Từ khi ChatGPT ra mắt, hầu hết đội ngũ kiểm thử phần mềm đều đứng trước một câu hỏi thực tế: dùng mô hình ngôn ngữ lớn (large language model) vào công việc hằng ngày như thế nào cho đúng, thay vì chỉ dừng lại ở việc gõ vài prompt (câu lệnh đầu vào) thử nghiệm rồi bỏ. Cuốn Software Testing with Generative AI của Mark Winteringham, do Manning Publications xuất bản (ISBN 9781633437364), được biên soạn để trả lời câu hỏi đó một cách có hệ thống. Bản tiếng Việt Expert Version 2026 do 89ebook thực hiện giữ nguyên toàn bộ nội dung gốc, có phần chú giải Anh – Việt cho các thuật ngữ kỹ thuật.
Vấn đề cốt lõi mà sách xử lý là khoảng cách giữa việc biết AI tạo sinh tồn tại và việc áp dụng nó có kiểm soát vào quy trình kiểm thử thực tế. Tác giả không trình bày AI như một phép màu thay thế tester, mà xây dựng mô hình ba trụ cột: Tư duy (Mindset), Kỹ thuật (Technique) và Ngữ cảnh (Context) để thành công với LLM. Sách đi từ việc hiểu bản chất xác suất của LLM, nhận diện rủi ro như ảo giác (hallucination), vấn đề nguồn gốc dữ liệu và quyền riêng tư, cho đến thiết kế prompt hiệu quả, sinh dữ liệu kiểm thử, tự động hóa giao diện người dùng, hỗ trợ kiểm thử thăm dò (exploratory testing), xây dựng AI agent làm trợ lý, và các kỹ thuật nâng cao như sinh nội dung có tăng cường truy xuất (RAG) cùng tinh chỉnh (fine-tuning) mô hình theo kiến thức miền nghiệp vụ.
Phần Tư duy (chương 1–3) thiết lập mối quan hệ đúng đắn với LLM: cách các công cụ AI ảnh hưởng đến kiểm thử và phát triển, mô hình mang lại giá trị bằng cách kết hợp năng lực con người và AI, giữ sự hoài nghi cần thiết, tìm hiểu cách LLM được huấn luyện qua học có giám sát, học không giám sát và học tăng cường có phản hồi từ con người (RLHF), cùng các rủi ro cần tránh khi dùng LLM trong kiểm thử.
Phần Kỹ thuật (chương 4–9) là phần thực hành nhiều nhất, hướng dẫn kiểm thử hỗ trợ bởi AI dành cho lập trình viên, lập kế hoạch kiểm thử với AI hỗ trợ, tạo dữ liệu kiểm thử nhanh chóng, tăng tốc và cải thiện tự động hóa UI, hỗ trợ kiểm thử thăm dò, và xây dựng AI agent đóng vai trò trợ lý kiểm thử thay vì người thay thế.
Phần Ngữ cảnh (chương 10–12) đi sâu vào việc tùy chỉnh LLM theo nghiệp vụ: giới thiệu các LLM tùy chỉnh, đưa ngữ cảnh vào câu lệnh đầu vào bằng RAG, và tinh chỉnh (fine-tuning) LLM với kiến thức miền nghiệp vụ riêng của tổ chức. Sách còn có phụ lục hướng dẫn thiết lập ChatGPT, GitHub Copilot và ghi chú bổ sung về kiểm thử thăm dò.
Sách dùng nhiều tình huống thực hành để minh họa lý thuyết, chẳng hạn:
Sách phù hợp với Software Tester/QA, Quality Engineer, SDET, developer đang chịu trách nhiệm kiểm thử, test lead và automation engineer muốn đưa LLM vào quy trình một cách có kiểm soát thay vì chạy theo trào lưu. Người đọc cần có nền tảng kiểm thử phần mềm và lập trình cơ bản (sách dùng Java, Maven, Selenium trong nhiều ví dụ) để theo kịp phần thực hành. Đây không phải là sách nhập môn AI hay giáo trình lập trình từ số 0, và cũng không cam kết công cụ nào luôn sinh ra kết quả đúng.
