệnh mô tả vấn đề của mình để đảm bảo rằng Q Developer sẽ kích hoạt workflow AI-DLC. Hình 3 cho thấy những gì xảy ra tiếp theo. Workflow AI-DLC được kích hoạt trong Q Developer. Nó chào mừng chúng ta bằng một thông điệp và cung cấp một cái nhìn tổng quan ngắn gọn về phương pháp AI-DLC.

Hình 3 cho thấy một cái nhìn mở rộng về cấu trúc thư mục quy tắc workflow AI-DLC ở bên trái. Bạn sẽ nhận thấy rằng một tệp aws-aidlc-rules/core-workflow.md duy nhất được đặt trong thư mục .amazonq/rules được chỉ định, trong khi phần còn lại của các tệp quy tắc được đặt trong một thư mục thông thường aws-aidlc-rule-details. Sự sắp xếp này được thiết kế để tối ưu hóa hiệu quả của mô hình. Bằng cách đặt tệp aws-aidlc-rules/core-workflow.md trong thư mục .amazonq/rules, nó đóng vai trò như một ngữ cảnh bổ sung, đảm bảo rằng cấu trúc workflow cốt lõi luôn có thể truy cập được mà không phát sinh thêm chi phí tiêu thụ token. Ngược lại, các quy tắc hành vi chi tiết ở cấp độ giai đoạn và bước được lưu trữ trong thư mục aws-aidlc-rule-details và được tải động khi cần thiết. Cách tiếp cận này giúp tiết kiệm cửa sổ ngữ cảnh và việc sử dụng token của Amazon Q bằng cách chỉ giữ lại thông tin cần thiết trong ngữ cảnh tại bất kỳ thời điểm nào, từ đó nâng cao hiệu quả của mô hình.

Các tệp quy tắc trong thư mục aws-aidlc-rule-details được tổ chức thành ba thư mục con, mỗi thư mục đại diện cho một giai đoạn của AI-DLC. Trong mỗi giai đoạn, có các tệp dành riêng cho từng bước. Một thư mục common chứa các quy tắc xuyên suốt áp dụng cho tất cả các giai đoạn và bước của AI-DLC như “human-in-the-loop” (con người trong vòng lặp).

Workflow AI-DLC tự hướng dẫn và cung cấp cho chúng ta một sự hiểu biết rõ ràng về những gì sẽ xảy ra tiếp theo. Nó thông báo cho chúng ta rằng nó sẽ bước vào giai đoạn Inception của AI-DLC tiếp theo, bắt đầu với bước Workspace Detection trong đó.

Hình 3: Người dùng nhập câu lệnh mô tả vấn đề ở mức cao trong Amazon Q. Workflow AI-DLC được kích hoạt.

Bước 5: Workspace Detection (Phát hiện không gian làm việc)

Chúng ta bước vào bước Workspace Detection trong giai đoạn Inception. Trong bước này, AI-DLC phân tích không gian làm việc hiện tại và xác định xem đó là một ứng dụng greenfield (mới) hay brownfield (hiện có). Vì AI-DLC là một workflow có khả năng thích ứng, nó quyết định xem bước tiếp theo sẽ là Reverse Engineering (đối với các dự án brownfield) hay Requirements Analysis (đối với các dự án greenfield).

Vì chúng ta đang xây dựng một ứng dụng greenfield và không có mã hiện có trong không gian làm việc để thực hiện reverse engineer, workflow sẽ hướng dẫn chúng ta đến Requirements Analysis tiếp theo. Nếu chúng ta đang làm việc trên một ứng dụng brownfield, workflow sẽ thực hiện Reverse Engineering trước rồi mới chuyển sang Requirements Analysis. Điều này thể hiện bản chất thích ứng của workflow.

Hình 4 minh họa quá trình trong IDE của chúng ta khi chúng ta bước vào bước này. Workflow yêu cầu sự cho phép của chúng ta để tạo một thư mục aidlc-docs dưới thư mục gốc của dự án. Thư mục này sẽ đóng vai trò là kho lưu trữ cho tất cả các tạo tác do AI-DLC tạo ra trong quá trình thực thi workflow. Sau đó, workflow tạo ra hai tệp trong thư mục này: aidlc-state.md và audit.md. Mục đích của các tệp này được giải thích trong Hình 4.

Hình 4: Workspace Detection

Bước Workspace Detection sẽ nhanh chóng kết thúc vì đây là một dự án greenfield. Workflow sẽ hướng dẫn chúng ta vào bước Requirements Analysis trong giai đoạn Inception tiếp theo.

