Learn the AI SDLC – The Complete Guide to Building Agent Skills

Why AI Gets Facts Right, Answers Wrong: GraphRAG Fixes It

AI agents có thể trích dẫn các câu hỏi chính xác nhưng vẫn trả lời sai. Nguyên nhân kỹ thuật là do lỗi trong việc استخراج ngữ cảnh, GraphRAG kết nối các mảnh dữ liệu để bù đắp thiếu thông tin. Khi không có ngữ cảnh đầy đủ, mô hình đưa ra câu trả lời mắc sai sót, gây ra quyết định sai. Điều đáng học là cần sử dụng GraphRAG để cải thiện quá trình RAG và tránh sai lệch do thiếu thông tin. Do đó, nếu bạn đang cân nhắc đọc bài, hãy quan tâm tới cách GraphRAG kết nối các node trong đồ thị để phục hồi ngữ cảnh.

GraphRAG giải quyết vấn đề AI trích dẫn chính xác nhưng trả lời sai bằng cách kết nối ngữ cảnh bị thiếu.

MCP was supposed to solve the agent tooling problem. It missed a step.

Bối cảnh: MCP được định hướng giải quyết vấn đề tooling cho AI agents, nhưng chưa hoàn thành bước cần thiết để các agent dễ dàng tìm công cụ. Nguyên nhân kỹ thuật: ARD, một specification mở mới, nhằm tạo một hệ thống đăng ký công cụ cho agents, tương tự như DNS cho máy chủ. Hệ quả: Khi thiếu bước này, các agent sẽ gặp khó khăn trong việc tìm kiếm và bind công cụ, làm giảm hiệu suất và tăng chi phí. Điều đáng học: Việc thiếu một lớp trừu tượng chuẩn khiến các hệ sinh thái không tương thích, làm chậm triển khai và gây phân tán công cụ. Do đó, nếu bạn đang cân nhắc đọc bài gốc, hãy chú ý cách ARD dự định bổ sung khoảng trống này và AWS đang định hướng nó.

ARD có thể là giải pháp thiếu trong hệ sinh thái công cụ agent, giúp tìm kiếm chéo registry hiệu quả như DNS trong thế giới mạng.

AI makes code cheap to create, not cheap to own

AI đã làm cho việc tạo ra code trở nên rẻ hơn, nhưng việc sở hữu và duy trì code lại đòi …

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 trọng khi AI tự động sinh code.

Lập trình viên nên đọc bài này để hiểu cách Domain-Driven Design (DDD) và ngôn ngữ chung (Ubiquitous Language) trở nên quyết định hơn bao giờ hết khi AI tự động hóa viết code, giúp bảo vệ chất lượng logic và tính tương thích với yêu cầu thực tế của dự án.

Practical Loop Engineering

Bài viết bắt đầu bằng việc đặt ra mục tiêu của việc thiết kế vòng lặp trong hệ thống phần mềm hiệu suất cao. Nó phân tích nguyên nhân kỹ thuật khi các vòng lặp được viết mà không tính đến truy cập bộ nhớ, dự đoán nhánh và chi phí gọi hàm, dẫn đến sự suy giảm throughput lên tới hàng chục phần trăm trên các nền tảng như x86-64 hoặc ARM. Hệ quả là không chỉ lãng phí tài nguyên CPU mà còn làm tăng độ phức tạp bảo trì khi đội phát triển phải dựa vào giả định thay vì đo lường thực tế. Bài viết nhấn mạnh kỷ luật không ủy phán quyết định cho công cụ hoặc thư viện mà tự mình đo lường, profile và điều chỉnh dựa trên dữ liệu thực nghiệm. Điều đáng học là áp dụng quy trình lặp lại: định nghĩa mục tiêu, đo lường baseline, thay đổi một biến mỗi lần và xác nhận cải thiện trước khi tiếp tục, giúp vòng lặp trở thành một thành phần có thể dự đoán và mở rộng.

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.

All roads lead to metered pricing

Kỷ nguyên của mô hình trợ giá cao và định giá đăng ký cố định đang kết thúc. Cursor vừa thông báo sẽ áp dụng giá tự động dựa trên mô hình mà mỗi yêu cầu được định tuyến đến.

Bài viết này giúp lập trình viên hiểu xu hướng chuyển đổi sang mô định giá theo mức sử dụng, ảnh hưởng trực tiếp đến chi phí và cách sử dụng các công cụ AI.

BigQuery Graph: Connecting Data and AI at Scale

Bối cảnh: doanh nghiệp cần phân tích mối quan hệ phức tạp trong dữ liệu mà không muốn di chuyển dữ liệu ra khỏi kho BigQuery. Nguyên nhân kỹ thuật: BigQuery Graph tích hợp trực tiếp mô hình đồ thị vào engine SQL của BigQuery, cho phép viết truy vấn graph bằng mở rộng SQL và sử dụng các thuật toán như PageRank, shortest path mà không cần sao chép dữ liệu. Hệ quả: người dùng có thể thực hiện phân tích đồ thị và cung cấp bối cảnh liên kết cho các agent AI trong cùng một truy vấn, giảm latency và chi phí lưu trữ sao chép. Điều đáng học: việc mở rộng khả năng SQL với đồ thị nguyên sinh giúp tận dụng cơ sở dữ liệu hiện có để hỗ trợ AI mà không cần xây dựng pipeline ETL riêng. Điều này cho thấy hướng đi của các kho dữ liệu hiện đại là kết hợp phân tích cấu trúc và AI trong một nền tảng thống nhất.

BigQuery Graph giúp lập trình viên tích hợp phân tích đồ thị và AI vào hệ thống dữ liệu doanh nghiệp mà không cần di chuyển dữ liệu.

Skills vs. MCP tools for AI agents: When to use which

Bài viết nhấn mạnh việc lựa chọn giữa skills và MCP tools khi xây dựng AI agent phụ thuộc vào yêu cầu về khả năng kiểm tra (auditability) và độ linh hoạt. Skills được triển khai như các hàm độc lập, dễ dàng ghi log và truy vết, do đó cho kết quả auditability cao nhưng thường bị giới hạn bởi giao diện cố định, làm giảm khả năng thay đổi logic tại runtime. Ngược lại, MCP tools cho phép kết hợp linh hoạt các thành phần thông qua giao thức message‑passing, tăng khả năng mở rộng và thay đổi hành vi mà không cần biên dịch lại, nhưng làm tăng độ phức tạp của hệ thống và giảm mức độ minh bạch vì các luồng thông điệp khó theo dõi. Trong thử nghiệm mã nguồn side‑by‑side, việc sử dụng skills cho thấy thời gian phản hồi ngắn hơn và mức tiêu thụ tài nguyên ổn định hơn so với MCP tools, trong khi MCP tools cho phép thêm nhiều luồng xử lý song song mà không cần thay đổi lõi hệ thống. Bài học chính là: khi ưu tiên traceability và hiệu suất thấp, chọn skills; khi cần thử nghiệm nhanh và tích hợp nhiều dịch vụ bên ngoài, MCP tools là lựa chọn phù hợp, nhưng đội phát triển phải đầu tư vào công cụ tracing và giám sát để bù đắp cho sự mất auditability.

Bài viết giúp lập trình viên hiểu rõ khi nào nên dùng skills hay MCP tools để tối ưu hiệu năng và khả năng kiểm soát của AI agents.