So sánh 4 trợ lý lập trình AI: Mistral Vibe, Claude Code, Cursor và Codex qua bài kiểm tra thực tế

Các tác nhân lập trình (coding agents) hiện là danh mục gây tranh cãi nhất trong lĩnh vực công cụ dành cho nhà phát triển. Bốn cái tên đang thống trị danh sách rút gọn: Mistral Vibe for Code, Claude Code, Cursor và OpenAI Codex. Mỗi cái tên đều tuyên bố có khả năng thực hiện quy trình từ yêu cầu (prompt) đến yêu cầu kéo (pull request).

Bài so sánh này đánh giá cả bốn công cụ dựa trên một quy trình làm việc thực tế. Không phải là một đoạn mã thử nghiệm, mà là một đơn vị công việc kỹ thuật thực thụ: xây dựng khung (scaffold) cho một tính năng trên nhiều tệp, tạo và chạy các bài kiểm thử, sau đó mở một pull request.

Nhiệm vụ

Yêu cầu (Prompt): ‘Trong dịch vụ Python/FastAPI hiện có của chúng tôi, hãy thêm một endpoint /subscriptions. Xây dựng khung cho route, các mô hình Pydantic và một lớp dịch vụ (service layer) trên các tệp tương ứng. Tạo các bài kiểm thử đơn vị (unit test) và kiểm thử tích hợp (integration test), chạy chúng, sửa lỗi nếu có, sau đó mở một pull request kèm theo mô tả rõ ràng.’

Yêu cầu đó tương ứng với ba giai đoạn mà mọi tác nhân phải vượt qua: xây dựng khung (scaffold), kiểm thử (test) và triển khai (ship).

Phương pháp luận, trình bày một cách trung thực

Đây là bài so sánh năng lực, không phải là một lượt chạy tính giờ trên một máy duy nhất. Điểm số phản ánh các tính năng đã được ghi nhận, các tiêu chuẩn đánh giá (benchmark) đã công bố và thông số kỹ thuật của nhà cung cấp tính đến ngày 14 tháng 7 năm 2026. Mỗi khía cạnh được đánh giá từ 1 đến 5 điểm, tối đa là 25 điểm. Mỗi điểm số đều đi kèm với một dòng lý giải.

Ba lưu ý quan trọng hơn cả điểm số:

Năm khía cạnh đánh giá: xây dựng khung tính năng, vòng lặp tạo và chạy kiểm thử, quy trình PR và làm việc bất đồng bộ (async), độ bao phủ bề mặt (surface coverage), và chi phí/tính mở/quyền kiểm soát.

Kết quả

Vibe for Code: 22/25 điểm

Mistral Vibe là tác nhân hợp nhất của Mistral dành cho công việc và lập trình, là sản phẩm trước đây được biết đến với tên gọi Le Chat. Bề mặt lập trình của nó chạy một CLI mã nguồn mở trên GitHub theo giấy phép Apache 2.0.

Hệ thống mô hình được phân lớp và sự khác biệt này rất quan trọng. Theo FAQ của Mistral, Mistral Medium là dòng mô hình hiệu năng cao nhất cho các tác vụ kỹ thuật phần mềm phức tạp, đa bước. CLI của Vibe và các plugin IDE được vận hành bởi Devstral. Codestral xử lý các tác vụ hoàn thiện mã nhanh, còn Codestral Embed hỗ trợ tìm kiếm mã ngữ nghĩa. Các tác nhân từ xa (remote agents) chạy trên Mistral Medium 3.5. Việc đánh giá Vibe chỉ dựa trên benchmark của Devstral sẽ làm giảm giá trị thực của sản phẩm.

Về khả năng xây dựng khung, Vibe quét cây tệp và trạng thái Git của bạn để lấy ngữ cảnh nhận thức dự án, sau đó thực hiện điều phối đa tệp với khả năng suy luận ở cấp độ kiến trúc. Devstral 2 là mô hình dày đặc 123B với cửa sổ ngữ cảnh 256K. Mistral báo cáo đạt 72,2% trên SWE-bench Verified, được định vị là trạng thái tiên tiến nhất trong số các mô hình mở. Devstral Small 2 (24B, Apache 2.0) đạt 68,0% và chạy được trên phần cứng phổ thông.

