Cloudflare Workers observability: logs and traces

The global logger

Bài viết giới thiệu về gói slog trong thư viện chuẩn Go, tập trung vào logger toàn cục (global logger) mặc định. Các hàm cấp cao như slog.Info, slog.Debug thực chất là các bí danh (alias) của phương thức trên logger toàn cục. Mặc dù slog.SetDefault cho phép thay thế logger toàn cục và cập nhật luôn logger của gói log cũ, tác giả khuyên không nên phụ thuộc vào logger toàn cục vì bất kỳ thư viện nhập khẩu nào cũng có thể thay đổi nó, gây ra các tác dụng phụ ảnh hưởng đến kiểm thử và kiến trúc.

Lập trình viên nên đọc bài này để tránh rủi ro khi sử dụng logger toàn cầu trong Go, vì nó có thể bị thay đổi bất ngờ bởi các thư viện khác, gây ra các vấn đề về tính ổn định và khó kiểm soát trong dự án.

Tempo 3.0 release: a new architecture for scale and lower TCO, TraceQL metrics GA, and more

Tempo 3.0, phiên bản mới của hệ thống truy vết phân tán mã nguồn mở, giới thiệu kiến trúc …

How we found a bug in the hyper HTTP library

Nhóm Cloudflare Images phát hiện lỗi điều kiện chạy (race condition) trong thư viện hyper HTTP (phiên bản 0.14–1.8) khi chuyển đổi sang sử dụng Unix sockets, khiến dữ liệu ảnh lớn bị cắt xén ngẫu nhiên do vòng lặp xử lý không chờ Poll::Pending từ poll_flush. Lỗi chỉ xuất hiện trong môi trường sản xuất với tải cao, không thể tái hiện bằng curl hay thử nghiệm cục bộ. Nhóm đã khắc phục bằng cách bổ sung 4 dòng lệnh vào poll_shutdown để đảm bảo dữ liệu được ghi hết trước khi đóng kết nối.

Lập trình viên cần đọc bài này để hiểu cách một lỗi race condition trong thư viện HTTP phổ biến (hyper) có thể gây ra vấn đề nghiêm trọng trong ứng dụng thực tế, đặc biệt khi kết hợp với các điều kiện concurrency và giao thức socket, và cách team phát hiện, debug và fix bằng cách quan sát syscall thực tế.

1.96.1 pre-release testing

Bản Rust 1.96.1 đang trong giai đoạn tiền phát hành, dự kiến ra mắt vào 30/6. Nhà phát triển có thể thử nghiệm phiên bản này bằng lệnh rustup kèm biến môi trường RUSTUP_DIST_SERVER. Phản hồi có thể gửi qua diễn đàn internals hoặc GitHub issue về quy trình tiền phát hành.

Lập trình viên nên đọc để khám phá những cải tiến mới trong phiên bản sắp ra mắt của Rust, giúp tối ưu hiệu suất và tính bảo mật cho dự án của mình trước khi áp dụng trong sản phẩm thực tế.

Monitor Laravel Queues, Commands, and Schedulers on Any Driver with Vigilance

Vigilance là bảng điều khiển giám sát Laravel tự lưu trữ, theo dõi jobs, artisan commands và scheduled tasks trên mọi trình điều khiển queue (Redis, SQS, database, v.v.), ghi nhận lifecycle chi tiết. Nó cung cấp tính năng sampling, dispatch jobs thủ công, metrics tùy chỉnh, Real User Monitoring, exception grouping, SLO tracking, N+1 detection, uptime checks, log explorer, alerting và hỗ trợ MCP server cho AI agent, yêu cầu PHP 8.2+, Laravel 12/13 và Livewire 3.5+/4.

Lập trình viên cần đọc bài này để khám phá cách Vigilance giúp theo dõi và tối ưu hóa hiệu suất, lỗi, và hiệu suất của các nhiệm vụ queu, lệnh Artisan, và lịch lập trình trong Laravel một cách toàn diện, từ Redis đến các driver khác, với các công cụ như cảnh báo, phân tích lỗi và đo lường thực người dùng.

Authorized Logger

Một nhà phát triển tên Gretchen gia nhập dự án Node.js cũ kỹ sau khi bị mua lại và phát hiện hàng loạt lỗi nghiêm trọng: logging bị hỏng chỉ in ra "DEBUG", lỗ hổng SQL injection từ truy vấn thô, thiếu middleware phân quyền trên hầu hết endpoints (kể cả API admin), codebase dừng ở Node.js 14, và dữ liệu request được đưa trực tiếp vào database mà không qua bất kỳ validation nào.

Lập trình viên nên đọc bài này để tránh rơi vào những sai lầm an toàn và thiết kế không hiệu quả trong dự án Node.js, từ đó học cách cải thiện bảo mật, quản lý lỗi và tối ưu hóa hệ thống ngay từ giai đoạn đầu.

We Built a Routing Layer to Cut Our AI Costs. It Broke the Product.

Đội ngũ xây dựng một lớp định tuyến dựa trên bộ phân loại (classifier) để tiết kiệm chi phí suy luận AI bằng cách chuyển truy vấn đơn giản sang các mô hình rẻ hơn, tiết kiệm ~60% chi phí hàng tháng. Tuy nhiên, sau ba tháng, sự hài lòng của khách hàng giảm và tỷ lệ rời bỏ tăng do chất lượng dịch vụ sụt giảm, khiến chi phí gấp 4-5 lần khoản tiết kiệm. Nguyên nhân gốc rễ là bộ phân loại không thể phát hiện đáng tin cậy độ phức tạp truy vấn "đuôi dài" (long-tail), các mô hình rẻ hơn thất bại mạnh mẽ trong các trường hợp biên, và hệ thống giám sát hiện tại không theo dõi chất lượng theo từng tầng, che giấu sự suy giảm riêng lẻ. Bài viết giải thích cơ chế thất bại, phương pháp phát hiện (giám sát chất lượng theo tầng, lấy mẫu thừa đuôi dài, theo dõi độ tin cậy bộ phân loại), và đề xuất kiến trúc thay thế — hệ thống phân tầng theo độ không chắc chắn (uncertainty-routed cascades), nơi mọi truy vấn bắt đầu từ mô hình rẻ nhất và chỉ leo thang lên mô hình mạnh hơn khi độ tin cậy thấp.

Lập trình viên nên đọc bài này để hiểu cách tính toán và quản lý rủi ro trong việc tối ưu hóa chi phí AI bằng cách tránh những sai lầm thường gặp khi giả định mô hình đơn giản có thể thay thế hiệu quả các giải pháp phức tạp mà không kiểm soát chất lượng.