I Turned My Cats Into a Codex Pet

How to Build a Personal AI Web Research Agent with Ollama and Qwen

Hướng dẫn từng bước xây dựng một agent nghiên cứu web AI cục bộ bằng Ollama, mô hình Qwen3.5:4b và Python. Agent này nhận lệnh nghiên cứu, tìm kiếm 5 kết quả web hàng đầu qua API tìm kiếm web của Ollama, trích xuất văn bản bằng BeautifulSoup, sau đó tóm tắt bằng mô hình Qwen chạy cục bộ. Kết quả được lưu dưới dạng file Markdown có dấu thời gian, hoạt động hoàn toàn trên thiết bị mà không tốn phí API hay xâm phạm quyền riêng tư.

Lập trình viên muốn tự động hóa công việc nghiên cứu web một cách hiệu quả, tiết kiệm chi phí và bảo mật dữ liệu cá nhân nên đọc bài này để xây dựng một hệ thống AI cá nhân hoạt động trên thiết bị riêng của mình.

There Is No Magic: An AI Agent in 60 Lines of Python

Một agent AI không phải là điều bí ẩn mà chỉ là sự kết hợp giữa một mô hình (model) và năm thành phần: hướng dẫn (instructions), bộ nhớ (memory), công cụ (tools) và vòng lặp thực thi (execution loop). Bài viết trình bày cách xây dựng một agent tối giản chỉ với 60 dòng Python, sử dụng giao diện mô hình dựa trên Protocol, lớp dataclass cho trạng thái, và vòng lặp while đơn giản xen kẽ giữa việc gọi công cụ và trả lời.

Để hiểu rõ cách các framework AI hiện đại như LangChain hay AutoGen thực sự hoạt động dưới góc độ cơ bản nhất, từ đó tránh bị lôi kéo bởi hype và xây dựng các giải pháp AI hiệu quả hơn.

Using LlamaIndex for RAG in Python – Real Python

Khóa học hướng dẫn xây dựng ứng dụng RAG (Retrieval-Augmented Generation) bằng Python với LlamaIndex, từ thiết lập môi trường, tải tài liệu, tạo và lưu trữ indexes tìm kiếm, cấu hình nhà cung cấp AI (local/remote) đến chạy truy vấn nhằm giảm thiểu ảo giác (hallucination) từ LLM.

Là người phát triển Python muốn xây dựng hệ thống xử lý thông tin tự động với chất lượng cao, LlamaIndex giúp bạn tự động hóa việc kết hợp tìm kiếm và sinh lời từ mô hình ngôn ngữ lớn, giảm thiểu sai sót và tối ưu hóa hiệu suất cho ứng dụng của mình.

I Pitted XGBoost Against Logistic Regression on 358 Matches. The Boring Model Won.

A practical experiment comparing five classifiers (logistic regression, random forest, KNN, neural network, XGBoost) on 358 international football matches reveals that logistic regression wins on log-loss while XGBoost performs worse than random guessing. The explanation centers on the bias-variance tradeoff: with only 358 samples and three features, high-capacity models overfit and produce confidently wrong probabilities, which log-loss penalizes heavily. The post explains why logistic regression's inductive bias matches the near-linear relationship in the data, discusses how to rescue tree-based models via regularization, and offers learning curves as a diagnostic for when complex models become worth it. The key takeaway is to match model complexity to data size, not to hype.

Programming Languages for Cyber Security: What the Tools Actually Use

Python chiếm ưu thế trong các công cụ an ninh mạng mã nguồn mở (Impacket, Volatility, Sqlmap). Bash/PowerShell là bắt buộc cho quản trị hệ điều hành, trong khi C/C++ đóng vai trò chủ chốt trong phát triển exploit và chiếm 66–75% lỗ hổng đã ghi nhận. JavaScript, Assembly, Ruby, Rust và Go lần lượt quan trọng cho nghiên cứu lỗ hổng web, phân tích malware, Metasploit, yêu cầu an toàn bộ nhớ (CISA) và khung C2/red team. Lộ trình học đề xuất: Python → Bash/PowerShell → chuyên sâu theo lĩnh vực.

Lập trình viên chuyên về bảo mật nên đọc bài này để hiểu rõ các ngôn ngữ thực sự được các công cụ an ninh hiện đại sử dụng, từ đó xây dựng kỹ năng ứng dụng hiệu quả trong cả tấn công phòng ngự và phân tích mã.

All of our tools

Trong tập podcast Python Bytes, hai host chia sẻ bộ công cụ phát triển hằng ngày của họ, bao gồm pi (agent lập trình terminal), Warp.dev kết hợp OhMyZSH, Blink/Kitty + Mosh + tmux cho phiên remote bền vững, Claude Code hỗ trợ AI, MacWhisper/Handy phiên âm giọng nói cục bộ, Tailscale cho mạng riêng không cấu hình, cùng Typora, Telescopo (trình soạn thảo markdown) và Great Docs.

Lập trình viên nên đọc bài này để khám phá cách tối ưu hóa công cụ cá nhân—từ terminal đến AI—cho hiệu suất làm việc và trải nghiệm phát triển chuyên nghiệp hơn.

What `os.cpu_count()` Gets Wrong in a CPU-Limited Kubernetes Pod

When Python's os.cpu_count() runs inside a CPU-limited Kubernetes pod, it reports the node's full CPU count rather than the cgroup-enforced quota. A pod with a 500m CPU limit on a 20-core node returns 20 from os.cpu_count(), while the actual cgroup budget is 0.5 CPU. This mismatch causes Gunicorn worker formulas like workers = multiprocessing.cpu_count() * 2 + 1 to spawn 41 workers against a half-CPU budget. Benchmarks show 1 worker completed 101 requests at ~1s median latency, while 14 workers completed only 46 requests at ~6.4s median due to heavy CPU throttling (83% of cgroup periods throttled). The fix is to read the actual quota from /sys/fs/cgroup/cpu.max (cgroup v2) or CFS bandwidth files (cgroup v1) before sizing workers, with a provided Python helper function that handles both cgroup versions and falls back to WEB_CONCURRENCY as an override.