Knowledge Graph as context for LLMs: demonstrating decisive RCA and faster production performance

Practical Loop Engineering

Các kỹ sư thường sử dụng vòng lặp để tự động hoá việc đạt mục tiêu, nhưng khi không kiểm soát rõ ràng những gì vòng lặp giả định, chúng có thể trở thành nguồn lỗi khó phát hiện. Nguyên nhân kỹ thuật thường là việc bỏ qua việc xác định invariant của vòng lặp và không xử lý các trường hợp edge case cụ thể như giá trị null hoặc chỉ số vượt quá giới hạn mảng. Hệ quả là hệ thống có thể tạo ra kết quả sai lầm trong môi trường sản xuất, dẫn đến thời gian dừng hoạt động tăng trung bình 15% và cần nhiều giờ debug để truy xuất nguồn gốc lỗi. Bài học đáng học là duy trì kỷ luật không ủy 판단 cho mã: luôn viết ra invariant, kiểm tra các đường đi phi thường và ghi lại lý do tại sao mỗi vòng lặp được thiết kế như vậy. Khi áp dụng điều này, nhóm phát triển sẽ giảm đáng kể số lỗi liên quan đến vòng lặp và tăng độ tin cậy của sản phẩm.

Bài viết giúp lập trình viên nắm vững kỹ thuật thiết kế vòng lặp hiệu quả và phát triển tư duy phản biện khi giải quyết vấn đề.

AI Agents Don’t Need More Context — They Need Typed Context

A developer built a small, zero-dependency Python runtime that assigns explicit types (INSTRUCTION, EVIDENCE, MEMORY, TOOL_OUTPUT) to pieces of context fed into AI agent prompts, preventing tool output or retrieved evidence from silently becoming an instruction. The system tracks provenance via a ledger and rejects invalid type promotions with a ContextTypeError before a prompt is ever built. Eight tests validate the enforcement logic, all running without any LLM calls. The piece frames this as a narrow correctness/observability layer inspired by Design by Contract, explicitly not a full agent framework, and lists trade-offs like string-based ledger keys, a single protected channel, ephemeral IDs, in-memory-only scope, and no automatic type inference.

Domain-Driven Design matters more when AI writes your code

Mô hình miền (domain model) và Ngôn ngữ phổ quát (Ubiquitous Language) càng trở nên quan …

How I Resolved a Critical Loki Disk Space Crisis in Kubernetes

Đội đang chạy Loki làm hệ thống tập trung logs trên một cụm Kubernetes và bắt đầu thấy dung lượng ổ đĩa của persistent volume tăng đột ngột mà không có cảnh báo trước. Nguyên nhân là do Loki nhận lượng log vượt quá mức mong đợi vì cấu hình retention và labels không được áp dụng đúng, khiến các chunk log liên tục được ghi và không được dọn dẹp. Khi PVC đạt ngưỡng sử dụng, các node bắt đầu vào trạng thái disk‑pressure, dẫn tới việc Loki pod bị evicted, việc ingest logs ngừng và các cảnh báo hệ thống được kích hoạt. Việc khôi phục bao gồm việc dọn dẹp thủ công các chunk cũ, điều chỉnh tham số retention và max_age trong LokiConfig, đồng thời thiết lập giới hạn resource và alerts trên sử dụng PVC. Bài học là luôn cấu hình retention và compaction cho Loki, giám sát chỉ số PVC và đặt quota để ngăn ngừa hiện tượng “log storm” làm đầy ổ đĩa trong môi trường Kubernetes.

Bài này giúp bạn học cách xử lý khủng hoảng dung lượng đĩa Loki trong Kubernetes qua kinh nghiệm thực tế từng bước cụ thể.

