Code Quality Q&A

We now auto-approve and merge 15% of PRs

Để giải quyết vấn đề hiệu suất làm việc, công ty đã triển khai hệ thống auto-approve và …

Introduction to FitNesse – An Acceptance Testing Framework

FitNesse là một acceptance testing framework giúp viết test cho ứng dụng Java. Framework này cho phép tạo test case bằng ngôn ngữ tự nhiên (wiki format) mà không cần code, nhưng bên dưới vẫn hỗ trợ kết nối với code thực tế. FitNesse tích hợp tốt với các công cụ build như Maven và CI/CD pipeline. Điểm mạnh của FitNesse là khả năng self-testing và documentation trực tiếp từ test case. Lập trình viên nên cân nhắc FitNesse khi cần test hệ thống phức tạp với yêu cầu nghiệp vụ chi tiết, đặc biệt trong team có cả người không chuyên kỹ thuật.

FitNesse giúp lập trình viên viết test chấp nhận cho ứng dụng Java một cách dễ dàng và hiệu quả.

Judgment-Based API Governance at Scale

Khi tổ chức sản phẩm và kỹ thuật mở rộng, hệ API cũng phát triển theo với nhiều tính năng mới và các mẫu thiết kế cũ đan xen. Cách tiếp cận governance dựa trên phán đoán (judgment-based) thay vì quy định cứng nhắc giúp duy trì tính nhất quán khi quản lý hàng nghìn endpoint API như tại Netflix, áp dụng linh hoạt các nguyên tắc cho từng ngữ cảnh cụ thể. Hệ quả là đội ngũ có thể phát triển API nhanh hơn mà không hy sinh chất lượng, đồng thời giảm xung đột giữa các team khi họ có cơ chế tự chủ trong việc tuân thủ governance. Bài viết cung cấp case study thực tế về cách Netflix quản lý governance API quy mô lớn, giúp lập trình viên hiểu cách cân bằng giữa tự chủ và kiểm soát trong môi trường phát triển nhanh.

Bài này giúp lập trình viên hiểu cách áp dụng quản trị API hiệu quả khi quy mô mở rộng dựa trên phán đoán chuyên môn.

The Feature Flag Graveyard: How a Safety Net Becomes Technical Debt

Các flag feature không được dọn dẹp sẽ biến thành technical debt nghiêm trọng, làm tăng khối lượng codebase và giảm tốc độ deployment. Nguyên nhân kỹ thuật đến từ việc các toggle được triển khai nhanh nhưng quên loại bỏ sau khi feature được release, dẫn đến số lượng flag ngày càng tăng. Hệ quả là giảm hiệu suất ứng dụng, tăng độ phức tạp trong bảo trì và nguy cơ lỗi khi có thay đổi. Cần áp dụng quy trình 4 bước: thống nhất danh sách flag, tự động hóa việc gỡ bỏ, xác định feature không còn sử dụng và định kỳ review. Bài viết cung cấp framework cụ thể giúp quản lý feature flag hiệu quả mà không cần đọc toàn bộ nội dung gốc.

Bài viết này giúp lập trình viên loại bỏ feature flags thừa để chuyển đổi chúng từ điểm yếu thành giải pháp kỹ thuật bền vững.

How to Test an API Without a Frontend

Khi chưa có giao diện người dùng, bạn có thể kiểm tra API trực tiếp bằng bốn phương pháp khác nhau. Bài viết hướng dẫn sử dụng Postman, curl, HTTPie và Python requests để thực hiện các API call cơ bản, sau đó biến thử nghiệm đầu tiên thành bộ kiểm tự động chạy trong CI. Các công cụ này giúp phát hiện lỗi endpoint, xử lý response và xác thực data trước khi xây dựng frontend. Bài hướng dẫn chi tiết cách thiết lập test suite cho API, biến request đơn giản thành quy trình kiểm tra tự động hóa trong môi trường CI.

Bài này giúp bạn kiểm tra API ngay cả khi chưa có giao diện người dùng, biến yêu cầu đầu tiên thành bộ kiểm tự động chạy trong CI.

AI makes code cheap to create, not cheap to own

AI đã làm cho việc tạo ra code trở nên rẻ hơn, nhưng việc sở hữu và duy trì code lại đòi hỏi chi phí cao hơn. Nguyên nhân kỹ thuật nằm ở khả năng sinh tự động của các mô hình AI, khiến số lượng dòng code tăng nhanh chóng. Hệ quả là overhead tăng, vì mỗi đoạn code mới cần được kiểm tra, docs và bảo trì. Điều đáng học là AI tiết kiệm thời gian viết code nhưng không giảm bớt công sức quản lý và tối ưu code. Vì vậy, khi cân nhắc đọc bài gốc, cần lưu ý rằng lợi thế tạo code rẻ chỉ có giá trị nếu chi phí sở hữu được kiểm soát.

Tác bài giải thích tại sao code được AI tạo ra có chi phí sở hữu cao hơn chi phí tạo ra, giúp lập trình viên hiểu rõ thách thức thực tế khi áp dụng công nghệ này.

AI Is Making Software Creation Faster. That May Also Be Making It More Fragile.

Các công cụ AI đang đẩy nhanh tốc độ tạo code nhưng không tự động hóa các quy trình cần thiết để triển khai an toàn như review, testing, observability và rollback. Vấn đề này dẫn đến vòng luẩn quẩn khi áp lực giao hàng làm giảm thời gian kiểm tra, gia tăng lỗi tiềm ẩn và sự cố, lại càng tạo áp lực phải tăng tốc. Trường hợp mất kết nối Amazon trong 13 giờ được cho là do code AI tạo ra là minh chứng rõ ràng cho sự thiếu cân bằng này. Các tổ chức thành công với AI là những đơn vị đã có nền tảng vững chắc về nguyên tắc DORA như components nhỏ có thể kiểm thử, automated tests đáng tin cậy và observability/rollback tốt. Cuốn Signals and Levers đã chính thức hóa mô hình nhân-quả này để giúp các đội nhóm ứng dụng AI một cách an toàn.

Bài viết giúp hiểu được cách AI tăng tốc phát triển phần mềm nhưng cũng tiềm ẩn rủi ro nếu thiếu các thực hành kiểm tra và giám sát cần thiết.