Bước 6: Requirements Analysis (Phân tích yêu cầu)

Workflow đã tiến đến bước Requirements Analysis, nơi chúng ta sẽ xác định các yêu cầu của ứng dụng. Workflow AI-DLC đã trình bày câu lệnh mô tả vấn đề ở mức cao của chúng ta cho Q Developer, sau đó Q Developer đã phản hồi bằng một số câu hỏi làm rõ yêu cầu, như được minh họa trong Hình 4.

Một số quy tắc AI-DLC đã được áp dụng ở bước này. Một quy tắc đã hướng dẫn Amazon Q tránh đưa ra các giả định thay cho người dùng và thay vào đó đặt các câu hỏi làm rõ. Vì các LLM có xu hướng đưa ra giả định và vội vàng đi đến kết quả, chúng phải được hướng dẫn một cách rõ ràng để tuân thủ sự nghiêm ngặt kỹ thuật của phương pháp AI-DLC. Để đạt được điều này, Q Developer đã trình bày một số câu hỏi làm rõ yêu cầu trong tệp requirement-verification-questions.md và yêu cầu chúng ta trả lời chúng trực tiếp trong tệp.

Một quy tắc AI-DLC khác đã hướng dẫn Q Developer trình bày các câu hỏi dưới dạng trắc nghiệm và luôn bao gồm một tùy chọn mở (“Other”) để tăng cường sự tiện lợi cho người dùng và cung cấp sự linh hoạt trong việc trả lời.

Như trong Hình 5, Amazon Q đã hỏi chúng ta về biến thể câu đố mong muốn, chẳng hạn như câu đố kinh điển Nông dân, Cáo, Gà và Ngũ cốc hoặc các biến thể phổ biến khác. Ngoài ra, nó đã hỏi chúng ta các câu hỏi về phương thức tương tác của người dùng, việc lưu trữ điểm số qua nhiều người chơi và việc tạo bảng xếp hạng.

Những câu hỏi này rất cần thiết để đạt được kết quả ứng dụng mong muốn của chúng ta. Các câu trả lời của chúng ta cho những câu hỏi này sẽ quyết định sản phẩm cuối cùng. Mặc dù chúng ta không chỉ định rõ mức độ chi tiết này trong câu lệnh mô tả vấn đề ở mức cao của mình, AI-DLC đã giao phó việc xây dựng yêu cầu chi tiết cho Amazon Q, nhưng chúng ta vẫn giữ quyền kiểm soát đối với những gì sẽ được xây dựng.

Hình 5: Requirements Analysis

Chúng ta trả lời tất cả các câu hỏi trong tệp requirement-verification-questions.md và nhập “Done” vào cửa sổ chat.

Amazon Q xử lý các câu trả lời của chúng ta. Workflow AI-DLC được thiết kế để xác định các lỗi của con người. Nó kiểm tra xem chúng ta đã trả lời tất cả các câu hỏi chưa và xác định bất kỳ mâu thuẫn hoặc sự mơ hồ nào trong câu trả lời của chúng ta. Bất kỳ sự nhầm lẫn, mâu thuẫn hoặc mơ hồ nào sẽ được gắn cờ để đặt các câu hỏi tiếp theo. AI-DLC tuân thủ các tiêu chuẩn cao và đảm bảo rằng chúng ta không tiến tới bước tiếp theo cho đến khi chúng ta hoàn toàn đồng ý về các yêu cầu giữa chúng ta và Amazon Q.

Vì chúng ta đã trả lời tất cả các câu hỏi và không có mâu thuẫn nào trong câu trả lời của mình, workflow tiếp tục và tạo ra một tài liệu requirements.md toàn diện, như trong hình 6.

Hình 6: Requirements Review (Xem xét Yêu cầu)

Workflow nhắc chúng ta xem xét tài liệu requirements.md và quyết định bước tiếp theo. Nếu chúng ta không thống nhất về các yêu cầu, chúng ta có thể yêu cầu Amazon Q giúp chúng ta đạt được sự thống nhất. Sau đó, chúng ta có thể lặp lại các yêu cầu cho đến khi hoàn toàn thống nhất. Khi đã hoàn toàn thống nhất, chúng ta yêu cầu AI-DLC tiến tới bước tiếp theo.

Với bản chất thích ứng của workflow AI-DLC, Amazon Q đã đề xuất rằng ứng dụng này đủ đơn giản và chúng ta có thể bỏ qua bước User Stories. Nếu chúng ta cảm thấy khác, chúng ta sẽ ghi đè đề xuất của mô hình. Trong trường hợp này, chúng ta đồng ý với đề xuất của Q và do đó sẽ nhập “Continue” vào cửa sổ chat.

