Điểm mấu chốt là Tan không yêu cầu Claude Code xây một “ứng dụng nuôi dạy con” chung chung. Anh mô tả cụ thể những thông tin cha mẹ cần nhập, các phép tính hệ thống phải thực hiện và quyền truy cập của từng người dùng.

Quy trình của Tan: xác định yêu cầu trước, tạo mã sau

Dù không phải lập trình viên, Tan đã tiếp cận dự án giống một quy trình phát triển sản phẩm thu gọn. Anh bắt đầu bằng việc viết các yêu cầu chi tiết bằng tiếng Anh thông thường, sau đó dùng Claude Code để chuyển những yêu cầu đó thành ứng dụng.

Các bước chính gồm:

1. Tải và chạy Claude Code thông qua Mac Terminal.
2. Viết một tài liệu dài 4 trang, mô tả các tính năng và cách ứng dụng phải hoạt động.
3. Yêu cầu Claude Code xây dựng ứng dụng dựa trên tài liệu, đồng thời giải thích từng bước theo cách người không biết lập trình cũng có thể theo dõi.
4. Tạo tài khoản trên GitHub, Supabase và Vercel.
5. Kết nối các dịch vụ: GitHub lưu trữ mã nguồn, Supabase cung cấp cơ sở dữ liệu và chức năng xác thực người dùng, còn Vercel đưa ứng dụng lên một đường dẫn web.

Mỗi công cụ đảm nhiệm một vai trò riêng. Claude Code là giao diện hỗ trợ phát triển, GitHub là kho mã nguồn, Supabase xử lý phần nền tảng dữ liệu và đăng nhập, còn Vercel phụ trách triển khai. Nhờ kết hợp này, Tan có thể đi từ một ý tưởng viết trên giấy đến một ứng dụng web hoạt động được mà không cần trước đó phải thành thạo cả một hệ sinh thái lập trình truyền thống.

Vì sao câu lệnh chi tiết lại quan trọng?

Tan không kỳ vọng phiên bản đầu tiên do AI tạo ra sẽ hoàn hảo. Anh liên tục dùng thử ứng dụng, mô tả những phần bị thiếu hoặc hoạt động sai rồi yêu cầu Claude Code chỉnh sửa. Quy trình thực tế là: viết yêu cầu, kiểm tra, thử nghiệm và tinh chỉnh.

Từ trải nghiệm đó, Tan rút ra một nguyên tắc đơn giản: yêu cầu càng mơ hồ, kết quả càng khó dùng. Khi mô tả rõ các trường dữ liệu, quyền truy cập, phép tính cần thực hiện và trải nghiệm người dùng, anh nhận được kết quả hữu ích hơn. Claude Code nhìn chung vẫn hiểu được tiếng Anh không hoàn hảo hoặc “tiếng Anh vụng về”, nhưng hiểu câu lệnh không đồng nghĩa với việc câu lệnh đó đã đầy đủ.

Đây là điểm quan trọng với bất kỳ ai sử dụng công cụ AI để viết phần mềm. Việc phát triển bằng ngôn ngữ tự nhiên có thể hạ thấp rào cản ban đầu, nhưng không loại bỏ nhu cầu xác định yêu cầu rõ ràng và đánh giá sản phẩm đầu ra.

Dùng AI để nghiên cứu vẫn phải kiểm chứng

Tan cũng kết hợp Claude Code với Perplexity AI khi nghiên cứu thông tin, vì công cụ này cung cấp các trích dẫn. Dù vậy, anh không mặc nhiên xem một câu trả lời là đáng tin chỉ vì câu trả lời có gắn nguồn.

Trong một lần, hệ thống đưa ra thông tin cho rằng cá có vây là một trong những nhóm tác nhân gây dị ứng hàng đầu tại Singapore. Tan nghi ngờ kết luận này vì theo hiểu biết của anh, động vật có vỏ là mối quan tâm quen thuộc hơn. Anh kiểm tra lại tài liệu được dẫn và sửa thông tin trong ứng dụng. Trường hợp này cũng cho thấy một rủi ro rộng hơn: công cụ tìm kiếm bằng AI có thể đưa ra trích dẫn dẫn tới những nghiên cứu không có thật, vì vậy các thông tin liên quan đến sức khỏe vẫn cần được kiểm tra độc lập.

Với một ứng dụng theo dõi em bé, sự thận trọng này càng cần thiết. Ứng dụng có thể giúp sắp xếp các quan sát và đối chiếu với hướng dẫn, nhưng thông tin do AI tổng hợp không thể được xem là bằng chứng y khoa chỉ vì nó đi kèm liên kết hoặc chú thích nguồn.