Kiểm thử là một tính năng hạng nhất: các bài kiểm thử được tự động tạo ra và phát triển cùng với cơ sở mã, khớp với các mẫu hiện có của bạn. Các hook chạy các lệnh shell tùy chỉnh trước và sau mỗi lượt của tác nhân, giúp bạn có thể thực thi các quy ước hoặc chặn các mẫu mã tự động.

Giai đoạn PR và làm việc bất đồng bộ được thiết kế rất tốt. Các tác nhân lập trình từ xa chạy trong các sandbox cô lập để thực thi song song, và các phiên làm việc vẫn duy trì ngay cả khi máy tính của bạn đã tắt. Lệnh /teleport chuyển một phiên làm việc trực tiếp từ CLI cục bộ sang tác nhân từ xa và ngược lại. Khả năng quan sát tác nhân từ xa cung cấp lịch sử chạy, các lệnh gọi công cụ, thay đổi mã, nhật ký và dấu vết kiểm toán.

Độ bao phủ bề mặt là rộng nhất trong số các công cụ ở đây, và đây là nơi Vibe đạt điểm 5 tuyệt đối: terminal CLI, VS Code, JetBrains, Zed, ứng dụng web, di động và các tác nhân chạy nền. Nó cũng tích hợp tính năng tab-to-complete, loại bỏ lý do phải giữ lại một công cụ tự động hoàn thiện mã riêng biệt.

Chi phí và quyền kiểm soát là lợi thế quyết định của Vibe. Gói Pro có giá 14,99 USD/tháng, là gói cao cấp rẻ nhất trong bốn công cụ. Gói Team là 24,99 USD/người dùng/tháng. Có một gói sinh viên giá 5,99 USD. Mistral tuyên bố Devstral 2 tiết kiệm chi phí hơn tới 7 lần so với Claude Sonnet trong các tác vụ thực tế — một lần nữa, đây là tuyên bố từ nhà cung cấp. Bạn có thể tự lưu trữ (self-host), triển khai trong đám mây riêng hoặc tại chỗ (on-premises), tinh chỉnh trên mã nguồn độc quyền và việc huấn luyện mô hình là tùy chọn (opt-out) trên các gói trả phí.

Điểm yếu của Vibe: Mức 72,2% của Devstral vẫn thấp hơn các mô hình đóng tiên tiến trên các bài đánh giá lập trình, và người dùng đã báo cáo về các lỗi giới hạn tốc độ (rate-limiting) và sự thiếu ổn định thỉnh thoảng xảy ra. CLI ưu tiên UNIX, vì vậy các nhóm ưu tiên Windows nên dùng thử trước khi quyết định sử dụng.

Claude Code: 21/25 điểm

Claude Code là công cụ lập trình tác nhân của Anthropic, chạy mặc định trên Claude Opus 4.8. Hệ thống hỗ trợ của nó sâu nhất trong lĩnh vực này: 30 hook vòng đời, Skills, Plugins, Subagents, checkpoints, chế độ lập kế hoạch và MCP.

Nó dẫn đầu về khả năng thực thi thuần túy. Dynamic Workflows điều phối các đội quân tác nhân phụ (subagents) song song trong một phiên duy nhất. Các tác vụ nền, tự động kiểm tra điểm (checkpointing) và vòng lặp kiểm thử-xác minh hoàn thiện khiến quy trình xây dựng-kiểm thử-PR trở thành thế mạnh của nó. Một minh chứng được trích dẫn rộng rãi: người tạo ra Bun, Jarred Sumner, đã báo cáo việc chuyển đổi khoảng 750.000 dòng mã từ Zig sang Rust với tỷ lệ vượt qua kiểm thử 99,8% trong 11 ngày.

Điểm yếu là chi phí và quyền kiểm soát. Không có trọng số mở, không tự lưu trữ, không có câu chuyện về lưu trữ dữ liệu (data residency) mà các nhóm bị quản lý chặt chẽ cần đến. Giá cả là 20 USD cho gói Pro, 100 USD cho Max 5x, 200 USD cho Max 20x, với các gói Team cao hơn. Việc tiêu tốn token là hóa đơn thực tế: các báo cáo công khai ghi nhận các lượt chạy tác nhân phụ song song có thể tốn hàng nghìn đô la, và mức trung bình mà Anthropic báo cáo là khoảng 13 USD mỗi nhà phát triển cho mỗi ngày hoạt động trước khi tính đến yếu tố nhân bản song song.

