Phát triển hướng kiểm thử (TDD) trong vòng đời phát triển hướng AI (AI-DLC): tổng quan bằng chứng và đề xuất thực hành
Tóm tắt. Phát triển hướng kiểm thử (Test-Driven Development, TDD) là kỹ thuật lặp ba bước: viết một kiểm thử thất bại (Red), viết lượng mã tối thiểu để kiểm thử đó đạt (Green), rồi tái cấu trúc mã trong khi giữ toàn bộ kiểm thử đạt (Refactor). Các nghiên cứu thực nghiệm trước kỷ nguyên AI cho kết quả không đồng nhất: nghiên cứu tình huống trên bốn đội công nghiệp ghi nhận mật độ lỗi giảm 40–90% với chi phí thời gian ban đầu tăng 15–35%, trong khi phân tích tổng hợp 27 nghiên cứu chỉ thấy cải thiện nhỏ về chất lượng. Trong vòng đời phát triển hướng AI (AI-Driven Development Life Cycle, AI-DLC), nơi mã nguồn ngày càng do mô hình ngôn ngữ lớn (LLM) sinh ra, kiểm thử có thêm một chức năng: đóng vai trò đặc tả thực thi được, qua đó làm rõ ý định và kiểm chứng đầu ra của AI. Các nghiên cứu về sinh mã dẫn dắt bởi kiểm thử từ 2023 đến 2026 cho thấy việc cung cấp kiểm thử cho LLM cải thiện kết quả trên các bộ chuẩn, và hướng mới nhất cho phép mô hình tự sinh rồi tinh chỉnh đồng thời cả kiểm thử lẫn mã. Tuy vậy, bằng chứng chủ yếu đến từ bài toán chuẩn quy mô nhỏ, và chất lượng của chính bộ kiểm thử đặt giới hạn cho mọi kết luận về tính đúng đắn. Chưa có đánh giá nào ở cấp toàn bộ vòng đời AI-DLC.
Từ khoá: TDD, AI-DLC, kiểm thử đơn vị, mô hình ngôn ngữ lớn, đặc tả thực thi được, tái cấu trúc.
1. Đặt vấn đề
Việc lập trình viên giao một phần ngày càng lớn công việc viết mã cho trợ lý AI (xem loạt bài AI-Driven Development) làm thay đổi câu hỏi trung tâm của kiểm thử. Trước đây, câu hỏi là "mã do con người viết có đúng không". Hiện nay, câu hỏi là "ai chịu trách nhiệm xác định thế nào là đúng, khi mã được sinh ra với tốc độ vượt khả năng đọc lại từng dòng".
TDD là ứng viên tự nhiên cho câu hỏi này, vì nó đặt định nghĩa của sự đúng đắn (kiểm thử) trước phần cài đặt. Tuy nhiên, các bằng chứng kinh điển về TDD được thu thập khi con người viết cả kiểm thử lẫn mã. Bài viết này nhằm trả lời ba câu hỏi:
- Bằng chứng thực nghiệm hiện có nói gì về hiệu quả của TDD?
- TDD có thể được đặt ở đâu trong AI-DLC, và các nghiên cứu về sinh mã bằng LLM hỗ trợ điều đó đến mức nào?
- Một quy trình thực hành khả thi trông như thế nào, và những rủi ro nào cần kiểm soát?
Phạm vi tài liệu gồm các công bố đã được đối chiếu với phần tóm tắt trên nguồn gốc; cách xử lý chi tiết ở mục 7.