Workflow sẽ bước vào bước Workflow Planning tiếp theo.

Bước 7: Workflow Planning (Lập kế hoạch Workflow)

Với các yêu cầu của chúng ta đã được thiết lập, chúng ta tiến tới bước Workflow Planning. Trong giai đoạn này, chúng ta tận dụng ngữ cảnh yêu cầu và trí thông minh của workflow để lập kế hoạch thực hiện các bước cụ thể của AI-DLC trong workflow để xây dựng ứng dụng của chúng ta theo đặc tả yêu cầu.

Hình 7 minh họa bước lập kế hoạch workflow trong Q Developer. Workflow đã tạo ra một tệp execution-plan.md phác thảo các bước được đề xuất để thực hiện và những bước nên được bỏ qua.

Quá trình lập kế hoạch workflow có tính ngữ cảnh cao đối với các yêu cầu. Trong quá trình phân tích yêu cầu, chúng ta đã quyết định phát triển một ứng dụng câu đố qua sông đơn giản, bao gồm một tệp HTML duy nhất, không có backend, bảng xếp hạng hoặc lưu trữ dữ liệu. Do đó, Amazon Q đề xuất chúng ta bỏ qua tất cả các bước có điều kiện, chẳng hạn như User Stories, Application Design, Units of Work Planning, v.v., và tiến thẳng đến bước Code Generation Planning trong giai đoạn Construction.

Hình 7 thể hiện trực quan workflow được đề xuất bằng đồ họa, chỉ ra các bước sẽ được thực hiện và những bước sẽ được bỏ qua.

Hình 7: Workflow Planning

Vì chúng ta đã chọn một ứng dụng web UI đơn giản trong bài viết này để ngắn gọn, kế hoạch thực thi workflow do AI-DLC đề xuất hoàn toàn phù hợp với mục tiêu của chúng ta. Nếu chúng ta không đồng ý với kế hoạch thực thi workflow do AI-DLC đề xuất, chúng ta sẽ yêu cầu Q Developer sửa đổi kế hoạch để phù hợp với sở thích của mình.

Vì chúng ta đã đồng ý với kế hoạch workflow, chúng ta sẽ nhập “Continue” vào phiên chat của Q. Nếu chúng ta không đồng ý với kế hoạch thực thi workflow được đề xuất, chúng ta sẽ nêu lên những lo ngại của mình với Q và lặp lại kế hoạch thực thi đã sửa đổi cho đến khi nó phù hợp với sở thích của chúng ta. Theo kế hoạch thực thi được đề xuất, workflow sẽ chuyển sang giai đoạn Construction và trực tiếp vào bước Code Generation Plan trong giai đoạn đó.

Bước 8: Code Generation Planning (Lập kế hoạch tạo mã)

AI-DLC ưu tiên việc lập kế hoạch hơn là vội vàng đi đến kết quả. Cách tiếp cận này phù hợp với khái niệm hành vi human-in-the-loop, cho phép chúng ta phát hiện các vấn đề sớm, cung cấp phản hồi về kế hoạch và ngăn chặn các giả định sai lầm lan truyền xa hơn. Trước khi chúng ta tiến hành tạo mã thực tế, chúng ta trải qua Code Generation Planning.

Trong quá trình Code Generation Planning, AI-DLC tạo ra một kế hoạch chi tiết, được đánh số. Nó phân tích các yêu cầu và các tạo tác thiết kế, chia nhỏ quy trình thành các bước rõ ràng để tạo ra logic nghiệp vụ, lớp API, lớp dữ liệu, các bài kiểm thử, tài liệu và các tệp triển khai.

Kế hoạch được ghi lại trong một tệp {unit-name}-code-generation-plan.md, hoàn chỉnh với các hộp kiểm. Điều này đảm bảo tính minh bạch, cho phép người dùng thấy những gì sẽ được xây dựng. Nó cũng cung cấp khả năng kiểm soát, cho phép người dùng sửa đổi kế hoạch. Ngoài ra, nó duy trì chất lượng bằng cách đảm bảo phạm vi bao phủ toàn diện của mã, các bài kiểm thử và tài liệu.

Hình 8 minh họa kế hoạch tạo mã của AI-DLC. Workflow được đề xuất bao gồm tám bước, bắt đầu bằng việc tạo cấu trúc HTML và tiến tới việc thêm kiểu dáng, logic trò chơi, và kết thúc bằng việc kiểm thử và tài liệu.

