Boeing’s autonomous air taxi subsidiary faces a whistleblower lawsuit over rushed software testing

Storybook for TanStack React

Storybook vừa ra mắt @storybook/tanstack-react, một framework chuyên dụng hỗ trợ ứng dụng …

Deno 2.9

Phiên bản Deno 2.9 bổ sung công cụ deno desktop để xây dựng ứng dụng desktop native từ …

Three Years of Building Agents in Production (Part 1)

Kỹ sư mabl chia sẻ ba năm kinh nghiệm xây dựng AI agents cho kiểm thử phần mềm sản xuất, từ những thất bại ban đầu với PaLM 2023 đến việc tận dụng sức mạnh LLM như LLM-as-judge, RAG với Gemini 2, và quản lý trạng thái đa nền tảng. Họ rút ra bài học: giao diện UI đơn giản vẫn khó điều hướng, nhóm ngữ nghĩa hiệu quả hơn so khớp từ, dữ liệu kiểm thử tĩnh không phù hợp cho AI xác suất, và CoT cứng nhắc phản tác dụng khi nâng cấp lên Gemini 2.5.

Bạn nên đọc bài này để hiểu cách chuyển đổi từ những thất bại ban đầu trong ứng dụng AI như PaLM sang xây dựng các hệ thống agent hiệu quả trong thực tế, từ đó tránh những sai lầm về cách tiếp cận và tối ưu hóa kiến trúc cho các ứng dụng AI trong sản xuất.

How to Use the Screen Reader That's Built into Your iPhone

iPhone và iPad tích hợp sẵn trình đọc màn hình VoiceOver, giúp đọc to các yếu tố giao diện như văn bản, nút bấm, menu. Bài viết hướng dẫn ba cách kích hoạt VoiceOver (Settings, Siri, Accessibility Shortcut), năm cử chỉ điều hướng quan trọng cho nhà phát triển, cùng cách điều chỉnh tốc độ và giọng đọc.

Lập trình viên nên đọc bài này để hiểu cách kiểm tra tính khả dụng (accessibility) trên thiết bị iOS thực tế thông qua VoiceOver, giúp phát hiện và cải thiện trải nghiệm người dùng tàn tật trên ứng dụng của họ.

What is mutation testing?

Kiểm thử đột biến (mutation testing) đánh giá chất lượng bộ kiểm thử bằng cách chủ động thay đổi nhỏ mã nguồn (đột biến) và kiểm tra xem các bài kiểm thử hiện có có phát hiện được hay không. Khác với độ phủ mã (code coverage), đột biến cho thấy liệu các khẳng định (assertions) có thực sự phát hiện lỗi. Quá trình này tạo ra các đột biến thông qua các toán tử như thay thế quan hệ hoặc đảo ngược boolean, chạy bộ kiểm thử cho từng đột biến, và báo cáo tỷ lệ đột biến bị tiêu diệt (mutation score).

Lập trình viên nên đọc bài này để hiểu cách đánh giá chất lượng suite test thực sự thông qua việc kiểm tra khả năng phát hiện lỗi ngay cả khi chỉ có coverage 100%, không chỉ là việc các dòng code được chạy.

How Expensify Uses Agent-Device for Mobile Bug Evidence and Profiling

Expensify tích hợp công cụ agent-device cho phép AI điều khiển thiết bị di động thực và trình giả lập nhằm tự động thu thập bằng chứng lỗi, đo lường hiệu suất Sentry và phân tích render React. Công cụ này tự động thực hiện các bước tái hiện lỗi từ GitHub, ghi lại video trước/sau khi sửa, chạy đo lường hiệu suất lặp lại và thu thập dữ liệu render theo component.

Lập trình viên nên đọc bài này để khám phá cách sử dụng công nghệ AI tự động hóa các công việc thủ công trên thiết bị di động—từ thu thập bằng chứng lỗi đến phân tích hiệu suất và render React—để tiết kiệm thời gian và nâng cao chất lượng phát triển.

Don’t Let the Model Grade its Own Homework

Các mô hình AI hữu ích để tạo test case nhưng không nên dùng chúng đánh giá kết quả test vì có thể dẫn đến những thay đổi ngầm giữa các lần chạy, làm giảm tính xác định. Tác giả khuyến nghị sử dụng mô hình để sinh test case nhưng giữ các đánh giá dưới dạng assertions cố định do con người xem xét, đảm bảo pipeline có thể chạy lặp lại ổn định.

Lập trình viên nên đọc bài này để tránh rủi ro khi phụ thuộc vào AI đánh giá kết quả thử nghiệm, vì mô hình AI không đáng tin khi đánh giá chính nó, dẫn đến sai số không xác định và giảm trách nhiệm kiểm soát chất lượng cho con người.