2. Cơ sở lý thuyết
2.1. Vòng lặp TDD
Beck (2002), trong Test-Driven Development: By Example, mô tả TDD qua hai quy tắc: chỉ viết mã mới khi có một kiểm thử tự động đang thất bại, và loại bỏ sự trùng lặp. Hai quy tắc này tạo thành vòng lặp ba pha:
| Pha | Hoạt động | Điều kiện kết thúc |
|---|---|---|
| Red | Viết một kiểm thử mô tả hành vi mong muốn | Kiểm thử chạy và thất bại đúng nguyên nhân dự kiến |
| Green | Viết mã tối thiểu, có thể gán cứng kết quả | Toàn bộ kiểm thử đạt |
| Refactor | Cải thiện cấu trúc mã và kiểm thử, không đổi hành vi | Toàn bộ kiểm thử vẫn đạt |
Cần phân biệt TDD với ba khái niệm lân cận. Test-first chỉ quy định thứ tự viết kiểm thử trước; TDD bổ sung tái cấu trúc có kỷ luật và nhịp làm việc theo bước nhỏ. Kiểm thử đơn vị là sản phẩm, còn TDD là quy trình tạo ra sản phẩm đó và đồng thời định hình thiết kế. ATDD/BDD đặt kiểm thử ở mức hành vi nghiệp vụ, thường là vòng ngoài bao quanh vòng TDD ở mức đơn vị.
Một điều kiện dễ bị bỏ qua là pha Red phải thất bại đúng nguyên nhân. Kiểm thử đỏ do lỗi ngoại lệ trong chính mã kiểm thử không chứng minh được điều gì về hành vi cần xây dựng.
2.2. AI-DLC
AI-DLC do Raja SP (AWS) đề xuất, công bố ngày 31/07/2025. Phương pháp này chủ trương AI đóng vai trò chủ thể thực thi, còn con người giữ thẩm quyền ra quyết định ở các điểm cần ngữ cảnh nghiệp vụ và phán đoán, theo nguyên lý "AI Powered Execution with Human Oversight". Vòng đời gồm ba pha:
- Inception: AI chuyển ý định nghiệp vụ thành yêu cầu, câu chuyện người dùng và các đơn vị công việc thông qua hoạt động Mob Elaboration, trong đó nhóm liên chức năng thẩm định các đề xuất và câu hỏi của AI.
- Construction: AI đề xuất kiến trúc logic, mô hình miền, mã nguồn và bộ kiểm thử thông qua Mob Construction; nhóm làm rõ các quyết định kỹ thuật theo thời gian thực.
- Operations: AI quản lý hạ tầng dưới dạng mã và triển khai, dựa trên ngữ cảnh tích luỹ từ các pha trước.
Về thuật ngữ, Bolt thay cho sprint (chu kỳ tính bằng giờ hoặc ngày), và Unit of Work thay cho epic. Trong mô tả này, kiểm thử xuất hiện như một sản phẩm do AI sinh ra liên tục trong Construction. Tài liệu giới thiệu nói đến việc AI áp dụng chuẩn mã hoá, mẫu thiết k ế và yêu cầu bảo mật của tổ chức khi sinh bộ kiểm thử. Vì vậy, việc gắn TDD vào AI-DLC trong bài này là đề xuất của tác giả bài viết, không phải nội dung được quy định trong tài liệu gốc.
3. Bằng chứng thực nghiệm về TDD
Các nghiên cứu dưới đây khác nhau về đối tượng (sinh viên hay chuyên gia), thiết kế (thí nghiệm hay nghiên cứu tình huống) và thang đo, nên cần đọc như những lát cắt bổ sung cho nhau thay vì một con số duy nhất.