Hình 8: Code Generation Planning

Kế hoạch tạo mã có vẻ hợp lý đối với chúng ta. Chúng ta sẽ tiến tới bước Code Generation bằng cách nhập “Continue” vào phiên chat của Q.

Bước 9: Code Generation (Tạo mã)

Bước Code Generation thực hiện Kế hoạch Tạo Mã mà chúng ta đã phê duyệt ở bước trước. Nó tạo ra các tạo tác mã thực tế từng bước, bao gồm logic nghiệp vụ, API, lớp dữ liệu, các bài kiểm thử và tài liệu. Các bước đã hoàn thành được đánh dấu bằng các hộp kiểm, tiến trình được theo dõi và khả năng truy xuất nguồn gốc của câu chuyện được đảm bảo trước khi trình bày mã được tạo để người dùng phê duyệt.

Hình 9 minh họa rằng bước Code Generation đã hoàn thành. Bây giờ chúng ta đang xem xét một tệp index.html duy nhất được tạo với kiểu dáng và JavaScript được nhúng phù hợp với sở thích của chúng ta đã chỉ định trong requirements.md.

Workflow cung cấp một bản tóm tắt các hoạt động được thực hiện trong giai đoạn Code Generation.

Hình 9: Code Generation

Chúng ta sắp kiểm thử ứng dụng mới tạo của mình. Mặc dù có thể dễ dàng kiểm thử ứng dụng câu đố đơn giản này ngay bây giờ, nhưng đối với các ứng dụng phức tạp, chúng ta tạo ra các hướng dẫn xây dựng và kiểm thử bằng AI-DLC.

Chúng ta sẽ nhập “Continue” trong workflow và bước vào bước Build and Test cuối cùng trong giai đoạn Construction.

Bước 10: Build and Test (Xây dựng và Kiểm thử)

Những câu hỏi này rất cần thiết để đạt được ứng dụng mong muốn của chúng ta.

Chúng ta đã đến bước cuối cùng của Giai đoạn Construction của AI-DLC, được gọi là bước Build and Test. Trong bước này, chúng ta tạo ra các tệp hướng dẫn toàn diện hướng dẫn việc xây dựng và đóng gói dự án, và ghi lại các lớp kiểm thử cần thiết. Các lớp này bao gồm kiểm thử đơn vị (xác thực mã được tạo), kiểm thử tích hợp (kiểm tra tương tác giữa các đơn vị), kiểm thử hiệu năng (kiểm thử tải/áp lực), và các kiểm thử bổ sung theo yêu cầu (bảo mật, hợp đồng, e2e).

Các hướng dẫn xây dựng được tạo bao gồm các phụ thuộc và lệnh, các bước thực thi kiểm thử với kết quả mong đợi, và một tài liệu tóm tắt cung cấp cái nhìn tổng quan về trạng thái xây dựng/kiểm thử tổng thể và sự sẵn sàng của dự án để triển khai.

Hình 10 minh họa tài liệu được tạo ra trong bước này.

Hình 10: Build and Test

Workflow AI-DLC hiện đã kết thúc.

Hãy giải câu đố!

Chúng ta mở index.html trong một trình duyệt web để truy cập ứng dụng River Crossing Puzzle mới tạo của mình. Như trong hình 11, chúng ta thấy giao diện web đồ họa của mình.

Trong quá trình đánh giá yêu cầu, chúng ta đã chọn một giao diện người dùng đơn giản sử dụng HTML, CSS và JavaScript (không có bất kỳ framework nào), như thể hiện rõ trong màn hình hiển thị ở Hình 11. Màn hình của bạn có thể khác do bản chất xác suất của các LLM và các lựa chọn bạn đã đưa ra cho các yêu cầu.

Chúng ta cố gắng giải câu đố và thấy rằng nó hoạt động như mong đợi.

Hình 11: Ứng dụng Web River Crossing Puzzle

Kết luận

Bài viết này cho thấy cách workflow AI-DLC mã nguồn mở của AWS, được hướng dẫn bởi tính năng Project Rules của Amazon Q Developer, giúp các nhà phát triển xây dựng ứng dụng với sự giám sát có cấu trúc và tính minh bạch.