A deep dive into Nurb

Nurb được thiết kế để biến một agent viết mã thành đối tác CAD thực tế, cho phép các nhà phát triển làm việc trực tiếp trong môi trường mô hình 3D. Nó sử dụng các thành phần Python để tạo và thao tác hình học, đồng thời dựa trên nhân OCCT để xây dựng các thể rắn chính xác. Trong quá trình làm việc, hệ thống thực hiện kiểm tra trực tiếp và đo lường để phát hiện sớm các lỗi hoặc sai lệch về kích thước. Kết quả cuối cùng được xuất ra định dạng 3MF, giúp duy nhất dữ liệu mô hình và dễ dàng chia sẻ với các công cụ CAD khác. Từ đây ta học được rằng sự kết hợp giữa ngôn ngữ scripting linh hoạt và nhân mô hình rắn mạnh mẽ, cùng với việc áp dụng tiêu chuẩn xuất bản mở, có thể tạo ra quy trình thiết kế tự động hóa và đáng tin cậy.

Bài này giúp lập trình viên hiểu cách Nurb biến một agent lập trình thành đối tác CAD hiệu quả.

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.

Herdr vs tmux vs Zellij

Nhiều lập trình viên cần một công cụ giữ phiên terminal tồn tại khi làm việc từ xa, chạy đồng thời nhiều agents mã nguồn và quản lý bố cục cửa sổ linh hoạt. Herdr được viết bằng Rust và tập trung vào mô hình plugin đơn giản với cấu hình dựa trên TOML, tmux vẫn là lựa chọn truyền thống được triển khai bằng C và có hệ thống session‑window‑pane ma trận lâu năm, trong khi Zellij cũng dùng Rust nhưng cung cấp bố cục linh hoạt qua layout file và một kho plugin mở rộng đang phát triển. Do sự khác biệt về ngôn ngữ triển khai và cách xử lý sự kiện, Herdr tiêu thụ bộ nhớ thấp hơn khi chạy nhiều agents đồng thời, tmux cung cấp ổn định cao nhất trên các hệ thống cũ nhưng có giới hạn trong việc tùy chỉnh layout động, Zellij cân bằng giữa hiệu năng và khả năng mở rộng nhưng còn trẻ về ổn định trong môi trường sản xuất. Từ đó, nếu ưu tiên là hiệu năng nhẹ và cấu hình đơn giản, Herdr là phù hợp; nếu cần sự ổn định và cộng đồng lớn, tmux vẫn là lựa chọn an toàn; còn muốn thử nghiệm layout phong phú và plugin hiện đại, Zellij đáng để xem xét.

Bài này giúp lập trình viên chọn công cụ terminal tối ưu cho persistent session và remote work.

Architects, testers, and coders: Building multi-agent development teams

Bài viết mô tả nhu cầu porting các thư viện Python sang Dart để hỗ trợ phát triển ứng dụng Flutter. Để giải quyết, tác giả mô hình hoá các nhóm phát triển gồm kiến trúc sư, kiểm thử và lập trình viên làm việc như các tác nhân độc lập trên nền tảng Antigravity. Quy trình được xây dựng quanh test‑driven development: mỗi tác nhân viết test cho chức năng mong muốn trước khi triển khai mã Dart tương ứng. Kết quả là các gói Dart được tạo ra có cấu trúc idiomatis, duy trì tính nhất quán với nguồn Python và đạt độ bao phủ test cao sau mỗi vòng lặp. Từ kinh nghiệm này, bài viết khuyên áp dụng mô hình multi‑agent cùng TDD khi cần dịch sang ngôn ngữ mới vì nó giúp tách biệt trách nhiệm, phát hiện lỗi sớm và giảm phụ thuộc vào kiến thức thủ công về từng thư viện. Điều này cho thấy Antigravity có thể làm nền tảng mở rộng để quản lý các dự án porting lớn mà không làm tăngภาระ điều phối thủ công.

Bài viết hướng dẫn cách xây dựng đội ngũ phát triển đa đại lý để chuyển đổi thư viện Python thành gói Dart idiomatically bằng phương pháp phát triển theo hướng kiểm thử.