| Nghiên cứu | Loại hình | Kết quả chính |
|---|---|---|
| Nagappan, Maximilien, Bhat, Williams (2008) | Nghiên cứu tình huống, 4 đội (3 Microsoft, 1 IBM) | Mật độ lỗi trước phát hành giảm 40–90% so với dự án tương đương; thời gian phát triển ban đầu tăng 15–35% |
| Rafique & Mišić (2013) | Phân tích tổng hợp, 27 nghiên cứu | Cải thiện nhỏ về chất lượng ngoài, gần như không ảnh hưởng năng suất; nghiên cứu công nghiệp cho mức cải thiện chất lượng và mức sụt giảm năng suất đều lớn hơn nghiên cứu học thuật |
| Fucci và cộng sự (2017) | Thí nghiệm, 39 lập trình viên chuyên nghiệp | Thứ tự viết kiểm thử và mã không có ảnh hưởng quan trọng; chất lượng và năng suất gắn với độ mịn và tính đều đặn của các bước |
| Causevic, Sundmark, Punnekkat (2011) | Tổng quan hệ thống | Bảy yếu tố cản trở áp dụng, gồm tăng thời gian phát triển, thiếu kinh nghiệm TDD, thiếu thiết kế trước, vấn đề riêng của miền và công cụ, mã kế thừa |
| George & Williams (2004) | Thí nghiệm, 24 lập trình viên chuyên nghiệp làm việc theo cặp | Nhóm TDD vượt thêm 18% số kiểm thử hộp đen chức năng nhưng mất nhiều hơn 16% thời gian; nhóm đối chứng thường không viết đủ kiểm thử tự động sau khi viết mã |
| Romano và cộng sự (2017) | Nghiên cứu đa phương pháp (định tính), lập trình viên mới vào nghề và chuyên nghiệp | Khảo sát các giá trị, niềm tin và giả định của người áp dụng TDD, tức cách con người thực sự vận hành TDD thay vì chỉ đo kết quả |
Ba nhận xét rút ra từ bảng trên:
- Lợi ích về chất lượng đi kèm chi phí. Mức giảm lỗi 40–90% không tách rời khỏi mức tăng 15–35% thời gian ban đầu. Thí nghiệm sớm hơn của George & Williams (2004) cho cùng một cấu trúc đánh đ ổi: chất lượng chức năng cao hơn 18%, thời gian nhiều hơn 16%. Giá trị ròng phụ thuộc vào chi phí của lỗi trong môi trường cụ thể.
- Bối cảnh khuếch đại cả lợi ích lẫn chi phí. Phân tích của Rafique & Mišić cho thấy nghiên cứu công nghiệp có cả mức cải thiện chất lượng lẫn mức sụt giảm năng suất lớn hơn nghiên cứu học thuật. Mức sụt giảm năng suất cũng lớn hơn khi nhóm áp dụng TDD đầu tư công sức kiểm thử nhiều hơn đáng kể so với nhóm đối chứng.
- Cơ chế quan trọng hơn thứ tự. Fucci và cộng sự không tìm thấy ảnh hưởng quan trọng của việc viết kiểm thử trước hay sau; kết quả tốt gắn với bước nhỏ và đều. Các tác giả đề xuất lợi ích đến từ "những bước nhỏ, đều đặn giúp tập trung và giữ nhịp". Đây là điểm có ý nghĩa đặc biệt cho mục 4.
Karac & Turhan (2018) cũng xem xét TDD đã đáp ứng được bao nhiêu kỳ vọng đặt ra, nhấn mạnh rằng TDD không chỉ là viết kiểm thử trước. Bài viết này không trích dẫn kết luận định lượng của công bố đó. Một thí nghiệm có kiểm soát đăng trên Information and Software Technology năm 2011 so sánh TDD với kiểm thử viết sau theo từng bước nhỏ cũng thường được viện dẫn trong tranh luận về năng suất; do không đối chiếu được nội dung kết quả, bài này không đưa nó vào bảng trên (xem mục 7).