Kỹ năng viết câu lệnh còn giúp Tan tạo công cụ dịch

Những kỹ năng Tan rèn được khi xây ứng dụng cho con tiếp tục được anh áp dụng vào công việc. Anh tạo một công cụ dịch chỉ bằng một nút bấm, có khả năng chuyển nội dung tiếng Anh sang 48 ngôn ngữ.

Tan không muốn công cụ chỉ dịch từng từ. Anh yêu cầu hệ thống trước hết phải hiểu ý nghĩa, chủ đích và mục tiêu thuyết phục của văn bản gốc. Sau đó, công cụ phải viết lại bằng ngôn ngữ đích một cách tự nhiên, thay vì giữ nguyên cách diễn đạt, nhịp điệu hay logic mang dấu ấn tiếng Anh.

Cách làm này phản ánh cùng một nguyên tắc với ứng dụng theo dõi em bé: chất lượng đầu ra phụ thuộc rất nhiều vào việc người dùng giải thích rõ mục tiêu, bối cảnh và giới hạn—không chỉ đơn thuần nói mình muốn “làm một ứng dụng” hay “dịch một đoạn văn”.

Bài học cho những người không biết lập trình

Trải nghiệm của Tan không chứng minh rằng AI đã biến việc phát triển phần mềm thành quy trình tự động hoàn toàn. Anh vẫn phải xác định một vấn đề thực tế, viết đặc tả chi tiết, tạo tài khoản, kết nối các dịch vụ, kiểm thử ứng dụng và chất vấn những thông tin nghiên cứu có dấu hiệu không đáng tin.

Tuy vậy, câu chuyện cho thấy trợ lý lập trình bằng AI có thể giúp một người bắt đầu từ một sản phẩm hữu ích thay vì phải chờ nhiều năm học lập trình. Với Tan, khả năng thử nghiệm và viết câu lệnh rõ ràng đang trở thành những kỹ năng thực tế dành cho người dùng phổ thông, kể cả những người không sử dụng tiếng Anh hoàn hảo.

Bài học có thể áp dụng rộng rãi nhất không phải là “AI có thể xây mọi thứ”. Đó là người không có nền tảng lập trình vẫn có thể dùng AI để tạo nguyên mẫu cho những công cụ giải quyết một nhu cầu cụ thể—miễn là họ vẫn chịu trách nhiệm về yêu cầu, việc kiểm thử và phán đoán tính chính xác của thông tin.

Điểm mấu chốt là Tan không yêu cầu Claude Code xây một “ứng dụng nuôi dạy con” chung chung. Anh mô tả cụ thể những thông tin cha mẹ cần nhập, các phép tính hệ thống phải thực hiện và quyền truy cập của từng người dùng.

Quy trình của Tan: xác định yêu cầu trước, tạo mã sau

Dù không phải lập trình viên, Tan đã tiếp cận dự án giống một quy trình phát triển sản phẩm thu gọn. Anh bắt đầu bằng việc viết các yêu cầu chi tiết bằng tiếng Anh thông thường, sau đó dùng Claude Code để chuyển những yêu cầu đó thành ứng dụng.

Các bước chính gồm:

1. Tải và chạy Claude Code thông qua Mac Terminal.
2. Viết một tài liệu dài 4 trang, mô tả các tính năng và cách ứng dụng phải hoạt động.
3. Yêu cầu Claude Code xây dựng ứng dụng dựa trên tài liệu, đồng thời giải thích từng bước theo cách người không biết lập trình cũng có thể theo dõi.
4. Tạo tài khoản trên GitHub, Supabase và Vercel.
5. Kết nối các dịch vụ: GitHub lưu trữ mã nguồn, Supabase cung cấp cơ sở dữ liệu và chức năng xác thực người dùng, còn Vercel đưa ứng dụng lên một đường dẫn web.

Mỗi công cụ đảm nhiệm một vai trò riêng. Claude Code là giao diện hỗ trợ phát triển, GitHub là kho mã nguồn, Supabase xử lý phần nền tảng dữ liệu và đăng nhập, còn Vercel phụ trách triển khai. Nhờ kết hợp này, Tan có thể đi từ một ý tưởng viết trên giấy đến một ứng dụng web hoạt động được mà không cần trước đó phải thành thạo cả một hệ sinh thái lập trình truyền thống.

Vì sao câu lệnh chi tiết lại quan trọng?

Tan không kỳ vọng phiên bản đầu tiên do AI tạo ra sẽ hoàn hảo. Anh liên tục dùng thử ứng dụng, mô tả những phần bị thiếu hoặc hoạt động sai rồi yêu cầu Claude Code chỉnh sửa. Quy trình thực tế là: viết yêu cầu, kiểm tra, thử nghiệm và tinh chỉnh.