OpenAI Codex: 21/25 điểm

Codex là tác nhân lập trình của OpenAI: một CLI theo giấy phép Apache 2.0, đồng thời chạy như một dịch vụ đám mây, tiện ích mở rộng IDE, ứng dụng ChatGPT, ứng dụng iOS và từ tháng 6 năm 2026, trên Amazon Bedrock. GPT-5.6 đã được phát hành rộng rãi vào ngày 9 tháng 7 năm 2026, với ba cấp độ — Sol, Terra và Luna — thay thế các mặc định GPT-5.5 được trích dẫn trong các bài so sánh cũ hơn.

Codex xử lý việc xây dựng khung và kiểm thử bên trong một sandbox cấp nhân với mạng bị tắt theo mặc định. Nó cung cấp Skills, Plugins với chợ ứng dụng, Subagents, Hooks và MCP. Điểm nổi bật của nó là khả năng bất đồng bộ xuyên bề mặt: một tác vụ có thể di chuyển giữa CLI, đám mây, ứng dụng và di động mà không mất trạng thái.

Giá cả theo bậc: Free, Go với giá 8 USD, Plus với giá 20 USD, Pro 5x với giá 100 USD, Pro 20x với giá 200 USD, cộng với các gói Business và Enterprise. Điểm bất lợi thực sự là cửa sổ 5 giờ luân phiên. Các nhà phát triển báo cáo rằng các phiên làm việc với kho mã lớn sẽ dùng hết hạn mức trong khoảng một giờ. Tài liệu về bảng giá của OpenAI ước tính Codex tốn khoảng 100–200 USD mỗi nhà phát triển mỗi tháng, với sự biến động lớn tùy thuộc vào mô hình, tính song song và chế độ nhanh.

Cursor: 16/25 điểm

Cursor là trình soạn thảo mã AI của Anysphere, một bản fork của VS Code. Composer 2.5 nội bộ của nó được tinh chỉnh cho việc chỉnh sửa tác nhân nhanh và theo Artificial Analysis, đạt 62 điểm trên Chỉ số Tác nhân Lập trình (Coding Agent Index). Nó định tuyến qua các mô hình tiên tiến từ Anthropic, OpenAI và Google trên một bề mặt duy nhất, đồng thời cung cấp Rules, MCP, Hooks, Skills, Plugins và Subagents.

Cursor xuất sắc ở một hình thái công việc khác. Nó ưu tiên IDE và điều khiển nội dòng (inline-driven), tính năng tự động hoàn thiện tab và lặp lại trên một tệp đơn lẻ là tốt nhất trong phân khúc. Đối với vòng lặp tự động xây dựng-kiểm thử-PR, các công cụ ưu tiên terminal và ưu tiên tác nhân có lợi thế về cấu trúc hơn. Đây là đánh giá về sự phù hợp, không phải đánh giá về chất lượng.

Chi phí cần được lưu ý. Mỗi gói trả phí là một quỹ tín dụng tương ứng với giá tiền: Hobby 0 USD, Pro 20 USD, Pro+ 60 USD, Ultra 200 USD, Teams 40 USD/người dùng. Khi quỹ này hết, việc sử dụng sẽ bị tính phí theo giá API, vì vậy 20 USD chỉ là mức khởi điểm, không phải là hóa đơn cuối cùng. Bản cập nhật Teams tháng 6 năm 2026 đã chia việc sử dụng thành các quỹ nội bộ và bên thứ ba, đồng thời thêm gói Premium 120 USD.

Những điểm chính cần nhớ

Giải thích tương tác

Cách chúng tôi so sánh: Một bài so sánh năng lực được chấm điểm từ 1–5 trên năm khía cạnh (tối đa 25 điểm), dựa trên các tính năng đã ghi nhận, các tiêu chuẩn đánh giá đã công bố và thông số kỹ thuật của nhà cung cấp — không phải là một lượt chạy đối đầu có tính giờ. Không có tác nhân nào được thực thi dựa trên yêu cầu (prompt) và không có kết quả về thời gian hay tỷ lệ vượt qua nào được khẳng định. Các phiên bản gói, giấy phép, mô hình mặc định và giá token được xác minh vào ngày 14 tháng 7 năm 2026 dựa trên mistral-vibe 2.19.1 thông qua PyPI và npm. Các tuyên bố của nhà cung cấp được dán nhãn rõ ràng. Các số liệu benchmark trải dài trên các bộ công cụ khác nhau và không thể so sánh trực tiếp. Giá cả có thể thay đổi.