Sử dụng một ứng dụng web River Crossing Puzzle làm ví dụ, hướng dẫn này minh họa cách phương pháp AI-DLC điều chỉnh mức độ nghiêm ngặt của nó dựa trên độ phức tạp của dự án, bỏ qua các bước không cần thiết cho các ứng dụng đơn giản trong khi vẫn duy trì các quy trình toàn diện cho các dự án phức tạp. Trong suốt mỗi bước, AI-DLC thực thi hành vi “human-in-the-loop”, yêu cầu sự phê duyệt của người dùng tại các điểm kiểm soát quan trọng, đặt các câu hỏi làm rõ và duy trì các dấu vết kiểm toán hoàn chỉnh để đảm bảo khả năng truy xuất.

Bài thực hành đã chứng minh thành công cách AI-DLC cân bằng giữa tự động hóa AI và sự giám sát của con người, nâng cao năng suất mà không làm giảm chất lượng hoặc khả năng kiểm soát. Bằng cách tuân theo phương pháp có cấu trúc, có thể lặp lại này, các nhóm phát triển có thể tận dụng khả năng của AI tạo sinh trong khi đảm bảo con người vẫn chịu trách nhiệm về các quyết định kiến trúc và phương pháp triển khai. Khuôn khổ này cung cấp các rào cản cần thiết để phát triển phần mềm có sự hỗ trợ của AI một cách có trách nhiệm và hiệu quả trên các dự án có độ phức tạp khác nhau.

Dọn dẹp

Chúng ta không tạo bất kỳ tài nguyên AWS nào trong hướng dẫn này, vì vậy không cần dọn dẹp AWS. Bạn có thể dọn dẹp không gian làm việc dự án của mình theo quyết định của bạn.

Sẵn sàng để bắt đầu? Ghé thăm kho lưu trữ GitHub của chúng tôi để tải xuống workflow AI-DLC và tham gia Cộng đồng AI-Native Builders để đóng góp vào tương lai của phát triển phần mềm.

Về tác giả

Raja SP
Raja là một Kiến trúc sư Giải pháp Chính tại AWS, nơi ông lãnh đạo các Chương trình Chuyển đổi Nhà phát triển. Ông đã làm việc với hơn 100 khách hàng lớn, giúp họ thiết kế và cung cấp các hệ thống quan trọng được xây dựng trên các kiến trúc hiện đại, các phương pháp kỹ thuật nền tảng và các mô hình hoạt động lấy cảm hứng từ Amazon. Khi AI tạo sinh định hình lại bối cảnh phát triển phần mềm, Raja và nhóm của ông đã tạo ra Vòng đời Phát triển do AI Điều khiển (AI-DLC) — một phương pháp toàn diện, gốc AI, tái định hình cách các nhóm lớn hợp tác xây dựng phần mềm cấp sản xuất trong kỷ nguyên AI.

Raj Jain
Raj là một Kiến trúc sư Giải pháp Cấp cao, Chuyên gia Nhà phát triển tại AWS. Trước vai trò này, Raj đã làm việc với tư cách là Kỹ sư Phát triển Phần mềm Cấp cao tại Amazon, nơi ông đã giúp xây dựng cơ sở hạ tầng bảo mật nền tảng của Amazon. Raj là một tác giả đã xuất bản trong Tạp chí Kỹ thuật Bell Labs, và cũng đã là tác giả của các tiêu chuẩn IETF, các blog Bảo mật AWS, và sở hữu mười hai bằng sáng chế.

Siddhesh Jog
Siddhesh là một Kiến trúc sư Giải pháp Cấp cao tại AWS. Ông đã làm việc trong nhiều ngành công nghiệp với nhiều vai trò khác nhau và đam mê mọi thứ về công nghệ. Tại AWS, Siddhesh rất hào hứng được giúp khách hàng chuyển đổi sang Vòng đời Phát triển do AI Điều khiển và giúp họ xây dựng các ứng dụng nhanh chóng trong một môi trường đám mây an toàn, tuân thủ và hiệu quả về chi phí.

Will Matos
Will Matos là một Kiến trúc sư Giải pháp Chuyên gia Chính thuộc nhóm Trải nghiệm Nhà phát triển Thế hệ Tiếp theo (NGDE) của AWS, cách mạng hóa năng suất của nhà phát triển thông qua AI Tạo sinh, các giao diện trò chuyện được hỗ trợ bởi AI và tạo mã. Với 27 năm kinh nghiệm về công nghệ, AI và phát triển phần mềm, ông hợp tác với các nhóm sản phẩm và khách hàng để tạo ra các giải pháp thông minh giúp hợp lý hóa quy trình làm việc và tăng tốc chu kỳ phát triển phần mềm. Là một nhà lãnh đạo tư tưởng tham gia với những người tiên phong, Will bắc cầu giữa sự đổi mới và nhu cầu thực tế.