Từ trải nghiệm đó, Tan rút ra một nguyên tắc đơn giản: yêu cầu càng mơ hồ, kết quả càng khó dùng. Khi mô tả rõ các trường dữ liệu, quyền truy cập, phép tính cần thực hiện và trải nghiệm người dùng, anh nhận được kết quả hữu ích hơn. Claude Code nhìn chung vẫn hiểu được tiếng Anh không hoàn hảo hoặc “tiếng Anh vụng về”, nhưng hiểu câu lệnh không đồng nghĩa với việc câu lệnh đó đã đầy đủ.

Đây là điểm quan trọng với bất kỳ ai sử dụng công cụ AI để viết phần mềm. Việc phát triển bằng ngôn ngữ tự nhiên có thể hạ thấp rào cản ban đầu, nhưng không loại bỏ nhu cầu xác định yêu cầu rõ ràng và đánh giá sản phẩm đầu ra.

Dùng AI để nghiên cứu vẫn phải kiểm chứng

Tan cũng kết hợp Claude Code với Perplexity AI khi nghiên cứu thông tin, vì công cụ này cung cấp các trích dẫn. Dù vậy, anh không mặc nhiên xem một câu trả lời là đáng tin chỉ vì câu trả lời có gắn nguồn.

Trong một lần, hệ thống đưa ra thông tin cho rằng cá có vây là một trong những nhóm tác nhân gây dị ứng hàng đầu tại Singapore. Tan nghi ngờ kết luận này vì theo hiểu biết của anh, động vật có vỏ là mối quan tâm quen thuộc hơn. Anh kiểm tra lại tài liệu được dẫn và sửa thông tin trong ứng dụng. Trường hợp này cũng cho thấy một rủi ro rộng hơn: công cụ tìm kiếm bằng AI có thể đưa ra trích dẫn dẫn tới những nghiên cứu không có thật, vì vậy các thông tin liên quan đến sức khỏe vẫn cần được kiểm tra độc lập.

Với một ứng dụng theo dõi em bé, sự thận trọng này càng cần thiết. Ứng dụng có thể giúp sắp xếp các quan sát và đối chiếu với hướng dẫn, nhưng thông tin do AI tổng hợp không thể được xem là bằng chứng y khoa chỉ vì nó đi kèm liên kết hoặc chú thích nguồn.

Kỹ năng viết câu lệnh còn giúp Tan tạo công cụ dịch

Những kỹ năng Tan rèn được khi xây ứng dụng cho con tiếp tục được anh áp dụng vào công việc. Anh tạo một công cụ dịch chỉ bằng một nút bấm, có khả năng chuyển nội dung tiếng Anh sang 48 ngôn ngữ.

Tan không muốn công cụ chỉ dịch từng từ. Anh yêu cầu hệ thống trước hết phải hiểu ý nghĩa, chủ đích và mục tiêu thuyết phục của văn bản gốc. Sau đó, công cụ phải viết lại bằng ngôn ngữ đích một cách tự nhiên, thay vì giữ nguyên cách diễn đạt, nhịp điệu hay logic mang dấu ấn tiếng Anh.

Cách làm này phản ánh cùng một nguyên tắc với ứng dụng theo dõi em bé: chất lượng đầu ra phụ thuộc rất nhiều vào việc người dùng giải thích rõ mục tiêu, bối cảnh và giới hạn—không chỉ đơn thuần nói mình muốn “làm một ứng dụng” hay “dịch một đoạn văn”.

Bài học cho những người không biết lập trình

Trải nghiệm của Tan không chứng minh rằng AI đã biến việc phát triển phần mềm thành quy trình tự động hoàn toàn. Anh vẫn phải xác định một vấn đề thực tế, viết đặc tả chi tiết, tạo tài khoản, kết nối các dịch vụ, kiểm thử ứng dụng và chất vấn những thông tin nghiên cứu có dấu hiệu không đáng tin.

Tuy vậy, câu chuyện cho thấy trợ lý lập trình bằng AI có thể giúp một người bắt đầu từ một sản phẩm hữu ích thay vì phải chờ nhiều năm học lập trình. Với Tan, khả năng thử nghiệm và viết câu lệnh rõ ràng đang trở thành những kỹ năng thực tế dành cho người dùng phổ thông, kể cả những người không sử dụng tiếng Anh hoàn hảo.

Bài học có thể áp dụng rộng rãi nhất không phải là “AI có thể xây mọi thứ”. Đó là người không có nền tảng lập trình vẫn có thể dùng AI để tạo nguyên mẫu cho những công cụ giải quyết một nhu cầu cụ thể—miễn là họ vẫn chịu trách nhiệm về yêu cầu, việc kiểm thử và phán đoán tính chính xác của thông tin.