4. TDD trong bối cảnh AI-DLC
4.1. Kiểm thử như đặc tả thực thi được
Khi mã do LLM sinh ra, một yêu cầu bằng ngôn ngữ tự nhiên thường chứa nhiều điểm mơ hồ mà mô hình sẽ giải quyết theo cách riêng của nó. Kiểm thử loại bỏ sự mơ hồ này bằng một phát biểu có thể chạy được. Một số nghiên cứu gần đây khảo sát hướng tiếp cận này:
| Nghiên cứu | Thiết kế | Kết quả chính |
|---|---|---|
| Fakhoury và cộng sự (2024), TiCoder, IEEE TSE | Quy trình tương tác dùng kiểm thử để làm rõ ý định; nghiên cứu người dùng với 15 lập trình viên; 4 LLM, 2 tập dữ liệu Python | Độ chính xác pass@1 tăng trung bình tuyệt đối 45,97% trong vòng 5 lần tương tác; tải nhận thức của người tham gia giảm có ý nghĩa |
| Liang và cộng sự (2026), ClassEval-TDD | Khung lặp theo TDD cho sinh mã mức lớp, 8 LLM | Độ đúng đắn tăng 12–26 điểm phần trăm so với sinh trực tiếp; tối đa 71% lớp đúng hoàn toàn |
| Piya & Sullivan (2023), LLM4TDD | ChatGPT trên bài toán LeetCode, đưa kiểm thử vào dần dần | Khảo sát ảnh hưởng của thuộc tính kiểm thử, câu lệnh gợi ý và bài toán; không trích số liệu cụ thể trong bài này |
| Mathews & Nagappan (2024) | Cung cấp kiểm thử cùng đề bài cho GPT-4 và Llama 3; bộ chuẩn MBPP và HumanEval | Việc đưa thêm kiểm thử vào đề bài giúp mô hình giải bài thành công nhiều hơn; các tác giả xem TDD là hướng giúp mã do LLM sinh ra bám yêu cầu |
| Cui (2025), Tests as Prompt | Bộ chuẩn WebApp1K, 1.000 thử thách thuộc 20 lĩnh vực, 19 LLM tiên tiến; kiểm thử vừa là câu lệnh gợi ý vừa là phép kiểm chứng | Khả năng tuân thủ chỉ dẫn và học trong ngữ cảnh quan trọng hơn năng lực lập trình thuần tuý; phát hiện hiện tượng mất chỉ dẫn khi câu lệnh dài |
| Yu và cộng sự (2026), TDD-Agent (bản thảo arXiv) | Mô hình sinh kiểm thử trước, rồi tinh chỉnh song song cả mã lẫn kiểm thử theo phản hồi thực thi; đánh giá trên LiveCodeBench và RepoEval | Cải thiện so với các cơ sở so sánh dựa trên suy luận, truy xuất và tác tử; bộ kiểm thử sau tinh chỉnh có tỷ lệ đạt, độ phủ và điểm đột biến cao hơn |
| Cassieri và cộng sự, ACM TOSEM | Nghiên cứu phòng thí nghiệm, thí nghiệm có kiểm soát với sinh viên sau đại học, ba nghiên cứu định tính trong công nghiệp về AI sinh mã cho TDD | Chưa đối chiếu được kết quả cụ thể; được ghi nhận như bằng chứng rằng chủ đề đang được nghiên cứu đa phương pháp |
Các kết quả cùng hướng: cung cấp kiểm thử cho mô hình, và cho phép mô hình lặp lại theo phản hồi, cải thiện đáng kể độ chính xác so với sinh trực tiếp từ mô tả. Cần lưu ý ba giới hạn. Thứ nhất, các thực nghiệm dùng bài toán chuẩn (hàm, lớp đơn lẻ), chưa phản ánh hệ thống nhiều thành phần. Thứ hai, "độ chính xác" ở đây được đo bằng chính các bộ kiểm thử, nên phụ thuộc chất lượng của chúng (xem 4.2). Thứ ba, mẫu người dùng của TiCoder nhỏ (15 người). Ngoài ra, TDD-Agent mới ở dạng bản thảo trên arXiv, chưa qua phản biện. Kết quả của Cui (2025) có một hàm ý thực hành đáng lưu ý, ở mức suy luận: nếu mô hình mất chỉ dẫn khi câu lệnh dài, thì việc đưa kiểm thử vào theo từng bước nhỏ phù hợp hơn việc đưa một bộ kiểm thử lớn một lần, điều này cũng trùng với khuyến nghị về bước nhỏ ở mục 3.
4.2. Chất lượng kiểm thử là giới hạn của tính đúng đắn
Liu và cộng sự (2023) với EvalPlus mở rộng bộ kiểm thử của HumanEval lên 80 lần và đánh giá lại 26 LLM. Tỷ lệ đạt giảm tới 19,3–28,9%, và thứ hạng giữa các mô hình thay đổi: hai mô hình mã nguồn mở vượt ChatGPT trên bộ kiểm thử mở rộng nhưng không vượt trên bộ gốc. Các tác giả kết luận sự thiếu hụt của kiểm thử có thể dẫn tới xếp hạng sai.
