Làm thế nào để 'thuần hóa' LLM? Giải pháp Serverokey giúp AI không còn 'ngáo' khi code!

Lê Lân

13/07/2025

Serverokey: Giải Pháp “Hàng Rào Bảo Vệ” Giúp LLM Tránh Sai Lầm Khi Xây Dựng Ứng Dụng Web

Mở Đầu

Bạn đã từng thử dùng các mô hình ngôn ngữ lớn (LLM) như GPT, Llama hay Mistral để tạo ứng dụng web chưa? Kết quả thường rất ấn tượng với các hàm nhỏ hoặc mã mẫu, nhưng khi giao cho chúng nhiệm vụ phát triển cả một ứng dụng web hoàn chỉnh, mọi thứ nhanh chóng trở nên hỗn độn và khó kiểm soát.

Trong thời đại AI bùng nổ, LLM đang ngày càng trở nên phổ biến và hữu ích trong việc viết mã. Tuy nhiên, khi yêu cầu chúng làm nhiều hơn là những đoạn code đơn giản – ví dụ như tạo một ứng dụng web hoàn chỉnh – nhiều vấn đề trớ trêu xuất hiện: từ việc bịa đặt đường dẫn tệp, viết mã JavaScript lỗi chính tả, đến quản lý trạng thái lộn xộn. Tác giả của dự án Serverokey đã nhận ra điều này và quyết định tạo ra một công cụ giúp giới hạn quyền tự do quá mức của LLM nhằm giảm thiểu lỗi, biến LLM thành kiến trúc sư dự án thay vì coder tỉ mỉ.

Bài viết dưới đây sẽ trình bày chi tiết về Serverokey – một engine Node.js nhỏ gọn không phụ thuộc bên ngoài, với triết lý hạn chế LLM chỉ được phép khai báo những gì cần làm, còn phần kỹ thuật sẽ do engine xử lý. Hãy cùng tìm hiểu cách Serverokey vận hành và cách bạn có thể thử nghiệm nó ngay hôm nay!

1. Tại Sao LLM Thường Sai Lầm Khi Xây Dựng Ứng Dụng Web?

1.1. LLM Làm Việc Tốt Với Mảnh Mã Nhỏ

LLM xuất sắc trong việc viết các hàm nhỏ, đoạn mã mẫu hoặc các thành phần đơn lẻ. Chúng hiểu cú pháp, biết cấu trúc và có thể tự động sinh mã theo yêu cầu. Nhưng khi phải xử lý hệ thống lớn, đa thành phần với nhiều thư mục và tập tin, chúng dễ mắc phải những lỗi không đáng có.

1.2. Vấn Đề Hallucination Khi Quản Lý Hệ Thống File

LLM thường bịa đặt đường dẫn tệp hoặc đặt tên các file không tồn tại, gây lỗi khi chạy app:

Ví dụ: Tự ý sử dụng require('../../utils/helpers.js') dù không có tệp đó.

Quản lý sai trạng thái: Đọc dữ liệu ở file này, ghi dữ liệu ở file khác gây tình trạng incoherent.

Mã JavaScript DOM thiếu id hoặc thuộc tính gây trục trặc giao diện.

Điểm mấu chốt: Nguyên nhân không phải do LLM không biết code, mà do LLM được giao quá nhiều quyền tự do, khiến nó trở nên tự do tưởng tượng và tạo ra “dữ liệu giả” hay kiến trúc sai lệch.

2. Giới Thiệu Serverokey - Engine Giúp Kiểm Soát LLM

2.1. Triết Lý Cốt Lõi: LLM Là Kiến Trúc Sư, Không Phải Lập Trình Viên

Serverokey là một engine Node.js rất gọn nhẹ, không cần thư viện bên ngoài với mục tiêu chủ đạo:

Đừng để LLM viết code chi tiết, mà hãy để nó mô tả những gì muốn xảy ra trong một tệp duy nhất manifest.js . Tất cả các thao tác phức tạp sẽ do Serverokey xử lý.

2.2. Tính Năng Nổi Bật Của Serverokey

Tính Năng	Mô Tả
Không cho phép chỉ định đường dẫn	LLM chỉ được phép gọi thành phần theo tên, ví dụ `receipt` . Engine tự tìm các file.
Khai báo thao tác, không viết code	Thao tác như thêm phần tử vào giỏ sẽ được mô tả bằng declarative format, không code JS.
Dữ liệu tính toán tự động	Tổng tiền, thuế tính toán dựa trên công thức, không phải code thủ công.

2.3. Ví dụ: Từ Hallucination Đến Kiểm Soát

Tình Huống	Cách LLM Truyền Thống	Serverokey
Nhập đường dẫn file	LLM viết: `require('../../utils/helpers.js')`	Không thể làm vậy. LLM chỉ gọi tên: `'receipt'`
Thao tác cập nhật trạng thái	LLM viết hàm JS phức tạp dễ sai	Describe thao tác push vào `receipt.items` bằng khai báo
Tính toán trường tổng tiền	Viết lại hàm tính toán thủ công	Định nghĩa công thức `sum(items, 'price')` trong manifest

Điều quan trọng: Serverokey xử lý phần khó – quản lý trạng thái, thao tác dữ liệu, render lại UI, giúp tránh lỗi logic do code thủ công.

