Gemini 3.5 Flash can now see and control your screen, and Google wants enterprises to trust it

Your AI Agent Keeps Missing The Real Bottleneck. JetBrains Rider Can Fix It Now.

JetBrains vừa bổ sung kỹ năng dottrace-analyze cho AI Assistant trong Rider 2026.2 EAP 8, giúp AI agent phân tích trực tiếp các snapshot .dtp từ dotTrace thay vì đoán mò bottleneck dựa trên source code. Kết quả benchmark trên 80 lượt chạy và 8 kịch bản .NET cho thấy độ chính xác tăng vọt từ 4.71 lên 8.15/10, đặc biệt cải thiện mạnh mẽ trong trường hợp UI freeze của Avalonia (từ 1.6/10 lên 10/10). Tính năng này yêu cầu subscription dotUltimate hoặc All Products Pack.

Lập trình viên nên đọc bài này vì JetBrains Rider 2026.2 EAP mới giới thiệu công cụ phân tích hiệu suất chính xác hơn bằng cách kết hợp dữ liệu thực tế từ dotTrace thay vì chỉ dựa vào các dấu hiệu giả định từ mã nguồn, giúp tiết kiệm thời gian và cải thiện hiệu suất ứng dụng một cách đáng kể.

Heron : Wireshark for AI Agents: passive eBPF observability

Heron là công cụ phân tích mạng thụ động dành cho AI agents, sử dụng eBPF để giải mã lưu lượng TLS (LLM) thành plaintext mà không cần SDK hay proxy. Phiên bản 0.7.0 bổ sung kiến trúc OpenTelemetry-native, lọc tự động sidecar an ninh Claude Code, và xuất sẵn SFT trajectory cho fine-tuning, chạy dưới dạng binary Rust duy nhất.

Lập trình viên phát triển ứng dụng AI nên đọc để khám phá cách Heron giúp theo dõi và debug giao thức TLS bí mật của các agent AI một cách hiệu quả, từ đó tối ưu hóa hiệu suất và bảo mật mà không cần phụ thuộc vào SDK hoặc proxy phức tạp.

Improving the speed and energy-efficiency of AI agents

Các nhà nghiên cứu từ MIT và Microsoft đã phát triển Murakkab, một hệ thống tự động tối ưu hóa quy trình làm việc của AI agent bằng cách tự động lựa chọn mô hình, công cụ và cấu hình phần cứng dựa trên mô tả ngôn ngữ tự nhiên từ nhà phát triển, đồng thời điều chỉnh linh hoạt theo ưu tiên như chi phí hay tốc độ. Trong thử nghiệm, Murakkab tiết kiệm tới ~65% tài nguyên tính toán, ~73% năng lượng và trên 75% chi phí so với phương pháp truyền thống mà vẫn duy trì hiệu suất ổn định.

Lập trình viên nên đọc bài này vì Murakkab không chỉ tiết kiệm chi phí và năng lượng cho AI mà còn giúp họ thiết kế các hệ thống thông minh hiệu quả hơn bằng cách tự động tối ưu hóa các quyết định kỹ thuật từ đầu, cho phép họ tập trung vào logic kinh doanh thay vì chi tiết kỹ thuật phức tạp.

Nadella: we can't let AI giants eat the economy

Tổng giám đốc Microsoft Satya Nadella cảnh báo rằng các công ty AI không thể vừa dự đoán …

Why the Frontier Ecosystem must be Open — Matei Zaharia and Reynold Xin, Databricks

Databricks nhấn mạnh tầm quan trọng của hệ sinh thái mở (Frontier Ecosystem) trong việc xây dựng hệ điều hành cho các tác nhân AI doanh nghiệp. Họ giới thiệu Omnigent, một meta-harness mã nguồn mở giúp chuẩn hóa API cho các coding agent như Claude Code, Codex và Cursor, hỗ trợ phiên làm việc liên tục, cộng tác và kiểm soát bảo mật. Ngoài ra, Databricks đề cập đến LTAP (Lake Transactional/Analytical Processing) nhằm hợp nhất workload giao dịch và phân tích, cũng như thảo luận về chiến lược mô hình Mosaic và vai trò của dữ liệu được tổ chức tốt trong việc tái định nghĩa phần mềm truyền thống.

Những lập trình viên xây dựng hệ thống AI hoặc ứng dụng doanh nghiệp nên đọc để hiểu cách kết hợp kiến trúc mở, quản lý dữ liệu hiệu quả và bảo mật thông minh để xây dựng các agent AI tự động hóa công việc một cách bền vững và tuân thủ.

Knowledge graph RAG: structured retrieval for AI agents

GraphRAG khắc phục hạn chế của vector search khi không thể truy vết mối quan hệ giữa tài liệu, cho phép các tác nhân AI kết nối bằng chứng đa bước nhờ mô hình hóa dữ liệu dưới dạng thực thể (entities) và liên kết (edges). Redis Iris cung cấp nền tảng tích hợp tìm kiếm vector, cập nhật dữ liệu theo thời gian thực, truy cập công cụ có kiểm soát và bộ nhớ đệm ngữ nghĩa để hỗ trợ kiến trúc truy xuất này.

Lập trình viên cần đọc bài này để hiểu cách xây dựng hệ thống tìm kiếm thông minh cho AI bằng GraphRAG, giúp giải quyết vấn đề truy vấn đa cấp và cập nhật dữ liệu hiệu quả trong ứng dụng agent.

Sub-agents: splitting context across specialized AI agents

Các sub-agent là những thành phần AI chuyên biệt đảm nhiệm nhiệm vụ nhỏ trong hệ thống multi-agent, giúp khắc phục giới hạn cửa sổ ngữ cảnh (context window) của LLM nhờ phân chia khối lượng công việc. Tuy nhiên, việc chia nhỏ này cũng gây ra rủi ro sai lệch trạng thái, trùng lặp công việc hoặc lỗi tích tụ. Giải pháp đề xuất là sử dụng bộ nhớ chia sẻ kết hợp nhiều lớp (bộ nhớ phiên ngắn hạn, dài hạn bằng vector search) cùng cơ chế điều phối như pub/sub hay Streams, với Redis Iris là giải pháp thống nhất hỗ trợ đầy đủ các yêu cầu này.

Lập trình viên cần đọc để hiểu cách tối ưu hóa hệ thống AI đa agent bằng cách giải quyết vấn đề phân tán thông tin và tránh rủi ro mất hiệu suất do quản lý bộ nhớ phân tán không hiệu quả.