Maintainability sensors for coding agents

KẾT LUẬN

Static code analysis (ESLint, dependency-cruiser, coupling metrics) hoạt động như computational sensors cho AI coding agents, giúp agent tự sửa lỗi maintainability trước khi code đến tay người review. AI giúp giảm đáng kể chi phí tạo custom rules và quản lý warnings, nhưng vẫn cần con người giám sát để tránh false sense of security và feedback overload khiến agent rơi vào vòng xoáy over-engineering.

LUẬN ĐIỂM CHÍNH

• Sensors chia thành 2 chiều: thời điểm (in-session cho feedback nhanh, pipeline/periodic cho drift tích lũy) và loại (computational – deterministic như ESLint/TypeScript, inferential – AI-driven như security review)
• Custom ESLint formatter messages đóng vai trò good kind of prompt injection: thay vì chỉ báo lỗi, messages hướng dẫn agent cách tự sửa (ví dụ: cho phép suppress warning với lý do, cho phép tăng threshold nếu refactoring thực sự không khả thi)
• AI giúp static analysis khả thi hơn nhờ thay đổi cost-benefit balance: cost giảm vì AI tạo custom rules rẻ hơn, benefit tăng vì kết quả analysis giúp phát hiện common AI mistakes mà human dev ít mắc phải

LUẬN ĐIỂM PHỤ

• Dependency-cruiser rules giúp thực thi cấu trúc module phân tầng (layered architecture: routes -> services -> clients + domain) mà không cần markdown guide, agent tự sửa sau vài lần vi phạm
• Coupling metrics (Dependency Structure Matrix, incoming/outgoing imports) kết hợp computational + inferential sensors: CLI cho agent feedback, web visualization cho human review
• Rủi ro cần quản lý: feedback overload khiến agent rơi vào over-engineered refactorings; static analysis có thể tạo false sense of security vì nhiều khía cạnh semantic của quality không thể bắt bằng linter

LUẬN CỨ & VÍ DỤ

• Ứng dụng thực tế: internal analytics dashboard TypeScript/NextJS/React được rebuild từ đầu bằng AI để thử nghiệm sensors – không có markdown guides về code quality, chỉ dựa vào sensor feedback
• Cyclomatic complexity là category duy nhất AI thường chọn tăng threshold thay vì refactor – nguyên nhân được phát hiện là thiếu self-correction guidance text cho rule này, chứng minh custom lint messages thực sự tạo khác biệt
• ESLint plugin của Factory (github.com/Factory-AI/eslint-plugin) được thiết kế riêng cho AI agent failure modes: rules về require test files, structured logging – cho thấy ecosystem đang thích nghi với nhu cầu mới

Nguồn: MartinFowler | Phân tích bởi AI