3. Cách Serverokey Vận Hành Chi Tiết

3.1. Không Có Đường Dẫn, Chỉ Có Tên Thành Phần

LLM mất quyền sử dụng đường dẫn file, chỉ định danh các thành phần qua tên chung chung:

// Không còn: require('../../components/receipt.js')
// Đổi thành: Gọi 'receipt'

Engine dựa vào quy ước nghiêm ngặt để tải template HTML/CSS tương ứng.

3.2. Tác Vụ Tuyên Bố (Declarative Actions)

LLM không viết code thao tác dữ liệu mà mô tả thao tác trong manifest.js . Ví dụ:

'POST /action/addItem': {
  type: 'action',
  manipulate: {
    target: 'receipt.items',
    operation: 'push',
    source: 'positions.all',
    findBy: { "id": "body.id" }
  },
  writes: ['receipt'],
  update: 'receipt'
}

Engine “DataManipulator” hiểu và thực thi thao tác này tự động.

3.3. Dữ Liệu Tính Toán Với Công Thức

Tính toán ví dụ tổng tiền không cần viết lại hàm, chỉ định công thức:

data: {
  receipt: {
    initialState: { items: [], total: '0.00' },
    computed: [
      { target: 'total', formula: "sum(items, 'price')", format: "toFixed(2)" }
    ]
  }
}

Công thức sẽ được engine tự động cập nhật khi danh sách items thay đổi.

Thông qua cách tiếp cận khai báo thay vì viết code, Serverokey giúp giảm thiểu các lỗi thường gặp khi xử lý dữ liệu hoặc quản lý trạng thái phức tạp.

4. Lợi Ích Khi Sử Dụng Serverokey

4.1. Quy Trình Phát Triển Dự Đoán và Đơn Giản Hóa

Với Serverokey, quy trình phát triển feature chỉ gồm:

LLM chỉnh sửa manifest.js để mô tả dữ liệu, action hoặc computed properties cần thêm hoặc thay đổi.

LLM chỉnh sửa template HTML tương ứng trong thư mục app/components/ .

Mọi thứ còn lại engine xử lý tự động.

4.2. Giảm Thiểu Lỗi Ngẫu Nhiên Từ LLM

Không còn chuyện bịa đặt đường dẫn file.

Không cần mã hóa logic JS quản lý trạng thái phức tạp.

Toàn bộ thao tác dữ liệu có thể kiểm soát và xác thực dễ dàng hơn.

4.3. Khả Năng Mở Rộng Với Nhiều LLM Khác Nhau

Serverokey thiết kế để hoạt động tốt với nhiều mô hình từ GPT tới các bản model cục bộ (Llama 3, Mistral, Phi-3...), giúp cộng đồng dễ dàng thử nghiệm tính hiệu quả.

5. Lời Kêu Gọi Từ Tác Giả: Cùng Thử Nghiệm Serverokey

Tác giả đã mở mã nguồn tại Serverokey trên GitHub và rất quan tâm tới phản hồi từ cộng đồng.

5.1. Hướng Dẫn Thử Nghiệm

Clone repo về máy.

Chạy node engine.js để xem app mẫu hoạt động.

Đưa các file cốt lõi như manifest.js , thư mục core/ , engine.js cho LLM bạn thích.

Giao nhiệm vụ dễ dàng như:

Thêm một trường 'tax' trên hóa đơn với giá trị 5% tổng tiền.

Tạo một action mới để áp dụng mã coupon.

Thêm component hiển thị lịch sử các thao tác thực hiện.

5.2. Mục Tiêu

Xem LLM có hiểu cách viết khai báo thay vì code hay không.

Tổng hợp dữ liệu về điểm mạnh và hạn chế của mô hình này.

Thảo luận và đóng góp ý kiến để cải tiến.

Bạn có thể trả lời trong phần comment hoặc qua các issue trên GitHub. Đây là một cuộc thử nghiệm hợp tác thú vị nhằm tìm ra cách làm LLM an toàn và hiệu quả hơn!

Kết Luận

Serverokey đem lại một cách tiếp cận mới mẻ cho việc phát triển ứng dụng web sử dụng LLM: thay vì tin vào khả năng tự do lập trình chi tiết của AI, hãy giúp nó tập trung vào thiết kế tổng thể thông qua các khai báo có cấu trúc. Phương pháp này không những giúp giảm thiểu rủi ro do hallucination hay lỗi logic, mà còn tạo nên một môi trường phát triển dự đoán, dễ bảo trì hơn.

Nếu bạn làm việc với LLM trong lập trình web hoặc muốn khám phá cách thức mới để kết hợp AI vào dự án của mình, đừng ngần ngại thử Serverokey và đóng góp ý kiến. Đây có thể là bước đầu cho cách mạng “bảo vệ” LLM khỏi sai sót do chính chúng tạo ra.

Tham Khảo

Serverokey - GitHub Repository June 1, 2024

Brown, T. et al. (2020). “Language Models are Few-Shot Learners.” arXiv preprint arXiv:2005.14165

OpenAI. (2023). “GPT-4 Technical Report.”

Vaswani, A. et al. (2017). “Attention is All You Need.” NeurIPS

Blog “How AI Hallucinations Happen and How to Fix Them.” (2023) - Link