RAG đã chết, Skills giết MCP? GitHub mổ xẻ 5 nhận định về AI
“Không cần đọc mã do AI viết”, “RAG đã chết”, “Skills đã giết MCP”… Trên blog GitHub, tác giả GPS mổ xẻ năm nhận định gây tranh cãi về AI và cho thấy thực tế phức tạp hơn một câu nói chắc nịch.
Bài đăng ngày 18/9/2026, tóm lược một tập GitHub Podcast. Theo GPS, Senior Developer Experience Advocate tại GitHub, “hot take” (nhận định gói một chủ đề rắc rối vào một câu khẳng định) dễ lan truyền nhưng chưa chắc giúp ta hiểu vấn đề. Điều đáng giá là hỏi tiếp: nó đúng trong điều kiện nào, còn thiếu bối cảnh gì.
Mã AI viết vẫn phải đọc, nhưng đọc có trọng tâm
Có cần đọc mã do AI tạo ra không? Tác giả trả lời thẳng: có, vì người lập trình vẫn chịu trách nhiệm về đoạn mã đó. Nhưng không phải dòng nào cũng cần soi kỹ như nhau: sửa phần xác thực của hệ thống đang chạy thật khác hẳn một thử nghiệm CSS.
Quy tắc GPS đưa ra là “review until you can explain and own the outcome”, tức xem lại cho tới khi bạn giải thích được và dám nhận kết quả là của mình. AI chỉ dời công sức sang chỗ khác, không làm công việc biến mất.
Còn chuyện “không dùng AI thì không công ty nào tuyển”? Ngày càng nhiều nhóm hỏi ứng viên dùng AI ra sao, nhưng tín hiệu họ tìm là khả năng phán đoán: khi nào dùng AI, khi nào tự làm, kiểm tra mã AI viết thế nào. Phụ thuộc hoàn toàn hay khước từ hoàn toàn đều hiếm khi là câu trả lời tốt.
Skills, MCP và RAG không loại trừ nhau
MCP (Model Context Protocol) là chuẩn chung để tác tử AI (agent, tức AI tự làm nhiều bước liên tiếp) kết nối với công cụ và dữ liệu. Skills thì giống kiến thức chuyên môn được đóng gói, thường viết bằng Markdown nên con người cũng đọc được.
Tác giả tóm lại: “MCP can provide access. Skills can explain how to use that access well”, nghĩa là MCP mở quyền truy cập, còn Skills chỉ cách dùng quyền đó cho tốt.
RAG (retrieval-augmented generation) là kỹ thuật đưa cho AI thông tin liên quan nằm ngoài dữ liệu huấn luyện, như tài liệu hay kiến thức nội bộ. Theo GPS, RAG chưa chết, chỉ là không còn là thứ mới nhất để đăng bài. Thiếu khâu truy xuất tốt, mô hình tốn thêm token (đơn vị tính lượng chữ AI xử lý), chậm hơn và dễ trả lời thiếu. Tác tử, skill, MCP và RAG hoàn toàn có thể nằm chung một quy trình.
Mã khó hiểu với AI thì cũng khó với người
Nhận định cuối: nếu phải fine-tune (tinh chỉnh, tức huấn luyện thêm) mô hình cho kho mã của mình thì mã đó tệ. Vẫn có lý do chính đáng để tinh chỉnh, nhưng các mô hình hiện nay đã gặp rất nhiều framework, quy ước đặt tên và kiến trúc phổ biến; nếu chúng không hiểu nổi kho mã, nhiều khả năng đồng nghiệp mới cũng sẽ chật vật. Cấu trúc rõ ràng, tên gọi nhất quán và tài liệu được cập nhật giúp cả AI lẫn con người.
Lời khuyên khép bài: đừng đáp một nhận định bằng một nhận định khác, hãy làm thử và ghi lại kết quả. Hai ví dụ được nêu là Pollinations AI, nền tảng AI tạo sinh nơi người đóng góp nhận điểm gọi là pollen khi cải thiện dự án, và Avian Visitors, nhật ký chế tạo màn hình e-ink nghe tiếng chim, biến những chú chim ghé ban công thành tranh treo tường.
Nguồn: The GitHub Blog