Introduction to Agent Authentication and Authorization on Mastra Using Firebase

Closing the Audit Gap in Human-to-Agent Delegation

AI agents sử dụng delegated tokens thay mặt người dùng thực hiện hành động, gây khó khăn trong việc phân biệt hành động do con người khởi xướng hay do agent thực hiện. Auth0 cung cấp ba cơ chế để giải quyết vấn đề này: Token Vault lưu trữ tập trung token từ nhà cung cấp bên ngoài (như Google, Salesforce) nhằm giảm thiểu sự phân tán token và duy trì ngữ cảnh người dùng; CIBA bổ sung các điểm kiểm tra phê duyệt rõ ràng của con người cho các tác vụ nhạy cảm do agent thực hiện bất đồng bộ; log streams chuyển tiếp các sự kiện lớp identity tới nền tảng SIEM. Phương pháp quan trọng là truyền tải các correlation ID ổn định (agent run ID, job ID) xuyên suốt quá trình khởi tạo bởi Auth0, thực thi backend và gọi API nhà cung cấp, giúp nhà điều tra tái hiện toàn bộ quy trình ủy quyền, thực thi và phê duyệt.

Lập trình viên cần đọc bài này để hiểu cách xây dựng hệ thống an ninh và giám sát cho các ứng dụng sử dụng AI agent, đặc biệt là khi sử dụng token ủy quyền để phân biệt rõ ràng giữa hành động do người dùng khởi động và hành động do agent thực hiện.

Switchboards to Subgraphs: Building a Triage Agent on a Neo4j Knowledge Graph

Hệ thống sử dụng đồ thị tri thức Neo4j để xây dựng tác nhân phân loại ticket (triage agent) dựa trên AI, mô hình hóa chuyên môn hỗ trợ thông qua các mối quan hệ đồ thị (ai giải quyết ticket nào, cho khách hàng nào, với kỹ năng gì). Tác nhân Neo4j Aura hoạt động bằng 5 công cụ Cypher (tương tự semantic search, xếp hạng chuyên gia, lịch sử khách hàng, matching kỹ năng, tìm kiếm tài liệu SOP) và được điều phối bởi lớp open-source Korca, đạt độ chính xác trên 90% trong sản xuất nhờ chất lượng dữ liệu sạch.

Lập trình viên muốn tự động hóa triage ticket hiệu quả và tối ưu hóa quy trình làm việc trong các hệ thống hỗ trợ khách hàng bằng cách áp dụng kiến trúc graph để mô hình hóa dữ liệu chuyên môn và tương tác.

‘HalluSquatting’ Compromises AI Coding Agents to Install Malware, Create Botnets

Các nhà nghiên cứu phát hiện kỹ thuật tấn công "HalluSquatting" lợi dụng ảo giác (hallucination) của AI coding agent (như GitHub Copilot, Cursor) để ép chúng tải về gói/mã độc ẩn danh. Kỹ thuật này đạt tỷ lệ ảo giác 85% cho tên repository và 100% cho cài đặt kỹ năng, cho phép kẻ tấn công thực thi mã từ xa và tạo botnet mà không cần tiếp cận trực tiếp nạn nhân.

Lập trình viên nên đọc bài này để hiểu cách kẻ tấn công lợi dụng sai sót trong AI hỗ trợ lập trình để tránh phát hiện, lây nhiễm mã độc vào dự án của mình mà không cần tương tác trực tiếp với người dùng.