Kết quả này không thuộc về TDD thuần tuý, nhưng có hệ quả trực tiếp khi AI-DLC cho AI sinh cả mã lẫn kiểm thử. Nếu một mô hình viết kiểm thử dựa trên chính cách hiểu của nó về yêu cầu, rồi viết mã để đạt các kiểm thử đó, thì việc "tất cả kiểm thử đạt" chỉ chứng minh sự nhất quán nội bộ của mô hình, không chứng minh sự phù hợp với ý định nghiệp vụ. Đây là lập luận suy diễn của tác giả bài viết, chưa có nghiên cứu nào được tìm thấy đo trực tiếp hiện tượng này trong AI-DLC.
Cần cân bằng lập luận trên với TDD-Agent (Yu và cộng sự, 2026): hệ thống này để chính mô hình sinh kiểm thử rồi tinh chỉnh cả kiểm thử lẫn mã theo phản hồi thực thi, và báo cáo bộ kiểm thử cải thiện về tỷ lệ đạt, độ phủ và điểm đột biến. Điều đó cho thấy kiểm thử do AI sinh ra không vô giá trị, và việc để AI tinh chỉnh kiểm thử là hướng đáng nghiên cứu. Tuy vậy, các đánh giá này dựa trên bộ chuẩn, không đo mức độ phù hợp với ý định nghiệp vụ của một tổ chức cụ thể và chưa đánh giá vai trò của con người thẩm định. Vì vậy bài này giữ lập trường thận trọng ở mục 4.3: để AI hỗ trợ soạn thảo kiểm thử, nhưng con người xác nhận chúng. Các rủi ro rộng hơn của việc giao mã cho AI được phân tích ở phần 3 của loạt bài AI-Driven Development; cách đưa tri thức kỹ thuật của dự án vào tác tử AI được bàn ở bài về agent skills.
4.3. Đề xuất phân vai
Từ hai nhận xét trên, bài viết đề xuất một nguyên tắc phân vai, đối chiếu với các pha AI-DLC:
| Pha AI-DLC | Hoạt động TDD tương ứng | Vai trò đề xuất |
|---|---|---|
| Inception (Mob Elaboration) | Chuyển tiêu chí chấp nhận thành ví dụ cụ thể và kiểm thử ở mức hành vi | AI soạn thảo, con người thẩm định vì đây là nơi ý định nghiệp vụ được cố định |
| Construction (Mob Construction), pha Red | Viết kiểm thử đơn vị mô tả hành vi tiếp theo | Con người viết hoặc phê duyệt từng kiểm thử trước khi AI viết mã |
| Construction, pha Green | Cài đặt tối thiểu để kiểm thử đạt | AI thực hiện; kết quả được kiểm chứng bằng kiểm thử, không bằng việc đọc lướt |
| Construction, pha Refactor | Tái cấu trúc khi toàn bộ kiểm thử đạt | AI đề xuất, con người xét duyệt; kiểm thử là lưới an toàn |

Cơ sở của việc đặt thẩm quyền ở pha Red: đó là nơi định nghĩa sự đúng đắn, tương ứng với nguyên lý thẩm quyền quyết định thuộc về con người của AI-DLC. Cơ sở của việc giao pha Green cho AI: đây là phần có phản hồi tự động rõ ràng nhất, đúng loại tác vụ mà các nghiên cứu ở 4.1 cho thấy mô hình xử lý tốt hơn khi có kiểm thử dẫn dắt.
Nhịp làm việc cũng tương thích. Fucci và cộng sự gắn kết quả tốt với bước nhỏ và đều, còn AI-DLC dùng Bolt (giờ hoặc ngày) thay cho sprint. Mỗi vòng Red-Green-Refactor có thể xem là đơn vị mịn hơn nằm trong một Bolt.
