Make no assumptions.

Front-End Architecture with Domain-Driven Design

Một kỹ sư front-end kỳ cựu chia sẻ cách áp dụng Domain-Driven Design (DDD) vào ứng dụng …

I stopped treating AI models like Pokémon—I don't need to collect them all

Tác giả từng lạm dụng Ollama khi chạy các mô hình AI local bằng cách thu thập đủ loại LLM mới thay vì cải thiện năng suất. Sau khi nhận thấy sự lãng phí khi theo đuổi benchmark không phù hợp, ông đã gán mỗi mô hình một vai trò cụ thể (DeepSeek 14B cho tác vụ hàng ngày, GPT-OSS 20B cho phân tích tài liệu, Qwen 2.5 Coder cho lập trình) và tích hợp chúng vào công cụ sẵn có như Logseq, Obsidian, VS Code thay vì đổi liên tục.

Lập trình viên nên đọc bài này để tránh bị mắc kẹt trong cuộc đua "sưu tập" các mô hình AI mà thực chất vẫn chưa tối ưu hóa hiệu suất thực tế cho công việc của mình.

In defense of not understanding your codebase

Bài viết bảo vệ quan điểm làm việc với hiểu biết không đầy đủ về codebase trong hệ thống phần mềm lớn, phản bác luận điểm "Lập trình như xây dựng lý thuyết" của Peter Naur khi cho rằng việc xây dựng lại toàn bộ hệ thống khi kiến thức nhóm bị mất là không khả thi ở quy mô lớn. Các kỹ sư hiện đại phải đưa ra quyết định tự tin dù hiểu biết không hoàn chỉnh, đồng thời xem "duy trì lý thuyết về codebase" chỉ là một giá trị kỹ thuật trong số nhiều giá trị khác.

Những lập trình viên làm việc trong hệ thống lớn sẽ hiểu rằng không thể duy trì sự hiểu toàn bộ mã nguồn từ đầu, nhưng vẫn cần làm việc hiệu quả khi thiếu kiến thức chi tiết—điều này giúp họ tránh rơi vào rắc rối khi phải "xóa và viết lại" mã như một số quan điểm cổ điển đề xuất.

RAG & Fine-tuning in LLMs

RAG và fine-tuning là hai phương pháp tùy chỉnh LLM nhưng giải quyết vấn đề khác nhau: RAG truy xuất ngữ cảnh từ nguồn bên ngoài tại thời điểm suy luận (không thay đổi trọng số mô hình), còn fine-tuning cập nhật trọng số trước triển khai để thay đổi hành vi mặc định. Trong sản xuất, hai phương pháp thường được kết hợp, trong đó RAG xử lý truy xuất tri thức động còn fine-tuning định hình cách phản hồi của mô hình. Ngoài ra, bài viết cũng giải thích kỹ thuật ANN sử dụng IVF, giúp tăng tốc độ truy vấn lên tới 100 lần so với kNN thông thường nhờ phân vùng dữ liệu bằng k-means.

Lập trình viên nên đọc bài này để hiểu cách tối ưu hóa hiệu suất và độ chính xác của hệ thống AI bằng cách phân biệt giữa RAG (chỉnh sửa tại thời điểm sử dụng) và fine-tuning (chỉnh sửa trước khi triển khai), cùng với kỹ thuật ANN như IVF để nhanh chóng xử lý dữ liệu lớn.

Choosing the Right AI Agent Memory Strategy: A Decision-Tree Approach

Bài viết hướng dẫn chọn chiến lược bộ nhớ (memory strategy) phù hợp cho AI agent thông qua sơ đồ quyết định 5 câu hỏi, phân tích 4 loại bộ nhớ: working, semantic, episodic, procedural. Mỗi loại được giải thích về đặc điểm thông tin mà nó lưu trữ, cùng bảng tóm tắt triển khai và các lỗi thường gặp. Ví dụ thực tế như trợ lý khách hàng hay lập trình viên minh họa cách kết hợp nhiều lớp bộ nhớ thành kiến trúc hoàn chỉnh.

Lập trình viên nên đọc bài này để hiểu cách thiết kế và tối ưu hóa bộ nhớ AI cho ứng dụng của mình, từ đó nâng cao hiệu suất và độ tin cậy của các hệ thống tự động hóa, đặc biệt là khi cần xử lý thông tin dài hạn, tương tác đa giai đoạn hoặc tái sử dụng kiến thức.

Four AI Stories From This Week

Bài viết phân tích bốn câu chuyện AI trong tuần, chỉ ra rằng truyền thông chính thống thường nhấn mạnh sai vấn đề. Các chủ đề gồm: (1) Mô hình ngôn ngữ lớn (LLM) Trung Quốc và an ninh mạng, thực chất là bất đối xứng giữa tấn công và phòng thủ; (2) Phần mềm hỗ trợ y tế AI tại Úc, vấn đề cốt lõi là trách nhiệm và tóm tắt mất thông tin; (3) Dự án phát triển thuốc bằng AI của Anthropic, thách thức chính là xác thực trong thế giới thực; (4) Sự hạn chế tạm thời ("Fable blip") đối với mô hình AI tiên tiến, có thể báo hiệu thay đổi trong quản lý phát hành AI.

Để tránh bị mắc vào những góc nhìn đơn giản hóa về AI, như thảo luận chỉ về quốc gia hay công nghệ mà bỏ qua những vấn đề thực sự phức tạp như bất cân xứng về quyền lực giữa người tấn công và người bảo vệ.

When to repeat yourself

Nguyên tắc DRY (Don't Repeat Yourself) quan trọng nhưng việc loại bỏ trùng lặp cũng có chi …