From one AI product to an AI factory

Doctolib đã chuyển đổi từ phát triển sản phẩm AI đơn lẻ sang xây dựng một "nhà máy AI" (AI factory) trong hai năm qua. Họ thống nhất các nền tảng Data/ML/Engineering phân mảnh thành một nền tảng Data & AI duy nhất, chuyển từ vai trò hỗ trợ kỹ thuật sang nền tảng định hướng sản phẩm với quy trình khám phá có cấu trúc và OKRs. Họ cũng công nghiệp hóa chất lượng sản phẩm AI thông qua công cụ đánh giá chung và cổng GenAI, tạo ra các accelerator (mẫu agent) riêng cho Doctolib để rút ngắn thời gian đưa sản phẩm ra thị trường từ hàng quý xuống vài tuần. Ngoài ra, họ đạt tỷ lệ áp dụng gần 100% trợ lý lập trình AI trong khi tích hợp công cụ năng suất nội bộ với cơ sở hạ tầng AI hướng đến khách hàng. Bài học quan trọng là việc thống nhất nền tảng chủ yếu là thách thức tổ chức hơn là kỹ thuật, ưu tiên cho nhiều khách hàng nội bộ đòi hỏi cả khung quy trình và sự đánh giá chuyên biệt, và việc sắp xếp thứ tự đầu tư quan trọng ngang bằng với bản thân các khoản đầu tư.

Là người phát triển AI, bạn nên đọc bài này để hiểu cách chuyển đổi từ sản phẩm AI đơn lẻ sang một hệ sinh thái sản xuất AI hiệu quả, từ đó rút ra kinh nghiệm về cách xây dựng và quản lý nền tảng dữ liệu-ML với quy mô lớn, tối ưu hóa thời gian phát triển và đảm bảo chất lượng sản phẩm.

The Agent-Era Career

Addy Osmani, cựu trưởng nhóm kỹ thuật Google, đưa ra lời khuyên sự nghiệp cho kỷ nguyên AI …

I Used a Frontier Model to Harden a Weaker One

Một nhà nghiên cứu đã sử dụng Claude Opus (mô hình tiên tiến) để tăng cường bảo mật cho Hermes/DeepSeek (mô hình yếu hơn) bằng cách áp dụng khung context engineering lấy cảm hứng từ whitepaper "New SDLC with Vibe Coding" của Google. Phương pháp chia tách static/dynamic giúp tách biệt các quy tắc bất biến (luôn bật) và kỹ năng theo giai đoạn (khởi động khi cần), sau đó chuyển doctrine (không phải plumbing) sang Hermes thông qua phân tích lỗ hổng. Kiểm thử adversarial phát hiện lỗi như hook quét secret không hoạt động, còn thử nghiệm live cho thấy giới hạn tuning mô tả cho mô hình tự chọn. Kết luận: Agent = Model + Harness, doctrine có thể tái sử dụng nhưng harness phụ thuộc nền tảng.

Một lập trình viên muốn nâng cao hiệu suất và độ tin cậy của các hệ thống agent thông minh bằng cách tối ưu hóa cách kết hợp kiến thức mô hình với các quy trình thực thi cụ thể.

Agent Draw: An agent draws while you talk, built on TLDraw

Agent Draw là công cụ hoạt động trên tldraw Agent starter kit, cho phép AI agent vẽ trên canvas vô hạn khi bạn nói. Bạn kéo vùng chọn, mô tả yêu cầu bằng giọng nói, và agent sẽ render bằng tldraw primitives hoặc bút vẽ. Bài viết chi tiết cách triển khai: StateNode tùy chỉnh, pipeline audio MediaRecorder, transcription qua Mistral Voxtral (Cloudflare Worker), hàng đợi FIFO xử lý yêu cầu vẽ đồng thời, và kỹ thuật prompt ngăn model xuất text thay vì vẽ. Tối ưu hiệu suất bằng cách loại bỏ hai action (setMyView, review), giảm 50% round-trip. So sánh khả năng, claude-opus-4.8 tạo tác phẩm phong phú hơn claude-haiku-4.5 hay gemini-2.5-flash-lite.

Những người lập trình viên muốn phát triển ứng dụng AI tích hợp giao diện đồ họa trực quan, đặc biệt là các ứng dụng tương tác âm thanh-video, nên đọc bài này để hiểu cách xây dựng pipeline hiệu quả từ nhận dạng âm thanh, xử lý đa nhiệm và tối ưu hóa giao tiếp giữa AI với người dùng thông qua các công cụ như tldraw.