GitHub commits now name the last theme editor

All roads lead to metered pricing

Kỷ nguyên của mô hình trợ giá cao và định giá đăng ký cố định đang kết thúc. …

Why Google stores billions of lines of code in a single repository (2016)

Google Piper là hệ thống kho mã nguồn tùy chỉnh mà hơn 25.000 nhà phát triển sử dụng, chứa khoảng một tỉ file, hai tỉ dòng code và 35 triệu commit. Mô hình phát triển dựa trên trunk cùng với quy trình làm việc CitC và các công cụ như Critique, Tricorder và Rosie giúp duy trì chất lượng mã nguồn trong kho này. Lợi ích bao gồm phiên bản thống nhất, thay đổi nguyên tử và tránh sự phụ thuộc hình kim cương, trong khi chi phí bao gồm khó khăn về mở rộng công cụ, tìm kiếm mã và sự lan tỏa của phụ thuộc. Google đã cân nhắc việc di chuyển sang Git nhưng cuối cùng quyết định không làm vậy, thay vào đó đang thử nghiệm một cách tiếp cận dựa trên Mercurial để cân bằng giữa quy mô và lợi thế của monorepo.

Bài viết này giúp lập trình viên hiểu cách Google quản lý kho mã nguồn khổng lồ với tỷ lệ tệp và dòng code cực cao qua mô hình trunk-based development và công cụ hỗ trợ đặc biệt.

The AI Errors That Don’t Look Like Errors

Bài viết指出，AI thường tạo ra những lỗi không dễ phát hiện vì chúng không phải là trích dẫn hoàn toàn giả mạo mà là những nguồn thật nhưng có số trang, ngày tháng hoặc thống kê bị thay đổi nhẹ. Những lỗi này xảy ra khi mô hình truy xuất tài liệu thực sự rồi tự động chỉnh sửa lại chi tiết để phù hợp với ngữ cảnh mà nó đang tạo ra, dẫn tới những tham chiếu выглядят chính xác nhưng thực tế sai lệch. Khi vượt qua quá trình kiểm tra thường lệ, các sai số này có thể lọt vào bài báo, tài liệu kỹ thuật hoặc bài viết học thuật, gây nhầm lẫn và làm giảm độ tin cậy của nội dung được hỗ trợ bởi AI. Bài khuyên người đọc nên luôn xác thực từng trích dẫn bằng cách tra cứu nguồn gốc, kiểm tra lại các con số và sử dụng công cụ truy vết nguồn khi có thể. Việc xem đầu ra của AI như một bản nháp cần審閱而不是 kết luận cuối cùng là cách hiệu quả nhất để tránh những lỗi “không nhìn thấy là lỗi” này.

Bài viết này giúp lập trình viên nhận ra những sai lầm tinh vi của AI mà thông thường không thể phát hiện qua bình thường.

Practical Loop Engineering

Bài viết bàn về tầm quan trọng của vòng lặp (loops) trong kỹ thuật phần mềm, nhấn mạnh việc không ủy thác hoàn toàn quyết định cho các công cụ tự động mà phải duy trì sự kiểm soát và đánh giá chủ động.

Là người viết code hàng ngày, bạn sẽ tìm hiểu cách xây dựng các vòng lặp hiệu quả và tránh những thói quen sai lầm như tự động hóa quyết định sai lầm, giúp code trở nên rõ ràng, bảo trì dễ dàng và hiệu suất cao hơn.

Claude Code Full Course

Khóa học toàn diện về Claude Code vừa được phát hành trên kênh YouTube freeCodeCamp.org, hướng dẫn từ cơ bản đến nâng cao, bao gồm cả tự động hóa quy trình phát triển.

Nếu bạn đang tìm cách nâng cao kỹ năng tự động hóa và tối ưu hóa công việc lập trình từ cơ bản đến chuyên sâu, Claude Code Full Course sẽ giúp bạn học cách sử dụng AI như Claude để giải quyết các vấn đề phát triển hiệu quả hơn.

Retiring the Copilot Billing Preview app

GitHub đã ngừng ứng dụng Copilot Billing Preview. Giờ đây, chi phí Copilot có thể được quản lý trực tiếp trong cài đặt thanh toán của GitHub, cung cấp cái nhìn toàn diện hơn bao gồm ngân sách theo người dùng, trung tâm chi phí và phân bổ nhóm sử dụng. Người dùng có thể xem mức sử dụng AI, thiết lập ngân sách chi tiêu, truy cập điều khiển ngân sách theo người dùng cho tổ chức và doanh nghiệp, cũng như lấy dữ liệu sử dụng thô qua báo cáo sử dụng và API thanh toán.

Lập trình viên nên đọc bài này để hiểu cách quản lý chi phí Copilot một cách hiệu quả hơn, từ việc chuyển sang điều chỉnh ngân sách trực tiếp trong cài đặt thanh toán GitHub, giúp tiết kiệm thời gian và tránh rủi ro vượt ngân sách khi sử dụng công cụ AI trong dự án.

How to evaluate LLMs before production

Bối cảnh: Trước khi đưa LLM vào hệ thống sản xuất để quét mật mã, nhóm cần xác định xem mô hình có đủ khả năng phát hiện chính xác các secret không. Nguyên nhân kỹ thuật: Các LLM thường sinh ra phản hồi không nhất quán, dễ bị lừa bởi prompt và có xu hướng hallucinate, dẫn đến cả false positive và false negative trong việc nhận diện chuỗi khóa, token hoặc mật khẩu. Hệ quả: Nếu không kiểm soát những lỗi này, hệ thống có thể bỏ qua các secret thực sự (gây rò rỉ bảo mật) hoặc tạo ra quá nhiều cảnh báo không đúng (gây cảnh báo mệt mỏi và lãng phí công sức kiểm tra). Điều đáng học: Đánh giá trước khi triển khai nên dựa trên bộ dữ liệu secret thực tế, đo lường precision, recall và latency, đồng thời kiểm tra mô hình đối với các adversarial prompt và thiết lập quy trình giám sát liên tục sau khi đưa vào production. Các bước này giúp giảm rủi ro và tăng độ tin cậy của giải pháp quét secret dựa trên LLM.

Bài viết chia sẻ kinh nghiệm thực tế đánh giá LLMs cho quét dữ liệu bí mật trong môi trường ứng dụng thực tế.