4.4. Khoảng trống nghiên cứu
Hiện có hai nhánh tài liệu riêng rẽ. Nhánh thứ nhất là TDD cho sinh mã bằng LLM (mục 4.1). Nhánh thứ hai nhìn AI trên toàn bộ vòng đời phát triển phần mềm: Guimaraes & Nascimento (2025), trong FSE Companion, xem xét tác động của AI qua các pha của vòng đời và nêu một chương trình nghiên cứu; Bhati (2026) mô tả sự chuyển từ hoàn thành mã sang các hệ thống tác tử làm việc ở mức kho mã, tính năng hoặc thuật toán, đề xuất kiến trúc tham chiếu sáu lớp và nêu năm vấn đề mở (đánh giá, quản trị, nợ kỹ thuật, tái phân bổ kỹ năng, kinh tế của sự chú ý). Bhati cũng tổng hợp mức tiết kiệm thời gian 13,6–55,8% trong các nghiên cứu có kiểm soát về AI hỗ trợ lập trình; đây là con số về AI nói chung, không riêng TDD.
Trong phạm vi tìm kiếm của tác giả, chưa thấy nghiên cứu nào đánh giá một vòng đời phát triển hướng AI được thiết kế xoay quanh TDD ở quy mô dự án công nghiệp. Việc ghép hai nhánh để kết luận về quy trình kết hợp là suy lu ận, cần được kiểm chứng.
Đề xuất thiết kế nghiên cứu (của tác giả bài viết, chưa thực hiện). Một thí nghiệm có kiểm soát có thể so sánh hai nhóm: nhóm A dùng AI theo cách thông thường (yêu cầu, AI viết mã, rồi kiểm thử), nhóm B dùng AI kết hợp TDD (yêu cầu, kiểm thử, AI viết mã, kiểm thử, tái cấu trúc). Cách thiết kế này không đòi hỏi giả định rằng AI giỏi hơn lập trình viên. Các chỉ số có thể đo:
| Khía cạnh | Chỉ số |
|---|---|
| Tính đúng đắn | Tỷ lệ kiểm thử đạt |
| Độ bền vững của kiểm thử | Điểm đột biến (mutation score) |
| Chất lượng | Mật độ lỗi |
| Khả năng bảo trì | Độ phức tạp, độ ghép nối |
| Năng suất | Thời gian cho mỗi tác vụ |
| Hiệu quả của AI | Số token cho mỗi tác vụ, tỷ lệ tác vụ thành công của tác tử |
| Công sức của con người | Số lần can thiệp |
| Độ tin cậy | Tỷ lệ hồi quy |
Về mặt khung quy trình, có thể hình dung một biến thể của AI-DLC đặt kiểm thử ở trung tâm: yêu cầu của con người, phân tích yêu cầu và tiêu chí chấp nhận do AI soạn, kiểm thử (Red), cài đặt (Green), tái cấu trúc, rà soát mã, kiểm thử đột biến, tích hợp và đầu cuối, phê duyệt của con người, vận hành, rồi phản hồi từ môi trường thật quay lại thành kiểm thử mới. Đây là một hình dung thiết kế, không phải khung đã được kiểm chứng.
5. Minh hoạ thực hành
Bài toán giả định, đủ nhỏ để theo dõi: đơn hàng từ 1.000.000 trở lên được giảm 10%; khách VIP được giảm thêm 5% cộng dồn; tổng tiền hàng âm là dữ liệu không hợp lệ. Theo phân vai ở 4.3, người phát triển viết kiểm thử, trợ lý AI đề xuất cài đặt.
5.1. Vòng 1: Red, rồi Green bằng cách giả lập
Kiểm thử đầu tiên chọn tình huống đơn giản nhất:
public class OrderPricingTests
{
[Fact]
public void Total_UnderThreshold_NoDiscount()
{
var pricing = new OrderPricing();
Assert.Equal(500_000m, pricing.Total(500_000m, isVip: false));
}
}
Lớp OrderPricing chưa tồn tại nên đoạn mã chưa biên dịch được, đây cũng là một dạng Red. Cần tạo lớp rỗng với phương thức ném NotImplementedException để kiểm thử chạy và thất bại đúng nguyên nhân, sau đó viết lượng mã đủ để đạt:
public class OrderPricing
{
public decimal Total(decimal subtotal, bool isVip) => subtotal;
}
Đây là kỹ thuật Fake It của Beck: trả về đúng giá trị kiểm thử cần, chưa tổng quát hoá. Với trợ lý AI, pha này đặc biệt quan trọng: người phát triển cần quan sát kiểm thử thật sự đỏ trước khi yêu cầu AI viết mã.