Người đọc cần xác định rõ vai trò của con người trong suốt quá trình: LLM hỗ trợ sinh ý tưởng, mã nguồn, dữ liệu và phân tích, nhưng việc xác nhận tính đúng đắn của ca kiểm thử, dữ liệu và mã tự động hóa vẫn thuộc trách nhiệm của tester và đội ngũ kỹ thuật. Khi dùng dữ liệu thật của tổ chức hoặc dữ liệu người dùng để tạo prompt, cần tuân thủ chính sách nội bộ về chia sẻ tài sản trí tuệ và quy định pháp luật liên quan đến quyền riêng tư dữ liệu. Về mặt kỹ thuật, một số ví dụ trong sách yêu cầu API key, Chrome/WebDriver, ứng dụng ngoài, JDK 18 và Maven; đây là điều kiện môi trường cần chuẩn bị trước khi thực hành, không phải lỗi của sách.
Sách đi kèm Code Companion 81 trang – một tài liệu PDF riêng biệt tổng hợp prompt, mã nguồn và đầu ra theo từng chương, kèm bảng tra cứu nhanh, ghi chú về khả năng tái lập và môi trường, errata và đối chiếu tương thích kỹ thuật năm 2026. Cần lưu ý Code Companion là tài liệu bổ trợ đi kèm sách in, không phải toàn bộ nội dung sách, và không phải mọi khối mã trong đó đều chạy độc lập – nhiều ví dụ phụ thuộc vào bước trước, dữ liệu, dịch vụ ngoài hoặc phiên bản thư viện cụ thể.
Nên đọc tuần tự theo ba phần Tư duy – Kỹ thuật – Ngữ cảnh vì các chương kỹ thuật thường giả định người đọc đã nắm mô hình giá trị và các rủi ro nêu ở phần đầu. Với các chương thực hành, nên vừa đọc vừa đối chiếu Code Companion để biết ví dụ nào cần chuẩn bị API key hay môi trường trước khi thử. Với phần RAG và fine-tuning ở cuối sách, nên đọc sau khi đã quen với prompt engineering cơ bản ở chương 2, vì các khái niệm như cửa sổ ngữ cảnh và tokenization được xây dựng dần qua các chương.
Sách có dạy từ đầu về AI hay lập trình không? Không. Đây là sách dành cho người đã có nền tảng kiểm thử phần mềm và lập trình cơ bản, tập trung vào cách áp dụng LLM vào quy trình kiểm thử sẵn có.
Code Companion có thay thế được sách in không? Không. Đây là tài liệu PDF 81 trang đi kèm riêng, hỗ trợ tra cứu prompt, mã nguồn, đầu ra theo chương và thông tin về khả năng tái lập; sách in vẫn là nội dung chính.
Mọi ví dụ mã trong sách có chạy được ngay không? Không phải tất cả. Một số ví dụ cần API key, Chrome/WebDriver, ứng dụng ngoài, JDK 18, Maven hoặc dữ liệu cụ thể mới chạy được đầy đủ, và cần được kiểm chứng lại trong môi trường của người đọc.
Sách có cam kết AI sẽ thay thế công việc tester không? Không. Xuyên suốt sách, tác giả nhấn mạnh con người vẫn là người định hình vấn đề, đánh giá rủi ro và chịu trách nhiệm cuối cùng về chất lượng; LLM chỉ đóng vai trò hỗ trợ.
Bản tiếng Việt có giữ nguyên nội dung gốc không? 89ebook cam kết nội dung bản dịch chuẩn 100% theo sách gốc của Manning Publications, có chú giải Anh – Việt cho thuật ngữ chuyên môn để tiện tra cứu song song.
