Báo Cáo: Agent Viết Mã Hiện Đại Hóa Phần Mềm Nghiên Cứu Nhưng Không Đánh Giá Được Độ Đúng Của Kết Quả

Nội dung báo cáo là tám nghiên cứu điển hình, chủ yếu trong sinh học, nơi các nhóm nghiên cứu dùng agent như Codex và Claude Code để bảo trì, tối ưu mục tiêu hoặc viết lại toàn bộ mã sang ngôn ngữ hiện đại.

Nhiều công cụ nghiên cứu được dùng rộng rãi ban đầu là mã hỗ trợ cho một bài báo, do các nhóm nhỏ viết mà thiếu kiểm thử, bảo trì hoặc tối ưu. Kết quả là phần mềm dễ vỡ nhưng lại quan trọng cho cả lĩnh vực, và agent được đề xuất là cách khắc phục phần nào vấn đề này.

Một dự án đơn giản là hiện đại hóa cyvcf2, thư viện Python đọc dữ liệu di truyền; GPT-5.5 thay quy trình xây dựng và cài đặt cũ bằng quy trình hiện đại. Trong dự án MHCflurry, Claude Code và Codex luân phiên đóng vai nhà phát triển và người kiểm duyệt khi chuyển khoảng 10.000 dòng mã từ TensorFlow sang PyTorch.

Dự án rustar-aligner xây lại STAR bằng Rust. STAR ban đầu có hơn 20.000 dòng C và C++ và không còn được duy trì, nhưng vẫn là phần của nhiều quy trình nghiên cứu. Để so sánh, nhóm thử hai công cụ trên 10.000 đoạn đọc trình tự ngắn từ nấm men: với đọc đơn, rustar-aligner cho kết quả giống STAR trong 99.815% trường hợp; với đọc ghép cặp, tỷ lệ tương ứng là 99.883%.

RustQC gom 15 công cụ kiểm tra chất lượng riêng lẻ thành một chương trình, cho tốc độ nhanh hơn hơn 60 lần trên một tập dữ liệu lớn (từ 15 giờ 34 phút xuống 14 phút 54 giây). HelixForge thay công cụ sinh dữ liệu tổng hợp bằng phiên bản chạy trên GPU; trên dữ liệu từ một người hiến và vùng 10 triệu cặp base, toàn bộ quy trình nhanh hơn 59.6 lần so với BamSurgeon, còn bước tính toán chính nhanh hơn 98.6 lần.

Báo cáo kết luận rằng agent hoàn thành tốt các nhiệm vụ xác định rõ ràng và nhanh, nhưng không thể đáng tin cậy đánh giá xem mã hoặc kết quả có đúng về mặt khoa học hay không; ngay cả khi mã chứa lỗi, hệ thống thường trình bày nó với độ tự tin cao.